- •Классификация моделей.
- •Структура моделей.
- •II. Ко входному контакту элемента подключается не более, чем один элементарный канал. Выходные контакты могут иметь сколько угодно элементарных каналов.
- •Последовательные этапы процесса имитации.
- •II (4 этап):
- •6 Этап (трансляция модели):
- •7 Этап ( оценка адекватности):
- •Представление исходных данных для имитации.
- •2) Принцип особых состояний:
- •Алгоритм метода статистических испытаний.
- •Псевдослучайные числа и процедура их генерации.
- •Моделирование испытаний в схеме случайных событий.
- •Формирование реализаций случайных векторов.
- •I. Пусть цель моделирования - вычислить вероятность р некоторого события а:
- •Случайный процесс.
- •Критерий Колмогорова.
- •I. Входной поток(w):
- •1. Простейший поток (стационарный пуассоновский):
- •Уравнение Эрланга и формула Эрланга.
- •Правила составления ду.
- •Моделирование смо с помощью метода статистических испытаний.
- •Формирование входного потока ( 3 -ий блок ).
- •Подалгоритм выбора канала.
- •Агрегаты. Основные понятия.
- •Процесс функционирования агрегата.
- •Представление смо в виде агрегата.
- •Корреляционный анализ.
I. Пусть цель моделирования - вычислить вероятность р некоторого события а:
m
`P= (13.3)
N
где m - количество появлений события А,
N - количество реализаций,
`P - частота.
Теорема Лапласа (частный случай центральной предельной теоремы теории вероятности):
При достаточно больших N частоту m/N можно рассматривать как СВ, которая имеет распределение, близкое к нормальному, с мат. ожиданием Р и дисперсией, равной
P(1 - P)
N
Поэтому для каждого значения a можно выбрать из таблиц нормального распределения такую величину ta ( ta - квантиль нормального распределения), что точность e = taÖD[m/N] (13.4).
P(1 - P)
e2 = ta2
N
P( 1 - P)
N = ta2 (13.5) e2
(13.5) можно пользоваться, если мы имеем дело с оценкой вероятности.
II. Пусть результат моделирования - это оценка мат. ожидания и дисперсии:
Пусть СВ x имеет мат. ожидание а и дисперсию s2 и в реализации с номером i принимает значения xi. В качестве оценки мат.ожидания используется среднее значение, которое определяется следующим образом:
N
`x = 1/N å xi (13.6)
i=1
Теорема:
При больших N среднее арифметическое будет являться СВ, которая стремится к нормальному закону распределения с мат.ожиданием а и дисперсией s2. Тогда точность e:
s
e = ta (13.7)
ÖN
ta2s2
N = (13.8)
e2
Алгоритм выбора необходимого числа реализаций:
1. Задается N0 в интервале от 50 до100 реализаций;
2. Используя имитационную модель, определяем `Р;
3. Полученное `Р подставляем в (13.5) и получаем N1;
4. Сравниваем Ni-1 и Ni, если Ni-1 < Ni, то мы повторяем весь алгоритм, начиная с п.2.
Для вычисления оценки мат. ожидания и дисперсии используется тот же алгоритм, но в п.2 вычисляется оценка дисперсии и оценка мат.ожидания, а в п.3 N1 вычисляется по формуле (13.8).
Особенности фиксации и статистической
обработки результатов моделирования.
При имитационном моделировании необходимо предусмотреть меры по организации эффективной обработки данных и их представлении. При выборе метода обработки существенную роль играют следующие особенности:
1) при моделировании получают огромные выборки, которые количественно позволяют оценить характеристики процесса функционирования системы. При этом возникает проблема хранения промежуточных результатов моделирования. Она в основном решается за счет организации алгоритма т.о., чтобы оценки вычислялись в процессе моделирования;
2) априорно сделать какие-либо предположения о характеристиках процесса функционирования системы невозможно, поэтому в моделировании используются оценки моментов распределения;
3) блочность структуры модели, когда исходными данными для моделирования одного компонента являются результаты моделирования какого-либо другого компонента.
При построении алгоритма мы должны выдвигать к нему 2 критерия ( с вычислительной точки зрения):
1) используемая память должна быть минимальна;
2) время вычисления должно быть минимально.
I. Пусть в качестве искомой величины фигурирует вероятность наступления некоторого события А. В качестве оценки вероятности используется частота:
m
`P(A) = (14.1)
N
где m - число появлений события А,
N - число реализаций.
II. Пусть в результате моделирования необходимо оценить закон распределения. Для этого область значений СВ x разбивается на k интервалов, и для каждого i-го интервала определяется либо mi (количество значений СВ, попавших в i-ый интервал), либо определяется `Pi (частота):
`Pi = mi /N (14.2)
III. Если результат моделирования - это мат.ожидание. Оценкой мат.ожидания является среднее значение:
N
`y = 1/N å yi (14.3)
i=1
IV. В качестве результата моделирования - дисперсия.
N
`D = 1/N å (yi - `y )2 (14.4)
i=1
N N
`Dy = 1/(N - 1) å yi2 - 1/[N(N - 1)] ( å yi )2 (14.5)
i=1 i=1
V. Если оценка - корреляционный момент между последовательностью СВ, принимающих значения X и Y.
N
`Kxh = 1/N å (yi - `y)(xi - `x) (14.6)
i=1
N N N
`Kxh = 1/(N - 1) å yi xi - 1/[N(N - 1)] å yi å xi (14.7)
i=1 i=1 i=1