- •1.Моделювання. Визначення і основні поняття.
- •2.Поняття моделі та форми існування моделей.
- •3.Мета застосування моделювання та способи її досягнення.
- •4.Види моделювання.
- •5.Фізичне моделювання.
- •6.Математичне моделювання.
- •7. Макетне моделювання.
- •8.Аналогове моделювання.
- •9.Ситуаційне моделювання.
- •10.Способи використання математичних моделей.
- •11.Визначення імітаційної моделі та її характерні особливості.
- •12. Що входить в поняття імітаційної моделі як інструмента дослідження складних систем?
- •13. Основні напрямки використання машинної імітації.
- •15. Поняття машинної імітації (імітаційного моделювання).
- •16. Переваги та вади машинної імітації.
- •17.Класифікація методів імітаційного моделювання.
- •18. Імітація еволюційних процесів у динамічних моделях.
- •19. Загальна схема і цілі машинної імітації.
- •20. Програмна реалізація імітаційних моделей.
- •21. Мови імітаційного моделювання.
- •22. Імітаційна модель обчислювальної системи з відмовами (табличний спосіб реалізації)
- •23. Імітаційна модель обчислювальної системи з чергою (табличний спосіб реалізації).
- •24. Імітаційна модель обчислювальної системи з відмовами (комбінований спосіб реалізації).
- •25. Імітаційна модель обчислювальної системи з чергою (комбінований спосіб реалізації).
- •26. Імітаційна модель обчислювальної системи з відмовами (алгоритм програмної реалізації).
- •27. Імітаційна модель обчислювальної системи з чергою (алгоритм програмної реалізації).
- •28. Імітаційна модель обчислювальної системи з чергою (реалізація процедурно-орієнтованими засобами мови програмування). Визначаємо змінні
- •29. Імітаційна модель обчислювальної системи з відмовами (реалізація процедурно-орієнтованими засобами мови програмування). Визначаємо змінні
- •30. Основні етапи побудови імітаційної моделі.
- •31. Gpss-програма імітаційної моделі обчислювальної системи з відмовами.
- •32. Gpss-програма імітаційної моделі обчислювальної системи з чергою.
- •30 Queue qeom *стати в чергу
- •30 Queue qeom *стати в чергу
- •33. Верхній і середній рівень представлення в системі gpss імітаційної моделі телефонної станції.
- •2. Середній рівень
- •34. Gpss-програма імітаційної моделі телефонної станції.
- •35. Імітаційна модель керування запасами: сутність оптимального керування запасами.
- •36. Імітаційна модель керування запасами: система постачання.
- •37. Імітаційна модель керування запасами: попит на предмети постачання та система поповнення запасів.
- •38. Імітаційна модель керування запасами: вартісні функції витрат.
- •39. Імітаційна модель керування запасами: обмеження, що застосовуються до запасів, і стратегії (політики) керування запасами.
- •40. Імітаційна модель керування запасами: статична детермінована модель.
- •41. Керування багатопродуктовими запасами: основні передумови та економіко-математична модель.
- •42. Імітаційна модель керування запасами: опис концептуальної моделі (основні передумови).
- •43. Імітаційна модель керування запасами: схема алгоритму.
- •44. Визначення, характерні особливості та сфера використання методу Монте-Карло.
- •45. Основні етапи методу статистичних випробувань
- •46. Обчислення означеного інтегралу методом Монте-Карло (табличний спосіб реалізації).
- •47. Обчислення означеного інтегралу методом Монте-Карло (реалізація процедурно-орієнтованими засобами мови програмування).
- •48. Методи випадкового пошуку при вирішенні оптимізаційних задач. Характерні особливості, переваги та недоліки.
- •49. Чисто випадковий пошук і його ефективність.
- •50. Алгоритм чисто випадкового пошуку при вирішенні задачі математичного програмування без обмежень.
- •51. Вирішення задачі нелінійного програмування без обмежень методом Монте-Карло (табличний спосіб реалізації чисто випадкового пошуку).
- •52. Програмна реалізація алгоритму чисто випадкового пошуку при вирішенні задачі математичного програмування без обмежень.
- •53. Модель вибору технологічного процесу виготовлення виробів (табличний спосіб реалізації чисто випадкового методу).
- •54. Алгоритм чисто випадкового пошуку при виборі технологічного процесу виготовлення виробів.
- •55. Програмна реалізація алгоритму чисто випадкового пошуку при виборі технологічного процесу виготовлення виробів.
- •56. Направлений випадковий пошук. Його переваги, недоліки та способи покращення збіжності.
- •57. Алгоритм направленого випадкового пошуку при вирішенні задачі математичного програмування без обмежень.
- •58. Вирішення задачі нелінійного програмування без обмежень методом Монте-Карло (табличний спосіб реалізації направленого випадкового пошуку).
- •59. Програмна реалізація алгоритму направленого випадкового пошуку при вирішенні задачі математичного програмування без обмежень).
- •60. Модель вибору технологічного процесу виготовлення виробів (табличний спосіб реалізації направленого випадкового методу).
- •61. Алгоритм направленого випадкового пошуку при виборі технологічного процесу виготовлення виробів.
- •62. Програмна реалізація алгоритму направленого випадкового пошуку при виборі технологічного процесу виготовлення виробів.
- •63. Точність оцінки ймовірності за допомогою відносної частоти.
- •64. Рівномірна випадкова послідовність чисел (рвп [0,1]).
- •65. Табличний спосіб одержання рвп [0,1].
- •66. Фізичні генератори рвп [0,1].
- •67. Програмні датчики рвп [0,1].
- •68. Перевірка якості випадкових чисел.
- •69. Схема випробувань за "жеребком" (свж).
- •70. Перший спосіб використання свж.
- •71. Другий спосіб використання свж.
- •72. Стандартний метод імітації дискретно-розподілених випадкових величин.
- •73. Спеціальні методи імітації дискретних розподілень.
- •74. Стандартний метод імітації неперервних випадкових величин.
- •75. Приклади застосування стандартного методу імітації неперервних випадкових величин.
- •76. Метод добору (відбраковки).
- •77. Наближене формування розподілів.
- •78. Генерування нормально розподілених випадкових чисел: використання центральної граничної теореми (цгт).
- •79. Генерування нормально розподілених випадкових чисел: метод Бокса-Маллера.
- •80. Генерування нормально розподілених випадкових чисел: метод Марсальї-Брея.
- •81. Основні задачі й поняття планування імітаційних експериментів.
- •82. Апроксимуючий поліном фукції відгуку.
- •83. Дворівнева система вимірювання факторів.
- •84. Повний факторний план (експеримент) і його властивості.
- •85. Дробовий факторний план (експеримент) і його властивості.
- •86. Лінійна апроксимація функції відгуку.
- •87. Одержання апроксимуючого полінома другого ступеня.
- •88. Композиційні плани.
- •89. Ортогональний центральний композиційний план.
- •90. Рототабельний композиційний план. (ркп)
- •91. Статистична перевірка однорідності дисперсіїй.
- •92. Статистична перевірка значущості коефіцієнтів регресії.
- •93. Статистична перевірка адекватності моделі.
- •94. Планування експерименту під час дослідження системи.
- •95. Перший спосіб пошуку екстремуму функції відгуку.
- •96. Загальна схема методу Бокса-Уїлсона.
- •97. Рух у напрямку крутого сходження (спаду).
43. Імітаційна модель керування запасами: схема алгоритму.
Імітаційна модель задачі пошуку оптимальної стратегії керування запасами складається з двох контурів - зовнішнього і внутрішнього. Зовнішній контур реалізує схему проведення експериментів за методом Бокса- Уїлсона, тобто на цьому рівні визначаються точки факторного простору, в яких відбувається імітаційний експеримент для визначення цільової функції - сумарних витрат на постачання.
На вхід до внутрішнього контура надходить пара чисел (вектор) , визначених згідно з процедурою руху в напрямі антиградієнта або в околі базової точки факторного простору. Після проведення машинного експерименту в точці і статистичної обробки результатів моделювання дістаємо значення цільової функції , яке відсилається на зовнішній контур моделі для прийняття рішення щодо подальшого проведення експериментів.
44. Визначення, характерні особливості та сфера використання методу Монте-Карло.
За допомогою методу Монте-Карло (методу статистичних досліджень) розв’язують задачі, в яких потрібно врахувати вплив неконтрольованих випадкових факторів і зробити в таких умовах аргументований висновок щодо можливих напрямків розвитку системи та оптимальної стратегії управління нею. Метод Монте-Карло являє собою сукупність формальних процедур, засобами яких відтворюються на ЕОМ будь-які випадкові фактори. Метод Монте-Карло застосовується в багатьох галузях науки і техніки. За допомогою процедур Монте-Карло розроблено численні методи для обчислення кратних інтегралів, розв’язування інтегральних і диференціальних рівнянь. У задачах оптимізації процедура Монте-Карло використовується для генерування випадкових точок з області визначення цільової функції та установлення випадкових напрямів руху до екстремуму в пошукових методах. Вибірковий метод Монте-Карло найкорисніший при моделюванні стохастичних ситуацій, він придатний також і для розв’язування деяких цілком детермінованих задач, що не мають аналітичних розв’язків.
Метод Монте-Карло часто застосовується в експериментальних дослідженнях. При постановці натурних експериментів випадковим способом вибираються поточні точки факторного простору в умовах нестандартного проходження досліджуваних процесів. У машинних експериментальних дослідженнях, виконуваних на імітаційних моделях, метод Монте-Карло дає змогу імітувати випадкові явища, що відбуваються в реальних модельованих системах.
45. Основні етапи методу статистичних випробувань
1.Створюється модель, яка реалізує перетворення вхідних даних у вихідні аналогічно реальному процесу.
2.визначається стохастична природа вхідних даних, тобто визначається розподілення ймовірностей для вхідних змінних.
3.Імітується(розігрується) поведінка вхідних даних з метою отримання їхньої вибірки для кожного розігрування.
4.за допомогою моделі отримується значення на її виході
Етапи 2 і 3 проводяться багаторазово і накопичуються вихідні дані.
5.Статистична обробка і інтерпретація вихідних даних
46. Обчислення означеного інтегралу методом Монте-Карло (табличний спосіб реалізації).
Нехай потрібно обчислити інтеграл від деякої функції на заданому відрізку змінювання аргументу. Після нескладних перетворень початкову задачу можна звести до задачі обчислення інтеграла де 0 f (x) 1 при 0 x 1.
Визначимо площу I фігури, обмеженої кривою y = f (x), віссю x і прямими х = 0, х = 1. Очевидно, що ймовірність попадання випадкової точки в заштриховану область дорівнює відношенню площі даної фігури, тобто значення інтеграла I, до площі квадрата, яка дорівнює одиниці. Отже, ймовірність попадання випадкової точки в заштриховану область дорівнює значенню шуканого інтеграла. Кидаємо n випадкових точок на площину квадрата. Нехай виконується умова
(2.4)
Тоді точка належить заштрихованій області. Припустимо тепер, що m - число точок, для яких виконується умова (2.4). Відносна частота попадання точки в заштриховану область дорівнює . Згідно з теоремою Бернуллі
Отже, є наближеним значенням шуканого інтеграла.