- •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).
47. Обчислення означеного інтегралу методом Монте-Карло (реалізація процедурно-орієнтованими засобами мови програмування).
Для прикладу використаємо мову програмування Visual Basic.Визначимо інтеграл від 0 до 1 для х^2
Option Explicit
Public Function funk(X As Single) As Single
funk = X ^ 2
End Function
Public Sub model()
Dim Y As Single *змінна У
Dim X As Single*змінна Х
Dim KolPR As Long *змінна, де буде підраховуватися кількість вдалих експериментів
Dim Kol As Long *змінна, де буде підраховуватися кількість невдалих експериментів
Dim i As Long *змінна циклу
Dim Result As Single *значення інтегралу
Dim KOlEKs As Long *загальна кількість експериментів
Randomize
Result = 0
KolPR = 0
Kol = 0
KOlEKs = Range("KolEksper").Value * кількість експериментів введена з екселю
For i = 0 To KOlEKs
X = Rnd *генерація випадкових чисел від 0-1
Y = Rnd
If (funk(X) > Y) Then *Перевіряється умова входження в область інтегралу
KolPR = KolPR + 1
End If
Kol = Kol + 1
Next
Result = KolPR / Kol
Range("Result").Value = Result
End Sub
48. Методи випадкового пошуку при вирішенні оптимізаційних задач. Характерні особливості, переваги та недоліки.
Методи випадкового пошуку при вирішенні оптимізаційних задач.
y = f (x1, x2, …, xn) → min (max)
обмеження x
Методи випадкового пошуку поділяються на 2 види: чисто випадковий пошук і направлено випадковий пошук.
Переваги: дають можливість використовувати більш адекватні моделі, коли в умовах задачі є елементи випадковості; відносно просто реалізуються; чисто випадковий метод - найбільш універсальний метод, який може бути використаний практично для будь-якого виду цільової ф-ції.
Задача (чисто випадковий метод). Проводиться обчислення значень цільової функції у випадково обраних точках (значеннях іксів) і відбирається точка, в якій занчення ближче до оптимального.
Ефективність методу: кожен фактор може змінюватися від 0% до 100%. Треба визначити оптимальне значення з похибкою 10%.
49. Чисто випадковий пошук і його ефективність.
ЧВП - проводиться обчислення значень цільової ф-ї у випадково обраних точках і вибирається точка в якій значеня блище до опт.
Ефек-ть методу - кожен фактор може змін від 0 до 100%. Треба знайти оптимальне значення з похибкою 10%:
1.Кількість вар-в - 10n
2.Ймов виявлення оптимуму при 1 експер-ті - 1/10n
3.Ймов не виявлення оптимуму при 1 експер-ті - 1-1/10n
4.Ймов не виявл оптимуму при m експерементів
(1-1/10n)m
5.Ймов-ть виявл при задан кіл-ті випробувань
(1-(1-1/10n)m)
50. Алгоритм чисто випадкового пошуку при вирішенні задачі математичного програмування без обмежень.
1.Задати початкові значення зміних
2.Прийняти цю точку за екстремальну хекс=х
Fекс= F(x)
3.Повторювання
3.1. визначити нову точку за допом Rnd
3.2.знайти значення F=F(x)
3.3.якщо Fекс=< F(x), то Fекс= F
4.Вивести результат
51. Вирішення задачі нелінійного програмування без обмежень методом Монте-Карло (табличний спосіб реалізації чисто випадкового пошуку).
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.
Етапи вирішення задачі нелінійного програмування:
1. Генеруємо сукупність випадкових чисел х1 та х2.
2. Розраховуємо у за формулою: у = 100*(х2 - х1^2) - (1-х1)(1-х1).
3. Встановлюємо фільтр та знаходимо мінімальне значення у.