- •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).
57. Алгоритм направленого випадкового пошуку при вирішенні задачі математичного програмування без обмежень.
Алгоритм:
1)Задати або визначити початкові значення х1,х2, ..., хn і довжину кроку n.
2)Визначити початкове значення цільової ф-ції у.
3)Повторювати :
-визначити випадкові значення х=Rz, z - випадкові рівномірні розподілені числа (z від -1 до +1 )
-визначити нове значення критеріальної ф-ції у2.
-Якщо значення ф-ції покращилися, прийняти х=х+х, у1=у2.
-Кінець циклу.
4)Вивід результатів.
58. Вирішення задачі нелінійного програмування без обмежень методом Монте-Карло (табличний спосіб реалізації направленого випадкового пошуку).
у=f(x1...xn)=100(x2-x1^2)^2+(1-x1)^2
Центр пошуку |
h |
|
||||||||||
Х1 |
Х2 |
У |
|
|
||||||||
|
|
Формула |
|
|
||||||||
|
№ експ |
Х1 |
Х2 |
У фільтр |
||||||||
|
|
x1=x1+h*z1 |
x2=x2+h*z2 |
Формула |
||||||||
|
|
|
||||||||||
|
|
|
Z1 |
Z2 |
md |
md |
Послідовність дій:
1) згенерувати випадкові числа
2) ввести центр та крок h.
3) Встановити фільтр
Якщо не знайшли кращого рішення: або нові числа, або змін крок. Якщо знайшли - копіюємо значення в центр пошуку.
59. Програмна реалізація алгоритму направленого випадкового пошуку при вирішенні задачі математичного програмування без обмежень).
Sub Find (F As Boolean)
Dim i As Integer
Dim iKilX As Integer
Static Xmin() As Single
Dim X() As Single
Dim I As Integer
Static IKilEx As Long
Static fMin As Single
Dim fFun As Single
Dim h As Single
Dim Z() As Single
H=range(«4»).Value
IkilEx=Range(«5»)
For i=0 To 10
If Cells(7+i,3).Value= «» Then
IkilEx=i
Exit For
Else
End If
Next
ReDim X(iKilX)
ReDim Xmin(iKilX)
ReDim Z(iKilX)
If F= True Then
For i=0 to iKilX
Cells(6+i,6).Value= Cells(6+i,3).Value
Next
fMin=Range(«C6»).Value
End If
Randomize
For i=0 to iKilX-1
X(i)= Cells(7+i,3).Value
Z(i)=1+(1+1)*RND
Xmin(i)= Cells(7+i,6).Value
Next
fFun=Range(«C6»).Value
if fFun<fMin Then
6fMin=fFun
For i=0 to iKilX-1
Xmin(i)=X(i)
Next
End If
Next
Range(«g6»).Value=Range(«F6»).Value
Range(«F6»).Value=fMin
For i=0 to iKilX-1
Cells(7+i,3).Value=Cells(7+i,6).Value
Next
For i=0 to iKilX-1
Cells(7+i,6).Value=Xmin(i)
Next
End Sub
60. Модель вибору технологічного процесу виготовлення виробів (табличний спосіб реалізації направленого випадкового методу).
Маємо 2 тех процеси виготовлення виробів. Річний план вир-ва виконати, використовуючи вільні виробничи потужності заготівел, механ, складського цехів.
Потрібно визначити оптимальну кількість виробів, виготовлених кожним способом при умові виконання програми вир-ва з мін витратами. Х1 - к-ть виробів (1 спосіб), х2 - к-ть виробів (2 сп), витрати на виготовлення 1 виробу:
1 сп - 140*1^-0.07
2 сп - 150*2^-0.14
Річний план вир-ва 1000 шт, трудомісткість виготовлення залежить від обсяга вир-ва.
Цех |
Мах потужність |
Трудомісткість |
|
|
|
1 спосіб |
2 спосіб |
Заг Мех Склд |
3200 16000 5000 |
5*1^-0.1 24*1^-0.06 8*1^-0.12 |
10*2^-0.15 6*2^-0.07 14*2^-0.11 |
Y=140*1^-0.07*x1+150*2^-0.14*x2
x1+x2=1000
5*1^-0.1*x1+10*2^-0.15*x2=3200
24*1^-0.06*x1+6*2^-0.07*x2=16000
8*1^-0.12*x1+14*2^-0.11*x2=5000
x1,x2=0
Кіл-ть виробів |
витрати |
Обмеження по потужності |
|||
Х1 |
Х2 |
У |
заготів |
механ |
склад |
|
|
|
|
|
|
Заготів, мех, склад - формули, потім на основі обмежень, фільтруємо і знаходимо оптимальну точку.