- •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).
74. Стандартний метод імітації неперервних випадкових величин.
Важливим питанням у методі Монте-Карло є створення на ЕОМ випадкових чисел з довільним неперервним розподілом. Існує кілька способів перетворення РВП [0, 1] на інші розподіли. Найчастіше використовується спосіб, що грунтується на такій теоремі.
Теорема. Нехай - випадкова величина, рівномірно розподілена на відрізку [0, 1]. Тоді випадкова величина X, яка є розв’язком рівняння , (8.1) має щільність f (x).
Теорема дає змогу сформулювати правило генерування випадкових чисел, що мають довільний неперервний розподіл:
1) виробляється випадкове число РВП [0, 1];
2) випадкове число з pозподілом f (x) є розв’язком рівняння (8.2)
Таким чином, послідовність , що належить до РВП [0, 1], перетворюється на послідовність , яка має задану щільність розподілу f (x).
Слід зазначити, що стандартний метод імітації неперервних розподілів доцільно застосовувати лише в разі виконання таких умов:
1) інтеграл (8.2) можна взяти (подати в квадратурах);
2) здобуте після інтегрування рівняння розв’язується щодо невідомого
3) остаточна формула не потребує значних витрат машинного часу для її реалізації.
Якщо такі умови не виконуються, то для імітації неперервних випадкових величин застосовують інші методи.
75. Приклади застосування стандартного методу імітації неперервних випадкових величин.
Приклад 1. Нехай потрібно створити послідовність випадкових чисел, рівномірно розподілених на відрізку [a, b]. Застосувавши перетворення (8.2), дістанемо: (8.3). Звідси
(8.4)
Приклад 2. Розглянемо імітацію випадкових величин з експоненціальним (показниковим) розподілом. Відомо, що коли ймовірність появи випадкової події в малому інтервалі часу t дуже мала і не залежить від появи інших подій, то інтервали часу між послідовними подіями розподіляються за експоненціальним законом: . (8.5)
Цьому закону розподілу підпорядковуються багато явищ: тривалість телефонних розмов, час прибуття літаків до аеропорту тощо.
Підставляючи (8.5) в (8.2) - в білеті 74, маємо
Величина також має рівномірний розподіл на відрізку [0, 1], тому вираз для хі можна записати простіше: (8.6) Формула (8.6) використовується практично в усіх стандартних підпрограмах імітації розподілів виду (8.5).
76. Метод добору (відбраковки).
Нехай потрібно дістати послідовність реалізації випадкової величини X, щільність розподілу ймовірностей якої обмежена на скінченному відрізку [0, 1]. Таку послідовність випадкових чисел можна знайти за методом добору (відбракування). Це означає, з початкової множини вилучаються числа, що не задовольняють певну умову. Отже, сутність методу полягає ось у чому. Нехай створено чергові числа РСП [0, 1]. Виконаємо перетворення (2.32) ; (2.33)
Випадкова величина x' рівномірно розподілена на відрізку [a, b]; y - на відрізку [0,c]. Має місце така теорема. Теорема. Випадкова величина X, визначена умовою , якщо (2.34) має щільність розподілу
З допомогою цієї теореми можна побудувати доволі простий алгоритм генерування чергового випадкового числа , що має розподіл f (x).
1. Генеруємо наступні два числа РВП [0, 1].
2. Обчислюємо
3. Перевіряємо умову Якщо умова виконується, то переходимо до п. 4, у противному разі до індексу i додаємо 1 і переходимо до п. 1.
4. Формуємо чергове випадкове число за правилом