- •Технология компьютерного моделирования и особенности ее применения к задачам анализа и проектирования измерительных систем (тестирование, анализ погрешности, параметрическая оптимизация)
- •Параметрическая оптимизация решается при проектировании измерительных систем сразу после определения состава необходимых блоков и связей между ними (этап структурной оптимизации).
- •Формализация понятий «модель» и «соответствие моделей»
- •Модельная трактовка задач цос и км.
- •Критерии близости моделей (погрешности соответствия )
- •Составные модели и их совокупная точность (составной оператор и композиция морфизмов).
- •Переход к конечным интервалам независимых переменных (локализация аргументов).
- •Переход к дискретным множествам для представления переменных (дискретизация по времени, квантование по уровню).
- •Реализация времени в компьютерных моделях (методы фиксированного и переменного шага).
- •Компьютерное моделирование с помощью метода статистических испытаний (метод «Монте-Карло»).
- •Вычисление определенного интеграла
- •Генерирование псевдослучайных чисел.
- •Генерирование псевдослучайных процессов.
- •Построение моделей элементов сложных систем (динамическая система)
- •Линейные динамические системы
- •Покадровый формат модели динамической системы
- •Построение моделей элементов сложных систем (конечные автоматы)
- •Построение моделей элементов сложных систем (вероятностные автоматы)
- •Построение моделей элементов сложных систем (системы массового обслуживания)
- •Модель потока заявок
- •Модель каналов обслуживания
- •Способы нахождения оценок глобальной погрешности
- •Метод «полного перебора» или «прямой» метод
- •Метод «наихудшего входного элемента»
- •Метод «статистических испытаний»
Реализация времени в компьютерных моделях (методы фиксированного и переменного шага).
Модель всей системы обычно представляется в виде структурной схемы, состоящей из модулей (моделей компонентов) и информационных связей (стрелок). С каждой стрелкой ассоциируется некоторая переменная, которая может принимать те или иные значения. Значение переменной присваивается в том модуле, из которого выходит связанная с ней стрелка. То есть для каждой переменной есть единственный модуль, в котором она генерируется или вырабатывается. Значение переменной может использоваться во многих модулях, а именно в тех, куда направлена соответствующая входящая стрелка.
Для динамических моделей одна переменная – время – является выделенной переменной, поскольку она используется во всех остальных модулях. Для ее реализации должен быть специальный модуль, который генерирует и подает в нужном формате во все остальные модули значение системного (моделируемого, модельного) времени tM (modeling time). Процесс моделирования также осуществляется во времени, но это уже другое время, назовем его временем прогона tR (run time).
Существуют два основных метода представления модельного времени:
МФШ – метод фиксированного шага;
МПШ – метод переменного шага.
МФШ – в этом случае временные метки (или значения времени в какой-то шкале, чаще в равномерной), соответствующие заранее определенным моментам времени, выдаются с помощью специального модуля – генератора времени – и распространяются по всем остальным динамическим модулям модели. При этом метки времени выдаются независимо от того, происходят или не происходят заданные события в модели.
Достоинства МФШ:
1) простота реализации механизма времени в модели;
2) простота синхронизации прогона разных модулей.
Недостатки МФШ:
1) требуется априорно решать задачу выбора временного шага Δt;
2) возможна потеря существенной информации при большом Δt;
3) возможно качественное ухудшение модели (потеря устойчивости, сходимости, возникновение неадекватных эффектов и т.п.).
МПШ – здесь значения переменной tM (модельное время) вырабатывается одним из модулей в качестве выходной величины на основании величин, получаемых в ходе моделирования в других модулях. То есть в данном случае время есть зависимая величина. При этом временные метки выдаются только для тех моментов модельного времени, когда в модели происходят заданные существенные события.
Достоинства МПШ:
1) экономится память и процессорное время при моделировании существенно нерегулярных событий;
2) не требуется решать задачу априорного выбора шага Δt;
3) сохраняется инвариантность причинно-следственных связей в объекте и в модели.
Недостатки МПШ:
1) нужно уметь находить время наступления очередного события в процессе моделирования (то есть нужен алгоритм генерирования величины отрезка времени до следующего события);
2) применим в чистом виде только для моделирования систем с дискретными событиями.
Компьютерное моделирование с помощью метода статистических испытаний (метод «Монте-Карло»).
Метод статистических испытаний, или метод Монте‑Карло (ММК) есть, по сути, общее название целого семейства численных методов и методов компьютерного моделирования на основе многократного разыгрывания некоторой случайной величины с последующей статистической обработкой результатов серии исходов многократных испытаний.
Рис. 5.2. Общая схема статистических испытаний (i - номер испытания, N - количество испытаний)
Общая схема метода статистических испытаний (Рис. 5 .2) весьма проста и включает в себя три этапа:
генерирование случайного числа xi с заданным распределением p(x);
реализация некоторого процесса (алгоритма или функции f(xi)), который по заданному на вход случайному числу xi определяет соответствующий ему результат yi;
накопление выборки из N результатов {y1, y2,…, yN} и получение на ее основе статистических оценок вероятностных характеристик случайной величины y.
Ассоциация метода статистических испытаний с названием Монте‑Карло2 объясняется использованием "образа" игровой рулетки в качестве наиболее популярного примера генератора равномерно распределенных чисел. Многократно (N раз) повторяя этот процесс с разными реализациями xi случайного числа и накапливая выборку как множество результатов (исходов) {y1, y2, …, yN}, можно на основе стандартных статистических методов получить выборочные оценки интересующих вероятностных характеристик (математического ожидания, дисперсии, закона распределения, …), а значит и найти решение исходной детерминированной задачи.
Естественно, что найденное таким образом решение, как и любая статистическая оценка, будет приближенным. Его точность будет повышаться с ростом объема выборки пропорционально величине . Это довольно слабая скорость сходимости, характерная для всех статистических методов, что является основным недостатком метода Монте‑Карло. Так для увеличения точности в k раз нужно увеличить объем выборки в k2 раз. Зачастую для одной и той же исходной детерминированной задачи можно "сконструировать" несколько эквивалентных (в вероятностном смысле) "азартных игр", отличающихся константой c в уточненной формуле для точности оценок: . Поэтому при использовании метода Монте‑Карло может стоять задача выбора наилучшего метода из целого семейства по критерию минимизации погрешности статистических оценок. При этом могут варьироваться:
а) закон распределения p(x) разыгрываемой случайной величины (конструкция "рулетки", способ перемешивания и раздачи "карт" или бросания "костей");
б) процесс получения результата yi по заданной реализации xi случайного числа (правила "азартной игры").