- •Имитационное моделирование
- •Оглавление
- •Глава 1. Математическое моделирование 8
- •Глава 2. Имитация случайных процессов 54
- •Глава 3. Имитационное моделирование 70
- •Предисловие
- •Введение
- •Глава 1. Математическое моделирование
- •1.1. Модели и их виды
- •1.2. Моделирование
- •1.3. Модельное время и виды процессов
- •1.4. Построение дискретной (пошаговой) аналитической модели
- •1.4.1. Сущность пошагового моделирования
- •1.4.2. Принципы построения пошаговой модели
- •1.4.3. Примеры моделей
- •1.5. Построение аналоговой (дифференциальной) аналитической модели
- •1.5.1. Сущность дифференциального (функционального) подхода
- •1.5.2. Диаграммы процессов и переход к дифференциальным уравнениям
- •1.5.3. Принципы построения дифференциальной модели
- •1.5.4. Примеры
- •1.6. Упражнения
- •Вопросы к главе
- •Глава 2. Имитация случайных процессов
- •2.1. Базовые сведения о случайных величинах
- •2.1.1. Случайные величины и их распределения
- •2.1.3. Характеристики случайных величин
- •2.1.4. Метод Монте-Карло
- •2.2. Дискретные случайные числа и их имитация
- •2.3. Непрерывные случайные числа и их имитация
- •2.4. Упражнения
- •Вопросы к главе
- •Глава 3. Имитационное моделирование
- •3.1. Постановка задачи имитационного моделирования
- •3.2. Специфика имитационных моделей
- •3.3. Построение дискретной (пошаговой) имитационной модели
- •3.3.1. Построение пошаговой имитационной модели
- •3.3.2. Примеры
- •3.4. Блочное моделирование
- •3.4.1. Преимущества блочного моделирования
- •3.4.2. Принципы блочного подхода к составлению дифференциальной модели
- •3.4.3. Переход от диаграммы процессов к блочной модели
- •3.4.4. Примеры
- •3.5. Стохастическое моделирование
- •3.5.1. Основы теории очередей
- •3.5.2. Принципы построения систем массового обслуживания
- •3.5.3. Текстовое моделирование
- •3.5.4. Примеры
- •3.6. Упражнения
- •3.6. Вопросы к главе
- •Заключение
- •Библиографический список
- •Имитационное моделирование
3.3. Построение дискретной (пошаговой) имитационной модели
Ключевые слова: генерация псевдослучайной величины, дискретная случайная величина, реализация случайной величины
В первой главе учебного пособия были приведены модели, в которых шаг моделирования описывался одним из двух видов:
1) в один шаг моделирования включен пересчёт отдельных несвязных закономерностей, совокупность которых и составляет описание состояния моделируемой системы в конкретный момент модельного времени (аналитические пошаговые модели);
2) за один шаг осуществляется просчёт совокупности законов в тесном взаимодействии друг с другом (аналитические функциональные модели).
В обоих этих видах работы наблюдается полный детерминизм, заданный в виде формальных моделей. Далее будет рассмотрен подход, когда в каждом шаге моделирования будет рассчитываться не только набор закономерностей, непосредственно связанных с функционированием самой модели, но и вспомогательные операции, генерирующие псевдослучайные величины и приводящие их к одному из нужных в задаче законов распределения. Таким образом, математические операции аналитической модели будут дополняться имитацией случайных событий через метод Монте-Карло.
В данном разделе обсуждается пошаговая модель с элементами стохастического поведения. При этом не имеет принципиального значения, будет иметь случайный процесс аналоговую или дискретную природу: для дискретной модели главное – получить реализацию псевдослучайной величины, а все проявления и так будут представлены в модели как дискретные значения.
3.3.1. Построение пошаговой имитационной модели
Построение пошаговой модели в режиме имитации имеет ряд особенностей. Потому рассмотрим её жизненный цикл:
1) выявление цели, критериев и параметров моделирования;
2) сбор данных для выявления законов развития каждого процесса;
3) составление модели в виде последовательности формальных преобразований;
4) приведение исходных данных к модельному времени (нормирование);
5) введение в формулы случайных величин, соответствующих дискретному или аналитическому законам распределения;
6) просчёт имитационной модели;
7) анализ полученных данных и формулирование выводов.
Если внимательно присмотреться к жизненному циклу данного типа моделей, то можно сразу увидеть, что они повторяют жизненный цикл пошаговой модели. Разница лишь в том, что после пункта 4 появляется новый этап – работа со случайными показателями. Таким образом, можно сделать вывод, что модель остаётся прежней, только в её структуре появляются псевдослучайные величины, требующие имитации.
Использование стохастических показателей в моделях, как было показано в главе 2, базируется на том, что равномерно распределённая псевдослучайная величина приводится к нужному закону распределения, имитируя поведение ранее исследованного и описанного реального случайного процесса. Очевидно, что для применения метода Монте-Карло будет необходимо изначально сгенерировать псевдослучайную величину, подчинённую равномерному закону распределения, а затем отобразить её в соответствии с нужным законом поведения моделируемого объекта. Процесс составления модели будет рассмотрен на примерах.