
- •1.Моделирование как метод научного познания. Понятие модели. Классификация моделей. Цели и задачи моделирования. [1/1]
- •2. Требования к математической модели. Основные этапы построения модели. Иерархия моделей. [1/1]
- •3. Построения общесистемной модели функционирования. [1/2]
- •4. Основные системные свойства: линейность, непрерывность, стационарность, детерминированность. Классификация математических моделей. Системные и конструктивные модели. [1/2]
- •5. Непрерывно-детерминированные модели (d-схемы). Уравнения вход-выход. Уравнения в пространстве состояний. [1/3]
- •6. Разностные уравнения. Пример построения конструктивной и машинной модели системы. [1/1]
- •7. Дискретно – детерминированные модели (f- схемы). Автоматы Милли и Мура. Разновидности детерминированных автоматов. [1/2]
- •8. Дискретно стохастические модели. (p- схемы). [1/1]
- •9. Z – детерминированные и y – детерминированные вероятностные автоматы. [1/2]
- •10. Марковские случайные процессы. Простейший поток отказов. [1/1]
- •11. Уравнения Колмогорова для определения вероятностей состояний системы. Пример. [1/3]
- •12. Непрерывно-стохастические модели (q-схемы). Основные понятия и определения. [1/3]
- •13. Обобщенные модели (а - схемы). Понятие агрегата. [1/1]
- •14. Структура агрегативной системы. Особенности функционирования. [1/3]
- •15. Построение и реализация моделирующего алгоритмов
- •16. Построение детерминированного и циклического моделирующего алгоритмов q-схем. [1/1]
- •17. Построение циклического моделирующего алгоритма
- •18. Построение синхронного моделирующего алгоритма
- •19. Построение спорадического моделирующего алгоритма
- •20.Цели и задачи имитационного моделирования. Имитационная модель, имитационная система. Архитектура имитационной системы. [1/2]
- •21. Общая характеристика метода статического моделирования. Пример построения моделирующего алгоритма. [1/2]
- •23. Метод получения псевдослучайных чисел с равномерным законом распределения. Методы середины квадрата и середины произведения. [1/1]
- •24. Конгруэнтные процедуры генерации псч. Мультипликативный и смешанный методы. [1/1]
- •25. Тесты проверки случайности последовательности псч с равномерным законом распределения. [1/1]
- •26. Тест проверки равномерности закона распределения.[1/1]
- •27. Тест проверки независимости последовательности псч[1/1]
- •28. Моделирование случайных событий. [1/2]
- •29. Моделирование Марковских цепей. [1/1]
- •30. Моделирование дискретных и непрерывных случайных величин с заданным законом распределения. [1/2]
- •31. Приближенные способы преобразования случайных чисел. [1/2]
- •32. Моделирование непрерывных случайных векторов. [1/1]
- •33. Моделирование дискретных случайных векторов
- •34. Сети Петри (n - схемы). [1/2]
- •35.Языки моделирования. Типовая схема архитектуры языка имитационного моделирования. Способы управления временем в модели системы. [1/2]
- •36.Сравнительный анализ языков имитационного моделирования. [1/2]
- •40. Моделирование процессов функционирования систем на базе n-схем. Структурный подход. [1/2]
31. Приближенные способы преобразования случайных чисел. [1/2]
1. Универсальные способы, которые пригодны для получения чисел с любым законом распределения.
2. Неуниверсальные способы, которые пригодны для получения чисел с конкретным законом распределения.
Неуниверсальный способ:
Пример.
Получить случайные числа, имеющие закон
распределения Пуассона:
.
Воспользуемся т. Пуассона:
Если
p
– вероятность наступления события A,
то вероятность наступления m
событий в N
независимых испытаниях при
,
,
,
асимптотически равноp(m).
Выберем
N
испытаний такими, чтобы
.
Будем проводить серии изN
независимых испытаний, в каждом из
которых события A
наступает с вероятностью p.
Будем подсчитывать число случаев yi
фактического наступления события A
серии с номером j. Числа yi
будут следовать закону распределения
Пуассона. N
выбирают
таким, чтобы p=0.1÷0.2.
Схема моделирующего алгоритма:
NO – вспомогательная переменная
51
Универсальный
способ
основан на кусочной аппроксимации
функции плотности.
Пусть
требуется получить последовательность
случайных чисел {yj},
с заданной функцией плотности
,
значения которой лежат в интервале (a,
b).
Представим
функцию плотности
в виде кусочно-постоянной функции. Для
этого разобьем интервал (а,b)
на m
интервалов, на каждом из которых
,
тогда случайную величину можно представить
.
-
случайная величина, равномерно
распределенная в интервале (ak,
ak+1).
Целесообразно
разбить интервал (a,
b)
на интервалы таким образом, чтобы
вероятность попадания величины
в интервал (ak,
ak+1)
не зависело от номера интервала. Тогда:
Алгоритм машинной реализации:
1) Генерируются случайное число xi из интервала (0, 1)
2) С помощью этого числа случайным образом выбирается интервал (ak, ak+1).
3) Генерируется xi+1 и домножается на коэффициент масштабирования (ak+1 - ak).
4) Вычисляется число yj=ak+xi+1(ak+1 - ak).
Достоинства: небольшие затраты машинного времени, так как операция масштабирования выполняется 1 раз перед моделированием.
52
32. Моделирование непрерывных случайных векторов. [1/1]
Двумерная
случайная величина в этом случае
описывается совместной функцией
плотности f(x,
y)
с двумя составляющими
.f(x,
y)
позволяет определить
:
.
Отсюда можно определитьxi.
Можно также определить
.
Отсюда определяемyi.
(xi, yi) – первая реализация непрерывного случайного вектора. Этот способ может применяться для векторов с размерностью >2, однако, с ростом n, значительно увеличивается число вычислений. При n>2 формирование случайных векторов выполняется с использованием корелляционной теории.
53
33. Моделирование дискретных случайных векторов
Когда
случайный вектор расположен на плоскости
XOY,
он может быть задан совместным законом
распределения его проекций
на осиOx
и Oy.
Рассмотрим дискретный случайный процесс:
двумерная случайная величина
является дискретной, и ее составляющая
принимает значенияx1, x2, …, xn,
а
.
Тогда каждой паре (xi,
yi)
соответствует вероятность pij.
Каждому возможному значению xi
соответствует вероятность
(1). В соответствии с распределением
вероятностей (1) можно определить
конкретное значениеxi1,
и из всех значений pij
можно выбрать последовательность pi11,
pi12,
…, pi1n
(2). Распределение (2) описывает условное
распределение величины
,
при условии, что
.
Определяется конкретное значениеyi1.
Пара (xi1,
yi1)
является первой реализацией дискретного
случайного вектора. Далее, аналогично
определяется возможное значение xi2,
распределение pi21,
pi22,
…, pi2n
(3)
=> находят yi2.
И т. д.
54