- •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 составляющаяпринимает 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