- •Оглавление
- •1) Исследователь вносит гипотезу о структуре ящика
- •2) Определение неизвестных коэффициентов a0 и a1 модели
- •3) Проверка
- •Линейная множественная модель
- •Звено первого порядка
- •Звено второго порядка (колебательное звено)
- •1. Линейный коэффициент корреляции
- •3. Коэффициент корреляции двух динамических рядов
- •4. Корреляция внутри динамического ряда
- •5. Поиск периодичности ряда
- •7. Связь двух признаков
- •Аналитический способ решения задачи 1
- •Численный способ решения задачи 1
- •Формально-математический способ
- •Методы Рунге-Кутты третьего и четвертого порядков
- •Метод Эйлера с итерациями
- •Метод Милна
- •Уравнение диффузии
- •Уравнение тепломассопереноса
- •Задача анализа (прямая задача)
- •Задача синтеза (обратная задача)
- •Тренажеры
- •Метод Монте-Карло
- •Моделирование случайного события
- •Моделирование полной группы несовместных событий
- •Метод ступенчатой аппроксимации
- •Метод усечения
- •Метод взятия обратной функции
- •Свойства нормального распределения
- •Табличный метод генерации нормально распределенных чисел
- •Метод генерации нормально распределенных чисел, использующий центральную предельную теорему
- •Метод Мюллера
- •Биномиальное распределение
- •Нормальное распределение
- •Распределение Пуассона
- •Пуассоновский поток
- •Моделирование неординарных потоков событий
- •Моделирование нестационарных потоков событий
- •Анализ временной диаграммы
- •Синтез смо
- •Принцип Δt
- •Особенности реализации принципа Δt
- •Принцип особых состояний
- •Принцип последовательной проводки заявок
- •Объектный принцип моделирования
- •Марковский процесс с дискретным временем
- •Марковские случайные процессы с непрерывным временем
- •Вычисление средних
- •Вычисление геометрии распределения
- •Оценка (по Колмогорову) совпадения эмпирического закона распределения с теоретическим
- •Оценка точности статических характеристик
- •Голосование
- •Ранжирование
- •Точность и доверие к результатам экспертизы. Оценка экспертов
- •Практика № 01. Регрессионные модели
- •1Решение задачи регрессионного анализа
Задача синтеза (обратная задача)
Цель задачи синтеза — нахождение экстремума функции результата. Когда анализ закончен и построены функции, графики, таблицы, когда объект (его свойства и поведение) исследован во всех вариантах возможных входных воздействий, имеет смысл найти среди всего этого многообразия откликов наилучший. Обычно выход — цель функционирования системы, и логично принять, что цель должна принимать лучшие из всех возможных значений, потому имеет смысл найти такие значения входных параметров U, при которых выходной показатель Y примет свое наилучшее значение (экстремум). При этом под экстремумом может подразумеваться как минимум, так и максимум зависимости Y(U). Чтобы найти экстремум, модель включают в контур (см. рис. 20.11) с некоторым алгоритмом A, осуществляющим автоматическое управление входом U и построенным так, что в результате его работы производится поиск такого входного воздействия U на модель M, при котором она выдает наилучший выходной результат.
|
||
Рис. 20.11. Схема решения обратных задач (синтез) |
Существуют различные алгоритмы поиска оптимума функции Y = M(U). Упомянем три из них (подробно эти и другие методы вы будете изучать в дисциплине «Системный анализ и исследование операций»).
Метод перебора. Алгоритм метода перебора представлен на рис. 20.12. Этот метод обеспечивает поиск глобального экстремума, но расточителен к вычислительным ресурсам, так как просматривает все возможные входные значения U с определенным шагом H и выбирает наилучший среди всех выходных результатов Y (см. рис. 20.13). Наилучшее из встреченных Y сохраняется и уточняется в ячейке R, значение U при этом значении Y сохраняется по ходу алгоритма в ячейке Z. Кроме этого имеется риск пропустить нужную точку, «перешагнув» через нее из-за слишком большого размера шага H.
Рис. 20.12. Алгоритм перебора, примененный к решению задачи синтеза — поиск наилучшего U для максимизации Y
Рис. 20.13. Характерный рисунок поиска экстремума функции Y = M(U) методом перебора
Метод деления шага пополам. Этот метод более экономичен по отношению к методу перебора, так как анализирует по ходу движения, в каком направлении происходит улучшение (увеличение или уменьшение) функции Y = M(U) и старается двигаться именно в этом направлении. Если при этом попутно обнаруживается, что тенденция во время движения изменилась (уменьшение Y сменилось на его увеличение или наоборот), то алгоритм (рис. 20.14) разворачивается обратно (то есть меняет знак приращения входного сигнала на обратный) и снова идет в нужную сторону, но шаг при этом уменьшается вдвое. Это позволяет подойти к точке экстремума с малым значением шага поиска, что лучше локализует результат (см. рис. 20.15).
Рис. 20.14. Алгоритм деления шага пополам, примененный к решению задачи синтеза — поиск наилучшего U для максимизации Y
Рис. 20.15. Характерный рисунок поиска экстремума функции Y = M(U) методом деления шага пополам
Метод градиента. Метод, алгоритмическая реализация которого представлена на рис. 20.16, использует свойства гипотетической кривой Y = M(U), а именно тот факт, что по направлению производной p, вычисленной на основе двух рядом стоящих точек, можно определить, в какую сторону уменьшается (увеличивается) значение цели Y и двигаться сразу в нужную сторону (см. рис. 20.17). Такая стратегия существенно сокращает время поиска. Недостатком алгоритма является то, что производная может перестать меняться в области локального экстремума, и глобальный экстремум такой алгоритм не найдет.
Рис. 20.16. Алгоритм поиска экстремума методом градиента, примененный к решению задачи синтеза
|
||
Рис. 20.17. Характерный рисунок поиска экстремума функции Y = M(U) методом градиента |
Задачу настройки модели мы уже подробно обсуждали в лекциях 02—08 (см. лекцию 02), и останавливаться на ней мы уже не будем. Это способы построения собственно самой модели.