- •Методические рекомендации к курсу «теория систем и системный анализ»
- •Предисловие
- •Введение
- •Лекция №1 Тема: Основные понятия и определения
- •1. Краткая историческая справка
- •2. Связь предмета с другими дисциплинами учебного плана
- •3. Определение системы
- •4. Улучшение систем
- •5. Проектирование систем
- •6.Сущность и принципы системного подхода
- •7. Основные характеристики системы
- •Элемент
- •Подсистема
- •Окружающая среда
- •Структура
- •Иерархия
- •Состояние
- •Более полно состояние можно определить, если рассмотреть элементы ( компоненты, функциональные блоки), определяющие состояние.
- •Поведение
- •Внешняя среда
- •Процесс преобразования
- •Входные элементы и ресурсы
- •Выходные элементы
- •Назначение и функция
- •Признаки
- •Задачи и цели
- •Проблемы согласования целей
- •Принятия решений
- •Отношение
- •Системный подход с точки зрения управления
- •Определение границ системы в целом и границ окружающей ее среды.
- •10. Установление целей системы.
- •Описания управления системой.
- •Лекция №2 Тема: Элементы теории алгоритмов
- •1. Алфавитный оператор
- •2. Запись алгоритмов. 3. Оперативные схемы. 4. Граф-схемы алгоритмов.
- •5. Построение алгоритмов
- •Лекция №3 Тема: Элементы теории Марковских процессов
- •1. Марковский процесс
- •2. Классификация состояний
- •3. Отображение марковской цепи в виде графа
- •4. Управляемые марковские цепи
- •Лекция №4 Тема: Виды информационных систем
- •1. Понятие информации
- •1.1. Информационное поле.
- •1.2. Классификация и основные свойства единиц информации
- •2. Классификация информационных систем
- •2.1. По происхождению.
- •2. 2. По степени объективности существования.
- •По виду отображаемого объекта. Технические, биологические и др. Систем.
- •2.4. По виду формализованного аппарата представления системы (детерминированные и стохастические).
- •2.5. По степени взаимосвязи с окружением (открытые, закрытые, относительно обособленные):
- •2.6. По степени внутренней организации (хорошо организованные, плохо организованные системы и самоорганизующиеся). Хорошо организованные системы.
- •Плохо организованные системы.
- •Самоорганизующиеся системы.
- •2.7. По уровню сложности структуры (суперсложные, большие и сложные, подсистемы, элементы).
- •2.8. По уровню сложности структуры (суперсложные, большие и сложные, подсистемы, элементы); Сложность системы
- •Структурная сложность
- •Многообразие
- •Динамическая сложность
- •Случайность в сравнении с детерминизмом и сложностью
- •Задачи исследования сложных систем.
- •Задача исследования системы.
- •2. 9. По состоянию во времени (статические и динамичные). Шкалы времени
- •2.10. По обусловленности процессов управления (управляемые и самоуправляемые).
- •2.12По методам моделирования процесса развития (методы индукционного и редукционного моделирования). Лекция №5 Тема: Этапы исследования систем
- •1. Системный подход и системный анализ
- •1.1. Системный подход
- •1.2. Системные исследования
- •1.3. Системный анализ
- •2. Этапы исследования систем
- •Этап определения системы
- •2.2. Этап анализа структуры системы
- •2.3. Этап формулирования общей цели и критерия системы
- •2.4. Этап декомпозиции цели управления системой и определение потребностей в средствах управления
- •Этап выявления ресурсов и процессов, композиция целей
- •Этап прогнозирования и анализ условий развития системы
- •Этап оценки целей и средств их достижения
- •Этап отбора вариантов
- •2.9. Этап диагностики существования системы
- •2.10. Этап построения комплексной программы развития
- •2.11. Этап проектирования систем организационного управления
- •Лекция №6 Тема: Закономерности систем
- •Целостность
- •Интегративность
- •Коммуникативность
- •Иерархичность
- •5. Эквифинальность
- •6. Историчность
- •7. Закон необходимого разнообразия
- •8. Закономерность осуществимости и потенциальной эффективности систем
- •9. Закономерность целеобразования
- •Лекция №7 Тема: Уровни представления информационных систем
- •1. Методы и этапы описания систем
- •2. Неформальные методы
- •2.1. Методы мозговой атаки
- •2.2. Методы сценариев
- •2.3. Методы экспертных оценок
- •2.4. Методы типа «Дельфи»
- •3. Графические методы описания систем
- •3.1. Методы типа дерева целей
- •4. Количественные методы описания систем
- •4.1. Морфологические методы
- •4.2. Три метода морфологического исследования
- •5. Уровни описания систем
- •5.1. Высшие уровни описания систем
- •5.2. Низшие уровни описания систем
- •Лекция №8 Тема: Методы системного анализа.
- •1. Методы системного анализа
- •2. Классификация методов системного анализа
- •Методы описания исследуемого объекта
- •3. Методика системного анализа.
- •Тема: Обработка измерений при анализе систем
- •1. Метод наименьших квадратов
- •2. Сущность метода статистических испытаний (метода Монте-Карло)
- •2.1. Разыгрывание дискретной случайной величины Разыгрывание полной группы событий
- •Приближенное разыгрывание нормальной случайной величины
- •2.2. Разыгрывание двумерной случайной величины
- •Лекция №10 Тема: Этапы системного анализа
- •1.Общие положения
- •2. Содержательная постановка задачи
- •3. Построение модели изучаемой системы в общем случае.
- •4. Моделирование в условиях определенности.
- •5. Моделирование системы в условиях неопределенности
- •6. Моделирование в условиях противодействия, игровые модели.
- •Лекция № 11. Тема: Формы представления модели
- •1. Нормальная форма Коши
- •2. Системы нелинейных дифференциальных уравнений различных порядков
- •3. Графы
- •4. Гиперграфы
- •Лекция №12. Тема: Теоретико-множественное описание систем
- •1. Предположения о характере функционирования систем
- •2. Система, как отношение на абстрактных множествах
- •3. Временные, алгебраические и функциональные системы
- •4. Временные системы в терминах «вход — выход»
- •5. Входные сигналы системы.
- •6. Выходные сигналы системы.
- •Лекция №13. Тема: Динамическое описание систем
- •1. Детерминированная система без последствий
- •2. Детерминированные системы с последствием
- •3. Стохастические системы
- •4. Агрегатное описание систем
- •Лекция №14. Тема: Алгоритмы на топологических моделях.
- •1. Задачи анализа топологии
- •2. Представление информации о топологии моделей
- •3. Поиск контуров и путей по матрице смежности
- •4. Модифицированный алгоритм поиска контуров и путей по матрице смежности
- •5. Сравнение алгоритмов топологического анализа
- •6. Декомпозиция модели на топологическом ранге неопределенности
- •7. Сортировка модели на топологическом ранге неопределенности
- •Моделирование систем
- •1. Моделирование систем
- •2. Математическое моделирование
- •3. Информационное моделирование
- •4. Ситуационное моделирование
Тема: Обработка измерений при анализе систем
1. Метод наименьших квадратов
Пусть на вход некоторого прибора подается сигнал x, а на выходе - сигнал y. Известно, что величины x и y связаны функциональной зависимостью, но какой именно – не известно. Требуется определить эту функциональную зависимость приближенно (из опыта). Пусть в результате n измерений получен ряд экспериментальных точек . Известно, что через n точек можно всегда провести кривую, аналитически выражаемую многочленом -é степени. Этот многочлен называют интерполяционным. И вообще, замену функции на функцию так, что их значения совпадают в заданных точках
(1.1)
называют интерполяцией.
Однако такое решение проблемы не является удовлетворительным, поскольку из-за случайных ошибок измерения и влияния на измерение помех и шумов в приборе. Так что (1.2)
где - некоторая случайная ошибка. Поэтому требуется провести кривую так, чтобы она в наименьшей степени зависела от случайных ошибок. Эта задача называется сглаживанием (аппроксимацией) экспериментальной зависимости и часто решается методом наименьших квадратов. Сглаживающую кривую называют аппроксимирующей.
Задача аппроксимации решается следующим образом. В декартовой прямоугольной системе координат наносят точки . По расположению этих точек высказывается предположение о принадлежности искомой функции к определенному классу функций. Например, линейная функция квадратичная и т.д. В общем случае . Неизвестные параметры определяются из требования минимума ? , заданой величины
. (1.3)
Необходимым условием минимума является обращение в нуль частных производных:
(1.4)
Решая систему уравнений (1.4), находим неизвестные параметры и тем самым функцию, которая наилучшим образом (в смысле наименьших квадратов) аппроксимирует (приближает) искомую функцию .
Остановимся подробнее на линейной зависимости .
Дифференцируя (1.3), получим следующую систему уравнений: (1.5)
Из первого уравнения находим , где
(1.6)
Подставляя выражение во второе уравнение, найдем
(1.7)
где (1.8)
Таким образом, (1.9)
есть искомая линейная функция.
2. Сущность метода статистических испытаний (метода Монте-Карло)
Датой рождения метода Монте-Карло принято считать 1949 г., когда появилась статья под названием «The Monte Carlo method». Создателями этого метода считают американских математиков Дж. Неймана и С. Улама. В СССР первые статьи о методе Монте-Карло были опубликованы в 1955—1956гг.
Любопытно, что теоретическая основа метода была известна давно. Более того, некоторые задачи статистики рассчитывались иногда с помощью случайных выборок, т. е. фактически методом Монте-Карло. Однако до появления электронных вычислительных машин (ЭВМ) этот метод не мог найти сколько-нибудь широкого применения, ибо моделировать случайные величины вручную—очень трудоемкая работа. Таким образом, возникновение метода Монте-Карло как весьма универсального численного метода стало возможным только благодаря появлению ЭВМ. Само название «Монте-Карло» происходит от города Монте-Карло в княжестве Монако, знаменитого своим игорным домом.
Идея метода чрезвычайно проста и состоит она в следующем. Вместо того, чтобы описывать процесс с помощью аналитического аппарата (дифференциальных или алгебраических уравнений), производится «розыгрыш» случайного явления с помощью специально организованной процедуры, включающей в себя случайность и дающей случайный результат. В действительности конкретное осуществление случайного процесса складывается каждый раз по-иному; так же и в результате статистического моделирования мы получаем каждый раз новую, отличную от других реализацию исследуемого процесса. Что она может нам дать? Сама по себе ничего, так же как, скажем, один случай излечения больного с помощью какого-либо лекарства. Другое дело, если таких реализаций получено много. Это множество реализаций можно использовать, как некий искусственно полученный статистический материал, который может быть обработан обычными методами математической статистики. После такой обработки могут быть получены любые интересующие нас характеристики: вероятности событий, математические ожидания и дисперсии случайных величин и т. д. При моделировании случайных явлений методом Монте-Карло мы пользуемся самой случайностью как аппаратом исследования, заставляем ее «работать на нас».
Нередко такой прием оказывается проще, чем попытки построить аналитическую модель. Для сложных операций, в которых участвует большое число элементов (машин, людей, организаций, подсобных средств), в которых случайные факторы сложно переплетены, где процесс — явно немарковский, метод статистического моделирования, как правило, оказывается проще аналитического (а нередко бывает и единственно возможным).
В сущности, методом Монте-Карло может быть решена любая вероятностная задача, но оправданным он становится только тогда, когда процедура розыгрыша проще, а не сложнее аналитического расчета. Приведем пример, когда метод Монте-Карло возможен, но крайне неразумен. Пусть, например, по какой-то цели производится три независимых выстрела, из которых каждый попадает в цель с вероятностью 1/2. Требуется найти вероятность хотя бы одного попадания. Элементарный расчет дает нам вероятность хотя бы одного попадания 1 — (1/2)3 = 7/8. Ту же задачу можно решить и «розыгрышем», статистическим моделированием. Вместо «трех выстрелов» будем бросать «три монеты», считая, скажем, герб—за попадание, решку — за «промах». Опыт считается «удачным», если хотя бы на одной из монет выпадет герб. Произведем очень-очень много опытов, подсчитаем общее количество «удач» и разделим на число N произведенных опытов. Таким образом, мы получим частоту события, а она при большом числе опытов близка к вероятности. Применить такой прием мог бы разве человек, вовсе не знающий теории вероятностей, тем не менее, в принципе, он возможен.
Метод Монте-Карло - это численный метод решения математических задач при помощи моделирования случайных величин.
Пример 1. Предположим, что нам нужно вычислить площадь плоской фигуры S. Это может быть произвольная фигура с криволинейной границей, заданная графически или аналитически, связная или состоящая из нескольких кусков. Пусть это будет фигура изображенная на рис. 1, и предположим, что она вся расположена внутри единичного квадрата.
Выберем внутри квадрата N случайных точек. Обозначим через F число точек, попавших при этом внутрь S. Геометрически очевидно, что площадь S приближенно равна отношению F/N. Чем больше N, тем больше точность этой оценки.
Две особенности метода Монте-Карло.
Первая особенность метода - простая структура вычислительного алгоритма.
Вторая особенность метода - погрешность вычислений, как правило, пропорциональна D/N2, где D - некоторая постоянная, N - число испытаний. Отсюда видно, что для того, чтобы уменьшить погрешность в 10 раз (иначе говоря, чтобы получить в ответе еще один верный десятичный знак), нужно увеличить N (т. е. объем работы) в 100 раз. Ясно, что добиться высокой точности таким путем невозможно. Поэтому обычно говорят, что метод Монте-Карло особенно эффективен при решении тех задач, в которых результат нужен с небольшой точностью (5-10%). Способ применения метода Монте-Карло по идее довольно прост. Чтобы получить искусственную случайную выборку из совокупности величин, описываемой некоторой функцией распределения вероятностей, следует:
1. Построить график или таблицу интегральной функции распределения на основе ряда чисел, отражающего исследуемый процесс (а не на основе ряда случайных чисел), причем значения случайной переменной процесса откладываются по оси абсцисс (х), а значения вероятности (от 0 до 1) - по оси ординат (у).
2. С помощью генератора случайных чисел выбрать случайное десятичное число в пределах от 0 до 1 (с требуемым числом разрядов).
3. Провести горизонтальную прямую от точки на оси ординат соответствующей выбранному случайному числу, до пересечения с кривой распределения вероятностей.
4. Опустить из этой точки пересечения перпендикуляр на ось абсцисс.
5.Записать полученное значение х. Далее оно принимается как выборочное значение.
6. Повторить шаги 2-5 для всех требуемых случайных переменных, следуя тому порядку, в котором они были записаны.
В задачах исследования операций метод Монте-Карло применяется в трех основных направлениях:
при моделировании сложных, комплексных операций, где присутствует много взаимодействующих случайных факторов;
при проверке применимости более простых, аналитических методов и выяснении условий их применимости;
в целях выработки поправок к аналитическим формулам типа «эмпирических формул» в технике.
Сущность метода Монте-Карло состоит в следующем: требуется найти значение а некоторой изучаемой величины. С этой целью выбирают такую случайную величину Х, математическое ожидание которой равно а: М(Х)=а.
Практически же поступают так: вычисляют (разыгрывают) n возможных значений xi случайной величины Х, находят их среднее арифметическое
и принимают в качестве оценки (приближенного значения) а* искомого числа а: a~a*= . Таким образом, для применения метода Монте-Карло необходимо уметь разыгрывать случайную величину.
Пусть требуется разыграть дискретную случайную величину Х, т.е. вычислить последовательность ее возможных значений хi (i=1,2, …), зная закон распределения Х. Введем обозначения: R- непрерывная случайная величина, распределенная равномерно в интервале (0,1); ri (j=1,2,…) – случайные числа (возможные значения R).
Правило: Для того чтобы разыграть дискретную случайную величину Х, заданную законом распределения
Х х1 х2 … хn
P p1 p2 … pn
надо:
разбить интервал (0,1) оси or на n частичных интервалов:
Δ1=(0;р1), Δ2 =(р1; р1+р2), …, Δn =(р1+р2+…+рn-1; 1).
выбрать случайное число rj.
Если rj попало в частичный интервал Δi, то разыгрываемая величина приняла возможное значение хi.