Logo GenDocs.ru

Поиск по сайту:  


Загрузка...

Лекции по моделированию - файл ГЛАВА 1.doc


Лекции по моделированию
скачать (1024.9 kb.)

Доступные файлы (5):

ГЛАВА 1.doc307kb.20.02.2006 19:13скачать
ГЛАВА 2.doc615kb.20.02.2006 19:13скачать
ГЛАВА 3.doc813kb.29.03.2006 11:20скачать
ГЛАВА 4.doc731kb.20.02.2006 19:13скачать
ГЛАВА 5.doc574kb.20.02.2006 19:13скачать

содержание
Загрузка...

ГЛАВА 1.doc

Реклама MarketGid:
Загрузка...
ГЛАВА 1. ТЕОРИЯ МОДЕЛИРОВАНИЯ. ОБЩИЕ ПОЛОЖЕНИЯ.
Моделирование – это замещение одного объекта (оригинала) другим (моделью) и фиксация или изучение свойств оригинала путем исследования свойств модели. Объект (система) определяется совокупностью параметров и характеристик. Множество параметров системы отражает ее внутреннее содержание – структуру и принципы функционирования. Характеристики системы – это ее внешние свойства, которые важны при взаимодействии с другими системами. Характеристики системы находятся в функциональной зависимости от ее параметров.

Теория моделирования представляет собой взаимосвязанную совокупность положений, определений, методов и средств создания и изучения моделей. Эти положения, определения, методы и средства, как и сами модели, являются предметом теории моделирования.

Основная задача теории моделирования заключается в том, чтобы вооружить исследователей технологией создания таких моделей, которые достаточно точно и полно фиксируют интересующие свойства оригиналов, проще или быстрее поддаются исследованию и допускают перенесение его результатов на оригиналы.

Трудно переоценить роль моделирования в научных изысканиях, инженерном творчестве и, вообще, в жизни человека. Разработка и познание любой системы сводится по существу, к созданию ее модели. Особую ценность имеют конструктивные модели, то есть такие, которые допускают не только фиксацию свойств, но и исследование зависимостей характеристик от параметров системы. Такие модели позволяют оптимизировать функционирование систем.

При изложении теоретических знаний по данной дисциплине предлагаются наиболее известные в литературе методы и средства моделирования. Выбор методов осуществлялся также с точки зрения возможности их применения для исследования вычислительных систем (ВС). В качестве примеров при изложении материала также, как правило, выступают ВС различного назначения и их компоненты.

Модель объекта – это физическая или абстрактная система, адекватно представляющая объект исследования. В теории моделирования используются преимущественно абстрактные модели – описания объекта исследования на некотором языке. Абстрактность модели проявляется в том, что компонентами модели являются не физические элементы, а понятия, в качестве которых наиболее широко используются математические. Абстрактная модель, представленная на языке математических отношений, называется математической моделью. Математическая модель имеет форму функциональной зависимости , где и - соответственно характеристики и параметры моделируемой системы, а - функция, воспроизводимая моделью. Построение модели сводится к выявлению функции и представлению ее в форме, пригодной для вычисления значений . Модель позволяет оценивать характеристики для заданных параметров и выбирать значения параметров, обеспечивающие требуемые характеристики, с использованием процедур оптимизации.

Модель может воспроизводить полную совокупность свойств системы либо их подмножество. Состав свойств устанавливается в зависимости от цели исследований и при построении модели определяет:

  • состав воспроизводимых характеристик ;

  • состав параметров , изменение которых должно влиять на характеристики ;

  • область изменения параметров , - область определения модели;

  • точность – предельная допустимая погрешность оценки характеристик на основе модели.

Состав характеристик определяется в зависимости от исследуемых свойств системы – производительности, надежности, стоимости и других свойств и должен гарантировать полноту отображения этих свойств. Состав параметров должен охватывать все существенные аспекты организации системы, изучение влияния которых на качество функционирования составляет цель исследования, производимого с помощью модели.

Область определения модели характеризует диапазон исследуемых вариантов организации системы. Чем шире состав характеристик и параметров, а также область определения модели, тем универсальнее модель в отношении задач, которые можно решать с ее использованием.

Допустимые погрешности оценки характеристик и точность задания параметров определяют требования к точности модели. Так, если изменения характеристик в пределах 10% несущественны для выбора того или иного варианта системы, то точность определения характеристик должна составлять 5%. В большинстве случаев параметры, и в первую очередь параметры рабочей нагрузки, могут быть заданы лишь приближенно, с относительной погрешностью 10-25%. В таких случаях нет смысла предъявлять высокие требования к точности воспроизведения моделью характеристик системы и погрешности их оценки на уровне 5-15% вполне приемлемы.

Модель, удовлетворяющая вышеперечисленным требованиям по составу характеристик и параметров и точности воспроизведения характеристик по всей области определения, называется адекватной системе.

Существенное влияние на адекватность оказывает область определения модели. Практически любая модель обеспечивает высокую точность воспроизведения характеристик в пределах малой окрестности точки . Чем шире область определения модели, тем меньше шансов, что некоторая модель окажется адекватной системе.

Другое свойство модели – сложность. Сложность модели принято характеризовать двумя показателями: размерностью и сложностью вычислений, связанных с определением характеристик. Размерность модели – число величин, представляющих в модели параметры и характеристики. Сложность вычислений, выполняемых при расчете характеристик , оценивается числом операций, приходящихся на одну реализацию оператора . Обычно сложность вычислений связывается с затратами ресурсов ЭВМ и характеризуется числом процессорных операций и емкостью памяти для хранения информации, относящейся к модели. Сложность вычислений – монотонно возрастающая функция размерности модели. Поэтому более сложной модели присущи одновременно большая размерность и сложность вычислений.

Сложность модели определяется также сложностью моделируемой системы и назначением модели (состав характеристик и параметров, воспроизводимых моделью), размером области определения и точностью модели. Чем сложнее система, то есть чем больше число входящих в нее элементов и процессов, из которых слагается функционирование системы, тем сложнее модель. Увеличение числа воспроизводимых характеристик и параметров, области определения и точности оценки характеристик приводят к увеличению сложности модели.


^

Краткий обзор методов моделирования



Модели объектов делятся на два больших класса: материальные (физические) и абстрактные (математические). Среди физических моделей наибольшее распространение получили аналоговые модели. С развитием математики широкое применение получили математические модели. По существу вся математика создана для составления и исследования моделей объектов или процессов.

Создание математической модели преследует две основные цели:

  • дать формализованное описание структуры и процесса функционирования системы для однозначности их понимания;

  • попытаться представить процесс функционирования в виде, допускающем аналитическое исследование системы.

Единой методики построения математических моделей не существует. Это обусловлено большим разнообразием классов систем:

  • статические и динамические;

  • структурным или программным управлением;

  • постоянной и переменной структурой;

  • постоянным (жестким) или сменным (гибким) программным управлением.

По характеру входных воздействий и внутренних состояний системы подразделяются:

  • непрерывные и дискретные;

  • линейные и нелинейные:

  • стационарные и нестационарные:

  • детерминированные и стохастические.

Построение модели, отражающей статику системы (состав компонентов и структуру связей) не вызывает больших затруднений. Для динамической системы статику необходимо дополнить описанием работы системы.


Основные этапы моделирования
Для моделирования необходимо создать модель и провести ее исследование. Некоторые математические модели могут быть исследованы без применения средств ВТ. В настоящее время это практически исключено.

Моделирование на ЭВМ предполагает выполнение следующих этапов:

  1. формулирование цели моделирования;

  2. разработка концептуальной модели;

  3. подготовка исходных данных;

  4. разработка математической модели;

  5. выбор метода моделирования;

  6. выбор средств моделирования;

  7. разработка программной модели;

  8. проверка адекватности и корректировка модели;

  9. планирование экспериментов;

  10. моделирование на ЭВМ, анализ результатов моделирования.


^

Цель моделирования



Для одной и той же системы можно построить множество моделей .

Эффективность системы должна быть определена до появления новой системы. Если предполагается несколько вариантов системы, то можно выбрать наилучший вариант. Эффективность системы сопоставляется с затратами и достигнутыми характеристиками:



- показатель эффективности;

- множество характеристик.

Однокритериальная оценка ограничивается оценкой эффективности системы по одному частному показателю качества . По остальным характеристикам накладываются ограничения на их допустимые изменения:





где - нижний и верхний пределы -го частного показателя качества;

- число учитываемых характеристик.

При многокритериальной оценке часто используется нормированный аддитивный критерий:



Функции подобраны так, чтобы исключить размерность -ой характеристики и обеспечить условие .

Весовые коэффициенты удовлетворяют условию .

В частном случае, когда , , нормированный аддитивный критерий принимает линейную форму.

^ Создание концептуальной модели
Ориентация.

При разработке модели выделяются следующие этапы описания: концептуальный, математический, программный.

Концептуальная (содержательная) модель в словесной форме определяет состав и структуру системы, свойства компонентов и причинно-следственные связи между ними. Здесь приводятся сведения и природе и параметрах элементарных явлений исследуемой системы, о виде и степени взаимодействия между ними, о месте и значении каждого явления в общем процессе функционирования системы.

Процесс создания концептуальной модели никогда не будет формализован, поэтому иногда говорят, что моделирование является не только наукой, но и искусством.
Стратификация

Стратификация – это выбор уровня детализации модели. Уровни детализации иногда называют стратами. Выбор уровня детализации часто определяется параметрами, допускающими варьирование в процессе моделирования. Такие параметры обеспечивают определение интересующих характеристик. Остальные параметры должны быть, по возможности, исключены из модели.

Детализация

Здесь вводится понятие элементарной операции, для которой известны и могут быть получены зависимости выходных параметров от входных. Если при этом получается модель большой размерности, то ее можно преобразовать в иерархическую модульную структуру. Каждый модуль такой структуры состоит из совокупности модулей более низких рангов, в том числе и элементарных операций.
Структуризация. Управление.

Связи между компонентами системы могут быть вещественными и информационными. Вещественные отражают возможные пути перемещения продукта преобразования от одного элемента к другому. Информационные связи обеспечивают передачу между компонентами управляющих воздействий и информации о состоянии. В простых системах информационные связи могут отсутствовать, что соответствует принципу структурного управления.

В более сложных системах управление включает указания, какому компоненту какой исходный объект когда и откуда взять, какую операцию по преобразованию выполнить и куда передать. Такие системы функционируют в соответствии с программным или алгоритмическим принципом управления. В концептуальной модели должны быть конкретизированы все решающие правила или алгоритмы управления рабочей нагрузкой, компонентами и процессами.

Локализация


На этапе локализации осуществляется представление внешней среды в виде генераторов внешних воздействий, включаемых в состав модели в качестве компонентов. Сюда входят генераторы рабочей нагрузки, генераторы управляющих и возмущающих воздействий. Приемники выходных воздействий обычно не включают в модель.
Выделение процессов

Функционирование системы заключается в выполнении технологических процессов преобразования вещества, энергии или информации. В сложных системах, как правило, одновременно протекает несколько процессов. Каждый процесс состоит из определенной последовательности отдельных элементарных операций. Часть операций может выполняться параллельно разными активными компонентами системы. Задается технологический процесс одним из видов представления алгоритмов. В системах с программным управлением, обеспечивающих параллельное выполнение нескольких процессов, имеются алгоритмы управления совокупностью параллельно функционирующих процессов.

^ Подготовка исходных данных
Сбор фактических данных

Концептуальная модель определяет совокупность параметров и внешних воздействий . Для количественных параметров необходимо определить их конкретные значения, которые будут использованы в виде исходных данных при моделировании. Сбор данных должен учитывать следующее:

  • значения параметров могут быть детерминированными и стохастическими;

  • не все параметры являются стационарными;

  • речь идет о несуществующей системе (проектируемой, модернизируемой).

Ряд параметров являются случайными величинами по своей природе. Для упрощения модели часть из них представляются детерминированными средними значениями. Это допустимо, если величина имеет небольшой разброс, или, когда цель моделирования достигается при использовании средних значений.

Иногда детерминированные параметры представляются случайной величиной. Например, при многократном выполнении программы количество обрабатываемых данных может изменяться. Всю совокупность вариантов данных можно представить случайной величиной с заданным законом распределения вероятностей.

^

Подбор закона распределения


Для случайных параметров выявляется возможность представления их теоретическими законами распределения. Процедура подбора вида закона распределения заключается в следующем.

По совокупности значений параметра строится гистограмма относительных частот – эмпирическая плотность распределения. Гистограмма аппроксимируется плавной кривой, которая сравнивается с кривыми плотности распределения различных теоретических законов распределения. По наилучшему совпадению выбирается один из законов. Далее по эмпирическим значениям вычисляют параметры этого распределения. Проверка совпадения эмпирического и теоретического распределения осуществляется по одному из критериев согласия: Пирсона (хи-квадрат), Колмогорова, Смирнова, Фишера, Стьюдента.

Особую сложность представляет сбор данных по случайным параметрам, зависящим от времени, что характерно для внешних воздействий. Пренебрежение фактами нестационарности параметров существенно влияет на адекватность модели.
Аппроксимация функций

Для каждого компонента системы существует функциональная связь между параметрами входных воздействий и выходными характеристиками. Иногда вид функциональной зависимости может быть легко выявлен. Однако для некоторых компонентов удается получить лишь экспериментальные данные по входным параметрам и выходным характеристикам.

В этом случае вводится некоторая гипотеза о характере функциональной зависимости, то есть аппроксимация ее некоторым математическим уравнением. Поиск математических зависимостей между двумя или более переменными по собранным данным может выполняться с помощью методов регрессионного, корреляционного или дисперсионного анализа.

Вид математического уравнения задает исследователь. Затем методом регрессионного анализа вычисляются коэффициенты уравнения. Приближение кривой к экспериментальным данным оценивается по критерию наименьших квадратов.

Для выяснения того, насколько точно выбранная зависимость согласуется с опытными данными, используется корреляционный анализ.

При проектировании новой системы отсутствует возможность сбора фактических данных. Для таких параметров выдвигаются гипотезы об их возможных значениях.

Этап сбора и обработки данных заканчивается классификацией на внешние и внутренние, постоянные и переменные, непрерывные и дискретные, линейные и нелинейные, стационарные и нестационарные, детерминированные и стохастические. Для переменных количественных параметров определяются границы их изменений, а для дискретных – возможные значения.

^ Разработка математической модели
Функционирование системы заключается в выполнении технологического процесса. При этом в системе одновременно протекает несколько технологических процессов. Технологический процесс представляет собой определенную последовательность отдельных операций. Часть операций может выполняться параллельно разными активными ресурсами системы. Задается технологический процесс одним из способов представления алгоритмов.

В системах с программным принципом управления, обеспечивающих параллельное выполнение нескольких технологических процессов, имеются алгоритмы управления совокупностью процессов. Основное назначение таких алгоритмов заключается в разрешении конфликтных ситуаций, возникающих, когда два или более процесса претендуют на один и тот же ресурс. Совокупность алгоритмов управления совместно с параметрами входных воздействий и компонентов описывают динамику функционирования системы. Обычно алгоритмы управления представляются в виде удобном для моделирования. Данный подход к описанию динамики работы системы наиболее удобен для имитационного моделирования и является естественным способом определения характеристик системы:

(1)

где множество операторов определения выходных характеристик,

– календарное время моделирования.

Для систем со структурным принципом управления получил распространение другой подход к описанию динамики работы системы. Для каждого компонента выбирается определенный параметр или несколько параметров, значения которых изменяются в ходе функционирования компонента и отражает его состояние в текущий момент времени . Множество таких параметров по всем элементам системы отражает состояние системы . Функционирование системы представляется в виде последовательной смены состояний: , . Множество возможных состояний системы называют пространством состояний. Текущее состояние системы в момент времени отражается в виде координаты точки в – мерном пространстве состояний, а вся реализация процесса функционирования системы за время – в виде некоторой траектории [1].

При заданном начальном состоянии системы можно определить ее состояние в любой момент из интервала , если известна зависимость

. (2)

В этом случае выходные характеристики системы определяются по выражению

. (3)

В выражениях (1), (3) операторы и называют операторами выходов, а в (2) оператор – оператором переходов. С целью перевода обобщенной модели в форме (1) или в форме (1), (3) в конструктивную необходимо конкретизировать свойства множеств переменных и операторов. Для определенных классов систем разработаны формализованные схемы и математические методы, которые позволяют описать функционирование системы, а в некоторых случаях – выполнить аналитические исследования.

Одной из наиболее общих формализованных схем является описание в виде агрегативных систем [3]. Этот метод в наибольшей мере приспособлен для описания систем, у которых характерно представление входных и выходных воздействий в виде ”сообщений”, составленных из совокупностей “сигналов”. В основе метода лежит понятие агрегата как компонента системы. Математическая модель агрегата выражается в виде зависимостей (2), (3) с конкретизацией входных воздействий, состояний и операторов переходов и выходов. Единообразное математическое описание исследуемых объектов в виде агрегативных систем позволяет использовать универсальные средства имитационного моделирования.

Для описания стохастических систем с дискретными множествами состояний, входных и выходных воздействий, функционирующих в непрерывном времени, широко используются стохастические сети [3]. Стохастическая сеть представляет собой совокупность систем массового обслуживания, в которой циркулируют заявки, переходящие из одной системы в другую.

Если в модели системы не учитывается воздействие случайных факторов, а операторы переходов и выходов непрерывны, то зависимости (2), (3) могут быть представлены в виде дифференциальных уравнений





где – вектор–функции состояний ее выходов соответственно;

– векторы входных воздействий, состояний и выходных воздействий соответственно.

Системы состояния которых определены в дискретные моменты времени получили название автоматов. Если за единицу времени выбран такт то дискретные моменты времени принимаются в виде 0,1,2,… [3]. В каждый дискретный момент времени, за исключением , в автомат поступает входной сигнал , под действием которого автомат переходит в новое состояние в соответствии с функцией переходов



и выдает выходной сигнал, определяемый функцией выходов



Если автомат характеризуется конечными множествами состояний , входных сигналов , и выходных сигналов , он называется конечным автоматом. Функции переходов и выходов конечного автомата задаются таблицами, матрицами или графиками.

Стохастические системы, функционирующие в дискретном времени, можно представлять вероятностными автоматами. Функция переходов вероятностного автомата определяет не одно конкретное состояние, а распределение вероятностей на множестве состояний, а функция выходов – распределение вероятностей на множестве выходных сигналов. Функционирование вероятностных автоматов изучается при помощи аппарата цепей Маркова. Для анализа систем, представляемых в виде автоматов, могут использоваться аналитические или имитационные методы.

В классе автоматов для исследования систем, функционирование которых описывается совокупностью параллельных взаимодействующих процессов, широко используются сети Петри и их различные модификации, сети Керка, Е – сети[4].


^
Выбор метода моделирования


Математическая модель может быть исследована различными методами – аналитическими или имитационными. В некоторых случаях наличие имитационной модели делает возможным применение математических методов оптимизации [5]. Для использования аналитических методов необходимо математическую модель преобразовать к виду явных аналитических зависимостей между характеристиками и параметрами системы и внешних воздействий. Однако это удается лишь для сравнительно простых систем и при наличии хорошо разработанной теории исследуемых объектов.

При имитационном моделировании динамические процессы системы – оригинала подменяются процессами, имитируемыми в абстрактной модели, но с соблюдением таких же соотношением длительностей и временных последовательностей отдельных операций. Поэтому метод имитационного моделирования мог бы называться алгоритмическим или операционным.

Методы имитационного моделирования различаются в зависимости от класса исследуемых систем, способа продвижения модельного времени и вида количественных переменных параметров системы и внешних воздействий. Методы моделирования разрабатываются для дискретных, непрерывных и смешанных дискретно – непрерывных систем.

В зависимости от способа продвижения модельного времени методы моделирования подразделяются на методы с приращением временного интервала и методы с продвижением времени до особых состояний. В первом случае модельное время продвигается на некоторую величину . Далее определяются изменения состояний элементов и выходных воздействий системы, которые произошли за это время. После этого модельное время снова продвигается на величину , и процедура повторяется. Так продолжается до конца периода моделирования . Этот метод моделирования называют “принципом ”.

Во втором случае в текущий момент модельного времени сначала анализируются те будущие особые состояния – поступление дискретного входного воздействия, завершение обслуживания и т.п., для которых определены моменты их наступления Выбирается наиболее раннее особое состояние, и модельное время продвигается до момента наступления этого состояния. Затем анализируется реакция системы на выбранное особое состояние. В частности, в ходе анализа определяется момент наступления нового особого случая. Затем анализируются будущие особые состояния, и модельное время продвигается до ближайшего. Так продолжается до завершения периода моделирования . Данный метод называют “принципом особых состояний”. Метод может использоваться лишь, когда имеется возможность определения моментов наступления будущих очередных особых состояний.

Параметры системы и внешних воздействий могут быть детерминированными или случайными. По этому признаку различают детерминированное и статистическое моделирование. При статистическом моделировании для получения достоверных вероятностных характеристик процессов функционирования системы требуется их многократное воспроизведение с различными конкретными значениями случайных факторов и статистической обработкой результатов измерений. В основу статистического моделирования положен метод статистических испытаний, или метод Монте–Карло [6].

При разработке математической модели различают также принятую систему формализации – алгоритмический (программный) или структурный (агрегатный) подход. В первом случае процессы управляют компонентами (ресурсами) системы, а во втором – компоненты управляют процессами, определяют порядок функционирования системы.


Выбор средств моделирования



Технические средства моделирования

Современные ЭВМ позволяют моделировать сложные распределенные динамические системы. Фактор распределенности играет важную роль и предполагает построение многопроцессорных вычислительных систем на основе локальных вычислительных сетей. Поэтому для моделирования таких систем перспективным представляется использование распределенных многопроцессорных вычислительных систем.
Алгоритмические языки общего назначения

Такие языки применимы для аналитических методов моделирования. При использовании алгоритмических языков для программирования имитационных алгоритмов возникают трудности. Первая из них заключается в том, что алгоритмы поведения сложных систем являются параллельными, то есть предполагают выполнение более чем одного преобразования в каждый момент времени. Программная имитация параллельных процессов при использовании языков общего назначения сводится к организации псевдопараллельного развития параллельных процессов, что достаточно сложно для программирования.

Вторая трудность состоит в том, что объемы данных в имитационных алгоритмах трудно оценить априорно. Поэтому требуется использовать динамическое распределение памяти, что не всегда обеспечивает язык программирования.
Языки моделирования

При создании программ имитационного моделирования возникают задачи, общие для широкого класса моделей:

  • организация псевдопараллельного выполнения алгоритмов;

  • динамическое распределение памяти;

  • операции с модельным временем, отражающим астрономическое время функционирования оригинала;

  • имитация случайных процессов;

  • ведение массива событий;

  • сбор и обработка результатов моделирования.

Решение перечисленных выше задач осуществляется полностью или частично внутренними средствами языка моделирования.

По структуре и правилам программирования языки моделирования подобны процедурно-ориентированным алгоритмическим языкам высокого уровня. Операторы языков моделирования выполняют более сложные процедуры, поэтому они имеют более высокий уровень и упрощают составление программ. Языки моделирования рассматриваются как формализованный базис для создания математических моделей.

^

Автоматизированные системы моделирования


Дальнейшее упрощение и ускорение процесса программирования привело к необходимости его автоматизации. К настоящему времени создан ряд систем автоматизации имитационного моделирования.


^
Проверка адекватности и корректировка модели

Проверка адекватности


Адекватность модели нарушается по многим причинам: из-за идеализации внешних условий и режимов функционирования; исключения тех или иных параметров; пренебрежения некоторыми случайными факторами. Отсутствие точных сведений о внешних воздействиях, определенных нюансах структуры системы, принятые аппроксимации, интерполяции, предположения и гипотезы также ведут к уменьшению соответствия между моделью и системой. Это приводит к тому, что результаты моделирования будут существенно отличаться от реальных.

Простейшей мерой адекватности может служить отклонение некоторой характеристики оригинала и модели,

или

Тогда можно считать, что модель адекватна с системой, если вероятность того, что отклонение не превышает предельной величины , больше допустимой вероятности :



Практическое использование данного критерия адекватности зачастую невозможно по следующим причинам:

  • для проектируемых или модернизируемых систем отсутствует информация о значении характеристики ;

  • система оценивается не по одной, а по множеству характеристик, у котолрых может быть разная величина отклонения;

  • характеристики могут быть случайными величинами и функциями, а часто и нестационарными;

  • отсутствует возможность априорного точного задания предельных отклонений и допустимых вероятностей .

Несмотря на это проверять адекватность необходимо иначе по неверным результатам моделирования будут приняты неправильные решения. На практике оценка адекватности обычно проводится путем экспертного анализа разумности результатов моделирования. Можно выделить следующие виды проверок:

  • проверка моделей компонентов;

  • проверка модели внешних воздействий (аппроксимации и гипотезы необходимо оценить математическими методами);

  • проверка концептуальной модели функционирования системы;

  • проверка формализованной и математической модели;

  • проверка способов измерения и вычисления выходных характеристик;

  • проверка программной модели.


Корректировка модели

Если по результатам проверки адекватности выявляется недопустимое рассогласование модели и системы, возникает необходимость в корректировке или калибровке модели. При этом выделяются следующие типы изменений: глобальные, локальные и параметрические.

Стратегия корректировки модели должна быть направлена на первоочередное введение глобальных изменений, затем – локальных и параметрических изменений. Для выработки тактики параметрических изменений большое значение имеет анализ чувствительности модели к вариациям ее параметров.

Завершается этап проверки адекватности и корректировки модели определением и фиксацией области пригодности модели. Под областью пригодности понимается множество условий, при соблюдении которых точность результатов моделирования находится в допустимых пределах.


Планирование экспериментов с моделью



Стратегическое планирование

Цели моделирования достигаются путем исследования разработанной модели. Исследования заключаются в проведении экспериментов по определению выходных характеристик системы при разных значениях управляемых переменных параметров модели. Эксперименты следует проводить по определенному плану.

Особо важным является планирование экспериментов при численном и статистическом моделировании. Это обусловлено большим числом возможных сочетаний значений управляемых параметров, а каждый эксперимент проводится при определенном сочетании значений параметров. Например, при пяти управляемых параметрах, имеющих по три значения, количество сочетаний параметров равно 243, при десяти параметрах по пять значений, число сочетаний приближается к 10 млн. Поэтому возникает необходимость в выборе определенных сочетаний параметров и последовательности проведения экспериментов. Это называется стратегическим планированием.

Разработка плана начинается на ранних этапах создания модели, когда выявляются характеристики качества и параметры, с помощью которых предполагается управлять качеством функционирования системы. Эти параметры называют факторами. Затем выделяются возможные значения количественных параметров и варианты качественных (функциональных) параметров. Их называют уровнями . При этом число сочетаний

,

где - число факторов.

Если число факторов велико, то для проведения исследований системы используется один из методов составления плана по неполному факторному анализу. Эти методы хорошо разработаны в теории планирования экспериментов.

^

Тактическое планирование


Совокупность методов уменьшения длительности машинного эксперимента при обеспечении статистической достоверности результатов имитационного моделирования получила название тактического планирования. На длительность одного эксперимента (периода моделирования ) влияет степень стационарности системы, взаимозависимости характеристик и значения начальных условий моделирования.

Данные, собранные в эксперименте, можно рассматривать как временные ряды, состоящие из замеров определенных характеристик. Ряд замеров характеристики может рассматриваться как выборка из стохастической последовательности. Если эта последовательность стационарна, ее среднее не зависит от времени. Оценкой является среднее по временному ряду . Для эргодической последовательности точность этой оценки возрастает с ростом .

Если заданы максимальная допустимая ошибка оценки (доверительный интервал) и минимальная вероятность того, что истинное среднее лежит внутри этого интервала, то существует минимальный размер исследуемой выборки. Этот размер соответствует минимальной длительности эксперимента. Для оценки нескольких характеристик период моделирования определяется по максимальному значению.


^
Моделирование на ЭВМ и анализ результатов моделирования

Обработка измерений имитационного моделирования


При статистическом моделировании в ходе имитационного эксперимента измеряются множества значений по каждой выходной характеристике. Эти выборки необходимо обрабатывать для удобства последующего анализа и использования. Поскольку выходные характеристики зачастую являются случайными величинами или функциями, обработка заключается в вычислении оценок математических ожиданий, дисперсий и корреляционных моментов.

Для того, чтобы исключить необходимость хранения в машине всех измерений, обработку проводят по рекуррентным формулам, когда оценки вычисляют в процессе эксперимента методом нарастающего итога по мере появления новых измерений.

Для стохастических характеристик можно построить гистограмму относительных частот – эмпирическую плотность распределения. С этой целью область предполагаемых значений характеристики разбиваются на интервалы. В ходе эксперимента по мере измерений определяют число попаданий характеристики в каждый интервал и подсчитывают общее число измерений. После завершения эксперимента для каждого интервала вычисляют отношение числа попаданий характеристики к общему числу измерений и длине интервала.

Для случайных нестационарных характеристик период моделирования разбивается на отрезки и запоминаются значения характеристики в конце каждого . Проводится серия экспериментов с разными последовательностями случайных параметров модели. Измерения по каждому обрабатываются как при оценке случайных величин.

^

Определение зависимостей характеристик от параметров системы


Для анализа зависимостей характеристик от параметров системы и внешних воздействий можно воспользоваться корреляционным, дисперсионным или регрессионным методами.

С помощью корреляционного анализа можно установить наличие связи между двумя или более случайными величинами. Оценкой связи служит коэффициент корреляции при наличии линейной связи между величинами и нормальном законе их совместного распределения.

Дисперсионный анализ можно использовать для установления относительного влияния различных факторов на значения выходных характеристик. При этом общая дисперсия характеристики разлагается на компоненты, соответствующие рассматриваемым факторам. По значениям отдельных компонентов делают вывод о степени влияния того или другого фактора на анализируемую характеристику.

Когда все факторы в эксперименте являются количественными, можно найти аналитическую зависимость между характеристиками и факторами. Для этого используются методы регрессионного анализа.

К анализу результатов моделирования можно отнести задачу анализа чувствительности модели к вариациям ее параметров. Под анализом чувствительности понимают проверку устойчивости характеристик процесса функционирования системы к возможным отклонениям значений параметров.

^

Использование результатов моделирования


Результаты моделирования используются для принятия решения о работоспособности системы, для выбора лучшего проектного варианта или для оптимизации системы. Решение о работоспособности принимается по тому, выходят или не выходят характеристики системы за установленные границы при любых допустимых изменениях параметров. При выборе лучшего варианта из всех работоспособных вариантов выбирается тот, у которого максимальное значение критерия эффективности. Наиболее общей и сложной является оптимизация системы: требуется найти такие сочетания значений переменных параметров системы или рабочей нагрузки из множества допустимых, которое максимизирует значение критерия эффективности:



при соблюдении ограничений на все характеристик



Если выходная характеристика является случайной величиной с некоторой плотностью распределения , целесообразно ввести в задачу оптимизации стохастические ограничения следующего вида:

,

где - минимально допустимая вероятность того, что конкретные значения не выйдут за ограничивающие пределы.


Скачать файл (1024.9 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru