Logo GenDocs.ru

Поиск по сайту:  

Загрузка...

Шпоры к ГОСам по имитационному моделированию - файл 1.docx


Шпоры к ГОСам по имитационному моделированию
скачать (296.3 kb.)

Доступные файлы (1):

1.docx297kb.06.12.2011 11:36скачать

содержание
Загрузка...

1.docx

  1   2   3
Реклама MarketGid:
Загрузка...
71. Понятие имитационных моделей, их классификация и область применения. Принципы, этапы и языковые средства имитационного моделирования.

  1. Имитационное моделирование (от англ. simulation) - это распро

  2. страненная разновидность аналогового моделирования, реализуемо

  3. го с помощью набора математических инструментальных средств, специальных имитирующих компьютерных программ и технологий программирования, позволяющих посредством процессов-аналогов провести целенаправленное исследование структуры и функций ре

  4. ального сложного процесса в памяти компьютера в режиме «имитации», выполнить оптимизацию некоторых его параметров.

Имитационной моделью называется специальный программный комплекс, который позволяет имитировать деятельность какого-либо сложного объекта. Он запускает в компьютере параллельные взаимодействующие вычислительные процессы, которые являются по своим временным параметрам (с точностью до масштабов време

ни и пространства) аналогами исследуемых процессов. В странах, занимающих лидирующее положение в создании новых компьютер

ных систем и технологий, научное направление Computer Science использует именно такую трактовку имитационного моделирования, а в программах магистерской подготовки по данному направлению имеется соответствующая учебная дисциплина.

^ Имитационное моделирование - это чисто компьютерная ра

бота, которую невозможно выполнить подручными средствами. Поэтому часто для этого вида моделирования используется синоним компьютерное моделирование.

Имитационную модель нужно создавать. Для этого необходимо специальное программное обеспечение - система моделирования (simulation system). Специфика такой системы определяется техно

логией работы, набором языковых средств, сервисных программ и приемов моделирования.

Имитационная модель должна отражать большое число параметров, логику и закономерности поведения моделируемого объекта во времени (временная динамика) и в пространстве (пространственная динамика). Моделирование объектов экономики связано с понятием финансовой динамики объекта.

С точки зрения специалиста (информатика-экономиста, математика-программиста или экономиста-математика), имитационное мо

делирование контролируемого процесса или управляемого объекта -это высокоуровневая информационная технология, которая обеспе

чивает два вида действий, выполняемых с помощью компьютера:

1) работы по созданию или модификации имитационной модели;

2) эксплуатацию имитационной модели и интерпретацию ре

зультатов.

Имитационное (компьютерное) моделирование экономических процессов обычно применяется в двух случаях:

• для управления сложным бизнес-процессом, когда имитацион

ная модель управляемого экономического объекта используется в качестве инструментального средства в контуре адаптивной системы управления, создаваемой на основе информационных (компьютер

ных) технологий;

• при проведении экспериментов с дискретно-непрерывными моделями сложных экономических объектов для получения и от

слеживания их динамики в экстренных ситуациях, связанных с рис

ками, натурное моделирование которых нежелательно или невоз

можно.

Можно выделить следующие типовые задачи, решаемые средст

вами имитационного моделирования при управлении экономиче

скими объектами:

• моделирование процессов логистики для определения времен

ных и стоимостных параметров;

• управление процессом реализации инвестиционного проекта на различных этапах его жизненного цикла с учетом возможных рисков и тактики вьщеления денежных сумм;

• анализ клиринговых процессов в работе сети кредитных орга

низаций (в том числе применение к процессам взаимозачетов в ус

ловиях российской банковской системы);

• прогнозирование финансовых результатов деятельности пред

приятия на конкретный период времени (с анализом динамики саль

до на счетах);

• бизнес-реинжиниринг несостоятельного предприятия (измене

ние структуры и ресурсов предприятия-банкрота, после чего с по

мощью имитационной модели можно сделать прогноз основных фи

нансовых результатов и дать рекомендации о целесообразности того или иного варианта реконструкции, инвестиций или кредитования производственной деятельности);

• анализ адаптивных свойств и живучести компьютерной регио

нальной банковской информационной системы (например, частично вышедшая из строя в результате природной катастрофы система электронных расчетов и платежей после катастрофического земле

трясения 1995 г. на центральных островах Японии продемонстриро

вала высокую живучесть: операции возобновились через несколько дней);
• оценка параметров надежности и задержек в централизованной экономической информационной системе с коллективным доступом (на примере системы продажи авиабилетов с учетом несовершенства физической организации баз данных и отказов оборудования);
• анализ эксплуатационных параметров распределенной много

уровневой ведомственной информационной управляющей системы с учетом неоднородной структуры, пропускной способности каналов связи и несовершенства физической организации распределенной базы данных в региональных центрах;
• моделирование действий курьерской (фельдъегерьской) верто

летной группы в регионе, пострадавшем в результате природной катастрофы или крупной промышленной аварии;
• анализ сетевой модели PERT (Program Evaluation and Review Technique) для проектов замены и наладки производственного обо

рудования с учетом возникновения неисправностей;
• анализ работы автотранспортного предприятия, занимающего

ся коммерческими перевозками грузов, с учетом специфики товар

ных и денежных потоков в регионе;
• расчет параметров надежности ц задержек обработки инфор

мации в банковской информационной системе.
Система имитационного моделирования, обеспечивающая соз

дание моделей для решения перечисленных задач, должна обладать следующими свойствами:
• возможностью применения имитационных программ совмест

но со специальными экономико-математическими моделями и мето

дами, основанными на теории управления;
• инструментальными методами проведения структурного ана

лиза сложного экономического процесса;
• способностью моделирования материальных, денежных и ин

формационных процессов и потоков в рамках единой модели, в об

щем модельном времени;
• возможностью введения режима постоянного уточнения при получении выходных данных (основных финансовых показателей, временных и пространственных характеристик, параметров рисков и др.) и проведении экстремального эксперимента.


  1. ^ Принципы имитационного моделирования совпадают с принципами системных исследований и моделирования вообще:



1 Принцип информационной достаточности. При полном отсут

ствии информации об исследуемой системе построение ее модели невозможно. При наличии полной информации о системе ее модели

рование лишено смысла. Существует некоторый критический уровень априорных сведений о системе (уровень информационной достаточно

сти), при достижении которого может быть построена се адекватная модель.
2 Принцип осуществимости. Создаваемая модель должна обеспе

чивать достижение поставленной цели исследования с достижение поставленной цели исследования с вероятнос

тью, существенно отличающейся от нуля, и за конечное время. Обыч

но задают некоторое пороговое значение Рy вероятности достижения цели моделирования Р(1), а также приемлемую границу t времени достижения этой цели. Модель считают осуществимой, сели может быть выполнено условие P(t)>Py.
3 Принцип множественности моделей. Данный принцип, несмотря на его порядковый номер, является ключевым. Речь идет о том, что создаваемая модель должна отражать в первую очередь те свойства реальной системы (или явления), которые влияют на выбранный показатель эффективности Соответственно при использовании любой кон

кретной модели познаются лишь некоторые стороны реальности. Для более полного ее исследования необходим ряд моделей, позволяющих с разных сторон и с разной степенью детальности отражать рассмат

риваемый процесс.
4 Принцип агрегирования. В большинстве случаев сложную сис

тему можно представить состоящей из агрегатов (подсистем), для адекватного математического описания которых оказываются пригод

ными некоторые стандартные математические схемы.

Имитационное моделирование реализуется посредством набора математических инструментальных средств, специальных компью

терных программ и приемов, позволяющих с помощью компьютера провести целенаправленное моделирование в режиме «имитации» структуры и функций сложного процесса и оптимизацию некоторых его параметров. Набор программных средств и приемов моделиро

вания определяет специфику системы моделирования - специально

го программного обеспечения.

В отличие от других видов и способов математического модели

рования с применением ЭВМ имитационное моделирование имеет свою специфику: запуск в компьютере взаимодействующих вычис

лительных процессов, которые являются по своим временным пара

метрам - с точностью до масштабов времени и пространства - ана

логами исследуемых процессов.

^ Имитационное моделирование как особая информационная тех

нология состоит из следующих основных этапов.
1. Структурный анализ процессов. Проводится формализация структуры сложного реального процесса путем разложения его на подпроцессы, выполняющие определенные функции и имеющие взаимные функциональные связи согласно легенде, разработанной рабочей экспертной группой. Выявленные подпроцессы, в свою очередь, могут разделяться на другие функциональные подпроцес

сы. Структура общего моделируемого процесса может быть пред

ставлена в виде графа, имеющего иерархическую многослойную структуру. В результате появляется формализованное изображение имитационной модели в графическом виде.

Структурный анализ особенно эффективен при моделировании экономических процессов, где (в отличие от технических) многие составляющие подпроцессы не имеют физической основы и проте

кают виртуально» поскольку оперируют с информацией, деньгами и логикой (законами) их обработки.
2. Формализованное описание модели. Графическое изображение имитационной модели, функции, выполняемые каждым подпроцес-сом, условия взаимодействия всех подпроцессов и особенности по

ведения моделируемого процесса (временная, пространственная и финансовая динамика) должны быть описаны на специальном языке для последующей трансляции. Для этого существуют различные способы:

• описание вручную на языке типа GPSS, Pilgrim и даже на Visual Basic. Последний очень прост, на нем можно запрограммиро

вать элементарные модели, но он не подходит для разработки реаль

ных моделей сложных экономических процессов, так как описание модели средствами Pilgrim компактнее аналогичной алгоритмиче

ской модели на Visual Basic в десятки-сотни раз;

• автоматизированное описание с помощью компьютерного гра

фического конструктора во время проведения структурного анализа, т.е. с очень незначительными затратами на программирование. Та

кой конструктор, создающий описание модели, имеется в составе системы моделирования в Pilgrim.
3. Построение модели (build). Обычно это трансляция и редак

тирование связей (сборка модели), верификация (калибровка) пара

метров.

Трансляция осуществляется в различных режимах:

• в режиме интерпретации, характерном для систем типа GPSS, SLAM-II и ReThink;

• в режиме компиляции (характерен для системы Pilgrim).

Каждый режим имеет свои особенности. '

Режим интерпретации проще в реализации. Специальная уни

версальная программа-интерпретатор на основании формализован

ного описания модели запускает все имитирующие подпрограммы. Данный режим не приводит к получению отдельной моделирующей программы, которую можно было бы передать или продать заказчи

ку (продавать пришлось бы и модель, и систему моделирования, что не всегда возможно).

Режим компиляции сложнее реализуется при создании модели

рующей системы. Однако это не усложняет процесс разработки мо

дели. В результате можно получить отдельную моделирующую про

грамму, которая работает независимо от системы моделирования в виде отдельного программного продукта.

Верификация (калибровка) параметров модели выполняется в соответствии с легендой, на основании которой построена модель, с помощью специально выбранных тестовых примеров.
4. Проведение экстремального эксперимента для оптимизации определенных параметров реального процесса.

  1. Концепция имитационного моделирования требует предвари

  2. тельного знакомства читателя с методом Монте-Карло, с методоло

  3. гией проведения проверок статистических гипотез, с устройством программных датчиков случайных (псевдослучайных) величин и с особенностями законов распределения случайных величин при мо

  4. делировании экономических процессов.



























  5. 72. Метод Монте-Карло и проверка статистических гипотез. Использование законов распределения случайных величин при имитации экономических процессов.

Использование современных имитационных моделей основано, в основном, на идее метода Монте-Карло.


Существует два типа имитационных моделей.
1. Непрерывные модели используются для систем, поведение которых изменяется непрерывно во времени. Динамика народонаселения мира. Непрерывные им. модели обычно представляются в виде разностно-дифференциальных уравнений, которые описывают взаимодействие между различными элементами системы
2. Дискретные модели имеют дело с системами, поведение которых изменяется лишь в заданные моменты времени. Типичным примером такой модели является очередь, когда задача моделирования состоит в оценивании операционных характеристик обслуживающей системы, таких, например, как среднее время ожидания или средняя длина очереди. Те моменты времени, в которые в системе происходят изменения, определяют события модели (например, приход или уход клиента). То, что эти события происходят в дискретные моменты, указывает, про процесс протекает в дискретном времени.
Если при классификации использовать степень неопределенности, то модели можно разбить на:

1. детерминированные

2. стохастические

3. смешанные.
Метод статистических испытаний Монте-Карло представляет собой простейшее имитационное моделирование при полном отсутствии каких-либо правил поведения. Получение выборок по методу Монте-Карло – основной принцип компьютерного моделирования систем, содержащих стохастические или вероятностные элементы.

Зарождение метода связано с работой фон Неймана и Улана в конце 1940-х гг., когда они ввели для него название «Монте-Карло» и применили его к решению некоторых задач экранирования ядерных излучений.

Согласно методу М-К проектировщик может моделировать работы тысячи сложных систем, управляющих тысячами разновидностей подобных процессов, и исследовать поведение всей группы, обрабатывая статистические данные. Другой способ применения этого метода – моделировать поведение системы управления на очень большом промежутке модельного времени.
В различных задачах могут используются величины, значения которых определяются случайным образом.
- случайные моменты времени, в которые поступают заказы на фирму

загрузка производственных участков или служб

- внешние воздействия

- оплата банковских кредитов

- поступление средств от заказчика

- ошибки измерения
В общем случае исследуемая система содержит ряд элемен

тов, обладающих некоторой неопределенностью. Подобные си

стемы обычно называют стохастическими, так как их поведение не может быть полностью предсказано заранее. При имитации стохастических систем требуется описывать изменчивость эле

ментов в терминах теории вероятностей. Поскольку результа

ты, полученные с помощью имитационной модели, также носят вероятностный характер, они требуют статистической интер

претации.

Некоторые виды законов распределения случайных величин, используемые при имитации экономических процессов.
^ Равномерное распределение на интервале (0,1).
Один из наиболее простых и эффективных вычислительных ме

тодов получения последовательности равномерно распределенных случайных чисел ri, с помощью, например, калькулятора или любого другого устройства, работающего в десятичной системе счисления, включает только одну операцию умножения.

Метод заключается в следующем: если ri =0,0040353607, то ri+1={40353607ri}mod 1, где mod 1 означает операцию извлечения из результата только дробной части после десятичной точки. Как описано в различных литературных источниках, числа ri начинают повторяться после цикла из 50 миллионов чисел, так что r50000001= r1. Последовательность ri получается равномерно распределенной на интервале (0,1). Существуют более точные способы получения таких чисел со значительно большими периодами, а также пояснения, как в реальных моделях такие числа становятся практически случайными.

Описанная процедура в основном применяется для получения более сложных распределений, как дискретных, так и непрерывных. Эти распределения получаются с помощью двух основных приемов:

• обратных функций;

• комбинирования величин, распределенных по другим законам, например по равномерному на интервале (0,1).
^ Равномерное распределение на произвольном интервале. Рассмотрим важное и очень простое равномерное распределение на интервале (m-s, m+s). Плотность вероятностей этого распределения описывается следующей формулой:
где: m - математическое ожидание;

s - максимальное отклонение от математического ожидания

Такое распределение используется, если об интервалах времени известно только то, что они имеют максимальный разброс, и ничего не известно о распределениях вероятностей этих интервалов.
^ Дискретное распределение (общий случай). Предположим, что известны частоты аi выбора из N объектов на определенном интервале времени, i=1,....,N. Пример таких частот для N =7 представлен в табл. 1. Первая строка таблицы - это номер объекта, а вторая -частота его выбора. Требуется разработать программную функцию, которая должна возвращать значение номера объекта в соответствии с этими частотами.

Значения обратных функций для получения дискретного распределения

i

1

2

3

4

5

6

7

i

130

5

11

44

32

2

67

i

0.447

0.017

0.038

0.151

0.110

0.007

0.230

i

0.447

0.464

0.502

0.653

0.763

0.770

1.000

Воспользуемся методом обратных функций. Сначала найдем сумму всех частот:
В нашем случае получаем =291. После этого построим таблицу нормированных значений i=i/(третья строка табл. 1.3). Далее рассчитаем значения дискретной функции i; по формуле
Значения i находятся в четвертой строке табл. 1.3. Построим график дискретной функции у, Далее воспользуемся рассмотренной выше программой получения случайных величин, распределенных равномерно на отрезке (0,1), и каждый раз будем получать случайную величину р,. Условимся, что То = 0 . По

сле этого выбор объекта с номером i осуществляется при выполне

нии соотношения
^ Нормальное распределение. Нормальное, или гауссово распре

деление, - это, несомненно, одно из наиболее важных и часто ис

пользуемых видов непрерывных распределений. Оно симметрично относительно математического ожидания. Сначала остановимся на практическом смысле этого распределения применительно к эконо

мическим задачам и сформулируем центральную предельную теорему теории вероятностей в следующей практической интерпретации.

Непрерывная случайная величина t имеет нормальное распределение вероятностей с параметрами т и  > 0, если ее плотность вроятностей имеет вид:

где т - математическое ожидание M[t],

 - среднеквадратичное отклонение.

Причем если D[t} - это дисперсия, то = D[t] .

Практический смысл этой теоремы очень прост. Любые сложные работы на объектах экономики (ввод информации из документа в компьютер, проведение переговоров, ремонт оборудования и др.) состоят из многих коротких последовательных элементарных со

ставляющих работ. Причем количество этих составляющих работ иногда настолько велико, что требования в приведенной выше теореме о независимости и одинаковом распределении становятся из

лишними. Поэтому при оценках трудозатрат всегда справедливо предположение о том, что их продолжительность - это случайная величина, которая распределена по нормальному закону.
^ Экспоненциальное распределение. Оно также занимает очень важное место при проведении системного анализа экономической деятельности. Этому закону распределения подчиняются многие явления, например:
• время поступления заказа на предприятие;

• посещение покупателями магазина-супермаркета;

• телефонные разговоры;

• срок службы деталей и узлов в компьютере, установленном, например, в бухгалтерии.
Рассмотрим это распределение подробнее. Если вероятность на

ступления события на малом интервале времени Д< очень мала и не зависит от наступления других событий, то интервалы времени ме

жду последовательностями событий распределяются по экспоненци

альному закону с плотностью вероятностей

Особенностью этого распределения являются его параметры:

• математическое ожидание M[t] =1/.;

• дисперсия D[t]=2=(1/)2.;

Математическое ожидание равно среднеквадратичному отклоне

нию, что является одним из основных свойств экспоненциального распределения
^ Обобщенное распределение Эрланга.
Обычно распределение Эрланга используется в случаях, когда длительность какого-либо процесса можно представить как сумму k элементарных последовательных составляющих, распределенных по экспоненциальному закону. Если обозначить математическое ожидание длительности всего процесса как M[t]= 1/, среднюю длительность элементарной составляющей как 1/, то плотность вероятностей распределения Эрланга представляется следующей формулой:
Дисперсия такого распределения D[t]=1/(2k)

Очевидно, что при k=1 - это экспоненциальное распределение. Разновидности этого распределения для разных k > 0 представлены на рис. 1.5.
^ Обобщенное распределение Эрланга применяется при создании как чисто математических, так и имитационных моделей в двух слу

чаях.

1) Его удобно применять вместо нормального распреде

ления, если модель можно свести к чисто математической задаче, применяя аппарат марковских или полумарковских процессов либо используя метод Кендалла. Однако такие модели далеко не всегда адекватны реальным процессам.

2) В реальной жизни существует объективная вероятность возникновения групп заявок в качестве реакции на какие-то действия, поэтому возникают групповые потоки. Применение чисто математических методов для исследования в моделях эффектов oi таких групповых потоков либо невозможно из-за отсутствия способа получения аналитического выражения, либо затруднено, так как ана

литические выражения содержат большую систематическую погреш

ность из-за многочисленных допущений, благодаря которым исследо

ватель смог получить эти выражения. Для описания одной из разно

видностей 1пуппового потока можно применить обобщенное распре

деление Эрланга, которое рассмотрим ниже. Внешне похожее на гам

ма-распределение, оно имеет свои математические особенности.

Появление групповых потоков в сложных экономических систе

мах приводит к резкому увеличению средних длительностей различ

ных задержек (заказов в очередях, задержек платежей и др.), а также к увеличению вероятностей рисковых событий или страховых случаев.

  1. Треугольное распределение. Применимость такого распределе

  2. ния рассмотрим на примере, связанном с динамическими характери

  3. стиками системы управления базами данных (СУБД) в экономиче

  4. ской информационной системе.

























^ 73. Управление модельным временем. Виды представления времени в имитационной модели, изменение времени с постоянным шагом, продвижение времени по особым состояниям.

События модели происходят в некотором модельном времени. Модельное время - это виртуальное время, в котором автоматически упорядочиваются все события, причем не обязательно пропорцио

нально реальному времени, в котором развивается моделируемый процесс. Например:
• реальное время развития процесса - 3 года;

• модель процесса, охватывающая эти 3 года, выполняется на компьютере за 1 с;

• все события при выполнении модели выстроены в нужном порядке, и все статистические данные в результате ее выполнения замерены.
Масштаб времени - это число, которое задает длительность мо

делирования одной единицы модельного времени, пересчитанной в секунды, в секундах астрономического реального времени при вы

полнении модели. Относительный масштаб времени - это дробь, показывающая, сколько единиц модельного времени помещается в одной единице процессорного времени при выполнении модели в компьютере.
Можно выделить четыре разновидности масштаба времени:
1. Реальный масштаб времени - вводится значение выбранной единицы измерения модельного времени, выраженное в секундах. Например, если в качестве единицы модельного времени выбран 1 ч, а в качестве масштаба задать число 3600, то модель будет выпол

няться со скоростью реального процесса, а интервалы времени меж

ду событиями в модели будут равны интервалам времени между ре

альными событиями в моделируемом объекте (с точностью до по

правок на погрешности при задании исходных данных). Относи

тельный масштаб в этом случае равен 1:1.
2. Максимально ускоренный масштаб времени ~ задается число 0. В этом случае время моделирования определяется чисто процессор

ным временем выполнения модели. Оно зависит от используемого процессора ЭВМ и могут измеряться малыми долями секунды. Это обстоятельство позволяет достигнуть максимального быстродействия модели и автоматически исключать из процесса моделирования непроизводительные отрезки модельного времени (например, в ноч

ное время фирма не работает). Относительный масштаб в этом слу

чае практически трудно определить,
3. Пропорционально ускоренный масштаб времени - вводится значение выбранной единицы измерения модельного времени, выраженное в секундах. Причем это значение меньше выбранной еди

ницы. Например, если в качестве единицы модельного времени вы

бран 1 ч, а в качестве масштаба задать число 0,1, то модель будет выполняться быстрее реального процесса. Причем 1 ч реального процесса будет моделироваться в ЭВМ в течение 0,1 с (с учетом по

грешностей), т.е. примерно в 36 000 раз быстрее. Относительный масштаб равен 1:36 000.
4. Замедленный масштаб времени - вводится значение выбранной единицы измерения модельного времени, выраженное в секундах. Причем это значение меньше выбранной единицы. Например, если в качестве единицы модельного времени выбран 1 ч, а в качестве масштаба задать число 7 200, то модель будет выполняться медлен

нее реального процесса. Причем 1 ч реального процесса будет моде

лироваться в ЭВМ в течение 2 ч, т.е. примерно в 2 раза медленнее. Относительный масштаб равен 2:1. Замедленный масштаб не пред

ставляет интереса для проведения исследований с моделями.

Виды представления времени в модели

При разработке практически любой имитационной модели и планировании проведения модельных экспериментов необходимо соотносить между собой три представления времени:

• реальное время, в котором происходит функционирование имити

руемой системы;

• модельное (или, как его еще называют, системное) время, в масш

табе которого организуется работа модели;

• машинное время, отражающее затраты времени ЭВМ на проведе

ние имитации.
С помощью механизма модельного времени решаются следующие задачи:
• отображается переход моделируемой системы из одного состояния в другое;

• производится синхронизация работы компонент модели;

• изменяется масштаб времени «жизни» (функционирования) иссле

дуемой системы;

• производится управление ходом модельного эксперимента;

• моделируется квазипараллельная реализация событий в модели.
Приставка «квази» в данном случае отражает последовательный характер обработки событий (процессов) в ИМ, которые в реальной системе возникают (протекают) одновременно.

Необходимость решения последней задачи связана с тем, что в распоряже

нии исследователя находится, как правило, однопроцессорная вычислительная система, а модель может содержать значительно большее число одновременно работающих подсистем, Поэтому действительно параллельная (одновременная) реализация всех компонент модели невозможна. Даже если используется так называемая распределенная модель, реализуемая на нескольких узлах вычисли

тельной сети, совсем необязательно число узлов будет совпадать с числом од

новременно работающих компонент модели. Немного забегая вперед, следует отметить, что реализация квазипараллсльной работы компонент модели являет

ся достаточно сложной технической задачей.

Ранее были названы два метода реализации механизма модельного време

ни — с постоянным шагом и по особым состояниям.

Выбор метода реализации механизма модельного времени зависит от на

значения модели, ее сложности, характера исследуемых процессов, требуемой точности результатов и т.д.
^ Изменение времени с постоянным шагом
При использовании данного метода отсчет системного времени ведется через фиксированные, выбранные исследователем интервалы времени. Собы

тия в модели считаются наступившими в момент окончания этого интервала. Погрешность в измерении временных характеристик системы в этом случае зависит от величины шага моделирования t.

Метод постоянного шага целесообразно использовать в том случае, если:
• события появляются регулярно, их распределение во времени дос

таточно равномерно;

• число событий велико и моменты их появления близки;

• невозможно заранее определить моменты появления событий.
Данный метод управления модельным временем достаточно просто реализовать в том случае, когда условия появления событий всех типов в модели можно представить как функцию времени,
Продвижение времени по особым состояниям
При моделировании по особым состояниям системное время каждый раз изменястся на величину, строго соответствующую интервалу времени до момента наступления очередного события. В этом случае события обрабатывают

ся в порядке их наступления, а одновременно наступившими считаются только е, которые являются одновременными в действительности.

Для реализации моделирования по особым состояниям требуется разработка специальной процедуры планирования событий (так называемого календаря событий).

Если известен закон распределения интервалов между событиями, то такое прогнозирование труда не составляет: достаточно к текущему значению модельного времени добавить величину интервала, полученную с помощью соответствующего датчика.

Моделирование по особым состояниям целесообразно использовать, если:

• события распределяются во времени неравномерно или интервалы между ними велики;

• предъявляются повышенные требования к точности определения взаимного положения событий во времени;

• необходимо учитывать наличие одновременных событий.

Дополнительное достоинство метода заключается в том, что он позволяет экономить машинное время, особенно при моделировании систем периодичес

кого действия, в которых события длительное время могут нс наступать.
Подведем итоги изложенному в этом разделе.
• Выбор механизма изменения модельного времени определяет технологию реализации имитационной модели.

• На выбор метода моделирования влияет целый ряд факторов, одна

ко определяющим является тип моделируемой системы: для дискрет

ных систем, события в которых распределены во времени неравномер

но, более удобным является изменение модельного времени по осо

бым состояниям.

• Если в модели должны быть представлены компоненты реальной системы, работа которых измеряется в разных единицах времени, то они должны быть предварительно приведены к единому масштабу.
  1   2   3



Скачать файл (296.3 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации