Что такое имитационные модели? Имитационное моделирование систем: что это такое и где используется Модель имитационного моделирования
построении математических моделей для описания изучаемых процессов;Суть компьютерного моделирования состоит в следующем: на основе математической модели с помощью ЭВМ проводится серия вычислительных экспериментов, т.е. исследуются свойства объектов или процессов, находятся их оптимальные параметры и режимы работы, уточняется модель. Например, располагая уравнением, описывающим протекание того или иного процесса, можно изменяя его коэффициенты , начальные и граничные условия, исследовать, как при этом будет вести себя объект . Имитационные модели - это проводимые на ЭВМ вычислительные эксперименты с математическими моделями, имитирующими поведение реальных объектов, процессов или систем.
Реальные процессы и системы можно исследовать с помощью двух типов математических моделей: аналитических и имитационных.
В аналитических моделях поведение реальных процессов и систем (РПС) задается в виде явных функциональных зависимостей (уравнений линейных или нелинейных, дифференциальных или интегральных, систем этих уравнений). Однако получить эти зависимости удается только для сравнительно простых РПС. Когда явления сложны и многообразны исследователю приходится идти на упрощенные представления сложных РПС. В результате аналитическая модель становится слишком грубым приближением к действительности. Если все же для сложных РПС удается получить аналитические модели, то зачастую они превращаются в трудно разрешимую проблему. Поэтому исследователь вынужден часто использовать имитационное моделирование .
Имитационное моделирование представляет собой численный метод проведения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими поведение реальных объектов, процессов и систем во времени в течение заданного периода. При этом функционирование РПС разбивается на элементарные явления, подсистемы и модули. Функционирование этих элементарных явлений, подсистем и модулей описывается набором алгоритмов, которые имитируют элементарные явления с сохранением их логической структуры и последовательности протекания во времени.
Имитационное моделирование - это совокупность методов алгоритмизации функционирования объектов исследований, программной реализации алгоритмических описаний, организации, планирования и выполнения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими функционирование РПС в течение заданного периода.
Под алгоритмизацией функционирования РПС понимается пооперационное описание работы всех ее функциональных подсистем отдельных модулей с уровнем детализации, соответствующем комплексу требований к модели.
"Имитационное моделирование" (ИМ)- это двойной термин. "Имитация" и " моделирование " - это синонимы. Фактически все области науки и техники являются моделями реальных процессов. Чтобы отличить математические модели друг от друга, исследователи стали давать им дополнительные названия. Термин "имитационное моделирование" означает, что мы имеем дело с такими математическими моделями, с помощью которых нельзя заранее вычислить или предсказать поведение системы, а для предсказания поведения системы необходим вычислительный эксперимент (имитация) на математической модели при заданных исходных данных.
Основное достоинство ИМ:
- возможность описания поведения компонент (элементов) процессов или систем на высоком уровне детализации;
- отсутствие ограничений между параметрами ИМ и состоянием внешней среды РПС;
- возможность исследования динамики взаимодействия компонент во времени и пространстве параметров системы;
Эти достоинства обеспечивают имитационному методу широкое распространение.
- Если не существует законченной постановки задачи исследования и идет процесс познания объекта моделирования. Имитационная модель служит средством изучения явления.
- Если аналитические методы имеются, но математические процессы сложны и трудоемки, и имитационное моделирование дает более простой способ решения задачи.
- Когда кроме оценки влияния параметров (переменных) процесса или системы желательно осуществить наблюдение за поведением компонент (элементов) процесса или системы (ПС) в течение определенного периода.
- Когда имитационное моделирование оказывается единственным способом исследования сложной системы из-за невозможности наблюдения явлений в реальных условиях (реакции термоядерного синтеза, исследования космического пространства).
- Когда необходимо контролировать протекание процессов или поведение систем путем замедления или ускорения явлений в ходе имитации.
- При подготовке специалистов для новой техники, когда на имитационных моделях обеспечивается возможность приобретения навыков в эксплуатации новой техники.
- Когда изучаются новые ситуации в РПС. В этом случае имитация служит для проверки новых стратегий и правил проведения натурных экспериментов.
- Когда особое значение имеет последовательность событий в проектируемых ПС и модель используется для предсказания узких мест в функционировании РПС.
Однако ИМ наряду с достоинствами имеет и недостатки:
- Разработка хорошей ИМ часто обходится дороже создания аналитической модели и требует больших временных затрат.
- Может оказаться, что ИМ неточна (что бывает часто), и мы не в состоянии измерить степень этой неточности.
- Зачастую исследователи обращаются к ИМ, не представляя тех трудностей, с которыми они встретятся и совершают при этом ряд ошибок методологического характера.
И тем не менее ИМ является одним из наиболее широко используемых методов при решении задач синтеза и анализа сложных процессов и систем.
Одним из видов имитационного моделирования является статистическое имитационное моделирование , позволяющее воспроизводить на ЭВМ функционирование сложных случайных процессов.
При исследовании сложных систем, подверженных случайным возмущениям используются вероятностные аналитические модели и вероятностные имитационные модели .
В вероятностных аналитических моделях влияние случайных факторов учитывается с помощью задания вероятностных характеристик случайных процессов (законы распределения вероятностей, спектральные плотности или корреляционные функции). При этом построение вероятностных аналитических моделей представляет собой сложную вычислительную задачу . Поэтому вероятностное аналитическое моделирование используют для изучения сравнительно простых систем.
Подмечено, что введение случайных возмущений в имитационные модели не вносит принципиальных усложнений, поэтому исследование сложных случайных процессов проводится в настоящее время, как правило, на имитационных моделях .
В вероятностном имитационном моделировании оперируют не с характеристиками случайных процессов, а с конкретными случайными числовыми значениями параметров ПС. При этом результаты, полученные при воспроизведении на имитационной модели рассматриваемого процесса, являются случайными реализациями. Поэтому для нахождения объективных и устойчивых характеристик процесса требуется его многократное воспроизведение, с последующей статистической обработкой полученных данных. Именно поэтому исследование сложных процессов и систем, подверженных случайным возмущениям, с помощью имитационного моделирования принято называть статистическим моделированием.
Имитационные модели
Имитационная модель воспроизводит поведе ние сложной системы взаимодействующих элемен тов. Для имитационного моделирования характерно наличие следующих обстоятельств (одновременно всех или некоторых из них):
- объект моделирования - сложная неоднородная система;
- в моделируемой системе присутствуют факторы случайного поведения;
- требуется получить описание процесса, развивающегося во времени;
- принципиально невозможно получить результаты моделирования без использования компьютера.
Состояние каждого элемента моделируемой системы описывается набором параметров, которые хранятся в памяти компьютера в виде таблиц. Взаимодействия элементов системы описываются алгоритмически. Моделирование осуществляется в пошаговом режиме. На каждом шаге моделирования изменяются значения параметров системы. Программа, реализующая имитационную модель, отражает изменение состояния системы, выдавая значения ее искомых параметров в виде таблиц по шагам времени или в последовательности происходящих в системе событий. Для визуализации результатов моделирования часто используется графическое представление, в т.ч. анимированное.
Детерминированное моделирование
Имитационная модель основана на подражании реальному процессу (имитации). Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения и т.д. Эти условия обычно задаются в вербальной форме. Например: по истечении некоторого промежутка времени микроорганизм делится на две части, а по прошествии другого (большего) временного отрезка - погибает. Выполнение описанных условий алгоритмически реализуется в модели.
Другой пример: моделирование движения молекул в газе, когда каждая молекула представляется в виде шарика с определенным направлением и скоростью движения. Взаимодействие двух молекул или молекулы со стенкой сосуда происходит согласно законам абсолютно-упругого столкновения и легко описывается алгоритмически. Получение интегральных (общих, усредненных) характеристик системы производится на уровне статистической обработки результатов моделирования.
Такой компьютерный эксперимент фактически претендует на воспроизведение натурного эксперимента. На вопрос: "Зачем это нужно делать?" можно дать следующий ответ: имитационное моделирование позволяет выделить "в чистом виде" следствия гипотез, заложенных в представления о микрособытиях (т.е. на уровне элементов системы), избавив их от неизбежного в натурном эксперименте влияния других факторов, о которых мы можем даже не подозревать. Если такое моделирование включает и элементы математического описания процессов на микроуровне, и если исследователь при этом не ставит задачу поиска стратегии регулирования результатов (например, управления численностью колонии микроорганизмов), то отличие имитационной модели от математической (дескриптивной) оказывается достаточно условным.
Приведенные выше примеры имитационных моделей (эволюция колонии микроорганизмов, движение молекул в газе) приводят к детерминиро ванному описанию систем. В них отсутствуют элементы вероятности, случайности событий в моделируемых системах. Рассмотрим пример моделирования системы, обладающей этими качествами.
Модели случайных процессов
Кому не случалось стоять в очереди и с нетерпением прикидывать, успеет ли он сделать покупку (или заплатить за квартиру, покататься на карусели и т.д.) за некоторое имеющееся в его распоряжении время? Или, пытаясь позвонить по телефону в справочную и натыкаясь несколько раз на короткие гудки, нервничать и оценивать - дозвонюсь или нет? Из таких "простых" проблем в начале XX века родилась новая отрасль математики - теория массового обслуживания, использующая аппарат теории вероятностей и математической статистики, дифференциальных уравнений и численных методов. Впоследствии выяснилось, что эта теория имеет многочисленные выходы в экономику, военное дело, организацию производства, биологию и экологию и т.д.
Компьютерное моделирование при решении задач массового обслуживания, реализуемое в виде метода статистических испытаний (метода Монте-Карло), играет важную роль. Возможности аналитических методов решения реально возникающих задач массового обслуживания весьма ограничены, в то время как метод статистических испытаний универсален и относительно прост.
Рассмотрим простейшую задачу этого класса. Имеется магазин с одним продавцом, в который случайным образом входят покупатели. Если продавец свободен, то он начинает обслуживать покупателя сразу, если зашло одновременно несколько покупателей - выстраивается очередь. Есть немало других аналогичных ситуаций:
- ремонтная зона я автохозяйстве и автобусы, сошедшие с линии из-за поломки;
- травмпункт и больные, пришедшие на прием по случаю травмы (т.е. без системы предварительной записи);
- телефонная станция с одним входом (или одной телефонисткой) и абоненты, которых при занятом входе ставят в очередь (такая система иногда
практикуется); - сервер локальной сети и персональные машины на рабочем месте, которые шлют сообщение серверу, способному воспринять разом и обработать не более одного сообщения.
Процесс прихода покупателей в магазин - случайный процесс. Промежутки времени между приходами любой последовательной пары покупателей - независимые случайные события, распределенные по некоторому закону, который может быть установлен лишь путем многочисленных наблюдений (либо для моделирования взят некоторый его правдоподобный вариант). Второй случайный процесс в этой задаче, никак не связанный с первым, - длительность обслуживания каждого из покупателей.
Целью моделирования систем такого вида является получение ответа на ряд вопросов. Относительно простой вопрос - какое в среднем время придется стоять и очереди при заданных законах распределения указанных выше случайных величин? Более сложный вопрос; каково распределение времен ожидания обслуживания в очереди? Не менее сложный вопрос: при каких соотношениях параметров входных распределений наступит кризис, при котором очередь до вновь вошедшего покупателя не дойдет никогда? Если задуматься над этой относительно простой задачей, возможные вопросы будут множиться.
Способ моделирования выглядит в общих чертах так. Используемые математические формулы - законы распределения исходных случайных величин; используемые числовые константы - эмпирические параметры, входящие в эти формулы. Не решается никаких уравнений, которые использовались бы при аналитическом исследовании данной задачи. Вместо этого происходит имитация очереди, разыгрываемая с помощью компьютерных программ, генерирующих случайные числа с заданными законами распределения. Затем производится статистическая обработка совокупности полученных значений величин, определяемых заданными целями моделирования. Например, находится оптимальное количество продавцов для разных периодов времени работы магазина, которое обеспечит отсутствие очередей. Математический аппарат, который здесь используется, называется методами математической статистики .
В статье "Моделирование экологических систем и процессов" описан другой пример имитацион ного моделирования: одна из многих моделей системы "хищник-жертва". Особи видов, находящихся в указанных отношениях, по определенным правилам, содержащим элементы случайности, перемещаются, хищники съедают жертв, и те и другие размножаются и т.д. Такая модель не содержит никаких математических формул, но требует стати стической обработки результатов.
Пример алгоритма детерминированной имитационной модели
Рассмотрим имитационную модель эволюции популяции живых организмов, известную под названием "Жизнь", которую легко реализовать на любом языке программирования.
Для построения алгоритма игры рассмотрим квадратное поле из п -\- 1 столбцов и строк с обычной нумерацией от 0 до п. Крайние граничные столбцы и строки для удобства определим как "мертвую зону", они играют лишь вспомогательную роль.
Для любой внутренней клетки поля с координатами (i,j) можно определить 8 соседей. Если клетка "живая", ее закрашиваем, если клетка "мертвая", она пустая.
Зададим правила игры. Если клетка (i,j) "живая" и ее окружает более трех "живых" клеток, она погибает (от перенаселения). "Живая" клетка также погибает, если в ее окружении находится менее двух "живых" клеток (от одиночества). "Мертвая" клетка оживает, если вокруг нее появляются три "живые" клетки.
Для удобства введем двумерный массив А , элементы которого принимают значение 0, если соответствующая клетка пустая, и 1, если клетка "живая". Тогда алгоритм определения состояния клетки с координатой (i , j ) можно определить следующим образом:
S:=A+A+A+A+A+A+A+A;
If (A = 1) And (S > 3) Or (S < 2)) Then B: =0;
If (A = 0) And (S = 3)
Then B: = 1;
Здесь массив Вопределяет координаты поля на "следующем этапе. Для всех внутренних клеток от i = 1 до n - 1 и j = 1 до n - 1 справедливо сказанное выше. Отметим, что последующие поколения определяются аналогично, стоит лишь осуществить процедуру переприсваивания:
For I: = 1 То N - 1 Do
For J: = 1 То N - 1 Do
A : = В ;
На экране дисплея удобнее выводить состояние поля не в матричном, а в графическом виде.
Осталось лишь определить процедуру задания начальнойконфигурации игрового поля. При случайном определении начального состояния клеток подходит алгоритм
For I: = 1 To K Do
Begin K1: = Random (N-1);
K2:= Random (N-1)+1;
End;
Интереснее для пользователя самому задавать начальную конфигурацию, что легко осуществить. В результате экспериментов с этой моделью можно найти,например, устойчивые расселения живых организмов, которые никогда не погибают, оставаясь неизменными или изменяя свою конфигурацию с определенным периодом. Абсолютно неустойчивым (гибнущим во втором поколении) является расселение "крестом".
В базовом курсе информатики ученики могут реализовать имитационную модель "Жизнь" в рамках раздела "Введение в программирование". Более основательное освоение имитационного моделирования может происходить в старших классах в профильном или элективном курсе информатики. Далее будет говориться о таком варианте.
Начало изучения - лекция об имитационном моделировании случайных процессов. В российской школе понятия теории вероятностей и математической статистики лишь начинают внедряться в курс математики, и учителю следует быть готовым к тому, чтобы самому сделать введение в этот важнейший для формирования мировоззрения и математической культуры материал. Подчеркнем, что речь идет об элементарном введении в круг обсуждаемых понятий; это можно сделать за 1-2 часа.
Потом обсуждаем технические вопросы, связанные с генерацией на ЭВМ последовательностей случайных чисел с заданным законом распределения. Опираться при этом можно на то, что в каждом универсальном языке программирования есть датчик равномерно распределенных на отрезке от 0 до 1 случайных чисел. На данном этапе нецелесообразно вдаваться в сложный вопрос о принципах его реализации. Опираясь на имеющиеся датчики случайных чисел, показываем, как можно устроить
а) генератор равномерно распределенных случайных чисел на любом отрезке [а, b];
б) генератор случайных чисел под практически любой закон распределения (например, используя интуитивно ясный метод "отбора-отказа").
Начать рассмотрение описанной выше задачи массового обслуживания целесообразно с обсуждения истории решения проблем массового обслуживания (задача Эрланга об обслуживании запросов на телефонной станции). Затем следует рассмотрение простейшей задачи, которую можно сформулировать на примере формирования и обследования очереди в магазине с одним продавцом. Отметим, что на первом этапе моделирования распределения случайных величин на входе можно принять равновероятными, что хоть и не реалистично, но снимает ряд трудностей (для генерации случайных чисел можно просто использовать встроенный в язык программирования датчик).
Обращаем внимание учащихся на то, какие вопросы ставятся в первую очередь при моделировании систем такого вида. Во-первых, это вычисление средних значений (математических ожиданий) некоторых случайных величин. Например, какое среднее время приходится стоять в очереди к прилавку? Или: найти среднее время, проведенное продавцом в ожидании покупателя.
Задача учителя, в частности, состоит в том, чтобы разъяснить, что выборочные средние сами по себе - случайные величины; в другой выборке того же объема они будут иметь другие значения (при больших объемах выборки - не слишком отличающиеся друг от друга). Далее.возможны варианты: в более подготовленной аудитории можно показать способ оценивания доверительных интервалов, в которых находятся математические ожидания соответствующих случайных величин при заданных доверительных вероятностях (известными из математической статистики методами без попытки обоснования). В менее подготовленной аудитории можно ограничиться чисто эмпирическим утверждением: если в нескольких выборках равного объема средние значения совпали в некотором десятичном знаке, то этот знак скорее всего верен. Если при моделировании не удается достичь желаемой точности, следует увеличить объем выборки.
В еще более подготовленной в математическом отношении аудитории можно ставить вопрос: каково распределение случайных величин, являющихся результатами статистического моделирования, при заданных распределениях случайных величин, являющихся его входными параметрами? Поскольку изложение соответствующей математической теории в данном случае невозможно, следует ограничиться эмпирическими приемами: построение гистограмм итоговых распределений и сравнение их с несколькими типичными функциями распределения.
После отработки первичных навыков указанного моделирования переходим к более реалистической модели, в которой входные потоки случайных событий распределены, например, по Пуассону. Это потребует от учащихся дополнительно освоить метод генерирования последовательностей случайных чисел с указанным законом распределения.
В рассмотренной задаче, как и в любой более сложной задаче об очередях, может возникнуть критическая ситуация, когда очередь неограниченно растет со временем. Моделирование приближения к критической ситуации по мере возрастания одного из параметров - интересная исследовательская задача для наиболее подготовленных учащихся.
На примере задачи об очереди отрабатываются сразу несколько новых понятий и навыков:
- понятия о случайных процессах;
- понятия и простейшие навыки имитационного моделирования;
- построение оптимизационных имитационных моделей;
- построение многокритериальных моделей (путем решения задач о наиболее рациональном обслуживании покупателей в сочетании с интересами
владельца магазина).
Задание :
-
Составить схему ключевых понятий;
- Подобрать практические задания с решениями для базового и профильного курсов информатики.
Имитационное моделирование является мощным инструментом исследования поведения реальных систем. Методы имитационного моделирования позволяют собрать необходимую информацию о поведении системы путем создания ее компьютерной модели. Эта информация используется затем для проектирования системы.
Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами в предметной области для проведения различных экспериментов.
Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны.
К имитационному моделированию прибегают, когда:
1. Дорого или невозможно экспериментировать на реальном объекте.
2. Невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные.
3. Необходимо сымитировать поведение системы во времени.
Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950х — 1960х годах.
Можно выделить две разновидности имитации:
1. Метод Монте-Карло (метод статистических испытаний);
2. Метод имитационного моделирования (статистическое моделирование).
В настоящее время выделяют три направления имитационных моделей:
1. Агентное моделирование — относительно новое (1990е-2000е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот. Когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы.
Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
2. Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов.
3. Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии.
Основные понятия построения модели
Имитационное моделирование основано на воспроизведении с помощью компьютеров развернутого во времени процесса функционирования системы с учетом взаимодействия с внешней средой.
Основой всякой имитационной модели (ИМ) является:
· разработка модели исследуемой системы на основе частных имитационных моделей (модулей) подсистем, объединенных своими взаимодействиями в единое целое;
· выбор информативных (интегративных) характеристик объекта, способов их получения и анализа;
· построение модели воздействия внешней среды на систему в виде совокупности имитационных моделей внешних воздействующих факторов;
· выбор способа исследования имитационной модели в соответствии с методами планирования имитационных экспериментов (ИЭ).
Условно имитационную модель можно представить в виде действующих, программно (или аппаратно) реализованных блоков.
На рисунке показана структура имитационной модели. Блок имитации внешних воздействий (БИВВ) формирует реализации случайных или детерминированных процессов, имитирующих воздействия внешней среды на объект. Блок обработки результатов (БОР) предназначен для получения информативных характеристик исследуемого объекта. Необходимая для этого информация поступает из блока математической модели объекта (БМО). Блок управления (БУИМ) реализует способ исследования имитационной модели, основное его назначение - автоматизация процесса проведения ИЭ.
Целью имитационного моделирования является конструирование ИМ объекта и проведение ИЭ над ней для изучения закономерностей функционирования и поведения с учетом заданных ограничений и целевых функций в условиях имитации и взаимодействия с внешней средой.
Принципы и методы построения имитационных моделей
Процесс функционирования сложной системы можно рассматривать как смену ее состояний, описываемых ее фазовыми переменными
Z1(t), Z2(t), Zn(t) в n - мерном пространстве.
Задачей имитационного моделирования является получение траектории движения рассматриваемой системы в n - мерном пространстве (Z1, Z2, Zn), а также вычисление некоторых показателей, зависящих от выходных сигналов системы и характеризующих ее свойства.
В данном случае “движение” системы понимается в общем смысле - как любое изменение, происходящее в ней.
Известны два принципа построения модели процесса функционирования систем:
1. Принцип Δt для детерминированных систем
Предположим, что начальное состояние системы соответствует значениям Z1(t0), Z2(t0), Zn(t0). Принцип Δt предполагает преобразование модели системы к такому виду, чтобы значения Z1, Z2, Zn в момент времени t1 = t0 + Δt можно было вычислить через начальные значения, а в момент t2 = t1+ Δt через значения на предшествующем шаге и так для каждого i-ого шага (t = const, i = 1 M).
Для систем, где случайность является определяющим фактором, принцип Δt заключается в следующем:
1. Определяется условное распределение вероятности на первом шаге (t1 = t0+ Δt) для случайного вектора, обозначим его (Z1, Z2, Zn). Условие состоит в том, что начальное состояние системы соответствует точке траектории.
2. Вычисляются значения координат точки траектории движения системы (t1 = t0+ Δt), как значения координат случайного вектора, заданного распределением, найденным на предыдущем шаге.
3. Отыскиваются условное распределение вектора на втором шаге (t2 = t1 + Δ t), при условии получения соответствующих значений на первом шаге и т.д., пока ti = t0 + i Δ t не примет значения (tМ = t0 + М Δ t).
Принцип Δ t является универсальным, применим для широкого класса систем. Его недостатком является неэкономичность с точки зрения затрат машинного времени.
2. Принцип особых состояний (принцип δz).
При рассмотрении некоторых видов систем можно выделить два вида состояний δz:
1. Обычное, в котором система находится большую часть времени, при этом Zi(t), (i=1 n) изменяются плавно;
2. Особое, характерное для системы в некоторые моменты времени, причем состояние системы изменяется в эти моменты скачком.
Принцип особых состояний отличается от принципа Δt тем, что шаги по времени в этом случае не постоянны, является величиной случайной и вычисляется в соответствии с информацией о предыдущем особом состоянии.
Примерами систем, имеющих особые состояния, являются системы массового обслуживания. Особые состояния появляются в моменты поступления заявок, в моменты освобождения каналов и т.д.
Основные методы имитационного моделирования.
Основными методами имитационного моделирования являются: аналитический метод, метод статического моделирования и комбинированный метод (аналитико-статистический) метод.
Аналитический метод применяется для имитации процессов в основном для малых и простых систем, где отсутствует фактор случайности. Метод назван условно, так как он объединяет возможности имитации процесса, модель которого получена в виде аналитически замкнутого решения, или решения полученного методами вычислительной математики.
Метод статистического моделирования первоначально развивался как метод статистических испытаний (Монте-Карло). Это - численный метод, состоящий в получении оценок вероятностных характеристик, совпадающих с решением аналитических задач (например, с решением уравнений и вычислением определенного интеграла). В последствии этот метод стал применяться для имитации процессов, происходящих в системах, внутри которых есть источник случайности или которые подвержены случайным воздействиям. Он получил название метода статистического моделирования.
Комбинированный метод (аналитико-статистический) позволяет объединить достоинства аналитического и статистического методов моделирования. Он применяется в случае разработки модели, состоящей из различных модулей, представляющих набор как статистических так и аналитических моделей, которые взаимодействуют как единое целое. Причем в набор модулей могут входить не только модули соответствующие динамическим моделям, но и модули соответствующие статическим математическим моделям.
Вопросы для самопроверки
1. Определить, что такое оптимизационная математическую модель.
2. Для чего могут использоваться оптимизационные модели?
3. Определить особенности имитационного моделирования.
4. Дать характеристику метода статистического моделирования.
5. Что есть модель типа «черный ящик», модель состава, структуры, модель типа «белый ящик»?
Введение
Одна из важных особенностей АСУ – принципиальная невозможность проведения реальных экспериментов до завершения проекта. Возможным выходом является использование имитационных моделей. Однако их разработка и использование чрезвычайно сложны, возникают затруднения в достаточно точном определении степени адекватности моделируемому процессу. Поэтому важно принять решение – какую создать модель.
Другой важный аспект – использование имитационных моделей в процессе эксплуатации АСУ для принятия решений. Такие модели создаются в процессе проектирования, чтобы их можно было непрерывно модернизировать и корректировать в соответствии с изменяющимися условиями работы пользователя.
Эти же модели могут быть использованы для обучения персонала перед вводом АСУ в эксплуатацию и для проведения деловых игр.
1. Понятие имитационного моделирования
Имитационное моделирование – это метод исследования, заключающийся в имитации на ЭВМ с помощью комплекса программ процесса функционирования системы или отдельных ее частей и элементов. Сущность метода имитационного моделирования заключается в разработке таких алгоритмов и программ, которые имитируют поведение системы, ее свойства и характеристики в необходимом для исследования системы составе, объеме и области изменения ее параметров.
Принципиальные возможности метода весьма велики, он позволяет при необходимости исследовать системы любой сложности и назначения с любой степенью детализации. Ограничениями являются лишь мощность используемой ЭВМ и трудоемкость подготовки сложного комплекса программ.
В отличие от математических моделей, представляющих собой аналитические зависимости, которые можно исследовать с помощью достаточно мощного математического аппарата, имитационные модели, как правило, позволяют проводить на них лишь одиночные испытания, аналогично однократному эксперименту на реальном объекте. Поэтому для более полного исследования и получения необходимых зависимостей между параметрами требуются многократные испытания модели, число и продолжительность которых во многом определяются возможностями используемой ЭВМ, а также свойствами самой модели.
Использование имитационных моделей оправдано в тех случаях, когда возможности методов исследования системы с помощью аналитических моделей ограничены, а натурные эксперименты по тем или иным причинам нежелательны или невозможны.
Даже в тех случаях, когда создание аналитической модели для исследования конкретной системы в принципе возможно, имитационное моделирование может оказаться предпочтительным по затратам времени ЭВМ и исследователя на проведение исследования. Для многих задач, возникающих при создании и функционировании АСУ, имитационное моделирование иногда оказывается единственным практически реализуемым методом исследования. Этим в значительной степени объясняется непрерывно возрастающий интерес к имитационному моделированию и расширение класса задач, для решения которых оно применяется.
Методы имитационного моделирования развиваются и используются в основном в трех направлениях: разработка типовых методов и приемов создания имитационных моделей; исследование степени подобия имитационных моделей реальным системам; создание средств автоматизации программирования, ориентированных на создание комплексов программ для имитационных моделей.
Различают два подкласса систем, ориентированных на системное и логическое моделирование. К подклассу системного моделирования относят системы с хорошо развитыми общеалгоритмическими средствами; с широким набором средств описания параллельно выполняемых действий, временных последовательностей выполнения процессов; с возможностями сбора и обработки статистического материала. В таких системах используют специальные языки программирования и моделирования – СИМУЛА, СИМСКРИПТ, GPSS и др. Первые два из этих языков являются подмножествами процедурно-ориентированных языков программирования типа ФОРТРАН, ПЛ/1, расширенными средствами динамических структур данных, операторами управления квазипараллельными процессами, специальными средствами сбора статистики и обработки списков. Эти дополнительные возможности позволяют вести статистические исследования моделей, поэтому такие системы иногда называют системами статистического моделирования.
К подклассу логического моделирования относят системы, позволяющие в удобной и сжатой форме отражать логические и топологические особенности моделируемых объектов, обладающие средствами работы с частями слов, преобразования форматов, записи микропрограмм. К этому подклассу систем относят языки программирования АВТОКОД, ЛОТИС и др.
В большинстве случаев при имитационном моделировании экономических, производственных и других организационных систем управления исследование модели заключается в проведении стохастических экспериментов. Отражая свойства моделируемых объектов, эти модели содержат случайные переменные, описывающие как функционирование самих систем, так и воздействия внешней среды. Поэтому наибольшее распространение получило статистическое моделирование.
Имитационная модель характеризуется наборами входных переменных
наблюдаемых или управляемых переменных
управляющих воздействий
возмущающих воздействий
Состояние системы в любой момент времени
и начальные условия Y(t0), R(t0), W(t0) могут быть случайными величинами, заданными соответствующим распределением вероятностей. Соотношения модели определяют распределение вероятностей величин в момент t + ∆t:Существуют два основных способа построения моделирующего алгоритма – принцип ∆t и принцип особых состояний.
Принцип ∆t. Промежуток времени (t0, t), в котором исследуется поведение системы, разбивают на интервалы длиной ∆t. В соответствии с заданным распределением вероятностей для начальных условий по априорным соображениям или случайным образом выбирают для начального момента t0 одно из возможных состояний z0(t0). Для момента t0 + ∆t вычисляется условное распределение вероятностей состояний (при условии состояния z0(t0)). Затем аналогично предыдущему выбирают одно из возможных состояний z0(t0 + ∆t), выполняют процедуры вычисления условного распределения вероятностей состояний для момента t0 + 2∆t и т.д.
В результате повторения этой процедуры до момента t0 + n∆t = T получают одну из возможных реализаций исследуемого случайного процесса. Таким же образом получают ряд других реализаций процесса. Описанный способ построения моделирующего алгоритма занимает много машинного времени.
Принцип особых состояний. Все возможные состояния системы Z(t) = {zi(t)} разбивают на два класса – обычные и особые. В обычных состояниях характеристики zi(t) меняются плавно и непрерывно. Особые состояния определяются наличием входных сигналов или выходом, по крайней мере, одной из характеристик zi(t) на границу области существования. При этом состояние системы меняется скачкообразно.
Моделирующий алгоритм должен предусматривать процедуры определения моментов времени, соответствующих особым состояниям, и величин характеристик системы в эти моменты. При известном распределении вероятностей для начальных условий выбирают одно из возможных состояний и по заданным закономерностям изменений характеристик zi(t) находят их величины перед первым особым состоянием. Таким же образом переходят ко всем последующим особым состояниям. Получив одну из возможных реализаций случайного многомерного процесса, с использованием аналогичных процедур строят другие реализации. Затраты машинного времени при использовании моделирующего алгоритма по принципу особых состояний обычно меньше, чем по принципу ∆t.
Имитационное моделирование используют в основном для следующих применений:
1) при исследовании сложных внутренних и внешних взаимодействий динамических систем с целью их оптимизации. Для этого изучают на модели закономерности взаимосвязи переменных, вносят в модель изменения и наблюдают их влияние на поведение системы;
2) для прогнозирования поведения системы в будущем на основе моделирования развития самой системы и ее внешней среды;
3) в целях обучения персонала, которое может быть двух типов: индивидуальное обучение оператора, управляющего некоторым технологическим процессом или устройством, и обучение группы людей, осуществляющих коллективное управление сложным производственным или экономическим объектом.
В системах обоих типов комплекс программ задает некоторую обстановку на объекте, однако между ними имеется существенное различие. В первом случае программное обеспечение имитирует функционирование объектов, описываемых технологическими алгоритмами или передаточными функциями; модель ориентирована на тренировку психофизиологических характеристик человека, поэтому такие модели называются тренажерами. Модели второго типа гораздо сложнее. Они описывают некоторые аспекты функционирования предприятия или фирмы и ориентированы на выдачу некоторых технико-экономических характеристик при воздействии на входы чаще всего не отдельного человека, а группы людей, выполняющих различные функции управления;
4) для макетирования проектируемой системы и соответствующей части управляемого объекта с целью прикидочной проверки предполагаемых проектных решений. Это позволяет в наиболее наглядной и понятной заказчику форме продемонстрировать ему работу будущей системы, что способствует взаимопониманию и согласованию проектных решений. Кроме того, такая модель позволяет выявить и устранить возможные неувязки и ошибки на более ранней стадии проектирования, что на 2–3 порядка снижает стоимость их исправления.
Имитационные математические модели применяются тогда, когда техническая система особенно сложна или когда необходим высокий уровень детализации представления процессов, протекающих в ней. К таким системам можно отнести экономические и производственные объекты, морские порты, аэропорты, комплексы перекачки нефти и газа, ирригационные системы, программное обеспечение сложных систем управления, вычислительные сети и многие другие. Для таких технических систем ради получения аналитической математической модели исследователь вынужден накладывать жёсткие ограничения на модель и прибегать к упрощениям. При этом приходится пренебрегать некоторыми особенностями технической системы, что приводит к тому, что математическая модель перестаёт быть средством изучения сложной системы. В имитационных моделях моделируемый алгоритм поведения технической системы приближённо воспроизводит сам процесс-оригинал в смысле его функционирования во времени. При этом имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и порядка протекания во времени. Таким образом, реализуется на ЭВМ специальный алгоритм, который воспроизводит формализованный процесс поведения технической системы. Этот алгоритм по исходным данным позволяет получить информацию об изменении во времени t состояний и откликов модели. В этом алгоритме можно выделить три функциональные части: моделирование элементарных подпроцессов; учёт их взаимодействия и объединение их в единый процесс; обеспечение согласованной работы отдельных подпроцессов при реализации математической модели на ЭВМ. Влияние случайных факторов на течение процесса имитируется с помощью генераторов случайных чисел с заданными вероятностными характеристиками. В ходе имитации постоянно фиксируется статистика о состояниях системы и изменениях откликов. Эта статистика либо должным образом обрабатывается в ходе имитации, либо накапливается и по окончании заданного интервала моделирования ТМ обрабатывается статистическими методами. Как видим, идея имитации привлекательна по своей простоте, но дорога по реализации. Поэтому применяются имитационные модели только в тех случаях, когда другие способы моделирования неэффективны.
Модель – представление объекта, системы или понятия (идеи) в некоторой форме, отличной от формы их реального существования.
Имитационная модель - логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.
Имитационное моделирование - метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности.
Такую модель можно использовать любое количество времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.
Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами - разработке симулятора исследуемой предметной области для проведения различных экспериментов.
Этапы:
формулировка проблемы;
построение математической модели функционирования системы;
составление и отладка программы для ЭВМ, включая и разработку процедур моделирования различных случайных факторов;
планирование имитационных экспериментов;
проведение экспериментов и обработка результатов исследования.
Принципы построения ИМ модели:
Принцип Δt.
Принцип состоит в том, что алгоритмом моделирования имитируется движение, то есть изменение состояния системы, в фиксированные моменты времени: t, t + Δt, t + 2Δt, t + 3Δt, …
Для этого заводится счетчик времени (часы), который на каждом цикле увеличивает свое значение t на величину шага во времени Δt, начиная с нуля (начало моделирования). Таким образом, изменения системы отслеживаются такт за тактом в заданные моменты: t, t + Δt, t + 2Δt, t + 3Δt, …
Принцип особых состояний.
К примеру, состояние, в котором обычно находится система, обычным состоянием. Такие состояния интереса не представляют, хотя занимают большую часть времени.
Особые состояния - это такие состояния в изолированные моменты времени, в которых характеристики системы изменяются скачкообразно. Для изменения состояния системы нужна определенная причина, например, приход очередного входного сигнала. Ясно, что с точки зрения моделирования интерес представляет именно изменение характеристик системы, то есть принцип требует от нас отслеживать моменты перехода системы из одного особого состояния в другое.