имитационное моделирование как метод организации современной андрагогической практики предполагает

Имитационное моделирование: создание терминов

История создания терминов

При создании методики по имитационному моделированию мне понадобилось разобраться с терминами. Проблема была в том, что общепринятые термины не годились для описания статистических данных, собранных в процессе имитации. Термины: процесс и экземпляры процесса были неприемлемы, потому что я не мог работать в парадигме Аристотеля. Парадигма Аристотеля не стыкуется с примененным мной матаппаратом. При этом практическое применение данной методики было простое – моделирование и имитация бизнес-объектов с целью принятия управленческих решений. В программе создавался виртуальный объект, описание которого состояло из описания сценариев и их взаимодействия. Сценарии прогонялись внутри программы, а также моделировались ресурсы и их взаимодействия.

Напомню, что:

Имитационное моделирование — метод исследования объектов, основанный на том, что изучаемый объект заменяется имитирующим объектом. С имитирующим объектом проводят эксперименты (не прибегая к экспериментам на реальном объекте) и в результате получают информацию об изучаемом объекте. Имитирующий объект при этом являет из себя информационный объект.

Цель имитационного моделирования — получение приближенных знаний о некотором параметре объекта, не производя непосредственное измерение его значений. Понятно, что это необходимо тогда и только тогда, когда измерение невозможно, или оно стоит дороже проведения имитации. При этом для изучения этого параметра мы можем пользоваться другими известными параметрами объекта и моделью его конструкции. Допуская, что модель конструкции достаточно точно описывает объект, предполагается, что полученные в ходе имитации статистические распределения значений параметра моделирующего объекта будут в той или иной степени совпадать с распределением значений параметра реального объекта.

Понятно, что матаппарат, который был применен, — это статистическая математика. Понятно, что матстатистика не использует термины экземпляры и типы. Она работает с объектами и множествами. В итоге для написания методики я был вынужден был использовать логическую парадигму на основе которой создан стандарт ИСО 15926. Основой его является наличие объектов, классов и классов классов.

Я хочу поделиться некоторыми определениями, которые мне пришлось ввести для объяснения механизмов моделирования и анализа результатов имитации. Этих примеров будет достаточно, чтобы понять, с чем я имел дело, когда строил модель предметной области.

Примеры определений:

Операция

Событие

Источник

Имитационное моделирование

Рассмотрены базовые понятия, виды и инструментальные средства моделирования, этапы разработки компьютерных моделей сложных систем. Основное внимание уделено многоподходному инструменту моделирования объектов и процессов реального мира AnyLogic 7.3.6 и технологиям построения имитационных моделей в среде AnyLogic. Предназначено для бакалавров, обучающихся по направлению подготовки 27.03.05 «Инноватика», и может быть рекомендовано для бакалавров направления 11.03.01 «Радиотехника», магистров направлений 27.04.05 «Инноватика» и 11.04.01 «Радиотехника», а также аспирантов, научных работников и инженеров, специализирующихся в области математического моделирования сложных систем.

Оглавление

Приведённый ознакомительный фрагмент книги Имитационное моделирование предоставлен нашим книжным партнёром — компанией ЛитРес.

Методологические основы имитационного моделирования

1.1. Моделирование как научный метод

Моделирование является одним из способов решения практических задач. Зачастую решение проблемы нельзя найти путем проведения натурных экспериментов: строить новые объекты, разрушать или вносить изменения в уже имеющуюся инфраструктуру может быть слишком дорого, опасно или просто невозможно. В таких случаях целесообразно построить модель реальной системы, т. е. описать ее на языке моделирования. Данный процесс подразумевает переход на определенный уровень абстракции, опуская несущественные детали, с учетом только того, что считаем важным. Система в реальном мире всегда сложнее своей модели (рис. 1.1) [6].

Рис. 1.1. Моделирование реальных систем

Все этапы разработки модели — проекция реального мира в мир моделей, выбор уровня абстракции и выбор языка моделирования менее стандартизированы, чем процесс использования моделей для решения задач. Моделирование до сих пор больше искусство, чем наука.

После создания модели — а иногда и в процессе разработки — мы начинаем исследовать структуру и понимать поведение системы, проверять, как она ведет себя при определенных условиях, сравнивать различные сценарии и оптимизировать ее. Когда оптимальное решение будет найдено, мы сможем применить его в реальном мире.

В сущности, моделирование является поиском решения задачи в защищенном от риска мире моделей, в котором мы можем ошибаться, отменять операции, возвращаться в прошлое и начинать все сначала [6].

Моделирование дает предположительную информацию о неком фрагменте реальности. После определенных проверок она может оказаться истинной или ложной и потребовать построения новых моделей [1].

В науке, наряду с наблюдением, измерением, экспериментом и сравнением, эта процедура выступает как один из общенаучных методов. Однако моделирование можно рассматривать как особый интегрирующий метод. Его эффективность и универсализм возрастают по мере развития информационных технологий. В силу разных причин объект может быть недоступен (слишком мал или велик, далеко расположен, дорог, прекратил существование, например в результате аварии). Исключительная польза моделирования заключается в том, что можно экспериментировать не с самой системой, а с ее аналогом — моделью.

Моделирование — процесс отражения свойств одного объекта (оригинала) в другом объекте (модели). Это могут быть объекты «как есть» в целом и (или) их отдельные сущности — процессы и явления. Явления — например, поведение животного, состояния погоды — рассматриваются как сложные процессы.

В основу моделирования заложена процедура формализации — перевод свойств объекта на язык понятий предметной области, алгоритмов и математики.

Подобие модели объекту. Объект и модель находятся в отношении сходства, т. е. модель по каким-то признакам должна быть подобна изучаемому объекту. Это явление называют изоморфизмом (от греч. isos — равный и morphe — форма). Различают три вида подобия.

Первый вид подобия — подобное масштабирование. Примеры такого подобия: модели автомобилей, самолетов, кораблей, сооружений и т. д.

Второй вид подобия — косвенное подобие (математическая аналогия). Удачный математический аналог из других областей знаний может сильно упростить построение модели и ее анализ. Так, очень многие физические процессы могут быть описаны уравнениями, общий вид которых q = — Θ grad x (рис. 1.2).

Рис. 1.2. Тройная аналогия процессов переноса

Аналогичны законы Кулона и всемирного тяготения. Примером также может служить подобие электрических и механических явлений:

• колебание физического маятника:

Рис. 1.3. Когнитивная модель потребления промышленной продукции (энергии, металлов и т. п.): «+» — положительные связи (влияния); «–» — отрицательные связи (влияния)

Третий вид подобия — условное подобие, или подобие по соглашению. Примерами являются когнитивные модели (рис. 1.3), географические карты, масштабированные чертежи сооружений, зданий, структурные схемы (модели системного анализа). При этом внешне сходство объекта и модели может не соблюдаться.

Таким образом, объект моделирования и модель могут быть любой природы — материальными или абстрактными. Например, макет самолета — это материальная модель. Cхема производства — абстрактная модель. Уравнения физики — это описание абстракций разных явлений материального мира. Модели могут быть и абстракциями других моделей. Наследование (создание одних классов на базе других) в объектно-ориентированном программировании — наиболее характерный пример таких построений [1].

Адекватность моделей. Вид и свойства будущей модели определяются целями исследователя, использующего этот инструмент. В модели отражаются свойства объекта, соответствующие этим целям, которые определяют и уровни детализации модели. В первую очередь должны быть определены существенные свойства оригинала, характеризующие его как некую проблему, которую нужно решить с помощью модели [1].

При этом стоит помнить, что знать все свойства предмета вашего исследования нельзя. К тому же не будем забывать, метод — это инструмент, а универсальных инструментов не бывает. Означает ли это, что моделирование — ненадежный помощник? Нет. Во-первых, существует принцип множественности моделей. В соответствии с ним можно, а иногда — необходимо построить несколько моделей, позволяющих рассмотреть объект как проблему с различных позиций. К соответствующим решениям (моделям) можно идти, используя разные подходы. Например, создание модели поведения человека будет зависеть от разработки разных целей [1]:

1) добиться антропоморфной кинематики компьютерной модели тела человека;

2) получить модель характерных психических реакций человека;

3) смоделировать реакции различных социальных групп людей.

Во-вторых, существуют специальные процедуры проверки того, является ли модель точным представлением реальной системы, т. е. адекватна ли модель системе.

При верификации, т. е. проверке достоверности модели, определяется, правильно ли концептуальная модель (модельные допущения) преобразована в компьютерную программу [1].

Валидация — это процесс, позволяющий установить, является ли модель точным представлением системы для конкретных целей исследования. Определяющим моментом в этих процедурах является положение: «модель и ее результаты достоверны, если руководители проекта признают их правильными» [16]. В итоге, если модель «адекватна», ее можно использовать для принятия решений относительно системы, которую она представляет, как если бы они принимались на основании экспериментов с реальной системой.

В-третьих, итоговый результат (т. е. «хорошая» или «плохая» модель получится) зависит от личности разработчика. Моделирование как метод научного познания предполагает творческий подход к объекту и целям исследования.

В этом виде научного производства не обойтись без развитого воображения, умения анализировать и делать обобщения. Хорошие модели — это «мини-теории», и их создание требует нестандартного мышления [1].

1.2. Исходные понятия и определения

Теория основ математического и компьютерного моделирования предполагает содержательное и формальное определение категорий, дефиниций и понятий с целью построения математических моделей сложных систем [2].

Основными методологическими категориями теоретических основ моделирования являются понятия «объект», «класс», «отношение (связь)», «система», «элемент», «структура».

Определение понятия «объект» имеет различное толкование в зависимости от области рассмотрения. Если мы изучаем область имитационного моделирования, то в стратегии объектно-ориентированного подхода объект является первым важным понятием. Объект — это некоторая сущность в виртуальном пространстве, обладающая определенным состоянием и поведением, имеющая заданные значения свойств (атрибутов) и операций над ними.

Следующим важным понятием объектно-ориентированного подхода является «класс». Родственные по определенным характеристикам, поведению объекты объединяются в классы. В зависимости от характеристик одни и те же объекты могут быть в различных классах.

В одном из разделов современной математики «теории категорий» объект используется как термин для обозначения элементов произвольной категории, играющих роль множеств, групп, топологических пространств и т. п. Здесь также вводится понятие класса объектов и проводится изучение свойств отношений между математическими объектами, не зависящих от внутренней структуры объектов.

Понятие «отношение» определяет взаимное положение объектов, связи между объектами в виде иерархических, ассоциативных, алгоритмических, табличных и других структур.

Понятие «система» является основополагающим в теории математического моделирования. Существует несколько десятков различных определений понятия «система», используемых в зависимости от контекста, области знаний и целей исследования. Изучением систем занимаются такие научные дисциплины, как системология, кибернетика, системный анализ, теория систем, системная динамика и др. [2].

Система — это 1) целое, созданное из частей и элементов целенаправленной деятельности и обладающее новыми свойствами, отсутствующими у элементов и частей, его образующих; 2) объективная часть мироздания, включающая схожие и совместимые элементы, образующие особое целое, которое взаимодействует с внешней средой; 3) объективное единство закономерно связанных друг с другом предметов, явлений, сведений, а также знаний о природе, обществе и т. п. Допустимы и многие другие определения. Общим в них является то, что система есть некоторое правильное сочетание наиболее важных, существенных свойств изучаемого объекта. Каждый объект, чтобы его можно было считать системой, должен обладать четырьмя основными свойствами или признаками (целостностью и делимостью, наличием устойчивых связей, организацией и эмерджентностью).

Элемент — это простейшая неделимая часть системы, а ее свойства определяются конкретной задачей. Элемент всегда связан с самой системой. Элемент сложной системы может быть, в свою очередь, сложной системой в другой задаче.

Подсистема — компонент системы — объединение элементов, но по масштабу меньше, чем система в целом.

Система может включать большой перечень элементов, и ее целесообразно разделить на ряд подсистем [2].

Признаками системы являются множество составляющих ее элементов, единство главной цели для всех элементов, наличие связей между ними, целостность и единство элементов, наличие структуры и иерархичности, относительная самостоятельность и наличие управления этими элементами. Термин «организация» в одном из своих лексических значений означает также систему, но не любую, а в определенной мере упорядоченную, организованную.

Понятие «подсистема» выработано для анализа сложноорганизованных, саморазвивающихся систем, когда между элементами и системой имеются «промежуточные» комплексы, более сложные, чем элементы, но менее сложные, чем сама система. Они объединяют в себе разные части (элементы) системы, в своей совокупности способные к выполнению единой (частной) программы системы. Будучи элементом системы, подсистема, в свою очередь, оказывается системой по отношению к элементам, ее составляющим. Аналогично обстоит дело с отношениями между понятиями «система» и «элемент»: они переходят друг в друга. Иначе говоря, система и элемент относительны. С этой точки зрения вся материя представляется как бесконечная система систем. «Системами» могут быть системы отношений, детерминаций и т. п. [2].

Наряду с представлением об элементах в понятие о любой системе входит и представление о ее структуре.

Структура — это совокупность устойчивых отношений и связей между элементами. Сюда включается общая организация элементов, их пространственное расположение, связи между этапами развития и т. п.

По своей значимости для системы связи элементов (даже устойчивые) неодинаковы: одни малосущественны, другие существенны, закономерны. Структура прежде всего — это закономерные связи элементов. Среди закономерных наиболее значимы интегрирующие связи (или интегрирующие структуры). Они обусловливают интегрированность сторон объекта. В системе производственных отношений, например, имеются связи трех родов: относящиеся к формам собственности, к обмену деятельностью и к распределению. Все они существенны и закономерны. Но интегрирующую роль в этих отношениях играют отношения собственности (иначе — формы собственности). Интегрирующая структура является ведущей основой системы [2].

Существует ряд подходов к выделению систем по сложности и масштабу. Например, для систем управления удобно пользоваться классификацией по числу (количеству) элементов:

• малые (10–10 3 элементов);

• сложные (10 4 –10 7 элементов);

• ультрасложные (10 8 –10 30 элементов);

• суперсистемы (10 30 –10 200 элементов).

Большая система — это всегда совокупность материальных и энергетических ресурсов, средств получения, передачи и обработки информации, людей, которые принимают решение на разных уровнях иерархии. В настоящее время для понятий «сложная система» и «большая система» используют такие определения:

• cложная система — упорядоченное множество структурно взаимосвязанных и функционально взаимодействующих разнотипных систем, которые объединены структурно в целостный объект функционально разнородными взаимосвязями для достижения заданных целей в определенных условиях;

Источник

Имитационное моделирование как метод организации современной андрагогической практики предполагает

10. Имитационное моделирование. История, принципы, примеры.

Статистическое моделирование – метод исследования сложных систем, основанный на описании процессов функционирования отдельных элементов в их взаимосвязи с целью получения множества частных результатов, подлежащих обработке методами математической статистики для получения конечных результатов. В основе статистического моделирования лежит метод статистических испытаний – метод Монте-Карло.

Имитационная модель – универсальное средство исследования сложных систем, представляющее собой логико-алгоритмическое описание поведения отдельных элементов системы и правил их взаимодействия, отображающих последовательность событий, возникающих в моделируемой системе.

Если статистическое моделирование выполняется с использованием имитационной модели, то такое моделирование называется имитационным.

Понятия «статистическое и имитационное моделирование» часто рассматривают как синонимы. Однако следует иметь в виду, что статистическое моделирование не обязательно является имитационным.

Например, вычисление определённого интеграла методом Монте-Карло путем определения подынтегральной площади на основе множества статистических испытаний, относится к статистическому моделированию, но не может называться имитационным.

Наиболее широкое применение имитационное моделирование получило при исследовании сложных систем с дискретным характером функционирования, в том числе моделей массового обслуживания. Для описания процессов функционирования таких систем обычно используются временные диаграммы.

Временная диаграмма – графическое представление последовательности событий, происходящих в системе. Для построения временных диаграмм необходимо достаточно четко представлять взаимосвязь событий внутри системы. Степень детализации при составлении диаграмм зависит от свойств моделируемой системы и от целей моделирования.

Поскольку функционирование любой системы достаточно полно отображается в виде временной диаграммы, имитационное моделирование можно рассматривать как процесс реализации диаграммы функционирования исследуемой системы на основе сведений о характере функционирования отдельных элементов и их взаимосвязи.

Имитационное моделирование обычно проводится на ЭВМ в соответствии с программой, реализующей заданное конкретное логико-алгоритмическое описание. При этом несколько часов, недель или лет работы исследуемой системы могут быть промоделированы на ЭВМ за несколько минут. В большинстве случаев модель является не точным аналогом системы, а скорее её символическим отображением. Однако такая модель позволяет производить измерения, которые невозможно произвести каким-либо другим способом.

Имитационное моделирование обеспечивает возможность испытания, оценки и проведения экспериментов с исследуемой системой без каких-либо непосредственных воздействий на нее.

Первым шагом при анализе любой конкретной системы является выделение элементов, и формулирование логических правил, управляю щих взаимодействием этих элементов. Полученное в результате этого описание называется моделью системы. Модель обычно включает в себя те аспекты системы, которые представляют интерес или нуждаются в исследовании.

Поскольку целью построения любой модели является исследование характеристик моделируемой системы, в имитационную модель должны быть включены средства сбора и обработки статистической информации по всем интересующим характеристикам, основанные на методах математической статистики.

Имитационное моделирование основано на воспроизведении с помощью ЭВМ 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 рис. 3.1. 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 закона функционирования и поведения с учетом заданных ограничений и целевых функций в условиях иммитации и взаимодействия с внешней средой.

К достоинствам метода имитационного моделирования могут быть отнесены:

· проведение ИЭ над ММ системы, для которой натурный эксперимент не осуществим по этическим соображениям или эксперимент связан с опасностью для жизни, или он дорог, или из-за того, что эксперимент нельзя провести с прошлым;

· решение задач, аналитические методы для которых неприменимы, например, в случае непрерывно- дискретных факторов, случайных воздействий, нелинейных характеристик элементов системы и т.п.;

· возможность анализа общесистемных ситуаций и принятия решения с помощью ЭВМ, в том числе для таких сложных систем, выбор критерия сравнения стратегий поведения которых на уровне проектирования не осуществим;

· сокращение сроков и поиск проектных решений, которые являются оптимальными по некоторым критериям оценка эффективности;

· проведение анализа вариантов структуры больших систем, различных алгоритмов управления изучения влияния изменений параметров системы на ее характеристики и т.д.

Вариант 2 (понятие имитационной модели)

Имитационная модель – универсальное средство исследования сложных систем, представляющее собой логико-алгоритмическое описа-ние поведения отдельных элементов системы и правил их взаимодействия, отображающих последовательность событий, возникающих в моделируе-мой системе.

Если статистическое моделирование выполняется с использованием имитационной модели, то такое моделирование называется имитационным.

Как было рассмотрено в главе 1, математические модели могут быть аналитическими, численными, алгоритмическими и имитационными. Когда явления в сложной системе настолько сложны и многообразны, что аналитическая модель становится слишком грубым приближением к действительности, то исследователь вынужден использовать имитационное моделирование [4, 17, 23, 27]. 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 [29].

При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы во времени, причем имитируются явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы [14].

Имитационное моделирование позволяет осуществлять многократные испытания модели с нужными входными данными, чтобы определить их влияние на выходные критерии оценки работы системы. При таком моделировании компьютер используется для численной оценки модели, а с помощью полученных данных рассчитываются ее реальные характеристики.

Имитационное моделирование может применяться в самых различных сферах деятельности. Ниже приведен список задач, при решении которых моделирование особенно эффективно [14]:

– проектирование и анализ производственных систем;

– оценка различных систем вооружений и требований к их материально-техническому обеспечению;

– определение требований к оборудованию и протоколам сетей связи;

– определение требований к оборудованию и программному обеспечению различных компьютерных систем;

– проектирование и анализ работы транспортных систем, например: аэропортов, автомагистралей, портов и метрополитена;

– оценка проектов создания различных организаций массового обслуживания, например: центров обработки заказов, заведений быстрого питания, больниц, отделений связи;

– модернизация различных процессов в деловой сфере;

– определение политики в системах управления запасами;

– анализ финансовых и экономических систем;

– при подготовке специалистов и освоении новой техники на имитаторах (тренажѐрах).

Например, имитационное моделирование может использоваться при рассмотрении производственной компанией возможности постройки больших дополнительных помещений для одного из ее подразделений, если руководство компании не уверено, что потенциальный рост производительности сможет оправдать затраты на строительство. Невозможно соорудить помещения, а затем убрать их в случае нерентабельности, в то время как моделирование работы производственной компании в ее текущем состоянии и с якобы созданными дополнительными помещениями помогает в решении этой проблемы.

В качестве второго примера можно рассмотреть случай, когда необходимо определить загруженность ресурсов (оборудование или люди) предприятия и принять управленческое решение по закупке нового оборудования или найме/увольнении сотрудников. Реальные действия могут привести к ненужным затратам: купили новое оборудование, а оно простаивает, уволили людей, а в реальности оказалось, что оставшийся персонал не справляется с объемом работы. Имитационные модели позволяют достаточно просто учитывать такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия и другие, которые часто создают трудности при аналитических исследованиях. В настоящее время имитационное моделирование – наиболее эффективный метод исследования больших систем, а часто и единственный практически доступный метод получения информации о поведении системы, особенно на этапе ее проектирования [14]. В настоящее время имитационное моделирование широко применяется в мире для исследования сложных систем. Этому способствуют преимущества, присущие этому методу, а именно:

1. Большинство сложных реальных систем с вероятностными параметрами нельзя точно описать с использованием математических моделей.

2. Путем моделирования можно разработать ряд альтернативных вариантов моделей системы и затем определить, какой из них наиболее соответствует исходным требованиям.

3. Имитационное моделирование в ряде случаев гораздо менее затратное, чем проведение экспериментов с реальными системами. Тем более, что иногда эксперименты на реальных системах в принципе невозможны.

4. Моделирование позволяет изучить длительный интервал функционирования системы в сжатые сроки или, наоборот, изучить более подробно работу системы в развернутый интервал времени [14].

5. При динамическом имитационном моделировании можно получать любое количество оценок вероятностной модели, проводя ее прогоны. Подробное изучение полученных оценок приемлемо использовать при оптимизации модели.

Этапы имитационного моделирования

История

Известные специалисты в области имитационного моделирования Р. Нэнси и Ф.Кивиат в своих работах определяли несколько этапов в практике развития имитационного моделирования (таблица 1).

Этап 1 (1955-1960). Программы для задач моделирования разрабатывались на основе таких общеизвестных универсальных языков как FORTRAN и ALGOL.

Этап 2 (1961-1965). Появились первые языки моделирования: GPSS, SIMSCRIPT, SIMULA, CSL, SOL. Была разработана так называемая концепция взгляда на мир (world view).

Этап 3 (1965-1970). Появилось второе поколение языков моделирования GPSS V, SIMSCRIPT II.5, SIMULA 67.

Этап 4 (1971-1978). Развитие уже разработанных языков и средств моделирования, ориентированное на прежде всего повышение эффективности процессов моделирования и превращение моделирования в более простой и быстрый метод исследования сложных систем.

Работы Зейглера (Zeigler) и Ёрена (Oren) сыграли важную роль в решении проблемы таксономии имитационных моделей (они ввели мета концепции модели и схемы эксперимента).

Этап 5 (1979-1984). Годы перехода от программирования к развитию моделей. Основной акцент был перенесен на идентификацию интегрированных средств имитационного моделирования.

Процесс моделирования включает такие этапы, как создание модели, программирование, проведение имитационных экспериментов, обработку и интерпретацию результатов моделирования. Однако традиционно предпочтение отдавалось этапу программирования. Возникающая при этом схема моделирования во многом повторяет схему проведения натурных испытаний и сводится лишь к имитации траекторий изученных моделей. С появлением имитационных моделей изменилась концепция моделирования, которая теперь рассматривается как единый процесс построения и исследования моделей, имеющий программную поддержку. Теперь во главу угла ставится формальное понятие модели, которое не только поясняет динамику системы, но и служит предметом математических исследований. Становится возможным достоверный анализ многих практически важных свойств модели (стационарных распределений, малых вероятностей, чувствительности, надежности и достоверности результатов моделирования). Эти свойства особенно существенны при исследовании высокоответственных и крупно масштабных систем, где цена ошибки особенно высока.

Этап 6 (1985-1994). Перенос программного обеспечения для имитационного моделирования на персональные ЭВМ с использованием средств графического интерфейса (для визуализации и анимации процессов моделирования).

Этап 7 (1995-1998). Разработка средств технологической поддержки процессов распределенного имитационного моделирования на мультипроцессорных ЭВМ и сетях.

Принципы и методы построения имитационных моделей

Процесс функционирования сложной системы можно рассматривать как смену ее состояний, описываемых ее фазовыми переменными

Z 1( t ), Z 2( t ), … Zn ( t ) в n – мерном пространстве.

Задачей имитационного моделирования является получение траектории движения рассматриваемой системы в n – мерном пространстве ( Z 1, Z 2, … 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:

Для систем, где случайность является определяющим фактором, принцип Δ t заключается в следующем:

1. Определяется условное распределение вероятности на первом шаге ( t 1= t 0+ Δ t ) для случайного вектора, обозначим его ( Z 1, Z 2, … Zn ). Условие состоит в том, что начальное состояние системы соответствует точке траектории.

2. Вычисляются значения координат точки траектории движения системы ( t 1= t 0+ Δ t ), как значения координат случайного вектора, заданного распределением, найденным на предыдущем шаге.

3. Отыскиваются условное распределение вектора на втором шаге ( t 2= t 1+ Δ t ), при условии получения соответствующих значений на первом шаге и т.д., пока ti = t 0+ iΔt не примет значения ( t М= t 0+ Δ М t ).

Принцип Δ t является универсальным, применим для широкого класса систем. Его недостатком является неэкономичность с точки зрения затрат машинного времени.

Принцип особых состояний (принцип ). При рассмотрении некоторых видов систем можно выделить два вида состояний:

· обычное, в котором система находится большую часть времени, при этом Zi ( t ), ( i =1 n ) изменяются плавно.

· особое, характерное для системы в некоторые моменты времени, причем состояние системы изменяется в эти моменты скачком.

Принцип особых состояний отличается от принципа Δ t тем, что шаг по времени в этом случае не постоянен, 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.

Для таких систем применение принципа Δ t является нерациональным, так как при этом возможны пропуски особых состояний и необходимы методы их обнаружения.

В практике использования имитационного моделирования описанные выше принципы при необходимости комбинируют.

На рис. 3.2. приведена аналоговая схема дифференцирующего фильтра.

Процесс, происходящий в фильтре, описывается дифференциальным уравнением:

х( t ) – входной сигнал.

Задав начальное условие Z ( t 0)= Z 0 можно построить траекторию процесса, происходящего в фильтре, с целью получения текущего значения производной любой детерминированной функции x ( t ), подаваемой на вход.

Пример применения принципа особых состояний.

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. Например, когда процесс их функционирования описан дифференциальными или интегродифференциальными уравнениями. 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. В параграфах 2-5 данного раздела излагается суть этого метода.

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.

Преимущества имитационного моделирования

Применение имитационных моделей дает множество преимуществ по сравнению с выполнением экспериментов над реальной системой и использованием других методов.

Стоимость. Допустим, компания уволила часть сотрудников, что в дальнейшем привело к снижению качества обслуживания и потери части клиентов. Принять обоснованное решение помогла бы имитационная модель, затраты на применение которой состоят лишь из цены программного обеспечения и стоимости консалтинговых услуг.

Время. В реальности оценить эффективность, например, новой сети распространения продукции или измененной структуры склада можно лишь через месяцы или даже годы. Имитационная модель позволяет определить оптимальность таких изменений за считанные минуты, необходимые для проведения эксперимента.

Повторяемость. Современная жизнь требует от организаций быстрой реакции на изменение ситуации на рынке. Например, прогноз объемов спроса продукции должен быть составлен в срок, и его изменения критичны. С помощью имитационной модели можно провести неограниченное количество экспериментов с разными параметрами, чтобы определить наилучший вариант.

Точность. Традиционные расчетные математические методы требуют применения высокой степени абстракции и не учитывают важные детали. Имитационное моделирование позволяет описать структуру системы и её процессы в естественном виде, не прибегая к использованию формул и строгих математических зависимостей.

Наглядность. Имитационная модель обладает возможностями визуализации процесса работы системы во времени, схематичного задания её структуры и выдачи результатов в графическом виде. Это позволяет наглядно представить полученное решение и донести заложенные в него идеи до клиента и коллег.

Универсальность. Имитационное моделирование позволяет решать задачи из любых областей: производства, логистики, финансов, здравоохранения и многих других. В каждом случае модель имитирует, воспроизводит, реальную жизнь и позволяет проводить широкий набор экспериментов без влияния на реальные объекты.

Источник