Имитационное моделирование
Покупка
Тематика:
Системы автоматического моделирования
Автор:
Салмина Нина Юрьевна
Год издания: 2015
Кол-во страниц: 118
Дополнительно
Рассматриваются общие понятия имитационного моделирования, некоторые вопросы статистического моделирования. Проведено общее описание программных средств моделирования систем и языков моделирования.
Рассмотрен язык моделирования GPSS: синтаксис, особенности применения, возможности применения языка для исследования различных систем и объектов, статистический анализ результатов моделирования. Теоретический материал иллюстрируется многочисленными примерами. Предназначено для студентов, обучающихся по направлению 080700 «Бизнес-информатику» и студентов родственных направлений.
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 38.03.05: Бизнес-информатика
- ВО - Магистратура
- 38.04.05: Бизнес-информатика
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СИСТЕМ УПРАВЛЕНИЯ И РАДИОЭЛЕКТРОНИКИ Н.Ю. Салмина ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ Учебное пособие 2015
Рассматриваются общие понятия имитационного моделирования, некоторые вопросы статистического моделирования. Проведено общее описание программных средств моделирования систем и языков моделирования. Рассмотрен язык моделирования GPSS: синтаксис, особенности применения, возможности применения языка для исследования различных систем и объектов, статистический анализ результатов моделирования. Теоретический материал иллюстрируется многочисленными примерами. Предназначено для студентов, обучающихся по направлению 080700 «Бизнес-информатика» и студентов родственных направлений.
СОДЕРЖАНИЕ
Введение……………………………………………………………………………..4
1. Организация статистического моделирования систем………………………..12
1.1. Общая характеристика метода……………………………………………..12
1.2. Псевдослучайные числа и процедуры их машинной генерации………...16
1.3. Моделирование случайных воздействий……………………………….....18
1.4. Идентификация закона распределения………………………………..…..28
2. Язык моделирования систем GPSS…………..........……….…………………….34
2.1. Программные средства имитационного моделирования…………………..34
2.2. Общие сведения о языке GPSS………………………………………………36
2.3. Синтаксис языка………………………………………………………..…..40
2.4. Блоки языка GPSS……………………………………………………..……43
2.4.1. Создание и уничтожение транзактов………………………….……43
2.4.2. Задержка транзактов в блоках……………………..………………..45
2.4.3. Работа с устройствами…………………………………..…………...47
2.4.4. Сбор статистических данных с помощью очередей……………….48
2.4.5. Функции ……………………………………………………………...50
2.4.6. Изменение маршрутов сообщений …………………………….…..54
2.4.7. Работа с памятью…………………………………...………………...58
2.4.8. Вычислительные объекты языка……………………..……………...61
2.4.9. Приоритеты……………………………………..………………….…67
2.4.10. Изменение параметров транзакта ………………...…………….…67
2.4.11. Косвенная адресация………………………………………………..70
2.4.12. Списки………………………………………………..……………...70
2.4.13. Статистические таблицы ……………………...……………….…..72
2.4.14. Логические переключатели………………….………………….….76
2.4.15. Синхронизация транзактов………………………..……………..…78
2.4.16. Прерывание работы устройства………………...………………….81
2.4.17. Организация циклов…………………………..…………………….84
2.4.18. Работа с группами………………...………………………………...85
2.4.19. Системное время…………………………...…………………….…90
2.4.20. Работа с потоками данных………………………..………………..93
2.4.21. Управляющие блоки……………………………...………………...96
2.5. Внутренняя организация GPSS……………………..……………………...98
Заключение………………………………………………………………………...104
Литература ………………………………………………………………………...105
Глоссарий ……………………………………………………………………...….106
Приложение…………………………………………………………………….…109
ВВЕДЕНИЕ Управление в современном мире становится все более трудным делом, поскольку организационная структура общества усложняется. Исследованию подвергаются все более и более сложные системы, в которых изменение одной из характеристик может легко привести к изменениям во всей системе или создать потребность в изменениях в других частях системы. Соответственно возникает необходимость в использовании все более сложных методов научных исследований. Известны три общих направления в научных исследованиях: экспериментальное и теоретическое исследования и компьютерное моделирование. Экспериментальные исследования проводятся с реальным объектом в форме натурного эксперимента. В результате получают экспериментальные данные о поведении и свойствах объекта исследования. Известны две стратегии проведения натурного эксперимента: активная и пассивная. В первом случае экспериментатор имеет возможность изменять внешние условия, определяющие состояние объекта, во втором — такой возможности нет. В этом случае говорят о наблюдении за изменениями состояния объекта — исследования (социальные, природные) соответствующих объектов длительны и трудоемки. Теоретические исследования. Теория имеет дело не с реальным объектом исследования, а с его идеализированным представлением, допускающим применение адекватного математического аппарата для формального описания объекта. Здесь основой является некая совокупность фактов, полученная в результате наблюдений или натурного эксперимента. В результате теоретического осмысления фактов у исследователей возникает ряд гипотез, объясняющих поведение и свойства объекта. При последующей экспериментальной проверке одна из гипотез может принять форму научного закона. Однако этот традиционный путь формирования теоретического знания в случае сложных систем оказывается неприменимым, и роль законов выполняют математические методы. Разрабатывается математический аппарат теории, который обеспечивает возможность проведения исследования объекта аналитическими методами. Но и
эти методы в реальных ситуациях часто оказываются неприменимыми. Причины: недостаточная разработанность математического аппарата; чрезмерно большая размерность решаемой задачи; наличие большого числа случайных факторов. Возникает необходимость использования компьютерного моделирования. Компьютерное моделирование. При использовании экспериментальных и теоретических методов исследования создается (накапливается) исходная информация об объекте исследования, а модель используется как средство интеграции и хранения знаний об объекте исследования. Так, теоретические исследования проводятся с целью построения модели, а натурный эксперимент проводится с целью проверки адекватности модели. Здесь модель играет прикладную роль, она является и результатом исследования и средством хранения знаний об объекте исследований. Различают два вида компьютерных экспериментов: вычислительный и имитационный. Модель при вычислительном эксперименте строится в виде уравнений (дифференциальных, алгебраических и пр.). При этом приходится использовать численные методы и комплексы эффективных вычислительных алгоритмов. В отличие от вычислительных экспериментов модели в имитационных экспериментах из-за отсутствия теории объекта описывают поведение реального объекта и реализуются в виде набора алгоритмов, отображающих ситуации, возникающие в состоянии моделируемого объекта и изменяющиеся по определенным сценариям. Результатами имитационного эксперимента являются не численные решения каких-либо уравнений модели, а реализации созданных с помощью компьютера процессов, имитирующих поведение реального объекта. Термин «реальный» будем использовать в смысле «существующий или способный принять одну из форм существования», т.е. системы, находящиеся только в стадии планирования или разработки, могут моделироваться так же, как и действующие системы. В настоящее время, при исследовании сложных систем все чаще предпочтение отдается именно имитационному моделированию. Это обусловлено как стремительным развитием компьютерной техники, так и совершенствованием
программного обеспечения, к которому относятся и языки имитационного моделирования. Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами — разработке симулятора (simulation modeling) исследуемой предметной области для проведения различных экспериментов. Под имитационной моделью понимают логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта. Другими словами, имитационная модель — это компьютерная программа, которая описывает структуру и воспроизводит поведение реальной системы во времени. Имитационная модель позволяет получать подробную статистику о различных аспектах функционирования системы в зависимости от входных данных. 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. Модель служит обычно средством, помогающим нам в объяснении, понимании или совершенствовании системы. В настоящее время моделирование становится не только эффективным методом научных исследований сложных объектов, но и мощным инструментом конструирования и проектирования сложных систем. Качество решений задач, получаемых с помощью имитационного моделирования, определяется степенью адекватности модели реальному объекту (т.е. степенью соответствия результатов моделирования результатам работы реального объекта). Поэтому необходимо помнить, что подобно всем мощным средствам, существенно зависящим от искусства их при-менения (имитационное моделирование и экспериментирование во многом остаются ин
туитивными процессами), моделирование способно дать либо очень хорошие, либо очень плохие результаты; либо пролить свет на решение проблемы, либо ввести в заблуждение. Результат моделирования зависит от степени адекватности модели, правильности исходных предпосылок, умения исследователя правильно применять используемые методы, правильно интерпретировать результаты. В настоящее время существует несколько больших классов моделей. Так как выбор класса зависит от целей исследования и свойств сложной системы, рассмотрим основные функции, выполняемые моделями сложных систем [2]. 1. Объяснительная функция модели заключается в способности модели упорядочить нечеткие или противоречивые понятия: выявить взаимозависимости, временные соотношения; помочь интерпретировать данные натурного эксперимента. Уже сама попытка формализовать существующие явления и процессы помогает в понимании функционирования объекта; 2. Информационная функция заключается в возможности использования модели как средства для накопления и хранения знаний об объекте; 3. Обучающая функция модели может служить для обучения и тренажа лиц, которые должны уметь справляться с всевозможными случайностями до возникновения реальной критической ситуации (модели космических кораблей, различные тренажеры, деловые игры); 4. Предсказательная функция модели связана с возможностью прогнозировать с заданной точностью по некоторым данным натурных экспериментов поведение и свойства объекта (одна из наиболее важных); 5. Функция постановки и проведения экспериментов для объектов дает возможность характеризовать различные состояния объектов моделирования, таких, где экспериментирование на реальных системах невозможно или нецелесообразно (люди, природа, атомные реакторы). Зачастую одна модель может выполнять одновременно несколько функций (использоваться для проведения экспериментов и для прогноза; проведения экспериментов и объяснения; для обучения и накопления знаний). В общем случае модель может служить для достижения двух целей: описательной — для объяснения или лучшего понимания объекта; предписывающей
— для предсказания и/или воспроизведения характеристик объекта, определяющих его поведение. Обычно предписывающие модели являются и описательными, но не наоборот. Предписывающие модели явно предпочтительнее по своим возможностям, но сложнее по реализации, поэтому их построение не всегда возможно. Вероятно, в том что описательная модель не всегда полезна для целей планирования и проектирования и кроется одна из причин, по которой экономические модели, имеющие (или обнаруживающие) тенденцию к описательности, оказали небольшое воздействие на управление экономическими системами и мало применялись в качестве вспомогательного средства управления на высшем уровне, в то время как модели исследования операций (теория игр) по общему признанию оказали значительное воздействие на эти сферы. В моделях социальных систем наблюдается тенденция к описательности, объяснению явлений (слишком сложный объект моделирования); модели технических систем, предназначенные для разработки новых систем, носят и предписывающий, и описательный характер. Модели вообще, и имитационные модели в частности, можно классифицировать различными способами. К сожалению, ни один из них не является удовлетворительным, хотя каждый служит определенной цели. Укажем некоторые типовые группы моделей, которые могут быть положены в основу системы классификации: статические и динамические; детерминированные и стохастические; дискретные и непрерывные. Этапы моделирования С развитием вычислительной техники наиболее эффективным методом исследования больших систем стало машинное моделирование. Рассмотрим этапы машинного моделирования реальных систем: 0) определение цели и задач моделирования;
1) определение системы — установление границ, ограничений и измерителей эффективности изучаемой системы; 2) формулирование модели — переход от реальной системы к некоторой логической схеме (абстрагирование); 3) подготовка данных — отбор данных, необходимых для построения модели, и представление их в соответствующей форме; 4) трансляция модели — описание модели на языке программирования или моделирования; 5) оценка адекватности — оценка степени уверенности в достаточной корректности выводов о реальной системе, полученных на основании обращения к модели; 6) планирование эксперимента — решение задачи получения необходимой информации о системе с помощью компьютерной модели, с учетом ограничения на ресурсы; 7) экспериментирование — процесс осуществления имитации с целью получения желаемых данных и анализа чувствительности; 8) интерпретация — построение выводов по данным, полученным путем имитации; 9) реализация — практическое использование модели и/или результатов моделирования. Любое моделирование начинается с постановки задачи моделирования, то есть с ясного изложения целей моделирования. Цели обычно формируются в виде вопросов, на которые надо ответить, либо гипотез, которые надо проверить, либо воздействий, которые надо оценить. Для определения ограничений задачи моделирования необходимо выявить характеристики системы, подлежащей изучению. Для этого сначала устанавливаются граничные условия, то есть то, что является или не является частью изучаемой системы. Далее определяются существенные параметры и переменные системы, которые характеризуют объект изучения и позволяют установить основные ограничения задачи моделирования.
На этапе формулирования модели разрабатывается моделирующий алгоритм, с помощью которого имитируются явления, составляющие исследуемый процесс. С этим этапом тесно связан этап подготовки данных, в процессе которого определяется, в каком виде будут представлены параметры и переменные системы – в виде констант, либо в виде генерируемых последовательностей случайных чисел. На этапе трансляции модели возникает проблема ее описания на языке, приемлемом для использования компьютера. Здесь использование специальных языков моделирования вместо универсальных существенно экономит время программирования. Процесс проверки адекватности модели включает в себя несколько шагов последовательных проверок. На первом шаге исследователь должен убедиться, что модель верна в первом приближении. На втором шаге оценки адекватности проверяются исходные предположения. Например, какие параметры и переменные модели можно считать существенными, и охвачены ли моделью все существенные параметры объекта. На третьем шаге проверяются преобразования информации от входа к выходу. После проверки адекватности модели необходимо спланировать и провести эксперимент с моделью для получения желаемой информации. Анализ данных, полученных в результате эксперимента, позволяет делать выводы о возможностях дальнейшего использования самой модели или результатов моделирования. Необходимо отметить, что моделирование может быть остановлено на любом этапе, если результат достигнут. Кроме того, возможны возвраты к предыдущим этапам. Так, если оценка адекватности модели отрицательна, то может быть возврат на любой из предыдущих этапов моделирования. Если при подготовке данных выясняется, что некоторые данные не могут быть получены или представлены в требуемом виде, то возможно повторное формулирование модели. После проведения эксперимента осуществляется анализ и интерпретация результатов. Если результаты удовлетворяют исследователя, то на этом процесс