Xreferat.com » ╨хЇхЁрЄ√ яю шэЇюЁьрЄшъх ш яЁюуЁрььшЁютрэш■ » ╧Ёшъырфэюх яЁюуЁрььшЁютрэшх
╧Ёшъырфэюх яЁюуЁрььшЁютрэшх
программирования модели и стоимость удлиняющихся
экспериментальных прогонов, но и потому, что действительно важные
аспекты и взаимосвязи могут потонуть в массе тривиальных деталей.
Вот почему модель должна отображать только те аспекты системы,
которые соответствуют задачам исследования.
Во многих исследованиях моделирование может на этом закон-
читься. В удивительно большом числе случаев в результате точного
и последовательного описания ситуаций становятся очевидными де-
фекты и "узкие" места системы, так что необходимость продолжать
исследования с помощью имитационных методов отпадает.
ПР?КЛАДНОЕ ПРОГРАММ?РОВАН?Е В ТЕХН?ЧЕСК?Х С?СТЕМАХ
ЛЕКЦ?Я N 16
?М?ТАЦ?ОННОЕ МОДЕЛ?РОВАН?Е
ФОРМУЛ?РОВАН?Е МОДЕЛ?
Каждое исследование охватывает и сбор данных, под которым
обычно понимают получение каких-то "численных" характеристик. Но
это только одна сторона сбора данных. Системного аналитика должны
интересовать входные и выходные данные изучаемой системы, а также
информация о различных компонентах системы, взаимозависимостях и
соотношениях между ними. Поэтому он заинтересован в "сборе как
количественных, так и качественных данных; он должен решить, ка-
кие из них необходимы, насколько они соответствуют поставленной
задаче и как собрать всю эту информацию. Учебники обычно сообщают
студенту нужную для решения задачи информацию без ссылок на то,
как она была собрана и оценена. Но когда такой студент впервые
сталкивается с реальной задачей и при этом сам должен определить,
какие данные ему нужны и как их отобрать, то голова у него идет
кругом.
Создавая стохастическую имитационную модель, всегда прихо-
дится решать, следует ли в модели использовать имеющиеся эмпири-
ческие данные непосредственно или целесообразно использовать тео-
ретико-вероятностные или частотные распределения. Этот выбор име-
ет фундаментальное значение по трем причинам. Во-первых, исполь-
зование необработанных эмпирических данных означает, что, как бы
вы ни старались, вы можете имитировать только прошлое. ?спользо-
вание данных за один год отобразит работу системы за этот год и
не обязательно скажет нам что-либо об ожидаемых особенностях ра-
боты системы в будущем. При этом возможными будут считаться толь-
ко те события, которые уже происходили. Одно дело предполагать,
что данное распределение в своей основной форме будет неизменным
во времени, и совсем иное дело считать, что характерные особен-
ности данного года будут всегда повторяться. Во-вторых, в общем
случае применение теоретических частотных или вероятностных расп-
ределений с учетом требований к машинному времени и памяти более
эффективно, чем использование табличных данных для получения слу-
чайных вариационных рядов, необходимых в работе с моделью.
В-третьих, крайне желательно и даже, пожалуй, обязательно, чтобы
аналитик-разработчик модели определил ее чувствительность к изме-
нению вида используемых вероятностных распределений и значений
параметров. ?ными словами, крайне важны испытания модели на чувс-
твительность конечных результатов к изменению исходных данных.
Таким образом, решения относительно пригодности данных для ис-
пользования, их достоверности, формы представления, степени соот-
ветствия теоретическим распределениям и прошлым результатам функ-
ционирования системы - все это в сильной степени влияет на успех
эксперимента по имитационному моделированию и не является плодом
чисто теоретических умозаключений.
В конечном счете перед разработчиком модели возникает проб-
лема ее описания на языке, приемлемом для используемой ЭВМ. Быст-
рый переход к машинному моделированию привел к развитию большого
числа специализированных языков программирования, предназначенных
для этой цели. На практике, однако, каждый из большинства предло-
женных языков ориентирован только на ограниченный набор машин.
?митационные модели обычно имеют очень сложную логическую струк-
туру, характеризующуюся множеством взаимосвязей между элементами
системы, причем многие из этих взаимосвязей претерпевают в ходе
выполнения программы динамические изменения. Эта ситуация побуди-
ла исследователей разработать языки программирования для облегче-
ния проблемы трансляции. Поэтому языки имитационного моделирова-
ния типа GPSS, Симскрипт, Симула, Динамо и им подобные являются
языками более высокого уровня, чем универсальные языки типа Форт-
ран, Алгол и Бейсик. Требуемая модель может быть описана с по-
мощью любого универсального языка, тем не менее какойлибо из спе-
циальных языков имитационного моделирования Может обладать теми
или иными преимуществами при определенных характеристиках модели.
Основные отличия языков имитационного моделирования друг от
Друга определяются: 1) способом организации учета времени и про-
исходящих действий; 2) правилами присвоения имен структурным эле-
ментам; 3) способом проверки условий, при которых реализуются
действия; 4) видом статистических испытаний, которые возможны при
наличии данных, и 5) степенью трудности изменения структуры моде-
ли.
Хотя некоторые из специальных языков имитационного моделиро-
вания обладают очень нужными и полезными свойствами, выбор того
или иного языка, как это ни печально, чаще всего определяется ти-
пом имеющейся машины и теми языками, которые известны исследова-
телю. ? если существует выбор, то правильность его, по-видимому,
зависит от того, в какой степени исследователь владеет методами
имитационного моделирования. В некоторых случаях простой язык,
который легко понять и изучить, может оказаться более ценным, чем
любой из более <богатых> языков, пользоваться которым труднее
вследствие присущих ему особенностей.
ПРОВЕРКА МОДЕЛ?
Проверка модели представляет собой процесс, в ходе которого
достигается приемлемый уровень уверенности пользователя в том,
что любой вывод о поведении системы, сделанный на основе модели-
рования, будет правильным. Невозможно доказать, что та или иная
имитация является правильным или <правдивым> отображением реаль-
ной системы. К счастью, нас редко занимает проблема доказательст-
ва <правдивости> модели. Вместо этого нас интересует главным об-
разом справедливость тех более глубоких умозаключений, к которым
мы пришли или к которым придем на основании имитационного модели-
рования. Таким образом, нас волнует обычно не справедливость са-
мой структуры модели, а ее функциональная полезность.
Проверка модели-этап чрезвычайно важный, поскольку имитаци-
онные модели вызывают впечатление реальности, и как разработчики
моделей, так и их пользователи легко проникаются к ним доверием.
К сожалению, для случайного наблюдателя, а иногда и для специа-
листа, искушенного в вопросах моделирования, бывают скрыты исход-
ные предположения, на основе которых строилась данная модель. По-
этому проверка, выполненная без. должной тщательности, может при-
вести к катастрофическим последствиям.
Такого процесса, как <испытание> правильности модели, не су-
ществует. Вместо этого экспериментатор в ходе разработки должен
провести серию проверок, с тем чтобы укрепить свое доверие к мо-
дели. Для этого могут быть использованы проверки трех видов. При-
меняя первую из них, мы должны убедиться, что модель верна, так
сказать, в первом приближении. Например, следует поставить такой
вопрос: не будет ли модель давать абсурдные ответы, если ее пара-
метры будут принимать предельные значения? Мы должны также убе-
диться в том, что результаты, которые мы получаем, по-видимому,
имеют смысл. Последнее может быть выполнено для моделей существу-
ющих систем методом, предложенным Тьюрингом. Он состоит в том,
что людей, непосредственно связанных с работой реальной системы,
просят сравнить результаты, полученные имитирующим устройством, с
данными, получаемыми на выходе реальной системы. Для того чтобы
такая проверка была несколько более строгой в научном отношении,
мы можем предложить экспертам указать на различия между несколь-
кими выборками имитированных данных и аналогичными выборками, по-
лученными в реальной системе.
Второй метод оценки адекватности модели состоит в проверке
исходных предположений, и третий - в проверке преобразований ин-
формации от входа к выходу. Последние два метода могут привести к
необходимости использовать статистические выборки для оценки
средних значений и дисперсий, дисперсионный анализ, регрессионный
анализ, факторный анализ, спектральный анализ, автокорреляцию,
метод проверки с помощью критерия <хи-квадрат> и непараметричес-
кие проверки. Поскольку каждый из этих статистических методов ос-
нован на некоторых допущениях, то при использовании каждого из
них возникают вопросы, связанные с оценкой адекватности. Некото-
рые статистические испытания требуют меньшего количества допуще-
ний, чем другие, но в общем эффективность проверки убывает по ме-
ре того, как исходные ограничения ослабляются.
Способы оценки имитационной модели делят на три категории:
1) верификацию, используя которую экспериментатор хочет убедить-
ся, что модель ведет себя так, как было задумано; 2) оценку адек-
ватности - проверку соответствия между поведением модели и пове-
дением реальной системы и 3) проблемный анализ-формулирование
статистически значимых выводов на основе данных, полученных путем
машинного моделирования. Для осуществления этой оценки часто бы-
вает необходимо предпринять целый ряд действий, начиная от поэ-
тапного испытания модели на настольном калькуляторе (это делается
перед компоновкой машинной программы из этих этапов) до проведе-
ния полевых испытаний. Как бы то ни было, сами эти испытания свя-
заны с трудностями, присущими эмпирическому исследованию; к числу
таких трудностей относятся следующие ситуации: 1) высокая стои-
мость получения данных вынуждает пользоваться небольшими выборка-
ми; 2) данные чрезмерно разделены На различные группы и 3) ис-
пользуются данные, достоверность которых сомнительна.
Таким образом, вопрос оценки адекватности модели имеет две
стороны: приобретение уверенности в том, что модель ведет себя
таким же образом, как и реальная система; установление того, что
выводы, полученные из экспериментов с моделью, справедливы и кор-
ректны. Оба эти момента в совокупности сводятся к обычной задаче
нахождения равновесия между стоимостью каждого действия, связан-
ного с оценкой адекватности модели, ценностью получаемой все в
больших количествах информации и последствиями ошибочных заключе-
ний.
СТРАТЕГ?ЧЕСКОЕ ? ТАКТ?ЧЕСКОЕ ПЛАН?РОВАН?Е
Мы определили имитационное моделирование как экспериментиро-
вание с помощью модели с целью получения информации о реально
действующей системе. Отсюда следует, что мы должны позаботиться о
стратегическом планировании, т. е. о том, как планировать экспе-
римент, который дает желаемую информацию. Планирование экспери-
ментов широко применяется в биологических и физических науках, а
теперь и в моделировании систем. Цель использования планируемых
экспериментов двоякая: 1) они обеспечивают экономию с точки зре-
ния уменьшения числа требуемых экспериментальных проверок и 2)
они задают структурную основу обучения самого исследователя.
Цель любого экспериментального исследования, включая модели-
рование, заключается в том, чтобы больше узнать об изучаемой сис-
теме. Эксперимент представляет собой процесс наблюдения и анали-
за, который "позволяет получить информацию, необходимую для при-
нятия решений. План эксперимента дает возможность выбрать метод
сбора исходной информации, содержащей необходимые сведения о яв-
лении или системе, которые позволяют сделать важные выводы о по-
ведении изучаемого объекта. В экспериментальном исследовании мож-
но выделить два типа задач: 1) определение сочетания параметров,
которое оптимизирует переменную отклика, и 2) объяснение соотно-
шения между переменной отклика и контролируемыми в системе факто-
рами. Для обеих этих задач разработано и доступно для использова-
ния множество планов постановки экспериментов.
Далее, чтобы обучение было успешным, требуется полное ис-
пользование накопленных ранее знаний, что в свою очередь необхо-
димо при выдвижении возможных гипотез, подлежащих проверке, и
стратегий, подлежащих оценке. Хороший план эксперимента позволяет
разработать стратегию сбора исходных данных, полезных для такого
синтеза и выдвижения гипотез. Существующие в настоящее время ме-
тоды
экспериментальных прогонов, но и потому, что действительно важные
аспекты и взаимосвязи могут потонуть в массе тривиальных деталей.
Вот почему модель должна отображать только те аспекты системы,
которые соответствуют задачам исследования.
Во многих исследованиях моделирование может на этом закон-
читься. В удивительно большом числе случаев в результате точного
и последовательного описания ситуаций становятся очевидными де-
фекты и "узкие" места системы, так что необходимость продолжать
исследования с помощью имитационных методов отпадает.
ПР?КЛАДНОЕ ПРОГРАММ?РОВАН?Е В ТЕХН?ЧЕСК?Х С?СТЕМАХ
ЛЕКЦ?Я N 16
?М?ТАЦ?ОННОЕ МОДЕЛ?РОВАН?Е
ФОРМУЛ?РОВАН?Е МОДЕЛ?
Каждое исследование охватывает и сбор данных, под которым
обычно понимают получение каких-то "численных" характеристик. Но
это только одна сторона сбора данных. Системного аналитика должны
интересовать входные и выходные данные изучаемой системы, а также
информация о различных компонентах системы, взаимозависимостях и
соотношениях между ними. Поэтому он заинтересован в "сборе как
количественных, так и качественных данных; он должен решить, ка-
кие из них необходимы, насколько они соответствуют поставленной
задаче и как собрать всю эту информацию. Учебники обычно сообщают
студенту нужную для решения задачи информацию без ссылок на то,
как она была собрана и оценена. Но когда такой студент впервые
сталкивается с реальной задачей и при этом сам должен определить,
какие данные ему нужны и как их отобрать, то голова у него идет
кругом.
Создавая стохастическую имитационную модель, всегда прихо-
дится решать, следует ли в модели использовать имеющиеся эмпири-
ческие данные непосредственно или целесообразно использовать тео-
ретико-вероятностные или частотные распределения. Этот выбор име-
ет фундаментальное значение по трем причинам. Во-первых, исполь-
зование необработанных эмпирических данных означает, что, как бы
вы ни старались, вы можете имитировать только прошлое. ?спользо-
вание данных за один год отобразит работу системы за этот год и
не обязательно скажет нам что-либо об ожидаемых особенностях ра-
боты системы в будущем. При этом возможными будут считаться толь-
ко те события, которые уже происходили. Одно дело предполагать,
что данное распределение в своей основной форме будет неизменным
во времени, и совсем иное дело считать, что характерные особен-
ности данного года будут всегда повторяться. Во-вторых, в общем
случае применение теоретических частотных или вероятностных расп-
ределений с учетом требований к машинному времени и памяти более
эффективно, чем использование табличных данных для получения слу-
чайных вариационных рядов, необходимых в работе с моделью.
В-третьих, крайне желательно и даже, пожалуй, обязательно, чтобы
аналитик-разработчик модели определил ее чувствительность к изме-
нению вида используемых вероятностных распределений и значений
параметров. ?ными словами, крайне важны испытания модели на чувс-
твительность конечных результатов к изменению исходных данных.
Таким образом, решения относительно пригодности данных для ис-
пользования, их достоверности, формы представления, степени соот-
ветствия теоретическим распределениям и прошлым результатам функ-
ционирования системы - все это в сильной степени влияет на успех
эксперимента по имитационному моделированию и не является плодом
чисто теоретических умозаключений.
В конечном счете перед разработчиком модели возникает проб-
лема ее описания на языке, приемлемом для используемой ЭВМ. Быст-
рый переход к машинному моделированию привел к развитию большого
числа специализированных языков программирования, предназначенных
для этой цели. На практике, однако, каждый из большинства предло-
женных языков ориентирован только на ограниченный набор машин.
?митационные модели обычно имеют очень сложную логическую струк-
туру, характеризующуюся множеством взаимосвязей между элементами
системы, причем многие из этих взаимосвязей претерпевают в ходе
выполнения программы динамические изменения. Эта ситуация побуди-
ла исследователей разработать языки программирования для облегче-
ния проблемы трансляции. Поэтому языки имитационного моделирова-
ния типа GPSS, Симскрипт, Симула, Динамо и им подобные являются
языками более высокого уровня, чем универсальные языки типа Форт-
ран, Алгол и Бейсик. Требуемая модель может быть описана с по-
мощью любого универсального языка, тем не менее какойлибо из спе-
циальных языков имитационного моделирования Может обладать теми
или иными преимуществами при определенных характеристиках модели.
Основные отличия языков имитационного моделирования друг от
Друга определяются: 1) способом организации учета времени и про-
исходящих действий; 2) правилами присвоения имен структурным эле-
ментам; 3) способом проверки условий, при которых реализуются
действия; 4) видом статистических испытаний, которые возможны при
наличии данных, и 5) степенью трудности изменения структуры моде-
ли.
Хотя некоторые из специальных языков имитационного моделиро-
вания обладают очень нужными и полезными свойствами, выбор того
или иного языка, как это ни печально, чаще всего определяется ти-
пом имеющейся машины и теми языками, которые известны исследова-
телю. ? если существует выбор, то правильность его, по-видимому,
зависит от того, в какой степени исследователь владеет методами
имитационного моделирования. В некоторых случаях простой язык,
который легко понять и изучить, может оказаться более ценным, чем
любой из более <богатых> языков, пользоваться которым труднее
вследствие присущих ему особенностей.
ПРОВЕРКА МОДЕЛ?
Проверка модели представляет собой процесс, в ходе которого
достигается приемлемый уровень уверенности пользователя в том,
что любой вывод о поведении системы, сделанный на основе модели-
рования, будет правильным. Невозможно доказать, что та или иная
имитация является правильным или <правдивым> отображением реаль-
ной системы. К счастью, нас редко занимает проблема доказательст-
ва <правдивости> модели. Вместо этого нас интересует главным об-
разом справедливость тех более глубоких умозаключений, к которым
мы пришли или к которым придем на основании имитационного модели-
рования. Таким образом, нас волнует обычно не справедливость са-
мой структуры модели, а ее функциональная полезность.
Проверка модели-этап чрезвычайно важный, поскольку имитаци-
онные модели вызывают впечатление реальности, и как разработчики
моделей, так и их пользователи легко проникаются к ним доверием.
К сожалению, для случайного наблюдателя, а иногда и для специа-
листа, искушенного в вопросах моделирования, бывают скрыты исход-
ные предположения, на основе которых строилась данная модель. По-
этому проверка, выполненная без. должной тщательности, может при-
вести к катастрофическим последствиям.
Такого процесса, как <испытание> правильности модели, не су-
ществует. Вместо этого экспериментатор в ходе разработки должен
провести серию проверок, с тем чтобы укрепить свое доверие к мо-
дели. Для этого могут быть использованы проверки трех видов. При-
меняя первую из них, мы должны убедиться, что модель верна, так
сказать, в первом приближении. Например, следует поставить такой
вопрос: не будет ли модель давать абсурдные ответы, если ее пара-
метры будут принимать предельные значения? Мы должны также убе-
диться в том, что результаты, которые мы получаем, по-видимому,
имеют смысл. Последнее может быть выполнено для моделей существу-
ющих систем методом, предложенным Тьюрингом. Он состоит в том,
что людей, непосредственно связанных с работой реальной системы,
просят сравнить результаты, полученные имитирующим устройством, с
данными, получаемыми на выходе реальной системы. Для того чтобы
такая проверка была несколько более строгой в научном отношении,
мы можем предложить экспертам указать на различия между несколь-
кими выборками имитированных данных и аналогичными выборками, по-
лученными в реальной системе.
Второй метод оценки адекватности модели состоит в проверке
исходных предположений, и третий - в проверке преобразований ин-
формации от входа к выходу. Последние два метода могут привести к
необходимости использовать статистические выборки для оценки
средних значений и дисперсий, дисперсионный анализ, регрессионный
анализ, факторный анализ, спектральный анализ, автокорреляцию,
метод проверки с помощью критерия <хи-квадрат> и непараметричес-
кие проверки. Поскольку каждый из этих статистических методов ос-
нован на некоторых допущениях, то при использовании каждого из
них возникают вопросы, связанные с оценкой адекватности. Некото-
рые статистические испытания требуют меньшего количества допуще-
ний, чем другие, но в общем эффективность проверки убывает по ме-
ре того, как исходные ограничения ослабляются.
Способы оценки имитационной модели делят на три категории:
1) верификацию, используя которую экспериментатор хочет убедить-
ся, что модель ведет себя так, как было задумано; 2) оценку адек-
ватности - проверку соответствия между поведением модели и пове-
дением реальной системы и 3) проблемный анализ-формулирование
статистически значимых выводов на основе данных, полученных путем
машинного моделирования. Для осуществления этой оценки часто бы-
вает необходимо предпринять целый ряд действий, начиная от поэ-
тапного испытания модели на настольном калькуляторе (это делается
перед компоновкой машинной программы из этих этапов) до проведе-
ния полевых испытаний. Как бы то ни было, сами эти испытания свя-
заны с трудностями, присущими эмпирическому исследованию; к числу
таких трудностей относятся следующие ситуации: 1) высокая стои-
мость получения данных вынуждает пользоваться небольшими выборка-
ми; 2) данные чрезмерно разделены На различные группы и 3) ис-
пользуются данные, достоверность которых сомнительна.
Таким образом, вопрос оценки адекватности модели имеет две
стороны: приобретение уверенности в том, что модель ведет себя
таким же образом, как и реальная система; установление того, что
выводы, полученные из экспериментов с моделью, справедливы и кор-
ректны. Оба эти момента в совокупности сводятся к обычной задаче
нахождения равновесия между стоимостью каждого действия, связан-
ного с оценкой адекватности модели, ценностью получаемой все в
больших количествах информации и последствиями ошибочных заключе-
ний.
СТРАТЕГ?ЧЕСКОЕ ? ТАКТ?ЧЕСКОЕ ПЛАН?РОВАН?Е
Мы определили имитационное моделирование как экспериментиро-
вание с помощью модели с целью получения информации о реально
действующей системе. Отсюда следует, что мы должны позаботиться о
стратегическом планировании, т. е. о том, как планировать экспе-
римент, который дает желаемую информацию. Планирование экспери-
ментов широко применяется в биологических и физических науках, а
теперь и в моделировании систем. Цель использования планируемых
экспериментов двоякая: 1) они обеспечивают экономию с точки зре-
ния уменьшения числа требуемых экспериментальных проверок и 2)
они задают структурную основу обучения самого исследователя.
Цель любого экспериментального исследования, включая модели-
рование, заключается в том, чтобы больше узнать об изучаемой сис-
теме. Эксперимент представляет собой процесс наблюдения и анали-
за, который "позволяет получить информацию, необходимую для при-
нятия решений. План эксперимента дает возможность выбрать метод
сбора исходной информации, содержащей необходимые сведения о яв-
лении или системе, которые позволяют сделать важные выводы о по-
ведении изучаемого объекта. В экспериментальном исследовании мож-
но выделить два типа задач: 1) определение сочетания параметров,
которое оптимизирует переменную отклика, и 2) объяснение соотно-
шения между переменной отклика и контролируемыми в системе факто-
рами. Для обеих этих задач разработано и доступно для использова-
ния множество планов постановки экспериментов.
Далее, чтобы обучение было успешным, требуется полное ис-
пользование накопленных ранее знаний, что в свою очередь необхо-
димо при выдвижении возможных гипотез, подлежащих проверке, и
стратегий, подлежащих оценке. Хороший план эксперимента позволяет
разработать стратегию сбора исходных данных, полезных для такого
синтеза и выдвижения гипотез. Существующие в настоящее время ме-
тоды
┼ёыш ┬рь эєцэр яюью∙№ ё рърфхьшўхёъющ ЁрсюЄющ (ъєЁёютр , ъюэЄЁюы№эр , фшяыюь, ЁхЇхЁрЄ ш Є.ф.),
юсЁрЄшЄхё№ ъ эр°шь ёяхЎшрышёЄрь. ┴юыхх 90000 ёяхЎшрышёЄют уюЄют√ ┬рь яюьюў№.
┴хёяырЄэ√х ъюЁЁхъЄшЁютъш ш фюЁрсюЄъш. ┴хёяырЄэр юЎхэър ёЄюшьюёЄш ЁрсюЄ√.
═єцэр яюью∙№ т эряшёрэшш ЁрсюЄ√?
╠√ - сшЁцр яЁюЇхёёшюэры№э√ї ртЄюЁют (яЁхяюфртрЄхыхщ ш фюЎхэЄют тєчют). ╧ш°хь ёЄрЄ№ш ╨╚═╓, ┬└╩, Scopus.
╧юьюурхь т яєсышърЎшш. ╧Ёртъш тэюёшь схёяырЄэю.