- •Проблемы компьютерного моделирования (км).
- •Проблема адекватности модели в км.
- •Воспроизводимость натурных экспериментов и км.
- •Дороговизна натурных экспериментов и км.
- •Подходы к моделированию на эвм.
- •Расчетный и имитационный подходы в км.
- •Методы Монте-Карло.
- •Причины использования км.
- •Сложность объекта и км.
- •15. Априорная информация об объекте и км.
- •16. Построение прогнозов для бп.
- •17. Проведение экспериментов с объектом и км.
- •22. Обработка данных в системе км.
- •30.Эффективность км, затраты и доход от использования модели.
- •31. Классы систем и км.
- •32. Метод середины квадрата в км.
- •Метод исключения в км.
- •Методы компьютерного моделирования для построения прогнозов поведения бизнес-процессов (бп).
- •Метод исключения в задачах оценивания площади плоских фигур.
Причины использования км.
Отсутствуют математические и численные методы решения задач
Наличие неопределенной inf об объекте
Невозможность проведения экспериментов с объектом
При поиске наилучшего варианта объекта (при проектировании, управлении, перепроектирование)
При оценивание характеристик объекта (построение прогнозов)
Сложность объекта и км.
Чем сложнее объект тем сложнее моделировать. Измеряется кол-вом эл в объектке.
15. Априорная информация об объекте и км.
На языке БП это означает, что можно найти инф. о потоках, параметрах, ограничениях.
от объема априорной информации зависит и математическая постановка задачи, а часто этим определяется не только подход, но и метод ее решения.
Априорная информация об объекте, его входных и выходных переменных, внутренних состояниях необходима для построения ИМ
Априорная информация - один из факторов, обуславливающих эффективность измерения: при ее отсутствии измерение невозможно, при наличии в максимальном объеме (известном значении измеряемой величины) - ненужно. Априорная информация определяет достижимую точность измерений и их эффективность.
16. Построение прогнозов для бп.
Построение прогноза и связанные с ним построение и экспериментальная проверка (верификация) вероятностно-статистической модели обычно основаны на одновременном использовании информации двух типов: - априорной информации о природе и содержательной сущности анализируемого явления, представленной, как правило, в виде тех или иных теоретических закономерностей, ограничений, гипотез; - исходных статистических данных, характеризующих процесс и результаты функционирования анализируемого явления или системы.
Можно выделить следующие основные этапы прогнозирования.
1-й этап (постановочный) включает в себя определение конечных прикладных целей прогнозирования; набора факторов и показателей (переменных), описание взаимосвязей между которыми нас интересует
2-й этап (априорный, предмодельный) состоит в предшествующем построению модели анализе содержательной сущности изучаемого процесса или явления, формировании и формализации имеющейся априорной информации об этом явлении в виде ряда гипотез и исходных допущений (последние должны быть подкреплены теоретическими рассуждениями о механизме изучаемого явления или, если возможно, экспериментальной проверкой).
3-й этап (информационно-статистический) заключается в сборе необходимой статистической информации, т.е. регистрации значений участвующих в анализе факторов и показателей на различных временных и (или) пространственных тактах функционирования моделируемой системы.
4-й этап (спецификация модели) включает в себя непосредственный вывод (опирающийся на принятые на 2-м этапе гипотезы и исходные допущения) общего вида модельных соотношений, связывающих между собой интересующие нас входные и выходные переменные.
5-й этап (исследование идентифицируемости и идентификация модели) состоит в проведении статистического анализа модели с целью «настройки» значений ее неизвестных параметров на те исходные статистические данные, которыми мы располагаем.
6-й этап (верификация модели) заключается в использовании различных процедур сопоставления модельных заключений, оценок, следствий и выводов с действительностью.