- •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.
30.Эффективность км, затраты и доход от использования модели.
А)приращение(положительным изменением)показателей
Б)затратами средств на КМ
В)точность модели
31. Классы систем и км.
32. Метод середины квадрата в км.
Первым алгоритмический метод получения, равномерно распределенных псевдослучайных чисел предложил Джон фон Нейман (один из основоположников кибернетики). Метод получил название "метод середины квадрата" .
Суть метода: предыдущее случайное число возводится в квадрат, а затем из результата извлекаются средние цифры.
Например:
и т.д.
Как видно метод середины квадрата довольно хорошо должен "перемешивать" предыдущее число. Однако он имеет недостатки:
Если какой-нибудь член последовательности окажется равным нулю, то все последующие члены также будут нулями.
Последовательности имеют тенденцию "зацикливаться", т. е. в конце концов, образуют цикл, который повторяется бесконечное число раз.
Свойство "зацикливаться" присуще всем последовательностям, построенных по рекуррентной формуле xi+1=f(xi).
Повторяющийся цикл называется периодом. Длина периода у различных последовательностей разная. Чем больше, тем лучше.
33. Физические датчики псевдослучайных чисел.
А)Подбрасывание монеты (Игра в кости)
Б) колба с 10ю шариками
В)набор из 2х кубиков
Г)Урна с карточками
Критерии качества случайных последовательностей.
Критерий согласия X2
Критерий Колмогорова - Смирнова
Критерий Мизиса
Формальные аспекты построения датчиков равномерного непрерывного распределения.
Генерируется случайное число от 0 до 1. Используем один из алгоритмов(обратного преобразования, кусочно линейной аппроксимации, метод исключения…)
Формальные аспекты построения датчиков равномерного дискретного распределения.
Генерируем число от 0 до 1 с помощью равномерного распределениями используем один из 2х алгоритмов (стандартный или алгоритм с рекуррентными формулами)
Линейный конгруэнтный метод.
Бутстреп-метод. Общие принципы использования в КМ.
Бутстреп-процедура представляет собой способ управления выборкой в ходе обработки и анализа данных. Она наиболее эффективна в условиях ограниченного количества наблюдений и предназначена для проведения многократного обучения и тестирования. В бутстреп-процедуре обучающая выборка принимается за генеральную совокупность и из нее случайным образом составляются обучающие и экзаменационные подвыборки.
Метод исключения в км.
Берется фигура, кидаются точки, и считается сколько точек попали в эту фигуру.
Методы компьютерного моделирования для построения прогнозов поведения бизнес-процессов (бп).
Метод исключения в задачах оценивания площади плоских фигур.
По методу монте-карло, у нас есть прямоугольник, в нем есть фигура(кольцо), есть точки которые находятся в этом прямоугольнике, считаем сколько точек попало в круг, и далее по формуле: S(кольца)=( кол-во точек которые попали в кольцо/ общее кол-во)*S(прямоуг)
Бутстреп-метод и задача моделирования съема данных с объекта.
Генераторы непрерывных одномерных распределений.
Этапы компьютерного моделирования (КМ).
Проблемы КМ бизнес-процессов.
Роль информации в КМ.
Компьютерное моделирование — основа представления знаний в ЭВМ. Компьютерное моделирование для рождения новой информации использует любую информацию, которую можно актуализировать с помощью ЭВМ. Прогресс моделирования связан с разработкой систем компьютерного моделирования, а прогресс в информационной технологии — с актуализацией опыта моделирования на компьютере, с созданием банков моделей, методов и программных систем, позволяющих собирать новые модели из моделей банка.
Моделирование бизнес-процессов.
Бизнес-моделирование (деловое моделирование) — деятельность по формированию моделей организаций, включающая описание деловых объектов (подразделений, должностей, ресурсов, ролей, процессов, операций, информационных систем, носителей информации и т. д.) и указание связей между ними. Требования к формируемым моделям и их соответствующее содержание определяются целями моделирования.
Моделирование бизнес-процессов играет огромную роль в управлении бизнес-процессами. Необходимо отметить, что в английском переводе оба вида деятельности имеют одинаковую аббревиатуру BPM (Business Process Modeling и Business Process Management, соответственно), что часто приводит к путанице. Данный факт необходимо учитывать, так как большинство литературы по данному предмету издано на английском языке. Графическое описание бизнес-процессов и их имитация это методы анализа бизнес-процессов, эффективность которых доказана многолетней практикой использования и многочисленными исследованиями. Для графического представления бизнес-процессов используются различные языки, но наиболее популярными и подходящими считаются UML и Business Process Modeling Notation. Моделирование и имитация бизнес процессов являются ключевыми методами для реинжиниринга бизнес-процессов (Business Process Reengineering) и использования методологий непрерывного улучшения бизнес-процессов, например, такими как Six-Sigma.
Информация с ru.wikipedia.org
Классификация методов КМ на ЭВМ.
Состав имитационной модели.
Эффективность КМ и бутстреп-метода.
Классификация систем.
Датчики псевдослучайных чисел (ДПСЧ) (физические, программные,…) .
Оценивание качества ДПСЧ.
Моделирование дискретных случайных величин.
Моделирование непрерывных случайных величин.
Во многих программных средах имеются генераторы случайных (псевдослучайных) чисел, которые обеспечивают формирование случайных чисел, равномерно распределенных в интервале . На основе этого распределения могут быть сформированы выборки случайных чисел с каким-либо другим законом распределения случайной величины. В некоторых случаях этого можно добиться на основе метода инверсии, или метода обратной функции. Суть метода обратной функции заключается в следующем.
Метод обратной функции нельзя применять напрямую к непрерывным распределениям, для которых функция распределения не может быть выражена в квадратурах от соответствующей функции плотности. Типичными примерами такого рода являются нормальное распределение, гамма-распределение, логарифмически-нормальное распределение, а также дискретное распределение Пуассона. В таких случаях для получения выборок случайных чисел можно воспользоваться одним из следующих методов:
аппроксимацией непрерывной функции дискретной функцией распределения;
получением с помощью статистических соотношений необходимой информации на основе других распределений, имеющих простую аналитическую форму.
Например, в случае второго метода, случайная величина, подчиняющаяся распределению Эрланга -го порядка (или гамма-распределению с целочисленным параметром), представляет собой сумму экспоненциально распределенных случайных величин, а время между наступлениями событий в пуассоновском процессе также распределено экспоненциально.
Совместное использование КМ и бутстреп-метода.
Прикладные аспекты КМ (вычисление интегралов, объемов, координат центров тяжести плоских фигур и др.).
Применение метода исключения в задачах КМ.
Блок-схема алгоритма бутстреп-метода.
Блок-схема алгоритма вычисления интеграла методом исключения.
Блок-схема алгоритма работы датчика непрерывного равномерного распределения.
Блок-схема алгоритма работы датчика равномерного дискретного распределения.
Для начала рассмотрим случай, когда все исходы дискретного распределения имеют одну и ту же вероятность. Если число исходов равно n, то эта вероятность равна, очевидно, 1 / n. Разделим отрезок [0, 1] на n равных частей, перенумерованных от 0 до n − 1: I0, I1, ... , In − 1. Далее рассматривается равномерно распределенная случайная величина ξ и функция от нее η = h(ξ) = floor(ξ × n), паскалевская процедура floor(x)вычисляет наибольшее целое число, не превосходящее x. Легко видеть, что случайная величина η принимает значения от 0 до n − 1 и вероятность наступления каждого исхода одна и та же. В от график, показывающий результаты 100 наблюдений этой случайной величины с датчиком случайных чисел системы Excel. Мы видим, что наблюдаемые частоты (голубые столбики, снизу написаны соответствующие им частоты и значения случайной величины) довольно сильно отличаются от теоретически ожидаемых значений (лиловые столбики). При увеличении числа экспериментов точность, вообще говоря, повысится. Посмотрим, что получилось, когда мы довели число наблюдений до 400. К ак видите, у одного из значений получилось такое же значительное относительное (т. е. долевое) отклонение, а, значит, в абсолютных величинах оно увеличилось в четыре раза.
Блок-схема алгоритма проверки качества датчика непрерывного равномерного распределения.
Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на круге.
начало
r, N, x0,y0
a=x0-r
b=y0+r
c=y0-r
d=y0+r
i=1
x=rand*(b-a)+a
y=rand*(d-c)+c
l=
l≤r
+
xi=x
yi=y
i=i+1
i≤N
+
Блок-схема алгоритма работы датчика одномерного равномерного дискретного распределения на множестве студентов группы (для составления графика дежурств).
Блок-схема алгоритма работы датчика двумерного равномерного дискретного распределения на множестве студентов 2-х группы (для выбора пар дежурных).
Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на квадрате.
Блок-схема алгоритма работы датчика дискретного распределения.
Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием обратного преобразования.
Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием кусочно-постоянной аппроксимации.
Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием кусочно-линейной аппроксимации.
Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием метода исключения.
Блок-схема алгоритма работы датчика равномерного распределения,
.
x
Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на круге.
Блок-схема алгоритма работы датчика двумерного равномерного дискретного распределения на кольце.
ВЕРА
АРТЕМ
ГРЕГ
ТАНЯ