- •50 Часов — лекционных занятий;
- •25 Часов — практических занятий;
- •25 Часов — лабораторных занятий. Содержание
- •Лекция 1. Общие вопросы теории моделирования (2 часа) План
- •2. Роль и место моделирования в исследованиях систем
- •3. Классификация моделей
- •4. Моделирование в процессах познания и управления
- •5. Классификация объектов моделирования
- •6. Основные этапы моделирования
- •7. Этапы моделирования объектов (процессов, явлений)
- •Контрольные вопросы
- •Литература
- •Лекция 2. Технология моделирования (2 часа) План
- •2. Подготовка исходных данных
- •3. Разработка математической модели
- •4. Выбор метода моделирования
- •2. Проверка адекватности и корректировка модели
- •3. Планирование экспериментов с моделью
- •4. Анализ результатов моделирования
- •2. Сведения об объекте
- •3. Априорная информация
- •4. Апостериорная информация
- •1. Постановка задачи идентификации.
- •2. Трудности идентификации
- •1. Постановка задачи идентификации.
- •Следовательно модельный оператор f должен быть таким, чтобы:
- •2. Трудности идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •2. Ранжирование входов и выходов объекта (Метод экспертных оценок)
- •Метод непосредственного ранжирования;
- •Метод парных сравнений.
- •3. Метод непосредственного ранжирования
- •2. Определение рационального числа входов и выходов объекта, учитываемых в модели
- •3. Определение характера связи между входом и выходом модели объекта
- •1. Потоки заявок
- •2. Марковские модели
- •1. Потоки заявок
- •2. Марковские модели
- •2. Характеристики вычислительных систем как сложных систем массового обслуживания
- •3. Методы приближённой оценки характеристик вычислительных систем
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •2. Обобщенные алгоритмы имитационного моделирования
- •2. Метод повторных экспериментов
- •3. Методы генерации случайных величин и последовательностей
- •Контрольные вопросы
- •II. Модель в - для задачи максимизации
- •2. Преобразование задачи с дискретными переменными к задаче с булевыми переменными
- •3. Преобразование задачи линейного булева программирования к задаче нелинейного булева программирования
- •Контрольные вопросы
- •2. Модель задачи автоматической классификации
- •3. Задача об оптимизации размещения букв алфавита на клавиатуре эвм
- •2. Проверка адекватности математической модели
- •3. Алгоритм оптимального управления работы насосной станции
- •Контрольные вопросы
- •2. Аналитический подход к формированию информативной подсистемы признаков в задаче распознавания
- •3. Упрощенный метод классификации с использованием аналитического подхода формирования информативной подсистемы признаков при наличии обучающей выборки
- •Контрольные вопросы
- •Литература
- •Литература
1. Идентификация структуры и параметров объекта
2. Классификация методов идентификации
1. Идентификация структуры и параметров объекта
Будем называть структурной идентификацией процесс определения структуры оператора модели F. Если же структура этого оператора F определена или априори известно, то процесс идентификации сводится к определению параметров этой структуры, т. е. задаче более простой чем предыдущая. Назовем ее параметрической идентификацией (иногда первый процесс называет идентификацией широком смысле, а второй – в узком).
Таким образом , идентификация структуры связана прежде всего с предварительном выбором структуры модели, а идентификация параметров – лишь с определением параметров этой модели при заданной структуре. Как видно, первый этап структурной идентификации предшествует второму и часто включает в себя второй как составную часть.
К сожалению, понятия «структура» не имеет четкого определения, хотя по видимому, интуитивно понимается всеми примерно одинаково. Будем под структурой модели понимать вид оператора с точностью до его коэффициентов. Заметим, что структура объекта , кодируемая А, вообще говоря, может не совпадать со структурой модели . Так, стохастический свойства объекта обычно не отражаются модели, а лишь определяют выбор метода идентификации ее параметров. Кроме того, модель может заведомо иметь меньше входов и выходов, чем их имеет объект. Это часто делает при малом объеме наблюдений (иначе не определить параметры модели).
Теперь уточным задачу идентификации. В (8) проблема сформулирована в самом общем виде, когда идентифицируется и структура и параметры модели. Пусть структуры и модели известна , т. е. задача структурной идентификации решена. Тогда оператор F(х) может быть представлен в виде
F(x)=f(x, c),
где f(., . ) – заданный оператор, а С=(с1, . . . , ск) –вектор неизвестных параметров модели. В этом случае задача идентификации параметров модели может быть записана, вообще говоря в виде задачи минимизации функции (а не функционала) невязки:
(12)
решением которой является вектор С*=(с*1, . . . с*к). Здесь
функция невязки выходов объекта и модели ; Rk – k- мерное евклидово пространства векторов С . Здесь трудности решения задачи заключается в организации эффективного процесса минимизации заданных функций многих (к) переменных. Заметим, что так, как структура модели известна, то число переменных k определено заранее.
Очень часто структуру можно закодировать, введя структурный параметры. Такими структурными параметрами является числа k и l в примере 2. В общем случае обозначим эти параметры вектором.
D=(d1, . . . , dq),
Это означает, что структура кодируется q величинами d1, . . . , dq. Оператор модели теперь представляется в виде
F(X) = f(X, C, D),
Где f—заданный оператор. Здесь оператор модели определяется двумя типами параметров структурными D и параметрами объекта С. Функция невязки выходов объекта и модели (5) здесь принимает вид:
Т
(13)
З десь S – область определения структурных параметров.
В заключение отметим, что сведение общей задачи идентификации (8) к параметрический идентификации (12) и (13) естественно имеет условный характер. Целью такого представления является упрощения задачи и сведение ее к известно ранее с хорошо разработанными методами решения. Такой задачей является задача математической программирования: минимизация функции многих переменных, принадлежащих заданному множеству. Именно так мы сформулируем задачи параметрических идентификации.
Однако не следует думать, что такое сведение задачи идентификации к задаче математического программирование решает все проблемы идентификации. Здесь возникает ряд новых проблем, например как это сведение сделать в конкретном случае как решить полученную задачу минимизации? Эти проблемы порождают другие и т. д. Но связь идентификации с математическим программированием, отмеченную выше, следует всегда иметь виду.