- •Классификация моделей.
- •Структура моделей.
- •II. Ко входному контакту элемента подключается не более, чем один элементарный канал. Выходные контакты могут иметь сколько угодно элементарных каналов.
- •Последовательные этапы процесса имитации.
- •II (4 этап):
- •6 Этап (трансляция модели):
- •7 Этап ( оценка адекватности):
- •Представление исходных данных для имитации.
- •2) Принцип особых состояний:
- •Алгоритм метода статистических испытаний.
- •Псевдослучайные числа и процедура их генерации.
- •Моделирование испытаний в схеме случайных событий.
- •Формирование реализаций случайных векторов.
- •I. Пусть цель моделирования - вычислить вероятность р некоторого события а:
- •Случайный процесс.
- •Критерий Колмогорова.
- •I. Входной поток(w):
- •1. Простейший поток (стационарный пуассоновский):
- •Уравнение Эрланга и формула Эрланга.
- •Правила составления ду.
- •Моделирование смо с помощью метода статистических испытаний.
- •Формирование входного потока ( 3 -ий блок ).
- •Подалгоритм выбора канала.
- •Агрегаты. Основные понятия.
- •Процесс функционирования агрегата.
- •Представление смо в виде агрегата.
- •Корреляционный анализ.
Процесс функционирования агрегата.
Пусть задано t0 - момент начала функционирования агрегата, z(t0) - начальное состояние агрегата и g0 - некоторое управление. Пусть в момент времени t1 поступает входной сигнал x1, в момент времени t2 - входной сигнал x2, в момент времени t1 поступает управляющее воздействие g1 и t1 < t1 < t2.
I. Рассмотрим интервал [t0, t1], t0 < t £ t1 . Начальное состояние агрегата считается особым. Тогда Z(t) = Ut0[z(t0), g0, t]. Оператор G’’ каждое текущее z(t) проверяет на принадлежность множеству Z(y).
Пусть в момент времени t’ < t1 оператор G’’ обнаруживает, что z(t’) Î Z(y), а оператор G’ выдает конкретный выходной сигнал y’. Затем определяем
Z(t’ +0) = W[z(t’), g0]. Проверяем принадлежность Z(t’ +0) множеству Z(y). Если - да, то Z(t’ +0 + 0) = W[z(t’ + 0), g0] = W{W[z(t’), g0], g0}. И т.д., пока мы не обнаружим, что текущее состояние принадлежит множеству выходных состояний. Если - нет, то Z(t) = Ut’[z(t’ + 0), g0, t] = Ut’{W[z(t’), g0], g0, t}. Таким образом состояние агрегата будет изменяться на всем интервале t Î [t’, t1].
II. Пусть в момент времени t1 приходит сигнал x1. Проверяем, принадлежит ли z(t1) множеству Z(y). Если - да, то Z(t1 +0) = W[z(t1), g0]. Проверяем, принадлежит ли Z(t1 +0) множеству Z(y), если нет , то агрегат готов к приему входного сигнала x1.
Z(t’ +0 + 0) = V’[z(t1 + 0), x1, g0] = V’{W[z(t1), g0], x1, g0}.
Если - нет, то Z(t’ +0 ) = V’[z(t1), x1, g0]
Z(t) = Ut1[z(t1 + 0), g0, t]
III. Пусть в момент времени t1 поступает управление g1. Проверяем, принадлежит ли Z(t1) множеству Z(y). Если - да, то Z(t1 +0) = W[z(t1), g0], если - нет, то Z(t1 +0) = V’’[z(t1), g1],
Z(t) = Ut1[z(t1 + 0), g1].
Проверяем, принадлежит ли Z(t1 +0) множеству Z(y), если нет, то агрегат готов к приему нового управления
Z(t1 +0 +0) = V’’[z(t1 + 0), g0] = V’’ {W[z(t1), g0], g1}.
При приходе нового управления в агрегат старое управляющее воздействие исключается.
Представление смо в виде агрегата.
I. Постановка задачи:
Рассматривается одноканальная СМО с ограничением на время ожидания для заявки. Входной поток определяется моментом поступления заявок tj, где tj задается через интервалы между поступлениями заявок и является СВ с заданным законом распределения. Кроме этого есть aj - это параметр каждой заявки, aj - СВ с условным законом распределения f ( a / t ).
Если канал занят, то заявка становится в очередь и ждет не больше, чем tjож. И в общем случае это ожидание зависит от входной характеристики aj и управления gs:
tjож = j (aj, gs )
tjож - это СВ с заданным законом распределения;
gs - это СВ, имеющая условный закон распределения f ( ys, t ).
Задается tjобсл = y (aj, gs), где tjобсл - это СВ с заданным законом распределения.
II. Определяем состояния, которые будут характеризовать СМО.
Z(t) = { z1(t), z2(t), ... , zR(t)}
z1(t) - время, оставшееся до конца обслуживания заявки;
z2(t) - значение нового управления gk;
z3(t) - количество заявок в очереди;
z4(t) - оставшееся время ожидания для первой заявки в очереди;
z5(t) - оставшееся время ожидания для второй заявки в очереди;
.
.
.
zR(t) - оставшееся время ожидания для (R -3) заявки в очереди
III. Определяем множество выходных состояний, существующих в этой системе.
1 . z1(y) - состояние, когда одна заявка полностью обслужена в канале, а все остальные находятся в очереди в накопителе и имеют возможность ожидать дальше.
Это состояние происходит в момент времени t1:
z1(t1) = 0
z1(t1) > 0 для i = 2,R
G’’ z(t1) Î z1(y)
G
G’ y1 = [ak, gs, t1]
W t1 + 0
z1(t1 + 0) = tобсл
z2(t1 + 0) = z2(t1)
z3(t1 + 0) = z3(t1) - 1
z4(t1 + 0) = z4(t1)
.
.
.
zR-1(t1 + 0) = zR-1(t1)
zR(t1 + 0) - неопределено.
Дальше t > t1. Должен работать оператор Ut1:
z1(t) = z1(t1 + 0) - (t - t1)
z2(t) = z2(t1 + 0) = const
z3(t) = z3(t1 + 0) = const
z4(t) = z4(t1 + 0) - (t - t1)
.
.
.
zR-1(t) = zR-1(t1 + 0) - (t - t1)
2. z2(y) - состояние, когда у какой-то заявки из очереди окончилось допустимое время ожидания и заявка уходит из очереди необслуженная.
Это состояние происходит в момент времени t2.
z1(t2) > 0
z2(t2) > 0
z3(t2) > 0
.
.
.
zm(t2) > 0
Все остальные z4(t2), ... , zm-1 (t2)
G’’ z(t2)Î z2(y)
G
G’ y2 = [ak, gs, t2]
W t2 + 0
z1(t2 + 0) = z1(t2)
z2(t2 + 0) = z2(t2)
z3(t2 + 0) = z3(t2) - 1
z4(t2 + 0) = z4(t2)
.
.
.
zR-2(t2 + 0) = zR-2(t2)
zR-1(t2 + 0) - неопределено.
Ut2:
z1(t) = z1(t2 + 0) - (t - t2)
z2(t) = z2(t2 + 0) = const
z3(t) = z3(t2 + 0) = const
z4(t) = z4(t2 + 0) - (t - t2)
.
.
.
zR-2(t) = zR-2(t2 + 0) - (t - t2)
3. z3(y) - состояние, когда заявка обслужена и уходит из системы и в очереди нет ни одной заявки.
Это состояние происходит в момент времени t3:
G’’ z1(t3) = 0 Î z3(y)
z3(t3) = 0
G
G’ y3 = [ak, gs, t3]
W t3 + 0
z1(t3 + 0) = 0
z2(t3 + 0) = z2(t3)
z3(t3 + 0) = 0
Все остальные zi , i = 4, R-2 будут неопределены.
Ut3:
z1(t) = 0
z2(t) = z2(t3 + 0) = const
z3(t) = 0
Все остальные zi , i = 4, R-2 будут неопределены.
Регрессионный анализ.
Корреляционный анализ.
Регрессионный анализ.
Одномерная линейная регрессия:
В этом случае функциональная зависимость ищется в виде прямой зависимости, имеющей одну переменную.
Одномерная нелинейная регрессия:
В этом случае зависимость может быть любая, кроме линейной, но зависимая переменная одна.
Многомерная регрессия:
Здесь рассматриваются несколько переменных.
Математический метод, который обеспечивает такую подгонку кривой, при которой экспериментальные точки ложатся на нее наилучшим образом в смысле критерия наименьших квадратов, называется регрессионным анализом.
В схеме регрессионного анализа предполагается, что независимая переменная x является неслучайной функцией, значения которой задаются заранее перед началом наблюдений за системой. Зависимая переменная y -это СВ.
Обычно к этому приводят 2 предположения:
1) x измеряется без ошибок ( или ими можно пренебречь ), а при измерении y имеются случайные ошибки;
2) y зависит не только от x, но и от ряда неконтролируемых факторов. В этом случае нас интересует лишь среднее значение y при заданном x, т.е. функциональная зависимость y от x:
M [ y / x ] = f [ x, a0, a1, ...] (25.1)
Алгоритм реализации регрессионного анализа:
1. Сбор данных и представление этих данных в виде прямоугольной таблицы значений;
x x1 x2 ... xN
y y1 y2 ... yN табл. 25.1
2. Данные из табл. 25.1 представляются в виде поля разброса в системе координат ( x, y )
y
yN y = a0 + a1x
.
y2 .
y1 .
x1 x2 xN x
3. По виду поля разброса ( этап 2 ) подбирается вид функциональной зависимости ( кривая ) .
Этот этап субъективен.
а) линейная зависимость:
y
y = a0 + a1x
a1 > 0 a1 < 0
x
б) квадратичная зависимость:
y = a0 + a1x + a2x2
a2 > 0 a2 < 0
в) кубическая зависимость:
y = a0 + a1x + a2x2 + а3x3
а3 > 0 a3 < 0
г) парабола n-ой степени:
y = a0 + a1x + a2x2 + а3x3 + ... + anxn
д) логарифмическая кривая:
y = a0 + a1 lg x
a1 > 0
a1 < 0
е) показательная зависимость:
y = a0ea1x
a1 > 0
a1 < 0
ж) кубическая логарифмическая кривая:
lg y = a0 + a1 lg x
з) зависимость между затратами ресурсов и результатами производственной деятельности может быть представлена в следующем виде:
y = a0x1a1x2a2, где
x1, x2 -затраты по определенным компонентам;
y - результат производственной деятельности;
а0, а1, а2 - const
и) линейная производственная функция:
y = a0 + a1x1 + a2x2 + ... , где
x1и x2 соответствующие затраты ресурсов;
ai - норма расхода соответствующих ресурсов, либо среднее значение величины расхода того или иного ресурса.
При подборе кривых помогает анализ вычисления разностей различных порядков y и x.
1) если отношение (Dy / Dx) » const , то y = a0 + a1x;
2) если отношение (D lg y / Dx) » const, то в качестве функциональной зависимости выберем y = a0xa1;
3) если отношение (D lg y / D lg x) » const, то y = a0a1x;
4) если отношение (D (x/y) / Dy) » const, то y = x / (a0 + a1x);
5) если отношение (D2 y / D2 x) » const, то y = a0 + a1x2
Мы можем осуществить выбор кривой по скорости изменения первой производной и по ускорению. Могут быть еще сезонные или периодические составляющие ряда, они аппроксимируются гармоническими функциями.
4. На этом этапе определяются коэффициенты функциональной зависимости ( параметры ). Этот этап реализуется с помощью метода наименьших квадратов (МНК).
Суть МНК:
МНК - это соотношение (26.2):
S = d12 + d22 + ... + dn2 (26.2)
di = [ yi’ - ( a0 + a1xi )]2
n
S = å [ yi’ - ( a0 + a1xi )]2 ® min
i=1
n
dS/da0 = 2 å [ yi’ - ( a0 + a1xi )] [-1] = 0
i=1
n (26.3)
dS/da1 = 2 å [ yi’ - ( a0 + a1xi )] [-xi] = 0
i=1
Решая (26.3) относительно а0и а1, получим:
å yi’ å xi2 - å xi å yi’ xi
a 0 = (26.4)
n å xi2 - ( å xi)2
å xi yi’ - å xi å yi’
a 1 = (26.5)
n å xi2 - ( å xi)2
5. Оценка прогноза ( функциональной зависимости ). Здесь может быть использован критерий Фишера или остаточная дисперсия.