- •Имитационное моделирование экономических процессов
- •Содержание
- •Лекция 1. Краткий экскурс в системный анализ. 1 понятие компьютерного моделирования
- •1.1 Свойства сложных систем. Сложная система, как объект моделирования. Прикладной системный анализ - методология исследования сложных систем
- •1 Свойство: Целостность и членимость
- •2 Свойство: Связи.
- •3 Свойство: Организация.
- •4 Свойство: Интегративные качества.
- •1.2 Определение модели. Общая классификация основных видов моделирования. Компьютерное моделирование. Метод имитационного моделирования
- •1.3 Процедурно-технологическая схема построения и исследования моделей сложных систем. Основные понятия моделирования
- •1.4 Метод статистического моделирования на эвм (метод Монте-Карло)
- •1.5 Выводы. Отличительные особенности моделей различных классов
- •Лекция 2. Сущность метода имитационного моделирования
- •2.1 Метод имитационного моделирования и его особенности. Статическое и динамическое представление моделируемой системы
- •2.2 Понятие о модельном времени. Механизм продвижения модельного времени. Дискретные и непрерывные имитационные модели
- •2.3 Моделирующий алгоритм. Имитационная модель
- •2.4 Проблемы стратегического и тактического планирования имитационного эксперимента. Направленный вычислительный эксперимент на имитационной модели
- •2.5 Общая технологическая схема имитационного моделирования
- •2.6 Возможности, область применения имитационного моделирования
- •Лекция 3. Технологические этапы о создания и о использования имитационных моделей
- •3.1 Основные этапы имитационного моделирования. Общая технологическая схема
- •3.2 Формулировка проблемы и определение целей имитационного исследования
- •3.3 Разработка концептуальной модели объекта моделирования
- •3.4 Формализация имитационной модели
- •3.5 Программирование имитационной модели
- •3.6 Сбор и анализ исходных данных
- •3.7 Испытание и исследование свойств имитационной модели
- •3.8 Направленный вычислительный эксперимент на имитационной модели. Анализ результатов моделирования и принятие решений
- •Лекция 4. Базовые концепции структуризации и формализации имитационных систем
- •4.1 Методологические подходы к построению дискретных имитационных моделей
- •4.2 Язык моделирования gpss
- •4.2.1 40 Лет в мире информационных технологий
- •4.2.2 Содержание базовой концепции структуризации языка моделирования gpss
- •4.2.3 Системы массового обслуживания
- •4.2.4 Gpss - транзактно-ориентированная система моделирования
- •4.2.5 Функциональная структура gpss
- •4.3 Агрегативные модели
- •4.3.1 Кусочно-линейный агрегат
- •4.3.2 Схема сопряжения. Агрегативная система
- •4.3.3 Оценка агрегативных систем как моделей сложных систем
- •4.4 Сети Петри и их расширения
- •4.4.1 Описание структур моделируемых проблемных ситуаций в виде сетей Петри
- •4.4.2 Формальное и графическое представление сетей Петри
- •4.4.3 Динамика сетей Петри
- •4.4.4 Различные обобщения и расширения сетей Петри
- •4.4.5 Технология разработки моделей
- •4.5 Модели системной динамики
- •4.5.1 Общая структура моделей системной динамики. Содержание базовой концепции структуризации
- •4.5.2 Диаграммы причинно-следственных связей
- •4.5.3 Системные потоковые диаграммы моделей
- •Лекция 5. Инструментальные средства автоматизации моделирования
- •5.1 Назначение языков и систем моделирования
- •5.2 Классификация языков и систем моделирования, их основные характеристики
- •5.3 Технологические возможности систем моделирования
- •5.4 Развитие технологии системного моделирования
- •5.5 Выбор системы моделирования
- •Лекция 6. Испытание и исследование свойств имитационной модели
- •6.1 Комплексный подход к тестированию имитационной модели
- •Верификация модели
- •Валидация данных
- •6.2 Проверка адекватности модели
- •6.3 Верификация имитационной модели
- •6.4 Валидация данных имитационной модели
- •6.5 Оценка точности результатов моделирования
- •6.6 Оценка устойчивости результатов моделирования
- •6.7 Анализ чувствительности имитационной модели
- •6.8 Тактическое планирование имитационного эксперимента
- •Лекция 7. Технология постановки и проведения направленного вычислительного эксперимента на имитационной модели
- •7.1 Направленный вычислительный эксперимент на имитационной модели и его содержание
- •7.2 Основные цели и типы вычислительных экспериментов в имитационном моделировании
- •7.3 Основы теории планирования экспериментов. Основные понятия: структурная, функциональная и экспериментальная модели
- •Основные понятия теории планирования экспериментов
- •7.4 План однофакторного эксперимента и процедуры обработки результатов эксперимента
- •7.5 Факторный анализ, полный и дробный факторный эксперимент и математическая модель
- •Свойства полного факторного эксперимента
- •Полный факторный эксперимент и его математическая модель
- •Техника регрессионного анализа
- •Неполный факторный анализ
- •7.6 Основные классы планов, применяемые в вычислительном эксперименте
- •1. Планы многофакторного анализа:
- •2. Планы отсеивающего эксперимента:
- •3. Планы для изучения поверхности отклика
- •7.7 Методология анализа поверхности отклика. Техника расчета крутого восхождения
- •Крутое восхождение по поверхности отклика
- •Список литературы
3.5 Программирование имитационной модели
Концептуальное или формальное описание модели сложной системы преобразуется в программу-имитатор в соответствии с некоторой методикой (дисциплиной) программирования, с применением языков и систем моделирования. Важным моментом здесь является корректный выбор инструментального средства для реализации имитационной модели. Технологическое содержание этого этапа подробно рассматривается в практическом курсе дисциплины. Назначение и классификации языков и систем моделирования, инструментальные и технологические возможности современных систем моделирования рассматривается в 5 лекции.
3.6 Сбор и анализ исходных данных
Не всегда этот этап выделяется как самостоятельный, однако выполняемая на этом этапе работа исключительно важна, трудоемка. Если программирование и трассировку имитационной модели можно выполнять на гипотетических данных, то предстоящее экспериментальное исследование необходимо выполнять на реальном потоке данных. От этого зависит во многом точность получаемых результатов моделирования.
Здесь перед разработчиком имитационной модели встают два вопроса: где и каким образом получить, собрать исходную информацию; как обработать собранные данные о реальной системе.
Основные методы получения исходных данных:
из существующей документации на систему (это могут быть данные официальных и других отчетов, статистические сборники, например, для социально-экономических систем, финансовая и техническая документация -для производственных систем и физическое экспериментирование. Часто для задания исходной информации необходимо провести натурные эксперимент на моделируемой системе или ее прототипах (порой это бывают дорогостоящие эксперименты, -однако это плата за то, чтобы получить точную модель, на которой можно в дальнейшем проводить испытания). Такой подход применим для космических, военных исследований, в авиации. В более простых случаях можно проводить измерения, например хронометраж при выполнении производственных операций;
предварительный, априорный синтез данных. Иногда исходные данные могут не существовать, и сама природа моделируемой системы исключает возможность физического экспериментирования (например, проектируемые системы, прогнозирование в социальных и политических исследованиях). В этом случае предлагают различные приемы предварительного синтеза данных. Например, при моделировании информационных систем, продолжительность выполнения информационного требования оценивается на основании трудоемкости реализуемых на ЭВМ алгоритмов. К этим методам относят различные процедуры, основанные на общем анализе проблематики, анкетировании, интервьюировании, широком применении методов экспертного оценивания.
Второй вопрос связан с проблемой идентификации входных данных для стохастических систем. Мы уже говорили о том, что имитационное моделирование является эффективным аппаратом исследования стохастических систем, т.е. таких систем, динамика которых зависит от случайных факторов. Входные (и выходные) переменные стохастической модели, как правило, —случайные величины, векторы, функции, случайные процессы. Поэтому возникают дополнительные трудности, связанные с синтезом уравнений относительно неизвестных законов распределения и определением вероятностных характеристик (средних значений, дисперсий, корреляционных функций и т.п.) для анализируемых процессов и их параметров. Необходимость статистического анализа при сборе и анализе входных данных связана с задачами определения вида функциональных зависимостей, описывающих входные данные, оценкой конкретных значений параметров этих зависимостей, а также проверкой значимости параметров. Для подбора теоретических распределений случайных величин применяют известные методы математической статистики, основанные на определении параметров эмпирических распределений и проверке статистических гипотез, с использованием критериев согласия, о том, согласуются ли имеющиеся эмпирические данные с известными законами распределения (на статистически приемлемом доверительном уровне). Конечно, на вход модели можно подавать и сырые эмпирические данные, однако это неэффективно как с точки зрения программной реализации, так и с точки зрения моделирования, руководствуясь желанием получить более общие и полезные результаты на выходе имитационной модели.