- •Общие вопросы моделирования. Понятие модели. Классификация моделей. Модели физические, абстрактные, смешанные.
- •Виды моделей. Способ реализации моделирования и степень отражения в моделях времени и неопределенности.
- •Объект моделирования – вычислительная система. Основные задачи исследования объекта, их характеристика и методы решения.
- •Графовые модели алгоритмов и программ. Построение графовых моделей.
- •Эквивалентные преобразования графовых моделей алгоритмов и программ.
- •Марковские случайные процессы и их место при построении и исследовании вероятностных моделей объектов.
- •Дискретные марковские цепи. Основные задачи их исследования. Примеры объектов, для исследования которых могут быть использованы дмц.
- •Потоки событий. Основные понятия и определения. Простейший поток событий и потоки Эрланга.
- •Непрерывные марковские цепи. Основные задачи их исследования. Примеры объектов, для исследования которых могут быть использованы дмц.
- •Типовые графы состояний системы. Процесс “гибели и размножения”. Примеры объектных систем.
- •Типовые графы состояний системы. Циклический процесс. Примеры объектных систем.
- •Методы исследования немарковских случайных процессов, сводящихся к марковским.
- •Теория массового обслуживания и ее место при построении и исследовании вероятностных моделей объектов. Основные понятия и определения.
- •Системы массового обслуживания (смо). Обобщенная структура смо.
- •Основные параметры и характеристики смо.
- •Разомкнутые смо с очередью и нетерпеливыми заявками. Примеры объектных систем.
- •Разомкнутые смо с очередью и терпеливыми заявками. Примеры объектных систем.
- •Разомкнутые смо без потерь. Примеры объектных систем.
- •Замкнутые смо с простейшими потоками событий. Примеры объектных систем.
- •Смо с произвольными потоками событий. Случай бесприоритетной дисциплины обслуживания.
- •Смо с произвольными потоками событий. Случай дисциплины обслуживания с относительным приоритетом.
- •Смо с произвольными потоками событий. Случай дисциплины обслуживания с абсолютным приоритетом.
- •Сети массового обслуживания с простейшими потоками событий. Анализ разомкнутой сети. Примеры объектных систем.
- •Сети массового обслуживания с простейшими потоками событий. Анализ замкнутой сети. Примеры объектных систем.
- •Статистическое моделирование случайных процессов. Организация статистического моделирования. Моделирование базовых случайных величин (св).
- •Моделирование непрерывной случайной величины с произвольным распределением. Моделирование дискретной св. Моделирование случайных событий и потоков случайных событий.
-
Моделирование непрерывной случайной величины с произвольным распределением. Моделирование дискретной св. Моделирование случайных событий и потоков случайных событий.
-
Моделирование непрерывной псевдослучайной величины с произвольным распределением (распределение должно быть задано).
F(x) и f(x) известны.
Существует 2 метода – метод обратной функции и метод исключения.
-
Метод обратной функции.
Допущение – при известной функции распределения значения этой функции для СВ совпадают с нормированной базовой псевдослучайной величиной:
С помощью датчика СВ формируем , то есть базу, затем по известному виду распределения находим такое значение x, чтобы F(x) было равно .
Недостаток – необходимо знать аналитическое выражение . К примеру, для нормального распределения обратной функции нет.
Если обратная функция неизвестна – можно:
-
Пользоваться табличным представлением (искать по x).
-
Использовать другую функцию, аппроксимирующую это значение.
-
Метод исключения.
Метод – универсальный, может быть обобщен на многомерную СВ, но СВ должна иметь четкие границы изменения.
Алгоритм:
-
С помощью датчика случайных чисел генерируем два независимых значения БСВ .
-
– равномерно распределенная СВ в пределах [a, b] по оси x.
– равномерно распределенная СВ в пределах [0, ] по оси f(x).
Получили абсциссу и ординату случайной точки в пределах прямоугольника abcd.
-
– значение функции плотности вероятности.
-
– тогда , иначе исключаются и переходим к пункту 1.
Рассмотрим многомерный случай:
– многомерное распределение плотности вероятности (дано).
-
Формируем n+1 значение независимых БСВ .
-
– значение функции плотности вероятности.
-
– тогда , иначе исключаются, переходим к пункту 1.
Нормальное распределение СВ получить нельзя:
-
Нет аналитической обратной функции.
-
Нет ограничений.
Для получения нормально распределенной СВ используем “предельную теорему теории вероятностей”. Используя ее, получаем:
– независимые базовые СВ (равномерно распределены от 0 до 1), не менее восьми.
Но мат.ожидание нормально распределенной СВ = 0.
-
Моделирование дискретной псевдослучайной величины.
– ДСВ.
Расположим вероятности в порядке убывания.
Метод геометрической интерпретации вероятности.
Интервал возможных значений БСВ делится на интервалы длин вероятностей:
БСВ попала в i-тый интервал попала => x=xi.
Задача упрощается, если все числа в множестве равновероятны.
Если , значит x=xi.
Случайное событие A, происходит с вероятностью p.
Если сгенерированная БСВ , то A.
Если , то .
-
Моделирование потока случайных однородных событий.
Случайный поток однородных событий – это последовательное наступление событий через интервалы времени , которые являются СВ и составляют систему {}. Задача моделирования сводится к моделированию системы случайных величин и может быть реализована в общем случае методом исключения по заданной плотности вероятности системы.
-
Если поток однородных случайных событий обладает ограниченным последействием, то независимы друг от друга, и задача упрощается, так как можно упростить функцию плотности вероятности: , и можно просто последовательно воспроизвести значения СВ по очереди по заданным плотностям распределения .
-
Если поток однородных случайных событий обладает не только ограниченным последействием, но и является стационарным, то не только независимы друг от друга, но и обладают одинаковой функцией плотности вероятности, поэтому задача сводится к последовательному воспроизведению n раз одной и той же СВ T с плотностью .