- •1. Цель, суть и сферы применения моделирования.
- •2. Определения модели и моделирования; этапы моделирования.
- •3. Суть и роль общепринятых методологических подходов в познавательной деятельности и моделировании.
- •4. Классич. И системн. Подходы в сравнении их познавательных установок
- •5. Понятие системы и внешней среды; "внутренние" и "внешние" системы.
- •6. Структурный и функциональный подходы в моделировании; иерархия уровней моделирования
- •7. Отношение "моделирования" в классическом и системном подходах; основания для перехода к моделированию на основе системного подхода.
- •9. Классификация моделей и моделирования по форме представления объекта.
- •10. Реальные модели; их возможности
- •11. Наглядные модели; их возможности.
- •12. Символические модели; их возможности
- •13. Математические модели, их возможности.
- •14. Имитационное моделирование.
- •15. Кибернетические модели; их возможности
- •16. Организация цифрового статистического моделирования; метод статистических испытаний (Монте-Карло).
- •17. Понятие моделирующего алгоритма.
- •18. Классификация моделей по полноте описания; примеры
- •19. Случайные события; их описание и графическое представление
- •20. Случайные величины и их графическое представление
- •21. Моделирование случайных событий
- •22. Моделирование непрерывных случайных величин методом обратной функции
- •23. Универсальный способ формирования непрерывной случайной величины.
- •24. Описание дискретных случайных величин (полная функция, приближ числ хар-ки)
- •25. Моделирование дискретных случайных величин методом обратной функции
- •26. Способы формирования базовых случайных величин (бсв); их возможности
- •27,28. Свойство конгруэнтности (сравнимости) целочисленных величин и его использование в генераторах бсв
- •29. Мультипликативная и мультипликативно-аддитивная процедура генерации бсв.
- •30. Проверка бсв; плотность распределения и математическое ожидание равномерного распределения.
- •32. Проверка законов распределения псв; критерий Пирсона.
14. Имитационное моделирование.
Для исследования сложных объектов используется имитационное моделирование, когда вместо ур-ний используется моделирующий алгоритм. При этом обычно нек. перечень факторов имеет случайную природу. Поэтому имитационные модели очень часто явл. статистическими. Пр.: л/р по помехоустойчивому кодированию.
При моделировании сложных объектов не удается построить аналитическую модель, однако исследователю удается моделируемый процесс разбить на элементарные процессы в пространстве и времени, которые связаны между собой и достаточно точно отображают реальные хар-ки объекта.
Совокупность связей между элементарными процессами, отображающими реальный процесс, представляется с помощью моделирующего алгоритма, или имитационной модели.
С помощью имит. моделей можно получить мн-во частных решений, что позволяет понять поведение объекта в целом, что присуще аналитическому моделированию, т.е. при большом числе испытаний имитационная модель приближается к аналитической модели.
15. Кибернетические модели; их возможности
Кибернет.модели относятся к классу матем.моделей. Матем.модели дешевы в использовании, легко управляемы, варьируемы, однако дорогие в изготовлении.
Ранее это понятие употреблялось часто. Суть в следующем. Предполагается, что исслед.обьект в такой модели явл. «черным ящиком». Предпол. в таком описании, что исслед. не в состоянии выявить реальную ф-цию обьекта, либо такое открытие связано с больш.затратами. В этом случае, как и обычно, есть немногие данные , к-е представляют поведение реального обьекта. Строится произв. в нек-м смысле модель(имитация, …). Но строятся модели и подбир. параметры, такие чтобы, чтобы для тех же вход. и выход. сигналов. послед. по возможности точнее совпадали с реальностью.
Предполагается что построенная модель в иных ситуациях даст реакции в общем похожие на правильные. При моделировании функц.мышление человека в кач.критерия, кот.фиксирует совпадения модельной ф-ии и ф-ии человеком используется идея:
Если машина с точки зрения 3 наблюдателя дает правдоподобные ответы на правильно заданные вопросы или машина способна формировать правдоподобные предложения для 2й стороны(если маш.способна участвовать в диалоге) то этот алгоритм в какой-то степени отображает ф-цию мышления. При описании сложных явлений киберн.модель, к-я не претендует на точность отображ ф-ии обьекта, а обеспеч.схожесть поведен.обьектов модели, такая модель наиб.приемлема
16. Организация цифрового статистического моделирования; метод статистических испытаний (Монте-Карло).
Метод статистических испытаний (Монте-Карло) базируется на иссл-ии случайных чисел, т.е. возможных значений нек. с.в. с заданным распределением вероятностей. Статистическое моделирование представляет собой метод получения с помощью ЭВМ статистических данных о процессах, происходящих в моделируемой системе. Статистические данные обрабатываются и классифицируются с использованием методов мат. статистики.
Сущность метода: построение для процесса функционирования системы S некоторого моделирующего алгоритма, имитирующего поведение и взаимодействие элементов системы с учетом случайных входных воздействий и воздействий внешней среды E, и реализация этого алгоритма с использованием программно-технических средств ЭВМ.
Области применения: для изучения стохастических систем; для решения детерминированных задач.
В результате статистического моделирования системы S получается серия частных значений искомых величин и функций, статистическая обработка которых позволяет получить сведения о реальном поведении системы в произвольные моменты времени. Если количество реализаций N достаточно велико, то полученные результаты моделирования системы приобретают статистическую устойчивость и с достаточной точностью могут быть приняты в качестве оценок искомых характеристик процесса функционирования системы S.
Метод статистических испытаний (МСИ) — это специфич. инструмент для получения с.в., процессов и функций. Если этот метод включен в состав имитационной модели то она получает название имитационно-статистич. модели.
В МСИ для реализации множества с.в. используются некоторые БСВ. В кач-ве БСВ можно взять велич-у с любым, в т.ч.типовым распредел-ем, однако на практике в кач.базовой случ.велич.выступает велич.с равномерным распред.в диап.от 0 до 1. При наличии БСВ из знач.ее реализ-ии формир-ся всевозм.случайных факторы с помощ.спец.алгор-ов.