- •Федеральное агентство по образованию
- •Оглавление
- •Глава 5. Моделирование вычислительных и операционных систем 289
- •Глава 6. Основы моделирования процессов 305
- •Глава 7. Задания для самостоятельной работы 311
- •Глава 8. Проектирование имитационных моделей 335
- •Глава 9. Технология имитационного моделирования 361
- •Глава 10. Примеры принятия решений с помощью имитационного моделирования 433
- •Глава 11. Задания для имитационных проектов 451
- •Предисловие
- •Введение
- •Глава 1. Модели массового обслуживания
- •1.1. Системы массового обслуживания и их характеристики
- •1.2. Системы с одним устройством обслуживания
- •1.3. Основы дискретно-событийного моделирования смо
- •1.4. Многоканальные системы массового обслуживания
- •Глава 2. Вероятностные сети систем массового обслуживания
- •2.1. Общие сведения о сетях
- •2.2. Операционный анализ вероятностных сетей
- •2.3. Операционные зависимости
- •2.4. Анализ узких мест в сети
- •Глава 3. Вероятностное моделирование
- •3.1. Метод статистических испытаний
- •3.2. Моделирование дискретных случайных величин
- •3.3. Моделирование непрерывных случайных величин
- •3.4. Сбор статистических данных для получения оценок характеристик случайных величин
- •Для оценки дисперсии случайной величины ξ используют формулу
- •3.5. Определение количества реализаций при моделировании случайных величин
- •По формулам (3.18-3.20) находим
- •Задачи для самостоятельной работы
- •Задача 6
- •Глава 4. Система моделированияgpss
- •4.1. Объекты
- •4.2. Часы модельного времени
- •4.3. Типы операторов
- •4.4. Внесение транзактов в модель. БлокGenerate
- •Задание для самостоятельной работы:
- •4.5. Удаление транзактов из модели. БлокTerminate
- •4.6. Элементы, отображающие одноканальные обслуживающие устройства
- •4.7. Реализация задержки во времени. БлокAdvance
- •Задания для самостоятельной работы:
- •4.8. Сбор статистики об ожидании. Блоки queue, depart
- •4.9. Переход транзакта в блок, отличный от последующего. БлокTransfer
- •Задания для самостоятельной работы:
- •4.10. Моделирование многоканальных устройств
- •4.11. Примеры построенияGpss-моделей
- •Построение модели
- •4.12. Переменные
- •4.13. Определение функции вGpss
- •Пример 4.23
- •4.14. Стандартные числовые атрибуты, параметры транзактов. Блоки assign, mark, loop
- •4.15. Изменение приоритета транзактов. БлокPriority
- •4.16. Организация обслуживания с прерыванием. Блоки preempt и return
- •Задание для самостоятельной работы:
- •4.17. Сохраняемые величины
- •4.18. Проверка числовых выражений. Блок test
- •Пример 4.40
- •Задание для самостоятельной работы:
- •4.19. Определение и использование таблиц
- •Задания для самостоятельной работы:
- •4.20. Косвенная адресация
- •4.21. Обработка транзактов, принадлежащих одному семейству
- •4.22. Управление процессом моделирования в системеGpss
- •4.23. Списки пользователей
- •4.24. Блоки управления потоками транзактовLogic,gatelr,gatelSиGate
- •7 Testne p1,p2,asn2 ; Повторить, если адресат
- •4.25. Организация вывода временных рядов изGpss-модели
- •4.26. Краткая характеристика языкаPlus
- •4.27. Команды gpss World
- •4.28. Диалоговые возможностиGpssWorld
- •4.29. Отличия между gpss World и gpss/pc
- •Глава 5. Моделирование вычислительных и операционных систем
- •5.1. Операционные системы компьютеров
- •5.2. Сети и системы передачи данных
- •5.3. Проблемы моделирования компьютеров и сетей
- •Глава 6. Основы моделирования процессов
- •6.1. Производственные процессы
- •6.2. Распределительные процессы
- •6.3. Процессы обслуживания клиентов
- •6.4. Процессы управления разработками проектов
- •Глава 7. Задания для самостоятельной работы Задание 1. Моделирование разливной линии
- •Глава 8. Проектирование имитационных моделей с помощью интерактивной системы имитационного моделирования
- •8.1. Структура интерактивной системы имитационного моделирования
- •8.2. Построение концептуальной схемы модели
- •8.3. Параметрическая настройка модели
- •8.4. Генератор формул
- •8.5. Управление экспериментом
- •8.6. Запуск эксперимента и обработка результатов моделирования
- •8.7. Управление проектами и общей настройкой системы
- •8.8. Пример построения модели средствамиIss2000
- •Глава 9. Технология имитационногомоделирования
- •9.1. Имитационные проекты
- •9.2. Организация экспериментов
- •9.3. Проблемы организации имитационных экспериментов
- •9.4. Оценка точности результатов моделирования
- •9.5. Факторный план
- •9.6. Дисперсионный анализAnovAв планированииэкспериментов
- •9.7. Библиотечная процедураAnova
- •9.8. Технология проведение дисперсионного анализа в системеGpss World
- •9.9. Особенности планирования экспериментов
- •9.10. Нахождение экстремальных значений на поверхности отклика
- •9.11. Организация экспериментов вGpssWorld
- •9.12. Выбор наилучшего варианта структуры системы
- •Глава 10. Примеры принятия решений с помощью имитационного моделирования
- •10.1. Моделирование производственного участка
- •10.2. Моделирование технологического процесса ремонта и замены оборудования
- •Глава 11. Задания для имитационных проектов
- •Приложение Системные сча
- •Сча транзактов
- •Сча блоков:
- •Сча одноканальных устройств:
- •Сча очередей
- •Сча таблиц
- •Сча ячеек и матриц ячеек сохраняемых величин:
- •Сча вычислительных объектов
- •Сча списков и групп
- •Список литературы
3.4. Сбор статистических данных для получения оценок характеристик случайных величин
Основными элементами, из совокупности которых складывается вероятностная модель метода статистических испытаний, являются случайные реализации. Очевидно, что при решении некоторой задачи определения характеристик или параметров исходного случайного процесса должен быть определен этот случайный процесс.
Искомыми величинами при использовании метода статистических испытаний являются оценки:
вероятности наступления некоторого события;
математического ожидания случайной величины;
- дисперсии случайной величины;
- коэффициентов ковариации или корреляции случайной величины.
Для оценки вероятности р наступления некоторого события А используется частота наступления этого события
где т - частота наступления события, a N- число опытов.
Для оценки математического ожидания случайной величины используется среднее значение
где хi - i-я реализация случайной величины.
Для оценки дисперсии случайной величины ξ используют формулу
где S2 - оценка дисперсии случайной величины ξ.
Непосредственно использовать эти формулы для вычисления дисперсии сложно, поскольку среднее значение изменяется по мере накопления хi то есть нужно запоминать все N значений хi. Поэтому для вычисления используют формулу:
В этом случае достаточно накапливать две суммы значений – хi и xi2.
Непосредственное использование этой формулы для программирования может привести к переполнению разрядной сетки, если программировать ее в таком порядке, в котором она записана. Необходимо изменить последовательность действий, чтобы избавиться от очень больших чисел и переполнения разрядной сетки компьютера.
Все статистические оценки должны иметь определенные качественные показатели, к которым относятся несмещенность, эффективность и состоятельность оценки.
Для случайных величин ξ и η с возможными значениями хk , уk оценка корреляционного момента определяется так
3.5. Определение количества реализаций при моделировании случайных величин
Число испытаний N определяет точность получаемых результатов моделирования. Если необходимо оценить величину параметра а по результатам моделирования хi, то за оценку следует брать величину х, которая выступает в функции от xi.
Из-за случайности х будет отличаться от а, то есть
где ε - точность оценки. Вероятность того, что данное неравенство выполняется, обозначим через α:
Для определения точности результатов статистических испытаний необходимо воспользоваться выражением (3.17).
Определение количества реализаций для оценки вероятности наступления события. Пусть целью моделирования будет определение вероятности наступления некоторого события А, определяющего состояние моделированной системы. В любой из N реализаций процесс наступления события А является случайной величиной, которая может приобретать значение x1=1 с вероятностью р и x2=0 с вероятностью 1-р. Тогда можно найти математическое ожидание
В качестве оценки р используют частоту наступления события А. Эта оценка несмещенная, состоятельная и эффективная.
При условии, что N заведомо задано, достаточно накапливать т:
где ξi - наступление события А в реализации, ξi = {1,0}.
По формулам (3.18-3.20) находим
В соответствии с центральной предельной теоремой (в данном случае можно взять теорему Лапласа) случайная величина m/N – будет иметь распределение, близкое к нормальному (рис. 3.13). Поэтому для каждой достоверности α из таблиц нормального распределения можно найти такую величину ta, что точность ε будет равняться величине
При α = 0,95 ta=l,96.
При α = 0,997 ta=3.
Подставим в уравнение (3.21) выражение дисперсии
Поскольку вероятность р заранее неизвестна, прибегают к пробным испытаниям (N = 50... 100), получают частоту m/N - и подставляют ее значения в выражение (3.23) вместо р, после чего определяют конечное количество испытаний.
Определение количества реализаций для оценки среднего значения случайной величины. Пусть случайная величина имеет математическое ожидание α и дисперсию σ2. В реализации с номером i она принимает значение xi. Для оценки математического ожидания a используем среднее
В соответствии с центральной предельной теоремой при больших значениях N среднее арифметическое х будет нормально распределено с математическим ожиданием α и дисперсией σ2/N-1. Тогда
Поскольку дисперсия оцениваемой случайной величины неизвестна, необходимо провести 50-100 испытаний и оценить σ2, а потом полученное значение оценки подставить в формулу (3.26), чтобы определить необходимое количество реализаций N.