- •Методические аспекты моделирования в асу и классификация моделей.
- •3. Организация статистического моделирования. Метод монте - карло.
- •Имитация равномерно распределенных случайных величин на интервале [0; 1].
- •Метод обратных функций. Примеры реализации.
- •Имитация векторных случайных величин; стандартный метод
- •Имитация нормально распределенных св (одномерный и многомерный случаи)
- •Анализ методов имитации случайных величин с заданным законом распределения (одномерный и многомерный случаи)
- •Имитация редких событий
- •Оценка количества реализаций, необходимых для достижения требуемой точности в методе статистических испытаний
- •Метод монте – карло и имитационное моделирование
- •Методы понижения дисперсии и методы вычисления интегралов
- •Регенеративный метод анализа моделей
- •Метод стратифицированной выборки
- •Методология имитационного моделирования
- •3. Формулировка математической модели.
- •Типовые математические схемы сложных систем. Агрегат и его функционирование,
- •4.Пример представления смо в виде агрегата.
- •7.Системная динамика
- •17.Метод лемера и сдвиг бернулли. Детерминированный хаос
- •35.Особенности моделирования организационно – экономических систем. Активные системы.
- •23.Характеристики интегрированной среды моделирования gpss
- •23.Основы моделирования в системе gpss
- •31.Смо; классификация и решение задач с помощью имитационного моделирования
- •36.Имитационное моделирование систем управления запасами
- •6.Метод Бокса-Уилсона.
- •3. Определение запаса для движения в направлении крутого восхождения
- •7. Проводим пошаговое приращение в каждом последующем опыте величины уровня фактора, учитывая знаки коэффициентов регрессии.
- •9. Классификация случайных процессов и корреляционные функции.
- •Корреляционные функции
- •18.Имитация потоков событий и случайных векторных величин.
- •19.Понятие детерминированного хаоса и показатель Ляпунова.
- •21. Особенности моделирования организационно-экономических систем. Производственные функции.
- •27.Системы массового обслуживания; классификация и решение задач аналитическим методом.
- •28.Методы имитации дискретных случайных величин.
- •30.Задача определения давления в пласте с помощью метода Монте-Карло.
- •32. Моделирование геологического разреза.
- •Теоретическая часть. Построение имитационной модели геологического разреза
- •34.Системы управления запасами; типовые математические модели.
- •37.Агентное моделирование.
- •Причины возникновения
- •Постановка задачи
- •Реализации
- •38.Имитация экспоненциально распределенных случайных величин.
- •40.Метод композиций; имитация св, подчиненных распределению хи квадрат.
-
Методы понижения дисперсии и методы вычисления интегралов
МЕТОДЫ ПОНИЖЕНИЯ ДИСПЕРСИИ ДЛЯ МЕТОДА МОНТЕ-КАРЛО. 1) Выделение главной части. 2) Существенная выборка. l – единичная реализация
3) Метод симметризации подынтегральной функции.
МЕТОДЫ ПОНИЖЕНИЯ ДИСПЕРСИИ ДЛЯ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ. - Метод стратифицированной выборки (метод расслоения)[ вопрос №14] - Регенеративный метод анализа модели[ вопрос №15]
ВЫЧИСЛЕНИЕ ИНТЕГРАЛОВ. Постановка задачи: Метод Монте-Карло никогда не применяется для решения одномерных интегралов.
Методы решения.
1) Вычисление среднего значения функции. ξ - СВ равномерно распределенная на [a,b]
- оцениваемый параметр - оценка.
Оценка интеграла J:
2) Метод геометрической интерпретации С – максимальное значение функции
(ξ,η) двумерная точка с функцией плотности Рξ,η (х, у)
С(b-a) – общая площадь прямоугольника; оценка интеграла Q2:
Сравним два метода.
Имеем две оценки:
Для того, чтобы уйти от усреднения, вводим
l – единичная реализация,
DQ – дисперсия оценки.
-
Регенеративный метод анализа моделей
Методы понижения дисперсии для имитационного моделирования:
- Метод стратифицированной выборки (метод расслоения)
- Регенеративный метод анализа модели
Примем за критерий качества функционирования системы E{W} – среднее время ожидания требованием (без учета времени обслуживания) в стационарном режиме.
Каждый цикл начинается при одних и тех же условиях и система в эти моменты «восстанавливается», группы данных последовательных циклов статистически независимы и имеют одинаковые распределения. Итак, если положить, например, Yk равной сумме значений длительностей ожидания на k-м цикле, а αk – числу требований, обслуженных на k-м цикле, то пары (Y1,α1), (Y2,α2), (Y3,α3), (Y4,α4) и (Y5,α5) – независимые и одинаково распределенные.
Следовательно, сильно коррелированные данные {W1, W2….} разбились на статистически независимые и одинаково распределенные группы.
Если N – общее число требований, обслуженных на n циклах, то
и E{W} = E{Y1}/E{α1}.
Последовательность {Xn, n≥1} случайных векторов размерности K является регенерирующим процессом, если существует возрастающая последовательность 1≤β1<β2<…случайных дискретных моментов времени, называемых моментами регенерации, такая, что развитие процесса, начиная с каждого из этих моментов, определяется теми же вероятностными законами, что и в момент β1. Это значит, что между любыми двумя последовательными моментами регенерации, например βj и βj+1, часть процесса
{Xn, βj ≤ n < βj+1}
является независимой «вероятностной копией» части процесса между любыми двумя другими последовательными моментами регенерации. Однако для части процесса, заключенного между моментом 1 и моментом β1, хотя и независимой от остальных частей, допускается отличие от них по распределению. Часть процесса {Xn, βj ≤ n < βj+1} будем называть j-м циклом.
Любой регенерирующий процесс с дискретным временем, представляющий практический интерес, имеет в некотором смысле стационарное распределение и наиболее часто в следующем привычном значении: существует К-мерный случайный вектор Х такой, что распределение Xn сходится к распределению X при n→∞, т.е.