Имитационное моделирование экономических процессов
.pdfНаиболее развитой из указанных систем является SLAM-II, по зволяющая создавать сложные модели дискретно-непрерьшных про цессов. Методология, заложенная в систему SLAM-II, резко расши рила область применения имитационного моделирования. Однако и эта система имеет некоторые недостатки: она сложнее GPSS-V в ос воении неподготовленным пользователем, в ней нет собственных средств имитации пространственных процессов.
3. Период 1990-2000-х гг. В поколении систем имитационного моделирования 90-х гг. можно выделить следующие распространен ные пакеты:
•Process Charter-1.0.2 (компания «Scitor», Менло-Парк, Кали форния, США);
•Powersim-2.01 (компания «Modell Data» AS, Берген, Норве
гия);
•Ithink-3.0.6I (компания «High Performance Systems», Ганновер, Нью-Хэмгаыир, США);
•Extend+BPR-3.1 (компания «Imagine That!», Сан-Хосе, Кали форния, США);
•ReThink (фирма «Gensym», Кембридж, Массачусетс, США);
•Pilgrim (Россия).
Пакет Process Charter-1.0.2 имеет «интеллектуальное» средство построения блок-схем моделей. Он ориентирован в основном на дискретное моделирование. Имеет достоинства: удобный и простой в использовании механизм построения модели, самый дешевый из перечисленных продуктов, хорошо приспособлен для решения задач распределения ресурсов. Недостатки пакета: наименее мощный про? дукт, слабая поддержка моделирования непрерывных компонентов, ограниченный набор средств для анализа чувствительности и по строения диаграмм.
Пакет Powersim-2.01 является хорошим средством создания не прерывных моделей. Имеет достоинства: множество встроенных функций, облегчающих построение моделей, многопользователь ский режим для коллективной работы с моделью, средства обработ ки массивов для упрощения создания моделей со сходными компо нентами. Недостатки пакета: сложная специальная система обозна чений System Dynamics, ограниченная поддержка дискретного моде лирования;
Пакет Ithink-3.0.61 обеспечивает создание непрерывных и дис кретных моделей. Имеет достоинства: встроенные блоки для облег чения создания различных видов моделей, поддержка авторского
11
моделирования слабо подготовленными пользователями, подробная обучающая программа, развитые средства анализа чувствительно сти, поддержка множества форматов входных данных. Недостатки пакета: сложная система обозначений System Dynamics, поддержка малого числа функций по сравнению с Powersim-2.01.
Пакет Extend+BPR-3.1 (BPR - Business Process Reengineering) создан как средство анализа бизнес-процессов, использовался в NASA, поддерживает дискретное и непрерьшное моделирование. Имеет достоинства: интуитивно понятная среда построения моделей с помощью блоков, множество встроенных блоков и функций для облегчения создания моделей, поддержка сторонними компаниями (особенно выпускающими приложения для «вертикальных» рын ков), гибкие средства анализа чувствительности, средства создания дополнительных функций с помощью встроенного язьжа. Недостат ки пакета: используется в полном объеме только на компьютерах типа Macintosh, имеет высокую стоимость.
Пакет ReThink обладает свойствами Extend+BPR-3.1 и в отличие от перечисленных пакетов имеет хороший графический транслятор для создания моделей. Работает под управлением экспертной обо лочки G2. Имеет достоинства: все положительные свойства Extend+BPR-3.1 и общее поле данных с экспертной системой реаль ного времени, создаваемой средствами G2.
Пакет Pilgrim обладает широким спектром возможностей имита ции временной, пространственной и финансовой динамики модели руемых объектов. С его помощью можно создавать дискретнонепрерьюные модели. Разрабатьшаемые модели имеют свойство коллективного управления процессом моделирования. В текст моде ли можно вставлять любые блоки с помощью стандартного языка C++. Различные версии этой системы работали на IBM-совместимых и DEC-coBMecraMbix компьютерах, оснащенных Unix или Windows. Пакет Pilgrim обладает свойством мобильности, т.е. переноса на лю бую другую платформу при наличии компилятора C++. Модели в системе Pilgrim компилируются и поэтому имеют высокое быстро действие, что очень важно для отработки управленческих решений и адаптивного выбора вариантов в сверхускоренном масштабе време ни. Полученный после компиляции объектный код можно встраи вать в разрабатываемые программные комплексы или передавать (продавать) заказчику, так как при эксплуатации моделей инстру ментальные средства пакета Pilgrim не используются. Система имеет сравнительно невысокую стоимость.
12
Перечисленные выше инструментальные средства имеют общее свойство: возможность графического конструирования модели. В процессе такой инженерной работы удается связать в графическом представлении на одной графической схеме моделируемые процессы с управленческими (административными) или конструктивными особенностями моделируемой системы.
В конце 1990-х гг. в России разработаны новые системы:
•пакет РДО (МГТУ им. Н.Э. Баумана);
•система СИМПАС (МГТУ им. Н.Э. Баумана);
•пятая версия Pilgrim (МЭСИ и несколько компьютерных фирм).
Пакет РДО (РДО - Ресурсы-Действия-Операции) является мощ ной системой имитационного моделирования для создания продук ционных моделей. Обладает развитыми средствами компьютерной графики (вплоть до анимации). Применяется при моделировании сложных технологий и производств.
Система СИМПАС (СИМПАС - СИстема-Моделирования-на- ПАСкале) в качестве основного инструментального средства ис пользует язык программирования Паскаль. Недостаток, связанный со сложностью моделирования на языке общего назначения, ком пенсируется специальными процедурами и функциями, введенными разработчиками этой системы. Проблемная ориентация системы - это моделирование информационных процессов, компьютеров сложной архитектуры и компьютерных сетей.
Пятая версия Pilgrim - это новый программный продукт, соз данный в 2000 г. на объектно-ориентированной основе и учитываю щий основные положительные свойства прежних версий. Достоин ства этой системы:
•ориентация на совместное моделирование материальных, ин формационных и «денежных» процессов;
•наличие развитой CASE-оболочки, позволяющей конструиро вать многоуровневые модели в режиме структурного системного анализа;
•наличие интерфейсов с базами данных;
•возможность для конечного пользователя моделей непосредст венно анализировать результаты благодаря формализованной техно логии создания функциональных окон наблюдения за моделью с по мощью Visual С-И-, Delphy или других средств;
•возможность управления моделями непосредственно в процес се их выполнения с помош;ью специальных окон диалога.
13
в данной книге при рассмотрении практических задач и приме ров имитационного моделирования используются концепция, воз можности и функциональные средства системы Pilgrim. Это объяс няется тем, что в новом поколении Государственных образователь ных стандартов высшего профессионального образования, введен ном в России с 2000 г., идеология именно этой системы заложена в дидактическое содержание двух компьютерньк дисциплин:
•«Имитационное моделирование экономических процессов» - специальность 351400 «Прикладная информатика (по областям)» для областей «экономика» и «менеджмент»;
•«Компьютерное моделирование» - специальность 351500 «Математическое обеспечение и администрирование информацион ных систем».
Однако читатели, знакомые с имитационным моделированием и применением других пакетов моделирующих программ (например, GPSS), могут убедиться в том, что подходы и методические приемы, используемые в данном пособии, могут быть реализованы с помо щью разных моделирующих систем.
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
1.1 ОСНОВНЫЕ ПОНЯТИЯ.
РАЗНОВИДНОСТИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Имитационное моделирование реализуется посредством набора математических инструментальных средств, специальньк компью терных программ и приемов, позволяющих с помощью компьютера провести целенаправленное моделирование в режиме «имитации» структуры и функций сложного процесса и оптимизацию некоторых его параметров. Набор программных средств и приемов моделиро вания определяет специфику системы моделирования - специально го программного обеспечения.
В отличие от других видов и способов математического модели рования с применением ЭВМ имитационное моделирование имеет свою специфику: запуск в компьютере взаимодействующих вычис лительных процессов, которые являются по своим временным пара метрам - с точностью до масштабов времени и пространства - ана логами исследуемых процессов.
Имитационное моделирование как особая информационная тех нология состоит из следующих основных этапов.
1. Структурный анализ процессов. Проводится формализация структуры сложного реального процесса путем разложения его на подпроцессы, вьшолняющие определенные функции и имеющие взаимные функциональные связи согласно легенде, разработанной рабочей экспертной группой. Выявленные подпроцессы, в свою очередь, могут разделяться на другие функциональные подпроцес сы. Структура общего моделируемого процесса может бьггь пред ставлена в виде графа, имеющего иерархическую многослойную
15
структуру, в результате появляется формализованное изображение имитационной модели в графическом виде.
Структурный анализ особенно эффективен при моделировании экономических процессов, где (в отличие от технических) многие составляющие подпроцессы не имеют физической основы и проте кают виртуально, поскольку оперируют с информацией, деньгами и логикой (законами) их обработки.
2. Формализованное описание модели. Графическое изображение имитационной модели, функции, вьшолняемые каждым подпроцес сом, условия взаимодействия всех подпроцессов и особенности по ведения моделируемого процесса (временная, пространственная и финансовая динамика) должны быть описаны на специальном языке для последующей трансляций. Для этого существуют различные способы:
•описание вручную на языке типа GPSS, Pilgrim и даже на Visual Basic. Последний очень прост, на нем можно запрограммиро вать элементарные модели, но он не подходит для разработки реаль ных моделей сложных экономических процессов, так как описание модели средствами Pilgrim компактнее аналогичной алгоритмиче ской модели на Visual Basic в десятки-сотни раз;
•автоматизированное описание с помощью компьютерного гра фического конструктора во время проведения структурного анализа, т.е. с очень незначительными затратами на программирование. Та кой конструктор, создающий описание модели, имеется в составе системы моделирования в Pilgrim.
3. Построение модели (build). Обычно это трансляция и редак тирование связей (сборка модели), верификация (калибровка) пара метров.
Трансляция осуществляется в различных режимах:
•в режиме интерпретации, характерном для систем типа GPSS, SLAM-IlHReThink;
•в режиме компиляции (характерен для системы Pilgrim). Каждый режим имеет свои особенности.
Режим интерпретации проще в реализации. Специальная уни
версальная программа-интерпретатор на основании формализован ного описания модели запускает все имитирующие подпрограммы. Данный режим не приводит к получению отдельной моделирующей программы, которую можно было бы передать или продать заказчи ку (продав^ать пришлось бы и модель, и систему моделирования, что не всегда возможно).
16
Режим компиляции сложнее реализуется при создании модели рующей системы. Однако это не усложняет процесс разработки мо дели. В результате можно получить отдельную моделирующую про грамму, которая работает независимо от системы моделирования в виде отдельного программного продукта.
Верификация (калибровка) параметров модели вьшолняется в соответствии с легендой, на основании которой построена модель, с помощью специально выбранных тестовых npj^MepoB.
4. Проведение экстремального эксперимента для оптимизации определенных параметров реального процесса. Планированию таких экспериментов посвящена глава 7.
Примеры, приводимые в данной книге, в основном ориентирова ны на систему Pilgrim, получившую распространение в экономиче ских вузах России. Однако читатели, владеющие GPSS, SLAM-II или ReTTiink, без особого труда увидят общие методические приемы, fte зависящие от выбранной системы.
Концепция имитационного моделирования требует предвари тельного знакомства читателя с методом Монте-Карло, с методоло гией проведения проверок статистических гипотез, с устройством программньк датчиков случайных (псевдослучайных) величин и с особенностями законов распределения случайных величин при мо делировании экономических процессов, которые не рассматривают ся в типовых программах дисциплины «Теория вероятностей».
Кроме того, необходимо рассмотреть специальные стохастиче ские сетевые модели, которые дают представление о временных диаграммах специальных имитационных процессов при вьшолнении программной модели.
1.2 МЕТОД МОНТЕ-КАРЛО И ПРОВЕРКА СТАТИСТИЧЕСКИХ ГИПОТЕЗ
Статистические испытания по методу Монте-Карло представля ют собой простейшее имитационное моделирование при полном отсутствии каких-либо правил поведения. Получение выборок по методу Монте-Карло - основной принцип компьютерного модели рования систем, содержащих стохастические или вероятностные элементы. Зарождение метода связано с работой фон Неймана и Улана в конце 1940-х гг., когда ощ ввеяит5ля-«№в4«звание..«Мон.те-
17
Карло» и применили его к решению некоторых задач экранирования ядерных излучений. Этот математический метод был известен и ранее, но свое второе рождение нашел в Лос-Аламосе в закрытых работах по ядерной технике, которые велись под кодовым обозначе нием «Монте-Карло». Применение метода оказалось настолько ус пешным, что он получил распространение и в других областях, в частности в экономике.
Поэтому многим специалистам термин «метод Монте-Карло» иногда представляется синонимом термина «имитационное модели рование», что в общем случае неверно. Имитационное моделирова ние - это более широкое понятие, и метод Монте-Карло является важным, но далеко не единственным методическим компонентом имитационного моделирования.
Согласно методу Монте-Карло проектировщик может моделироват^ь работу тысячи сложных систем, управляющих тысячами разно видностей подобных процессов, и исследовать поведение всей груп пы, обрабатывая статистические данные. Другой способ применения этого метода заключается в том, чтобы моделировать поведение системы управления на очень большом промежутке модельного времени (несколько лет), причем астрономическое время выполне ния моделирующей программы на компьютере может составить доли секунды. Рассмотрим метод Монте-Карло подробнее.
В различных задачах, встречающихся при создании сложньк систем, могут использоваться величины, значения которых опреде ляются случайным образом. Примерами таких величин являются:
•случайные моменты времени, в которые поступают заказы на фирму;
•загрузка производственных участков или служб объекта эко номики;
•внешние воздействия (требования или изменения законов, пла тежи по штрафам и др.);
•оплата банковских кредитов;
•поступление средств от заказчиков;
•ошибки измерений.
В качестве соответствующих им переменньк могут использо ваться число, совокупность чисел, вектор или функция. Одной из разновиднобтей метода Монте-Кгфло при численном решении задач,- включающих случайные переменные, является метод статистиче ских испытаний, который заключается в моделировании случайных собьггай.
18
Метод Монте-Карло основан на статистических испытаниях и по природе своей является экстремальным, может применяться для решения полностью детерминированных задач, таких, как обраще ние матриц, решение дифференциальных уравнений в частных про изводных, отыскание экстремумов и численное интегрирование. При вычислениях методом Монте-Карло статистические результаты по лучаются путем повторяющихся испытаний. Вероятность того, что эти результаты отличаются от истинных не более чем на заданную величину, есть функция количества испытаний.
В основе вычислений по методу Монте-Карло лежит случайный выбор чисел из заданного вероятностного распределения. При прак тических вычислениях эти числа берут из таблиц или получают пу тем некоторых операций, результатами которых являются псевдо случайные числа с теми же свойствами, что и числа, получаемые путем случайной выборки. Имеется большое число вычислительных алгоритмов, которые позволяют получить длинные последователь ности псевдослучайных чисел.
Один из наиболее простых и эффективных вычислительных ме тодов получения последовательности равномерно распределенных случайных чисел г, с помощью, например, калькулятора или любого другого устройства, работающего в десятичной системе счисления, включает только одну операцию умножения.
Метод заключается в следующем: если г, = 0,0040353607, то /",^i = {40353607A}}mod 1, где mod 1 означает операцию извлечения
из результата только дробной части после десятичной точки. Как описано в различных литературных источниках, числа г, начинают повторяться после цикла из 50 миллионов чисел, так что rsooooooi = г\, Последовательность г/ получается равномерно распределенной на интервале (О, 1). Ниже будут рассмотрены более точные способы получения таких чисел со значительно большими периодами, а так же пояснения, как в реальных моделях такие числа становятся прак тически случайными.
Применение метода Монте-Карло может дать существенный эф фект при моделировании развития процессов, натурное наблюдение которых нежелательно или невозможно, а другие математические методы применительно к этим процессам либо не разработаны, либо неприемлемы из-за многочисленных оговорок и допущений, кото рые могут привести к серьезным погрешностям или неправильным вьюодам. В связи с этим необходимо не только наблюдать развитие
19
процесса в нежелательных направлениях, но и оценивать гипотезы о параметрах нежелательных ситуаций, к которым приведет такое развитие, в том числе и параметрах рисков.
Сущертвуют различные методы проверки статистических гипо тез. Наиболее широко используются на практике критерии:
•согласия х^ (хи-квадрат);
•Крамера-фон Мизеса;
•Колмогорова-Смирнова,
Критерий х^ предпочтителен, если объемы выборок N, в отно шении которых проводится анализ, велики. Это мощное средство, если Л^> 100 значений. Однако при анализе экономических ситуаций иногда бывает довольно трудно (или невозможно) найти 100 одина ковых процессов, развивающихся с различными исходными данны ми. Сложность заключается не только в том, что не бьшает одинако вых объектов экономики: даже если такие объекты имеются, то к исходным данным относятся не только исходные вероятностные данные и особенности структуры объекта, но и сценарий развития процессов в этом объекте и в тех объектах внешней среды, с кото рыми он взаимодействует (процессы рынка, указы правительства, принятие новых законов, требования налоговых органов, платежи в бюджеты различных уровней). При относительно малых объемах выборок этот критерий вообще неприменим.
Критерий Крамераг-фон Мизеса дает хорошие результаты при малых объемах выборок (при Л'^< 10). Однако следует отметить два обстоятельства:
1) при Л'^ < 10, каким бы методом ни пользоваться, вопрос о до верительной вероятности при проверке статистической гипотезы решается плохо (эта вероятность мала при значительных размерах доверительных интервалов);
2) метод Монте-Кч)ло используется как раз для того, чтобы не достающие данные собрать с помощью специального вычислитель ного статистического инструментария и компьютера.
Поэтому будем полагать, что реальные объемы выборок, кото рые можно получить, находятся в пределах 10 ^ iV< 100. Как указы вают многие исследователи, для указанных пределов хорошие ре зультаты дает критерий Колмогорова-Смирнова. Он применяется в тех случаях, когда проверяемое распределение непрерывно и из вестны среднее значение и дисперсия проверяемой совокупности. Рассмотрим подробнее методику использования этого критерия на конкретном примере.
20