Имитационное моделирование экономических процессов

Наиболее 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