Имитационное моделирование экономических процессов
.pdf* 2 i ;
Xi
Рис. 7.6. Схема движения по градиенту
Если поверхность отклика локально может быть описана линей ным уравнением, то частные производные, очевидно, будут равны коэффициентам уравнения регрессии
=ь..
В этом случае при движении по поверхности отклика в направ лении крутого восхождения нужно будет независимые переменные изменять пропорционально величине соответствующих коэффици ентов регрессии с учетом их знака. При постановке экспериментов всегда приходится переходить к натуральным переменным. В нату ральных переменных величина шага должна быть пропорциональна произведению 6/ на единицу варьирования.
Пример 7.4. Определение состава компонентов сплава. Рассмот рим задачу выбора оптимального состава сплава*. Требуется найти такое соотношение легирующих компонентов, чтобы сплав на осно ве железа имел максимальное сопротивление на разрыв при темпе ратуре 800°С. Железо легировали следующими элементами: Сг, Ni, Мо, V, Nb, Мп, С. Легирующие Элементы и уровни варьирования задавались исходя из металловедческих и экономических соображе ний. Опустим для краткости процесс планирования движения по градиенту, и сразу отметим следующее.
• Кузин Л.Т., Плужников Л.Н., Белов Б.Н. Математические методы в эко номике и организации производства. - М.: Изд-во МИФЦ 1968. (Пример взят из этой книги и перепроверен авторами с помощью модели.)
271
Лучший результат получен в 11-м опыте. Дальнейшее движение по направлению градиента линейного приближения приводит к пони жению сопротивления на разрыв. Таким образом, был найден следую щий состав стали: Сг 10,4%; Ni 1,2%; Mo 0,66%; V 0,18%; Nb 0,58%; Mn 0,24%; С 0,8% с сопротивлением на разрьш>' = 11,500 т/см^.
Эксперимент с семью факторами после всего 13 опытов позво лил увеличить сопротивление на разрыв более чем в 2,5 раза (11,5/4,5). При обычных традищюнных методах исследования решение такой задачи потребовало бы длительных и дорогостояпщх усилий. Результаты работы были бы представлены не двумя таблицами, а гро моздким отчетом, содержащим десятки таблиц и графиков. При жела нии полученный результат может быть уточнен, если повторить экспе римент, выбрав полученную точку оптимума в качестве исходной.
В рассмотренном примере имеется достаточно априорных све дений о процессе (состав переменных, величина шага, исходная точ ка). Если априорных сведений мало, то исследование методом кру того восхождения также эффективно, однако его приходится повто рять многократно. Чем меньше данных априори, тем длительнее процесс поиска оптимума.
Основными достоинствами факторного эксперимента являются простота и возможность отыскания экстремальной точки (с какой-то погрешностью), если неизвестная поверхность достаточно гладкая и нет локальных экстремумов.
Основные недостатки факторного эксперимента:
1) невозможность поиска экстремума при наличии ступенчатых разрывов неизвестной поверхности или локальных эктремумов;
2) отсутствие средств описания характера поверхности вблизи экстремальной точки, так как используются простейшие линейные уравнения регрессии.
7.6 ОРТОГОНАЛЬНОЕ ПЛАНИРОВАНИЕ ВТОРОГО ПОРЯДКА:
ПОИСК ЭКСТРЕМАЛЬНЫХ ТОЧЕК С ПОМОЩЬЮ МОДЕЛИ
В окрестности оптимума линейного приближения уже недоста точно, доминирующими становятся коэффициенты регрессии, ха рактеризующие эффекты взаимодействия. Уменьшение шага при сохранении линейного приближения также неэффективно из-за
272
большой^ влияния помех. Обьино окрестность экстремума, которую назьшаю'А почти стационарной областью, удается описать полино мами 2-га порядка. Для этого нужно иметь такую систему планиро вания, в м>торой каждая переменная будет принимать хотя бы три разных значения. Такое планирование может быть получено путем добавления некоторого количества специально расположенных то чек к ядру! образованному планированием для линейного прибли жения. Тгжяе планы называют композиционными, а само планиро вание - центоальным композиционным планированием (ЦКП).
Рассмотрим случай, когда число независимых переменных к = 2 при полном вакторном эксперименте, а количество результатов на блюдений iV* 4. Нужно построить уравнение регрессии
у = ЙдДГд +ftjJCj+ b2X2 + b^2^l^2 + ^Ц-"'? + ^22^2-
Как мини)у^, необходимы еще две точки для определения всех шести коэффициентов регрессии. Для увеличения общего числа то чек вводят так называемые звездные точки (рис. 7.7), по две для ка ждой переменной (±а, 0), (О, ± а) и используют центральную точку (0,0). Общее число точек будет равно 9. Такой метод построения точек распространяется и на общий случай к точек. Общее число точек будет равно Л/що, = 2* + 2А: + 1 (А: = 3, Л/ци, = 15, вершины куба - 8 и 6 звездных точек). Если просто для каждой переменной задавать три уровня, то потребовалось бы 3* точек. ЦКП требует меньшего числа опыгов по сравнению с 3*, особенно преимущество ЦКП про является с ростом к:
к = 3; 3*=27; |
N^=15; |
к = 4; 3*=81; |
N^=25. |
Возникает вопрос, как оптимальным образом выбрать величину плеча звездных точек. При линейном приближении, когда использо вался факторный эксперимент, получалось ортогональное планиро вание, и дисперсии всех Ь, были минимальны и равны друг другу. В этом состояла огггимальность планирования. Лопьггаемся добиться этих же условий для описания почти стационарной области.
Обеспечение ортогональности планирования. 6 общем случае матрица точек ЦКП не обеспечивает ортогональности всех векто ров-столбцов. Так,
273
•n • ^2
-..- 1
a
a
-1
a
-1
Xl
^:
Рис. 7.7. Схема расположения «звездных» точек
«=1
поскольку ^ом S1, и неотрицательные величины xj^ не могут, бьпъ все равны нулю. Очевидно также, что
» - |
|
IU ^ " • |
«=1 |
Ш |
Л' |
Чтобы получить ортогональность, нужно произвести некоторые преобразования квадратичных переменных и специальньв! образом выбрать величину звездного плеча а. Введем преобразование
где х^ - среднее значение xj.
2 7 4
Тогда будут равны нулю скалярные произведения
н=1 «=1
Неортогрнальными останутся векторы-столбцы для квадратич ных членов
N , . |
|
I^m^^^O- |
(7-18) |
и=1
Если теперь составить матрицу [^Х\, то в ней ряд недиагональ ных элементов, а именно элементов для квадратичных переменных, не будет равен нулю (для ортогонального планирования только диа гональные элементы будут иметь значение, не равное нулю). При этом, так как все звездные точки выражаются через один и тот же п^аметр а, все недиагональные элементы матри1ц>1, не равные нулю, оказьшаются равны между собой. Поэтому, приравнивая нулю вьфажение для недиагонального элемента, однозначно получим значение а, которое обеспечит ортогональность планирования. Значения а в функции числа независимых переменных к представлены в табл. 7.4.
Таблица 7.4
Величина звездного плеча а
Число независимых |
2 |
3 |
4 |
5 |
|
переменных к |
|||||
2^ |
2' |
Г |
|
||
Ядро планирования |
•^5 ^ -^1 ^2 -^3 ^4 |
||||
Величина звездного |
1,000 |
1,215 |
1,414 |
1,547 |
|
плеча а |
|||||
|
|
|
|
Рассмотрим пример матрицы ортогонального планирования 2-го порядка для случая к = Ъ:
^? = ^ = ^i = ^ | j ^ L = ^ [ 8 + 2-l,2152]=0,73.
Определим для звездных точек х;. = х2 - х2 = 1,475 - 0,73 = 0,745;
л:; = ;с2_х2 = 0-0,73 =-0,73.
Нетрудно убедиться, что все векторы-столбцы матрицы (табл. 7.5) ортогональны. Существующая до преобразований ортогональ ность не нарушилась, например
15 |
15 |
и=1 м=1
275
м
Ялро2'
Звездные
точкн
Нулевая
точка
|
Ортогональный план второго порядка |
Таблице |
7.5 |
|||||||
|
|
|
|
|
||||||
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
|
|
|
|
т |
|
|
|
S |
|
y« |
Хо |
XI |
хг |
Хз |
|
|
|
|
^ |
||
|
|
|
|
н |
|
|
t |
4 |
|
|
+ |
- |
- |
- |
0Л7 |
0Д7 |
0^7 |
f |
+ |
+ . yi |
|
+ |
+ |
- |
- |
0^7 |
0Д7 |
0^7 |
h |
- |
+ |
yi |
+ |
- |
+ |
- |
0^7 |
0^7 |
0^7 |
- |
+ |
- |
Уз |
+ |
- |
- |
+ |
0Д7 |
0Д7 |
0^7 |
+ |
- |
- |
у* |
+ |
- |
+ |
+ |
0Д7 |
0^7 |
0Д7 |
- |
- |
+ |
y> |
+ |
+ |
- |
+ |
0^7 |
0Д7 |
0^7 |
- |
+ |
- |
У> |
+ |
+ |
+ |
- |
0Д7 |
0^7 |
0^7. |
+ |
- |
- |
y^ |
+ |
+ |
+ |
+ |
0^7 |
0^7 |
0Д7 |
+ |
+ |
+ |
у |
+ |
-U15 |
0 |
0 |
0.745 -0,73 -0,73 |
0 |
0 |
0 |
у* |
||
+ |
U15 |
0 |
0 |
0,745 |
-0,73 |
-0,73 |
0 |
0 |
0 |
yit |
+ |
0 |
-U15 |
0 |
-0,73 |
0.745 |
-0,73 |
0 |
0 |
0 |
Уч |
+ |
0 |
1Л6 |
0 |
Ч).73 |
0.745 |
-0,73 |
0 |
0 |
0 |
Уи |
+ |
0 |
0 |
-1,2Г5 |
-0,73 |
-0,73 |
0,745 |
0 |
0 |
0 |
yi3 |
+ |
0 |
0 |
U15 |
-0,73 |
-0,73 |
0,745 |
0 |
0 |
0 |
yi* |
+ |
0 |
0 |
0 |
-0,73 |
-0.73 |
-0.73 |
0 |
0 |
0 |
Уи |
Видно, что удовлетворяется условие (7.3):
Z*0«(*?„ - 0.73) = 8 • 0,27 + 2 • 0,745 - 5 • 0,73 = 2,16 +1,49 - 3,65 = 0. Превратились в равенства выражения (7.18):
Z («?„ - 0,73)- (х|„ - 0,73)= 8 • 0,27^ - 4 • 0,745 • 0,73 + 3 • 0,73^ = 0.
Регрессионный анализ ортогонального планирования второ го порядка. После проведения эксперимента в силу ортогонально сти планирования все коэффициенты регрессии определяются неза висимо друг от друга.
Так как
с{тт) = |
1 |
1 |
|
(mm) |
^ 2 |
и=1
276
то из формулы (7.7) получаем
N
|
Ьщ- — |
|
|
N г |
ти |
|
«=1 |
|
где т |
- пордцковый HOMq) столбца; |
|
•*яга |
- элементы соответствующего столбца. |
Определяем дисперсию
*2
I =—^—. (7.19)
S - ы
и=1
Для факторного эксперимента мы бы имели
" 2
и=\
для любого т. в данном случае
«/=1
Например, для к = 3 основные соотношения примут следующий вид:
|
.N |
(7.20) |
|
14Ни =N; |
|
|
и=1 |
|
I^m« = 2*^ + 202 = 10,95 приот= 1,2,3; |
(7.21) |
|
Z ^ L = I (^?„-х?)'=2Ч1-'5^)+2(а2-^)+(2Л-1)^2 |
= 4,36 |
|
при т = 4,5,6; |
|
^"^'^^^ |
LL=Hi„^>)^=2'^ = 8 |
(7.23) |
|
«=1 |
н=1 |
|
при m = 7, 8,9. |
|
|
277
По выражениям (7.20) - (7.23) может быть подсчитана сумма
'Z^inu дая любого^, если известно значение а. Таким образом, вы-
и=1
числение b и s, для ортогонального планирования незначитель-
НО сложнее, чем при факторном эксперименте.
Уравнение регрессии после преобразования квадратичной пере менной запишется в форме
7 = Й;+ 1,Ь.Х.+ |
I й,ух,.х.+ |
lb„(x^-xj), |
1=1 |
i*j |
1=1 |
ДЛЯ обычной формы записи - |
|
|
к |
|
к |
7 = *0+ 1*.-^,+ 2 bijX.Xj+ Ib^iXJ, |
||
j=l |
i^j |
1=1 |
Очевидно,
*o = *o-I*«4
j=i
При этом коэффициент bo оценивается с дисперсией
,. к
Выражение (7.24) следует из известной теоремы теории вероят ностей (закон накопления ошибок):
А- |
= 1«?Ф/]- |
Za^x. |
|
.1=1 |
,=1 ' |
Необходимо отметить, что ортогональное планирование не обеспечивает равенства дисперсий 6, (см. формулу (7.19)).
Выводы
1. Ортогональное планирование эксперимента (по сравнению с неортогональным) уменьшает число опытов и существенно упроща ет расчеты при получении уравнения регрессии. Однако такое пла нирование осуществимо только при возможности проведения актив ного эксперимента.
278
2. Практичным средством отыскания экстремума является фак торный эксперимент. Основные достоинства факторного экспери мента - простота и возможность отыскания экстремальной точки (с какой-то погрешностью), если неизвестная поверхность достаточ но гладкая и нет локальньк экстремумов. Следует отметить два ос новных недостатка факторного эксперимента. Первый заключается
вневозможности поиска экстремума при наличии ступенчатых раз рывов неизвестной поверхности и локальных экстремумов. Второй -
вотсутствии средств описания характера поверхности вблизи экс тремальной точки из-за использования простейших линейных урав нений регрессии, что сказьюается на инертности системы управле ния, так как в процессе управления необходимо проводить фактор ные эксперименты для выбора управляющих воздействий.
3.Для целей управления наиболее подходит ортогональное пла нирование второго порядка. Обычно эксперимент состоит из двух этапов. Сначала с помощью факторного эксперимента отыскивается область, где существует экстремальная точка. Затем в районе суще ствования экстремальной точки проводится эксперимент для'^полу чения уравнения регрессии 2-го порядка.
Уравнение регрессии 2-го порядка позволяет сразу определять управляющие воздействия, без проведения дополнительных опытов или экспериментов. Дополнительный эксперимент потребуется только в случаях, когда поверхность отклика существенно изменит ся под воздействием неконтролируемых внешних факторов (напри мер, существенное изменение налоговой политики в стране серьез ным образом повлияет на поверхность отклика, отображающую производственные затраты предприятия).
Вопросы для самопроверки
1.Какие статистические результаты позволяет получить имитаци онная модель, реализованная в любой системе моделирования (например, Pilgrim, ReThink или GPSS)?
2.В чем заключается кибернетический подход к организации экс периментальных исследований сложных объектов и процессов?
3.Какие характерные признаки имеет пассивный эксперимент?
4.В каких случаях проводится активный эксперимент?
5.Что такое функция (поверхность) отклика? Как она связана с факторным пространством?
279
6.Как представляется общий вид уравнения регрессии, полученно го на основе опыта?
7.Каким образом вычисляются коэффициенты регрессии?
8.Как проводится статистический анализ уравнения регрессии?
9.Для чего применяется ^-распределение?
10.Где применяется /-распределение?
11.Как осуществляется ортогональное планирование эксперимента?
12.Для чего определяются доверительные границы и при каких ус ловиях VQi. МОЖНО установить?
13.в чем заключается основное положительное свойство ортого нального плана эксперимента?
14.В чем состоит основной недостаток неортогонального планиро вания?
15.Для каких целей применяется факторный жсперимент (указать его достоинства и недостатки)?
16.Какие достоинства и недостатки имеет метод крутого восхояадения?
17.В чем состоят отличия между полньш и дробным факторными экспериментами?
18.Для чего необходимо ортогональное планирование второго по рядка при проведении экстремального эксперимента?
19.Как осуществляется центральное композиционное плани рование?
20.Каким образом можно обеспечить ортогональное планирование второго порядка?
21.Что собой представляет ядро планирования?
22.Как определяется величина «звездного плеча»?
23.Как выполняется регрессионный анализ при ортогональном пла нировании второго порядка?
24.Что такое «звездные точки» в ортогональном плане второго по рядка?
25.Чем характеризуется нулевая точка ортогонального плана второ го порядка?