- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Предисловие
- •Введение
- •Глава I. Системное моделирование – инструмент управления в больших системах
- •1.1. Понятия системного подхода и большой системы
- •1.2. Эффективность больших систем
- •1.3. Управление в больших системах
- •1.4. Структура систем управления
- •1.5. Основные понятия системного моделирования
- •Глава II. Моделирование систем методом статистических испытаний
- •2.1. Принципы построения математических моделей
- •2.2. Требования, предъявляемые к математическим моделям
- •2.3. Моделирование больших систем методом статистических испытаний. Сущность метода статистических испытаний. Точность метода
- •Вопрос 1.
- •2.3.1. Формирование непрерывных случайных величин с заданным законом распределения
- •2.3.2. Приближенные методы формирования случайных величин с заданным законом распределения вероятностей
- •2.3.3. Моделирование системы массового обслуживания
- •1,07 1,09 1,14 Моделируемое время t
- •2.3.4. Получение наблюдений при моделировании
- •Прикладные задачи имитационного моделирования
- •Ориентированный процесс случайного блуждания как метод прогнозирования
- •2.4.2. Модифицированный имитационным моделированием метод экспоненциального сглаживания
- •Глава III. Оценка качества моделей и планирование статистических испытаний
- •3.1. Оценка качества моделей
- •3.1.1. Методы повышения качества оценок показателей эффективности
- •3.1.2. Пассивные методы повышения качества оценивания показателя эффективности
- •3.1.3. Активные методы повышения качества оценивания показателя эффективности
- •3.1.4. Косвенные методы повышения качества оценивания показателя эффективности
- •3.2. Планирование имитационных экспериментов
- •3.2.1. Общая схема испытаний
- •3.2.2. Полные факторные планы испытаний
- •3.2.3. Дробные факторные планы испытаний. Планирование испытаний
- •3.2.4. Анализ результатов испытаний
- •3.2.5. Оптимальные планы
- •Методы принятия решений по результатам испытаний
- •Общая процедура принятия решений
- •3.3.2. Проверка гипотез о параметрах
- •Принятие решений о стабильности условий испытаний
- •Заключение
- •Библиографический список
- •Предметный указатель
- •Оглавление
- •Глава I. Системное моделирование – инструмент управления в больших системах 6
- •Глава II. Моделирование систем методом статистических испытаний 43
- •Глава III. Оценка качества моделей и планирование статистических испытаний 147
- •191186, Санкт-Петербург, ул. Миллионная, 5
Глава III. Оценка качества моделей и планирование статистических испытаний
3.1. Оценка качества моделей
Оценка качества является завершающим этапом работ по созданию модели процесса системы. Цель оценки качества модели – не столько получение конкретной числовой оценки значения некоторого показателя качества, сколько выявление того, где и как проявляются недостатки разработанной модели. Результаты оценки качества модели должны использоваться для определения направлений и способов ее совершенствования, планирования испытаний модели и для решения вопросов о возможности ее эксплуатации.
Модель системы состоит из математического описания исследуемой системы, алгоритма моделирования, программы для ПЭВМ и рабочей документации. Поэтому при оценке качества модели учитывается качество каждой из перечисленных компонент.
Качество моделей оценивается по трем группам свойств: целевым, эксплуатационным и модификационным.
Целевыми называются свойства модели, характеризующие степень ее соответствия целям и задачам конкретного исследования. К целевым свойствам моделей относятся адекватность, устойчивость, точность и результативность.
Эксплуатационными называются свойства моделей систем, определяющие удобство эксплуатации модели пользователем. К ним относятся: производительность, надежность, защищенность, эргономичность, завершенность. Эксплуатационные свойства делятся на относительные (то есть зависящие от конкретной задачи) – производительность, надежность и абсолютные (не зависящие от конкретной задачи) – защищенность, эргономичность, завершенность.
Модификационными называются свойства моделей, определяющие удобство внесения изменений в модель (в случае необходимости, например, устранения ошибок в программе), простоту модификации модели при развитии и совершенствовании исследуемой системы или при переходе на другой уровень исследования (например, при повышении степени детализации математического описания).
К модификационным свойствам относятся понятность, структурированность, расширяемость, доступность.
Модификационные свойства не связаны с конкретной задачей (они характеризуют возможности применения модели для решения множества задач определенного класса).
Перечисленные группы свойств определяют в целом качество модели.
Как отмечалось ранее, среди свойств, определяющих качество моделей, особое место занимает точность результатов моделирования. В частности, важной характеристикой имитационной модели, включающей в свой состав случайные факторы, является дисперсия с переменной , наблюдаемой в процессе машинного эксперимента (дисперсия воспроизводимости эксперимента). Точность оценки, например, среднего результата можно повысить увеличением объема испытаний (увеличением числа прогонов имитационной модели) при фиксированной дисперсии воспроизводимости . Этот путь, однако, может привести к неприемлемо большим затратам машинного времени.
Другим путем повышения точности моделирования является понижение дисперсии воспроизводимости. В практике имитационного моделирования используют оба указанных приема. Обычно стремятся уменьшить дисперсию воспроизводимости, применяя специальные методы. При фиксированном значении этой дисперсии и с учетом заданных требований к точности моделирования определяют необходимый объем испытаний.
Если меры, принятые для понижения дисперсии воспроизводимости, приводят к тому, что необходимый объем испытаний не выходит за пределы допустимого, то качество имитационной модели (в рассмотренном смысле) считают приемлемым.
Некоторые наиболее употребительные в практике имитационных исследований методы понижения дисперсии (МПД) и установления необходимого объема испытаний рассмотрены ниже. Совокупность этих методов обычно относят к так называемому тактическому планированию экспериментов.
Цель методов стратегического планирования имитационных экспериментов – получение максимального объема информации об изучаемом явлении путем рационального использования факторного пространства при ограниченном числе испытаний. Один из распространенных в практике методов планирования факторных экспериментов мы рассмотрим далее.
При имитационных исследованиях эффективности технических систем важное место занимают вопросы выбора переменных, наблюдаемых в ходе машинного эксперимента (параметров наблюдаемого процесса, характеристик изучаемой операции и т. д.). Наблюдаемые переменные в имитационной модели должны адекватно отражать исходы операции [конечные и (или) промежуточные]. Как правило, имитационная модель операции представляет собой одну из форм оператора формирования исхода:
,
которая при моделировании больших систем имеет сложную разветвленную математическую структуру и обычно задается в алгоритмическом виде.
Множество исходов операции с использованием операторов и отображается во множество значений показателя эффективности при этом оператор соответствия (выражаемый функцией соответствия) отображает множество во множество значений функции соответствия :
,
а оператор усреднения переводит множество значений функции
соответствия во множество значений показателя эффективности :
Оценка качества имитационной модели операции зависит не только от дисперсии воспроизводимости , но и от вида оператора , представляющего собой суперпозицию соответствующих операторов, то есть .
Конкретный вид этого оператора определяется постановкой задачи исследования эффективности операции и является основой для формирования требований к качеству имитационной модели, в частности к ее точности.
Качество оценивания эффективности операции, таким образом, определяется: видом оператора , определяющего соответствие принятого показателя эффективности цели операции; видом оператора формирования исхода , определяющим методические погрешности математического описания моделируемой операции; планом эксперимента, определяющим степень рациональности использования факторного пространства (полноту информации об исходах операции, извлекаемой в ходе машинного эксперимента); дисперсией воспроизводимости и объемом испытаний. Последние три фактора характеризуют точность статистической оценки параметров наблюдаемых переменных.
Справедливо следующее выражение:
,
где – некоторая мера качества оценивания эффективности операции;
– булева переменная, определяемая следующим образом:
– цель операции;
– методическая погрешность математического описания моделируемой операции;
– погрешность измерения (вычисления) характеристик наблюдаемых переменных, зависящая от дисперсии воспроизводимости плана машинного эксперимента и объема испытаний ;
– невозрастающая функция соответствующих аргументов;
– прочие факторы, влияющие на качество оценивания эффективности.
Величины и определяют точность имитационной модели операции.
Методическая погрешность в первую очередь зависит от объема и степени достоверности доступной исследователю информации о моделируемой операции и условиях ее проведения и, как правило, не поддается оценке формальными методами (за исключением случаев, когда результаты моделирования могут быть сопоставлены с результатами реальной операции).
Погрешность измерения для имитационных моделей, содержащих случайные факторы, может быть оценена статистически; при этом, для прочих равных условий, чем больше объем испытаний, тем меньше величина . В действительности, однако, объем испытаний ограничен имеющимися в распоряжении исследователя ресурсами (денежными, временными, машинными и т. д.).
Методы понижения дисперсии воспроизводимости и планирования эксперимента позволяют существенно уменьшить погрешность а следовательно, повысить качество имитационной модели и качество оценивания эффективности операции в целом.