- •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
3.1.1. Методы повышения качества оценок показателей эффективности
При имитационных исследованиях часто возникает необходимость оценки средних значений выходных характеристик имитационной модели (средних значений результата операции).
Средние значения могут представлять самостоятельный интерес, например, при изучении поведения моделируемой системы в различных условиях, при оценке влияния тех или иных факторов на исход операции и т. д. Значения можно также использовать для вычисления значения показателя эффективности исследуемой операции.
Во всех подобных случаях повышение точности оценивания (вычисления) средних значений ведет к повышению качества имитационного исследования в широком смысле. Однако особый интерес представляют случаи, когда применяют для вычисления оценок показателя эффективности , так как именно эти оценки являются основой для принятия решений в области создания и совершенствования систем и управления операциями.
С этой точки зрения методы повышения качества (в частном случае точности) вычисления средних являются одновременно и методами повышения качества оценивания показателей эффективности. Ниже рассмотрены наиболее употребительные из этих методов.
В качестве оценок средних обычно используют выборочные средние, которые определяются по конечной выборке значений из генеральной совокупности . В силу случайности выборки выборочные средние не равны в точности истинным средним (математическим ожиданиям). Однако чем больше объем выборки (то есть чем больше число прогонов имитационной модели), тем выше вероятность того, что выборочные средние будут близки к истинным средним.
Объем выборки, необходимый для вычисления выборочного среднего с заданной точностью, зависит от вида распределения случайной величины , а также от того, коррелированны или не коррелированны между собой случайные элементы выборки.
При проведении экспериментов со статическими имитационными моделями элементы выборки не зависят от времени (обычно относятся к одному и тому же моменту времени) и оказываются некоррелированными, если для моделирования случайных факторов в рассматриваемой операции используются генераторы случайных чисел, не связанные между собой и выдающие некоррелированные последовательности чисел.
При проведении экспериментов с динамическими имитационными моделями в силу внутренних свойств исследуемой системы, коррелированности воздействий, представляющих собой случайные функции времени, и других причин выходные характеристики модели (элементы выборки), представляющие собой, как правило, значения одной и той же (в общем случае, векторной) случайной функции времени, взятые для разных моментов времени, оказываются коррелированными.
Если случайные значения выходных характеристик имитационной модели некоррелированы и распределены одинаково (последнее допущение справедливо в тех случаях, когда законы распределения учитываемых в исследуемой операции случайных факторов не изменяются от прогона к прогону), то в силу центральной предельной теоремы (см. т. 2) величину (выборочное среднее) можно считать нормально распределенной. В этом случае число прогонов имитационной модели, необходимое для того, чтобы истинное среднее (скаляр) с вероятностью лежало в интервале , определяется следующим образом:
, (3.1.1)
где – квантиль порядка стандартного нормального распределения;
– дисперсия случайной величины ;
– доверительный интервал. Если значение дисперсии до начала имитационного эксперимента неизвестно, целесообразно выполнить пробную серию из прогонов и вычислить на ее основе выборочную дисперсию
, (3.1.2)
где – значение выходной характеристики модели в результате -го прогона ;
– выборочное среднее, вычисленное по результатам пробных прогонов.
Оценку подставляют в (3.1.1) вместо и получают предварительную оценку необходимого числа прогонов . После этого выполняют оставшиеся прогонов, периодически уточняя оценку (3.1.2) и необходимое число прогонов. Описанный способ определения необходимого объема выборки при неизвестной до начала эксперимента дисперсии называется последовательным.
Если элемент выборки – векторная величина, то есть
,
оценку необходимого числа прогонов выполняют отдельно для каждой из компонент вектора . Наибольшее из полученных значений принимают в качестве окончательного числа прогонов.
Если элементы выборки коррелированы между собой, то применение описанного способа определения числа прогонов модели основанного на независимости результатов эксперимента, занижает оценку дисперсии и приводит к использованию меньших значений , чем необходимо для обеспечения заданной точности.
В этом случае целесообразно использовать один из следующих методов определения оценок математического ожидания.
Выборку разбивают на интервалы, превышающие по длине интервалы «сильной» зависимости данных; оценку дисперсии проводят для каждого такого интервала отдельно, а полученные значения , , где – число интервалов, усредняются; недостаток метода – невозможность до начала эксперимента достаточно точно определить число и длину интервалов.
Выборку формируют как запись достаточно большого числа реализаций процесса функционирования ТС; среднее и дисперсию вычисляют по совокупности данных в каждый момент времени, а не по совокупности данных вдоль одной траектории; полученные оценки затем усредняют по времени; для определения потребного числа «реализаций» используют формулы (9.1) и (9.2); метод обеспечивает высокую точность оценивания, но его реализация требует больших затрат машинного времени.
Необходимое число прогонов имитационной модели (количество элементов выборки) определяют по приближенной формуле, учитывающей автокорреляцию данных:
,
где – определяемые по результатам дополнительных (пробных) экспериментов выборочные коэффициенты автокорреляции с шагом ;
; (3.1.4)
где – выборочные значения выходной характеристики модели в дополнительной серии из прогонов;
– глубина учета автокорреляции.
Для большинства приложений достаточно принимать . Используемые в (3.1.3) и (3.1.4) оценки выборочного среднего и выборочной дисперсии должны определяться по результатам отдельных дополнительных экспериментов.
В случае векторных величин третий метод применяют отдельно для каждой из компонент вектора .
Наиболее точные оценки могут быть получены с помощью методов спектрального анализа [5].
Рассмотренные методы определения числа прогонов имитационной модели (количества элементов выборки) относятся к группе методов простой случайной выборки (ПСВ). Основной недостаток ПСВ – медленная сходимость выборочных средних к истинным средним с ростом объема выборки , пропорциональная .
Медленность сходимости при высоких требованиях к точности оценивания средних приводит к необходимости применения методов уменьшения ошибок (повышения качества оценивания), не требующих увеличения объема выборки. Такие методы, получившие название методов понижения дисперсии (МПД), учитывают информацию о статистических свойствах моделируемых воздействий на ТС, об особенностях структуры и динамики исследуемой ТС, о распределениях выходных характеристик модели.
Все методы, использующие при вычислении выборочных средних дополнительную информацию, делят на три группы: методы, применяемые после того, как выборка некоторого объема уже сформирована (пассивные методы оценивания); методы, предусматривающие формирование выборки специальным образом (активные методы оценивания); методы, в которых для получения оценок средних используются значения и реализации некоторых вспомогательных величин и процессов, косвенно связанных с выходными характеристиками модели ТС (косвенные методы оценивания).