Имитационное моделирование это – Имитационное моделирование — Википедия

Содержание

Основные понятия имитационного моделирования

9

Имитационное моделирование

Моделирование

Моделирование является общепризнанным средством познания действи­тельности. Этот процесс состоит из двух больших этапов: разработки модели и анализа разработанной модели. Моделирование позволяет исследовать суть сложных процессов и явлений с помощью экспериментов не с реаль­ной системой, а с ее моделью. Известно, что для принятия разумного реше­ния по организации работы системы не обязательно знание всех характери­стик системы, всегда достаточен анализ ее упрошенного, приближенного представления.

В области создания новых систем моделирование является средством иссле­дования важных характеристик будущей системы на самых ранних стадиях ее разработки. С помощью моделирования возможно исследовать узкие мес­та будущей системы, оценить производительность, стоимость, пропускную способность — все главные ее характеристики еще до того, как система бу­дет создана. С помощью моделей разрабатываются оптимальные операци­онные планы и расписания функционирования существующих сложных систем. В организационных системах имитационное моделирование стано­вится основным инструментом сравнения различных вариантов управляю­щих решений и поиска наиболее эффективного из них как для решений внутри цеха, организации, фирмы, так и на макроэкономическом уровне.

Модели сложных систем строятся в виде программ, выполняемых на ком­пьютере. Компьютерное моделирование существует почти 50 лет, оно воз­никло с появлением первых компьютеров. С тех пор сложились две пере­крывающиеся области компьютерного моделирования, которые можно охарактеризовать как математическое моделирование и имитационное моделирование.

Математическое моделирование связано, в основном, с разработкой математи­ческих моделей физических явлений, с созданием и обоснованием численных методов. Существует академическая трактовка моделирования как области вычислительной математики, которая является традиционной для активности прикладных математиков. В России сложилась сильная школа в этой области: НИИ Математического Моделирования РАН — головная организация, Науч­ный Совет РАН по проблеме «Математическое моделирование», издается журнал «Математическое моделирование» (

www.imamod.ru).

Имитационное моделирование — это разработка и выполнение на компьютере программной системы, отражающей поведение и структуру моделируемого объекта. Компьютерный эксперимент с моделью состоит в выполнении на компьютере данной программы с разными значениями параметров (исход­ных данных) и анализе результатов этих выполнений.

Проблемы разработки имитационных моделей

Имитационное моделирование — очень обширная область. Можно по-разному подходить к классификации решаемых в ней задач. В соответствии с одной из классификаций эта область насчитывает в настоящее время че­тыре основных направления:

  1. моделирование динамических систем,

  2. дискретно-событийное моделирование,

  3. системная динамика

  4. агентное моделирование.

В каждом из этих направлений развиваются свои инструментальные средст­ва, упрощающие разработку моделей и их анализ. Данные направления (кроме агентного моделирования) базируются на концепциях и парадигмах, которые появились и были зафиксированы в инструментальных пакетах мо­делирования несколько десятилетий назад и с тех пор не менялись.

Моделирование динамических систем

Направлено на исследова­ние сложных объектов, поведение которых описывается системами алгебро-дифференциальных уравнений. Инженерным подходом к моделированию таких объектов 40 лет назад была сборка блок-схем из решающих блоков аналоговых компьютеров: интеграторов, усилителей и сумматоров, токи и напряжения в которых представляли переменные и параметры моделируе­мой системы. Этот подход и сейчас является основным в моделировании динамических систем, только решающие блоки являются не аппаратными, а программными. Он реализован, например, в инструментальной среде Simulink.

Дискретно-событийное моделирование

В нем рассматриваются системы с дискретными со­бытиями. Для создания имитационной модели такой системы моделируемая система приводится к потоку заявок, которые обрабатываются активными приборами. Например, для моделирования процесса обслуживания физических лиц в банке физические лица представляются в виде потока заявок, а работники банка, обслуживающие их представляются активными приборами. Идеология

дискретно-событийного моделирования была сформулирована более 40 лет назад и реализована в среде моделирования GPSS, которая с некоторыми модификациями до сих пор используется для обучения имитационному моделированию.

Системная динамика.

Системная динамика – это направление в изучении сложных систем, исследующее ихповедениево времени и в зависимости от структуры элементов системы и взаимодействия между ними. В том числе: причинно-следственных связей, петельобратных связей, задержек реакции, влияния среды и других. Основоположником системной динамики является американский ученый Джей Форрестер. Дж. Форрестер применил принципы обратной связи, существующей в системах автоматического регулирования, для демонстрации того, что динамика функционирования сложных систем, в первую очередь производственных и социальных, существенно зависит от структуры связей и временных задержек в принятии решений и действиях, которые имеются в системе. В 1958 году он предложил использовать для компьютерного моделирования сложных систем потоковые диаграммы, отра­жающих причинно-следственные связи в сложной системе,

В настоящее время системная динамика превратилась в зрелую науку. Общество системной динамики (The- System Dynamics Society, www.systemdynamics.org) является официальным форумом системных анали­тиков во всем мире. Ежеквартально выходит журнал System Dynamics Review, ежегодно созываются несколько международных конференций по этим проблемам. Системная динамика как методология и инструмент ис­следования сложных экономических и социальных процессов изучается во многих бизнес-школах по всему миру..

Агентное моделирование

Агентное моделирование (agent-based model (ABM)) — метод имитационного моделирования, исследующий поведение децентрализованныхагентови то, как такое поведение определяет поведение всей системы в целом. В отличие отсистемной динамикианалитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»).

Агентное моделирование включает в себя элементы теории игр, сложных систем, мультиагентных систем и эволюционного программирования, методы Монте-Карло, использует случайные числа.

Существует множество определений понятия агента. Общим во всех этих определениях является то, что агент — это некоторая сущность, которая обладает активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, может взаимодействовать с окружением и другими агентами, а также может изменяться (эволюциони­ровать). Многоагентные (или просто агентные) модели используются для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами, а наоборот, эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представле­ние об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных ак­тивных объектов и взаимодействии этих объектов в системе.

При создании агентной модели логика поведения агентов и их взаимодейст­вие не всегда могут быть выражены чисто графическими средствами, здесь часто приходится использовать программный код. Для агентного моделирования используются пакеты Swarm и RePast. Примером агентной модели является модель развития города.

В современном мире информационных технологий десятилетие сравнимо с веком прогресса в традиционных технологиях, Но в имитационном моделировании почти без изменения применяются идеи и решения 60-х годов прошлого века. На базе этих идей еще в прошлом веке были разработаны программные средства, которые с незначительными изменениями применяются до сих пор. Разработка имитационных модели с использованием этих программ является весьма сложной и трудоемкой задачей, доступной только высококвалифицированным специалистам и требующей больших временных затрат. Один из разработчиков имитационных моделей Роберт. Шеннон писал: «разработка даже простых моделей требует 5—6 человеко-месяцев и стоит по­рядка 30 ООО долларов, а сложных — на два порядка больше». Иными слова­ми, трудоемкость построения сложной имитационной модели традицион­ными методами оценивается в сотню человеко-лет.

Имитационное моделирование традицион­ными методами реально используется уз­ким кругом профессионалов, которые должны иметь не только глубокие знания в той прикладной области, для которой строится модель, но также глубокие знания в программировании, теории вероятностей и статистике.

Кроме того, проблемы анализа современных реальных систем часто требуют разработки моделей, не укладывающихся в рамки одной единственной парадигмы моделирова­ния. Например, при моделировании системы с преобладающим дискретным типом событий может потребоваться введение переменных, описывающих непрерывные характеристики среды. В парадигму блочной модели потоков данных совершенно не вписываются дискретно-событийные системы, В системно-динамической модели часто возникает не­обходимость учета дискретных событий или моделирования индивидуаль­ных свойств объектов из разнородных групп. Поэтому использование указанных выше программных средств не отвечает современным требованиям,.

AnyLogic — инструмент имитационного моделирования нового поколения

AnyLogic — программное обеспечениедляимитационного моделированиянового поколения, разработанороссийскойкомпанией The AnyLogic Company (бывшая «Экс Джей Текнолоджис»,-англ.XJ Technologies). Этот инструмент существенно упрощает разработку моделей и их анализ.

Пакет AnyLogic создан с использованием последних достижений информационных технологий: объектно-ориентированный подход, элементы стандарта UML,языка программирования Java, и т.д. Первая версия пакета (Anylogic 4.0) была выпущена в 2000г. К настоящему времени выпущена версия Anylogic 6.9.

Пакет поддерживает все известные методы имитационного моделирования:

  • Моделирование динамических систем

  • системная динамика;

  • дискретно-событийное моделирование;

  • агентное моделирование.

Рост произво­дительности компьютеров и достижения в информационных технологиях, использованные в AnyLogic, сделали возможным реализацию агентных мо­делей, содержащих десятки и даже сотни тысяч активных агентов

С помощью AnyLogic стало возможным разрабатывать модели в следующих областях:

  • производство;

  • логистика и цепочки поставок;

  • рынок и конкуренция;

  • бизнес-процессы и сфера обслуживания;

  • здравоохранение и фармацевтика;

  • управление активами и проектами;

  • телекоммуникации и информационные системы;

  • социальные и экологические системы;

  • пешеходная динамика;

  • оборона.

studfiles.net

Имитационное моделирование – инструмент имитационного моделирования AnyLogic

Пример: имитационное моделирование для эффективного обслуживания клиентов

Приведенный ниже пример может найти применение при решении большого класса задач. Например, проблемы управления человеческими и техническими ресурсами. Моделирование поможет любой коммерческой компании снизить расходы на материалы, кадры и оборудование.

Поиск оптимального количества сотрудников для предоставления клиентам требуемого уровня сервиса

На первом этапе устанавливается главный критерий уровня сервиса в банке – средний размер очереди. Далее выбираются соответствующие параметры системы для задания параметров модели: количество клиентов, интенсивность их прибытия, время на прием одного клиента и естественные отклонения от средних величин, которые периодически возникают, например, часы пик и сложные запросы клиентов.

Затем создается блок-схема, соответствующая структуре отделения банка и его бизнес-процессам. Модель учитывает только факторы, оказывающие влияние на анализируемую проблему. Например, наличие отделения обслуживания юридических лиц или кредитного отдела не влияет на обслуживание физических лиц, поскольку эти отделы физически и функционально отделены.

Наконец, после загрузки в модель входных данных, имитация запускается, и появляется возможность посмотреть работу отделения банка в динамике, что позволяет обработать и проанализировать результаты. Если средний размер очереди клиентов превысил установленный предел, то количество доступных сотрудников увеличивают, и эксперимент выполняется заново. Этот процесс может автоматически выполняться, пока не будет найдено оптимальное решение.


Изменяя входные данные модели, можно быстро исследовать множество сценариев. Их можно протестировать, исследовать в динамике и сопоставить друг с другом. Благодаря этим результатам, аналитики, инженеры и менеджеры могут делать выводы и принимать решения с уверенностью.

www.anylogic.ru

Имитационное моделирование: создание терминов / Habr

История создания терминов


При создании методики по имитационному моделированию мне понадобилось разобраться с терминами. Проблема была в том, что общепринятые термины не годились для описания статистических данных, собранных в процессе имитации. Термины: процесс и экземпляры процесса были неприемлемы, потому что я не мог работать в парадигме Аристотеля. Парадигма Аристотеля не стыкуется с примененным мной матаппаратом. При этом практическое применение данной методики было простое – моделирование и имитация бизнес-объектов с целью принятия управленческих решений. В программе создавался виртуальный объект, описание которого состояло из описания сценариев и их взаимодействия. Сценарии прогонялись внутри программы, а также моделировались ресурсы и их взаимодействия.

Напомню, что:

Имитационное моделирование — метод исследования объектов, основанный на том, что изучаемый объект заменяется имитирующим объектом. С имитирующим объектом проводят эксперименты (не прибегая к экспериментам на реальном объекте) и в результате получают информацию об изучаемом объекте. Имитирующий объект при этом являет из себя информационный объект.

Цель имитационного моделирования — получение приближенных знаний о некотором параметре объекта, не производя непосредственное измерение его значений. Понятно, что это необходимо тогда и только тогда, когда измерение невозможно, или оно стоит дороже проведения имитации. При этом для изучения этого параметра мы можем пользоваться другими известными параметрами объекта и моделью его конструкции. Допуская, что модель конструкции достаточно точно описывает объект, предполагается, что полученные в ходе имитации статистические распределения значений параметра моделирующего объекта будут в той или иной степени совпадать с распределением значений параметра реального объекта.

Понятно, что матаппарат, который был применен, — это статистическая математика. Понятно, что матстатистика не использует термины экземпляры и типы. Она работает с объектами и множествами. В итоге для написания методики я был вынужден был использовать логическую парадигму на основе которой создан стандарт ИСО 15926. Основой его является наличие объектов, классов и классов классов.

Я хочу поделиться некоторыми определениями, которые мне пришлось ввести для объяснения механизмов моделирования и анализа результатов имитации. Этих примеров будет достаточно, чтобы понять, с чем я имел дело, когда строил модель предметной области.

Примеры определений:


Операция


  1. Моделируемая операция: Реальная или проектируемая операция. Описание ее может содержать следующие атрибуты:
    • участвующие в операции объекты и субъекты,
    • события, возникающие в процессе выполнения операции.

    Пример: операция «Забить гвоздь», которая описывается так:
    • участвовали в операции: доска, молоток, гвоздь, исполнитель — Хруничев Геннадий Петрович
    • события: начало операции в 9-00, окончание — в 9-01.

  2. Имитирующая операция: Объект, созданный в программе для имитации моделируемой операции. Имитирующая операция описывается следующими имитирующими событиями:
    • начало операции,
    • завершение операции,
    • завершение времени технологического ожидания,
    • постановка операции в очередь к ресурсам,
    • прерывание выполнения операции,
    • возобновление выполнения операции,
    • действие с переменной и тд.

  3. Класс моделируемых операций: Множество моделируемых операций, объединенных по какому-то признаку: например, по совпадению наборов типов входных и выходных объектов. Пример: класс операций «Забить гвоздь» — это множество всех операций, объединенных вместе по признаку совпадения типа предмета труда — гвоздя и однотипности воздействия на него.
  4. Класс имитирующих операций: Множество имитирующих операций, имитирующих множество моделируемых операций.
  5. Операция (объект в справочнике:) Объект справочника, хранящий информацию о:
    • классе моделируемых операций. Например, закон распределения времени выполнения операции моделируемого класса есть параметр класса.
    • любой моделируемой операции класса. Например, нормативно-правовой акт, в соответствии с которым выполняется каждая моделируемая операция.

  6. Операция (как элемент диаграммы:) Графическое обозначение моделируемых операций одного класса на диаграмме.

  7. Операция (как элемент нотации): Условное обозначение в нотации моделирования процессов, шаблон для обозначения моделируемых операций. Имеет разные названия в зависимости от нотации

Событие


  1. Моделируемое событие: Реальное, или проектируемое событие. Пример:
    • Для операции: технологическое ожидание в рамках операции по покраске корпуса машины, закончилось в 09-20.
    • Для процесса: событие заявка оформлена, произошедшее в 09-30, произошло в рамках процесса «прием заявки».

  2. Имитирующее событие: Объект, созданный для имитации моделируемого события. Этот объект создается в памяти компьютера в ходе выполнения имитации.
  3. Класс моделируемых событий: Множество моделируемых событий, объединенных вместе по какому-то признаку. Пример:
    • Для операции: множество всех событий, знаменующих собой начала операций по оформлению заявок.
    • Для процесса: множество всех событий, которые привели к стартам процессов приема заявок.

  4. Класс имитирующих событий: Множество имитирующих событий, созданных для имитации множества моделируемых событий. Примеры: Отчет о событиях, имитирующих начало операций исследуемого класса, можно увидеть в отчетах по проведенной имитации, например, в форме «Хронология выполнения процессов».
  5. Событие (как объект в справочнике): Объект справочника «События», хранящий информацию о:
    • классе моделируемых событий, например, закон распределения момента возникновения стартового события есть параметр класса,
    • объектах класса моделируемых событий, например название события.

  6. Событие (как объект на диаграмме): Графическое обозначение моделируемых событий одного класса. Используется на диаграмме. Данному событию как элементу на диаграмме соответствует хранимый в системе объект справочника «События».
  7. Событие (как элемент нотации): Условное обозначение, используемое в нотации моделирования процессов, для обозначения моделируемых событий. В разных нотациях используются разные условные обозначения для различных классов событий.

На рисунке изображено отношение между сущностями: события собраны в классы событий. Класс событий описан при помощи объекта справочника «События». События одного класса изображены на диаграммах процессов при помощи графических элементов. На основе объекта справочника «События» движок имитации создает имитирующие события.

Процесс


  1. Моделируемый процесс: Последовательность моделируемых операций. Описание этой последовательности удобно представить в виде диаграммы Ганта. Описание содержит события. Например, события: «старт процесса» и «завершение процесса».
  2. Имитирующий процесс: Объект, созданный для имитации моделируемого процесса. Этот объект создается в памяти компьютера в ходе выполнения имитации.
  3. Класс моделируемых процессов: Множество моделируемых процессов, объединенных по какому-либо признаку. Самым распространенным объединением является объединение процессов, имеющих общую модель. В качестве модели может быть использована диаграмма процессов, выполненная в любой нотации моделирования: Процесс, Процедура, EPC, BPMN.
  4. Класс имитирующих процессов: Множество имитирующих процессов, созданных в рамках имитации, для имитации активности.
  5. Процесс (как объект в справочнике): Объект справочника «Процессы.
  6. Процесс (диаграмма процессов): Модель процессов одного класса, выполненная в виде диаграммы. На основе этой модели создаются имитирующие процессы.

Заключение


Спасибо за внимание. Я искренне надеюсь, что мой опыт будет полезен тем, кто желает различать приведенные выше объекты. Проблема современного состояния отрасли такова, что сущности, именованные одним термином, перестают различаться в сознании аналитиков. Я постарался дать вам пример, как можно мыслить, и как можно вводить термины, чтобы различать разные сущности. Надеюсь, чтение было интересным.

habr.com

НОУ ИНТУИТ | Лекция | Компьютерное имитационное моделирование. Статистическое имитационное моделирование

Аннотация: В лекции рассмотрены вычислительные эксперименты с математическими моделями, имитирующими поведение реальных объектов, процессов или систем.

Компьютерное моделирование как новый метод научных исследований основывается на:

  1. построении математических моделей для описания изучаемых процессов;
  2. использовании новейших вычислительных машин, обладающих высоким быстродействием (миллионы операций в секунду) и способных вести диалог с человеком.

Суть компьютерного моделирования состоит в следующем: на основе математической модели с помощью ЭВМ проводится серия вычислительных экспериментов, т.е. исследуются свойства объектов или процессов, находятся их оптимальные параметры и режимы работы, уточняется модель. Например, располагая уравнением, описывающим протекание того или иного процесса, можно изменяя его коэффициенты, начальные и граничные условия, исследовать, как при этом будет вести себя объект. Имитационные модели — это проводимые на ЭВМ вычислительные эксперименты с математическими моделями, имитирующими поведение реальных объектов, процессов или систем.

Реальные процессы и системы можно исследовать с помощью двух типов математических моделей: аналитических и имитационных.

В аналитических моделях поведение реальных процессов и систем (РПС) задается в виде явных функциональных зависимостей (уравнений линейных или нелинейных, дифференциальных или интегральных, систем этих уравнений). Однако получить эти зависимости удается только для сравнительно простых РПС. Когда явления сложны и многообразны исследователю приходится идти на упрощенные представления сложных РПС. В результате аналитическая модель становится слишком грубым приближением к действительности. Если все же для сложных РПС удается получить аналитические модели, то зачастую они превращаются в трудно разрешимую проблему. Поэтому исследователь вынужден часто использовать имитационное моделирование.

Имитационное моделирование представляет собой численный метод проведения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими поведение реальных объектов, процессов и систем во времени в течение заданного периода. При этом функционирование РПС разбивается на элементарные явления, подсистемы и модули. Функционирование этих элементарных явлений, подсистем и модулей описывается набором алгоритмов, которые имитируют элементарные явления с сохранением их логической структуры и последовательности протекания во времени.

Имитационное моделирование — это совокупность методов алгоритмизации функционирования объектов исследований, программной реализации алгоритмических описаний, организации, планирования и выполнения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими функционирование РПС в течение заданного периода.

Под алгоритмизацией функционирования РПС понимается пооперационное описание работы всех ее функциональных подсистем отдельных модулей с уровнем детализации, соответствующем комплексу требований к модели.

«Имитационное моделирование» (ИМ)- это двойной термин. «Имитация» и «моделирование» — это синонимы. Фактически все области науки и техники являются моделями реальных процессов. Чтобы отличить математические модели друг от друга, исследователи стали давать им дополнительные названия. Термин «имитационное моделирование» означает, что мы имеем дело с такими математическими моделями, с помощью которых нельзя заранее вычислить или предсказать поведение системы, а для предсказания поведения системы необходим вычислительный эксперимент (имитация) на математической модели при заданных исходных данных.

Основное достоинство ИМ:

  1. возможность описания поведения компонент (элементов) процессов или систем на высоком уровне детализации;
  2. отсутствие ограничений между параметрами ИМ и состоянием внешней среды РПС;
  3. возможность исследования динамики взаимодействия компонент во времени и пространстве параметров системы;

Эти достоинства обеспечивают имитационному методу широкое распространение.

Рекомендуется использовать имитационное моделирование в следующих случаях:

  1. Если не существует законченной постановки задачи исследования и идет процесс познания объекта моделирования. Имитационная модель служит средством изучения явления.
  2. Если аналитические методы имеются, но математические процессы сложны и трудоемки, и имитационное моделирование дает более простой способ решения задачи.
  3. Когда кроме оценки влияния параметров (переменных) процесса или системы желательно осуществить наблюдение за поведением компонент (элементов) процесса или системы (ПС) в течение определенного периода.
  4. Когда имитационное моделирование оказывается единственным способом исследования сложной системы из-за невозможности наблюдения явлений в реальных условиях (реакции термоядерного синтеза, исследования космического пространства).
  5. Когда необходимо контролировать протекание процессов или поведение систем путем замедления или ускорения явлений в ходе имитации.
  6. При подготовке специалистов для новой техники, когда на имитационных моделях обеспечивается возможность приобретения навыков в эксплуатации новой техники.
  7. Когда изучаются новые ситуации в РПС. В этом случае имитация служит для проверки новых стратегий и правил проведения натурных экспериментов.
  8. Когда особое значение имеет последовательность событий в проектируемых ПС и модель используется для предсказания узких мест в функционировании РПС.

Однако ИМ наряду с достоинствами имеет и недостатки:

  1. Разработка хорошей ИМ часто обходится дороже создания аналитической модели и требует больших временных затрат.
  2. Может оказаться, что ИМ неточна (что бывает часто), и мы не в состоянии измерить степень этой неточности.
  3. Зачастую исследователи обращаются к ИМ, не представляя тех трудностей , с которыми они встретятся и совершают при этом ряд ошибок методологического характера.

И тем не менее ИМ является одним из наиболее широко используемых методов при решении задач синтеза и анализа сложных процессов и систем.

Одним из видов имитационного моделирования является статистическое имитационное моделирование, позволяющее воспроизводить на ЭВМ функционирование сложных случайных процессов.

При исследовании сложных систем, подверженных случайным возмущениям используются вероятностные аналитические модели и вероятностные имитационные модели.

В вероятностных аналитических моделях влияние случайных факторов учитывается с помощью задания вероятностных характеристик случайных процессов (законы распределения вероятностей, спектральные плотности или корреляционные функции). При этом построение вероятностных аналитических моделей представляет собой сложную вычислительную задачу. Поэтому вероятностное аналитическое моделирование используют для изучения сравнительно простых систем.

Подмечено, что введение случайных возмущений в имитационные модели не вносит принципиальных усложнений, поэтому исследование сложных случайных процессов проводится в настоящее время, как правило, на имитационных моделях.

В вероятностном имитационном моделировании оперируют не с характеристиками случайных процессов, а с конкретными случайными числовыми значениями параметров ПС. При этом результаты, полученные при воспроизведении на имитационной модели рассматриваемого процесса, являются случайными реализациями. Поэтому для нахождения объективных и устойчивых характеристик процесса требуется его многократное воспроизведение, с последующей статистической обработкой полученных данных. Именно поэтому исследование сложных процессов и систем, подверженных случайным возмущениям, с помощью имитационного моделирования принято называть статистическим моделированием.

Статистическая модель случайного процесса — это алгоритм, с помощью которого имитируют работу сложной системы, подверженной случайным возмущениям; имитируют взаимодействие элементов системы, носящих вероятностный характер.

При реализации на ЭВМ статистического имитационного моделирования возникает задача получения на ЭВМ случайных числовых последовательностей с заданными вероятностными характеристиками. Численный метод, решающий задачу генерирования последовательности случайных чисел с заданными законами распределения, получил название «метод статистических испытаний» или «метод Монте-Карло».

Так как метод Монте-Карло кроме статистического моделирования имеет приложение к ряду численных методов (взятие интегралов, решение уравнений), то целесообразно иметь различные термины.

Итак, статистическое моделирование — это способ изучения сложных процессов и систем, подверженных случайным возмущениям, с помощью имитационных моделей.

Метод Монте-Карло — это численный метод, моделирующий на ЭВМ псевдослучайные числовые последовательности с заданными вероятностными характеристиками.

Методика статистического моделирования состоит из следующих этапов:

  1. Моделирование на ЭВМ псевдослучайных последовательностей с заданной корреляцией и законом распределения вероятностей (метод Монте-Карло), имитирующих на ЭВМ случайные значения параметров при каждом испытании;
  2. Преобразование полученных числовых последовательностей на имитационных математических моделях.
  3. Статистическая обработка результатов моделирования.

Обобщенный алгоритм метода статистических испытаний представлен на рис. 5.1.


Рис. 5.1. Обобщенный алгоритм метода статистических испытаний

www.intuit.ru

Имитационное моделирование

СОДЕРЖАНИЕ

[0.1] ВВЕДЕНИЕ

[1]
1 ПОСТРОЕНИЕ СХЕМЫ МОДЕЛИ

[2]
2 СЕТЬ ПЕТРИ ДЛЯ ПРОЦЕССА РАБОТЫ ПОРТА

[3]
3 ПОСТРОЕНИЕ МОДЕЛИ

[3.1] 3.1 Описание программного продукта

[3.2] 3.2 Переменные и классы

[3.3] 3.3 Объекты библиотеки Enterprise Library

[3.4] 3.4 Разработка модели

[3.5] 3.5 Создание анимации

[3.6] ЗАКЛЮЧЕНИЕ

[3.7]
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ВВЕДЕНИЕ

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью и с ней проводятся эксперименты с целью получения информации об этой системе. Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

Экспериментирование с моделью называют имитацией. Модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

К имитационному моделированию прибегают, когда:

  •  дорого или невозможно экспериментировать на реальном объекте;
  •  невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
  •  необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами — разработке симулятора исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием.

AnyLogic — программное обеспечение для имитационного моделирования сложных систем и процессов. Программа обладает графической средой пользователя и позволяет использовать язык Java для разработки моделей.

Задача на курсовую работу: смоделировать процесс и разработать анимацию к ней, определить характеристики модели, используя AnyLogic.

Задание на курсовую работу: в системе передачи цифровой информации передается речь в цифровом виде. Речевые пакеты передаются через два транзитных канала, буферизуясь в накопителях перед каждым каналом. Время передачи пакета по каналу составляет 5 мс. Пакеты поступают через 6 ± 3 мс. Пакеты, передававшиеся более 10 мс, на выходе системы уничтожаются, так как их появление в декодере значительно снизит качество передаваемой речи. Уничтожение более 30% пакетов недопустимо. При достижении такого уровня система за счет ресурсов ускоряет передачу до 4 мс на канал. При снижении уровня до приемлемого происходит отключение ресурсов.

Смоделировать 10 с работы системы. Определить частоту уничтожения пакетов и частоту подключения ресурса.

Структурные схемы определяют основные функциональные части процесса работы, их назначение и взаимосвязи. На структурной схеме раскрывается не принцип работы отдельных функциональных частей изделия, а взаимодействие между ними. Поэтому составные части изделия изображают упрощенно в виде прямоугольников произвольной формы.

На основании условия задачи была построена структурная схема процесса работы порта, представленная на рисунке 1.

Рисунок  — Структурная схема процесса работы

На рисунке 1 цифрами обозначено:

1 — передача пакета из источника в накопитель 1;

2 — передача пакета из накопителя 1 в канал 1 ;

3 — передача пакета из канала 1 в накопитель 2;

4 — передача пакета накопителя 2 в канал 2;

5 — выход пакета из системы.

Для формализации систем применяют Q-схемы. Q-схемы представляют собой объединение отдельных элементарных приборов обслуживания. Если каналы этих приборов соединены параллельно, то имеет место многоканальное обслуживание. Если приборы и их параллельные композиции соединены последовательно, то имеет место многофазное обслуживание. В разомкнутых Q-схемах поток обслуженных заявок не может снова поступить на какой-либо элемент, т.е. обратные связи отсутствуют. В замкнутых Q-схемах имеются обратные связи, по которым заявки двигаются в направлении, обратном направлению вход/выход.

Для описания Q-схемы необходимо задать алгоритм ее функционирования, который определяет набор правил поведения заявок в системе в различных неоднозначных ситуациях.

Для формализации процессов используем аппарат Q-схем. Структурная схема модели может быть представлена в виде, изображенном на рисунке 2.

Рисунок  — Q-схема процесса

Источник И1 имитирует источник речевых пакетов. Накопитель Н1 имитирует первый накопитель перед первым транзитным каналом, где буферизуются пакеты, К1 имитирует первый транзитный канал передачи, накопитель Н2 имитирует второй накопитель перед вторым транзитным каналом, К2 имитирует второй транзитный канал передачи. Т1 имитирует уничтожение пакетов, Т2 имитирует выход системы.

Сеть Петри представляет собой двудольный ориентированный граф, состоящий из вершин двух типов — позиций и переходов, соединённых между собой дугами. Вершины одного типа не могут быть соединены непосредственно. В позициях могут размещаться метки (маркеры), способные перемещаться по сети. Они используются для причинно-следственных связей в системах с множеством параллельных процессов.

На рисунке 3 представлена сеть Петри для полного описания модели.

Рисунок  — Сеть Петри

3.1 Описание программного продукта

AnyLogic — инструмент имитационного моделирования, поддерживающий следующие подходы к созданию имитационных моделей: процессно-ориентированный (дискретно-событийный), системно динамический и агентный, а также любую их комбинацию. Уникальность, гибкость и мощность языка моделирования, предоставляемого AnyLogic, позволяет учесть любой аспект моделируемой системы с любым уровнем детализации. Графический интерфейс AnyLogic, инструменты и библиотеки позволяют быстро создавать модели для широко спектра задач от моделирования производства, логистики, бизнес-процессов до стратегических моделей развития компании и рынков.

Для построения модели используются переменные различного типа данных и компоненты из библиотеки Enterprise Library.

С помощью объектов Enterprise Library можно моделировать системы реального мира, динамика которых представляется как последовательность операций (прибытие, задержка, захват ресурса, разделение) над некими сущностями, представляющими клиентов, документы, звонки, пакеты данных, транспортные средства. Процессы задаются в форме потоковых диаграмм (блок-схем) — графическом представлении, принятом во многих областях: производстве, бизнес-процессах, центрах обработки звонков, логистике, здравоохранении. Потоковые диаграммы AnyLogic иерархичны, масштабируемы, расширяемы и объектно-ориентированы, что позволяет пользователю моделировать сложные системы любого уровня детальности. Другой важной особенностью Enterprise Library является возможность создания достаточно сложных анимаций процессных моделей.

3.2 Переменные и классы

Основные переменные и параметры, необходимые для построения модели, представлены в таблице 1.

Таблица 1 — Переменные

Sink3.getCount()

Количество уничтоженных пакетов

sum

Количество пакетов

var1

Процент уничтоженных пакетов

path

Логическая переменная, значение которой указывает на выполнение условия выхода или уничтожения пакета

showTime

Время прохождения системы пакетом

Herz1

Частота подключения резерва

Count1

Количество пакетов, которые прошли через каналы с подключением ресурса

Создан класс packet, который характеризует речевой пакет, проходящий через систему. Параметры класса: Enter – время вхождения пакета в систему, Exit – время выхода пакета из системы.

3.3 Объекты библиотеки Enterprise Library

Для построения модели использовались следующие объекты библиотеки Enterprise Library:

  •  Source – генератор заявок;
  •  Sink – удаление заявок;
  •  Queue – моделирует очередь и хранит поступающие заявки в определенном порядке;
  •  SelectOutput – в зависимости от заданного условия пересылает заявку на один из выходных портов;
  •  Delay –  задерживает заявки на заданный промежуток времени. 

3.4 Разработка модели

На рисунках 4 и 5 представлена реализованная модель системы.

Рисунок  – Схема модели

Рисунок 5 – Альтернативная схема модели

Опишем подробно устройство одной из схем. Source2 – источник пакетов, за ним объект selectOutput1, который проверяет условия уничтожения 30% пакетов. Если уничтожено больше 30%, то пакеты идут на нижнюю ветку, где время задержки каналов установлено в 4 мс. Если уничтожено меньше 30%, то пакеты идут по верхней ветке, где время задержки каналов 5 мс. Каждая их двух веток состоят из двух накопителей (объект Queue) и двух каналов (объект  Delay). После перехода по ветке пакет заходит в объект SelectOutput, где проверяется время обслуживания пакета и определяется направление выхода пакета из системы.

Рассмотрим отдельные параметры каждого объекта.

Source:

  •  newEntity – тип вызываемой заявки. Здесь определяем созданный ранее класс MyMessage.
  •  interarrivalTime — выражение, вычисляющее время до создания следующей заявки. По условию задания это время равно 6±3 с (triangular(3, 6, 9)).

selectOutput1:

В условии данного объекта прописана переменная path. Если переменная имеет истинное значение, то пакет передается в ветку с каналами, задержка которых равна 5 мс, иначе передача пакетов идет по ветке с каналами, которые имеют задержку 4 мс.

Ветки, которые идут параллельно имеют одинаковые параметры за исключением времени задержки.

queue:

  •  onEnter – код, который выполняется при входе в объект. Здесь определяется переменная Enter класса MyMessage. ((MyMessage)entity).Enter = getTime().

delay2 и delay4:

  •  delayTime – время задержки заявки (по условию 5 или 4 с), для верхней ветки это значение равно пяти, для нижней четырём.

delay3 и delay5:

  •  onExit — код, выполняемый, когда заявка покидает объект. Определяется переменная Exit класса packet – время окончания перехода заявки по каналам ((MyMessage)entity).Exit = getTime().

selectOutput:

onEnter  — вызывается метод NewControlDelayTime(), в котором описана функция, вычисляющая время перехода пакета по каналу. Если время больше 10с, то заявка отправляется на первый выход, если нет, то на второй.

3.5 Создание анимации

Анимация модели помогает визуализировать работу модели. Анимация предназначена для конечного пользователя.

В анимации представлены динамические изменения основных переменных двух аналогичных схем – процент уничтоженных заявок, частота подключения резервного ресурса. Для наглядности основной параметр – процент отклоненных пакетов – выводится на график.

На рисунке 6  представлена разработанная анимация отражающая работу моделей.

Рисунок 6 — Корректная передача пакета

4 РЕЗУЛЬТАТЫ РАБОТЫ ПРОГРАММНОЙ МОДЕЛИ

В результате работы имитационной модели наглядно демонстрируется передача речевых пакетов. В ходе моделирования по заданным условиям и параметрам получены значения следующих показателей: количество передаваемых пакетов, количество уничтожаемых пакетов, время задержки пакета в канале, процентное соотношение передаваемых и уничтожаемых пакетов.

Рисунок 7 – Динамика отношения полученных и недошедших пакетов второй схемы

Рисунок  — Динамика отношения полученных и недошедших пакетов второй схемы

Из данных графиков можно сделать вывод о  том, что использование резервов позволяет удерживать количество удаляемых пакетов в пределах допустимой нормы – 30%.

Кроме того из рисунка 6 видно, что частота подключения резервного ресурса достаточно мала – порядка 0,036 Гц. А так же она с допустимой точностью совпадает у основной и альтернативной схемы модели.

ЗАКЛЮЧЕНИЕ

В ходе выполнения курсовой работы были построены структурная схема процесса, формализованная Q-схема процесса, сеть Петри, а также  имитационная модель и анимация для нее, демонстрирующие работу системы передачи пакетов речевой информации в цифровом виде с помощью программного продукта.

Реализованная анимация дает наглядное изображение процессов, происходящих в модели.

Кроме того были получены и проанализированы данные работы системы.


СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. XJ Technologies [Электронный ресурс]. – Режим доступа: http://www.xjtek.ru, свободный.

2. XJ Technologies Company Ltd. Справочное руководство по Enterprise Library. – 2012. – 134 с.

3. XJ Technologies Company Ltd. Учебное пособие по Enterprise Library. – 2010. – 117 с.

4. СТО 01.04 – 2005. Работы студентов. Общие требования и правила оформления. – Архангельск.: Изд-во АГТУ, 2009. – 104 с.

PAGE   \* MERGEFORMAT3

refleader.ru

Имитационное моделирование — это… Что такое Имитационное моделирование?

Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов[1].

Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

Применение имитационного моделирования

К имитационному моделированию прибегают, когда :

  • дорого или невозможно экспериментировать на реальном объекте;
  • невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
  • необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора (англ. simulation modeling) исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием. Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства[источник не указан 212 дней]. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний[источник не указан 212 дней].

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950-х — 1960-х годах.

Можно выделить две разновидности имитации:

Виды имитационного моделирования

Три подхода имитационного моделирования Подходы имитационного моделирования на шкале абстракции
  • Агентное моделирование — относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
  • Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.
  • Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Области применения

Свободные системы имитационного моделирования

См. также

Примечания

  1. Муха В. С. Вычислительные методы и компьютерная алгебра: учеб.-метод. пособие. — 2-е изд., испр. и доп. — Минск: БГУИР, 2010.- 148 с.: ил, ISBN 978-985-488-522-3, УДК 519.6 (075.8), ББК 22.19я73, М92

Литература

  • Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. — 7-е изд. — М.: «Вильямс», 2007. — С. 697-737. — ISBN 0-13-032374-8
  • Строгалев В. П., Толкачева И. О. Имитационное моделирование. — МГТУ им. Баумана, 2008. — С. 697-737. — ISBN 978-5-7038-3021-5

Ссылки

dic.academic.ru

Имитационное моделирование (ИМ). Области использования и достоинства ИМ. Проблемы ИМ | Экзамен по моделированию. 7 семестр, ИТ МИРЭА вики

    Основные определенияПравить

    Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

    Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

    Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

    Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов.

    Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

    Применение имитационного моделированияПравить

    К имитационному моделированию прибегают, когда :

    — дорого или невозможно экспериментировать на реальном объекте;

    — невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;

    — необходимо сымитировать поведение системы во времени.

    Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами — разработке симулятора исследуемой предметной области для проведения различных экспериментов.

    Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием.             Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний.

    Подходы имитационного моделированияПравить

    Агентное моделирование — относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

    Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.

    Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

    Области примененияПравить

    Бизнес-процессы

    Боевые действия

    Динамика населения

    Дорожное движение

    ИТ-инфраструктура

    Математическое моделирование исторических процессов

    Логистика

    Пешеходная динамика

    Производство

    Рынок и конкуренция

    Сервисные центры

    Цепочки поставок

    Уличное движение

    Управление проектами

    Экономика здравоохранения

    Экосистема

    ru.itmodeling.wikia.com