ЭкзПопков-1
.docxМодель всегда является лишь относительным, приближенным подобием объекта-оригинала и в информационном отношении принципиально беднее последнего, дает упрощенное описание. Это ее фундаментальное свойство.
Адекватность: модель успешно описывает моделируемую систему; необходимая и достаточная степень соответствия объекту-оригиналу.
Информативность: модель должна содержать достаточную информацию о системе - в рамках гипотез, принятых при построении модели
Вопрос адекватности модели относится к числу важнейших в сфере моделирования. Под эффективностью модели понимают ее практическую полезность. С одной стороны, исследователь всегда стремиться к возможно более полному и точному воспроизведению в модели свойств и характеристик объекта. Следствием этого является рост сложности, которая проявляется в числе переменных, числе учитываемых связей и влияний, повышении требования к точности исходных данных и т.д. Однако практика показала неопровержимо: эффективность модели находится в обратной зависимости от её сложности, быстро убывая с ростом последней.
Таким образом, эффективность любой модели достигается как компромисс между близостью модели к оригиналу (адекватностью) и простотой, обеспечивающей возможность и удобство использования модели по её прямому назначению; ( чрезмерная точность модели на практике не менее вредна, чем её неполнота и грубость.)
Понятие сложной системы, ее особенности. Иерархия систем Сложной (Большой) системой называется система, у которой имеется большое количество взаимно связанных и взаимодействующих между собой элементов, обеспечивающих выполнение некоторой достаточно крупной функции.
Подсистемы, не подлежащие дальнейшему расчленению являются элементами сложной системы.
В основе любого моделирования лежит некоторая модель, имеющая соответствие с реальным объектом. Объекты моделирования становятся все более сложными. В качестве объекта выступают сложные организационно-технические системы, которые относятся к классу больших систем.
Сложной системой называется система, в модели которой недостаточно информации для эффективного управления этой системой.
В настоящее время однозначного, четкого определения сложной системы нет. Известны различные подходы и предложены различные формальные признаки ее определения. Так, советский ученый Г.Н. Поворов предлагает относить к сложным системы имеющие 10”4-10”7 элементов;
Иерархия систем: Если некоторые первоначально выбранные подсистемы оказываются чрезмерно сложными, каждую из них расчленяют (с сохранением связей) на конечное число более мелких подсистем нижнего уровня. Процедуру расчленения подсистем продолжают до получения таких подсистем, которые в условиях данной задачи будут признаны достаточно простыми и удобными для непосредственного математического описания. Подсистемы, не подлежащие дальнейшему расчленению, являются, как это сказано выше, элементами сложной системы. Таким образом, в общем случае сложная система является многоуровневой, состоящей из взаимосвязанных элементов, объединяемых в подсистемы различных уровней
Понятие иерархии систем резко сужает число элементов, подлежащих анализу. Без неё мы должны брать на учёт все уровни окружающего мира, начиная от элементарных частиц и кончая глобальными системами, такими как организм, биосфера, планета и так далее.
Пример иерархии системы: Перс.компьютер: состоит из системника, монитора, клавиат., мыши. Системный блок состоит из мат.платы., проц., оперативной памяти и т.д. Кажд. Из этих частей можно разложить на сотавляющие: Процессор из регистров и схем, которые сами состоят из транзисторов и диодов. Вместе эти части образуют логическое целое. Мы можем понять, как работает компьютер, только потому, что можем рассматривать отдельно каждую его составляющую.
Понятие живучести сетей связи. Живучесть характеризует устойчивость сети связи против действия причин, лежащих вне сети и приводящих к разрушениям или значительным повреждениям некоторых её частей. Живучесть – свойство сети сохранять способность выполнять требуемые функции в условиях, создаваемых воздействием внешних дестабилизирующих факторов
Метод статистического моделирования. Достоинства и недостатки. Процесс моделирования с помощью вероятностных моделей называется статистическим моделированием и является разновидностью имитационного моделирования.
Основные этапы моделирования больших систем. 1. Построение концептуальной (описательной) модели некоторой системы и её формализация 2. Алгоритмизация модели и её программная реализация
3. Получение и интерпретация результатов моделирования
Этапы могут быть задействованы не все.
На первом этапе формулируется модель и строится её формальная схема. Основное назначение данного этапа – переход от содержательного описания объекта к его математической модели. Это наиболее ответственный этап. Исходный материал данного этапа – содержательное описание объекта.
1 Проведение границ между системой и внешней средой. (колебания маятника: постоянное притяжение земли, отсутствие ветра отделение внешних параметров от внутренних(масса груза, длина нити))
2 Исследование моделируемого объекта с точки зрения выделения основных составляющих процесса функционирования системы (по отношению к целям моделирования) (цель мод-я: найти основные характеристики процесса движения маятника под действием гравитации на массу(период))
3 Переход от содержательного описания системы к формализованному описанию свойств процесса функционирования системы, т.е. к концептуальной модели (обобщенное описание функционир. системы). Переход от содержательного описания системы к её модели в данной ситуации сводится к исключению некоторых второстепенных элементов описания. Предполагается, что они не оказывают существенного влияния на ход процессов, исследуемых в системе с помощью модели.
(4 Основные элементы модели группируются в блоки. Блоки I-ой группы представляют собой имитатор воздействия внешней среды. Блоки II-ой групп являются собственно моделью функционирования. Блоки III-ей группы носят вспомогательный характер для реализации I-ой и II-ой групп и для фиксации результатов моделирования.)
5 Процесс функционирования системы разбивается на подпроцессы так, чтобы построение отдельных моделей подпроцессов было элементарным и не вызывало трудностей.
На втором этапе моделирования – этапе алгоритмизации модели и её машинной реализации, сформированная на первом этапе математическая модель реализуется в виде программы. Исходный материал – блочная логическая схема.
1 Разработка схемы моделирующего алгоритма.
2 Разработка схемы программы.
3 Выбор технического средства для реализации компьютерной модели.
4 Этап программирования модели (программирование и отладка).
5 Проверка достоверности модели на различных работающих тестовых примерах.
6Составление технической документации (логические схемы, схемы программ, спецификации)
На третьем этапе (получение и интерпретация результатов) компьютер используется для проведения рабочих расчетов по готовой программе модели. Результат этих расчетов позволяет проанализировать и сделать выводы о характеристиках процесса функционирования моделируемой системы.
1 Планирование машинного эксперимента с моделью системы (активный и пассивный эксперименты). Необходимо составление плана проведения эксперимента с указанием комбинации переменных и параметров, для которых должен проводится эксперимент. Главная задача – дать максимальный объем информации об объекте моделирования при минимальных затратах машинного времени.
2 Проведение рабочих расчетов (контрольная калибровка модели)
3 Статистическая обработка результатов расчетов.
4 Интерпретация результатов моделирования, подведение итогов
5 Составление технической документации.
Понятие имитационного моделирования, особенности, недостатки Имитационная модель — это совокупность описания системы и внешних воздействий, алгоритмов функционирования системы или правил изменения состояния системы под влиянием внешних и внутренних возмущений. Эти алгоритмы и правила не дают возможности использования имеющихся математических методов аналитического и численного решения, но позволяют имитировать процесс функционирования системы и производить вычисления интересующих характеристик. Имитационные модели могут быть созданы для гораздо более широкого класса объектов и процессов, чем аналитические Поскольку для реализации имитационных моделей служат ВС, средствами формализованного описания ИМ служат универсальные и специальные алгоритмические языки.
При использовании имитационных моделей, в отличие от аналитических, в ЭВМ воспроизводится текущее функционирование технической системы в некотором масштабе времени. При этом требует воспроизводить входные воздействия в виде наборов чисел — реализаций процессов (а не числовых характеристик, как при аналитическом моделировании). В зависимости от характера решаемой задачи в процессе имитационного моделирования с различной степенью сложности воспроизводятся и промежуточные преобразования сигнала.
Использование имитационных моделей оправдано в тех случаях, когда возможности методов исследования системы с помощью аналитических моделей ограничены, а натурные эксперименты по тем или иным причинам нежелательны или невозможны.
К достоинствам имитационного моделирования применительно к промышленным объектам относятся: динамический характер отображения системы; возможность учета случайных факторов и сложных зависимостей от них; сравнительная простота введения модификаций в модель (поскольку ее структура аналогична функциональной и логической структурам системы); возможность исследования системы на множестве модельных реализаций ее функционирования, т. е. проведения статистических экспериментов; практически неограниченные возможности применения различных видов математического аппарата.
(Основные направления развития компьютерного моделирования. 1. Моделирование реально протекающих явлений и процессов (математическое моделирование, численный эксперимент). 2. Конструирование реальных или виртуальных объектов в двух, или трехмерном пространстве (компьютерная графика). 3. Моделирование и визуализация явлений и процессов протекающих в сложных системах (имитационный эксперимент, демонстрационные модели). 4. Моделирование работы реальных систем, управление этой системой.)
Недостатки: разработка хорошей имитационной модели обходится дорого и требует много времени.
Имитационная модель в принципе не точна, и мы не в состоянии измерить степень этой неточности. ...
Результаты, которые даёт имитационная модель, обычно являются численными. 31. Понятие статистического моделирования, достоинства, недостатки Статистическая модель в отличий от аналитической, обладает большей точностью и является более детальной, для них нет необходимости в значительных допущениях, а также они дают возможность провести анализ большего количества факторов, но также обладает рядом недостатков: малая обозримость, объемность, значительные затраты машинного времени, трудность в поиске оптимального решения которое обычно производится путем проб и ошибок. Статистические модели описывают многократное воспроизведение отдельных реализаций процесса функционирования с дальнейшей обработкой выходных статистических данных.
32. Определение систем массового обслуживания, основная классификация. Система массового обслуживания (СМО) — система, которая производит обслуживание поступающих в неё требований. Обслуживание требований в СМО осуществляется обслуживающими приборами. Классическая СМО содержит от одного до бесконечного числа приборов. В зависимости от наличия возможности ожидания поступающими требованиями начала обслуживания СМО подразделяются на:
системы с потерями, в которых требования, не нашедшие в момент поступления ни одного свободного прибора, теряются;
системы с ожиданием, в которых имеется накопитель бесконечной ёмкости для буферизации поступивших требований, при этом ожидающие требования образуют очередь;
системы с накопителем конечной ёмкости (ожиданием и ограничениями), в которых длина очереди не может превышать ёмкости накопителя; при этом требование, поступающее в переполненную СМО (отсутствуют свободные места для ожидания), теряется.