книги / Моделирование систем
..pdf
|
N |
|
|
N |
N |
£ |
х, |
*0 |
Z yi |
N |
i-1 |
|
|
i- i |
|
x? |
|
tf |
|
Z *i |
£ |
*1 |
Z x m |
|
i-2 |
i-1 |
|
|
1-1 |
Решая это уравнение, получаем
* . - ( £ я £ 4 - i * £ * ) /[ » £ * ? - ( £ * )}
* .-(» £ эд»-£ *» £ *)/[» £ *?-(£ *)’}
где N — число реализаций при моделировании системы.
Соотношения для вычисления Ь0 и Ьх требуют минимального объема памяти ЭВМ для обработки результатов моделирования. Обычно мерой ошибки регрессионной модели служит среднее квадратичное отклонение
* - [ ( £ £ (*0 (iV-2)| 1/2.
Для нормально распределенных процессов приблизительно 67% точек находится в пределах одного отклонения <те от линии регрессии и 95% — в пределах 2ае (трубки А и В соответственно на рис. 7.2, б). Для проверки точности оценок Ь0 и Ьх регрессионной модели могут быть использованы, например, критерии Фишера (F- расцределение) и Стьюдента (/-распределение). Аналогично могут быть оценены коэффициенты уравнения регрессии и для случая нелинейной аппроксимации.
Дисперсионный анализ результатов моделирования. При обработ ке и анализе результатов моделирования часто возникает задача сравнения средних выборок. Если в результате такой проверки окажется, что математическое ожидание совокупностей случайных переменных {у(1)}, {у(2)}, {у(п)} отличается незначительно, то статистический материал, полученный в результате моделирования, можно считать однородным (в случае равенства двух первых моме нтов). Это дает возможность объединить все совокупности в одну и позволяет существенно увеличить информацию о свойствах ис следуемой модели Мм, а следовательно, и системы S. Попарное использование для этих целей критериев Смирнова и Стьюдента для проверки нулевой гипотезы затруднено в связи с наличием большого числа выборок при моделировании системы. Поэтому для этой цели используется дисперсионный анализ.
Пример 7.3. Рассмотрим решение задачи дисперсионного анализа при обработке результатов моделирования системы в следующей постановке. Пусть генеральные совокупности случайной величины {у(1)}, ..., {у(и)} имеют нормальное рас пределение и одинаковую дисперсию. Необходимо по выборочным средним значени ям при некотором уровне значимости у проверить нулевую гипотезу Н0 о равенстве математических ожиданий. Выявим влияние на результаты моделирования только одного фактора, т. е. рассмотрим однофакторный дисперсионный анализ.
Допустим, изучаемый фактор х привел к выборке значений неслучайной
251
величины Y следующего вида: у и у2, ..., уь где к — количество уровней фактора
х. Влияние фактора будем оценивать неслучайной величиной Dx, называемой
факторной дисперсией:
£ (У1-У)!К
1-1
где у — среднее арифметическое значение величины Y.
Если генеральная дисперсия D [у] известна, то для оценки случайности разброса наблюдений необходимо сравнить D[y] с выборочной дисперсией 5?, используя критерий Фишера (^-распределение). Если эмпирическое значение F3 попадает в кри тическую область, то влияние фактора х считается значимым, а разброс значений х — неслучайным. Если генеральная дисперсия £[дг] до проведения машинного эксперимента с моделью Ми неизвестна, то необходимо при моделировании найти ее оценку.
Пусть серия наблюдений на уровне у/ имеет вид уп, уп, |
Уы> где п — число |
повторных наблюдений на I-M уровне. Тогда на I-M уровне |
среднее значение |
наблюдений |
|
ъ=- £ |
у» |
|
|
nj- 1 |
|
а среднее значение наблюдений по всем уровням |
||
1 * |
■ |
1 k |
5*=т-1 |
Ё л>=т Ё % |
|
КПJ-1 |
]т! |
К 1т1 |
Общая выборочная дисперсия всех наблюдений
1 5? kn—1
При этом разброс значений у определяется суммарным влиянием случайных причин и фактора х. Задача дисперсионного анализа состоит в том, чтобы разложить общую дисперсию D]y] на составляющие, связанные со случайными и неслучайными причинами.
Оценка генеральной дисперсии, связанной со случайными факторами,
а оценка факторной дисперсии
Ас=£[у]-Я0[у].
Учитывая, что факторная дисперсия наиболее заметна при анализе средних значений на I-M уровне фактора, а остаточная дисперсия (дисперсия случайности) для средних значений в п раз меньше, чем для отдельных измерений, найдем более точную оценку выборочной дисперсии:
Де+- А)[у]=т^-> £ (У1-У)2. |
|
• я |
k - f ,ti |
Умножив обе части этого выражения на п, получим в правой части выборочную
дисперсию SI, имеющую (fc—1)-ю степень свободы. Влияние фактора х будет значи-
Л» м
мым, если при заданном у выполняется неравенство SHDQ\y\> F \_ у. В противном случае влиянием фактора х на результаты моделирования можно пренебречь и счи
252
тать нулевую гипотезу Н0 о равенстве средних значений на различных уровнях справедливой.
Таким образом, дисперсионный анализ позволяет вместо про верки нулевой гипотезы о равенстве средник значений выборок проводить при обработке результатов моделирования проверку нулевой гипотезы о тождественности выборочной и генеральной дисперсий.
Возможны и другие подходы к анализу и интерпретации резуль татов моделирования, но при этом необходимо помнить, что их эффективность существенно зависит от вида и свойств конкретной моделируемой системы S.
73. ОБРАБОТКА РЕЗУЛЬТАТОВ МАШИННОГО ЭКСПЕРИМЕНТА ПРИ СИНТЕЗЕ СИСТЕМ
При синтезе системы S на базе машинной модели М ы задача поиска оптимального варианта системы при выбранном критерии оценки эффективности и заданных ограничениях решается путем анализа характеристик процесса функционирования различных ва риантов системы, их сравнительной оценки и выбора наилучшего варианта. Независимо от того, как организуется выбор наилучшего варианта системы — простым перебором всех проанализированных при машинных экспериментах результатов или с помощью специ альных процедур поиска оптимального варианта, например мето дов математического программирования,— элементарной операци ей является сравнение статистически усредненных критериев оценки эффективности вариантов систем [9, 29, 33, 53].
Особенности машинного синтеза. Учитывая то обстоятельство, что конкурирующие варианты системы S отличаются друг от друга структурой, алгоритмами поведения, параметрами, число таких вариантов достаточно велико. Поэтому при синтезе оптимального варианта системы Sopt особенно важно минимизировать затраты ресурсов на получение в результате моделирования характеристик каждого варианта системы. Исходя из этих особенностей, при син тезе системы S обработку и анализ результатов моделирования каждого варианта системы S следует рассматривать не автономно, а в их тесной взаимосвязи. Очевидно, что задача синтеза оптималь ного варианта моделируемой системы 5opt должна быть уже постав лена при планировании машинного эксперимента с моделью Мм.
В предыдущей главе было показано, что искусственная органи зация статистической зависимости между выходными характеристи ками сравниваемых вариантов и S 2 системы дает выигрыш в точности оценки средних значений, вероятностей и дисперсий при положительно коррелированных критериях q2 и q2. Корреляция между критериями qt и q2 возникает в силу того, что случайные векторы
253
V |
••>) Vfct |
•••) Un |
•••> |
Vm )> |
описывающие воздействие внешней среды Е на варианты S 1 и £ 2 |
||||
системы, имеют общие составляющие v = (v 1, |
«*), в то время |
|||
как составляющие («Bfi, ...» vi1}) и (vt?i, |
v№) статистически |
|||
независимы. |
^ |
vk) обозначить |
фиксированные значения |
|
Если через v =(vx, |
||||
составляющих v = (v 1, |
vk), то условные средние значения q1 и q2 |
|||
будут такими: |
|
|
|
|
|
ИЛ*)=ЩЯ1 f a = M [ q 2lv l |
|
||
т. е. являются функциями переменных v = (v1} |
vk). |
|||
Рассмотрим особенности обработки |
результатов моделирова |
ния, когда сравниваемые в ходе проведения имитационных экс периментов полные средние значения критериев q2 и q2 примут вид
li1=M[qi]= |
J ... |
J |
fit ( v ) f ^ ) d v ; |
|
—со |
—со |
|
/*2=Л% 2]= |
I - |
J |
Н G ) f $ ) d v , |
|
—со |
—со |
|
где dv = dvl9 ..., dvjc',f(v)=fk(v, ..., vk) — совместная плотность веро
ятностей составляющих |
..., vk. |
Ковариация |
|
00 |
00 |
■Bi2=£[9i> ? J = J |
J /*i (*<)Hi («) f( v ) d v - |
— 00 — CO
Достаточным условием неотрицательности ковариации, да ющим выигрыш в оценке разности средних, является одинаковая
упорядоченность условных средних |
(il), fi2(v) относительно век |
|||||||
торного аргумента v =(vl f ..., v2), т. е. выполнение неравенства |
||||||||
|
1>1 |
^ (м>][/х2(г)—Ai2(i7)]>0 |
|
(7.1) |
||||
для любых значений векторных аргументов |
|
|
||||||
|
z = ( z lf ..., zk), u = ( u l9 ..., ик). |
|
|
|||||
Действительно, учитывая, что |
00 |
... |
00 |
f ( y ) d v = l, находим |
||||
j |
J |
|||||||
|
|
|
— 00 |
|
— СО |
|
|
|
В 12= J |
••• f Н (v) H2( v ) f G ) d v - |
J |
... |
J |
^ G ) f G ) d v |
f |
... J х |
|
— 00 |
— 00 |
|
— 00 |
|
— 00 |
|
— 00 |
— oo |
254
*li2(p)f(v)dv =0,5 J |
... J /(z )/(u ) [/^ (и)ц2(и )~ Hi(z) /i2(u)+ |
|
—00 |
—00 |
|
+li1(z)fi2( z ) - ii1(u)p2(z)]dzdu=Qs5 J ... |
J f( z ) f( u ) x |
|
|
—oo |
—oo |
x l l ^ i ( z ) - f i i ( u ) ] l M 2( z ) - t i 2 ( u ) ] d z d u .
Так |
как f ( v ) ^ 0 для всех v, то при выполнении (7.1) имеем |
2?12> 0 , |
ч т о и требовалось доказать. |
Когда в качестве результатов моделирования выступают вероят ности событий А 19 А 2 для вариантов и S 2 системы, то условные значения
f i ^ ^ P i A J v ) ; fi2(v)= P(A2lv)9
где P (A J v ) — условная вероятность, z= 1, 2.
Тогда достаточное условие неотрицательности ковариации запи
шется в виде |
|
P (A J Z ) - P ( A 2IU)][P(A2IZ )^ P (A 2IU)]>09 |
(7.2) |
что соответствует одинаковой упорядоченности условных вероят
ностей P (A J v ) и P (A 2/V ) относительно векторного аргумента «. Одинаково упорядоченными являются монотонно возраста
ющие или монотонно убывающие функции (v) и скалярного аргумента v, а также одинаковые функции fii( v ) = ii2 (v) независимо от их монотонности. Пример одинаково упорядоченных возраста ющих (а) и убывающих (б) функций fi(v ) показан на рис. 7.3.
Если положительные функции fij(v),j= 1, л, одинаково упорядо
чены, то |
произведение любой |
Ь) |
||
комбинации |
этих |
функций |
||
ftk(v) ця(у)...цт(у) одинаково |
|
|||
упорядочено |
с |
произведе |
|
|
нием |
любой |
комбинации |
|
|
fii(y) |
|
Это же мож |
|
но сказать и об условных веро ятностях P(Aj/v)9j= 1, п.
Пример 7.4. Пусть методом стати стического моделирования на ЭВМ не обходимо сравнить результаты моде лирования двух вариантов S t и S2 си стемы, составленных из одинаковых блоков Вх —ВА (структура системы по казана на рис. 7.4) и сравниваемых по критерию надежности с учетом случай ных изменений внешней температуры. События А х и Л2 соответствуют без отказной работе вариантов S x и S2 си стемы в течение заданного времени Т.
Рис. 7.3. Пример одинаково упорядочен ных функций
Рис. 7.4. Структуры сравниваемых вари антов систем I?! и S2
255
Вероятность безотказной работы 2?,- при заданной температуре « = v можно определить как
Р ( Я , / у ) = е - ^ т , / = 1 7 4 ,
где A f ( v ) — интенсивности отказов, являющиеся возрастающими функциями температуры.
Таким образом, функции Р (2?,/v) являются одинаково упорядоченными убыва ющими функциями. Можно показать, что функции P (A J v )= :{ l-[ l-P (B J v )] [ l-
- P ( B 2/v)]} {1-[1 -Р (Л 3Л 0Н 1--Р(£»]}, P(A2(v )= l- [ \- P (B J v ) х Р ( В 3/у)] [1 -
—P(B2(v)P(BJv)] также одинаково упорядочены и убывают с ростом температуры v . Поэтому, используя при машинном эксперименте с вариантами S x и S 2 системы одни и те же реализации v случайной температуры v , получим в результате модели рования большую точность сравнения вероятностей Р (/ij) и Р (Л2), чем при раздель ном моделировании S1 и S2 системы с использованием независимых реализаций v .
Рассмотренный пример можно обобщить и на случай векторного аргумента, например для набора таких переменных, как температура, давление, ускорение и т. п.
Когда независимые компоненты в воздействиях внешней среды Е отсутствуют, т. е. v1= v2=v, условные средние px(v)-M [q xfv], p2(y)—M[q2!v] преобразуются в детерминированные зависимости критериев от случайных воздействий qx= /i (v),
При этом условия одинаковой упорядоченности становятся еще более жесткими. Так, например, условия (7.2) выполняются лиш ь тогда, когда для всех значений
исключено одно из состояний: А ХА2 или А 1А2. Другими словами, положительная корреляция В12 и связанные с ней преимущества гарантируются лишь тогда, когда вариант системы S x равномерно лучше (хуже) варианта S2. В принятых в § 6.3 обозначениях это соответствует рс=0 или pD—0.
Состояния С=АХА2 или D —A XA2 вариантов систем Sx и S2 возможны лишь при наличии двух неисправных блоков Вь i—1, 4, состояние А = А ХА2 возможно при отсутствии неисправностей или при одной неисправности, а состояние В = А^А2 —
при трех или четырех неисправностях. Обозначив через BjSj ситуацию с неисправ ностями блоков Bj и Bj, находим соответствие между состояниями
~ВХВ2—*В, ВХВ3-*А, В^И^—С,
В2ВЪ->С, В^В^-ьА, ВуВ^—*в
и убеждаемся в отсутствии состояния D.
Следует помнить, что условия одинаковой упорядоченности (7.1) и (7.2) являются достаточными, но не необходимыми и достаточ ными условиями неотрицательности корреляции. Поэтому, обнару жив в конкретной схеме проведения имитационного эксперимента нарушение этих условий при некоторых реализациях входных воз
действий v, следует более детально рассмотреть процедуру сравне ния средних значений или вероятностей. Например, при сравнении вероятностей, задаваясь значениями Ар=р1—р 2, рл и РЬ> необходи
мо рассчитать значенияРг—Р л ^ P D > P I — P Z ^ А?»Pc — P D + Ар и вычи слить коэффициенты корреляции и «выигрыша» соответственно:
^12“ ^PA’~P\Pl)lyJP\ 0 Pl)PzO- Р2У’
y= N JN ,=[р1(1 - р 1)+ р 2(1 -P iM P c + PD ~ (Pc~ P D)2]’
256
где N* и N 3— объемы выборки, необходимые для получения задан ной точности оценки Ар при использовании независимых и зависи мых реализаций.
Таким образом, использование зависимых испытаний дает воз можность значительно сократить затраты машинного времени на моделирование. Рассмотренная методика сравнения характеристик вариантов при синтезе системы с учетом их корреляции является формальной. Однако основа для получения с помощью этой мето дики практических преимуществ — неформальная операция выбора такой схемы имитации, при которой искусственно создавалась бы требуемая корреляция.
Оценка результатов моделирования системы. Рассмотрим воз можность оценки при обработке результатов моделирования аб солютных значений характеристик процесса функционирования си стемы S. Пусть исследование одного из вариантов системы, напри мер S 2, выполнено аналитическим методом и определено среднее
значение р2 критерия q2. Тогда оценка p i= p 2—3 среднего значения рх имеет дисперсию
D [Дi] = D [3\ = (D В Ц +D В Ц )/* = (1 + а)D [AJ/y,,
где уц — коэффициент выигрыша, получаемого при оценке разности
средних значений d= n2—p1 за |
счет зависимости испытаний; |
а=Я[А2]Д)[Д1]. Оценка /21 точнее |
если (1+а)/у/|<1. |
Однако затраты машинного времени для получения оценки Д1, которые обозначим как t12, превышают при заданном N затраты машинного времени tl9 необходимого для автономной оценки pv Поэтому при заданной точности оценки среднего рх оценка Д1 дает выигрыш по затратам машинного времени на имитацию только в том случае, если (1+а)/12/(у^1)< 1 .
Для нормально распределенных критериев qx и q2 оценка дис
персии D i= D 2+AD. Выигрыш в затратах машинного времени на имитационное моделирование по сравнению с автономной оценкой б х будет лишь при условии (1+ а)//12/у2)/1) < 1, где yD— коэффици ент выигрыша, получаемого при оценке разности дисперсий AD за счет зависимых испытаний.
Рассмотренные методы сравнения вариантов и S2 моделиру емой системы можно использовать в алгоритмах оптимизации на этапе проектирования системы S, т. е. при ее синтезе, по резуль татам имитационного эксперимента с ее машинной моделью Ми.
При синтезе системы S на основе проведения машинных экс периментов с моделью М и возникает задача анализа чувст вительности модели к вариациям ее параметров. П од анализом чувстви тельн ости машинной модели Мм понимают проверку устойчивости результатов моделирования, т. е. характеристик про цесса функционирования системы S, полученных при проведении
17-4833 |
257 |
имитационного эксперимента, по отношению к возможным от
клонениям параметров машинной модели Ah =(АЛ1} |
Ah„) от |
истинных их значений h = (h l9 ..., h„) [29, 33, 53]. |
|
Анализ чувствительности позволяет сравнивать методические погрешности, полученные при построении машинной модели М и, с неточностями задания исходных данных, что особенно важно при практической реализации для целей синтеза системы S.
Малым отклонениям Ah будут соответствовать изменения ха рактеристик q (Я), которые в практических расчетах можно оценить
величиной A q= q'(h)A h+ r0, где q 1(h)=(dq(h)/dh11 ..., dq(h)jdhn);
г0 — остаточный член второго порядка малости относительно вариации, который используется для проверки точности решения.
Частная производная q'(h) определяется в точках, соответству- |
||
-♦ |
-♦ |
-* |
ющих номинальным значениям параметров к жи. Если hJK}M= h*i где
h* ~ оптимальные параметры системы по показателю q (Л), то ?Ч^*ш)=0 и необходимо проводить оценку с использованием вто
рой производной q" (Ашм). Таким образом, частные производные
q'(h)f qf,(h) количественно характеризуют чувствительность ма шинной модели М м к изменениям ее параметров.
_ Большие отклонения характеристик q(h) при малых вариациях
Ah свидетельствуют о неустойчивости модели М и по отношению |
|
-♦ |
-4 |
к этим вариациям. Для получения оценок q(h) показателя q(h) удобно рассматривать зависимые реализации внешних воздействий
при различных h и проводить соответствующую обработку резуль татов машинного эксперимента с моделью М и.
Чувствительность можно оценить и на более простой модели, чем модель для определения характеристик процесса функциониро вания системы S. Кроме того, универсальные оценки производных
q'(h) и q"(h), выполняемые при моделировании по зависимым испытаниям, в ряде частных случаев можно заменить более удоб ными непосредственными вычислениями.
Таким образом, результаты машинного эксперимента с моде лью М и обрабатываются с учетом целей моделирования системы 5, которые находятся в тесной связи с вопросами, решаемыми при планировании экспериментов. При синтезе системы S на базе ее машинной модели Мм необходимо принять меры по организации зависимых испытаний анализируемых вариантов системы и оценке чувствительности модели к вариации ее параметров, что позволит упростить работу с моделью на каждом шаге оптимизации.
258
Контрольны е вопросы
7.1.Каковы особенности имитационного эксперимента на ЭВМ с точки зрения обработки результатов?
7.2.В чем сущность методов фиксации и обработки результатов при статистичес ком моделировании систем на ЭВМ?
7.3.Какие методы математической статистики используются для анализа резуль татов имитационного моделирования систем?
7.4.Какое место занимают имитационные модели при машинном синтезе
систем?
7.5. Какова цель организации зависимых испытании модели системы иа ЭВМ?
17*
ГЛАВА 8
МОДЕЛИРОВАНИЕ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ ТИПОВЫХ МАТЕМАТИЧЕСКИХ СХЕМ
Объекты информационных систем характеризуются сложностью структу ры, алгоритмов поведения, многопараметричносгью, что, естественно, приво дит и к сложности их машинных моделей; это требует при их разработке построения иерархических модульных конструкций, а также использования формального описания внутрисистемных процессов. Типовые математические схемы являются связующим звеном в цепочке «концептуальная модель — ма шинная модель», позволяя эффективно решать при моделировании проблемы взаимодействия заказчика (постановщика задачи) и исполнителя (разработчика модели). Наиболее характерными для информационных систем являются объекты дискретного типа (дискретные производственные процессы, вычисли тельные комплексы, каналы передачи данных, информационные сети и т. д.), что предопределяет необходимость детального ознакомления с машинным модели рованием на базе дискретных, вероятностных, а также универсальных типовых математических схем.
8.1. ИЕРАРХИЧЕСКИЕ МОДЕЛИ ПРОЦЕССОВ ФУНКЦИОНИРОВАНИЯ СИСТЕМ
При машинной реализации любой из рассмотренных типовых математических схем (D, F, Р, Q, N, Л-схем) необходимо решить вопрос о взаимодействии блоков модели Мм при использовании аналитического, имитационного или комбинированного (аналити ко-имитационного) подходов.
Блочная конструкция модели. Рассмотрим машинную модель
Ми системы S как совокупность блоков {щ}, i= 1, п. Каждый блок модели можно охарактеризовать конечным набором возможных состояний {z0}, в которых он может находиться. Пусть в течение рассматриваемого интервала времени (0, 7), т. е. времени прогона
модели, блок изменяет состояния в моменты времени где j — номер момента времени. Вообще моменты времени смены со стояний блока щ можно условно разделить на три группы: 1) слу чайные моменты, связанные с внутренними свойствами части систе мы S, соответствующей данному блоку; 2) случайные моменты, связанные с изменением состояний других блоков (включая блоки, имитирующие воздействия внешней среды Е)\ 3) детерминирован ные моменты, связанные с заданным расписанием функционирова ния блоков модели [29, 36, 37, 53].
260