Компьютерное имитационное моделирование

Территория рекламы

31. Компьютерное 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.

32. Корреляционный анализ, его задачи?

Корреляционный анализ - метод, позволяющий обнаружить зависимость между несколькими случайными величинами.

Допустим, проводится независимое измерение различных параметров у одного типа объектов. Из этих данных можно получить качественно новую информацию - о взаимосвязи этих параметров.

33. Оценка чувствительности модели.

Анализом чувствительности модели называют процедуру оценки влияния допусков входных параметров на её выходные характеристики. Проводят анализ чувствительности следующим образом: задают отклонение входного параметра в правую и левую сторону от среднего его значения и фиксируют, как при этом изменяются выходные значения характеристик модели. В качестве величины отклонения обычно принимают среднее квадратическое отклонение.

Практическая сторона анализа состоит в том, что устанавливается степень зависимости выходных параметров, от входных характеристик. Эту степень влияния затем можно проранжировать и выявить наиболее значимые параметры.

Если в ходе проверки модели на чувствительность к изменению входных параметров установлено, что ряд параметров приводит к незначительным изменениям выходных характеристик, сравнимых с точностью проведения расчетов на модели, то данные входные параметры можно вывести из модели. Таким образом, анализ чувствительности модели может привести к упрощению модели и исключению из неё незначимых факторов.

Поскольку модель системы только стремиться отобразить реальность, то неизбежно существование упрощений, допущений и идеализаций сложных процессов и явлений, происходящих в системе. Следствием этих упрощений и идеализаций будет неопределенности в итоговых результатах, получаемых в процессе применения модели.

34. Статистическое имитационное моделирование.

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

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".

35. Регрессионный анализ.

Регрессионный анализ — метод моделирования измеряемых данных и исследования их свойств. Данные состоят из пар значений зависимой переменной (переменной отклика) инезависимой переменной (объясняющей переменной). Регрессионная модель есть функция независимой переменной и параметров с добавленной случайной переменной. Параметры модели настраиваются таким образом, что модель наилучшим образом приближает данные. Критерием качества приближения (целевой функцией) обычно является среднеквадратичная ошибка: сумма квадратов разности значений модели и зависимой переменной для всех значений независимой переменной в качестве аргумента. Регрессионный анализ — раздел математической статистикии машинного обучения. Предполагается, что зависимая переменная есть сумма значений некоторой модели и случайной величины. Относительно характера распределения этой величины делаются предположения, называемые гипотезой порождения данных. Для подтверждения или опровержения этой гипотезы выполняются статистические тесты, называемые анализом остатков. При этом предполагается, что независимая переменная не содержит ошибок. Регрессионный анализ используется для прогноза, анализа временных рядов, тестирования гипотез и выявления скрытых взаимосвязей в данных.

36. Оценка устойчивости модели.

Оценка устойчивости модели. При оценке адекватности модели как существующей, так и проектируемой системе реально может быть использовано лишь ограниченное подмножество всех возможных значений входных параметров (рабочей нагрузки и внешней среды). В связи с этим для обоснования достоверности получаемых результатов моделирования большое значение имеет проверка устойчивости модели. В теории моделирования это понятие трактуется следующим образом.

Устойчивость модели — это ее способность сохранять адекватность при исследовании эффективности системы на всем возможном диапазоне рабочей нагрузки, а также при внесении изменений в конфигурацию системы.

В общем случае можно утверждать, что чем ближе структура модели структуре системы и чем выше степень детализации, тем устойчивее модель.

37. Случайные события, случайные величины.

Процесс имитации включает в себя большое число операций, связанных с формированием, преобразованием и использованием реализациислучайных событий, величин и процессов, поэтому результаты моделирования также носят случайный характер. Они отражают случайные сочетания действующих факторов, складывающихся в процессе моделирования. Искомые величины при имитационном моделированииопределяют в результате статистической обработки совокупностей данных некоторого числа реализаций процесса моделирования. Совокупность реализаций выступает в роли статистического материала при машинном эксперименте, а оценка параметров — в роли экспериментальных данных, поэтому имитационное моделирование иногда называют методом статистического моделирования.

38. Планирование модельных экспериментов.

Планирование модельных экспериментов преследует две основные цели:

·  сокращение общего объема испытаний при соблюдении требований к достоверности и точности их результатов;

·  повышение информативности каждого из экспериментов в отдельности.

Поиск плана эксперимента производится в так называемом факторном пространстве.

Факторное пространство - это множество внешних и внутренних параметров модели, значения которых исследователь может контролировать в ходе подготовки и проведения модельного эксперимента.

Поскольку факторы могут носить как количественный, так и качественный характер (например, отражать некоторую стратегию управления), значения факторов обычно называют уровнями. Если при проведении эксперимента исследователь может изменять уровни факторов, эксперимент называется активным, в противном случае — пассивным.

Каждый из факторов имеет верхний и нижний уровни, расположенные симметрично относительно некоторого нулевого уровня. Точка в факторном пространстве, соответствующая нулевым уровням всех факторов, называется центром плана.

Интервалом варьирования фактора называется некоторое число , прибавление которого к нулевому уровню дает верхний уровень, а вычитание — нижний.

Как правило, план эксперимента строится относительно одного (основного) выходного скалярного параметра , который называется наблюдаемой переменной.

39. Моделирование случайных событий в Simulink.

40. Законы распределения случайных величин, их числовые характеристики.

Величины, которые могут принять в результате опыта любое из возможных значений, являются предметом дальнейшего изучения. Случайной называется величина, которая в результате опыта может принять то или иное возможное значение, неизвестное заранее, но обязательно одно.

Дискретной случайной величиной называют такую случайную величину, множество возможных значений которой либо конечное, либо бесконечное, но счетное. Непрерывной случайной величиной называют такую случайную величину, которая может принять любое значение из некоторого конечного или бесконечного интервала.

Законом распределения дискретной случайной величины называется всякое соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими вероятностями. Про случайную величину говорят, что она подчиняется данному закону распределения.

Законы распределения непрерывных случайных величин

Закон распределения непрерывной случайной величины нельзя задать также, как для дискретной. Он неприменим в силу того, что нельзя перечислить все бесконечное несчетное множество значений, а вероятности каждого отдельно взятого значения непрерывной случайной величины равны нулю.

41. Стратегическое планирование имитационного эксперимента.

Формирование стратегического плана выполняется в так называемом факторном пространствеФакторное пространство - это множество внешних и внутренних параметров, значения которых исследователь может контролировать в ходе подготовки и проведения эксперимента.

Объектами стратегического планирования являются:

выходные переменные (отклики, реакции, экзогенные переменные);

входные переменные (факторы, эндогенные переменные);

уровни факторов.

Математические методы планирования экспериментов основаны на так называемом кибернетическом представлении процесса проведения эксперимента (рис. 4.1).

42. Управление потоком событий в Simulink.

43. Метод Монте-Карло.

Моделирование по методу Монте-Карло представляет собой автоматизированную математическую методику, предназначенную для учета риска в процессе количественного анализа и принятия решений. Эта методика применяется профессионалами в разных областях, таких как финансы, управление проектами, энергетика, производство, проектирование, НИОКР, страхование, нефтегазовая отрасль, транспорт и охрана окружающей среды.

Впервые этим методом воспользовалась ученые, занимавшиеся разработкой атомной бомбы; его назвали в честь Монте-Карло — курорта в Монако, известного своими казино. Получив распространение в годы Второй мировой войны, метод Монте-Карло стал применяться для моделирования всевозможных физических и теоретических систем.

В рамках метода Монте-Карло анализ риска выполняется с помощью моделей возможных результатов. При создании таких моделей любой фактор, которому свойственна неопределенность, заменяется диапазоном значений — распределением вероятностей. Затем выполняются многократные расчеты результатов, причем каждый раз используется другой набор случайных значений функций вероятности. Порой для завершения моделирования бывает необходимо произвести тысячи и даже десятки тысяч перерасчетов — в зависимости от количества неопределенностей и установленных для них диапазонов. Моделирование по методу Монте-Карло позволяет получить распределения значений возможных последствий.

44. Тактическое планирование эксперимента, его задачи.

Тактическое планирование представляет собой определение способа проведения каждой серии испытаний машинной модели Мм, предусмотренных планом эксперимента. Для тактического планирования также имеется аналогия с внутренним проектированием системы S'но опять в качестве объекта рассматривается процесс работы с моделью Мм.

45. Управление временем при моделировании в Simulink

← Предыдущая
Страница 1
Следующая →

Скачать

31-45.docx

31-45.docx
Размер: 30.7 Кб

Бесплатно Скачать

Пожаловаться на материал

Оценка чувствительности модели. Статистическое имитационное моделирование. Регрессионный анализ. Оценка устойчивости модели. Случайные события, случайные величины. Планирование модельных экспериментов. Законы распределения случайных величин, их числовые характеристики. Метод Монте-Карло.

У нас самая большая информационная база в рунете, поэтому Вы всегда можете найти походите запросы

Искать ещё по теме...

Похожие материалы:

Правомерное поведение: понятие, черты, виды

Поведение является важнейшей социальной характеристикой личности. Правомерное поведение проявляется в общественной жизни весьма многообразно.

Методы проведения исследования систем управления

Структуризация методов исследования систем управления. Методы, основанные на использовании знаний и интуиции специалистов, - это экспертные методы: «мозговая атака», «сценарии», «дерево целей», морфологические методы и т.п. Методы формализованного представления систем управления.

Общение. Виды. Три стороны общения

Общение между людьми происходит в различных формах, лично-групповое, межличностное, и межгрупповое общение.

Проблема мотивації молоді щодо вступу у ВНЗ

Предмет дослідження – є особливості прояву молоді, до навчання у ВНЗ та визначення щодо напрямку підготовк, як майбутнього фахівця . Мета даної роботи полягає у виявленні особливостей прояву мотивації молоді щодо навчання у ВНЗ.

Основы экологического права. Виды ответственности за экологические правонарушения

Гражданско-правовая ответственность за экологические правонарушения — вид юридической ответственности, применяемой за экологические, гражданско-правовые правонарушения-деликты. Материальная ответственность.  Уголовная ответственность

Сохранить?

Пропустить...

Введите код

Ok