Основными методами имитационного моделирования являются: аналитический метод, метод статического моделирования и комбинированный метод (аналитико-статистический) метод.

Аналитический метод применяется для имитации процессов в основном для малых и простых систем, где отсутствует фактор случайности. Например, когда процесс их функционирования описан дифференциальными или интегро-дифференциальными уравнениями. Метод назван условно, так как он объединяет возможности имитации процесса, модель которого получена в виде аналитически замкнутого решения, или решения полученного методами вычислительной математики.

Метод статистического моделирования первоначально развивался как метод статистических испытаний (Монте-Карло). Это – численный метод, состоящий в получении оценок вероятностных характеристик, совпадающих с решением аналитических задач (например, с решением уравнений и вычислением определенного интеграла). В последствии этот метод стал применяться для имитации процессов, происходящих в системах, внутри которых есть источник случайности или которые подвержены случайным воздействиям. Он получил название метода статистического моделирования .

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 процессов и систем. 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.

Комбинированный метод (аналитико-статистический) позволяет объединить достоинства аналитического и статистического методов моделирования. Он применяется в случае разработки модели, состоящей из различных модулей, представляющих набор как статистических, так и аналитических моделей, которые взаимодействуют как единое целое. Причем, в набор модулей могут входить не только модули, соответствующие динамическим моделям, но и модули, соответствующие статическим математическим моделям.

Проект имитационного моделирования включает следующие этапы: концептуальный, этап интерпретации, экспериментальный этап. Рассмотрим их более подробно.

1. Концептуальный. На этом этапе происходит первичное ознакомление с объектом исследования и выясняется, какие данные необходимы для выполнения проекта. Формируются общие сведения о модели: наименование модели, её назначение и цель разработки. Определяется перечень объектов, на которых планируется использование модели, указываются должностные лица, в чьих интересах будет решаться задача. Описывается физическая сущность моделируемого процесса и область применения модели.

На этом же этапе определяются критерии, по которым будет оцениваться эффективность модели или её качество. Описываются ограничения и допущения, принятые при разработке модели. Перечисляются аналитические методы, которые планируется использовать при разработке модели. Определяется порядок запуска и управления моделью, возможные режимы её использования и связь с другими моделями. Выясняются источники информации, используемой в модели, а также состав и структура этой информации. Если при построении модели планируется использовать случайные величины, то именно на концептуальном этапе обосновываются законы их распределения.

Важно также на этом этапе определить требования к конфигурации технических и программных средств: продумать характеристики технических средств (тип центрального процессора, наличие сопроцессора, объемы оперативной и постоянной памяти и т.д.) и подготовить общее программное обеспечение (операционные системы, сетевые операционные системы и т.п.), общесистемное программное обеспечение (СУБД, офисные пакеты и т.п.).

Следует обеспечить защиту информации, используемой в модели, с этой целью на концептуальном этапе определяется политика безопасности (потенциальные угрозы, возможный ущерб в случае нарушения защиты, группы пользователей, права доступа и т.д.).

2. Этап интерпретации. Он включает в себя формализацию описания моделируемого объекта на основе выбранного CASE - средства. На этом этапе, на естественном языке дается семантическое (смысловое) описание состава исследуемого объекта, взаимодействия между элементами объекта и объекта с внешней средой. На основе описания объекта создается имитационная модель, средствами выбранного для этой цели языка моделирования. На рисунке 6.4. приведен пример модели, созданной средствами ARIS.

Рис. 6.4. Пример модели, выполненной в средеARIS

Здесь же определяются временные и стоимостные характеристики

функций и бизнес-процессов. Пример приведен на рисунке 6.5.

Рис. 6.5. Описание количественных и качественных характеристик

На этом этапе осуществляется и проверка полученной модели на соответствие ее той теоретической схеме, которая была положена в основу формального описания объекта моделирования. Этот процесс часто называют верификацией модели. Заканчивается второй этап проверкой соответствия имитационной модели свойствам реальной системы. Если этого нет, то следует снова вернуться к моменту формализации модели.

3. Экспериментальный этап. Этот этап заключается в проведении численного эксперимента на разработанной модели путем «прогона» ее на ЭВМ. Перед началом исследования полезно составить такую последовательность «прогонов» модели, которая позволила бы получить необходимый объем информации при заданном составе и достоверности исходных данных. Далее на основе разработанного плана эксперимента осуществляют «прогоны» имитационной модели на ЭВМ и проводят обработку результатов с целью представления их в виде, удобном для анализа.

На основе анализа результатов подготавливаются и формулируются окончательные выводы по проведенному моделированию и разрабатываются рекомендации по использованию результатов моделирования для достижения поставленных целей. Часто на основе этих выводов возвращаются к началу процесса моделирования для необходимых изменений в теоретической и практической части модели и повторным исследованиям с измененной моделью. В результате нескольких подобных циклов получают имитационную модель, наилучшим образом удовлетворяющую поставленным задачам.

Существует довольно много программных систем, позволяющих создавать имитационные модели. К ним относятся:

Ø Business Studio (Имитационное моделирование бизнес-процессов)

Ø PTV Vision VISSIM

Ø Tecnomatix Plant Simulation

Некоторые из этих систем рассматриваются более подробно в главе 7

Вопросы к главе 6

1. Что такое имитационное моделирование?

2. Дайте определение имитационной модели.

3. Что является основой всякой имитационной модели?

4. Что является целью имитационного моделирования?

5. Перечислите основные достоинства имитационного моделирования

6. Назовите недостатки имитационного моделирования:

7. Приведите типичные примеры, где может быть применить ИМ

8. Какие существует виды имитационного моделирования?

9. Что такое системная динамика?

10. Каковы компоненты дискретно-событийного моделирования

11. Какова цель агентных моделей?

12. Перечислите этапы имитационного моделирования

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. В области создания новых систем моделирование является средством исследования важных характеристик будущей системы на самых ранних стадиях ее разработки.

Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск

PAGE 8

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.

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 их поведение во времени и в зависимости от структуры элементов системы и взаимодействия между ними. В том числе: причинно-следственных связей, петель обратных 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 децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик 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 обеспечение для имитационного моделирования нового поколения, разработано российской компанией 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.

Модели. Наука и искусство моделирования

Моделирование состоит из трех этапов:

1. анализ реального явления и построение его упрошенной модели,
2. анализ построенной модели формальными средствами (например, с помощью компьютера),
3. интерпретация результатов, полученных на модели, в терминах реального явления.

Первый и третий этапы не могут быть формализованы, их выполнение требует интуиции, творческого воображения и понимания сути изучаемого явления, т. е. качеств, присущих работникам искусства.

1.1. Модели процессов и систем

Современная концепция научного исследования состоит в том, что реальные объекты заменяются их упрощенными представлениями, абстракциями, выбираемыми таким образом, чтобы в них была отражена суть явления, те свойства исходных объектов, которые существенны для решения поставленной проблемы. Построенный в результате упрощения объект называется моделью.

Модель — это упрошенный аналог реального объекта или явления, представляющий законы поведения входящих в объект частей и их связи. Построение модели и ее анализ называется моделированием. В научной работе моделирование является одним из главных элементов научного познания.

В практической деятельности цель построения модели — решение некоторой проблемы реального мира, которую дорого либо невозможно решать, экспериментируя с реальным объектом.

Обычно исходная проблема состоит в анализе существующего или предполагаемого объекта для принятия решения по его управлению. Например, таким объектом может быть географически распределенная система поставщиков сырья, заводов, складов готовой продукции и их транспортные связи. Другой пример — порт для разгрузки танкеров с несколькими терминалами, емкостями для загрузки нефти, пулом нефтеналивных цистерн для вывоза нефти.

При построении модели как заменителя реальной системы выделяются те аспекты, которые существенны для решения проблемы, и игнорируются те аспекты, которые усложняют проблему, делают анализ очень сложным или вообще невозможным. Проблема анализа всегда ставится в мире реальных объектов. В примере с портом это может быть проблема оптимального использования существующих ресурсов (организация движения танкеров в акватории порта и использования железнодорожных нефтеналивных цистерн) для организации перекачки нефти из танкеров и ее отправки потребителям.

Принимать решения по управлению ресурсами, перестраивая реальную систему, экономически нецелесообразно. Другой путь решения — сформулировать эту проблему для модели, которую составят схема порта, объемы нефтеналивных емкостей, скорости разгрузки, средняя интенсивность прибытия танкеров, среднее время оборачиваемости цистерн и т. п..

Реальные объекты и ситуации обычно сложны, и модели нужны для того, чтобы ограничить эту сложность, дать возможность понять ситуацию, понять тенденции изменения ситуации (спрогнозировать будущее поведение анализируемой системы), принять решение по изменению будущего поведения системы и проверить его. Если модель отражает свойства системы, существенные для решения конкретной проблемы, то анализ модели позволяет вывести характеристики, которые объяснят известные и предскажут новые свойства исследуемой реальной системы без экспериментов с самой системой. С помощью моделирования получено множество впечатляющих результатов в науке, технике и на производстве.

1.2. Моделирование для поддержки принятия управленческих решений

Принятие разумных решений по рациональной организации и управлению современными системами становится невозможным на основе обычного здравого смысла или интуиции из-за возрастающей сложности систем. Еще в 1969 г. известный ученый, родоначальник системной динамики Джей Форрестер отмечал, что на основе интуиции для управления сложными системами чаще выбираются неверные решения, чем верные, и это происходит потому, что в сложной системе причинно-следственные отношения ее параметров не являются простыми и ясными. В литературе имеется большое число примеров, показывающих, что люди неспособны предвидеть результат их воздействий в сложных системах. Примером может служить каскадное развитие аварий в энергосистемах Северо-Запада США 16 августа 2003 г. и в Московском регионе 25 мая 2005 г., приведших к миллиардным потерям и затронувшим миллионы людей.

Повышение производительности и надежности, уменьшение стоимости и рисков, оценка чувствительности системы к изменениям параметров, оптимизация структуры — все эти проблемы встают как при эксплуатации существующих, так и при проектировании новых технических и организационных систем. Трудность понимания причинно-следственных зависимостей в сложной системе приводит к неэффективной организации систем, ошибкам в их проектировании, большим затратам на устранение ошибок. Сегодня моделирование становится единственным практическим эффективным средством нахождения путей оптимального (либо приемлемого) решения проблем в сложных системах, средством поддержки принятия ответственных решений.

Моделирование особенно важно именно тогда, когда система состоит из многих параллельно функционирующих во времени и взаимодействующих подсистем. Такие системы наиболее часто встречаются в жизни. Каждый человек мыслит последовательно, даже очень умный человек в конкретный момент времени обычно может думать только об одном деле. Поэтому понимание одновременного развития во времени многих влияющих друг на друга процессов является для человека трудной задачей. Имитационная модель помогает понять сложные системы, предсказать их поведение и развитие процессов в различных ситуациях и, наконец, дает возможность изменять параметры и даже структуру модели, чтобы направить эти процессы в желаемое русло. Модели позволяют оценить эффект планируемых изменений, выполнить сравнительный анализ качества возможных вариантов решений. Такое моделирование может осуществляться в реальном времени, что позволяет использовать его результаты в различных технологиях (от оперативного управления до тренинга персонала).

1.3. Уровни абстракции и адекватность модели

Основной парадокс моделирования состоит в том, что изучается упрощенная модель системы, а полученные выводы применяются к исходной реальной системе со всеми ее сложностями. Является ли такая подмена правомерной?

При изучении естественных объектов исследователь абстрагируется от несущественных, случайных деталей, которые не просто усложняют, но могут и затемнить само явление. Например, при анализе нефтеналивного порта удобно говорить о танкерах как о емкостях, из которых производится перекачка определенного объема нефти с некоторой скоростью, а не как о кораблях с каютами, определенной численностью экипажа и т. п. Поскольку все абстракции неполны и неточны, можно говорить только о приближенном соответствии реальности тех результатов, которые получены исследованием моделей. Соответствие модели моделируемому объекту или явлению при решении конкретной проблемы называется адекватностью . Адекватность определяет возможность использования приближенных результатов, полученных на модели, для решения практической проблемы реального мира. Часто адекватность модели определяется рядом условий и ограничений на сущности реального мира, и для того чтобы использовать результаты анализа, полученные на модели, необходимо тщательно проверять (или даже обеспечивать) эти ограничения и условия при функционировании реальной системы (например, чтобы сделать процессы в обществе управляемыми, создается вертикаль власти). Поскольку адекватность модели определяется только возможностью использования модели для решения конкретной проблемы, адекватная модель не обязательно должна досконально отображать процессы, происходящие в моделируемой системе (или, что то же самое, модель не обязательно должна отображать "физически правильную" картину мира).

На рис. 1.3 представлена шкала уровней абстракции и примеры проблем моделирования в конкретных областях, приблизительно расставленные на этой шкале. На нижнем уровне абстракции решаются проблемы, в которых важны отдельные физические объекты, их индивидуальное поведение и физические связи, точные размеры, расстояния, времена. Примерами моделей, относящихся к этому уровню абстракции, являются модели движения пешеходов, модели движения механических систем и их систем управления. На среднем уровне обычно решаются проблемы массового производства и обслуживания, здесь представляются отдельные объекты, но их физическими размерами пренебрегают; значения скоростей и времен усредняются или используются их стохастические значения. Примерами моделей на этом уровне абстракции являются модели массового обслуживания, модели движения транспорта, модели управления ресурсами. Высокий уровень абстракции используется при разработке моделей сложных систем, в которых исследователь абстрагируется от индивидуальных объектов и их поведений, рассматривая только совокупности объектов и их интегральные, агрегированные характеристики, тенденции изменения значений, влияние на динамику системы причинных обратных связей. Модели рынка и динамики народонаселения, экологические модели и классические модели распространения эпидемий построены на этом уровне абстракции.

Для каждой цели исследования даже одного и того же объекта реального мира должна быть построена своя модель, которая соответствует этой цели. Для решения конкретной задачи будет удобна модель, адекватно отражающая структуру объекта и законы, по которым он функционирует на выбранном уровне абстракции. Например, очевидно, что планеты не материальные точки, но при такой абстракции в рамках ньютоновской теории тяготения можно достаточно точно предсказать характеристики движения планет. Однако эта модель требует уточнения для расчета траекторий спутников и ракет. Для решения проблемы оптимального использования транспорта необходимы подробные карты, расстояния и времена. То, что Земля на карте представляется плоской, не существенно для решения транспортных проблем.

Хотя существуют устоявшиеся подходы к выбору уровня абстракции и разумные объяснения данного выбора для построения достаточно адекватных моделей при решении многих типов проблем, все же общей методики построения модели с требуемым уровнем адекватности не существует. В качестве рекомендации по выбору уровня абстракции можно сказать лишь следующее. Нужно начать с наиболее простой модели, отражающей только самые существенные (с точки зрения исследователя) аспекты моделируемой системы. После обнаружения неадекватности модели, т. е. неприменимости ее к решению поставленной проблемы, отдельные подструктуры и процессы модели следует реализовать более детально, на более низком уровне абстракции. Можно быть уверенным, что разработка последовательности усложняющихся все более подробных моделей может привести к обеспечению приемлемой адекватности при решении любой конкретной задачи.

о моделируемом объекте. Например, никакая модель не может представить все характеристики планеты Земля. С другой стороны, очевидно также, что любая конкретная задача не потребует для своего решения знания всех этих характеристик.

Конечно, можно построить модели, которые абстрагируются от существенных аспектов реальности. Такие модели будут неадекватными, а выводы, полученные на основе этих моделей, будут неверными.

Очевидно, что никакая модель никогда не дает полных знаний

1.4. Моделирование как наука и искусство

Моделирование как вид профессиональной деятельности связано с анализом реальных систем и процессов самой разной природы. Специалист по моделированию при разработке модели в конкретной области должен связать словарь этой области с терминологией моделирования, выделить подсистемы и их связи в реальной системе, определить параметры подсистем и их зависимости, выбрать подходящий уровень абстракции при построении модели каждой подсистемы. Он должен грамотно выбрать подходящий математический аппарат и корректно его использовать, уметь реализовать элементы модели, их связи и логические отношения подходящими средствами в среде моделирования, понимать ограничения при интерпретации результатов моделирования, владеть методами верификации и калибровки моделей. Все это делает моделирование серьезной научной деятельностью.

Но моделирование является также и искусством, причем в значительно большей мере, чем им является, например, программирование. Универсального общего способа построения адекватных моделей не существует. Хотя для многих физических явлений давно разработаны адекватные модели, достаточные для решения широкого класса задач анализа динамических систем (например, связь скорости, расстояния и времени при анализе свободного перемещения объектов в пространстве), однако для производственных, социальных, биологических систем, а также многих технических систем при конструировании модели нужно проявить изобретательность, знание математики, понимание процессов в системе, сути абстрагирования и т. п. По-строение модели — созидательная креативная деятельность сродни искусству, она требует интуиции, глубокого проникновения в природу явления и решаемой проблемы.

Виды моделей

Модели можно классифицировать по различным признакам: статические и динамические, непрерывные и дискретные, детерминированные и стохастические, аналитические и имитационные и т. д.

2.1. Статические и динамические модели

Статические модели оперируют характеристиками и объектами, не изменяющимися во времени. В динамических моделях, которые обычно более сложны, изменение параметров во времени является существенным. Модель нефтеналивного порта является динамической: в ней моделируется поведение во времени отдельных объектов системы: движение танкеров в акватории порта, движение цистерн на причале, уровень нефти в накопителях.

Статические модели обычно имеют дело с установившимися процессами, уравнениями балансового типа, с предельными стационарными характеристиками. Моделирование динамических систем состоит в имитации правил перехода системы из одного состояния в другое с течением времени. Под состоянием системы понимается набор значений существенных параметров и переменных системы. Изменение состояния системы во времени в динамических системах — это изменение значений переменных системы в соответствии с законами, определяющими связи переменных и их зависимости друг от друга во времени.

Пакет AnyLogic поддерживает разработку и анализ динамических моделей. Этот инструмент содержит средства для аналитического задания уравнений, описывающих изменение переменных во времени, дает возможность учета модельного времени и содержит средства его продвижения, здесь также имеется язык для выражения логики и описания прогресса систем под влиянием любого типа событий, в частности, исчерпания таймаута — заданного интервала времени.

2.2. Непрерывные, дискретные и гибридные модели

Реальные физические объекты функционируют в непрерывном времени, и для изучения многих проблем физических систем их модели должны быть непрерывными . Состояние таких моделей изменяется непрерывно во времени. Это модели движения в реальных координатах, модели химического производства и т. п. Процессы движения объектов и процессы перекачки нефти в модели нефтеналивного порта являются непрерывными.

На более высоком уровне абстракции для многих систем адекватными являются модели, в которых переходы системы из одного состояния в другое можно считать мгновенными, происходящими в дискретные моменты времени. Такие системы называются дискретными . Примером мгновенного перехода является изменение числа клиентов банка или количества покупателей в магазине. Очевидно, что дискретные системы — это абстракция, процессы в природе не происходят мгновенно. В реальный магазин реальный покупатель входит в течение некоторого времени, он может застрять в дверях, колеблясь, войти или нет, и всегда существует непрерывная последовательность его положения во время прохождения дверей магазина. Однако при построении модели магазина для оценки, например, средней длины очереди в кассу при заданном потоке покупателей и известных характеристиках обслуживания кассиром клиентов можно абстрагироваться от этих второстепенных явлений и считать систему дискретной: результаты анализа полученной дискретной модели обычно достаточно точны для принятия обоснованных управленческих решений для подобных систем. В модели нефтеналивного порта мгновенными можно считать, например, переходы светофоров на входе в гавань из состояния "запрещено" в состояние "разрешено". На еще более высоком уровне абстракции при анализе систем также используются непрерывные модели, что характерно для системной динамики. Потоки машин на автострадах, потребительский спрос, распространение инфекции среди населения часто удобно описывать с помощью взаимозависимостей непрерывных переменных, описывающих количества, интенсивности изменения этих количеств, степени влияния одних количеств на другие. Соотношения таких переменных выражаются обычно дифференциальными уравнениями.

Во многих случаях в реальных системах присутствуют оба типа процессов, и если оба они являются существенными для анализа системы, то и в модели одни процессы должны представляться как непрерывные, другие — как дискретные. Такие модели со смешанным типом процессов называются гибридными. Например, если при анализе функционирования магазина существенным является не только количество покупателей, но и пространственное их положение и перемещение покупателей, то модель в этом случае должна представлять смесь непрерывных и дискретных процессов, т. е. это гибридная модель. Другим примером может служить модель функционирования крупного банка. Поток инвестиций, получение и выдача кредитов в нормальном режиме описывается набором дифференциальных и алгебраических уравнений, т. е. модель является непрерывной. Однако существуют ситуации, например дефолт (дискретное событие), в результате чего возникает паника у населения, и с этого момента система описывается совершенно другой непрерывной моделью. Модель данного процесса на том уровне абстракции, на котором мы хотим адекватно описать оба режима работы банка и переход между режимами, должна включать как описание непрерывных процессов, так и дискретные события, а также их взаимозависимости.

Пакет AnyLogic поддерживает описание как непрерывных, так и дискретных процессов, а также строить гибридные модели.. AnyLogic позволяет реализовать модель, фактически, на любом уровне абстракции (детальности). Выполнение гибридных моделей в AnyLogic основано на современных результатах теории гибридных динамических систем.

2.3. Детерминированные и стохастические модели

При моделировании сложных реальных систем исследователь часто сталкивается с ситуациями, в которых случайные воздействия играют существенную роль. Стохастические модели, в отличие от детерминированных, учитывают вероятностный характер параметров моделируемого объекта. Например, в модели нефтеналивного порта не могут быть определены точно моменты прихода в порт танкеров. Данные моменты являются случайными величинами, потому модель эта является стохастической: значения переменных величин модели, которые зависят от реализаций случайных величин, сами становятся случайными величинами. Анализ подобных моделей выполняется на компьютере на основе статистики, набираемой в ходе имитационных экспериментов при многократном прогоне модели для различных значений исходных случайных величин, выбранных в соответствии с их статистическими характеристиками.

AnyLogic содержит средства для генерации случайных величин и статистической обработки результатов компьютерных экспериментов. AnyLogic включает генераторы случайных чисел для множества распределений. Разработчик модели может использовать также свой собственный генератор случайных величин, построенный в соответствии с данными наблюдений над реальной системой.

2.4. Аналитические и имитационные модели

Использование абстракций при решении проблем с помощью моделей часто состоит в применении того или иного математического аппарата. Простейшими математическими моделями являются алгебраические соотношения, и анализ модели часто сводится к аналитическому решению этих уравнений. Некоторые динамические системы можно описать в замкнутой форме, например, в виде систем линейных дифференциальных и алгебраических уравнений и получить решение аналитически. Такое моделирование называется аналитическим. При аналитическом моделировании процессы функционирования исследуемой системы записываются в виде алгебраических, интегральных, дифференциальных уравнений и логических соотношений, и в некоторых случаях анализ этих соотношений можно выполнить с помощью аналитических преобразований. Современным средством поддержки аналитического моделирования являются электронные таблицы типа MS Excel .

Однако использование чисто аналитических методов при моделировании реальных систем сталкивается с серьезными трудностями: классические математические модели, допускающие аналитическое решение, в большинстве случаев к реальным задачам неприменимы. Например, в модели нефтеналивного порта построить аналитическую формулу для оценки коэффициента использования оборудования невозможно хотя бы потому, что в системе существуют стохастические процессы, есть приоритеты обработки заявок на использование ресурсов, внутренний параллелизм в обрабатывающих подсистемах, прерывания работы и т. п. Даже если аналитическую модель удается построить, для реальных систем они часто являются существенно нелинейными, и чисто математические соотношения в них обычно дополняются логико-семантическими операциями, а для них аналитического решения не существует. Поэтому при анализе систем часто стоит выбор между моделью, которая является реалистическим аналогом реальной ситуации, но не разрешимой аналитически, и более простой, но неадекватной моделью, математический анализ которой возможен.

При имитационном моделировании структура моделируемой системы — ее подсистемы и связи — непосредственно представлена структурой модели, а процесс функционирования подсистем, выраженный в виде правил и уравнений, связывающих переменные, имитируется на компьютере. AnyLogic — это среда имитационного моделирования . Разнообразные средства спецификации и анализа результатов, имеющиеся в AnyLogic , позволяют строить модели, имитирующие работу моделируемой системы фактически с любой желаемой степенью адекватности, и выполнять анализ модели на компьютере без проведения аналитических преобразований.

Имитационное моделирование

3.1. Что такое имитационное моделирование

Имитационное моделирование — это разработка и выполнение на компьютере программной системы, отражающей структуру и функционирование (поведение) моделируемого объекта или явления во времени. Такую программную систему называют имитационной моделью этого объекта или явления. Объекты и сущности имитационной модели представляют объекты и сущности реального мира, а связи структурных единиц объекта моделирования отражаются в интерфейсных связях соответствующих объектов модели. Таким образом, имитационная модель — это упрощенное подобие реальной системы, либо существующей, либо той, которую предполагается создать в будущем. Имитационная модель обычно представляется компьютерной программой, выполнение программы можно считать имитацией поведения исходной системы во времени.

В русскоязычной литературе термин "моделирование" соответствует американскому " modeling " и имеет смысл создание модели и ее анализ, причем под термином "модель" понимается объект любой природы, упрощенно представляющий исследуемую систему. Слова "имитационное моделирование" и "вычислительный (компьютерный) эксперимент" с оответствуют англоязычному термину " simulation ". Эти термины подразумевают разработку модели именно как компьютерной программы и исполнение этой программы на компьютере.

Итак, имитационное моделирование — это деятельность по разработке программных моделей реальных или гипотетических систем, выполнение этих программ на компьютере и анализ результатов компьютерных экспериментов по исследованию поведения моделей. Имитационное моделирование имеет существенные преимущества перед аналитическим моделированием в тех случаях, когда:

• отношения между переменными в модели нелинейны, и поэтому аналитические модели трудно или невозможно построить;
• модель содержит стохастические компоненты;
• для понимания поведения системы требуется визуализация динамики происходящих в ней процессов;
• модель содержит много параллельно функционирующих взаимодействующих компонентов.

Во многих случаях имитационное моделирование — это единственный способ получить представление о поведении сложной системы и провести ее анализ.

Другие похожие работы, которые могут вас заинтересовать.вшм>
9700.		Имитационное моделирование	228.71 KB
	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.
2726.		Имитационное моделирование потоков пешеходов на основе модели социальных сил	249.75 KB
	Невозможно эффективно спланировать транспортный узел или массовое мероприятие без знаний о поведении пешеходов. Поведение пешеходов является сложным феноменом поэтому необходимо имитационное моделирование при планировании объектов с высокой плотностью пешеходов и ограниченным пространством для оптимизации потока пешеходов и гарантированного предотвращения давки в случае паники. За последние сорок лет было предложено несколько моделей для моделирования потоков пешеходов.
8080.		Троичное моделирование	18.3 KB
	Троичное моделирование Троичное моделирование широко используется для выявления состязаний сигналов которые могут иметь место в схеме. Моделирование входного набора происходит в 2 этапа. Пример: провести троичное логическое моделирование методом Э. Троичное моделирование с нарастающей неопределенностью В данном алгоритме для каждого лта указывается максимальное и минимальное значение задержки т.
1927.		Моделирование систем	21.47 KB
	В студенческом машинном зале расположены две мини ЭВМ и одно устройство подготовки данных (УПД). Студенты приходят с интервалом в 8±2 мин и треть из них хочет использовать УПД и ЭВМ, а остальные только ЭВМ. Допустимая очередь в машинном зале составляет четыре человека, включая работающего на УПД.
1974.		МОДЕЛИРОВАНИЕ ПОВЕРХНОСТЕЙ	233.46 KB
	Поверхность и цифровая модель Основой для представления данных о земной поверхности являются цифровые модели рельефа. Поверхности – это объекты которые чаще всего представляются значениями высоты Z распределенными по области определенной координатами X и Y. ЦМР – средство цифрового представления рельефа земной поверхности. сбор по стереопарам снимков отличается трудоемкостью и требует специфического программного обеспечения но в то же время позволяет обеспечить желаемую степень детальности представления земной поверхности.
2156.		Моделирование освещения	125.57 KB
	Для наблюдателя находящегося в любой точке яркость точки которую он видит будет выражаться следующим образом. где V яркость для ч б; E – альбедо коэффициент отражения поверхности. По сравнению с методом Ламберта эта модель уменьшает яркость точек на которые мы смотрим под углом 90 и увеличивает яркость тех точек на которые мы смотрим вскользь Применение законов освещения при синтезе объекта изображения. 7 Рассчитывается яркость в одной точке например в центре тяжести для выпуклых многоугольников грани по Ламберту и...
6206.		Моделирование в научных исследованиях	15.78 KB
	Большие успехи и признание практически во всех отраслях современной науки принес методу моделирования ХХ в. Однако методология моделирования долгое время развивалась независимо отдельными науками. Лишь постепенно стала осознаваться роль моделирования как универсального метода научного познания.
16646.		Моделирование аддиктивного поведения	164 KB
	Моделирование аддиктивного поведения. В результате анализа современной литературы по данной проблематике была создана модель рационального аддиктивного поведения индивидов с учетом гиперболического дисконтирования будущих мгновенных полезностей наиболее адекватно отражающего психологические аспекты поведения индивидов. Характерные свойства функции полезности Основными свойствами аддиктивного поведение принято считать: постепенную адаптацию толерантность невозможность отмены уход положительный эффект привычки усиление – которые...
4640.		МОДЕЛИРОВАНИЕ ЦИФРОВЫХ УЗЛОВ	568.49 KB
	На кристаллах современных БИС можно поместить множество функциональных блоков старых ЭВМ вместе с цепями межблочных соединений. Разработка и тестирование таких кристаллов возможно только методами математического моделирования с использованием мощных компьютеров.
3708.		Моделирование с использованием сплайнов	465.08 KB
	Они же и определяют степень кривизны сегментов сплайна прилегающих к этим вершинам. Сегмент – это часть линии сплайна между двумя соседними вершинами. В 3ds Mx используются четыре типа вершин: Corner Угловая – вершина примыкающие сегменты к которой не имеют кривизны; Smooth Сглаженная вершина через которую кривая сплайна проводится с изгибом и имеет одинаковую кривизну сегментов с обеих сторон от нее; Bezier Безье вершина подобная сглаженной но позволяющая управлять кривизной сегментов сплайна с обеих сторон от вершины....

Введение

Одна из важных особенностей АСУ – принципиальная невозможность проведения реальных экспериментов до завершения проекта. Возможным выходом является использование имитационных моделей. Однако их разработка и использование чрезвычайно сложны, возникают затруднения в достаточно точном определении степени адекватности моделируемому процессу. Поэтому важно принять решение – какую создать модель.

Другой важный аспект – использование имитационных моделей в процессе эксплуатации АСУ для принятия решений. Такие модели создаются в процессе проектирования, чтобы их можно было непрерывно модернизировать и корректировать в соответствии с изменяющимися условиями работы пользователя.

Эти же модели могут быть использованы для обучения персонала перед вводом АСУ в эксплуатацию и для проведения деловых игр.

1. Понятие имитационного моделирования

Имитационное моделирование – это метод исследования, заключающийся в имитации на ЭВМ с помощью комплекса программ процесса функционирования системы или отдельных ее частей и элементов. Сущность метода имитационного моделирования заключается в разработке таких алгоритмов и программ, которые имитируют поведение системы, ее свойства и характеристики в необходимом для исследования системы составе, объеме и области изменения ее параметров.

Принципиальные возможности метода весьма велики, он позволяет при необходимости исследовать системы любой сложности и назначения с любой степенью детализации. Ограничениями являются лишь мощность используемой ЭВМ и трудоемкость подготовки сложного комплекса программ.

В отличие от математических моделей, представляющих собой аналитические зависимости, которые можно исследовать с помощью достаточно мощного математического аппарата, имитационные модели, как правило, позволяют проводить на них лишь одиночные испытания, аналогично однократному эксперименту на реальном объекте. Поэтому для более полного исследования и получения необходимых зависимостей между параметрами требуются многократные испытания модели, число и продолжительность которых во многом определяются возможностями используемой ЭВМ, а также свойствами самой модели.

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.

Даже в тех случаях, когда создание аналитической модели для исследования конкретной системы в принципе возможно, имитационное моделирование может оказаться предпочтительным по затратам времени ЭВМ и исследователя на проведение исследования. Для многих задач, возникающих при создании и функционировании АСУ, имитационное моделирование иногда оказывается единственным практически реализуемым методом исследования. Этим в значительной степени объясняется непрерывно возрастающий интерес к имитационному моделированию и расширение класса задач, для решения которых оно применяется.

Методы имитационного моделирования развиваются и используются в основном в трех направлениях: разработка типовых методов и приемов создания имитационных моделей; исследование степени подобия имитационных моделей реальным системам; создание средств автоматизации программирования, ориентированных на создание комплексов программ для имитационных моделей.

Различают два подкласса систем, ориентированных на системное и логическое моделирование. К подклассу системного моделирования относят системы с хорошо развитыми общеалгоритмическими средствами; с широким набором средств описания параллельно выполняемых действий, временных последовательностей выполнения процессов; с возможностями сбора и обработки статистического материала. В таких системах используют специальные языки программирования и моделирования – СИМУЛА, СИМСКРИПТ, GPSS и др. Первые два из этих языков являются подмножествами процедурно-ориентированных языков программирования типа ФОРТРАН, ПЛ/1, расширенными средствами динамических структур данных, операторами управления квазипараллельными процессами, специальными средствами сбора статистики и обработки списков. Эти дополнительные возможности позволяют вести статистические исследования моделей, поэтому такие системы иногда называют системами статистического моделирования.

К подклассу логического моделирования относят системы, позволяющие в удобной и сжатой форме отражать логические и топологические особенности моделируемых объектов, обладающие средствами работы с частями слов, преобразования форматов, записи микропрограмм. К этому подклассу систем относят языки программирования АВТОКОД, ЛОТИС и др.

В большинстве случаев при имитационном моделировании экономических, производственных и других организационных систем управления исследование модели заключается в проведении стохастических экспериментов. Отражая свойства моделируемых объектов, эти модели содержат случайные переменные, описывающие как функционирование самих систем, так и воздействия внешней среды. Поэтому наибольшее распространение получило статистическое моделирование.

Имитационная модель характеризуется наборами входных переменных

наблюдаемых или управляемых переменных

управляющих воздействий

возмущающих воздействий

Состояние системы в любой момент времени

и начальные условия Y(t0), R(t0), W(t0) могут быть случайными величинами, заданными соответствующим распределением вероятностей. Соотношения модели определяют распределение вероятностей величин в момент t + ∆t:

Существуют два основных способа построения моделирующего алгоритма – принцип ∆t и принцип особых состояний.

Принцип ∆t. Промежуток времени (t0, t), в котором исследуется поведение системы, разбивают на интервалы длиной ∆t. В соответствии с заданным распределением вероятностей для начальных условий по априорным соображениям или случайным образом выбирают для начального момента t0 одно из возможных состояний z0(t0). Для момента t0 + ∆t вычисляется условное распределение вероятностей состояний (при условии состояния z0(t0)). Затем аналогично предыдущему выбирают одно из возможных состояний z0(t0 + ∆t), выполняют процедуры вычисления условного распределения вероятностей состояний для момента t0 + 2∆t и т.д.

В результате повторения этой процедуры до момента t0 + n∆t = T получают одну из возможных реализаций исследуемого случайного процесса. Таким же образом получают ряд других реализаций процесса. Описанный способ построения моделирующего алгоритма занимает много машинного времени.

Принцип особых состояний. Все возможные состояния системы Z(t) = {zi(t)} разбивают на два класса – обычные и особые. В обычных состояниях характеристики zi(t) меняются плавно и непрерывно. Особые состояния определяются наличием входных сигналов или выходом, по крайней мере, одной из характеристик zi(t) на границу области существования. При этом состояние системы меняется скачкообразно.

Моделирующий алгоритм должен предусматривать процедуры определения моментов времени, соответствующих особым состояниям, и величин характеристик системы в эти моменты. При известном распределении вероятностей для начальных условий выбирают одно из возможных состояний и по заданным закономерностям изменений характеристик zi(t) находят их величины перед первым особым состоянием. Таким же образом переходят ко всем последующим особым состояниям. Получив одну из возможных реализаций случайного многомерного процесса, с использованием аналогичных процедур строят другие реализации. Затраты машинного времени при использовании моделирующего алгоритма по принципу особых состояний обычно меньше, чем по принципу ∆t.

Имитационное моделирование используют в основном для следующих применений:

1) при исследовании сложных внутренних и внешних взаимодействий динамических систем с целью их оптимизации. Для этого изучают на модели закономерности взаимосвязи переменных, вносят в модель изменения и наблюдают их влияние на поведение системы;

2) для прогнозирования поведения системы в будущем на основе моделирования развития самой системы и ее внешней среды;

3) в целях обучения персонала, которое может быть двух типов: индивидуальное обучение оператора, управляющего некоторым технологическим процессом или устройством, и обучение группы людей, осуществляющих коллективное управление сложным производственным или экономическим объектом.

В системах обоих типов комплекс программ задает некоторую обстановку на объекте, однако между ними имеется существенное различие. В первом случае программное обеспечение имитирует функционирование объектов, описываемых технологическими алгоритмами или передаточными функциями; модель ориентирована на тренировку психофизиологических характеристик человека, поэтому такие модели называются тренажерами. Модели второго типа гораздо сложнее. Они описывают некоторые аспекты функционирования предприятия или фирмы и ориентированы на выдачу некоторых технико-экономических характеристик при воздействии на входы чаще всего не отдельного человека, а группы людей, выполняющих различные функции управления;

4) для макетирования проектируемой системы и соответствующей части управляемого объекта с целью прикидочной проверки предполагаемых проектных решений. Это позволяет в наиболее наглядной и понятной заказчику форме продемонстрировать ему работу будущей системы, что способствует взаимопониманию и согласованию проектных решений. Кроме того, такая модель позволяет выявить и устранить возможные неувязки и ошибки на более ранней стадии проектирования, что на 2–3 порядка снижает стоимость их исправления.

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:

моделирование динамических систем,

дискретно-событийное моделирование,

системная динамика

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;

В статье поговорим об имитационных моделях. Это довольно сложная тема, которая требует отдельного рассмотрения. Именно поэтому мы попробуем доступным языком объяснить этот вопрос.

Имитационные модели

О чем же идет речь? Начнем с того, что имитационные модели необходимы для воспроизведения каких-либо характеристик сложной системы, в которой происходит взаимодействие элементов. При этом такое моделирование имеет ряд особенностей.

Во-первых, это объект моделирования, который чаще всего представляет собой сложную комплексную систему. Во-вторых, это факторы случайности, которые присутствуют всегда и оказывают определенное влияние на систему. В-третьих, это необходимость описания сложного и длительного процесса, который наблюдается в результате моделирования. Четвертый фактор заключается в том, что без использования компьютерных технологий получить желаемые результаты невозможно.

Разработка имитационной модели

Она заключается в том, что каждый объект имеет определенный набор своих характеристик. Все они хранятся в компьютере при помощи специальных таблиц. Взаимодействие значений и показателей всегда описывается при помощи алгоритма.

Особенность и прелесть моделирования в том, что каждый его этап постепенный и плавный, что дает возможность пошагово менять характеристики и параметры и получать разные результаты. Программа, в которой задействованы имитационные модели, выводит информацию о полученных результатах, опираясь на те или иные изменения. Часто используется графическое или анимированное их представление, сильно упрощающее восприятие и понимание многих сложных процессов, которые осознать в алгоритмичном виде довольно сложно.

Детерминированность

Имитационные математические модели строятся на том, что они копируют качества и характеристики неких реальных систем. Рассмотрим пример, когда необходимо исследовать количество и динамику численности определённых организмов. Для этого при помощи моделирования можно отдельно рассматривать каждый организм, чтобы анализировать конкретно его показатели. При этом условия чаще всего задаются вербально. К примеру, по истечении какого-то отрезка времени можно задать размножение организма, а по прошествии более длительного срока - его гибель. Выполнение всех этих условий возможно в имитационной модели.

Очень часто приводят примеры моделирования движения молекул газа, ведь известно, что они двигаются хаотично. Можно изучать взаимодействие молекул со стенками сосуда или друг с другом и описывать результаты в виде алгоритма. Это позволит получать усредненные характеристики всей системы и выполнять анализ. При этом надо понимать, что подобный компьютерный эксперимент, по сути, можно назвать реальным, так как все характеристики моделируются очень точно. Но в чём смысл этого процесса?

Дело в том, что имитационная модель позволяет выделить конкретные и чистые характеристики и показатели. Она как бы избавляется от случайных, лишних и ещё ряда других факторов, о которых исследователи могут даже не догадываться. Заметим, что очень часто детерминирование и математическое моделирование схожи, если в качестве результата не должна быть создана автономная стратегия действий. Примеры, которые мы выше рассмотрели, касаются детерминированных систем. Они отличаются тем, что у них нет элементов вероятности.

Случайные процессы

Наименование очень просто понять, если провести параллель из обычной жизни. Например, когда вы стоите в очереди в магазине, который закрывается через 5 минут, и гадаете, успеете ли вы приобрести товар. Также проявление случайности можно заметить, когда вы звоните кому-то и считаете гудки, думая, с какой вероятностью дозвонитесь. Возможно, кому-то это покажется удивительным, но именно благодаря таким простым примерам в начале прошлого века зародилась новейшая отрасль математики, а именно теория массового обслуживания. Она использует статистику и теорию вероятности для того, чтобы сделать некоторые выводы. Позже исследователи доказали, что эта теория очень тесно связана с военным делом, экономикой, производством, экологией, биологией и т. д.

Метод Монте-Карло

Важный метод решения задачи на самообслуживание - это метод статистических испытаний или метод Монте-Карло. Заметим, что возможности исследования случайных процессов аналитическим путем довольно сложны, а метод Монте-Карло очень прост и универсален, в чем его главная особенность. Мы можем рассмотреть пример магазина, в который заходит один покупатель или несколько, приход больных в травмпункт по одному или целой толпой и т. д. При этом мы понимаем, что всё это случайные процессы, и промежутки времени между какими-то действиями - это независимые события, которые распределяются по законам, которые можно вывести, только проведя огромное количество наблюдений. Иногда это невозможно, поэтому берется усредненный вариант. Но какова цель моделирования случайных процессов?

Дело в том, что это позволяет получить ответы на множество вопросов. Банально необходимо рассчитать, сколько человеку придется стоять в очереди при учете всех обстоятельств. Казалось бы, это довольно простой пример, но это лишь первый уровень, а подобных ситуаций может быть очень много. Иногда рассчитать время очень важно.

Также можно задать вопрос о том, как можно распределить время, ожидая обслуживание. Еще более сложный вопрос касается того, как должны соотнестись параметры, чтобы до только что вошедшего покупателя очередь не дошла никогда. Кажется, что это довольно лёгкий вопрос, но если задуматься о нем и начать хотя бы немножко усложнять, становится понятно, что ответить не так легко.

Процесс

Как же происходит случайное моделирование? Используются математические формулы, а именно законы распределения случайных величин. Также используются числовые константы. Заметьте, что в данном случае не надо прибегать ни к каким уравнениям, которые используют при аналитических методах. В данном случае просто происходит имитация той же очереди, о которой мы говорили выше. Только сначала используются программы, которые могут генерировать случайные числа и соотносить их с заданным законом распределения. После этого проводится объемная, статистическая обработка полученных величин, которая анализирует данные на предмет, отвечают ли они изначальной цели моделирования. Продолжая дальше, скажем, что можно найти оптимальное количество людей, которые будут работать в магазине для того, чтобы очередь не возникала никогда. При этом используемый математический аппарат в данном случае - это методы математической статистики.

Образование

Анализу имитационных моделей в школах уделяется мало внимания. К сожалению, это может отразиться на будущем довольно серьезно. Дети должны со школы знать некоторые базовые принципы моделирования, так как развитие современного мира без этого процесса невозможно. В базовом курсе информатики дети могут с легкостью использовать имитационную модель "Жизнь".

Более основательное изучение может преподаваться в старших классах или в профильных школах. Прежде всего надо заняться изучением имитационного моделирования случайных процессов. Помните, что в российских школах такое понятие и методы только начинают вводиться, поэтому очень важно держать уровень образования учителей, которые со стопроцентной гарантией столкнутся с рядом вопросов от детей. При этом не будем усложнять задачу, акцентируя внимание на том, что речь идет об элементарном введении в эту тему, которое можно подробно рассмотреть за 2 часа.

После того как дети усвоили теоретическую базу, стоит осветить технические вопросы, которые касаются генерации последовательности случайных чисел на компьютере. При этом не надо загружать детей информацией о том, как работает вычислительная машина и на каких принципах строится аналитика. Из практических навыков их нужно учить создавать генераторы равномерных случайных чисел на отрезке или случайных чисел по закону распределения.

Актуальность

Поговорим немного о том, зачем нужны имитационные модели управления. Дело в том, что в современном мире обойтись без моделирования практически невозможно в любой сфере. Почему же оно так востребовано и популярно? Моделирование может заменить реальные события, необходимые для получения конкретных результатов, создание и анализ которых стоят слишком дорого. Или же может быть случай, когда проводить реальные эксперименты запрещено. Также люди пользуются им, когда просто невозможно построить аналитическую модель из-за ряда случайных факторов, последствий и причинных связей. Последний случай, когда используется этот метод, - это тогда, когда необходимо имитировать поведение какой-либо системы на протяжении данного отрезка времени. Для всего этого создаются симуляторы, которые пытаются максимально воспроизвести качества первоначальной системы.

Виды

Имитационные модели исследования могут быть нескольких видов. Так, рассмотрим подходы имитационного моделирования. Первое - это системная динамика, которая выражается в том, что есть связанные между собой переменные, определенные накопители и обратная связь. Таким образом чаще всего рассматриваются две системы, в которых есть некоторые общие характеристики и точки пересечения. Следующий вид моделирования - дискретно-событийное. Оно касается тех случаев, когда есть определенные процессы и ресурсы, а также последовательность действий. Чаще всего таким способом исследуют возможность того или иного события через призму ряда возможных или случайных факторов. Третий вид моделирования - агентный. Он заключается в том, что изучаются индивидуальные свойства организма в их системе. При этом необходимо косвенное или прямое взаимодействие наблюдаемого объекта и других.

Дискретно-событийное моделирование предлагает абстрагироваться от непрерывности событий и рассматривать только основные моменты. Таким образом случайные и лишние факторы исключаются. Этот метод максимально развит, и он используется во множестве сфер: от логистики до производственных систем. Именно он лучше всего подходит для моделирования производственных процессов. Кстати, его создал в 1960-х годах Джеффри Гордон. Системная динамика - это парадигма моделирования, где для исследования необходимо графическое изображение связей и взаимных влияний одних параметров на другие. При этом учитывается фактор времени. Только на основе всех данных создается глобальная модель на компьютере. Именно этот вид позволяет очень глубоко понять суть исследуемого события и выявить какие-то причины и связи. Благодаря этому моделированию строят бизнес-стратегии, модели производства, развитие болезней, планирование города и так далее. Этот метод был изобретён в 1950-х годах Форрестером.

Агентное моделирование появилось в 1990-х годах, оно является сравнительно новым. Это направление используется для анализа децентрализованных систем, динамика которых при этом определяется не общепринятыми законами и правилами, а индивидуальной активностью определенных элементов. Суть этого моделирования заключается в том, чтобы получить представление о новых правилах, в целом охарактеризовать систему и найти связь между индивидуальными составляющими. При этом изучается элемент, который активен и автономен, может принимать решения самостоятельно и взаимодействовать со своим окружением, а также самостоятельно меняться, что очень важно.

Этапы

Сейчас рассмотрим основные этапы разработки имитационной модели. Они включают её формулировку в самом начале процесса, построение концептуальной модели, выбор способа моделирования, выбор аппарата моделирования, планирование, выполнение задачи. На последнем этапе происходит анализ и обработка всех полученных данных. Построение имитационной модели - это сложный и длительный процесс, который требует большого внимания и понимания сути дела. Заметьте, что сами этапы занимают максимум времени, а процесс моделирования на компьютере - не больше нескольких минут. Очень важно использовать правильные модели имитационного моделирования, так как без этого не получится добиться нужных результатов. Какие-то данные получены будут, но они будут не реалистичны и не продуктивны.

Подводя итоги статьи, хочется сказать, что это очень важная и современная отрасль. Мы рассмотрели примеры имитационных моделей, чтобы понять важность всех этих моментов. В современном мире моделирование играет огромную роль, так как на его основании развиваются экономика, градостроение, производство и так далее. Важно понимать, что модели имитационных систем очень востребованы, так как они невероятно выгодны и удобны. Даже при создании реальных условий не всегда можно получить достоверные результаты, так как всегда влияет множество схоластических факторов, которые учесть просто невозможно.