double arrow

ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ


Имитационное моделирование – наиболее мощный и универсальный метод исследования и оценки эффективности систем, полностью или в значительной степени зависящих от воздействия случайных факторов. К таким системам, безусловно, относится ЛЗП, на которое оказывают значительное, а в ряде случаев и определяющее воздействие природно-климатические, лесорастительные, организационно-технологические и иные факторы, вносящие существенный элемент случайности.

Имитационное моделирование осуществляется на имитационной модели. Имитационная модель (ИМ) – это формальное описание логики функционирования исследуемой системы и взаимодействия отдельных её элементов во времени, учитывающее наиболее существенные причинно-следственные связи, присущие системе, и обеспечивающие проведение статистических экспериментов.

Из данного определения следует, что ИМ должна отвечать двум основным требованиям:

- во-первых, отражать логику функционирования исследуемой системы во времени;

- во-вторых, обеспечивать возможность проведения статистического эксперимента.

Принципиальным отличием имитационного моделирования от аналитического является то, что в результате исследователь получает набор экспериментальных данных, подлежащих обработке и позволяющих оценивать характеристики моделируемой системы и прогнозировать её поведение.




Важными особенностями ИМ являются два обстоятельства:

– взаимосвязь между отдельными элементами системы, описанными в модели, а также между ними и некоторыми другими величинами (параметрами) может быть представлена в виде аналитических зависимостей, включая логические и регрессионые уравнения;

– модель можно считать реализуемой и имеющей практическую ценность только в том случае, если в ней отражены лишь те свойства реальной системы, которые влияют на значение выбранного показателя эффективности.

В основе статистического эксперимента лежит метод статистических испытаний (метод Монте-Карло). Суть его состоит в том, что результат испытания ставится в зависимость от значения некоторой случайной величины (СВ), распределённой по заданному закону. Поэтому результат каждого отдельного испытания также носит случайный характер. Проведя серию испытаний, получают множество частных значений наблюдаемой характеристики (выборку). Полученные статистические данные обрабатываются и представляются в виде численных оценок интересующих исследователя величин (характеристик системы).

Теоретической основой метода статистических испытаний являются предельные теоремы теории вероятностей (теорема Чебышева, теорема Бернулли, теорема Пуассона). Принципиальное значение предельных теорем состоит в том, что они гарантируют высокое качество статистических оценок при достаточно большом числе испытаний.



Метод статистических испытаний применим для исследования как стохастических, так и детерминированных задач. Ещё одной его важной особенностью является то, что его реализация практически невозможна без использования компьютера.

Для ИМ практически отсутствуют ограничения на область их применения (по типу моделируемой системы), и речь может идти только о целесообразности использования ИМ в данной области и об объёме трудозатрат на её разработку.

Поскольку основой имитационного моделирования является метод статистических испытаний, наибольший эффект от его применения достигается при исследовании сложных систем, на функционирование которых существенное влияние оказывают случайные факторы.

Применение имитационного моделирования целесообразно также в следующих случаях:

- если не существует законченной постановки задачи на исследование, и идёт процесс познания объекта моделирования;

- если характер протекающих в системе процессов не позволяет описать эти процессы в аналитической форме;



- если необходимо наблюдать за поведением системы (или отдельных её компонентов) в течение определённого периода, в том числе с изменением скорости протекания процессов;

- при изучении новых ситуаций в системе либо при оценке её функционирования в новых условиях;

- если исследуемая система является элементом более сложной системы, другие элементы которой имеют реальное воплощение;

- когда необходимо исследовать поведение системы при введении в неё новых компонентов.

Наряду с несомненными преимуществами и широтой возможного применения имитационного моделирования, оно имеет и ряд недостатков. Первый и весьма существенный заключается в том, что разработка ИМ, как правило, требует больших затрат времени и сил. Кроме того, любая имитационная модель сложной системы значительно менее «объективна», чем аналитическая модель, поскольку она прежде всего отражает субъективные представления разработчика о моделируемой системе. Ещё одним недостатком имитационного моделирования является то, что его результаты, как и при любом численном методе, носят частный характер. Для получения обоснованных выводов необходимо проведение серии модельных экспериментов, а обработка результатов требует применения специальных статистических процедур. Разработка имитационной модели включает следующие основные этапы:

- определение целей моделирования;

- разработка концептуальной модели;

- формализация модели;

- программная реализация модели;

- планирование модельных экспериментов;

- реализация плана эксперимента;

- анализ и интерпретация результатов моделирования.

Наиболее важный признак построения ИМ – способ представления в модели динамики системы. Она может быть описана посредством событий, работ, процессов и транзактов.

Другой важный признак – способ изменения модельного времени. По этому признаку различают моделирование с постоянным шагом и моделирование по особым состояниям.

С точки зрения организации взаимодействия исследователя с моделью в ходе эксперимента ИМ делятся на автоматические и диалоговые.

Автоматическими называются ИМ, взаимодействие пользователя с которыми сводится только к вводу исходной информации и управлению началом и окончанием работы моделей.

Диалоговыми называются ИМ, позволяющие исследователю активно управлять ходом моделирования: приостанавливать сеанс моделирования, изменять значения параметров модели, корректировать перечень регистрируемых данных и т. д.

 







Сейчас читают про: