>> см. учебное пособие
В GPSS программа дисперсионного анализа анализирует эксперименты от одного до шести факторов, включая взаимодействия второго и третьего порядка между факторами.
1. Создать файл, в котором имена анализируемых факторов будут указаны в виде именованных переменных. Для однофакторного эксперимента открыть файл lab_1_ANOVA.1f.gps. В нем анализируемый KVANT EQU 10. Длительность эксперимента можно задать с помощью таймера
GENERATE 100 000
TERMINATE 1
START 1
2. Создать текстовый файл, содержащий последовательность команд для дисперсионного анализа имя.txt в том же каталоге, что и модель. Структура файла с командами для дисперсионного анализа:
;имя MATRIX,R,C; описание матрицы для хранения результатов эксперимента
RES MATRIX,5,10; количество строк равно количеству уровней фактора, С-количество столбцов равно количеству прогонов модели для каждого уровня факторов.
KVANT EQU 10; Первое значение уровня фактора
RMULT 401; Начальное значение множества для ГПП
START 1,NP; Запуск процесса моделирования, NP – мнемокод, который запрещает вывод статистики на экран
|
|
MSAVEALUE RES,1,1,M1; Запись результата моделирования в матрицу результатов.
CLR OFF; J; Обнуление статистики без установки множителя в начальное значение, OFF – запрет обнуления матрицы результатов.
…
KVANT EQU 25; 2ое значение
… С блоков команд
3. Транслировать модель Command/Create Simulation
4. Выполнить команду Command/Custom. Откроется диалоговое окно Simulation Command. В поле ввода окна надо ввести: include имя.txt.
Начинается процесс моделирования, оканчивающийся командой The simulation has ended.
5. Сформировать таблицу дисперсионного анализа
Command/Show – Show Command
В строке ввода: SHOW ANOVA(RES,A,B)
A - размерность матрицы результатов, которая используется для вывода
B – максимальное количество анализируемых взаимодействий между факторами (1-3)
RES – имя матрицы результатов
SHOW ANOVA(RES,2,2); для однофакторного эксперимента
Получена таблица дисперсионного анализа. Ее структура:
Source of Variance – название факторов
Treatment Level – разброс значений за счет уровней факторов
Error – разброс значений внутри уровня факторов
Total – общая ошибка
Error Mean Square – среднеквадратическая ошибка
Sum of Squares – сумма квадратов ошибок
Degrees Of Freedom – число степеней свободы
Mean Square=Sum of Square/Degrees of Freedom
F=Mean Square/Error Mean Square – вычисленное значение критериев Фишера
F>Fкрит.ур. – фактор или взаимодействие факторов является значимым.
Дисперсионный анализ для двух уровней факторов
Lab_1_ANOVA_2f.gps
KVANT EQU 10
TZA EQU 10; среднее время между поступления заявок в систему
KVANT_2f.txt – файл с командами для дисперсионного анализа
SHOW ANOVA (RES,2,2) – команда для выполнения дисперсионного анализа.
|
|
Оптимизирующий эксперимент
В модели для выполнения оптимизирующего эксперимента следует включать только значимые факторы, определенные на этапе дисперсионного анализа.
Для выполнения оптимизирующего эксперимента файл lab_1_OPT_EXP.gps
KVANT EQU 25; изменяемые факторы
TZA EQU 100;
1. Добавление оптимизирующего эксперимента в отлаженную модель:
Edit/Insert Experiment/Optimizing
2. Заполнение полей окна Optimizing Experiment Generator
Experiment Name ESM
Run Procedure Name: DoTheRun – процедура прогона, которая служит для установки начальных значений DSP и запуска каждого прогона
Factor Name Value1 Value2 Movements Limits – задают максимальные границы изменения факторов при поиске максимального зеначения
KVANT 10 20 0 100
TZA 50 100 0 100
Expression M1- целевая функция моделирования
Напрвление оптимизации min
Redirection Limit – ограничении на количество направлений при поиске оптимального значения.
Кнопка Insert Experiment – запуск автоматической генерации эксперимента.
3. В окне Run Procedure Generator отображается автоматически сгенерированный текст функций, необходимый для проведения оптимизирующего эксперимента.
4. Трансляция модели Command/Create Simulation.
5. F12 – запуск оптимизирующего эксперимента. В журнале сессии отображается информация о ходе эксперимента, и заканчивается все тем, что строится полином второго порядка, представляющий собой модель планирования, и определяются оптимальные значения факторов для заданного интервала варьирования.
Тактическое планирование компьютерных экспериментов с моделями систем
Тактическое планирование – это совокупность методов уменьшения длительности эксперимента при обеспечении статистической достоверности результатов.
Проблемы тактического планирования:
1. Определение начальных условий и их влияния на достижение установившегося результата моделирования. Начальный период работы модели искажается из-за влияния начальных условий. Для решения этой проблемы либо не рассматриваются результаты, полученные в некоторый начальный период моделирования, либо начальные условия выбираются так, чтобы сократить время достижения установившегося режима.
2. Проблема уменьшения дисперсии оценок параметров функционирования модели. В качестве таких оценок используются оценки средних значений параметров. Для сравнения оценок следует использовать два варианта организации системы S1 и S2. Если полученные в результате эксперимента с вариантами системы S1 и S2 оценки и средних значений параметров имеют дисперсии D[ ] и D[ ] и коэффициент корреляции оценок равен R[ , ], то дисперсию погрешности оценки разности средних значений можно найти из соотношения (1):
(1)
При независимом моделировании вариантов системы S1 и S2 с использованием различных реализаций псевдослучайных последовательностей коэффициент корреляции оценок равен 0 и дисперсия равна сумме дисперсий оценок.
R[ , ] = 0, Dн[d] = D[ ] + D[ ]
Чтобы уменьшить дисперсию оценки необходимо получить положительный коэффициент корреляции R[ , ] > 0, т.е. < Dн . Это достигается за счет управления генерацией псевдослучайных последовательностей или выбора одних и тех же псевдослучайных последовательностей.
3. Выбор правил автоматической остановки имитационного эксперимента. Длительность эксперимента можно задать двумя способами:
1) Определить необходимое количество реализаций N или длительность интервала моделирования.
2) Задать доверительный интервал для выходных переменных и завершить моделирование при достижении заданного доверительного интервала, что позволяет приблизить длительность моделирования к оптимальной.
Правила автоматической остановки могут быть включены в модель двумя способами
|
|
1) Путем двухэтапного проведения эксперимента. Сначала проводится эксперимент из N* реализаций, позволяющий оценить необходимое число реализаций. Если N* >= N, моделирование заканчивается, в противном случае выполняется еще N-N* реализаций.
2) Путем использования последовательного анализа для определения минимально необходимого числа реализаций N, которое рассматривается при этом как случайная величина, зависящая от результатов предыдущих N-1 реализаций.