Возможность практического использования компьютерной имитации не определяется
Обновлено: 03.07.2024
Моделирование является одним из способов познания мира.
Понятие моделирования достаточно сложное, оно включает в себя огромное разнообразие способов моделирования: от создания натуральных моделей (уменьшенных и или увеличенных копий реальных объектов) до вывода математических формул.
Для различных явлений и процессов бывают уместными разные способы моделирования с целью исследования и познания.
Объект, который получается в результате моделирования, называется моделью . Должно быть понятно, что это совсем не обязательно реальный объект. Это может быть математическая формула, графическое представление и т.п. Однако он вполне может заменить оригинал при его изучении и описании поведения.
Хотя модель и может быть точной копией оригинала, но чаще всего в моделях воссоздаются какие-нибудь важные для данного исследования элементы, а остальными пренебрегают. Это упрощает модель. Но с другой стороны, создать модель – точную копию оригинала – бывает абсолютно нереальной задачей. Например, если моделируется поведение объекта в условиях космоса. Можно сказать, что модель – это определенный способ описания реального мира.
- Создание модели.
- Изучение модели.
- Применение результатов исследования на практике и/или формулирование теоретических выводов.
Видов моделирования огромное количество. Вот некоторые примеры типов моделей:
Математические модели . Это знаковые модели, описывающие определенные числовые соотношения.
Графические модели. Визуальное представление объектов, которые настолько сложны, что их описание иными способами не дает человеку ясного понимания. Здесь наглядность модели выходит на первый план.
Имитационные модели. Позволяют наблюдать изменение поведения элементов системы-модели, проводить эксперименты, изменяя некоторые параметры модели.
Над созданием модели могут работать специалисты из разных областей, т.к. в моделировании достаточно велика роль межпредметных связей.
Совершенствование вычислительной техники и широкое распространение персональных компьютеров открыло перед моделированием огромные перспективы для исследования процессов и явлений окружающего мира, включая сюда и человеческое общество.
Компьютерное моделирование – это в определенной степени, то же самое, описанное выше моделирование, но реализуемое с помощью компьютерной техники.
Для компьютерного моделирования важно наличие определенного программного обеспечения.
При этом программное обеспечение, средствами которого может осуществляться компьютерное моделирование, может быть как достаточно универсальным (например, обычные текстовые и графические процессоры), так и весьма специализированными, предназначенными лишь для определенного вида моделирования.
Очень часто компьютеры используются для математического моделирования. Здесь их роль неоценима в выполнении численных операций, в то время как анализ задачи обычно ложится на плечи человека.
Обычно в компьютерном моделировании различные виды моделирования дополняют друг друга. Так, если математическая формула очень сложна, что не дает явного представления об описываемых ею процессах, то на помощь приходят графические и имитационные модели. Компьютерная визуализация может быть намного дешевле реального создания натуральных моделей.
С появлением мощных компьютеров распространилось графическое моделирование на основе инженерных систем для создания чертежей, схем, графиков.
Если система сложна, а требуется проследить за каждым ее элементом, то на помощь могут придти компьютерные имитационные модели. На компьютере можно воспроизвести последовательность временных событий, а потом обработать большой объем информации.
Однако следует четко понимать, что компьютер является хорошим инструментом для создания и исследования моделей, но он их не придумывает. Абстрактный анализ окружающего мира с целью воссоздания его в модели выполняет человек.
Одной из важных проблем в области разработки и создания современных сложных технических систем является исследование динамики их функционирования на различных этапах проектирования, испытания и эксплуатации. Сложными системами называются системы, состоящие из большого числа взаимосвязанных и взаимодействующих между собой элементов. При исследовании сложных систем возникают задачи исследования как отдельных видов оборудования и аппаратуры, входящих в систему, так и системы в целом.
К разряду сложных систем относятся крупные технические, технологические, энергетические и производственные комплексы.
При проектировании сложных систем ставится задача разработки систем, удовлетворяющих заданным техническим характеристикам. Поставленная задача может быть решена одним из следующих методов:
- методом синтеза оптимальной структуры системы с заданными характеристиками;
- методом анализа различных вариантов структуры системы для обеспечения требуемых технических характеристик.
Оптимальный синтез систем в большинстве случаев практически невозможен в силу сложности поставленной задачи и несовершенства современных методов синтеза сложных систем. Методы анализа сложных систем, включающие в себя элементы синтеза, в настоящее время достаточно развиты и получили широкое распространение.
Любая синтезированная или определенная каким-либо другим образом структура сложной системы для оценки ее показателей должна быть подвергнута испытаниям. Проведение испытаний системы является задачей анализа ее характеристик. Таким образом, конечным этапом проектирования сложной системы, осуществленного как методом синтеза структуры, так и методом анализа вариантов структур, является анализ показателей эффективности проектируемой системы.
Среди известных методов анализа показателей эффективности систем и исследования динамики их функционирования следует отметить:
- аналитический метод;
- метод натуральных испытаний;
- метод полунатурального моделирования;
- моделирование процесса функционирования системы на ЭВМ.
Строгое аналитическое исследование процесса функционирования сложных систем практически невозможно. Определение аналитической модели сложной системы затрудняется множеством условий, определяемых особенностями работы системы, взаимодействием ее составляющих частей, влиянием внешней среды и т.п.
Натуральные испытания сложных систем связаны с большими затратами времени и средств. Проведение испытаний предполагает наличие готового образца системы или ее физической модели, что исключает или затрудняет использование этого метода на этапе проектирования системы.
Широкое применение для исследования характеристик сложных систем находит метод полунатурального моделирования. При этом используется часть реальных устройств системы. Включенная в такую полунатуральную модель ЭВМ имитирует работы остальных устройств системы, отображенных математическими моделями. Однако в большинстве случаев этот метод также связан со значительными затратами и трудностями, в частности, аппаратной стыковкой натуральных частей с ЭВМ.
Исследование функционирования сложных систем с помощью моделирования их работы на ЭВМ помогает сократить время и средства на разработку.
Затраты рабочего времени и материальных средств на реализацию метода имитационного моделирования оказываются незначительными по сравнению с затратами, связанными с натурным экспериментом. Результаты моделирования по своей ценности для практического решения задач часто близки к результатам натурного эксперимента.
Метод имитационного моделирования основан на использовании алгоритмических (имитационных) моделей, реализуемых на ЭВМ, для исследования процесса функционирования сложных систем. Для реализации метода необходимо разработать специальный моделирующий алгоритм. В соответствии с этим алгоритмом в ЭВМ вырабатывается информация, описывающая элементарные процессы исследуемой системы с учетом взаимосвязей и взаимных влияний. При этом моделирующий алгоритм сроится в соответствии с логической структурой системы с сохранением последовательности протекаемых в ней процессов и отображением основных состояний системы.
Основными этапами метода имитационного моделирования являются:
- моделирование входных и внешних воздействий;
- воспроизведение работы моделируемой системы (моделирующий алгоритм);
- интерпретация и обработка результатов моделирования.
Перечисленные этапы метода многократно повторяются для различных наборов входных и внешних воздействий, образуя внутренний цикл моделирования. Во внешнем цикле организуется просмотр заданных вариантов моделируемой системы. Процедура выбора оптимального варианта управляет просмотром вариантов, внося соответствующие коррективы в имитационную модель и в модели входных и внешних воздействий.
Процедура построения модели системы, контроля точности и корректировки модели по результатам машинного эксперимента задает и затем изменяет блок и внутреннего цикла в зависимости от фактических результатов моделирования. Таким образом, возникает внешний цикл, отражающий деятельность исследователя по формированию, контролю и корректировке модели.
Метод имитационного моделирования позволяет решать задачи исключительной сложности. Исследуемая система может одновременно содержать элементы непрерывного и дискретного действия, быть подверженной влиянию многочисленных случайных факторов сложной природы, описываться весьма громоздкими соотношениями и т.п. Метод не требует создания специальной аппаратуры для каждой новой задачи и позволяет легко изменять значения параметров исследуемых систем и начальных условий. Эффективность метода имитационного моделирования тем более высока, чем на более ранних этапах проектирования системы он начинает использоваться.
Следует, однако, помнить, что метод имитационного моделирования является численным методом. Его можно считать распространением метода Монте-Карло на случай сложных систем. Как любой численный метод, он обладает существенным недостатком – его решение всегда носит частный характер. Решение соответствует фиксированным значениям параметров системы и начальных условий. Для анализа системы приходится многократно моделировать процесс ее функционирования, варьируя исходные данные модели. Таким образом, для реализации имитационных моделей сложной модели необходимо наличие ЭВМ высокой производительности.
Для моделирования системы на ЭВМ необходимо записывать моделирующий алгоритм на одном из входных языков ЭВМ. В качестве входных языков для решения задач моделирования могут быть с успехом использованы универсальные алгоритмические языки высокого уровня, Си, Паскаль и др.
Анализ развития наиболее сложных технических систем позволяет сделать вывод о все более глубоком проникновении ЭВМ в их структуру. Вычислительные машины становятся неотъемлемой, а зачастую и основной частью таких систем. Прежде всего это относится к сложным радиоэлектронным системам. Среди них различные автоматические системы, в том числе системы автоматической коммутации (электронные АТС), системы радиосвязи, радиотелеметрические системы, системы радиолокации и радионавигации, различные системы управления.
При построении таких систем в значительной степени используются принципы и структуры организации вычислительных машин и вычислительных систем (ВС). Характерной особенностью является наличие в системах нескольких процессоров, объединенных различными способами в специализированную ВС. При этом осуществляется переход от «жесткой» логики функционирования технических систем к универсальной «программной» логике. В силу этого все более значительную роль в таких системах, наряду с аппаратными средствами, играет специализированное системное и прикладное программное обеспечение.
На этапах разработки, проектирования, отладки и испытания сложных систем с высоким удельным весом аппаратно-программных средств вычислительной техники ставится задача анализа и синтеза вариантов организации структуры аппаратных средств, а также разработки и отладки специализированного ПО большого объема. Эта задача может быть решена с помощью аппаратно-программного моделирования с использованием универсальных моделирующих комплексов, построенных на базе однородных ВС с программируемой структурой.
Аппаратно-программное моделирование можно считать частным случаем полунатурного моделирования. На первом этапе разрабатывается концептуальная модель заданного класса систем на основе анализа типовых процессов, структур и аппаратных блоков. Концептуальная модель реализуется на аппаратно-программных средствах моделирующего комплекса. При этом моделирующий комплекс может настраиваться на соответствующую структуру системы программным путем за счет возможности программирования структуры используемой микропроцессорной ВС. Часть аппаратных и программных средств микропроцессорной ВС моделирующего комплекса непосредственно отражает аппаратно-программные средства, входящие в исследуемую систему (аппаратное моделирование), другая часть реализует имитационную модель функциональных средств исследуемой системы, внешней обстановки, влияния помех и т.п. (программное моделирование).
Разработка аппаратно-программных моделирующих комплексов является сложной технической задачей. Несмотря на это, применение таких комплексов находит все большее распространение. При достаточной производительности вычислительных средств комплекса процесс исследования системы может вестись в реальном масштабе времени. В составе комплекса могут использоваться как универсальные микроЭВМ общего назначение, так и вычислительные средства, непосредственно входящие в исследуемую систему. Подобные моделирующие комплексы являются универсальными стендами для разработки и отладки аппаратно-программных средств, проектируемых систем заданного класса. Они могут использоваться в качестве тренажеров по обучению обслуживающего персонала.
Цель лекции. Научить строить модель задачи, в которой ключевые данные не могут быть точно определены. Показать, как выделить стохастические переменные, выбрать и построить для них закон распределения. Показать применение функций Mathcad для реализации метода Монте-Карло. Представить, как провести анализ результата.
5.1 Постановка задач имитационного моделирования
В первой главе описаны основные этапы экономико-математического моделирования. После того, как математическая модель построена, выбирается программное обеспечение для ее реализации на компьютере, производится разработка и расчет компьютерной модели. Использование компьютеров дает возможность представить сложный экономический процесс посредством искусственных процессов-аналогов, которые можно реализовать на ЭВМ, и выполнить оптимизацию исследуемых параметров в режиме "имитации". Имитация - это компьютерный эксперимент, который проводится с моделью системы, а не с самой системой. Для этого выбираются специальные имитирующие компьютерные программы и технологии программирования. В процессе машинного эксперимента меняют те или иные показатели, т.е. изменяют состояние объекта и регистрируют его поведение в новых условиях. Математическую динамическую модель называют имитационной моделью. Имитационной моделью называют также специальный программный комплекс, который позволяет имитировать деятельность какого-либо сложного объекта [23, 24].
В этой главе рассмотрим задачи, в которых свойства изучаемого объекта точно не определены. Переменные модели - стохастические, их значения не могут быть точно установлены или предсказаны. Неопределенность стохастических переменных связана с недостаточностью информации о них. Неопределенность вероятностных переменных связана с вероятностным характером описываемых ими процессов. Не зная точных исходных данных, используя компьютерные технологии, мы имеем возможность непрерывно и случайным образом генерировать значения исходных величин и затем рассчитывать значения выходной переменной. Для оценки характеристик исследуемых совокупностей используется аппарат теории вероятности, теории случайных функций, понятие случайной величины [25].
Если входные переменные являются стохастическими, то и выходные зависимые переменные также будут стохастическими. При моделировании систем, содержащих вероятностные элементы, используются методы Монте-Карло [24, 26]. Это общее название группы методов решения задач, в которых реализуется построение вероятностных распределений возможных значений выходной стохастической переменной при изменении входных переменных, которые генерируются в виде случайных последовательностей. Стохастические переменные моделируются как случайные величины с определенным законом распределения вероятностей. При численном решении задач, включающих стохастические переменные, используется метод статистических испытаний , который заключается в моделировании случайных величин. На практике эти величины получают путем некоторых операций, результатами которых являются псевдослучайные числа с теми же свойствами, что и числа, получаемые путем случайной выборки. Экономические показатели (цены, прибыль , затраты и т.д) моделируются как случайные числа с каким-либо распределением. Повторяющиеся испытания реализуются путем генерации случайных совокупностей этих параметров. Статистические результаты получаются в результате обработки этих совокупностей. Вероятность того, что результаты отличаются от истинных не более чем на заданную величину, есть функция количества испытаний или размера сгенерированных выборок. Имеется большое число вычислительных алгоритмов, которые позволяют получить длинные последовательности псевдослучайных чисел. Для исследователя представляют интерес выводы, носящие характер статистических показателей, представленных в виде графиков или таблиц, в которых каждому варианту исследуемых параметров поставлены в соответствие определенные средние значения с набором характеристик их распределения.
5.2 Основные этапы имитационного моделирования
В общем случае проведение имитационного моделирования происходит по общепринятой схеме, но поскольку переменные модели являются стохастическими, надо проводить анализ этих переменных. Для моделирования стохастических переменных, используются компьютерные технологии, с помощью которых случайным образом генерируются значения исходных величин и затем рассчитываются значения выходной переменной. Для оценки характеристик исследуемых совокупностей и используется аппарат теории вероятности и теории случайных функций. Приведем основные этапы имитационного моделирования.
Прежде всего, надо четко определить цель моделирования . Когда цель определена, выделяются следующие этапы:
- Выбрать основные объекты и величины, описывающие исследуемый процесс. Определить входные показатели ..
- Выбрать и рассчитать выходные показатели, описывающие модель системы. Для этого выбрать закон изменения переменных, описывающий исследуемый процесс, - функциональную зависимость . Тогда математическая модель системы или процесса имеет вид:
 | ( 5.1) |
Результаты имитационного эксперимента могут использоваться для построения прогнозных моделей и сценариев. Рассмотрим реализацию метода Монте –Карло в программе Mathcad.
5.3 Имитационное моделирование прибыли фирмы методом Монте-Карло
Рассмотрим технику имитационного моделирования методом Монте-Карло на примере исследования прибыли фирмы. Рассмотрим, например, рекламную деятельность фирмы.
Фирма предполагает инвестировать сумму 2 млн. руб., используя денежные средства от рекламной деятельности. Предоставляются рекламные услуги по заказам клиентов. Количество и стоимость заказов - величины постоянно меняющиеся. Затраты составляют в среднем 20% от стоимости заказов. Необходимо оценить, какую прибыль может получить фирма за год в таких условиях, насколько она отличается от 2 млн. руб.
Постановка задачи
Цель задачи – рассчитать прибыль за год и оценить риск быть меньше 2 млн. руб. Разделим переменные на стохастические и постоянные и определим возможные границы их изменений. Стохастические переменные моделируем в виде случайных совокупностей с определенным законом распределения вероятностей. Выходной показатель – прибыль представляем в виде статистических показателей, гистограммы распределения, графиков.
Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Белов А. Г., Моисеев С. А., Григорьев А. В.
Технология Power Line Communication и ее применение Классификационные признаки источников электропитания Оценка проблем при архивации изображений с потерями Проблемы построения систем управления микроклиматом теплиц i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.Текст научной работы на тему «Методы имитационного моделирования»
Белов А.Г., Моисеев С.А., Григорьев А.В.
ФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
МЕТОДЫ 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 [1,2] .
При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы во времени, причем имитируются явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы [3].
Имитационные модели позволяют достаточно просто учитывать такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия и другие, которые часто создают трудности при аналитических исследованиях. В настоящее время имитационное моделирование - наиболее эффективный метод исследования больших систем, а часто и единственный практически доступный метод получения информации о поведении системы, особенно на этапе ее проектирования [3].
В настоящее время имитационное моделирование широко применяется в мире для исследования сложных систем. Этому способствуют преимущества, присущие этому методу, а именно [4]:
Большинство сложных реальных систем с вероятностными параметрами нельзя точно описать с использованием математических моделей.
Путем моделирования можно разработать ряд альтернативных вариантов моделей системы и затем определить, какой из них наиболее соответствует исходным требованиям.
Имитационное моделирование в ряде случаев гораздо менее затратное, чем проведение экспериментов с реальными системами, тем более что иногда эксперименты на реальных системах в принципе невозможны .
Моделирование позволяет изучить длительный интервал функционирования системы в сжатые сроки или, наоборот, изучить более подробно работу системы в развернутый интервал времени [5].
При динамическом имитационном моделировании можно получать любое количество оценок вероятностной модели, проводя ее прогоны. Подробное изучение полученных оценок приемлемо использовать при оптимизации модели.
Моделирование позволяет оценить некоторые эксплуатационные показатели системы при различных условиях эксплуатации.
Можно выделить 3 вида имитационного моделирования (рис.1.):
Рис. 1. 3 вида имитационного моделирования
Агентная модель представляет реальный мир в виде многих отдельно специфицируемых активных подсистем, называемых агентами. Каждый из агентов взаимодействует с другими агентами, которые образуют для него внешнюю среду, и в процессе функционирования может изменить как внешнюю среду, так
и свое поведение. Обычно в таких системах не существует глобального централизованного управления, агенты функционируют по своим законам асинхронно.
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). 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 .
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. Например, в области экономики, в которой весь организм формируется «снизу вверх», не совсем адекватны модели и описания установившихся равновесных режимов. Гораздо интереснее и адекватнее анализ моделей, позволяющих выполнить анализ формирования правил и тенденций глобального поведения как интегральных характеристик поведений многих составляющих активных игроков.
и «засыпают» до получения следующего задания. Активные объекты, которые реагируют на события своей среды, а также предпринимают определенные действия, не дожидаясь прямого обращения к себе, естественно моделировать с помощью агентов [9].
Очевидно, что применение этого подхода к моделированию наиболее удобно в случаях, когда нас интересуют характеристики поведения всей системы, которые определяются как интегральные характеристики всей совокупности агентов. Одну и ту же систему в зависимости от поставленной цели моделирования можно в рамках различных парадигм [10].
В дискретно-событийном моделировании функционирование системы представляется как хронологическая последовательность событий. Событие происходит в определенный момент времени и знаменует собой изменение состояния системы.
Кроме переменных [11], определяющих состояние системы, и логики, определяющей, что произойдет в ответ на какое-то событие, система дискретно-событийного моделирования содержит следующие компоненты :
Часы - основной компонент системы, синхронизирующий изменения системы, т.е. возникновение событий .
Список событий. Система моделирования поддерживает по крайней мере один список событий моделирования. Однопоточные системы моделирования, основанные на мгновенных событиях, имеют только одно текущее событие. В то время как многопоточные системы моделирования и системы моделирования, поддерживающие интервальные события, могут иметь несколько текущих событий. В обоих случаях имеются серьезные проблемы с синхронизацией между текущими событиями.
Генераторы случайных чисел. Дискретно-событийные модели делятся на детерминированные и стохастические, в зависимости от того, каким образом генерируются события и основные характеристики очередей: время наступления событий, длительность обслуживания, количество клиентов, поступающих в очередь в единицу времени.
Основные данные, которые собираются в системах дискретно-событийного моделирования:
средняя занятость (доступность) ресурсов;
среднее количество клиентов в очереди;
среднее время ожидания в очереди.
Вышеперечисленные простые системы не исчерпывают всего многообразия систем массового обслуживания. К примеру, конвейерные системы для поточного производства и сборки изделий также могут рассматриваться как системы массового обслуживания, но они требуют при анализе учет характеристик самих конвейеров (к примеру, их формы, скорости) и алгоритмов [12] сборки. Кроме того, большой класс систем включает такие процессы обслуживания, которые требуют для отдельных операций выполнения специфических условий, например, наличие ресурсов конкретного типа.
Дискретно-событийное моделирование имеет огромную сферу приложений - от логистики и систем массового обслуживания до транспортных и производственных систем. Некоторые авторы считают, что данная парадигма моделирования, на самом деле является единственным представителем имитационного моделирования как такового.
Системная динамика — направление в изучении сложных систем, исследующее их поведение во времени и в зависимости от структуры элементов системы и взаимодействия между ними.
Любая социально-экономическая система [13] может быть описана множеством системно-динамических моделей. Выбор факторов, подлежащих включению в модель, обусловлен теми вопросами, на которые должен быть дан ответ. Однако в общем случае нельзя ограничивать базу построения модели какой-либо узкой научной дисциплиной. Следует включать в модель технические, правовые, организационные, экономические, психологические, трудовые, денежные и исторические факторы. Все они должны найти свое место при определении взаимодействия элементов системы. Любой фактор может оказывать решающее влияние на поведение системы.
Как правило, наиболее важные модели, отвечающие запросам управления, включают от 30 до 3000 переменных. Нижний предел близок к тому минимуму, который отражает основные типы поведения системы, интересующие тех, кто принимает решения. Верхний предел ограничивается нашими возможностями восприятия системы и всех ее взаимосвязей [14].
Следует уделять особое внимание таким аспектам исследуемой системы, как:
Системно-динамические модели состоят из петель обратной связи, которые формируют поведение системы. Данный вид моделирования полезен при выявлении важных переменных и установлении взаимосвязей между ними.
«Структура (системы) диктует поведение», - утверждают специалисты по системной динамики: на-
пример, экспоненциальный рост, осцилляцию, превышение с последующим коллапсом и т.п. Под структурой понимается комбинация взимосвязанных потоков [15] и накопителей. Системная динамика фокусируется на моделировании макроуровня - системы в целом. Однако это не означает, что системная динамика может применяться исключительно к моделированию макроэкономики или глобальных социальноэкономических процессов. Под понятием «макро» в данном случае имеется ввиду агрегирование моделируемых данных: например, в широко известной модели диффузии инноваций Фрэнка Басса, Потенциальные Клиенты и Клиенты представлены в обобщенном виде - в виде накопителей, пополняемых или истощаемых потоками [16].
В системно-динамическом моделировании структура модели определена изначально и не может быть изменена в ходе имитационного эксперимента, т.к. структура модели фиксирована. Как отмечают Н. Шериз и П. Миллинг, тем не менее системно-динамические модели могут адаптироваться, если под адаптацией понимать не изменение структуры модели, а изменение в доминирования петель обратной связи [17].
В системной динамике источником нелинейности поведения системы является концепция аккумулирования, которая находит отражение в потоках и накопителях, ответственных за возникновение эффектов запаздывания.
1. Щепетова С. Е. Динамическое моделирование функционирования предприятия и формирование стратегии его поведения в конкурентной среде: автореф. дис. на соискание ученой степени к. э. н. - М.:
Финансовая академия при Правительстве РФ, 2001.
2. Юрков Н. К. Имитационное моделирование технологических систем: Учебное пособие / Н. К. Юрков. - Пенза, Пензен. политехн. ин-т, 1989г. - 71 с.
3. Лоу А. М., Кельтон В. Д. Имитационное моделирование. Классика CS. - 3-е изд. - СПб.: Питер; Киев: Издательская группа BHV, 2004. -847 с.: ил.
4. Замятина О. М. Моделирование систем: Учебное пособие. - Томск: Изд-во ТПУ, 2009. - 204 с.
5. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. - СПб.: БХВ-Петербург, 2005. - 400 с.: ил.
6. Borshchev A., Filippov A. From System Dynamics and Discrete Event to Practical Agent Based
Modeling: Reasons, Techniques, Tools. The 22nd International Conference of the System Dynamics
Society, July 25 - 29, 2004, Oxford, England.
8. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика //
10. Лысенко А.В. Краткий обзор методов имитационного моделирования / А.В. Лысенко, Н.В. Горячев, И.Д. Граб, Б.К. Кемалов, Н.К. Юрков // Современные информационные технологии. 2011. № 14. С. 171-176.
11. Бростилов С.А. Математическое моделирование процессов отражения и распространения электромагнитных волн в тонкой градиентной диэлектрической пластине / Бростилов С.А., Кучумов Е.В. //
Труды международного симпозиума Надежность и качество. 2011. Т. 1. С. 281-283.
12. Сивагина Ю.А. Обзор современных симплексных ретрансляторов радиосигналов/ Ю.А. Сивагина, И.Д. Граб, Н.В. Горячев, Н.К. Юрков //Труды международного симпозиума Надежность и качество. 2012. Т. 1. С. 74-76.
13. Трифоненко И.М. Обзор систем сквозного проектирования печатных плат радиоэлектронных средств / И.М. Трифоненко, Н.В. Горячев, И.И. Кочегаров, Н.К. Юрков // Труды международного симпозиума Надежность и качество. 2012. Т. 1. С. 396-399.
14. Петрянин Д.Л. Анализ систем защиты информации в базах данных / Д.Л. Петрянин, Н.В. Горячев, Н.К. Юрков // Труды международного симпозиума Надежность и качество. 2013. Т. 1. С. 115-122.
Д) последовательности предложений на естественном языке.
38. Утверждение ЛОЖНО:
А) «Нет строгих правил построения модели»;
Б) «Модель никогда не может заменить само явление»;
В) «Объект может служить моделью другого объекта, если он отражает его существенные признаки»;
Г) «Модель содержит столько же информации, сколько и моделируемый объект»;
Д) «При решении конкретной задачи модель может оказаться полезным инструментом»
39. Компьютерная имитационная модель ядерного взрыва НЕ позволяет:
А) обеспечить безопасность исследователей;
Б) провести натурное исследование процессов;
В) уменьшить стоимостей исследований;
Г) получить данные о влиянии взрыва на здоровье человека;
Д) сохранить экологию окружающей среды.
40. С помощью имитационного моделирования НЕЛЬЗЯ изучать:
А) демографические процессы, протекающие в социальных системах;
Б) тепловые процессы, протекающие в технических системах;
В) инфляционные процессы в промышленно-экономических системах;
Г) траектории движения планет и космических кораблей;
Д) процессы психологического взаимодействия людей
41. Основой моделирования является:
А) коммуникативный процесс;
Б) передача информации;
В) процесс формализации;
Г) хранение информации;
Д) взаимодействие людей
42. Суть основного тезиса формализации состоит в принципиальной возможности:
А) представления информации на материальном носителе;
Б) передачи информации от одного объекта к другому;
В) обработки информации человеком;
Г) хранения информации в памяти компьютера;
Д) разделения объекта и его обозначении
43. Идея моделирования следует из основного тезиса формализации, то есть отражает возможность:
А) представления информации на материальном носителе;
Б) разделения объекта и его имени;
В) обработки информации человеком;
Г) хранения информации в памяти компьютера;
Д) передачи информации посредством сигнала
Ключи к тесту по теме «Информационное моделирование»
Номер задания
Вариант ответа
Номер задания
Вариант ответа
Номер задания
Вариант ответа
Номер задания
Вариант ответа
Если Вы считаете, что материал нарушает авторские права либо по каким-то другим причинам должен быть удален с сайта, Вы можете оставить жалобу на материал.- подготовка к ЕГЭ/ОГЭ и ВПР
- по всем предметам 1-11 классов
для работы онлайн
в проекте «Инфоурок»
Курс повышения квалификации
Охрана труда
Курс профессиональной переподготовки
Библиотечно-библиографические и информационные знания в педагогическом процессе
Курс профессиональной переподготовки
Охрана труда
Ищем педагогов в команду «Инфоурок»
- ЗП до 91 000 руб.
- Гибкий график
- Удаленная работа
указав свой предмет (категорию), класс, учебник и тему:
Читайте также: