Лекции. Лекции Математическое и имитационное моделирование. Лк 1 Моделирование как метод научного познания
 Скачать 1.02 Mb.
|
1 2 ЛК – 4В настоящее время нельзя назвать область человеческой деятельности, в которой в той или иной степени не использовались бы методы моделирования. Особенно это относится к сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации. Как известно, математическая модель некоторого явления или процесса может быть представлена функциональной зависимостью между совокупностью входных (независимых) переменных x ii ( =1,...,n) и одной или несколькими выходными (зависимыми) переменными y : y = f x( 1,...,xn) . (4.1) Различают следующие виды моделирования (см. рис. 4.1)  Физическое – используется сама система, либо подобная ей (летательный аппарат в аэродинамической трубе). Математическое – процесс установления соответствия реальной системе S математической модели M и исследование этой модели, позволяющее получить характеристики реальной системы. Аналитическое – процессы функционирования элементов записываются в виде явных математических соотношений (алгебраических, интегральных, дифференциальных, логических и т.д.). Аналитическая модель может быть исследована методами: а) аналитическим (устанавливаются явные зависимости, получаются, в основном, аналитические решения); б) численным (получаются приближенные решения); в) качественным (в явном виде можно найти некоторые свойства решения). Получить эти зависимости удается только для сравнительно простых реальных процессов и систем (РПС). В результате аналитическая модель становится слишком грубым приближением к действительности. Компьютерное – математическое моделирование формулируется в виде алгоритма (программы для ЭВМ), что позволяет проводить над ней вычислительные эксперименты. Численное – используются методы вычислительной математики (отличается от численного аналитического тем, что возможно задание различных параметров модели). Статистическое – обработка данных о системе (модели) с целью получения статистических характеристик системы. Имитационное – воспроизведение на ЭВМ (имитация) процесса функционирования исследуемой системы, соблюдая логическую и временную последовательность протекания процессов, что позволяет узнать данные о состоянии системы или отдельных ее элементов в определенные моменты времени. Имитационное моделирование - это совокупность методов алгоритмизации функционирования объектов исследований, программной реализации алгоритмических описаний, организации, планирования и выполнения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими функционирование реальных процессов и систем в течении заданного периода. Под алгоритмизацией функционирования реальных процессов и систем понимается пооперационное описание работы всех ее функциональных подсистем отдельных модулей с уровнем детализации, соответствующем комплексу требований к модели. Одним из видов имитационного моделирования является статистическое имитационное моделирование, позволяющее воспроизводить на ЭВМ функционирование сложных случайных процессов. 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. В вероятностном имитационном моделировании оперируют не с характеристиками случайных процессов, а с конкретными случайными числовыми значениями параметров ПС. 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". 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: Моделирование на ЭВМ псевдослучайных последовательностей с заданной корреляцией и законом распределения вероятностей (метод Монте-Карло), имитирующих на ЭВМ случайные значения параметров при каждом испытании; Преобразование полученных числовых последовательностей на имитационных математических моделях. Статистическая обработка результатов моделирования. В основе имитационного моделирования лежит метод многократного решения задач "Что будет, если?" Используя технику имитационного моделирования, мы имеем возможность непрерывно и случайным образом генерировать значения каждой входной переменной xi (i = 1,2,...,k ) модели и затем рассчитывать значения выходной переменной y . Затем, используя полученные значения переменной y , мы можем оценивать закон (форму) распределения и его параметры для этой стохастической переменной. Например, изменяя случайным образом входные параметры, мы можем получить некоторое количество значений выходной переменной (выборку), затем построить частотное распределение встречающихся в выборке значений, определить пределы изменения выходной переменной, оценить среднее значение и дисперсию полученного распределения и, наконец, оценить вероятность того, что фактическое значение выходной переменной не будет больше (меньше), чем заданная величина. Все эти параметры дают возможность менеджеру точнее оценить риск, связанный с принимаемым им решением. Имитационное (компьютерное) моделирование экономических процессов обычно применяется в двух случаях: для управления сложным бизнес-процессом», когда имитационная модель управляемого экономического объекта используется в качестве инструментального средства в контуре адаптивной системы управления, создаваемой на основе информационных (компьютерных) технологий; при проведении экспериментов с дискретно-непрерывными моделями сложных экономических объектов для получения и отслеживания их динамики в экстренных ситуациях, связанных с рисками, натурное моделирование которых нежелательно иди невозможно. 4.2. Достоинства и недостатки имитационного моделирования Все имитационные модели представляют собой модели типа так называемого черного ящика. Это означает, что они обеспечивают выдачу выходного сигнала системы, если на ее взаимодействующие подсистемы поступает входной сигнал. Поэтому для получения необходимой информации или результатов необходимо осуществлять «прогон» имитационных моделей, а не «решать» их. Имитационные модели не способны формировать свое собственное решение в том виде, в каком это имеет место в аналитических моделях, а могут лишь служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором. Следовательно, имитационное моделирование — не теория, а методология решения проблем. Более того, имитационное моделирование является только одним из нескольких имеющихся в распоряжении системного аналитика важнейших методов решения проблем. Поскольку необходимо и желательно приспосабливать средство или метод к решению задачи, а не наоборот, то возникает естественный вопрос: в каких случаях имитационное моделирование полезно? Мы определили имитационное моделирование как экспериментирование с моделью реальной системы. Необходимость решения задачи путем экспериментирования становится очевидной, когда возникает потребность получить о системе специфическую информацию, которую нельзя найти в известных источниках. Бэриш [4] указывает, что непосредственное экспериментирование на реальной системе устраняет много затруднений, если необходимо обеспечить соответствие между моделью и реальными условиями; однако недостатки такого экспериментирования иногда весьма значительны, поскольку: Оно может нарушить установленный порядок работы фирмы. Если составной частью системы являются люди, то на результаты экспериментов может повлиять так называемый хауторнский эффект, проявляющийся в том, что люди, чувствуя, что за ними наблюдают, могут изменить свое поведение. Может оказаться сложным поддержание одних и тех же рабочих условий при каждом повторении эксперимента или в течение всего времени проведения серии экспериментов. Для получения одной и той же величины выборки (и, следовательно, статистической значимости результатов экспериментирования) могут потребоваться чрезмерные затраты времени и средств. При экспериментировании с реальными системами может оказаться невозможным исследование множества альтернативных вариантов. По этим причинам исследователь должен рассмотреть целесообразность применения имитационного моделирования при наличии любого из следующих условий: Не существует законченной математической постановки данной задачи, либо еще не разработаны аналитические методы решения сформулированной математической модели. К этой категории относятся многие модели массового обслуживания, связанные с рассмотрением очередей. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи. Аналитические решения существуют, но их реализация невозможна вследствие недостаточной математической подготовки имеющегося персонала. В этом случае следует сопоставить затраты на проектирование, испытания и работу на имитационной модели с затратами, связанными с приглашением специалистов со стороны. Кроме оценки определенных параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода. Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдения явлений в реальных условиях; соответствующим примером может служить изучение поведения космических кораблей в условиях межпланетных полетов. Для долговременного действия систем или процессов может понадобиться сжатие временной шкалы. Имитационное моделирование дает возможность полностью контролировать время изучаемого процесса, поскольку явление может быть замедлено или ускоренно по желанию. К этой категории относятся, например, исследования проблем упадка городов. Дополнительным преимуществом имитационного моделирования можно считать широчайшие возможности его применения в сфере образования и профессиональной подготовки. Разработка и использование имитационной модели позволяют экспериментатору видеть и «разыгрывать» на модели реальные процессы и ситуации. Это в свою очередь должно в значительной мере помочь ему понять и прочувствовать проблему, что стимулирует процесс поиска нововведений. 4.3. Типовые задачи имитационного моделирования Можно выделить следующие типовые задачи, решаемые средствами имитационного моделирования при управлении экономическими объектами: моделирование процессов логистики для определения временных и стоимостных параметров; управление процессом реализации инвестиционного проекта на различных этапах его жизненного цикла с учетом возможных рисков и тактики выделения денежных сумм; анализ клиринговых процессов в работе сети кредитных организаций (в том числе применение к процессам взаимозачетов в условиях российской банковской системы); прогнозирование финансовых результатов деятельности предприятия на конкретный период времени (с анализом динамики сальдо на счетах); бизнес-реинжиниринг несостоятельного предприятия (изменение структуры и ресурсов предприятия-банкрота, после чего с помощью имитационной модели можно сделать прогноз основных финансовых результатов и дать рекомендации о целесообразности того или иного варианта реконструкции, инвестиций или кредитования производственной деятельности); анализ адаптивных свойств и живучести компьютерной региональной банковской информационной системы (например, частично вышедшая из строя в результате природной катастрофы система электронных расчетов и платежей после катастрофического землетрясения 1995 г. на центральных островах Японии продемонстрировала высокую живучесть: операции возобновились через несколько дней); оценка параметров надежности и задержек в централизованной экономической информационной системе с коллективным доступом (на примере системы продажи авиабилетов с учетом несовершенства физической организации баз данных и отказов оборудования); анализ эксплуатационных параметров распределенной многоуровневой ведомственной информационной управляющей системы с учетом неоднородной структуры, пропускной способности каналов связи и несовершенства физической организации распределенной базы данных в региональных центрах; моделирование действий курьерской (фельдъегерской) вертолетной группы в регионе, пострадавшем в результате природной катастрофы или крупной промышленной аварии; анализ сетевой модели PERT (Program Evaluation and Review Technique) для проектов замены и наладки производственного оборудования с учетом возникновения неисправностей; анализ работы автотранспортного предприятия, занимающегося коммерческими перевозками грузов, с учетом специфики товарных и денежных потоков в регионе; расчет параметров надежности и задержек обработки информации в банковской информационной системе. Приведенный перечень является неполным. Действительная область применения аппарата имитационного моделирования не имеет видимых ограничений. Например, спасение американских астронавтов при возникновении аварийной ситуации на корабле APOLLON стало возможным только благодаря «проигрыванию» различных вариантов спасения на моделях космического комплекса. 4.4. Социально-экономические процессы как объекты моделирования Модели социально-экономических систем имеют некоторые особенности по сравнению, например, с моделями природных или технических систем. К сожалению, не всегда возможно создать математическую модель социально-экономической системы в узком значении этого слова. При изучении таких систем мы можем определить цели, указать ограничения и предусмотреть, чтобы система подчинялась техническим законам, нормативным правовым ограничениям и т.п. При этом могут быть вскрыты и представлены в той или иной математической форме существенные связи в системе. В отличие от этого решение проблем защиты от загрязнения воздушной среды, предотвращения преступлений, здравоохранения и огромное количество другим проблем связано с неясными и противоречивыми целями, а также выбором альтернатив, диктуемых политическими и социальными факторами. Можно выделить следующие ситуации, в которых рекомендуется использовать имитационное моделирование при изучении сложных социально-экономических систем: экономическая система сформировалась недавно и идет процесс ее познания; имитационное моделирование дает более простой способ решения задачи, чем аналитический метод; имитационное моделирование оказывается единственным способом исследования сложной системы из-за невозможности наблюдения ее в реальных условиях или из-за того, что проведение экспериментов на реальных объектах связано с возможностями социальных и экономических потерь; необходимо исследовать процессы в другом масштабе времени; необходимо качественно подготовить специалистов для работы в какой-либо экономической системе; -следует предсказать неочевидные нежелательные явления в системе. Социально-экономические системы отличаются большой сложностью. Успешное их функционирование зависит от большого количества разнообразных факторов, среди которых можно выделить: социально-политические, нормативно-правовые, технические, технологические, зоотехнические, агрономические, климатические и т.п., экологические, - маркетинговые, - финансовые. Набор таких факторов может достигать десятков, сотен и более. Поэтому экспериментировать с реальными экономическими системами часто бывает невозможно, непрактично или неэкономично. Имитационный же эксперимент позволяет проводить исследование функционирования таких систем. Система имитационного моделирования, обеспечивающая создание моделей для решения перечисленных задач, должна обладать следующими свойствами: возможностью применения имитационных программ совместно со специальными экономико-математическими моделями и методами, основанными на теории управления; инструментальными методами проведения структурного анализа сложного экономического процесса; способностью моделирования материальных, денежных и информационных процессов и потоков в рамках единой модели, в общем модельном времени; возможностью введения режима постоянного уточнения при получении выходных данных (основных финансовых показателей, временных и пространственных характеристик, параметров рисков и др.) и проведении экстремального эксперимента. 4.5. Примеры задач имитационного моделирования Пример 4.1. Предположим, что некоторая промышленная фирма наряду с резким увеличением числа заказов на свою продукцию отметила заметное ухудшение качества обслуживания своих клиентов в части соблюдения сроков выполнения их заказов. Несоблюдение фирмой своих обязательств перед заказчиками может привести к ощутимым потерям как за счет штрафных санкций, так и за счет оттока клиентов. В рассматриваемой ситуации у фирмы может появиться желание воспользоваться компьютерным имитационным моделированием, с помощью которого можно было бы выяснить, каким образом существующие процедуры определения сроков выполнения принимаемых заказов, календарного планирования производства и оформления заявок на поставки сырья порождают наблюдаемые задержки. Пример 4.2. Руководство крупной клиники разрабатывает новую систему управления запасами лекарственных препаратов. Использование имитационной модели, построенной на основе ретроспективных данных, позволит оценить, каким будет средний уровень средств, необходимых для обеспечения запасов лекарственных препаратов, и как часто будут возникать нехватки различных видов препаратов при реализации новой системы управления. Пример 4.3. Рассмотрим предприятие с мелкосерийным производством, на котором производственные мощности распределены в соответствии с приоритетами, присвоенными выполняемым работам. Может быть построена имитационная модель для нахождения эффективного способа определения системы приоритетов для того, чтобы все работы могли выполняться без больших задержек и при этом коэффициент использования оборудования был бы достаточно высок. Пример 4.4. Биржевой игрок разработал свой порядок приобретения и продажи акций, состоящий в следующем: обладая пакетом акций, необходимо продать его, как только цены на эти акции начинают падать; как только цены на акции начинают возрастать, их необходимо покупать. Игрок не желает рисковать своими ограниченными средствами в натурном эксперименте и хочет оценить прибыльность своей стратегии с помощью имитационного моделирования. 1 2 |