Удк 519. 876. 5 БеловА
 Скачать 117.68 Kb.
|
|
УДК 519.876.5 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 помо - щью 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 функциониро - вания системы во времени , причем имитируются явления , составляющие процесс , с сохранением их ло - гической структуры и последовательности протекания во времени , что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени , дающие возможность оце - нить характеристики системы [3]. Имитационные модели позволяют достаточно просто учитывать такие факторы , как наличие дискрет - ных и непрерывных элементов , нелинейные характеристики элементов системы , многочисленные случай - ные воздействия и другие , которые часто создают трудности при аналитических исследованиях В на - стоящее время имитационное моделирование - наиболее эффективный метод исследования больших сис - тем , 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 слож - ных систем Этому способствуют преимущества , присущие этому методу , а именно [4]: Большинство сложных реальных систем с вероятностными параметрами нельзя точно описать с ис - пользованием математических моделей Путем моделирования можно разработать ряд альтернативных вариантов моделей системы и затем оп - ределить , какой из них наиболее соответствует исходным требованиям Имитационное моделирование в ряде случаев гораздо менее затратное , чем проведение эксперимен - тов с реальными системами , тем более что иногда эксперименты на реальных системах в принципе не - возможны 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 вероятност - ной 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.): агентное моделирование ; дискретно - событийное моделирование ; системная динамика Рис . 1. 3 вида имитационного моделирования Агентное моделирование Агентное моделирование - метод имитационного моделирования , позволяющий исследовать нетриви - альное поведение сложных систем и принимать на основе построенной модели взвешенные и обоснован - ные управленческие решения Цель агентного моделирования - исследование децентрализованных сис - тем , динамика функционирования которых определяется не глобальными правилами и законами , а наобо - рот , эти глобальные правила и законы являются результатом индивидуальной активности членов управ - ленческих популяций В то время , как традиционные подходы компьютерной имитации ( системная дина - мика , дискретно - событийное моделирование ) не предназначены для решения подобных задач , мультиа - гентные модели достаточно успешно с ними справляются Прежде всего , учитывается поведение отдель - но взятых " особей " системы , в результате чего становится возможным выявлять достаточно тонкие особенности коллективного поведения элементов системы , учитывать взаимодействия их друг с другом и с окружающей средой [6, 7]. Агентная модель представляет реальный мир в виде многих отдельно специфицируемых активных под - систем , называемых агентами Каждый из агентов взаимодействует с другими агентами , которые обра - зуют 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 со - всем адекватны модели и описания установившихся равновесных режимов Гораздо интереснее и адек - ватнее анализ моделей , позволяющих выполнить анализ формирования правил и тенденций глобального поведения как интегральных характеристик поведений многих составляющих активных игроков Обычные , традиционные объекты можно считать пассивными , поскольку они ожидают сообщения преж - де , чем выполнить операцию После того , как объекты инициированы [8] , они выполняют свои функции и « засыпают » до получения следующего задания Активные объекты , которые реагируют на события сво - ей 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 характе - ристики всей совокупности агентов Одну и ту же систему в зависимости от поставленной цели моде - лирования можно в рамках различных парадигм [10]. Дискретно - событийное моделирование Суть дискретно - событийного подхода - моделирование системы с помощью описания изменений со - стояния системы , происходящих в дискретные моменты времени Момент времени , в который может изме - ниться : состояние системы , называется моментом наступления события , а соответствующая ему логиче - ская процедура обработки " изменений состояния системы называется событием В дискретно - событийном моделировании функционирование системы представляется как хронологиче - ская 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 ком - поненты : Часы - основной компонент системы , синхронизирующий изменения системы , т е возникновение со - бытий Список событий Система моделирования поддерживает по крайней мере один список событий модели - рования Однопоточные системы моделирования , основанные на мгновенных событиях , имеют только одно текущее событие В то время как многопоточные системы моделирования и системы моделирования , под - держивающие 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 стохас - тические , 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 Термин “ дискретно - событийное моделирование ” исторически закрепился за моделированием систем обслуживания потоков объектов некоторой природы : клиентов банка , автомобилей на заправочной стан - ции , телефонных вызовов , пациентов в поликлиниках и т п Именно такие системы называются система - ми массового обслуживания Вышеперечисленные простые системы не исчерпывают всего многообразия систем массового обслужи - вания 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 выпол - нения специфических условий , например , наличие ресурсов конкретного типа В основе данного вида моделирования лежит концепция заявок ( транзактов , entities), ресурсов и потоковых диаграмм (flowcharts), определяющих потоки заявок и использование ресурсов Этот подход восходит к Джеффри Гордону , который в 1960 х придумал и развил GPSS и реализовал её , работая в IBM. Заявки ( транзакты в GPSS) – это пассивные объекты , представляющие людей , детали , документы , задачи , сообщения и т п Они путешествуют через flowchart, стоя в очередях , обрабатываясь , захва - тывая и освобождая ресурсы , разделяясь , соединяясь и т д Существует около сотни коммерческих инструментов , так или иначе поддерживающих подобный стиль моделирования ; некоторые общего назна - чения , большинство нацелено на определённые ниши : обслуживание , бизнес - процессы , производство , логистика и т д Их пользовательские интерфейсы могут существенно различаться из - за специализа - ции , но за ними непременно стоит более или менее одинаковый дискретно - событийный “ движок ” (engine), который “ гоняет ” заявки через блоки 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 Системная динамика — направление в изучении сложных систем , исследующее их поведение во време - ни 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 решаю - щее 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 систе - мы , 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 : временные зависимости , усиление , искажение информации Системно - динамические модели состоят из петель обратной связи , которые формируют поведение системы Данный вид моделирования полезен при выявлении важных переменных и установлении взаимо - связей между ними « Структура ( системы ) диктует поведение », - утверждают специалисты по системной динамики : на - пример , экспоненциальный рост , осцилляцию , превышение с последующим коллапсом и т п Под структу - рой понимается комбинация взимосвязанных потоков [15] и накопителей Системная динамика фокусиру - ется на моделировании макроуровня - системы в целом Однако это не означает , что системная дина - мика может применяться исключительно к моделированию макроэкономики или глобальных социально - экономических процессов Под понятием « макро » в данном случае имеется ввиду агрегирование модели - руемых 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 аккумулиро - вания , которая находит отражение в потоках и накопителях , ответственных за возникновение эффектов запаздывания ЛИТЕРАТУРА 1. Щепетова С Е Динамическое моделирование функционирования предприятия и формирование стра - тегии 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 Юр - ков . - Пенза , Пензен политехн ин - т , 1989 г . - 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. 7. http://mas.exponenta.ru/files/npo/texts/karpov.pdf 8. Борщев А В Практическое агентное моделирование и его место в арсенале аналитика // Exponenta Pro, N 3-4, 2004. ( См также http://www.gpss.ru/index-h.html ) 9. http://www.empatika.com/blog/agent-modelling. 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 электро - магнитных 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 сим - позиума 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 Горя - чев , Н К Юрков // Труды международного симпозиума Надежность и качество . 2013. Т . 1. С . 115-122. |