Имитационные модели

Имитационная модель воспроизводит поведе ние сложной системы взаимодействующих элемен тов. Для имитационного моделирования характерно наличие следующих обстоятельств (одновременно всех или некоторых из них):

• объект моделирования - сложная неоднородная система;
• в моделируемой системе присутствуют факторы случайного поведения;
• требуется получить описание процесса, развивающегося во времени;
• принципиально невозможно получить результаты моделирования без использования компьютера.

Состояние каждого элемента моделируемой системы описывается набором параметров, которые хранятся в памяти компьютера в виде таблиц. Взаимодействия элементов системы описываются алгоритмически. Моделирование осуществляется в пошаговом режиме. На каждом шаге моделирования изменяются значения параметров системы. Программа, реализующая имитационную модель, отражает изменение состояния системы, выдавая значения ее искомых параметров в виде таблиц по шагам времени или в последовательности происходящих в системе событий. Для визуализации результатов моделирования часто используется графическое представление, в т.ч. анимированное.

Детерминированное моделирование

Имитационная модель основана на подражании реальному процессу (имитации). Например, моделируя изменение (динамику) численности микроорганизмов в колонии, можно рассматривать много отдельных объектов и следить за судьбой каждого из них, ставя определенные условия для его выживания, размножения и т.д. Эти условия обычно задаются в вербальной форме. Например: по истечении некоторого промежутка времени микроорганизм делится на две части, а по прошествии другого (большего) временного отрезка - погибает. Выполнение описанных условий алгоритмически реализуется в модели.

Другой пример: моделирование движения молекул в газе, когда каждая молекула представляется в виде шарика с определенным направлением и скоростью движения. Взаимодействие двух молекул или молекулы со стенкой сосуда происходит согласно законам абсолютно-упругого столкновения и легко описывается алгоритмически. Получение интегральных (общих, усредненных) характеристик системы производится на уровне статистической обработки результатов моделирования.

Такой компьютерный эксперимент фактически претендует на воспроизведение натурного эксперимента. На вопрос: "Зачем это нужно делать?" можно дать следующий ответ: имитационное моделирование позволяет выделить "в чистом виде" следствия гипотез, заложенных в представления о микрособытиях (т.е. на уровне элементов системы), избавив их от неизбежного в натурном эксперименте влияния других факторов, о которых мы можем даже не подозревать. Если такое моделирование включает и элементы математического описания процессов на микроуровне, и если исследователь при этом не ставит задачу поиска стратегии регулирования результатов (например, управления численностью колонии микроорганизмов), то отличие имитационной модели от математической (дескриптивной) оказывается достаточно условным.

Приведенные выше примеры имитационных моделей (эволюция колонии микроорганизмов, движение молекул в газе) приводят к детерминиро ванному описанию систем. В них отсутствуют элементы вероятности, случайности событий в моделируемых системах. Рассмотрим пример моделирования системы, обладающей этими качествами.

Модели случайных процессов

Кому не случалось стоять в очереди и с нетерпением прикидывать, успеет ли он сделать покупку (или заплатить за квартиру, покататься на карусели и т.д.) за некоторое имеющееся в его распоряжении время? Или, пытаясь позвонить по телефону в справочную и натыкаясь несколько раз на короткие гудки, нервничать и оценивать - дозвонюсь или нет? Из таких "простых" проблем в начале XX века родилась новая отрасль математики - теория массового обслуживания, использующая аппарат теории вероятностей и математической статистики, дифференциальных уравнений и численных методов. Впоследствии выяснилось, что эта теория имеет многочисленные выходы в экономику, военное дело, организацию производства, биологию и экологию и т.д.

Компьютерное моделирование при решении задач массового обслуживания, реализуемое в виде метода статистических испытаний (метода Монте-Карло), играет важную роль. Возможности аналитических методов решения реально возникающих задач массового обслуживания весьма ограничены, в то время как метод статистических испытаний универсален и относительно прост.

Рассмотрим простейшую задачу этого класса. Имеется магазин с одним продавцом, в который случайным образом входят покупатели. Если продавец свободен, то он начинает обслуживать покупателя сразу, если зашло одновременно несколько покупателей - выстраивается очередь. Есть немало других аналогичных ситуаций:

• ремонтная зона я автохозяйстве и автобусы, сошедшие с линии из-за поломки;
• травмпункт и больные, пришедшие на прием по случаю травмы (т.е. без системы предварительной записи);
• телефонная станция с одним входом (или одной телефонисткой) и абоненты, которых при занятом входе ставят в очередь (такая система иногда
  практикуется);
• сервер локальной сети и персональные машины на рабочем месте, которые шлют сообщение серверу, способному воспринять разом и обработать не более одного сообщения.

Процесс прихода покупателей в магазин - случайный процесс. Промежутки времени между приходами любой последовательной пары покупателей - независимые случайные события, распределенные по некоторому закону, который может быть установлен лишь путем многочисленных наблюдений (либо для моделирования взят некоторый его правдоподобный вариант). Второй случайный процесс в этой задаче, никак не связанный с первым, - длительность обслуживания каждого из покупателей.

Целью моделирования систем такого вида является получение ответа на ряд вопросов. Относительно простой вопрос - какое в среднем время придется стоять и очереди при заданных законах распределения указанных выше случайных величин? Более сложный вопрос; каково распределение времен ожидания обслуживания в очереди? Не менее сложный вопрос: при каких соотношениях параметров входных распределений наступит кризис, при котором очередь до вновь вошедшего покупателя не дойдет никогда? Если задуматься над этой относительно простой задачей, возможные вопросы будут множиться.

Способ моделирования выглядит в общих чертах так. Используемые математические формулы - законы распределения исходных случайных величин; используемые числовые константы - эмпирические параметры, входящие в эти формулы. Не решается никаких уравнений, которые использовались бы при аналитическом исследовании данной задачи. Вместо этого происходит имитация очереди, разыгрываемая с помощью компьютерных программ, генерирующих случайные числа с заданными законами распределения. Затем производится статистическая обработка совокупности полученных значений величин, определяемых заданными целями моделирования. Например, находится оптимальное количество продавцов для разных периодов времени работы магазина, которое обеспечит отсутствие очередей. Математический аппарат, который здесь используется, называется методами математической статистики .

В статье "Моделирование экологических систем и процессов" описан другой пример имитацион ного моделирования: одна из многих моделей системы "хищник-жертва". Особи видов, находящихся в указанных отношениях, по определенным правилам, содержащим элементы случайности, перемещаются, хищники съедают жертв, и те и другие размножаются и т.д. Такая модель не содержит никаких математических формул, но требует стати стической обработки результатов.

Пример алгоритма детерминированной имитационной модели

Рассмотрим имитационную модель эволюции популяции живых организмов, известную под названием "Жизнь", которую легко реализовать на любом языке программирования.

Для построения алгоритма игры рассмотрим квадратное поле из п -\- 1 столбцов и строк с обычной нумерацией от 0 до п. Крайние граничные столбцы и строки для удобства определим как "мертвую зону", они играют лишь вспомогательную роль.

Для любой внутренней клетки поля с координатами (i,j) можно определить 8 соседей. Если клетка "живая", ее закрашиваем, если клетка "мертвая", она пустая.

Зададим правила игры. Если клетка (i,j) "живая" и ее окружает более трех "живых" клеток, она погибает (от перенаселения). "Живая" клетка также погибает, если в ее окружении находится менее двух "живых" клеток (от одиночества). "Мертвая" клетка оживает, если вокруг нее появляются три "живые" клетки.

Для удобства введем двумерный массив А , элементы которого принимают значение 0, если соответствующая клетка пустая, и 1, если клетка "живая". Тогда алгоритм определения состояния клетки с координатой (i , j ) можно определить следующим образом:

S:=A+A+A+A+A+A+A+A;
If (A = 1) And (S > 3) Or (S < 2)) Then B: =0;
If (A = 0) And (S = 3)
Then B: = 1;

Здесь массив Вопределяет координаты поля на "следующем этапе. Для всех внутренних клеток от i = 1 до n - 1 и j = 1 до n - 1 справедливо сказанное выше. Отметим, что последующие поколения определяются аналогично, стоит лишь осуществить процедуру переприсваивания:

For I: = 1 То N - 1 Do
For J: = 1 То N - 1 Do
A : = В ;

На экране дисплея удобнее выводить состояние поля не в матричном, а в графическом виде.
Осталось лишь определить процедуру задания начальнойконфигурации игрового поля. При случайном определении начального состояния клеток подходит алгоритм

For I: = 1 To K Do
Begin K1: = Random (N-1);
K2:= Random (N-1)+1;
End;

Интереснее для пользователя самому задавать начальную конфигурацию, что легко осуществить. В результате экспериментов с этой моделью можно найти,например, устойчивые расселения живых организмов, которые никогда не погибают, оставаясь неизменными или изменяя свою конфигурацию с определенным периодом. Абсолютно неустойчивым (гибнущим во втором поколении) является расселение "крестом".

В базовом курсе информатики ученики могут реализовать имитационную модель "Жизнь" в рамках раздела "Введение в программирование". Более основательное освоение имитационного моделирования может происходить в старших классах в профильном или элективном курсе информатики. Далее будет говориться о таком варианте.

Начало изучения - лекция об имитационном моделировании случайных процессов. В российской школе понятия теории вероятностей и математической статистики лишь начинают внедряться в курс математики, и учителю следует быть готовым к тому, чтобы самому сделать введение в этот важнейший для формирования мировоззрения и математической культуры материал. Подчеркнем, что речь идет об элементарном введении в круг обсуждаемых понятий; это можно сделать за 1-2 часа.

Потом обсуждаем технические вопросы, связанные с генерацией на ЭВМ последовательностей случайных чисел с заданным законом распределения. Опираться при этом можно на то, что в каждом универсальном языке программирования есть датчик равномерно распределенных на отрезке от 0 до 1 случайных чисел. На данном этапе нецелесообразно вдаваться в сложный вопрос о принципах его реализации. Опираясь на имеющиеся датчики случайных чисел, показываем, как можно устроить

а) генератор равномерно распределенных случайных чисел на любом отрезке [а, b];

б) генератор случайных чисел под практически любой закон распределения (например, используя интуитивно ясный метод "отбора-отказа").

Начать рассмотрение описанной выше задачи массового обслуживания целесообразно с обсуждения истории решения проблем массового обслуживания (задача Эрланга об обслуживании запросов на телефонной станции). Затем следует рассмотрение простейшей задачи, которую можно сформулировать на примере формирования и обследования очереди в магазине с одним продавцом. Отметим, что на первом этапе моделирования распределения случайных величин на входе можно принять равновероятными, что хоть и не реалистично, но снимает ряд трудностей (для генерации случайных чисел можно просто использовать встроенный в язык программирования датчик).

Обращаем внимание учащихся на то, какие вопросы ставятся в первую очередь при моделировании систем такого вида. Во-первых, это вычисление средних значений (математических ожиданий) некоторых случайных величин. Например, какое среднее время приходится стоять в очереди к прилавку? Или: найти среднее время, проведенное продавцом в ожидании покупателя.

Задача учителя, в частности, состоит в том, чтобы разъяснить, что выборочные средние сами по себе - случайные величины; в другой выборке того же объема они будут иметь другие значения (при больших объемах выборки - не слишком отличающиеся друг от друга). Далее.возможны варианты: в более подготовленной аудитории можно показать способ оценивания доверительных интервалов, в которых находятся математические ожидания соответствующих случайных величин при заданных доверительных вероятностях (известными из математической статистики методами без попытки обоснования). В менее подготовленной аудитории можно ограничиться чисто эмпирическим утверждением: если в нескольких выборках равного объема средние значения совпали в некотором десятичном знаке, то этот знак скорее всего верен. Если при моделировании не удается достичь желаемой точности, следует увеличить объем выборки.

В еще более подготовленной в математическом отношении аудитории можно ставить вопрос: каково распределение случайных величин, являющихся результатами статистического моделирования, при заданных распределениях случайных величин, являющихся его входными параметрами? Поскольку изложение соответствующей математической теории в данном случае невозможно, следует ограничиться эмпирическими приемами: построение гистограмм итоговых распределений и сравнение их с несколькими типичными функциями распределения.

После отработки первичных навыков указанного моделирования переходим к более реалистической модели, в которой входные потоки случайных событий распределены, например, по Пуассону. Это потребует от учащихся дополнительно освоить метод генерирования последовательностей случайных чисел с указанным законом распределения.

В рассмотренной задаче, как и в любой более сложной задаче об очередях, может возникнуть критическая ситуация, когда очередь неограниченно растет со временем. Моделирование приближения к критической ситуации по мере возрастания одного из параметров - интересная исследовательская задача для наиболее подготовленных учащихся.

На примере задачи об очереди отрабатываются сразу несколько новых понятий и навыков:

• понятия о случайных процессах;
• понятия и простейшие навыки имитационного моделирования;
• построение оптимизационных имитационных моделей;
• построение многокритериальных моделей (путем решения задач о наиболее рациональном обслуживании покупателей в сочетании с интересами
  владельца магазина).

Задание :

• Составить схему ключевых понятий;
• Подобрать практические задания с решениями для базового и профильного курсов информатики.

Введение

Имитационное моделирование (simulation) является одним из мощнейших методов анализа экономических систем.

В общем случае, под имитацией понимают процесс проведения на ЭВМ экспериментов с математическими моделями сложных систем реального мира.

Цели проведения подобных экспериментов могут быть самыми различными - от выявления свойств и закономерностей исследуемой системы, до решения конкретных практических задач. С развитием средств вычислительной техники и программного обеспечения, спектр применения имитации в сфере экономики существенно расширился. В настоящее время ее используют как для решения задач внутрифирменного управления, так и для моделирования управления на макроэкономическом уровне. Рассмотрим основные преимущества применения имитационного моделирования в процессе решения задач финансового анализа.

Как следует из определения, имитация - это компьютерный эксперимент. Единственное отличие подобного эксперимента от реального состоит в том, что он проводится с моделью системы, а не с самой системой. Однако проведение реальных экспериментов с экономическими системами, по крайней мере, неразумно, требует значительных затрат и вряд ли осуществимо на практике. Таким образом, имитация является единственным способом исследования систем без осуществления реальных экспериментов.

Часто практически невыполним или требует значительных затрат сбор необходимой информации для принятия решений. Например, при оценке риска инвестиционных проектов, как правило, используют прогнозные данные об объемах продаж, затратах, ценах и т.д.

Однако чтобы адекватно оценить риск необходимо иметь достаточное количество информации для формулировки правдоподобных гипотез о вероятностных распределениях ключевых параметров проекта. В подобных случаях отсутствующие фактические данные заменяются величинами, полученными в процессе имитационного эксперимента (т.е. сгенерированными компьютером).

При решении многих задач финансового анализа используются модели, содержащие случайные величины, поведение которых не поддается управлению со стороны лиц, принимающих решения. Такие модели называют стохастическими. Применение имитации позволяет сделать выводы о возможных результатах, основанные на вероятностных распределениях случайных факторов (величин). Стохастическую имитацию часто называют методом Монте-Карло. Существуют и другие преимущества имитации.

Мы же рассмотрим технологию применения имитационного моделирования для анализа рисков инвестиционных проектов в среде MS Excel.

Имитационное моделирование

Имитационное моделирование (ситуационное моделирование) -- метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно "проиграть" во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

Имитационное моделирование -- это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация -- это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Имитационное моделирование -- это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов.

Имитационная модель -- логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

К имитационному моделированию прибегают, когда:

· дорого или невозможно экспериментировать на реальном объекте;

· невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;

· необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами -- разработке симулятора (англ. simulation modeling) исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием. Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний.

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950-х--1960-х годах.

Можно выделить две разновидности имитации:

· Метод Монте-Карло (метод статистических испытаний);

· Метод имитационного моделирования (статистическое моделирование).

Виды имитационного моделирования:

· Агентное моделирование -- относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей -- получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент -- некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

· Дискретно-событийное моделирование -- подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: "ожидание", "обработка заказа", "движение с грузом", "разгрузка" и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений -- от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.

· Системная динамика -- парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Этот процесс состоит из двух больших этапов: разработки модели и анализа разработанной модели. Моделирование позволяет исследовать суть сложных процессов и явлений с помощью экспериментов не с реальной системой а с ее моделью. В области создания новых систем моделирование является средством исследования важных характеристик будущей системы на самых ранних стадиях ее разработки.

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск

PAGE 8

Имитационное моделирование

Моделирование

Моделирование является общепризнанным средством познания действительности. Этот процесс состоит из двух больших этапов: разработки модели и анализа разработанной модели. Моделирование позволяет исследовать суть сложных процессов и явлений с помощью экспериментов не с реальной системой, а с ее моделью. Известно, что для принятия разумного решения по организации работы системы не обязательно знание всех характеристик системы, всегда достаточен анализ ее упрошенного, приближенного представления.

В области создания новых систем моделирование является средством исследования важных характеристик будущей системы на самых ранних стадиях ее разработки. С помощью моделирования возможно исследовать узкие места будущей системы, оценить производительность, стоимость, пропускную способность — все главные ее характеристики еще до того, как система будет создана. С помощью моделей разрабатываются оптимальные операционные планы и расписания функционирования существующих сложных систем. В организационных системах имитационное моделирование становится основным инструментом сравнения различных вариантов управляющих решений и поиска наиболее эффективного из них как для решений внутри цеха, организации, фирмы, так и на макроэкономическом уровне.

Модели сложных систем строятся в виде программ, выполняемых на компьютере. Компьютерное моделирование существует почти 50 лет, оно возникло с появлением первых компьютеров. С тех пор сложились две перекрывающиеся области компьютерного моделирования, которые можно охарактеризовать как математическое моделирование и имитационное моделирование.

Математическое моделирование связано, в основном, с разработкой математических моделей физических явлений, с созданием и обоснованием численных методов. Существует академическая трактовка моделирования как области вычислительной математики, которая является традиционной для активности прикладных математиков. В России сложилась сильная школа в этой области: НИИ Математического Моделирования РАН — головная организация, Научный Совет РАН по проблеме "Математическое моделирование", издается журнал "Математическое моделирование" (www.imamod.ru ).

Имитационное моделирование — это разработка и выполнение на компьютере программной системы, отражающей поведение и структуру моделируемого объекта. Компьютерный эксперимент с моделью состоит в выполнении на компьютере данной программы с разными значениями параметров (исходных данных) и анализе результатов этих выполнений.

Проблемы разработки имитационных моделей

Имитационное моделирование — очень обширная область. Можно по-разному подходить к классификации решаемых в ней задач. В соответствии с одной из классификаций эта область насчитывает в настоящее время четыре основных направления:

1. моделирование динамических систем,
2. дискретно-событийное моделирование,
3. системная динамика
4. агентное моделирование.

В каждом из этих направлений развиваются свои инструментальные средства, упрощающие разработку моделей и их анализ. Данные направления (кроме агентного моделирования) базируются на концепциях и парадигмах, которые появились и были зафиксированы в инструментальных пакетах моделирования несколько десятилетий назад и с тех пор не менялись.

Направлено на исследование сложных объектов, поведение которых описывается системами алгебро-дифференциальных уравнений. Инженерным подходом к моделированию таких объектов 40 лет назад была сборка блок-схем из решающих блоков аналоговых компьютеров: интеграторов, усилителей и сумматоров, токи и напряжения в которых представляли переменные и параметры моделируемой системы. Этот подход и сейчас является основным в моделировании динамических систем, только решающие блоки являются не аппаратными, а программными. Он реализован, например, в инструментальной среде Simulink .

Дискретно-событийное моделирование

В нем рассматриваются системы с дискретными событиями. Для создания имитационной модели такой системы моделируемая система приводится к потоку заявок, которые обрабатываются активными приборами. Например, для моделирования процесса обслуживания физических лиц в банке физические лица представляются в виде потока заявок, а работники банка, обслуживающие их представляются активными приборами. Идеология дискретно-событийного моделирования была сформулирована более 40 лет назад и реализована в среде моделирования GPSS , которая с некоторыми модификациями до сих пор используется для обучения имитационному моделированию.

Системная динамика .

Системная динамика – это направление в изучении сложных систем , исследующее их поведение во времени и в зависимости от структуры элементов системы и взаимодействия между ними. В том числе: причинно-следственных связей, петель обратных связей , задержек реакции, влияния среды и других. Основоположником системной динамики является американский ученый Джей Форрестер. Дж. Форрестер применил принципы обратной связи, существующей в системах автоматического регулирования, для демонстрации того, что динамика функционирования сложных систем, в первую очередь производственных и социальных, существенно зависит от структуры связей и временных задержек в принятии решений и действиях, которые имеются в системе. В 1958 году он предложил использовать для компьютерного моделирования сложных систем потоковые диаграммы, отражающих причинно-следственные связи в сложной системе,

В настоящее время системная динамика превратилась в зрелую науку. Общество системной динамики (The- System Dynamics Society, www.systemdynamics.org ) является официальным форумом системных аналитиков во всем мире. Ежеквартально выходит журнал System Dynamics Review, ежегодно созываются несколько международных конференций по этим проблемам. Системная динамика как методология и инструмент исследования сложных экономических и социальных процессов изучается во многих бизнес-школах по всему миру..

Агентное моделирование

Агентное моделирование (agent-based model (ABM)) — метод имитационного моделирования , исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»).

Агентное моделирование включает в себя элементы теории игр, сложных систем, мультиагентных систем и эволюционного программирования, методы Монте-Карло, использует случайные числа.

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). 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. 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.

При создании агентной модели логика поведения агентов и их взаимодействие не всегда могут быть выражены чисто графическими средствами, здесь часто приходится использовать программный код. Для агентного моделирования используются пакеты Swarm и RePast. Примером агентной модели является модель развития города.

В современном мире информационных технологий десятилетие сравнимо с веком прогресса в традиционных технологиях, Но в имитационном моделировании почти без изменения применяются идеи и решения 60-х годов прошлого века. На базе этих идей еще в прошлом веке были разработаны программные средства, которые с незначительными изменениями применяются до сих пор. Разработка имитационных модели с использованием этих программ является весьма сложной и трудоемкой задачей, доступной только высококвалифицированным специалистам и требующей больших временных затрат. Один из разработчиков имитационных моделей Роберт. Шеннон писал: «разработка даже простых моделей требует 5—6 человеко-месяцев и стоит порядка 30 ООО долларов, а сложных — на два порядка больше». Иными словами, трудоемкость построения сложной имитационной модели традиционными методами оценивается в сотню человеко-лет.

Имитационное моделирование традиционными методами реально используется узким кругом профессионалов, которые должны иметь не только глубокие знания в той прикладной области, для которой строится модель, но также глубокие знания в программировании, теории вероятностей и статистике.

Кроме того, проблемы анализа современных реальных систем часто требуют разработки моделей, не укладывающихся в рамки одной единственной парадигмы моделирования. Например, при моделировании системы с преобладающим дискретным типом событий может потребоваться введение переменных, описывающих непрерывные характеристики среды. В парадигму блочной модели потоков данных совершенно не вписываются дискретно-событийные системы, В системно-динамической модели часто возникает необходимость учета дискретных событий или моделирования индивидуальных свойств объектов из разнородных групп. Поэтому использование указанных выше программных средств не отвечает современным требованиям,.

AnyLogic — инструмент имитационного моделирования нового поколения

AnyLogic - программное обеспечение для имитационного моделирования нового поколения, разработано российской компанией The AnyLogic Company (бывшая «Экс Джей Текнолоджис»,- англ. XJ Technologies). Этот инструмент существенно упрощает разработку моделей и их анализ.

Пакет AnyLogic создан с использованием последних достижений информационных технологий: объектно-ориентированный подход, элементы стандарта UML , языка программирования Java , и т.д. Первая версия пакета (Anylogic 4.0) была выпущена в 2000г. К настоящему времени выпущена версия Anylogic 6.9.

Пакет поддерживает все известные методы имитационного моделирования:

• Моделирование динамических систем
• системная динамика ;
• дискретно-событийное моделирование ;
• агентное моделирование .

Рост производительности компьютеров и достижения в информационных технологиях, использованные в AnyLogic, сделали возможным реализацию агентных моделей, содержащих десятки и даже сотни тысяч активных агентов

С помощью AnyLogic стало возможным разрабатывать модели в следующих областях:

• производство;
• логистика и цепочки поставок;
• рынок и конкуренция;
• бизнес-процессы и сфера обслуживания;
• здравоохранение и фармацевтика;
• управление активами и проектами;
• телекоммуникации и информационные системы;
• социальные и экологические системы;
• пешеходная динамика;
• оборона.

Модели. Наука и искусство моделирования

Моделирование состоит из трех этапов:

1. анализ реального явления и построение его упрошенной модели,
2. анализ построенной модели формальными средствами (например, с помощью компьютера),
3. интерпретация результатов, полученных на модели, в терминах реального явления.

Первый и третий этапы не могут быть формализованы, их выполнение требует интуиции, творческого воображения и понимания сути изучаемого явления, т. е. качеств, присущих работникам искусства.

1.1. Модели процессов и систем

Современная концепция научного исследования состоит в том, что реальные объекты заменяются их упрощенными представлениями, абстракциями, выбираемыми таким образом, чтобы в них была отражена суть явления, те свойства исходных объектов, которые существенны для решения поставленной проблемы. Построенный в результате упрощения объект называется моделью.

Модель — это упрошенный аналог реального объекта или явления, представляющий законы поведения входящих в объект частей и их связи. Построение модели и ее анализ называется моделированием. В научной работе моделирование является одним из главных элементов научного познания.

В практической деятельности цель построения модели — решение некоторой проблемы реального мира, которую дорого либо невозможно решать, экспериментируя с реальным объектом.

Обычно исходная проблема состоит в анализе существующего или предполагаемого объекта для принятия решения по его управлению. Например, таким объектом может быть географически распределенная система поставщиков сырья, заводов, складов готовой продукции и их транспортные связи. Другой пример — порт для разгрузки танкеров с несколькими терминалами, емкостями для загрузки нефти, пулом нефтеналивных цистерн для вывоза нефти.

При построении модели как заменителя реальной системы выделяются те аспекты, которые существенны для решения проблемы, и игнорируются те аспекты, которые усложняют проблему, делают анализ очень сложным или вообще невозможным. Проблема анализа всегда ставится в мире реальных объектов. В примере с портом это может быть проблема оптимального использования существующих ресурсов (организация движения танкеров в акватории порта и использования железнодорожных нефтеналивных цистерн) для организации перекачки нефти из танкеров и ее отправки потребителям.

Принимать решения по управлению ресурсами, перестраивая реальную систему, экономически нецелесообразно. Другой путь решения — сформулировать эту проблему для модели, которую составят схема порта, объемы нефтеналивных емкостей, скорости разгрузки, средняя интенсивность прибытия танкеров, среднее время оборачиваемости цистерн и т. п..

Реальные объекты и ситуации обычно сложны, и модели нужны для того, чтобы ограничить эту сложность, дать возможность понять ситуацию, понять тенденции изменения ситуации (спрогнозировать будущее поведение анализируемой системы), принять решение по изменению будущего поведения системы и проверить его. Если модель отражает свойства системы, существенные для решения конкретной проблемы, то анализ модели позволяет вывести характеристики, которые объяснят известные и предскажут новые свойства исследуемой реальной системы без экспериментов с самой системой. С помощью моделирования получено множество впечатляющих результатов в науке, технике и на производстве.

1.2. Моделирование для поддержки принятия управленческих решений

Принятие разумных решений по рациональной организации и управлению современными системами становится невозможным на основе обычного здравого смысла или интуиции из-за возрастающей сложности систем. Еще в 1969 г. известный ученый, родоначальник системной динамики Джей Форрестер отмечал, что на основе интуиции для управления сложными системами чаще выбираются неверные решения, чем верные, и это происходит потому, что в сложной системе причинно-следственные отношения ее параметров не являются простыми и ясными. В литературе имеется большое число примеров, показывающих, что люди неспособны предвидеть результат их воздействий в сложных системах. Примером может служить каскадное развитие аварий в энергосистемах Северо-Запада США 16 августа 2003 г. и в Московском регионе 25 мая 2005 г., приведших к миллиардным потерям и затронувшим миллионы людей.

Повышение производительности и надежности, уменьшение стоимости и рисков, оценка чувствительности системы к изменениям параметров, оптимизация структуры — все эти проблемы встают как при эксплуатации существующих, так и при проектировании новых технических и организационных систем. Трудность понимания причинно-следственных зависимостей в сложной системе приводит к неэффективной организации систем, ошибкам в их проектировании, большим затратам на устранение ошибок. Сегодня моделирование становится единственным практическим эффективным средством нахождения путей оптимального (либо приемлемого) решения проблем в сложных системах, средством поддержки принятия ответственных решений.

Моделирование особенно важно именно тогда, когда система состоит из многих параллельно функционирующих во времени и взаимодействующих подсистем. Такие системы наиболее часто встречаются в жизни. Каждый человек мыслит последовательно, даже очень умный человек в конкретный момент времени обычно может думать только об одном деле. Поэтому понимание одновременного развития во времени многих влияющих друг на друга процессов является для человека трудной задачей. Имитационная модель помогает понять сложные системы, предсказать их поведение и развитие процессов в различных ситуациях и, наконец, дает возможность изменять параметры и даже структуру модели, чтобы направить эти процессы в желаемое русло. Модели позволяют оценить эффект планируемых изменений, выполнить сравнительный анализ качества возможных вариантов решений. Такое моделирование может осуществляться в реальном времени, что позволяет использовать его результаты в различных технологиях (от оперативного управления до тренинга персонала).

1.3. Уровни абстракции и адекватность модели

Основной парадокс моделирования состоит в том, что изучается упрощенная модель системы, а полученные выводы применяются к исходной реальной системе со всеми ее сложностями. Является ли такая подмена правомерной?

При изучении естественных объектов исследователь абстрагируется от несущественных, случайных деталей, которые не просто усложняют, но могут и затемнить само явление. Например, при анализе нефтеналивного порта удобно говорить о танкерах как о емкостях, из которых производится перекачка определенного объема нефти с некоторой скоростью, а не как о кораблях с каютами, определенной численностью экипажа и т. п. Поскольку все абстракции неполны и неточны, можно говорить только о приближенном соответствии реальности тех результатов, которые получены исследованием моделей. Соответствие модели моделируемому объекту или явлению при решении конкретной проблемы называется адекватностью . Адекватность определяет возможность использования приближенных результатов, полученных на модели, для решения практической проблемы реального мира. Часто адекватность модели определяется рядом условий и ограничений на сущности реального мира, и для того чтобы использовать результаты анализа, полученные на модели, необходимо тщательно проверять (или даже обеспечивать) эти ограничения и условия при функционировании реальной системы (например, чтобы сделать процессы в обществе управляемыми, создается вертикаль власти). Поскольку адекватность модели определяется только возможностью использования модели для решения конкретной проблемы, адекватная модель не обязательно должна досконально отображать процессы, происходящие в моделируемой системе (или, что то же самое, модель не обязательно должна отображать "физически правильную" картину мира).

На рис. 1.3 представлена шкала уровней абстракции и примеры проблем моделирования в конкретных областях, приблизительно расставленные на этой шкале. На нижнем уровне абстракции решаются проблемы, в которых важны отдельные физические объекты, их индивидуальное поведение и физические связи, точные размеры, расстояния, времена. Примерами моделей, относящихся к этому уровню абстракции, являются модели движения пешеходов, модели движения механических систем и их систем управления. На среднем уровне обычно решаются проблемы массового производства и обслуживания, здесь представляются отдельные объекты, но их физическими размерами пренебрегают; значения скоростей и времен усредняются или используются их стохастические значения. Примерами моделей на этом уровне абстракции являются модели массового обслуживания, модели движения транспорта, модели управления ресурсами. Высокий уровень абстракции используется при разработке моделей сложных систем, в которых исследователь абстрагируется от индивидуальных объектов и их поведений, рассматривая только совокупности объектов и их интегральные, агрегированные характеристики, тенденции изменения значений, влияние на динамику системы причинных обратных связей. Модели рынка и динамики народонаселения, экологические модели и классические модели распространения эпидемий построены на этом уровне абстракции.

Для каждой цели исследования даже одного и того же объекта реального мира должна быть построена своя модель, которая соответствует этой цели. Для решения конкретной задачи будет удобна модель, адекватно отражающая структуру объекта и законы, по которым он функционирует на выбранном уровне абстракции. Например, очевидно, что планеты не материальные точки, но при такой абстракции в рамках ньютоновской теории тяготения можно достаточно точно предсказать характеристики движения планет. Однако эта модель требует уточнения для расчета траекторий спутников и ракет. Для решения проблемы оптимального использования транспорта необходимы подробные карты, расстояния и времена. То, что Земля на карте представляется плоской, не существенно для решения транспортных проблем.

Хотя существуют устоявшиеся подходы к выбору уровня абстракции и разумные объяснения данного выбора для построения достаточно адекватных моделей при решении многих типов проблем, все же общей методики построения модели с требуемым уровнем адекватности не существует. В качестве рекомендации по выбору уровня абстракции можно сказать лишь следующее. Нужно начать с наиболее простой модели, отражающей только самые существенные (с точки зрения исследователя) аспекты моделируемой системы. После обнаружения неадекватности модели, т. е. неприменимости ее к решению поставленной проблемы, отдельные подструктуры и процессы модели следует реализовать более детально, на более низком уровне абстракции. Можно быть уверенным, что разработка последовательности усложняющихся все более подробных моделей может привести к обеспечению приемлемой адекватности при решении любой конкретной задачи.

о моделируемом объекте. Например, никакая модель не может представить все характеристики планеты Земля. С другой стороны, очевидно также, что любая конкретная задача не потребует для своего решения знания всех этих характеристик.

Конечно, можно построить модели, которые абстрагируются от существенных аспектов реальности. Такие модели будут неадекватными, а выводы, полученные на основе этих моделей, будут неверными.

Очевидно, что никакая модель никогда не дает полных знаний

1.4. Моделирование как наука и искусство

Моделирование как вид профессиональной деятельности связано с анализом реальных систем и процессов самой разной природы. Специалист по моделированию при разработке модели в конкретной области должен связать словарь этой области с терминологией моделирования, выделить подсистемы и их связи в реальной системе, определить параметры подсистем и их зависимости, выбрать подходящий уровень абстракции при построении модели каждой подсистемы. Он должен грамотно выбрать подходящий математический аппарат и корректно его использовать, уметь реализовать элементы модели, их связи и логические отношения подходящими средствами в среде моделирования, понимать ограничения при интерпретации результатов моделирования, владеть методами верификации и калибровки моделей. Все это делает моделирование серьезной научной деятельностью.

Но моделирование является также и искусством, причем в значительно большей мере, чем им является, например, программирование. Универсального общего способа построения адекватных моделей не существует. Хотя для многих физических явлений давно разработаны адекватные модели, достаточные для решения широкого класса задач анализа динамических систем (например, связь скорости, расстояния и времени при анализе свободного перемещения объектов в пространстве), однако для производственных, социальных, биологических систем, а также многих технических систем при конструировании модели нужно проявить изобретательность, знание математики, понимание процессов в системе, сути абстрагирования и т. п. По-строение модели — созидательная креативная деятельность сродни искусству, она требует интуиции, глубокого проникновения в природу явления и решаемой проблемы.

Виды моделей

Модели можно классифицировать по различным признакам: статические и динамические, непрерывные и дискретные, детерминированные и стохастические, аналитические и имитационные и т. д.

2.1. Статические и динамические модели

Статические модели оперируют характеристиками и объектами, не изменяющимися во времени. В динамических моделях, которые обычно более сложны, изменение параметров во времени является существенным. Модель нефтеналивного порта является динамической: в ней моделируется поведение во времени отдельных объектов системы: движение танкеров в акватории порта, движение цистерн на причале, уровень нефти в накопителях.

Статические модели обычно имеют дело с установившимися процессами, уравнениями балансового типа, с предельными стационарными характеристиками. Моделирование динамических систем состоит в имитации правил перехода системы из одного состояния в другое с течением времени. Под состоянием системы понимается набор значений существенных параметров и переменных системы. Изменение состояния системы во времени в динамических системах — это изменение значений переменных системы в соответствии с законами, определяющими связи переменных и их зависимости друг от друга во времени.

Пакет AnyLogic поддерживает разработку и анализ динамических моделей. Этот инструмент содержит средства для аналитического задания уравнений, описывающих изменение переменных во времени, дает возможность учета модельного времени и содержит средства его продвижения, здесь также имеется язык для выражения логики и описания прогресса систем под влиянием любого типа событий, в частности, исчерпания таймаута — заданного интервала времени.

2.2. Непрерывные, дискретные и гибридные модели

Реальные физические объекты функционируют в непрерывном времени, и для изучения многих проблем физических систем их модели должны быть непрерывными . Состояние таких моделей изменяется непрерывно во времени. Это модели движения в реальных координатах, модели химического производства и т. п. Процессы движения объектов и процессы перекачки нефти в модели нефтеналивного порта являются непрерывными.

На более высоком уровне абстракции для многих систем адекватными являются модели, в которых переходы системы из одного состояния в другое можно считать мгновенными, происходящими в дискретные моменты времени. Такие системы называются дискретными . Примером мгновенного перехода является изменение числа клиентов банка или количества покупателей в магазине. Очевидно, что дискретные системы — это абстракция, процессы в природе не происходят мгновенно. В реальный магазин реальный покупатель входит в течение некоторого времени, он может застрять в дверях, колеблясь, войти или нет, и всегда существует непрерывная последовательность его положения во время прохождения дверей магазина. Однако при построении модели магазина для оценки, например, средней длины очереди в кассу при заданном потоке покупателей и известных характеристиках обслуживания кассиром клиентов можно абстрагироваться от этих второстепенных явлений и считать систему дискретной: результаты анализа полученной дискретной модели обычно достаточно точны для принятия обоснованных управленческих решений для подобных систем. В модели нефтеналивного порта мгновенными можно считать, например, переходы светофоров на входе в гавань из состояния "запрещено" в состояние "разрешено". На еще более высоком уровне абстракции при анализе систем также используются непрерывные модели, что характерно для системной динамики. Потоки машин на автострадах, потребительский спрос, распространение инфекции среди населения часто удобно описывать с помощью взаимозависимостей непрерывных переменных, описывающих количества, интенсивности изменения этих количеств, степени влияния одних количеств на другие. Соотношения таких переменных выражаются обычно дифференциальными уравнениями.

Во многих случаях в реальных системах присутствуют оба типа процессов, и если оба они являются существенными для анализа системы, то и в модели одни процессы должны представляться как непрерывные, другие — как дискретные. Такие модели со смешанным типом процессов называются гибридными. Например, если при анализе функционирования магазина существенным является не только количество покупателей, но и пространственное их положение и перемещение покупателей, то модель в этом случае должна представлять смесь непрерывных и дискретных процессов, т. е. это гибридная модель. Другим примером может служить модель функционирования крупного банка. Поток инвестиций, получение и выдача кредитов в нормальном режиме описывается набором дифференциальных и алгебраических уравнений, т. е. модель является непрерывной. Однако существуют ситуации, например дефолт (дискретное событие), в результате чего возникает паника у населения, и с этого момента система описывается совершенно другой непрерывной моделью. Модель данного процесса на том уровне абстракции, на котором мы хотим адекватно описать оба режима работы банка и переход между режимами, должна включать как описание непрерывных процессов, так и дискретные события, а также их взаимозависимости.

Пакет AnyLogic поддерживает описание как непрерывных, так и дискретных процессов, а также строить гибридные модели.. AnyLogic позволяет реализовать модель, фактически, на любом уровне абстракции (детальности). Выполнение гибридных моделей в AnyLogic основано на современных результатах теории гибридных динамических систем.

2.3. Детерминированные и стохастические модели

При моделировании сложных реальных систем исследователь часто сталкивается с ситуациями, в которых случайные воздействия играют существенную роль. Стохастические модели, в отличие от детерминированных, учитывают вероятностный характер параметров моделируемого объекта. Например, в модели нефтеналивного порта не могут быть определены точно моменты прихода в порт танкеров. Данные моменты являются случайными величинами, потому модель эта является стохастической: значения переменных величин модели, которые зависят от реализаций случайных величин, сами становятся случайными величинами. Анализ подобных моделей выполняется на компьютере на основе статистики, набираемой в ходе имитационных экспериментов при многократном прогоне модели для различных значений исходных случайных величин, выбранных в соответствии с их статистическими характеристиками.

AnyLogic содержит средства для генерации случайных величин и статистической обработки результатов компьютерных экспериментов. AnyLogic включает генераторы случайных чисел для множества распределений. Разработчик модели может использовать также свой собственный генератор случайных величин, построенный в соответствии с данными наблюдений над реальной системой.

2.4. Аналитические и имитационные модели

Использование абстракций при решении проблем с помощью моделей часто состоит в применении того или иного математического аппарата. Простейшими математическими моделями являются алгебраические соотношения, и анализ модели часто сводится к аналитическому решению этих уравнений. Некоторые динамические системы можно описать в замкнутой форме, например, в виде систем линейных дифференциальных и алгебраических уравнений и получить решение аналитически. Такое моделирование называется аналитическим. При аналитическом моделировании процессы функционирования исследуемой системы записываются в виде алгебраических, интегральных, дифференциальных уравнений и логических соотношений, и в некоторых случаях анализ этих соотношений можно выполнить с помощью аналитических преобразований. Современным средством поддержки аналитического моделирования являются электронные таблицы типа MS Excel .

Однако использование чисто аналитических методов при моделировании реальных систем сталкивается с серьезными трудностями: классические математические модели, допускающие аналитическое решение, в большинстве случаев к реальным задачам неприменимы. Например, в модели нефтеналивного порта построить аналитическую формулу для оценки коэффициента использования оборудования невозможно хотя бы потому, что в системе существуют стохастические процессы, есть приоритеты обработки заявок на использование ресурсов, внутренний параллелизм в обрабатывающих подсистемах, прерывания работы и т. п. Даже если аналитическую модель удается построить, для реальных систем они часто являются существенно нелинейными, и чисто математические соотношения в них обычно дополняются логико-семантическими операциями, а для них аналитического решения не существует. Поэтому при анализе систем часто стоит выбор между моделью, которая является реалистическим аналогом реальной ситуации, но не разрешимой аналитически, и более простой, но неадекватной моделью, математический анализ которой возможен.

При имитационном моделировании структура моделируемой системы — ее подсистемы и связи — непосредственно представлена структурой модели, а процесс функционирования подсистем, выраженный в виде правил и уравнений, связывающих переменные, имитируется на компьютере. AnyLogic — это среда имитационного моделирования . Разнообразные средства спецификации и анализа результатов, имеющиеся в AnyLogic , позволяют строить модели, имитирующие работу моделируемой системы фактически с любой желаемой степенью адекватности, и выполнять анализ модели на компьютере без проведения аналитических преобразований.

Имитационное моделирование

3.1. Что такое имитационное моделирование

Имитационное моделирование — это разработка и выполнение на компьютере программной системы, отражающей структуру и функционирование (поведение) моделируемого объекта или явления во времени. Такую программную систему называют имитационной моделью этого объекта или явления. Объекты и сущности имитационной модели представляют объекты и сущности реального мира, а связи структурных единиц объекта моделирования отражаются в интерфейсных связях соответствующих объектов модели. Таким образом, имитационная модель — это упрощенное подобие реальной системы, либо существующей, либо той, которую предполагается создать в будущем. Имитационная модель обычно представляется компьютерной программой, выполнение программы можно считать имитацией поведения исходной системы во времени.

В русскоязычной литературе термин "моделирование" соответствует американскому " modeling " и имеет смысл создание модели и ее анализ, причем под термином "модель" понимается объект любой природы, упрощенно представляющий исследуемую систему. Слова "имитационное моделирование" и "вычислительный (компьютерный) эксперимент" с оответствуют англоязычному термину " simulation ". Эти термины подразумевают разработку модели именно как компьютерной программы и исполнение этой программы на компьютере.

Итак, имитационное моделирование — это деятельность по разработке программных моделей реальных или гипотетических систем, выполнение этих программ на компьютере и анализ результатов компьютерных экспериментов по исследованию поведения моделей. Имитационное моделирование имеет существенные преимущества перед аналитическим моделированием в тех случаях, когда:

• отношения между переменными в модели нелинейны, и поэтому аналитические модели трудно или невозможно построить;
• модель содержит стохастические компоненты;
• для понимания поведения системы требуется визуализация динамики происходящих в ней процессов;
• модель содержит много параллельно функционирующих взаимодействующих компонентов.

Во многих случаях имитационное моделирование — это единственный способ получить представление о поведении сложной системы и провести ее анализ.

Имитационное моделирование является мощным инструментом исследования поведения реальных систем. Методы имитационного моделирования позволяют собрать необходимую информацию о поведении системы путем создания ее компьютерной модели. Эта информация используется затем для проектирования системы.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами в предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны.

К имитационному моделированию прибегают, когда:

1. Дорого или невозможно экспериментировать на реальном объекте.

2. Невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные.

3. Необходимо сымитировать поведение системы во времени.

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950х — 1960х годах.

Можно выделить две разновидности имитации:

1. Метод Монте-Карло (метод статистических испытаний);

2. Метод имитационного моделирования (статистическое моделирование).

В настоящее время выделяют три направления имитационных моделей:

1. Агентное моделирование — относительно новое (1990е-2000е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот. Когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы.

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. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

2. Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов.

3. Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии.

Основные понятия построения модели

Имитационное моделирование основано на воспроизведении с помощью компьютеров развернутого во времени процесса функционирования системы с учетом взаимодействия с внешней средой.

Основой всякой имитационной модели (ИМ) является:

· разработка модели исследуемой системы на основе частных имитационных моделей (модулей) подсистем, объединенных своими взаимодействиями в единое целое;

· выбор информативных (интегративных) характеристик объекта, способов их получения и анализа;

· построение модели воздействия внешней среды на систему в виде совокупности имитационных моделей внешних воздействующих факторов;

· выбор способа исследования имитационной модели в соответствии с методами планирования имитационных экспериментов (ИЭ).

Условно имитационную модель можно представить в виде действующих, программно (или аппаратно) реализованных блоков.

На рисунке показана структура имитационной модели. Блок имитации внешних воздействий (БИВВ) формирует реализации случайных или детерминированных процессов, имитирующих воздействия внешней среды на объект. Блок обработки результатов (БОР) предназначен для получения информативных характеристик исследуемого объекта. Необходимая для этого информация поступает из блока математической модели объекта (БМО). Блок управления (БУИМ) реализует способ исследования имитационной модели, основное его назначение - автоматизация процесса проведения ИЭ.

Целью имитационного моделирования является конструирование ИМ объекта и проведение ИЭ над ней для изучения закономерностей функционирования и поведения с учетом заданных ограничений и целевых функций в условиях имитации и взаимодействия с внешней средой.

Принципы и методы построения имитационных моделей

Процесс функционирования сложной системы можно рассматривать как смену ее состояний, описываемых ее фазовыми переменными

Z1(t), Z2(t), Zn(t) в n - мерном пространстве.

Задачей имитационного моделирования является получение траектории движения рассматриваемой системы в n - мерном пространстве (Z1, Z2, Zn), а также вычисление некоторых показателей, зависящих от выходных сигналов системы и характеризующих ее свойства.

В данном случае “движение” системы понимается в общем смысле - как любое изменение, происходящее в ней.

Известны два принципа построения модели процесса функционирования систем:

1. Принцип Δt для детерминированных систем

Предположим, что начальное состояние системы соответствует значениям Z1(t0), Z2(t0), Zn(t0). Принцип Δt предполагает преобразование модели системы к такому виду, чтобы значения Z1, Z2, Zn в момент времени t1 = t0 + Δt можно было вычислить через начальные значения, а в момент t2 = t1+ Δt через значения на предшествующем шаге и так для каждого i-ого шага (t = const, i = 1 M).

Для систем, где случайность является определяющим фактором, принцип Δt заключается в следующем:

1. Определяется условное распределение вероятности на первом шаге (t1 = t0+ Δt) для случайного вектора, обозначим его (Z1, Z2, Zn). Условие состоит в том, что начальное состояние системы соответствует точке траектории.

2. Вычисляются значения координат точки траектории движения системы (t1 = t0+ Δt), как значения координат случайного вектора, заданного распределением, найденным на предыдущем шаге.

3. Отыскиваются условное распределение вектора на втором шаге (t2 = t1 + Δ t), при условии получения соответствующих значений на первом шаге и т.д., пока ti = t0 + i Δ t не примет значения (tМ = t0 + М Δ t).

Принцип Δ t является универсальным, применим для широкого класса систем. Его недостатком является неэкономичность с точки зрения затрат машинного времени.

2. Принцип особых состояний (принцип δz).

При рассмотрении некоторых видов систем можно выделить два вида состояний δz:

1. Обычное, в котором система находится большую часть времени, при этом Zi(t), (i=1 n) изменяются плавно;

2. Особое, характерное для системы в некоторые моменты времени, причем состояние системы изменяется в эти моменты скачком.

Принцип особых состояний отличается от принципа Δt тем, что шаги по времени в этом случае не постоянны, является величиной случайной и вычисляется в соответствии с информацией о предыдущем особом состоянии.

Примерами систем, имеющих особые состояния, являются системы массового обслуживания. Особые состояния появляются в моменты поступления заявок, в моменты освобождения каналов и т.д.

Основные методы имитационного моделирования.

Основными методами имитационного моделирования являются: аналитический метод, метод статического моделирования и комбинированный метод (аналитико-статистический) метод.

Аналитический метод применяется для имитации процессов в основном для малых и простых систем, где отсутствует фактор случайности. Метод назван условно, так как он объединяет возможности имитации процесса, модель которого получена в виде аналитически замкнутого решения, или решения полученного методами вычислительной математики.

Метод статистического моделирования первоначально развивался как метод статистических испытаний (Монте-Карло). Это - численный метод, состоящий в получении оценок вероятностных характеристик, совпадающих с решением аналитических задач (например, с решением уравнений и вычислением определенного интеграла). В последствии этот метод стал применяться для имитации процессов, происходящих в системах, внутри которых есть источник случайности или которые подвержены случайным воздействиям. Он получил название метода статистического моделирования.

Комбинированный метод (аналитико-статистический) позволяет объединить достоинства аналитического и статистического методов моделирования. Он применяется в случае разработки модели, состоящей из различных модулей, представляющих набор как статистических так и аналитических моделей, которые взаимодействуют как единое целое. Причем в набор модулей могут входить не только модули соответствующие динамическим моделям, но и модули соответствующие статическим математическим моделям.

Вопросы для самопроверки

1. Определить, что такое оптимизационная математическую модель.

2. Для чего могут использоваться оптимизационные модели?

3. Определить особенности имитационного моделирования.

4. Дать характеристику метода статистического моделирования.

5. Что есть модель типа «черный ящик», модель состава, структуры, модель типа «белый ящик»?

Имитационное Моделирование.

Понятие имитационной модели.

Подходы к построению имитационных моделей.

По определению академика В.Маслова: «имитационное моделирование заключается прежде всего в конструировании мысленной модели (имитатора), имитирующей объекты и процессы (например, станки и их работу) по нужным (но неполным) показателям: например, по времени работы, интенсивности, экономическим затратам, расположению в цехе и т.п. Именно неполнота описания объекта делает имитационную модель принципиально отличной от математической в традиционном смысле этого слова. Далее происходит перебор в диалоге с ЭВМ огромного числа возможных вариантов и выбор в конкретные сроки наиболее приемлемых с точки зрения инженера решений. При этом используется интуиция и опыт инженера, принимающего решение, понимающего всю сложнейшую ситуацию на производстве».

При исследовании таких сложных объектов оптимального решения в строго математическом смысле вообще можно не найти. Зато можно получить приемлемое решение в сравнительно короткие сроки. Имитационная модель включает в себя эвристические элементы, использует иногда неточную и противоречивую информацию. Этим имитационное моделирование ближе к реальной жизни и более доступно для пользователей – инженеров в промышленности. В диалоге с ЭВМ специалисты расширяют свой опыт, развивают интуицию в свою очередь, передают их имитационной модели.

До сих пор мы много говорили о непрерывных объектах, однако нередко приходится иметь дело с объектами, которые имеют дискретные входные и выходные переменные. Как пример анализа поведения такого объекта на основе имитационной модели рассмотрим ставшую классической «задачу о пьяном прохожем» или задачу о случайном блуждании.

Предположим, что прохожий, стоя углу улицы, решил прогуляться, чтобы разогнать хмель. Пусть вероятности того, что, достигнув очередного перекрестка, он пойдет на север, юг, восток или запад, одинаковы. Какова вероятность того, что пройдя 10 кварталов, прохожий окажется не далее двух кварталов от места, где он начал прогулку?

Обозначим его местоположение на каждом перекрестке двумерным вектором

(X1, X2) («выход»), где

Каждое перемещение на один квартал к востоку соответствует приращению X1 на 1, а каждое перемещение на один квартал к западу – уменьшению X1 на 1 (X1, X2– дискретная переменная). Подобным же образом перемещение прохожего на один квартал к северу X2 увеличивается на 1, а на один квартал к югу – X2 уменьшается на1.

Теперь, если мы обозначим начальное положение (0,0), то будем точно знать, где будет находиться прохожий относительно этого начального положения.

Если в конце прогулки сумма абсолютных значений X1 и X2 будет больше 2, то будем считать, что он ушел дальше двух кварталов в конце прогулки протяженностью в 10 кварталов.

Так как вероятность движения нашего прохожего в любом из четырех возможных направлений по условию одинакова и равна 0,25 (1:4=0,25), то можно оценивать его передвижение с помощью таблицы случайных чисел. Условимся, что если случайное число (СЧ) лежит в пределах от 0 до 24, пьяный пойдет на восток и мы увеличим X1 на 1; если от 25 до 49, то он пойдет на запад, и мы X1 уменьшим на 1; если от 50 до 74, он пойдет на север, и мы X2 увеличим на 1; если СЧ лежит в пределах от 74 до 99, то прохожий пойдет на юг, и мы уменьшим X2 на 1.

Схема (а) и алгоритм (б) движения «пьяного прохожего».

а) б)

Нужно провести достаточно большое число «машинных опытов», чтобы получить достоверный результат. Но другими методами такую задачу решить практически невозможно.

В литературе метод имитационного моделирования встречается также под названиями метода цифрового, машинного, статистического, вероятностного, динамического моделирования или метода машинной имитации.

Метод имитационного моделирования может рассматриваться как своеобразный экспериментальный метод. Отличие от обычного эксперимента заключается в том, что в качестве объекта экспериментирования выступает имитационная модель, реализованная в виде программы на ЭВМ.

С помощью имитационной модели невозможно получить аналитические зависимости между величинами.

Можно определенным образом обработать экспериментальные данные и подобрать соответствующие математические выражения.

При создании имитационных моделей в настоящее время используются два подхода : дискретный и непрерывный.

Выбор подхода в значительной степени определяется свойствами объекта – оригинала и характером воздействия на него внешней среды.

Однако, согласно теореме Котельникова, непрерывный процесс изменения состояний объекта можно рассматривать как последовательность дискретных состояний и наоборот.

При использовании дискретного подхода к созданию имитационных моделей обычно применяются абстрактные системы.

Непрерывный подход к построению имитационных моделей широко развит американским ученым Дж.Форрестером. Моделируемый объект независимо от его природы формализуется в виде непрерывной абстрактной системы, между элементами которой циркулируют непрерывные «потоки» той или иной природы.

Таким образом, под имитационной моделью объекта – оригинала в общем случае мы можем понимать определенную систему, состоящую из отдельных подсистем (элементов, компонентов) и связей между ними (обладающую структурой), причем функционирование (изменение состояния) и внутреннее изменение всех элементов модели под действием связей может быть алгоритмизировано тем или иным образом так же, как и взаимодействие системы с внешней средой.

Благодаря не только математическим приемам, но и хорошо известным возможностям самой ЭВМ при имитационном моделировании могут быть алгоритмизированы и воспроизведены процессы функционирования и взаимодействия самых различных элементов абстрактных систем – дискретных и непрерывных, вероятностных и детерминированных, выполняющих функцию обслуживания, задержки и др.

В качестве имитационной модели объекта при такой постановке выступает программа на ЭВМ (вместе с обслуживающими, сервисными программами), написанная на универсальном языке высокого уровня.

Академик Н.Н.Моисеев так сформулировал понятие имитационного моделирования: «Имитационная система – это совокупность моделей, имитирующих протекание изучаемого процесса, объединенная со специальной системой вспомогательных программ и информационной базой, позволяющей достаточно просто и оперативно реализовать вариантные расчеты».