Построение стохастической модели

Построение стохастической модели включает разработку, оценку качества и исследование поведения системы с помощью уравнений, описывающих изучаемый процесс.

Для этого путем проведения специального эксперимента с реальной системой добывается исходная информация. При этом используются методы планирования эксперимента, обработки результатов, а также критерии оценки полученных моделей, базирующиеся на таких разделах математической статистики как дисперсионный, корреляционный, регрессионный анализ и др.

В основе методов построения статистической модели, описывающей технологический процесс (рис.6.1) лежит концепция «черного ящика». Для него возможны многократные измерения входных факторов: x 1 ,x 2 ,…,x k и выходных параметров: y 1 ,y 2 ,…,y p , по результатам которых устанавливают зависимости:

При статистическом моделировании вслед за постановкой задачи (1) производится отсеивание наименее важных факторов из большого числа входных переменных, влияющих на ход процесса (2). Выбранные для дальнейшего исследования входные переменные составляют список факторов x 1 ,x 2 ,…,x k в (6.1), управляя которыми можно регулировать выходные параметры y n . Количество выходных параметров модели также следует по возможности уменьшить, чтобы сократить затраты на эксперименты и обработку данных.

При разработке статистической модели обычно ее структура (3) задается произвольно, в виде удобных для использования функций, аппроксимирующих опытные данные, а затем уточняется на основе оценки адекватности модели.

Наиболее часто используется полиномиальная форма модели. Так, для квадратичной функции:

(6.2)

где b 0 , b i , b ij , b ii – коэффициенты регрессии.

Обычно сначала ограничиваются наиболее простой линейной моделью, для которой в (6.2) b ii =0, b ij =0 . В случае ее неадекватности усложняют модель введением членов, учитывающих взаимодействие факторов x i ,x j и (или) квадратичных членов .

С целью максимального извлечения информации из проводимых экспериментов и уменьшения их числа проводится планирование экспериментов (4) т.е. выбор количества и условий проведения опытов необходимых и достаточных для решения с заданной точностью поставленной задачи.

Для построения статистических моделей применяют два вида экспериментов: пассивный и активный. Пассивный эксперимент проводится в форме длительного наблюдения за ходом неуправляемого процесса, что позволяет собрать обширный ряд данных для статистического анализа. В активном эксперименте имеется возможность регулирования условий проведения опытов. При его проведении наиболее эффективно одновременное варьирование величины всех факторов по определенному плану, что позволяет выявить взаимодействие факторов и сократить число опытов.

На основе результатов проведенных экспериментов (5) вычисляют коэффициенты регрессии (6.2) и оценивают их статистическую значимость, чем завершается построение модели (6). Мерой адекватности модели (7) является дисперсия, т.е. среднеквадратичное отклонение вычисляемых значений от экспериментальных. Полученная дисперсия сопоставляется с допустимой при достигнутой точности экспериментов.

Как следует из названия, данный вид моделей ориентирован на описание систем, которые проявляют статистически закономерное случайное поведение, а время в них можно рассматривать как дискретную величину. Сущность дискретизации времени такая же, как и в дискретно-детерминированных моделях. Модели систем такого рода могут быть построены на основе двух схем формализованного описания. Во-первых, это конечно-разностные уравнения, среди переменных которых используют функции, задающие случайные процессы. Во-вторых, в них применяют вероятностные автоматы .

Пример построения дискретно-стохастической системы. Пусть имеется некоторая производственная система, структура которой изображена на рис. 3.8. В рамках этой системы перемещается однородный материальный поток, проходящий стадии складирования и производства.

Пусть, например, поток сырья состоит из металлических болванок, которые складируются на входном складе. Затем эти болванки поступают на производство, где из них производят какое-то изделие. Готовые изделия складируются на выходном складе, откуда их забирают для дальнейших действий с ними (передают на следующие фазы производства или на реализацию). В общем случае такая производственная система преобразует материальные потоки сырья, материалов и полуфабрикатов в поток готовой продукции.

Пусть шаг изменения времени в данной производственной системе будет равен единице (Д?= 1). За единицу мы примем смену работы этой системы. Будем считать, что процесс изготовления изделия длится один временной шаг.

Рис. 3.8, Схема производственной системы

Управление производственным процессом осуществляется специальным регулирующим органом, которому задан план выпуска изделий в виде директивной интенсивности выпуска продукции (количество изделий, которое необходимо изготовить за единицу времени, в данном случае за смену). Обозначим эту интенсивность d t . Фактически это скорость выпуска продукции. Пусть d t =а+ bt, т. е. является линейной функцией. Это означает, что с каждой последующей сменой план увеличивается на величину bt.

Поскольку мы имеем дело с однородным материальным потоком, то считаем, что в среднем объем сырья, приходящего в систему в единицу времени, объем производства в единицу времени, объем готовой продукции, уходящей в единицу времени из системы, должны быть равны d t .

Входной и выходной потоки для регулирующего органа неуправляемы, их интенсивность (или скорость - число болванок либо изделий в единицу времени, соответственно приходящих в систему и уходящих из нее) должны быть равны d t . Однако в процессе транспортировки болванки могут быть утеряны, или часть из них будет некачественной, или по каким-то причинам их поступит больше, чем нужно, и т.п. Поэтому будем считать, что входной поток обладает интенсивностью:

х t вх =d t + ξ t вх,

где ξ 1 вх - равномерно распределенная случайная величина от -15 до +15.

Примерно те же самые процессы могут происходить с выходным потоком. Поэтому выходной поток обладает следующей интенсивностью:

х t в ы х =d t + ξ t вых,

где ξ t вых - нормально распределенная случайная величина с нулевым математическим ожиданием и дисперсией, равной 15.

Будем считать, что и в процессе производства имеются случайности, связанные с неявкой рабочих на работу, поломкой станков и т.п. Описывает эти случайности нормально распределенная случайная величина с нулевым математическим ожиданием и дисперсией, равной 15. Обозначим ее ξ t/ Процесс производства длится единицу времени, за которую с входного склада изымается x t сырья, затем это сырье обрабатывается и передается на выходной склад за ту же единицу времени. Регулирующий орган получает информацию о работе системы тремя возможными способами (они отмечены цифрами 1, 2, 3 на рис. 3.8). Мы считаем, что эти способы получения информации по каким-либо причинам являются в системе взаимоисключающими.

Способ 1. Регулирующий орган получает только информацию о состоянии входного склада (например, об изменении запасов на складе либо об отклонении объема запасов от их нормативного уровня) и по ней судит о скорости протекания производственного процесса (о скорости изымания сырья со склада):

1) (u t вх - u t-1 вх )- изменение объема запасов на складе (u t вх - объем сырья на входном складе в момент времени t);

2) (ù- u t вх) - отклонение объема сырья на входном складе от нормы запасов.

Способ 2. Регулирующий орган получает информацию непосредственно с производства (x t - фактическая интенсивность производства) и сравнивает ее с директивной интенсивностью (d t -x t).

Способ 3. Регулирующий орган получает информацию, как и при способе 1, но с выходного склада в виде (u t вых - u t-1 вых )- или (ù -u t вых). Он также судит о производственном процессе на основания косвенных данных - росте или уменьшении запасов готовой продукции.

Чтобы поддержать заданную интенсивность выпуска продукции d t , регулирующий орган принимает решения y t , (либо (y t - y t - 1)), нацеленные на изменение фактической интенсивности выпуска x t . В качестве решения регулирующий орган сообщает производству значения интенсивности, с которой надо работать, т. е. x t = y t . Второй вариант управляющего решения - (y t -y t-1), т.е. регулирующий орган сообщает производству, на сколько нужно увеличить или уменьшить интенсивность производства (х t -х t-1 ).

В зависимости от способа получения информации и вида переменной, описывающей управляющее воздействие, на принятие решений могут влиять следующие величины.

1. База решения (величина, которой должна быть равна фактическая интенсивность производства, если бы не было отклонений):

директивная интенсивность выпуска в момент t(d t);

темп изменения директивной интенсивности выпуска в момент t(d t -d t-1).

2. Величина отклонения:

отклонение фактического выпуска от директивного (d t -x t);

отклонение фактического объема выпуска от планового объема

Σ d τ - Σ х τ

изменение уровня запасов на входном ((u t вх - u t-1 вх) или выходном

(u t вых - u t-1 вых) складах;

отклонение уровня запасов на входном (ù- u t вх) или выходном (ù -u t вых) складах от нормативного уровня.

В общем случае управленческое решение, принимаемое регулирующим органом, состоит из следующих составляющих:

Примеры решений:

y t = d t +y(d t-1 -x t-1);

y t = d t -y(ù -u t вых)

Принимая различные по форме решения, регулирующий орган стремится достичь главную цель - приблизить фактическую интенсивность выпуска к директивной. Однако он не всегда может непосредственно ориентироваться в своих решениях на степень достижения этой цели (d t - x t). Конечные результаты могут выражаться в достижении локальных целей - стабилизации уровня запасов на входном или выходном складе (и t вх(вых) - и t -1 вх(вых)) либо в приближении уровня запасов на складе к нормативному (и - и вх (вых)). В зависимости от достигаемой цели в управляющем решении определяется вид знака (+ или -) перед долей рассогласования, используемой для регулирования.

Пусть в нашем случае регулирующий орган получает информацию о состоянии входного склада (изменение уровня запасов). Известно, что в любой системе управления имеют место запаздывания по выработке и реализации решения. В данном примере информация о состоянии входного склада поступает в орган регулирования с запаздыванием на один временной шаг. Такое запаздывание называется запаздыванием по выработке решения и означает, что к моменту получения информации в регулирующем органе реальное состояние уровня запасов на входном складе будет уже другим. После того как регулирующий орган принял решение у t также потребуется время (в нашем примере это будет единица времени) для доведения решения до исполнителя. Значит, фактическая интенсивность производства равна не y t , а тому решению, которое управляющий орган принял единицу времени назад. Это - запаздывание по реализации решения.

Для описания нашей производственной системы имеем следующие уравнения:

x t BX = d t + ξ t вх

x t вых = d t + ξ t вых;

y t = d t + y(u -u t-2 вх)

x t = y t-1 + ξ t

u t вх - u t-1 вх = x t вх - x t

Данная система уравнений позволяет построить модель производственной системы, в которой входными переменными будут d t , ξ t вх, ξ t вых, ξ t ,а

выходной - x t . Это так, поскольку внешний наблюдатель рассматривает наше производство как систему, получающую сырье с интенсивностью d t и производящую продукцию с интенсивностью x t , подвергаясь случайностям ξ t вх, ξ t вых, ξ t . Осуществив все подстановки в полученной системе уравнений, приходим к одному уравнению динамики, характеризующему поведение x t в зависимости от d t , ξ t вх, ξ t вых, ξ t .

Рассмотренная выше модель не содержала ограничений на объемы складов и мощности производства. Если принять, что емкость входного склада равна V вх, емкость выходного склада - V BX , a мощность производства - М, то новая система уравнений для такой нелинейной производственной системы будет следующей:

x t BX =min((d t + ξ t вх),(V вх - u t вх)) - нельзя на входной склад положить больше, чем позволит место;

x вых =min((d t + ξ t вых),(V вых -u t вых)) - нельзя взять с выходного склада больше изделий, чем там имеется;

y t =d t + y(u t вх -u t-1 вх)

x t BX = min((u t вх, (y t-1 + ξ t вх), М, (V вых - u t вых)) - нельзя произвести больше изделий, чем приказано, ограничивающими факторами являются число имеющихся заготовок и наличие свободного места на выходном складе;

u t вх -u t-1 вх = x t BX - x t

©2015-2019 сайт
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-02-13

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

1. Пример построения стохастической модели процесса

В процессе функционирования банка очень часто возникает необходимость в решении проблемы выбора вектора активов, т.е. инвестиционного портфеля банка, и неопределенные параметры, которые необходимо учитывать в этой задаче, связаны в первую очередь с неопределенностью цен на активы (ценные бумаги, реальные вложения и т.д.). В качестве иллюстрации можно привести пример с формированием портфеля государственных краткосрочных обязательств.

Для задач данного класса принципиальный вопрос - это построение модели стохастического процесса изменения цен, поскольку в распоряжении исследователя операции, естественно, имеется только конечный ряд наблюдений реализаций случайных величин - цен. Далее излагается один из подходов к решению этой проблемы, который развивается в ВЦ РАН в связи с решением задач управления стохастическими марковскими процессами.

Рассматриваются М видов ценных бумаг, i =1,… , M , которые торгуются на специальных биржевых сессиях. Бумаги характеризуются величинами - выраженными в процентах доходностями в течение текущей сессии. Если бумага вида в конце сессии покупается по цене и продается в конце сессии по цене, то.

Доходности - это случайные величины, формирующиеся следующим образом. Предполагается существование базовых доходностей - случайных величин, образующих марковский процесс и определяемых по следующей формуле:

Здесь, - константы, а - стандартные нормально распределенные случайные величины (т.е. с нулевым математическим ожиданием и единичной дисперсией).

где - некоторый масштабный коэффициент равный (), а - случайная величина, имеющая смысл отклонения от базового значения и определяемая аналогично:

где - также, стандартные нормально распределенные случайные величины.

Предполагается, что некоторая оперирующая сторона, называемая в дальнейшем оператором, в течение некоторого времени управляет своим капиталом, вложенным в бумаги (во всякий момент в бумагу ровно одного вида), продавая их в конце текущей сессии и тут же покупая на вырученные деньги другие бумаги. Управление, выбор приобретаемых бумаг, производится по алгоритму, зависящему от информированности оператора о процессе, формирующем доходности бумаг. Нами будут рассматриваться различные гипотезы об этой информированности и, соответственно, различные алгоритмы управления. Будем предполагать, что исследователь операции, разрабатывает и оптимизирует алгоритм управления, используя имеющийся ряд наблюдений за процессом, т.е., используя информацию о ценах закрытия на биржевых сессиях, а также, возможно, и о величинах, на некотором промежутке времени, соответствующем сессиям с номерами. Целью экспериментов является сравнение оценок ожидаемой эффективности различных алгоритмов управления с их теоретическим математическим ожиданием в условиях, когда алгоритмы настраиваются и оцениваются на одном и том же ряду наблюдений. Для оценки теоретического математического ожидания используется метод Монте-Карло «прогонкой» управления по достаточно объемному сгенерированному ряду, т.е. по матрице размерности, где столбцы соответствуют реализациям значений и по сессиям, а число определяется вычислительными возможностями, но при условии, чтобы элементов матрицы было не менее 10000. Необходимо, чтобы «полигон» был одним и тем же во всех проводимых экспериментах. Имеющийся ряд наблюдений имитирует сгенерированная матрица размерности, где значения в ячейках имеют тот же смысл, что и выше. Число и значения в этой матрице будут в дальнейшем варьироваться. Матрицы обоих видов формируются посредством процедуры генерации случайных чисел, имитирующей реализацию случайных величин, и расчета по этим реализациям и формулам (1) - (3) искомых элементов матриц.

Оценка эффективности управления на ряду наблюдений производится по формуле

где - индекс последней сессии в ряду наблюдений, а - номер облигаций, выбранных алгоритмом на шаге, т.е. того вида облигаций, в которых, согласно алгоритму, будет находиться капитал оператора в течение сессии. Кроме того, будем рассчитывать также месячную эффективность. Число 22 приблизительно соответствует числу торговых сессий за месяц.

Вычислительные эксперименты и анализ результатов

Гипотезы

Точное знание оператором будущих доходностей.

Индекс выбирается как. Этот вариант дает верхнюю оценку для всех возможных алгоритмов управления, даже в случае, если дополнительная информация (учет каких-то дополнительных факторов) позволит уточнить модель прогноза цен.

Случайное управление.

Оператор не знает закона ценообразования и проводит операции случайным выбором. Теоретически, в данной модели математическое ожидание результата операций совпадает с тем, как если бы оператор вкладывал капитал не в одну бумагу, а во все поровну. При нулевых математических ожиданиях величин математическое ожидание величины равно 1. Расчеты по данной гипотезе полезны только в том смысле, что позволяют в некоторой степени проконтролировать корректность написанных программ и сгенерированной матрицы значений.

Управление при точном знании модели доходностей, всех ее параметров и наблюдаемой величины .

В этом случае оператор в конце сессии, зная значения и для сессий, и, а в наших расчетах, используя строки, и, матрицы, вычисляет по формулам (1) - (3) математические ожидания величин и выбирает для покупки бумагу с наибольшей из этих значений величин.

где, согласно (2), . (6)

Управление при знании структуры модели доходностей и наблюдаемой величине , но неизвестных коэффициентах .

Будем предполагать, что исследователь операции не только не знает значения коэффициентов, но не знает и число влияющих на формирование величин, предшествующих значений этих параметров (глубину памяти марковских процессов). Не знает также, одинаковы или различны коэффициенты при разных значениях. Рассмотрим различные варианты действий исследователя - 4.1, 4.2, и 4.3, где второй индекс обозначает предположение исследователя о глубине памяти процессов (одинаковой для и). К примеру, в случае 4.3 исследователь предполагает, что формируется согласно уравнению

Здесь, для полноты описания, добавлен свободный член. Однако, этот член может быть исключен либо из содержательных соображений, либо статистическими методами. Поэтому для упрощения расчетов мы в дальнейшем свободные члены при настройке параметров из рассмотрения исключаем и формула (7) приобретает вид:

В зависимости от того, предполагает ли исследователь одинаковыми или различными коэффициенты при разных значениях, будем рассматривать подслучаи 4.m. 1 - 4.m. 2, m = 1 - 3. В случаях 4.m. 1 коэффициенты будут настраиваться по наблюденным значениям для всех бумаг вместе. В случаях 4.m. 2 коэффициенты настраиваются для каждой бумаги отдельно, при этом исследователь работает в рамках гипотезы, что коэффициенты, различны при разных и, к примеру, в случае 4.2.2. значения определяются модифицированной формулой (3)

Первый способ настройки - классический метод наименьших квадратов. Рассмотрим его на примере настройки коэффициентов при в вариантах 4.3.

Согласно формуле (8),

Требуется найти такие значения коэффициентов, чтобы минимизировать выборочную дисперсию для реализаций на известном ряду наблюдений, массиве при условии, что математическое ожидание значений определяется формулой (9).

Здесь и в дальнейшем знак «» указывает на реализацию случайной величины.

Минимум квадратичной формы (10) достигается в единственной точке, в которой все частные производные равны нулю. Отсюда получаем систему трех алгебраических линейных уравнений:

решение которой дает искомые значения коэффициентов.

После того как коэффициенты верифицированы, выбор управлений проводится так же, как и в случае 3.

Замечание. Для того, чтобы облегчить работу над программами, принято процедуру выбора управления, описанную для гипотезы 3, сразу писать, ориентируясь не на формулу (5), а на ее модифицированный вариант в виде

При этом в расчетах для случаев 4.1.m и 4.2.m, m = 1, 2, лишние коэффициенты обнуляются.

Второй способ настройки состоит в выборе значений параметров так, чтобы максимизировать оценку из формулы (4). Задача эта аналитически и вычислительно безнадежно сложна. Поэтому здесь можно говорить только о приемах некоторого улучшения значения критерия относительно исходной точки. За исходную точку можно взять значения, полученные методом наименьших квадратов, и затем произвести обсчет вокруг этих значений по сетке. При этом последовательность действий такова. Сначала обсчитывается сетка на параметрах (квадрат или куб) при фиксированных остальных параметрах. Затем для случаев 4.m. 1 обсчитывается сетка на параметрах, а для случаев 4.m. 2 на параметрах при фиксированных остальных параметрах. В случае 4.m. 2 далее так же оптимизируются параметры. Когда этим процессом исчерпываются все параметры, процесс повторяется. Повторения производятся до тех пор, пока новый цикл дает улучшение значений критерия по сравнению с предыдущим. Чтобы число итераций не оказалось слишком большим, применим следующий прием. Внутри каждого блока расчетов на 2-х или 3-х-мерном пространстве параметров сначала берется достаточно грубая сетка, затем, если лучшая точка оказывается на краю сетки, то исследуемый квадрат (куб) сдвигается и расчет повторяется, если же лучшая точка внутренняя, то строится новая сетка вокруг этой точки с меньшим шагом, но с тем же общим числом точек, и так некоторое, но разумное число раз.

Управление при ненаблюдаемом и без учета зависимости между доходностями разных бумаг.

Имеется в виду, что исследователь операции не замечает зависимости между разными бумаги, ничего не знает о существовании и пытается прогнозировать поведение каждой бумаги по отдельности. Рассмотрим, как обычно, три случая, когда исследователь моделирует процесс формирования доходностей в виде марковского процесса глубиной 1, 2, и 3:

Коэффициенты для прогноза ожидаемой доходности не важны, а коэффициенты настраиваются двумя способами, описанными в п. 4. Управления выбираются, аналогично тому, как это делалось выше.

Замечание: Так же, как и для выбора управления, для метода наименьших квадратов имеет смысл написать единую процедуру с максимальным числом переменных - 3. Если настраиваемые переменные, скажем, то для из решения линейной системы выписывается формула, в которую входят только константы, определяется через, а через и. В случаях, когда переменных меньше чем три, значения лишних переменных обнуляются.

Хотя расчеты в различных вариантах проводятся сходным образом, число вариантов довольно велико. Когда подготовка инструментов для расчетов во всех перечисленных вариантах оказывается затруднительным, рассматривается на экспертном уровне вопрос о сокращении их числа.

Управление при ненаблюдаемом с учетом зависимости между доходностями разных бумаг.

Это серия экспериментов имитирует те манипуляции, которые были произведены в задаче с ГКО . Мы предполагаем, что исследователь практически ничего не знает о механизме формирования доходностей. Он располагает только рядом наблюдений, матрицей. Из содержательных соображений он делает предположение о взаимозависимости текущих доходностей разных бумаг, группирующихся около некоторой базовой доходности, определяемой состоянием рынка в целом. Рассматривая графики доходностей бумаг от сессии к сессии, он делает предположение, что в каждый момент времени точки, координатами которых являются номера бумаг и доходности (в реальности это были сроки до погашения бумаг и их цены), группируются возле некоторой кривой (в случае с ГКО - параболы).

Здесь - точка пересечения теоретической прямой с осью ординат (базовая доходность), а - ее наклон (то, что должно быть равным 0.05).

Построив таким образом теоретические прямые, исследователь операции может рассчитать значения - отклонения величин от их теоретических значений.

(Заметим, что здесь имеют несколько иной смысл, чем в формуле (2). Отсутствует размерный коэффициент, и рассматриваются отклонения не от базового значения, а от теоретической прямой.)

Следующей задачей является прогноз значений по известным в момент значениям, . Поскольку

для прогноза значений исследователю требуется ввести гипотезу о формировании величин, и. По матрице исследователь может установить значительную корреляцию между величинами и. Можно принять гипотезу о линейной зависимости между величинами от: . Из содержательных соображений коэффициент сразу полагается равным нулю, и методом наименьших квадратов ищется в виде:

Далее, как и выше и моделируются посредством марковского процесса и описываются формулами, аналогичными (1) и (3) с разным числом переменных в зависимости от глубины памяти марковского процесса в рассматриваемом варианте. (здесь определяется не по формуле (2), а по формуле (16))

Наконец, как и выше реализуются два способа настройки параметров методом наименьших квадратов, и посредством непосредственной максимизации критерия и делаются оценки.

Эксперименты

Для всех описанных вариантов рассчитывались оценки критериев, при разных матрицах. (матрицы с числом строк 1003, 503, 103 и для каждого варианта размерности реализовывались порядка ста матриц). По результатам расчетов для каждой размерности оценивались математическое ожидание и дисперсия величин, и их отклонение от величин, для каждого из подготовленных вариантов.

Как показали первые серии вычислительных экспериментов при малом числе настраиваемых параметров (порядка 4), выбор метода настройки не оказывает существенного влияния на значение критерия в задаче.

2. Классификация средств моделирования

стохастический моделирование банк алгоритм

Классификация методов моделирования и моделей может проводиться по степени подробности моделей, по характеру признаков, по сфере приложения и т.д.

Рассмотрим одну из распространенных классификаций моделей по средствам моделирования, именно этот аспект является наиболее важным при анализе различных явлений и систем.

материальным в том случае, когда исследование ведется на моделях, связь которых с исследуемым объектом существует объективно, имеет материальный характер. Модели в этом случае строятся исследователем либо выбирается им из окружающего мира.

По средствам моделирования методы моделирования делятся на две группы: методы материального и методы идеального моделирования Моделирование называется материальным в том случае, когда исследование ведется на моделях, связь которых с исследуемым объектом существует объективно, имеет материальный характер. Модели в этом случае строятся исследователем либо выбирается им из окружающего мира. В свою очередь в материальном моделировании можно выделить: пространственное, физическое и аналоговое моделирование.

В пространственном моделировании используются модели, предназначенные для того, чтобы воспроизвести или отобразить пространственные свойства изучаемого объекта. Модели в этом случае геометрически подобны объектам исследования (любые макеты).

Модели, используемые в физическом моделировании предназначены для воспроизводства динамики процессов, происходящих в изучаемом объекте. Причем общность процессов в объекте исследования и модели основана на сходстве их физической природы. Этот метод моделирования широко распространен в технике при проектировании технических систем различного вида. Например, исследование летательных аппаратов на основе экспериментов в аэродинамической трубе.

Аналоговое моделирование связано с использованием материальных моделей, имеющих другую физическую природу, но описывающихся теми же математическими соотношениями, что и изучаемый объект. Оно основано на аналогии в математическом описании модели и объекта (изучение механических колебаний с помощью электрической системы, описываемой теми же дифференциальными уравнениями, но более удобной в проведении экспериментов).

Во всех случаях материального моделирования модель-это материальное отражение исходного объекта, а исследование состоит в материальном воздействии на модель, то есть в эксперименте с моделью. Материальное моделирование по своей природе является экспериментальным методом и в экономических исследованиях не используется.

От материального моделирования принципиально отличается идеальное моделирование , основанное на идеальной, мыслимой связи между объектом и моделью. Методы идеального моделирования широко используются в экономических исследованиях. Их условно можно разделить на две группы: формализованное и неформализованное.

В формализованном моделировании моделью служат системы знаков или образов, вместе с которыми задаются правила их преобразования и интерпретации. Если в качестве моделей используются системы знаков, то моделирование называется знаковым (чертежи, графики, схемы, формулы).

Важным видом знаковой моделирования является математическое моделирование , основанное на том факте, что различные изучаемые объекты и явления могут иметь одинаковое математическое описание в виде совокупности формул, уравнений, преобразование которых осуществляется на основе правил логики и математики.

Другой формой формализованного моделирования является образное, в котором модели строятся на наглядных элементах (упругие шары, потоки жидкости, траектории движения тел). Анализ образных моделей осуществляется мысленно, поэтому они могут быть отнесены к формализованному моделированию, когда правила взаимодействия объектов, используемых в модели четко фиксированы (например, в идеальном газе столкновение двух молекул рассматривается, как соударение шаров, причем результат соударения мыслится всеми одинаково). Модели такого типа широко используются в физике, их принято называть «мысленными экспериментами».

Неформализованное моделирование. К нему можно отнести такой анализ проблем разнообразного типа, когда модель не формируется, а вместо нее используется некоторое точно не зафиксированное мысленное отображение реальной действительности, служащее основой для рассуждения и принятия решения. Таким образом, всякое рассуждение не использующее формальную модель можно считать неформализованным моделированием, когда у мыслящего индивидуума имеется некоторый образ объекта исследования, который можно интерпретировать как неформализованную модель реальности.

Исследование экономических объектов в течение долгого времени проводилось только на основе таких неопределенных представлений. В настоящее время анализ неформализованных моделей остается наиболее распространенным средством экономического моделирования, а именно всякий человек, принимающий экономическое решение без использования математических моделей вынужден руководствоваться тем или иным описанием ситуации, основанной на опыте и интуиции.

Основным недостатком этого подхода является то, что решения может оказаться мало эффективным или ошибочным. Еще долгое время, по-видимому, эти методы останутся основным средством принятия решений не только в большинстве обыденных ситуаций, но и при принятий решений в экономике.

Размещено на Allbest.ru

...

Подобные документы

Принципы и этапы построения модели авторегрессии, ее основные достоинства. Спектр процесса авторегрессии, формула для ее нахождения. Параметры, характеризующие спектральную оценку случайного процесса. Характеристическое уравнение модели авторегрессии.

контрольная работа , добавлен 10.11.2010


Понятие и типы моделей. Этапы построения математической модели. Основы математического моделирования взаимосвязи экономических переменных. Определение параметров линейного однофакторного уравнения регрессии. Оптимизационные методы математики в экономике.

реферат , добавлен 11.02.2011


Исследование особенностей разработки и построения модели социально-экономической системы. Характеристика основных этапов процесса имитации. Экспериментирование с использованием имитационной модели. Организационные аспекты имитационного моделирования.

реферат , добавлен 15.06.2015


Понятие имитационного моделирования, применение его в экономике. Этапы процесса построения математической модели сложной системы, критерии ее адекватности. Дискретно-событийное моделирование. Метод Монте-Карло - разновидность имитационного моделирования.

контрольная работа , добавлен 23.12.2013


Методологические основы эконометрики. Проблемы построения эконометрических моделей. Цели эконометрического исследования. Основные этапы эконометрического моделирования. Эконометрические модели парной линейной регрессии и методы оценки их параметров.

контрольная работа , добавлен 17.10.2014


Этапы построения деревьев решений: правило разбиения, остановки и отсечения. Постановка задачи многошагового стохастического выбора в предметной области. Оценка вероятности реализации успешной и неуспешной деятельности в задаче, ее оптимальный путь.

реферат , добавлен 23.05.2015


Определение, цели и задачи эконометрики. Этапы построения модели. Типы данных при моделировании экономических процессов. Примеры, формы и моделей. Эндогенные и экзогенные переменные. Построение спецификации неоклассической производственной функции.

презентация , добавлен 18.03.2014


Основной тезис формализации. Моделирование динамических процессов и имитационное моделирование сложных биологических, технических, социальных систем. Анализ моделирования объекта и выделение всех его известных свойств. Выбор формы представления модели.

реферат , добавлен 09.09.2010


Основные этапы математического моделирования, классификация моделей. Моделирование экономических процессов, основные этапы их исследования. Системные предпосылки формирования модели системы управления маркетинговой деятельностью предприятия сферы услуг.

реферат , добавлен 21.06.2010


Общая схема процесса проектирования. Формализация построения математической модели при проведении оптимизации. Примеры использования методов одномерного поиска. Методы многомерной оптимизации нулевого порядка. Генетические и естественные алгоритмы.

4. Схема построения стохастических моделей

Построение стохастической модели включает разработку, оценку качества и исследование поведения системы с помощью уравнений, описывающих изучаемый процесс. Для этого путем проведения специального эксперимента с реальной системой добывается исходная информация. При этом используются методы планирования эксперимента, обработки результатов, а также критерии оценки полученных моделей, базирующиеся на таких разделах математической статистики как дисперсионный, корреляционный, регрессионный анализ и др.

Этапы разработки стохастической модели:

постановка задачи

выбор факторов и параметров

выбор вида модели

планирование эксперимента

реализация эксперимента по плану

построение статистической модели

проверка адекватности модели (связана с 8, 9, 2, 3, 4)

корректировка модели

исследование процесса с помощью модели (связано с 11)

определение параметров оптимизации и ограничений

оптимизация процесса с помощью модели (связана с 10 и 13)

экспериментальная информация средств автоматики

управление процессом с помощью модели (связано с 12)

Объединение этапов с 1 по 9 дает нам информационную модель, с первого по одиннадцатый – оптимизационная модель, объединение всех пунктов – модель управления.

5. Инструментальные средства обработки моделей

С помощью CAE-систем можно производить следующие процедуры обработки моделей:

наложение сетки конечных элементов на 3-х мерную модель,

задачи теплонапряженного состояния; задачи гидрогазодинамики;

задачи тепломассообмена;

контактные задачи;

кинематические и динамические расчеты и др.

имитационное моделирование сложных производственных систем на основе моделей массового обслуживания и сетей Петри

Обычно CAE-модули дают возможность цветного и полутонового изображения, наложения исходной и деформированной детали, визуализации потоков жидкости и газа.

Примеры систем моделирования полей физических величин в соответствии с МКЭ: Nastrаn, Ansys, Cosmos, Nisa, Moldflow.

Примеры систем моделирования динамических процессов на макроуровне: Adams и Dyna - в механических системах, Spice - в электронных схемах, ПА9 - для многоаспектного моделирования, т.е. для моделирования систем, принципы действия которых основаны на взаимовлиянии физических процессов различной природы.

6. Математическое моделирование. Аналитические и имитационные модели

Математическая модель - совокупность математических объектов (чисел, переменных, множеств и др.) и отношений между ними, которая адекватно отображает некоторые (существенные) свойства проектируемого технического объекта. Математические модели могут быть геометрическими, топологическими, динамическими, логическими и др.

- адекватность представления моделируемых объектов;

Область адекватности - область в пространстве параметров, в пределах которой погрешности модели остаются в допустимых приделах.

- экономичность (вычислительная эффективность) - определяется затратами ресурсов,
требуемых для реализации модели (затраты машинного времени, используемая память и др.);

- точность - определяет степень совпадения расчетных и истинных результатов (степень соответствия оценок одноименных свойств объекта и модели).

Математическое моделирование - процесс построения математических моделей. Включает следующие этапы: постановка задачи; построение модели и ее анализ; разработка методов получения проектных решений на модели; экспериментальная проверка и корректировка модели и методов.

Качество создаваемых математических моделей во многом зависит от правильной постановки задачи. Необходимо определить технико-экономические цели решаемой задачи, провести сбор и анализ всей исходной информации, определить технические ограничения. В процессе построения моделей следует использовать методы системного анализа.

Процесс моделирования, как правило, носит итерационный характер, который предусматривает на каждом шаге итераций уточнение предыдущих решений, принятых на предшествующих этапах разработки моделей.

Аналитические модели - численные математические модели, которые можно представить в виде явно выраженных зависимостей выходных параметров от параметров внутренних и внешних. Имитационные модели - численные алгоритмические модели, отображающие процессы в системе при наличии внешних воздействий на систему. Алгоритмические модели - модели, в которых связь выходных, внутренних и внешних параметров задана неявно в виде алгоритма моделирования. Имитационные модели используют часто на системном уровне проектирования. Имитационное моделирование производят путем воспроизведения событий, происходящих одновременно или последовательно в модельном времени. Примером имитационной модели может считаться использование сети Петри для моделирования системы массового обслуживания.

7. Основные принципы построения математических моделей

Классический (индуктивный) подход. Реальный объект, подлежащий моделированию, разбивается на отдельные подсистемы, т.е. выбираются исходные данные для моделирования и ставятся цели, отображающие отдельные стороны процесса моделирования. По отдельной совокупности исходных данных ставится цель моделирования отдельной стороны функционирования системы, на базе этой цели формируется некоторая компонента будущей модели. Совокупность компонент объединяется в модель.

Такой классический подход может быть использован при создании достаточно простых моделей, в которых возможно разделение и взаимно независимое рассмотрение отдельных сторон функционирования реального объекта. Реализует движение от частного к общему.

Системный подход. На основе исходных данных, которые известны из анализа внешней системы, тех ограничений, которые накладываются на систему сверху либо исходя из возможностей ее реализации, и на основе цели функционирования формулируются исходные требования к модели системы. На базе этих требований формируются ориентировочно некоторые подсистемы, элементы и осуществляется наиболее сложный этап синтеза – выбор составляющих системы, для чего используются специальные критерии выбора. Системный подход предполагает и некоторую последовательность разработки моделей, заключающуюся в выделении двух основных стадий проектирования: макропроектирование и микропроектирование.

Стадия макропроектирования – на основе данных о реальной системе и внешней среде строится модель внешней среды, выявляются ресурсы и ограничения для построения модели системы, выбирается модель системы и критерии, позволяющие оценить адекватность модели реальной системы. Построив модель системы и модель внешней среды, на основе критерия эффективности функционирования системы в процессе моделирования выбирают оптимальную стратегию управления, что позволяет реализовать возможность модели по воспроизведению отдельных сторон функционирования реальной системы.

Стадия микропроектирования в значительной степени зависит от конкретного типа выбранной модели. В случае имитационной модели необходимо обеспечить создание информационного, математического, технического и программного обеспечения системы моделирования. На этой стадии можно установить основные характеристики созданной модели, оценить время работы с ней и затраты ресурсов для получения заданного качества соответствия модели процессу функционирования системы .Независимо от типа используемой модели
при ее построении необходимо руководствоваться рядом принципов системного подхода:

пропорционально-последовательное продвижение по этапам и направлениям создания модели;

согласование информационных, ресурсных, надежностных и других характеристик;

правильное соотношение отдельных уровней иерархии в системе моделирования;

целостность отдельных обособленных стадий построения модели.

Анализ применяемых методов при математическом моделировании

При математическом моделировании решение дифференциальных или интегро-дифференциальных уравнений с частными производными выполняется численными методами. Эти методы основаны на дискретизации независимых переменных - их представлении конечным множеством значений в выбранных узловых точках исследуемого пространства. Эти точки рассматриваются как узлы некоторой сетки.

Среди сеточных методов наибольшее распространение получили два метода: метод конечных разностей (МКР) и метод конечных элементов (МКЭ). Обычно выполняют дискретизацию пространственных независимых переменных, т.е. используют пространственную сетку. В этом случае результатом дискретизации является система обыкновенных дифференциальных уравнений, которые затем при использовании краевых условий приводятся к системе алгебраических уравнений.

Пусть необходимо решить уравнениеLV (z ) = f (z )

с заданными краевыми условиямиMV (z ) = .(z ),

где L и M - дифференциальные операторы, V (z ) - фазовая переменная, z = (x 1, x 2, x 3, t ) - вектор независимых переменных, f (z ) и ψ.(z ) - заданные функции независимых переменных.

В МКР алгебраизация производных по пространственным координатам базируется на аппроксимации производных конечно-разностными выражениями. При использовании метода нужно выбрать шаги сетки по каждой координате и вид шаблона. Под шаблоном понимают множество узловых точек, значения переменных в которых используются для аппроксимации производной в одной конкретной точке.

МКЭ основан на аппроксимации не производных, а самого решения V (z ). Но поскольку оно неизвестно, то аппроксимация выполняется выражениями с неопределенными коэффициентами.

При этом речь идет об аппроксимациях решения в пределах конечных элементов, а с учетом их малых размеров можно говорить об использовании сравнительно простых аппроксимирующих выражений (например, - полиномы низких степеней). В результате подстановки таких полиномов в исходное дифференциальное уравнение и выполнения операций дифференцирования получают значения фазовых переменных в заданных точках.

Полиномиальная аппроксимация. Использование методов связано с возможностью аппроксимации гладкой функции полиномом и последующего использования аппроксимирующего полинома для оценивания координаты точки оптимума. Необходимыми условиями эффективной реализации такого подхода являются унимодальность и непрерывность исследуемой функции. Согласно теореме Вейерштрасса об аппроксимации, если функция непрерывна в некотором интервале, то ее с любой степенью точности можно аппроксимировать полиномом достаточно высокого порядка. Согласно теореме Вейерштрасса, качество оценок координаты точки оптимума, получаемых с помощью аппроксимирующего полинома, можно повысить двумя способами: использованием полинома более высо­кого порядка и уменьшением интервала аппроксимации. Простейшим вариантом полиномиальной интерполяции является квадратичная аппроксимация, которая основана на том факте, что функция, принимающая минимальное значение во внутренней точке интервала, должна быть по крайней мере квадратичной

Дисциплина «Модели и методы анализа проектных решений» (Казаков Ю.М.)

Классификация математических моделей.

Уровни абстракции математических моделей.

Требования к математическим моделям.

Схема построения стохастических моделей.

Инструментальные средства обработки моделей.

Математическое моделирование. Аналитические и имитационные модели.

Основные принципы построения математических моделей.

Анализ применяемых методов при математическом моделировании.

1. Классификация математических моделей

Математическая модель (ММ) технического объекта есть совокупность математических объектов (чисел, пере­менных, матриц, множеств и т. п.) и отношений между ними, которая адекватно отображает свойства технического объекта, интересующие инженера, разрабатывающего этот объект.

По характеру отображения свойств объекта:

Функциональные – предназначены для отображения физических или информационных процессов, протекающих в технических системах при их функционировании. Типичная функциональная модель представляет собой систему уравнений, описывающих либо электрические, тепловые, механические процессы, либо процессы преобразования информации.

Структурные – отображают структурные свойства объекта (топологические, геометрические). . Струк­турные модели чаще всего представляются в виде графов.

По принадлежности к иерархическому уровню:

Модели микроуровня – отображение физических процессов в непрерывном пространстве и времени. Для моделирования применяют аппарат урав­нений математической физики. Примерами таких уравне­ний служат дифференциальные уравнения в частных про­изводных.

Модели макроуровня. Используются укрупнение, детализация пространства по фундаментальному признаку. Функциональные модели на макроуровне представля­ют собой системы алгебраических или обыкновенных диф­ференциальных уравнений, для их получения и решения используют соответствующие численные методы.

Модели метоуровня. Укрупнено описывают рассматриваемые объекты. Математические модели на метауровне - системы обыкновенных дифференциальных уравнений, системы логических уравнений, имитационные модели систем массового обслуживания.

По способу получения модели:

Теоретические – строятся на основании изучения закономерности. В отличии от эмпирических моделей, теоретические в большинстве случаев являются более универсальными и применимыми для более широкого диапазона задач. Теоретические модели бывают линейными и нелинейными, непрерывными и дискретными, динамическими и статистическими.

Эмпирические

Главные требования к математическим моделям в САПР:

адекватность представления моделируемых объектов;

Адекватность имеет место, если модель отражает заданные свойства объекта с приемлемой точностью и оценивается перечнем отражаемых свойств и областями адекватности. Область адекватности – область в пространстве параметров, в пределах которой погрешности модели остаются в допустимых приделах.

экономичность (вычислительная эффективность) – определяется затратами ресурсов, требуемых для реализации модели (затраты машинного времени, используемая память и др.);

точность – определяет степень совпадения расчетных и истинных результатов (степень соответствия оценок одноименных свойств объекта и модели).

К математическим моделям предъявляется и целый ряд других требований:

Вычислимость , т.е. возможность ручного или с помощью ЭВМ исследования качественных и количественных закономерностей функционирования объекта (системы).

Модульность , т.е. соответствие конструкций модели структурным составляющим объекта (системы).

Алгоритмизируемость , т.е. возможность разработки соответствующего алгоритма и программы, реализующей математическую модель на ЭВМ.

Наглядность , т.е. удобное визуальное восприятие модели.

Таблица. Классификация математических моделей

Признаки классификации	Виды математических моделей
1. Принадлежность к иерархическому уровню	Модели микроуровня Модели макроуровня Модели метауровня
2. Характер отображаемых свойств объекта	Структурные Функциональные
3. Способ представления свойств объекта	Аналитические Алгоритмические Имитационные
4. Способ получения модели	Теоретические Эмпирические
5. Особенности поведения объекта	Детерминированные Вероятностные

Математические модели на микроуровне производственного процесса отражают физические процессы, протекающие, например, при резании металлов. Они описывают процессы на уровне перехода.

Математические модели на макроуровне производственного процесса описывают технологические процессы.

Математические модели на метауровне производственного процесса описывают технологические системы (участки, цехи, предприятие в целом).

Структурные математические модели предназначены для отображения структурных свойств объектов. Например, в САПР ТП для представления структуры технологического процесса, расцеховки изделий используется структурно – логические модели.

Функциональные математические модели предназначены для отображения информационных, физических, временных процессов, протекающих в работающем оборудовании, в ходе выполнения технологических процессов и т.д.

Теоретические математические модели создаются в результате исследования объектов (процессов) на теоретическом уровне.

Эмпирические математические модели создаются в результате проведения экспериментов (изучения внешних проявлений свойств объекта с помощью измерения его параметров на входе и выходе) и обработки их результатов методами математической статистики.

Детерминированные математические модели описывают поведение объекта с позиций полной определенности в настоящем и будущем. Примеры таких моделей: формулы физических законов, технологические процессы обработки деталей и т.д.

Вероятностные математические модели учитывают влияние случайных факторов на поведение объекта, т.е. оценивают его будущее с позиций вероятности тех или иных событий.

Аналитические модели - численные математические модели, которые можно представить в виде явно выраженных зависимостей выходных параметров от параметров внутренних и внешних.

Алгоритмические математические модели выражают связи между выходными параметрами и параметрами входными и внутренними в виде алгоритма.

Имитационные математические модели – это алгоритмические модели, отражающие развитие процесса (поведение исследуемого объекта) во времени при задании внешних воздействий на процесс (объект). Например, это модели систем массового обслуживания, заданные в алгоритмической форме.