Это и каналы связи со случайными шумами. Это и ошибки измерений, носящие
случайный характер. Это и точности изготовления деталей и т.д. и т.п.
Отсюда следует, что при соответствующих заменах блоков каждый
эксперимент на системной модели должен носить случайный характер.
5.2.2. Моделирование сложных систем и опытно-теоретический метод их
испытаний
Рассмотрение истории вопроса появления и развития моделирования
показало, что цель создания любой модели - испытания некоторой системы.
При этом сегодня речь идет о компьютерной реализации и испытаниях модели
системы в условиях, которые или невозможно, или достаточно дорого создать
для проведения натурных испытаний реальной системы, или это сопряжено с
большими временными затратами.
В то же время из проведенного рассмотрения отличий модели от
представляемого ею объекта (процесса, явления) следует, что полностью
положиться на результаты моделирования, выступающего в качестве
единственного источника получения характеристик указанного объекта
(процесса, явления) не представляется возможным.
Отсюда логически вытекает необходимость сочетания моделирования и
натурных испытаний для совместного получения показателей соответствующей
системы. Соответствующий метод и получил название опытно-теоретического.
Здесь необходимо заметить: когда речь идет о натурных испытаниях
системы, подразумевают натурные испытания ее элементов или сокращенного,
упрощенного варианта. В противном случае пришлось бы создать систему в
целом, не зная заранее, как она будет выполнять те или иные задачи. А
если при этом система окажется неспособной выполнить свое назначение и
затраты нецелесообразными? Но система создана?! В связи с этим и цель
опытно-теоретического метода - избежать нецелесообразных затрат, используя
сочетание экспериментальных данных в ограниченном объеме и моделирования -
во всей области факторного пространства функционирования системы.
Суть опытно-теоретического метода, обязательно предполагающего
создание модели системы, сводится к выполнению следующих положений:
1)Получение для одних и тех же условий достаточного количества
реализаций показателей функционирования системы или ее отдельных блоков в
натурных испытаниях и на модели.
2)Проведение параметрической доработки модели на основе сравнения
результатов натурных экспериментов и моделирования, если структура модели
удовлетворительна.
3)Проведение структурной перестройки модели, дополнительный учет
отдельных факторов, дополнение связей при наличии остаточной разности
между выходными характеристиками после попытки параметрической доработки.
4)Проверка статистической совместимости модели и системы в ряде
целенаправленно выбранных точек факторного пространства.
5)На основе выполненной калибровки модели (пункты 1-4) распространение
результатов испытаний системы с помощью моделирования на всю область
факторного пространства.
Таким образом достигается сначала изоморфность модели и системы, а
затем оценка этой системы на модели во всех возможных условиях
функционирования.
Упомянутый при этом отказ от создания системы в целом, замена ее
испытаний на испытания отдельных узлов, модулей, составляющих и т.п.
отражается на построении модели системы. Дело в том, что некоторые
результаты испытаний могут позволить, например, отдельные составляющие
системы не моделировать, описывая соответствующие физические процессы, не
искать для них точных математических описаний для реализации, а
воспользоваться полученными экспериментальными данными. Так, можно не
моделировать уходы параметров отдельных электронных и электромеханических
устройств, приводящие к их отказам, если в результате испытаний получены
характеристики надежности этих устройств (вероятность безотказной работы в
течение рабочего цикла, наработка на отказ, время безотказной работы). То
есть, натурные испытания могут явиться основанием для упрощения модели при
сохранении ее изоморфности системе.
Рассмотренный путь упрощения - не единственный. Во-первых, уже
упомянутый нами компромиссный характер создания модели системы (между
точностью и возможностью реализации) дает в отдельных случаях такие
основания. Тогда, как уже упоминалось можно отказаться от некоторых
деталей моделирования. Во-вторых, задачи, ставящиеся перед моделью могут
быть различными: оценка функционирования системы, оценка взаимодействия
системы с другими сложными системами, оценка характеристик системы во
всем диапазоне условий функционирования и т.д. Это приводит к тому, что при
испытаниях сложных систем имеют дело не с одной единственной моделью. Так
по своему назначению модели делятся на частные и системные.
Частные модели - это модели отдельных частей системы (подсистем,
узлов, агрегатов), позволяющие при высокой точности моделирования этих
частей получить исходные данные для использования в системной модели. В
результате системная модель не будет перегружена соответствующими
частными задачами, то есть, упростится и сможет стать реализуемой в
приемлемое время (например, в реальное время), с приемлемым
быстродействием и в допустимом объеме.
Системные модели включают в свой состав элементы, отражающие в той
или иной степени работу всех частей системы или напрямую используют
отдельные части системы. Они позволяют получить показатели качества всей
системы в целом. А так как таких показателей может быть несколько, то и
системных моделей может быть несколько. При таком разделении функций
исчезает сложность разрабатываемых моделей. Этим, в частности, объясняется
деление системных моделей на функциональные и комплексные. И если
функциональные модели предназначаются для испытаний функционирования
сложной системы в различных ситуациях, то комплексные обеспечивают:
-отработку и отладку программного обеспечения сложной системы;
-оценку характеристик отдельных средств и получение исходных данных
для полной оценки системы.
Л Е К Ц И Я 5.3
Метод статистических испытаний
(метод Монте-Карло)
5.3.1. Основное определение
Из рассмотрения принципов построения моделей сложных систем следует,
что при упрощениях модели и замене блоков, описывающих, как правило,
воздействия на систему и ее части, эксперимент на системной модели сложной
системы достаточно часто приобретает случайный характер. Случаен в силу
этого и выходной эффект системы от запуска модели к запуску. Для
проведения моделирования в таких условиях наиболее приемлемым является
метод моделирования, основанный на статистических испытаниях, так
называемый метод Монте-Карло.
Приемлемость указанного метода обусловливается тем, что
1)расчет оценок выходных параметров осуществляется с использованием
достаточно простых алгоритмов обработки.
2)просто и точно определяется необходимый объем моделирования из
условия достижения заданной точности оценок выходных показателей.
3)методика организации экспериментов на модели достаточно проста и
хорошо программно реализуема.
В этом легко убедиться на простых примерах. А пока рассмотрим
определение.
Метод статистических испытаний (метод Монте-Карло) состоит в решении
различных задач вычислительной математики путем построения для каждой
задачи случайного процесса с параметрами, равными искомым величинам этой
задачи. .
Рассмотрим простейшие примеры.
А. Пусть необходимо определить вероятность Pч того, что суммарное
число попаданий при стрельбе в “десятку” мишени при 10 выстрелах -
четно.
Известно, что если вероятность попадания в “десятку” при одном
выстреле равна p , то искомая вероятность согласно биномиальному закону
распределения вероятностей вычисляется так:
[pic]
Здесь [pic] - число сочетаний из 10 по 2k.
Если предварительно подсчитать все числа сочетаний при k=0…5
или использовать готовую таблицу сочетаний, то вычисления Pч по указанной
формуле потребуют 26 операций.
Вместо такого расчета можно было бы экспериментально выполнить N
серий стрельб по 10 выстрелов и определить из их числа количество серий nч
, в которых число попаданий в “десятку” - четное. Тогда при достаточно
большом N имеем
[pic]
Однако при таком подходе для получения достоверными в оценке Pч двух
знаков после запятой потребуется около 10 000 серий по 10 выстрелов.
Оказывается, что ЭВМ позволяет выполнить решение указанной задачи
третьим способом.
Как известно многие языки программирования имеют в составе
стандартных функций датчик случайных чисел, позволяющий формировать
случайную последовательность равномерно распределенных чисел на интервале
[0,1].
Поэтому вместо выстрела по мишени достаточно выбрать из датчика
указанное число со значением x и проверить выполнение неравенства x<p.
Если оно выполнено, то это соответствует попаданию в “десятку” с
вероятностью p. Покажем это.
Действительно вероятность попадания случайной величины в интервал
[0;p] равна
[pic],
где w(x) - плотность распределения вероятности
В нашем случае имеем дело с равномерным распределение на единичном
интервале, то есть w(x) = 1. Поэтом P0;р = p.
Выбираем теперь серии из 10 чисел x. Если при этом число “попаданий”
(выполнения неравенства x<p) будет четным, считаем серию удачной.
При N таким образом имитированных серий получим также, как и в прямом
эксперименте со стрельбами
[pic]
Однако в отличии от этого прямого эксперимента результат будет
получен здесь на современной ЭВМ не более чем за 10 с.
Таким образом задача в рассмотренном случае была решена (согласно
определению метода Монте-Карло) путем построения случайной
последовательности с параметром, равным искомой величине Pч. Эта
последовательность была построена следующим образом:
-формирование на первом этапе равномерно распределенной
последовательности на интервале [0,1] ;
-формирование на втором этапе новой случайной последовательности (N
серий) группировкой полученных на первом этапе значений в серии по 10;
-формирование на третьем этапе искомой случайной последовательности
путем выборки из последовательности серий второго этапа размера N таких,
в которых неравенство x<p выполняется четное число раз.
Количество серий третьего этапа формирования и определяет частость
[pic]
которая при N (( стремится к искомой величине Pч .
Б.Еще один пример, но из области непосредственного применения метода
Монте-Карло к вычислению интегралов.
Пусть необходимо вычислить
[pic]
При этом будем считать, что 0<=x<=1 и 0<= g(x) <=1 , то есть вся
функция лежит в единичном квадрате.
Такое ограничение не влияет на общность задачи, так как любой интеграл
заменой переменных и изменением масштаба может быть приведен к
рассматриваемому.
Y
1
y = g(x)
x
1
Рис.5.3.1.
Будем рассматривать две области на плоскости (x,y)
( - область, заданная неравенствами
0<= x <=1
0<= y <=1
w - область, ограниченная кривой y = g(x) и ординатами x=0 и x = 1.
Площадь области ( равна единице S1=1, а площадь области w(2 = I.
Зададим в области ( равномерное распределение случайных точек. Это
означает, что вероятность попадания точки с координатами xi , yi в область
Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19
|