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.

Применение имитационного моделирования

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 её 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

Три подхода имитационного моделирования

Подходы имитационного моделирования на шкале абстракции

• 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.

Области применения

• Динамика населения
• ИТ-инфраструктура
• Математическое моделирование исторических процессов
• Пешеходная динамика
• Рынок и конкуренция
• Сервисные центры
• Цепочки поставок
• Уличное движение
• Экономика здравоохранения

Свободные системы имитационного моделирования

См. также

• Сетевое моделирование

Примечания

Литература

• Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. - 7-е изд. - М .: «Вильямс», 2007. - С. 697-737. - ISBN 0-13-032374-8

• Строгалев В. П., Толкачева И. О. Имитационное моделирование. - МГТУ им. Баумана, 2008. - С. 697-737. - ISBN 978-5-7038-3021-5

Ссылки

• Компьютерное и статическое имитационное моделирование на Интуит.ру
• Имитационное моделирование в задачах технологического инжиниринга Макаров В. М., Лукина С. В., Лебедь П. А.

Wikimedia Foundation . 2010 .

Смотреть что такое "Имитационное моделирование" в других словарях:

имитационное моделирование - (ITIL Continual Service Improvement) (ITIL Service Design) Методика, создающая детальную модель с целью предсказания поведение конфигурационной единицы или ИТ услуги. Имитационные модели могут быть реализованы с очень высокой точностью, но это… … Справочник технического переводчика

Имитационное моделирование - Имитационное моделирование: моделирование (знаковое, предметное) технических объектов, основанное на воспроизведении процессов, сопровождающих их существование... Источник: ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ТЕХНИКИ И ОПЕРАТОРСКОЙ ДЕЯТЕЛЬНОСТИ. ЯЗЫК… … Официальная терминология

Имитационное моделирование - см. Машинная имитация, Стендовое экспериментирование … Экономико-математический словарь

Разработка, конструирование модели некоторого объекта для его исследования Словарь бизнес терминов. Академик.ру. 2001 … Словарь бизнес-терминов

имитационное моделирование - 3.9 имитационное моделирование: Моделирование (знаковое, предметное) технических объектов, основанное на воспроизведении процессов, сопровождающих их существование. Источник … Словарь-справочник терминов нормативно-технической документации

ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ - (...от франц. modele образец) метод исследования каких либо явлений и процессов методом статистических испытаний (метод Монте Карло) с помощью ЭВМ. Метод основан на розыгрыше (имитации) воздействия случайных факторов на изучаемое явление или… … Энциклопедический словарь по психологии и педагогике

Имитационное моделирование - это воспроизведение на модели той или иной реальной ситуации, ее исследование и, в конечном счете, нахождение наиболее удачного решения. Собственно И. м. сотоит из конструирования математической модели реальной системы и постановки на ней… … Терминологический словарь библиотекаря по социально-экономической тематике

Эту статью следует викифицировать. Пожалуйста, оформите её согласно правилам оформления статей. Имитационные модели связаны не с аналитическим представлением, а с принципом имитации с помощью информационных и программ … Википедия

Имитационное моделирование Монте Карло - (метод Монте Карло) Аналитический метод решения проблемы посредством выполнения большого числа тестовых операций, называемых имитационным моделированием, и получения необходимого решения из объединенных результатов тестов. Метод вычисления… … Инвестиционный словарь

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.

Еще одним примером существенно машинных моделей являются имитационные модели. Несмотря на то что имитационное моделирование становится все более популярным методом исследования сложных систем и процессов, на сегодняшний день нет единого, признаваемого всеми исследователями определения имитационной модели.

В большинстве используемых определений подразумевается, что имитационная модель создается и реализуется с помощью набора математических и инструментальных средств, позволяющих с использованием компьютера провести целенаправленные расчеты характеристик моделируемого процесса и оптимизацию некоторых его параметров.

Существуют и крайние точки зрения. Одна из них связана с утверждением, что имитационной моделью можно признать любое логико-математическое описание системы, которое может быть использовано в ходе проведения вычислительных экспериментов. С этих позиций расчеты, связанные с варьированием параметров в чисто детерминированных задачах, признаются имитационным моделированием.

Сторонники другой крайней точки зрения считают, что имитационная модель - это обязательно специальный программный комплекс, который позволяет имитировать деятельность какого-либо сложного объекта. «Метод имитационного моделирования является экспериментальным методом исследования реальной системы по ее компьютерной модели, который сочетает особенности экспериментального подхода и специфические условия использования вычислительной техники. Имитационное моделирование является машинным методом моделирования, собственно без ЭВМ никогда не существовало, и только развитие информационных технологий привело к становлению этого вида компьютерного моделирования» . Такой подход отрицает возможность создания простейших имитационных моделей без применения компьютера.

Определение 1.9. Имитационная модель - особая разновидность информационных моделей, сочетающая элементы аналитических, компьютерных и аналоговых моделей, которая позволяет с помощью последовательности вычислений и графического отображения результатов ее работы воспроизводить (имитировать) процессы функционирования изучаемого объекта при воздействии на него различных (как правило, случайных) факторов.

Имитационное моделирование применяется сегодня для моделирования бизнес-процессов, цепочек поставок, боевых действий, динамики населения, исторических процессов, конкуренции и других процессов, для прогнозирования последствий управленческих решений в самых разных областях. Имитационное моделирование позволяет исследовать системы любой природы, сложности и назначения и практически с любой степенью детализации, ограниченной лишь трудоемкостью разработки имитационной модели и техническими возможностями используемых для проведения экспериментов вычислительных средств.

Имитационные модели, которые разрабатываются для решения современных практических задач, обычно содержат большое число сложно взаимодействующих стохастических элементов, каждый из которых описывается большим числом параметров и подвергается стохастическим воздействиям. В этих случаях, как правило, натурное моделирование нежелательно или невозможно, а аналитическое решение затруднено или также невозможно. Часто реализация имитационной модели требует организации распределенных вычислений . По этим причинам имитационные модели относятся к существенно машинным моделям.

Имитационная модель предполагает представление модели в виде некоторого алгоритма, реализуемого компьютерной программой, выполнение которого имитирует последовательность смены состояний в системе и таким образом отображает поведение моделируемой системы или процесса.

Обратите внимание!

При наличии случайных факторов необходимые характеристики моделируемых процессов получаются в результате многократных прогонов имитационной модели и последующей статистической обработки накопленной информации.

Заметим, что с точки зрения сиециалиста-нрикладника правомерно трактовать имитационное моделирование как информационную технологию: «Имитационное моделирование контролируемого процесса или управляемого объекта - это высокоуровневая информационная технология, которая обеспечивает два вида действий, выполняемых с помощью компьютера:

• 1) работы по созданию или модификации имитационной модели;
• 2) эксплуатацию имитационной модели и интерпретацию результатов» .

Модульный принцип построения имитационной модели. Итак, имитационное моделирование предполагает наличие построенных логикоматематических моделей, описывающих изучаемую систему во взаимосвязи с внешней средой, воспроизведение протекающих в ней процессов с сохранением их логической структуры и последовательности во времени при помощи средств вычислительной техники. Наиболее рационально строить имитационную модель функционирования системы по модульному принципу. При этом могут быть выделены три взаимосвязанных блока модулей такой модели (рис. 1.7).

Рис. 1.7.

Основная часть алгоритмической модели реализуется в блоке имитации процессов функционирования объекта (блок 2). Здесь организуется отсчет модельного времени, воспроизводится логика и динамика взаимодействия элементов модели, обеспечивается проведение экспериментов для накопления данных, необходимых для расчета оценок характеристик функционирования объекта. Блок имитации случайных воздействий (блок 1) служит для генерирования значений случайных величин и процессов. В его состав входят генераторы стандартных распределений и средства реализации алгоритмов моделирования случайных воздействий с требуемыми свойствами. В блоке обработки результатов имитации (блок 3) рассчитываются текущие и итоговые значения характеристик, составляющие результаты экспериментов с моделью. Такие эксперименты могут состоять в решении сопутствующих задач, в том числе оптимизационных или обратных.

• Лычкина II. II. Указ. соч.
• Распределенные вычисления - способ решения трудоемких вычислительных задачс использованием нескольких компьютеров, чаще всего объединенных в параллельнуювычислительную систему.
• Емельянов А. А, Власова Е. А., Дума Р. В. Имитационное моделирование экономическихпроцессов. М. : Финансы и статистика, 2006. С. 6.

При имитационном моделировании результат нельзя заранее вычислить или предсказать. Поэтому для предсказания поведения сложной системы (электроэнергетической, СЭС крупного производственного объекта и т.п.) необходим эксперимент, имитация на модели при заданных исходных данных.

Имитационное моделирование сложных систем используется при решении следующих задач.

Если не существует законченной постановки задачи исследования и идёт процесс познания объекта моделирования.

Если аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование даёт более простой способ решения задачи.

Когда кроме оценки параметров сложных систем желательно осуществить наблюдение за поведением их компонент в течение определённого периода.

Когда имитационное моделирование является единственным способом исследования сложной системы из-за невозможности наблюдения явлений в реальных условиях.

Когда необходимо контролировать протекание процессов в сложной системе путём ускорения или замедления явлений в ходе имитации.

При подготовке специалистов и освоении новой техники.

Когда изучаются новые ситуации в сложных системах, о которых мало известно или ничего неизвестно.

Тогда особое значение имеет последовательность событий в проектируемой сложной системе и модель используется для предсказания «узких мест» функционирования системы.

Создание имитационной модели сложной системы начинается с постановки задачи. Но часто заказчик формулирует задачу недостаточно чётко. Поэтому работа обычно начинается с поискового изучения системы. Это порождает новую информацию, касающуюся ограничений, задач и возможных альтернативных вариантов. В результате возникают следующие этапы:

Составление содержательного описания системы;

Выбор показателей качества;

Определение управляющих переменных;

Детализация описания режимов функционирования.

Основу имитационного моделирования составляет метод статистического моделирования (метод Монте-Карло). Это численный метод решения математических задач при помощи моделирования случайных величин. Датой рождения этого метода принято считать 1949 г. Создатели его – американские математики Л. Нейман и С. Улам. Первые статьи о методе Монте-Карло у нас были опубликованы в 1955 г. Однако до появления ЭВМ этот метод не мог найти сколько-нибудь широкого применения, ибо моделировать случайные величины вручную – очень трудоемкая работа. Название метода происходит от города Монте-Карло в княжестве Монако, знаменитого своими игорными домами. Дело в том, что одним из простейших механических приборов для получения случайных величин является рулетка.

Рассмотрим классический пример. Нужно вычислить площадь произвольной плоской фигуры . Граница ее может быть криволинейной, заданной графически или аналитически, состоящей из нескольких кусков. Пусть это будет фигура рис. 3.20. Допустим, что вся фигура расположена внутри единичного квадрата. Выберем в квадрате
случайных точек. Обозначим через
число точек, попавших внутрь фигуры. Геометрически очевидно, что площадьприближённо равна отношению
. Чем больше
, тем больше точность оценки.

Рис.3.20. Иллюстрация примера

В нашем примере
,
(внутри). Отсюда
. Истинная площадь может быть легко подсчитана и составляет 0,25.

Метод Монте-Карло имеет две особенности.

Первая особенность – простота вычислительного алгоритма. В программе для вычислений необходимо предусмотреть, что для осуществления одного случайного события надо выбрать случайную точку и проверить, принадлежит ли она . Затем это испытание повторяется
раз, причем каждый опыт не зависит от остальных, а результаты всех опытов усредняются. Поэтому метод и называют – метод статистических испытаний.

Вторая особенность метода: ошибка вычислений, как правило, пропорциональна

,

где
– некоторая постоянная;
– число испытаний.

Из этой формулы видно, что для того, чтобы уменьшить ошибку в 10 раз (иначе говоря, чтобы получить в ответе еще один верный десятичный знак), нужно увеличить
(объём испытаний) в 100 раз.

Замечание. Метод вычисления справедлив только тогда, когда случайные точки будут не просто случайными, а еще и равномерно распределёнными.

Использование имитационного моделирования (в том числе метода Монте-Карло и его модификаций) для расчёта надёжности сложных технических систем основано на том, что процесс их функционирования представляется математической вероятностной моделью, отражающей в реальном масштабе времени все события (отказы, восстановления), происходящие в системе.

С помощью такой модели на ЭВМ многократно моделируется процесс функционирования системы и по полученным результатам определяются искомые статистические характеристики этого процесса, являющиеся показателями надёжности. Применение методов имитационного моделирования позволяет учитывать зависимые отказы, произвольные законы распределения случайных величин и другие факторы, влияющие на надёжность.

Однако эти методы, как и любые другие численные методы, дают лишь частное решение поставленной задачи, соответствующее конкретным (частным) исходным данным, не позволяя получить показатели надёжности в функции времени. Поэтому для проведения всестороннего анализа надёжности приходится многократно моделировать процесс функционирования системы с разными исходными данными.

В нашем случае это, прежде всего, различная структура электрической системы, различные значения вероятностей отказа и длительностей безотказной работы, которые могут изменяться в процессе эксплуатации системы, и другие показатели функционирования.

Процесс функционирования электрической системы (или электротехнической установки) представляется как поток случайных событий – изменений состояния, происходящих в случайные моменты времени. Изменение состояний ЭЭС вызывается отказами и восстановлениями составляющих ее элементов .

Рассмотрим схематическое изображение процесса функционирования ЭЭС, состоящей из элементов (рис. 3.21), где приняты следующие обозначения:

–момент -го отказа-го элемента;

–момент -го восстановления-го элемента;

–интервал времени безотказной работы -го элемента после
-го восстановления;

–продолжительность восстановления -го элемента после-го отказа;

–i -е состояние ЭЭС в момент времени .

Величины , связаны между собой соотношениями:

(3.20)

Отказы и восстановления происходят в случайные моменты времени. Поэтому интервалы иможно рассматривать как реализации непрерывных случайных величин:– наработок между отказами,– времени восстановления-го элемента.

Поток событий
описывается моментами их наступления
.

Моделирование процесса функционирования состоит в том, что моделируются моменты изменения состояния ЭЭС в соответствии с заданными законами распределения наработок между отказами и времени восстановления составляющих элементов на интервале времени Т (между ППР).

Возможны два подхода к моделированию функционирования ЭЭС.

При первом подходе необходимо сначала для каждого -гo элемента системы
определить, в соответствии с заданными законами распределения наработок между отказами и временами восстановления, интервалы времени
и
и вычислить по формулам (3.20) моменты его отказов и восстановлений, которые могут произойти за весь исследуемый периодфункционирования ЭЭС. После этого можно расположить моменты отказов и восстановлений элементов, являющиеся моментами изменения состояний ЭЭС, в порядке их возрастания, как показано на рис.3.21.

Рис.3.21. Состояния ЭЭС

Затем следует анализ полученных путем моделирования состояний А i системы на принадлежность их к области работоспособных или неработоспособных состояний. При таком подходе в памяти ЭВМ необходимо фиксировать все моменты отказов и восстановлений всех элементов ЭЭС.

Более удобным является второй подход , при котором для всех элементов сначала моделируются только моменты первого их отказа. По минимальному из них формируется первый переход ЭЭС в другое состояние (из А 0 в А i ) и одновременно проверяется принадлежность полученного состояния к области работоспособных или неработоспособных состояний.

Затем моделируется и фиксируется момент времени восстановления и следующего отказа того элемента, который вызвал изменение предыдущего состояния ЭЭС. Снова определяется наименьший из моментов времени первых отказов и этого второго отказа элементов, формируется и анализируется второе состояние ЭЭС – и т.д.

Такой подход к моделированию в большей мере соответствует процессу функционирования реальной ЭЭС, так как позволяет учесть зависимые события. При первом подходе обязательно предполагается независимость функционирования элементов ЭЭС. Время счёта показателей надёжности методом имитационного моделирования зависит от полного числа опытов
, числа рассматриваемых состояний ЭЭС, числа элементов в ней. Итак, если сформированное состояние окажется состоянием отказа ЭЭС, то фиксируется момент отказа ЭЭС и вычисляетсяинтервал времени безотказной работы ЭЭС от момента восстановления после предыдущего отказа. Анализ сформированных состояний производится на протяжении всего рассматриваемого интервала времениТ .

Программа расчёта показателей надёжности состоит из главной части и отдельных логически самостоятельных блоков-подпрограмм. В главной части в соответствии с общей логической последовательностью расчёта происходят обращения к подпрограммам специального назначения, расчёт показателей надёжности по известным формулам и выдача результатов расчёта на печать.

Рассмотрим упрощенную блок-схему, демонстрирующую последовательность работы по расчёту показателей надёжности ЭЭС методом имитационного моделирования (рис. 3.22).

Подпрограммы специального назначения осуществляют: ввод исходной информации; моделирование моментов отказов и восстановлений элементов в соответствии с законами распределения их наработки и времени воcстановления; определение минимальных значений моментов отказов и моментов восстановлений элементов и идентификацию элементов, ответственных за эти значения; моделирование процесса функционирования ЭЭС на интервале и анализ сформированных состояний.

При таком построении программы можно, не затрагивая общую логику программы, вносить необходимые изменения и дополнения, связанные, например, с изменением возможных законов распределения наработки и времени восстановления элементов.

Рис.3.22 . Блок-схема алгоритма расчёта показателей надежности методом имитационного моделирования