Функции служат для отображения зависимостей между двумя СЧА. Основными видами функций в GPSS являются непрерывные (С) и дискретные (D). Функция описывается с помощью множества пар точек - координат. Непрерывная функция воспроизводится в виде ломаной кривой, отрезки которой соединяют соседние точечные значения. Дискретная функция имеет вид ступенчатой кривой.
Функцию описывают оператором FUNCTION. За ней помещают одну или несколько строк, содержащих координатные точки. Оператор имеет следующий вид:
Где А – СЧА, используемый в качестве аргумента функции, В содержит информацию о ее типе и о количестве точек, в которых задана функция.
Поскольку во многих случаях описываются функции случайного аргумента, в качестве операнда А часто используется СЧА rnj, где j – номер генератора случайных чисел, например: rn1.
Операнд В имеет следующий вид: в качестве префикса используется буква C, или D, а в качестве суффикса – число, соответствующее количеству точек (пар чисел), описывающих функцию.
Строки, содержащие пары чисел (значение аргумента, значение функции) (Xi, Yi), имеют следующий вид:
X1,Y1/X2,Y2/.../Xi,Yi/.../Xn,Yn
Причем, если Xi – случайные числа, обязательно условие:X1 < Х2 <...Xi <...<Хn.
Переменные используются для вычисления значений выражений, состоящих из СЧА. Целочисленные переменные, а также булевы переменные описывают оператором VARIABLE, а для описания переменных с плавающей точкой используется оператор FVARIABLE.
Операторы переменной имеют следующий формат:
ИМЯ VARIABLE SNA(oper)SNA(oper)...
(FVARIABLE)
где:
SNA - допустимые стандартные числовые атрибуты;
(ореr) - арифметические и логические операции:
"+" - сложить;
"-" - вычесть;
"/" - разделить;
"@" - разделить по модулю;
"()" - скобки ;
"1" - логическое "И";
" " - логическое "ИЛИ";
"=" - равенство;
"<>" - не равно;
"<" - меньше;
">=" - больше чем или равно;
"<=" - меньше чем или равно;
">" - больше.
Имитационная модель отображает динамическое поведение системы во времени. Она разрабатывается с целью получения результатов, подобных данным о функционировании реальной системы. Следовательно, статистический анализ результатов имитации подобен статистическому анализу данных, полученных при обследовании реальной системы. Основное отличие состоит в том, что исследователь имеет большие возможности управления имитационной моделью. Он может, например, построить планы эксперимента с моделью, гарантирующие получение вполне определенных выходных данных, необходимых для ответа на касающиеся изучаемой системы вопросы.
Относительно выходных данных имитационной модели можно сформулировать два типа вопросов:
1. Каков разброс данных, обусловленный собственно имитационной моделью?
2. Какие выводы можно сделать о характеристиках реальной системы на основе использования имитационной модели?
Первый вопрос связан с пониманием свойств самой модели и выяснением того, работает ли она в соответствии с задуманной схемой. Интересно также выявление чувствительности выходных данных модели к изменению ее входных параметров. Разброс выходных данных зависит, прежде всего, от точности подбора заложенных в модель вероятностных распределений.
Второй вопрос связан с состоятельностью модели и ее полезностью. Ответ на него включает описание характеристик системы и их статистическую обработку. Другими словами, строятся таблицы и графики, которые анализируются так, как если бы они были построены по данным обследования реальной системы, т.е. теми же методами статистического анализа. Если принятие решения основано на вероятности появления того или иного результата или на среднем значении некоторой величины, требуемые количественные оценки могут быть получены, исходя из результатов имитации. Именно с этой целью имитационный анализ используется в большинстве его современных приложений. При этом оценка разброса случайной величины выполняется так же, как и для реальной системы.
Ответ на вопрос первого типа должен содержать подробный статистический анализ, обеспечивающий получение информации о точности и чувствительности модели. Обычно для этой цели либо повторяют имитацию несколько раз, либо имитируют более продолжительный период времени. При этом имитационная модель рассматривается как стохастическая и предполагается, что случайные элементы модели приведут к результатам, также носящим вероятностный характер. Более точные результаты могут быть получены путем изменения условий эксперимента, например путем увеличения числа прогонов.
Поскольку вопрос второго типа непосредственно связан с особенностями системы, а, следовательно, и ее модели, то здесь трудно рекомендовать какие-то универсальные средства анализа, помимо стандартных статистических процедур.
