русс | укр

Языки программирования

ПаскальСиАссемблерJavaMatlabPhpHtmlJavaScriptCSSC#DelphiТурбо Пролог

Компьютерные сетиСистемное программное обеспечениеИнформационные технологииПрограммирование

Все о программировании


Linux Unix Алгоритмические языки Аналоговые и гибридные вычислительные устройства Архитектура микроконтроллеров Введение в разработку распределенных информационных систем Введение в численные методы Дискретная математика Информационное обслуживание пользователей Информация и моделирование в управлении производством Компьютерная графика Математическое и компьютерное моделирование Моделирование Нейрокомпьютеры Проектирование программ диагностики компьютерных систем и сетей Проектирование системных программ Системы счисления Теория статистики Теория оптимизации Уроки AutoCAD 3D Уроки базы данных Access Уроки Orcad Цифровые автоматы Шпаргалки по компьютеру Шпаргалки по программированию Экспертные системы Элементы теории информации

Вопрос 1


Дата добавления: 2015-06-12; просмотров: 613; Нарушение авторских прав


Что понимается под названием вычислительный эксперимент?

Коротко говоря – создание и изучение математических моделей исследуемых объектов с помощью ПЭВМ

Уместно ли здесь слово «эксперимент». Безусловно. При математическом моделировании мы имеем дело не с самим явлением, а с некоторым теоретическим «слепком» с него, с моделью, выражающей в математической форме основные закономерности, которым она подчиняется. В результате исследователь, проводя вычислительный эксперимент, испытывает как бы саму природу (конструкцию, технологический процесс, объект вооружения, операцию), задавая ей вопросы и получая строгие и относительно полные ответы.

Возможность замены исходного объекта его математической «концепцией» и дальнейшего «диалога» с нею таит в себе большие преимущества и означает серьезное изменение методологии и технологии военно-научных исследований. Становится все более ясной неизбежность широкого использования математического моделирования для реализации государственных комплексных научно-технических программ вообще и программ развития отраслей в частности.

Концепция вычислительного эксперимента (его также называют методом статистических испытаний) в настоящее время детально разработана и очерчена сфера его приложения.

Он имеет свои особенности в различных областях науки и предназначен для изучения, прогнозирования, оптимизации сложных многопараметрических стохастических нелинейных процессов, теоретическое и экспериментальное исследование которых традиционными методами затруднено или невозможно (например, прогнозирование хода и исхода боевых действий, задачи баллистики, эргономики и т.д.).

Метод статистических испытаний – один из основных методов моделирования больших систем. Широкое применение метода объясняется тем, что он позволяет заменить эксперимент с реальной системой экспе­риментом с моделью этой системы на ПЭВМ. При моделировании методом статистических испытаний не требуется строгого матема­тического описания системы: достаточно знать в общих чертах ал­горитм ее функционирования. Этот алгоритм может быть задан описательно и переведен в машинную программу.



Во многих прак­тических задачах построение математической модели функциони­рования системы в целом трудно осуществимо, но можно аналитически описать поведение отдельных элементов и построить моделирующий алгоритм функционирования системы, реализуемый на ПЭВМ. В этих случаях статистическое моделирование оказывается единственно приемлемым средством исследования.

Статистическое моделирование представляет собой численный метод исследования модели системы. Строго говоря, ПЭВМ не яв­ляется принципиально обязательным инструментом метода. Одна­ко огромное количество вычислений, которое при этом требуется выполнить, делает возможным практическое применение метода только с помощью ПЭВМ.

Сущность метода состоит в имитации на ПЭВМ случайных про­цессов, протекающих в реальной системе, с учетом структуры си­стемы, связей и взаимовлияний между ее элементами. Имитация осуществляется реализацией соответствующего моделирующего алгоритма.

Вследствие того, что моделируемый процесс является случай­ным, результаты, полученные при однократном моделировании, не могут характеризовать его. Искомые величины, характеризующие исследуемый процесс, находят статистической обработкой данных, полученных многократным моделированием. Если число испытаний достаточно велико, то в силу закона больших чисел полученные оценки приобретают статистическую устойчивость и с достаточной для практики точностью могут быть приняты в качестве характеристик процесса.

Пусть моделируется процесс, зависящий от случайных параметров . Законы распределения вероятностей этих параметров известны. В каждом из независимых испытаний получается некоторая величина , где – номер испытания. Требуется определить характеристики процесса. Ход моделирования – метод статистических испытаний можно представить следующим образом. Строится модель, описывающая структуру и функционирование системы с учетом связей и взаимовлияний между ее элементами, на основе модели строится моделирующий алгоритм.

Следующим шагом является моделирование случайных параметров системы. Например, параметр может быть распределен по нормальному закону с математическим ожиданием и дисперсией , параметр – также по нормальному закону с математическим ожиданием и дисперсией , параметр – равномерно в интервале и т. д.

Далее производится испытаний. В результате каждого испытания получают случайное значение . Значения запоминаются и используются для вычисления величин, характеризующих процесс функционирования системы. Для обеспечения статистической устойчивости эти величины определяются как средние значения по большому числу испытаний . Выбор зависит от требований точности, предъявляемых к результатам моделирования.

Таким образом, можно выделить три основные составные части метода статистических испытаний:

1) построение математической модели и моделирующего алгоритма исследуемой системы;

2) формирование случайных величин с заданным законом распределения вероятностей;

3) статистическая оценка результатов моделирования.

Нельзя указать общих правил построения модели и моделирующего алгоритма. Однако имеются приемы, позволяющие представить формализованный процесс функционирования системы в виде последовательности операций (или групп операций), выполняемых ПЭВМ. В качестве примера далее будет рассмотрено построение структуры алгоритма, моделирующего работу системы массового обслуживания (СМО). Методы формирования случайных величин с заданным законом распределения излагаются в следующем параграфе. Здесь же рассмотрим вопросы оценки точности метода статистических испытаний и определения необходимого числа испытаний .

Статистическая обработка и оценка точности результатов моде­лирования основывается на предельных теоремах теории вероят­ностей: теореме Чебышева и теореме Бернулли.

Согласно теореме Чебышева, при неограниченном увеличении числа независимых испытаний среднее арифметическое значение случайной величины сходится по вероятности к математическому ожиданию этой величины, то есть

, (1)

 


где – сколь угодно малое положительное число,

.

Теорема Бернулли доказывает, что при неограниченном увеличении числа независимых испытаний частота наступления случайного события сходится к вероятности этого события, то есть

 

. (2)

 

Пусть случайная величина характеризуется математическим ожиданием и дисперсией . В качестве приближенного значения величины берется среднее арифметическое значение , определяемое по результатам независимых испытаний. Отклонение величины от искомого математического ожидания и есть ошибка метода. Величина , удовлетворяющая неравенству , называется точностью оценки.

Из теоремы Чебышева следует, что ошибка метода может быть оценена лишь вероятностно, с определенной степенью достоверности. Обозначим через вероятность того, что выполняется неравенство :

. (3)

 

Вероятность характеризует степень достоверности оценки, ее надежность. Это означает, что с надежностью можно быть уверенным, что среднее арифметическое значение не выйдет за пределы интервала , то есть, что

.

 

Вероятность называют доверительной вероятностью, а границы интервала , в которых с заданной доверительной вероятностью заключена ошибка метода – доверительными границами.

Из теории вероятностей известно, что при нормальном законе распределения вероятность отклонения случайной величины от ее математического ожидания менее, чем на равна

 

, (4)

где – функция Лапласа (интеграл вероятностей);

– аргумент функции Лапласа;

– среднее квадратическое отклонение величины .

Также известно, что если производится большое число опытов, то среднее арифметическое есть также случайная величина, приближенно распределенная по нормальному закону с математическим ожиданием и средним квадратическим отклонением .

Из сказанного следует, что вероятность любого отклонения может быть вычислена по формуле [2]

 

. (5)

Положим

, (6)

тогда получим

 

. (7)

 

Сравнивая выражения (3) и (7), найдем условие, при котором ошибка метода не превысит величину с вероятностью :

 

. (8)

 

Задаваясь доверительной вероятностью , найдем из уравнения (8) с помощью таблиц функции Лапласа численное значение . Подставив далее величину в выражение (6), получим формулу для вычисления искомого числа испытаний , при кото­ром выполняется условие (8):

 

. (9)

Из формулы (9) видно, что для определения необходимо еще знать величину дисперсии . Так как она неизвестна, обычно поступают следующим образом. Задаются некоторым достаточно большим значением и находят приближенное значение (статистическую оценку) дисперсии по формуле

. (10)

Величину подставляют в формулу (9) и находят уточнен­ное значение . Таким образом, достигаемая точность может быть хорошо оценена только в процессе моделирования.

Задавая доверительную вероятность , получаем из формул (5), (8) доверительную оценку

(11)

с надежностью . Отсюда вытекает, что ошибка метода статисти­ческих испытаний пропорциональна величине . Следовательно, чтобы уменьшить ошибку в 10 раз (то есть, чтобы получить в ответе еще один верный знак), нужно увеличить число испытаний в 100 раз. Чтобы получить достаточно высокую точность, необходимо провести тысячи испытаний. Метод особенно эффективен при реше­нии задач, в которых результат нужен с точностью порядка 5 – 10 %.

Мы рассмотрели точность моделирования процесса, в котором при каждом из независимых испытаний получается величина , имеющая математическое ожидание . Рассмотрим теперь слу­чай моделирования события , вероятность появления которого в каждом из независимых испытаний равна . Обозначим через величину, равную единице, если на -м испытании произошло событие , и равную нулю, если событие не произошло. Следовательно, общее число испытаний, в каждом из которых событие произошло, равно , а частота появления события равна .

Так как есть искомая величина, а – ее приближенное значение, то есть ошибка метода.

Введя снова величину , удовлетворяющую неравенство , и доверительную вероятность , получим на основании теоремы Бернулли

. (12)

 

Можно показать, что в этом случае необходимое число испытаний определяется по формуле

, (13)

где также находится из условия (8).

Так как до начала испытаний величина неизвестна, то в формулу (13) вместо подставляют значение частоты , вычисленное при достаточно большом числе испытаний , и определяют уточненное значение .

Основными достоинствами метода статистических испытаний являются:

· применимость для моделирования очень сложных систем и процессов любой физической природы. Система может содержать элементы непрерывного и дискретного действия, быть подверженной воздействию многочисленных случайных факторов, описываться сложными линейными и нелинейными зависимостями и т. д.;

· простота осуществимости. Составляется программа для одного испытания, затем испытание повторяется раз. Нет необходимости в создании специальных устройств;

· простота оценки точности полученных результатов.

Наиболее существенным недостатком метода, ограничивающим его применение, является большое количество испытаний, которые необходимо провести для получения характеристик исследуемой системы с высокой точностью.

Кроме того, методу присущ общий недостаток любых численных методов, связанный с трудностями установления функциональных зависимостей между параметрами системы. Это объясняется тем, что результаты каждого испытания носят частный характер и характеризуют поведение системы лишь для тех значений параметров, при которых проводилось моделирование.



<== предыдущая лекция | следующая лекция ==>
Моделирование больших систем методом статистических испытаний. Сущность метода статистических испытаний. Точность метода | Моделирование системы массового обслуживания


Карта сайта Карта сайта укр


Уроки php mysql Программирование

Онлайн система счисления Калькулятор онлайн обычный Инженерный калькулятор онлайн Замена русских букв на английские для вебмастеров Замена русских букв на английские

Аппаратное и программное обеспечение Графика и компьютерная сфера Интегрированная геоинформационная система Интернет Компьютер Комплектующие компьютера Лекции Методы и средства измерений неэлектрических величин Обслуживание компьютерных и периферийных устройств Операционные системы Параллельное программирование Проектирование электронных средств Периферийные устройства Полезные ресурсы для программистов Программы для программистов Статьи для программистов Cтруктура и организация данных


 


Не нашли то, что искали? Google вам в помощь!

 
 

© life-prog.ru При использовании материалов прямая ссылка на сайт обязательна.

Генерация страницы за: 3.598 сек.