Имитационное моделирование

Содержание

 

Введение. 1

Система, модели и имитационное моделирование 2

Виды имитационного  моделирования 7

Основные преимущества и недостатки имитационного моделирования 8

Построение модели развития гостиничного комплекса 10

Практическая реализация имитационной модели 18

Заключение 20

Текст программы. 22

Список литературы 25

 

 

 

 

 

 

 

 

 

 

 

 

Введение.

Имитационное моделирование (ИМ) – один из самых мощных инструментов анализа при разработке сложных систем и анализе процессов их функционирования. Суть имитационного моделирования проста и в то же время интуитивно привлекательна. Его использование дает возможность экспериментировать с существующими или предлагаемыми системами в тех случаях, когда сделать это на реальных объектах практически невозможно или нецелесообразно.

  Главное отличие подхода к изучению любого объекта как системы состоит в том, что исследователь не ограничивается рассмотрением и описанием только вещественной и энергетической его сторон, но и (прежде всего) проводит исследование его информационных аспектов: целей, информационных потоков, управления, организации и т.д. Создание новых и совершенствование существующих объектов (систем) зависят от решения вопросов, позволяющих анализировать имеющуюся информацию, отсеивать ее избыточную часть, выделять основную, производить оценку и обеспечивать формирование альтернатив для принятия решений.

Любая более или менее сложная экономическая  система в процессе своего существования  потребляет и вырабатывает большой  объем информации. Более того, сегодня  можно однозначно утверждать, что  объем информации, необходимый для  нормального функционирования экономических  объектов, и требования к скорости восприятия информации экономической  системой неуклонно возрастает. Предприятия  производят обмен информацией как  внутри себя, так и во вне (в “горизонтальном” и “вертикальном” направлении). Ни для кого не секрет, что в рамках достаточно крупного промышленного предприятия годовой оборот документированных данных может достигать двухмиллионного рубежа и содержать совершенно фантастическую цифру показателей - более ста миллионов единиц. Однако сразу отметим, что количество данных в отчетах не адекватно содержащейся в них информации. Обычно под информацией понимают только те данные, которые способствуют решению задач, поставленных перед исследователем. Из литературных источников известно, что только 10-30% данных, циркулирующих в экономических системах, непосредственно используются при решении задач. Остальные данные не используются вообще.

  Рыночные условия хозяйствования  и современные компьютерные технологии  потребовали от экономических  систем новых форм организации  информационных потоков. В качестве  примера можно привести систему  маркетинговой информации, которая  сама по себе представляет  постоянно меняющуюся сложную  систему из четырех подсистем:  системы внутренней отчетности, системы исследований, системы сбора  текущей внешней информации, системы  анализа информации.

  В настоящее время, когда компьютерная  промышленность, предлагает разнообразнейшие  средства моделирования, любой  квалифицированный инженер, технолог  или менеджер должен уметь  уже не просто моделировать  сложные объекты, а моделировать  их с помощью современных технологий, реализованных в форме графических  сред или пакетов визуального  моделирования.

 

Система, модели и имитационное моделирование

 

Система — это совокупность объектов, например людей или механизмов, функционирующих  и взаимодействующих друг с другом для достижения определенной цели. Данное определение предложено Шмидтом  и Тейлором.

На  практике понятие системы зависит  от задач конкретного исследования. Так, совокупность предметов, которые  составляют систему в одном исследовании, может являться лишь подмножеством  в иной системе, при проведении другого  исследования. Скажем, при исследовании функционирования банка с целью  определения числа кассиров, необходимого для обеспечения адекватного  обслуживания клиентов, желающих снять  деньги со счета, обналичить чек, сделать  вклад, система будет состоять из кассиров и посетителей, ожидающих  своей очереди на обслуживание. Если же в исследовании должны быть учтены служащие, занимающиеся выдачей кредитов, и сейфы для вкладов на ответственном  хранении, определение системы расширится соответствующим образом .

Состояние системы определяется как совокупность переменных, необходимых для описания системы на определенный момент времени  в соответствии с задачами исследования. При исследовании банка примерами  переменных состояния могут служить  число занятых кассиров, число  посетителей в банке и время  прибытия каждого клиента в банк.

Существуют  системы двух типов: дискретные и  непрерывные. В дискретной системе  переменные состояния в различные  периоды времени меняются мгновенно. Банк можно назвать примером дискретной системы, поскольку переменные состояния, например количество посетителей в банке, меняются только по прибытии нового посетителя, по окончании обслуживания или уходе посетителя, раньше находившегося в банке. В непрерывной системе переменные меняются беспрерывно во времени. Самолет, движущийся в воздухе, может служить примером непрерывной системы, поскольку переменные состояния (например, положение и скорость) меняются постоянно по отношению ко времени. На практике система редко является полностью дискретной или полностью непрерывной. Но в каждой системе, как правило, превалирует один тип изменений, по нему мы и определяем ее либо как дискретную, либо как непрерывную.

В определенные моменты функционирования большинства  систем возникает необходимость  их исследования с целью получения  представления о внутренних отношениях между их компонентами или вычисления их производительности в новых условиях эксплуатации. На рис. 1 изображены различные  способы исследования системы. Рассмотрим их подробнее.

 

Рис. 1. Способы исследования системы

 

Эксперимент с реальной системой или с моделью  системы? При наличии возможности  физически изменить систему (если это  рентабельно) и запустить ее в  действие в новых условиях лучше  всего поступить именно так, поскольку  в этом случае вопрос об адекватности полученного результата исчезает сам  собой. Однако часто такой подход неосуществим либо из-за слишком больших  затрат на его осуществление, либо в  силу разрушительного воздействия  на саму систему. Например, в банке  ищут способы снижения расходов, и  с этой целью предлагается уменьшить  число кассиров. Если опробовать в  действии новую систему - с меньшим  числом кассиров, это может привести к длительным задержкам в обслуживании посетителей и их отказу от услуг  банка. Более того, система может  и не существовать на самом деле, но мы хотим изучить различные  ее конфигурации, чтобы выбрать наиболее эффективный способ выполнения. Примерами  таких систем могут служить сети связи или стратегические системы  ядерных вооружений. Поэтому необходимо создать модель, представляющую систему, и исследовать ее как заменитель реальной системы. При использовании  модели всегда возникает вопрос —  действительно ли она в такой  степени точно отражает саму систему, чтобы можно было принять решение, основываясь на результатах исследования.

Физическая  модель или математическая модель? При слове «модель» большинство  из нас представляет себе кабины, установленные  вне самолетов на тренировочных  площадках и применяемые для  обучения пилотов, либо миниатюрные  супертанкеры, движущиеся в бассейне. Это все примеры физических моделей (именуемых также тоническими  или образными). Они редко используются при исследовании операций или анализе  систем. Но в некоторых случаях  создание физических моделей может  оказаться весьма эффективным при  исследовании технических систем или  систем управления. Примерами могут  служить масштабные настольные модели погрузочно-разгрузочных систем и, по крайней мере, один случай создания полномасштабной физической модели заведения быстрого питания в  большом магазине, в реализации которой были задействованы вполне реальные посетители. Однако преобладающее большинство создаваемых моделей являются математическими. Они представляют систему посредством логических и количественных отношений, которые затем подвергаются обработке и изменениям, чтобы определить, как система реагирует на изменения, точнее — как бы она реагировала, если бы существовала на самом деле. Наверное, самым простым примером математической модели является известное соотношение d — rt, где d — расстояние, г — скорость перемещения, t — время перемещения.

Иногда  такая модель может быть и адекватна (например, в случае с космическим  зондом, направленным к другой планете, по достижении им скорости полета), но в других ситуациях она может  не соответствовать действительности (например, транспортное сообщение  в часы пик на городской перегруженной  автостраде).

Аналитическое решение или имитационное моделирование? Чтобы ответить на вопросы о системе, которую представляет математическая модель, следует установить, как  эту модель можно построить. Когда  модель достаточно проста, можно вычислить  ее соотношения и параметры и  получить точное аналитическое решение. Если в примере с формулой d = rt известны расстояние, на которое перемещается объект, и его скорость, то время, необходимое для перемещения, рассчитывается из соотношения t = d/r. Это простое аналитическое решение, к которому мы приходим с помощью ручки и бумаги. Однако некоторые аналитические решения могут быть чрезвычайно сложными и требовать при этом огромных компьютерных ресурсов.

Обращение большой неразреженной матрицы является знакомым многим примером ситуации, когда существует в принципе известная аналитическая формула, но получить в таком случае численный результат не так просто. Если в случае с математической моделью возможно аналитическое решение и его вычисление представляется эффективным, лучше исследовать модель именно таким образом, не прибегая к имитационному моделированию. Однако многие системы чрезвычайно сложны, они практически полностью исключают возможность аналитического решения. В этом случае модель следует изучать с помощью имитационного моделирования, то есть многократного испытания модели с нужными входными данными, чтобы определить их влияние на выходные критерии оценки работы системы.

Имитационное  моделирование воспринимается как  «метод последней надежды», и в  этом есть толика правды. Однако в большинстве  ситуаций мы быстро осознаем необходимость  прибегнуть именно к этому средству, поскольку исследуемые системы  и модели достаточно сложны и их нужно представить доступным способом.

Допустим, у нас есть математическая модель, которую требуется исследовать  с помощью моделирования (далее  — имитационная модель). Прежде всего нам необходимо прийти к выводу о средствах ее исследования. В этой связи следует классифицировать имитационные модели по трем аспектам.

Статическая или динамическая? Статическая имитационная модель — это система в определенный момент времени или же система, в  которой время просто не играет никакой  роли. Примерами статической имитационной модели являются модели, созданные  по методу Монте-Карло.

Динамическая  имитационная модель представляет систему, меняющуюся во времени, например конвейерную  систему на заводе. Построив математическую модель, следует решить, каким образом  ее можно использовать для получения  данных о системе, которую она  представляет.

Детерминированная или стохастическая? Если имитационная модель не содержит вероятностных (случайных) компонентов, она называется детерминированной. Примером такой модели является сложная (и аналитически сложно вычислимая) система дифференциально-разностных уравнений, описывающих химическую реакцию. В детерминированной модели результат можно получить, когда для нее заданы все входные величины и зависимости, даже если в этом случае потребуется большое количество компьютерного времени. Однако многие системы моделируются с несколькими случайными входными данными компонентов, в результате чего создается стохастическая имитационная модель.

Большинство систем массового обслуживания и  управления запасами именно таким образом  и моделируется. Стохастические имитационные модели выдают результат, который является случайным сам по себе, и поэтому  он может рассматриваться лишь как  оценка истинных характеристик модели. Это один из главных недостатков  моделирования.

Непрерывная или дискретная? Говоря обобщенно, мы определяем дискретную и непрерывную модели подобно ранее описанным дискретной и непрерывной системам. Следует заметить, что дискретная модель не всегда используется для моделирования дискретной системы, и наоборот. Необходимо ли для конкретной системы использовать дискретную или непрерывную модель, зависит от задач исследования. Так, модель транспортного потока на автомагистрали будет дискретной, если вам необходимо учесть характеристики и движение отдельных машин. Однако, если машины можно рассматривать в совокупности, транспортный поток может быть описан с помощью дифференциальных уравнений в непрерывной модели.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Виды имитационного моделирования

 

Агентное моделирование — относительно новое (1990е-2000е 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 ее 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.