Материал: Моделирование, анализ и оценка надежности информационных систем и технологий. Некравцева Т.А., Толстых Т.О

125

В результате классификации получаем формализованные модели типа (27), параметры которых рассчитываются следующим образом:

- устанавливается экспертом для каждой группы;

Z ij - определяется по формуле (6.33).

Критерием адекватности (А) полученных моделей является процент попадания объектов из множества G, имеющих тип ln , в группы с аналогич-

ным значением лингвистического описания модели L j :

Результат классификации в значительной мере зависит от выбранного признакового пространства и меры близости объектов. Для оптимального выбора признакового пространства используется алгоритм исключения параметрической избыточности (рис.6.2). Если отсутствует априорная информация о форме кластеров и требуемой метрике, полезно сделать расчеты несколько раз с разными метриками и найти устойчивые общие черты в разбиениях. Выбирается та мера близости, при которой степень адекватности модели окажется максимальной.

Формализованные модели, построенные как первым, так и вторым способом, полностью зависят от исходной статистической информации. Нет уверенности в том, что исходная информация объективна и достоверна, так как возможны ошибки и погрешности, обусловленные различными объективными и субъективными причинами. Для минимизации вероятности использования недостоверной информации при анализе ситуаций и принятии решений, необходимы ее предварительный отбор или фильтрация (рис. 6.1).

Общая схема алгоритма построения формализованных моделей приведена на рис. 6.4.

После построения предложенной формализованной модели (6.27) появляется возможность идентификации вновь поступившего объекта.

На первом этапе снимается необходимый набор показателей, соответствующий решаемой задаче:

X q1x ,q2x ,...,qix ,...,qIx ,

где qix - значение i-го параметра для объекта Х.

127

Рис.6.4. Схема алгоритма построения формализованных моделей.

где d x j - близость, рассчитанная по одной из формул (6.28)-(6.32), ме-

жду объектом Х и эталоном параметров модели J.

После подтверждения выбранной альтернативы набор показателей Х и соответствующая им альтернатива включаются в множества G и L для обучения системы. Производится корректировка моделей (6.27) за счет обновления параметров Zij с учетом показателей поступившего объекта gx .

Предложенные формализованные модели наиболее эффективны там, где необходима диагностика определенной группы состояний объектов или возможных исходов на основе стандартного набора измеряемых показателей и имеется обширный статистический материал. Для использования подобных моделей в более широких областях необходима предварительная разработка правил классификации объектов для последовательного сокращения набора возможных состояний.

КОНТРОЛЬНЫЕ ВОПРОСЫ

1.В чем заключается суть метода статистических испытаний?

2.Чем отличаются аппаратный, табличный и алгоритмический способы генерации последовательностей случайных чисел? В чем их достоинства и недостатки?

128

3.Что представляют собой конгруэнтные методы генерации псевдослучайных последовательностей?

4.Как смоделировать случайную величину с заданным законом распределения?

5.Каким образом моделируются равномерно распределенные на отрезке [a,b] случайные величины?

6.Каким образом моделируются показательно случайные величины?

7.Каким образом моделируются нормально случайные величины?

8.В чем заключается проверка качества случайных чисел, какой критерий для этого используется?

9.Каким образом оценивается точность статистических оценок?

10.Для каких целей используется аппроксимация результатов моделирования? Какие алгоритмы заложены в ее основу?

ГЛАВА 7. GPSS – КАК СРЕДСТВО ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

7.1. Общие правила построения и способы реализации моделей систем на ЭВМ

В настоящее время метод машинного моделирования нашел широкое применение при разработке обеспечивающих и функциональных подсистем различных АСОИУ (интегрированных АСУ, автоматизированных систем научных исследований и комплексных испытаний, систем автоматизации проектирования и т. д.). При этом, как уже отмечалось, независимо от объекта можно выделить следующие основные этапы моделирования: построение концептуальной модели системы S и ее формализация; алгоритмизация модели системы S и ее машинная реализация; получение результатов машинного моделирования и их интерпретация.

На первом этапе моделирования формулируется модель, строится ее формальная схема и, собственно, решается вопрос об эффективности и целесообразности моделирования системы S (об аналитическом расчете или имитационном моделировании) на вычислительной машине (на ЭВМ, АВМ или ГВК). На втором этапе математическая модель, сформулированная на первом этапе, воплощается в машинную модель, т. е. решается проблема алго-

129

ритмизации модели, ее рационального разбиения на блоки и организации интерфейса между ними; при этом также решается задача обеспечения получения необходимой точности и достоверности результатов при проведении машинных экспериментов. На третьем этапе ЭВМ используется для имитации процесса функционирования системы S, для сбора необходимой информации, ее статистической обработки в интерпретации результатов моделирования.

При этом следует учитывать, что на всех этапах моделирования переход от описания к машинной модели Мм, разбиение модели на части, выбор основных и второстепенных параметров, переменных и характеристик системы и т. д. являются неформальными операциями, построенными на эвристических принципах, охватывающих как механизм принятия решений, так и проверку соответствия принятого решения действительности.

Обобщая полученные результаты в области методологии машинного моделирования, можно условно разделить эвристические принципы моделирования на совокупность основных правил построения моделей систем и способов их машинной реализации. Причем правила определяют общие свойства, которыми должна обладать построенная машинная модель, а способы реализации дают конкретные приемы получения нужных свойств модели системы. Следует отметить, что правила построения и способы их реализации образуют единую систему, так что обособленное их рассмотрение не дает полного представления о методологии машинного моделирования [1, 2].

7.2. Принцип работы системы GPSS

Язык GPSS построен в предположении, что моделью сложной дискретной системы является описание ее элементов и логических правил их взаимодействия в процессе функционирования моделируемой системы. Далее предполагается, что для определенного класса моделируемых систем можно выделить небольшой набор абстрактных элементов, называемых объектами. Причем набор логических правил также ограничен и может быть описан небольшим числом стандартных операций. Комплекс программ, описывающих функционирование объектов и выполняющих логические операции, является основой для создания программной модели системы данного класса. Эта идея и была реализована при разработке языка GPSS.

Объекты GPSS подразделяются на 7 категорий и 14 типов (табл. 1) и позволяют, с одной стороны, описать их взаимодействие сравнительно несложными наборами операций, с другой — достаточно просто и наглядно представить процесс функционирования исследуемой системы S, формализуемой в виде Q-схемы [1, З].

Для облегчения пользователю процесса построения модели в GPSS разработан так называемый язык блок-диаграмм, позволяющий упростить переход от алгоритма к программе модели системы S. Каждый блок GPSS имеет свой графический аналог, с помощью которых отображается пространственная конструкция модели, упрощая дальнейшую линеаризацию программы модели.