СИМУЛАЦИОННИ МОДЕЛИ НА СИСТЕМИ
Симулационните модели са по съществоалгоритмични поведенческимодели, които показват процесите, протичащи в системата, когато тя е изложена както на полезни, например управляващи сигнали, така и на смущения, които възпрепятстват правилното функциониране на системата, т.е. намеса, която също по правило има случаен характер. Симулационните модели са специален случай на така наречените алгоритмични модели, при които връзката между изходните параметри на системата и нейните вътрешни и външни параметри е даденанеявнопод формата на симулационен алгоритъм. В това симулационните модели се различават фундаментално от аналитичните математически модели, обсъдени по-горе, в които зависимостите на изходните параметри от вътрешните и външните параметри се определят с помощта на ясни изрази или уравнения.
Що се отнася до термина "симулационно моделиране", той не се вкорени веднага. Както отбелязват редица експерти, комбинацията от думите „имитация“ и „моделиране“ е неприемлива и е тавтология, но историческият процес на формиране на тази фраза води до заключението, че този термин определя при моделирането такава област, която се отнася до получаване на информация за сложен обект чрез експериментиране с неговия модел на компютър (тъй като тази информация не може да бъде получена по друг начин). на български се появиха термините “симулационен модел” и “симулационно моделиране” (ИМ), а на английски – “симулационно моделиране”. „Трябва да се отбележи, че ако на английски терминът има много ясно значение, тъй като симулация и моделиране не са синоними, то на български симулационният модел е нонсенс. Всеки модел по принцип е имитация, защото имитира реалността,” академик Н.Н. Мойсеев („Математически проблеми на систематаанализ“. – М.: Наука, 1981).
Като се има предвид последната забележка, симулационният модел се разглежда като специална форма на математически модел, при който: 1) разлагането на системата на компоненти се извършва, като се вземе предвид структурата на обекта, който се проектира или изучава; 2) експерименталните данни, получени в резултат на полеви експерименти, могат да се използват като закони на поведение; 3) поведението на системата във времето се илюстрира с дадени динамични изображения.
IM на компютри е един от най-мощните инструменти за изучаване на сложни динамични системи. Като всяка компютърна симулация, тя дава възможност да се извършват изчислителни експерименти със системи, които все още се проектират, и да се изследват системи, с които пълномащабни експерименти, поради причини за безопасност или висока цена, не са подходящи. В същото време, поради близостта си по форма до физическото моделиране, този метод на изследване е достъпен за по-широк кръг потребители.
Пример за пренебрегване на моделирането, останал в историята, е планът на японците да превземат атола Мидуей през 1942 г. Dice, който симулира резултатите от американско въздушно нападение срещу японски кораби, дава девет удара. Цифрите бяха скрити и месец по-късно пикиращи бомбардировачи потопиха четири японски самолетоносача, обръщайки хода на войната в полза на Обединените нации. Това показа, че дори във връзка с войната, най-простите методи на IM могат да дадат доста точни резултати.
Друга определяща характеристика на IM е задължителното повторение на експериментите, тъй като един единствен експеримент не означава нищо. Симулационният обект има вероятностен характер на функциониране. Изследователят се интересува от заключения, които са от природатастатистически показатели, изготвени, може би дори под формата на графики или таблици, в които всеки вариант на изследваните параметри е свързан с определени средни стойности с набор от характеристики на тяхното разпределение, без да се получава зависимост в аналитична форма.
Тази функция е едновременно предимство и в същото време недостатък на симулационните модели. Предимството е, че класът на изследваните обекти се разширява драстично, а недостатъкът е, че няма прост израз, който да позволява да се предскаже резултатът от повторен експеримент. В реалния живот също е невъзможно всеки сложен обект да получи точната стойност на който и да е качествен показател, а само неговата очаквана стойност с възможни отклонения.
По този начин IM позволява използването на специално генерирани псевдослучайни първоначални данни за многократно „превъртане“ на процеси, подобни на реалните, натрупвайки изходни статистически данни, от които могат да се направят заключения и след това да се прехвърлят към реални процеси. Обикновено симулационните модели се изграждат, за да се намери оптималното решение при ограничения на ресурсите, когато други математически модели са твърде сложни.
Оказва се обаче, че IM позволява да се правят прогнози и за явления, които изобщо не са наблюдавани в действителност! Класически пример е изследването на Н.Н. Мойсеев за „ядрена зима“ – хипотетичен резултат от въздействието на глобална война върху екосистемата на планетата. Но никой не знаеше за климатичните последици от ядрените експлозии преди половин век, въпреки факта, че температурният минимум след изригването на вулкана Кракатау е описан от метеоролозите още през 1883 г.
ИМ се използва широко при изследване на сложни системи (СС) и протичащите в тях процеси. Примериикономически и промишлени предприятия, морски и речни пристанища, летища, напоителни системи, тръбопроводни комплекси за нефт и газ, компютърни системи и мрежи, софтуерни системи и много други могат да служат като комплексни системи.
Обобщавайки, можем да заключим, че широкото използване на IM се обяснява с факта, че слабата формализируемост на SS и високата размерност на решаваните проблеми предотвратяват използването на строги методи за оптимизация.
Симулационен експеримент
Симулационен експериментсе състои в показване на процес, протичащ в сложна система за дълъг период от време, в рамките на няколко секунди или минути от симулиращата компютърна програма.
В същото време има и такива сложни задачи (като правило те са свързани със системи за управление, системи за поддръжка и вземане на решения, експертни системи и т.н.), които изискват толкова огромно количество изчисления при моделиране, че IM може да работи по-бавно от реална система. В този случай възможността за спестяване на време не е определяща.
Симулационният експеримент ви позволява да извършите следните действия.
1. Направете изводи за поведението на SS и неговите характеристики:
- без изграждане на самата система (в случай на проектиране);
– без да пречи на функционирането му (в случай на операционна система);
– без разрушаване на системата (в случай на определяне на ограничителните характеристики).
2. Синтезирайте и изследвайте стратегиите за управление.
3. Прогнозирайте и планирайте работата на системата за в бъдеще.
4. Обучете и обучете ръководния персонал.
Недостатъци на симулацията
1. Трудно се постига адекватност на описанието на системата (това обаче е проблем,присъщи на всеки модел като цяло).
2. Нетривиална интерпретация, интерпретация на резултатите от симулацията.
3. Не винаги е възможно да се осигури стохастична конвергенция на процеса на моделиране.
4. Проблемът с измерението съществува и тук.
5. Значителна трудоемкост на МИ.
По същество тези недостатъци са присъщи не само на ИМ, но и на моделирането като цяло.
Разработване на симулационно моделиране
Развитието на IMзапочва с появата на съвременните компютри, които правят възможно извършването на машинни експерименти с програми, които описват логиката на сложни реални явления.
Към днешна дата IM е натрупал голям опит, който се отразява в различни алгоритми и техники.
Основните фази на развитие на средствата за IM
1. Създаване на IM на универсален език(Fortran, Pascal, Modula, C ++, Ada и др.) Илина специализиран езикIM(GPSS, Q-Gert, GASP IV, SLAM II, SIMULA и т.н.) или в обектно-ориентиран език на IM (Modsim III, simula 67, sim ++, c ++ sim, simex 3.0, Qnap 2).
Езиците за моделиране имат две от най-важните предимства: удобство и скорост на програмиране и концептуална изразителност. Те обаче предоставят по-малко функции от общите езици. В момента в света са разработени повече от 700 езика за моделиране.
2. Използването на проблемно-ориентирани системи и IMинструменти в разработването на IM, като PODSYM, ASYMPTOTA, DOSIMIS-3, Process Charter 1.0.2 (Scitor, САЩ), Powersim 2.01 (Modell Data AS, Норвегия), Lthink 3.0.61 (High Performance Systems (Германия), Extend + BPR 3.1 (Imagine That! USA), Arena (Системно моделиране), ProModel (ProModel), ReTnink (Gensym).
Такива системи обикновено саизискват познания по програмиране от потребителя, но в същото време позволяват моделиране само на относително тесни класове сложни системи. Симулационните модели се генерират от софтуерната система в процеса на диалог с потребителя, което прави създаването на модела бързо и ефективно, като се избягват много програмни грешки. Има десетки такива системи.
3. Интелектуална IM, характеризираща се с възможност за използване на методи на изкуствен интелект и преди всичко знания: при вземане на решения в процеса на имитация, при внедряване на потребителски интерфейс, при създаване на информационни банки на IM, при използване на размити данни и др.
Съществува противоречие между универсалността (широчината на класа от системи, за които този инструмент може да се използва за моделиране) и гъвкавостта (лекотата на описание на определена система). Това означава, че ако инструментът може да се използва за моделиране на широк клас системи, тогава езикът за описание като правило е сложен и неудобен за описание на конкретна система и обратно.
Наличието на творчески, неформален етап на превод на задачата на езика на математиката в процеса на симулационно моделиране остава нерешен проблем.
Интелигентните системи имат голяма гъвкавост и многофункционалност и могат да имитират човешки дейности при вземането на решения. Интелектуализацията на процеса на IM е предназначена да реши горните проблеми.