Виды и способы планирования модельных экспериментов

Размещено на http://www.allbest.ru/

1. МОДЕЛИРОВАНИЕ КАК МЕТОД НАУЧНОГО ПОЗНАНИЯ

В настоящее время нельзя назвать область человеческой деятельности, в которой в той или иной степени не использовались бы методы моделирования. Особенно это относится к сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации. Остановимся на философских аспектах моделирования, а точнее общей теории моделирования.

Методологическая основа моделирования. Все то, на что направлена человеческая деятельность, называется объектом (лат.objection -- предмет). Выработка методологии направлена на упорядочение получения и обработки информации об объектах, которые существуют вне нашего сознания и взаимодействуют между собой и внешней средой.

В научных исследованиях большую роль играют гипотезы, т. е. определенные предсказания, основывающиеся на небольшом количестве опытных данных, наблюдений, догадок. Быстрая и полная проверка выдвигаемых гипотез может быть проведена в ходе специально поставленного эксперимента. При формулировании и проверке правильности гипотез большое значение в качестве метода суждения имеет аналогия.

Аналогией называют суждение о каком-либо частном сходстве двух объектов, причем такое сходство может быть существенным и несущественным. Необходимо отметить, что понятия существенности и несущественности сходства или различия объектов условны и относительны. Существенность сходства (различия) зависит от уровня абстрагирования и в общем случае определяется конечной целью проводимого исследования. Современная научная гипотезасоздается, как правило, по аналогии с проверенными на практике научными положениями. Таким образом, аналогия связывает гипотезу с экспериментом.

Гипотезы и аналогии, отражающие реальный, объективно существующий мир, должны обладать наглядностью или сводиться к удобным для исследования логическим схемам; такие логические схемы, упрощающие рассуждения и логические построения или позволяющие проводить эксперименты, уточняющие природу явлений, называются моделями. Другими словами, модель (лат. modulus -- мера) -- это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.

Определение моделирования. Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта- оригинала с помощью объекта-модели называется моделированием. Таким образом, моделирование может быть определено как представление объекта моделью для получения информации об этом объекте путем проведения экспериментов с его моделью. Теория замещения одних объектов (оригиналов) другими объектами (моделями) и исследования свойств объектов на их моделях называется теорией моделирования. Определяя гносеологическую роль теории моделирования, т. е. ее значение в процессе познания, необходимо прежде всего отвлечься от имеющегося в науке и технике многообразия моделей и выделить то общее, что присуще моделям различных по своей природе объектов реального мира. Это общее заключается в наличии некоторой структуры (статической или динамической, материальной или мысленной), которая подобна структуре данного объекта. В процессе изучения модель выступает в роли относительного самостоятельного квазиобъекта, позволяющего получить при исследовании некоторые знания о самом объекте.

Если результаты моделирования подтверждаются и могут служить основой для прогнозирования процессов, протекающих в исследуемых объектах, то говорят, что модель адекватна объекту. При этом адекватность модели зависит от цели моделирования и принятых критериев.

Обобщенно моделирование можно определить как метод опосредованного познания, при котором изучаемый объект-оригинал находится в некотором соответствии с другим объектом-моделью, причем модель способна в том или ином отношении замещать оригинал на некоторых стадиях познавательного процесса. Стадии познания, на которых происходит такая замена, а также формы соответствия модели и оригинала могут быть различными:

1) моделирование как познавательный процесс, содержащий переработку информации, поступающей из внешней среды, о происходящих в ней явлениях, в результате чего в сознании появляются образы, соответствующие объектам;

2) моделирование, заключающееся в построении некоторой системы- модели (второй системы), связанной определенными соотношениями подобия с системой-оригиналом (первой системой), причем в этом случае отображение одной системы в другую является средством выявления зависимостей между двумя системами, отраженными в соотношениях подобия, а не результатом непосредственного изучения поступающей информации.

Следует отметить, что с точки зрения философии моделирование -- эффективное средство познания природы. Процесс моделирования предполагает наличие объекта исследования; исследователя, перед которым поставлена конкретная задача; модели, создаваемой для получения информации об объекте и необходимой для решения поставленной задачи. Причем по отношению к модели исследователь является, по сути дела, экспериментатором, только в данном случае эксперимент проводится не с реальным объектом, а с его моделью. Такой эксперимент для инженера есть инструмент непосредственного решения организационно-технических задач.

Надо иметь в виду, что любой эксперимент может иметь существенное значение в конкретной области науки только при специальной его обработке и обобщении. Единичный эксперимент никогда не может быть решающим для подтверждения гипотезы, проверки теории. Поэтому инженеры (исследователи и практики) должны быть знакомы с элементами современной методологии теории познания и, в частности, не должны забывать основного положения материалистической философии, что именно экспериментальное исследование, опыт, практика являются критерием истины.

Аналитические и имитационные методы.

Исторически первым сложился аналитический подход к исследованию систем, когда ЭВМ использовалась в качестве вычислителя по аналитическим зависимостям. Анализ характеристик процессов функционирования больших систем с помощью только аналитических методов исследования наталкивается обычно на значительные трудности, приводящие к необходимости существенного упрощения моделей либо на этапе их построения, либо в процессе работы с моделью, что может привести к получению недостоверных результатов. Поэтому в настоящее время наряду с построением аналитических моделей большое внимание уделяется задачам оценки характеристик больших систем на основе имитационных моделей, реализованных на современных ЭВМ с высоким быстродействием и большим объемом оперативной памяти. Причем перспективность имитационного моделирования как метода исследования характеристик процесса функционирования больших систем возрастает с повышением быстродействия и оперативной памяти ЭВМ, с развитием математического обеспечения, совершенствованием банков данных и периферийных устройств для организации диалоговых систем моделирования. Это, в свою очередь, способствует появлению новых «чисто машинных» методов решения задач исследования больших систем на основе организации имитационных экспериментов с их моделями. Причем ориентация на автоматизированные рабочие места на базе персональных ЭВМ для реализации экспериментов с имитационными моделями больших систем позволяет проводить не только анализ их характеристик, но и решать задачи структурного, алгоритмического и параметрического синтеза таких систем при заданных критериях оценки эффективности и ограничениях. Достигнутые успехи в использовании средств вычислительной техники для целей моделирования часто создают иллюзию, что применение современной ЭВМ гарантирует возможность исследования системы любой сложности. При этом игнорируется тот факт, что в основу любой модели положено трудоемкое по затратам времени и материальных ресурсов предварительное изучение явлений, имеющих место в объекте-оригинале. И от того, насколько детально изучены реальные явления, насколько правильно проведена их формализация и алгоритмизация, зависит в конечном итоге успех моделирования конкретного объекта. Средства моделирования систем. Расширение возможностей моделирования различных классов больших систем неразрывно связано с совершенствованием средств вычислительной техники и техники связи. Перспективным направлением является создание для целей моделирования иерархических многомашинных вычислительных систем и сетей. При создании больших систем их компоненты разрабатываются различными коллективами, которые используют средства моделирования при анализе и синтезе отдельных подсистем. При этом разработчикам необходим оперативный доступ к программно-техническим средствам моделирования, а также оперативный обмен результатами моделирования отдельных взаимодействующих подсистем.

Таким образом, появляется необходимость в создании диалоговых систем моделирования, для которых характерны следующие особенности: возможность одновременной работы многих пользователей, занятых разработкой одной или нескольких систем, доступ пользователей к программно-техническим ресурсам системы моделирования, включая, базы данных и знаний, пакеты прикладных программ моделирования, обеспечение диалогового режима работы с различными вычислительными машинами и устройствами, включая цифровые и аналоговые вычислительные машины, установки натурного и физического моделирования, элементы реальных систем и т. п., диспетчеризация работ в системе моделирования и оказание различных услуг пользователям, включая обучение работе с диалоговой системой моделирования при обеспечении дружественного интерфейса.

В зависимости от специфики исследуемых объектов в ряде случаев эффективным оказывается моделирование на аналоговых вычислительных машинах (АВМ). При этом надо иметь в виду, что АВМ значительно уступают ЭВМ по точности и логическим возможностям, но по быстродействию, схемной простоте реализации, сопряженности с датчиками внешней информации АВМ превосходят ЭВМ или по крайней мере не уступают им. Для сложных динамических объектов перспективным является моделирование на базе гибридных (аналого-цифровых) вычислительных комплексов. Такие комплексы реализуют преимущества цифрового и аналогового моделирования и позволяют наиболее эффективно использовать ресурсы ЭВМ и АВМ в составе единого комплекса. При использовании гибридных моделирующих комплексов упрощаются вопросы взаимодействия с датчиками, установленными на реальных объектах, что позволяет, в свою очередь, проводить комбинированное моделирование с использованием аналого-цифровой части модели и натурной части объекта. Такие гибридные моделирующие комплексы могут входить в состав многомашинного вычислительного комплекса, что еще больше расширяет его возможности с точки зрения моделируемых классов больших систем.

2. КЛАССИФИКАЦИЯ ВИДОВ МОДЕЛИРОВАНИЯ СИСТЕМ

В основе моделирования лежит теория подобия, которая утверждает, что абсолютное подобие может иметь место лишь при замене одного объекта другим точно таким же. При моделировании абсолютное подобие не имеет места и стремятся к тому, чтобы модель достаточно хорошо отображала исследуемую сторону функционирования объекта.

Классификационные признаки. В качестве одного из первых признаков классификации видов моделирования можно выбрать степень полноты модели и разделить модели в соответствии с этим признаком на полные, неполные и приближенные. В основе полного моделирования лежит полное подобие, которое проявляется как во времени, так и в пространстве. Для неполного моделирования характерно неполное подобие модели изучаемому объекту. В основе приближенного моделирования лежит приближенное подобие, при котором некоторые стороны функционирования реального объекта не моделируются совсем. Классификация видов моделирования систем S приведена на рисунке выше. В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, т. е. процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. В этом случае анализируется ряд реализаций случайного процесса и оцениваются средние характеристики, т. е. набор однородных реализаций. Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведено объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов. В зависимости от формы представления объекта (системы 5) можно выделить мысленное и реальное моделирование.

Мысленное моделирование часто является единственным способом моделирования объектов, которые либо практически нереализуемы в заданном интервале времени, либо существуют вне условий, возможных для их физического создания. Например, на базе мысленного моделирования могут быть проанализированы многие ситуации микромира, которые не поддаются физическому эксперименту. Мысленное моделирование может быть реализовано в виде наглядного, символического и математического.

При наглядном моделировании на базе представлений человека о реальных объектах создаются различные наглядные модели, отображающие явления и процессы, протекающие в объекте. В основу гипотетического моделирования исследователем закладывается некоторая гипотеза о закономерностях протекания процесса в реальном объекте, которая отражает уровень знаний исследователя об объекте и базируется на причинно-следственных связях между входом и выходом изучаемого объекта. Гипотетическое моделирование используется, когда знаний об объекте недостаточно для построения формальных моделей.

Аналоговое моделирование основывается на применении аналогий различных уровней. Наивысшим уровнем является полная аналогия, имеющая место только для достаточно простых объектов. С усложнением объекта используют аналогии последующих уровней, когда аналоговая модель отображает несколько либо только одну сторону функционирования объекта. Существенное место при мысленном наглядном моделировании занимает макетирование. Мысленный макет может применяться в случаях, когда протекающие в реальном объекте процессы не поддаются физическому моделированию, либо может предшествовать проведению других видов моделирования. В основе построения мысленных макетов также лежат аналогии, однако обычно базирующиеся на причинно-следственных связях между явлениями и процессами в объекте. Если ввести условное обозначение отдельных понятий, т. е. знаки, а также определенные операции между этими знаками, то можно реализовать знаковое моделирование и с помощью знаков отображать набор понятий составлять отдельные цепочки из слов и предложений. Используя операции объединения, пересечения и дополнения теории множеств, можно в отдельных символах дать описание какого-то реального объекта.

В основе языкового моделирования лежит некоторый тезаурус. Последний образуется из набора входящих понятий, причем этот набор должен быть фиксированным. Следует отметить, что между тезаурусом и обычным словарем имеются принципиальные различия. Тезаурус -- словарь, который очищен от неоднозначности, т.е. в нем каждому слову может соответствовать лишь единственное понятие, хотя в обычном словаре одному слову могут соответствовать несколько понятий.

Символическое моделирование представляет собой искусственный процесс создания логического объекта, который замещает реальный и выражает основные свойства его отношений с помощью определенной системы знаков или символов.

Математическое моделирование. Для исследования характеристик процесса функционирования любой системы математическими методами, включая и машинные, должна быть проведена формализация этого процесса, т. е. построена математическая модель.

Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи. Любая математическая модель, как и всякая другая, описывает реальный объект лишь с некоторой степенью приближения к действительности. Математическое моделирование для исследования характеристик процесса функционирования систем можно разделить на аналитическое, имитационное и комбинированное.

Для аналитического моделирования характерно то, что процессы функционирования элементов системы записываются в виде некоторых функциональных соотношений (алгебраических, интегродифференциальных, конечноразностных и т. п.) или логических условий.

Аналитическая модель может быть исследована следующими методами:

а) аналитическим, когда стремятся получить в общем виде явные зависимости для искомых характеристик;

б) численным, когда, не умея решать уравнений в общем виде, стремятся получить числовые результаты при конкретных начальных данных; в) качественным, когда, не имея решения в явном виде, можно найти некоторые свойства решения (например, оценить устойчивость решения). Наиболее полное исследование процесса функционирования системы можно провести, если известны явные зависимости, связывающие искомые характеристики с начальными условиями, параметрами и переменными системы S. Однако такие зависимости удается получить только для сравнительно простых систем. При усложнении систем исследование их аналитическим методом наталкивается на значительные трудности, которые часто бывают непреодолимыми.

Поэтому, желая использовать аналитический метод, в этом случае идут на существенное упрощение первоначальной модели, чтобы иметь возможность изучить хотя бы общие свойства системы. Такое исследование на упрощенной модели аналитическим методом помогает получить ориентировочные результаты для определения более точных оценок другими методами. Численный метод позволяет исследовать по сравнению с аналитическим методом более широкий класс систем, но при этом полученные решения носят частный характер. Численный метод особенно эффективен при использовании ЭВМ.

В отдельных случаях исследования системы могут удовлетворить и те выводы, которые можно сделать при использовании качественного метода анализа математической модели. Такие качественные методы широко используются, например, в теории автоматического управления для оценки эффективности различных вариантов систем управления.

В настоящее время распространены методы машинной реализации исследования характеристик процесса функционирования больших систем. Для реализации математической модели на ЭВМ необходимо построить соответствующий моделирующий алгоритм.

При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы S во времени, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы S.

Основным преимуществом имитационного моделирования по сравнению с аналитическим является возможность решения более сложных задач. Имитационные модели позволяют достаточно просто учитывать такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия и др., которые часто создают трудности при аналитических исследованиях. В настоящее время имитационное моделирование -- наиболее эффективный метод исследования больших систем, а часто и единственный практически доступный метод получения информации о поведении системы, особенно на этапе ее проектирования.

Когда результаты, полученные при воспроизведении на имитационной модели процесса функционирования системы S, являются реализациями случайных величин и функций, тогда для нахождения характеристик процесса требуется его многократное воспроизведение с последующей статистической обработкой информации и целесообразно в качестве метода машинной реализации имитационной модели использовать метод статистического моделирования. Первоначально был разработан метод статистических испытаний, представляющий собой численный метод, который применялся для моделирования случайных величин и функций, вероятностные характеристики которых совпадали с решениями аналитических задач (такая процедура получила название метода Монте-Карло). Затем этот прием стали применять и для машинной имитации с целью исследования характеристик процессов функционирования систем, подверженных случайным воздействиям, т. е. появился метод статистического моделирования. Таким образом, методом статистического моделирования будем в дальнейшем называть метод машинной реализации имитационной модели, а методом статистических испытаний (Монте-Карло) -- численный метод решения аналитической задачи. Метод имитационного моделирования позволяет решать задачи анализа больших систем S, включая задачи оценки: вариантов структуры системы, эффективности различных алгоритмов управления системой, влияния изменения различных параметров системы. Имитационное моделирование может быть положено также в основу структурного, алгоритмического и параметрического синтеза больших систем, когда требуется создать систему, с заданными характеристиками при определенных ограничениях, которая является оптимальной по некоторым критериям оценки эффективности. При решении задач машинного синтеза систем на основе их имитационных моделей помимо разработки моделирующих алгоритмов для анализа фиксированной системы необходимо также разработать алгоритмы поиска оптимального варианта системы. Далее в методологии машинного моделирования будем различать два основных раздела: статику и динамику,-- основным содержанием которых являются соответственно вопросы анализа и синтеза систем, заданных моделирующими алгоритмами.

Комбинированное (аналитико-имитационное) моделирование при анализе и синтезе систем позволяет объединить достоинства аналитического и имитационного моделирования. При построении комбинированных моделей проводится предварительная декомпозиция процесса функционирования объекта на составляющие подпроцессы и для тех из них, где это возможно, используются аналитические модели, а для остальных подпроцессов строятся имитационные модели. Такой комбинированный подход позволяет охватить качественно новые классы систем, которые не могут быть исследованы с использованием только аналитического и имитационного моделирования в отдельности.

Другие виды моделирования. При реальном моделировании используется возможность исследования различных характеристик либо на реальном объекте целиком, либо на его части. Такие исследования могут проводиться как на объектах, работающих в нормальных режимах, так и при организации специальных режимов для оценки интересующих исследователя характеристик (при других значениях переменных и параметров, в другом масштабе времени и т. д.). Реальное моделирование является наиболее адекватным, но при этом его возможности с учетом особенностей реальных объектов ограничены. Например, проведение реального моделирования АСУ предприятием потребует, во-первых, создания такой АСУ, а во-вторых, проведения экспериментов с упрарляемым объектом, т. е. предприятием, что в большинстве случаев невозможно. Рассмотрим разновидности реального моделирования.

Натурным моделированием называют проведение исследования на реальном объекте с последующей обработкой результатов эксперимента на основе теории подобия. При функционировании объекта в соответствии с поставленной целью удается выявить закономерности протекания реального процесса. Надо отметить, что такие разновидности натурного эксперимента, как производственный эксперимент и комплексные испытания, обладают высокой степенью достоверности.

С развитием техники и проникновением в глубь процессов, протекающих в реальных системах, возрастает техническая оснащенность современного научного эксперимента. Он характеризуется широким использованием средств автоматизации проведения, применением весьма разнообразных средств обработки информации, возможностью вмешательства человека в процесс проведения эксперимента, и в соответствии с этим появилось новое научное направление -- автоматизация научных экспериментов.

Отличие эксперимента от реального протекания процесса заключается в том, что в нем могут появиться отдельные критические ситуации и определяться границы устойчивости процесса. В ходе эксперимента вводятся новые факторы и возмущающие воздействия в процессе функционирования объекта. Одна из разновидностей эксперимента -- комплексные испытания, которые также можно отнести к натурному моделированию, когда вследствие повторения испытаний изделий выявляются общие закономерности о надежности этих изделий, о характеристиках качества и т. д. В этом случае моделирование осуществляется путем обработки и обобщения сведений, проходящих в группе однородных явлений. Наряду со специально организованными испытаниями возможна реализация натурного моделирования путем обобщения опыта, накопленного в ходе производственного процесса, т. е. можно говорить о производственном эксперименте. Здесь на базе теории подобия обрабатывают статистический материал по производственному процессу и получают его обобщенные характеристики. Другим видом реального моделирования является физическое, отличающееся от натурного тем, что исследование проводится на установках, которые сохраняют природу явлений и обладают физическим подобием. В процессе физического моделирования задаются некоторые характеристики внешней среды и исследуется поведение либо реального объекта, либо его модели при заданных или создаваемых искусственно воздействиях внешней среды. Физическое моделирование может протекать в реальном и нереальном (псевдореальном) масштабах времени, а также может рассматриваться без учета времени. В последнем случае изучению подлежат так называемые «замороженные» процессы, которые фиксируются в некоторый момент времени. Наибольшие сложность и интерес с точки зрения верности получаемых результатов представляет физическое моделирование в реальном масштабе времени. С точки зрения математического описания объекта и в зависимости от его характера модели можно разделить на модели аналоговые (непрерывные), цифровые (дискретные) и аналого-цифровые (комбинированные). Под аналоговой моделью понимается модель, которая описывается уравнениями, связывающими непрерывные величины. Под цифровой понимают модель, которая описывается уравнениями, связывающими дискретные величины, представленные в цифровом виде. Под аналого-цифровой понимается модель, которая может быть описана уравнениями, связывающими непрерывные и дискретные величины.

Особое место в моделировании занимает кибернетическое моделирование, в котором отсутствует непосредственное подобие физических процессов, происходящих в моделях, реальным процессам. В этом случае стремятся отобразить лишь некоторую функцию и рассматривают реальный объект как «черный ящик», имеющий ряд входов и выходов, и моделируют некоторые связи между выходами и входами. Чаще всего при использовании кибернетических моделей проводят анализ поведенческой стороны объекта при различных воздействиях внешней среды.

Таким образом, в основе кибернетических моделей лежит отражение некоторых информационных процессов управления, что позволяет оценить поведение реального объекта. Для построения имитационной модели в этом случае необходимо выделить исследуемую функцию реального объекта, попытаться формализовать эту функцию в виде некоторых операторов связи между входом и выходом и воспроизвести на имитационной модели данную функцию, причем на базе совершенно иных математических соотношений и, естественно, иной физической реализации процесса.

3. МЕТОДЫ ТЕОРИИ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ

Машинный эксперимент с моделью системы S при ее исследовании и проектировании проводится с целью получения информации о характеристиках процесса функционирования рассматриваемого объекта. Эта информация может быть получена как для анализа характеристик, так и для их оптимизации при заданных ограничениях, т. е. для синтеза структуры, алгоритмов и параметров системы. В зависимости от поставленных целей моделирования системы S на ЭВМ имеются различные подходы к организации имитационного эксперимента с машинной моделью Мы. Основная задача планирования машинных экспериментов -- получение необходимой информации об исследуемой системе S при ограничениях на ресурсы (затраты машинного времени, памяти и т.п.). К числу частных задач, решаемых при планировании машинных экспериментов, относятся задачи уменьшения затрат машинного времени на моделирование, увеличения точности и достоверности результатов моделирования, проверки адекватности модели и т. д.

Машинный эксперимент. Эффективность машинных экспериментов с моделями Мм существенно зависит от выбора плана эксперимента, так как именно план определяет объем и порядок проведения вычислений на ЭВМ, приемы накопления и статистической обработки результатов моделирования системы S. Поэтому основная задача планирования машинных экспериментов с моделью. Мм формулируется следующим образом: необходимо получить информацию об объекте моделирования, заданном в виде моделирующего алгоритма (программы), при минимальных или ограниченных затратах машинных ресурсов на реализацию процесса моделирования.

Таким образом, при машинном моделировании рационально планировать и проектировать не только саму модель Мм системы S, но и процесс ее использования, т. е. проведение с ней экспериментов с использованием инструментальной ЭВМ.

К настоящему времени в физике, биологии и т. д. сложилась теория планирования экспериментов, в которой разработаны достаточно мощные математические методы, позволяющие повысить эффективность таких экспериментов. Но перенос этих результатов на область машинных экспериментов с моделями

Мм может иметь место только с учетом специфики моделирования систем на ЭВМ. Несмотря на то что цели экспериментального моделирования на ЭВМ и проведения натурных экспериментов совпадают, между этими двумя видами экспериментов существуют различия, поэтому для планирования эксперимента наиболее важное значение имеет следующее:

1) простота повторения условий эксперимента на ЭВМ с моделью Мм системы S; 2) возможность управления экспериментом с моделью Мы, включая его прерывание и возобновление; 3) легкость варьирования условий проведения эксперимента (воздействий внешней среды Е); 4) наличие корреляции между последовательностью точек в процессе моделирования;

5) трудности, связанные с определением интервала моделирования (0, 7). Преимуществом машинных экспериментов перед натурным является возможность полного воспроизведения условий эксперимента с моделью исследуемой системы S. Сравнивать две альтернативы возможно при одинаковых условиях, что достигается, например, выбором одной и той же последовательности случайных чисел для каждой из альтернатив. Существенным достоинством перед натурными является простота прерывания и возобновления машинных экспериментов, что позволяет применять последовательные и эвристические приемы планирования, которые могут оказаться нереализуемыми в экспериментах с реальными объектами. При работе с машинной моделью Ми всегда возможно прерывание эксперимента на время, необходимое для анализа результатов и принятия решений об его дальнейшем ходе (например, о необходимости изменения значений параметров модели Мы).

Недостатком машинных экспериментов является то, что часто возникают трудности, связанные с наличием корреляции в выходных последовательностях, т. е. результаты одних наблюдений зависят от результатов одного или нескольких предыдущих, и поэтому в них содержится меньше информации, чем в независимых наблюдениях.

Так как в большинстве существующих методов планирования экспериментов предполагается независимость наблюдении, то многие из этих методов нельзя непосредственно применять для машинных экспериментов при наличии корреляции.

4. СТРАТЕГИЧЕСКОЕ ПЛАНИРОВАНИЕ МАШИННЫХ ЭКСПЕРИМЕНТОВ С МОДЕЛЯМИ СИСТЕМ

Применяя системный подход к проблеме планирования машинных экспериментов с моделями систем, можно выделить две составляющие планирования: стратегическое и тактическое планирование.

Стратегическое планирование ставит своей целью решение задачи получения необходимой информации о системе S с помощью модели Мы, реализованной на ЭВМ, с учетом ограничений на ресурсы, имеющиеся в распоряжении экспериментатора. По своей сути стратегическое планирование аналогично внешнему проектированию при создании системы S, только здесь в качестве объекта выступает процесс моделирования системы.

Тактическое планирование представляет собой определение способа проведения каждой серии испытаний машинной модели Мм, предусмотренных планом эксперимента. Для тактического планирования также имеется аналогия с внутренним проектированием системы S, но опять в качестве объекта рассматривается процесс работы с моделью Ми.

Проблемы стратегического планирования.

При стратегическом планировании машинных экспериментов с моделями систем возникает целый ряд проблем, взаимно связанных как с особенностями функционирования моделируемого объекта (системы 5), так и с особенностями машинной реализации модели Мм и обработки результатов эксперимента. В первую очередь к таким относятся проблемы построения плана машинного эксперимента; наличия большого количества факторов; многокомпонентной функции реакции; стохастической сходимости результатов машинного эксперимента; ограниченности машинных ресурсов на проведение эксперимента. Рассмотрим существо этих проблем, возникающих при стратегическом планировании машинных экспериментов, и возможные методы их решения. При построении плана эксперимента необходимо помнить, что целями проведения машинных экспериментов с моделью Мм системы S являются либо получение зависимости реакции от факторов для выявления особенностей изучаемого процесса функционирования системы, либо нахождение такой комбинации значений факторов, которая обеспечивает экстремальное значение реакции. Другими словами, экспериментатору на базе машинной модели Мм необходимо решить либо задачу анализа, либо задачу синтеза системы S.

Очевидно, что при реализации полного факторного плана различия между машинными экспериментами для достижения той или иной цели стираются, так как оптимальный синтез сводится к выбору одного из вариантов, полученного при полном факторном анализе.

Но полный факторный эксперимент эквивалентен в этом случае полному перебору вариантов, что нерационально с точки зрения затрат машинных ресурсов. Для более эффективного (с точки зрения затрат машинного времени и памяти на моделирование) нахождения оптимальной комбинации уровней факторов можно воспользоваться выборочным методом определения оптимума поверхности реакции (систематическая или случайная выборка), методы систематической выборки включают в себя, факторный (метод равномерной сетки), одного фактора, предельного анализа, наискорейшего спуска. Выбор того или иного метода рационально проводить на основе априорной информации о моделируемой системе S. Другая специфическая проблема стратегического планирования машинных экспериментов -- наличие большого количества факторов. Это одна из основных проблем реализации имитационных моделей на ЭВМ, так как известно, что в факторном анализе количество комбинаций факторов равно произведению числа значений всех факторов эксперимента. Например, если число факторов Л=10 и имеется два значения каждого фактора, т. е. qt=2, то полный факторный анализ потребует моделирования Т=210= 1024 комбинаций. Если факторы xh i=l, к, являются количественными, а реакция у связана с факторами некоторой функцией ф, то в качестве метода обработки результатов эксперимента может быть выбран регрессионный анализ. Когда при моделировании требуется полный факторный анализ, то проблема большого количества факторов может не иметь решения. Достоинством полных факторных планов является то, что они дают возможность отобразить всю поверхность реакции системы, если количество факторов невелико. Эффективность этого метода существенно зависит от природы поверхности реакции.

Так как полные факторные планы изучения даже достаточно простых моделей приводят к большим затратам машинного времени, то приходится строить неполные факторные планы, требующие меньшего числа точек, приводя при этом к потере допустимого количества информации о характере' функции реакции. В этом случае рациональный подход -- построение плана эксперимента исходя из поверхности реакции (план поверхности реакции), что позволяет по сравнению с факторными планами уменьшить объем эксперимента без соответствующих потерь количества получаемой информации. Методы поверхности реакции позволяют сделать некоторые выводы из самых первых экспериментов с машинной моделью Мм. Если дальнейшее проведение машинного эксперимента оказывается неэкономичным, то его можно закончить в любой момент. Наконец, эти методы используются на начальном этапе постановки эксперимента для определения оптимальных условий моделирования исследуемой системы S. Следующей проблемой стратегического планирования машинных экспериментов является многокомпонентная функция реакции.

В имитационном эксперименте с вариантами модели системы S на этапе ее проектирования часто возникает задача, связанная с необходимостью изучения большого числа переменных реакции. Эту трудность в ряде случаев можно обойти, рассматривая имитационный эксперимент с моделью по определению многих реакций как несколько имитационных экспериментов, в каждом из которых исследуется (наблюдается) только одна реакция. Кроме того, при исследовании системы 5 часто требуется иметь переменные реакции, связанные друг с другом, что практически приводит к усложнению планирования имитационного эксперимента. В этом случае рационально использовать интегральные оценки нескольких реакций, построенные с использованием весовых функций, функций полезности и т. д..

Существенное место при планировании экспериментов с имитационными моделями, реализуемыми методом статистического моделирования на ЭВМ, занимает проблема стохастической сходимости результатов машинного эксперимента. Эта проблема возникает вследствие того, что целью проведения конкретного машинного эксперимента при исследовании и проектировании системы S является получение на ЭВМ количественных характеристик процесса функционирования системы S с помощью машинной модели.

В качестве таких характеристик наиболее часто выступают средние некоторых распределений, для оценки которых применяют выборочные средние, найденные путем многократных прогонов модели на ЭВМ, причем чем больше выборка, тем больше вероятность того, что выборочные средние приближаются к средним распределений.

Сходимость выборочных средних с ростом объема выборки называется стохастической сходимостью.

Основной трудностью при определении интересующих характеристик процесса функционирования системы 5 является медленная стохастическая сходимость. Известно, что мерой флуктуации случайной величины служит ее нестандартное отклонение. Если а -- стандартное отклонение одного наблюдения, то стандартное отклонение среднего N наблюдений будет равно o/y/N. Таким образом, для уменьшения случайной ошибки в К раз требуется увеличить объем выборки в К2 раз, т. е. для получения заданной точности оценки может оказаться, что объем необходимой выборки нельзя получить на ЭВМ из-за ограничения ресурса времени и памяти. Медленная стохастическая сходимость в машинных имитационных экспериментах с заданной моделью Ми требует разработки специальных методов решения этой проблемы. Необходимо учитывать, что в машинном эксперименте после того, как модель сформулирована, включение дополнительных факторов для повышения точности невозможно, так как это потребует изменения конструкции модели Мы. Основная идея ускорения сходимости в машинных экспериментах со стохастическими моделями состоит в использовании априорной информации о структуре и поведении системы S, свойствах распределения входных переменных и наблюдаемых случайных воздействий внешней среды Е. К методам ускорения сходимости относятся методы регрессионной выборки, дополняющей переменной, расслоенной выборки, значимой выборки. Переходя к рассмотрению проблемы ограниченности машинных ресурсов на проведение экспериментов с моделью системы S, необходимо помнить о том, что построение плана эксперимента с использованием различных подходов, позволяет решить проблему стратегического планирования только с теоретической точки зрения. Но при планировании машинных экспериментов на практическую реализуемость плана существенное влияние оказывают имеющиеся в распоряжении экспериментатора ресурсы. Поэтому планирование машинного эксперимента представляет собой итерационный процесс, когда выбранная модель плана эксперимента проверяется на реализуемость, а затем, если это необходимо, вносятся соответствующие коррективы в исходную модель.

Этапы стратегического планирования.

Применяя системный подход к проблеме стратегического планирования машинных экспериментов, можно выделить следующие этапы:

1) построение структурной модели; 2) построение функциональной модели. При этом структурная модель выбирается исходя из того, что должно быть сделано, а функциональная -- из того, что может быть сделано. Структурная модель плана эксперимента характеризуется числом факторов и числом уровней для каждого фактора. Число элементов эксперимента где к -- число факторов эксперимента; q, -- число уровней /-го фактора, i = l, к. При этом под элементом понимается структурный блок эксперимента, определяемый как простейший эксперимент в случае одного фактора и одного уровня, т. е. Л= 1, ^= 1, iVc=l. Вопрос о виде и числе необходимых факторов следует рассматривать с различных точек зрения, причем основной является цель проводимого машинного эксперимента, т. е. в первую очередь решается вопрос о тех реакциях, которые надо оценить в результате эксперимента с машинной моделью Мм системы S. При этом надо найти наиболее существенные факторы, так как из опыта известно, что для большинства систем 20% факторов определяют 80% свойств системы S, а остальные 80% факторов определяют лишь 20% ее свойств.

Следующий шаг в конструировании структурной модели плана состоит в определении уровней, на которых следует устанавливать и измерять каждый фактор, причем минимальное число уровней фактора, не являющегося постоянным, равно двум. Число уровней следует выбирать минимальным, но достаточным для достижения цели машинного эксперимента. При этом надо помнить, что каждый дополнительный уровень увеличивает затраты ресурсов на реализацию эксперимента на ЭВМ.

Анализ результатов существенно упрощается, если уровни равноотстоят друг от друга, т. е. ортогональное разбиение упрощает определение коэффициентов аппроксимации. Можно получить значительные аналитические упрощения, если принять число уровней всех факторов одинаковым. Тогда структурная модель будет симметричной и примет вид Nc=q , где q = qc, г-- 1, к.

Функциональная модель плана эксперимента определяет количество элементов структурной модели Щ, т. е. необходимое число различных информационных точек. При этом функциональная модель может быть полной и неполной. Функциональная модель называется полной, если в оценке реакции участвуют все элементы, т. е. N$=NC, и неполной, если число реакций меньше числа элементов, т. е. N$<NC. Основная цель построения функциональной модели -- нахождение компромисса между необходимыми действиями при машинном эксперименте (исходя из структурной модели) и ограниченными ресурсами на решение задачи методом моделирования.

Для более быстрого нахождения компромиссного решения можно при предварительном планировании машинного эксперимента использовать номограмму, построенную при варьировании числа факторов к, числа уровней факторов q, повторений эксперимента р, а также затрат времени на прогон модели т и стоимости машинного времени с. Вид такой номограммы показан на рис. 6.4, причем при ее построении предполагалось, что полное число прогонов, необходимых при симметрично повторяемом эксперименте, N=pq\ (6.4)

Рассмотрим особенности пользования такой номограммой на примере.

Пример. Пусть необходимо спланировать машинный эксперимент при наличии трех факторов к= 3, каждый из которых имеет три уровня ? = 3, причем требуется />= 15 повторений с затратами т= 120 с машинного времени на один прогон при стоимости 1 ч машинного времени с = 100 руб. Кроме того, предполагается, что в день на моделирование данной системы S выделяется 60 мин машинного времени, т. е. на моделирование требуется к=№/3600 дней. Такой машинный эксперимент потребует около 400 прогонов, затрат примерно Т.= 13 ч машинного времени, около 7*= 13 дней на получение результатов моделирования и 1304 руб. для оплаты машинного времени. Сравним случай, рассмотренный в примере, при условии, что число уровней факторов уменьшено до двух, т. е. q = 2. Такой машинный эксперимент потребует только 135 прогонов; 4,5 ч машинного времени; 4,5 дня на получение результатов и всего 450 руб. затрат для оплаты машинного времени, т. е. имеет место сокращение затрат на 265%.

Такая номограмма (рис. 6.4) может быть использована и для других входов, например при фиксированной величине денежных средств, отводимых на машинный эксперимент.

Для более детального анализа имеющихся у экспериментатора возможностей при планировании эксперимента рассмотрим попарно относительное влияние числа факторов к, числа уровней q и числа повторений р на количество необходимых машинных прогонов модели N. Предполагая эти величины непрерывными, проанализируем, какая из трех величин дает наибольшее сокращение полного количества прогонов. Для этого продифференцируем уравнение

Из этих уравнений видно, что: 1) если kp>q и k>q]nq, то доминирует (оказывает наибольшее влияние на число машинных прогонов N) изменение числа уровней q; 2) если kp>q и k>q In q, то доминирует число факторов к; 3) если p<q и p\nq<\, то доминирует число повторений р.

Такой анализ позволяет дать наглядную графическую интерпретацию определения доминирующей для данного машинного эксперимента с моделью системы S переменной: к, q шшр. Графически изобразим уравнения (6.5). На рис. 6.5, а приведен график отношения (q In q)jk как функции числа уровней q при изменении числа факторов к от 1 до 5. Если отношение (q In q)jk> 1 при данных к и q, то доминирует число факторов к. Если это отношение меньше 1, то доминирует число уровней q.

На рис. 6.5, б приведен график зависимости отношения qj{kp) от числа уровней q для величин произведений кр в пределах от 1 до 5.

Если в данном случае q/(kp)> 1, то доминирует число повторений р, а если q/(kp)<l, то доминирует число уровней q.

На рис. 6.5, в показан график зависимости отношений 1/(р1п?) от числа уровней q для числа повторений р, изменяющихся в пределах от 1 до 10. Если 1/(р1п?)> 1, то доминирует число повторений р, а если lj(p In q) < 1, то доминирует число факторов к.

5. ТАКТИЧЕСКОЕ ПЛАНИРОВАНИЕ МАШИННЫХ ЭКСПЕРИМЕНТОВ С МОДЕЛЯМИ СИСТЕМ

номограмма стохастический моделирование

Тактическое планирование эксперимента с машинной моделью Мы системы S связано с вопросами эффективного использования выделенных для эксперимента машинных ресурсов и определением конкретных способов проведения испытаний модели Мы, намеченных планом эксперимента, построенным при стратегическом планировании. Тактическое планирование машинного эксперимента связано прежде всего с решением следующих проблем:

1) определения начальных условий и их влияния на достижение установившегося результата при моделировании;

2) обеспечения точности и достоверности результатов моделирования;

3) уменьшения дисперсии оценок характеристик процесса функционирования моделируемых систем;

4) выбора правил автоматической остановки имитационного эксперимента с моделями систем.

Проблема определения начальных условий н их влияния на достижение установившегося результата при моделировании.

Первая проблема при проведении машинного эксперимента возникает вследствие искусственного характера процесса функционирования модели Мм, которая в отличие от реальной системы S работает эпизодически, т. е. только когда экспериментатор запускает машинную модель и проводит наблюдения. Поэтому всякий раз, когда начинается очередной прогон модели процесса функционирования системы S, требуется определенное время для достижения условий равновесия, которые соответствуют условиям функционирования реальной системы. Таким образом, начальный период работы машинной модели Мм искажается из-за влияния начальных условий запуска модели. Для решения этой проблемы либо исключается из рассмотрения информация о модели Мм, полученная в начальной части периода моделирования (0, 7), либо начальные условия выбираются так, чтобы сократить время достижения установившегося режима. Все эти приемы позволяют только уменьшить, но не свести к нулю время переходного процесса при проведении машинного .эксперимента с моделью Мы. *

Проблема обеспечения точности н достоверности результатов моделирования.

Решение второй проблемы тактического планирования машинного эксперимента связано с оценкой точности и достоверности результатов моделирования (при конкретном методе реализации модели, например, методе статистического моделирования на ЭВМ) при заданном числе реализаций (объеме выборки) или с необходимостью оценки необходимого числа реализаций при заданных точности и достоверности результатов моделирования системы S. Как уже отмечалось, статистическое моделирование системы S -- это эксперимент с машинной моделью Мы. Обработка результатов подобного имитационного эксперимента принципиально не может дать точных значений показателя эффективности Е системы S; в лучшем случае можно получить только некоторую оценку Е такого показателя. При этом экономические вопросы затрат людских и машинных ресурсов, обосновывающие целесообразность статистического моделирования вообще, оказываются тесно связанными с вопросами точности и достоверности оценки показателя эффективности Е системы S на ее модели Мм.