СРАВНЕНИЕ АНАЛИТИЧЕСКОГО И ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ КЛАССИЧЕСКОЙ ТРЕХФАЗНОЙ СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ

Третьякова Анастасия Алексеевна 1 , Золотов Александр Александрович 1
1 Московский государственный технический университет имени Н.Э. Баумана

Аннотация
В статье рассмотрены различные подходы к моделированию систем обработки информации и управления. Произведен анализ классической трехфазной системы массового облуживания, которая включает в себе канал, процессоры и диски. Проведено множество экспериментов, и разработана имитационная модель данной системы для проверки и подтверждения результатов аналитического моделирования. Рассчитана погрешность между аналитическим и имитационным моделированием.

COMPARISON OF ANALYTICAL AND SIMULATION MODELING FOR THE CLASSICAL THREE-PHASE QUEUING SYSTEM

Tretyakova Anastasia Alekseevna 1 , Zolotov Alexander Alexandrovich 1
1 Bauman Moscow State University

Abstract
In the article there are various approaches to the modeling of information processing and control systems. The analysis of the classical three-phase queuing system which includes a channel, processors and disks were done. A set of experiments were done and a simulation model of this system were developed to verify and validate the results of analytical modeling. The error between analytical and simulation was calculated.

Библиографическая ссылка на статью:
Третьякова А.А., Золотов А.А. Сравнение аналитического и имитационного моделирования для классической трехфазной системы массового обслуживания // Современные научные исследования и инновации. 2016. № 12 [Электронный ресурс]..03.2019).

В настоящее время компьютер является незаменимой частью деятельности человека. Кроме персонального использования, компьютеры активно применяются для организации ЛВС (Локальной вычислительной сети). Правильное построение ЛВС, отвечающей стандартам безопасности, дает возможность получать доступ к необходимой информации, обеспечивает защиту от несанкционированного доступа к данным.
Для построения надежной, работоспособной ЛВС необходимо отталкиваться от требований к сети. Каждая ЛВС выполняет функции СОИ – системы обработки информации. Перед выбором оборудования сети важно оценить потоки поступающих заявок, загрузку рабочих станций, каналов передачи и др. характеристики системы. Для оценки производят моделирование проектируемой, будущей системы с учетом числа рабочих станций, количества процессоров, времени формирования запроса с рабочей станции и тд.
Модель не является объектом в полной мере отражающим все свойства и характеристики будущей системы. При моделировании учитываются основные входные параметры, которые влияют на исследуемые свойства системы.
Однако моделирование является важным шагом на этапе разработки системы, поскольку обладает рядом преимуществ: экономичностью по сравнению с сразу реализованной системой без этапа моделирования. Такая система может оказаться сильно недоработанной и потребовать новых экономических вложений;
не требует построения полной системы для исследования ее характеристик;
позволяет моделировать поведение системы в критичных для нее состояниях;
позволяет выявлять новые закономерности в более короткие сроки. По способу представления свойств объекта в модели делятся на следующие типы: аналитические, алгоритмические, имитационные (рис. 1).

Рис. 1. Классификация математических моделей по способу представления свойств объекта

Аналитические математические модели используют математические выражения для получения выходных параметров как функций от входных параметров, алгоритмические модели – алгоритм или несколько алгоритмов, которые определяют функционирование модели. Имитационная модель предназначена для исследования возможных путей изменения модели при различных значениях параметров. Аналитическое моделирование. Аналитическая модель в определяется как математическое описание структуры и процесса функционирования системы, а также методика определения показателей ее эффективности. Такая модель позволяет быстро и с высокой точностью характеризовать поведение системы.

При аналитическом моделировании устанавливаются зависимости между входными и выходными параметрами системы. Эти зависимости описываются с помощью различных уравнений (алгебраические, дифференциальные, интегральные и др.). Аналитическое моделирование используется для учета не очень большого числа параметров. Задачи, которые требуют большего числа параметров, решают с помощью методов имитационного моделирования. Аналитические модели активно используются для описания СМО (Систем массового обслуживания). СМО называется система, которая служит для обслуживания потока заявок.
Рассмотрим СОИ, представленную на рисунке 2.

Рис. 2. Формализованная схема СОИ, содержащая ПЭВМ, канал и сервер

В схеме используются следующие обозначения:
ОА Дi - обслуживающий аппарат, имитирующий дообработку на i-той рабочей станции сети запроса от этой станции к серверу после обработки запроса на сервере;
ОА ф i - обслуживающий аппарат, имитирующий формирование запроса от i-той рабочей станции к серверу; (i = 1… N );
Б К - буфер, имитирующий очередь запросов к каналу;
ОА К - обслуживающий аппарат, имитирующий задержку при передаче данных через канал;
Б п - буфер, имитирующий очередь запросов к процессорам;
ОА п - обслуживающие аппараты, имитирующие работу процессоров.
Б д i - буфер, имитирующий очередь запросов к i-му диску;
ОА д i - обслуживающий аппарат, имитирующий работу i-го диска.
Р – вероятность обращения запроса к ЦП после обработки на диске. Обслуживание
заявок во всех ОА подчиняется экспоненциальному закону.
Данная СОИ обслуживает заявки, поступающие от рабочих станций к серверу. Эти заявки формируются через определенные временные промежутки. Заявки поступают на обслуживающие аппараты. Так же в системе предусмотрена задержка при передаче заявки по каналу, возможность дообработки заявки.
Аналитическая модель этой СОИ может быть построена с помощью использования следующих формул:

1. (1)

где - среднее значение суммарной интенсивности фонового потока запросов, выходящих из ОА, имитирующих работу рабочих станций, в канал;
- среднее количество проходов запроса по тракту процессор – диски за время одного цикла его обработки в системе;
- среднее значение времени обработки запроса в канале передачи данных;
- среднее значение времени обработки запроса в ЦП сервера;
- среднее значение времени обработки запроса в диске сервера;
N - количество рабочих станций;
- вероятность обращения к i-му диску сервера.
К1 принимает значения в диапазоне 0.9…0.999995, по умолчанию 0,995.

2. (2.1)

(2.2)

(2.3)

где - среднее время пребывания запроса в канале;

Среднее время пребывания запроса в процессоре;
- среднее время пребывания запроса в дисках;
С - число процессоров сервера.

3. ,(3)

где - интенсивность фонового потока после очередной итерации.

4. После вычислений по формулам (1-3) сравниваем . Если , то переходим к пункту 5, иначе продолжаем вычисление по формулам (4.1-4.2). - может принимать значения в диапазоне от 0,000001 до 0,9. По умолчанию 0,05.

где К2 принимает значения в диапазоне 10…100000, по умолчанию 100.

Переход на пункт 2 .
5. Определение выходных результатов аналитической модели для производится по формулам (2). С помощью формул ниже определяются остальные выходные характеристики СОИ.

(5.5)

Среднее время цикла системы;
- среднее время формирования запроса;

Реализация аналитической модели СОИ. Программная реализация аналитической модели с использованием формул (1-5) написана на языке программирования С#. Форма взаимодействия с пользователем представлена на рисунке 3.

Рис. 3. Интерфейс программы “Аналитическая модель СОИ”

В табл. 1 представлены входные и выходные параметры модели СОИ.

Таблица 1. Параметры модели СОИ

Входные	Выходные
Среднее время передачи через канал в прямом направлении
Среднее время передачи через канал в обратном направлении
Количество процессоров (С)
	Среднее время цикла системы
Количество дисков (m);	Среднее время реакции системы
Коэффициент К1 (по умолчанию – 0,995)	Количество итераций
Коэффициент К2 (по умолчанию – 100)
Дельта ∆ (по умолчанию – 0,05)
Количество знаков после запятой (по умолчанию -3)

Проведение экспериментов на модели СОИ. С помощью аналитической модели была промоделирована работа СОИ. Эксперименты были проведены для различного количества рабочих станций, процессоров, дисков, времен формирования, обработки и дообработки заявки, для систем без дообработки и с дообработкой заявки. Исходные данные и результаты моделирования для некоторых экспериментов приведены в табл. 2.

Таблица 2. Аналитическое моделирование СОИ

Номер эксперимента	1	2	3	4
Исходные данные
Количество рабочих станций (N)	25	25	25	20
Среднее время дообработки запроса на РС (То)	0	0	50	50
Среднее время формирования запроса на РС (Тр)	100	10	100	70
Среднее время передачи через канал в прямом направлении (tк1)	5	5	3	2
Среднее время передачи через канал в обратном направлении (tк2)	5	5	3	2
Количество процессоров (С)	1	1	1	2
Среднее время обработки запроса на процессоре (tпр)	10	10	10	10
Количество дисков (m)	1	2	1	3
Среднее время обработки запроса на диске (tдi)	10	20	10	25
Вероятность обращения запроса к ЦП после обработке на диске (P)	0	0	0,05	0,07
Результаты моделирования
0,337	0,034	0,507	0,496
0,337	0,034	0,338	0,289
Среднее количество работающих РС	8,418	0,852	12,664	9,914
0,842	0,852	0,507	0,33
0,842	0,852	0,844	0,444
0,842	0,852	0,844	0,74
-	0,852	-	0,74
-	-	-	0,74
Среднее время цикла системы	296,987	293,316	296,103	242,073
Среднее время реакции систем	196,987	283,316	196,103	172,073
Начальная интенсивность фонового потока	0,096	0,096	0,096	0,105
Конечная интенсивность фонового потока	0,085	0,086	0,085	0,082
Количество итераций	53	41	60	111

Также с помощью аналитической модели установлено, что при различных К1, К2, ∆ результаты отличаются не значительно, кроме показателя – количество итераций. При использовании приведенного выше подхода к аналитическому моделированию целесообразно использовать значения по умолчанию для К1, К2, ∆, кроме случаев, когда необходима высокая точность вычислений.
Имитационное моделирование. Имитационное моделирование – это метод, который позволяет строить и получать модели тех ситуаций, которые бы происходили в действительности. Моделирование можно проводить на определенном временном интервале. С помощью данной особенности имитационных моделей можно наблюдать, как система ведет себя в течение времени. Это бывает полезно, когда система сложная, и ученым или исследователям не понятно, как будет вести себя система через некоторый квант времени (через час, день и т.д.).
Имитационная модель - логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.
Широко использующимся языком моделирование на сегодняшний день является GPSS. Язык GPSS зарекомендовал себя, как хороших язык имитационного моделирования для систем массового обслуживания и систем, которые могут быть формализованы в качестве систем массового обслуживания.
Модель на языке GPSS представляет собой последовательность операторов. Каждому оператору свойственно свое (особое) поведение
В интерпретаторах языка GPSS событийный метод обработки. В модели может быть сразу несколько транзактов. Транзакт – это абстрактный объект, который перемещается между статическими объектами (операторами языка GPSS), воспроизводя определенное поведение реального объекта. Интерпретатор обслуживает транзакты в определенном порядке (FIFO, LIFO), тем самым имитируя продвижения транзактов по имитационной модели.
Рассмотренная выше система относится к классу систем массового облуживания. Соответственно, можно составить имитационную модель данной системы и проверить результаты аналитического моделирования.
В модели задается количество рабочих станций, время обработки запроса на рабочей станции, время дообработки запроса, время передачи через канал, количество процессоров, время обработки заявки на процессоре, количество дисков, время обработки на диске. Сравним результаты аналитического и имитационного моделирования. Результаты имитационного моделирования, а также входные данные приведены в таблице 3.

Таблица 3. Результаты имитационного моделирования.

Из приведенных результатов видно, что имитационно моделирование достаточно хорошо согласуется с аналитическим моделированием. Разница в результатах моделирования не превышает 7-8%, что вполне приемлемо для инженерных расчетов.

Заключение. В статье были рассмотрены 2 подхода к анализу систем массового обслуживания: аналитический метод и имитационный метод. При проведении нескольких экспериментов получились хорошо согласующиеся между собой результаты. Погрешность между двумя данными методами составляет не более 7-8%, что является хорошим показателем для инженерных расчетов. Поэтому, для анализа систем массового обслуживания на практике используют комбинацию двух данных методов. Сначала используют аналитическое моделирование, затем проверяют результаты на имитационных моделях. Комбинация двух данных методов позволяет получить приемлемый результат, а также сократить количество ошибок и неверных решений. – (Дата обращения: 01.12.2016) Количество просмотров публикации: Please wait

Аналитические математические модели представляют собой явные математические выражения выходных параметров как функций от параметров входных и внутренних. Это, например, выражения для сил резания:

; ; .

Аналитическое моделирование основано на косвенном описании моделируемого объекта с помощью набора математических формул. Язык аналитического описания содержит следующие основные группы семантических элементов: критерий (критерии), неизвестные, данные, математические операции, ограничения. Наиболее существенная характеристика аналитических моделей заключается в том, что модель не является структурно подобной объекту моделирования. Под структурным подобием здесь понимается однозначное соответствие элементов и связей модели элементам и связям моделируемого объекта. К аналитическим относятся модели, построенные на основе аппарата математического программирования, корреляционного, регрессионного анализа.

Аналитическая модель всегда представляет собой конструкцию, которую можно проанализировать и решить математическими средствами. Так, если используется аппарат математического программирования, то модель состоит в основе своей из целевой функции и системы ограничений на переменные. Целевая функция, как правило, выражает ту характеристику объекта (системы), которую требуется вычислить или оптимизировать. В частности, это может быть производительность технологической системы. Переменные выражают технические характеристики объекта (системы), в том числе варьируемые, ограничения – их допустимые предельные значения.

Аналитические модели являются эффективным инструментом для решения задач оптимизации процессов, протекающих в технологических системах, а также оптимизации и вычисления характеристик самих технологических систем.

Важным моментом является размерность конкретной аналитической модели. Часто для реальных технологических систем (автоматических линий, гибких производственных систем) размерность их аналитических моделей столь велика, что получение оптимального решения с помощью вычислений оказывается весьма сложным.

Для повышения вычислительной эффективности в этом случае используют различные приемы.

Один из них связан с разбиением задачи большой размерности на подзадачи меньшей размерности так, чтобы автономные решения подзадач в определенной последовательности давали решение основной задачи. При этом возникают проблемы организации взаимодействия подзадач, которые не всегда оказываются простыми. Другой прием предполагает уменьшение точности вычислений, за счет чего удается сократить время решения задачи.

Алгоритмические математические модели выражают связи между выходными параметрами и параметрами входными и внутренними в виде алгоритма.

Имитационные математические модели – это алгоритмические модели, отражающие развитие процесса (поведение исследуемого объекта) во времени при задании внешних воздействий на процесс (объект). Например, это модели систем массового обслуживания, заданные в алгоритмической форме.

Имитационное моделирование основано на прямом описании моделируемого объекта. Существенной характеристикой таких моделей является структурное подобие объекта и модели. Это значит, что каждому существенному с точки зрения решаемой задачи элементу объекта ставится в соответствие элемент модели. При построении имитационной модели описываются законы функционирования каждого элемента объекта и связи между ними.

Работа с имитационной моделью заключается в проведении имитационного эксперимента. Процесс, протекающий в модели в ходе эксперимента, подобен процессу в реальном объекте. Поэтому исследование объекта на его имитационной модели сводится к изучению характеристик процесса, протекающего в ходе эксперимента.

Ценным качеством имитации является возможность управлять масштабом времени. Динамический процесс в имитационной модели протекает в так называемом системном времени. Системное время имитирует реальное время. При этом пересчет системного времени в модели можно выполнять двумя способами:

· первый способ заключается в «движении» по времени с некоторым постоянным шагом;

· второй способ заключается в «движении» по времени от события к событию, при этом считается, что в промежутках времени между событиями в модели изменений не происходит.

Традиционно математические модели разделяют на аналитические и имитационные модели. Аналитические модели представляют собой уравнения или системы уравнений, записанные в виде алгебраических, интегральных, дифференциальных, конечно-разностных и иных соотношений и логических условий. Они записаны и решены в буквенном виде. Отсюда и происходит их название. Аналитическая модель, как правило, статическая. Аналитическое представление подходит лишь для очень простых и сильно идеализированных задач и объектов, которые, как правило, имеют мало общего с реальной (сложной) действительностью, но обладают высокой общностью. Данный тип моделей обычно применяют для описания фундаментальных свойств объектов, так как фундамент прост по своей сути. Сложные объекты редко удаётся описать аналитически.

Альтернативой аналитическим моделям являются имитационные модели (динамические). Основное отличие имитационных моделей от аналитических состоит в том, что вместо аналитического описания взаимосвязей между входами и выходами исследуемой системы строят алгоритм, отображающий последовательность развития процессов внутри исследуемого объекта, а затем «проигрывают» поведение объекта на

компьютере. К имитационным моделям прибегают тогда, когда объект моделирования настолько сложен, что адекватно описать его поведение математическими уравнениями невозможно или затруднительно. Имитационное моделирование позволяет разлагать большую модель на части (объекты, «кусочки»), которыми можно оперировать по отдельности, создавая другие, более простые или, наоборот, более сложные модели.

Таким образом, основным преимуществом имитационного моделирования по сравнению с аналитическим является возможность решения более сложных задач, так как имитационную модель можно постепенно усложнять, при этом результативность модели не падает.

При имитационном моделировании воспроизводится алгоритм функционирования системы во времени – поведение системы, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы. Имитационные модели позволяют достаточно просто учитывать

такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия и другие, которые часто создают трудности при аналитических исследованиях. Имитационное моделирование тяготеет к объектно-ориентированному представлению, которое естественным образом описывает объекты, их состояние, поведение, а также взаимодействие

между ними.

Имитационная модель в отличие от аналитической представляет собой не законченную систему уравнений, а развернутую схему с детально описанной структурой и поведением изучаемого объекта. Для имитационного моделирования характерно воспроизведение явлений, описываемых моделью, с сохранением их логической структуры, последовательности чередования во времени, взаимосвязей между параметрами и переменными исследуемой системы.

В аналитических моделях можно использовать широкий арсенал математических методов, что часто позволяет найти оптимальное решение и иногда провести анализ чувствительности. Однако, к сожалению, аналитические решения не всегда существуют, а существующие не всегда просто найти.

Что касается имитационных моделей, то оптимальность решения не гарантирована, и даже более того – часто трудно получить решение, хотя бы в какой-то степени близкое к оптимальному. Иногда требуется провести много испытаний имитационной модели, чтобы получить приемлемую достоверность «добротности» какого-либо решения.

Однако с помощью имитационного моделирования можно получить такие данные, которые с помощью аналитических моделей получить очень сложно или совсем невозможно, например, определить влияние изменчивости параметров модели, поведение модели до достижения ею установившегося состояния и т.п. См. рис 2.

Рис. 3. Модели поддержки принятия решений

В аналитических моделях (в частности, математического программирования) значения переменных решений являются выходом модели. Выходным результатом процесса оптимизации модели будут значения переменных решений, которые максимизируют (или минимизируют) целевую функцию. В имитационных моделях значения

переменных решений являются входом модели – выходным результатом процесса имитации модели будет значение целевой функции, соответствующее данным входным значениям переменных.

Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение. Однако на сегодняшний день многие аналитические модели (в частно-

сти, модели математического программирования) имеют ограниченное применение на практике. В том случае, когда аналитические модели невозможно применять, аналитики применяют имитационные модели. Имитационные модели считаются одними из наиболее перспективных при решении задач управления экономическими объектами. В общем случае, для сложных проблем, где время и динамика важны, имитационное мо-

дели считаются одним из самых популярных и полезных методов количественного анализа :

1 . Аналитические модели часто трудны для формализации и построения, а иногда их вообще невозможно построить. Любая аналитическая модель имеет свои «затрудняющие» факторы, которые зависят от специфики данной модели.

2. Аналитические модели обычно дают среднестатистические или стационарные (долговременные) решения. На практике часто важно именно нестационарное поведение системы или ее характеристики на коротком временном интервале, что не дает возможности получить «средние» значения.

3. Для имитационного моделирования можно использовать широкий круг программного обеспечения специально разработанных для создания имитационных моделей.

Как аналитические, так и имитационные модели можно использовать для решения задач, включающих случайные события. При этом часто аналитические модели предпочтительнее имитационных по следующим причинам:

Ø Имитационное моделирование требует проведения большого числа испытаний, чтобы получить хорошую оценку значения целевой функции для каждого отдельного решения.

Ø С помощью аналитической модели можно получить оптимальное решение.

Ø Решение задачи с помощью имитационного моделирования требует оценить большое количество возможных альтернативных решений.

К достоинствам имитационного моделирования по сравнению с аналитическими моделями можно отнести:

1)Возможность многократного измерения интересующих нас параметров мо-

2)Возможность исследования сложных сценариев поведения системы.

В таблице приведен перечень наиболее существенных отличительных характеристик имитационных и аналитических моделей, проходящих через все три стадии процесса моделирования, а именно формализацию, моделирование и интерпретацию результатов моделирования.

Табл.1.Сравнительные характеристики имитационных и аналитических моделей

ЗАКЛЮЧЕНИЕ

Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение.

В настоящее время имитационное моделирование – наиболее эффективный метод исследования систем, а часто и единственный практически доступный метод получения информации о поведении системы, особенно на этапе ее проектирования.

Во многих случаях имитационные модели строятся не вместо аналитических, а параллельно с ними, поскольку они относительно просты для создания и позволяют исследовать такие параметры реальных систем, которые невозможно отобразить в аналитических моделях. Комбинированное использование аналитических и имитационных методов позволяет сочетать достоинства обоих подходов. При построении комбинированных (аналитико-имитационных) моделей производится 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 подход дает возможность охватить качественно новые классы систем, которые не могут быть исследованы с использованием аналитического или имитационного моделирования в отдельности.

Литература

1. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика // www.anylogic.com

С точки зрения основных инструментально-методологических средств моделирования выделяются следующие группы моделей: аналитические, графические, языковые и имитационные.

Аналитические модели

Такие модели строятся на основе выявленных между характеристиками систем функциональных или корреляционных зависимостей.

Функциональные зависимости предполагают взаимное однозначное соответствие двух или более величин. Они чаще встречаются в точных науках (физике твердого тела, механике).

Корреляционные зависимости предполагают зависимость средних величин (например, достаточно очевидно, что кривая спроса - это всего лишь проявление некоторой тенденции средних величин спроса на данный товар при фиксированных значениях, допустим, цены на товар). Значительная часть моделей экономических явлений построена именно на корреляционных зависимостях.

Однако аналитические модели являются наиболее исследованной группой моделей, для реализации и анализа которых разработан мощный математический аппарат. С помощью таких моделей возможно решение оптимизационных задач. Обобщенный вид функциональной модели можно проиллюстрировать примером канонической записи модели математического линейного программирования.

Найти min или max F(x) = ^cx, при ограничениях qx

Здесь F(x) - целевая функция, то есть специально сконструированный показатель эффективности системы;

х - вектор управляемых переменных, например, некоторых ресурсов;

с - ценностная оценка использования /-го вида ресурса;

q - функция потребления /-го вида ресурса;

а - ограничения по /-му виду ресурса.

Некоторые задачи управления могут быть сформулированы как нахождение такого состояния системы, оценка которого по заданному критерию является экстремальной.

При построении аналитических моделей, как правило, используются экспериментальные наблюдения за моделируемым объектом. Полученную совокупность наблюдений обрабатывают методом корреляционного анализа для выявления зависимости между наблюдаемыми величинами. В случае установления факта наличия зависимости методом регрессионного анализа подбирается функция, наилучшим образом соответствующая множеству экспериментальных наблюдений.

Для построения функциональных моделей используются показатели системы - экзогенные (внешние) и эндогенные (внутренние). Показатели системы - это проявление специфических отношений со средой. Из всех показателей нас более всего интересуют существенные, то есть необходимые и достаточные для построения модели. Показатели бывают количественные, имеющие эталон сравнения (метр, литр, ампер, джоуль), и качественные, для которых его нет или он редко используется (цвет, красота, представительность).

Значение количественного показателя называется параметром системы - это число, выражающее отношение между количественной характеристикой и эталоном (например, длина два метра). Значение качественного показателя - содержательная формула из принятого набора (например, невкусно, вкусно, очень вкусно).

Состояние системы в некоторый момент времени есть множество значений ее параметров или качественных характеристик. Если множество значений параметров или качественных характеристик представить как координаты в w-мерном пространстве, то состояние системы в момент t - это точка в пространстве состояний (рис. 10).

Рис. 10. Пространство состояний системы Функционирование системы проявляется в ее переходе из одного состояния в другое или сохранении некоторого состояния в течение определенного времени. Таким образом, функция системы проявляется в движении точки системы в пространстве состояний по некоторой траектории. При этом траекторией системы называется множество точек в пространстве состояний, определенных на заданном отрезке времени.

Достижение целевого состояния системы может происходить по разным траекториям. Возникает управленческая задача оценки качества траектории или эффективности функционирования системы.

Применение математических моделей для прогнозирования и планирования развития систем

А.В. Габалин,
н. с., Valent @ ipu . rssi . ru ,
ИПУ РАН, г. Москва

Моделирование применяется в случае, если эксперименты с реальными объектами, системами невозможны или слишком дороги. Главное отличие моделирования от других методов изучения сложных систем – возможность оптимизации системы до её реализации.

Процесс моделирования состоит из трёх стадий: формализации (переход от реального объекта к модели), моделирования (анализ и оптимизацию модели, нахождение решения), интерпретации (перевод результатов моделирования в область реальности).

Традиционно математические модели разделяют на аналитические и имитационные. Аналитические модели представляют собой уравнения или системы уравнений, записанные в виде алгебраических, интегральных, дифференциальных, конечно-разностных и иных соотношений и логических условий. Они записаны и решены в буквенном виде. Отсюда и происходит их название. Аналитическая модель, как правило, статическая. Аналитическое представление подходит лишь для очень простых и сильно идеализированных задач и объектов, которые, как правило, имеют мало общего с реальной (сложной) действительностью, но обладают высокой общностью.

Данный тип моделей обычно применяют для описания фундаментальных свойств объектов, так как фундамент прост по своей сути. Сложные объекты редко удаётся описать аналитически.

Альтернативой аналитическим моделям являются имитационные модели (динамические). Основное отличие имитационных моделей от аналитических состоит в том, что вместо аналитического описания взаимосвязей между входами и выходами исследуемой системы строят алгоритм, отображающий последовательность развития процессов внутри исследуемого объекта, а затем «проигрывают» поведение объекта на компьютере. К имитационным моделям прибегают тогда, когда объект моделирования настолько сложен, что адекватно описать его поведение математическими уравнениями невозможно или затруднительно. Имитационное моделирование позволяет разлагать большую модель на части (объекты, «кусочки»), которыми можно оперировать по отдельности, создавая другие, более простые или, наоборот, более сложные модели.

Таким образом, основным преимуществом имитационного моделирования по сравнению с аналитическим является возможность решения более сложных задач, так как результатом процесса имитации модели будет значение целевой функции, соответствующее данным входным значениям переменных. Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение. Однако на сегодняшний день многие аналитические модели (в частности, модели математического программирования) имеют ограниченное применение на практике. В том случае, когда аналитические модели невозможно применять, аналитики применяют имитационные модели. Имитационные модели считаются одними из наиболее перспективных при решении задач управления экономическими объектами. В общем случае, для сложных проблем, где время и динамика важны, имитационное модели считаются одним из самых популярных и полезных методов количественного анализа:

1. Аналитические модели часто трудны для формализации и построения, а иногда их вообще невозможно построить. Любая аналитическая модель имеет свои «затрудняющие» факторы, которые зависят от специфики данной модели.

2. Аналитические модели обычно дают среднестатистические или стационарные (долговременные) решения. На практике часто важно именно нестационарное поведение системы или ее характеристики на коротком временном интервале, что не дает возможности получить «средние» значения.

3. Для имитационного моделирования можно использовать широкий круг программного обеспечения специально разработанных для создания имитационных моделей.

Как аналитические, так и имитационные модели можно использовать для решения задач, включающих случайные события. При этом часто аналитические модели предпочтительнее имитационных по следующим причинам:

1. Имитационное моделирование требует проведения большого числа испытаний, чтобы получить хорошую оценку значения целевой функции для каждого отдельного решения.

2. С помощью аналитической модели можно получить оптимальное решение.

3. Решение задачи с помощью имитационного моделирования требует оценить большое количество возможных альтернативных решений.

К достоинствам имитационного моделирования по сравнению с аналитическими моделями можно отнести:

· Возможность многократного измерения интересующих нас параметров модели.

· Возможность исследования сложных сценариев поведения системы.

В настоящее время во многих случаях имитационные модели строятся не вместо аналитических, а параллельно с ними, поскольку они относительно просты для создания и позволяют исследовать такие параметры реальных систем, которые невозможно отобразить в аналитических моделях. Комбинированное использование аналитических и имитационных методов позволяет сочетать достоинства обоих подходов. При построении комбинированных (аналитико-имитационных) моделей производится 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 подход дает возможность охватить качественно новые классы систем, которые не могут быть исследованы с использованием аналитического или имитационного моделирования в отдельности.

На основе проведенных исследований и обобщения опыта решения практических задач прогнозирования и планирования развития систем в ИПУ РАНбыл предложен подход к решению задачи, базирующийся на построении комплекса взаимосвязанных оптимизационных (ОМ), имитационных (ИМ) и расчетно-анализирующих (АН) моделейи корректирующих (КОР) процедур.

При этом ограничения и условия развития систем, задаваемые в аналитическом виде, учитываются в рамках соответствующих моделей оптимизации. Алгоритмически задаваемые ограничения учитываются с помощью имитационных моделей функционирования элементов системы. Расчетные модели обеспечивают формирование и оценку экономических и тактико-технических показателей развития и функционирования системы, на основе которых организуется процедура взаимодействия моделей комплекса.

На рис.1 дана общая схема построения комплексов оптимизационно-имитационных моделей, отображающих различные методы оптимизации функционирования систем. Задачи развития систем можно разбить на следующие классы:

· целевая функция и область ограничений заданы аналитически;

· целевая функция задана аналитически, область ограничения задана алгоритмически;

· целевая функция задана аналитически, область ограничения задана алгоритмически и аналитически;

· целевая функция задана алгоритмически, область ограничения заданааналитически;

· целевая функция и область ограничений заданных алгоритмически;

· целевая функция задана алгоритмически, область ограничения задана алгоритмически и аналитически.

Для решения задач первого класса используются комплексы моделей 1, второго класса – комплексы 3, третьего класса – комплексы 3, 4, четвертого класса – комплексы 2, 5, 6, пятого класса – комплексы 2, 5, 6, шестого класса – комплексы 2, 5, 6. Более подробно данные методы изложены в .

Имитационные модели в последнее время все чаще применяются для прогнозирования и планирования будущего развития производственных систем на стадии решения вопроса инвестирования проекта, создания бизнес-плана особенно в области машиностроения и металлургии. Большую роль в проведении имитационного эксперимента играет выбор системы моделирования, который позволяет, во-первых, описать состав, структуру и процесс функционирования моделируемой системы, а во-вторых, значительно сократить затраты на построение модели путем использования стандартных функций имитационного языка. Долгожителем в мире систем имитационного моделирования является широко известный и распространенный язык для моделирования дискретных систем - GРSS. Появившийся впервые еще в 1961 году, он выдержал множество модификаций для различных операционных систем и ЭВМ и в то же время сохранил почти неизменными внутреннюю организацию и основные блоки. Язык GPSS можно отнести к языкам высокого уровня. В силу этого он имеет довольно слабые алгоритмические возможности. Для устранения этого недостатка в систему GPSS World добавлен PLUS –язык низкого уровня. Выражения, процедуры и эксперименты PLUS можно использовать в GPSS-моделях.

Система GPSS World обеспечивает два вида автоматически проводимых экспериментов: разработанные для пользователя иразработанные пользователем. PLUS –язык позволяет разрабатывать пользовательские эксперименты любой сложности.

GPSS World – это прямое развитие языка моделирования GPSS/РС, одной из первых реализаций GPSS для персональных компьютеров. В настоящее время версия GPSS World для ОС Windows имеет расширенные возможности, включая пользовательскую среду с интегрированными функциями работы с Интернет. GPSS World разработан для оперативного получения достоверных результатов с наименьшими усилиями. В соответствии с этими целями в GPSS World хорошо проработана визуализация процесса моделирования, а также встроены элементы статистической обработки данных. Сильная сторона GPSS World – это его прозрачность для пользователя. GPSS World является объектно-ориентированным языком. Его возможности визуального представления информации позволяют наблюдать и фиксировать внутренние механизмы функционирования моделей. Его интерактивность позволяет одновременно исследовать и управлять процессами моделирования. С помощью встроенных средств анализа данных можно легко вычислить доверительные интервалы и провести дисперсионный анализ. Кроме того, теперь есть возможность автоматически создавать и выполнять сложные отсеивающие и оптимизирующие эксперименты.

Последняя версия GPSS Worldвключает в себя массу нововведений, позволяющих проводить более эффективные исследования и сделать работу с системой максимально простой и удобной для пользователя:

· Высокоэффективный транслятор является частью программы GPSS World, которая создает объекты “Процесс моделирования”. Перед включением в объект “Процесс моделирования” все операторы модели проходят трансляцию. Точно так же интерактивные операторы транслируются в глобальной области видимости прежде, чем они будут переданы существующему объекту “Процесс моделирования”.

· На уровне интерфейса GPSS World представляет собой реализацию архитектуры “документ-вид”, общей для всех приложений операционной системы Windows. Объекты могут быть открыты в нескольких окнах, изменены и сохранены на постоянных носителях информации. Привычное меню главного окна и блокировка недоступных команд меню, не отвлекая внимания, направляет пользователя к конечной цели. GPSS World был разработан с целью достичь тесной интерактивности даже в многозадачной среде с использованием виртуальной памяти.

· Многопоточная архитектура GPSS World позволяет совместно запускать несколько процессов моделирования и экспериментов. Одновременно выполняются не только обновление окон, пользовательский ввод, дисковый ввод-вывод, печать и процесс моделирования, но также в одно и то же время может быть запущено любое количество процессов моделирования.

· Процессы моделирования непосредственно не ограничиваются размером физической памяти с произвольным доступом (ОЗУ), в которой выполняется объект “Процесс моделирования”. Используя механизм виртуальной памяти, модели могут достигать размера до гигабайта. Количество объектов также ограничивается только обеспечиваемым размером файла подкачки. Для достижения оптимальной производительности необходимо использовать значительный объем реальной памяти. Выделение и управление памятью для объектов происходит невидимо для пользователя. Объекты автоматически создаются до тех пор, пока не потребуется дополнительная информация.

· GPSS World поддерживает высокий уровень интерактивности даже во время процесса моделирования. Используя команды главного меню окна модели, ускоряющие клавиши или настройки модели, закрепляя за функциональными клавишами собственные команды, вы можете передавать существующему объекту “Процесс моделирования” любой оператор. Вы можете использовать диалоговое окно для ввода операторов, отсутствующих в выпадающем меню, а с помощью специальной команды вы можете посылать процессу моделирования интерактивные операторы любой сложности.

· GPSS World отличается высоким уровнем визуализации выполняющегося процесса моделирования. Для наблюдения и взаимодействия с процессом моделирования используются двадцать различных окон, соответствующих большей части объектов GPSS. Для получения, сохранения и печати визуального представления состояния процесса моделирования не требуется дополнительных усилий, кроме операций с окнами.

· В GPSS World существует ряд анимационных возможностей. Уровень их реализма изменяется от абстрактной визуализации, не требующей никаких усилий, до высоко реалистических динамических изображений, включающих в себя сложные элементы, созданные пользователем.

За последние десятилетия в ИПУ РАН успешно решались задачи построения имитационных и оптимизационных моделей различных производственных, транспортных систем и систем специального назначения с помощью систем GPSS и SLAM.

В ИПУ РАН создана универсальная система моделирования дискретных систем (УСМ) для автоматизированного проведения имитационных экспериментов по развязке «узких мест» проектируемых систем на базе GPSS WORLD. Исходные данные (шаблоны), различные варианты режимов и настроек экспериментов выполнены в виде таблиц.

Программы создания и работы с базой данных, выбора характеристик и режимов моделирования и исходных данных через различные меню, настройки имитационных моделей, графического отображения результатов выполнены в средеязыка Pascal.

Исходная имитационная модель написана на GPSS. УСМ работает с уже готовой имитационной программой при различных вариантах исходных данных.

УСМ внедрена при проектировании ряда систем , в том числе при оптимизации функционирования и развития структуры космодрома “Байконур”, а также - в учебный процесс Московского Авиационного института.

рис 1. Схема комплексов моделей

Литература

1. Цвиркун А.Д., Акинфиев В.К., Филиппов В.А. Имитационное моделирование в задачах синтеза структуры сложных систем. М.: Наука, 1985.

2. Габалин А.В. Оптимизационно-имитационный подход в задачах анализа и синтеза структуры распределенных систем обработки информации. Труды института. Том XXVI . М.: Институт проблем управления, 2005.

3. Габалин А.В Вопросы оптимизации структуры распределённых систем обработки информации. Журнал “Прикладная информатика” №6 2007.

4. Габалин А.В. Комплексный подход для решения задач построения систем обработки информации. III Всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности”Имитационное моделирование. Теория и практика”(ИММОД-2007). Санкт-Петербург, 2007.