При имитационном подходе, прежде всего, строится экспериментальная модель системы. Затем производится сравнительная оценка конкретных вариантов функционирования системы путем «проигрывания» различных ситуаций на рассматриваемой модели. Обычно представляется слишком неудобным и дорогостоящим решать задачи организационного управления путем имитации реальных действий, как, например, это делается в армейских условиях во время различного рода учений. Более предпочтительным является представление сложной функциональной системы с помощью логико- математической модели, «заложенной» в ЭВМ. При этом факторы неопределенности, динамические характеристики и весь комплекс взаимосвязей между элементами исследуемой системы представляют в виде формул, хранящихся в ЭВМ. Имитирование системы начинают с некоторого вполне конкретного исходного состояния. В результате принимаемых решений, а также вследствие ряда контролируемых и
301 неконтролируемых событий, среди которых могут быть и события случайного характера, система переходит в последующие моменты времени в другие состояния. Эволюционный процесс, таким образом, продолжается до тех пор, пока не наступит конечный момент планового периода. Отрезки времени внутри планового периода нередко оказываются четко определенными и образуют упорядоченную последовательность на достаточно большом периоде имитирования. Поэтому имитационный эксперимент сопряжен с огромным количеством вычислений, выполняемых ЭВМ с большой скоростью. Такое отражение в ЭВМ реального процесса длительностью в несколько лет за несколько минут называют сжатием времени. Многие специалисты по исследованию операций смотрят на машинное имитирование как на средство, к которому прибегают лишь в самых крайних случаях. Это отношение объясняется двумя причинами. Первая из них связана с характером самих результатов имитирования. Когда модель содержит элементы неопределенности, каждый ответ, вытекающий из конкретного акта имитирования, необходимо рассматривать только как оценку, верную с точностью лишь до статистических погрешностей. Так, например, имитационная модель образования очереди дает лишь оценку ее средней длины и соответствующую вероятность задержки. Следовательно, делая выводы об относительных преимуществах различных пробных вариантов с учетом результатов имитационных тестов, необходимо проявлять осторожность при оценке флуктуаций, сопровождающих исследуемый процесс. Вторая причина недоверия к имитационному методу определяется способом его практического использования. Если функциональная система настолько сложна, что для ее рассмотрения неприменимы такие методы операционных исследований, как линейное и динамическое программирование или обычный анализ в рамках теории вероятностей, то построение имитационной модели и последующий анализ результатов имитирования в этом случае, скорее всего, будут сопряжены со значительными трудностями. Многие из склонных к опрометчивым выводам операционистов не без досады убедились, что, как и реальная действительность, «имитационный мир» оказывается трудно постижимым – имитационная модель приводит к такому количеству разнообразных исходов, что в результате получаемую информацию не так-то легко
302 интерпретировать. Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами. Результаты исследования имитационной модели, как правило, представляют собой оценки значений операционных (функциональных) характеристик той системы, поведение которой имитируется. Так, например, при имитационном моделировании функционирования любой системы массового обслуживания практический интерес могут представлять такие показатели, как средняя продолжительность обслуживания «клиента», средняя длина очереди, доля времени вынужденного простоя системы обслуживания и т.д. Имитационное моделирование следует рассматривать как статистический эксперимент. В отличие от описанных выше математических моделей, результаты которых отражали устойчивое во времени поведение системы, результаты, получаемые в имитационной модели, представляют собой наблюдения, подверженные экспериментальным ошибкам. Это означает, что любое утверждение, касающееся характеристик моделируемой системы, должно основываться на результатах соответствующих статистических проверок. Метод, используемый для решения перечисленных выше задач, который в известном смысле является предшественником современного имитационного моделирования, известен давно. Это – метод Монте-Карло . Его основная идея состоит в использовании выборок для получения искомых оценок. Процесс получения выборок требует, чтобы решаемая задача была описана соответствующим вероятностным распределением, в соответствии с которым и осуществляются выборки. Популярность метода Монте-Карло применительно к решению теоретических задач стала падать в конце 50-х годов. Больший интерес стал проявляться к способу анализа сложных практических задач, который стали называть имитационным моделированием. Имитационное моделирование, подобно методу Монте-Карло, основано на использовании выборок оценивания результатов работы системы. В этом отношении многие идеи, возникшие в связи с методом Монте-Карло, нашли непосредственное приложение в имитационном моделировании. К этим идеям относятся использование случайных чисел для получения выборок в соответствии с некоторым вероятностным распределением и
303 разработку способов уменьшения объема выборок, необходимых для надежной оценки результата. Изложенные выше соображения позволяют также понять, почему метод имитационного моделирования удается реализовать только с помощью ЭВМ. Для получения статистической надежности, достаточной для обоснования управляющих решений, как правило, требуется многократное повторение имитационных тестов. В отличие от математического программирования имитационное моделирование пока не располагает хорошо структурированными принципами построения моделей. Каждый конкретный случай требует значительной специальной проработки. Используемые при этом языки моделирования являются той основой, на которой возможна выработка каких-либо общих принципов построения имитационных моделей. (Широко распространенными языками моделирования являются Симскрипт и GPSS.) Виды имитационного моделирования: Агентное моделирование – относительно новое (1990е-2000е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот. Когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей – получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент – некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться. Системная динамика – парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнеспроцессов, развития города, модели производства, динамики
304 популяции, экологии и развития эпидемии. Метод основан Форрестером в 1950 годах. Рассматриваемые ниже методы относятся к виду д искретно- событийного моделирования. Этот подход к моделированию предлагает абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений – от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960х годах. Отсутствие единой теории имитационного моделирования на ЭВМ есть одновременно «и благо, и зло». Положительным здесь является то, что имеется возможность строить имитационные модели любой степени сложности при огромном количестве динамических взаимосвязей, а также при отсутствии стационарности и наличии взаимно коррелированных стохастических элементов. Отрицательным же моментом является то, что по мере усложнения модели оценка степени ее адекватности оказывается весьма затруднительной.
Ви переглядаєте статтю (реферат): «Сущность имитационного подхода» з дисципліни «Математична економіка»
