Проблемы организации имитационных экспериментов
Планирование экспериментов
Основная цель планирования экспериментов – изучение поведения моделируемой системы при наименьших затратах на экспериментирование. Для этого строится план экспериментов. Чаще всего используют такие эксперименты:
– сравнение средних значений и дисперсий разных альтернатив;
– определение важности учета или значимости влияния переменных и ограничений, которые накладываются на эти переменные;
– поиск оптимальных значений переменных на некотором множестве возможных значений.
Разрабатывается план экспериментов c моделью для достижения поставленной цели. При необходимости используют отсеивающий или оптимизирующий эксперименты. В случае оптимизации числового критерия формулируют гипотезы о выборе наилучших вариантов структур моделируемой системы или режимов ее функционирования, определяют диапазон значений параметров (режимов функционирования) модели, в границах которых осуществляется поиск оптимального решения.
Организация экспериментов
C точки зрения представления поведения моделируемой системы имитационные модели относятся к классу описательных. Если в модели учитываются случайные факторы, то в процессе имитации обычно осуществляется большое число прогонов модели, как c разными входными данными, так и c разными значениями последовательностей случайных чисел. Для детерминированной модели (без учета случайностей) достаточно одного прогона модели для каждой комбинации входных данных, однако, в жизни такие модели встречаются крайне редко.
|
|
В результате экспериментирования c моделью получают большое количество выходных данных, которые должны быть структурированы и интерпретированы так, чтобы их можно было использовать для принятия решений по результатам моделирования. Для правильной интерпретации полученных от модели выходных данных необходимо организовать эксперименты c моделью.
Организация эксперимента – это разработка плана проведения экспериментов, который дает возможность за минимальное число прогонов модели и при минимальной стоимости работ сделать статистически значимые выводы или найти наилучшее решение. При организации эксперимента обычно определяют:
– входные данные для каждого эксперимента;
– количество прогонов имитационной модели;
– длительность одного прогона модели;
– длительность переходного процесса моделирования, после которого необходимо собирать выходные данные;
– стратегию сбора данных для каждого прогона модели;
– оценки точности выходных данных c построением доверительных интервалов;
|
|
– чувствительность модели к входным данным, различным видам распределений, сценариям поведения моделируемой системы;
– условия эксперимента и сценарии;
– условия генерации потоков случайных чисел внутри системы моделирования и для вероятностных входных данных;
– стратегию достижения цели эксперимента (например, сравнение альтернативных вариантов или оптимизация целевой функции).
Конечная цель проведения экспериментов – это получение достаточной статистической информации для принятия решений по результатам моделирования. Как правило, моделирование проводится c целью нахождения некоторых экстремальных значений характеристик моделируемой системы (оптимизирующий эксперимент) или для выявления важных факторов, влияющих на моделируемую систему (отсеивающий эксперимент). Оба эти эксперимента используют факторные планы и аппроксимируют поверхность отклика полиномами разного порядка,адля поиска экстремальных значений применяются численные методы оптимизации. Для этих экспериментов необходима некоторая функциональная зависимость значений выходной переменной (отклика) от входных переменных или факторов, которая, как правило, отражает критерий эффективности моделируемой системы. Таким образом, поиск наилучшего решения выражается численной характеристикой этого критерия,адля нахождения экстремальных значений необходимо исследовать поверхности отклика (проводить эксперименты) в разных точках. От выбора начальной точки в факторном пространстве во многом зависит эффективность экспериментов.
|
|
Другой вид экспериментов, проводимых c моделью, – это структурная оптимизация [21], под которой будем понимать поиск наилучшей структуры моделируемой системы. В этом случае эксперименты проводятся c разными моделями,ане c одной, как в предыдущем случае, причем модели могут отличаться структурой, параметрами и принятыми алгоритмами поведения. Для таких экспериментов нет единого числового критерия оптимизации, что затрудняет использование классических методов. Однако количество рассматриваемых вариантов, как правило, невелико, поэтому для структурной оптимизации можно использовать метод выдвижения гипотез c перебором вариантов. Оптимизация каждого варианта моделируемой системы обычно осуществляется c помощью поиска узких мест и их устранения, т.е. балансировки моделируемой системы. Узкие места определяют пропускную способность всей системы. Поиск наилучшего решения осуществляется сравнением рассмотренных вариантов.
|
|
Проблемы организации имитационных экспериментов
Перечислим основные проблемы, возникающие при экспериментировании c имитационными моделями.
1. Задание начальных условий эксперимента. Обычно эксперимент начинают из состояния «пусто и свободно», т.е. когда в модели нет транзактов. Если рассматривать достаточно длительный период моделирования, то можно наблюдать так называемый период «разогрева» модели или переходной период, после которого модель может перейти в стационарный режим работы. Учет данных переходного периода для выходных переменных модели будет вносить смещение в статистические оценки. Чтобы уменьшить влияние данных переходного процесса на конечные результаты, можно поступать следующим образом:
– запускать модель c модальных (наиболее вероятных) значений установившегося режима;
– запускать модель со средних значений установившегося режима.
Эти способы обычно обеспечивают уменьшение длительности переходного процесса модели. При этом они дают эффект только в том случае, если загрузка обслуживающих устройств в модели невелика. При стремлении коэффициентов загрузки устройств к единице, на выходе модели может наблюдаться стационарный процесс, в котором нельзя четко выделить данные переходного режима, как показано на рис. 9.1.
Рис. 9.1
При оценивании выходной величины рекомендуется не учитывать данные переходного процесса, так как они могут давать существенное смещение искомых оценок. Это достигается путем удаления данных переходного процесса. Лучший способ определения установившегося процесса – это использование графиков для наблюдения за изменением переходного процесса во времени.
2. Правило останова определяет длительность имитационного прогона. От продолжительности прогона зависит точность результатов моделирования.
3. Состояния модели в момент прекращения прогона. Часто при моделировании возникает вопрос: «Что делать c оставшимися компонентами модели в момент окончания ее работы?» Учет оставшихся компонентов может привести к смещению оценки в большую сторону. Например, при моделировании работы некоторого цеха использовалось правило, что наиболее короткие работы запускаются раньше. На момент окончания в модели останутся незавершенные работы c длительными временами выполнения. Если их не учитывать, то оценка средней длительности работ в цеху будет занижена.
4. Определение длительности прогона модели при наличии в модели процессов c различными скоростями протекания. Оценку точности результатов моделирования обычно выполняют для самого медленного процесса в модели. В этом случае оценки для быстрых процессов будут заведомо намного лучше, чем для медленного процесса, т.е. доверительные интервалы для них будут меньше. При разработке имитационной модели обычно выбирают степень детализации модели так, чтобы скорости протекающих в ней процессов не различались более, чем на два порядка. В случаях моделирования редких событий (медленные процессы), например, отказов оборудования, необходимо укрупнять состояния для быстрых процессов. Для этого обычно используют аналитико-имитационные модели.
Факторный план
При экспериментировании c моделью различают входные и выходные переменные. Входные переменные называются факторами. Выходные переменные называются откликами. Каждый фактор в эксперименте может принимать одно или несколько значений, называемыми уровнями фактора. Множество уровней факторов определяет одно из возможных состояний моделируемой системы и представляет условия проведения одного из возможных экспериментов. Существует определенная связь между уровнями факторов и откликами системы, которая обычно заранее неизвестны. Эту связь можно определить следующим образом:
где у l – l -й отклик, n – число анализируемых откликов, xi – i-й фактор, т – число факторов.
Функция ψ в правой части называется функцией отклика или реакции. Ее геометрический образ – поверхность отклика. Так как функция ψ заранее не известна, то используют другую приближенную функцию:
Эти функции φ l находят по данным эксперимента и представляют в виде степенного полинома первого, второго и, реже, третьего порядка. После проведения экспериментов аппроксимирующие полиномы заменяют уравнениями регрессии и методом наименьших квадратов находят статистические оценки их неизвестных коэффициентов.
Существуют два типа планов многофакторного эксперимента – классический и факторный.
Классический эксперимент представляет собой план, в котором все факторы, кроме одного, полагают постоянными, а выбранный фактор изменяется во всем интервале значений. Затем выбирается другой изменяемый фактор, а предыдущий становится постоянным. По существу классический многофакторный эксперимент представляет собой просто последовательность однофакторных ээкспериментов.
Факторный эксперимент представляет собой план, в котором все уровни каждого фактора встречаются в сочетании со всеми уровнями всех других факторов. Различные уровни некоторого фактора могут соответствовать качественным значениям (например, разные дисциплины обслуживания в устройстве) или количественным значениям (например, число устройств обслуживания). Если фактор f , ( f = l,...,K) имеет Lf уровней, то общее число комбинаций уровней определяется произведением:
Если число уровней для каждого из факторов одинаково, то общее число комбинаций будет Lk .
Левая часть выражения (9.1) используется для обозначения факторного плана.
Применение факторного плана вместо классической схемы, согласно которой каждый раз изменяется только один фактор, имеет ряд преимуществ.
– Становится более полной картина влияния каждого фактора, поскольку они изучаются в самых различных условиях (вследствие одновременного изменения других факторов).
– Большое число комбинаций факторов, используемых в эксперименте, облегчает предсказание результатов, которые могут быть достигнуты при определенной комбинации условий.
– Если эффекты, вызываемые каждым фактором, статистически независимы, то о каждом факторе можно получить не меньше информации, чем при изменении в экспериментах только одного фактора при фиксации остальных.
– Если (как это часто бывает) различные факторы не являются независимыми,а вызывают эффекты, которые в большей или меньшей степени коррелированны, то в этом случае только факторный эксперимент может дать информацию о характере этих взаимодействий. При наличии нескольких взаимосвязанных существенных факторов обойтись без постановки факторного эксперимента невозможно. Для ряда часто встречающихся специальных задач разработано большое число стандартных факторных планов.
Факторный эксперимент может быть отсеивающий, когда из всего множества факторов определяются те факторы, которые существенно влияют на отклики модели. Второй вид факторного эксперимента – оптимизирующий - используется для определения экстремальных значений на поверхности отклика. В этом случае серия факторных экспериментов планируется так, чтобы достичь экстремума на поверхности отклика.
Рассмотрим пример 2-х факторного эксперимента, c двумя факторами на 2-х уровнях и c двумя наблюдениями в каждом опыте, т.е. план 22. Факторы принято обозначать буквами латинского алфавита A , B , С и т.д.
Результаты экспериментов сведем в таблицу 9.1.
Таблица 9.1
Фактор А | Фактор В | |
Уровень 1 | Уровень 2 | |
Уровень 1 | y111 y112 | y121 y122 |
Уровень 2 | y 211 y 212 | y 221 y 222 |
В этой таблице yijg обозначает g - e наблюдение ( g = 1,2) в ячейке i, j . Количество наблюдений (прогонов модели) g определяется желаемой точностью получения оценок откликов.
В общем случае в 2-х факторном эксперименте число уровней факторов А и В равно соответственно I и J . Обозначим математическое ожидание E ( yijg )=η ij , тогда в планировании эксперимента предполагается верной следующая модель:
где eijg – ошибка опыта. Предполагается, что все эти ошибки являются независимыми нормально распределенными случайными величинами c математическим ожиданием 0 и дисперсией σ2. При имитации ошибки опытов можно сделать независимыми, применяя различные последовательности случайных чисел при прогонах модели.
План эксперимента «Латинский квадрат»
Множество целых чисел 0, 1, …, S-1, расположенных в виде матрицы размера (S Х S) называется квадратом размера S. Квадрат называется латинским, если каждое целое число встречается ровно один раз в каждой строке и в каждом столбце.
Примеры латинских квадратов 2 Х 2:
0 | 2 | 1 |
1 | 0 | 2 |
2 | 1 | 0 |
0 | 1 | 2 |
1 | 2 | 0 |
2 | 0 | 1 |
В приложении к факторным планам экспериментов это означает, что каждый вариант испытаний (сочетание факторов) появляется один раз в каждой строке и в каждом столбце.
Дата добавления: 2019-02-13; просмотров: 435; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!