Метод статистического моделирования на ЭВМ (метод Монте-Карло)

Под статистическим моделированием понимается машинное воспроизведение функционирования вероятностных моделей, либо исследование детерминированных процессов, заданных в виде математических моделей с логическими элементами с помощью статистических испытаний на ЭВМ (метод МонтеКарло).

Особенностью статистического моделирования является случайное задание исходных данных с известными законами распределения и, как следствие, вероятностное оценивание характеристик исследуемых процессоров.

Статистическое моделирование является эффективным методом исследования слабоорганизованных систем с несложной логикой функционирования.

Для исследования сложных логических и логикоматематических моделей с неточным заданием исходных данных (заданным законом распределения, оценочными характеристиками) применяется имитацион- ное моделирование. Имитационное моделирование используется в задачах исследования сложных логико- и логико-математических моделей в результате проведения экспериментов на модели. Поэтому в имитационном моделировании важную роль играет не только проведение, но и планирование экспериментов.

Следующим за имитационным по качественному уровню можно назвать самоорганизующееся моделирование, когда функция построения моделей и ее преобразования в процессе экспериментирования и поиска оптимальных моделей возлагается на ЭВМ.

Приведенная классификация делает очевидным некорректность следующих часто допускаемых обобщений:

• Имитационное моделирование отождествляют с машинным, или с моделированием на ЭВМ, с чем, конечно, согласиться нельзя. Об этом мы уже говорили. Основное отличие находится на методологическом уровне. Методологической основой имитационного моделирования является системный анализ. Отдельные элементы, процессы в имитационной модели могут описываться сложными интегральными, дифференциальными и другими уравнениями, реализуются с помощью традиционных вычислительных процедур; т.е. аппарат имитационного моделирования включает все средства, арсенал аналитического моделирования на этапе идентификации имитационной модели. Большое место аналитическим методам отводится и в стратегическом планировании вычислительного эксперимента и при обработке его результатов. Роль аналитических методов в имитационном моделировании постоянно возрастает.

• Имитационное моделирование включает в себя идеи и приемы статистического моделирования на ЭВМ. Метод имитационного моделирования – идеально подходит для исследования стохастических систем, случайных процессов (используются на входе переменные, задаваемые известными законами распределения, можно реализовать вероятностные развития ситуаций, описать случайные процессы, проводить вероятностное оценивание характеристик модели на выходе), т.е. идеи метода МонтеКарло воплощаются в имитационном моделировании, имитационное моделирование исторически выросло из метода статистических испытаний. Однако в случае с имитационным моделированием речь идет об исследовании сложных систем и решении сложных проблем, в котором отражается структура и динамика моделируемой системы. На ЭВМ реализуются не статистические испытания, а целенаправленные вычислительные эксперименты.

Проблемы стратегического и тактического планирования имитационного эксперимента.

Понятие метода всегда шире понятия “имитационная модель”. Не стоит его путать и с методологией. С методологией имитационного моделирования мы определились еще в 1 лекции, это – системный анализ. Именно последнее дает право, рассматриваемый вид моделирования называть “системным моделированием”. Рассмотрим особенности этого экспериментального метода. Кстати, слова “simulation”, “эксперимент”, “имитация” одного плана. Экспериментальная природа имитации также предопределила происхождение названия метода. Итак, цель любого исследования состоит в том, чтобы узнать как можно больше об изучаемой системе, собрать и проанализировать информацию, необходимую для принятия решения. Суть исследования реальной системы по ее имитационной модели состоит в получении (сборе) данных о функционировании системы в результате проведения эксперимента на имитационной модели.

Имитационные модели – это модели прогонного типа, у которых есть вход и выход. То есть, если подать на вход имитационной модели определенные значения параметров (переменных, структурных взаимосвязей), можно получить результат, который действителен только при этих значениях. На практике исследователь сталкивается со следующей специфической чертой имитационного моделирования. Имитационная модель дает результаты, которые действительны только для определенных значений параметров, переменных и структурных взаимосвязей, заложенных в имитационную программу. Изменение параметра или взаимосвязи означает, что имитационная программа должна быть запущена вновь.

Поэтому, для получения необходимой информации или результатов необходимо осуществлять прогон имитационных моделей, а не решать их. Имитационная модель не способна формировать свое собственное решение в том виде, как это имеет место в аналитических моделях. а может служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором.

Для пояснения рассмотрим 2 случая:

• детерминированный случай;

• стохастический случай.

Стохастический случай. Имитационная модель – удобный аппарат для исследования стохастических систем. Стохастические системы – это такие системы, динамика которых зависит от случайных факторов, входные, выходные переменные стохастической модели, как правило, описываются как случайные величины, функции, процессы, последовательности. Рассмотрим основные особенности моделирования процессов с учетом действия случайных факторов (здесь реализуются известные идеи метода статистических испытаний, метода МонтеКарло). Результаты моделирования, полученные при воспроизведении единственной реализации процессов, в силу действия случайных факторов будут реализациями случайных процессов, и не смогут объективно характеризовать изучаемый объект. Поэтому искомые величины при исследовании процессов методом имитационного моделирования обычно определяют как средние значения по данным большого числа реализаций процесса (задача оценивания). Поэтому эксперимент на модели содержит несколько реализаций, прогонов и предполагает оценивание по данным совокупности (выборки). Ясно, что (по закону больших чисел), чем больше число реализаций, тем получаемые оценки все больше приобретают статистическую устойчивость. Итак, в случае со стохастической системой необходимо осуществлять сбор и оценивание статистических данных на выходе имитационной модели,для этого проводить серию прогонов и статистическую обработку результатов моделирования. Детерминированный случай. В этом случае достаточно провести один прогон, по определенным операционным правилам при конкретном наборе параметров. Теперь представим, что целями моделирования являются: исследование системы при различных условиях, оценка альтернатив, нахождение зависимость выхода модели от ряда параметров и, наконец, поиск некоторого оптимального вариант. В этих случаях исследователь может проникнуть в особенности функционирования моделируемой системы, изменяя значения параметров на входе модели, при этом выполняя многочисленные машинные прогоны имитационной модели. Таким образом, проведение экспериментов с моделью на ЭВМ заключается в проведении многократных машинных прогонов с целью сбора, накопления и последующей обработки данных о функционировании системы. Имитационное моделирование позволяет исследовать модель реальной системы, чтобы изучать ее поведение путем многократных прогонов на ЭВМ при различных условиях функционирования реальной системы. Здесь возникают следующие проблемы: как собрать эти данные, провести серию прогонов, как организовать целенаправленное экспериментальное исследование. Выходных данных, полученных в результате такого экспериментирования, может оказаться очень много. Как их обработать? Обработка и изучение их может превратиться в самостоятельную проблему, намного сложнее задачи статистического оценивания.

В имитационном моделировании важным вопросом является не только проведение, но и планирование имитационного эксперимента в соответствии с поставленной целью исследования. Таким образом, перед исследователем, использующим методы имитационного моделирования, всегда встает проблема организации эксперимента, т.е. выбора метода сбора информации, который дает требуемый (для достижения поставленной цели исследования) ее объем при наименьших затратах (лишнее число прогонов – это лишние затраты машинного времени). Основная цель – уменьшить временные затраты на эксплуатацию модели, сократить машинное время на имитацию, отражающее затраты ресурса времени ЭВМ на проведение большого количества имитационных прогонов. Эта проблема получила название стратегического планирования имитационного исследования. Для ее решения используются методы регрессионного анализа, планирования эксперимента и др.

Стратегическое планирование – это разработка эффективного плана эксперимента, в результате которого либо выясняется взаимосвязь между управляемыми переменными, либо находится комбинация значений управляемых переменных, минимизирующая или максимизирующая отклик (выход) имитационной модели. Наряду с понятием стратегического существует понятие тактического планирования, которое связано с определением способов проведения имитационных прогонов, намеченных планом эксперимента: как провести каждый прогон в рамках составленного плана эксперимента. Здесь решаются задачи: определение длительности прогона, оценка точности результатов моделирования и др. Такие имитационные эксперименты с имитационной моделью будем называть направленными вычислительными экспериментами.

Имитационный эксперимент, содержание которого определяется предварительно проведенным аналитическим исследованием (т.е. являющимся составной частью вычислительного эксперимента) и результаты которого достоверны и математически обоснованы, назовем направленным вычислительным экспериментом.