Эффективность моделирования определяется тем что
Критерии эффективности моделирования систем на ЭВМ.
При имитационном моделировании, так же как и при любом другом методе анализа
и синтеза системы S, весьма существен вопрос его эффективности.
Эффективность имитационного моделирования может оцениваться
рядом критериев, в том числе точностью и достоверностью результатов
моделирования, временем построения и работы с моделью М,
затратами машинных ресурсов (времени и памяти), стоимостью
разработки и эксплуатации модели.
Очевидно, наилучшей оценкой эффективности является сравнение получаемых результатов с реальным
исследованием, т. е. с моделированием на реальном объекте при проведении натурного эксперимента.
Поскольку это не всегда удается сделать, статистический подход позволяет с определенной
степенью точности при повторяемости машинного эксперимента
получить какие-то усредненные характеристики поведения системы.
Существенное влияние на точность моделирования оказывает число
реализаций, и в зависимости от требуемой достоверности можно
оценить необходимое число реализаций воспроизводимого случайного
Существенным показателем эффективности являются затраты машинного времени. В связи с использованием ЭВМ различного
типа суммарные затраты складываются из времени по вводу и выводу
данных по каждому алгоритму моделирования, времени на
проведение вычислительных операций, с учетом обращения к оперативной
памяти и внешним устройствам, а также сложности каждого
моделирующего алгоритма. Расчеты затрат машинного времени
являются приближенными и могут уточняться по мере отладки
программ и накопления опыта у исследователя при работе с имитационной
моделью. Большое влияние на затраты машинного времени
при проведении имитационных экспериментов оказывает рациональное
планирование таких экспериментов. Определенное влияние
на затраты машинного времени могут оказать процедуры обработки
результатов моделирования, а также форма их представления.
Построение имитационных моделей больших систем и проведение
машинных экспериментов с этими моделями представляют
собой достаточно трудоемкий процесс, в котором в настоящее
время много неизученного. Однако специалисты в области проектирования,
исследования и эксплуатации больших систем должны
в совершенстве знать методологию машинного моделирования,
сложившуюся к настоящему времени, чтобы быть готовыми к появлению
ЭВМ следующих поколений, которые позволят сделать еще
один существенный шаг в автоматизации построения моделей и использования
имитационного моделирования систем.
Введение понятия «математическая схема » позволяет рассматривать математику не как метод расчета, а как метод мышления, как средство формулирования понятий, что является наиболее важным при переходе от словесного описания системы к формальному представлению процесса ее функционирования в виде некоторой математической модели (аналитической или имитационной).
При пользовании математической схемой исследователя
системы S в первую очередь должен интересовать вопрос об
адекватности отображения в виде конкретных схем реальных процессов в исследуемой системе, а не возможность получения ответа (результата решения) на конкретный вопрос исследования.
Математическую схему можно определить как звено при переходе от содержательного к формальному описанию процесса функционирования системы с учетом воздействия внешней среды, т. е. имеет место цепочка «описательная модель — математическая схема
— математическая [аналитическая или (и) имитационная] модель
Для использования ЭВМ при решении прикладных задач, прежде всего прикладная задача должна быть «переведена» на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель.
Типовые схемы моделирования:
Большая Энциклопедия Нефти и Газа
Эффективность моделирования как научного метода позволяет увеличить степень надежности при проектировании новых или усовершенствовании действующих химических предприятий. [1]
Эффективность моделирования можно увеличить при введении известной идеализации, которая позволяет значительно шире изучить задачу во всех ее аспектах. [2]
Эффективность моделирования гидравлических систем может быть увеличена некоторой идеализацией происходящих в системе процессов, которая позволяет изучить задачу во всех ее аспектах. [4]
Эффективность моделирования процесса разработки месторождений зависит от результативности решения уравнения для определения давлений. Операции, проводимые до или после расчета давлений, редко выполняются более одного раза, но значения давлений при моделировании процесса обычно итерируются несколько раз за один временной шаг до удовлетворения некоторого критерия сходимости. По этой причине, необходимо выполнять как можно меньшую работу именно при вычислении давлений. [5]
Близкое соответствие для этих значений Н / R между измеренной границей перехода и расчетной нейтральной кривой еще раз подтверждает эффективность осесимметричного моделирования для полной диагностики течения в цилиндрическом контейнере вплоть до перехода к нестационарному потоку. Это означает, что асимметричные возмущения начинают расти раньше, чем осесимметричпые, и здесь необходим трехмерный численный анализ. [9]
Такое моделирование предполагает воспроизведение на универсальной ЭВМ ( так называемой инструментальной ЭВМ) логико-временного поведения цифрового вычислительного или измерительного устройства автоматики в рамках некоторой адекватной модели и является, как правило, определением реакции схемы на входные воздействия. Эффективность моделирования в значительной степени определяется выбором соответствующего языка описания и реализации модели. [11]
Эффективность моделирования определяется тем что
Современное интенсивное развитие информационных технологий приводит к росту числа создаваемых информационных систем (ИС), а высококонкурентная рыночная среда стимулирует постоянное снижение издержек. Одним из важнейших процессов, призванных существенно снижать последние, является моделирование ИС.
Моделирование ИС уже довольно давно является обязательным шагом на пути создания любой крупной ИС и особенно актуально для тех компаний, где разработка является основным видом деятельности. Но тренд последних лет говорит о том, что немало внутренних разработок и в небольших компаниях, деятельность которых напрямую никак не связана с информационными технологиями, проводиться с применением тех или иных современных методологий разработки программного обеспечения (ПО)[2].Современные методологии разработки, как правило, включают в себя процессы моделирования существующих и будущих бизнес-процессов и разрабатываемых для их поддержки информационныхсистем.
Как правило, процесс моделирования начинается с разработки моделей бизнес-процессов на этапе бизнес-моделирования, продолжается на этапе выявления требований и этапе анализа и проектирования вплоть до разработки и направлен на то, чтобы повысить эффективность всех этапов. Основной целью в данном случае является моделирование основных сущностей и процессов будущей системы, их дальнейший анализ и отработка ситуаций «что будет, если. », что в конечном итоге позволяет избежать экстремальных ситуаций на дальнейших этапах разработки и внедрения ИС [3].
Все это достаточно понятно на словах, но у любого руководителяможет возникнуть вполне очевидный вопрос, связанный с желанием видеть конкретные цифры. Возвращаясь к тренду последних лет, упомянутому выше, особенно актуальным это может стать для собственников и высших руководителей бизнеса, где создание ИС является хоть и важным, но не более чем вспомогательным процессом на пути к достижению главной цели. Для ответа на этот вопрос и была разработана модель оценки эффективности моделирования ИС.
Риски разработки информационных систем
В основе разработанной модели оценки эффективности моделирования ИС лежит понятие риска. Это связано с тем, что создание ИС можно представить как проект. А любой проект, в свою очередь, включает в себя множество рисков. Моделирование в контексте вышесказанного является не чем иным, как процессом, направленным на снижение рисков. В рамках модели оценки эффективности моделирования ИС предлагается выявление основных рисков, связанных с созданием ИС, и их оценка в привязке к затратам, которые исполнитель (разработчик) понесет в любом случае (прямые затраты на разработку, но без учета моделирования). В конечном итоге, сравнив потенциальные затраты на моделирование ИС и затраты, которые могут появиться в результате срабатывания рисков, можно достоверно оценить рентабельность применения моделирования в каждом конкретном случае.
Количественно величину риска можно выразить при помощи следующей простой математической формулы (1):
Величина риска = Вероятность события xРазмер ущерба. (1)
Для определения величины риска используются оценочные количественные значения, полученные путем экспертных оценок, прогнозирования, а также на основании статистических данных.
Размер ущерба, как правило, выражается в денежных единицах, вероятность события принимает значения в диапазоне от 0 до 1.
Конечно, точно определить вероятность события и размер ущерба на практике обычно не представляется возможным, поэтому речь может идти только о числовых оценках в некотором диапазоне величин.
Матрица качественной оценки величины риска
Очень низкая (очень маловероятно)
Очень высокая (часто)
В настоящее время существует достаточно большое количество исследований [4,7-9], посвященных вопросам выявления и категоризации рисков и проблем, присутствующих в проектах/процессах создания ИС. На их основе и профессиональном опыте, срединих были выделены те риски, которые напрямую связаны с моделированием бизнес-процессов и систем:
Моделирование предполагает создание простых и понятных схем бизнес-процессов, благодаря которым все участники процесса создания ИС (и, в первую очередь, сами разработчики) могут быстро и эффективно понять о чем, собственно говоря, идет речь и представить картину в целом.
Отсутствие четких формулировок в описании требований, что может привести к наличию неопределенности и/или двусмысленности в восприятии того или иного требования. Риск весьма характерен для проектов, в которых моделирование не проводится, т.к. именно оно способствует уточнению и верификации требований.
Под этим чаще всего подразумевается отсутствие в описании всей необходимой информации, известной на момент формирования требования. Моделирование способствует более наглядной консолидации информации и потому сводит этот риск к минимуму.
Наличие ошибок в требованиях и/или противоречивых друг другу требований. В качестве примера можно упомянуть ситуацию, когда выдвинутое требование не соответствует какому-нибудь бизнес-правилу, значимость которого, естественно, более высока, но узнается это далеко не сразу.
Моделирование стандартизирует и тем самым дисциплинирует, повышая качество формулирования требований.
Зачастую является результатом срабатывания одного или нескольких рисков (нечеткость требований/неполнота требований/некорректность требований), но в тоже время может возникнуть вследствие изменений во внешней (изменение законодательства, действия конкурентов и т.д.) или внутренней (реинжинирг бизнес-процессов, реструктуризация бизнеса и т.д.) среде. Один из немногих рисков, который нельзя полностью исключить, и потому его требуется принять. Однако моделирование способно положительно повлиять на его снижение путем уменьшения указанных выше рисков.
Как и в случае риска изменения существующих требований, этот риск нельзя полностью минимизировать, и, более того, он в меньшей степени зависит от других рисков (то есть, к примеру, не будет уменьшаться при их уменьшении). В тоже время моделирование способно уменьшить его за счет раннего выявления таких требований на этапах моделирования.
С одной стороны, можно представить этот риск как частную ситуацию предыдущего риска (в том смысле, что такие требования зачастую проявляются как новые). При отсутствии моделирования есть большой шанс упустить из виду какое-либо нефункциональное требование, которое на самом деле может быть весьма важным для заказчика.
Присутствие моделирования, как правило, подразумевает присутствие аналитика, в число знаний и умений которого в обязательном порядке должно входить умение выстраивания эффективные коммуникаций с заказчиком. И, соответственно, там, где моделирование отсутствует, скорей всего нет и аналитика, а, значит, коммуницировать с заказчиком приходится либо менеджеру проекта (это еще относительно неплохой вариант, т.к. многие менеджеры обладают необходимыми навыками аналитиков), либо разработчикам (а вот это уже точно не самый лучший вариант с точки зрения эффективности коммуникаций).
Практически ответить на данный вопрос сложнее, т.к. каждый проект разработки достаточно уникален, и вероятность воздействия на него того или иного риска разная и зависит от множества факторов (класс системы, размер системы, наличие/отсутствие специализированных инструментов, опыт и мастерство исполнителей и т.д. и т.п.). В тоже время, т.к. мы говорим о сравнении одного и того же проекта, но разработанного с применением моделирования и без него, то большинство факторов мы можем принять за константу. Например, уже упомянутый опыт исполнителей. С одной стороны, опытные менеджер и разработчики способны придумать и реализовать качественную масштабируемую архитектуру с расчетом на появление/изменение требований, то есть их опыт положительно влияет на минимизацию соответствующих рисков, с другой стороны, в некоторых случаях это может быть неоправданной дополнительной тратой рабочего времени. То есть, в конечном итоге, положительно влияя на одно, они будут отрицательно влиять на другое, сводя общий эффект к нулю.
Или даже взять такое комплексное понятие, как сложность системы. Сложность является свойством ИС, которое определяет, что система зависит от множества входящих в нее компонентов, их структурного взаимодействия, а также сложности внутренних и внешних связей [5]. Существует огромное количество методик оценки сложности системы и, к слову говоря, вопрос их улучшения остается актуальным, но в модели оценки эффективности моделирования ИС сложностью системы можно пренебречь из тех соображений, что при повышении сложности системы и, соответственно, потенциально более сильному влиянию рисков на систему, также увеличиваются трудозатраты на моделирование. Таким образом, наблюдается зависимость сложности системы и величины рисков, с одной стороны, и трудозатрат на моделирование и его эффективности, с другой стороны.
Качественная оценка рисков на основании вероятности и степени их влияния при создании ИС позволит перевести их в количественное выражение относительно цены создания ИС. Для качественной оценки, представленной в таблице 2, применяются данные, указанные ранее в таблице 1. Например, очень высокая вероятность риска «Непонимание/плохая изученность предметной области» при отсутствии моделирования и высокая степень влияния этого риска на создание даст нам оценку 7 (на пересечении строки высокого влияния на бизнес и столбца очень высокой вероятности события в таблице 1).
Качественная оценка влияния рисков при наличии и отсутствии моделирования
Шпаргалка для ГОСов 2012 АСОИ
При имитационном моделировании, так же как и при любом другом методе анализа
и синтеза системы S, весьма существен вопрос его эффективности.
Эффективность имитационного моделирования может оцениваться
рядом критериев, в том числе точностью и достоверностью результатов
моделирования, временем построения и работы с моделью М,
затратами машинных ресурсов (времени и памяти), стоимостью
разработки и эксплуатации модели.
Очевидно, наилучшей оценкой эффективности является сравнение получаемых результатов с реальным
исследованием, т. е. с моделированием на реальном объекте при проведении натурного эксперимента.
Поскольку это не всегда удается сделать, статистический подход позволяет с определенной
степенью точности при повторяемости машинного эксперимента
получить какие-то усредненные характеристики поведения системы.
Существенное влияние на точность моделирования оказывает число
реализаций, и в зависимости от требуемой достоверности можно
оценить необходимое число реализаций воспроизводимого случайного
Существенным показателем эффективности являются затраты машинного времени. В связи с использованием ЭВМ различного
типа суммарные затраты складываются из времени по вводу и выводу
данных по каждому алгоритму моделирования, времени на
проведение вычислительных операций, с учетом обращения к оперативной
памяти и внешним устройствам, а также сложности каждого
моделирующего алгоритма. Расчеты затрат машинного времени
являются приближенными и могут уточняться по мере отладки
программ и накопления опыта у исследователя при работе с имитационной
моделью. Большое влияние на затраты машинного времени
при проведении имитационных экспериментов оказывает рациональное
планирование таких экспериментов. Определенное влияние
на затраты машинного времени могут оказать процедуры обработки
результатов моделирования, а также форма их представления.
Построение имитационных моделей больших систем и проведение
машинных экспериментов с этими моделями представляют
собой достаточно трудоемкий процесс, в котором в настоящее
время много неизученного. Однако специалисты в области проектирования,
исследования и эксплуатации больших систем должны
в совершенстве знать методологию машинного моделирования,
сложившуюся к настоящему времени, чтобы быть готовыми к появлению
ЭВМ следующих поколений, которые позволят сделать еще
один существенный шаг в автоматизации построения моделей и использования
ВОЗМОЖНОСТИ И ЭФФЕКТИВНОСТЬ МОДЕЛИРОВАНИЯ СИСТЕМ НА ВЫЧИСЛИТЕЛЬНЫХ МАШИНАХ
Обеспечение требуемых показателей качества функционирования больших систем, связанное с необходимостью изучения протекания стохастических процессов в исследуемых и проектируемых системах S, позволяет проводить комплекс теоретических и экспериментальных исследований, взаимно дополняющих друг друга. Эффективность экспериментальных исследований сложных систем оказывается крайне низкой, поскольку проведение натурных экспериментов с реальной системой либо требует больших материальных затрат и значительного времени, либо вообще практически невозможно (например, на этапе проектирования, когда реальная система отсутствует). Эффективность теоретических исследований с практической точки зрения в полной мере проявляется лишь тогда, когда их результаты с требуемой степенью точности и достоверности могут быть представлены в виде аналитических соотношений или моделирующих алгоритмов, пригодных для получения соответствующих характеристик процесса функционирования исследуемых систем.
Средства моделирования систем. Появление современных ЭВМ было решающим условием широкого внедрения аналитических методов в исследование сложных систем. Стало казаться, что модели и методы, например математического программирования, станут практическим инструментом решения задач управления в больших системах. Действительно, были достигнуты значительные успехи в создании новых математических методов решения этих задач, однако математическое программирование так и не стало практическим инструментом исследования процесса функционирования сложных систем, так как модели математического программирования оказались слишком грубыми и несовершенными для их эффективного использования. Необходимость учета стохастических свойств системы, недетерминированности исходной информации, наличия корреляционных связей между большим числом переменных и параметров, характеризующих процессы в системах, приводят к построению сложных математических моделей, которые не могут быть применены в инженерной практике при исследовании таких систем аналитическим методом. Пригодные для практических расчетов аналитические соотношения удается получить лишь при упрощающих предположениях, обычно существенно искажающих фактическую картину исследуемого процесса. Поэтому в последнее время все ощутимее потребность в разработке методов, которые дали бы возможность уже на этапе проектирования систем исследовать более адекватные модели. Указанные обстоятельства приводят к тому, что при исследовании больших систем все шире применяют методы имитационного моделирования [8, 11, 19, 25, 41, 54].
Наиболее конструктивным средством решения инженерных задач на базе моделирования в настоящее время стали ЭВМ. Современные ЭВМ можно разделить на две группы: универсальные, прежде всего предназначенные для выполнения расчетных работ, и управляющие, позволяющие проводить не только расчетные работы, но прежде всего приспособленные для управления объектами в реальном масштабе времени. Управляющие ЭВМ могут быть использованы как для управления технологическим процессом, экспериментом, так и для реализации различных имитационных моделей. В зависимости от того, удается ли построить достаточно точную математическую модель реального процесса, или вследствие сложности объекта не удается проникнуть в глубь функциональных связей реального объекта и описать их какими-то аналитическими соотношениями, можно рассматривать два основных пути использования ЭВМ: как средства расчета по полученным аналитическим моделям и как средства имитационного моделирования.
Для известной аналитической модели, полагая, что она достаточно точно отображает исследуемую сторону функционирования реального физического объекта, перед вычислительной машиной стоит задача расчета характеристик системы по каким-либо математическим соотношениям при подстановке числовых значений. В этом направлении вычислительные машины обладают возможностями, практически зависящими от порядка решаемого уравнения и от требований к скорости решения, причем могут быть использованы как ЭВМ, так и АВМ.
При использовании ЭВМ разрабатывается алгоритм расчета характеристик, в соответствии с которым составляются программы (либо генерируются с помощью пакета прикладных программ), дающие возможность осуществлять расчеты по требуемым аналитическим соотношениям. Основная задача исследователя заключается в том, чтобы попытаться описать поведение реального объекта одной из известных математических моделей.
Использование АВМ, с одной стороны, ускоряет для достаточно простых случаев процесс решения задачи, с другой стороны, могут возникать погрешности, обусловленные наличием дрейфа параметров отдельных блоков, входящих в АВМ, ограниченной точностью, с которой могут быть заданы параметры, вводимые в машину, а также неисправностями технических средств и т. д.
Перспективно сочетание ЭВМ и АВМ, т. е. использование гибридных средств вычислительной техника — гибридных вычислительных комплексов (ГВК), что в ряде случаев значительно ускоряет процесс исследования [12, 20, 37, 49].
В ГВК удастся сочетать высокую скорость функционирования аналоговых средств и высокую точность расчетов на базе цифровых средств вычислительной техники. Одновременно удается за счет наличия цифровых устройств обеспечить контроль проведения операций. Опыт использования вычислительной техники в задачах моделирования показывает, что с усложнением объекта большую эффективность по скорости решения и по стоимости выполнения операций дает использование гибридной техники.
Конкретным техническим средством воплощения имитационной модели могут быть ЭВМ, АВМ и ГВК. Если использование аналоговой техники ускоряет получение конечных результатов, сохраняя некоторую наглядность протекания реального процесса, то применение средств цифровой техники позволяет осуществить контроль за реализацией модели, создать программы по обработке и хранению результатов моделирования, обеспечить эффективный диалог исследователя с моделью.
Обычно модель строится по иерархическому принципу, когда последовательно анализируются отдельные стороны функционирования объекта и при перемещении центра внимания исследователя, рассмотренные ранее, подсистемы переходят во внешнюю среду. Иерархическая структура моделей может раскрывать и ту последовательность, в которой изучается реальный объект, а именно последовательность перехода от структурного (топологического) уровня к функциональному (алгоритмическому) и от функционального к параметрическому.
Результат моделирования в значительной степени зависит от адекватности исходной концептуальной (описательной) модели, от полученной степени подобия описания реального объекта, числа реализаций модели и многих других факторов. В ряде случаев сложность объекта не позволяет, не только построить математическую модель объекта, но и дать достаточно близкое кибернетическое описание, и перспективным здесь является выделение наиболее трудно поддающейся математическому описанию части объекта и включение этой реальной части физического объекта в имитационную модель. Тогда модель реализуется, с одной стороны, на базе средств вычислительной техники, а с другой — имеется реальная часть объекта. Это значительно расширяет возможности и повышает достоверность результатов моделирования.
Имитационная система реализуется на ЭВМ и позволяет исследовать имитационную модель М, задаваемую в виде определенной совокупности отдельных блочных моделей и связей между ними в их взаимодействии в пространстве и времени ори реализации какого-либо процесса. Можно выделить три основные группы блоков: блоки, характеризующие моделируемый процесс функционирования системы S; блока, отображающие внешнюю среду E и ее воздействие на реализуемый процесс; блоки, играющие служебную вспомогательную роль, обеспечивая взаимодействие первых двух, в также выполняющие дополнительные функции по получению в обработке результатов моделирования. Кроме того, имитационная система характеризуется набором переменных, с помощью которых удается управлять изучаемым процессом, и набором начальных условий, когда можно изменять условия проведения машинного эксперимента.
Таким образом, имитационная система есть средство проведения машинного эксперимента, причем эксперимент может ставиться многократно, заранее планироваться, могут определяться условия его проведения. Необходимо при этом выбрать методику оценки адекватности получаемых результатов и автоматизировать как процессы получения, так и процессы обработки результатов в ходе машинного эксперимента.
Обеспечение моделирования. Эксперимент с имитационной моделью требует серьезной подготовки, поэтому имитационная система характеризуется наличием математического, программного, информационного, технического, эргономического и других видов обеспечения.
Математическое обеспечение имитационной системы включает в себя совокупность математических соотношений, описывающих поведение реального объекта, совокупность алгоритмов, обеспечивающих как подготовку, так в работу с моделью. Сюда могут быть отнесены алгоритмы ввода исходных данных, имитации, вывода, обработки.
Программное обеспечение по своему содержанию включает в себя совокупность программ: планирования эксперимента, имитационной модели, проведения эксперимента, обработки и интерпретации результатов. Кроме того, программное обеспечение имитационной системы должно обеспечивать синхронизацию процессов в модели, т. е. необходим блок, организующий псевдопараллельное выполнение процессов в модели. Машинные эксперименты с имитационными моделями не могут проходить без хорошо разработанного и реализованного информационного обеспечения.
Информационное обеспечение включает в себя средства и технологию организации и реорганизации базы данных моделирования, методы логической и физической организации массивов, формы документов, описывающих процесс моделирования и его результаты. Информационное обеспечение имитационной системы является наименее разработанной частью, поскольку только в настоящее время наблюдается переход к созданию сложных имитационных моделей и разрабатывается методология их использования при анализе и синтезе сложных систем с использованием концепции базы данных и знаний.
Техническое обеспечение имитационной системы включает в себя, прежде всего средства вычислительной техники, связи обмена между оператором и сетью ЭВМ, ввода и вывода информации, управления проведением эксперимента. К техническому обеспечению предъявляются весьма серьезные требования по надежности функционирования, так как сбои и отказы технических средств, ошибки оператора ЭВМ могут резко увеличить время работы с имитационной моделью и даже привести к неверным конечным результатам.
Эргономическое обеспечение имитационной системы представляет собой совокупность научных и прикладных методик и методов, а также нормативно-технических и организационно-методических документов, используемых на всех этапах взаимодействия человека-экспериментатора с инструментальными средствами (ЭВМ, гибридными комплексами и т. д.). Эти документы, используемые на всех стадиях разработки и эксплуатации имитационных систем и их элементов, предназначены для формирования и поддержания эргономического качества путем обоснования и выбора организационно-проектных решений, которые создают оптимальные условия для высокоэффективной деятельности человека во взаимодействии с моделирующим комплексом.
Таким образом, имитационная система может рассматриваться как машинный аналог сложного реального процесса. Позволяет заменить эксперимент с реальным процессом функционирования системы экспериментом с математической моделью этого процесса в ЭВМ. В настоящее время имитационные эксперименты широко используют в практике проектирования сложных систем, когда реальный эксперимент невозможен.
Возможности машинного моделирования. Несмотря на то, что имитационное моделирование на ЭВМ является мощным инструментом исследования систем, его применение рационально не во всех случаях. Известно множество задач, решаемых более эффективно другими методами. Вместе с тем для большого класса задач исследования и проектирования систем метод имитационного моделирования наиболее приемлем. Правильное его употребление возможно лишь в случае четкого понимания сущности метода имитационного моделирования и условий его использования в практике исследования реальных систем при учете особенностей конкретных систем и возможностей их исследования различными методами.
В качестве основных критериев целесообразности применения метода имитационного моделирования на ЭВМ можно указать следующие: отсутствие или неприемлемость аналитических, численных и качественных методов решения поставленной задачи; наличие достаточного количества исходной информации о моделируемой системе S для обеспечения возможности построения адекватной имитационной модели; необходимость проведения на базе других возможных методов решения очень большого количества вычислений, трудно реализуемых даже с использованием ЭВМ; возможность пояска оптимального варианта системы при ее моделировании на ЭВМ.
Имитационное моделирование на ЭВМ, как и любой метод исследований, имеет достоинства и недостатки, проявляющиеся в конкретных приложениях [37, 43, 46]. К числу основных достоинств метода имитационного моделирования при исследовании сложных систем можно отнести следующие: машинный эксперимент с имитационной моделью дает возможность исследовать особенности процесса функционирования системы S в любых условиях; применение ЭВМ в имитационном эксперименте существенно сокращает продолжительность испытаний по сравнению с натурным экспериментом; имитационная модель позволяет включать результаты натурных испытаний реальной системы или ее частей для проведения дальнейших исследований; имитационная модель обладает известной гибкостью варьирования структуры, алгоритмов и параметров моделируемой системы, что важно с точки зрения поиска оптимального варианта системы; имитационное моделирование сложных систем часто является единственным практически реализуемым методом исследования процесса функционирования таких систем на этапе их проектирования.
Основным недостатком, проявляющимся при машинной реализации метода имитационного моделирования, является то, что решение, полученное при анализе имитационной модели М,всегда носит частный характер, так как оно соответствует фиксированным элементам структуры, алгоритмам поведения и значениям параметров системы S,начальных условий ивоздействий внешней среды Е.Поэтому для полного анализа характеристик процесса функционирования систем, а не получения только отдельной точки приходится многократно воспроизводить имитационный эксперимент, варьируя исходные данные задачи. При этом, как следствие, возникает увеличение затрат машинного времени на проведение эксперимента с имитационной моделью процесса функционирования исследуемой системы S.
Эффективность машинного моделирования. При имитационном моделировании, так же как и при любом другом методе анализа исинтеза системы S, весьма существен вопрос его эффективности. Эффективность имитационного моделирования может оцениваться рядом критериев, в том числе точностью и достоверностью результатов моделирования, временем построения и работы с моделью М, затратами машинных ресурсов (времени и памяти), стоимостью разработки и эксплуатации модели. Очевидно, наилучшей оценкой эффективности является сравнение получаемых результатов с реальным исследованием, т. е. с моделированием на реальном объекте яри проведении натурного эксперимента. Поскольку это не всегда удается сделать, статистический подход позволяет с определенной степенью точности при повторяемости машинного эксперимента получить какие-то усредненные характеристики поведения системы. Существенное влияние на точность моделирования оказывает число реализаций, и в зависимости от требуемой достоверности можно оценить необходимое число реализаций воспроизводимого случайного процесса.
Существенным показателем эффективности являются затраты машинного времени. В связи с использованием ЭВМ различного типа суммарные затраты складываются из времени по вводу я выводу данных по каждому алгоритму моделирования, времени на проведение вычислительных операций, с учетом обращения к оперативной памяти и внешнем устройствам, а также сложности каждого моделирующего алгоритма. Расчеты затрат машинного времени являются приближенными и могут уточняться по мере отладки программ а накопления опыта у исследователя при работе с имитационной моделью. Большое влияние на затраты машинного времени при проведения имитационных экспериментов оказывает рациональное планирование таких экспериментов. Определенное влияние на затраты машинного времени могут оказать процедуры обработка результатов моделирования, а также форма их представления.
Построение имитационных моделей больших систем и проведение машинных экспериментов с этими моделями представляют собой достаточно трудоемкий процесс, в котором в настоящее время много неизученного. Однако специалисты в области проектирования, исследования и эксплуатации больших систем должны в совершенстве звать методологию машинного моделирования, сложившуюся к настоящему времени, чтобы быть готовыми к появлению ЭВМ следующих поколений, которые позволят сделать еще один существенный шаг в автоматизации построения моделей и использования имитационного моделирования систем.
Контрольные вопросы
1.1. В чем сущность системного подхода к моделированию систем на ЭВМ?
1.2. Что такое процесс функционирования системы?
1.3. В каком соотношении находятся понятия «эксперимент» и «машинное моделирование»?
1.4. Каковы основные характерные черты машинной модели?
1.5. В чем заключается цель моделирования системы на ЭВМ?
1.6. Какие существуют классификационные признаки видов моделирования систем?
1.7. Что собой представляет математическое моделирование системы?
1.8. Какие особенности характеризуют иммиграционное моделирование систем?
1.9. В чем суть метода статистического моделирования на ЭВМ?
1.10. Чем определяется эффективность моделирования систем на ЭВМ?