При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы во времени. Имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени .

Основным преимуществом имитационных моделей по сравнению с аналитическими является возможность решения более сложных задач. Имитационные модели позволяют легко учитывать наличие дискретных или непрерывных элементов, нелинейные характеристики, случайные воздействия и др. Поэтому этот метод широко применяется на этапе проектирования сложных систем. Основным средством реализации имитационного моделирования служит ЭВМ, позволяющая осуществлять цифровое моделирование систем и сигналов.

В связи с этим определим словосочетание «компьютерное моделирование », которое все чаще используется в литературе. Будем полагать, что компьютерное моделирование - это математическое моделирование с использованием средств вычислительной техники. Соответственно, технология компьютерного моделирования предполагает выполнение следующих действий :

1) определение цели моделирования;

2) разработка концептуальной модели;

3) формализация модели;

4) программная реализация модели;

5) планирование модельных экспериментов;

6) реализация плана эксперимента;

7) анализ и интерпретация результатов моделирования.

При имитационном моделировании используемая ММ воспроизводит алгоритм («логику») функционирования исследуемой системы во времени при различных сочетаниях значений параметров системы и внешней среды. Примером простейшей аналитической модели может служить уравнение прямолинейного равномерного движения. При исследовании такого процесса с помощью имитационной модели должно быть реализовано наблюдение за изменением пройденного пути с течением времени.

Очевидно, в одних случаях более предпочтительным является аналитическое моделирование, в других - имитационное (или сочетание того и другого). Чтобы выбор был удачным, необходимо ответить на два вопроса.

С какой целью проводится моделирование?

К какому классу может быть отнесено моделируемое явление?

Ответы на оба эти вопроса могут быть получены в ходе выполнения двух первых этапов моделирования.

Имитационные модели не только по свойствам, но и по структуре соответствуют моделируемому объекту. При этом имеется однозначное и явное соответствие между процессами, получаемыми на модели, и процессами, протекающими на объекте. Недостатком имитационного моделирования является большое время решения задачи для получения хорошей точности.

Результаты имитационного моделирования работы стохастической системы являются реализациями случайных величин или процессов. Поэтому для нахождения характеристик системы требуется многократное повторение и последующая обработка данных. Чаще всего в этом случае применяется разновидность имитационного моделирования - статистическое моделирование (или метод Монте-Карло), т.е. воспроизведение в моделях случайных факторов, событий, величин, процессов, полей . По результатам статистического моделирования определяют оценки вероятностных критериев качества, общих и частных, характеризующих функционирование и эффективность управляемой системы. Статистическое моделирование широко применяется для решения научных и прикладных задач в различных областях науки и техники. Методы статистического моделирования широко применяются при исследовании сложных динамических систем, оценке их функционирования и эффективности.

Заключительный этап статистического моделирования основан на математической обработке полученных результатов. Здесь используют методы математической статистики (параметрическое и непараметрическое оценивание, проверку гипотез) . Примером параметрической оценки является выборочное среднее показателя эффективности. Среди непараметрических методов большое распространение получил метод гистограмм .

Рассмотренная схема основана на многократных статистических испытаниях системы и методах статистики независимых случайных величин. Эта схема является далеко не всегда естественной на практике и оптимальной по затратам. Сокращение времени испытания систем может быть достигнуто за счет использования более точных методов оценивания. Как известно из математической статистики, наибольшую точность при заданном объеме выборки имеют эффективные оценки . Оптимальная фильтрация и метод максимального правдоподобия дают общий метод получения таких оценок .

В задачах статистического моделирования обработка реализаций случайных процессов необходима не только для анализа выходных процессов. Весьма важен также и контроль характеристик входных случайных воздействий. Контроль заключается в проверке соответствия распределений генерируемых процессов заданным распределениям. Эта задача часто формулируется как задача проверки гипотез .

Общей тенденцией моделирования с использованием ЭВМ у сложных управляемых систем является стремление к уменьшению времени моделирования, а также проведение исследований в реальном масштабе времени. Вычислительные алгоритмы удобно представлять в рекуррентной форме, допускающей их реализацию в темпе поступления текущей информации .

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

Согласно этому признаку модели делятся на два обширных класса:

• абстрактные (мысленные) модели;
• материальные модели.

Рис. 1.1.

Нередко в практике моделирования присутствуют смешанные, абстрактно-материальные модели.

Абстрактные модели представляют собой определенные конструкции из общепринятых знаков на бумаге или другом материальном носителе или в виде компьютерной программы.

Абстрактные модели, не вдаваясь в излишнюю детализацию, можно разделить на:

• символические;
• математические.

Символическая модель - это логический объект, замещающий реальный процесс и выражающий основные свойства его отношений с помощью определенной системы знаков или символов. Это либо слова естественного языка, либо слова соответствующего тезауруса , графики, диаграммы и т. п.

Символическая модель может иметь самостоятельное значение, но, как правило, ее построение является начальным этапом любого другого моделирования.

Математическое моделирование - это процесс установления соответствия моделируемому объекту некоторой математической конструкции, называемой математической моделью, и исследование этой модели, позволяющее получить характеристики моделируемого объекта.

Математическое моделирование - главная цель и основное содержание изучаемой дисциплины.

Математические модели могут быть:

• аналитическими;
• имитационными;
• смешанными (аналитико-имитационными).

Аналитические модели - это функциональные соотношения: системы алгебраических, дифференциальных, интегро-дифференциальных уравнений, логических условий. Уравнения Максвелла - аналитическая модель электромагнитного поля. Закон Ома - модель электрической цепи.

Преобразование математических моделей по известным законам и правилам можно рассматривать как эксперименты. Решение на основе аналитических моделей может быть получено в результате однократного просчета безотносительно к конкретным значениям характеристик ("в общем виде"). Это наглядно и удобно для выявления закономерностей. Однако для сложных систем построить аналитическую модель, достаточно полно отражающую реальный процесс, удается не всегда. Тем не менее, есть процессы, например, марковские, актуальность моделирования которых аналитическими моделями доказана практикой.

Имитационное моделирование . Создание вычислительных машин обусловило развитие нового подкласса математических моделей - имитационных.

Имитационное моделирование предполагает представление модели в виде некоторого алгоритма - компьютерной программы, - выполнение которого имитирует последовательность смены состояний в системе и таким образом представляет собой поведение моделируемой системы.

Процесс создания и испытания таких моделей называется имитационным моделированием, а сам алгоритм - имитационной моделью.

В чем заключается отличие имитационных и аналитических моделей?

В случае аналитического моделирования ЭВМ является мощным калькулятором, арифмометром. Аналитическая модель решается на ЭВМ.

В случае же имитационного моделирования имитационная модель - программа - реализуется на ЭВМ.

Имитационные модели достаточно просто учитывают влияние случайных факторов. Для аналитических моделей это серьезная проблема. При наличии случайных факторов необходимые характеристики моделируемых процессов получаются многократными прогонами (реализациями) имитационной модели и дальнейшей статистической обработкой накопленной информации. Поэтому часто имитационное моделирование процессов со случайными факторами называют статистическим моделированием .

Если исследование объекта затруднено использованием только аналитического или имитационного моделирования, то применяют смешанное (комбинированное), аналитико-имитационное моделирование. При построении таких моделей процессы функционирования объекта декомпозируются на составляющие подпроцессы, и для которых, возможно, используют аналитические модели, а для остальных подпроцессов строят имитационные модели.

Материальное моделирование основано на применении моделей, представляющих собой реальные технические конструкции. Это может быть сам объект или его элементы (натурное моделирование). Это может быть специальное устройство - модель, имеющая либо физическое, либо геометрическое подобие оригиналу. Это может быть устройство иной физической природы, чем оригинал, но процессы в котором описываются аналогичными математическими соотношениями. Это так называемое аналоговое моделирование. Такая аналогия наблюдается, например, между колебаниями антенны спутниковой связи под ветровой нагрузкой и колебанием электрического тока в специально подобранной электрической цепи.

Нередко создаются материально-абстрактные модели . Та часть операции, которая не поддается математическому описанию, моделируется материально, остальная - абстрактно. Таковы, например, командно-штабные учения, когда работа штабов представляет собой натурный эксперимент, а действия войск отображаются в документах.

Классификация по рассмотренному признаку - способу реализации модели - показана на рис. 1.2 .

Рис. 1.2.

1.3. Этапы моделирования

Математическое моделирование как, впрочем, и любое другое, считается искусством и наукой. Известный специалист в области имитационного моделирования Роберт Шеннон так назвал свою широко известную в научном и инженерном мире книгу: " Имитационное моделирование - искусство и наука". Поэтому в инженерной практике нет формализованной инструкции, как создавать модели. И, тем не менее, анализ приемов, которые используют разработчики моделей, позволяет усмотреть достаточно прозрачную этапность моделирования.

Первый этап : уяснение целей моделирования. Вообще-то это главный этап любой деятельности. Цель существенным образом определяет содержание остальных этапов моделирования. Заметим, что различие между простой системой и сложной порождается не столько их сущностью, но и целями, которые ставит исследователь.

Обычно целями моделирования являются:

• прогноз поведения объекта при новых режимах, сочетаниях факторов и т. п.;
• подбор сочетания и значений факторов, обеспечивающих оптимальное значение показателей эффективности процесса;
• анализ чувствительности системы на изменение тех или иных факторов;
• проверка различного рода гипотез о характеристиках случайных параметров исследуемого процесса;
• определение функциональных связей между поведением ("реакцией") системы и влияющими факторами, что может способствовать прогнозу поведения или анализу чувствительности;
• уяснение сущности, лучшее понимание объекта исследования, а также формирование первых навыков для эксплуатации моделируемой или действующей системы.

Второй этап : построение концептуальной модели. Концептуальная модель (от лат. conception ) - модель на уровне определяющего замысла, который формируется при изучении моделируемого объекта. На этом этапе исследуется объект , устанавливаются необходимые упрощения и аппроксимации. Выявляются существенные аспекты, исключаются второстепенные. Устанавливаются единицы измерения и диапазоны изменения переменных модели. Если возможно, то концептуальная модель представляется в виде известных и хорошо разработанных систем: массового обслуживания, управления, авторегулирования, разного рода автоматов и т. д. Концептуальная модель полностью подводит итог изучению проектной документации или экспериментальному обследованию моделируемого объекта.

Результатом второго этапа является обобщенная схема модели, полностью подготовленная для математического описания - построения математической модели.

Третий этап : выбор языка программирования или моделирования, разработка алгоритма и программы модели. Модель может быть аналитической или имитационной, или их сочетанием. В случае аналитической модели исследователь должен владеть методами решения.

В истории математики (а это, впрочем, и есть история математического моделирования) есть много примеров тому, когда необходимость моделирования разного рода процессов приводила к новым открытиям. Например, необходимость моделирования движения привела к открытию и разработке дифференциального исчисления (Лейбниц и Ньютон) и соответствующих методов решения. Проблемы аналитического моделирования остойчивости кораблей привели академика Крылова А. Н. к созданию теории приближенных вычислений и аналоговой вычислительной машины.

Результатом третьего этапа моделирования является программа , составленная на наиболее удобном для моделирования и исследования языке - универсальном или специальном.

Четвертый этап : планирование эксперимента. Математическая модель является объектом эксперимента. Эксперимент должен быть в максимально возможной степени информативным, удовлетворять ограничениям, обеспечивать получение данных с необходимой точностью и достоверностью. Существует теория планирования эксперимента, нужные нам элементы этой теории мы изучим в соответствующем месте дисциплины. GPSS World, AnyLogic и др.) и могут применяться автоматически. Не исключено, что в ходе анализа полученных результатов модель может быть уточнена, дополнена или даже полностью пересмотрена.

После анализа результатов моделирования осуществляется их интерпретация , то есть перевод результатов в термины предметной области . Это необходимо, так как обычно специалист предметной области (тот, кому нужны результаты исследований) не обладает терминологией математики и моделирования и может выполнять свои задачи, оперируя лишь хорошо знакомыми ему понятиями.

На этом рассмотрение последовательности моделирования закончим, сделав весьма важный вывод о необходимости документирования результатов каждого этапа. Это необходимо в силу следующих причин.

Во-первых, моделирование процесс итеративный, то есть с каждого этапа может осуществляться возврат на любой из предыдущих этапов для уточнения информации, необходимой на этом этапе, а документация может сохранить результаты, полученные на предыдущей итерации.

Во-вторых, в случае исследования сложной системы в нем участвуют большие коллективы разработчиков, причем различные этапы выполняются различными коллективами. Поэтому результаты, полученные на каждом этапе, должны быть переносимы на последующие этапы, то есть иметь унифицированную форму представления и понятное другим заинтересованным специалистам содержание.

В-третьих, результат каждого из этапов должен являться самоценным продуктом. Например, концептуальная модель может и не использоваться для дальнейшего преобразования в математическую модель, а являться описанием, хранящим информацию о системе, которое может использоваться как архив , в качестве средства обучения и т. д.

Аналитические и имитационные модели 3 страница

Ряд стандартов ISO посвящен языкам программирования. Имеются стандарты на языки C (ISO 9899), Фортран (ISO 1539), Паскаль (ISO 7185) и др.

Среди других стандартов, способствующих открытости ПО АС, следует отметить стандарты графического пользовательского интерфейса, хранения и передачи графических данных, построения БД и файловых систем, сопровождения и управления конфигурацией программных систем и др.

Важное значение для создания открытых систем имеет унификация и стандартизация средств межпрограммного интерфейса или, другими словами, необходимо наличие профилей АС для информационного взаимодействия программ, входящих в АС. Профилем открытой системы называют совокупность стандартов и других нормативных документов, обеспечивающих выполнение системой заданных функций. Так, в профилях АС могут фигурировать язык EXPRESS стандарта STEP, спецификация графического пользовательского интерфейса Motif, унифицированный язык SQL обмена данными между различными СУБД, стандарты сетевого взаимодействия. В профили САПР машиностроения может входить формат IGES и в случае САПР радиоэлектроники - формат EDIF и т.п.

Всего в информационных технологиях уже к 1997 г. было более 1000 стандартов. Профили создаются для их упорядочения, получения взаимоувязанных целостных совокупностей для построения конкретных систем. Например, предлагаются профили: АМН11 используется для передачи сообщений между прикладными и транспортным уровнями; ТА51 устанавливает требования к работе оконечной системы в IEEE 802.3, RA51.1111 - ретрансляцию услуг сетевого уровня между МДКН/ОК и PSDN (Packed Switched Data Network) и др. Теперь можно выбрать один базовый стандарт и соответствующее средство выдаст профиль - все остальные необходимые стандарты.

4.Методики функционального и информационного моделирования сложных систем

4.1. CASE технологии

Современное проектирование сложных информационных систем использует новые информационные технологии и программные средства поддержки системного инжиниринга - CASE технологии и средства.

В основе CASE технологий лежат соответствующие методы и методики, описывающие различные свойства систем, важные, например, с точки зрения их автоматизации, а также позволяющие количественно оценить параметры проектов. Следует отметить, что спектр свойств систем различного назначения очень широк, и не все они к настоящему времени отражены в адекватных моделях. В то же время для класса информационных систем организационного типа (Management Information Systems - MIS) адекватные модели разработаны и поддерживаются соответствующими средствами автоматизации IDEF (Integrated DEFinition).

4.2 Методология IDEF моделирования

Взаимная совокупность методик и моделей концептуального проектирования разработана в США по программе Integrated Computer-Aided Manufacturing. В настоящее время имеются методики функционального, информационного и поведенческого моделирования и проектирования, в которые входят IDEF-модели, приведенные таблице.

IDEF0 реализует методику функционального моделирования сложных систем. Наиболее известной реализацией IDEF0 является методология SADT (Structured Analysis and Design Technique), преложенная еще в 1973 г. Д. Россом и впоследствии ставшая основой стандарта IDEF0. Эта методика рекомендуется для начальных стадий проектирования сложных искусственных систем управления, производства, бизнеса, включающих людей, оборудование, программное обеспечение.

IDEF1X и IDEF1 реализуют методики инфологического проектирования баз данных. В IDEF1X имеется ясный графический язык для описания объектов и отношений в приложениях, так называемый язык диаграмм "сущность-связь" (ERD - Entity-Relations Diagrams). Разработка информационной модели по IDEF1X выполняется в несколько этапов:

• выясняются цели проекта, составляется план сбора информации, при этом обычно исходные положения для информационной модели следуют из IDEF0-модели;
• выявляются и определяются основные сущности - элементы базы данных, в которых будут храниться данные системы;
• выявляются и определяются основные отношения, результаты представляются графически в виде так называемых ER-диаграмм;
• детализируются нестандартные отношения, определяются ключевые атрибуты сущностей. Детализация отношений заключается в замене связей "многие ко многим" на связи "многие к одному" и "один ко многим";
• определяются атрибуты сущностей.

IDEF-модели

Название	Назначение
IDEFO	Функциональное моделирование Function Modeling Method
IDEF1 и IDEF1X	Информационное моделирование Information and Data Modeling Method
IDEF2	Поведенческое моделирование Simulation Modeling Method
IDEF3	Моделирование деятельности Process Flow and Object Stale Description Capture Method
IDEF4	Объективно-ориентированное проектирование Object-oriented Design Method
IDEF5	Систематизация объектов приложения Ontology Description Capture Method
IDEF6	Использование рационального опыта проектирования Design Rational Capture Method
IDEF8	Взаимодействие человека и системы Human-System Interaction Design
IDEF9	Учет условий и ограничений Business Constraint Discovery
IDEF14	Моделирование вычислительных сетей Network Design

IDEF2 и IDEF3 реализуют поведенческое моделирование. Если методика IDEF0 связана с функциональными аспектами и позволяет отвечать на вопрос: "Что делает эта система?", то в этих методиках детализируется ответ: "Как система это делает". В основе поведенческого моделирования лежат модели и методы имитационного моделирования систем массового обслуживания, сети Петри, возможно применение модели конечного автомата, описывающей поведение системы как последовательности смен состояний.

Перечисленные методики относятся к так называемым структурным методам.

IDEF4 реализует объектно-ориентированный анализ больших систем. Он предоставляет пользователю графический язык для изображения классов, диаграмм наследования, таксономии методов.

IDEF5 направлен на представление онтологической информации приложения в удобном для пользователя виде, Для этого используются символические обозначения (дескрипторы) объектов, их ассоциаций, ситуаций и схемный язык описания отношений классификации, "часть-целое", перехода и т. п. В методике имеются правила связывания объектов (термов) в предложения и аксиомы интерпретации термов.

IDEF6 направлен на сохранение рационального опыта проектирования информационных систем, что способствует предотвращению структурных ошибок.

IDEF8 предназначен для проектирования диалогов человека и технической системы.

IDEF9 предназначен для анализа имеющихся условий и ограничений (в том числе физических, юридических, политических) и их влияния на принимаемые решения в процессе реинжиниринга.

IDEF14 предназначен для представления и анализа данных при проектировании вычислительных сетей на графическом языке с описанием конфигураций, очередей, сетевых компонентов, требований к надежности и т.п.

4.3. Нотации IDEF моделирования

Для моделирования адекватного представления сложной системы, характеризуемой структурой, выполняемыми процессами (функциями), поведением системы во времени применяют функциональные, информационные и поведенческие модели, пересекающиеся друг с другом.

Функциональная модель системы описывает совокупность выполняемых системой функций, характеризует морфологию системы (ее построение) - состав подсистем, их взаимосвязи.

Информационная модель отображает отношения между элементами системы в виде структур данных (состав и взаимосвязи).

Поведенческая (событийная) модель описывает информационные процессы (динамику функционирования), в ней функционируют такие категории, как состояние системы, событие, переход из одного состояния в другое, условия перехода, последовательность событий. Используется в основном для систем реального времени.

Аналитические и имитационные модели

5.1. Разработка имитационных моделей сложных систем

5.1.1. Имитационное моделирование

Одним из наиболее важных и полезных орудий анализа структуры сложных процессов и систем стало имитационное моделирование. Имитировать, согласно словарю Вебстера, значит "вообразить, постичь суть явления, не прибегая к экспериментам на реальном объекте". По существу, каждая модель или представление вещи есть форма имитации. Имитационное моделирование является весьма широким и недостаточно четко определенным понятием, имеющим очень большое значение для лиц, ответственных за проектирование и функционирование систем. Рискуя заслужить обвинение в чрезмерном самомнении, мы воздержимся от анализа различных определений другими авторами и остановимся на своем собственном. Имитационное моделирование есть процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование данной системы. Таким образом, процесс имитационного моделирования мы понимаем как процесс, включающий и конструирование модели, и аналитическое применение модели для изучения некоторой проблемы. Под моделью реальной системы мы понимаем представление группы объектов или идей в некоторой форме, отличной от их реального воплощения; отсюда термин "реальный" используется в смысле "существующий или способный принять одну из форм существования". Следовательно, системы, существующие еще только на бумаге или находящиеся в стадии планирования, могут моделироваться так же, как и действующие системы.

Поэтому имитационное моделирование является экспериментальной и прикладной методологией, имеющей целью:

· описать поведение системы;

· построить теории и гипотезы, которые могут объяснить наблюдаемое поведение;

· использовать эти теории для предсказания будущего поведения системы, т. е. тех воздействий, которые могут быть вызваны изменениями в системе или изменениями способов ее функционирования.

В отличие от большинства технических методов, которые могут быть классифицированы в соответствии с научными дисциплинами, в которые они уходят своими корнями (например, с физикой или химией), имитационное моделирование применимо в любой отрасли науки.

5.1.2. Функции моделей

Идея представления некоторого объекта, системы или понятия при помощи модели носит столь общий характер, что дать полную классификацию функций модели затруднительно. Различают пять узаконенных и ставших привычными случаев применения моделей в качестве:

1) средства осмысления действительности;

2) средства общения;

3) средства обучения и тренажа;

4) инструмента прогнозирования;

5) средства постановки экспериментов.

Модель может служить для достижения одной из двух основных целей: либо описательной, если модель служит для объяснения и (или) лучшего понимания объекта, либо предписывающей, когда модель позволяет предсказать и (или) воспроизвести характеристики объекта, определяющие его поведение. Модель предписывающего типа обычно является и описательной, но не наоборот. Это означает, что предписывающая модель почти всегда является описательной по отношению к моделируемому объекту, но описательная модель не всегда полезна для целей планирования и проектирования. Вероятно, в этом кроется одна из причин, почему экономические модели (в которых обнаруживается тенденция к описательности) оказали небольшое воздействие на управление экономическими системами и мало применялись в качестве вспомогательного средства управления на высшем уровне, в то время как модели исследования операций, по общему признанию, оказали значительное воздействие на эти сферы.

5.1.3. Классификация моделей

Модели вообще и имитационные модели в частности можно классифицировать различными способами. К сожалению, ни один из них не является полностью удовлетворительным, хотя каждый служит определенной цели. Укажем некоторые типовые группы моделей, которые могут быть положены в основу системы классификации:

· статические (например, поперечный разрез объекта) и динамические (временные ряды);

· детерминистские и стохастические;

· дискретные и непрерывные;

· натурные, аналоговые и символические.

Имитационные модели можно представить в виде непрерывного спектра, простирающегося от точных моделей или макетов реальных объектов до совершенно абстрактных математических моделей (рис. 4).

При моделировании сложной системы исследователь обычно вынужден использовать совокупность нескольких моделей из числа разновидностей, упомянутых выше. Любая система или подсистема может быть представлена различными способами, которые значительно отличаются друг от друга по сложности и детализации. В большинстве случаев в результате системных исследований появляются несколько различных моделей одной и той же системы. Но обычно по мере того, как исследователь глубже анализирует и лучше понимает проблему, простые модели заменяются все более сложными.

Рис. 4. Классификация моделей

5.1.4. Достоинства и недостатки имитационного моделирования

Все имитационные модели представляют собой модели типа «черного ящика». Поэтому для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, а не "решать" их. Имитационные модели не способны формировать свое собственное решение в том виде, в каком это имеет место в аналитических моделях, а могут лишь служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором. Более того, имитационное моделирование является только одним из нескольких имеющихся в распоряжении системного аналитика важнейших методов решения проблем. Поскольку необходимо и желательно приспосабливать средство или метод к решению задачи, а не наоборот, то возникает естественный вопрос: в каких случаях имитационное моделирование полезно?

Мы определили имитационное моделирование как экспериментирование с моделью реальной системы. Необходимость решения задач путем экспериментирования становится очевидной, когда возникает потребность получить о системе специфическую информацию, которую нельзя найти в известных источниках. Известно, что непосредственное экспериментирование на реальной системе устраняет много затруднений, если необходимо обеспечить соответствие между моделью и реальными условиями; однако недостатки такого экспериментирования иногда весьма значительны, поскольку:

1. Оно может нарушить установленный порядок работы фирмы.

2. Если составной частью системы являются люди, то на результаты экспериментов может повлиять так называемый хауторнский эффект, проявляющийся в том, что люди, чувствуя, что за ними наблюдают, могут изменить свое поведение.

3. Может оказаться сложным поддержание одних и тех же рабочих условий при каждом повторении эксперимента или в течение всего времени проведения серии экспериментов.

4. Для получения одной и той же величины выборки (и, следовательно, статистической значимости результатов экспериментирования) могут потребоваться чрезмерные затраты времени и средств.

5. При экспериментировании с реальными системами может оказаться невозможным исследование множества альтернативных вариантов.

По этим причинам исследователь должен рассмотреть целесообразность применения имитационного моделирования при наличии любого из следующих условий:

1. Не существует законченной математической постановки данной задачи либо еще не разработаны аналитические методы решения сформулированной математической модели. К этой категории относятся многие модели массового обслуживания, связанные с рассмотрением очередей.

2. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Аналитические решения существуют, но их реализация невозможна вследствие недостаточной математической подготовки имеющегося персонала. В этом случае следует сопоставить затраты на проектирование, испытания и работу на имитационной модели с затратами, связанными с приглашением специалистов со стороны.

4. Кроме оценки определенных параметров желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода.

5. Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдений явлений в реальных условиях; соответствующим примером может служить изучение поведения космических кораблей в условиях межпланетных полетов.

6. Для долговременного действия систем или процессов может понадобиться сжатие временной шкалы. Имитационное моделирование дает возможность полностью контролировать время изучаемого процесса, поскольку явление может быть замедлено или ускорено по желанию. К этой категории относятся, например, исследования проблем упадка городов.

Можно ли вообще, опираясь на имитационное моделирование, получить результаты также и наиболее эффективным способом? Ответ нередко будет отрицательным и по следующим причинам:

1. Разработка хорошей имитационной модели часто обходится дорого и требует много времени, а также наличия высокоодаренных специалистов, которых в данной фирме может и не оказаться. Для создания хорошей модели внутрифирменного планирования может потребоваться от 3 до 11 лет.

2. Может показаться, что имитационная модель отражает реальное положение вещей, хотя в действительности это не так. Если этого не учитывать, то некоторые свойственные имитации особенности могут привести к неверному решению.

3. Имитационная модель в принципе не точна, и мы не в состоянии измерить степень этой неточности. Это затруднение может быть преодолено лишь частично путем анализа чувствительности модели к изменению определенных параметров.

4. Результаты, которые дает имитационная модель, обычно являются численными, а их точность определяется количеством знаков после запятой, выбираемым экспериментатором. В связи с этим возникает опасность "обожествления чисел", т. е. приписывания им большей значимости, чем они на самом деле имеют.

5.1.5. Структура имитационных моделей

Прежде чем начать разработку модели, необходимо понять, что собой представляют структурные элементы, из которых она строится. Хотя математическая или физическая структура модели может быть очень сложной, основы ее построения весьма просты. В самом общем виде структуру модели мы можем представить математически в виде

где Е - результат действия системы; x i - переменные и параметры, которыми мы можем управлять; y i - переменные и параметры, которыми мы управлять не можем; f - функциональная зависимость между x i и y i , которая определяет величину Е .

Столь явное и чрезмерное упрощение полезно лишь тем, что оно показывает зависимость функционирования системы как от контролируемых нами, так и от неконтролируемых переменных. Почти каждая модель представляет собой, вообще говоря, некоторую комбинацию таких составляющих, как

Компоненты,

Переменные,

Параметры,

Функциональные зависимости,

Ограничения,

Целевые функции.

Под компонентами мы понимаем составные части, которые при соответствующем объединении образуют систему. Иногда мы считаем компонентами также элементы системы или её подсистему.

Система определяется как группа или совокупность объектов, объединенных некоторой формой регулярного взаимодействия или взаимозависимости для выполнения заданной функции. Компоненты суть объекты, образующие изучаемую систему.

Параметры суть величины, которые оператор, работающий на модели, может выбирать произвольно, в отличие от переменных, которые могут принимать только значения, определяемые видом данной функции. Смотря на это под другим углом зрения, мы можем сказать, что параметры, после того как они установлены, являются постоянными величинами, не подлежащими изменению.

В модели системы мы различаем переменные двух видов - экзогенные и эндогенные. Экзогенные переменные называются также входными; это значит, что они порождают вне системы или являются результатом воздействия внешних причин. Эндогенными переменными называются переменные, возникающие в системе или в результате воздействия внутренних причин. Мы также называем эндогенные переменные переменными состояния (когда они характеризуют состояние или условия, имеющие место в системе) либо выходными переменными (когда речь идет о выходах системы). Статистики иногда называют экзогенные переменные независимыми, а эндогенные зависимыми.

Функциональные зависимости описывают поведение переменных и параметров в пределах компонента или выражают соотношения между компонентами системы. Эти отношения, или операционные характеристики, по своей природе являются либо детерминистскими, либо стохастическими. Детерминистские соотношения - это тождества или определения, которые устанавливают зависимость между определенными переменными или параметрами в тех случаях, когда процесс на выходе системы однозначно определяется заданной информацией на входе. В отличие от этого стохастические соотношения представляют собой такие зависимости, которые при заданной входной информации дают на выходе неопределенный результат. Оба типа соотношений обычно выражаются в форме математического уравнения, которое устанавливает зависимость между эндогенными переменными (переменными состояния) и экзогенными переменными. Обычно эти соотношения можно строить лишь на основе гипотез или выводить с помощью статистического или математического анализа. Ограничения представляют собой устанавливаемые пределы изменений значений переменных или ограничивающие условия распределения и расходования тех или иных средств (энергии, запасов и т.п.). Они могут вводиться либо разработчиком (искусственные ограничения), либо самой системой вследствие присущих ей свойств (естественные ограничения). Примерами искусственных ограничений могут быть заданные максимальный и минимальный уровни занятости рабочих или установления максимальная сумма денежных средств, ассигнуемых на капиталовложения. В физической системе такого типа, как ракета, искусственными ограничением может быть заданный минимальный радиус действия или максимально допустимый вес. Большинство технических требований к системам представляет собой набор искусственных ограничений. Естественные ограничения обусловлены самой природой системы. Например, нельзя продать больше изделий, чем система может изготовить, и никто не может сконструировать систему, нарушающую законы природы. Таким образом, ограничения одного типа обусловлены неизменными законами природы, в то время как ограничения другого типа, будучи делом рук человеческих, могут подвергаться изменению. Исследователю он должен постоянно оценивать принесенные человеком ограничения, с тем чтобы ослабить или усилить их по мере необходимости. Целевая функция, или функция критерия,- это точное отображение целей или задач системы и необходимых правил оценки их выполнения. Различают два типа целей: сохранение и приобретение. Цели сохранения связаны с сохранением или поддержанием каких-либо ресурсов (временных, энергетических, творческих и т. д.) или состояний (комфорта, безопасности, уровня занятости и т. д.). Цели приобретения связаны с приобретением новых ресурсов (прибыли, персонала, заказчиков и т. п.) или достижением определенных состояний, к которым стремится организация или руководитель (захват части рынка, достижение состояния устрашения и т.п.). Выражение для целевой функции должно быть однозначным определением целей и задач, с которыми должны соразмеряться принимаемые решения. Цитированный выше словарь Вебстера определяет понятие «критерий» как «мерило оценки, правило или вид проверки, при помощи которых составляется правильное суждение о чем-либо». Это четкое и однозначное определение критерия очень важно по двум причинам. Во-первых, оно оказывает громадное влияние на процесс создания модели и манипулирования с ней. Во-вторых, неправильное определение критерия обычно ведет к неправильным заключениям. Функция критерия (целевая функция) обычно является органической составной частью модели, и весь процесс манипулирования с моделью направлен на оптимизацию или удовлетворение заданного критерия.

5.1.6.Структурный синтез систем

Сходство модели с объектом, который она отображает, называется степенью изоморфизма. Для того чтобы быть изоморфной (т. е. идентичной или сходной по форме), модель должна удовлетворять двум условиям.

Во-первых, должно существовать взаимно однозначное соответствие между элементами модели и элементами представляемого объекта. Во-вторых, должны быть сохранены точные соотношения или взаимодействия между элементами. Степень изоморфизма модели относительна, и большинство моделей скорее гомоморфны, чем изоморфны. Под гомоморфизмом мы понимаем сходство по форме при различии основных структур, причем имеет место лишь поверхностное подобие между различными группами элементов модели и объекта. Гомоморфные модели являются результатом процессов упрощения и абстракции.

Ученый, изучающий проблемы управления, для построения полезных моделей также прибегает к упрощению. Он предполагает, что его переменные либо детерминированы (чрезвычайно упрощенная трактовка реальности), либо подчиняются законам случайных событий, описываемым известными вероятностными функциями распределений, таких, как нормальное, пуассоновское, экспоненциальное и т. д. Он также зачастую предполагает, что зависимости между переменными носят линейный характер, зная, что такое допущение не совсем правомерно. Это часто бывает необходимым и оправданным, если требуется построить модели, поддающиеся математическому описанию. Другим аспектом анализа является абстракция - понятие, которое в отличие от упрощения не так легко объяснить и осмыслить. Абстракция содержит или сосредоточивает в себе существенные качества или черты поведения объекта (вещи), но не обязательно в той же форме и столь детально, как это имеет место в оригинале. Большинство моделей - это абстракции в том смысле, что они стремятся представить качества и поведение моделируемого объекта в форме или способом, отличающимися от их действительной реализации. Так, в схеме организации работ мы пытаемся в абстрактной форме отразить трудовые взаимоотношения между различными группами работающих или отдельными членами таких групп. То обстоятельство, что подобная схема только поверхностно отображает реальные взаимоотношения, не умаляет ее полезности для определенных целей.

После того как мы проанализировали и промоделировали части или элементы системы, мы приступаем к их объединению в единое целое. Иными словами, мы можем путем синтеза относительно простых частей сконструировать некоторое приближение к сложной реальной ситуации. Здесь важно предусмотреть два момента. Во-первых, используемые для синтеза части должны быть выбраны корректно, и, во-вторых, должно быть корректно предсказано их взаимодействие (это будет подробно рассмотрено ниже, когда мы коснемся вопросов установления и проверки соответствия модели реальному объекту). Если все это выполнено должным образом, то эти процессы анализа, абстракции, упрощения и синтеза в итоге приведут к созданию модели, которая аппроксимирует поведение изучаемой реальной системы. Необходимо помнить, однако, что модель является только приближением (аппроксимацией), а поэтому не будет себя вести в точности, как реальный объект. Мы оптимизируем модель, но не реальную систему. Вопрос о том, существует ли действительно взаимосвязь между характеристиками нашей модели и реальностью, зависит от того, насколько правильно и разумно мы провели наши процессы анализа, абстракции, упрощения и синтеза.

5.1.7. Искусство моделирования

Искусство моделирования состоит в способности анализировать проблему, выделять из нее путем абстракции ее существенные черты, выбирать и должным образом модифицировать основные предположения, характеризующие систему, а затем отрабатывать и совершенствовать модель до тех пор, пока она не станет давать полезные для практики результаты. При моделировании следует учитывать следующие правила:

Разложить общую задачу исследования системы на ряд более простых задач,

Четко сформулировать цели,

Подыскать аналогии,

Рассмотреть специальный численный пример, соответствующий данной задаче,

Выбрать определенные обозначения,

Записать очевидные соотношения,

Если полученная модель поддается математическому описанию, расширить ее. В противном случае упростить.

Вообще говоря, упростить модель можно, выполнив одну из перечисленных ниже операций (в то время как для расширения модели требуется как раз обратное).

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.