Вероятностное моделирование
Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Московский технический
университет связи и информатики
МЕТОДЫ МОДЕЛИРОВАНИЯ
УСТРОЙСТВ И СИСТЕМ
ЛЕКЦИЯ 4
ТЕМА ЛЕКЦИИ: ВЕРОЯТНОСТНОЕ МОДЕЛИРОВАНИЕ
ВОПРОСЫ ЛЕКЦИИ:
• Понятие о стохастическом
(вероятностном) моделировании
• Этапы осуществления вероятностного
моделирования
• Пример вероятностного моделирования –
исследование СМО методом Монте-Карло
• Оценка результатов вероятностного
моделирования
2
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
• В большинстве имитационных
моделей в качестве входных данных
используются случайные величины,
поэтому выходные данные (отклики),
также носят случайный характер.
3
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
В связи с этим необходимо осторожно
делать выводы относительно
действительных характеристик модели
(например, ожидаемой точности,
надежности, вероятности ошибки и т.п.).
Правильное проведение анализа выходных
данных невозможно без ознакомления со
стохастическими процессами.
4
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Стохастический процесс ‒ совокупность
однородных случайных величин, которые
упорядочены во времени и определены в
общем (выборочном) пространстве.
Множество всех возможных значений,
которые могут принимать эти случайные
величины, называется пространством
состояний.
5
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Результаты моделирования стохастической
системы являются реализациями случайных
величин (процессов).
Следовательно, для нахождения
характеристик системы требуется
многократное повторение и последующая
статистическая обработка (усреднение)
данных.
6
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Численный анализ вероятностных
систем с применением имитационного
моделирования называется прямым
вероятностным моделированием.
По результатам вероятностного
моделирования определяются оценки
вероятностных критериев качества,
характеризующих работу системы.
7
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Достоинства вероятностного моделирования:
Метод анализа систем прямым
вероятностным моделированием является
универсальным. Он позволяет получить
желаемый результат во всех случаях, если
только удается построить каким-либо
способом математическую модель
системы.
8
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Позволяет решать широкий круг задач,
относящихся к анализу данной системы.
При достаточной полноте модели
вероятностное моделирование
позволяет оценивать показатели работы
системы с высокой надежностью.
9
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
Недостатки вероятностного моделирования:
для выявления необходимых закономерностей
при изучении стохастических систем
необходима постановка статистического
эксперимента, требующего значительных
затрат, усилий и времени;
10
ПОНЯТИЕ О ВЕРОЯТНОСТНОМ
МОДЕЛИРОВАНИИ
• кроме того, статистические критерии не могут ни
доказать, ни опровергнуть ни одной гипотезы:
они лишь могут доказать отсутствие
опровержения или показать, с какой
вероятностью данная гипотеза выполняется.
11
ЭТАПЫ ОСУЩЕСТВЛЕНИЯ
ВЕРОЯТНОСТНОГО МОДЕЛИРОВАНИЯ
Для осуществления вероятностного
моделирования необходимо иметь:
набор генераторов случайных чисел и
процессов, имитирующих входные
воздействия, начальные условия, а
также функции изменения параметров
системы;
12
ЭТАПЫ ОСУЩЕСТВЛЕНИЯ
ВЕРОЯТНОСТНОГО МОДЕЛИРОВАНИЯ
реализованную математическую модель
системы (на специализированном
программном обеспечении или
универсальных языках программирования),
позволяющую получить выходные отклики
в виде случайных функций времени;
алгоритм, обеспечивающий обработку
полученных реализаций.
13
ЭТАПЫ ОСУЩЕСТВЛЕНИЯ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
14
ЭТАПЫ ОСУЩЕСТВЛЕНИЯ
ВЕРОЯТНОСТНОГО МОДЕЛИРОВАНИЯ
• Частная задача ‒ задача моделирования
сигналов и помех. Формулируется как
задача нахождения алгоритмов (по
возможности, наиболее простых),
позволяющих получить дискретные
реализации (выборочные функции)
моделируемых процессов.
15
ЭТАПЫ ОСУЩЕСТВЛЕНИЯ
ВЕРОЯТНОСТНОГО МОДЕЛИРОВАНИЯ
Это самостоятельная задача синтеза дискретных
случайных процессов, имитирующих непрерывные
процессы с заданными статистическими
характеристиками.
Она решается путем отыскания удобных для реализации
на компьютере линейных и нелинейных преобразований,
с помощью которых можно превратить независимые
равномерно или нормально распределенные случайные
числа, вырабатываемые датчиком случайных чисел, в
случайные последовательности с требуемыми
16
статистическими характеристиками.
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• В сложных системах не всегда получается
выразить модель аналитически. В этом
случае прибегают к методу статистического
имитационного моделирования,
получившему название метод Монте-Карло.
• Методика этого вида моделирования состоит
из следующих этапов:
17
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• 1. Моделирование на ЭВМ псевдослучайных
последовательностей с заданной корреляцией
и законом распределения вероятностей,
имитирующих случайные значения
параметров при каждом испытании;
• 2. Использование полученных числовых
последовательностей в имитационных
математических моделях.
18
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• 3. Статистическая обработка результатов
моделирования.
• Рассмотрим простейшую систему массового
обслуживания (СМО), которая состоит из n
линий (каналов) обслуживания.
• В случайные моменты времени в систему
поступают заявки.
19
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Каждая заявка поступает на линию № 1.
Если в момент поступления заявки Тk
эта линия свободна, заявка
обслуживается за время tз (время
занятости линии). Если линия занята,
заявка мгновенно передается на линию
№ 2 и т. д.
20
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Если все n линий в данный момент заняты,
то система выдает отказ. Естественной
является задача определения характеристик
данной системы, по которым можно
оценить ее эффективность: среднее время
ожидания обслуживания, доля времени
простоя системы, среднюю длину очереди и
т. д.
21
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• В этом случае каждой линии ставится в
соответствие ячейка памяти (переменная), в
которую записывается момент
освобождения линии.
• Пусть в момент времени t = Т1, который мы
примем за начало отсчета, все линии
свободны. За время окончания расчета
примем Т=Тк .
22
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Первая заявка поступает на линию 1 и тут же
обслуживается, поскольку линия свободна.
• Следовательно, в течение времени τ1 эта линия
будет занята.
• Поэтому заменяем текущее время t на новое
значение Т1 + τ1 и добавляем 1 к счетчику
выполненных заявок.
• Затем переходим к рассмотрению следующей
заявки.
23
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Для этого генерируем значение γ, равномерно
распределенное на интервале [0, 1], и по формуле
τ=(‒1/λ) ln(1-γ)
вычисляем очередное значение τ = τ2.
• В этом случае для генерирования, экспоненциально
распределенной, случайной величины был применен
метод обратных функций.
• Вычисляем момент поступления второй заявки:
t2=T1+ τ2.
24
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Проверяем, свободна ли в этот момент первая
линия, т.е. выполнено ли условие t1≤t2.
• Если это условие выполнено, линия свободна
и приступает к обслуживанию второй заявки.
Заменяем t1 на t2 + tз, добавляем 1 к счетчику
выполненных заявок и переходим к
рассмотрению следующей заявки.
25
ПРИМЕР ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ – ИССЛЕДОВАНИЕ СМО
МЕТОДОМ МОНТЕ-КАРЛО
• Если линия занята, то проверяем, свободна ли вторая
линия, и т. д.
• Если в какой-то момент времени заняты все линии,
добавляем 1 в счетчик отказов и переходим к
выполнению следующей заявки.
• После каждого вычисления tk проверяем условие
окончания опыта: tk>Tк.
• Если это условие выполнено, опыт заканчивается. Такой
опыт повторяется N раз, и результаты всех опытов
усредняются.
26
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Заключительный этап статистического
моделирования ‒ математическая
обработка полученных результатов.
• Здесь используются методы
математической статистики:
параметрическое и непараметрическое
оценивание, проверка гипотез.
27
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Пример параметрического оценивания
‒ выборочное среднее.
• Непараметрическое оценивание ‒
метод гистограмм.
• Задача проверки гипотез ‒ проверка
соответствия распределения заданному
закону.
28
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
•
Предположим, что y1 y2.....yn являются независимыми и одинаково
распределенными величинами (наблюдениями) с конечным
математическим ожиданием my и конечной дисперсией
генеральной совокупности σy2.
•
В этом случае выборочное среднее
несмещенной (точечной) оценкой my;
•
это означает, что при очень большом количестве независимых
экспериментов, каждый из которых дает результат в значение y(n)
, среднее значение y(n) будет равно my.
•
Аналогично выборочная дисперсия представляет собой
несмещенную оценку σy2.
y y ( n )
n
D( n )
i 1
y ( n)
1 n
yi
n i 1
является
2
i
n 1
29
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Сложность использования y(n) в качестве оценки
my без какой-либо дополнительной информации
состоит в том, что невозможно определить,
насколько близко значение y(n) к my.
• Поскольку y(n) является случайной величиной с
дисперсией Var[y (n)], в одном эксперименте y (n)
может быть близко к my, а в другом их значения
могут существенно отличаться.
30
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Обычно, чтобы оценить точность y(n), как
оценки my, необходимо построить
доверительный интервал для my.
• Первым шагом в построении доверительного
интервала является оценка дисперсии Var[y(n) ].
• Очевидно, что чем больше объем выборки n,
тем ближе выборочное среднее будет к my.
31
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Как свидетельствует опыт, выходные данные
моделирования практически всегда являются
коррелированными.
• Следовательно, вышеприведенные сведения
о независимых и одинаково распределенных
наблюдениях не могут быть непосредственно
применены к анализу выходных данных
моделирования.
32
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Поскольку выходные данные моделирования
являются коррелированными, то формулы
классической статистики, в основе которых
лежат независимые и одинаково
распределенные наблюдения, не могут
непосредственно использоваться для оценки
дисперсий.
33
ОЦЕНКА РЕЗУЛЬТАТОВ ВЕРОЯТНОСТНОГО
МОДЕЛИРОВАНИЯ
• Но часто выходные данные моделирования
группируют в новые наблюдения, к которым
можно применять формулы, основанные на
независимых одинаково распределенных
наблюдениях.
• Следовательно, формулы, в основе которых
лежат независимые одинаково распределенные
наблюдения, могут косвенно применяться при
анализе выходных данных моделирования.
34
СПАСИБО ЗА ВНИМАНИЕ!
35