Проигрывание - модель
Cтраница 2
Приведенные кривые стоимости не являются функциями ввода в модель по примеру кривой истинного значения, но по своей природе они принадлежат к тому виду результатов, которые должны быть получены после достаточного количества проигрываний модели. Их анализ позволяет выявить те группы факторов, которые лежат в основе процессов исследования и усовершенствования. [16]
Для проигрывания модели ( имитации реального процесса) необходимо перейти в меню Run / Go. После проигрывания модели автоматически генерируются отчеты. [17]
Однако после проигрывания модели, цикл которого в несколько раз длительнее периода самых продолжительных возмущений, возникающих в динамической системе, общий качественный характер системы в комбинации с ее помехами становится достаточно ясным. [18]
Нужная точность планирования достигается тем, что используются методы, обладающие такими свойствами, как согласованность, эффективность, достаточность. Согласованность заключается в максимальном приближении оцениваемого параметра к заданному значению многократным проигрыванием модели с максимальным приближением данного параметра к его окончательному значению; вероятность ошибочного выбора резко снижается. Эффективность состоит в максимальном приближении диапазона изменений планируемой величины к заданному диапазону увеличением числа наблюдений. Достаточность выражается в способности системы извлечь всю необходимую информацию из имеющихся наблюдаемых данных. [19]
Нужная точность планирования достигается тем, что используются методы, обладающие такими свойствами, как согласованность, эффективность, достаточность. Согласованность заключается в максимальном приближении оцениваемого параметра к заданному значению многократным проигрыванием модели с максимальным приближением данного параметра к его окончательному значению, от чего вероятность ошибочного выбора резко снижается. Эффективность состоит в максимальном приближении диапазона изменений планируемой величины к заданному диапазону увеличением числа наблюдений. Достаточность выражается в способности системы извлечь всю необходимую информацию из имеющихся наблюдаемых данных. [20]
Изменяя параметры, а следовательно, применяя разные алгоритмы в каждом из проигрываний модели, можно получить различные календарные планы. Анализ полученных результатов решения позволяет выбрать наилучший план работы участка и наиболее рациональный алгоритм решения задачи для конкретных условий производства. [21]
Интервалы решения, выбранные по предложенной здесь методике, будут гораздо короче тех, которые упоминались в литературе по экономическим моделям, и иногда составляли год, даже тогда, когда изучались кратковременные ежегодные изменения в системе. Влияние величины интервала решения может быть определено эмпирически, с помощью ряда проигрываний модели с тем, чтобы выяснить, в какой мере величина интервала решения сказывается на результатах. Это было сделано на модели ( рис. 15 - 9) фирмы, выпускающей детали электронного оборудования с учетом ранее применявшихся методов управления при величине TBLAF, равной 40 неделям. [22]
Этот вопрос оказывается не таким простым, как может показаться на первый взгляд. Поскольку измеряются значения случайных переменных, необходимо учитывать их стохастические особенности и быть готовым к различного рода осложнениям. При каждом отдельно взятом проигрывании модели на ЭВМ времена ожидания последовательно поступающих заявок на обслуживание будут сериально коррелированными ( иногда говорят, автокоррелированными); другими словами, вероятность того, что ( ге - ( - 1) - й заявке на обслуживание придется ждать, если п-я заявка также находится в состоянии ожидания, больше, нежели в том случае, когда п-я заявка принимается на обслуживание немедленно. Величины же ожидания сами по себе могут зависеть от дисциплины очереди. Модель может быть неустойчивой и иметь тенденцию к увеличению продолжительностей ожидания. Но даже и в том случае, когда система достигнет состояния устойчивости ( для чего может потребоваться большой промежуток времени имитирования), продолжительности ожидания могут и не иметь нормального распределения. Если пренебречь всеми этими соображениями и основываться просто на сравнении средних значений времени ожидания, полученных при прогонах имитационных моделей с дисциплиной очереди первого и второго типа, то можно прийти к ложным заключениям. [23]
В этом случае разрабатываются и вводятся в действие новые стимулирующие факторы ( премии) и ведется наблюдение за тем, как они действуют. Экспериментальным является и третий способ - машинная имитация, проигрывание модели на компьютере. [24]
ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА [ experimental design techniques ] - математи-ко-статистическая дисциплина, изучающая методы рациональной организации экспериментальных исследований - от оптимального выбора исследуемых факторов и определения собственно пиана эксперимента в соответствии с его целью до методов анализа результатов. Основными понятиями теории П.э., имеющими значение для машинной имитации ( как экспериментального способа исследования экономики), являются управляемый фактор ( экзогенная или входная переменная), откчик ( реакция), план эксперимента, имитационная модель и др. Поскольку в имитационных экспериментах не бывает неуправляемых и ненаблюдаемых факторов ( что существенно искажает реальные условия, в которых такие факторы неизбежны), то в имитационную модель ( с помощью датчика случайных величин) вводятся случайные экзогенные переменные. При этом эксперимент сводится к серии ( выборке) проигрываний модели на ЭВМ. [25]
Уравнения начальных условий используются для определения исходных значений всех уровней ( и некоторых темпов), которое должно быть произведено до начала первого цикла решения уравнений. Они также используются в начальный момент времени для вычисления значений одних констант, исходя из значений других. Уравнения начальных условий решаются только один раз перед началом каждого проигрывания модели. Обозначение JV указывает на уравнение начальных условий. [26]
В настоящей главе рассматривается пример создания математической модели промышленной системы в условиях, когда определены задачи моделирования и дано словесное описание системы. Это достаточно простой пример, поскольку в нем мало неопределенных факторов. Производство, оптовая и розничная торговля, а также начальные условия, характеризующие исходное состояние системы, отображены с помощью совокупности 73 уравнений, результаты проигрываний модели, описанной в главе 2, излагаются здесь более подробно; при этом устанавливается, как менялась модель с каждым новым проигрыванием. [27]
 |
Фрагмент дочерней диаграммы IDEF3.| Фрагмент родительской диаграммы IDEFO. [28] |
Имитационное моделирование - это метод, позволяющий строить модели, учитывающие время выполнения функций. В имитационной модели изменения процессов и данных ассоциируются с событиями. Проигрывание модели заключается в последовательном переходе от одного события к другому. [29]
Достаточно эффективным средством решения данной дилеммы является применение методов имитационного моделирования. Данные методы подразумевают исследование интересующего нас объекта на базе так называемой имитационной модели. Под имитационной понимается такая модель, которая, имея иную по сравнению с исходным объектом природу, одновременно обладает набором схожих свойств ( имитирует его), что в конечном счете позволяет выводы, полученные при работе с моделью, переносить на сам объект. Результатами такого проигрывания моделей, как правило, являются оценки значений функциональных ( операционных) характеристик имитируемой системы. [30]
Страницы: 1 2 3