Конспект лекций ульяновск Компьютерная графика и основы систем автоматизированного

ОСНОВЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ В САПР

1. 
   Понятие о имитационном моделировании
   

Все рассмотренные до сих пор численные модели имели очень важные общие черты. Для каждой моделируемой ситуации была известна цель (или несколько целей), достижение которой (которых) считалось желательным. Однако далеко не все ситуации таковы. В особенности ими изобилует современный этап прикладных исследований, когда приходится иметь дело со сложными системами, в которых не только наличествует множество целевых функций, но далеко не все ясно с количественным выражением этих функций. Здесь речь вообще может идти не столько о решении тех или иных оптимизационных задач (хотя и это тоже есть), сколько об исследовании сложных систем, о прогнозировании их будущих состояний в зависимости от избираемых стратегий управления.
Практика настоятельно потребовала метод для исследования сложных систем, он появился. Этот метод получил название “имитационное моделирование”, что представляет собой дословный перевод английского выражения “Simulation modeling”. Как легко убедиться, в этом термине содержится тавтология, фактически “имитационная имитация”. Однако термин “имитационное моделирование” так широко уже распространился, что, хоть он и неудачен, маловероятно, что он претерпит изменение. Попытаемся сейчас глубже понять, что стоит за этим термином.
Метод имитационного моделирования - состоит в том, что процесс функционирования сложной системы представляется в виде определенного алгоритма, то есть логических действий, которые и реализуются на компьютере. По результатам реализации могут быть сделаны те или иные выводы относительно исходного процесса. На самом деле в имитационном моделировании применяется не только логика, но и весь аппарат численного
моделирования без изъятия, так как имитационное моделирование не есть параллельная с численным моделированием методика, но методика, иерархически стоящая выше, чем количественный счет. Она включает элементы принятия решений, то есть логику, стоящую выше математики

2. 
   Виды имитационного моделирования
   

Имитационное моделирование представляет собой процесс построения и испытания некоторого моделирующего алгоритма, имитирующего поведение и взаимодействие исследуемой системы с учетом случайных входных воздействий и внешней среды.
Имитационная модель обладает самым главным свойством моделей вообще - она может быть объектом эксперимента, причем эксперимент проводится с моделью, представленной в виде компьютерной программы.
Имитационная модель отображает стохастический процесс смены дискретных состояний системы. При реализации модели на компьютере производится накопление статистических данных по показателям модели, которые являются предметом исследований. По окончании моделирования накопленная статистика обрабатывается, и результаты моделирования получаются в виде выборочных распределений исследуемых величин. Таким образом, математическая статистика и теория вероятностей являются математическими основами имитационного моделирования.
Имитационные модели могут быть реализованы средствами универсальных языков программирования (Паскаль, Си, Фортран и др.). Они предоставляют практически неограниченные возможности в разработке и отладке программ моделей. Однако, модель в виде программы на универсальном языке программирования часто непонятна исследователю. Ведь совершенно необязательно исследователь, специалист в конкретной предметной области должен знать тонкости программирования на каком-либо языке. Поэтому были созданы специализированные языки моделирования,
которые существенно упрощают создание моделей и обработку результатов моделирования (Симпас, Симула, Арена, семейство языков GPSS и др.). Одна из наиболее распространенных систем моделирования GPSS World рассматривается в настоящем курсе.
Имитационная модель может представить объект практически любой сложности. Ограничениями могут служить лишь недостаточная квалификация исполнителя, а также требование адекватности модели и достижения очень большой точности результата. А это связано с получением статистических выборок большого объема, что ведет к необходимости получения большого числа реализаций модели и, следовательно, высокопроизводительных компьютеров.
Если сложность аналитической модели с усложнением моделируемого объекта возрастает с ускорением, как показано на рис. 3.6, то сложность имитационной модели, начиная с некоторого уровня S_о растет незначительно.