🗊Презентация Планирование имитационных экспериментов

Тема лекции №5 Планирование имитационных экспериментов.

Цель лекции – изучить основные правила построения и проведения имитационных экспериментов. План лекции. Сущность и цели планирования эксперимента. Элементы стратегического планирования экспериментов. Элементы тактического планирования. Точность и количество реализаций модели при определении средних значений параметров. Точность и количество реализаций модели при определении вероятностей исходов.

1. Сущность и цели планирования эксперимента Для организации экспериментов наиболее важно: 1. Простота повторений условий эксперимента. 2. Возможность управления экспериментом, включая его прерывание и возобновление. 3. Легкость изменения условий проведения эксперимента (воздействий внешней среды). 4. Исключение корреляции между последовательностями данных, снимаемых в процессе эксперимента с моделью. 5. Определение временного интервала исследования модели (0,Т).

Имитационный (Компьютерный) эксперимент Имитационный (Компьютерный) эксперимент представляет собой процесс использования модели с целью получения и анализа интересующей исследователя информации о свойствах моделируемой системы. План эксперимента определяет: объем вычислений на компьютере; порядок проведения вычислений на компьютере; способы накопления и статистической обработки результатов моделирования. Планирование экспериментов имеет следующие цели: сокращение общего времени моделирования при соблюдении требований к точности и достоверности результатов; увеличение информативности каждого наблюдения; создание структурной основы процесса исследования.

Средством достижения приемлемого компромисса между максимумом информации и минимумом затрат ресурсов является план эксперимента. Средством достижения приемлемого компромисса между максимумом информации и минимумом затрат ресурсов является план эксперимента. Весь комплекс действий по планированию эксперимента разделяют на две самостоятельные функциональные части: стратегическое планирование; тактическое планирование. Стратегическое планирование - разработка условий проведения эксперимента, определение режимов, обеспечивающих наибольшую информативность эксперимента. Тактическое планирование обеспечивает достижение заданных точности и достоверности результатов.

2. Элементы стратегического планирования экспериментов. Формирование стратегического плана выполняется в так называемом факторном пространстве.  Факторное пространство - это множество внешних и внутренних параметров, значения которых исследователь может контролировать в ходе подготовки и проведения эксперимента. Объектами стратегического планирования являются: выходные переменные (отклики, реакции, экзогенные переменные); входные переменные (факторы, эндогенные переменные); уровни факторов.

Математические методы планирования экспериментов основаны на так называемом кибернетическом представлении процесса проведения эксперимента Математические методы планирования экспериментов основаны на так называемом кибернетическом представлении процесса проведения эксперимента Рисунок 2.1 -  Кибернетическое представление эксперимента

На рисунке 2.1: На рисунке 2.1:

Проблемы, решаемые при стратегическом планировании 1) выбор отклика (реакции), то есть определение, какие величины нужно измерять во время эксперимента, чтобы получить искомые ответы. 2) выбор (определение) существенных факторов и их сочетаний, влияющих на работу моделируемого объекта. В теории систем приводится так называемый принцип Парето: 20% факторов определяют 80% свойств системы; 80% факторов определяют 20% свойств системы. Следовательно, надо уметь выделять существенные факторы. А это достигается достаточно глубоким изучением моделируемого объекта и протекающих в нем процессов.

3) выбор значений каждого фактора, называемых уровнями фактора. 3) выбор значений каждого фактора, называемых уровнями фактора. Анализ данных эксперимента существенно упрощается, если назначить уровни факторов, равноотстоящие друг от друга. Такой план называется ортогональным. Ортогональность плана обычно достигают так: две крайние точки области изменения фактора выбирают как два уровня, а остальные уровни располагают так, чтобы они делили полученный отрезок на две части. Эксперимент, в котором реализуются все сочетания уровней всех факторов, называется полным факторным экспериментом (ПФЭ).

Число измерений откликов (реакций) модели  Nc при ПФЭ равно Число измерений откликов (реакций) модели  Nc при ПФЭ равно Nc=q1∙q2∙…∙qk, где qi - число уровней  i -го фактора, k - число факторов эксперимента. Величина Nc  определяет структуру стратегического плана, то есть количество наблюдений (информационных точек). При компьютерной реализации ПФЭ в каждом наблюдении (информационной точке) нужно выполнить определенное число прогонов (реализаций) модели, чтобы обеспечить заданную точность и достоверность значений откликов. Определение числа прогонов модели является предметом тактического планирования. Обозначим число прогонов в каждом наблюдении р. Тогда для симметричного ПФЭ общее число N  необходимых прогонов модели равно: N=p∙qk

Пример Планируется провести компьютерный эксперимент, в котором на отклик модели влияют три фактора. Для каждого фактора установлены три уровня. Требования по точности и достоверности провести 6000 прогонов модели на каждом уровне (для каждого наблюдения). Время одного прогона модели равно 2 с. Оценить затраты времени на проведение компьютерного эксперимента. Исходные данные: число факторов k=5; число уровней q=2; количество наблюдений р=6000; время одного прогона tp=1/30мин. Решение. Число прогонов: Затраты времени (ч.):

3. Элементы тактического планирования. Основной задачей тактического планирования является обеспечение результатам компьютерного эксперимента заданных точности и достоверности. Рассмотрим случай, когда имитационная модель строилась для определения характеристик некоторых случайных величин. Характеристику случайной величины будем обозначать греческой буквой Θ («фита»). С помощью имитационного моделирования точное значение  Θ определить нельзя, так как число N реализаций модели конечно. При конечном числе реализаций модели определяется приближенное значение характеристики. Обозначим это приближение   Приближенное значение   называют оценка соответствующей характеристики: оценкой матожидания, оценкой дисперсии, оценкой коэффициента корреляции.

Точностью характеристики   называют величину   в отношении Точностью характеристики   называют величину   в отношении где -  матожидание случайной величины. Величина ε представляет собой абсолютное значение ошибки в определении значения искомой характеристики. Достоверность оценки характеристики называют вероятность α того, что заданная точность достигается:

Достоверность характеризует повторяемость, устойчивость эксперимента и трактуется так: Достоверность характеризует повторяемость, устойчивость эксперимента и трактуется так: если для оценки М(Θ) использовать величину то в среднем на каждые 1000 применений этого правила в 1000∙α случаев величина будет отличаться от М(Θ) на величину меньше В ряде случаев целесообразно пользоваться понятием относительной точности В этом случае достоверность оценки имеет вид:

4. Точность и количество реализаций модели при определении средних значений параметров. Найдем функциональную связь точности е и достоверности а с количеством реализаций модели, когда в качестве показателей эффективности выступают матожидание и дисперсия некоторой случайной величины (времени, расстояния и т. п.). Найдем искомую связь для случая, когда целью эксперимента является определение оценки матожидания некоторой случайной величины. В N прогонах модели получены независимые значения интересующего нас показателя эффективности: В качестве оценки матожидания возьмем выборочное среднее (среднее арифметическое):

Согласно центральной предельной теореме, если значения ai независимы и имеют конечные дисперсии одного порядка, то при большом числе слагаемых N случайная величина имеет практически нормальное распределение с матожиданием и дисперсией соответственно: Согласно центральной предельной теореме, если значения ai независимы и имеют конечные дисперсии одного порядка, то при большом числе слагаемых N случайная величина имеет практически нормальное распределение с матожиданием и дисперсией соответственно: где -  дисперсия искомой случайной величины а. Следовательно, справедливо где - интеграл вероятности.

Для определения интеграла вероятности вводят понятие интеграл Лапласа Ф(ta): Для определения интеграла вероятности вводят понятие интеграл Лапласа Ф(ta): Таким образом Интеграл Лапласа табулирован, следовательно, задаваясь значением достоверности a, определяется аргумент ta. Итак, искомая связь между точностью ε, достоверностью и числом реализаций модели получена:

Из полученного выражения следует: Из полученного выражения следует: увеличение точности на порядок (уменьшение ошибки на порядок) потребует увеличения числа реализаций на два порядка; число необходимых реализаций N модели  не зависит от величины искомого параметра a,  а зависит от дисперсии. Достоверность результата a указана значением аргумента функции Лапласа ta . Связь значения ta с a находится из таблицы значений функции (интеграла) Лапласа. Наиболее употребительные соответствия ta и a  приведены в таблице. Таблица - Фрагмент таблицы функции (интеграла) Лапласа

Рассмотрим задачу определения оценки дисперсии  S2 случайной величины  a  также с заданными точностью и достоверностью. Рассмотрим задачу определения оценки дисперсии  S2 случайной величины  a  также с заданными точностью и достоверностью. Приведем окончательный вид формул для расчета: где  μ4  - эмпирический центральный момент четвертого порядка:

Если определяемая случайная величина имеет нормальное распределение, то Если определяемая случайная величина имеет нормальное распределение, то и выражения для N и ε принимают вид при малых значениях N  (N<120) следует использовать параметр распределения Стьюдента t*a.

Пример. Пример. В результате предварительных прогонов модели  N=1000 определена оценка дисперсии  S2=10 ед2. Определить число реализаций модели  N1(обычное распределение СВ) и N2(нормальное распределение СВ)  для определения оценок матожидания и дисперсии случайной величины a соответственно с точностью ε=0,1  и достоверностью  0,9. Решение.

5. Точность и количество реализаций модели при определении вероятностей исходов Рассмотрим случай, когда в качестве показателя эффективности выступает вероятность свершения (или не свершения) какого-либо события, например, поражения цели, выхода из строя техники, завершения комплекса работ в заданное время и др. В качестве оценки вероятности Р  события   выступает частота его свершения: где   m - число реализаций модели; N  - число свершений данного события.

Использование частоты   в качестве оценки искомой вероятности   основано на теореме Я. Бернулли, которую в данном случае можно в формализованном виде записать так: Использование частоты   в качестве оценки искомой вероятности   основано на теореме Я. Бернулли, которую в данном случае можно в формализованном виде записать так: Точность и достоверность этой оценки связаны уже с известным определением достоверности: Задача сводится к нахождению такого количества реализаций N, чтобы оценка    отличалась от искомого значения P  менее, чем на  ε  с заданной достоверностью. Здесь, как и ранее, ε - абсолютное значение, характеризующее точность оценки.

Для нахождения функциональной связи между точностью, достоверностью и числом реализаций модели введем переменную xi - результат исхода i-й реализации модели: Для нахождения функциональной связи между точностью, достоверностью и числом реализаций модели введем переменную xi - результат исхода i-й реализации модели: Тогда частота свершения события (оценка искомой вероятности) будет определяться следующим выражением:

Величина   случайная и дискретная. Она при таком задании xi  имеет биномиальное распределение (распределение Бернулли) с характеристиками: Величина   случайная и дискретная. Она при таком задании xi  имеет биномиальное распределение (распределение Бернулли) с характеристиками: матожидание: дисперсия: Из этого следует

В теории вероятностей есть теорема Лапласа (частный случай центральной предельной теоремы), сущность которой состоит в том, что при больших значениях числа реализаций N биномиальное распределение достаточно хорошо согласуется с нормальным распределением. Следовательно, можно записать: В теории вероятностей есть теорема Лапласа (частный случай центральной предельной теоремы), сущность которой состоит в том, что при больших значениях числа реализаций N биномиальное распределение достаточно хорошо согласуется с нормальным распределением. Следовательно, можно записать: Получим искомые формулы:

Если априорные сведения хотя бы о порядке искомой вероятности P неизвестны, то использование значения абсолютной ошибки ε может не иметь смысла. Например, может быть так, что исследователь задал значение абсолютной ошибки ε=1, а искомое значение вероятности оказалось P=0,01. Очевидно, явное несоответствие. Поэтому целесообразно оперировать относительной погрешностью Если априорные сведения хотя бы о порядке искомой вероятности P неизвестны, то использование значения абсолютной ошибки ε может не иметь смысла. Например, может быть так, что исследователь задал значение абсолютной ошибки ε=1, а искомое значение вероятности оказалось P=0,01. Очевидно, явное несоответствие. Поэтому целесообразно оперировать относительной погрешностью В этом случае: Из формул следует, что при определении оценок малых вероятностей с приемлемо высокой точностью необходимо выполнить очень большое число реализаций модели. При отсутствии высокопроизводительного компьютера применение статистического моделирования становится проблематичным.

Пример. Вероятность наступления события Р=0,1.Определить число реализаций модели и затраты машинного времени для оценки данной вероятности с относительной точностью d=0,01 и достоверностью a=0,9. На выполнение одной реализации модели требуется 5 сек. Решение. Количество реализаций модели