<<
>>

3.2.1. Методологические основы применения метода имитационного моделирования

Выше было дано формальное определение имитацион­ной модели с точки зрения свойств двух ее важнейших опе­раторов: оператора моделирования исхода и оператора оце­нивания показателя эффективности.
Приведем классичес­кое вербальное определение имитационного моделирования и проведем его краткий анализ.

По Р. Шеннону (Robert Е. Shannon — профессор универ­ситета в Хантсвилле, штат Алабама, США) "имитационное моделирование — есть процесс конструирования на ЭВМ мо­дели сложной реальной системы, функционирующей во вре­мени, и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить различные стратегии, обеспечивающие функционирование данной сис­темы" [6].

Выделим в этом определении ряд важнейших обстоя­тельств, учитывая особенности применения метода для ис­следования экономических информационных систем (ЭИС).

Во-первых, имитационное моделирование предполагает два этапа: конструирование модели на ЭВМ и проведение экспериментов с этой моделью. Каждый из этих этапов пре­дусматривает использование собственных методов.

Так, на первом этапе весьма важно грамотно провести информаци­онное обследование, разработку всех видов документации и их реализацию. Второй этап должен предполагать использо­вание методов планирования эксперимента с учетом особен­ностей машинной имитации.

Во-вторых, в полном соответствии с системными прин­ципами четко выделены две возможные цели имитационных экспериментов:

♦ либо понять поведение исследуемой системы (о кото­рой по каким-либо причинам было "мало" информа­ции) — потребность в этом часто возникает, напри­мер, при создании принципиально новых образцов про­дукции;

♦ либо оценить возможные стратегии управления сис­темой, что также очень характерно для решения ши­рокого круга экономико-прикладных задач.

В-третьих, с помощью имитационного моделирования исследуют сложные системы. Понятие "сложность" являет­ся субъективным и по сути выражает отношение исследова­теля к объекту моделирования. Укажем пять признаков "слож­ности" системы, по которым можно судить о ее принад­лежности к такому классу систем:

♦ наличие большого количества взаимосвязанных и вза­имодействующих элементов;

♦ сложность функции (функций), выполняемой системой;

♦ возможность разбиения системы на подсистемы (де­композиции);

♦ наличие управления (часто имеющего иерархическую структуру), разветвленной информационной сети и ин­тенсивных потоков информации;

♦ наличие взаимодействия с внешней средой и функцио­нирование в условиях воздействия случайных (неопре­деленных) факторов.

Очевидно, что некоторые приведенные признаки сами предполагают субъективные суждения. Вместе с тем стано­вится понятным, почему значительное число ЭИС относят к сложным системам и, следовательно, применяют метод ими­тационного моделирования. Отметим, что последний признак определяет потребность развития методов учета случайных факторов (см. подразд. 3.3), т. е. проведения так называемой стохастической имитации.

В-четвертых, методом имитационного моделирования ис­следуют системы, функционирующие во времени, что опре­деляет необходимость создания и использования специальных методов (механизмов) управления системным временем.

Наконец, в-пятых, в определении прямо указывается на необходимость использования ЭВМ для реализации имита­ционных моделей, т. е. проведения машинного эксперимента (машинной имитации), причем в подавляющем большинстве случаев применяются цифровые машины.

Даже столь краткий анализ позволяет сформулировать вывод о целесообразности (а следовательно, и необходимос­ти) использования метода имитационного моделирования для исследования сложных человекомашинных (эргатических) систем экономического назначения. Особо выделим наиболее характерные обстоятельства применения имитационных мо­делей [60]:

♦ если идет процесс познания объекта моделирования;

♦ если аналитические методы исследования имеются, но составляющие их математические процедуры очень сложны и трудоемки;

♦ если необходимо осуществить наблюдение за поведе­нием компонент системы в течение определенного времени;

♦ если необходимо контролировать протекание процес­сов в системе путем замедления или ускорения явле­ний в ходе имитации;

♦ если особое значение имеет последовательность собы­тий в проектируемых системах и модель использу­ется для предсказания так называемых "узких" мест;

♦ при подготовке специалистов для приобретения необ­ходимых навыков в эксплуатации новой техники;

♦ и, конечно, если имитационное моделирование оказы­вается единственным способом исследований из-за не­возможности проведения реальных экспериментов.

До настоящего момента особое внимание в толковании термина "имитационное моделирование системы" было уде­лено первому слову. Однако не следует упускать из вида, что создание любой (в том числе и имитационной) модели предполагает, что она будет отражать лишь наиболее суще­ственные с точки зрения конкретной решаемой задачи свой­ства объекта-оригинала.

Английский аналог этого термина — systems simulation — при дословном переводе непосредственно указывает на необ­ходимость воспроизводства (симуляции) лишь основных черт реального явления (ср. с термином "симуляция симптомов болезни" из медицинской практики). Важно отметить еще один аспект: создание любой (в том числе и имитационной модели) есть процесс творческий (не случайно Р. Шеннон назвал свою книгу "Имитационное моделирование систем — искусство и наука"), и, вообще говоря, каждый автор имеет право на собственную версию модели реальной системы. Однако за достаточно длительное время применения метода накоплены определенный опыт и признанные разумными рекомендации, которыми целесообразно руководствоваться при организации имитационных экспериментов.

Укажем ряд основных достоинств и недостатков мето­да имитационного моделирования [6, 60].

Основные достоинства:

♦ имитационная модель позволяет, в принципе, описать моделируемый процесс с большей адекватностью, чем другие;

♦ имитационная модель обладает известной гибкостью варьирования структуры, алгоритмов и параметров системы;

♦ применение ЭВМ существенно сокращает продолжи­тельность испытаний по сравнению с натурным экс­периментом (если он возможен), а также их стоимость.

Основные недостатки:

♦ решение, полученное на имитационной модели, всегда носит частный характер, так как оно соответствует фиксированным элементам структуры, алгоритмам по­ведения и значениям параметров системы;

♦ большие трудозатраты на создание модели и прове­дение экспериментов, а также обработку их результа­тов;

♦ если использование системы предполагает участие людей при проведении машинного эксперимента, на ре­зультаты может оказать влияние так называемых ха- уторнский эффект (заключающийся в том, что люди, зная (чувствуя), что за ними наблюдают, могут изме­нить свое обычное поведение).

Итак, само использование термина "имитационное мо­делирование" предполагает работу с такими математически­ми моделями, с помощью которых результат исследуемой операции нельзя заранее вычислить или предсказать, поэтому необходим эксперимент (имитация) на модели при задан­ных исходных данных.

В свою очередь, сущность машинной имитации заключается в реализации численного метода про­ведения на ЭВМ экспериментов с математическими моде­лями, описывающими поведение сложной системы в течение заданного или формируемого периода времени [5].

Каждая имитационная модель представляет собой ком­бинацию шести основных составляющих [5, 53]:

♦ компонентов;

♦ переменных;

♦ параметров;

♦ функциональных зависимостей;

♦ ограничений;

♦ целевых функций.

Под компонентами понимают составные части, кото­рые при соответствующем объединении образуют систему. Компоненты называют также элементами системы или ее подсистемами. Например, в модели рынка ценных бумаг ком­понентами могут выступать отделы коммерческого банка (кре­дитный, операционный и т. д.), ценные бумаги и их виды, доходы, котировка и т. п.

Параметры — это величины, которые исследователь (пользователь модели) может выбирать произвольно, т. е. управлять ими.

В отличие от них переменные могут принимать только значения, определяемые видом данной функции. Так, в вы­ражении для плотности вероятности нормально распределен­ной случайной величины X

1

■е

где х — переменная;

тх, ох — параметры (математическое ожидание и стан­дартное отклонение соответственно); п, е — константы.

Различают экзогенные (являющиеся для модели входны­ми и порождаемые вне системы) и эндогенные (возникаю­щие в системе в результате воздействия внутренних при­чин) переменные. Эндогенные переменные иногда называют переменными состояния.

Функциональные зависимости описывают поведение па­раметров и переменных в пределах компонента или же вы­ражают соотношения между компонентами системы. Эти соотношения могут быть либо детерминированными, либо стохастическими.

Ограничения — устанавливаемые пределы изменения значений переменных или ограничивающие условия их изме­нения. Они могут вводиться разработчиком (и тогда их назы­вают искусственными) или определяться самой системой вследствие присущих ей свойств (так называемые естествен­ные ограничения).

Целевая функция предназначена для измерения степени достижения системой желаемой (требуемой) цели и вынесе­ния оценочного суждения по результатам моделирования. Эту функцию также называют функцией критерия. По сути, весь машинный эксперимент с имитационной моделью заключает­ся в поиске таких стратегий управления системой, которые удовлетворяли бы одной из трех концепций ее рационально­го поведения: оптимизации, пригодности или адаптивиза- ции [26]. Если показатель эффективности системы является скалярным, проблем с формированием критерия не возника­ет и, как правило, решается оптимизационная задача — по­

иска стратегии, соответствующей максимуму или минимуму показателя. Сложнее дело обстоит, если приходится исполь­зовать векторный показатель. В этом случае для вынесения оценочного суждения используются методы принятия реше­ний по векторному показателю в условиях определенности (когда в модели учитываются только детерминированные факторы) или неопределенности (в противном случае).

При реализации имитационной модели, как правило, рас­сматриваются не все реально осуществляемые функциональ­ные действия (ФД) системы, а только те из них, которые являются наиболее существенными для исследуемой опера­ции. Кроме того, реальные ФД аппроксимируются упрощен­ными действиями ФД' причем степень этих упрощений оп­ределяется уровнем детализации учитываемых в модели фак­торов. Названные обстоятельства порождают ошибки имита­ции процесса функционирования реальной системы, что, в свою очередь, обусловливает адекватность модели объекту- оригиналу и достоверность получаемых в ходе моделирова­ния результатов.

На рис. 3.2.1 схематично представлен пример выполне­ния некоторых ФД в в г-м компоненте реальной системы и ФД' в г-м компоненте ее модели.

выполняются ФД,-,, ФД,2, ФД,3,
за времена т,-, г,.
Рис. 3.2.1. Схема моделирования функциональных действий в г-м компоненте системы
V
со-

В г-м компоненте реальной системы последовательно

ответственно. На рисунке эти действия условно изображены пунктирными ("непрямыми") стрелками. В результате ФД наступают соответствующие события: В модели

последовательность имитации иная: выполняется ФД'^ при неизменном времени, наступает модельное событие а, после чего время сдвигается на величину ^.инициируя наступле­ние события С^ и т. д. Иными словами, модельной реализации упрощенных ФД (ФД') соответствует ломаная (0, а, С,, Ь, С,2,С,С,3,...). Отметим, что в принципе возможен и другой по­рядок моделирования: сначала сдвигать время, а затем ини­циировать наступление соответствующего события.

Очевидно, что в реальной системе в различных ее ком­понентах могут одновременно (параллельно) производиться функциональные действия и, соответственно, наступать со­бытия. В большинстве же современных ЭВМ в каждый из моментов времени можно отрабатывать лишь один алгоритм какого-либо ФД. Возникает вопрос: каким образом учесть па­раллельность протекания процессов в реальной системе без потери существенной информации о ней?

Для обеспечения имитации наступления параллельных событий в реальной системе вводят специальную глобаль­ную переменную которую называют модельным (систем­ным) временем. Именно с помощью этой переменной органи­зуется синхронизация наступления всех событий в модели ЭИС и выполнение алгоритмов функционирования ее компо­нент. Принцип такой организации моделирования называ­ется принципом квазипараллелизма [5].

Таким образом, при реализации имитационных моделей используют три представления времени:

♦ 1; — реальное время системы;

♦ 1;0— модельное (системное) время;

♦ 1;м — машинное время имитации.

<< | >>
Источник: Балдин К. В., Уткин В. Б.. Информационные системы в экономике: Учебник. — 5-е изд. — М.: Издательско-торго- вая корпорация «Дашков и К0», — 395 с.. 2008

Еще по теме 3.2.1. Методологические основы применения метода имитационного моделирования:

  1. 3.4. Основы организации имитационного моделирования
  2. 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОЕКТИРОВАНИЯ И ПРИМЕНЕНИЯ ИНФОРМАЦИОННЫХ СИСТЕМ В ЭКОНОМИКЕ
  3. Имитационное моделирование.
  4. 4.2. Основные этапы имитационного моделирования
  5. Особенности имитационного моделирования.
  6. 3.4.1. Этапы имитационного моделирования
  7. Имитационное моделирование Монте-Карло
  8. 33. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
  9. 4.6. Имитационное моделирование в системе АШ8
  10. 2.3.3. Имитационное моделирование инвестиционных решений
  11. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ КАК СПОСОБ РЕШЕНИЯ ЗАДАЧИ
  12. 1.2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ МАРКЕТИНГОВОГО ИССЛЕДОВАНИЯ1.2..1. Основные методы маркетингового исследования
  13. Раздел 4Совершенствование принятия решений на базе имитационного моделирования
  14. 16.4.2. Методологические основы анализа сущности банка
  15. Методологические основы науки о религии
  16. 20.1. Методологические основы политического конфликта
  17. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРИНЯТИЯ ФИНАНСОВЫХ РЕШЕНИЙ
  18. PR-управление коммуникацией вконфликте (методологические основы)
  19. Глава 1. Методологические основы прикладной социологии
  20. Глава 31. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ЭКОНОМИЧЕСКОЙ ТЕОРИИ 7.