ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

из "Имитационное моделирование экономических процессов "

Имитационное моделирование реализуется посредством набора математических инструментальных средств, специальных компьютерных программ и приемов, позволяющих с помощью компьютера провести целенаправленное моделирование в режиме имитации структуры и функций сложного процесса и оптимизацию некоторых его параметров. Набор программных средств и приемок моделирования определяет специфику системы моделирования - специального программного обеспечения. [c.15]
В отличие от других видов и способов математического моделирования с применением ЭВМ имитационное моделирование имеет свою специфику запуск в компьютере взаимодействующих вычислительных процессов, которые являются по своим временным параметрам - с точностью до масштабов времени и пространства - аналогами исследуемых процессов. [c.15]
Имитационное моделирование как особая информационная технология состоит из следующих основных этапов. [c.15]
Структурный анализ особенно эффективен при моделировании экономических процессов, где (в отличие от технических) многие составляющие подпроцессы не имеют физической основы и протекают виртуально, поскольку оперируют с информацией, деньгами и логикой (законами) их обработки. [c.16]
Режим интерпретации проще в реализации. Специальная универсальная программа-интерпретатор на основании формализованного описания модели запускает все имитирующие подпрограммы. Данный режим не приводит к получению отдельной моделирующей программы, которую можно было бы передать или продать заказчику (продавать пришлось бы и модель, и систему моделирования, что не всегда возможно). [c.16]
Режим компиляции сложнее реализуется при создании моделирующей системы. Однако это не усложняет процесс разработки модели. В результате можно получить отдельную моделирующую программу, которая работает независимо от системы моделирования в виде отдельного программного продукта. [c.17]
Верификация (калибровка) параметров модели выполняется в соответствии с легендой, на основании которой построена модель, с помощью специально выбранных тестовых примеров. [c.17]
Концепция имитационного моделирования требует предварительного знакомства читателя с методом Монте-Карло, с методологией проведения проверок статистических гипотез, с устройством программных датчиков случайных (псевдослучайных) величин и с особенностями законов распределения случайных величин при моделировании экономических процессов, которые не рассматриваются в типовых программах дисциплины Теория вероятностей . [c.17]
Кроме того, необходимо рассмотреть специальные стохастические сетевые модели, которые дают представление о временных диаграммах специальных имитационных процессов при выполнении программной модели. [c.17]
Поэтому многим специалистам термин метод Монте-Карло иногда представляется синонимом термина имитационное моделирование , что в общем случае неверно. Имитационное моделирование - это более широкое понятие, и метод Монте-Карло является важным, но далеко не единственным методическим компонентом имитационного моделирования. [c.18]
Согласно методу Монте-Карло проектировщик может моделировать работу тысячи сложных систем, управляющих тысячами разновидностей подобных процессов, и исследовать поведение всей группы, обрабатывая статистические данные. Другой способ применения этого метода заключается в том, чтобы моделировать поведение системы управления на очень большом промежутке модельного времени (несколько лет), причем астрономическое время выполнения моделирующей программы на компьютере может составить доли секунды. Рассмотрим метод Монте-Карло подробнее. [c.18]
В качестве соответствующих им переменных могут использоваться число, совокупность чисел, вектор или функция. Одной из разновидностей метода Монте-Карло при численном решении задач,-включающих случайные переменные, является метод статистических испытаний, который заключается в моделировании случайных событий. [c.18]
Метод Монте-Карло основан на статистических испытаниях и по природе своей является экстремальным, может применяться для решения полностью детерминированных задач, таких, как обращение матриц, решение дифференциальных уравнений в частных производных, отыскание экстремумов и численное интегрирование. При вычислениях методом Монте-Карло статистические результаты получаются путем повторяющихся испытаний. Вероятность того, что эти результаты отличаются от истинных не более чем на заданную величину, есть функция количества испытаний. [c.19]
В основе вычислений по методу Монте-Карло лежит случайный выбор чисел из заданного вероятностного распределения. При практических вычислениях эти числа берут из таблиц или получают путем некоторых операций, результатами которых являются псевдослучайные числа с теми же свойствами, что и числа, получаемые путем случайной выборки. Имеется большое число вычислительных алгоритмов, которые позволяют получить длинные последовательности псевдослучайных чисел. [c.19]
Один из наиболее простых и эффективных вычислительных методов получения последовательности равномерно распределенных случайных чисел г, с помощью, например, калькулятора или любого другого устройства, работающего в десятичной системе счисления, включает только одну операцию умножения. [c.19]
Критерий х2 предпочтителен, если объемы выборок N, в отношении которых проводится анализ, велики. Это мощное средство, если N 100 значений. Однако при анализе экономических ситуаций иногда бывает довольно трудно (или невозможно) найти 100 одинаковых процессов, развивающихся с различными исходными данными. Сложность заключается не только в том, что не бывает одинаковых объектов экономики даже если такие объекты имеются, то к исходным данным относятся не только исходные вероятностные данные и особенности структуры объекта, но и сценарий развития процессов в этом объекте и в тех объектах внешней среды, с которыми он взаимодействует (процессы рынка, указы правительства, принятие новых законов, требования налоговых органов, платежи в бюджеты различных уровней). При относительно малых объемах выборок этот критерий вообще неприменим. [c.20]
Поэтому будем полагать, что реальные объемы выборок, которые можно получить, находятся в пределах 10 ZN 100. Как указывают многие исследователи, для указанных пределов хорошие результаты дает критерий Колмогорова-Смирнова. Он применяется в тех случаях, когда проверяемое распределение непрерывно и известны среднее значение и дисперсия проверяемой совокупности. Рассмотрим подробнее методику использования этого критерия на конкретном примере. [c.20]
Пример 1.1. Предположим, что нужно проверить данные, полученные (или наблюдаемые) при использовании метода Монте-Карло и приведенные в табл. 1.1, на их соответствие распределению Пуассона. [c.21]

Вернуться к основной статье