Целью рассмотрения модели поисково-детальных геофизических работ является получение вероятностных характеристик потока обнаруживаемых структур в зависимости от объема прилагаемых поисковых усилий и характеристик "природы". При этом выходной поток описывается с помощью производящего функционала (ПФЛ), который в компактной форме определяет не только вероятностные характеристики моментов обнаружения структур, но и вероятностные характеристики параметров, соответствующих открытым структурам. Математический аппарат ПФЛ широко применяется в ряде разделов статистической физики. Для моделирования поисково—разведочных работ он является весьма эффективным и удобным. [c.78]
Очевидно, что существует класс экономических задач Q, в которых присутствуют вероятностные и неопределенные факторы всех типов (квадрант 1 -2-3-4), каждый из которых оказывает весьма существенное влияние на решение исходной задачи. Этот тип задач наиболее трудно формализовать, гак как необходимо не только избавиться от всех неопределенных параметров таким образом, чтобы не исказить суть исходной задачи, но и провести большой объем вычислений. Поэтому, мы считаем, что в таких ситуациях целесообразно использовать метод имитационного моделирования, поскольку имитационные модели позволяют анализировать задачи в условиях большой размерности и неполноты априорной информации, они отличаются доступностью методологии, а использование ЭВМ позволяет достаточно быстро и эффективно обрабатывать полученные результаты. [c.49]
Для определения пропускной способности ПС в постановке задачи учитывались объективные свойства производственных систем динамика, стохастика и неопределенность. В нашем подходе предусматривается сочетание пространственной и временной организации ПС. Решение поставленной задачи с помощью динамического (имитационного) моделирования, где в модели системы задается вероятностная логика функционирования ПС, законы распределения надежности отдельных элементов (основанные на статистической информации фактической надежности), наработки на отказ, время простоя по причине отказа, имитируется процесс эксплуатации, - позволило сделать следующие выводы. [c.191]
I. Случайные факторы с заданным законом распределения (т. е. известно вероятностное распределение F (у) факторов у). Такие факторы обычно встречаются при исследовании массовых, повторяющихся явлений. Одним из наиболее характерных объектов, при моделировании которого используются случайные факторы, является телефонная станция мы не можем предсказать заранее количество вызовов в какой-либо конкретный момент времени, однако вероятностное распределение количества вызовов в единицу времени можно оценить путем регистрации количе- [c.196]
Как правило, моделирование сложных систем сталкивается с большой размерностью задачи, значительным числом внутренних взаимосвязей, различными вероятностными характеристиками. [c.153]
Для оценки параметров функции широко используют такие методы, как метод наименьших квадратов и его модификации, метод экспоненциального сглаживания, метод вероятностного моделирования и метод адаптивного сглаживания. [c.22]
С развитием рыночной экономики - увеличением числа хозяйственных единиц, их типов, развитием аудита, финансового менеджмента, статистического прогнозирования и моделирования - задачи отечественной статистики значительно расширились. В практику государственной статистики России внедряются методики, принятые в международной статистике. В учебнике рассмотрены основные процедуры сбора, обработки и анализа массовых данных возможности их реализации на персональных компьютерах. Особое внимание уделяется обоснованию вероятностного характера статистического вывода, выборочному методу, проверке статистических гипотез. [c.4]
В этом процессе можно задействовать различные приемы моделирования. Однако в этой главе мы остановимся на базовых подходах, использующих эмпирические и вероятностные данные. При этом применяются случайные числа, о чем мы и поговорим в следующем разделе. [c.311]
Некоторые крупные корпорации ( Дженерал моторе , Ай-Би-Эм и др.) создали собственные экономические модели, которые дают прогноз по более чем 100 экономическим факторам на два года вперед путем решения 250 математических уравнений. Одновременно с моделированием широкое развитие получило технологическое прогнозирование, т.е. вероятностная оценка на относительно высоком уровне достоверности будущего изменения технологии. Технологическое прогнозирование может быть двух видов изыскательское и нормативное. [c.545]
Как и в предыдущей задаче о кратности запасов газа, основной способ решения здесь — моделирование на основе адаптивных характеристик плана. Естественно, при этом должны учитываться результаты по уже полученным системам моделей, характеризующим газодобывающий район, газотранспортную систему, ЕГС и вероятностные свойства запасов газа. [c.61]
Поскольку динамические модели используются в отдельных областях производственно-коммерческой деятельности, они и разрабатывались в основном для облегчения принятия специфических решений. В то же время динамическое программирование и процессы Маркова представляют собой универсальные инструменты моделирования, которые могут использоваться для решения любых задач динамического характера и не ограничиваются конкретными областями. Динамическое программирование — это метод решения задач путем последовательного принятия взаимосвязанных решений. Метод заключается в делении задачи на несколько составляющих ее подзадач и решении каждой из них таким образом, чтобы получить оптимальный общий результат. Процессы Маркова разработаны для принятия решений в ситуациях, при которых можно описать несколько классов или состояний, причем в каждый определенный момент времени система находится только в одном из этих состояний, а переход от одного состояния к другому носит вероятностный характер. [c.257]
Итак, анализ чувствительности и сценарный подход являются последовательными шагами в анализе рисков, при этом последний позволяет избавиться от некоторых недостатков метода анализа чувствительности. Однако метод сценариев наиболее эффективно можно применять, когда количество возможных значений чистой приведенной стоимости конечно. Вместе с тем, как правило, при проведении анализа рисков инвестиционного проекта эксперт сталкивается с неограниченным количеством различных вариантов развития событий. Рассмотрим метод оценки индивидуального риска проекта, помогающий разрешить эту проблему (имитационное моделирование). В основе этого метода лежит вероятностная оценка возникновения различных обстоятельств. [c.235]
Пятая глава посвящена анализу опыта алгоритмизации, разработки соответствующих пакетов программ, внедрения вероятностных и энтропийных моделей. Показана перспективность двух данных направлений в области моделирования и оптимизации нефтеперерабатывающих производств. [c.4]
Множество различных структур, формирующих технологическую сеть НПП и НПК, с учетом геометрии внешних связей и особенностей их моделирования в задачах планирования может быть сведено к основным типам, представленным на рис. 1.2. В каждой из этих структур осуществляется определенная типовая операция, которая в реализации имеет детерминированный или вероятностный характер. [c.7]
Аппроксимация допустимой области производственных возможностей нефтеперерабатывающего завода обеспечивается за счет отражения в модели вариантов режимов технологических установок и вариантов технологических способов смешения конечного продукта. В этой модели нашли более четкое отражение особенности моделирования процессов производственного и товарного блоков и определилась структура системы основных ограничений моделей планирования нефтеперерабатывающих производств, которая сохраняется практически и в моделях с переменными параметрами, а также в некоторых вариантах вероятностных постановок. [c.43]
На уровне отдельных нефтеперерабатывающих предприятий и регионального комплекса разработаны и исследованы модели текущего и календарного планирования. С учетом качественной преемственности, существующей между задачами оптимального планирования в вероятностных условиях и принятием решения в полностью определенных ситуациях, рассмотрены и основные типы детерминированных моделей планирования, в течение длительного времени являвшихся основным средством экономико-математического моделирования нефтеперерабатывающих производств. [c.215]
Самый сложный метод прогнозирования прибыли — анализ рисков. Согласно этому методу при определенных предположениях о рыночных условиях и принятой на планируемый период стратегии маркетинга для каждой из переменных, от которых зависит прибыль, проводятся три оценки — оптимистическая, пессимистическая и наиболее вероятная. Путем компьютерного моделирования рассчитываются возможные результаты и вероятностное распределение нормы прибыли, которое показывает диапазон возможных значений нормы прибыли и их вероятности. [c.402]
Переход к рынку сказывается на методах финансового планирования. Если в отношении ближайшего времени конъюнктура рынка и связанное с ней поведение предприятия могут быть довольно четко просчитаны, то перспективные, долгосрочные процессы - лишь прогнозироваться. Поэтому финансовое планирование сводится, с одной стороны, к точным расчетам финансовых показателей на ближайшее время и их балансовой увязке в соответствующем финансовом документе, а с другой — к прогнозным расчетам, носящим вероятностный и многовариантный характер. Новое содержание финансового планирования требует и другого инструмента - широкого использования экономико-математических методов и моделирования наряду с ранее применявшимися способами расчетов финансовых показателей. [c.86]
Отмеченные методические трудности преодолеваются имитационным моделированием. Последовательно усложняя модель, метод имитационного моделирования позволяет отыскать количественную меру для выражения плохо поддающихся формализации процессов. Реальный производственный процесс имитируется в модели движением п фишек (по числу подпроцессов). Это позволяет достаточно просто учесть вероятностный характер строи- [c.56]
Учитывая, что основой выбора направлений поисково-разведочных работ и определения темпов подготовки и извлечения запасов должна быть экономическая оценка, в качестве главного показателя принят дисконтированный народнохозяйственный чистый доход, получаемый за счет вовлечения нефтегазовых ресурсов в хозяйственный оборот. С этих позиций рассматриваются методы оценки эффективности поисково-разведочных программ на различных стадиях освоения ресурсов как в зрелых районах с развитой нефтегазодобычей, так и в новых перспективных районах с низким уровнем информационной обеспеченности. Для последнего случая подробно описаны методы имитационного моделирования поисково-разведочных работ и вероятностные характеристики перспективных планов. [c.4]
В настоящее время, наряду с аналитическим, широко применяется имитационное моделирование. В литературе метод имитационного моделирования встречается также под названием метода цифрового, машинного, программного, статистического, вероятностного, автоматного или динамического моделирования и метода машинной имитации [6, 7]. [c.83]
Определение точного уровня резервных запасов, необходимых в условиях нестабильности сроков реализации заказов и изменчивого спроса на товары и материалы, — дело нелегкое. Вероятностная природа вышеуказанных колебаний и нестабильности означает, что для нахождения удовлетворительных решений проблем, связанных с резервными товарно-материальными запасами, обычно необходимо соответствующее моделирование или имитация. [c.217]
При детерминированной процедуре результаты моделирования однозначно определяются по данной совокупности входных воздействий, параметров и переменных системы S. В этом случае отсутствуют случайные элементы, влияющие на результаты моделирования. Вероятностная (рандомизированная) процедура применяется в том случае, когда случайные элементы, включая воздействия внешней среды Е, влияют на характеристики процесса функционирования системы S и когда необходимо получить информацию о законах распределения выходных переменных. Процедура определения средних значений используется тогда, когда при моделировании системы интерес представляют средние значения выходных переменных при наличии случайных элементов. [c.102]
Доктор технических наук, профессор, академик межународной академии информатизации, первый заместитель начальника Научно-исследовательского центра Федерального агентства правительственной связи и информации при Президенте Российской Федерации. Им разработаны и внедрены оригинальные информационые технологии подготовки строительного производства, межотраслевого регу-ливания инвестиционных проектов и программ. В круг его научных интересов входят проблемы создания систем управления, информационных механизмов управления объектами, экономико-математического и имитационного моделирования, вероятностной оценки параметров строительного производства, баз знаний экспертных систем для проектирования и управления. [c.610]
В настоящее время в строительстве различают следующие виды сетевых моделей по составу исследуемых параметров — временные, стоимостные и ресурсные, по способу учета указанных параметров — детерминированные и вероятностные (стохастические), по числу конечных результатов — одноцелевые и многоцелевые, по способам моделирования и формализации взаимосвязей процессов — традиционные и обобщенные, по характеру отображения— типа работы-дуги и типа работы-величины , по числу независимых комплексов работ — односетевые и многосетевые. [c.27]
Применение математической статистики и моделирования для анализа производственно-хозяйственной деятельности. В экономике каждый показатель, каждое явление зависит от большого числа факторов, действующих одновременно. Иными словами, экономические явления характеризуются многомерной системой различных факторов. Часто им свойственны такие черты, как случайность и неопределенность, связь между явлениями носит стохастический (вероятностный) характер. В этом случае для изучения тесноты связи и взаимосвязи показателей и факторов применяют методы корреляционного и регрессивного янализа. [c.22]
Естественно, что совершенно точно предсказать, именно конкретные месторождения будут открыты, невозможно. Однако можно оценивать вероятностные характеристики соответствующих случайных реализаций и по ним научно, обоснованно планировать объемы. нических ресурсов, позволяющих с заданной обеспечить выполнение тех или иных заданий по добыче нефти. Реальное решение этой большой проблемы возможно лишь на основе моделирования, позволяющего "проигрывать" различные варианты развития нефтедобывающей отрасли на перспективу. Неотъемлемой частью такого рода систем должен быть блок, позволяющий по затрачиваемых на различных стадиях геологораз— процесса ресурсов генерировать совокупность [c.75]
Реализация традиционных задач хозяйственного анализа, таких, как мобилизация выявленных резервов повышения эффективности производства и усиление его интенсификации, в нынешней экономической ситуации осложняется необходимостью учитывать неопределенность и коммерческие риски, вероятностный характер событий и их оценок, инфляционные процессы, современные характеристики стоимости денежных потоков и т.д. Все это требует совершенствования теории экономического анализа, без чего не представляется возможным усиление его роли в упраате-нии бизнесом. Надо заметить, что среди способов и приемов анализа на первый план выдвигаются математические приемы, в том числе стохастическое моделирование, приемы финансового оценивания, использование оптимизационных моделей и др. [c.9]
Научная эволюция представляет собой вероятностный процесс. Стохастическая модель служит основой ряда попыток компьютерного моделирования процессов научного развития. Было установлено, что закон развития научных сообществ в отдельных областях науки характеризуется медленной начальной фазой, фазой быстрого роста и фазой выхода на насыщение. Возникновение новой области науки может сопровождаться в начальной фазе почти полным отсутствием интереса. Ярким примером замедленного развития в истории науки может служить сама теория хаоса, которой в ее начальной фазе занимались очень немногие ученые (например, Пуанкаре). Хотя математические основы этой теории были совершенно ясны, ее быстрое развитие началось лишь несколько лет назад, когда технология вычислений научилась справляться с нелинейными уравнениями. [c.387]
IFPS поддерживает детерминистское и вероятностное моделирование и позволяет получать выборку, распределенную по различным законам равномерному, нормальному, двумерному нормальному и заданному пользователем закону эмпирического распределения [c.314]
Имитационное моделирование по методу Монте-Карло (Monte- arlo Simulation) позволяет построить математическую модель для проекта с неопределенными значениями параметров, и, зная вероятностные распределения параметров проекта, а также связь между изменениями параметров (корреляцию), получить распределение доходности проекта. Блок-схема, представленная на рис. 7.6, отражает укрупненную схему работы с моделью. [c.242]
В книге рассматриваются различные методы моделирования задач текущего и оперативно-календарного планирования нефтеперерабатывающих производств. Анализируются опыт применения вероятностных моделей планирования в условиях неполной информации, а также проблемы оптимизации слабоструктуризованных процессов принятия плановых решений. [c.3]
В заключение отметим, что опыт составления прогнозных расчетов в отечественной бухгалтерии минимален. Традиционно эту работу в той или иной степени выполняли планово-экономические отделы. Бухгалтеры всегда относились к подобной работе с известной долей скепсиса. Сейчас ситуация меняется, и сотрудникам финансовых служб на предприятиях необходимо делать такие прогнозные расчеты, основанные на вероятностных оценках. Отметим, что в западной учетно-аналитической практике подобные расчеты являются достаточно обыденными, в частности, можно упомянуть о составлении прогнозной финансовой отчетности, используемой для установления величины дополнительных истсчников финансирования. Вне всякого сомнения, сфера приложения элементов имитационного моделирования в отечественной практической бухгалтерии будет расширяться по мере развития рыночной экономики. [c.403]
Оценка реальной работоспособности систем телекоммуникаций невозможна без формализованного описания аппаратуры уплотнения каналов -многоканальных систем связи (МКС). Известная математическая модель МКС не учитывает изменение физических свойств (работоспособности) уплотняющей аппаратуры на протяжении её назначенного ресурса, приводящее в конечном итоге к ошибкам группообразования и ухудшению качества связи. Новый подход к математическому моделированию МКС заключается в получении характеристики преобразования сигналов, содержащей передаточную характеристику мультиплексирующей аппаратуры и вероятностные характеристики входных и выходных сигналов [2]. Предложен матричный способ описания преобразующих и сигнальных компонентов телекоммуникационной системы, рис. 1. Каждая из таких матриц одной из размерностью имеет время t, изменяющееся в общем случае от нуля до бесконечности. Другое измерение матрицы характеризует функциональные характеристики описываемого узла (от 1 до п), сигнала и т.д. В связи с неравноправностью измерений матрицы - компоненты, характеризующие функциональное свойство, по физическому смыслу принципиально не соответствуют компонентам, характеризующим изменение этого свойства со временем, такие матрицы именуются матрицами объектов АСГ. Конкретный вид каждой матрицы объекта АСГ (направления изменения / и й) определяется тем, для описания какого объекта она предназначена, и использующимся действием (Д), рис. 1. Требования к действиям над такими матрицами связаны со спецификой работы МКС и в ряде случаев не позволяют использовать известные матричные операции, вследствие чего введены специальные операции. [c.88]
Подготовка новых запасов является решающим звеном воспроизводственного процесса в добыче нефти и газа. От эффективности и темпов их восполнения, качественной структуры, условий нахождения и территориального распределения в значительной мере зависит эффективность развития нефтегазодобывающей промышленности в целом. Объем научных исследований в этом направлении, резко возросший за последние годы, отражает исключительную важность проблемы. Здесь уже достигнуты определенные результаты, в первую очередь, в области долгосрочного планирования сырьевой базы нефтегазодобывающей отрасли, моделирования поисково-разведочного процесса, геолого-экономической оценки ресурсов и запасов месторождений, анализа качественной структуры запасов нефти и газа и затрат на их освоение. Вместе с тем используемые методы оценки плановых решений как на стадии подготовки запасов, так и при разработке нефтяных и газовых месторождений, еще в недостаточной мере учитывают особенности нефтегазодобывающей отрасли, в первую очередь такие, как ограниченность ресурсной базы для ее развития и исчерпае-мость запасов разрабатываемых месторождений, долговременный и эшелонированный характер инвестиционного процесса. Кроме того, для отрасли в целом характерен сравнительно высокий риск капиталовложений, особенно на стадии поисков месторождений, связанный с вероятностным характером информации, на основе которой принимаются решения. [c.3]
Основной целью программы имитационного моделирования процесса геологоразведочных работ для условий Восточной Сибири является получение вероятностных характеристик прироста запасов нефти и газа в геологически однородной НГО в зависимости от величины суммарных капиталовложений или объемов бурения. [c.209]
При построении модели на первом этапе необходимо идентифицировать типовые блоки работ по реализации нововведения, относящиеся по своему содержанию к различным функциональным сферам деятельности предприятия (НИОКР, маркетинг, товародвижение, логистика), с четкой регламентацией целей и результатов каждого этапа. Далее, необходимо построить различные варианты структурных и функциональных связей и отношений между составными блоками инновационного цикла, адекватные объективным процессам адаптации хозяйствующих субъектов к устойчивому функционированию в рыночной среде. Следующий этап построения модели состоит в углублении информационного представления об объекте исследования и включает в себя определение численных значений параметров и оценку вероятностных характеристик инновационного процесса. Дополнение системного описания инновационного цикла комплексом математических процедур, позволяющих осуществлять имитационное моделирование процесса на ЭВМ, является средством решения ряда математических задач определения наиболее вероятных сроков и затрат, связанных с созданием и выводом на рынок конкретного изделия. [c.195]
К прямым относятся задачи определения эффективности операции, качества выбранного решения и i действия. Класс обратных составляют задачи оптимизации, определения оптимальных альтернат управляемых факторов, при которых критерий эффективности достигает экстремального минимального) значения. В чистом виде указанные классы задач встречаются нечасто, однако пр< имеют обратные задачи. Для решения прямых задач используются математико-статистические метод что исследуемые процессы в существенной мере подвержены воздействию неопределенных, случайнь полезности для ряда задач может быть оценена лишь вероятностно. Поэтому основой для анализа эс теория вероятности и ее модификации - теория массового обслуживания, теория марковских случай надежности, метод Монте-Карло (в частности для моделирования сложных ситуаций на ЭВМ). [c.106]
Стандартные модели и симуляции сценариев экстремальных событий служат многочисленными источниками ошибки, каждая из которых может иметь отрицательное воздействие на действительность предсказаний [232]. Некоторые из вероятностных переменных находятся под контролем в процессе моделирования -они обычно подразумевают балансирование между более полным описанием и реализуемостью вычислений. Другие источники ошибки находятся вне контроля, поскольку они свойственны методологии моделирования в определенных научных дисциплинах. Обе известных стратегии моделирования ограничены в этом отношении аналитические теоретические предсказания находятся вне досягаемости для большинства сложных проблем. Грубая сила числового решения уравнений (когда они известны) или сценариев, дает надежные результаты лишь в "центре распределения", то есть в режиме, далеком от крайностей, где может быть накоплена хорошая статистика. Кризисы - это чрезвычайные события, которые происходят редко, хотя и с экстраординарными последствиями. Таким образом, редкие катасторофические события полностью не имеют статистической выборки и не укладываются в рамки какой-либо модели. Даже появление "терра" суперкомпьютеров качественно не меняет этого фундаментального ограничения. [c.33]
Господствующее финансовое и экономическое моделирование добавляет второй важнейший организующий принцип, заключающийся в рациональности инвесторов и экономических агентов. В противоположность часто цитируемому в популярной прессе и определенных кругах представлению о фондовом рынке как о рынке, подверженном иррациональным стадным чувствам (см. главу 4), значительная часть трейдеров большую часть времени ведет себя рационально, то есть пытается оптимизировать свою стратегию исходя из имеющейся информации. Это можно назвать "ограниченной рациональностью", поскольку имеющаяся в наличии информация бывает неполной, и помимо этого, трейдеры финансового рынка также обладают ограниченными возможностями по правильной оценке даже имеющейся информации. Кроме того, инвесторы не уверены в характере и предпочтениях других инвесторов на рынке. Это значит, что процесс принятия решения по сути своей является "шумным", и, как следствие, неизбежен вероятностный подход при моделировании фондового рынка из-за отсутствия определенности. Ясно, что на нешумном фондовом рынке при наличии всей информации, где присутствуют только полностью рациональные трейдеры безграничных аналитических способностей, уровень торгов был бы достаточно мал, если бы вообще присутствовал. [c.144]