48466

Базовые понятия моделирования

Конспект

Информатика, кибернетика и программирование

Моделирование метод исследования систем на основе переноса изучаемых свойств системы на объекты другой природы. Динамическое программирование Различают: гомоморфные и изоморфные модели. Процесс моделирования – это весь процесс от постановки задачи до внедрения результатов моделирования.

Русский

2013-12-10

355.5 KB

16 чел.

  1.  Базовые понятия моделирования (определение модели, адекватность и точность, процесс моделирования, функции и цели моделирования, моделирование и научный эксперимент).

Модель физического или технического объекта, процесса или системыэто упрощенное их представление в форме отличной от формы их реального существования, сохраняющее с некоторой точностью те их свойства, характеристики и параметры, которые интересуют исследователя.

2. Зачем нужна замена реального объекта моделью? (Копия хуже оригинала)

Экспериментировать с физическим объектом может быть  а) дорого; б) долго; в) неудобно – объект находится в рабочем режиме - невозможно практически проверить все необходимые гипотезы и допущения; г)  опасно.

Моделирование - метод исследования систем на основе переноса изучаемых свойств системы на объекты другой природы.

  •  Перенос – три ключевых фактора:
    •  Отбор существенных факторов и их оценка. Какие свойства? Как их оценить количественно и качественно?
    •  Целостность - Как они связаны внутри? Как они взаимодействуют с внешней средой?
    •  Адаптация - Как они существуют исторически? И т.д.
  •  Вечное балансирование – перед болотами пере усложнения и … пере упрощения (Беллман Р. Динамическое программирование)

Различают:

  •  гомоморфные и
  •  изоморфные модели.

Гомоморфизм отображение части свойств оригинала на модель.

Изоморфизм взаимно однозначное отображение соответствие между оригиналом и моделью в области изучаемых свойств.

Процесс моделирования – это весь процесс от постановки задачи до внедрения результатов моделирования.

Функции моделей

Модель может применяться в качестве:

  •  средства осмысления действительности;
  •  средства общения;
  •  средства обучения и тренировки;
  •  инструмента прогнозирования;
  •  средства постановки экспериментов.

Цель моделирования понять и изучить качественную и количественную природу явления, отразить существенные для исследования черты явления (объекта, системы, процесса) в пригодной для использования в практической деятельности форме.

Моделирование часто сравнивается с альтернативным методом изучения действительности: методом научных экспериментов.

В сравнении с методом научного эксперимента достоинствами метода моделирования являются:

  •  универсальность,
  •  меньшая стоимость (как правило)
  •  меньшая продолжительность во времени (например, для экономических моделей). 

Недостатками являются:

  •  трудности построения адекватной модели и оценки ее точности,
  •  сбор большого количества достоверной информации (в реальной системе они уже есть!!!),
  •  не целостность модели (любой объект это не просто сумма элементов, а система!!!)

  1.  
    Классификация моделей (по способу представления, назначению, степени соответствия объекту). Примеры моделей.

По способу представления объекта моделирования

  •  статические (например, поперечный разрез объекта) и динамические (временные ряды);
  •  детерминистские и стохастические;
  •  дискретные и непрерывные;

По назначению

  •  Исследовательские (предпроектные) модели. Используются для изучения свойств реальных объектов и систем. Как правило, это модели инвариантные к реальному времени.
  •  Модели поддержки функционирования. Модели реального времени (real-time или hardware-in-loop модели) являющиеся составной частью реальной системы (используются либо для управления, либо для отладки). Например, построенные с помощью систем моделирования VisSim или MBTY и работающие в режиме управления реальным объектом, или же аналоговые системы управления. Модели оперативного управления ГАП.

По степени соответствия модели реальному объекту:

  •  Физически состоятельные – (истинные), – опирающиеся на те же физические законы, характеризующие объект моделирования в области их применимости.
  •  Аппроксимации – (ложные), – построенные на основе приближенных или эмпирических формул и гипотез, характеризующих объект (черный ящик – классический пример).
  •  Адекватные по точности – отображающие в области своей применимости с необходимой (заданной) точностью реальный объект.

Примеры: Полномасштабные модели: ЦНИИРТК – робот для снятия спутников с орбиты; Динамическая физическая модель: Опытный завод для изучения нового химического процесса, модель самолета (автомобиля) для испытания в аэродинамической трубе, модель дамбы (ВНИИ гидротехники).

  1.  
    Классификация моделей по способу реализации.

По способу реализации

  1.  Физические модели. Модели, воспринимаемые органами чувств человека (зрение, слух, обоняние)
  2.  Нефизические модели. Модели, воспринимаемые умом, интеллектом человека: концептуальное моделирование (управление проектами), математическое моделирование (ТАУ, управление),  ситуационное моделирование (маркетинг), имитационное моделирование.

Физические модели

Два основных свойства (подхода) к созданию физических моделей: 

1) Способ реализации. Физические модели основаны на использовании эффекта масштаба в случае возможности пропорционального изменения всего комплекса изучаемых свойств. Примеры: манекены в ателье, игрушки, глобус, статические макеты зданий и сооружений в архитектуре при планировке, полномасштабные макеты на военных учениях.

2) Точность – степень соответствия. Физическое моделирование, при котором модель и моделируемый объект а) представляют собой реальные объекты или процессы в) единой или различной физической природы, причем между процессами в объекте-оригинале и в модели в) выполняются некоторые соотношения подобия, вытекающие из схожести физических явлений;

3) Синтез компьютерного и физического моделирования. Виртуальные модели, отображаемые на мониторе в графической и цифровой форме.

Нефизические модели.

1) Математические модели представляют собой систему математических уравнений или неравенств адекватно описывающую изучаемое явление или процесс.

2) Ситуационной моделью называют описание ситуации, в которой предстоит действовать изучаемому объекту, 1) часто не содержащее полной информации и 2) предполагающее включение человека или животного в качестве изучаемого объекта. Пример: деловые игры, тренажеры, ролевые игры, спектакли.

2) Концептуальное моделирование, при котором совокупность уже известных фактов или представлений относительно исследуемого объекта или системы истолковывается с помощью некоторых специальных знаков, символов, операций над ними или с помощью естественного или искусственного языков (не формулы и не алгоритмы).

  1.  
    Структурно-функциональное моделирование (назначение, методология
    SADT, графически язык, IDEF0 - базовые принципы).

1) Методология SADT представляет собой совокупность методов, правил и процедур, предназначенных для построения функциональной модели объекта какой-либо предметной области. Функциональная модель SADT отображает функциональную структуру объекта, т.е. производимые им действия и связи между этими действиями.

Основное назначение функциональной модели, реализуемой с помощью ПО BPWin (IDEF0, SADT):

  •  описания существующих бизнес процессов на предприятии (так называемая модель AS-IS);
    •   и идеального положения вещей - того, к чему нужно стремиться (модель TO-BE)
    •  проектирование информационных систем предприятий (Erwin).  

2) Методология SADT разработана Дугласом Россом более 20 лет назад (Structured Analysis and Design Technique). На ее основе разработана, в частности, известная методология IDEF0 (ICAM Definition), которая является основной частью программы ICAM (Интеграция компьютерных и промышленных технологий), проводимой по инициативе ВВС США.

Книга Дэвида А.Марка и Клемента МакГоуэна "Методология структурного анализа и проектирования SADT", издательство Мета Технология, 1993

3) Графический язык IDEF0 удивительно прост и гармоничен. В его основе лежат два  основных понятия:

  1.  Первым из них является понятие функционального блока (Activity Box). Функциональный блок графически изображается в виде прямоугольника и олицетворяет собой некоторую конкретную функцию в рамках рассматриваемой системы.
    •  Верхняя сторона имеет значение “Управление” (Control); (стрелки сверху, - данные на основании чего выполняется данный процесс - законы, стандарты, приказы и т.д.);
    •  Левая сторона имеет значение “Вход” (Input); (стрелки слева, - данные или объекты, потребляемые или изменяемые процессом);
    •  Правая сторона имеет значение “Выход” (Output); (стрелки справа, - основные результаты деятельности процесса, конечные продукты);
    •  Нижняя сторона имеет значение “Механизм” (Mechanism); (стрелки снизу, означающие, посредством чего или с помощью кого реализуется данный процесс - материальные и/или кадровые ресурсы, необходимые для процесса).
    •  Вызов - специальная стрелка, указывающая на другую модель работы.
  2.  Вторым “китом” методологии IDEF0 является понятие интерфейсной дуги (Arrow). Также интерфейсные дуги часто называют потоками или стрелками. Интерфейсная дуга отображает элемент системы, который обрабатывается функциональным блоком или оказывает иное влияние на функцию, отображенную данным функциональным блоком.

Необходимо отметить, что любой функциональный блок по требованиям стандарта должен иметь, по крайней мере, (какие дуги?) одну управляющую интерфейсную дугу и одну исходящую. Это и понятно – каждый процесс должен происходить по каким-то правилам (отображаемым управляющей дугой) и должен выдавать некоторый результат (выходящая дуга), иначе его рассмотрение не имеет никакого смысла.

4) В IDEF0 реализованы три базовых принципа моделирования процессов:

  •  принцип контекста; 
  •  принцип функциональной декомпозиции;
  •  принцип ограничения сложности.

Принцип контекстной диаграммы. На первом этапе проводится описание системы в целом и ее взаимодействия с окружающим миром (контекстная диаграмма). На этой диаграмме отображается только один блок с интерфейсными дугами, простирающимися за пределы рассматриваемой области - главная бизнес функция моделируемой системы. Такая диаграмма с одним функциональным блоком называется контекстной диаграммой, и обозначается идентификатором “А-0”.

Принцип функциональной декомпозиции представляет собой способ моделирования типовой ситуации, когда любое действие, операция, функция могут быть разбиты (декомпозированы) на более простые действия, операции, функции. Другими словами, сложная бизнес-функция может быть представлена в виде совокупности элементарных функций. При этом уровень детализации процесса определяется непосредственно разработчиком модели.

Принцип ограничения сложности. При работе с IDEF0 диаграммами существенным является условие их разборчивости и удобочитаемости. Суть принципа ограничения сложности состоит в том, что количество блоков на диаграмме должно быть не менее двух и не более шести (кроме первой). Практика показывает, что соблюдение этого принципа приводит к тому, что функциональные процессы, представленные в виде IDEF0 модели, хорошо структурированы, понятны и легко поддаются анализу.

  1.  
    Расширения
    IDEF0 – DFD, IDEF3. Построение модели данных на базе функциональной модели. Инструментальные средства Logic Works и Rational Software, COMOD-технология.

1) Расширение IDEF0. BPWin позволяет переключиться на любой ветви модели на нотацию IDEF3 (Workflow Diagram) или DFD (Data Flow Diagram) и создать смешанную модель. 1) Нотация DFD включает такие понятия как внешняя ссылка и хранилище данных, что делает ее более удобной (по сравнению с IDEF0) для моделирования документооборота.

Диаграммы потоков данных (Data flow diagramming, DFD) используются для описания документооборота и обработки информации. a) Таким образом, данный элемент модели IDEF0 дополнен описанием используемой при его выполнении документации и исходных данных из БД предприятия. b) Наличие в диаграммах DFD элементов для описания источников, приемников и хранилищ данных позволяет более эффективно и наглядно описать процесс документооборота.
2) Методология IDEF3
позволяет описать логику взаимодействия компонентов системы. a) Workflow diagramming, - методология моделирования, использующая графическое описание информационных потоков, взаимоотношений между процессами обработки информации и объектов, являющихся частью этих процессов. Пример: условия движения документов по системе (наличие виз). b) Логика, но не алгоритм функционирования!!!

2) Построение модели данных на базе функциональной модели IDEF0. 1) Построение модели данных предполагает определение сущностей и атрибутов, то есть необходимо определить какая информация будет храниться в конкретной сущности или атрибуте.Пример: сотрудники, сырье, оборудование, транспорт и т.д. Описание аналогично, как это делается при создании БД (первичный ключ, ключи, поля). 2) Пакет ERWin (IDEF1X) позволяет описать все сущности, используемые при описании бизнес процессов в функциональной модели и в дальнейшем a)выполнить экспорт созданной модели данных внутрь функциональной модели IDEF0 b) спроектировать логическую и физическую модель БД (сгенерировать схему БД)

3) Инструментальные средства Logic Works и Rational Software.

Фирма Logic Works разработала систему Model Mart - хранилище моделей, к которому открыт доступ для участников проекта создания информационной системы 1) Создание библиотек решений. Model Mart позволяет формировать библиотеки стандартных решений, включающие наиболее удачные фрагменты реализованных проектов, накапливать и использовать типовые модели, объединяя их при необходимости в "сборки" больших систем. 2) На основе существующих баз данных с помощью ERwin возможно восстановление моделей (обратное проектирование), которые в процессе анализа пригодности их для новой системы могут объединяться с типовыми моделями из библиотек моделей. 3) В дополнение к стандартным средствам организации совместной работы Model Mart позволяет сохранять множество версий, снабженных аннотациями, с последующим сравнением предыдущих и новых версий. При необходимости возможен возврат к предыдущим версиям Rational Rose – разработка клиентских приложений не только для реляционной модели, но и объектно-ориентированных БД.

2. СОМОД технология.

В отличие от SADT это технология пока мало известна и практически не апробирована. Тем не менее, я хочу немного рассказать о ней, поскольку, она:  1) представляет интерес, как в научном, так и в практическом плане; 2) эта технология развивается у нас в ИИ на примере ряда проектов

  •  Главное для любой технологии моделирования – еще научная и практическая апробация. Почему SADT получила такое широкое распространение – сотни и тысячи проектов успешно выполнены в самих различных сферах. Апробация данной технологии пока невелика: a)ряд проектов медицинской сферы (Анализ статистики и выявление факторов, влияющих на развитие бронхиальной астмы), b)металлургии (Ижорский завод) c) машиностроение (Белгород машиностроительный завод). Проект не доведен до конца d) В настоящее время 2 проекта – Адмиралтейские верфи, ФСБ (проблемы предупреждения преступности по регионам России). e) Кроме того, данной технологией заинтересовались сотрудники SBS на предмет его использования при внедрении продуктов SAP R/3 на российских и зарубежных предприятиях.
    •  Суть технологии (отличие от традиционного подхода): a)Разработка функциональной модели; b) Разработка модели данных. Выделение группы существенных факторов (100…1000 параметров); c) Сбор и обработка эмпирических данных ( за несколько лет); d) Формирование закономерностей поведения исследуемой системы (без применения этапа имитационного моделирования). Т.е. в данном случае отсутствует алгоритмическое описание системы и собственно эксперимент.
    •  При реализации этапов используется достаточно сложная методология (математическая статистика, логика и т.д.).

Слабые инструментальные средства (отсутствие базы данных, в основном ориентация на MS Excel – сейчас разрабатывается расширенная оболочка специалистами SBS)

  1.  
    Имитационное моделирование и компьютерное моделирование. Основные особенности имитационных моделей.

1) Имитационное моделирование

Имитационное моделирование – это вид моделирования, при котором логико-математическая модель исследуемого объекта (системы) представляет собой алгоритм его функционирования, реализованный в виде программного комплекса для компьютера. Т.е.,  программная модель, реализующая алгоритм функционирования исследуемой системы. Для настоящего времени – это не совсем точное определение:  во-первых, на компьютерах сейчас практически реализуются любые виды моделей, во-вторых, наличие алгоритма не является единственной отличительной особенностью современного понимания имитационного моделирования.

Шеннон Р. дает такое определение: имитационное моделирование есть А) процесс конструирования модели реальной системы и Б) постановки экспериментов на этой модели с целью понять поведение системы, либо оценить (в рамках ограничений, некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование системы.

2) Компьютерное моделирование

В настоящее время компьютеры используются практически при любом способе реализации моделей:

  •  При физическом моделировании, где компьютер может использоваться как непосредственно (2D, 3D модели, шлемы, обоняние, тактильные свойства), а также для целей управления процессом моделирования.
  •  При математическом моделировании выполнение, как минимум, одного из основных этапов просто немыслимо без компьютера. Построение математических моделей по экспериментальным данным.
  •  Благодаря развитию графического интерфейса и графических пакетов широкое развитие получило компьютерное структурно-функциональное моделирование.
  •  Положено начало использованию компьютера даже при концептуальном моделировании, где он используется, например, при построении систем искусственного интеллекта.
  •  Широко используются компьютеры при реализации деловых игр.

Компьютерное моделирование - метод решения задачи анализа или синтеза сложной системы на основе использования ее компьютерной модели. Суть компьютерного моделирования заключена в получении количественных и качественных результатов по имеющейся модели. Качественные выводы, получаемые по результатам анализа, позволяют обнаружить неизвестные ранее свойства сложной системы: ее структуру, динамику развития, устойчивость, целостность и др. Количественные выводы в основном носят характер прогноза некоторых будущих или объяснения прошлых значений переменных, характеризирующих систему.

Предметом компьютерного моделирования могут быть любой реальный объект или процесс, и вообще - любая Сложная Система. Например: экономическая деятельность фирмы или банка, промышленное предприятие, информационно-вычислительная сеть, технологический процесс.

  1.  
    Определение системы. Свойства систем и их характеристики. Классификация систем.

Определение системы. 

  1.  Первые определения в 30-е годы. Изучение систем и системных свойств началось в процессе создания сложных технических систем человеком. Основным моментом при этом являлась достижение системой определенной цели, для которой эта система создавалась. Первое определение системы было таким: Система есть средство достижения цели.
    •  Причем системой являлся не только создаваемый объект, но и коллектив создающий его. Приведем несколько примеров соответствия цели и созданных систем достижения этой цели.
    •  Положительным моментом первого определения системы является его прагматичность, конструктивность, нацеленность на его свойства, но научная ценность его невелика.
  2.  Модель черного ящика (40-50 годы). Для более определенной и точной характеристики системы необходимо иметь ее модель, преобразуя имеющиеся сведения так, чтобы вычленить существенные ее стороны, такие как взаимосвязи, соподчиненность и т.д. Большую роль сыграло представление системы как черного ящика с определенными функциями на входе и выходе. Эта максимально простая модель определяет:
    •  (+) два системных свойства: целостность и обособленность от среды.
      •  (+) одновременно ящик не абсолютно обособлен от среды, он имеет входы и выходы. Выходы системы ящика соответствуют цели системы. Входы – управление системой.
      •  (+) Определение системы в виде черного ящика допускает множественность вложения, но требует учета всех взаимосвязей.
      •  (-) Недостатком модели черного ящика являлась А) недостаточное внимание к структуре системы, Б) недооценка синергетических явлений.
  3.  Система есть совокупность взаимосвязанных элементов, обособленная от среды и взаимодействующая с ней как единое целое (60-е годы).
    •  Термин белый ящик - для подчеркивания выделения всех связей и элементов системы внутри и с окружающей средой.
      •  Часто такую структурную схему выполняют в виде графа. При этом элементы являются вершинами графа, а ребра обозначают связи. Если выделены направления связей, то граф является ориентированным. В противном случае граф неориентированный.
      •  Примеры структур: линейная, древовидная (иерархическая), матричная и сетевая. Особое место занимают структуры с обратной связью.

Свойства систем

  1.  Целостность - появление нового качества в объединении именно этого набора элементов и  потеря системных качеств при исключении любого из выделенных элементов системы.
  2.  Разнообразие - наличие качественно различных элементов системы, имеющих различные функции.
  3.  Связность - осуществление обмена информацией между элементами системы, невозможность включения в систему элементов без информационного обмена.
  4.  Целенаправленность - возможность управления системой путем изменения параметров в одном элементе для преобразования состояния других.
  5.  Устойчивость (гомеостаз) - способность сохранения свойств 1-4 при достаточно широком изменении параметров среды. Бывают и обратные случаи:
    •  поисковые системы устроены так, чтобы искать состояние, которое отсутствует в данный момент (например, образование).
      •  целеустремленные системы. Системы способны сами вырабатывать цели и методы их достижения. Системы с участием человека – пилотируемый самолет, системы управления объектами.

Примеры систем: Живые существа, ЭВМ, экономические структуры, большинство механизмов, транспортные средства и т.д.

3.2.5. Классификация систем.

Подводным камнем в классификации систем является проблема цели. Когда мы говорили о машинах, все было очень просто, но, говоря о животном, экологической системе, мы касаемся сложной философской проблемы целесообразности жизни, существования тех или иных систем. Для их разделения все системы делят:

  1.  естественные системы и искусственные по происхождению. Многие исследователи по этому признаку даже не признают за человеком право называться системой. Другие ученые полагают цель неизвестной и все-таки относят естественные объекты к системам.

Определим классифицирующие признаки и виды технических систем:

1. Характер взаимоотношений со средой

Открытые системы (непрерывный обмен), Закрытые системы (эпизодическая связь)

2. Причинная обусловленность

Детерминированные, Стохастические

3. По назначению

Устойчивые

Поисковые

Целеустремленные

4. Степень подчиненности

Простые системы (каждый с каждым)

Иерархические системы (существует соподчиненность)

5. По отношению к времени

Статические

Динамические

6. По степени сложности

Простые системы (мало элементов <9)

Большие

Сложные и очень сложные

Наличие двух категорий «Большие» и «Сложные» обусловлено историческими причинами.

  1.  Большие системы, моделирование которых затруднено вследствие их размерности,
  2.  Сложные системы, для моделирования которых недостаточно информации.
  3.  Иногда выделяют еще Очень сложные системы , для моделирования которых человечество не обладает нужной информацией. Это мозг, вселенная, социум.

При моделировании больших систем применяют метод декомпозиции, в котором снижение размерности осуществляется путем разбиения на подсистемы.

  1.  
    Области применения имитационного моделирования. Основные преимущества и недостатки.

Основные преимущества и недостатки. Область применения.

Попытаемся обобщить достоинства метода имитационного моделирования, целесообразность его применения в тех или иных случаях и существующие недостатки данного вида моделирования.

1) Основным достоинством имитационного моделирования является универсальность подхода при моделировании систем различной сложности и с различной степенью детализации.

  •  С одной стороны, имитационное моделирование позволяет рассматривать процессы, происходящие в системе, практически на любом уровне детализации.
  •  С другой стороны, в имитационной модели можно реализовать практически любой алгоритм управленческой деятельности или поведения системы.
  •  Кроме того, модели, которые допускают исследование аналитическими методами, также могут анализироваться имитационными методами. Все это служит причиной того, что имитационные методы моделирования в настоящее время становятся основными методами исследования сложных систем.

2) Целесообразность применения. Имитационные модели представляют собой

  •  А) модели типа так называемого черного ящика. Это означает, что они обеспечивают выдачу выходных параметров системы, если на ее взаимодействующие подсистемы поступают входные воздействия. Поэтому для получения необходимой информации или результатов следует осуществить "прогон" (реализацию, "репетицию") моделей, а не "решать" их.
  •  Б) Имитационные модели не способны формировать свое собственное решение в том виде, в каком это имеет место в аналитических моделях, а могут лишь служить в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором.
  •  Этот кажущейся на первый взгляд недостаток, на самом деле является главным достоинством имитационного моделирования вследствие того, что целесообразность применения имитационного моделирования становится очевидной при наличии любого из следующих условий (6 условий):
  1.  Не существует законченной математической постановки задачи, либо еще не разработаны аналитические методы решения сформулированной математической модели;
  2.  Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи (большинство проблем управления социо техническими системами попадает в 1 и 2 категории);
  3.  Аналитические решения существуют, но их реализация невозможна вследствие недостаточной математической подготовки  имеющегося персонала. В этом случае следует сопоставить затраты на проектирование, испытания и работу на имитационной модели с затратами, связанными с приглашением специалистов со стороны.
  4.  Кроме оценки определенных параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение некоторого времени (это возможно только на имитационной модели);
  5.  Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдения явлений в реальных условиях;
  6.  Для долговременного действия систем или процессов может понадобиться сжатие временной шкалы. Имитационное моделирование дает возможность полностью контролировать время изучения системы, поскольку явление может быть замедлено или ускорено по желанию.

3) Недостатки:

  1.  Низкая точность результатов (по сравнению с математическим моделированием). Имитационная модель в принципе не точна, и мы не в состоянии измерить степень этой неточности. Это затруднение может быть преодолено лишь частично путем анализа чувствительности модели  к изменению определенных параметров (и соответственно влиянию их неточности на систему в целом).
    1.  Большое время моделирования и разработки. Разработка  хорошей  имитационной  модели часто обходится дорого и требует много времени,  а также наличия  высокоодаренных специалистов, которых в данной фирме может и не оказаться.
    2.  Результаты,  которые дает имитационная модель, обычно являются численными,  а их точность определяется количеством знаков после запятой,  выбираемым экспериментатором. В связи с этим возникает  опасность  "обожествления  чисел",  т.е.  приписывания им большей значимости, чем они на самом деле имеют.
    3.  Отсутствие единой теории и методологии построения моделей (больше искусство, чем наука). В отличии от других видов моделирования (математические модели, концептуальное моделирование, деловые игры), где имеются хорошо апробированные методики создания и использования моделей. Разработка и применение имитационных моделей все еще в большей степени искусство, нежели наука. Следовательно, как и в других видах искусства, успех или неудача определяется не столько методом, сколько тем, как он применяется!!

4) Область применения имитационного моделирования

Среди методов прикладного системного анализа имитационное моделирование является самым мощным инструментом исследования сложных систем, управление которыми связано с принятием решений в условиях неопределенности. Это практически все социотехнические системы (управление предприятиями, проектами, производственными системами и т.д.). Именно в этом случае, по сравнению с другими методами, имитационное моделирование позволяет рассматривать: А) большое число альтернатив,  Б) улучшать качество управленческих решений В) точнее прогнозировать их последствия.

Этими обстоятельствами, по сути, и определяется та обширная область человеческой деятельности, в которой имитационное моделирование по праву занимает достойное место.

  1.  
    Основные этапы имитационного моделирования.

Основные этапы имитационного моделирования

А) В общем случае процесс имитационного моделирования должен включать 3 этапа: построение концептуальной, формальной и программной моделей. Причем сложность объекта исследования, что этап формализации должен являться одним из основных.

(***) В укрупненном плане имитационное моделирование предполагает наличие следующих этапов:

  1.  Разработка концептуальной модели (цель и критерий);
    •  Постановка задачи, цели моделирования – формулировка проблемы
    •  определение системы – установление границ, ограничений и измерителей системы, подлежащей изучению
      •  внутренней структуры системы
      •  содержания взаимосвязей между ее элементами,
      •  описание внешних воздействий
    •  формулировка модели – переход от реальной системы к некоторой логической схеме (абстрагирование)
  2.  Подготовка исходных данных (информационная модель объекта);
    •  отбор данных, необходимых для построения модели, и представление их в соответствующей форме (детерминированные и случайные величины)
  3.  Выбор средств моделирования;
  4.  Разработка программной модели;
    •  описание модели на языке, приемлемом для используемой ЭВМ
  5.  Проверка адекватности и корректировка модели;
    •  повышение до приемлемого уровня степени уверенности, с которой можно судить относительно корректности выводов о реальной системе, полученных на основании обращения к модели
  6.  Планирование экспериментов;
    •  стратегическое планирование – план эксперимента
    •  тактическое планирование – определение способа проведения каждой серии испытаний, предусмотренных планом
  7.  Собственно моделирование;
  8.  Анализ результатов моделирования и принятие решения.
    •  Интерпретация – построение выводов по данным, полученным в результате имитации
    •  Реализация – практическое использование результатов эксперимента
    •  Документирование – регистрация хода осуществления проекта, а также документирование процесса создания и использования модели
  9.  
    Концептуальная модель.

Концептуальная модель системы

С чего начать?

Для одной и той же системы можно составить множество моделей. Они будут отличаться:

  •  степенью детализации
  •  учета тех или иных особенностей и режимов функционирования,
  •  отражать определенную грань сущности системы,
  •  ориентироваться на исследование определенных ее свойств.

Поэтому все этапы имитационного моделирования пронизаны заранее сформулированной целью исследования.

А) Постановка задачи (цель исследования) – формулировка проблемы

  •  Эйнштейн – «правильная постановка задачи даже более важна, чем ее решение». На практике: руководство считает, что «некая проблема существует, но нельзя точно сформулировать, какая это проблема». На самом деле в этом нет ничего необычного, подобная ситуация описана в мировой практике – сильного аналитика отличает не умение использовать различные методы анализа, а умение быстро и четко формулировать проблему.
  •  Важно различать постановку проблемы и формулировку задачи. Правильная постановка проблемы может изменить задачи исследования, вплоть до отказа от применения моделирования.
  •  Очень важным аспектом данного этапа является - кто формулирует проблему и цель исследования (ЛПР). Почему? Как вы считаете?
  •  После формулировки проблемы - четкая формулировка задачи и цели исследования (построения модели). На практике постановка задачи – непрерывный процесс (по крайней мере, для первых этапов моделирования – построения концептуальной модели) – это порождает новую информацию (ограничения, задачи, возможные альтернативные варианты).

Б) Определение концептуальной модели.

Итак, проблема понятна (есть объект исследования). Что дальше?

  •  1) Определение границ системы. На первом шаге в концептуальной модели обычно в словесной форме приводятся сведения о природе и параметрах (характеристиках) элементарных явлений исследуемой системы, о виде и степени взаимодействия между ними, о месте и значении каждого элементарного явления в процессе функционирования системы. Две функциональные границы:
    •  граница, отделяющая проблему от всего остального мира;
      •  граница между системой и окружающей средой.

Этап 1 – может завершить моделирование – описание таково, что

  •  А) В удивительном большинстве случаев  точное и последовательное описание системы - дефекты и «узкие» места системы стали очевидны
    •  Б) Возможно использование не имитационных моделей. Например, аналитика отдельных узлов системы.

Далее собственно формируется описание, представляющее содержание концептуальной модели.

Концептуальная модель (содержательная модель) - это абстрактная модель, определяющая

  •  2) состав и структуру системы,
    •  Следующим шагом на пути создания концептуальной модели служит выбор уровня детализации модели (стратификация). Модель системы представляется в виде совокупности частей (подсистем, элементов). В эту совокупность включаются все части, которые A) обеспечивают сохранение целостности системы, с одной стороны, а с другой – Б) достижение поставленных целей моделирования.
  •  3) свойства элементов и причинно-следственные связи, присущие анализируемой системе и существенные для достижения целей моделирования.
    •  В дальнейшем производится окончательная детализация, локализация (выделение системы из окружающей среды), структуризация (указание и общее описание связей между выделенными элементами системы), укрупненное описание динамики функционирования системы и ее возможных состояний.

Следует обратить внимание: 

  •  При реализации 2) и 3) – наблюдается тенденция имитировать избыточное число деталей. Надо строить модель, ориентированную на решение проблемы, а не имитировать реальную систему. Пример ГАП – построить реальное расписание, а не имитировать работу участка.

К большинству сложных систем применим принцип Парето, согласно которому 20 % факторов определяют свойства системы на 80 %.  Поэтому первоочередной задачей исследователя имитационной модели является отсеивание несущественных факторов, позволяющее уменьшить размерность задачи оптимизации модели.


11.
Информационная модель. Основные способы сбора исходных данных. Метод Дэльфы.

Подготовка исходных данных (Информационная модель)

При создании концептуальной модели параллельно формируется область исходных данных - информационная модель.

Информационное пространство (модель) системы:

  •  количественные характеристики (параметры) функционирования системы и ее элементов,
  •  численные значения параметров - исходные данные для моделирования.

Проблема достаточно непростая и имеет множество подводных камней. О важности адекватного построения информационной модели говорить не приходится, в конечном итоге цифры решают все!!!

А) Исходные данные для модели могут быть получены тремя способами:

  •  Экспериментально. На практике, если речь идет о крупной системе (предприятие, крупный проект – множество исполнителей), возможность получения экспериментальных данных весьма ограничена:
    •  Во-первых, процесс очень трудоемкий. Множество служб и подразделений, специфика предметной области – требуются специалисты разного профиля. Опыт – Арсеньев, Самара, Арсенал, Белгородский машиностроительный завод, Адмиралтейские верфи.
      •  Во-вторых, очень сложно оценить их достоверность – данные предоставляются конкретными службами, которые знают для чего у них запрашивают подобную информацию. Требуется верификация (Фомин, Белгород, COMOD технология – специальная методика анализа, 6 месяцев).
      •  Поэтому данный подход реально работает на небольших системах. Либо достоверные данные могут быть получены только по отдельным элементам системы.
  •  Эмпирические данные. Ранее зарегистрированные данные (отдельная часть курса - БД предприятия, организация хранилищ данных). Развитие современных хранилищ данных (а не баз данных!!!), методы OLAP и Data Mining – это в ближайшем будущем основной источник достоверных данных для исследования сложных социотехнических систем. Здесь существует две альтернативы:
    •  Использование данных непосредственно.
      •  (Главный путь) Использование теоретико-вероятностных или частотных распределений. Очевидно, что значительная часть параметров системы - это случайные величины. Особое значение имеет обоснование выбора адекватных законов распределения случайных величин, аппроксимация функций и т.д. COMOD технология, выявление закономерностей.
      •  Этот выбор имеет фундаментальное значение по двум причинам:
        •  1) При использовании необработанных данных вы можете имитировать только прошлое: возможными будут только те события, которые уже случались, нет особенностей функционирования системы в будущем. Если объект статичен или цикличен это одно, а если нет!!! А одна из важнейших функций имитационной модели – прогноз.
          •  2) Обязательно необходимы испытания на чувствительность выходных значений параметров модели к изменению используемых вероятностных распределений и табличных входных данных.
  •  Экспертные оценки. Когда нет достоверных экспериментальных и эмпирических данных (нет БД, новый объект), приходится полагаться на субъективные оценки.
    •  В таких случаях важно полагаться на мнение коллектива экспертов, а не одного лица. Знание моделируемого процесса и по возможности облеченных правом принятия решений.
      •  Для выявления индивидуальных точек зрения и формирование единого мнения существует несколько методов. Одним из наиболее  полезных методов является метод .

Экспертные оценки. Метод Дэльфы.

А) Метод Дельфы был разработан в корпорации РЭНД.

  •  1) Это итерационная процедура, которая позволяет подвергать мнение каждого эксперта критике со стороны всех остальных, не заставляя их фактически сталкиваться лицом к лицу. Это значит:
  •  2) Создать механизм, обеспечивающий сохранение анонимности точек зрения отдельных лиц и тем самым свести к минимуму влияние красноречивых и обладающих даром убеждать личностей на поведение группы в целом.
  •  3) Все взаимодействия между членами группы находятся под контролем со стороны координатора. Координатор регулирует процедуру анализа мнений и сохраняет их анонимность.
  •  4) Групповая оценка вычисляется им путем некоторого усреднения (обычно посредством нахождения среднего значения, или медианы) и доводится до сведения всех членов группы.

Б) Рассмотрим в качестве примера распространенную задачу определения значения некоторого числа N. Пусть в группе экспертов будет 12 членов. Метод Дельфы определяет следующий способ действий:

1. Опросить каждого члена группы по отдельности, какова его оценка числа N.

2. Расположить ответы на общей шкале в порядке возрастания значений и определить квартили Q1, M и Q3 таким образом, чтобы в каждом из четырех отрезков шкалы содержалась четвертая часть всех оценок. Результат при 12 членах группы будет выглядеть, так, как это показано на рисунке.

3. Сообщить каждому из членов группы значения Q1, M и Q3 и попросить его пересмотреть свою оценку, а если его новая оценка выше Q3 или ниже Q1 попросить его кратко письменно обосновать свое мнение

4.  Подсчитать результаты второго тура и сообщить членам группы новые значения Q1, M и Q3 (обычно эти значения будут иметь меньшую дисперсию, чем после первого тура) вместе с письменными обоснованиями предельных значений (обязательно сохраняя анонимность мнений). Попросить каждого, из экспертов, представивших письменные ответы, учесть новые данные и аргументацию и при желании пересмотреть свою предыдущую оценку. Если в этом третьем туре пересмотренная оценка у данного члена группы будет выше Q3 или ниже Q1, попросить его кратко обосновать, почему он счел не заслуживающими внимания аргументы, которые могли бы заставить его сместить свою оценку ближе к средней оценке.

5. Повторять эту процедуру столько раз, сколько представляется желательным координатору, или пока промежуток между Q1 и Q3 сузится до некоторой заранее установленной величины. Для этого обычно требуется всего три или четыре тура, поскольку аргументы скоро начинают повторяться. Далее берется медиана как представляющая групповое мнение относительно того, каким должно быть значение N.

Необязательно стремиться, во что бы то ни стало к полному единству оценок: разброс мнений — нормальное явление даже в последнем туре.

(Б1) Вариант. Вместо использования медианы и квартилей можно брать среднее значение и среднеквадратическое отклонение. В этом случае координатор сообщает членам группы в каждом туре среднее значение и среднеквадратическое отклонение и просит их кратко обосновать все оценки, отличающиеся от среднего значения больше, чем на среднеквадратическое отклонение (в любую сторону). Опросы можно повторять до тех пор, пока среднеквадратическое отклонение не уменьшится до заданной величины или пока не станет ясно, что дальнейшего уменьшения дисперсии оценок не будет.

В) Цель метода Дельфы — уменьшить психологическое давление, испытываемое некоторыми людьми при личном контакте, и, следовательно, исключить влияние на конечный результат особо красноречивой или сильной личности. Однако метод нельзя считать полностью надежным. Отмеченные недостатки:

  •  Неизвестно, какое влияние на расхождение мнений оказывает желание участников приспособиться к общему мнению группы.
  •  Возложение на членов группы ответственности за обоснование своих мнений явно влечет за собой стремление экспертов располагать оценки ближе к медиане без особой аргументации.
  •  Участники, которые первоначально были уверены, что обладают сильными аргументами в пользу своего мнения, легко могут отказаться от своих позиций, когда видят, что им не удалось сразу же убедить остальных членов группы. Это может усилить «эффект толпы» вместо того, чтобы уменьшить его, как ожидалось.

Г) Метод Дельфы, предполагающий анонимность мнений, итеративную процедуру обработки результатов, управляемую обратную связь, числовые оценки и статистическое определение групповой оценки, является ценным инструментом исследования для разработчиков имитационных моделей. По данным опросов:

  •  Личные дискуссии не дают столь же эффективных результатов, как метод Дельфы.
  •  Точность оценки улучшается с ростом числа членов группы и количества итераций.
  •  Точность оценки падает с увеличением интервала времени между ответами членов группы.
  •  При использовании, метода Дельфы достигается большее согласие между групповым мнением и мнениями отдельных членов группы, чем при методах, требующих личных контактов. Эта сторона дела, очевидно, особенно важна, если некоторые из членов группы являются руководящими работниками, ответственными за внедрение результатов имитационного моделирования.

Безусловно, на этапе построения информационной модели возможен возврат на этап разработки формальной модели.

  1.  Об
    1.  
      щая характеристика инструментальных средств моделирования. Языки системы моделирования.

А) Языки и системы моделирования. Если выбор технических средств сейчас не вызывает особых затруднений (95% - ПК, 5% - специализированные серверы приложений, рабочие станции SUN), то выбор программных средств зачастую довольно сложен:

  •  А) В настоящее время известно более 500 языков моделирования. Такое множество языков частично обусловлено разнообразием классов моделируемых систем, целей и методов моделирования.
  •  Б) Желание упростить и ускорить процесс создания моделей (сделать доступным не только для профессиональных программистов) привело к реализации идеи автоматизации программирования имитационных моделей (не язык, а система моделирования). Создан ряд систем моделирования, которые избавляют исследователя от программирования. Это наиболее перспективное направление развития средств имитационного моделирования.
    •  Концептуальная и информационная модели. Программа создается автоматически по одной из формализованных схем на основании задаваемых исследователем параметров системы, внешних воздействий и особенностей функционирования. Автоматизация одного из наиболее трудных этапов создания имитационной модели – только рутинная часть
      1.  
        Факторы выбора инструментальных средств моделирования. Механизмы формирования системного времени.

1) Факторы выбора инструментальных средств моделирования:

  •  В какой форме будет описываться объект исследования: непрерывная, дискретная система или смешанный вариант.
  •  Проблемно-ориентированная среда (ARENA, ARIS) или универсальная система (GPSS) На выбор той или иной системы влияет выполнение следующих условий: 1) Наличие практического опыта работы с конкретным инструментальным средством, в том числе и наличие обученного персонала. Все современные системы достаточно сложны (особенно в части средств организации эксперимента и анализа). 2) Стоимость лицензии и стоимость разработки. Их соотношение со средствами, выделенными на проект. Современные проблемно-ориентированные системы моделирования очень дороги, по сравнению с просто языками моделирования. 3) Размерность создаваемой модели (несложный объект, учебные задачи и т.д.). Современные средства моделирования достаточно функциональны. Поэтому при небольшой размерности целесообразнее ориентироваться на более простую систему (GPSS/W), даже если она не очень вписывается в предметную область. 4) Предметная область объекта исследования. Возможность или ее отсутствие выбрать конкретную проблемно-ориентированную систему.
  •  Внутренние факторы: а) Виды возможных статистических испытаний. Хотя современные системы моделирования в этом отношении достаточно функциональны, тем не менее, специфика все-таки имеется. Поэтому, если исследуемая система требует разнообразных средств анализа и испытаний необходимо учитывать этот фактор при выборе конкретной системы моделирования. б) Степень трудности изменения структуры модели. Если структура моделируемой системы неочевидна или подвержена изменениям (новый объект, предпроектное обследование), то этот фактор, безусловно, является очень важным. в) Способ организации учета времени и происходящих действий.

2) Определение механизма регламентации событий и процессов.

Регламентация имеет 2 аспекта: «продвижение» времени, т.е. корректирование временной координаты состояния системы; обеспечение согласованности различных блоков и событий в системе. Поскольку действия, выполняемые отдельными блоками, зависят от действий и состояния других элементов, они должны быть скоординированы во времени, или «синхронизированы».

Существуют два основных метода задания времени: С помощью фиксированных интервалов времени. Отсчет системного времени ведется через заранее определенные интервалы постоянной длины. Модели с непрерывным изменением состояния. С помощью переменных интервалов времени. Состояние моделируемой системы обновляется с появлением каждого существенного события независимо от интервала времени между ними (время событий). Модели с дискретным изменением состояния.

Каждый из методов имеет свои преимущества: последовательная обработка событий и обработка событий пакетами или группами. Модели с фиксированным шагом проще реализуются, но существует риска не правильного выбора интервала времени (слишком большой) и, соответственно потеря точности модели.

Метод фиксированных шагов:

  1.  События появляются регулярно и распределены во времени равномерно.
  2.  В течение цикла моделирования T появляется очень много событий, причем математическое ожидание продолжительности событий невелико.
  3.  Точная природа существенных событий не ясна. Например, на начальном этапе имитационного исследования.

Метод переменных интервалов времени:

  1.  Позволяет существенно экономить машинное время моделирования в случае статических систем, в которых существенные события могут длительное время не наступать.
  2.  Не требует определения величины времени приращения
  3.  Может эффективно использоваться при неравномерном распределении событий во времени и (или) большой величине математического ожидания их продолжительности.
    1.  
      GPSS - язык имитационного моделирования. Назначение, область применения, структура языка.

1) Исторически GPSS – это одна из первых систем моделирования общего назначения.

  •  Язык разработан в 1961 году (Джефри Гордоном)  фирма  IBM  вслед  за  разработкой компилятора  с языка ФОРТРАН.  Представляет собой Фортран ориентированную версию языка ИМ. Язык выдержал множество модификаций для самых различных операционных систем и ЭВМ (60…70-е годы – IBM 360/370, 70…80-е годы – PDP/11, ЕС ЭВМ и СМ ЭВМ, 80-е годы – IBM PC) и в то же время сохранил почти неизменными внутреннюю организацию и основные блоки.
  •  Идеальное средство для начинающих осваивать имитационное моделирование. GPSS достаточно легок в освоении, а наличие в нем функций, переменных, стандартных атрибутов, графики и статистических блоков существенно расширяет его возможности.
  •  Язык привнес множество важных концепций в каждую из коммерческих реализаций языков компьютерного моделирования дискретных событий, разработанных с тех пор. Ни один из языков моделирования не оказал на имитацию столь большого воздействия, как GPSS. Можно даже сказать, что GPSS заложил основы большинства современных языков и систем моделирования. Например, сходство языков СЛЭНГ и GPSS простирается вплоть до заимствования большинства ключевых слов.

2)Область применения. Система GPSS предназначена для написания имитационных моделей систем с дискретными событиями. Например,  для  моделирования  систем с материальными и информационными потоками. Наиболее удобно в системе GPSS описываются модели систем массового обслуживания, для которых характерны относительно простые правила функционирования составляющих их элементов. Хотя наличие дополнительных встроенных средств позволяет моделировать и некоторые другие системы (например, распределение ресурсов между потребителями).

3) В системе GPSS моделируемая система представляется с помощью набора (сети) абстрактных элементов, называемых объектами:  Каждый объект принадлежит к одному из 4-х (5 тип – разные) типов объектов; Каждый объект характеризуется рядом атрибутов (параметров), отражающих его свойства.

Общий формат предложений GPSS (похоже на Фортран)

  Номер строки

{Метка}

Оператор

Операнды

{Комментарии}

до 10 цифр

до 20 символов: цифры

А,B,C,D,E

Каждому исполняемому оператору может быть сопоставлен блок со стандартизованным графическим изображением. Это позволяет на этапе построения моделей до написания текстов программ построить блок диаграмм, отображающих последовательность продвижения динамических объектов.

  1.  
    Организация работы модели в системе GPSS. Статистика, выводимая
    GPSS для различных объектов.

1) Организация работы модели в системе GPSS

Общая схема проведения имитационного моделирования в системе GPSS.

1) Модель, дополненная необходимыми управляющими предложениями операционной системы, вводится в ЭВМ и поступает на обработку ассемблером GPSS, 2)Ассемблер GPSS проводит синтаксический контроль модели и преобразует ее во внутреннюю форму, удобную для проведения моделирования. Модель во внутренней форме передается с помощью программы ввода интерпретатору модели

Интерпретатор выполняет моделирование. Во внутренней форме все объекты, описанные в модели, получают последовательные номера в порядке поступления. Последовательности номеров выстраиваются отдельно по типам объектов: среди устройств, накопителей, очередей и т.д. Эти номера могут быть напрямую указаны в модели программистом.

Интерпретатор модели является основной частью системы моделирования GPSS. Функции интерпретатора:

  •  Создание транзактов;
  •   Проводка их через блоки модели с одновременным выполнением действий, связанных с каждым блоком. Движение ТРЗ в модели соответствует движению отображаемых ими объектов в реальной системе.
  •  Ведение модельного времени
    •  Всякое изменение состояния модели, например, переход ТРЗ от одного блока к другому, можно рассматривать как некоторое событие, происходящее в определенный момент условного (системного) времени, задаваемого "часами" системы, работа которых организуется интерпретатором.
    •  Фактически, "часы" в интерпретаторе GPSS - это целая переменная, значение которой соответствует текущему моменту условного времени модели.
    •  При построении модели пользователь должен задаться соотношением единицы системного времени, используемого в модели, к реальному времени, в котором происходит функционирование моделируемой системы.
    •  Отметим, что системное время никак не связано с машинным временем, затрачиваемым на выполнение моделирования.
  •  Очередность событий
    •  В процессе моделирования интерпретатор автоматически определяет правильную очередность наступления событий. В случае, если нужные действия в намеченный момент времени выполнены быть не могут (например, занято устройство, к которому обращается транзакт), интерпретатор временно прекращает обработку "застрявшего" ТРЗ, но продолжает следить за причиной, которая вызвала блокировку его обработки. Как только эта причина исчезает (например, освобождается занятое устройство), интерпретатор возвращается к обработке задержанного ТРЗ.
    •  При продвижении ТРЗ через блоки могут происходить события следующих 4-х основных типов: 1)создание, преобразование или уничтожение ТРЗ; 2) изменение значения атрибута объекта; 3) задержка ТРЗ на некоторый промежуток системного времени; 4) изменение маршрута движения ТРЗ по блокам модели.

2) Статистика, выводимая GPSS для различных объектов

  •  Сбор статистики.
    •  Большая часть статистики собирается в GPSS автоматически и не требует, поэтому дополнительных усилий разработчика модели.
      •  Сбор статистики для очередей осуществляется с помощью блоков QUEUE и DEPART.
      •  Распределение случайных величин – параметров блоков модели TABLE, QTABLE
  •  Виды статистики.
    •  1. Статистика для устройств
      •  количество ТРЗ, прошедших через устройство;
      •  среднее время занятия устройства одним ТРЗ;
      •  загрузка устройства (или доля использования) в течение всего времени моделирования;
      •  доля (процент) доступности устройства в процессе моделирования;
      •  количество ТРЗ, занявших устройство блоком SEIZE;
      •  количество ТРЗ, захвативших устройство блоком PREEMPT.
    •  2. Статистика для накопителей
      •  объем накопителя, определенный в модели;
      •  среднее значение содержимого накопителя за время моделирования;
      •  количество ТРЗ, прошедших через накопитель;
      •  среднее значение времени использования единицы памяти;
      •  среднее значение загрузки накопителя в течение моделирования;
      •  процент доступности накопителя за время моделирования;
      •  текущее содержимое накопителя на момент завершения моделирования.
      •  максимальное содержимое накопителя за время моделирования.
    •  3. Статистика для очередей
      •  максимальное значение длины очереди при моделировании;
      •  среднее значение длины очереди;
      •  общее количество ТРЗ, прошедших через очередь;
      •  количество "нулей"- ТРЗ, прошедших через очередь без задержки;
      •  процент "нулей"- доля транзактов, прошедших через очередь с нулевой задержкой;
      •  среднее значение времени задержки транзакта в очереди с учетом "нулевых" транзактов;
      •  среднее значение времени задержки транзакта в очереди без учета "нулевых" транзактов (всегда больше или равно предыдущего значения, поскольку учитываются только те, которые были в очереди с ненулевым временем).
  1.  
    GPSS PC
    и GPSS World.

Общая оценка (преимущества и недостатки)

(+) GPSS/W является весьма мощным инструментом имитационного моделирования (три ключевых момента),

  •  свободным от ограничений аналитических и численных методов,
  •  1) достаточно «прозрачным» (структура модели не является черным ящиком), допускающим нестандартную обработку данных
  •  2) и инструментом, снимающим с программиста множество нетривиальных проблем программирования и отладки моделей.

(-) Тем не менее, приходится отметить наличие у нее ряда серьезных недостатков (из них для лабораторных работ можно выделить):

  •  1) Громоздкость системы и явная перегруженность встроенными возможностями (многообразие примитивов);
    •  непомерное разнообразие графических обозначений блоков, не поддерживаемое даже новейшими версиями «чертежной» системы Visio.
  •  2) Медленная работа интерпретатора.
  •  3) Использование кириллических символов даже в комментариях исключают правильную работу Имитации


  1.  
    Arena
    - среда имитационного моделирования.

Система Arena позволяет моделировать следующие виды деятельности:

авиация, космос

Автомобилестроение

банки, финансы

Distribution

здравоохранение

издательство

переработка отходов

пищевая промышленность

портовые операции

поставки грузов

потребительские товары

правительственные организации

производство лекарственных препаратов

рестораны и fast food

склады

Сталелитейная промышленность

текстильная промышленность

телекоммуникации

транспорт, перевозки

тяжелая промышленность

Электроника

химическое производство

управление цепочками логистики (supply chain management)

В Arena 4.0 соединены следующие факторы: интерфейсные возможности среды Windows; присущая Arena легкость иерархического построения модели и ее последовательного приближения к реальному объекту.

Архитектура базовой версии  

1) Основа технологий Arena:язык моделирования SIMAN (альтернатива GPSS), система Cinema Animation.

2) Процесс моделирования организован следующим образом: Сначала пользователь шаг за шагом строит в визуальном редакторе системы Arena модель, Затем система генерирует по ней соответствующий код на SIMAN, В завершении автоматически запускается Cinema animation.

3) Обмен данными. Интерфейс Arena включает в себя всевозможные средства для работы с данными, в том числе электронные таблицы, базы данных, ODBC, OLE, поддержку формата DXF.

4) Система интерактивной помощи и библиотека демонстрационных примеров моделей.

Имитационная модель в Arena включает следующие основные элементы: источники и стоки (Create и Dispose), процессы (Process) (оборудование),очереди (Queue).

  1.  
    ARIS
     Simulation - имитационное моделирование бизнес процессов предприятия.

Общие сведения ARIS

1) Название: Интегрированная среда моделирования и анализа ARIS Toolset фирмы IDS professor Scheer. Один из его компонентов - ARIS Simulation 5.0 – пакет имитационного моделирования.

Область применения:  Переход к процессному взгляду на функционирование предприятия Основная задача компании – делать бизнес. Отсюда любой процесс внутри предприятия  рассматривается с точки зрения влияния на бизнес – сколько приносит денег и сколько забирает; Реорганизация и постоянное улучшение процессов; Внедрение автоматизированных систем управления и так далее.

2) В рейтинге Gardner Group система ARIS занимает лидирующее положение на рынке средств моделирования и анализа деловых процессов.

3)  Схема функционирования: визуальное представление принципов и условий функционирования различного рода компаний, (модель бизнес процессов); анализ деятельности по различным показателям с целью определения идеальных характеристик деятельности компании; реорганизация организационной структуры, целей и функций, бизнес процессов, используемых данных; определение требований к автоматизированной системе управления и проектирование.

4) Отличительные особенности

  1.  Широкое распространение. Система ARIS в настоящее время уже успешно используется множеством известных компаний различного профиля как в России, Европе, так и по всему миру. Клиенты фирмы IDS могут быть найдены по всему миру, специалисты по работе с системой ARIS охотно принимаются на работу в крупные и средние организации различного профиля деятельности. Пять из шести крупнейших в мире консалтинговых фирм используют систему ARIS в своей деятельности.
  2.  R/3 SAP. Если деятельность предприятия поддержана системой управления предприятием R/3 фирмы SAP, то использование комплекса ARIS позволит постоянно поддерживать систему R/3 в актуальном состоянии, соответствующем существующим на предприятии бизнес процессам. Подобного рода интеграция существует и с некоторыми другими системами управления предприятием.
  3.  ISO 9000. Направленность данного продукта на управление качеством по стандарту ISO9000 позволит обеспечить деятельность предприятия на уровне, соответствующем общепринятым требованиям к организации процессов. Кроме того, данная система обеспечит поддержку процесса подготовки и непосредственной сертификации по данному стандарту. Для этого в системе предусмотрено создание специальных отчетов, отвечающих требованиям ISO9000, а также существуют модели, отражающие полную методологию процесса сертификации по стандарту ISO 9000 – анализ существующей системы управления на предприятии, реорганизация бизнес процессов, обучение персонала и непосредственно сама сертификация.
  4.  
    Верификация моделей. Проверка адекватности и корректировка имитационной модели

1) Верификация модели

Проверка адекватности и корректировка модели;

  •  повышение до приемлемого уровня степени уверенности, с которой можно судить относительно корректности выводов о реальной системе, полученных на основании обращения к модели
    •  выводы, полученные в результате моделирования, справедливы и корректны

Планирование экспериментов;

  •  стратегическое планирование – план эксперимента
    •  тактическое планирование – определение способа проведения каждой серии испытаний, предусмотренных планом

Собственно моделирование;

  •  анализ чувствительности;

Анализ результатов моделирования и принятие решения.

  •  Интерпретация – построение выводов по данным, полученным в результате имитации
    •  Реализация – практическое использование результатов эксперимента
    •  Документирование – регистрация хода осуществления проекта, а также документирование процесса создания и использования модели

2) Проверка адекватности и корректировка модели

А) После написания модели и до начала эксперимента – проверка адекватности модели.

Замечания: На самом деле этот этап – непрерывный процесс с момента создания модели до завершения экспериментов. Почему сразу, а не после начала экспериментов – стоимость эксперимента (если речь идет о сложной системы, сбор данных) и «гипноз» модели.

  1.  Гипноз модели. Проверка модели процесс чрезвычайно важным, поскольку любая ИМ создает впечатление реальности, которым проникаются как разработчики, так и пользователии. Проверка, выполненная без необходимой тщательности, может привести к катастрофическим последствиям.
  2.  Строго регламентированного (научно обоснованного)  формального процесса – «испытание» модели не существует. За исключением тривиальных случаев. Суть не в доказательстве, а в 1) достижении необходимого уровня уверенности пользователя, что любой вывод о поведении системы, сделанный на основании моделирования будет верным.
  3.  Не нужно стремиться доказать, что та или иная имитация является «правдивым» отображением реальной системы (за исключением тривиальных случаев). Важна не «правдивость» модели, не справедливость структуры модели, а ее функциональная полезность – т.е. справедливость тех умозаключений, которые будут получены в результате моделирования. 2) Выводы, полученные в результате моделирования, справедливы и корректны.

Таким образом, оценка адекватности имеет две стороны: 1) Достижение необходимого уровня уверенности пользователя; 2) Выводы, полученные в результате моделирования, справедливы и корректны.

В) Три стадии оценки адекватности имитационной модели:

  •  (этап отладки программы) Верификация– экспериментатор должен убедиться, что модель ведет себя так, как задумано.
  •   (готовая версия программной модели) Обоснованность модели (Адекватность)– проверка соответствия между поведением модели и поведением реальной системы.
  •   (обычно, этап эксперимента) Проблемный анализ – формулирование статистически значимых выводов на основе данных, полученных в результате компьютерного моделирования. Один прогон имитационной модели, в отличие от математических моделей, не значит ничего (с точки зрения общих выводов)
  1.  
    Планирование экспериментов с имитационной моделью (стратегическое и тактическое планирование).

Два вида планирования экспериментов:

  •  Стратегическое планирование. Создание общего плана проведения эксперимента. Здесь много моментов, но в нашем случае наиболее существенным является:
    1.  Стратегия сбора исходных данных. Типичные проблемы: горы ненужных данных, отсутствие необходимых данных, ошибочные данные. В условиях реального предприятия – это тысячи переменных за несколько лет. Ошибочные данные – человеческий фактор.

А) Определения состава параметров, которые оптимизируют переменные отклика (20% и 80%; критерий оценки, который вы улучшаете).

Б) Объяснение соотношения между переменными отклика и контролируемыми в системе параметрами. Почему этот параметр влияет так, а не иначе. В реальных условиях – это далеко не тривиальная задача.

  •  Тактическое планирование. Определение способов проведения испытаний, намеченных планом. Направлено на решение двух основных задач:
    1.  Определение начальных условий в той мере, в какой они влияют на достижение установившегося режима. Важнейший фактор организации моделирования!!!
      •  Данная задача обусловлена искусственным характером функционирования модели. В чем искусственность? В отличие от реального объекта, сама имитационная модель работает эпизодически. Экспериментатор запускает модель, делает наблюдения и «останавливает» до следующего прогона. Всякий раз, когда начинается прогон, модели требуется определенное время для достижения условий равновесия, которые соответствуют условиям функционирования реальной системы. Т.о., начальный период прогона модели искажается из-за действия начальных условий запуска модели.
      •  Две цели решения данной задачи: Исключить из рассмотрения данные, относящиеся к некоторой части начального периода; Следует выбрать такие начальные условия, которые уменьшают время, необходимое для достижения установившегося режима.
      •  Разумно выбранные начальные условия позволяют уменьшить, но не полностью свести к нулю время переходного периода.
    2.  Уменьшение дисперсии решений при одновременном сокращении необходимых размеров выборки. Обычным языком - объяснить и исключить все отклонения (аномалии) за минимальное число прогонов.
      •  Необходимо оценить точность результатов и степень надежности заключений и выводов
      •  Три вопроса: изменяемость условий, размер выборки и повторяемость результатов.
      •  Существуют специальные методы, которые позволяют снизить требуемый размер выборки и число повторений эксперимента, (подобные мастера имеются в GPSS и ARENA).
      •  Использование очень больших выборок решает, конечно, все тактические проблемы ИМ, но на практике ценой больших затрать времени.

  1.  
    Эксперимент с моделью (чувствительность модели). Анализ результатов моделирования и принятие решения.

1) Экспериментирование

На этом этапе мы начинаем находить недостатки и просчеты в планировании, и повторяем усилия, пока не достигнем поставленной цели. Здесь много существует факторов, которые осознаются с опытом. Остановимся на одном из них.

А) Одним из важнейших факторов имитационного моделирования является анализ чувствительности. Анализ чувствительности – определение чувствительности окончательных результатов к изменению значений используемых параметров.

Б) Величины параметров систематически варьируются в некоторых представляющих интерес определенных пределах, и при этом наблюдается влияние этих вариаций на характеристики модели.  Поиск оптимальных условий.

В) Почти в любой имитационной модели многие переменные рождаются на основе весьма сомнительных данных. Во многих случаях их значения могут быть определены на основе предположений (экспертов или персонала) или с помощью поверхностного анализа некоторого минимального объема данных. Поэтому чрезвычайно важно определить степень чувствительности результатов относительно выбранных для исследования величин.

  •  Если при незначительных изменениях величин некоторых параметров результаты меняются очень сильно. Это может служить основанием для затрат времени и сил для получения более точных оценок.
    •  И наоборот, если конечные результаты при изменении величин параметров в широких пределах не меняются, то дальнейшее экспериментирование в этом направлении неоправданно.

Имитационное моделирование в отличие от реального эксперимента, идеально подходит для анализа чувствительности, поскольку экспериментатор может успешно контролировать весь ход эксперимента. По желанию варьировать любой параметр и судить о поведении модели по наблюдаемым результатам.

2) Анализ результатов моделирования и принятие решения.

А) Разработать, верифицировать модель и провести эксперимент – это даже не полдела. Никакое задание на моделирование не может быть успешно завершенным до тех пор, пока оно не будет принято, понято и использовано. Наибольшие неудачи у специалистов, занимающихся управлением, связаны с восприятием и использованием их работ.

Б) Суммарное время разработки моделей разбивается следующим образом (opt): 25(25)% – формулирование задачи; 25 (20)% - сбор и анализ статистических данных; 40 (30)% - разработка компьютерной модели; 10 (25)% - внедрение.

В) Этап реализации (внедрения) включает три стадии: Интерпретация, Реализация, Документирование.

  1.  
    Виды моделирования ГПС.

Виды моделирования ГПС

1) Применительно к ГПС и вообще говоря, к любой иной системе (в зависимости от целей и решаемых задач) может быть выделено два этапа и, соответственно, два направления применения имитационного моделирования:

  •  моделирование в процессе проектирования системы (первые 2 проекта)
    •  В этом случае моделирование обеспечивает проектные работы по созданию ГПС; в частности, по заданным критериям и требования к ГПС определяются ее характеристики: состав обрабатывающего оборудования,  состав и конфигурация транспортной системы, емкость и структура складской системы, компоновка оборудования, алгоритмы управления.
  •  моделирование в процессе ее функционирования.
    •   модели технологического оборудования;
      •  Для решения подобной задачи используется, прежде всего, математическое моделирование. Решение различного порядка дифференциальных уравнений, метод моделирования «из памяти».

Имитационное моделирование для поддержки функционирования

  •   имитационная модель ГПС, как системы в целом
    •  В этом случае имитационное моделирование (имитационная модель) обеспечивает поддержку функционирования ГПС, участвует в выработке управленческих решений: составление сменно-суточных заданий, составление и коррекция оперативных расписаний, диспетчеризация.

2) Постановка задачи

Необходимо всегда начинать с четкой формулировки задачи и цели исследования (построения модели).

Имитационная модель обеспечивает поддержку функционирования ГПС: используется для выработки управленческих решений (составление сменно-суточных заданий, составление и коррекции оперативных расписаний, диспетчеризацию).

  1.  
    Концептуальная модель ГПС.

Концептуальная модель

Определение границ системы

Декомпозиция объекта моделирования:
Внутри: САПР и АСТПП (отличительная особенность);гибкий производственный комплекс; включая все материальные и информационные потоки между ними. Внешний мир: поступление материалов, инструмента; отгрузка готовых изделий, брака; календарный план (месяц).

САПР и АСТПП. Компьютерная сеть, объединяющая рабочие места конструкторов и технологов. В целом, задача построения имитационной модели этой части системы для задач оперативного планирования и управления тривиальна. Необходимо задать время прохождения изделия: проектирование типовой детали; проектирование комплексной детали; проектирование уникального изделия.

Способы представления объекта моделирования

В) Имитационные модели, относящиеся к разным видам, могут существенно отличаться по способу представления объекта моделирования, используемым техническим и программным средствам реализации.

  •  При проектном исследовании моделируемый объект, как правило, описывается стохастической системой. Имитационный эксперимент заключается в получении в результате прогонов модели большого объема статистической информации о поведении моделируемого объекта.
    •  Модели, используемые для поддержки функционирования, наоборот, возможно строить как детерминированные (точнее говоря псевдо детерминированные). Это обусловлено небольшим интервалом времени моделирования, на котором исследуется поведение объекта, и наличием (в условиях насыщенности ГПС вычислительной техникой и развитой сенсорикой) достаточно полной информации о его текущем состоянии и параметрах входных воздействий.

Концептуальная модель гибкого производственного комплекса

Имитационная модель ГПС обеспечивает отображение: материальных (транспортировка заготовок, инструмента, оснастки; наладка оборудования и вспомогательных средств; обработка; комплектация кассет и паллет); информационных (передача управляющих программ, прием и обработка диагностической информации) и других процессов в системе.

Декомпозиция ГПК. При построении модели вначале проводится декомпозиция объекта. Моделируемый объект представляется как совокупность взаимодействующих элементов (модулей), для каждого типа которых строится модель. Затем модели элементов агрегируются для получения обобщенной модели ГПС. Модуль должен представлять собой достаточно автономный объект. Имитационная модель технологического оборудования ГПС МД может быть представлена в виде группы моделей: обрабатывающего гибкого производственного модуля; транспортного модуля (автоматической транспортной системы); складского модуля (автоматической складской системы); модуля комплектации и наладки.

Построение формальной модели.

  1.  Процесс функционирования элемента ГПС может быть представлен следующей последовательностью событий: назначение (инициирование) операции; переход элемента в состояние готовности; выполнение операции.
  2.  Исходным условием запуска модели элемента (модуля) является наличие назначенной на него операции. Под операцией понимаются процессы обработки, транспортировки, комплектации или наладки. Возможность выполнения операции определяется готовностью модуля.
  3.  
    Информационная модель ГПС.

Информационная модель

А) Информационную модель ГПС представим совокупностью моделей: (заказы, технология, ресурсы, оборудование, ограничения и т.д.). Информационная модель имеет формализованное описание вида: IM= { E1, E2, …. Ei, …. Ene }, где ne – общее число элементов информационной модели.

Б) Каждый элемент модели Ei характеризуется набором дискретных параметров:

Ei = (P[i,1], P[i,2], …, P[i,ni]), где P[i,j] – j-дискретный параметр i-элемента; ni – общее число параметров описания I-элемента.

В) Каждый из элементов модели описывается множеством допустимых состояний. Множество допустимых состояний элемента модели Ei определяется следующими ограничениями: (PR[i,j], PRгпс, UPR[i,j]), j=1,ni, где PR[j,i] – множество допустимых значений J-параметра I-элемента модели; PRгпс – параметры конкретной ГПС (справочно-нормативные данные, организационно-управленческие характеристики, состав оборудования и ВС, структура системы); UPR[j,i] – множество условий соответствия значений параметра значениям других параметров модели.

Г-1) Заказы.

Модель Заказ содержит следующие элементы:  список параметров заказа (приоритет, сроки запуска и выпуска, количество деталей, наличие информационной модели детали и ТП в каталогах САПР и АСТПП); список параметров детали заказа по операциям (обеспеченность ресурсами, включение в оперативное задание и расписание, начало и завершение выполнения и т.д.); параметры транспортной партии (время запуска, номер ГПМ).

Г-2) Ресурс.

Модель Ресурс – средство описания заготовок, инструментов и приспособлений необходимых для изготовления изделий: наименование по ГОСТ; внутрисистемный код; порядковый номер; расположение в системе (адрес); назначение (номер транспортной партии)

Г-3) Оборудование.

Оборудование ГПС выделим в 4 функционально-однородные группы. Модель Оборудование: Модуль (участок комплектации и наладки, обрабатывающие модули - ГПМ); Склад (основной накопитель АСС); Транспорт (транспортные средства); АРМ (вычислительные средства САПР и АСТПП).

Г-4) Технологический процесс.

Модель Технологический процесс - средство описания последовательности прохождения заданий через ГПК: Маршрут выполнения заказа (число операций и порядок их выполнения); Определяет связь между элементами модели Заказа и модели Ресурсы (типы и количество заготовок, инструментов, приспособления и тары; износ инструмента); Определяет связь между элементами модели Заказы и модели Оборудование (типы ГПМ, допустимые технологические параметры обработки).

Основными элементами модели ТП являются: Общие параметры ТП; Паспорт технологической операции; Инструментальный паспорт технологической операции; Управляющие программы.

В табл. 4.1 приведено описание состава параметров информационных моделей моделируемых элементов ГПС: обрабатывающих ГПМ, модулей комплектации и наладки, АТС, АСС, заявок, инструмента и оснастки.

Каждый из элементов описывается набором постоянных (не меняющихся в процессе моделирования) и переменных (меняющихся при моделировании) дискретных параметров.

Таблица 4.1. Параметры информационных моделей элементов ГПС

Наименование элемента

Список постоянных параметров (не изменяемых в процессе моделирования)

Список переменных параметров (изменяемых при моделировании)

ГПМ

Тип ГПМ; объем локального накопителя; объем магазина инструментов; время сиены инструмента, оснастки, заготовки в ГПМ; допустимая точность, частота обработки, масса и габаритные размеры обрабатываемых деталей

Текущий    (заполненный) объем локального накопителя и магазина инструментов; перечень операций, выполняемых ГПМ с учетом находящегося в нем инструмента, оснастки; перечень инструмента, оснастки,   заготовок,   находящихся в ГПМ; суммарное время простоя работы, переналадки ГПМ

Заявка (заказ)

Приоритет;  количество операций технологического маршрута; масса и габаритные заготовки; время выполнения операций; тип ГПМ для каждой операции; состав инструмента, оснастки; допустимые чистота, точность обработки по каждой операции; степень и процент износа инструмента по каждой операции

Адрес заготовки; текущие операции    детали;    время межоперационного пролеживания;   текущее   время   освобождения

АТС

Число транспортных средств; время перемещения между элементами ГПС (ГПМ АСС)

Временная диаграмма работы всех    транспортных    средств (время начала и конца транспортировки, состав грузов)

АСС

Число роботов-штабелеров; время перемещения между ячейками склада и устройством приема - выдачи АСС; объем (-тело ячеек)

Текущий    состав     ячеек склада

Инструмент, оснастка

Тип; номер в типе

Адрес, остаточный ресурс, текущее время освобождения

Г-5) Модель Транспортная партия – описывает динамику прохождения заказов через систему. Три этапа: комплектация; наладка; обработка.

  1.  
    Системы подготовки и принятия решений (СППР) на базе современных информационных технологий. Стандарты
    MRP, MRP II, ERP, Balanced Score Card.

1) Современные системы подготовки и принятия решения.

Основная специфика современных требований: Данные имеют практически неограниченный объем – горы сырой информации; Данные являются разнородными (количественные, качественные, текстовые и т.д.); Результаты должны быть конкретны и понятны; Инструменты для обработки сырых данных должны быть просты в использовании.

Классификация СППР по типу инструментального назначения: Decision-Making Support System (DMSS); Decision Support System (DSS)

DМSS - инструментарий выработки рекомендаций для лица, принимающего решение (ЛПР)

DSS - инструментарий подготовки данных для ЛПР

2) системы на базе стандартов MRP (позже ERP).

70-е годы: Методология планирования потребности в материалах (MRP- Material Requirements Planning). Главной задачей MRP является обеспечение гарантии наличия необходимого количества требуемых материалов - комплектующих в любой момент времени в рамках срока планирования, наряду с возможным уменьшением постоянных запасов, а следовательно разгрузкой склада. Начало 80-хх - MRP II (Manufactory Resource Planning). К базовым функциям планирования производственных мощностей и планирования потребностей в материалах добавлены: контроль соответствия количества произведенной продукции количеству использованных в процессе сборки комплектующих, составление регулярных отчетов о задержках заказов, об объемах и динамике продаж продукции, о поставщиках и т.д. 90-е - Системы планирования класса MRPII в интеграции с модулем финансового планирования FRP (Finance Requirements Planning) получили название систем бизнес планирования ERP (Enterprise Requirements Planning), эффективное планирование всей коммерческой деятельности современного предприятия, в том числе финансовые затраты на проекты обновления оборудования и инвестиции в производство новой линейки изделий. Balanced Score Card (BSC) обеспечивает анализ положения дел в компании в виде сбалансированных карт интегрированных показателей. Разработаны для решения простой задачи – полного и гармоничного представления результативности деятельности компании. В настоящее время охватывают – стратегический и оперативный менеджмент, обеспечивая конкурентные преимущества В соответствии с концепцией, заложенной в BSC, деятельность компании предлагается рассматривать в четырех аспектах: финансы, отношения с внешним миром, внутреннее состояние, инновации. Анализ сгруппированных по целевым группам интегрированных показателей позволяет руководству оперативно выявлять вопросы, требующие немедленного вмешательства, и в дальнейшем получать по ним детализированную информацию. Стандарты MRP, MRP II, ERP позволили:  стандартизовать большую часть информации, которая предоставляется руководителю; разным руководителям предоставляется информация разной степени детализации; все это происходит не постоянно, а по фиксированным датам: в конце дня, месяца, квартала, года.

  1.  
    Системы подготовки и принятия решений (СППР). Классификация по типу инструментального назначения (
    DMSS и DSS) и по виду используемых данных. Недостатки традиционных информационных систем для реализации стратегических СППР.

1) Классификация СППР по типу используемых данных. СППР, в зависимости от данных, с которыми они работают, делятся: Оперативные системы, предназначенные для немедленного реагирования на текущую ситуацию; Стратегические системы - основанные на анализе большого количества информации из разных источников с привлечением сведений, содержащихся в системах, аккумулирующих опыт решения проблем.

Информационные системы руководства. СППР первого типа получили название Информационных Систем Руководства (Executive Information Systems, ИСР).

Они представляют собой конечные наборы отчетов, построенные на основании данных из транзакционной информационной системы предприятия (OLTP- online transaction processing), в идеале адекватно отражающей в режиме реального времени все аспекты производственного цикла предприятия. Для ИСР характерны следующие основные черты: отчеты, как правило, базируются на стандартных для организации запросах; ИСР представляет отчеты в максимально удобном виде, включающем, наряду с таблицами, деловую графику, мультимедийные возможности и т. п.;  как правило, ИСР ориентированы на конкретный вертикальный рынок, например - финансы, маркетинг, управление ресурсами.

В ИСР качество оперативных решений обеспечивается тем, что данные выбираются непосредственно из информационной системы управления предприятием, которая адекватно отражает состояние бизнеса на данный момент времени.

Стратегические СППР. СППР второго типа предполагают достаточно глубокую проработку данных, специально преобразованных так, чтобы их было удобно использовать в ходе процесса принятия решений.

Неотъемлемым компонентом СППР этого уровня являются: агрегирование данных, специально преобразованных так, чтобы их было удобно использовать в ходе процесса принятия решений; правила принятия решений, которые на основе агрегированных данных подсказывают менеджерскому составу выводы и придают системе черты искусственного интеллекта.

Недостатки использования традиционных ИС предприятий для стратегических систем: 1) По мере роста и развития ИСР, а также совершенствования алгоритмов принятия решений на основе агрегированных данных, системы принятия решений столкнулись с проблемами, вызванными необходимостью обеспечить растущие потребности бизнеса; 2) В СППР второго типа традиционная технология подготовки интегрированной информации на основе запросов и отчетов стала неэффективной из-за резкого увеличения количества и разнообразия исходных данных.

  1.  
    Хранилища данных. Цель построения и основные особенности. Типовая структура. Схема функционирования.

1) Целью построения корпоративного хранилища данных является: интеграция, актуализация и согласование оперативных данных из разнородных источников; для формирования единого непротиворечивого взгляда на объект управления в целом.

  •  В основе концепции хранилищ данных лежит признание необходимости разделения наборов данных, используемых для транзакционной обработки, и наборов данных, применяемых в системах поддержки принятия решений.
    •  Такое разделение возможно путем интеграции разъединенных в БД и внешних источниках детализированных данных в едином хранилище, их согласования и, возможно, агрегации.

2) W. Inmon, автор концепции хранилищ данных, определяет такие хранилища как:

  1.  предметно-ориентированные,Означает кросс-функциональный срез данных. Все собранные данные, относящиеся к объекту исследования, равноправны в хранилище независимо от их происхождения. Это кардинально отличается от СОД – где данные подобраны в соответствии с требованиями конкретных приложений
  2.  интегрированные,подразумевает согласование, унификацию и стандартизацию данных, т.е. приведение их к общему знаменателю
  3.  неизменчивые,однажды загруженные данные никогда не меняются. Только две операции: начальная загрузка и чтение.
  4.  поддерживающие хронологию данные хронологически структурированы и отражают историю

Наборы данных, организованные с целью поддержки управления, призванные выступать в роли "единого и единственного источника истины", обеспечивающего менеджеров и аналитиков достоверной информацией, необходимой для оперативного анализа и поддержки принятия решений.

3) Таким образом, хранилище данных функционирует по следующему сценарию.

  •  По заданному регламенту в него собираются данные из различных источников - баз данных систем оперативной обработки.
  •  В хранилище поддерживается хронология: наравне с текущими данными хранятся исторические данные с указанием времени, к которому они относятся.
  •  В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, агрегируются до минимально требуемого уровня обобщения.
  1.  
    Типовые решения для организации ХД (фирмы, продукты). Интеграция данных в хранилище.

1) Основные решения для создания хранилищ данных

Программный комплекс для организации и ведения хранилищ данных должен обеспечивать: 1) автоматизацию проектирования структуры интегрированной БД; 2) автоматизацию сбора исходных данных из внешних источников; 3) администрирование хранилища, в том числе автоматизацию построения информационных моделей для обработки хранилища данных средствами поиска, корректировки и оперативной аналитической обработки данных; 4) гибкие механизмы поиска и корректировки данных; 5) оперативную аналитическую обработку данных; 6) возможность применения методов интеллектуального анализа данных над имеющимися в хранилище детализированными и агрегированными данными; 7) гибкие механизмы генерации отчетов для представления детализированных, агрегированных данных и результатов интеллектуального анализа лицам, принимающим решения.

  •  При этом возможны два альтернативных подхода: 1) разработка собственных инструментальных средств организации и ведения хранилищ данных. 2) выбор готовых зарубежных или российских решений. В пользу выбора готового решения говорит возможность использования богатого опыта внедрения существующих систем, а также развитые средства интеграции с прикладными программными системами.
    1.  IBM предлагает собственные инструментальные средства построения хранилищ данных (Visual Warehouse). В качестве средств управления данными IBM предлагает воспользоваться собственной СУБД DB2. Кроме того, пользователи могут получать доступ к DB2 через Web-браузеры. IBM поддерживает интеграцию с продуктами сторонних фирм - Bryo, Business Objects, Cognos, Evolutionary Technologies International, Vality Technology и некоторых других.
    2.  Informix предлагает набор инструментов для создания хранилищ данных Informix Decision Frontier Solution Suite. Ведущий продукт фирмы Informix - СУБД Informix Dynamic Server, последняя версия которого называется Informix Dynamic Server 2002. Данный продукт поддерживает платформы UNIX и Microsoft Windows NT и обеспечивает эффективную работу как на одно-, так и на многопроцессорных системах, а также в кластерах.
    3.  Oracle Центральное место в технологии систем поддержки принятия решений Oracle занимает продукт нового поколения Warehouse Builder - многофункциональная расширяемая среда для разработки и развертывания корпоративных Хранилищ и Витрин Данных. В качестве механизма хранения в реляционных Хранилищах и Витринах Данных используется сервер OracleSi, в многомерных Витринах - Express Server. Для проектирования Хранилища можно также использовать инструмент Oracle Designer, а затем автоматически перенести описание проекта в репозиторий метаданных Warehouse Builder. Средства доступа к данным покрывают весь спектр аналитических задач – для стандартной отчетности используется Reports, для генерации нерегламентированных отчетов и запросов - Discoverer, для сложного многомерного анализа - продукты семейства Express, для задач "извлечения знаний" - Darwin Data Mining Suite. Кроме того, существуют готовые аналитические приложения для решения специализированных задач - Sales Analyzer, Financial Analyzer, Activa и Balanced Scorecard.
    4.  Sybase поставляет интегрированную платформу для проектирования, запуска в эксплуатацию и администрирования хранилищ данных - Sybase Warehouse Studio. Для создания многомерных хранилищ данных Sybase предлагает серверный продукт Sybase Adaptive Server IQ -специализированную СУБД, в которой поддерживаются вертикальное хранение данных, сжатие данных и запатентованная технология обработки запросов Bit-Wise.
    5.  SAS Institute является общепризнанным лидером среди разработчиков технологий хранилищ данных и средств добычи данных и предлагает наиболее полное комплексное решение, которое так и называется Система SAS®. С помощью продуктов SAS можно создать централизованное, распределенное или виртуальное хранилище. Модульный принцип этого программного обеспечения позволяет использовать его в разных архитектурах.

2) Интеграция данных в хранилище

Процесс  извлечения  данных  из операционных  систем  и  преобразования  их  в  формат хранилища  является  весьма  трудоемким,  утомительным и отнимает много времени.

Технология   заполнения   хранилища включает три взаимосвязанные задачи: сбор данных (Data Extraction), преобразование и консолидация данных (Data Transformation и Data Consolidation), непосредственно загрузка  данных  (Data  Loading).

Сбор данных

  1.  Лишь некоторые аспекты этого процесса могут быть автоматизированы полностью или частично.

Комплексная проблема гетерогенности СУБД; Существует несколько способов решения проблемы гетерогенности; Другая проблема данной стадии состоит в необходимости извлекать данные из унаследованных систем (legacy system).

2. Второй аспект сбора данных - это организация процесса пополнения хранилища.

Методы обнаружения изменений в данных. Они могут быть разделены на 2 основные категории: непрерывные, периодические

Существует три основных метода непрерывного извлечения данных: извлечение данных, строенное в БД; извлечение, основанное на триггерах; извлечение, основанное на журнале транзакций.

Наиболее популярными являются три периодических метода: статическое извлечение данных; извлечение данных, основанное на временном факторе; извлечение данных, основанное на сравнении файлов.

Преобразование данных

  1.  Необходимость этого процесса снова обусловлена проблемой гетерогенности БД, но здесь на передний план выходит проблема несогласованности данных.
  2.  Для получения интегрированного согласованного непротиворечивого хранилища данных, собранных из разнородных источников на этапе преобразования данных необходимо провести следующие процессы:

Загрузка данных в хранилище

Следующим этапом является загрузка данных, т.е. непосредственно процесс наполнения хранилища.

Для осуществления данного этапа на уровне метаданных должны быть разработаны правила управления  удалениями, вставками и изменениями. Эти правила составляют основу сценариев загрузки, включающие помимо того соответствие полей таблиц исходного источника и целевого хранилища, а также условия вставки и изменения записей.

  1.  
    Оперативная аналитическая обработка данных (
    OLAP).

Оперативная аналитическая обработка данных (OLAP)

В основе концепции оперативной аналитической обработки (OLAP) лежит многомерное представление данных.

Требования к средствам оперативной аналитической обработки: 12 правил, которым должен удовлетворять продукт класса OLAP, следует рассматривать как рекомендательные, а продукты оценивать по степени приближения к идеальному соответствию всем требованиям: 1.Многомерное концептуальное представление данных; 2. Прозрачность; 3. Доступность; 4. Устойчивая производительность; 5. Клиент - серверная архитектура; 6. Равноправие измерений; 7. Динамическая обработка разреженных матриц; 8. Поддержка многопользовательского режима; 9.Неограниченная поддержка кросмерных операций; 10. Интуитивное манипулирование данными; 11. Гибкий механизм генерации отчетов; 12. Неограниченное количество измерений и уровней агрегации

Многомерный OLAP (MOLAP)

В специализированных СУБД, основанных на многомерном представлении, данные организованы не в форме реляционных таблиц, а в виде упорядоченных многомерных массивов: гиперкубов (все хранимые в БД ячейки должны иметь одинаковую мерность, то есть находиться в максимально полном базисе измерений) или поликубов (каждая переменная хранится с собственным набором измерений, и все связанные с этим сложности обработки перекладываются на внутренние механизмы системы). Использование многомерных БД в системах оперативной аналитической обработки имеет следующие достоинства.

Достоинства: 1. В случае использования многомерных СУБД поиск и выборка данных осуществляется значительно быстрее, чем при многомерном концептуальном взгляде на реляционную базу данных. Среднее время ответа на нерегламентированный запрос при использовании многомерной СУБД обычно на один-два порядка меньше, чем в случае реляционной СУБД с нормализованной схемой данных". 2. Из-за объективно существующих ограничений SQL в реляционных СУБД невозможно (или, по крайней мере, достаточно сложно) реализовать многие встроенные функции, легко обеспечиваемые в системах, основанных на многомерном представлении данных.

Имеются существенные ограничения:  1. Многомерные СУБД не позволяют работать с большими базами данных. На сегодняшний день их реальный предел - 10-20 гигабайт. 2. Многомерные СУБД, по сравнению с реляционными БД, очень неэффективно используют внешнюю память. Таким образом, при проектировании многомерной БД часто приходится жертвовать либо быстродействием (а это одно из первых достоинств и главная причина выбора именно многомерной СУБД), либо внешней памятью (хотя, как отмечалось, максимальный размер многомерных БД ограничен). 3. В настоящее время для многомерных СУБД отсутствуют единые стандарты на интерфейс, языки описания и манипулирования данными. 4. Многомерные СУБД не поддерживают репликацию данных, часто используемую в качестве механизма загрузки.

Следовательно, использование многомерных СУБД оправдано только при следующих условиях: 1. Объем исходных данных для анализа не слишком велик, (несколько гигабайт), то есть уровень агрегации данных достаточно высок. 2. Набор информационных измерений стабилен (поскольку любое изменение в их структуре почти всегда требует полной перестройки гиперкуба). 3. Время ответа системы на нерегламентированные запросы является наиболее критичным параметром. 4. Требуется широкое использование сложных встроенных функций для выполнения кроссмерных вычислений над ячейками гиперкуба, в том числе возможность написания пользовательских функций.

Реляционный OLAP (ROLAP)

Непосредственное использование реляционных БД в качестве исходных данных в системах оперативной аналитической обработки имеет следующие достоинства: 1. При оперативной аналитической обработке содержимого хранилищ данных инструменты ROLAP позволяют производить анализ непосредственно над хранилищем (потому что в подавляющем большинстве случаев корпоративные хранилища данных реализуются средствами реляционных СУБД). 2. В случае переменной размерности задачи, когда изменения в структуру измерений приходится вносить достаточно часто, ROLAP системы с динамическим представлением размерности являются оптимальным решением, так как в них такие модификации не требуют физической реорганизации БД.

3. Системы ROLAP могут функционировать на гораздо менее мощных клиентских станциях, чем системы MOLAP, поскольку основная вычислительная нагрузка в них ложится на сервер, где выполняются сложные аналитические SQL-запросы формируемые системой. 4. Реляционные СУБД обеспечивают значительно более высокие уровень защиты данных и разграничение прав доступа.

5. Реляционные СУБД имеют реальный опыт работы с очень большими базами данных и развитые средства администрирования.

Недостатки ROLAP-систем: 1.Ограниченные возможности с точки зрения расчета значений функционального типа. 2. Меньшая производительность. Для обеспечения сравнимой с MOLAP производительности реляционные системы требуют тщательной проработки схемы БД и специальной настройки индексов.

  1.  
    Интеллектуальный анализ данных (
    Data Mining).

Интеллектуальный анализ данных (DATA MINING)

ИАД - это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). 

Классификация задач ИАД по типам извлекаемой информации

1. Классификация. Наиболее распространенная задача ИАД. Она позволяет выявить признаки, характеризующие однотипные группы объектов - классы, - для того чтобы по известным значениям этих характеристик можно было отнести новый объект к тому или иному классу. Ключевым моментом выполнения этой задачи является анализ множества классифицированных объектов.

2. Кластеризация. Логически продолжает идею классификации на более сложный случай, когда сами классы не предопределены. Результатом использования метода, выполняющего кластеризацию, как раз является определение (посредством свободного поиска) присущего исследуемым данным разбиения на группы.

3. Выявление ассоциаций. В отличие от двух предыдущих типов, ассоциация определяется не на основе значений свойств одного объекта или события, а имеет место между двумя или несколькими одновременно наступающими событиями. При этом производимые правила указывают на то, что при наступлении одного события с той или иной степенью вероятности наступает другое. Количественно сила ассоциации определяется несколькими величинами; например, в системе MineSet [1] используется три характеристики: а) предсказуемость (predictability); б) распространенность (prevalence) показывает, как часто происходит одновременное наступление событий Х и Y относительно общего числа моментов зафиксированных событий; в) ожидаемая предсказуемость (expected predictability) показывает ту предсказуемость, которая сложилась бы при отсутствии взаимосвязи между событиями.

4. Выявление последовательностей. Подобно ассоциациям, последовательности имеют место между событиями, но наступающими не одновременно, а с некоторым определенным разрывом во времени. Таким образом, ассоциация есть частный случай последовательности с нулевым временным лагом.

5. Прогнозирование. Это особая форма предсказания, которая на основе особенностей поведения текущих и исторических данных оценивает будущие значения определенных численных показателей.

Классификация стадий ИАД

ИАД состоит из трех стадий: выявление закономерностей (свободный поиск); применение выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование); анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях.

Свободный поиск (Discovery)

  1.  Свободный поиск определяется как процесс исследования исходной БД на предмет поиска скрытых закономерностей без предварительного определения гипотез относительно вида этих закономерностей.
    1.  Другими словами, сама программа берет на себя инициативу в деле поиска интересных аномалий, или шаблонов, в данных, освобождая аналитика от необходимости обдумывания и задания соответствующих запросов.
    2.  Этот подход особенно ценен при исследовании больших БД, имеющих значительное количество скрытых закономерностей, большинство из которых было бы упущено при непосредственном поиске путем прямых запросов пользователя к исходным данным.

Стадия свободного поиска, как правило, должна включать в себя: не только генерацию закономерностей, но и проверку их достоверности на множестве данных, не принимавшихся в расчет при их формулировании. Прием разделения исходных данных на обучающее множество (training set) и проверочное множество (test set) хорошо описан в методах обучения нейронных сетей. Некоторые обзоры даже выделяют этап валидации моделей в отдельную стадию.

Прогностическое моделирование (Predictive Modeling)

Здесь, на второй стадии ИАД, используются плоды работы первой, то есть найденные в БД закономерности применяются для предсказания неизвестных значений: при классификации нового объекта мы можем с известной уверенностью отнести его к определенной группе результатов рассмотрения известных значений его атрибутов; при прогнозировании динамического процесса результаты определения тренда и периодических колебаний могут быть использованы для вынесения предположений о вероятном развитии некоторого динамического процесса в будущем.

Анализ исключений (Forensic Analysis)

Предметом данного анализа являются аномалии в раскрытых закономерностях, то есть необъясненные исключения.

Чтобы найти их, следует сначала определить норму (стадия свободного поиска), а за тем выделить ее нарушения.

PAGE  1


 

А также другие работы, которые могут Вас заинтересовать

25950. Городские транспортные сооружения 34 KB
  Путепроводы и эстакады можно отнести ко второй группе сооружений. Эстакады применяют в следующих случаях: на пересечениях двух и более транспортных магистралей для увеличения пропускной способности улиц для пропуска скоростных автомагистралей над городской застройкой независимо от сложившейся сети улиц на подходах к большим мостам вместо высоких насыпей на подходах к местам скопления большого числа автомобилей вокзалам аэродромам гостиницам стадионам для уширения набережных и организации движения вдоль рек на косогорах болотах и...
25951. Стоянка для автомобилей (далее автостоянка) - здание, сооружение или специальная открытая площадка, предназначенные только для хранения (стоянки) автомобилей 32.5 KB
  Механизированная автостоянка автостоянка в которой транспортировка автомобилей в места ячейки хранения осуществляется специальными механизированными устройствами без участия водителей.5 Автостоянки закрытого типа для автомобилей с двигателями работающими на сжатом природном газе и сжиженном нефтяном газе встраивать в здания иного назначения и пристраивать к ним а также располагать ниже уровня земли не допускается.7 Хранение автомобилей для перевозки горючесмазочных материалов следует как правило предусматривать на открытых...
25956. Основные конструктивные элементы здания – горизонтальные (перекрытия, покрытия), вертикальные (стены, колонны) и фундаменты, взятые вместе, составляют единую пространственную систему – несущий остов здания 12.15 KB
  Основное назначение несущего остова – конструктивной основы здания – состоит в восприятии нагрузок действующих на здание работе на усилия от этих нагрузок с обеспечением конструкциям необходимых эксплуатационных качеств в течение всего срока их службы. Конструктивная система представляет собой взаимосвязанную совокупность вертикальных и горизонтальных несущих конструкций здания которые совместно обеспечивают его прочность жёсткость и устойчивость. Горизонтальные конструкции – перекрытия и покрытия здания воспринимают приходящиеся на них...
25957. Реконструкция объектов капитального строительства 12.01 KB
  Реконструкция стен здания: Уменьшение несущей способности стен дома происходит изза влияния факторов влияющих на фундамент. Реконструкция фасадов Усиление каменной кирпичной кладки стен Реконструкция стропильной системы и кровельного покрытия Собственно крыша и ее верхний слой кровля подвержены постоянному влиянию большого количества агрессивных факторов. При покрытии кровли мягким материалом – при небольших дефектах выполняются заплатки а при износе демонтируется все покрытиеи после этого выполняется полная реконструкция крыши.
25958. Крупноблочные конструкции 27.5 KB
  Из крупных блоков могут быть смонтированы различные части здания: фундаменты наружные и внутренние стены перегородки и т. ленточных фундаментов и стен подвалов могут применяться не только в крупноблочных домах но и в зданиях с кирпичными и крупнопанельными конструкциями См. наружных стен зданий из блоков изготовленных на основе лёгких и ячеистых бетонов шлакобетон керамзитобетон газобетон и др. Толщина крупноблочных стен назначается от 30 до 60 см в зависимости от теплотехнических и прочностных свойств материала блока и от...