Лекция №8

Планирование машинных экспериментов с моделями систем.

1. Методы планирования эксперимента.

Основная задача планирования машинных экспериментов получения необходимой информации об исследуемой системе при ограничениях на ресурсы (затраты машинного времени, памяти и т.д.). К числу частных задач, решаемых при моделировании, относятся задачи уменьшения затрат машинного времени на моделирование, проверки адекватности модели и т.д. Т.е. при машинном моделировании целесообразно планировать и проектировать не только модель системы, но и процесс ее использования.

В настоящее время в науке и технике сложилась теория планирования экспериментов. Несмотря на то что цели экспериментального моделирования

на ЭВМ и проведения натурного эксперимента совпадают, между этими двумя видами экспериментов существуют различия. Поэтому для планирования эксперимента наиболее важное значение имеет следующее:

1. Простота повторения условий эксперимента на ЭВМ;

2. Возможность управления экспериментом, включая прерывание и

возобновление;

3. Легкость варьирования условий проведения эксперимента;

4. Трудности, связанные с определением интервала моделирования.

Рассмотрим основные понятия теории планирования экспериментов. В связи с тем, что математические методы планирования экспериментов основаны на кибернетических представлениях, наиболее подходящей моделью собственно эксперимента является "черный ящик". При таком кибернетическом подходе различают входные (экзогенные) и выходные (эндогенные) переменные: X,Y. Каждая переменная может быть либо фактором (вход) либо реакцией (выход). Если переменных, например, два X,Y, то X - фактор, Y - реакция.

Каждый фактор может принимать одно из нескольких значений, называемых уровнями. Фиксированный набор факторов представляет условия проведения эксперимента и определяет одно из возможных состояний системы.

Каждому набору уровней факторов соответствует определенная точка в многомерном пространстве, называемым факторным пространством. Эксперименты обычно организуются в определенной области факторного пространства (рис.51).

Существует вполне определенная связь между уровнями факторов и реакцией (откликом) системы, которую можно представить в виде соотношения:

Уi = Уi(X1, X2… Xn)

Функцию Уi связывающую реакцию с факторами, называют функцией реакции, а ее геометрическое представление - поверхностью реакции.

Зависимости Уi находятся экспериментально и является часто конечной целью эксперимента.

При планировании экспериментов необходимо определить основные свойства факторов. Факторы могут быть управляемыми и неуправляемыми, наблюдаемыми и ненаблюдаемыми, изучаемыми и не изучаемыми, количественными и качественными, фиксированными и случайными.

Фактор называется управляемым, если его уровни целенаправленно выбираются исследователем в процессе эксперимента.

Фактор называется наблюдаемым, если его значения наблюдаются и регистрируются. Обычно в эксперименте наблюдаемые факторы совпадают с управляемыми. Но неуправляемый фактор также можно наблюдать. Наблюдаемые неуправляемые факторы называют сопутствующими. Обычно при машинном эксперименте число сопутствующих факторов очень велико. Рационально учитывать только те из них, которые наиболее существенно воздействуют на реакцию.

Фактор относится к изучаемым, если он включен в модель для изучения свойств системы, а не для вспомогательных целей (например, для увеличения точности эксперимента).

Рис.51 Геометрическое представление поверхности реакции при двухфакторном эксперименте.

 

Фактор будет количественным, если его значения - числовые величины, влияющие на реакцию; в противном случае фактор называется качественным. Например, в модели системы массового обслуживания количественными факторами являются интенсивности входящих потоков заявок, интенсивности потоков обслуживания, емкости накопителей, количество обслуживающих каналов и т.д. Качественным факторам в отличии от количественных не соответствует числовая школа. Однако и для них можно построить условную порядковую школу, с помощью которой производится кодирование, устанавливая соответствие между условиями качественного фактора и числами натурального ряда.

Фактор называется фиксированным, если в эксперименте исследуются все значения фактора, а если исследуют некоторую случайную выборку из совокупности значений фактора, то фактор называется случайным. На основании случайных факторов могут быть сделаны вероятностные выводы и о тех значениях факторов, которые в эксперименте не исследовались.

В машинных экспериментах с моделями не бывает неуправляемых или ненаблюдаемых факторов, т.к. если модель сформулирована, то все факторы определены и нельзя во время проведения данного эксперимента вводить дополнительные факторы. Поэтому эксперименты с моделью всегда менее информативны, чем эксперименты с объектом моделирования.

Каждый фактор может принимать одно или несколько значений, называемых уровнями. Причем фактор будет управляемым, если его уровни целенаправленно выбираются экспериментатором. Для полного определения фактора необходимо указать последовательность операций, с помощью которых устанавливаются его конкретные уровни. Такое определение фактора называется операциональным и обеспечивает однозначность понимания фактора.

Основными требованиями, предъявляемыми и фактором, являются требования управляемости фактора и требование непосредственного воздействия на объект. Под управляемостью фактора понимается возможность установки и поддержания выбранного нужного уровня фактора постоянным в течение всего испытания или изменяющимся в соответствии с заданной программой. Требование непосредственного воздействия на объект имеет большое значение в связи с тем, что трудно управлять фактором, если он является функцией других факторов.

Если при планировании эксперимента одновременно изменяются несколько факторов, то к ним предъявляется требование совместимости и независимости. Совместимость факторов означает, что все их комбинации осуществимы, а независимость соответствует возможности установления фактора на любом уровне независимо от уровней других.

При моделировании систем создают такие условия, которые способствуют выявлению влияния факторов, находящихся в функциональной связи с искомой характеристикой. Для этого необходимо:

1)отобрать факторы X, влияющие на искомую характеристику;

2)описать функциональную зависимость между факторами и реакцией (характеристикой);

3)установить диапазон изменения факторов Ximin - Ximax ;

4)определить координаты точек факторного пространства, в котором следует проводить эксперимент;

5)оценить необходимое число реализаций и их порядок в эксперименте.

Свойства объекта исследования можно описывать с помощью различных методов (моделей планирования). В настоящее время наибольшее применение нашли модели в виде алгебраических полиномов. Например реакция в однофакторной модели планирования может быть представлена в виде

Y = b0 + b1x1 + b2x12

Более сложные объекты требуют применение полиномиальных моделей планирования большего порядка. Например, модель второго порядка в k - факторном эксперименте будет иметь вид:

k k k

Y = b0 + ∑bixi + ∑bixi2 + ∑bjxixj

i=1 i=1 i=1

j=1

Функция реакции может иметь и более сложный вид.

В рамках выбранной модели планирования в виде алгебраических полиномов строится план эксперимента путем варьирования каждого из факторов X на нескольких уровнях q относительно исходной точки X0 , представляющей собой центр эксперимента.

Эксперимент, в котором реализуются все возможные сочетания уровней факторов, называется полным факторным экспериментом. (ПФЭ)

Для оценки коэффициентов модели используется план эксперимента с варьированием всех k факторов на двух уровнях. Такие планы называются планами типа 2k,тогда N=2k - число всех возможных испытаний (см. рис.52 а,б).

Начальный этап планирования эксперимента для получения коэффициентов модели основан на варьировании факторов на двух уровнях: нижнем xiн и верхнем xiв, симметрично расположенных относительно основного уровня xiо. Геометрическая интерпретация показана на рис.53. Так как каждый фактор принимает лишь два значения xiн= xiо-∆xi и xiв=xiо-∆xi, то для стандартизации и упрощения условий каждого испытания и обработки выборочных данных эксперимента масштабы по осям факторов выбирают так, чтобы нижний уровень соответствовал -1, верхний +1, а основной - нулю.

2. Стратегическое планирование.

Применяя системный подход к проблеме планирования машинных экспериментов, выделяют две составляющие планирования: стратегическое планирование и тактическое планирование.

Стратегическое планирование решает задачу получения необходимой информации с учетом ограничений на ресурсы.

Тактическое планирование - это способ проведения каждой серии испытаний, предусмотренных планом эксперимента.

При построении плана эксперимента целями эксперимента являются получение зависимости реакции от факторов и нахождения значений факторов, доставляющих экстремум реакции.

При реализации полного плана экспериментов, что эквивалентно полному перебору вариантов, необходимы значительные бесполезные затраты машинного времени. В этом случае целесообразно и необходимо использовать математические методы решения задач оптимального управления.

Применяя системный подход к проблеме стратегического планирования машинных экспериментов, можно выделить следующие этапы:

1.Построение структурной модели;

2.Построение функциональной модели;

При этом структурная модель выбирается исходя из того, что должно быть сделано, а функциональная - что может быть сделано.

Структурная модель плана характеризуется числом факторов и числом уравнений для каждого фактора.

Число элементов эксперимента

Nc=q1 q2 qk

k - число факторов эксперимента; qi - число уровней i-го эксперимента. Вопрос о виде и числе необходимых факторов с точки зрения проводимой имитации объекта. Причем следует найти наиболее существенные факторы, т.к. из опыта известно, что для большинства систем 20% факторов определяют 80% свойств ее системы, а остальные 80% факторов определяют лишь 20% ее свойств.

Число уровней следует выбирать минимальным, чтобы уменьшить общее число экспериментов. Анализ результатов существенно упрощается, если уровни равноотстоят друг от друга. Можно получить значительные аналитические упрощения, если принять число уровней всех факторов одинаковыми. Тогда структурная модель будет симметричной и примет вид.

Nc=qk

Функциональная модель плана эксперимента определяет количество элементов структурной модели Nф, т.е. различное число информационных точек. При этом функциональная модель может быть полной и неполной. Функциональная модель называется полной, если в оценке реакции участвуют все элементы, т.е. Nф=Nc, и неполной, если число реакций меньше числа элементов, т.е. Nф<Nc.

Основная цель построения функциональной модели - нахождение компромисса между необходимыми действиями при машинном эксперименте (исходя из структурной модели) и ограниченными ресурсами на решение задачи.

 

 

 Рис.52 Геометрическая интерпретация полного факторного эксперимента типа 22

а) без масштабирования б) с масштабированием

 

Рис.53 Геометрическая интерпретация полного факторного эксперимента типа 23

3. Тактическое планирование машинных экспериментов.

Тактическое планирование связано с эффективностью использования машинных ресурсов и определения конкретных способов проведения испытаний, намеченных при стратегическом планировании.

Тактическое планирование должно решать следующие проблемы:

1.определение начальных условий и их влияние на результат моделирования.

2.обеспечение точности и достоверности результатов моделирования.

3.выбора правил автоматической остановки эксперимента.

Проблема определения начальных условий возникает вследствие искусственного характера функционирования модели, которая в отличие от реальной системы работает эпизодически, т.е. только когда экспериментатор запускает модель. Поэтому всякий раз, после запуска модели, необходимо некоторое время после запуска модели, необходимое для достижения равновесия в модели, которые соответствуют условиям функционирования реальной системы. Сократить это время можно правильным выбором начальных условий. При этом неизбежна некоторая потеря информации, т.к. часто невозможно учесть все начальные условия. Потеря информации о начальном периоде прогона модели приводит к исполнению конечных результатов моделирования.

Проблема обеспечения точности и достоверности результатов моделирования связана с конечным числом реализаций, в результате которых должны быть получены результаты.

При статистическом моделировании невозможно получить абсолютно точный результат в принципе, даже если число экспериментов будет равно ∞. В лучшем случае можно получить лишь некоторую оценку точности результатов.

Таким образом, количество реализаций N при статистическом моделировании системы должно выбираться исходя из двух основных соображений: определение затрат на машинный эксперимент и оценки точности и достоверности результатов экспериментов. Это часто противоречивые требования и необходимо при каждом эксперименте отыскивать компромисс между ними.

пусть E - точное значение показателя эффективности системы, а Ē- его оценка.

Вероятность того, что неравенство

з E-Ēз <e (1)

выполняется, называется достоверностью оценки.

Q=P {з E-Ēз < e } (2)

e

Величина e 0 = ѕ

E

называется относительной точностью оценки, а достоверность относительной оценки соответственно будет иметь вид:

з E-Ēз


Q= P {kE<e 0}.

Для того чтобы при статистическом моделировании системы по заданным e или e 0 и Q определить количество реализаций N или, наоборот, при ограниченных ресурсах (известном N). Необходимые e и Q, следует детально изучить соотношения (1),(2). Сделать это удается не во всех случаях, т.к. закон распределения вероятностей величины з E-Ēз во многих случаях неизвестен. В этом случае выдвигаются, а затем доказываются, гипотеза о характере распределения случайной величины Ē , т.е. оценки показателя эффективности системы.

При отсутствии возможности получения каких-либо сведений о вероятности распределения случайных величин, использование понятия абсолютной точности E теряет всякий смысл. В таких случаях целесообразно задавать относительную точность моделирования.

Проблема выбора правил автоматической остановки эксперимента.

Простейший способ решения проблемы задание требуемого количества реализаций N (или задание длины интервала моделирования).

Однако такой детерминированный подход неэффективен, т.к. в его основе лежат достаточно грубые предположения о распределении выходных переменных, которые на этапе тактического планирования являются неизвестными. Другой способ - задание доверительных интервалов для выходных переменных. Это позволяет приблизить время прогона модели к минимальному. Но фактически машинное время всегда больше минимально необходимого.

Правила автоматической остановки могут быть включены в машинную модель такими способами:

1)Путем двухэтапного проведения прогона, когда делается пробный прогон из Ni реализаций, позволяющий оценить необходимое количество реализаций N (причем, если Ni≥N то прогон можно закончить, в противном случае необходимо набрать ещё N-Ni реализаций);

2)Путем использования последовательного анализа для определения минимально необходимого количества реализаций N, которое рассматривается при этом как случайная величина, зависящая от результатов N-1 предыдущих реализаций эксперимента.

3.1. Функциональная модель.

Функциональная модель определяет количество элементов структурной модели, которые должны служить действительными измерителями отклика, т.е. определять, сколько иметь различных информационных точек. Подобные модели могут быть либо совершенными либо несовершенными. Функциональная модель может быть совершенной, если в измерении отклика участвуют все ее элементы. Функциональная модель называется несовершенной, если число откликов меньше числа элементов, т.к. структурная модель определяет то, что мы хотели бы иметь, но идеальным был бы случай, когда функциональная модель совпадает со структурой. Большинство модельных исследований имеют ограничения, наложенные на время (график),

денежные средства, производительность вычислительных машин. Во многих случаях эти ограничения устанавливают довольно жесткие границы для возможностей экспериментального исследования и не позволяют осуществить классические статистические процедуры. Функциональная модель должна помочь нам выбрать приемлимый компромисс между нашими желаниями и нашими возможностями (ресурсами).

В большинстве сложных экспериментальных исследований число возможных комбинаций факторов и рассматриваемых их уровней почти бесконечно. Поэтому чтобы удовлетворить ресурсным ограничениям, мы вынуждены пойти на большое число компромиссов. На рис.54 представлена номограмма, которую можно использовать для предварительного планирования эксперимента в отношении числа факторов, уровней, повторений эксперимента, а также скорость вычислений и затрат на них. Два левых квадранта построены с помощью следующего выражения для полного числа машинных прогонов, необходимых при симметрично повторяемом эксперименте:

N=pqk

k - число факторов (входных параметров или переменных);

q - число уровней фактора;

p - число повторений;

N - полное число требуемых машинных прогонов.

На рис.54 приведен соответствующий пример. Выберем число факторов в левом верхнем квадранте рисунка. Из выбранной точки проведем горизонтальную прямую до пересечения ее с кривой, отвечающей требуемому числу уравнений фактора. Из точки пересечения проведем вертикальную прямую вниз до пересечения ее с кривой в левом нижнем квадранте, отвечающей требуемому числу повторений. Из конкретной точки, проведем горизонтальную прямую вправо до пересечения ее с кривой в правом нижнем квадранте, отвечающей среднему времени выполнения одного машинного прогона (кривые в правом нижнем квадранте построены в расчете на то, что расход машинного времени на данный проект не превышает 20 минут машинного времени в день). Проецируя полученную точку вертикально вниз, мы получим оценку числа календарных дней, необходимых для получения искомых данных. Проецируя эту же точку вертикально вверх до пересечения с кривой в верхнем правом квадранте, соответствующей стоимости 1ч. машинного времени, мы получим последнюю точку пересечения. Вертикальная координата этой точки (или точки, полученной интерполяцией) представляет собой оценку полной стоимости машинного времени, необходимого для получения всех искомых данных.

Пример рис.54 соответствует одиночному эксперименту с тремя факторами, тремя уровнями, 15 повторениями, 120с. на один машинный прогон модели и стоимости одного часа машинного времени, равной 500 руб. такой эксперимент потребует 400 (405) вычислительных циклов, примерно 13,5ч. машинного времени, около 40 дней на получение всех данных и > 6000руб. для оплаты машинного времени.

Рассмотрим предыдущий эксперимент, в котором вместо трех уровней выбрано два. Такой эксперимент потребует лишь 135 вычислительных циклов, 4,54ч. машинного времени, 13,5 дня на получение данных и 2250руб. для оплаты машинного времени.

Приведенная номограмма позволяет проектировщику быстро оценить свои возможности при проведении эксперимента. Например, если количество денежных средств фиксировано, то при заданной стоимости 1ч. машинного времени и длительности выполнения одного машинного прогона проектировщик может быстро оценить максимально доступное ему число машинных прогонов. Затем он может проследить возможные взаимосвязи между факторами, уровнями и числом повторений. Если же он видит возможность сокращения времени выполнения машинного прогона (например, с помощью перепрограммирования) со 120 до 60с., то он может быстро оценить, оправданы ли такие усилия (в нашем примере экономия составит 2667руб. по машинному времени и 20 дней ускорения графика работ).

Предположим теперь, что вследствие ограничений по стоимости или машинному времени эксперимента проектировщик считает необходимым уменьшить полное число вычислительных прогонов. Тогда желательно проанализировать относительное влияние факторов, уровней и числа повторений на количество потребных машинных прогонов. Один из способов сделать это - найти, какая из этих трех переменных величин дает наибольшее сокращение полного количества прогонов на единичное изменение переменной. Для этого продифференцируем

N=pqk

по p, k и q,а затем рассмотрим отношение полученных уравнений.

p - число повторений;

q - число уровней факторов;

k - число факторов.


N=P*Qk полное N=P*Qk оценки календарных

Число дней для получения

Машинных прогонов N*102 данных.

 

Рис.54.


то единичное изменение числа факторов изменяет полное число машинных прогонов по сравнению с единичным изменением числа уровней фактора в большей степени. Если же

то наоборот относительное влияние единичных изменений числа повторений и числа уровней факторов определяются:

относительное влияние единичных изменений числа повторений и числа факторов определяются.

Из уравнений (1)-(3) получаем:

1.Если kp > q и k > q lnq , то доминируют (оказывают наибольшее влияние на полное число машинных прогонов) изменение числа уровней.

2.Если kp > q и k < q lnq , то доминирует число факторов.

3.Если p < q и p lnq < 1 , то доминирует число повторений.

На рис.55 приведен график отношения q lnq/k как функция числа уровней q при числе факторов в пределах от 1 до 5. Если отношение(q lnq)/k превышает 1 при данных величинах q и k, то доминирует число факторов. Если же это соотношение меньше 1, то доминирует число уровней.

Рис.56. Повторение и уровни

 

На рис.56 приведен график отношения q/kp от числа уровней q для произведений kp в пределах от 1 до 5. Если в данном случае q/kp > 1 то доминирует число повторений, если же q/kp < 1, то доминирует число уровней. Отметим, что если kp≥5, то всегда доминирует число уровней.

На рис.57 приведен график отношения 1/(p lnq) от числа уровней q для 1,2 и 10 повторений. Если 1/(p lnq) > 1 то доминирует число повторений, если 1/(p lnq) < 1 то при p≥2 и q≥2 факторы доминируют над повторениями. С помощью этих трех рисунков (55, 56, 57) и установленных выше соотношений можно легко выявить, единичное изменение какой из трех переменных - числа факторов, уровней или повторений - приводит к максимальному сокращению полного числа машинных прогонов.

Пример.

Какая переменная играет доминирующую роль в сокращении полного числа прогонов при числе факторов k=4, числе уровней q=3 и числе повторений p=8. По рис. q=3 и k=4 доминируют уровни над факторами, по следующему рис. также доминируют уровни над повторениями. Итак в данном примере уменьшение числа уровней с 3 до 2 приведет к максимальному сокращению полного числа необходимых машинных прогонов. Но это можно сделать лишь в том случае, если нас интересуют только линейные эффекты. Рисунки помогают оценить влияние различных переменных, но они не способны помочь принять то или иное решение.

 

 

Рис. 57 Повторение и факторы

8.3.2. Проблемы флуктуаций

Флуктуации (блуждающее изменение какой-либо величины) присущи всем стохастическим имитационным моделям. Поэтому для достижения заданной точности результатов эксперимента необходимо повторить эксперимент. Экспериментатор должен проводить эксперимент таким образом, чтобы не только получить результаты, но и оценить их точность, т. е. степень доверия к тем выводам, которые будут сделаны на основе этих результатов.

Степень точности определяется величиной флуктуаций случайного фактора (его дисперсией). В случае проверки двух режимов экспериментатор должен задать допустимые величины рисков ошибочных выводов, которые он может сделать если:

  1. Придет к выводу, что режимы различны, тогда как на самом деле они совпадают (ошибки a первого ряда).
  2. Придет к выводу, что режимы совпадают, тогда как на самом деле они различны (ошибки b второго ряда).

Желаемую степень точности можно задать в различных формах, например:

а) в виде доли стандартного отклонения;

б) в процентах от величины среднего значения;

в) в абсолютных величинах.

Достижимая степень точности зависит от природы режимов и величины различий между режимами. Очевидно, что точность результатов моделирования и количество вложенного в моделирование труда тесно связаны между собой.

Наиболее надежный способ уменьшения ошибки состоит в простом повторении эксперимента нужное число раз и усреднении полученных результатов. Но следует помнить, что среднеквадратическое отклонение усредненной величины обратно пропорционально лишь корню квадратному из числа повторений. Таким образом усреднение по четырем повторениям позволяет уменьшить ошибку вдвое, а усреднение по 16-ти повторениям - лишь вчетверо.

Необходимое число повторений определяется наиболее важной переменной. Если важных переменных несколько, то число повторений определяется переменной с максимальным среднеквадратическим отклонением. Тогда для остальных переменных число повторений будет превышать минимально необходимый для каждой из них уровень.

Для вычисления количества повторений, необходимого для выявления заданного минимального различия между параметрами при заданном уровне значимости, существует ряд методов. Рассмотрим некоторые основные пункты, определяющие точность и стоимость результатов эксперимента. Среди них -сходимость, начальные условия, размер выборки и методы уменьшения дисперсии.

8.3.3. Начальные условия и равновесие

Одно из основных отличий имитационных экспериментов заключается в простоте повторения и воспроизведения условий эксперимента, а также в простоте запуска, прерывания и возобновления эксперимента. Это качество модельных экспериментов одновременно является и достоинством и недостатком. Достоинством его можно считать потому, что оно позволяет экспериментатору полностью контролировать эксперимент, а недостатком потому, что он вынужден заботиться о том, как задать начальные условия и когда приступить к сбору данных. Большинство моделей используется для изучения установившихся режимов работы. Но в стохастических моделях всегда имеются переходные условия, причем, требуется определенное время для достижения моделью необходимого установившегося состояния. Обычным способом является задание нулевых начальных условий. Реальные системы имеют нулевые начальные условия лишь в самый первый момент работы после их создания (например, больница не бывает пустой, в аэропорту всегда имеются самолеты на земле и в воздухе и т. д.).

Существуют несколько способов уменьшения возможного влияния начального периода на полученные данные:

  1. Использовать достаточно длинные вычислительные прогоны, чтобы число данных переходного периода было незначительно по сравнению с числом данных установившегося состояния.
  2. Исключить из рассмотрения начальный период прогона.
  3. Выбрать для описания установившегося состояния такое начальное условие, которое ближе к типичному и тем самым уменьшить переходный период.

Каждый из этих путей имеет условия применения.

Первый подход можно применять в том случае, если прогон модели не требует слишком много времени. Если же модель сложна и каждый прогон стоит дорого или переходный период довольно велик, то такой путь может не подойти в силу больших затрат машинного времени.

Второй подход также имеет свои недостатки. Во-первых, мы фактически бесполезно тратим часть машинного времени (начальный период). Во-вторых, очевидно, что в некоторых случаях, уменьшая таким образом смещение, мы в то же время увеличиваем дисперсию (вследствие сокращения длины выборки). В-третьих, при отбрасывании части данных увеличивается (в некоторых случаях) среднеквадратическая ошибка. В-четвертых, необходимо каждый раз решать - когда закончился переходный период, чтобы определить долю отбрасываемых данных.

Не существует полностью надежных методов решения вопроса о том, достигнуто ли установившееся состояние или нет. Равновесие - это предельное состояние, к которому можно приближаться, но которого практически никогда нельзя достичь. Кроме того, установившееся состояние не означает, что переменная отклика достигла некоторого начального уровня. Переменная отклика продолжает функционировать присущим ей образом. Под равновесием или установившимся состоянием мы понимаем такое состояние регулярности или устойчивости, в котором противодействующие силы или влияния сбалансированы и компенсируют друг друга.

Мы не знаем полностью удовлетворительного метода, который позволяет определить момент достижения равновесия. Все обычно используемые методы основаны на изучении пробных или предварительных прогонов. Если это возможно, решение следует принимать на основе более, чем одного пробного прогона.

По поводу достижения равновесия можно лишь привести ряд различных заключений:

  1. Необходимо отбрасывать последовательно результаты наблюдений до тех пор, пока первое из оставшихся измерений не будет ни минимальным, ни максимальным.
  2. Другой способ состоит в сравнении числа измерений, которые превосходят средний уровень, с числом измерений ниже этого уровня; если цифры примерно одинаковы, то, скорее всего, условия стационарности выполнены.

При использовании третьего пути, можно сократить, но не устранить, переходный период, если выбрать начальные условия близкими к условиям установившегося состояния. Опасность состоит в том, что мы можем при таком способе получить некоторые смещения в сторону сделанных заранее выводов об условиях установившегося состояния. Другие трудности появляются в случае эксперимента по сравнению альтернатив. Пусть сравниваются альтернативы А и Б. Какие начальные условия выставлять в случае, если эти условия существенно различаются для разных альтернатив? Здесь есть по крайней мере три варианта:

  1. Проверить каждую альтернативу при произвольных начальных условиях.
  2. Проверить альтернативы с использованием общих начальных условий, являющихся компромиссом между наилучшими условиями для каждой альтернативы.
  3. Проверить каждую альтернативу с наилучшими для нас начальными условиями.

Как будто бы второй способ эффективнее первого, а третий эффективнее второго. Но, например, по третьему способу можно высказаться следующим образом: “Я хотел сравнить две системы А и Б. Я ожидал, что система А обладает большим по сравнению с системой Б значением В. Я выбрал начальные значения для систем А и Б такими, чтобы значение В системе А были больше чем в системе Б. Результаты машинного эксперимента показывают, что значение В системе А больше, чем в системе Б.”

Вероятно, предпочтение следует отдать второму варианту, так как “компромиссным” начальным условием, которые далее сохраняются неизменными во всех прогонах модели. Даже при наличии значительной априорной информации о моделируемых системах, установление начальных условий является нетривиальной задачей.

Обычно всегда возникает вопрос: как много выборочных значений следует взять, чтобы обеспечить достаточную статистическую значимость? Задача определения некого размера выборки, который позволяет обеспечить желаемый уровень точности и в то же время минимальную стоимость моделирования, весьма трудна, но и весьма важна. К сожалению, объём выборки обычно является функцией количества ресурсов, отпущенных на моделирование.

8.3.4. Использование правил автоматической остановки

Для достижения заданной точности результатов иногда используется метод задания доверительных интервалов по достижении которых останавливается прогон модели. Это позволяет сделать прогон не слишком длинным и не слишком коротким. В то же время при введении в модель правил остановки и операций выполнения доверительных интервалов увеличивается машинное время, необходимое для получения одной выборочной точки. Поэтому необходимо искать другие методы.

Еще одна проблема, связанная с правилами автоматической остановки, заключается в риске преждевременной остановки и получения оценок на основе слишком малой выборки. Если не предпринять необходимых мер, то в некоторых условиях случайные функции модели могут привести к тому, что правила остановки удовлетворятся при весьма малом объеме выборки. Кроме того, необходимо учитывать переходный период.

Существует два основных способа включения в модель правил автоматической остановки:

  1. Проводить прогон модели в два .этапа. Сначала сделать прогон, позволяющий получить выборку объемом n, затем использовать полученную выборку для оценивания необходимого объема выборки n*. Если n*<n, то закончить прогон. В противном случае продолжать.
  2. Использовать последовательную выборку для определения минимальной величины n, по которой можно с достаточной точностью определить среднеквадратическое отклонение, сравнить с заданным уровнем и остановить прогон по достижении этого уровня.

Назад Главное меню Вперед