Аналитические и имитационные модели 3 страница

Ряд стандартов ISO посвящен языкам программирования. Имеются стандарты на языки C (ISO 9899), Фортран (ISO 1539), Паскаль (ISO 7185) и др.

Среди других стандартов, способствующих открытости ПО АС, следует отметить стандарты графического пользовательского интерфейса, хранения и передачи графических данных, построения БД и файловых систем, сопровождения и управления конфигурацией программных систем и др.

Важное значение для создания открытых систем имеет унификация и стандартизация средств межпрограммного интерфейса или, другими словами, необходимо наличие профилей АС для информационного взаимодействия программ, входящих в АС. Профилем открытой системы называют совокупность стандартов и других нормативных документов, обеспечивающих выполнение системой заданных функций. Так, в профилях АС могут фигурировать язык EXPRESS стандарта STEP, спецификация графического пользовательского интерфейса Motif, унифицированный язык SQL обмена данными между различными СУБД, стандарты сетевого взаимодействия. В профили САПР машиностроения может входить формат IGES и в случае САПР радиоэлектроники - формат EDIF и т.п.

Всего в информационных технологиях уже к 1997 г. было более 1000 стандартов. Профили создаются для их упорядочения, получения взаимоувязанных целостных совокупностей для построения конкретных систем. Например, предлагаются профили: АМН11 используется для передачи сообщений между прикладными и транспортным уровнями; ТА51 устанавливает требования к работе оконечной системы в IEEE 802.3, RA51.1111 - ретрансляцию услуг сетевого уровня между МДКН/ОК и PSDN (Packed Switched Data Network) и др. Теперь можно выбрать один базовый стандарт и соответствующее средство выдаст профиль - все остальные необходимые стандарты.

4.Методики функционального и информационного моделирования сложных систем

4.1. CASE технологии

Современное проектирование сложных информационных систем использует новые информационные технологии и программные средства поддержки системного инжиниринга - CASE технологии и средства.

В основе CASE технологий лежат соответствующие методы и методики, описывающие различные свойства систем, важные, например, с точки зрения их автоматизации, а также позволяющие количественно оценить параметры проектов. Следует отметить, что спектр свойств систем различного назначения очень широк, и не все они к настоящему времени отражены в адекватных моделях. В то же время для класса информационных систем организационного типа (Management Information Systems - MIS) адекватные модели разработаны и поддерживаются соответствующими средствами автоматизации IDEF (Integrated DEFinition).

4.2 Методология IDEF моделирования

Взаимная совокупность методик и моделей концептуального проектирования разработана в США по программе Integrated Computer-Aided Manufacturing. В настоящее время имеются методики функционального, информационного и поведенческого моделирования и проектирования, в которые входят IDEF-модели, приведенные таблице.

IDEF0 реализует методику функционального моделирования сложных систем. Наиболее известной реализацией IDEF0 является методология SADT (Structured Analysis and Design Technique), преложенная еще в 1973 г. Д. Россом и впоследствии ставшая основой стандарта IDEF0. Эта методика рекомендуется для начальных стадий проектирования сложных искусственных систем управления, производства, бизнеса, включающих людей, оборудование, программное обеспечение.

IDEF1X и IDEF1 реализуют методики инфологического проектирования баз данных. В IDEF1X имеется ясный графический язык для описания объектов и отношений в приложениях, так называемый язык диаграмм "сущность-связь" (ERD - Entity-Relations Diagrams). Разработка информационной модели по IDEF1X выполняется в несколько этапов:

• выясняются цели проекта, составляется план сбора информации, при этом обычно исходные положения для информационной модели следуют из IDEF0-модели;
• выявляются и определяются основные сущности - элементы базы данных, в которых будут храниться данные системы;
• выявляются и определяются основные отношения, результаты представляются графически в виде так называемых ER-диаграмм;
• детализируются нестандартные отношения, определяются ключевые атрибуты сущностей. Детализация отношений заключается в замене связей "многие ко многим" на связи "многие к одному" и "один ко многим";
• определяются атрибуты сущностей.

IDEF-модели

Название	Назначение
IDEFO	Функциональное моделирование Function Modeling Method
IDEF1 и IDEF1X	Информационное моделирование Information and Data Modeling Method
IDEF2	Поведенческое моделирование Simulation Modeling Method
IDEF3	Моделирование деятельности Process Flow and Object Stale Description Capture Method
IDEF4	Объективно-ориентированное проектирование Object-oriented Design Method
IDEF5	Систематизация объектов приложения Ontology Description Capture Method
IDEF6	Использование рационального опыта проектирования Design Rational Capture Method
IDEF8	Взаимодействие человека и системы Human-System Interaction Design
IDEF9	Учет условий и ограничений Business Constraint Discovery
IDEF14	Моделирование вычислительных сетей Network Design

IDEF2 и IDEF3 реализуют поведенческое моделирование. Если методика IDEF0 связана с функциональными аспектами и позволяет отвечать на вопрос: "Что делает эта система?", то в этих методиках детализируется ответ: "Как система это делает". В основе поведенческого моделирования лежат модели и методы имитационного моделирования систем массового обслуживания, сети Петри, возможно применение модели конечного автомата, описывающей поведение системы как последовательности смен состояний.

Перечисленные методики относятся к так называемым структурным методам.

IDEF4 реализует объектно-ориентированный анализ больших систем. Он предоставляет пользователю графический язык для изображения классов, диаграмм наследования, таксономии методов.

IDEF5 направлен на представление онтологической информации приложения в удобном для пользователя виде, Для этого используются символические обозначения (дескрипторы) объектов, их ассоциаций, ситуаций и схемный язык описания отношений классификации, "часть-целое", перехода и т. п. В методике имеются правила связывания объектов (термов) в предложения и аксиомы интерпретации термов.

IDEF6 направлен на сохранение рационального опыта проектирования информационных систем, что способствует предотвращению структурных ошибок.

IDEF8 предназначен для проектирования диалогов человека и технической системы.

IDEF9 предназначен для анализа имеющихся условий и ограничений (в том числе физических, юридических, политических) и их влияния на принимаемые решения в процессе реинжиниринга.

IDEF14 предназначен для представления и анализа данных при проектировании вычислительных сетей на графическом языке с описанием конфигураций, очередей, сетевых компонентов, требований к надежности и т.п.

4.3. Нотации IDEF моделирования

Для моделирования адекватного представления сложной системы, характеризуемой структурой, выполняемыми процессами (функциями), поведением системы во времени применяют функциональные, информационные и поведенческие модели, пересекающиеся друг с другом.

Функциональная модель системы описывает совокупность выполняемых системой функций, характеризует морфологию системы (ее построение) - состав подсистем, их взаимосвязи.

Информационная модель отображает отношения между элементами системы в виде структур данных (состав и взаимосвязи).

Поведенческая (событийная) модель описывает информационные процессы (динамику функционирования), в ней функционируют такие категории, как состояние системы, событие, переход из одного состояния в другое, условия перехода, последовательность событий. Используется в основном для систем реального времени.

Аналитические и имитационные модели

5.1. Разработка имитационных моделей сложных систем

5.1.1. Имитационное моделирование

Одним из наиболее важных и полезных орудий анализа структуры сложных процессов и систем стало имитационное моделирование. Имитировать, согласно словарю Вебстера, значит "вообразить, постичь суть явления, не прибегая к экспериментам на реальном объекте". По существу, каждая модель или представление вещи есть форма имитации. Имитационное моделирование является весьма широким и недостаточно четко определенным понятием, имеющим очень большое значение для лиц, ответственных за проектирование и функционирование систем. Рискуя заслужить обвинение в чрезмерном самомнении, мы воздержимся от анализа различных определений другими авторами и остановимся на своем собственном. Имитационное моделирование есть процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование данной системы. Таким образом, процесс имитационного моделирования мы понимаем как процесс, включающий и конструирование модели, и аналитическое применение модели для изучения некоторой проблемы. Под моделью реальной системы мы понимаем представление группы объектов или идей в некоторой форме, отличной от их реального воплощения; отсюда термин "реальный" используется в смысле "существующий или способный принять одну из форм существования". Следовательно, системы, существующие еще только на бумаге или находящиеся в стадии планирования, могут моделироваться так же, как и действующие системы.

Поэтому имитационное моделирование является экспериментальной и прикладной методологией, имеющей целью:

· описать поведение системы;

· построить теории и гипотезы, которые могут объяснить наблюдаемое поведение;

· использовать эти теории для предсказания будущего поведения системы, т. е. тех воздействий, которые могут быть вызваны изменениями в системе или изменениями способов ее функционирования.

В отличие от большинства технических методов, которые могут быть классифицированы в соответствии с научными дисциплинами, в которые они уходят своими корнями (например, с физикой или химией), имитационное моделирование применимо в любой отрасли науки.

5.1.2. Функции моделей

Идея представления некоторого объекта, системы или понятия при помощи модели носит столь общий характер, что дать полную классификацию функций модели затруднительно. Различают пять узаконенных и ставших привычными случаев применения моделей в качестве:

1) средства осмысления действительности;

2) средства общения;

3) средства обучения и тренажа;

4) инструмента прогнозирования;

5) средства постановки экспериментов.

Модель может служить для достижения одной из двух основных целей: либо описательной, если модель служит для объяснения и (или) лучшего понимания объекта, либо предписывающей, когда модель позволяет предсказать и (или) воспроизвести характеристики объекта, определяющие его поведение. Модель предписывающего типа обычно является и описательной, но не наоборот. Это означает, что предписывающая модель почти всегда является описательной по отношению к моделируемому объекту, но описательная модель не всегда полезна для целей планирования и проектирования. Вероятно, в этом кроется одна из причин, почему экономические модели (в которых обнаруживается тенденция к описательности) оказали небольшое воздействие на управление экономическими системами и мало применялись в качестве вспомогательного средства управления на высшем уровне, в то время как модели исследования операций, по общему признанию, оказали значительное воздействие на эти сферы.

5.1.3. Классификация моделей

Модели вообще и имитационные модели в частности можно классифицировать различными способами. К сожалению, ни один из них не является полностью удовлетворительным, хотя каждый служит определенной цели. Укажем некоторые типовые группы моделей, которые могут быть положены в основу системы классификации:

· статические (например, поперечный разрез объекта) и динамические (временные ряды);

· детерминистские и стохастические;

· дискретные и непрерывные;

· натурные, аналоговые и символические.

Имитационные модели можно представить в виде непрерывного спектра, простирающегося от точных моделей или макетов реальных объектов до совершенно абстрактных математических моделей (рис. 4).

При моделировании сложной системы исследователь обычно вынужден использовать совокупность нескольких моделей из числа разновидностей, упомянутых выше. Любая система или подсистема может быть представлена различными способами, которые значительно отличаются друг от друга по сложности и детализации. В большинстве случаев в результате системных исследований появляются несколько различных моделей одной и той же системы. Но обычно по мере того, как исследователь глубже анализирует и лучше понимает проблему, простые модели заменяются все более сложными.

Рис. 4. Классификация моделей

5.1.4. Достоинства и недостатки имитационного моделирования

Все имитационные модели представляют собой модели типа «черного ящика». Поэтому для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, а не "решать" их. 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. Более того, имитационное моделирование является только одним из нескольких имеющихся в распоряжении системного аналитика важнейших методов решения проблем. Поскольку необходимо и желательно приспосабливать средство или метод к решению задачи, а не наоборот, то возникает естественный вопрос: в каких случаях имитационное моделирование полезно?

Мы определили имитационное моделирование как экспериментирование с моделью реальной системы. Необходимость решения задач путем экспериментирования становится очевидной, когда возникает потребность получить о системе специфическую информацию, которую нельзя найти в известных источниках. Известно, что непосредственное экспериментирование на реальной системе устраняет много затруднений, если необходимо обеспечить соответствие между моделью и реальными условиями; однако недостатки такого экспериментирования иногда весьма значительны, поскольку:

1. Оно может нарушить установленный порядок работы фирмы.

2. Если составной частью системы являются люди, то на результаты экспериментов может повлиять так называемый хауторнский эффект, проявляющийся в том, что люди, чувствуя, что за ними наблюдают, могут изменить свое поведение.

3. Может оказаться сложным поддержание одних и тех же рабочих условий при каждом повторении эксперимента или в течение всего времени проведения серии экспериментов.

4. Для получения одной и той же величины выборки (и, следовательно, статистической значимости результатов экспериментирования) могут потребоваться чрезмерные затраты времени и средств.

5. При экспериментировании с реальными системами может оказаться невозможным исследование множества альтернативных вариантов.

По этим причинам исследователь должен рассмотреть целесообразность применения имитационного моделирования при наличии любого из следующих условий:

1. Не существует законченной математической постановки данной задачи либо еще не разработаны аналитические методы решения сформулированной математической модели. К этой категории относятся многие модели массового обслуживания, связанные с рассмотрением очередей.

2. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

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 определенного периода.

5. Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдений явлений в реальных условиях; соответствующим примером может служить изучение поведения космических кораблей в условиях межпланетных полетов.

6. Для долговременного действия систем или процессов может понадобиться сжатие временной шкалы. Имитационное моделирование дает возможность полностью контролировать время изучаемого процесса, поскольку явление может быть замедлено или ускорено по желанию. К этой категории относятся, например, исследования проблем упадка городов.

Можно ли вообще, опираясь на имитационное моделирование, получить результаты также и наиболее эффективным способом? Ответ нередко будет отрицательным и по следующим причинам:

1. Разработка хорошей имитационной модели часто обходится дорого и требует много времени, а также наличия высокоодаренных специалистов, которых в данной фирме может и не оказаться. Для создания хорошей модели внутрифирменного планирования может потребоваться от 3 до 11 лет.

2. Может показаться, что имитационная модель отражает реальное положение вещей, хотя в действительности это не так. Если этого не учитывать, то некоторые свойственные имитации особенности могут привести к неверному решению.

3. 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.

4. 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.

5.1.5. Структура имитационных моделей

Прежде чем начать разработку модели, необходимо понять, что собой представляют структурные элементы, из которых она строится. Хотя математическая или физическая структура модели может быть очень сложной, основы ее построения весьма просты. В самом общем виде структуру модели мы можем представить математически в виде

где Е - результат действия системы; x i - переменные и параметры, которыми мы можем управлять; y i - переменные и параметры, которыми мы управлять не можем; f - функциональная зависимость между x i и y i , которая определяет величину Е .

Столь явное и чрезмерное упрощение полезно лишь тем, что оно показывает зависимость функционирования системы как от контролируемых нами, так и от неконтролируемых переменных. Почти каждая модель представляет собой, вообще говоря, некоторую комбинацию таких составляющих, как

Компоненты,

Переменные,

Параметры,

Функциональные зависимости,

Ограничения,

Целевые функции.

Под компонентами мы понимаем составные части, которые при соответствующем объединении образуют систему. Иногда мы считаем компонентами также элементы системы или её подсистему.

Система определяется как группа или совокупность объектов, объединенных некоторой формой регулярного взаимодействия или взаимозависимости для выполнения заданной функции. Компоненты суть объекты, образующие изучаемую систему.

Параметры суть величины, которые оператор, работающий на модели, может выбирать произвольно, в отличие от переменных, которые могут принимать только значения, определяемые видом данной функции. Смотря на это под другим углом зрения, мы можем сказать, что параметры, после того как они установлены, являются постоянными величинами, не подлежащими изменению.

В модели системы мы различаем переменные двух видов - экзогенные и эндогенные. Экзогенные переменные называются также входными; это значит, что они порождают вне системы или являются результатом воздействия внешних причин. Эндогенными переменными называются переменные, возникающие в системе или в результате воздействия внутренних причин. Мы также называем эндогенные переменные переменными состояния (когда они характеризуют состояние или условия, имеющие место в системе) либо выходными переменными (когда речь идет о выходах системы). Статистики иногда называют экзогенные переменные независимыми, а эндогенные зависимыми.

Функциональные зависимости описывают поведение переменных и параметров в пределах компонента или выражают соотношения между компонентами системы. Эти отношения, или операционные характеристики, по своей природе являются либо детерминистскими, либо стохастическими. Детерминистские соотношения - это тождества или определения, которые устанавливают зависимость между определенными переменными или параметрами в тех случаях, когда процесс на выходе системы однозначно определяется заданной информацией на входе. В отличие от этого стохастические соотношения представляют собой такие зависимости, которые при заданной входной информации дают на выходе неопределенный результат. Оба типа соотношений обычно выражаются в форме математического уравнения, которое устанавливает зависимость между эндогенными переменными (переменными состояния) и экзогенными переменными. Обычно эти соотношения можно строить лишь на основе гипотез или выводить с помощью статистического или математического анализа. Ограничения представляют собой устанавливаемые пределы изменений значений переменных или ограничивающие условия распределения и расходования тех или иных средств (энергии, запасов и т.п.). Они могут вводиться либо разработчиком (искусственные ограничения), либо самой системой вследствие присущих ей свойств (естественные ограничения). Примерами искусственных ограничений могут быть заданные максимальный и минимальный уровни занятости рабочих или установления максимальная сумма денежных средств, ассигнуемых на капиталовложения. В физической системе такого типа, как ракета, искусственными ограничением может быть заданный минимальный радиус действия или максимально допустимый вес. Большинство технических требований к системам представляет собой набор искусственных ограничений. Естественные ограничения обусловлены самой природой системы. Например, нельзя продать больше изделий, чем система может изготовить, и никто не может сконструировать систему, нарушающую законы природы. Таким образом, ограничения одного типа обусловлены неизменными законами природы, в то время как ограничения другого типа, будучи делом рук человеческих, могут подвергаться изменению. Исследователю он должен постоянно оценивать принесенные человеком ограничения, с тем чтобы ослабить или усилить их по мере необходимости. Целевая функция, или функция критерия,- это точное отображение целей или задач системы и необходимых правил оценки их выполнения. Различают два типа целей: сохранение и приобретение. Цели сохранения связаны с сохранением или поддержанием каких-либо ресурсов (временных, энергетических, творческих и т. д.) или состояний (комфорта, безопасности, уровня занятости и т. д.). Цели приобретения связаны с приобретением новых ресурсов (прибыли, персонала, заказчиков и т. п.) или достижением определенных состояний, к которым стремится организация или руководитель (захват части рынка, достижение состояния устрашения и т.п.). Выражение для целевой функции должно быть однозначным определением целей и задач, с которыми должны соразмеряться принимаемые решения. Цитированный выше словарь Вебстера определяет понятие «критерий» как «мерило оценки, правило или вид проверки, при помощи которых составляется правильное суждение о чем-либо». Это четкое и однозначное определение критерия очень важно по двум причинам. Во-первых, оно оказывает громадное влияние на процесс создания модели и манипулирования с ней. Во-вторых, неправильное определение критерия обычно ведет к неправильным заключениям. Функция критерия (целевая функция) обычно является органической составной частью модели, и весь процесс манипулирования с моделью направлен на оптимизацию или удовлетворение заданного критерия.

5.1.6.Структурный синтез систем

Сходство модели с объектом, который она отображает, называется степенью изоморфизма. Для того чтобы быть изоморфной (т. е. идентичной или сходной по форме), модель должна удовлетворять двум условиям.

Во-первых, должно существовать взаимно однозначное соответствие между элементами модели и элементами представляемого объекта. Во-вторых, должны быть сохранены точные соотношения или взаимодействия между элементами. Степень изоморфизма модели относительна, и большинство моделей скорее гомоморфны, чем изоморфны. Под гомоморфизмом мы понимаем сходство по форме при различии основных структур, причем имеет место лишь поверхностное подобие между различными группами элементов модели и объекта. Гомоморфные модели являются результатом процессов упрощения и абстракции.

Ученый, изучающий проблемы управления, для построения полезных моделей также прибегает к упрощению. Он предполагает, что его переменные либо детерминированы (чрезвычайно упрощенная трактовка реальности), либо подчиняются законам случайных событий, описываемым известными вероятностными функциями распределений, таких, как нормальное, пуассоновское, экспоненциальное и т. д. Он также зачастую предполагает, что зависимости между переменными носят линейный характер, зная, что такое допущение не совсем правомерно. Это часто бывает необходимым и оправданным, если требуется построить модели, поддающиеся математическому описанию. Другим аспектом анализа является абстракция - понятие, которое в отличие от упрощения не так легко объяснить и осмыслить. Абстракция содержит или сосредоточивает в себе существенные качества или черты поведения объекта (вещи), но не обязательно в той же форме и столь детально, как это имеет место в оригинале. Большинство моделей - это абстракции в том смысле, что они стремятся представить качества и поведение моделируемого объекта в форме или способом, отличающимися от их действительной реализации. Так, в схеме организации работ мы пытаемся в абстрактной форме отразить трудовые взаимоотношения между различными группами работающих или отдельными членами таких групп. То обстоятельство, что подобная схема только поверхностно отображает реальные взаимоотношения, не умаляет ее полезности для определенных целей.

После того как мы проанализировали и промоделировали части или элементы системы, мы приступаем к их объединению в единое целое. Иными словами, мы можем путем синтеза относительно простых частей сконструировать некоторое приближение к сложной реальной ситуации. Здесь важно предусмотреть два момента. Во-первых, используемые для синтеза части должны быть выбраны корректно, и, во-вторых, должно быть корректно предсказано их взаимодействие (это будет подробно рассмотрено ниже, когда мы коснемся вопросов установления и проверки соответствия модели реальному объекту). Если все это выполнено должным образом, то эти процессы анализа, абстракции, упрощения и синтеза в итоге приведут к созданию модели, которая аппроксимирует поведение изучаемой реальной системы. Необходимо помнить, однако, что модель является только приближением (аппроксимацией), а поэтому не будет себя вести в точности, как реальный объект. Мы оптимизируем модель, но не реальную систему. Вопрос о том, существует ли действительно взаимосвязь между характеристиками нашей модели и реальностью, зависит от того, насколько правильно и разумно мы провели наши процессы анализа, абстракции, упрощения и синтеза.

5.1.7. Искусство моделирования

Искусство моделирования состоит в способности анализировать проблему, выделять из нее путем абстракции ее существенные черты, выбирать и должным образом модифицировать основные предположения, характеризующие систему, а затем отрабатывать и совершенствовать модель до тех пор, пока она не станет давать полезные для практики результаты. При моделировании следует учитывать следующие правила:

Разложить общую задачу исследования системы на ряд более простых задач,

Четко сформулировать цели,

Подыскать аналогии,

Рассмотреть специальный численный пример, соответствующий данной задаче,

Выбрать определенные обозначения,

Записать очевидные соотношения,

Если полученная модель поддается математическому описанию, расширить ее. В противном случае упростить.

Вообще говоря, упростить модель можно, выполнив одну из перечисленных ниже операций (в то время как для расширения модели требуется как раз обратное).

С точки зрения основных инструментально-методологических средств моделирования выделяются следующие группы моделей: аналитические, графические, языковые и имитационные.

Аналитические модели

Такие модели строятся на основе выявленных между характеристиками систем функциональных или корреляционных зависимостей.

Функциональные зависимости предполагают взаимное однозначное соответствие двух или более величин. Они чаще встречаются в точных науках (физике твердого тела, механике).

Корреляционные зависимости предполагают зависимость средних величин (например, достаточно очевидно, что кривая спроса - это всего лишь проявление некоторой тенденции средних величин спроса на данный товар при фиксированных значениях, допустим, цены на товар). Значительная часть моделей экономических явлений построена именно на корреляционных зависимостях.

Однако аналитические модели являются наиболее исследованной группой моделей, для реализации и анализа которых разработан мощный математический аппарат. С помощью таких моделей возможно решение оптимизационных задач. Обобщенный вид функциональной модели можно проиллюстрировать примером канонической записи модели математического линейного программирования.

Найти min или max F(x) = ^cx, при ограничениях qx

Здесь F(x) - целевая функция, то есть специально сконструированный показатель эффективности системы;

х - вектор управляемых переменных, например, некоторых ресурсов;

с - ценностная оценка использования /-го вида ресурса;

q - функция потребления /-го вида ресурса;

а - ограничения по /-му виду ресурса.

Некоторые задачи управления могут быть сформулированы как нахождение такого состояния системы, оценка которого по заданному критерию является экстремальной.

При построении аналитических моделей, как правило, используются экспериментальные наблюдения за моделируемым объектом. Полученную совокупность наблюдений обрабатывают методом корреляционного анализа для выявления зависимости между наблюдаемыми величинами. В случае установления факта наличия зависимости методом регрессионного анализа подбирается функция, наилучшим образом соответствующая множеству экспериментальных наблюдений.

Для построения функциональных моделей используются показатели системы - экзогенные (внешние) и эндогенные (внутренние). Показатели системы - это проявление специфических отношений со средой. Из всех показателей нас более всего интересуют существенные, то есть необходимые и достаточные для построения модели. Показатели бывают количественные, имеющие эталон сравнения (метр, литр, ампер, джоуль), и качественные, для которых его нет или он редко используется (цвет, красота, представительность).

Значение количественного показателя называется параметром системы - это число, выражающее отношение между количественной характеристикой и эталоном (например, длина два метра). Значение качественного показателя - содержательная формула из принятого набора (например, невкусно, вкусно, очень вкусно).

Состояние системы в некоторый момент времени есть множество значений ее параметров или качественных характеристик. Если множество значений параметров или качественных характеристик представить как координаты в w-мерном пространстве, то состояние системы в момент t - это точка в пространстве состояний (рис. 10).

Рис. 10. Пространство состояний системы Функционирование системы проявляется в ее переходе из одного состояния в другое или сохранении некоторого состояния в течение определенного времени. Таким образом, функция системы проявляется в движении точки системы в пространстве состояний по некоторой траектории. При этом траекторией системы называется множество точек в пространстве состояний, определенных на заданном отрезке времени.

Достижение целевого состояния системы может происходить по разным траекториям. Возникает управленческая задача оценки качества траектории или эффективности функционирования системы.

Традиционно математические модели разделяют на аналитические и имитационные модели. Аналитические модели представляют собой уравнения или системы уравнений, записанные в виде алгебраических, интегральных, дифференциальных, конечно-разностных и иных соотношений и логических условий. Они записаны и решены в буквенном виде. Отсюда и происходит их название. Аналитическая модель, как правило, статическая. Аналитическое представление подходит лишь для очень простых и сильно идеализированных задач и объектов, которые, как правило, имеют мало общего с реальной (сложной) действительностью, но обладают высокой общностью. Данный тип моделей обычно применяют для описания фундаментальных свойств объектов, так как фундамент прост по своей сути. Сложные объекты редко удаётся описать аналитически.

Альтернативой аналитическим моделям являются имитационные модели (динамические). Основное отличие имитационных моделей от аналитических состоит в том, что вместо аналитического описания взаимосвязей между входами и выходами исследуемой системы строят алгоритм, отображающий последовательность развития процессов внутри исследуемого объекта, а затем «проигрывают» поведение объекта на

компьютере. К имитационным моделям прибегают тогда, когда объект моделирования настолько сложен, что адекватно описать его поведение математическими уравнениями невозможно или затруднительно. Имитационное моделирование позволяет разлагать большую модель на части (объекты, «кусочки»), которыми можно оперировать по отдельности, создавая другие, более простые или, наоборот, более сложные модели.

Таким образом, основным преимуществом имитационного моделирования по сравнению с аналитическим является возможность решения более сложных задач, так как имитационную модель можно постепенно усложнять, при этом результативность модели не падает.

При имитационном моделировании воспроизводится алгоритм функционирования системы во времени – поведение системы, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы. Имитационные модели позволяют достаточно просто учитывать

такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия и другие, которые часто создают трудности при аналитических исследованиях. Имитационное моделирование тяготеет к объектно-ориентированному представлению, которое естественным образом описывает объекты, их состояние, поведение, а также взаимодействие

между ними.

Имитационная модель в отличие от аналитической представляет собой не законченную систему уравнений, а развернутую схему с детально описанной структурой и поведением изучаемого объекта. Для имитационного моделирования характерно воспроизведение явлений, описываемых моделью, с сохранением их логической структуры, последовательности чередования во времени, взаимосвязей между параметрами и переменными исследуемой системы.

В аналитических моделях можно использовать широкий арсенал математических методов, что часто позволяет найти оптимальное решение и иногда провести анализ чувствительности. Однако, к сожалению, аналитические решения не всегда существуют, а существующие не всегда просто найти.

Что касается имитационных моделей, то оптимальность решения не гарантирована, и даже более того – часто трудно получить решение, хотя бы в какой-то степени близкое к оптимальному. Иногда требуется провести много испытаний имитационной модели, чтобы получить приемлемую достоверность «добротности» какого-либо решения.

Однако с помощью имитационного моделирования можно получить такие данные, которые с помощью аналитических моделей получить очень сложно или совсем невозможно, например, определить влияние изменчивости параметров модели, поведение модели до достижения ею установившегося состояния и т.п. См. рис 2.

Рис. 3. Модели поддержки принятия решений

В аналитических моделях (в частности, математического программирования) значения переменных решений являются выходом модели. Выходным результатом процесса оптимизации модели будут значения переменных решений, которые максимизируют (или минимизируют) целевую функцию. В имитационных моделях значения

переменных решений являются входом модели – выходным результатом процесса имитации модели будет значение целевой функции, соответствующее данным входным значениям переменных.

Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение. Однако на сегодняшний день многие аналитические модели (в частно-

сти, модели математического программирования) имеют ограниченное применение на практике. В том случае, когда аналитические модели невозможно применять, аналитики применяют имитационные модели. Имитационные модели считаются одними из наиболее перспективных при решении задач управления экономическими объектами. В общем случае, для сложных проблем, где время и динамика важны, имитационное мо-

дели считаются одним из самых популярных и полезных методов количественного анализа :

1 . Аналитические модели часто трудны для формализации и построения, а иногда их вообще невозможно построить. Любая аналитическая модель имеет свои «затрудняющие» факторы, которые зависят от специфики данной модели.

2. Аналитические модели обычно дают среднестатистические или стационарные (долговременные) решения. На практике часто важно именно нестационарное поведение системы или ее характеристики на коротком временном интервале, что не дает возможности получить «средние» значения.

3. Для имитационного моделирования можно использовать широкий круг программного обеспечения специально разработанных для создания имитационных моделей.

Как аналитические, так и имитационные модели можно использовать для решения задач, включающих случайные события. При этом часто аналитические модели предпочтительнее имитационных по следующим причинам:

Ø Имитационное моделирование требует проведения большого числа испытаний, чтобы получить хорошую оценку значения целевой функции для каждого отдельного решения.

Ø С помощью аналитической модели можно получить оптимальное решение.

Ø Решение задачи с помощью имитационного моделирования требует оценить большое количество возможных альтернативных решений.

К достоинствам имитационного моделирования по сравнению с аналитическими моделями можно отнести:

1)Возможность многократного измерения интересующих нас параметров мо-

2)Возможность исследования сложных сценариев поведения системы.

В таблице приведен перечень наиболее существенных отличительных характеристик имитационных и аналитических моделей, проходящих через все три стадии процесса моделирования, а именно формализацию, моделирование и интерпретацию результатов моделирования.

Табл.1.Сравнительные характеристики имитационных и аналитических моделей

ЗАКЛЮЧЕНИЕ

Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение.

В настоящее время имитационное моделирование – наиболее эффективный метод исследования систем, а часто и единственный практически доступный метод получения информации о поведении системы, особенно на этапе ее проектирования.

Во многих случаях имитационные модели строятся не вместо аналитических, а параллельно с ними, поскольку они относительно просты для создания и позволяют исследовать такие параметры реальных систем, которые невозможно отобразить в аналитических моделях. Комбинированное использование аналитических и имитационных методов позволяет сочетать достоинства обоих подходов. При построении комбинированных (аналитико-имитационных) моделей производится предварительная декомпозиция процесса функционирования объекта на составляющие подпроцессы, и для тех из них, где это возможно, используются аналитические модели, а для остальных подпроцессов строятся имитационные модели.

Такой подход дает возможность охватить качественно новые классы систем, которые не могут быть исследованы с использованием аналитического или имитационного моделирования в отдельности.

Литература

1. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика // www.anylogic.com

Существует два подхода к построению модели: «аналитическое» и «имитационное» моделирование.

Аналитическое моделирование основано на косвенном описании моделируемого объекта с помощью набора математических формул. При этом предполагается использование математической модели реального объекта в форме алгебраических, дифференциальных, интегральных, и других уравнений, связывающих выходные переменные с входными. Вводится система ограничений. Обычно предполагается наличие однозначной вычислительной процедуры получения точного решения уравнений. Язык аналитического описания содержит следующие основные группы семантических элементов: критерий, неизвестные, данные, математические операции, ограничения. Наиболее существенно то, что аналитическая модель, вообще говоря, не является структурно подобной объекту моделирования. Под структурным подобием тут понимается однозначное соответствие элементов и связей модели элементам и связям моделируемого объекта. К аналитическим моделям относятся модели, построенные на основе аппарата математического программирования, корреляционного, регрессионного анализа.

Аналитическая модель всегда представляет собой формальную конструкцию, которую можно проанализировать и разрешить математическими средствами. Так если используется аппарат математического программирования, то модель состоит из целевой функции и системы ограничений на переменные. Целевая функция, как правило, выражает ту характеристику системы, которую требуется вычислить или оптимизировать. В частности это может быть производительность системы. Переменные выражают варьируемые технические характеристики системы, ограничения – их допустимые предельные значения. Процесс (в определённом выше смысле), происходящий на объекте, может и не иметь прямого аналога в аналитической модели. Аналитические модели являются эффективным средством для решения задач оптимизации или вычисления характеристик различного рода систем, в том числе информационных, производственных и др. Однако в ряде практических задач применение аналитических моделей затруднительно из-за их большой размерности.

Имитационное моделирование основано на прямом описании моделируемого объекта. Существенной характеристикой таких моделей является структурное подобие объекта и модели. Это значит, что каждому существенному с точки зрения решаемой задачи элементу объекта ставится в соответствие элемент модели. При этом описываются законы функционирования каждого элемента объекта и связи между ними. Работа с имитационной моделью заключается в проведении имитационного эксперимента. Процесс, протекающий в модели в ходе эксперимента, подобен процессу в реальном объекте. Поэтому исследование объекта по его имитационной модели сводится к изучению характеристик процесса, протекающего в ходе эксперимента.

Для формального представления реальной системы при имитационном моделировании обычно используется схема с дискретными событиями. При этом процесс функционирования системы во времени отождествляется с последовательностью событий, возникающих в системе в соответствии с закономерностями её функционирования. В формальное понятие «события» вкладывается конкретное смысловое содержание, определяемое целями моделирования.

Ценным качеством имитации является возможность управлять масштабом времени. Динамический процесс в имитационной модели протекает в так называемом системном времени. Системное время имитирует реальное время. При этом пересчет системного времени в модели можно выполнять двумя способами: первый заключается в «движении» по времени с некоторым постоянным шагом t, второй – в движении по времени от события к событию. При этом допускается, что в промежутках времени между событиями изменений в модели не происходит.

Основное назначение имитационного моделирования состоит в следующем:

выделить основные, существенные переменные, оценить степень влияния их изменения на исследуемые параметры системы, а также определить «узкие» места, т.е. технологические, организационные или управленческие, наиболее существенно влияющие на показатель функционирования системы;

изучить воздействие различных организационных, управленческих и технико-экономических изменений на показатель функционирования системы;

оценить различные варианты технических решений, стратегий управления при поиске оптимальной структуры системы.

По способу описания динамики поведения может быть избрана соответствующая схема построения имитационной модели. Модель может быть описана посредством событий, работ (активностей), процессов и транзактов.

Событие представляет собой причину мгновенного изменения состояния некоторого элемента системы или состояния системы в целом. Обычно события подразделяют на события следования, т.е. события, которые управляют инициализацией процессов или отдельных работ внутри процесса, и события изменения состояний системы или ее элементов.

На основе событий целесообразно строить модель с целью изучения причинно-следственных связей, присущих системе.

Если исследователя интересует не только логика смены состояний, но и временные характеристики ее работы, механизм событий служит основой для представления в модели работ, процессов, транзактов.

Работа – это единичное действие системы по обработке входных данных (информационные данные, материальные ресурсы). Каждая из работ характеризуется временем выполнения и потребляемыми ресурсами. С помощью моделей, описыва5емых в терминах работ, могут решаться задачи по оценке качества распределения ресурсов системы, ее производительности, надежности. Процесс – логически связанный набор работ.

Статическими характеристиками процесса (работы) являются длительность, результат, потребляемые ресурсы, условия запуска (активизации), условия остановки (прерывания). Динамической характеристикой процесса (работы) является его состояние (например, активен или находится в системном ожидании). При описании системы в терминах работ и процессов используются оба вида событий.

Транзакт – это некоторое сообщение (заявка на обслуживание), которое поступает извне на вход системы и подлежит обработке. Прохождение тразакта по системе можно в некоторых случаях рассматривать как последовательную активизацию процессов, реализующих его обработку (обслуживание заявки).

При имитационном моделировании используемая математическая модель воспроизводит логику («алгоритм») функционирования исследуемой системы во времени при различных сочетаниях значений параметров системы и внешней среды. Это наблюдение поведения модели системы под влиянием входных воздействий.

Очевидно, в одних случаях более предпочтительным является аналитическое моделирование, в других – имитационное (или сочетания того и другого). Выбор использования одного из подходов зависит от целей моделирования и от класса моделируемого явления.

Применение математических моделей для прогнозирования и планирования развития систем

А.В. Габалин,
н. с., Valent @ ipu . rssi . ru ,
ИПУ РАН, г. Москва

Моделирование применяется в случае, если эксперименты с реальными объектами, системами невозможны или слишком дороги. Главное отличие моделирования от других методов изучения сложных систем – возможность оптимизации системы до её реализации.

Процесс моделирования состоит из трёх стадий: формализации (переход от реального объекта к модели), моделирования (анализ и оптимизацию модели, нахождение решения), интерпретации (перевод результатов моделирования в область реальности).

Традиционно математические модели разделяют на аналитические и имитационные. Аналитические модели представляют собой уравнения или системы уравнений, записанные в виде алгебраических, интегральных, дифференциальных, конечно-разностных и иных соотношений и логических условий. Они записаны и решены в буквенном виде. Отсюда и происходит их название. Аналитическая модель, как правило, статическая. Аналитическое представление подходит лишь для очень простых и сильно идеализированных задач и объектов, которые, как правило, имеют мало общего с реальной (сложной) действительностью, но обладают высокой общностью.

Данный тип моделей обычно применяют для описания фундаментальных свойств объектов, так как фундамент прост по своей сути. Сложные объекты редко удаётся описать аналитически.

Альтернативой аналитическим моделям являются имитационные модели (динамические). Основное отличие имитационных моделей от аналитических состоит в том, что вместо аналитического описания взаимосвязей между входами и выходами исследуемой системы строят алгоритм, отображающий последовательность развития процессов внутри исследуемого объекта, а затем «проигрывают» поведение объекта на компьютере. К имитационным моделям прибегают тогда, когда объект моделирования настолько сложен, что адекватно описать его поведение математическими уравнениями невозможно или затруднительно. Имитационное моделирование позволяет разлагать большую модель на части (объекты, «кусочки»), которыми можно оперировать по отдельности, создавая другие, более простые или, наоборот, более сложные модели.

Таким образом, основным преимуществом имитационного моделирования по сравнению с аналитическим является возможность решения более сложных задач, так как результатом процесса имитации модели будет значение целевой функции, соответствующее данным входным значениям переменных. Еще в недалеком прошлом имитационные модели считались методом «второго сорта», которые применялись только тогда, когда было невозможно применять аналитические. И действительно, если уже построена аналитическая модель, то обычно с помощью того или иного метода оптимизации можно найти оптимальное детерминированное решение. Однако на сегодняшний день многие аналитические модели (в частности, модели математического программирования) имеют ограниченное применение на практике. В том случае, когда аналитические модели невозможно применять, аналитики применяют имитационные модели. Имитационные модели считаются одними из наиболее перспективных при решении задач управления экономическими объектами. В общем случае, для сложных проблем, где время и динамика важны, имитационное модели считаются одним из самых популярных и полезных методов количественного анализа:

1. Аналитические модели часто трудны для формализации и построения, а иногда их вообще невозможно построить. Любая аналитическая модель имеет свои «затрудняющие» факторы, которые зависят от специфики данной модели.

2. Аналитические модели обычно дают среднестатистические или стационарные (долговременные) решения. На практике часто важно именно нестационарное поведение системы или ее характеристики на коротком временном интервале, что не дает возможности получить «средние» значения.

3. Для имитационного моделирования можно использовать широкий круг программного обеспечения специально разработанных для создания имитационных моделей.

Как аналитические, так и имитационные модели можно использовать для решения задач, включающих случайные события. При этом часто аналитические модели предпочтительнее имитационных по следующим причинам:

1. Имитационное моделирование требует проведения большого числа испытаний, чтобы получить хорошую оценку значения целевой функции для каждого отдельного решения.

2. С помощью аналитической модели можно получить оптимальное решение.

3. Решение задачи с помощью имитационного моделирования требует оценить большое количество возможных альтернативных решений.

К достоинствам имитационного моделирования по сравнению с аналитическими моделями можно отнести:

· Возможность многократного измерения интересующих нас параметров модели.

· Возможность исследования сложных сценариев поведения системы.

В настоящее время во многих случаях имитационные модели строятся не вместо аналитических, а параллельно с ними, поскольку они относительно просты для создания и позволяют исследовать такие параметры реальных систем, которые невозможно отобразить в аналитических моделях. Комбинированное использование аналитических и имитационных методов позволяет сочетать достоинства обоих подходов. При построении комбинированных (аналитико-имитационных) моделей производится предварительная декомпозиция процесса функционирования объекта на составляющие подпроцессы, и для тех из них, где это возможно, используются аналитические модели, а для остальных подпроцессов строятся имитационные модели. Такой подход дает возможность охватить качественно новые классы систем, которые не могут быть исследованы с использованием аналитического или имитационного моделирования в отдельности.

На основе проведенных исследований и обобщения опыта решения практических задач прогнозирования и планирования развития систем в ИПУ РАНбыл предложен подход к решению задачи, базирующийся на построении комплекса взаимосвязанных оптимизационных (ОМ), имитационных (ИМ) и расчетно-анализирующих (АН) моделейи корректирующих (КОР) процедур.

При этом ограничения и условия развития систем, задаваемые в аналитическом виде, учитываются в рамках соответствующих моделей оптимизации. Алгоритмически задаваемые ограничения учитываются с помощью имитационных моделей функционирования элементов системы. Расчетные модели обеспечивают формирование и оценку экономических и тактико-технических показателей развития и функционирования системы, на основе которых организуется процедура взаимодействия моделей комплекса.

На рис.1 дана общая схема построения комплексов оптимизационно-имитационных моделей, отображающих различные методы оптимизации функционирования систем. Задачи развития систем можно разбить на следующие классы:

· целевая функция и область ограничений заданы аналитически;

· целевая функция задана аналитически, область ограничения задана алгоритмически;

· целевая функция задана аналитически, область ограничения задана алгоритмически и аналитически;

· целевая функция задана алгоритмически, область ограничения заданааналитически;

· целевая функция и область ограничений заданных алгоритмически;

· целевая функция задана алгоритмически, область ограничения задана алгоритмически и аналитически.

Для решения задач первого класса используются комплексы моделей 1, второго класса – комплексы 3, третьего класса – комплексы 3, 4, четвертого класса – комплексы 2, 5, 6, пятого класса – комплексы 2, 5, 6, шестого класса – комплексы 2, 5, 6. Более подробно данные методы изложены в .

Имитационные модели в последнее время все чаще применяются для прогнозирования и планирования будущего развития производственных систем на стадии решения вопроса инвестирования проекта, создания бизнес-плана особенно в области машиностроения и металлургии. Большую роль в проведении имитационного эксперимента играет выбор системы моделирования, который позволяет, во-первых, описать состав, структуру и процесс функционирования моделируемой системы, а во-вторых, значительно сократить затраты на построение модели путем использования стандартных функций имитационного языка. Долгожителем в мире систем имитационного моделирования является широко известный и распространенный язык для моделирования дискретных систем - GРSS. Появившийся впервые еще в 1961 году, он выдержал множество модификаций для различных операционных систем и ЭВМ и в то же время сохранил почти неизменными внутреннюю организацию и основные блоки. Язык GPSS можно отнести к языкам высокого уровня. В силу этого он имеет довольно слабые алгоритмические возможности. Для устранения этого недостатка в систему GPSS World добавлен PLUS –язык низкого уровня. Выражения, процедуры и эксперименты PLUS можно использовать в GPSS-моделях.

Система GPSS World обеспечивает два вида автоматически проводимых экспериментов: разработанные для пользователя иразработанные пользователем. PLUS –язык позволяет разрабатывать пользовательские эксперименты любой сложности.

GPSS World – это прямое развитие языка моделирования GPSS/РС, одной из первых реализаций GPSS для персональных компьютеров. В настоящее время версия GPSS World для ОС Windows имеет расширенные возможности, включая пользовательскую среду с интегрированными функциями работы с Интернет. GPSS World разработан для оперативного получения достоверных результатов с наименьшими усилиями. В соответствии с этими целями в GPSS World хорошо проработана визуализация процесса моделирования, а также встроены элементы статистической обработки данных. Сильная сторона GPSS World – это его прозрачность для пользователя. GPSS World является объектно-ориентированным языком. Его возможности визуального представления информации позволяют наблюдать и фиксировать внутренние механизмы функционирования моделей. Его интерактивность позволяет одновременно исследовать и управлять процессами моделирования. С помощью встроенных средств анализа данных можно легко вычислить доверительные интервалы и провести дисперсионный анализ. Кроме того, теперь есть возможность автоматически создавать и выполнять сложные отсеивающие и оптимизирующие эксперименты.

Последняя версия GPSS Worldвключает в себя массу нововведений, позволяющих проводить более эффективные исследования и сделать работу с системой максимально простой и удобной для пользователя:

· Высокоэффективный транслятор является частью программы GPSS World, которая создает объекты “Процесс моделирования”. Перед включением в объект “Процесс моделирования” все операторы модели проходят трансляцию. Точно так же интерактивные операторы транслируются в глобальной области видимости прежде, чем они будут переданы существующему объекту “Процесс моделирования”.

· На уровне интерфейса GPSS World представляет собой реализацию архитектуры “документ-вид”, общей для всех приложений операционной системы Windows. Объекты могут быть открыты в нескольких окнах, изменены и сохранены на постоянных носителях информации. Привычное меню главного окна и блокировка недоступных команд меню, не отвлекая внимания, направляет пользователя к конечной цели. GPSS World был разработан с целью достичь тесной интерактивности даже в многозадачной среде с использованием виртуальной памяти.

· Многопоточная архитектура GPSS World позволяет совместно запускать несколько процессов моделирования и экспериментов. Одновременно выполняются не только обновление окон, пользовательский ввод, дисковый ввод-вывод, печать и процесс моделирования, но также в одно и то же время может быть запущено любое количество процессов моделирования.

· Процессы моделирования непосредственно не ограничиваются размером физической памяти с произвольным доступом (ОЗУ), в которой выполняется объект “Процесс моделирования”. Используя механизм виртуальной памяти, модели могут достигать размера до гигабайта. Количество объектов также ограничивается только обеспечиваемым размером файла подкачки. Для достижения оптимальной производительности необходимо использовать значительный объем реальной памяти. Выделение и управление памятью для объектов происходит невидимо для пользователя. Объекты автоматически создаются до тех пор, пока не потребуется дополнительная информация.

· GPSS World поддерживает высокий уровень интерактивности даже во время процесса моделирования. Используя команды главного меню окна модели, ускоряющие клавиши или настройки модели, закрепляя за функциональными клавишами собственные команды, вы можете передавать существующему объекту “Процесс моделирования” любой оператор. Вы можете использовать диалоговое окно для ввода операторов, отсутствующих в выпадающем меню, а с помощью специальной команды вы можете посылать процессу моделирования интерактивные операторы любой сложности.

· GPSS World отличается высоким уровнем визуализации выполняющегося процесса моделирования. Для наблюдения и взаимодействия с процессом моделирования используются двадцать различных окон, соответствующих большей части объектов GPSS. Для получения, сохранения и печати визуального представления состояния процесса моделирования не требуется дополнительных усилий, кроме операций с окнами.

· В GPSS World существует ряд анимационных возможностей. Уровень их реализма изменяется от абстрактной визуализации, не требующей никаких усилий, до высоко реалистических динамических изображений, включающих в себя сложные элементы, созданные пользователем.

За последние десятилетия в ИПУ РАН успешно решались задачи построения имитационных и оптимизационных моделей различных производственных, транспортных систем и систем специального назначения с помощью систем GPSS и SLAM.

В ИПУ РАН создана универсальная система моделирования дискретных систем (УСМ) для автоматизированного проведения имитационных экспериментов по развязке «узких мест» проектируемых систем на базе GPSS WORLD. Исходные данные (шаблоны), различные варианты режимов и настроек экспериментов выполнены в виде таблиц.

Программы создания и работы с базой данных, выбора характеристик и режимов моделирования и исходных данных через различные меню, настройки имитационных моделей, графического отображения результатов выполнены в средеязыка Pascal.

Исходная имитационная модель написана на GPSS. УСМ работает с уже готовой имитационной программой при различных вариантах исходных данных.

УСМ внедрена при проектировании ряда систем , в том числе при оптимизации функционирования и развития структуры космодрома “Байконур”, а также - в учебный процесс Московского Авиационного института.

рис 1. Схема комплексов моделей

Литература

1. Цвиркун А.Д., Акинфиев В.К., Филиппов В.А. Имитационное моделирование в задачах синтеза структуры сложных систем. М.: Наука, 1985.

2. Габалин А.В. Оптимизационно-имитационный подход в задачах анализа и синтеза структуры распределенных систем обработки информации. Труды института. Том XXVI . М.: Институт проблем управления, 2005.

3. Габалин А.В Вопросы оптимизации структуры распределённых систем обработки информации. Журнал “Прикладная информатика” №6 2007.

4. Габалин А.В. Комплексный подход для решения задач построения систем обработки информации. III Всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности”Имитационное моделирование. Теория и практика”(ИММОД-2007). Санкт-Петербург, 2007.