Методы и средства имитационного моделирования в задачах исследования и проектирования дискретно-событийных систем

• Автор: Девятков, Тимур Владимирович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Казань
• Количество страниц: 183 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА 1. ИМИТАЦИОННЫЕ ИССЛЕДОВАНИЯ ОБЗОР И ПЕРСПЕКТИВЫ РАЗВИТИЯ И АВТОМАТИЗАЦИИ.

1.1. Классический подход к проведению имитационных исследований.

1.2. Этап Постановка задачи.

1.3. Этап Сбор и обработка данных.

1.4. Этапы и разработка и корректировка модели моделирова 1ИЕ

1.5. Этап Накопление результатов моделирования

1.6. Этап Планирование экспериментов

1.7. Этап Анализ результатов

1.8. Этап Завершение исследований.

1.9. Постановка задачи диссертационной работы.
1 Выводы по главе
ГЛАВА 2. КОНЦЕПЦИИ И АРХИТЕКТУРА СИСТЕМ АВТОМАТИЗАЦИИ ИМИТАЦИОННЫХ ИССЛЕДОВАНИЙ
2.1. Обзор систем имитационного моделирования.
2.1.1. Общецелевые системы дискретно событийного имитационного моделирования
2.1.2. Коммерческие симуляторы.
2.2. Классификация САИИ.
2.2.1. Интегрированные моделирующие среды для профессионалов ИМ
2.2.2. Универсальные моделирующие среды для широкого круга исследователей из различных отраслей экономики.
2.2.3. Имитационные приложения для крупных корпораций и предприятий
2.3. Разработка архитектура САИИ
2.3.1. Сервис ориентированная архитектура
2.3.2. Состав программных сервисов и компонент САИИ
2.3.3. Информационная структура САИИ.
2.4. Выводы ПО ГЛАВЕ
ГЛАВА 3. РАЗРАБОТКА И ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МЕТОДА АНАЛИЗА СТАТИСТИЧЕСКИХ ДАННЫХ БОЛЬШОЙ РАЗМЕРНОСТИ, ОСНОВАННОГО НА РАСПОЗНАВАНИИ ОБРАЗОВ.
3.1. Терминология теории распознавания образов.
3.2. Разработка метода определения функции распределения плотности на базе ВЫБОРОК БОЛЬШОЙ РАЗМЕРНОСТИ
3.2.1. Получение исходных данных.
3.2.2. Предпроцсссиая подготовка к распознаванию.
3.2.3. Выделение законов
3.2.4. Пример полученной комбинации законов для реальной статистики.
3.2.5. Использование метода при обработке выходной статистики имитационных приложений
3.2.5. Выводы но главе
ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ САИИ РАЗЛИЧНЫХ ТИПОВ
4.1. Интегрированная моделирующая среда для профессионалов ИМ.
4.1.1. Архитектура моделирующей среды.
4.1.2. Основные функции моделирующей среды.
4.2. Универсальная моделирующая среда для широкого круга.
Концепции ностроения и структура УИМ.
4.3. Имитационное приложение.
4.3.1. Пример исследования проведенного на имитационном приложении
4.4. Анализ значимости практического внедрения САНИ
4.5. Выводы по главе.
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Основным результатом данного этапа, помимо описания сущности и логики системы, перечня и структуры данных, является постановка цели исследования. В самом общем, формализованном виде ее можно отобразить следующим образом. Выбирается множество показателей функционирования системы - У, обычно их число (к) бывает небольшим, так как большое число показателей размоет целостность исследования и не даст исследователю возможности сконцентрироваться на главных задачах. Чаще всего это совокупность таких показателей как, пропускная способность системы, загрузка отдельных ес компонентов, время обработки и т. Хотя высокая степень детализации имитационных моделей и позволяет учитывать любое количество этих факторов, обычно ограничиваются ограниченным числом наиболее значимых и весомых. По результатам проведения серий экспериментов при вариации этих факторов можно будет определить функциональные зависимости их влияния на показатели системы. Чаще всего строятся регрессионные уравнения, позволяющие провести оптимизацию влияния факторов на показатели. Уі = А(х1,х2, У2=/2(х1,Х2,. Описание системы (функций, логики, данных) - Su. Определение перечня основных показателей - Si2. Составление перечня исходных данных и их источников - S^. Формирование целевых функций исследования - So. Как автоматизирован этот этан при классических имитационных исследованиях? Рассмотрим последовательно каждое из состояний. Описание системы (функций, логики, данных) - это исключительно сложный для формализации и автоматизации процесс. Обычно при классическом подходе автоматизируется лишь сам процесс описания, а не его суть, с использованием текстовых (например, MS World), табличных редакторов (например, MS Excel) и графических редакторов (например, MS Visio). Лишь в некоторых системах (подробно описано в главе 2), эти описания автоматизируются и связываются со следующими этапами. Результативность выполнения функций данного состояния зависит от заказчика исследования, т. Определение перечня основных показателей. Данное состояние также носит в большей степени описательный характер и средства автоматизации для него обычно применяются тс же, что и при реализации предыдущего состояния. Перечисление и анализ всех параметров системы влияющих на эти показатели и выделение основных факторов. Выполнение данной задачи и уровень ее автоматизации аналогичен определению перечня основных показателей. Составление перечня исходных данных и их источников. Описательная часть данного состояния - составление перечня данных и их структуры, использует те же текстовые и графические редакторы. Способы сбора этих данных могут быть разные -ручной сбор (экспертным путем или из литературы); автоматизированный сбор (из автоматизированных систем мониторинга функционирующих в исследуемой системе). Обычно Заказчик определяет список автоматизированных систем и предоставляет описание способов доступа к ним или к форматам выгружаемых ими данных. Формирование целевых функций исследования. В большинстве классических исследований, при постановке задачи, это ручной описательный процесс с использованием текстовых или графических редакторов. Продолжая детализацию формализованного описания состояний процесса имитационных исследований (рисунок 1. О- . Рис. В случае использования классического подхода к имитационным исследованиям этап «Постановка задачи» является наименее формализованным и, следовательно, слабо автоматизированным. Только ряд систем тем или иным образом автоматизируют некоторые функции этого этапа (подробнее об этом в главе 2). В результате выполнения первого этана исполнитель получает перечень и структуру исходных данных для модели, а также источники их получения. Ручной сбор данных - это сбор данных для модели из не автоматизированных источников - литературы, документации, интернета, экспертных оценок и т. В процессе ручного сбора данных, весь уровень автоматизации ограничивается использованием текстовых и табличных редакторов, поисковых интернет систем и других разноплановых программных средств. Основным результатом ручного сбора являются файлы с текстовым описанием значений исходных данных в таблицах форматов .