Общая характеристика метода имитационного моделирования.

Одно из определений понятия «имитировать» - значит «вообразить, постичь суть явления, не прибегая к экспериментам на реальном объекте».

В общем имитационные модели можно представить в виде непрерывного спектра, простирающегося от точных моделей или макетов реальных объектов до совершенно абстрактных математических моделей:

- физические модели; точность

- масштабированные модели;

- аналоговые модели;

- управленческие игры;

- моделирование на ЭВМ;

- математические модели. абстрактность

Физические модели часто называют натурными, поскольку они внешне напоминают изучаемую систему (например, макеты объекта в натуральную величину (тренажеры) или масштабированные).

Аналоговыми моделями являются модели, в которых свойство реального объекта представляется некоторым другим свойством аналогичного по поведению объекта. Например, график представляет собой аналоговую модель – он может показывать соотношение между различными характеристиками и может предсказывать, как будут изменяться некоторые величины при изменении других величин.

Управленческими играми называют модели. где во взаимодействие вступают уже люди и машинные компоненты. В них человек взаимодействует с информацией, поступающей с выхода ЭВМ и принимает решение на основе полученной информации. Решения человека затем снова вводятся в машину в качестве входной информации. Продолжая такой процесс дальше, мы приходим к полностью машинному моделированию, которое обычно и понимается под термином «моделирование».

К математическим, или символическим моделям относятся те, в которых для представления процесса или устройства используются символы, а не физические устройства. Обычным примером таких моделей может служить система дифференциальных уравнений. Символическая модель всегда является абстрактной идеализацией задачи, и если хотеть, чтобы такая модель позволяла решать задачу, необходимо вводить некоторые упрощающие предположения.

Все имитационные модели представляют собой модели так называемого «черного ящика». Это значит, что они обеспечивают выдачу выходного сигнала системы, если на ее взаимодействующие подсистемы поступает входной сигнал. 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 служить лишь в качестве средства для анализа поведения системы в условиях, которые определяются экспериментатором.

Имитационные модели целесообразно применять при наличии любого из следующих условий:

1. Не существует законченной математической постановки данной задачи, либо еще не разработаны аналитические методы решения сформулированной математической модели.

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

3. Кроме оценки определенных параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода.

4. Имитационное моделирование может оказаться единственной возможностью вследствие трудностей постановки экспериментов и наблюдения явлений в реальных условиях.

5. Для долговременного действия систем или процессов может понабиться сжатие временной шкалы (например, работа железнодорожной станции в течение суток). Имитационное моделирование дает возможность полностью контролировать время изучаемого процесса, поскольку явление может быть замедлено или ускорено по желанию.

Проводимые некоторыми западными учеными исследования практики применения различных методов показывают, что «имитационное моделирова­ние является одним из наиболее широко распространенных количест­венных методов в решении проблем управления».

Имитационная модель принципиально отличается от строгих. Здесь процесс воспроизводится, а там только «обозревается». Здесь не требуется строго формировать критерий оптимизации, задавать формальные ограничения и т.п. С одной стороны, это недостаток, ибо невозможно получить строго доказанный оптимум, с другой - достоинство, ибо здесь можно использовать частично-формлизованные знания, знания опытного характера. А так как формализованных знаний о железнодорожных объектах, таких как сортировочная и грузовая станции, полигон, накоплено мало, то формальным моделям доверять серьезную оценку нельзя. Модели эти слишком бедны и оттого слишком велико несоответствие их реальным объектам.

Преобладающее использование имитационного моделирования объясняется тем, что оно позволяет создавать модели на основе частично формализованных знаний (знаний опытного характера). Доля таких знаний в области железнодорожных транспортных систем и сейчас остается довольно значительной.

К преимуществам имитационного моделирования перед другими методами расчета можно отнести:

- возможность наиболее полного учета взаимосвязей, дейст­вующих в системе;

- отображение влияния внутренней структуры на характер функционирования модели;

- возможность неявного задания целевой функции и ограничений для сложной системы.

Однако имитационное моделирование обладает и недос­татками:

- значительные затраты времени и труда в процессе создания модели. Процесс построения имитационной модели можно представить в виде рисунка 1;

- из-за отсутствия универсальных методик и правил процесс создания каждой новой модели во многом уникален;

- сложность решения задач оптимизации, поскольку решение, полученное при расчете на имитационной модели, всегда носит частный характер 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.

Однако, несмотря на указанные недостатки, имитационное моделирование, по сравнению с другими методами, способно наиболее полно отображать сложные транспортные системы, какими являются железнодорожные станции. В настоящее время это наиболее адекватный способ их изучения на ЭВМ.

Процесс создания имитационной модели

Рис. 1.

На рис. 1 цифрами обозначены:

1 - получение данных о моделируемой системе;

2 - анализ структуры и технологии работы системы;

3 - статистический анализ данных;

4 - представление структуры и технологии в терминах модели;

5 - подготовка данных;

6 - создание алгоритмов работы системы в терминах модели;

7 - составление программы;

8 - проведение экспериментов (расчет составленной программы модели, формирование результатов и т.д.);

9 - анализ результатов расчета (переход к новому варианту модели);

10 - использование результатов.