Курсовая_Моделирование (методическое указание по выполнению курсовой работы), страница 7
Описание файла
Документ из архива "методическое указание по выполнению курсовой работы", который расположен в категории "". Всё это находится в предмете "моделирование систем" из 7 семестр, которые можно найти в файловом архиве МПУ. Не смотря на прямую связь этого архива с МПУ, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "моделирование систем" в общих файлах.
Онлайн просмотр документа "Курсовая_Моделирование"
Текст 7 страницы из документа "Курсовая_Моделирование"
Таблица 3.4
Номер испытания | План ПФЭ | Реакция У | |||
1 | +1 | -1 | -1 | +1 | |
2 | +1 | -1 | -1 | +1 | |
3 | +1 | -1 | +1 | -1 | |
4 | +1 | -1 | +1 | -1 |
Если в выбранных интервалах варьирования уровня процесс можно описать линейной моделью, то достаточно определить три коэффициента: и . Таким образом, остается одна степень свободы, которую можно использовать для минимизации числа испытаний. При линейном приближении и вектор-столбец (табл. 3.4) можно использовать для нового фактора . Поставим в табл. 3.4 этот фактор в скобках над взаимодействием . В этом случае раздельных оценок, которые имели место в ПФЭ типа 2 , уже не будет и оценки смещаются следующим образом: при постулировании линейной модели все парные взаимодействия не учитывают. Таким образом, вместо восьми испытаний в полном факторном эксперименте типа необходимо провести только четыре. Правило проведения дробного факторного эксперимента формулируется так: для сокращения числа испытаний новому фактору присваивается значение вектор-столбца матрицы, принадлежащего взаимодействию, которым можно пренебречь.
При проведении эксперимента из четырех испытаний для оценки влияния трех факторов пользуются половиной ПФЭ типа , так называемой «полурепликой». Если приравнять и , то можно получить вторую «полуреплику». Для обозначения дробных реплик, в которых d линейных эффектов приравнены к эффектам взаимодействия, пользуются условным обозначением . Например, «полуреплика» от записывается в виде , а «четвертьреплика» — .
Когда модель планирования анализируется методами дисперсионного анализа, применяют планы дисперсионного анализа. Если при постановке эксперимента реализуются все возможные совокупности условий, то говорят о полных классификациях дисперсионного анализа. Если проводится сокращение перебора вариантов — это неполная классификация дисперсионного анализа. Сокращение перебора может проводиться случайным образом (без ограничения на рандомизацию) или в соответствии с некоторыми правилами (с ограничениями на рандомизацию). Чаще всего в качестве таких планов используют блочные планы и планы типа латинского квадрата.
ОБРАБОТКА МАШИННЫХ ЭКСПЕРИМЕНТОВ С МОДЕЛЯМИ СИСТЕМ
Для экстремального планирования экспериментов наибольшее применение нашли модели в виде алгебраических полиномов. Предполагаем, что изучается влияние k количественных факторов , на некоторую реакцию η в отведенной для экспериментирования локальной области факторного пространства G, ограниченной , . Допустим, что функцию реакции можно с некоторой степенью точности представить в виде полинома степени d от k переменных
который содержит коэффициентов.
Соотношение (4.1) может быть представлено как
где — вектор с элементами , входящими в исходный полином;
— вектор коэффициентов, которые соответственно имеют такой вид:
Введем фиктивную переменную , а также переменные
Тогда (4.1) запишется как однородное линейное уравнение вида
Для оценки коэффициентов в (4.3) можно применить методы линейной регрессии.
Аппроксимация полиномов второго порядка функции реакции в однофакторной модели планирования может быть представлена в виде:
Более сложные объекты требуют применения полиномиальных моделей планирования большего порядка. Так, модель второго порядка в k-факторном эксперименте будет иметь вид:
На практике часто стремятся к использованию линейной модели планирования, преобразуя исходные полиномиальные модели. Например, модель второго порядка
может быть преобразована к линейному виду путем введения фиктивных переменных . Тогда в результате получается модель множественной линейной регрессии вида
Функция реакции может иметь и более сложную зависимость от факторов. В этом случае некоторые из них удается привести к линейному виду. Такими моделями являются мультипликативная, регрессионная, экспоненциальная и др.
Если выбрана модель планирования, т. е. выбран вид функции и записано ее уравнение, то остается в отведенной для исследования области факторного пространства G спланировать и провести эксперимент для оценки числовых значений констант (коэффициентов) этого уравнения.
Так как полином (4.2) или (4.3) содержит коэффициентов, подлежащих определению, то план эксперимента D должен содержать по крайней мере различных экспериментальных точек:
где — значения, которые принимает i-я переменная в u-м испытании, , .
Реализовав испытания в N точках области факторного пространства, отведенной для экспериментирования, получим вектор наблюдений, имеющий следующий вид:
где — реакция, соответствующая u-й точке плана , .
При незначительном влиянии неуправляемых входных переменных и параметров по сравнению с вводимыми возмущениями управляемых переменных в планировании эксперимента предполагается верной следующая модель:
где — ошибка (шум, флуктуация) испытания, которая предполагается независимой нормально распределенной случайной величиной с математическим ожиданием и постоянной дисперсией .
Выписав аналогичные соотношения для всех точек плана получим матрицу планирования
Рассмотрим особенности планирования эксперимента для линейного приближения поверхности реакции, причем построению плана предшествует проведение ряда неформализованных действий (принятие решений), направленных на выбор локальной области факторного пространства G (рис. 4.1).
Вначале следует выбрать границы и области определения факторов, задаваемые исходя из свойств исследуемого объекта, т. е. на основе анализа априорной информации о системе S и внешней среде Е. Например, такая переменная, как температура, при термобарических экспериментах принципиально не может быть ниже абсолютного нуля и выше температуры плавления материала, из которого изготовлена термобарокамера.
После определения области G необходимо найти локальную подобласть для планирования эксперимента путем выбора основного (нулевого) уровня и интервалов варьирования .
В качестве исходной точки выбирают такую, которая соответствует наилучшим условиям, определенным на основе анализа априорной информации о системе S, причем эта точка не должна лежать близко к границам области определения факторов и . На выбор интервала варьирования , накладываются естественные ограничения снизу (интервал не может быть меньше ошибки фиксирования уровня фактора, так как в противном случае верхний и нижний уровни окажутся неразличимыми) и сверху (верхний и нижний уровни не должны выходить за область определения G).
В рамках выбранной модели планирования в виде алгебраических полиномов строится план эксперимента путем варьирования каждого из факторов на нескольких уровнях q относительно исходной точки , представляющей центр эксперимента.
После проведения машинного эксперимента необходимо определить коэффициенты
алгебраического полинома, представляющего собой модель планирования. Для достижения этой цели можно воспользоваться методами матричной алгебры. Матрица- столбец коэффициентов полинома определяется по формуле:
где В – матрица-столбец коэффициентов полинома; Х – матрица планирования эксперимента; – транспонированная матрица планирования эксперимента; У – матрица-столбец реакции исследуемой системы.
Если принять во внимание, что матрица планирования двухуровневого плана первого порядка с эффектами взаимодействия является ортогональной, что говорит о независимости всех факторов, то коэффициенты полинома могут быть определены по формуле: .
Полученный полином позволяет определить оптимальные области значений факторов исследуемого объекта. Для этой цели могут быть использованы как аналитические так и поисковые методы. Из аналитических методов можно воспользоваться определением частных производных по всем факторам и приравнивания их к нулю. Из решения полученной системы уравнений определятся оптимальные значения факторов.
Из поисковых методов можно воспользоваться одним из градиентных методов, позволяющих с помощью ЭВМ достаточно быстро определить область оптимальных значений факторов
ПРИЛОЖЕНИ Е 1
ЯЗЫК ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ GPSS
1 ФУНКЦИОНАЛЬНАЯ СТРУКТУРА GPSS
Система GPSS ориентирована на класс объектов, процесс функционирования которых можно представить в виде множества состояний и правил перехода из одного состояния в другое, определяемых в дискретной пространственно-временной области. Примерами таких объектов являются вычислительные системы, сети ЭВМ, системы передачи сообщений, транспортные объекты, склады, магазины, предприятия и т.п. В качестве формальных моделей таких объектов используют системы массового обслуживания, автоматы, стохастические сети, сети Петри и макросети, агрегаты и т.п.
В состав GPSS входят следующие типы объектов: транзакты, блоки, списки, устройства, памяти, логические ключи, очереди, таблицы, ячейки, функции, переменные. Любую модель на языке GPSS можно представить в виде комбинации компонентов, взятых из числа названных объектов. Модель имеет три уровня представления:
-
верхний уровень, определяемый комбинацией основных функциональных объектов:
устройств, памятей, ключей, очередей;
средний уровень, представляемый схемой из типовых блоков, между которыми
перемещаются транзакты;
- нижний уровень - уровень физической реализации языка GPSS в виде программ и наборов данных, составляющих основу моделирующей системы.
1.1 БЛОКИ