Оценка качества имитационной модели

Тема 5. Обобщение и статистическая оценка результатов имитационного моделирования

1. Оценка качества имитационно модели
2. Методика применения планирования эксперимента
3. Определение необходимого количества параллельных опытов
4. Проверка однородности дисперсий
5. Проверка адекватности функции отклика

Оценка качества имитационной модели

Результаты имитационного моделирования могут быть полезными при принятии решений, только когда они имеют необходимую точность и достоверность, т.е. сама модель может считаться качественной.

Оценка качества имитационной модели является завершающим этапом ее разработки и преследует две цели:

1. Проверить соответствие модели ее назначению (целям исследования);

2. Оценить достоверность и статистические характеристики результатов, получаемых при проведении модельных экспериментов.

Рекомендуемые материалы

При аналитическом моделировании достоверность результатов определяется корректным выбором используемого математического аппарата и методической ошибкой, присущей данному математическому методу.

При имитационном моделировании на достоверность результатов влияет целый ряд дополнительных факторов, основные из которых:

· моделирование случайных факторов, основанное на использовании датчиков случайных чисел, которые могут вносить «перекручивание» в поведение модели;

· наличие нестационарного режима работы модели;

· использование нескольких разнотипных математических методов в рамках одной модели;

· зависимость результатов моделирования от плана эксперимента;

· необходимость синхронизации работы отдельных компонентов модели.

Пригодность имитационной модели для решения задач исследования характеризуется тем, в какой степени она отвечает целевым свойствам. Основными из этих свойств являются:

· адекватность;

· стойкость;

· чувствительность.

Рассмотрим некоторые способы проведения оценки модели по каждому из указанных свойств.

Оценка адекватности модели. В основном адекватность (соответствие модели явлению или процессу) проверяют с помощью ряда статистических критериев.

Процедура оценки адекватности основана на сравнении измерений на реальной системе и результатов экспериментов на модели и может проводиться разными способами. Наиболее распространенные из них:

· по среднему значению откликов модели и системы;

· по дисперсиям отклонений откликов модели от среднего значения откликов системы;

· по максимальному значению относительных отклонений откликов модели от откликов системы.

Названные способы оценки довольно близки между собой, поэтому рассмотрим первый из них.

При этом способе проверяется гипотеза близости среднего значения функции отклика модели U среднему значению отклика реальной системы U^*.

В результате N₀ опытов на реальной системе получают множество значений U^*. Выполнив N_М экспериментов на модели, также получают множество значений функции отклика модели переменной U.

Затем вычисляют оценки математического ожидания и дисперсии откликов модели и системы, после чего выдвигается гипотеза о близости средних значений U^* и U (в статистическом смысле). Основой для проверки гипотезы есть t-статистика (распределение Стьюдента). Ее расчетное значение сравнивается с критическим значением t_КР, взятым из справочной таблицы. Если выполняется неравенство t< t_КР, то гипотеза принимается.

Статистические методы применимы только в том случае, если оценивается адекватность модели существующей системы. Если система только проектируется, в качестве эталонного объекта приходится принимать концептуальную модель проектируемой системы. Тогда оценка адекватности программно реализованной модели заключается в проверке того, насколько корректно она отображает концептуальную модель.

Оценка стойкости модели. Стойкость модели ― это ее способность сохранять адекватность при исследовании эффективности системы на всем возможном диапазоне значений внешних влияний, а также при внесении изменений в конфигурацию системы.

В общем случае можно утверждать, что чем ближе структура модели структуре системы и чем выше степень детализации, тем устойчивее модель.

Стойкость результатов моделирования может быть также оценена методами математической статистики, например, с помощью критерия Уилкоксона.

Критерий Уилкоксона служит для проверки того, относятся ли две выборки к одной и той же генеральной совокупности (т.е. владеют ли они одинаковым статистическим признаком). Например, в двух партиях некоторой продукции измеряется определенный признак, и нужно проверить гипотезу о том, что этот признак имеет в обеих партиях одинаковое распределение, другими словами, необходимо убедиться, что технологический процесс от партии к партии изменяется несущественно.

При статистической оценке стойкости модели соответствующая гипотеза может быть сформулирована так: при изменении значений независимых факторов или структуры имитационной модели закон распределения результатов моделирования остается неизменным.

Проверку указанной гипотезы проводят при следующих данных: есть две выборки X = (x₁, ... x_n)  и  Y = (y₁, ... y_n), полученные для разных значений независимых факторов (относительно законов распределения X и Y никаких предположений не делается).

Значения обеих выборок упорядочиваются вместе по возрастанию. Затем анализируется взаимное расположение  x_i  и y_j. В случае y_j< x_i  говорят, что пары значений (x_i , y_j) образовывают инверсию.

Например, пусть для n = m = 3 после упорядочения получилась такая последовательность значений:  y₁, x₁, y₃, x₂, y₂, x₃; тогда примем инверсии:  (x₁, y₁), (x₂, y₁), (x₂, y₃), (x₃ , y₁), (x₃ , y₂), (x₃ , y₃).

Подсчитывают полное количество инверсий U. Если гипотеза верна, то U не должно сильно отличаться от своего математического ожидания М:

.                                                (1.27)

От гипотезы отказываются, если |U – М | > U_КР (U_КР определяется по таблице для заданного уровня значимости).

Оценка чувствительности модели. Если изменение значений внешних параметров модели (в некотором заданном диапазоне) не отражается на значениях исходных параметров, то польза от такой модели небольшая. В связи с этим возникает задача оценивания чувствительности модели к изменению внешних параметров, а также внутренних параметров самой системы.

Такую оценку проводят по каждому параметру X_k отдельно. Основана она на том, что обычно диапазон возможных изменений параметра известен. Одна из наиболее простых и распространенных процедур оценивания заключается в следующем.

1. Исчисляется величина относительного среднего увеличения параметра X_k:

.                           (1.28)

2. Проводится пара модельных экспериментов при значениях X_k= X_kmax, X_k= X_kmin и средних фиксированных значениях параметров. Определяются значение отклика модели Y₁=f(X_kmax) и Y₂=f(X_kmin).

3. Исчисляется относительное увеличение зависимой переменной Y:

.                                      (1.29)

В результате для k-го параметра модели получают пары значений (DX_k, DY_k), что характеризует чувствительность модели по этому параметру. Аналогично формируются пары для других параметров модели, которые образуют множество {DX_k, DY_k}.

Данные, полученные при оценке чувствительности модели, могут быть использованы, в частности, при планировании экспериментов: большее внимание должно отводиться тем параметрам, к изменению значений которых модель оказалась более чувствительной.

Калибровка модели. Если в результате проведенной оценки качества модели оказалось, что ее целевые свойства не удовлетворяют разработчика, необходимо выполнить калибровку, т.е. коррекцию с целью приведения в соответствие предлагаемым требованиям. Процесс калибровки носит итеративный характер и составляется их трех основных этапов:

1. Глобальные изменения модели (например, введение новых процессов, изменение типов событий и т.д.);

2. Локальные изменения (в частности, изменения некоторых законов распределения моделируемых случайных величин);

3. Изменение специальных параметров, называемых калиброванными.

Целесообразно объединить оценку целевых свойств имитационной модели и ее калибровку в единый процесс. Именно такая стратегия принята в статистическом методе калибровки. Процедура калибровки состоит из трех шагов, каждый из которых является итеративным:

Информация в лекции "1.3 Письменность, искусство книги, грамотность, образование" поможет Вам.

1. Сравнение исходных распределений. Цель ― оценка адекватности имитационной модели;

2. Балансировка модели. Основная задача ― оценка стойкости и чувствительности модели. По его результатам, как правило, выполняются локальные изменения (но возможны и глобальные);

3. Оптимизация модели. Цель этого этапа ― обеспечение необходимой точности результатов. Здесь возможные три основные направлений работ:

· дополнительная проверка датчиков случайных чисел;

· снижение влияния переходного режима;

· применение специальных методов снижения дисперсии.