Анализ и интерпретация результатов моделирования

Решение этой задачи может быть выполнено различными методами в зависимости от целей и вида характеристик. Рассмотрим особенности использования двух методов: корреляционного и регрессионного анализа для результатов моделирования систем.

Корреляционный анализ используется для определения связи между двумя и более случайными величинами, наблюдаемыми при моделировании. Фактически он сводится к оценке разброса первой случайной величины относительно среднего значения второй случайной величины . Существование этих связей можно выразить с помощью коэффициента корреляции:

,

где - коэффициент корреляции (безразмерная величина).

При r = 0 считается, что статистически два процесса независимы (рис. 26, а).

 

Рис. 26

При считается, что статистически два процесса полностью зависимы - линейная зависимость для (рис. 26, б), причем если r> 0, то говорят о положительной корреляции, т.е. большие значения одной случайной величины соответствуют большим значениям другой. Случай соответствует либо наличию линейной корреляции с рассеянием (рис. 26, в), либо наличию нелинейной корреляции результатов (рис. 26, г).

При анализе важно отметить, что даже если удалось установить тесную связь между двумя переменными, то отсюда еще не следует их взаимообусловленность. При статистическом моделировании наличие такой связи может иметь место, например, из-за коррелированности последовательностей псевдослучайных чисел.

Регрессионный анализ дает возможность построить модель, наилучшим образом соответствующую набору данных, полученных в ходе машинного эксперимента. В регрессионном анализе минимизируется функция ошибки, являющаяся разностью между моделью и данными эксперимента, а в качестве такой функции берется сумма квадратов ошибок.

Рассмотрим особенности регрессионного анализа результатов моделирования при построении линейной модели. На рис. 27 показаны точки полученные в эксперименте с моделью.

Далее предполагается, что модель может быть описана линейным уравнением в виде прямой линии где - величина, получаемая по регрессионной модели.

Требуется получить такие значения коэффициентов и , при которых сумма квадратов ошибок является минимальной. Ошибки для каждой экспериментальной точки определяются как расстояние по вертикали от точки до линии регрессии .

Выражение для ошибок в этом случае будет иметь вид а функция ошибки Для получения и , при которых функция F₀ является минимальной, применяют обычные методы минимизации, в частности метод наименьших квадратов. Условием минимума является Дифференцируя F₀, получаем

 

Решая систему из двух уравнений, можно получить значения и . В матричном виде эти уравнения имеют вид

Решение этих уравнений

 

Аналогично могут быть оценены коэффициенты уравнения регрессии и для случая нелинейной аппроксимации.

 

 

25. Сети Петри, определения и пример.

 

Появление параллельных и конвейерных ВС, а также необходимость моделирования как аппаратного, так и программного обеспечения привели в последние годы к широкому распространению нового класса моделей – сетей Петри. Сети Петри являются средством математического описания процессов функционирования дискретных систем с параллельно и асинхронно действующими элементами.

Сеть Петри представляется множеством векторов

,

где Р - вектор позиций, Т - вектор переходов, I - вектор входных функций и O - вектор выходных функций.

Сеть Петри представляется в виде двудольного ориентированного мультиграфа, в котором вершинами являются позиции и переходы, а дугами – входные и выходные функции. Обозначения:

Позиции: Переходы:

 

 

Входная дуга: Выходная дуга:

 

 

Модель представляет собой последовательность событий. Каждому возможному событию в системе соответствует определенный переход. Событие будет происходить, если будут удовлетворены определенные условия. Каждому условию соответствует определенная позиция. Выполнение условий отображается с помощью специальных маркеров (точки внутри соответствующих позиций). Число состояний сети Петри (СП) определяется числом возможных маркировок. Если позиции пронумерованы (проиндексированы), то состояние системы определяется вектором состояний (или маркировкой), например, Р(0, 1, 0, 0, 1, …). Графическое изображение сети Петри удобно для восприятия и легко преобразуется в исходную программу имитационного моделирования.

Пример: модель простой ВС.

Моделирование процессов с помощью СП выражается в перемещении маркеров между позициями. Получаемая последовательность событий – это последовательность срабатывания (возбуждения или запуска) переходов.

Событие t_i происходит (переход срабатывает), если имеются маркеры во всех входных позициях для перехода t_i.

Свершение события t_i заключается в изъятии маркеров из всех входных позиций и в помещении их во все выходные позиции для перехода t_i.

В модели данного примера переходы описывают следующие события: t₁₂ – (событие) появление задачи на входе ВС, t₁₀ – (событие) начало решения задачи, t₁₁ – (событие) окончание решения задачи, t₁₃ – (событие) выход решенной задачи из ВС. Позиция Р₁ соответствует условию, что во входной очереди имеется задача, Р₂ – (условие) решение окончено, Р₃ – (условие) процессор свободен, Р₄ – (условие) в выходной очереди имеется задача.

Начальная маркировка в данном примере задана исходным вектором Р₀ = (Р₁, Р₂, Р₃, Р₄) = (0, 0, 1, 0). Приход задачи в ВС отображается запуском перехода t₁₂ и появлением маркера в позиции Р₁, вектор состояния будет иметь вид - (1, 0, 1, 0). Теперь удовлетворяются условия для срабатывания перехода t₁₀, в результате чего удаляются маркеры из позиций Р₁ и Р₃, помещается маркер в позицию Р₂. Тогда маркировка будет иметь вид - (0, 1, 0, 0). Далее выполняются условия для срабатывания перехода t₁₁, появляется новая маркировка - (0, 0, 1, 1). Выполняются условия для срабатывания t₁₃, и система приходит в исходное состояние - (0, 0, 1, 0).

В общем случае в позиции может быть более одного маркера. Рис. 28 иллюстрирует правила срабатывания переходов при наличии нескольких маркеров.

 

 

⇐ Предыдущая234567891011

Поделиться: