Professional Documents
Culture Documents
Model Big System
Model Big System
Конспект лекцій
з дисципліни «Моделювання великих систем та комплексів»
(назва дисципліни)
Розробник:
Васильєва І. К., доцент кафедри інформаційно-комунікаційних технологій
ім. О. О. Зеленського (№ 504), к.т.н., доцент
(прізвище та ініціали, посада, наукова ступінь та вчене звання) (підпис)
Рис. 5.1
Математическая модель представляет собой совокупность соот-
ношений (например, уравнений, логических условий, операторов), опре-
деляющих характеристики процесса функционирования системы S в за-
висимости от структуры системы, алгоритмов поведения, параметров
системы, воздействий внешней среды Е, начальных условий и времени.
Математическая модель является результатом формализации про-
цесса функционирования исследуемой системы.
Однако на практике получение модели достаточно простого вида
для больших систем чаще всего невозможно, поэтому обычно процесс
функционирования системы S разбивают на ряд элементарных подпро-
цессов. При этом необходимо так проводить разбиение на подпроцессы,
чтобы построение моделей отдельных подпроцессов было элементарно
и не вызывало трудностей при формализации.
Основными подэтапами построения концептуальной модели сис-
темы являются:
30
0 r Нет Да
0 p 1 ri < P
P(A) P(A)
Событие Событие
0 p 1 A A
Рис. 8.1. Моделирование Рис. 8.2. Алгоритм моделирования
случайного события случайного события
Моделирование сложных событий
Допустим, событие C – сложное событие, заключающееся в том,
что одновременно должны произойти два простых независимых собы-
тия: A с вероятностью P ( A) и B с вероятностью P (B ) . При этом воз-
можны четыре варианта исхода: C = A ∩ B , C = A ∩ B , C = A∩ B ,
C = A ∩ B . Для моделирования таких событий необходимо последова-
тельно получить два стандартных равновероятно распределенных чис-
ла r1 и r2 , по которым будет определяться результирующее событие со-
гласно алгоритму, показанному на рис. 8.3.
Если же события A и B – зависимые, то для моделирования нужно
знать условную вероятность P ( B A) , которая используется вместо
P (B ) при проверке условия r2 < P ( B A) .
47
Генерация
r1
Нет Да Нет Да
r2< P(B) r2< P(B)
Генерация
r1
Событие
A Нет Да
r2< P(A|B)
Событие Событие
A A
Рис. 8.5. Алгоритм моделирования условных событий
Для формирования реализаций такой ве-
Генерация
личины генерируют значения стандартных
ri
равномерно распределенных чисел ri и цик-
лически ( k = 1K K − 1 ) проверяют условие
k Да
ri < ∑ j =1 p j . Если неравенство выполняет- ri < P1 x = x1
ся, то принимают X = x k . Очевидно, что
Нет
проверка неравенства при k = K не нужна в
силу (8.2). Да
Алгоритм моделирования дискретной ri < P1+P2 x = x2
случайной величины показан на рис. 8.6.
Описанную процедуру называют опреде-
лением результата испытания по жребию.
Она часто используется в теории принятия
... Нет
Таблица 8.1
Распределение Параметры Алгоритм генератора
Равномерное a , b; b>a a + ( b − a )⋅r
Экспоненциальное λ >0 − ln ( r ) λ
Нормальное m, σ>0
σ
m+ ⋅
2
( ∑ 48j=1r j − 24 )
Для целых α
α >0 , β>0 1 α
Гамма-распределение − ∑ ln ( r j )
β j =1
Рэлея σ>0 − 2 σ 2 ln ( r )
Лингвистическая неопределенность
Реальный мир сложен, причем эта сложность зачастую проявляет-
ся как неопределенность в форме неоднозначности или неточности.
Этот тип неопределенности связан с неточностью обычного человече-
ского языка, с ним мы постоянно сталкиваемся в повседневной жизни.
Достаточно рассмотреть фразы типа "высокие люди", "горячие пирожки",
"хороший автомобиль", "устойчивая валюта", "дождливый день", "неваж-
ное самочувствие", "трудный день", чтобы понять, что вряд ли возможно
дать им точные количественные определения.
Действительно, высокие и низкие люди будут иметь свои собст-
венные представления о том, каких людей следует считать высокими.
Более того, если мы формально установим считать высокими всех лю-
дей выше 180 см, будет ли человек с ростом 179.999 см высоким или
нет? Контекст фраз тоже имеет значение, поскольку оценка высоких лю-
дей, находящихся на сцене театра и в зрительном зале, будет различ-
ной. Для изучения подобных субъективных оценок предназначена от-
дельная наука – психолингвистика. В рамках этой науки принято считать,
что в рассмотренных фразах люди используют слова в качестве некото-
рых субъективных категорий. Эти субъективные категории дают нам
возможность классифицировать объекты, которые характеризуются та-
кими свойствами, как "высота", "длина", "вес", "температура", "цвет". Да-
же при том, что большинство используемых категорий точно не опреде-
лено, люди могут использовать их для весьма комплексных оценок и
решений, которые основаны на учете многих различных факторов. Рас-
смотрим высказывание: "Вероятно, мы будем иметь успешный финан-
совый год". Это высказывание имеет существенные отличия от рас-
смотренных ранее высказываний. Во-первых, само событие точно не
определено. Для некоторых компаний успешный финансовый год может
означать, что им удастся избежать банкротства. Для других это может
означать превышение прибыли за предшествующий год. Даже для от-
дельно взятой компании трудно предложить некоторое количественное
значение прибыли, чтобы определить, будет ли для нее бюджетный год,
как рассматривается, успешным или нет. Следовательно, понятие "ус-
пешный финансовый год" является субъективной категорией. Другая
особенность последнего высказывания заключается в определении вы-
ражения вероятности. В то время как в предыдущих двух высказываниях
вероятность была выражена количественно, данное высказывание не
определяет количество вероятности. Следовательно, выражение веро-
ятности в последнем высказывании также является субъективной кате-
горией. Высказывания, аналогичные последнему высказыванию и ис-
пользующие субъективные категории людей, играют важную роль в про-
цессе повседневного принятия решения. Даже при том, что эти выска-
зывания не имеют количественного содержания, люди успешно исполь-
53
а 0,8
б
0,6
0,4
1 2 3 4
Рис. 9.1. Интерполяция (а) Рис. 9.2. Кусочно-линейная
и аппроксимация (б) данных интерполяция
55
⎧ 1 при x = x k ,
ω k ( x )= ⎨ (9.3)
⎩ 0 при x = x i ≠ x k .
Таким образом, многочлен ω k ( x ) имеет вид
( x − x 0 ) ( x − x 1 )L( x − x k −1 ) ( x − x k +1 )L( x − x n )
ω k ( x )= .
( x k − x 0 ) ( x k − x 1 )L( x k − x k −1 ) ( x k − x k +1 )L( x k − x n )
Интерполяционный многочлен Лагранжа можно записать так:
Pn ( x ) = ∑ nk =0ω k ( x ) f ( x k ) . (9.4)
Для больших таблиц данных, составленных при равноотстоящих
значениях независимой переменной x i = x 0 + i ⋅h (i = 0…n, h – шаг), ис-
пользуют разностные методы интерполяции, из которых наиболее рас-
пространен метод Ньютона.
Для интерполирования в точках x, близких к началу таблицы x0, ис-
пользуют первую интерполяционную формулу Ньютона
P n ( x ) = a 0 + a 1 ( x − x 0 ) + a 2 ( x − x 0 ) ( x − x 1 ) +K +
(9.5)
+ a n ( x − x 0 )×K×( x − x n−1 ) .
56
б
1
а
0 0,2 0,4 0,6 0,8 1
Таблица 10.1
Номер опыта x 0 x1 x 2 x1 x 2 y
1 + – – + y1
2 + + – – y2
3 + – + – y3
4 + + + + y4
Для устранения систематической погрешности эксперимента поря-
док проведения опытов рандомизируют с помощью датчика случайных
чисел: каждой строчке плана присваивают случайный порядковый номер
от 1 до K (повторяющиеся числа игнорируют). ПФЭ проводят в соответ-
ствии с порядком после рандомизации, выставляя значения независи-
мых факторов x1 , x2 ,…, x k равными x jВ или x jН согласно коду стро-
ки. По каждой строке плана измеряют значения выходного параметра;
данные измерений заносят в столбец y . Если в каждой точке плана
проводился не один, а серия опытов, то в матрицу ПФЭ вместо значения
y i следует подставлять среднее значение y i .
Обработка данных эксперимента
Статистический анализ результатов эксперимента начинают с
проверки гипотезы о воспроизводимости эксперимента.
Воспроизводимостью эксперимента называют свойство повторяе-
мости его данных в серии повторных экспериментов. Поскольку эти дан-
ные случайны, то можно говорить лишь о повторяемости некоторых ха-
рактеристик результатов опытов. Такой характеристикой является по-
строчная дисперсия D { y i }, которая не должна существенно изменять-
ся по строкам эксперимента. Неоднородность дисперсии воспроизводи-
мости ведет к большим ошибкам вычисления коэффициентов регресси-
онной модели.
Оценку однородности дисперсии воспроизводимости выполняют по
результатам серии параллельных (проводимых в одной и той же точке
плана) опытов.
Определяют построчные математические ожидания и дисперсии:
1
y i = ⋅∑ lr=1 y il ;
r
1 γ
D { y i }= ∑ l =1( y il − y i )
2
,
r −1
где r – количество параллельных опытов; i =1KK – номер строки мат-
рицы эксперимента X .
Гипотезу о воспроизводимости эксперимента проверяют, используя
критерий Кохрена. Для этого рассчитывают величину
65
D { y } max
G= , (10.8)
∑
K
i =1
D {yi }
где D { y } max – максимальная из построчных дисперсий; K – количест-
во строк в матрице эксперимента X .
Значение G сравнивают с квантилем распределения Кохрена
G табл ( α , K , f 1 ) , где α – уровень значимости (вероятность ошибки
первого рода); f 1 =r −1 – число степеней свободы.
Если G> G табл , то эксперимент невоспроизводим. В этом случае
необходимо либо увеличить количество параллельных опытов, либо по-
добрать некоторое нелинейное преобразование выходного параметра.
Если эксперимент воспроизводим, то рассчитывают значение
дисперсии воспроизводимости
1
Dy = ⋅∑ iK=1 D { y i } (10.9)
K
и переходят к основной обработке данных, которая состоит в нахожде-
нии оценок коэффициентов модели (10.6) и проверке их значимости.
При обработке данных по методу наименьших квадратов ортого-
нальность матрицы ПФЭ позволяет получить независимые оценки ко-
эффициентов уравнения регрессии для неполного полинома (т. е. поли-
нома, не имеющего членов, содержащих степени независимых пере-
менных). Независимость оценок означает, что оценка любого коэффи-
циента не зависит от того, какие значения принимают оценки других ко-
эффициентов.
Выражение для оценки коэффициентов полинома
1 K
bj = ∑ x ij ⋅ y i . (10.10)
K i =1
В целях исключения из уравнения регрессии факторов, слабо
влияющих на выходной параметр y , и для установления факта попада-
ния в область экстремума проверяют значимость коэффициентов рег-
рессионного полинома (10.10).
Значимо ли отклонение от «0» того или иного коэффициента b j ,
определяют по t -критерию Стьюдента
K ⋅r
tj =b j ⋅ . (10.11)
Dy
Полученное значение t j сравнивают с квантилем распределения
Стьюдента t табл ( α , f 2 ), где α – уровень значимости статистической
66
2 3
R ( B )= U R ( x i ) ,
x i ∈B
то B является базой только тогда, когда
R ( B ) = X и ∀S ⊂ B : R ( S ) ≠ X .
Т.о., базой является такое множество B вершин графа G, которое
удовлетворяет следующим двум условиям:
1) каждая вершина графа G достижима хотя бы из одной вершины
множества B;
2) в B нет вершины, которая достижима из другой вершины множе-
ства B.
Из этих условий следует:
1) в множестве B нет двух вершин, которые принадлежат одной и
той же СК графа G;
2) в любом графе без циклов существует единственная база; она
состоит из всех таких вершин графа G, полустепени захода которых
равны 0.
Конденсация графа G – граф G* = (Х*, Г*), каждая вершина которо-
го представляет множество вершин некоторой сильной компоненты
графа G; дуга (xi*, xj*) существует в G* только тогда, когда в G существует
дуга (xi, xj) такая, что xi принадлежит компоненте xi*, а xj – компоненте xj*.
Конденсация не содержит циклов.
Т.о., база B* конденсации G* графа G состоит из таких вершин G*,
полустепени захода которых равны 0. Следовательно базы графа G
можно строить так: из каждой СК графа G, соответствующей вершине
базы B* конденсации G* надо взять по одной вершине, т.е., если B* = {S1,
S2,…,Sm}, где m – число вершин-множеств Sj в базе B* конденсации G*,
то базой B является произвольное множество {xi1, xi2,…, xim}, где xij ∈ Sj.
Антибаза B есть множество вершин графа G = { Х, Г}, таких, что
Q ( B )= UQ ( x i ) = X и ∀S ⊆ B : Q ( S ) ≠ X ,
x i ∈B
т.е., B есть такое минимально возможное множество вершин, что како-
ва бы ни была вершина графа G, из нее достижима некоторая вершина
в B . Свойства антибаз аналогичны свойствам баз, надо только «пря-
мые» понятия заменить на двойственные.
Т.о., антибаза B ∗ конденсации G* есть множество вершин G*, по-
лустепени исхода которых равны 0, и антибазы самого графа G строятся
из антибазы конденсации G* путем выбора по одной вершине из каждой
вершины-множества антибазы B ∗ .
Алгоритм построения покрывающего дерева
Работа алгоритма рассматривается как процесс окрашивания ре-
бер. Окраска ребра в голубой цвет означает, что оно включается его в
90
элемент противоречия;
– неопределенность наступления тех или иных событий,
относящихся к возможности нахождения системы-оригинала в том или
ином состоянии в будущем. Речь идет о том, что анализ процесса по-
ведения системы не дает оснований для однозначного ответа на вопрос:
"Будет ли находиться система-оригинал в некотором состоянии в
момент времени, который относится к ее будущему?" Этот аспект
неопределенности часто называют стохастическим, поскольку он
традиционно исследовался средствами теории вероятностей и матема-
тической
Т.о.,статистики.
нечеткая модель системы-оригинала, или нечеткая система в
первую очередь характеризуется неопределенностью типа неясности
(нечеткости) границы системы, а также, возможно, отдельных ее состоя-
ний, входных и выходных воздействий. Наличие в сложной многоуров-
невой иерархической системе управления одновременно различных ви-
дов неопределенности делает необходимым использование для приня-
тия решений теории нечетких множеств, которая позволяет адекватно
учесть имеющиеся виды неопределенности.
Нечеткие множества. Функции принадлежности.
Понятие нечеткого множества основано на предположении, что
любой элемент лишь в некоторой степени принадлежит данному множе-
ству. Основной способ описания нечеткого множества – определение
степени принадлежности его элементов числом интервала [0,1]: 1 –
”принадлежит”; 0 –”не принадлежит”.
Нечеткое множество (НМ) А ⊆ U – это совокупность пар вида
(u,μA(u)), где u∈U: μА(u): U→[0,1], μА(u) – функция принадлежности (ФП).
Носителем НМ А (Supp A) с ФП μA(u) называется четкое множест-
во вида Supp А = {u|u∈U, μA(u) > 0}.
Нечеткий синглтон – это нечеткое множество, носителем которо-
го является единственная точка из множества U, т.е. любое нечеткое
множество А – объединение составляющих его одноточечных множеств
синглтонов:
A = μА(u)/u , ∀ u ∈U.
Обобщением носителя НМ является понятие множества α-уровня,
под которым понимается обычное множество Аα, удовлетворяющее ус-
ловию:
A α ={ x∈ X μ Α ( x ) ≥ α }, α ∈ [0, 1].
Ядром НМ называется такое обычное множество А0, элементы ко-
торого удовлетворяют условию:
A α ={ x∈ X μ Α ( x ) ≥1 }, α ∈ [0, 1].
Границами НМ называются такие элементы универсума, для кото-
рых значения ФП отличны от 0 и 1 (рис. 16.1).
104
а б
Рис. 16.2. "Треугольная" (а) и "трапециевидная" (б) ФП
"Треугольная" функция принадлежности в общем случае может
быть задана аналитическим выражением:
⎧ 0, x<a ;
⎪ x−a
⎪ , a ≤ x <b ;
⎪ b−a
fΔ ( x ;a ,b ,c ) = ⎨ (16.1)
⎪ c− x , b ≤ x < c ;
⎪ c −b
⎪ 0, x≥c ,
⎩
где a, b, c – некоторые числовые параметры: a ≤ b ≤ c.
105
б
Рис. 16.3. Z-образная (а) и S-образная (б) ФП
106
б
Рис. 16.4. Графики П-образных ФП: а – (16.5); б – (16.6)
107
а б
Рис. 17.1. Матрица (а) и граф (б) нечеткого отношения
Центр площади:
u Max
y = u , ∫ Min μ ( x ) dx = ∫ u μ ( x ) dx .
Левое модальное значение:
y = min { x m } .
Правое модальное значение:
y = max { x m } .
На практике автоматическое управление сложными процессами во
многих случаях происходит в условиях неопределенности, связанных с
отсутствием достаточной статистики о поведении управляемых объек-
тов. Проектировщикам систем управления такими объектами приходится
учитывать некоторые неформализуемые или трудно формализуемые
факторы. Уровень сложности подобных систем настолько высок, что ис-
пользование известных детерминированных моделей для их проектиро-
вания не обеспечивает желаемых характеристик. В этих случаях адек-
ватные математические модели управляемых систем могут основывать-
ся на теории нечетких множеств, позволяющих синтезировать интеллек-
туальные системы управления.
Основу проектирования интеллектуальных нечетких регуляторов
составляет конструирование «базы знаний» с применением методов
представления и поиска знаний. Современная теория управления раз-
вивается в направлении создания интеллектуальных систем управления
(ИСУ), для которых характерно описание объекта управления и регуля-
тора на более высоком качественном уровне. Как правило, динамиче-
ское поведение сложных и плохо формализуемых систем описывается с
помощью моделей «вход-выход» в виде таблиц лингвистических правил
(ТЛП), связывающих управляющие воздействия U и выходы (либо со-
стояния) объекта X.
Входные воздействия U поступают на объект управления в резуль-
тате дефаззификации функции принадлежности μ(U) нечеткого множе-
ства, получающегося на основе максминной композиции управляющего
правила и выходных сигналов объекта X. Выбор оптимального правила
из ТЛП регулятора осуществляется путем фаззификации выходных сиг-
налов X (получения нечеткого множества с определенной функцией
принадлежности) и сравнения посылки правил ТЛП с полученными не-
четкими множествами.