ОПИС ПОВЕДІНКИ СИСТЕМИ

Лекція №3
 ОПИС ПОВЕДІНКИ СИСТЕМИ
Основою будь-якої імітаційної моделі є опис динаміки системи (поведінки).

Вихідними посилками для складання опису динаміки системи мають використовуються

результати, отримані на етапі розробки концептуальної (змістовної) моделі.
До них відносяться:
- визначення приналежності моделюється одному з відомих класів;
- опис робочого навантаження системи;
- вибір рівня деталізації представлення системи в моделі і її декомпозиція.

Всі подальші дії дослідника за описом дії системи припускають наступне:

- вибір методу подання динаміки системи (на основі подій,процесів або тразактов).
- формальне (математичне) опис випадкових факторів, що підлягають обліку в моделі.
- вибір механізму зміни і масштабу модельного часу.
 Моделювання випадкових факторів
Імітаційна модель дозволяє досліджувати поведінку різних систем з урахуванням впливу
випадкових факторів.

Випадкові фактори можуть бути відображені в моделі як:

• випадкові події,
• випадкові величини (дискретні або безперервні)
• випадкові функції (процеси).

Форма подання випадкових факторів залежить від їх природи.

При дослідженні надійності обчислювальної системи поява відмови -це випадкова подія.
При оцінці часових параметрів процесу обслуговування клієнтів в автомайстерні інтервал
часу до появи чергового клієнта зручніше описати як випадкову величину, розподілену по
деякому закону.
 Методи генерації випадкових чисел

Всі методи і прийоми моделювання випадкових факторів засновані на використанні

випадкових чисел з рівномірним розподілом в інтервалі [0; 1].
«Істинно» випадкові числа формуються за допомогою АЦП на основі фізичних генераторів, що
використовують природні джерела випадкових шумів(Радіоактивний розпад, шуми
електронних і ПП пристроїв).
Випадкові числа, що генеруються апаратно або програмно на ЕОМ, називаються
псевдовипадковими. Їх статистичні властивості збігаються з властивостями «істинно»
випадкових чисел.
До складу сучасних систем програмування входять спеціальні функції генерації випадкових
чисел, які зазвичай називають датчиками або генераторами випадкових чисел.
Застосовувані для ІМ генератори випадкових чисел повинні пройти тести на придатність за
такими характеристиками:
- рівномірність;
- стохастичность (випадковість);
- Незалежність.
 Перевірка рівномірності

Перевірка рівномірності може бути виконана по гістограмі відносних частот генерується випадкової
величини (малюнок).

Для її побудови інтервал [0; 1] розбивається на m рівних частин і підраховується відносне число
влучень значень випадкової величини в кожен інтервал.
Чим ближче огинаюча лінія гістограми до прямої, тим більшою мірою послідовність, що
генерується, відповідає вимозі рівномірності розподілу.
 Перевірка стохастичності
Стохастичність перевіряється методом комбінацій.
Для цього вибирають чималу послідовність випадкових чисел xi і для неї визначають ймовірність
появи в кожному з xi рівно j одиниць.
При цьому можуть аналізуватися як всі розряди числа, так і тільки l старших розрядів.
Теоретично закон появи j одиниць в l розрядах двійкового числа може бути описаний як
біноміальний закон розподілу (виходячи з незалежності окремих розрядів). Тоді при
довжині вибірки N очікуване число появ випадкових чисел xi з j одиницями в перевірених l
розрядах дорівнюватиме:

Де - число поєднань j одиниць в l розрядах;

- ймовірність появи одиниці в двійковій розряді; p (1) = 0,5.

Перевірка відповідності реального значення теоретичному виконується за допомогою одного зі

статистичних критеріїв згоди.
 Перевірка незалежності

Перевірка незалежності проводиться на основі обчислення кореляційного моменту.

Дві випадкові величини а і b називаються незалежними, якщо закон розподілу кожної з них не залежить від
того, яке значення прийняла інша величина.

Для незалежних випадкових величин кореляційний момент дорівнює нулю.

Для оцінки незалежності елементів використовують такий спосіб:
- вводять в розгляд додаткову послідовність Y, в якій yi= Xi + t, де t - величина зсуву послідовності Y
відносно початкової послідовності X;
- обчислюють коефіцієнт кореляції випадкових величин X і Y.
 Моделювання випадкових подій
Для моделювання випадкової події А, ймовірність якого дорівнює Рс, досить сформулювати одне число r,
рівномірно розподілене на інтервалі [0; Pc]. При попаданні r в інтервал [0; Pc] вважають, що подія А настала, в
іншому випадку не настав. Нехай ймовірність відмови обчислювальної системи Рс = 0,3. Щоб визначити, чи
виникає відмова на черговому кроці моделювання, досить згенерувати за допомогою датчика одне випадкове
число r і порівняти його з ймовірністю відмови (рисунок).

зліва - відмова сталася; праворуч - відмова не сталася

Для моделювання повної групи N несумісних подій А = (А1, А2, ... АN) з ймовірністю відповідно Р1, Р2, ... РN також
досить одного значення r. Подія Аi з групи А вважається наступившим, якщо виконується умова:

Приклад. Припустимо, що в кожен момент часу може відбуватися звернення тільки до одного з трьох модулів
оперативної пам'яті обчислювальної системи. Імовірність звернення до кожного з них Р1, Р2 і Р3 рівні відповідно
0,3; 0,5 і 0,2. Щоб дізнатися, з якого саме модуля будуть прочитані дані, необхідно визначити, в який інтервал
потрапляє отримане від датчика випадкове число r (рисунок ).

Якщо група подій А не повна, то вводять фіктивну подію АN + 1 з ймовірністю РN + 1 такий, що сума ймовірностей
стає рівною 1. Після цього генерують число r і перевіряють вказану вище умову. При r = АN + 1 вважають, що не
одна подія з вихідної групи А не настала.
 Моделювання дискретних випадкових величин
Випадкові величини можуть бути дискретні і безперервні.
Дискретні випадкові величини можуть бути змодельовані наступними методами (найбільш часто):
- метод послідовних порівнянь;
- метод інтерпретації.

У методі послідовних порівнянь число r послідовно порівнюють зі значенням суми Р1 + Р2 + ..., де Р1

- ймовірність найменшого значення випадкової величини Y, Р2 - вірогідність другого за
величиною значення. При першому виконанні умови

перевірка припиняється і дискретна випадкова величина Y вважається прийняла значення yi.

Процес можна прискорити застосуванням методів оптимізації перебору. Величини Рi розраховують
за функціями розподілу ймовірності, відповідним закону, що моделюється

Метод інтерпретації заснований на фізичному трактуванні закону розподілу, що моделюється.

Наприклад, біноміальний розподіл описує число успіхів в n незалежних випробуваннях з
ймовірністю успіху в кожному випробуванні Р і ймовірністю невдачі g = 1-Р. При моделюванні
цього розподілу вибирають n незалежних випадкових чисел, рівномірно розподілених в
інтервалі [0; 1], і підраховують кількість тих з них, які менше Р. Це число і є випадковою
величиною, що моделюється..
Моделювання безперервних випадкових величин
При моделюванні безперервних випадкових величин із заданим законом розподілу можуть
використовуватися три методи:
- метод нелінійних перетворень;
- метод композицій;
- табличний метод.
Перші два методи вимагають дуже серйозної математичної підготовки, і розглядати їх не будемо. Третій
метод заснований на заміні закону розподілу неперервної випадкової величини спеціальним
розрахунковим співвідношенням, яке дозволяє обчислювати значення випадкової величини за
значенням випадкового числа, рівномірно розподіленого на інтервалі [0; 1]. Ці співвідношення для
найбільш поширених видів розподілів отримані і наведені в довідковій літературі.
- для показового розподілу

де λ - параметр показового розподілу, λ >0;

r - рівномірно розподілене випадкове число;
- для нормального розподілу (гауссовского)

де m і s - параметри нормального закону розподілу;

ri - рівномірно розподілене випадкове число.
 Приклади моделювання випадкових факторів
Приклад 1.
Фахівці в області надійності технічних систем довели, що інтервали часу між відмовами розподілені за
експоненціальним законом. Щоб отримати в моделі величину проміжку часу між двома сусідніми
відмовами, досить згенерувати випадкове число r і підставити його в зазначене вище вираз для показового
закону розподілу; зрозуміло, при цьому повинен бути відомий параметр розподілу λ.
Приклад 2.Нормальний закон має більш широкий діапазон застосування, оскільки будь-яка величина, що
залежить від великого числа випадкових факторів, може вважатися розподіленої за нормальним законом.
Наприклад, якщо хтось грає в «Дартс» і намагається потрапити в центр кола, то координати точок
попадання дротика можна вважати розподіленими за нормальним законом з параметрами m і s, де m -
координати точки прицілювання, а s характеризує відхилення від неї по кожній з координат . Для
визначеності припустимо, що mx = my = 0, a sx = sy = 5, тобто центр кола має координати (0; 0) і відхилення
становить 5 см. Щоб змоделювати координати чергової точки попадання, слід отримати від датчика дві
послідовності випадкових чисел для кожної з координат окремо (по 12 чисел в кожній) і підставити їх
разом з параметрами закону в вираз для нормального закону розподілу:

В одній і тій же імітаційної моделі можу фігурувати різні випадкові фактори: випадкові події, випадкові
величини. У досить складних системах може бути кілька типів випадкових подій і велике число випадкових
величин, розподілених за різними законами. Для моделювання кожного випадкового фактора
намагаються використовувати окремий генератор або, принаймні, забезпечити створення нової
послідовності випадкових чисел.