Имитационное моделирование

     В сущности, методом Монте-Карло может  быть решена любая вероятностная задача, но оправданным он становится только тогда, когда процедура розыгрыша проще, а не сложнее аналитического расчета. Приведем пример, когда метод Монте-Карло возможен, но крайне неразумен. Пусть, например, по какой-то цели производится три независимых выстрела, из которых каждый попадает в цель с вероятностью 1/2. Требуется найти вероятность хотя бы одного попадания. Элементарный расчет дает нам вероятность хотя бы одного попадания равной 1 -- (1/2)3 = 7/8. Ту же задачу можно решить и «розыгрышем», статистическим моделированием. Вместо «трех выстрелов» будем бросать «три монеты», считая, скажем, герб--за попадание, решку -- за «промах». Опыт считается «удачным», если хотя бы на одной из монет выпадет герб. Произведем очень-очень много опытов, подсчитаем общее количество «удач» и разделим на число N произведенных опытов. Таким образом, мы получим частоту события, а она при большом числе опытов близка к вероятности. Ну, что же? Применить такой прием мог бы разве человек, вовсе не знающий теории вероятностей, тем не менее, в принципе, он возможен.

     Метод Монте-Карло- это численный метод  решения математических задач при  помощи моделирования случайных  величин.

     Две особенности метода Монте-Карло.

     Первая  особенность метода - простая структура вычислительного алгоритма.

     Вторая  особенность метода - погрешность  вычислений, как правило, пропорциональна D/N2, где D - некоторая постоянная, N - число  испытаний. Отсюда видно, что для  того, чтобы уменьшить погрешность  в 10 раз (иначе говоря, чтобы получить в ответе еще один верный десятичный знак), нужно увеличить N (т. е. объем работы) в 100 раз.

     Ясно, что добиться высокой точности таким  путем невозможно. Поэтому обычно говорят, что метод Монте-Карло  особенно эффективен при решении  тех задач, в которых результат нужен с небольшой точностью (5-10%). Способ применения метода Монте-Карло по идее довольно прост. Чтобы получить искусственную случайную выборку из совокупности величин, описываемой некоторой функцией распределения вероятностей, следует:

     1. Построить график или таблицу интегральной функции распределения на основе ряда чисел, отражающего исследуемый процесс (а не на основе ряда случайных чисел), причем значения случайной переменной процесса откладываются по оси абсцисс (х), а значения вероятности (от 0 до 1) - по оси ординат (у).

     2.С  помощью генератора случайных  чисел выбрать случайное десятичное  число в пределах от 0 до 1 (с  требуемым числом разрядов).

     3. Провести горизонтальную прямую  от точки на оси ординат  соответствующей выбранному случайному числу, до пересечения с кривой распределения вероятностей.

     4. Опустить из этой точки пересечения  перпендикуляр на ось абсцисс.

     5. Записать полученное значение  х. Далее оно принимается как  выборочное значение.

     б. Повторить шаги 2-5 для всех требуемых  случайных переменных, следуя тому порядку, в котором они были записаны.

     В задачах исследования операций метод  Монте-Карло применяется в трех основных ролях:

     1) при моделировании сложных, комплексных  операций, где присутствует много  взаимодействующих случайных факторов;

     2) при проверке применимости более  простых, аналитических методов  и выяснении условий их применимости;

     3) в целях выработки поправок  к аналитическим формулам типа  «эмпирических формул» в технике.

     Основные  методы имитационного моделирования.

     Основными методами имитационного моделирования являются: аналитический метод, метод статического моделирования и комбинированный метод (аналитико-статистический) метод.

     Аналитический метод применяется для имитации процессов в основном для малых  и простых систем, где отсутствует фактор случайности. Например, когда процесс их функционирования описан дифференциальными или интегродифференциальными уравнениями. Метод назван условно, так как он объединяет возможности имитации процесса, модель которого получена в виде аналитически замкнутого решения, или решения полученного методами вычислительной математики.

     Метод статистического моделирования  первоначально развивался как метод  статистических испытаний (Монте-Карло). Это – численный метод, состоящий  в получении оценок вероятностных характеристик, совпадающих с решением аналитических задач (например, с решением уравнений и вычислением определенного интеграла). В последствии этот метод стал применяться для имитации процессов, происходящих в системах, внутри которых есть источник случайности или которые подвержены случайным воздействиям. Он получил название метода статистического моделирования.

     Комбинированный метод (аналитико-статистический) позволяет  объединить достоинства аналитического и статистического методов моделирования. Он применяется в случае разработки модели, состоящей из различных модулей, представляющих набор как статистических так и аналитических моделей, которые взаимодействуют как единое целое. Причем в набор модулей могут входить не только модули соответствующие динамическим моделям, но и модули соответствующие статическим математическим моделям. 

     Глава 2. Пример имитационной модели

     Применение  метода имитационного моделирования  можно продемонстрировать на примере  работы отделения банка по обслуживанию физических лиц. Допустим, что необходимо определить минимальное количество обслуживающего персонала, которое обеспечивает требуемое качество сервиса.

     Критерий  качества сервиса зададим правилом: средний размер очереди клиентов не должен превышать N человек. Очевидно, что для решения поставленной задачи необходимо иметь достаточные знания о системе: какие клиенты посещают банк, какое количество клиентов приходит в течение рабочего дня, а также сколько времени занимает обслуживание одного клиента.

     Хотя  данная задача и может показаться специализированной, схожие проблемы возникают во многих областях, где задействованы людские и технические ресурсы. Оплата времени работы квалифицированного работника и времени использования сложной техники составляет немалую долю расходов компаний. Определение оптимального графика использования ресурсов, позволяющего системе эффективно выполнять поставленные задачи, позволяет снизить расходы, а значит увеличить прибыльность.

     На  первом этапе решения задачи создается  модель, которая соответствует структуре и бизнес-процессам отделения банка. В ходе разработки модели учитываются только те детали, которые оказывают существенное влияние на изучаемые аспекты работы системы. Например, наличие отделения обслуживания юридических лиц или кредитного отдела не влияет на обслуживание физических лиц, поскольку они физически и функционально отделены от последнего. Схематично такую модель можно представить в виде последовательности следующих действий (рис.1).

     Рис.1

     На  втором этапе на вход модели подаются исходные данные: интенсивность прихода  клиентов, среднее время обслуживания клиентов, количество доступного персонала. На основании этих данных модель имитирует, или воспроизводит, работу банка в течение заданного промежутка времени, например, рабочего дня (рис.2).

     Рис.2

     Следующий этап заключается в анализе статистики, собранной и представленной моделью. Если средний размер очереди клиентов превышает выбранный предел в N человек, то количество доступного персонала следует увеличить и выполнить новый эксперимент (рис.3).

     Рис. 3

     В результате проведения серии экспериментов  над моделью пользователь может  определить оптимальное количество персонала. Процесс подбора параметров может быть осуществлен также и с помощью встроенного оптимизатора, который в автоматическом режиме проверяет различные сочетания и находит лучшее решение. 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Заключение

     Основным  недостатком аналитических моделей является то, что они неизбежно требуют каких-то допущений, в частности, о «марковости» процесса. Приемлемость этих допущений далеко не всегда может быть оценена без контрольных расчетов, а производятся они методом Монте-Карло. Статистические модели не требуют серьезных допущений и упрощений. В принципе, в статистическую модель «лезет» что угодно — любые законы распределения, любая сложность системы, множественность ее состояний. Главный же недостаток статистических моделей — их громоздкость и трудоемкость. Огромное число реализации, необходимое для нахождения искомых параметров с приемлемой точностью, требует большого расхода машинного времени. Кроме того, результаты статистического моделирования гораздо труднее осмыслить, чем расчеты по аналитическим моделям, и соответственно труднее оптимизировать решение (его приходится «нащупывать» вслепую). Правильное сочетание аналитических и статистических методов в исследовании операций — дело искусства, чутья и опыта исследователя. Нередко аналитическими методами удается описать какие-то «под­системы», выделяемые в большой системе, а затем из таких моделей, как из «кирпичиков», строить здание большой, сложной модели.