Методы моделирования
 

Здесь мы перечислим редко используемые "продвинутые" методы, которые нашли отражение в представленных докладах.

Методы статистики. Однородность данных по дням недели проверялась непараметрическим критерием Вилкоксона, а гипотезы о виде распределений - по Колмогорову - Смирнову.

Теория сетей обслуживания. Применялся аналитический расчет сетей обслуживания на основе их потокоэквивалентной декомпозиции.

Методы понижения дисперсии моделирования. В докладе А.Г. Варжапетяна отмечалась обязательность раздельных ДСЧ для каждой случайной величины. В целях понижения дисперсии применялся метод "антитез" (дополняющих переменных), причем для получения таковых в командах RMULT из GPSS-программы использовались дополняющие начальные установки. Наконец, для вычисления вероятностей редких событий использовалось условное моделирование. Все эти технологии не новы, но, к сожалению, неизвестны практикам и совершенно не применяются ими. Хочется надеяться, что "лед когда-нибудь тронется".

Сети Петри по существу являются одной из форм имитации дискретных процессов. Они были в большой моде лет 20 назад, когда с их помощью надеялись рассчитывать упомянутые процессы (без имитации). В подавляющем большинстве применений от обычных имитационных моделей они отличаются лишь большим наукообразием и специфической терминологией.

В докладе Р.Г. Загидуллина предложен метод синтеза сетей Петри на базе функциональных подсетей и сообщается о разработанном программном продукте FMSim. П.В. Гречишкин для имитации процесса очистных работ в длинном забое использовал проблемно ориентированный имитатор сетей Петри. По В.Л. Конюху, имитация шахтных робототехнических систем сетями Петри позволила выбрать структуры роботизированных технологий горных работ и обосновать требования к шахтным роботам.

Тензорные методы. В докладе В.В. Золотухина  к анализу сетей интегрального обслуживания применяется тензорный метод, результаты которого сопоставляются с применением GPSS. Однако вопрос о том, что реально дает применение столь сложной математики, остается открытым.

Генетические алгоритмы оптимизации. Известна сложность оптимизации автоматических систем регулирования. По В.Р. Cабанину, генетический алгоритм оптимизации (в терминологии нейросетей) формулируется следующим образом:

1.      В пространстве поиска случайным образом задается популяция возможных решений (особей).

2.      Вычисляются значения вектора функции цели для всех особей.

3.      Из популяции отбираются и удаляются, например, 10% худших по значению целевой функции особей. Оставшиеся образуют родительскую группу.

4.      Из родительской группы случайным образом выбираются пары особей в количестве тех же 10% от общего числа.

5.      Новое поколение особей генерируется в результате обмена участками родительских хромосом (кроссинговер), а также мутаций.

6.      Это поколение восполняет популяцию до исходной численности.

Далее этапы начиная со второго повторяются, пока во всех координатных точках значения оптимизируемой функции не станут отличаться друг от друга меньше, чем на заданное малое число. Предложена также комбинация генетического алгоритма с градиентным поиском локальных экстремумов и заменой ими "плохих" точек.

В докладе Г.В. Пушкарева обсуждается гибридный генетический алгоритм для автоматизированного проектирования оптимальных траекторий термической резки металла. Минимизируется длина траектории движения режущего инструмента. Предложены модификации вышеупомянутых основных операций, в которых более четко прописаны вероятностные и имитационные элементы. При скрещивании один из родителей выбирается с наилучшим показателем целевой функции, тогда как другой – случайным образом. В хромосоме, подвергающейся мутации, два случайно выбранных гена меняются местами. Оператор разнообразия улучшает особь методом спуска. Оператор селекции уничтожает большую часть популяции, заменяя ее лучшим материалом. Стратегия селекции может быть элитной: некоторое количество лучших особей переходит в следующее поколение без скрещивания и мутаций.
 
назад

вперед