Simuleringsmodellering i økonomi. Simuleringsmodellering

A.A.Emelyanov

E.A.Vlasova R.V.Duma

EFTERLIGNING

MODELLERING

ØKONOMISK

PROCESSER

Redigeret af Doctor of Economic Sciences D.A. Emelyanova

om uddannelse inden for anvendt datalogi som læremiddel for studerende,

studerende med hovedfag i "Anvendt informatik (efter område)",

EN også inden for andre computerspecialer

og retninger

MOSKVA "FINANS OG STATISTIK" 2002

UDC 330.45:004.942(075.8) BBK 65v6ya73

ANMELDERE:

Institut for informationssystemer i økonomi, Ural State University State Economic University (afdelingsleder A.F. Shorikov,

doktor i fysiske og matematiske videnskaber, professor);

V.N. Volkova,

Doktor i økonomi, professor ved St. Petersburg State University

Teknisk Universitet, akademiker ved International Academy of Sciences of Higher School

Emelyanov A.A. osv.

E60 Simuleringsmodellering økonomiske processer: Lærebog. godtgørelse / A.A. Emelyanov, E.A. Vlasova, R.V. Tanke; Ed. A.A. Emelyanova. - M.: Finans og statistik, 2002. - 368 s.: ill.

ISBN 5-279-02572-0

Moderne koncepter til at konstruere et modelleringssystem, formaliserede objekter såsom materiale, information og pengeressourcer, samt sprogværktøjer til at skabe simuleringsmodeller, teknikker til deres oprettelse, fejlfinding og drift ved hjælp af CASE-teknologi til konstruktion af modeller "uden programmering" præsenteres. Funktionerne ved modellering i geospace er vist - med henvisning til kort eller planer. Planlægningen af ​​ekstreme eksperimenter er beskrevet.

For universitetsstuderende, der studerer i specialerne "Anvendt informatik (efter område)", "Matematisk støtte og administration af informationssystemer", samt for andre computerspecialiteter og områder inden for videregående faglig uddannelse

FORORD

Efter udgivelsen af ​​T. Naylors bog "Maskinsimuleringsforsøg med modeller økonomiske systemer»på russisk er der gået mere end 25 år. Siden da har metoder til simulering af modellering af økonomiske processer undergået betydelige ændringer. Deres ansøgning i økonomisk aktivitet blev anderledes. Individuelle bøger udgivet i de seneste år(for eksempel om brugen af ​​GPSS i teknik og teknologi, om algoritmisk modellering af elementer af økonomiske systemer i Visual Basic), gentag begreberne simuleringsmodellering for 30 år siden ved hjælp af ny software, men afspejle ikke de ændringer, der er sket.

Formålet med denne bog er en omfattende dækning af tilgange og metoder til at anvende simuleringsmodellering i projektøkonomisk aktivitet, som er dukket op i de senere år, og nye værktøjer, der giver økonomen en række muligheder.

Selvstudiet begynder med en beskrivelse teoretiske grundlag simuleringsmodellering. Dernæst overvejer vi et af de moderne koncepter til at konstruere et modelleringssystem. Der er sprogværktøjer til at beskrive modeller. Teknikken til at skabe, fejlfinde og betjene modeller ved hjælp af CASE-teknologi til at konstruere modeller "uden programmering" - ved hjælp af en interaktiv grafisk designer er beskrevet. Der er et særligt kapitel om simuleringsmodellering i georum med reference til økonomiske regioners territorier. Spørgsmålene om planlægning af optimeringseksperimenter overvejes - at finde rationelle parametre for processer ved hjælp af simuleringsmodeller. Sidste kapitel indeholder et sæt veldebuggede simuleringsmodeller til forskellige formål, som kan være en god hjælp til forskellige kategorier læsere. De vil hjælpe lærere med at udvikle sig laboratoriearbejde og opgaver. For universitetsstuderende såvel som kandidatstuderende og specialister, der uafhængigt studerer denne type computermodellering,

giver dig mulighed for hurtigt at gå videre til praktisk modellering inden for dit fagområde.

I slutningen af ​​hvert kapitel er der korte konklusioner og en liste test spørgsmål til selvtest. Kort ordbog Begreberne og emnekartoteket gør det også lettere at forstå stoffet i bogen.

Lærebogen er skrevet ved hjælp af den erhvervserfaring, forfatterne har akkumuleret i undervisningsprocessen akademiske discipliner relateret til simuleringsmodellering, risikostyring, forskning i ledelsessystemer, i udarbejdelse og udgivelse af lærebøger på universiteter og undervisningsmateriale. Bogen afspejler forfatterens resultater videnskabelig forskning og udviklinger.

A.A. Emelyanov, økonomidoktor, leder af afdelingen for generel teori om system- og systemanalyse ved MESI - kapitel 1 - 3, 6, 7, 8 (afsnit 8.1 - 8.3, 8.6, 8.7) og generel redigering af bogen.

E.A. Vlasova, lektor ved Institut for Generel Systemteori og Systemanalyse ved MESI - kapitel 4 og 8 (afsnit 8.4 og 8.5).

R.V. Duma, kandidat for økonomiske videnskaber, førende specialist ved Business Consol - Kapitel 5.

Lærebogen kan anbefales til studerende, der studerer inden for computerspecialiteter og -områder.

For selvstudium Bogen kræver foreløbig fortrolighed af læseren med datalogi, med det grundlæggende i programmering, højere matematik, sandsynlighedsteori, matematisk statistik, lineær algebra, økonomisk teori og regnskabsbogføring.

INDLEDNING

Simuleringsmodellering(fra den engelske simulering) er en almindelig type analog simulering, implementeret ved hjælp af et sæt matematiske værktøjer, specielle simulerende computerprogrammer og programmeringsteknologier, der tillader, gennem analoge processer, at udføre en målrettet undersøgelse af strukturen og funktionerne af et virkeligt kompleks proces i computerhukommelsen i "simuleringstilstand", optimer nogle af dens parametre.

Simuleringsmodel kaldes en speciel softwarepakke, der giver dig mulighed for at simulere aktiviteten af ​​ethvert komplekst objekt. Den lancerer parallelt interagerende beregningsprocesser i computeren, som i deres tidsparametre (med en nøjagtighed af tids- og rumskalaer) er analoger til de undersøgte processer. I lande, der indtager en førende position i skabelsen af ​​nye computersystemer og teknologier, videnskabelig retning Datalogi bruger netop denne fortolkning af simuleringsmodellering, og kandidatuddannelser på dette område har en tilsvarende akademisk disciplin.

Det skal bemærkes, at enhver modellering i sit metodiske grundlag har elementer af simulering af virkeligheden ved hjælp af en form for symbolik (matematik) eller analoger. Derfor begyndte simuleringsmodellering nogle gange på russiske universiteter at blive kaldt en målrettet serie af multivariate beregninger udført på en computer ved hjælp af økonomiske og matematiske modeller og metoder. Men fra et computerteknologisk synspunkt er sådan modellering almindelige beregninger, der udføres ved hjælp af beregningsprogrammer eller en Excel-regnearksprocessor.

Matematiske beregninger (inklusive tabelformede) kan udføres uden en computer: ved hjælp af en lommeregner, logaritmisk regel, regler aritmetiske operationer og hjælpetabeller. Men simuleringsmodellering er et rent computerarbejde, der ikke kan udføres med improviserede midler.

Derfor bruges synonymet ofte til denne type modellering

computermodellering.

Der skal laves en simuleringsmodel. Dette kræver særlige software - modelleringssystem(simuleringssystem). Specifikationerne for et sådant system bestemmes af driftsteknologien, et sæt sprogværktøjer, serviceprogrammer og modelleringsteknikker.

Simuleringsmodellen skal afspejle et stort antal parametre, logik og adfærdsmønstre for det simulerede objekt over tid (tidsdynamik) og i rummet (rumlig dynamik). Modellering af økonomiske objekter er forbundet med konceptet

objektets økonomiske dynamik.

Fra en specialists synspunkt (datamatiker-økonom, matematiker-programmør eller økonom-matematiker), simuleringsmodellering kontrolleret proces eller kontrolleret objekt er en informationsteknologi på højt niveau, der giver to typer handlinger udført ved hjælp af en computer:

1) arbejde med at skabe eller ændre en simuleringsmodel;

2) drift af simuleringsmodellen og fortolkning af resultaterne.

Simulation (computer) modellering af økonomiske processer bruges normalt i to tilfælde:

at håndtere komplekse en forretningsproces, når en simuleringsmodel af en administreret økonomisk enhed bruges som et værktøj i konturen af ​​et adaptivt ledelsessystem, der er skabt på basis af informationsteknologier (computer)

når der udføres forsøg med diskrete kontinuerlige modeller af komplekse økonomiske objekter for at opnå og spore deres dynamik i nødsituationer forbundet med risici, hvis fuldskala modellering er uønsket eller umulig.

Følgende typiske problemer kan identificeres, som kan løses ved hjælp af simuleringsmodelleringsværktøjer ved styring af økonomiske objekter:

modellering af logistikprocesser for at bestemme tids- og omkostningsparametre;

styring af processen med at implementere et investeringsprojekt på dets forskellige stadier livscyklus under hensyntagen til mulige risici og taktik for at hæve pengebeløb;

analyse af clearingprocesser i arbejdet i et netværk af kreditinstitutter (herunder anvendelse på processerne for gensidige afviklinger i det russiske banksystem);

forudsigelse af en virksomheds økonomiske resultater for en bestemt periode (med analyse af dynamikken i balancen i regnskabet);

forretningsomlægning insolvent virksomhed (ændring i en konkursramt virksomheds struktur og ressourcer, hvorefter man ved hjælp af en simuleringsmodel kan lave en prognose over de vigtigste økonomiske resultater og give anbefalinger om gennemførligheden af ​​en eller anden mulighed for rekonstruktion, investering eller udlån til produktionsaktiviteter);

analyse af de adaptive egenskaber og overlevelsesevnen af ​​et computer-regionalt bankinformationssystem (f.eks. fejlede delvist som følge af naturkatastrofe system for elektroniske afregninger og betalinger efter katastrofal jord jordskælv i 1995 på de centrale øer i Japan viste høj overlevelsesevne: operationer blev genoptaget inden for få dage);

vurdering af pålidelighedsparametre og forsinkelser i et centraliseret økonomisk informationssystem med kollektiv adgang (ved at bruge eksemplet med et flybilletsalgssystem, der tager højde for ufuldkommenheder fysisk organisering databaser og udstyrsfejl);

analyse af operationelle parametre for et distribueret multi-leveltem, under hensyntagen til den heterogene struktur, båndbredde kommunikationskanaler og ufuldkommenheder i den fysiske organisering af den distribuerede database i regionale centre;

modellering af handlingerne for en kurer(kurer)helikopterflyvegruppe i en region, der er ramt af en naturkatastrofe eller en større industriulykke;

analyse af PERT-netværksmodellen (Program Evaluation and Review Technique) for projekter med udskiftning og justering af produktionsudstyr, under hensyntagen til forekomsten af ​​fejl;

analyse af arbejdet i en motortransportvirksomhed, der beskæftiger sig med kommerciel transport af varer, under hensyntagen til de særlige forhold ved råvare og pengestrømme i regionen;

beregning af pålidelighedsparametre og infi bankinformationssystemet.

Den givne liste er ufuldstændig og dækker de eksempler på brug af simuleringsmodeller, som er beskrevet i litteraturen eller brugt af forfatterne i praksis. Det faktiske anvendelsesområde for har ingen synlige begrænsninger. For eksempel frelse amerikanske astronauter i tilfælde af en nødsituation på APOLLO-rumfartøjet blev det kun muligt takket være "afspilningen" af forskellige redningsmuligheder på modeller af rumkomplekset.

Et simuleringssystem, der giver mulighed for at skabe modeller til at løse de anførte problemer, skal have følgende egenskaber:

Muligheden for at anvende simuleringsprogrammer i forbindelse med særlige økonomiske og matematiske modeller og metoder baseret på styringsteori; "

instrumentelle metoder udførelse af en strukturel analyse af en kompleks økonomisk proces;

evnen til at modellere materiale-, penge- og informationsprocesser og -strømme inden for en enkelt model i en fælles modeltid;

muligheden for at indføre en ordning med konstant afklaring ved modtagelse af outputdata (vigtigste finansielle indikatorer, tids- og rumkarakteristika, risikoparametre

Og osv.) og udfører et ekstremt eksperiment.

Historiske oplysninger. Simuleringsmodellering af økonomiske processer er en form for økonomisk og matematisk modellering. Denne type modellering er dog i høj grad baseret på computerteknologi. Mange modelleringssystemer, ideologisk udviklet i 1970-1980'erne, har gennemgået udvikling sammen med computerudstyr og operativsystemer (f.eks. GPSS - General Purpose Simulation System) og bruges nu effektivt på nye computerplatforme. Desuden i slutningen af ​​1990'erne. Grundlæggende nye modelleringssystemer dukkede op, hvis koncepter ikke kunne være opstået før - med brug af computere og operativsystemer fra 1970-1980'erne.

1. Periode 1970-1980'erne. T. Naylor var den første til at bruge simuleringsmodelleringsmetoder til at analysere økonomiske processer. I to årtier har man forsøgt at bruge denne type modellering i realøkonomisk ledelse

processer var af episodiske karakter på grund af kompleksiteten i at formalisere økonomiske processer:

i computersoftwaren var der ingen formel sprogunderstøttelse til beskrivelsen af ​​elementære processer og deres funktioner i knudepunkterne i et komplekst stokastisk netværk af økonomiske processer

Med under hensyntagen til deres hierarkiske struktur;

Der var ingen formaliserede metoder til strukturel systemanalyse nødvendige for den hierarkiske (flerlags) dekomponering af den virkelige simulerede proces til elementære komponenter i modellen.

De algoritmiske metoder, der er foreslået i disse år til simuleringsmodellering, er blevet brugt sporadisk af følgende årsager:

de var arbejdskrævende til at skabe modeller af komplekse processer (der krævede meget betydelige programmeringsomkostninger);

ved modellering af simple komponentprocesser var de ringere matematiske løsninger i analytisk form, opnået ved metoder i køteori. Analytiske modeller var meget nemmere at implementere i form af computerprogrammer.

Den algoritmiske tilgang bruges stadig på nogle universiteter til at studere det grundlæggende i modellering af elementer i økonomiske systemer.

Kompleksiteten af ​​realøkonomiske processer og overfloden af ​​modstridende betingelser for eksistensen af ​​disse processer (fra hundreder til tusinder) fører til følgende resultat. Hvis du bruger en algoritmisk tilgang, når du opretter en simuleringsmodel ved hjælp af konventionelle programmeringssprog (BASIC, Fortran

Og osv.), så vil kompleksiteten og volumen af ​​modelleringsprogrammer være meget stor, og modellens logik vil være for forvirrende. At skabe en sådan simuleringsmodel kræver en betydelig periode (nogle gange mange år). Derfor blev simuleringsmodellering hovedsageligt kun brugt i videnskabelige aktiviteter.

Dog i midten af ​​1970'erne. De første ret teknologiske værktøjer til simuleringsmodellering dukkede op med deres egne sprogværktøjer. Den mest kraftfulde af dem er GPSS-systemet. Det gjorde det muligt at skabe modeller af kontrollerede processer og objekter primært til tekniske eller teknologiske formål.

2. Periode 1980-1990'erne. Simuleringsmodelleringssystemer begyndte at blive brugt mere aktivt i 80'erne, hvor mere end 20 forskellige systemer blev brugt i forskellige lande. De mest almindelige systemer var GASP-IV, SIMULA-67, GPSS-V og SLAM-II, som dog havde mange ulemper.

GASP-IV systemet forsynede brugeren med et struktureret programmeringssprog svarende til Fortran, et sæt metoder til hændelsesbaseret modellering af diskrete modelundersystemer og modellering af kontinuerte undersystemer ved hjælp af tilstandsvariable ligninger og pseudo-tilfældige talsensorer.

SIMULA-67-systemet ligner i sine muligheder GASP-IV, men giver brugeren et struktureret programmeringssprog svarende til ALGOL-60.

Effektiviteten af ​​modellerne skabt ved hjælp af GASP-IV og SIMULA-67 systemerne afhang i høj grad af modeludviklerens dygtighed. For eksempel lå ansvaret for at skabe uafhængige simulerede processer helt hos udvikleren - en specialist med høj matematisk uddannelse. Derfor blev dette system hovedsagelig kun brugt i videnskabelige organisationer.

GASP-IV og SIMULA-67 systemerne havde ikke værktøjer, der var egnede til at simulere den rumlige dynamik i den modellerede proces.

GPSS-V systemet gav brugeren en komplet informationsteknologi på højt niveau til at skabe simuleringsmodeller. Dette system har midler til formaliseret beskrivelse af parallelle diskrete processer i form af konventionelle grafiske billeder eller ved hjælp af modersmålsoperatorer. Proceskoordinering udføres automatisk på en enkelt modeltid. Brugeren kan om nødvendigt indtaste sine egne synkroniseringsregler for data. Der er værktøjer til modelstyring, dynamisk debugging og automatisering af resultatbehandling. Dette system havde dog tre hovedulemper:

udvikleren kunne ikke inkludere kontinuerlige dynamiske komponenter i modellen, selv ved at bruge sine egne eksterne rutiner skrevet i PL/1, Fortran eller Assembly sprog;

der var ingen midler til at simulere rumlige processer

systemet var rent fortolkende, hvilket reducerede modellernes ydeevne betydeligt.

• Emelyanov A.A., Vlasova E.A., Duma R.V. Simuleringsmodellering af økonomiske processer. M.: Finans og statistik, 2002.
• Aleksandrovsky N.M., Egorov S.V., Kuzin R.E. Adaptive systemer til håndtering af komplekse teknologiske processer. M.: NRE, 1973.
• Buslenko N.P. Modellering af komplekse systemer. M.: Nauka, 1978.
• GOST 24.702? 85. Effektivitet af automatiserede kontrolsystemer. Grundlæggende bestemmelser. ? M.: Standards Publishing House, 1985.
• Emelyanov A.A., Vlasova E.A., Duma R.V. Simuleringsmodellering i økonomiske informationssystemer. Studievejledning. - M.: MESI, 1996.
• Emelyanov A.A. Teknikker til at udvikle og analysere administrerede programmer. M.: Forlaget "AtomInform", 1984.
• Emelyanov A.A. Simuleringssystemer til diskrete og diskrete-kontinuerlige processer (PILIGRIM). 10785338.00027-01 92 01-LU. Tver: Mobilitet, 1992.
• Lipaev V.V., Yashkov S.F. effektiviteten af ​​metoder til organisering af computerprocessen i automatiserede kontrolsystemer. M.: Finans og statistik, 1975.
• Nazin A.V., Poznyak A.S. Adaptivt udvalg af muligheder. M.: Nauka, 1986.
• Pritzker A. Introduktion til simuleringsmodellering og SLAM-sproget PM: Mir, 1987.
• Robert F.S. Diskrete matematiske modeller med anvendelser på sociale biologiske og miljømæssige problemer. M.: Nauka, 1986.
• Shannon R. Simuleringsmodellering af systemer: videnskab og kunst. M.: Mir, 1978.
• Simuleringsmodellering af tilfældige faktorer [Tekst]: metode. instruktioner til praktisk træning i kurset "Simuleringsmodellering af økonomiske processer" / Voronezh. tilstand technol. akademisk; komp. A.S. Dubrovin, M.E. Semenov. Voronezh, 2005. 32 s.
• Afanasyev, M. Yu Forskning i operationer i økonomi: modeller, problemer, løsninger [Tekst]: lærebog. godtgørelse / M. Yu Afanasyev, B. P. Suvorov. – M.: INFRA-M, 2003. – 444 s. (Serie. Videregående uddannelser).
• Varfolomeev, V.I. Algoritmisk modellering af elementer i økonomiske systemer [Tekst]: workshop: lærebog. manual / V. I. Varfolomeev, S. V. Nazarov; Ed. S. V. Nazarova. – M.: Finans og statistik, 2004. – 264 s.
• Emelyanov, A. A. Simuleringsmodellering i økonomiske informationssystemer [Tekst] / A. A. Emelyanov, E. A. Vlasova, R. V. Duma; Ed. A. A. Emelyanova. – M.: Finans og statistik, 2002.
• Maksimey, I.V. Simuleringsmodellering på en computer [Tekst] / I.V. – M.: Radio og kommunikation, 1988. – 232 s.
• Naylor, T. Maskinsimuleringseksperimenter med modeller af økonomiske systemer [Tekst] / T. Naylor. – M.: Mir, 1975.
• Fomin, G.P. Systemer og modeller for kø i kommercielle aktiviteter [Tekst]: lærebog. godtgørelse / G. P. Fomin. – M.: Finans og statistik, 2000.
• Buslenko, N. P. Modellering af komplekse systemer [Tekst] / N. P. Buslenko. – M.: Nauka, 1978.
• Novikov, O. A. Anvendte spørgsmål om køteori [Tekst] / O. A. Novikov, S. I. Petukhov. – M.: Sovjetisk radio, 1969. – 400 s.
• Riordan, J. Probabilistiske køsystemer [Tekst] / J. Riordan. – M.: Kommunikation, 1966. – 184 s.
• Sovetov, B. Ya Modellering af systemer [Tekst]: lærebog for universiteter / B. Ya Sovetov, S. A. Yakovlev. – M.: forskerskole, 1998.
• Shannon, R. Simuleringsmodellering af systemer - kunst og videnskab [Tekst] / R. Shannon. – M.: Mir, 1978.
• Hemdi A. Taha Kapitel 18. Simulering // Introduktion til Operations Research = Operations Research: An Introduction. - 7. udg. - M.: "Williams", 2007.
• Strogalev V.P., Tolkacheva I.O. - MSTU im. Bauman, 2008.
• Lowe A., Kelton V. Simuleringsmodellering. Sankt Petersborg: Forlag: Peter, 2004. – 848 s.

Simuleringsmodellering er en metode, der giver dig mulighed for at bygge modeller, der beskriver processer, som de ville forekomme i virkeligheden. En sådan model kan "spilles" over tid for både én test og et givet sæt af dem. I dette tilfælde vil resultaterne blive bestemt af processernes tilfældige karakter. Ud fra disse data kan du få nogenlunde stabil statistik.

Relevansen af ​​dette emne ligger i det faktum, at simuleringsmodellering på digitale computere er et af de mest kraftfulde midler til at studere, især komplekse dynamiske systemer. Som enhver computermodellering gør det det muligt at udføre beregningsmæssige eksperimenter med systemer, der stadig er under udformning, og at studere systemer, med hvilke fuldskalaforsøg, på grund af sikkerhedshensyn eller høje omkostninger, ikke er tilrådelige. Samtidig er denne forskningsmetode, på grund af sin formmæssig nærhed til fysisk modellering, tilgængelig for en bredere vifte af brugere.

Simuleringsmodellering er en forskningsmetode, hvor det undersøgte system erstattes af en model, der beskriver det virkelige system med tilstrækkelig nøjagtighed, og der udføres eksperimenter med det for at få information om dette system.

Målene med at udføre sådanne eksperimenter kan være meget forskellige - fra at identificere egenskaberne og mønstrene for det undersøgte system til at løse specifikke praktiske problemer. Med udviklingen af ​​computerteknologi og software er rækken af ​​anvendelser af simulering inden for økonomi udvidet betydeligt. I øjeblikket bruges det både til at løse problemer med intern virksomhedsledelse og til at modellere ledelse på makroøkonomisk niveau. Lad os overveje de vigtigste fordele ved at bruge simuleringsmodellering i processen med at løse problemer finansiel analyse.

I simuleringsprocessen beskæftiger forskeren sig med fire hovedelementer:

Rigtigt system;

Logisk-matematisk model af det simulerede objekt;

Simulering (maskine) model;

Computeren, som simuleringen udføres på, er et rettet beregningseksperiment.

For at beskrive dynamikken i de simulerede processer i simulering implementeres en mekanisme til indstilling af modeltiden. Disse mekanismer er indbygget i kontrolprogrammerne i ethvert modelleringssystem.

Hvis opførselen af ​​en komponent i systemet blev simuleret på en computer, så kunne udførelsen af ​​handlinger i simuleringsmodellen udføres sekventielt ved at genberegne tidskoordinaten.

For at sikre simulering af parallelle hændelser i et virkeligt system, introduceres en vis global variabel (som sikrer synkronisering af alle hændelser i systemet) t0, som kaldes model- (eller system) tid.

Der er to hovedmåder at ændre t0:

Trin-for-trin (faste skiftintervaller anvendes)

modeltid);

Hændelsesbaseret (anvendes variable ændringsintervaller

modeltid, mens trinstørrelsen måles ved intervallet

indtil næste arrangement).

I tilfælde af trin for trin metode tiden går frem med den mindst mulige konstante trinlængde (t-princippet). Disse algoritmer er ikke særlig effektive med hensyn til at bruge computertid til deres implementering.

Hændelsesbaseret metode (princippet om "særlige tilstande"). I den ændres tidskoordinaterne kun, når systemets tilstand ændres. I hændelsesbaserede metoder er længden af ​​time shift-trinnet den maksimalt mulige. Modeltiden ændres fra det aktuelle øjeblik til det nærmeste øjeblik for den næste begivenhed. Brugen af ​​hændelses-for-hændelse metoden er at foretrække, hvis hyppigheden af ​​hændelser er lav, så vil en stor trinlængde fremskynde modeltidens fremskridt.

Ved løsning af mange problemer med finansiel analyse bruges modeller, der indeholder tilfældige variabler, hvis adfærd ikke kan kontrolleres af beslutningstagere. Sådanne modeller kaldes stokastiske. Brugen af ​​simulering giver mulighed for at drage konklusioner om mulige resultater baseret på sandsynlighedsfordelingerne af tilfældige faktorer (variabler). Stokastisk simulering kaldes ofte Monte Carlo-metoden.

Ud fra alt det ovenstående kan vi konkludere, at simulering giver os mulighed for at tage højde for det maksimalt mulige antal faktorer ydre miljø til at understøtte ledelsens beslutningstagning og er det mest kraftfulde værktøj til at analysere investeringsrisici. Behovet for dets anvendelse i indenlandsk finansiel praksis skyldes det russiske markeds særegenheder, kendetegnet ved subjektivitet, afhængighed af ikke-økonomiske faktorer og en høj grad af usikkerhed.

Simuleringsresultaterne kan suppleres med probabilistiske og statistiske analyser og i det hele taget give lederen den mest fuldstændige information om nøglefaktorers indflydelse på de forventede resultater og mulige scenarier begivenhedernes udvikling.

Selvom klassiske optimeringsmetoder og matematiske programmeringsmetoder er kraftfulde analytiske værktøjer, er antallet af problemer i den virkelige verden, der kan formuleres på en måde, der ikke er i konflikt med de antagelser, der ligger til grund for disse metoder, relativt lille. I denne forbindelse er analytiske modeller og først og fremmest matematiske programmeringsmodeller endnu ikke blevet et praktisk værktøj til ledelsesaktiviteter.

Udviklingen af ​​computerteknologi har givet anledning til en ny retning i studiet af komplekse processer - simuleringsmodellering. Simuleringsmetoder, som er en særlig klasse af matematiske modeller, er fundamentalt forskellige fra analytiske ved, at computere spiller en stor rolle i deres implementering. Computere af tredje og endnu mere fjerde generation har ikke kun kolossal hastighed og hukommelse, men også udviklet eksterne enheder og avanceret software. Alt dette gør det muligt effektivt at organisere en dialog mellem menneske og maskine inden for rammerne af et simuleringssystem.

Ideen med simuleringsmodelleringsmetoden er, at i stedet for en analytisk beskrivelse af relationerne mellem input, tilstande og output, bygges en algoritme, der viser sekvensen af ​​udviklingen af ​​processer inden for det undersøgte objekt, og derefter adfærden af objektet "afspilles" på en computer. Det skal bemærkes, at eftersom simulering ofte kræver kraftige computere og store stikprøver af statistiske data, er omkostningerne forbundet med simulering næsten altid høje sammenlignet med de omkostninger, der kræves for at løse problemet ved hjælp af en lille analytisk model. Derfor bør de omkostninger og den tid, der kræves til simulering, i alle tilfælde sammenlignes med værdien af ​​de oplysninger, der forventes at blive indhentet.

Simuleringssystem – en beregningsprocedure, der formelt beskriver objektet under undersøgelse og efterligner dets adfærd. Når du kompilerer det, er der ingen grund til at forenkle beskrivelsen af ​​fænomenet, nogle gange kassere endda væsentlige detaljer for at presse det ind i rammen af ​​en model, der er praktisk til anvendelsen af ​​visse kendte matematiske analysemetoder. Simuleringsmodellering er kendetegnet ved efterligning af elementære fænomener, der udgør den undersøgte proces, mens de bibeholder deres logiske struktur, rækkefølgen af ​​begivenheder i tid, arten og sammensætningen af ​​information om processens tilstande. Modellen er logisk-matematisk (algoritmisk) i form.

Simuleringsmodeller som en underklasse af matematiske modeller kan klassificeres i: statiske og dynamiske; deterministisk og stokastisk; diskret og kontinuerlig.

Opgaveklassen stiller visse krav til simuleringsmodellen. Så for eksempel i statisk simulering gentages beregningen flere gange under forskellige eksperimentelle forhold - en undersøgelse af adfærd "i en vis kort periode." Dynamisk simulering simulerer et systems adfærd "over en længere periode" uden at ændre betingelser. Ved stokastisk simulering indgår stokastiske variable med kendte fordelingslove i modellen; med deterministisk simulering er disse forstyrrelser fraværende, dvs. deres indflydelse tages ikke i betragtning.

Proceduren for at konstruere en simuleringsmodel og dens forskning svarer generelt til skemaet for konstruktion og forskning af analytiske modeller. Imidlertid fører det særlige ved simuleringsmodellering til en række specifikke funktioner i implementeringen af ​​visse faser. Litteraturen giver følgende liste over de vigtigste stadier af simulering:

Systemdefinition – Etablering af grænser, begrænsninger og ydeevnemål for det system, der skal undersøges.

At formulere en model er en overgang fra et rigtigt system til et eller andet logisk skema (abstraktion).

Dataforberedelse er udvælgelsen af ​​data, der er nødvendige for at bygge en model og præsentere den i den passende form.

Modeloversættelse er en beskrivelse af modellen på det sprog, der bruges til den anvendte computer.

Tilstrækkelighedsvurdering er en stigning til et acceptabelt niveau af den grad af tillid, hvormed man kan bedømme rigtigheden af ​​konklusioner om et reelt system opnået baseret på adgang til modellen.

Strategisk planlægning er planlægningen af ​​et eksperiment, der skal give den nødvendige information.

Taktisk planlægning - fastlæggelse af, hvordan man udfører hver serie af test, der er fastsat i den eksperimentelle plan.

Eksperimentering er processen med at udføre simuleringer for at opnå ønskede data og udføre følsomhedsanalyser.

Fortolkning – drage konklusioner fra data opnået gennem simulering.

Implementering – praktisk brug af modellen og (eller) modelleringsresultater.

Dokumentation – registrering af projektets fremdrift og dets resultater, samt dokumentation af processen med at skabe og bruge modellen

Dokumentation er tæt forbundet med implementering. Omhyggelig og fuldstændig dokumentation af udviklings- og eksperimenteringsprocesserne med en model kan øge dens levetid og sandsynligheden for en vellykket implementering markant, letter modifikation af modellen og sikrer, at den kan bruges, selvom de afdelinger, der er involveret i udviklingen af ​​modellen, ikke længere eksisterer. og kan hjælpe modeludvikleren med at lære af sine fejl.

Som det fremgår af listen ovenfor, er faserne af planlægningseksperimenter på modellen særligt fremhævet. Og det er ikke overraskende. Computersimulering er jo et eksperiment. Analysen og søgningen efter optimale løsninger til algoritmiske modeller (og alle simuleringsmodeller tilhører denne klasse) udføres ved en eller anden metode til eksperimentel optimering på en computer. Den eneste forskel mellem et simuleringseksperiment og et eksperiment med et rigtigt objekt er, at et simuleringseksperiment udføres med en model af et rigtigt system, og ikke med selve systemet.

Konceptet med en modelleringsalgoritme og formaliseret

procesdiagrammer

For at simulere en proces på en computer er det nødvendigt at transformere dens matematiske model til en speciel modelleringsalgoritme, ifølge hvilken computeren vil generere information, der beskriver de elementære fænomener i den proces, der undersøges, under hensyntagen til deres forbindelser og gensidige påvirkninger. En vis del af den cirkulerende information udskrives og bruges til at bestemme de proceskarakteristika, der skal opnås som følge af modellering (fig. 4.1).

Det centrale led i modelleringsalgoritmen er selve simuleringsmodellen - det genererede procesdiagram. Et formaliseret skema er en formel beskrivelse af proceduren for funktionen af ​​et komplekst objekt i den undersøgte operation og giver mulighed for eventuelle specificerede værdier af modellens inputfaktorer (variable - , deterministisk - , tilfældigt – ) beregn de tilsvarende numeriske værdier af outputkarakteristika
.

De resterende modeller (fig. 4.1) repræsenterer ekstern matematisk støtte til simuleringsprocessen.

Inputmodeller giver specifikation af visse værdier af inputfaktorer. Statiske modeller af deterministiske input er elementære: de er arrays af konstante værdier, der svarer til visse faktorer i modellen. Dynamiske inputmodeller giver ændringer i værdierne af deterministiske faktorer over tid i henhold til en kendt lov
.

Tilfældige input-modeller (også kendt som tilfældige talsensorer) simulerer ankomsten til input af objektet, der undersøges af tilfældige påvirkninger med givne (kendte) distributionslove
. Dynamiske modeller af tilfældige input tager højde for, at lovene for fordeling af stokastiske variable er funktioner af tid, dvs. for hver tidsperiode vil enten formen eller karakteristikken af ​​fordelingsloven (f.eks. matematisk forventning, spredning osv.) være forskellig.

Ris. 4.1. Opbygning af modelleringsalgoritmen for en optimeringsmodel med tilfældige faktorer

På grund af det faktum, at resultatet opnået ved at reproducere en enkelt implementering på grund af tilstedeværelsen af ​​tilfældige faktorer ikke kan karakterisere den undersøgte proces som helhed, er det nødvendigt at analysere et stort antal af sådanne implementeringer, da kun da ifølge loven store tal de resulterende estimater opnår statistisk stabilitet og kan med en vis nøjagtighed accepteres som estimater af de søgte mængder. Outputmodellen giver akkumulering, akkumulering, bearbejdning og analyse af det resulterende sæt af tilfældige resultater. For at gøre dette bruges det til at organisere flere beregninger af værdierne af outputkarakteristika ved konstante værdier af faktorer
Og forskellige betydninger tilfældige faktorer (i overensstemmelse med de givne distributionslove) – “cyklus iflg y" I denne henseende inkluderer outputmodellen programmer til taktisk eksperimentplanlægning på en computer - bestemmer metoden til at udføre hver serie af kørsler svarende til specifikke værdier Og . Derudover løser modellen problemet med at behandle tilfældige værdier af outputkarakteristika, som et resultat af hvilke de "renses" fra påvirkningen af ​​tilfældige faktorer og føres til input fra feedbackmodellen, dvs. Outputmodellen implementerer reduktionen af ​​et stokastisk problem til et deterministisk ved hjælp af metoden "gennemsnit over resultatet".

Feedbackmodellen tillader, baseret på analysen af ​​de opnåede modelleringsresultater, at ændre værdierne af kontrolvariabler, implementere funktionen af ​​strategisk planlægning af et simuleringseksperiment. Når man bruger metoder fra teorien om optimal eksperimentel planlægning, er en af ​​funktionerne i feedbackmodellen at præsentere simuleringsresultaterne i analytisk form - bestemme niveauerne af responsfunktionen (eller karakteristisk overflade). Under optimering beregner outputmodellen baseret på værdierne af outputkarakteristika??? objektiv funktionsværdi
og ved hjælp af en eller anden numerisk optimeringsmetode ændres værdierne af kontrolvariablerne for at vælge de værdier, der er bedst set fra objektivfunktionens synspunkt.

Procedure for udvikling af et formaliseret procesdiagram

Proceduren for at udvikle et formaliseret skema består i at strukturere objektet i moduler; at vælge et matematisk skema for en formaliseret beskrivelse af driften af ​​hvert modul; generering af input og output information for hvert modul; udvikling af et kontrolblokdiagram af modellen for at vise interaktionen af ​​individuelle moduler i den.

Ved strukturering af et objekt opdeles et komplekst objekt i relativt autonome dele - moduler - og forbindelserne mellem dem er faste. Det er tilrådeligt at strukturere et objekt under modellering på en sådan måde, at løsningen på et komplekst problem opdeles i en række simplere baseret på mulighederne for den matematiske beskrivelse af individuelle moduler og den praktiske implementering af modellen på eksisterende computerudstyr i en given tid. Udvælgelsen af ​​elementer (undersystemer af et objekt) fra det undersøgte objekt og deres kombination til en relativt autonom blok (modul) udføres først på basis af funktionelle og informations-proceduremæssige modeller af objektet, når det er fastslået, at det er grundlæggende muligt at konstruere matematiske sammenhænge mellem disse elementers parametre og objektets mellem- eller outputkarakteristika. I denne henseende bestemmer hverken funktionerne eller input og output af individuelle reelle elementer nødvendigvis modulets grænser, selvom disse generelt er de vigtigste faktorer. Det resulterende skema til strukturering af et objekt kan justeres ud fra et erfaringssynspunkt eller bekvemmeligheden ved at overføre information i en algoritme implementeret på en computer.

Dernæst foretages der for hvert modul, der svarer til den elementære proces, der forekommer i objektet, et tilnærmet valg af en matematisk beskrivelsesmetode, på grundlag af hvilken den tilsvarende operationsmodel vil blive bygget. Grundlaget for valg af matematisk beskrivelsesmetode er viden om den fysiske karakter af det beskrevne elements funktion og egenskaberne ved den computer, som simuleringen er planlagt på. Når man udvikler originale afhængigheder, spiller udviklerens praktiske erfaring, intuition og opfindsomhed en væsentlig rolle.

For hvert udvalgt modul bestemmes en liste over information, både tilgængelig og nødvendig for implementeringen af ​​den foreslåede metode til matematisk beskrivelse af information, dens kilder og modtagere.

Modulerne er samlet til en enkelt model baseret på de driftsmodeller og informationsproceduremodeller, der er givet i den indholdsmæssige beskrivelse af opgaven. I praksis løses dette problem ved at konstruere et kontrolblokdiagram af modellen, som giver en ordnet rækkefølge af operationer forbundet med løsning af problemet. I den er individuelle moduler udpeget af rektangler, indeni hvilke navnene på de problemer, der er løst i det, er skrevet. På dette niveau viser flowchartet "hvad der skal gøres", men uden detaljer, dvs. angiver ikke "hvordan udføres". Løsningssekvensen og den indbyrdes afhængighed af individuelle elementære problemer er angivet med rettede pile, herunder logiske forhold, der bestemmer proceduren for kontroloverførsler. Et sådant flowchart gør det muligt at dække hele processen i dens dynamik og sammenkoblingen af ​​individuelle fænomener, idet det er en arbejdsplan, langs hvilken indsatsen fra et hold af performere er rettet mod at konstruere modellen som helhed.

I processen med at konstruere et kontrolblokdiagram koordineres input og output fra individuelle moduler med hinanden, deres informationsforbindelse udføres ved hjælp af det tidligere opnåede træ af mål-parametre. Den praktiske metode til at designe et kontrolblokdiagram følger direkte af det formål, det er designet til, dvs. til tilstrækkeligt fuldt ud og klart at forestille sig, hvordan et virkeligt komplekst system fungerer i alle de forskellige interaktioner af dets konstituerende fænomener. Det er tilrådeligt at registrere kontrolblokdiagrammet i operatørform.

Efter opbygning af kontrolblokdiagrammet er indholdet af de enkelte moduler detaljeret. Det detaljerede flowchart indeholder præciseringer, som ikke er til stede i det generaliserede flowchart. Den viser allerede ikke kun, hvad der skal gøres, men også hvordan det skal gøres, giver detaljerede og entydige instruktioner om, hvordan den eller den procedure skal udføres, hvordan en proces skal udføres eller en given funktion skal implementeres.

Når du konstruerer et formaliseret diagram, skal følgende tages i betragtning. I enhver driftsmodel der måtte være følgende processer: indhentning af oplysninger, der er nødvendige for ledelse, bevægelse, "produktion", dvs. den vigtigste simulerede proces og støtte (materiale og teknisk, energi, reparation, transport osv.).

At overveje hele dette sæt er en ekstremt vanskelig sag. Når man konstruerer en model af et objekt, er det derfor "produktion", dvs. formålet med forskningsopgaven er beskrevet ganske udførligt. For at tage højde for indflydelsen fra ikke-kerneprocesser, er hovedprocesmodellen suppleret med inputmodeller, der simulerer påvirkningen af ​​processerne bevægelse, støtte osv. og forskellige tilfældige faktorer på den proces, der undersøges. Outputtet af disse ret simple modeller er værdierne af de miljømæssige egenskaber, som er input til "produktions"-modellen.

Således indeholder det resulterende formaliserede diagram et kontrolblokdiagram over processen, en beskrivelse af hvert modul (navnet på det elementære problem, der løses, matematisk metode beskrivelser, sammensætning af input og output information, numeriske data), beskrivelse af reglerne for overførsel af kontrol fra et modul til et andet og den endelige liste over de søgte mængder og undersøgte afhængigheder. Det formaliserede procesdiagram tjener som grundlag for yderligere formalisering af simuleringsmodellen og kompileringen af ​​et computerberegningsprogram, der gør det muligt at beregne værdierne for objektets outputkarakteristika for enhver given værdi af de kontrollerede parametre, miljøets begyndelsesbetingelser og karakteristika.

Principper for konstruktion af simuleringsmodeller

algoritmer

En simuleringsmodel er som regel en dynamisk model, der afspejler sekvensen af ​​elementære processer og interaktionen af ​​individuelle elementer langs "modellens" tidsakse t M .

Processen med at fungere af et objekt over en vis periode T kan repræsenteres som en tilfældig sekvens af diskrete tidspunkter . I hvert af disse øjeblikke sker ændringer i tilstanden af ​​objektets elementer, og i intervallet mellem dem sker der ingen tilstandsændringer.

Når du konstruerer et formaliseret procesdiagram, skal følgende tilbagevendende regel være opfyldt: en hændelse, der opstår på et tidspunkt , kan kun simuleres, efter at alle hændelser, der fandt sted på tidspunktet, er blevet simuleret . Ellers kan simuleringsresultatet være forkert.

Denne regel kan implementeres på forskellige måder.

1. Tidsbaseret modellering med et deterministisk trin ("princip
") i tidsbaseret modellering med et deterministisk trin, ser algoritmen samtidig alle elementer i systemet med tilstrækkeligt små tidsintervaller (simuleringstrin) og analyserer alle mulige interaktioner mellem elementerne. For at gøre dette bestemmes det minimale tidsinterval, hvor tilstanden af ​​ingen af ​​systemelementerne kan ændres; detaljeret værdi
tages som et modelleringstrin.

Modelleringsmetoden med et deterministisk trin består af et sæt gentagne gentagne handlinger:

"Princip
"er det mest universelle princip for at konstruere modelleringsalgoritmer, der dækker en meget bred klasse af virkelige komplekse objekter og deres elementer af en diskret og kontinuerlig karakter. Samtidig er dette princip meget uøkonomisk ud fra et computertidsforbrug - i en lang periode kan ingen af ​​systemets elementer ændre deres tilstand, og kørsel af modellen vil være forgæves.

2. Moderne modellering med et tilfældigt trin (simulering baseret på "særlige" tilstande). Når man betragter de fleste komplekse systemer, kan der findes to typer systemtilstande: 1) almindelige (ikke-særlige) tilstande, hvor systemet er det meste af tiden, og 2) særlige tilstande, der er karakteristiske for systemet på nogle tidspunkter, der falder sammen. med øjeblikke af input til systemet af påvirkninger fra miljøet, udgangen af ​​en af ​​systemets karakteristika til grænsen for eksistensdomænet osv. For eksempel fungerer en maskine - en normal tilstand, en maskine er gået i stykker - en speciel tilstand. Enhver pludselig ændring i et objekts tilstand kan under modellering betragtes som en overgang til en ny "særlig" tilstand.

Tidsbaseret modellering med et tilfældigt trin (fra hændelse til hændelse) er, at modelleringsalgoritmen kun undersøger modeller af systemelementer på sådanne tidspunkter, hvor tilstanden af ​​det undersøgte system ændrer sig. På de tidspunkter, hvor modellen af ​​et hvilket som helst element i systemet skal ændre tilstand, inspiceres modellen af ​​dette særlige element, og under hensyntagen til elementernes indbyrdes forhold justeres tilstanden af ​​modellen for hele systemet. Trin varighed
– tilfældig værdi. Denne metode adskiller sig fra "princippet
»ved at den omfatter en procedure til bestemmelse af tidspunktet svarende til den nærmeste særlige tilstand baseret på de kendte karakteristika for tidligere tilstande.

3. Anvendelsesmetode. Når man modellerer behandlingen af ​​sekventielle anmodninger, er det nogle gange praktisk at bygge modelleringsalgoritmer på en anmodning-for-anmodnings måde, hvor passagen af ​​hver anmodning (del, informationsbærer) spores fra dens indtræden i systemet til dens udgang fra systemet. Herefter sørger algoritmen for overgangen til behandling af den næste applikation. Denne form for modelleringsalgoritmer er meget økonomisk og kræver ikke særlige foranstaltninger for at tage højde for særlige tilstande i systemet. Denne metode kan dog kun bruges i simple modeller i sager om fortløbende ansøgninger, der ikke ligger foran hinanden, pga ellers bliver det meget vanskeligt at tage hensyn til samspillet mellem anmodninger, der kommer ind i systemet.

Modelleringsalgoritmer kan bygges på flere principper samtidigt. f.eks. generel struktur Modelleringsalgoritmen er baseret på princippet om specielle tilstande, og mellem specielle tilstande implementeres en per-applikation metode for alle applikationer.

Strukturen af ​​modelleringsalgoritmen har, som praksis viser, specifikationer forbundet med smalle klasser af specifikke typer systemer og problemer, som modellen er beregnet til.

Hvis 1 time er valgt, og skalaen er sat til 7200, vil modellen køre langsommere end den reelle proces. Desuden vil 1 time af en rigtig proces blive simuleret på en computer i 2 timer, dvs. cirka 2 gange langsommere. Den relative skala i dette tilfælde er 2:1

(se tidsskala).

Simuleringsmodel(simuleringsmodel) er en speciel softwarepakke, der giver dig mulighed for at simulere aktiviteten af ​​ethvert komplekst objekt. Det lancerer parallelt interagerende beregningsprocesser i computeren, som i deres tidsparametre (nøjagtige i forhold til tids- og rumskalaer) er analoger til de undersøgte processer. I lande, der indtager en førende position inden for skabelsen af ​​nye computersystemer og teknologier, er den videnskabelige retning af Computer Science orienteret netop mod denne fortolkning af simuleringsmodellering, og masteruddannelser på dette område har en tilsvarende akademisk disciplin.

Simuleringsmodellering(simulering) er en almindelig type analog simulering, implementeret ved hjælp af et sæt matematiske værktøjer, specielle simulerende computerprogrammer og programmeringsteknologier, der tillader, gennem analoge processer, at udføre en målrettet undersøgelse af strukturen og funktionerne af en virkelig kompleks proces i computeren hukommelse i "simulation"-tilstand, optimer nogle af dens parametre.

Simulering (computer) modellering af økonomiske processer - bruges normalt i to tilfælde:

1) at styre en kompleks forretningsproces, når en simuleringsmodel af en administreret økonomisk enhed bruges som et værktøj i konturen af ​​et adaptivt styringssystem, der er skabt på basis af informations- (computer) teknologier;

2) når der udføres eksperimenter med diskrete-kontinuerlige modeller af komplekse økonomiske objekter for at opnå og "observere" deres dynamik i nødsituationer forbundet med risici, hvis naturlige modellering er uønsket eller umulig.

Ventil blokerer vejen for transaktioner - type af node af simuleringsmodellen. Den hedder nøgle. Hvis ventilen er påvirket af holdesignalet fra enhver node, lukker ventilen, og transaktioner kan ikke passere igennem den. Et rels-signal fra en anden knude åbner ventilen.

Kollektiv styring af modelleringsprocessen - særlig slags eksperimentere med en simuleringsmodel, der bruges i forretningsspil og i uddannelse og træning virksomheder

Computersimulering simuleringsmodellering.

Maksimal accelereret tidsskala - skala angivet med tallet "nul". Simuleringstiden bestemmes udelukkende af modellens processorudførelsestid. Den relative skala i dette tilfælde har en meget lille værdi; det er næsten umuligt at bestemme(se tidsskala).

Tidsskala er et tal, der specificerer varigheden af ​​simuleringen af ​​en modeltidsenhed, omregnet til sekunder, i sekunder af astronomisk realtid, når modellen udføres. Den relative tidsskala er en brøkdel, der viser, hvor mange enheder modeltid, der passer ind i en enhed af processortid, når modellen udføres i en computer.

Leder (eller leder) af ressourcer - type af node af simuleringsmodellen. Den hedder administrere. Styrer betjeningen af ​​knudepunkter af vedhæftningstype. For at modellen skal fungere korrekt, er det nok at have én nodemanager: den vil servicere alle varehuse uden at krænke modellens logik. For at skelne statistik for forskellige lagre af transporterede ressourcer kan du bruge flere lederknudepunkter.

Monte Carlo-metoden er en metode til statistiske test udført ved hjælp af en computer og programmer - sensorer af pseudo-tilfældige værdier. Nogle gange bruges navnet på denne metode fejlagtigt som et synonym simuleringsmodellering.

Simuleringssystem (simuleringssystem - simuleringssystem) - speciel software designet til at skabe simuleringsmodeller og har følgende egenskaber:

muligheden for at anvende simuleringsprogrammer i forbindelse med specielleøkonomiske og matematiske modeller og metoder baseret på ledelsesteori;

instrumentelle metoder til at udføre strukturelle analyser af en kompleks økonomisk proces;

evnen til at modellere materiale-, penge- og informationsprocesser og -strømme inden for en enkelt model i en fælles modeltid;

muligheden for at indføre et regime med konstant afklaring ved modtagelse af outputdata (vigtigste finansielle indikatorer, tid og rumlige karakteristika, risikoparametre osv.) og udførelse af et ekstremt eksperiment.

Normal lov- loven om fordeling af stokastiske variable, som har en symmetrisk form (Gauss funktion). I simuleringsmodeller af økonomiske processer bruges det til at modellere komplekst flertrinsarbejde.

Generaliserede Erlangs lov- loven om fordeling af stokastiske variable, som har en asymmetrisk form. Indtager en mellemposition mellem eksponentiel og normal. I simuleringsmodeller af økonomiske processer bruges det til at modellere komplekse gruppestrømme af applikationer (krav, ordrer).

Kø (med eller uden relative prioriteter) - type af node af simuleringsmodellen. Det kaldes kø. Hvis der ikke tages højde for prioriteringer, så bliver transaktioner bestilt i køen i den rækkefølge, de blev modtaget. Når der tages højde for prioriteringer, ender transaktionen ikke i "halen" af køen, men i slutningen af ​​dens prioritetsgruppe. Når prioritetsgrupper er bestilt fra "hovedet" af køen til "halen" i rækkefølge efter faldende prioritet. Hvis en transaktion kommer i køen og ikke har sin egen prioritetsgruppe, så vil en gruppe med en sådan prioritet straks dukke op: der vil være en nyligt ankommet transaktion i den.

Rumbaseret prioritetskø - type af node af simuleringsmodellen. Det kaldes dynam. Transaktioner, der falder ind i en sådan kø, er bundet til punkter i rummet. Køen betjenes af en speciel rgos-enhed, der arbejder i den rumlige bevægelsestilstand. Pointen med at servicere transaktioner: det er nødvendigt at besøge alle punkter i rummet, som transaktioner er forbundet med (eller hvorfra de kom). Når hver ny transaktion ankommer, hvis den ikke er den eneste i køen, omorganiseres køen på en sådan måde, at den samlede vej for besøgspunkter er minimal (man skal ikke antage, at dette løser problemet med "rejsende sælger"). . Den overvejede regel for driften af ​​dynamnoden kaldes "førstehjælpsalgoritmen" i litteraturen.

Gratis strukturel node - type af node af simuleringsmodellen. Har navnet nede. Nødvendigt for at forenkle et meget komplekst lag af modellen - at "optrevle" et forvirrende kredsløb placeret på et lag, i to forskellige niveauer(eller lag).

Proportionalt accelereret tidsskala - skala givet ved et tal udtrykt i sekunder. Dette tal er mindre end den valgte modeltidsenhed. For eksempel, hvis du vælger 1 time som enhed for modeltid, og indstiller tallet 0,1 som skala, så vil modellen køre hurtigere end den reelle proces. Desuden vil 1 time af en rigtig proces blive simuleret på en computer i 0,1 s (under hensyntagen til fejl), dvs. cirka 36.000 gange hurtigere. Den relative skala er 1:36.000(se tidsskala).

Rumlig dynamik- en type dynamik i procesudvikling, der gør det muligt at observere rumlige bevægelser af ressourcer over tid. Det studeres i simuleringsmodeller af økonomiske (logistiske) processer, såvel som transportsystemer.

Rummet er et modelobjekt, der simulerer geografisk rum (Jordens overflade), et kartesisk plan (du kan indtaste andre). Noder, transaktioner og ressourcer kan knyttes til punkter i rummet eller migrere inden for det.

Ensartet lov- loven om fordeling af stokastiske variable, som har en symmetrisk form (rektangel). I simuleringsmodeller af økonomiske processer bruges det nogle gange til at modellere simpelt (en-trins) arbejde i militære anliggender, til at modellere den tid det tager for enheder at rejse, tiden til at grave skyttegrave og bygge befæstninger.

Økonomichef- type af node for simuleringsmodellen "regnskabschef". Det kaldes direkte. Styrer driften af ​​sendetypeknudepunkter. For at modellen skal fungere korrekt, er en direkte knude nok: den vil betjene alle konti uden at krænke modellens logik. For at skelne statistik for forskellige dele af den modellerede regnskabsafdeling kan du bruge flere direkte noder.

Realtid- skala angivet ved et tal udtrykt i sekunder. Hvis du f.eks. vælger 1 time som modeltidsenhed og indstiller tallet 3600 som skala, vil modellen blive udført med hastigheden af ​​den virkelige proces, og tidsintervallerne mellem hændelser i modellen vil være ens. til tidsintervallerne mellem virkelige hændelser i det simulerede objekt (med nøjagtighed op til korrektioner for fejl ved angivelse af de oprindelige data). Den relative tidsskala i dette tilfælde er 1:1 (se tidsskala).

En ressource er et typisk objekt i en simuleringsmodel. Uanset dens natur kan den under modelleringsprocessen karakteriseres af tre generelle parametre: kapacitet, rest og underskud. Typer af ressourcer: materiale (baseret, transportabelt), informativt og monetært.

Et signal er en speciel funktion, der udføres af en transaktion placeret i en knude i forhold til en anden knude for at ændre driftstilstanden for sidstnævnte.

Simuleringssystem - nogle gange brugt som en analog af udtrykketmodelleringssystem(ikke en særlig vellykket oversættelse til russisk af udtrykket simuleringssystem).

Lager af transportable ressourcer- type af node af simuleringsmodellen. Det kaldes vedhæfte. Repræsenterer opbevaringen af ​​et vilkårligt antal

kvalitet af samme type ressource. Ressourceenheder i den nødvendige mængde allokeres til transaktioner, der ankommer til den vedhæftede node, hvis saldoen tillader en sådan servicering. Ellers opstår der en kø. Transaktioner, der modtager ressourceenheder, migrerer langs grafen sammen med dem og returnerer dem efter behov på forskellige måder: enten alle sammen eller i små partier eller i bulk. Den korrekte drift af lageret sikres af en speciel enhed - lederen.

En hændelse er et dynamisk modelobjekt, der repræsenterer det faktum, at en transaktion forlader en node. Begivenheder opstår altid på bestemte tidspunkter. De kan også forbindes til et punkt i rummet. Intervallerne mellem to nabohændelser i modellen er som udgangspunkt stokastiske variable. Det er praktisk talt umuligt for modeludvikleren at styre hændelser manuelt (f.eks. fra et program). Derfor er event management-funktionen givet til et særligt kontrolprogram - en koordinator, som automatisk integreres i modellen.

Processtrukturanalyse- formalisering af strukturen af ​​en kompleks reel proces ved at dekomponere den i delprocesser, der udfører visse funktioner og at have gensidige funktionelle forbindelser ifølge legenden udviklet af den arbejdende ekspertgruppe. De identificerede delprocesser kan til gengæld opdeles i andre funktionelle delprocesser. Strukturen af ​​den generelle modellerede proces kan repræsenteres i form af en graf med en hierarkisk flerlagsstruktur. Som følge heraf fremkommer et formaliseret billede af simuleringsmodellen i grafisk form.

Strukturel ressourceallokeringsenhed - type af node af simuleringsmodellen. Det kaldes husleje. Designet til at forenkle den del af simuleringsmodellen, der er forbundet med driften af ​​lageret. Lagerdriften simuleres vha separate strukturer nom lag af modellen. Kald til dette lag til de nødvendige input sker fra andre lag fra lejeknudepunktet uden at flette dem.

Strukturel enhed for finansielle og økonomiske betalinger - type af node af simuleringsmodellen. Det kaldes løn. Designet til at forenkle den del af simuleringsmodellen, der er knyttet til regnskabsafdelingens arbejde. Regnskabsafdelingens arbejde er modelleret på et separat strukturelt lag af modellen. Kald til dette lag til de nødvendige inputs sker fra andre lag fra betalingsknuden uden at kombinere disse lag.

Regnskabskonto- type af node af simuleringsmodellen. Det kaldes send. Transaktionen, der kommer ind i en sådan node, er en anmodning om at overføre penge fra konto til konto eller til regnskabspostering. Rigtigheden af ​​at arbejde med regnskaber er reguleret af en særlig

direkte node, som simulerer regnskabsafdelingens arbejde. Hvis pengesaldoen i sendeknuden er tilstrækkelig til at overføre til en anden konto, udføres overførslen. Ellers dannes en kø af ikke-servicerede transaktioner i sendeknuden.

Terminator er en type node i simuleringsmodellen. Den har navnet. En transaktion, der går ind i terminatoren, bliver ødelagt. Terminatoren registrerer transaktionens levetid.

En transaktion er et dynamisk objekt i en simuleringsmodel, der repræsenterer en formel anmodning om en tjeneste. I modsætning til almindelige anmodninger, som tages i betragtning ved analyse af kømodeller, har den et sæt dynamisk skiftende specielle egenskaber og parametre. Migrationsstierne for transaktioner langs modelgrafen bestemmes af logikken i funktionen af ​​modelkomponenterne i netværksknuderne.

Trekantlov- loven om fordeling af stokastiske variable, der har en symmetrisk form (ligebenet trekant) eller ikke-symmetrisk form (en generel trekant). I simuleringsmodeller af informationsprocesser bruges det nogle gange til at modellere adgangstiden til databaser.

Servicenode med mange parallelle kanaler - type af node af simuleringsmodellen. Den hedder serv. Tjenesten kan være i den rækkefølge, som en transaktion kommer ind på den gratis kanal eller i henhold til reglen om absolutte prioriteter (med afbrydelse af tjenesten).

Noder er objekter i simuleringsmodellen, der repræsenterer transaktionsservicecentre i simuleringsmodellens graf (men ikke nødvendigvis i kø). Ved noder kan transaktioner forsinkes, serviceres, generere familier af nye transaktioner og ødelægge andre transaktioner. En uafhængig proces affødes ved hver node. Computerprocesser kører parallelt og koordinerer hinanden. De udføres i en enkelt modeltid, i ét rum, og tager højde for tidsmæssig, rumlig og økonomisk dynamik.

Administreret transaktionsgenerator (eller multiplikator) - type af node af simuleringsmodellen. Har navnet oprettet. Giver dig mulighed for at oprette nye familier af transaktioner.

Kontrolleret proces (kontinuerlig eller rumlig) - type af node af simuleringsmodellen. Den har navnet rgos. Denne node fungerer i tre gensidigt eksklusive tilstande:

modellering af en kontrolleret kontinuerlig proces (f.eks.

i reaktoren);

adgang til operationelle informationsressourcer;

rumlige bevægelser (for eksempel en helikopter).

Administreret transaktionsterminator - type simuleringsknudepunkt

modeller. Det kaldes slet. Det ødelægger (eller absorberer) et bestemt antal transaktioner, der tilhører en bestemt familie. Kravet til en sådan handling er indeholdt i den ødelæggende transaktion modtaget ved input af sletteknuden. Den venter på, at den specificerede families transaktioner ankommer til noden og ødelægger dem. Efter absorption forlader den destruktive transaktion noden.

Finansiel dynamik- en type dynamik i udviklingen af ​​en proces, der gør det muligt at observere ændringer i ressourcer, midler og hovedresultaterne af en økonomisk enheds aktivitet over tid, og parametrene måles i monetære enheder. Det studeres i simuleringsmodeller af økonomiske processer.

Den eksponentielle lov er loven om fordelingen af ​​stokastiske variable, som har et klart asymmetrisk udseende (henfaldende eksponentiel). I simuleringsmodeller af økonomiske processer bruges det til at modellere intervallerne for modtagelse af ordrer (applikationer), der kommer til virksomheden fra adskillige markedskunder. I pålidelighedsteori bruges det til at modellere tidsintervallet mellem to på hinanden følgende fejl. I kommunikation og datalogi - til modellering af informationsstrømme (Poisson-strømme).

LITTERATUR

1. Anfilatov V. S., Emelyanov A. A., Kukushkin A. A. Systemanalyse i ledelse / Red. A.A. Emelyanova. - M.: Finans og statistik, 2001. - 368 s.

2. Berlyant A. M. Kartografi. - M.; Aspect Press, 2001. - 336 s.

3. Buslenko N. P. Modellering af komplekse systemer. - M.: Nauka, 1978.-399 s.

4. Varfolomeev V.I. Algoritmisk modellering af elementer af økonomiske systemer. - M.: Finans og statistik, 2000. - 208 s.

5. Gadzhinsky A. M. Workshop om logistik. - M.: Marketing, 2001.-180 s.

b. Dijkstra E. Interaktion mellem sekventielle processer // Programmeringssprog / Red. F. Genuis. - M.: Mir, 1972. -

s. 9-86.

7. Dubrov A.M., Shitaryan V.S., Troshin L.I.Multivariate statistiske metoder. - M.: Finans og statistik, 2000. - 352 s.

^. Emelyanov A. A. Simuleringsmodellering i risikostyring. - St. Petersborg: Inzhekon, 2000. - 376 s.

9. Emelyanov A. A., Vlasova E. A. Simuleringsmodellering i økonomiske informationssystemer. - M.: Forlaget MESI, 1998.-108 s.

10. Emelyanov A. A., Moshkina N. L., Snykov V. P.Automatiseret kompilering af driftsplaner for opmåling af områder med ekstrem høj forurening // Jordforurening og tilstødende miljøer. W.T. 7. - St. Petersborg: Gidrometeoizdat, 1991. - P. 46-57.

11. Kalyanoe G. N. CASE strukturel systemanalyse (automatisering og anvendelse). - M.: Lori, 1996. - 241 s.

12. KleinrockL. Kommunikationsnetværk. Stokastiske strømme og beskedforsinkelser. - M.: Nauka, 1970. - 255 s.

13. Sztuglinski D, Wingo S, Shepherd J.Microsoft visuel programmering S-n- 6.0 for professionelle. - Skt. Petersborg: Peter, russisk udgave, 2001. - 864 s.

14. Kuzin L. T., Pluzhnikov L. K., Belov B. N.Matematiske metoder i økonomi og produktionsorganisation. - M.: Publishing House MEPhI, 1968.-220 s.

15. Nalimov V. D., Chernova I. A. Statistiske metoder til planlægning af ekstreme eksperimenter. - M.: Nauka, 1965. - 366 s.

16. Naylor T. Maskinsimuleringsforsøg med modeller af økonomiske systemer. - M.: Mir, 1975. - 392 s.

17. Oykhman E. G., Popov E. V. Forretningsomlægning. - M.: Finans og statistik, 1997. - 336 s.

18. Pritzker A. Introduktion til simuleringsmodellering og SLAM-P sproget. - M.: Mir, 1987. - 544 s.

19. Saati T. Elementer af køteori og dens anvendelser. - M.: Sov. radio, 1970. - 377 s.

20. Cheremnykh S.V., Semenov I.O., Ruchkin V.S.Strukturel analyse systemer: GOER-teknologi.- M.: Finans og statistik, 2001. - 208 s.

21. Chicherin I. N. Udgifter til lejerettigheder jordlod og interaktion med investorer // Økonomiske informationssystemer på tærsklen til det 21. århundrede. - M.: Forlaget MESI, 1999. - S. 229232.

22. Shannon R. E. Simuleringsmodellering af systemer: videnskab og kunst. - M: Mir, 1978. - 420 s.

23. Schreiber T. J. Modellering på GPSS. - M.: Maskinbygning, 1979. - 592 s.

Kapitel 1 TEORETISK GRUNDLAG FOR SIMULERING

1.3. Brug af lovene for fordeling af stokastiske variable ved simulering af økonomisk