Simuleringsmodellering i økonomi. Simuleringsmodellering

A.A.Emelyanov

E.A.Vlasova R.V.Duma

ETTERLIGNING

MODELLERING

ØKONOMISK

PROSESSER

Redigert av Doctor of Economic Sciences D.A. Emelyanova

om utdanning innen anvendt informatikk som læremiddel for studenter,

studenter med hovedfag i "Anvendt informatikk (etter område)",

EN også innen andre dataspesialiteter

og veibeskrivelse

MOSKVA "FINANS OG STATISTIKK" 2002

UDC 330.45:004.942(075.8) BBK 65v6ya73

ANMELDERE:

Institutt for informasjonssystemer i økonomi, Ural State University State Economic University (avdelingsleder A.F. Shorikov,

doktor i fysiske og matematiske vitenskaper, 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. og så videre.

E60 Simuleringsmodellering økonomiske prosesser: Lærebok. godtgjørelse / A.A. Emelyanov, E.A. Vlasova, R.V. Tanken; Ed. A.A. Emelyanova. - M.: Finans og statistikk, 2002. - 368 s.: ill.

ISBN 5-279-02572-0

Moderne konsepter for å konstruere et modelleringssystem, formaliserte objekter som materiale, informasjon og pengeressurser, samt språkverktøy for å lage simuleringsmodeller, teknikker for deres opprettelse, feilsøking og drift ved bruk av CASE-teknologi for å konstruere modeller "uten programmering". Funksjonene ved modellering i georom er vist - med referanse til kart eller planer. Planleggingen av ekstreme eksperimenter er beskrevet.

For universitetsstudenter som studerer i spesialitetene "Anvendt informatikk (etter område)", "Matematisk støtte og administrasjon av informasjonssystemer", samt for andre dataspesialiteter og områder for høyere profesjonsutdanning

FORORD

Etter utgivelsen av T. Naylors bok «Machine simulation experiments with models økonomiske systemer» på russisk har det gått mer enn 25 år. Siden den gang har metoder for simulering av modellering av økonomiske prosesser gjennomgått betydelige endringer. Søknaden deres i Økonomisk aktivitet ble annerledes. Individuelle bøker utgitt i i fjor(for eksempel om bruk av GPSS i ingeniørfag og teknologi, om algoritmisk modellering av elementer av økonomiske systemer i Visual Basic), gjenta konseptene med simuleringsmodellering for 30 år siden ved bruk av ny programvare, men reflekter ikke endringene som har skjedd.

Formålet med denne boken er en omfattende dekning av tilnærmingene og metodene for å anvende simuleringsmodellering i prosjektøkonomisk aktivitet som har dukket opp de siste årene, og nye verktøy som gir økonomen en rekke muligheter.

Opplæringen begynner med en beskrivelse teoretiske grunnlag simuleringsmodellering. Deretter vurderer vi et av de moderne konseptene for å konstruere et modelleringssystem. Språkverktøy for å beskrive modeller er gitt. Teknikken for å lage, feilsøke og betjene modeller ved hjelp av CASE-teknologi for å konstruere modeller "uten programmering" - ved hjelp av en interaktiv grafisk designer er beskrevet. Det er et spesielt kapittel viet simuleringsmodellering i georom med referanse til territoriene til økonomiske regioner. Spørsmålene om planlegging av optimaliseringseksperimenter vurderes - finne rasjonelle parametere for prosesser ved bruk av simuleringsmodeller. Det siste kapittelet inneholder et sett med godt debuggede simuleringsmodeller for ulike formål, som kan være til god hjelp for ulike kategorier lesere. De skal hjelpe lærere med å utvikle seg laboratoriearbeid og oppgaver. For universitetsstudenter, så vel som hovedfagsstudenter og spesialister som uavhengig studerer denne typen datamodellering,

lar deg raskt gå videre til praktisk modellering i ditt fagområde.

På slutten av hvert kapittel er det korte konklusjoner og en liste test spørsmål for selvtest. Kort ordbok Begreps- og emneregisteret gjør det også lettere å forstå stoffet i boken.

Læreboken er skrevet ved å bruke arbeidserfaringen som forfatterne har samlet i undervisningsprosessen akademiske disipliner knyttet til simuleringsmodellering, risikostyring, forskning på styringssystemer, i utarbeidelse og publisering av lærebøker på universiteter og undervisningsmateriell. Boken gjenspeiler resultatene til forfatteren Vitenskapelig forskning og utviklingen.

A.A. Emelyanov, doktor i økonomi, leder for avdeling for generell teori om system- og systemanalyse ved MESI - kapittel 1 - 3, 6, 7, 8 (avsnitt 8.1 - 8.3, 8.6, 8.7) og generell redigering av boken.

E.A. Vlasova, universitetslektor ved Institutt for generell systemteori og systemanalyse ved MESI - kapittel 4 og 8 (avsnitt 8.4 og 8.5).

R.V. Duma, kandidat for økonomiske vitenskaper, ledende spesialist ved Business Consol - kapittel 5.

Læreboken kan anbefales til studenter som studerer innen dataspesialiteter og -områder. Den kan være nyttig i opplæring av spesialistledere og mastere i Master of Business Administration (MBA).

Til selvstudium Boken krever foreløpig kjennskap til leseren med datavitenskap, med grunnleggende programmering, høyere matematikk, sannsynlighetsteori, matematisk statistikk, lineær algebra, økonomisk teori og regnskapsføring.

INTRODUKSJON

Simuleringsmodellering(fra engelsk simulering) er en vanlig type analog simulering, implementert ved hjelp av et sett med matematiske verktøy, spesielle simuleringsdataprogrammer og programmeringsteknologier som tillater, gjennom analoge prosesser, å gjennomføre en målrettet studie av strukturen og funksjonene til et virkelig kompleks prosess i datamaskinens minne i "simuleringsmodus", optimalisere noen av parameterne.

Simuleringsmodell er en spesiell programvarepakke som lar deg simulere aktiviteten til ethvert komplekst objekt. Den lanserer parallelle interagerende beregningsprosesser i datamaskinen, som i sine tidsparametere (med en nøyaktighet av tids- og romskalaer) er analoger av prosessene som studeres. I land som inntar en ledende posisjon i etableringen av nye datasystemer og teknologier, vitenskapelig retning Datavitenskap bruker akkurat denne tolkningen av simuleringsmodellering, og masterstudier på dette området har en tilsvarende akademisk disiplin.

Det skal bemerkes at enhver modellering har i sitt metodiske grunnlag elementer av å simulere virkeligheten ved å bruke en slags symbolikk (matematikk) eller analoger. Derfor, noen ganger på russiske universiteter, begynte simuleringsmodellering å bli kalt en målrettet serie med multivariate beregninger utført på en datamaskin ved bruk av økonomiske og matematiske modeller og metoder. Men fra et datateknisk synspunkt er slik modellering vanlige beregninger utført ved bruk av beregningsprogrammer eller en Excel-regnearkprosessor.

Matematiske beregninger (inkludert tabellberegninger) kan utføres uten datamaskin: ved hjelp av en kalkulator, logaritmisk regel, regler aritmetiske operasjoner og hjelpetabeller. Men simuleringsmodellering er et rent dataarbeid som ikke kan gjøres med improviserte midler.

Derfor brukes ofte synonymet for denne typen modellering

datamodellering.

En simuleringsmodell må lages. Dette krever spesiell programvare - modelleringssystem(simuleringssystem). Spesifikasjonene til et slikt system bestemmes av operasjonsteknologien, et sett med språkverktøy, serviceprogrammer og modelleringsteknikker.

Simuleringsmodellen må reflektere et stort antall parametere, logikk og atferdsmønstre for det simulerte objektet over tid (tidsdynamikk) og i verdensrommet (romlig dynamikk). Modellering av økonomiske objekter er knyttet til konseptet

økonomisk dynamikk til objektet.

Fra synspunktet til en spesialist (dataforsker-økonom, matematiker-programmerer eller økonom-matematiker), simuleringsmodellering kontrollert prosess eller kontrollert objekt er en informasjonsteknologi på høyt nivå som gir to typer handlinger utført ved hjelp av en datamaskin:

1) arbeid med å lage eller modifisere en simuleringsmodell;

2) drift av simuleringsmodellen og tolkning av resultatene.

Simulering (datamaskin) modellering av økonomiske prosesser brukes vanligvis i to tilfeller:

å håndtere komplekse en forretningsprosess, når en simuleringsmodell av en administrert økonomisk enhet brukes som et verktøy i konturen av et adaptivt styringssystem opprettet på grunnlag av informasjonsteknologi (datamaskin);

når man utfører forsøk med diskrete kontinuerlige modeller av komplekse økonomiske objekter for å oppnå og spore deres dynamikk i nødsituasjoner forbundet med risikoer, hvis fullskala modellering er uønsket eller umulig.

Følgende typiske problemer kan identifiseres som kan løses ved hjelp av simuleringsmodelleringsverktøy når du administrerer økonomiske objekter:

modellering av logistikkprosesser for å bestemme tids- og kostnadsparametere;

administrere prosessen med å implementere et investeringsprosjekt i de ulike stadiene Livssyklus tar hensyn til mulige risikoer og taktikker for å ta ut pengesummer;

analyse av clearingprosesser i arbeidet til et nettverk av kredittinstitusjoner (inkludert anvendelse på prosessene for gjensidige oppgjør i det russiske banksystemet);

å forutsi de økonomiske resultatene til et foretak for en bestemt periode (med analyse av dynamikken i balansen i regnskapet);

virksomhetsrekonstruksjon insolvent foretak (endring i strukturen og ressursene til et konkursrammet foretak, hvoretter man ved hjelp av en simuleringsmodell kan lage en prognose for de viktigste økonomiske resultatene og gi anbefalinger om gjennomførbarheten av et eller annet alternativ for gjenoppbygging, investering eller utlån til produksjonsaktiviteter);

analyse av de adaptive egenskapene og overlevelsesevnen til et datasystem for regionalt bankinformasjonssystem (for eksempel delvis mislykket som følge av naturkatastrofe system for elektroniske oppgjør og betalinger etter katastrofal jord jordskjelv i 1995 på de sentrale øyene i Japan demonstrerte høy overlevelsesevne: operasjonene ble gjenopptatt i løpet av få dager);

vurdering av pålitelighetsparametere og forsinkelser i et sentralisert økonomisk informasjonssystem med kollektiv tilgang (ved å bruke eksemplet med et flybillettsalgssystem som tar hensyn til ufullkommenheter fysisk organisering databaser og utstyrsfeil);

analyse av operasjonelle parametere for et distribuert multi-leveltem, tatt i betraktning den heterogene strukturen, båndbredde kommunikasjonskanaler og ufullkommenheter i den fysiske organiseringen av den distribuerte databasen i regionale sentre;

modellering av handlingene til en kurer (kurer) helikopterflygruppe i en region berørt av en naturkatastrofe eller en større industriulykke;

analyse av PERT-nettverksmodellen (Program Evaluation and Review Technique) for prosjekter for utskifting og justering av produksjonsutstyr, tatt i betraktning forekomsten av feil;

analyse av arbeidet til et motortransportbedrift engasjert i kommersiell transport av varer, tatt i betraktning spesifikasjonene til varer og kontantstrømmer i regionen;

beregning av pålitelighetsparametere og infi bankinformasjonssystemet.

Den gitte listen er ufullstendig og dekker de eksemplene på bruk av simuleringsmodeller som er beskrevet i litteraturen eller brukt av forfatterne i praksis. Det faktiske anvendelsesområdet for har ingen synlige begrensninger. For eksempel frelse Amerikanske astronauter i tilfelle en nødsituasjon på APOLLO-romfartøyet, ble det mulig bare takket være "utspilling" av forskjellige redningsalternativer på modeller av romkomplekset.

Et simuleringssystem som gir oppretting av modeller for å løse de listede problemene, må ha følgende egenskaper:

Muligheten for å bruke simuleringsprogrammer i forbindelse med spesielle økonomiske og matematiske modeller og metoder basert på kontrollteori; "

instrumentelle metoder gjennomføre en strukturell analyse av en kompleks økonomisk prosess;

evnen til å modellere material-, penge- og informasjonsprosesser og -strømmer innenfor en enkelt modell, i en felles modelltid;

muligheten for å innføre et regime med konstant avklaring ved mottak av utdata (hovedfinansielle indikatorer, tids- og romkarakteristikker, risikoparametere

Og etc.) og gjennomføre et ekstremt eksperiment.

Historisk referanse. Simuleringsmodellering av økonomiske prosesser er en type økonomisk og matematisk modellering. Denne typen modellering er imidlertid i stor grad basert på datateknologi. Mange modelleringssystemer, ideologisk utviklet på 1970-1980-tallet, har gjennomgått evolusjon sammen med data utstyr og operativsystemer (for eksempel GPSS - General Purpose Simulation System) og brukes nå effektivt på nye dataplattformer. I tillegg på slutten av 1990-tallet. Fundamentalt nye modelleringssystemer dukket opp, hvis konsepter ikke kunne ha oppstått før - med bruk av datamaskiner og operativsystemer på 1970-1980-tallet.

1. Periode 1970-1980-tallet. T. Naylor var den første som brukte simuleringsmodelleringsmetoder for å analysere økonomiske prosesser. I to tiår har forsøkt å bruke denne typen modellering i realøkonomisk ledelse

prosesser var episodiske på grunn av kompleksiteten i å formalisere økonomiske prosesser:

i dataprogramvaren var det ingen formell språkstøtte for beskrivelsen av elementære prosesser og deres funksjoner i nodene til et komplekst stokastisk nettverk av økonomiske prosesser

Med tar hensyn til deres hierarkiske struktur;

Det var ingen formaliserte metoder for strukturell systemanalyse nødvendig for hierarkisk (flerlags) dekomponering av den virkelige simulerte prosessen til elementære komponenter i modellen.

De algoritmiske metodene som er foreslått i løpet av disse årene for simuleringsmodellering har blitt brukt sporadisk av følgende grunner:

de var arbeidskrevende for å lage modeller av komplekse prosesser (som krever svært betydelige programmeringskostnader);

ved modellering av enkle komponentprosesser var de dårligere matematiske løsninger i analytisk form, oppnådd ved metoder for køteori. Analytiske modeller var mye enklere å implementere i form av dataprogrammer.

Den algoritmiske tilnærmingen brukes fortsatt på noen universiteter for å studere det grunnleggende om modellering av elementer i økonomiske systemer.

Kompleksiteten til realøkonomiske prosesser og overfloden av motstridende forhold for eksistensen av disse prosessene (fra hundrevis til tusenvis) fører til følgende resultat. Hvis du bruker en algoritmisk tilnærming når du lager en simuleringsmodell ved bruk av konvensjonelle programmeringsspråk (BASIC, Fortran

Og osv.), så vil kompleksiteten og volumet til modelleringsprogrammer være veldig store, og logikken til modellen vil være for forvirrende. Å lage en slik simuleringsmodell krever en betydelig tidsperiode (noen ganger mange år). Derfor ble simuleringsmodellering hovedsakelig kun brukt i vitenskapelige aktiviteter.

Imidlertid på midten av 1970-tallet. De første ganske teknologisk avanserte simuleringsmodelleringsverktøyene dukket opp, med egne språkverktøy. Den kraftigste av dem er GPSS-systemet. Det gjorde det mulig å lage modeller av kontrollerte prosesser og objekter hovedsakelig for tekniske eller teknologiske formål.

2. Periode 1980-1990-tallet. Simuleringsmodelleringssystemer begynte å bli brukt mer aktivt på 80-tallet, da mer enn 20 forskjellige systemer ble brukt i forskjellige land. De vanligste systemene var GASP-IV, SIMULA-67, GPSS-V og SLAM-II, som imidlertid hadde mange ulemper.

GASP-IV-systemet ga brukeren et strukturert programmeringsspråk som ligner på Fortran, et sett med metoder for hendelsesbasert modellering av diskrete modellundersystemer og modellering av kontinuerlige undersystemer ved bruk av tilstandsvariable ligninger, og pseudo-tilfeldige tallsensorer.

SIMULA-67-systemet ligner i sine evner på GASP-IV, men gir brukeren et strukturert programmeringsspråk som ligner på ALGOL-60.

Effektiviteten til modellene laget ved hjelp av GASP-IV og SIMULA-67-systemene avhengte i stor grad av dyktigheten til modellutvikleren. For eksempel lå ansvaret for å lage uavhengige simulerte prosesser helt hos utvikleren, en spesialist med høy matematisk opplæring. Derfor ble dette systemet hovedsakelig bare brukt i vitenskapelige organisasjoner.

GASP-IV og SIMULA-67-systemene hadde ikke verktøy egnet for å simulere den romlige dynamikken til den modellerte prosessen.

GPSS-V-systemet ga brukeren en komplett informasjonsteknologi på høyt nivå for å lage simuleringsmodeller. Dette systemet har midler for en formalisert beskrivelse av parallelle diskrete prosesser i form av betingede grafiske bilder eller bruk av morsmålsoperatører. Prosesskoordinering utføres automatisk på en enkelt modelltid. Brukeren kan om nødvendig legge inn sine egne synkroniseringsregler for data. Det finnes verktøy for modellstyring, dynamisk feilsøking og automatisering av resultatbehandling. Imidlertid hadde dette systemet tre hovedulemper:

utvikleren kunne ikke inkludere kontinuerlige dynamiske komponenter i modellen, selv ved å bruke sine egne eksterne rutiner skrevet på PL/1, Fortran eller Assembly-språk;

det fantes ingen midler til å simulere romlige prosesser

systemet var rent fortolkende, noe som reduserte ytelsen til modellene betydelig.

• Emelyanov A.A., Vlasova E.A., Duma R.V. Simuleringsmodellering av økonomiske prosesser. M.: Finans og statistikk, 2002.
• Aleksandrovsky N.M., Egorov S.V., Kuzin R.E. Adaptive systemer for håndtering av komplekse teknologiske prosesser. M.: NRE, 1973.
• Buslenko N.P. Modellering av komplekse systemer. M.: Nauka, 1978.
• GOST 24.702? 85. Effektivitet av automatiserte kontrollsystemer. Grunnleggende bestemmelser. ? M.: Standards Publishing House, 1985.
• Emelyanov A.A., Vlasova E.A., Duma R.V. Simuleringsmodellering i økonomiske informasjonssystemer. Opplæringen. - M.: MESI, 1996.
• Emelyanov A.A. Teknikker for å utvikle og analysere administrerte programmer. M.: Forlag "AtomInform", 1984.
• Emelyanov A.A. Simuleringssystemer for diskrete og diskret-kontinuerlige prosesser (PILIGRIM). 10785338.00027-01 92 01-LU. Tver: Mobilitet, 1992.
• Lipaev V.V., Yashkov S.F. effektiviteten av metoder for å organisere databehandlingsprosessen til automatiserte kontrollsystemer. M.: Finans og statistikk, 1975.
• Nazin A.V., Poznyak A.S. Adaptivt utvalg av alternativer. M.: Nauka, 1986.
• Pritzker A. Introduksjon til simuleringsmodellering og SLAM-språket PM: Mir, 1987.
• Robert F.S. Diskrete matematiske modeller med anvendelser på sosiale biologiske og miljømessige problemer. M.: Nauka, 1986.
• Shannon R. Simuleringsmodellering av systemer: vitenskap og kunst. M.: Mir, 1978.
• Simuleringsmodellering av tilfeldige faktorer [Tekst]: metode. instruksjoner for praktisk opplæring i kurset "Simuleringsmodellering av økonomiske prosesser" / Voronezh. stat technol. akademisk; komp. A.S. Dubrovin, M.E. Semenov. Voronezh, 2005. 32 s.
• Afanasyev, M. Yu Forskning av operasjoner i økonomi: modeller, problemer, løsninger [Tekst]: lærebok. godtgjørelse / M. Yu Afanasyev, B. P. Suvorov. – M.: INFRA-M, 2003. – 444 s. (Serie. Høyere utdanning).
• Varfolomeev, V.I. Algoritmisk modellering av elementer i økonomiske systemer [Tekst]: workshop: lærebok. manual / V. I. Varfolomeev, S. V. Nazarov; Ed. S.V. Nazarova. – M.: Finans og statistikk, 2004. – 264 s.
• Emelyanov, A. A. Simuleringsmodellering i økonomiske informasjonssystemer [Tekst] / A. A. Emelyanov, E. A. Vlasova, R. V. Duma; Ed. A. A. Emelyanova. – M.: Finans og statistikk, 2002.
• Maksimey, I.V. Simuleringsmodellering på en datamaskin [Tekst] / I.V. – M.: Radio og kommunikasjon, 1988. – 232 s.
• Naylor, T. Maskinsimuleringseksperimenter med modeller av økonomiske systemer [Tekst] / T. Naylor. – M.: Mir, 1975.
• Fomin, G.P. Systemer og modeller for kø i kommersielle aktiviteter [Tekst]: lærebok. godtgjørelse / G. P. Fomin. – M.: Finans og statistikk, 2000.
• Buslenko, N. P. Modellering av komplekse systemer [Tekst] / N. P. Buslenko. – M.: Nauka, 1978.
• Novikov, O. A. Anvendte spørsmål om køteori [Tekst] / O. A. Novikov, S. I. Petukhov. – M.: Sovjetisk radio, 1969. – 400 s.
• Riordan, J. Probabilistiske køsystemer [Tekst] / J. Riordan. – M.: Kommunikasjon, 1966. – 184 s.
• Sovetov, B. Ya Modellering av systemer [Tekst]: lærebok for universiteter / B. Ya Sovetov, S. A. Yakovlev. – M.: forskerskolen, 1998.
• Shannon, R. Simuleringsmodellering av systemer - kunst og vitenskap [Tekst] / R. Shannon. – M.: Mir, 1978.
• Hemdi A. Taha Kapittel 18. Simuleringsmodellering // Introduction to Operations Research = Operations Research: An Introduction. - 7. utg. - M.: "Williams", 2007.
• Strogalev V.P., Tolkacheva I.O. - MSTU im. Bauman, 2008.
• Lowe A., Kelton V. Simuleringsmodellering. St. Petersburg: Forlag: Peter, 2004. – 848 s.

Simuleringsmodellering er en metode som lar deg bygge modeller som beskriver prosesser slik de ville forekomme i virkeligheten. En slik modell kan "spilles" over tid for både én test og et gitt sett av dem. I dette tilfellet vil resultatene bli bestemt av prosessenes tilfeldige natur. Fra disse dataene kan du få ganske stabil statistikk.

Relevansen til dette emnet ligger i det faktum at simuleringsmodellering på digitale datamaskiner er en av de kraftigste metodene for å studere, spesielt komplekse dynamiske systemer. Som all datamodellering gjør det det mulig å gjennomføre beregningseksperimenter med systemer som fortsatt er under utforming og å studere systemer som fullskalaeksperimenter, på grunn av sikkerhetshensyn eller høye kostnader, ikke er tilrådelig. Samtidig, på grunn av sin nærhet i form til fysisk modellering, er denne forskningsmetoden tilgjengelig for et bredere spekter av brukere.

Simuleringsmodellering er en forskningsmetode der systemet som studeres erstattes av en modell som beskriver det virkelige systemet med tilstrekkelig nøyaktighet og det utføres eksperimenter med det for å få informasjon om dette systemet.

Målene med å gjennomføre slike eksperimenter kan være svært forskjellige - fra å identifisere egenskapene og mønstrene til systemet som studeres til å løse spesifikke praktiske problemer. Med utviklingen av datateknologi og programvare har spekteret av simuleringsapplikasjoner innen økonomi utvidet seg betydelig. Foreløpig brukes det både til å løse problemer med intern styring og til å modellere ledelse på makroøkonomisk nivå. La oss vurdere hovedfordelene ved å bruke simuleringsmodellering i prosessen med problemløsning finansiell analyse.

I simuleringsprosessen tar forskeren for seg fire hovedelementer:

Ekte system;

Logisk-matematisk modell av det simulerte objektet;

Simulering (maskin) modell;

Datamaskinen som simuleringen utføres på er et rettet beregningseksperiment.

For å beskrive dynamikken til de simulerte prosessene i simulering, implementeres en mekanisme for å sette modelltiden. Disse mekanismene er innebygd i kontrollprogrammene til ethvert modelleringssystem.

Hvis oppførselen til en komponent av systemet ble simulert på en datamaskin, kunne utførelsen av handlinger i simuleringsmodellen utføres sekvensielt ved å beregne tidskoordinaten på nytt.

For å sikre simulering av parallelle hendelser i et reelt system, introduseres en viss global variabel (som sikrer synkronisering av alle hendelser i systemet) t0, som kalles modell (eller system) tid.

Det er to hovedmåter å endre t0:

Trinn-for-trinn (faste endringsintervaller brukes)

modelltid);

Hendelsesbasert (variable endringsintervaller brukes

modelltid, mens trinnstørrelsen måles etter intervallet

til neste arrangement).

Når trinn for trinn metode tiden går frem med minst mulig konstant trinnlengde (t-prinsippet). Disse algoritmene er ikke veldig effektive når det gjelder å bruke datamaskintid til implementeringen.

Hendelsesbasert metode (prinsippet om "spesielle stater"). I den endres tidskoordinatene bare når tilstanden til systemet endres. I hendelsesbaserte metoder er lengden på tidsforskyvningstrinnet maksimalt mulig. Modelltiden endres fra det gjeldende øyeblikket til det nærmeste øyeblikket for neste hendelse. Bruken av hendelse-for-hendelse-metoden er å foretrekke hvis frekvensen av forekomst av hendelser er lav, da vil en stor trinnlengde fremskynde fremdriften av modelltiden.

Når man løser mange problemer med finansiell analyse, brukes modeller som inneholder tilfeldige variabler, hvis oppførsel ikke kan kontrolleres av beslutningstakere. Slike modeller kalles stokastiske. Bruk av simulering gjør at man kan trekke konklusjoner om mulige resultater basert på sannsynlighetsfordelingene til tilfeldige faktorer (variabler). Stokastisk simulering kalles ofte Monte Carlo-metoden.

Fra alt det ovennevnte kan vi konkludere med at simulering lar oss ta hensyn til maksimalt mulig antall faktorer eksternt miljø for å støtte ledelsens beslutningstaking og er det kraftigste verktøyet for å analysere investeringsrisiko. Behovet for anvendelse i innenlandsk finansiell praksis skyldes det russiske markedets særegenheter, preget av subjektivitet, avhengighet av ikke-økonomiske faktorer og høy grad av usikkerhet.

Simuleringsresultatene kan suppleres med sannsynlighets- og statistiske analyser og generelt gi lederen den mest komplette informasjonen om graden av påvirkning av nøkkelfaktorer på forventede resultater og mulige scenarier utviklingen av hendelser.

Selv om klassiske optimaliseringsmetoder og matematiske programmeringsmetoder er kraftige analytiske verktøy, er antallet reelle problemer som kan formuleres på en måte som ikke er i konflikt med forutsetningene som ligger til grunn for disse metodene relativt lite. I denne forbindelse har analytiske modeller og først av alt, matematiske programmeringsmodeller ennå ikke blitt et praktisk verktøy for ledelsesaktiviteter.

Utviklingen av datateknologi har gitt opphav til en ny retning i studiet av komplekse prosesser - simuleringsmodellering. Simuleringsmetoder, som er en spesiell klasse matematiske modeller, er fundamentalt forskjellige fra analytiske ved at datamaskiner spiller en stor rolle i implementeringen av dem. Datamaskiner av tredje og enda mer fjerde generasjon har ikke bare kolossal hastighet og minne, men også utviklet eksterne enheter og avansert programvare. Alt dette gjør det mulig å effektivt organisere en dialog mellom menneske og maskin innenfor rammen av et simuleringssystem.

Ideen med simuleringsmodelleringsmetoden er at i stedet for en analytisk beskrivelse av forholdet mellom innganger, tilstander og utganger, bygges det en algoritme som viser sekvensen av utviklingen av prosesser i objektet som studeres, og deretter oppførselen til objektet "spilles ut" på en datamaskin. Det skal bemerkes at siden simulering ofte krever kraftige datamaskiner og store utvalg av statistiske data, er kostnadene forbundet med simulering nesten alltid høye sammenlignet med kostnadene som kreves for å løse problemet ved hjelp av en liten analytisk modell. Derfor bør kostnadene og tiden som kreves for simulering i alle tilfeller sammenlignes med verdien av informasjonen som forventes å innhentes.

Simuleringssystem – en beregningsprosedyre som formelt beskriver objektet som studeres og imiterer dets oppførsel. Når du kompilerer det, er det ikke nødvendig å forenkle beskrivelsen av fenomenet, noen ganger forkaste til og med essensielle detaljer for å presse det inn i rammen av en modell som er praktisk for bruk av visse kjente matematiske analysemetoder. Simuleringsmodellering er preget av etterligning av elementære fenomener som utgjør prosessen som studeres, og bevarer deres logiske struktur, hendelsesforløpet i tid, arten og sammensetningen av informasjon om prosessens tilstander. Modellen er logisk-matematisk (algoritmisk) i form.

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

Oppgaveklassen stiller visse krav til simuleringsmodellen. Så, for eksempel, i statisk simulering, gjentas beregningen flere ganger under forskjellige eksperimentelle forhold - en studie av atferd "i en viss kort periode." Dynamisk simulering simulerer oppførselen til et system "over en lengre periode" uten å endre forholdene. I stokastisk simulering er stokastiske variabler med kjente distribusjonslover inkludert i modellen; med deterministisk simulering er disse forstyrrelsene fraværende, dvs. deres innflytelse er ikke tatt i betraktning.

Prosedyren for å konstruere en simuleringsmodell og dens forskning tilsvarer generelt ordningen for å konstruere og forske på analytiske modeller. Imidlertid fører spesifikasjonene til simuleringsmodellering til en rekke spesifikke funksjoner i implementeringen av visse stadier. Litteraturen gir følgende liste over hovedstadiene i simuleringen:

Systemdefinisjon – Etablering av grenser, begrensninger og ytelsesmål for systemet som skal studeres.

Å formulere en modell er en overgang fra et reelt system til et eller annet logisk skjema (abstraksjon).

Dataforberedelse er utvalget av data som er nødvendig for å bygge en modell og presentere den i riktig form.

Modelloversettelse er en beskrivelse av modellen på språket som brukes på datamaskinen som brukes.

Tilstrekkelighetsvurdering er en økning til et akseptabelt nivå av graden av sikkerhet som man kan bedømme riktigheten av konklusjoner om et reelt system oppnådd basert på tilgang til modellen med.

Strategisk planlegging er planlegging av et eksperiment som skal gi nødvendig informasjon.

Taktisk planlegging - bestemme hvordan hver serie tester skal utføres i den eksperimentelle planen.

Eksperimentering er prosessen med å utføre simuleringer for å skaffe ønskede data og utføre sensitivitetsanalyser.

Tolkning - trekke konklusjoner fra data innhentet gjennom simulering.

Implementering – praktisk bruk av modellen og (eller) modelleringsresultater.

Dokumentasjon – registrere fremdriften til prosjektet og dets resultater, samt dokumentere prosessen med å lage og bruke modellen

Dokumentasjon er nært knyttet til implementering. Nøye og fullstendig dokumentasjon av utviklings- og eksperimenteringsprosessene med en modell kan øke dens levetid og sannsynligheten for vellykket implementering betydelig, letter modifikasjon av modellen og sikrer at den kan brukes selv om avdelingene som er involvert i utviklingen av modellen ikke lenger eksisterer, og kan hjelpe modellutvikleren til å lære av sine feil.

Som det fremgår av listen ovenfor, er stadiene av planlegging av eksperimenter på modellen spesielt fremhevet. Og dette er ikke overraskende. Tross alt er datasimulering et eksperiment. Analysen og søket etter optimale løsninger på algoritmiske modeller (og alle simuleringsmodeller tilhører denne klassen) utføres ved en eller annen metode for eksperimentell optimalisering på en datamaskin. Den eneste forskjellen mellom et simuleringseksperiment og et eksperiment med et virkelig objekt er at et simuleringseksperiment utføres med en modell av et virkelig system, og ikke med selve systemet.

Konseptet med en modelleringsalgoritme og formalisert

prosessdiagrammer

For å simulere en prosess på en datamaskin, er det nødvendig å transformere dens matematiske modell til en spesiell modelleringsalgoritme, i henhold til hvilken datamaskinen vil generere informasjon som beskriver de elementære fenomenene i prosessen som studeres, under hensyntagen til deres forbindelser og gjensidig påvirkning. En viss del av den sirkulerende informasjonen skrives ut og brukes til å bestemme de prosessegenskapene som må oppnås som et resultat av modellering (fig. 4.1).

Den sentrale koblingen til modelleringsalgoritmen er selve simuleringsmodellen - det genererte prosessdiagrammet. Et formalisert opplegg er en formell beskrivelse av prosedyren for funksjonen til et komplekst objekt i operasjonen som studeres og tillater eventuelle spesifiserte verdier av inngangsfaktorene til modellen (variabler - , deterministiske - , tilfeldig – ) beregn de tilsvarende numeriske verdiene for utdatakarakteristikkene
.

De resterende modellene (fig. 4.1) representerer ekstern matematisk støtte for simuleringsprosessen.

Inndatamodeller gir spesifikasjon av visse verdier av innsatsfaktorer. Statiske modeller av deterministiske innganger er elementære: de er matriser med konstante verdier som tilsvarer visse faktorer i modellen. Dynamiske inngangsmodeller gir endringer i verdiene til deterministiske faktorer over tid i henhold til en kjent lov
.

Tilfeldige inngangsmodeller (ellers kjent som tilfeldige tallsensorer) simulerer ankomsten til inngangen til objektet som studeres av tilfeldige påvirkninger med gitte (kjente) distribusjonslover
. Dynamiske modeller av tilfeldige innganger tar hensyn til at lovene for distribusjon av tilfeldige variabler er funksjoner av tid, dvs. for hver tidsperiode vil enten formen eller karakteristikken til fordelingsloven (for eksempel matematisk forventning, spredning osv.) være forskjellig.

Ris. 4.1. Struktur av modelleringsalgoritmen for en optimaliseringsmodell med tilfeldige faktorer

På grunn av det faktum at resultatet oppnådd ved å reprodusere en enkelt implementering på grunn av tilstedeværelsen av tilfeldige faktorer ikke kan karakterisere prosessen som studeres som helhet, er det nødvendig å analysere et stort antall slike implementeringer, siden først da, i henhold til loven store tall de resulterende estimatene oppnår statistisk stabilitet og kan aksepteres med en viss nøyaktighet som estimater av de søkte mengdene. Utdatamodellen gir akkumulering, akkumulering, prosessering og analyse av det resulterende settet med tilfeldige resultater. For å gjøre dette, brukes det til å organisere flere beregninger av verdiene av utgangsegenskaper ved konstante verdier av faktorer
Og forskjellige betydninger tilfeldige faktorer (i samsvar med de gitte distribusjonslovene) – "syklus i henhold til y" I denne forbindelse inkluderer utdatamodellen programmer for taktisk eksperimentplanlegging på en datamaskin - som bestemmer metoden for å utføre hver serie kjøringer som tilsvarer spesifikke verdier Og . I tillegg løser modellen problemet med å behandle tilfeldige verdier av utgangsegenskaper, som et resultat av at de blir "renset" fra påvirkning av tilfeldige faktorer og mates til input fra tilbakemeldingsmodellen, dvs. Utgangsmodellen implementerer reduksjonen av et stokastisk problem til et deterministisk ved å bruke metoden "gjennomsnitt over resultatet".

Tilbakemeldingsmodellen tillater, basert på analysen av de oppnådde modelleringsresultatene, å endre verdiene til kontrollvariabler, implementere funksjonen til strategisk planlegging av et simuleringseksperiment. Ved bruk av metoder fra teorien om optimal eksperimentell planlegging, er en av funksjonene til tilbakemeldingsmodellen å presentere simuleringsresultatene i analytisk form - å bestemme nivåene til responsfunksjonen (eller karakteristisk overflate). Under optimalisering beregner utgangsmodellen basert på verdiene til utgangskarakteristikkene??? objektiv funksjonsverdi
og ved å bruke en eller annen numerisk optimaliseringsmetode endrer du verdiene til kontrollvariablene for å velge verdiene som er best fra objektivfunksjonens synspunkt.

Prosedyre for å utvikle et formalisert prosessdiagram

Prosedyren for å utvikle et formalisert opplegg består i å strukturere objektet i moduler; velge et matematisk opplegg for en formalisert beskrivelse av driften av hver modul; generere input og output informasjon for hver modul; utvikling av et kontrollblokkdiagram av modellen for å vise interaksjonen mellom individuelle moduler i den.

Ved strukturering av et objekt deles et komplekst objekt inn i relativt autonome deler - moduler - og forbindelsene mellom dem er faste. Det er tilrådelig å strukturere et objekt under modellering på en slik måte at løsningen på et komplekst problem er delt inn i en rekke enklere basert på egenskapene til den matematiske beskrivelsen av individuelle moduler og den praktiske implementeringen av modellen på eksisterende datateknologi. i en gitt tid. Utvelgelsen av elementer (undersystemer av et objekt) fra objektet som studeres og deres kombinasjon til en relativt autonom blokk (modul) utføres på grunnlag av funksjonelle og informasjonsprosedyremodeller av objektet først når det er fastslått at det er fundamentalt mulig å konstruere matematiske forhold mellom parametrene til disse elementene og de mellomliggende eller utgående egenskapene til objektet. I denne forbindelse bestemmer hverken funksjonene eller inngangene og utgangene til individuelle reelle elementer nødvendigvis grensene til modulen, selv om dette generelt er de viktigste faktorene. Det resulterende opplegget for å strukturere et objekt kan justeres fra synspunktet av erfaring eller bekvemmeligheten av å overføre informasjon i en algoritme implementert på en datamaskin.

Deretter, for hver modul som tilsvarer den elementære prosessen som skjer i objektet, gjøres et omtrentlig valg av en matematisk beskrivelsesmetode, på grunnlag av hvilken den tilsvarende operasjonsmodellen vil bli bygget. Grunnlaget for valg av matematisk beskrivelsesmetode er kunnskap om den fysiske karakteren av funksjonen til elementet som beskrives og egenskapene til datamaskinen som simuleringen er planlagt på. Når du utvikler originale avhengigheter, spiller utviklerens praktiske erfaring, intuisjon og oppfinnsomhet en betydelig rolle.

For hver valgt modul bestemmes en liste over informasjon, både tilgjengelig og nødvendig for implementering av den foreslåtte metoden for matematisk beskrivelse av informasjon, dens kilder og mottakere.

Modulene er kombinert til en enkelt modell basert på operasjonsmodellene og informasjonsprosedyremodellene gitt i den innholdsmessige beskrivelsen av oppgaven. I praksis løses dette problemet ved å konstruere et kontrollblokkdiagram av modellen, som gir en ordnet sekvens av operasjoner knyttet til å løse problemet. I den er individuelle moduler utpekt av rektangler, inne i hvilke navnene på problemene som er løst i den er skrevet. På dette nivået viser flytskjemaet "hva som må gjøres", men uten noen detaljer, dvs. indikerer ikke "hvordan utføres". Løsningssekvensen og den gjensidige avhengigheten av individuelle elementære problemer er indikert med rettede piler, inkludert logiske forhold som bestemmer prosedyren for kontrolloverføringer. Et slikt flytskjema gjør det mulig å dekke hele prosessen i dens dynamikk og sammenkoblingen av individuelle fenomener, og er en arbeidsplan langs hvilken innsatsen til et team av utøvere er rettet mot å konstruere modellen som en helhet.

I prosessen med å konstruere et kontrollblokkdiagram, blir inngangene og utgangene til individuelle moduler koordinert med hverandre, informasjonskoblingen deres utføres ved å bruke det tidligere oppnådde treet med mål-parametere. Den praktiske metoden for å utforme et kontrollblokkdiagram følger direkte av formålet det er designet for, dvs. å tilstrekkelig fullstendig og tydelig forestille seg funksjonen til et virkelig komplekst system i alle de forskjellige interaksjonene av dets komponentfenomener. Det anbefales å registrere kontrollblokkdiagrammet i operatørform.

Etter å ha konstruert kontrollblokkdiagrammet, er innholdet i de enkelte modulene detaljert. Det detaljerte flytskjemaet inneholder avklaringer som ikke finnes i det generaliserte flytskjemaet. Den viser allerede ikke bare hva som skal gjøres, men også hvordan det skal gjøres, gir detaljerte og entydige instruksjoner om hvordan denne eller den prosedyren skal utføres, hvordan en prosess skal gjennomføres eller en gitt funksjon skal implementeres.

Når du konstruerer et formalisert diagram, bør følgende tas i betraktning. I enhver driftsmodell det kan være følgende prosesser: innhenting av informasjon som er nødvendig for ledelse, bevegelse, "produksjon", dvs. den viktigste simulerte prosessen og støtten (materiell og teknisk, energi, reparasjon, transport, etc.).

Å vurdere hele dette settet er en ekstremt vanskelig sak. Derfor, når du konstruerer en modell av et objekt, er det "produksjon", dvs. formålet med forskningsoppgaven er beskrevet ganske utførlig. For å ta hensyn til påvirkning av ikke-kjerneprosesser, er hovedprosessmodellen supplert med inputmodeller som simulerer påvirkningen av prosessene med bevegelse, støtte, etc., og ulike tilfeldige faktorer på prosessen som studeres. Utdataene til disse ganske enkle modellene er verdiene til miljøegenskapene, som er inputene til "produksjons"-modellen.

Dermed inneholder det resulterende formaliserte diagrammet et kontrollblokkdiagram over prosessen, en beskrivelse av hver modul (navnet på det elementære problemet som løses, matematisk metode beskrivelser, sammensetning av input- og outputinformasjon, numeriske data), beskrivelse av reglene for overføring av kontroll fra en modul til en annen og den endelige listen over søkte mengder og studerte avhengigheter. Det formaliserte prosessdiagrammet tjener som grunnlag for videre formalisering av simuleringsmodellen og kompilering av et databeregningsprogram som lar en beregne verdiene til utdatakarakteristikkene til objektet for alle gitte verdier av de kontrollerte parameterne, opprinnelige forhold og egenskaper ved miljøet.

Prinsipper for å konstruere simuleringsmodeller

algoritmer

En simuleringsmodell er som regel en dynamisk modell som gjenspeiler sekvensen av elementære prosesser og interaksjonen mellom individuelle elementer langs "modellens" tidsakse t M .

Prosessen med å fungere til et objekt over en viss tidsperiode T kan representeres som en tilfeldig sekvens av diskrete øyeblikk i tid . I hvert av disse øyeblikkene skjer det endringer i tilstandene til objektets elementer, og i intervallet mellom dem skjer ingen endringer i tilstanden.

Når du konstruerer et formalisert prosessdiagram, må følgende gjentakende regel oppfylles: en hendelse som inntreffer på et tidspunkt , kan bare simuleres etter at alle hendelser som skjedde i øyeblikket er simulert . Ellers kan simuleringsresultatet være feil.

Denne regelen kan implementeres på ulike måter.

1. Tidsbasert modellering med et deterministisk trinn («prinsipp
") i tidsbasert modellering med et deterministisk trinn, ser algoritmen samtidig på alle elementene i systemet med tilstrekkelig små tidsintervaller (simuleringstrinn) og analyserer alle mulige interaksjoner mellom elementene. For å gjøre dette bestemmes minimumstidsintervallet hvor tilstanden til ingen av systemelementene kan endres; detaljert verdi
er tatt som et modelleringstrinn.

Modelleringsmetoden med et deterministisk trinn består av et sett med gjentatte gjentatte handlinger:

"Prinsipp
"er det mest universelle prinsippet for å konstruere modelleringsalgoritmer, som dekker en veldig bred klasse av virkelige komplekse objekter og deres elementer av diskret og kontinuerlig natur. Samtidig er dette prinsippet veldig uøkonomisk sett fra datamaskinens tidsforbruk - i en lang periode kan ingen av elementene i systemet endre tilstanden, og kjøringer av modellen vil være forgjeves.

2. Moderne modellering med et tilfeldig trinn (simulering basert på "spesielle" tilstander). Når man vurderer de fleste komplekse systemer, kan man finne to typer systemtilstander: 1) ordinære (ikke-spesielle) tilstander der systemet befinner seg mesteparten av tiden, og 2) spesielle tilstander som er karakteristiske for systemet på noen tidspunkter, sammenfallende med øyeblikkene for input til systemet av påvirkninger fra miljøet, utgangen av en av egenskapene til systemet til grensen for eksistensdomenet, etc. For eksempel fungerer en maskin - en normal tilstand, en maskin er ødelagt - en spesiell tilstand. Enhver brå endring i tilstanden til et objekt kan betraktes under modellering som en overgang til en ny "spesiell" tilstand.

Tidsbasert modellering med et tilfeldig trinn (fra hendelse til hendelse) er at modelleringsalgoritmen undersøker modeller av systemelementer kun på slike tidspunkt når tilstanden til systemet som studeres endres. På de tidspunktene når modellen til et hvilket som helst element i systemet må endre tilstand, inspiseres modellen til dette spesielle elementet, og under hensyntagen til elementenes innbyrdes forhold, justeres tilstanden til modellen til hele systemet. Trinns varighet
– tilfeldig verdi. Denne metoden skiller seg fra "prinsippet
» ved at den inkluderer en prosedyre for å bestemme tidspunktet som tilsvarer den nærmeste spesielle tilstanden basert på de kjente egenskapene til tidligere tilstander.

3. Påføringsmetode. Når du modellerer behandlingen av sekvensielle forespørsler, er det noen ganger praktisk å bygge modelleringsalgoritmer på en forespørsel-for-forespørsel-måte, der passeringen av hver forespørsel (del, informasjonsbærer) spores fra dens inntreden i systemet til dens utgang fra systemet. Etter dette sørger algoritmen for overgang til behandling av neste applikasjon. Denne typen modelleringsalgoritmer er svært økonomiske og krever ikke spesielle tiltak for å ta hensyn til spesielle tilstander i systemet. Denne metoden kan imidlertid bare brukes i enkle modeller i tilfeller av påfølgende søknader som ikke ligger foran hverandre, pga ellers blir det svært vanskelig å ta hensyn til samspillet mellom forespørsler som kommer inn i systemet.

Modelleringsalgoritmer kan bygges på flere prinsipper samtidig. For eksempel, generell struktur Modelleringsalgoritmen er basert på prinsippet om spesielle tilstander, og mellom spesialtilstander implementeres en per-applikasjonsmetode for alle applikasjoner.

Strukturen til modelleringsalgoritmen, som praksis viser, har spesifikasjoner knyttet til smale klasser av spesifikke typer systemer og problemer som modellen er ment for.

Hvis 1 time er valgt og skalaen er satt til 7200, vil modellen kjøre langsommere enn den virkelige prosessen. Dessuten vil 1 time av en reell prosess simuleres på en datamaskin i 2 timer, dvs. ca 2 ganger langsommere. Den relative skalaen i dette tilfellet er 2:1

(se tidsskala).

Simuleringsmodell(simuleringsmodell) er en spesiell programvarepakke som lar deg simulere aktiviteten til ethvert komplekst objekt. Den lanserer parallelle interagerende beregningsprosesser i datamaskinen, som i sine tidsparametere (nøyaktige i forhold til tids- og romskalaer), er analoger av prosessene som studeres. I land som inntar en ledende posisjon i etableringen av nye datasystemer og teknologier, er den vitenskapelige retningen til informatikk orientert nettopp mot denne tolkningen av simuleringsmodellering, og masterprogrammer på dette området har en tilsvarende akademisk disiplin.

Simuleringsmodellering(simulering) er en vanlig type analog simulering, implementert ved hjelp av et sett med matematiske verktøy, spesielle simuleringsdataprogrammer og programmeringsteknologier som gjør det mulig å gjennomføre en målrettet studie av strukturen og funksjonene til en virkelig kompleks prosess i datamaskinen. minne i "simuleringsmodus", optimalisere noen av parameterne.

Simulering (datamaskin) modellering av økonomiske prosesser - vanligvis brukt i to tilfeller:

1) å administrere en kompleks forretningsprosess, når en simuleringsmodell av en administrert økonomisk enhet brukes som et verktøy i konturen av et adaptivt styringssystem opprettet på grunnlag av informasjonsteknologi (datamaskin);

2) når du utfører eksperimenter med diskrete kontinuerlige modeller av komplekse økonomiske objekter for å oppnå og "observere" deres dynamikk i nødssituasjoner forbundet med risiko, hvis naturlige modellering er uønsket eller umulig.

Ventil som blokkerer veien til transaksjoner - type node for simuleringsmodellen. Den heter nøkkel. Hvis ventilen påvirkes av holdesignalet fra noen node, stenger ventilen og transaksjoner kan ikke passere gjennom den. Et rels-signal fra en annen node åpner ventilen.

Kollektiv styring av modelleringsprosessen - spesiell type eksperimentere med en simuleringsmodell brukt i forretningsspill og i utdanning og opplæring selskaper

Datamodellering simuleringsmodellering.

Maksimal akselerert tidsskala - skala spesifisert med tallet "null". Simuleringstiden bestemmes av den rene prosessorkjøringen til modellen. Den relative skalaen i dette tilfellet har en svært liten verdi; det er nesten umulig å fastslå(se tidsskala).

Tidsskala er et tall som spesifiserer varigheten av simuleringen av én enhet modelltid, omregnet til sekunder, i sekunder av astronomisk sanntid når modellen utføres. Den relative tidsskalaen er en brøkdel som viser hvor mange enheter modelltid som passer inn i én enhet prosessortid når du utfører modellen i en datamaskin.

Forvalter (eller leder) av ressurser - type node for simuleringsmodellen. Den heter administrere. Kontrollerer driften av festetypenoder. For at modellen skal fungere riktig, er det nok å ha en nodemanager: den vil betjene alle varehus uten å krenke modellens logikk. For å skille statistikk for ulike lagre med transporterte ressurser kan du bruke flere ledernoder.

Monte Carlo-metoden er en metode for statistiske tester utført ved hjelp av en datamaskin og programmer - sensorer av pseudo-tilfeldige verdier. Noen ganger blir navnet på denne metoden feilaktig brukt som et synonym simuleringsmodellering.

Simuleringssystem (simuleringssystem - simuleringssystem) er en spesiell programvare designet for å lage simuleringsmodeller og har følgende egenskaper:

muligheten for å bruke simuleringsprogrammer i forbindelse med spesielleøkonomiske og matematiske modeller og metoder basert på ledelsesteori;

instrumentelle metoder for å utføre strukturell analyse av en kompleks økonomisk prosess;

evnen til å modellere material-, penge- og informasjonsprosesser og -strømmer innenfor en enkelt modell, i en felles modelltid;

muligheten for å innføre et regime med konstant avklaring når man mottar utdata (hovedindikatorer, tid og romlige egenskaper, risikoparametere, etc.) og utfører et ekstremt eksperiment.

Normal lov- loven om fordeling av tilfeldige variabler, som har en symmetrisk form (Gauss-funksjon). I simuleringsmodeller av økonomiske prosesser brukes det til å modellere komplekst flertrinnsarbeid.

Generaliserte Erlangs lov- loven om fordeling av tilfeldige variabler, som har en asymmetrisk form. Inntar en mellomposisjon mellom eksponentiell og normal. I simuleringsmodeller av økonomiske prosesser brukes den til å modellere komplekse gruppestrømmer av applikasjoner (krav, bestillinger).

Kø (med eller uten relative prioriteringer) - type node for simuleringsmodellen. Det kalles kø. Hvis det ikke tas hensyn til prioriteringer, blir transaksjoner bestilt i køen i den rekkefølgen de ble mottatt. Når prioriteringer tas i betraktning, havner ikke transaksjonen i "halen" av køen, men på slutten av dens prioriterte gruppe. Når prioriterte grupper er sortert fra "hodet" i køen til "halen" i rekkefølge med synkende prioritet. Hvis en transaksjon kommer inn i køen og ikke har sin egen prioritetsgruppe, vil en gruppe med den prioriteten umiddelbart vises: den vil inneholde en nylig ankommet transaksjon.

Plassbasert prioritetskø - type node for simuleringsmodellen. Det kalles dynam. Transaksjoner som faller inn i en slik kø er knyttet til punkter i rommet. Køen betjenes av en spesiell rgos-enhet som opererer i romlig bevegelsesmodus. Poenget med å betjene transaksjoner: det er nødvendig å besøke alle punkter i rommet som transaksjoner er koblet til (eller som de kom fra). Når hver ny transaksjon kommer, hvis den ikke er den eneste i køen, blir køen omorganisert på en slik måte at den totale banen til besøkspunkter er minimal (man bør ikke anta at dette løser "reisende selgerproblemet"). . Den vurderte regelen for driften av dynamnoden kalles "førstehjelpsalgoritmen" i litteraturen.

Gratis strukturell node - type node for simuleringsmodellen. Har navnet nede. Nødvendig for å forenkle et veldig komplekst lag av modellen - å "nøste opp" en forvirrende krets plassert på ett lag, i to ulike nivåer(eller lag).

Proporsjonalt akselerert tidsskala - skala gitt av et tall uttrykt i sekunder. Dette tallet er mindre enn den valgte modellens tidsenhet. Hvis du for eksempel velger 1 time som enhet for modelltid, og setter tallet 0,1 som skala, vil modellen kjøre raskere enn den virkelige prosessen. Dessuten vil 1 time av en reell prosess simuleres på en datamaskin i 0,1 s (tar hensyn til feil), dvs. omtrent 36 000 ganger raskere. Den relative skalaen er 1:36 000(se tidsskala).

Romlig dynamikk- en type dynamikk i prosessutvikling som lar en observere romlige bevegelser av ressurser over tid. Det studeres i simuleringsmodeller av økonomiske (logistikk) prosesser, samt transportsystemer.

Rom er et modellobjekt som simulerer geografisk rom (jordens overflate), et kartesisk plan (du kan gå inn i andre). Noder, transaksjoner og ressurser kan knyttes til punkter i rommet eller migrere innenfor det.

Ensartet lov- loven om fordeling av tilfeldige variabler, som har en symmetrisk form (rektangel). I simuleringsmodeller av økonomiske prosesser brukes det noen ganger til å modellere enkelt (entrinns) arbeid i militære anliggender, for å modellere tiden det tar for enheter å reise, tiden til å grave skyttergraver og bygge festningsverk.

Økonomisjef- type node for simuleringsmodellen "regnskapssjef". Det kalles direkte. Styrer driften av sendetypenoder. For at modellen skal fungere riktig, er én direkte node nok: den vil betjene alle kontoer uten å bryte modellens logikk. For å skille statistikk for ulike deler av den modellerte regnskapsavdelingen kan du bruke flere direkte noder.

Sanntid- skala spesifisert med et tall uttrykt i sekunder. For eksempel, hvis du velger 1 time som enhet for modelltid, og setter tallet 3600 som skala, vil modellen bli utført med hastigheten til den virkelige prosessen, og tidsintervallene mellom hendelser i modellen vil være like til tidsintervallene mellom virkelige hendelser i det simulerte objektet (med nøyaktighet opp til korrigeringer for feil ved spesifikasjon av de første dataene). Den relative tidsskalaen i dette tilfellet er 1:1 (se tidsskala).

En ressurs er et typisk objekt for en simuleringsmodell. Uavhengig av dens natur, kan den under modelleringsprosessen karakteriseres av tre generelle parametere: kapasitet, rest og underskudd. Ressurstyper: materiale (basert, transportabelt), informasjonsmessig og økonomisk.

Et signal er en spesiell funksjon utført av en transaksjon plassert i en node i forhold til en annen node for å endre driftsmodusen til sistnevnte.

Simuleringssystem - noen ganger brukt som en analog av begrepetmodelleringssystem(ikke en veldig vellykket oversettelse til russisk av begrepet simuleringssystem).

Lager av transportable ressurser- type node for simuleringsmodellen. Det kalles vedlegg. Representerer lagring av et hvilket som helst antall

kvaliteten på samme type ressurs. Ressursenheter i nødvendig mengde allokeres til transaksjoner som ankommer vedleggsnoden dersom saldoen tillater slik service. Ellers oppstår det en kø. Transaksjoner som mottar ressursenheter migrerer langs grafen sammen med dem og returnerer dem etter behov på forskjellige måter: enten samlet, eller i små grupper, eller i bulk. Riktig drift av lageret sikres av en spesiell enhet - lederen.

En hendelse er et dynamisk modellobjekt som representerer det faktum at en transaksjon går ut av en node. Hendelser inntreffer alltid på bestemte tidspunkter. De kan også kobles til et punkt i rommet. Intervallene mellom to nabohendelser i modellen er som regel tilfeldige variabler. Det er praktisk talt umulig for modellutvikleren å kontrollere hendelser manuelt (for eksempel fra et program). Derfor er hendelsesstyringsfunksjonen gitt til et spesielt kontrollprogram - en koordinator, som automatisk integreres i modellen.

Prosessstrukturanalyse- formalisering av strukturen til en kompleks reell prosess ved å dekomponere den til delprosesser som utfører visse funksjoner og har gjensidige funksjonelle forbindelser i henhold til legenden utviklet av den arbeidende ekspertgruppen. De identifiserte delprosessene kan på sin side deles inn i andre funksjonelle delprosesser. Strukturen til den generelle modellerte prosessen kan representeres i form av en graf med en hierarkisk flerlagsstruktur. Som et resultat vises et formalisert bilde av simuleringsmodellen i grafisk form.

Strukturell ressursallokeringsenhet - type node for simuleringsmodellen. Det kalles husleie. Designet for å forenkle den delen av simuleringsmodellen som er knyttet til driften av lageret. Lagerdriften simuleres vha separate strukturer nom laget av modellen. Anrop til dette laget i de nødvendige inngangene skjer fra andre lag fra leienoden uten å slå dem sammen.

Strukturell enhet for finansielle og økonomiske betalinger - type node for simuleringsmodellen. Det kalles lønn. Designet for å forenkle den delen av simuleringsmodellen som er knyttet til arbeidet til regnskapsavdelingen. Regnskapsavdelingens arbeid er modellert på et eget strukturelt lag av modellen. Anrop til dette laget til de nødvendige inngangene skjer fra andre lag fra betalingsnoden, uten å kombinere disse lagene.

Regnskapskonto- type node for simuleringsmodellen. Det kalles send. Transaksjonen som går inn i en slik node er en forespørsel om å overføre penger fra konto til konto eller til regnskapsføring. Riktigheten av å jobbe med regnskap er regulert av en spesiell

direkte node, som simulerer arbeidet til regnskapsavdelingen. Hvis pengesaldoen i sendenoden er tilstrekkelig til å overføre til en annen konto, utføres overføringen. Ellers dannes en kø med ubetjente transaksjoner i sendenoden.

Terminator er en type node i simuleringsmodellen. Den har navnebegrepet. En transaksjon som går inn i terminatoren blir ødelagt. Terminatoren registrerer transaksjonens levetid.

En transaksjon er et dynamisk objekt i en simuleringsmodell som representerer en formell forespørsel om en tjeneste. I motsetning til vanlige forespørsler, som vurderes når man analyserer kømodeller, har den et sett med dynamisk skiftende spesielle egenskaper og parametere. Migrasjonsveiene til transaksjoner langs modellgrafen bestemmes av logikken til funksjonen til modellkomponentene i nettverksnodene.

Trekantlov- loven om fordeling av tilfeldige variabler, som har en symmetrisk form (likebenet trekant) eller ikke-symmetrisk form (en generell trekant). I simuleringsmodeller av informasjonsprosesser brukes det noen ganger til å modellere tilgangstiden til databaser.

Tjenestenode med mange parallelle kanaler - type node for simuleringsmodellen. Den heter serv. Tjenesten kan være i den rekkefølgen en transaksjon kommer inn i den gratis kanalen eller i henhold til regelen om absolutte prioriteter (med avbrudd av tjenesten).

Noder er objekter i simuleringsmodellen som representerer transaksjonsservicesentre i grafen til simuleringsmodellen (men ikke nødvendigvis i kø). Ved noder kan transaksjoner forsinkes, betjenes, generere familier av nye transaksjoner og ødelegge andre transaksjoner. En uavhengig prosess blir skapt ved hver node. Databehandlingsprosesser går parallelt og koordinerer hverandre. De utføres i en enkelt modelltid, i ett rom, og tar hensyn til tidsmessig, romlig og økonomisk dynamikk.

Administrert transaksjonsgenerator (eller multiplikator) - type node for simuleringsmodellen. Har navnet opprettet. Lar deg opprette nye transaksjonsfamilier.

Kontrollert prosess (kontinuerlig eller romlig) - type node for simuleringsmodellen. Den har navnet rgos. Denne noden opererer i tre gjensidig utelukkende moduser:

modellering av en kontrollert kontinuerlig prosess (f.eks.

i reaktoren);

tilgang til operasjonelle informasjonsressurser;

romlige bevegelser (for eksempel et helikopter).

Administrert transaksjonsterminator - type simuleringsnode

modeller. Det kalles slett. Den ødelegger (eller absorberer) et spesifisert antall transaksjoner som tilhører en bestemt familie. Kravet til en slik handling er inneholdt i ødeleggelsestransaksjonen mottatt ved inngangen til slettenoden. Den venter på at transaksjoner fra den angitte familien kommer til noden og ødelegger dem. Etter absorpsjon forlater den destruktive transaksjonen noden.

Finansiell dynamikk- en type dynamikk i utviklingen av en prosess som lar en observere endringer i ressurser, midler og hovedresultatene av aktiviteten til en økonomisk enhet over tid, og parametrene måles i monetære enheter. Det studeres i simuleringsmodeller av økonomiske prosesser.

Den eksponentielle loven er loven om fordelingen av tilfeldige variabler, som har et klart asymmetrisk utseende (råtnende eksponentiell). I simuleringsmodeller av økonomiske prosesser brukes den til å modellere intervallene for mottak av bestillinger (applikasjoner) som kommer til selskapet fra en rekke markedskunder. I pålitelighetsteori brukes den til å modellere tidsintervallet mellom to påfølgende feil. I kommunikasjon og informatikk - for modellering av informasjonsstrømmer (Poisson-strømmer).

LITTERATUR

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

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

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

4. Varfolomeev V.I. Algoritmisk modellering av elementer i økonomiske systemer. - M.: Finans og statistikk, 2000. - 208 s.

5. Gadzhinsky A. M. Workshop om logistikk. - M.: Markedsføring, 2001.-180 s.

b. Dijkstra E. Interaksjon av sekvensielle prosesser // Programmeringsspråk / 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 statistikk, 2000. - 352 s.

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

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

10. Emelyanov A.A., Moshkina N.L., Snykov V.P.Automatisert sammenstilling av driftsplaner for kartlegging av områder med ekstremt høy forurensning // Jordforurensning og tilstøtende miljøer. W.T. 7. - St. Petersburg: Gidrometeoizdat, 1991. - P. 46-57.

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

12. KleinrockL. Kommunikasjonsnettverk. Stokastiske flyter og meldingsforsinkelser. - M.: Nauka, 1970. - 255 s.

13. Sztuglinski D, Wingo S, Shepherd J.Microsoft visuell programmering S-n- 6.0 for profesjonelle. - St. Petersburg: Peter, russisk utgave, 2001. - 864 s.

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

15. Nalimov V. D., Chernova I. A. Statistiske metoder for planlegging av ekstreme eksperimenter. - M.: Nauka, 1965. - 366 s.

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

17. Oykhman E. G., Popov E. V. Business reengineering. - M.: Finans og statistikk, 1997. - 336 s.

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

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

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

21. Chicherin I. N. Kostnader for leierettigheter tomt og interaksjon med investorer // Økonomiske informasjonssystemer på terskelen til det 21. århundre. - M.: Forlag MESI, 1999. - S. 229232.

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

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

Kapittel 1 TEORETISK GRUNNLAG FOR SIMULERING

1.3. Bruke lovene for distribusjon av tilfeldige variabler ved simulering av økonomisk