Страница 2 из 4
Моделирование – не идеальное лекарство, которое работает в каждом случае, помогая устранить любой риск от принятия решений в условиях неопределенности.
Можно отметить следующие слабые стороны имитационного моделирования:
1. Относительно большие финансовые затраты. Создание компьютерной модели часто может быть достаточно дорогостоящим методом анализа систем. Хотя сейчас доступны относительно недорогие программные пакеты для имитационного моделирования, большинство проектов моделирования сложных систем связаны с большими инвестициями в обучение персонала, приобретение программного обеспечения, совершенствование аппаратного обеспечения и т.п.
2. Большие временны́е затраты. Моделирование не всегда позволяет получить быстрые ответы на вопросы. В большинстве случаев этапы имитационного моделирования, такие как сбор данных, разработка модели, анализ результатов моделирования и создание отчетов, потребуют значительных затрат времени. Процесс моделирования можно ускорить двумя основными способами: уменьшение детализации модели и использование общей библиотеки кода (шаблонов). Снижая уровень детализации, ответы на общие вопросы можно получить гораздо быстрее. Однако при использовании этого подхода следует соблюдать осторожность. Устранение ключевых деталей может серьезно повлиять на качество модели. В ситуациях, когда будет выполняться много подобных проектов моделирования, может быть создана общая библиотека кода. Этот повторно используемый ресурс позволит не изобретать заново колесо для реализации каждого нового проекта моделирования.
3. Часто дает только приблизительные ответы. Моделирование дискретных событий основывается на использовании генераторов случайных чисел для обеспечения работы модели. Поскольку на входе имеем случайный элемент, некоторая неопределенность также будет связана с выходом модели. Для получения значимых результатов нужно будет использовать методы статистики, как инструмент для интерпретации результатов. Все выходы имитационной модели являются только оценками истинного поведения системы. Важно признать этот факт и трактовать результаты моделирования как приблизительные, и использовать статистическое тестирование для получения адекватных выводов.
4. Не всегда можно проверить модель на адекватность. Процесс проверки на адекватность позволяет сделать вывод, что компьютерная модель довольно точно представляет реальную систему. Когда система еще не существует, это может стать серьезной проблемой.
5. Излишнее доверие. Еще одна проблема, которая может возникнуть в ходе имитационного моделирования, – это стремление пользователей воспринимать результаты моделирования как истину в последней инстанции. Моделирование – это инструмент, используемый людьми, подверженный любым ошибкам, которые может совершить человек. Отчеты о результатах должны всегда подвергаться строгому контролю со стороны конечного пользователя. Следует использовать не только статистическое тестирование, но и здравый смысл в качестве механизма для принятия окончательного решения. Если выходные данные не соответствуют ожиданиям экспертов и здравому смыслу, их нужно проанализировать более внимательно.
Обычно для изучения инженерной и бизнес-среды используются несколько видов имитационного моделирования (ИМ). К ним относятся: непрерывное ИМ, метод Монте-Карло, дискретно-событийное ИМ и агентное моделирование.
Непрерывное имитационное моделирование связано с использованием набора уравнений, представляющих реальную систему непрерывно с течением времени. Эта система может состоять из алгебраических уравнений, теоретико-игровых моделей, статистических или дифференциальных уравнений, настроенных таким образом, чтобы непрерывно меняться. Примером непрерывного моделирования является модель системы газопровода.
Другим примером непрерывного моделирования является модель конкуренции между двумя популяциями. Биологические модели этого типа известны как модель «хищник – жертва». Окружающая среда состоит из двух популяций, которые взаимодействуют друг с другом. Хищники зависят от добычи как источника питания. Если количество хищников растет слишком быстро, то добыча будет уменьшаться, хищники будут голодать – их количество станет уменьшаться. Если количество хищников уменьшится, число потенциальных жертв увеличится и т.д. Эта взаимосвязь может быть проанализирована с помощью непрерывного моделирования с использованием частных производных.
Рост населения страны, рост городов, предсказание возникновения ураганов, прогнозирование погоды, распространение инфекционных заболеваний – все это примеры систем, которые являются подходящими кандидатами для разработки непрерывных имитационных моделей. Термин «системная динамика», впервые использованный Джеем Форрестером в 1950-х годах, также используется для описания непрерывного имитационного моделирования. Системная динамика описывает поведение системы через анализ взаимосвязанных, взаимодействующих циклов обратной связи, каждый из которых может прямо или косвенно воздействовать на другие циклы.
Непрерывное моделирование обычно разрабатывается с использованием специального математического программного обеспечения, такого как MATLAB или Mathematica, специализированного программного обеспечения для моделирования, такого как Simulink, или разрабатывается с использованием традиционных языков программирования, таких как Visual Basic или C++.
Название города Монте-Карло вызывает мысли об азартных играх, шансах на выигрыш. Джон фон Нейман использовал кодовое название «Монте-Карло» для своих экспериментов, основанных на использовании случайных чисел и проведенных в г. Лос-Аламос (США) во время первых исследований по созданию атомной бомбы. Название стало популярным и теперь используется для представления имитаций, которые являются схемой, использующей случайные числа, которая используется для решения определенных стохастических или детерминированных проблем, когда течение времени не играет никакой роли.
Последняя часть этого определения (течение времени не играет никакой роли) отличает метод Монте-Карло от дискретного моделирования событий. Метод Монте-Карло обычно удаляет время из модели, в то время как моделирование дискретных событий основано на учете фактора времени.
Моделирование дискретных событий характеризуется наличием в модели блоков времени, в течение которых ничего не происходит, а затем каждый блок времени заканчивается событием, которое изменяет состояние системы. Примером, иллюстрирующим дискретное моделирование, является простая очередь у банкомата, состоящая из клиентов банка. Клиенты прибывают, ждут обслуживания, если банкомат занят, получают обслуживание и затем уходят.
Агентно-ориентированное моделирование рассматривает одновременное взаимодействие нескольких агентов для имитации, воссоздания, изучения и прогнозирования сложных явлений. Концепция агентно-ориентированного моделирования заключается в том, что общее поведение системы возникает при взаимодействии отдельных агентов на микроуровне. Индивидуальные агенты моделируются в соответствии со своими индивидуальными характеристиками и обычно считаются рациональными, действующими в своих собственных интересах, которые могут быть экономическими или социальными. Модель использует локальную эвристику и простые правила принятия решений, которые вместе создают общую большую среду.
Большинство агентных моделей имеют следующие элементы:
1) множественные агенты, смоделированные и масштабированные с различными уровнями детализации;
2) эвристика и правила принятия решений;
3) адаптивное поведение или обучение;
4) правила взаимодействия или топология;