Подготовка исходных данных. Сбор фактических данных. При создании концептуальной модели выявляются качественные (функциональные) и количественные параметры объекта и внешних воздействий

Сбор фактических данных. При создании концептуальной модели выявляются качественные (функциональные) и количественные параметры объекта и внешних воздействий X. Для количественных параметров необходимо определить их конкретные значения, которые будут использованы в виде исходных данных при моделировании. Достоверность результатов моделирования однозначно зависит от точности и полноты исходных данных.

Сбор исходных данных осложняется по следующим причинам:

- значения параметров могут быть не только детерминированными, но и стохастическими;

- не все параметры оказываются стационарными, особенно это относится к параметрам внешних воздействий;

- всегда идет речь о моделировании несуществующей (проектируемой, модернизируемой) системы или системы, которая должна функционировать в новых условиях.

Большая часть параметров – это случайные величины по своей природе. В целях упрощения модели многие из них представляются детерминированными средними значениями. Это можно делать, если случайная величина имеет небольшой разброс, или в случае, когда для достижения цели моделирования достаточно вести расчет по средним значениям. Подмена в расчетах случайных значений параметров детерминированными величинами может привести к погрешностям моделирования. Под воздействием случайных факторов результаты функционирования системы не только подвергаются рассеиванию, но могут также получить смещение своих средних значений.

При создании модели может иметь место и обратное явление – детерминированные параметры представляются случайной величиной. Делается это при интеграции элементов системы или внешних воздействий с целью сокращения размерности модели. Для моделирования многократного выполнения программы можно задать всю совокупность количеств данных или подменить это множество значений случайной величиной с определенным законом распределения.

Подбор закона распределения. Для случайных параметров организуется сбор статистики и последующая ее обработка. В процессе обработки выявляется возможность представления параметра некоторым теоретическим законом распределения. Это необходимо в связи с тем, что при определенных законах распределения основных параметров системы и нагрузки появляется возможность создания аналитической модели, а при имитационном моделировании может оказаться проще задать вид закона распределения и основные статистические характеристики, чем использовать различные способы моделирования случайных величин.

Процедура подбора вида закона распределения заключается в следующем. По совокупности численных значений параметра строится гистограмма относительных частот (эмпирическая плотность распределения). Гистограмма аппроксимируется плавной кривой. Полученная кривая последовательно сравнивается с кривыми плотности распределения различных теоретических законов распределения. Выбирается один из законов по наилучшему совпадению вида сравниваемых кривых. По эмпирическим значениям вычисляют параметры этого распределения. Затем выполняют количественную оценку степени совпадения эмпирического и теоретического распределения по тому или другому критерию согласия, например, Пирсона (хи-квадрат), Колмогорова, Смирнова, Фишера или Стьюдента.

Особую сложность представляет сбор данных по случайным параметрам, которые являются функциями времени. В первую очередь такие параметры характерны для внешних воздействий. Пренебрежение фактами нестационарности параметров приводит к существенным нарушениям адекватности модели.

Аппроксимация функций. Для каждого элемента системы существует функциональная связь между параметрами входных воздействий на этот элемент и его выходными характеристиками. Вид функциональной зависимости для одних элементов очевиден, для других может быть легко выявлен, исходя из природы функционирования. Однако для некоторых элементов может быть получена только совокупность экспериментальных данных о количественных значениях выходных характеристик при различных значениях параметров. В этом случае возникает необходимость ввести некоторую гипотезу о характере функциональной зависимости, т.е. аппроксимировать ее определенным математическим уравнением. Поиск математических зависимостей между двумя или более переменными по собранным опытным данным может выполняться с помощью методов регрессионного, корреляционного или дисперсионного анализа.

Выдвижение гипотез. По части параметров, которые отражают новые элементы будущей системы или новые условия функционирования, отсутствует возможность сбора фактических данных. Для таких параметров экспертами-специалистами выдвигаются гипотезы об их возможных значениях. Для проверки гипотез используются методики экспертных оценок. Дополнительные сведения можно получить в результате анализа функционирования аналогичных систем или прототипов будущей системы.

Заканчивается этап сбора и обработки исходных данных классификацией на внешние и внутренние, постоянные и переменные, непрерывные и дискретные, линейные и нелинейные, стационарные и нестационарные, детерминированные и стохастические параметры. Для переменных количественных параметров, которыми может варьировать исследователь в ходе моделирования, определяются границы их изменений, а для дискретных – возможные значения.