Событийный алгоритм моделирования целесообразно применять когда
Перейти к содержимому

Событийный алгоритм моделирования целесообразно применять когда

  • автор:

Имитационное моделирование (в экономике)

Экономика

Имитацио́нное модели́рование в экономике , метод компьютерного моделирования , предполагающий симуляцию реальных процессов или систем во времени с учётом наличия случайных компонент , воздействующих на основные показатели рассматриваемых процессов.

Понятие и свойства имитационных моделей

Имитационные модели являются динамическими (многопериодными), а также принимают во внимание наличие случайных факторов.

С одной стороны, имитационное моделирование представляет собой своеобразную замену экспериментальных методов, с другой – расширение сценарного подхода к прогнозированию . При имитационном моделировании разрабатывается логико-математическая модель функционирования некоторой сложной системы, позволяющая использовать некие исходные параметры и спрогнозировать состояние данной системы через определённый промежуток времени. Соответственно, имитационное моделирование отчасти заменяет экспериментальные исследования (в том случае, если математическая модель с достаточной достоверностью описывает реально происходящие процессы).

Симуляция выступает в качестве аналога эксперимента, проведённого над моделью. Одна симуляция включает в себя множество периодов существования системы: при применении имитационного моделирования исследователь создаёт искусственную историю состояния системы на протяжении интересующего его отрезка времени. На практике чаще всего выполняется множество симуляций, после чего происходит статистическая обработка результатов. В этом отношении одна симуляция может рассматриваться как один возможный сценарий развития системы. Под сценарием понимается совокупность совместимых исходных данных модели и соответствующее данным параметрам конечное состояние системы.

Метод Монте-Карло и применение имитационных моделей в менеджменте

Имитационное моделирование целесообразно применять в следующих случаях:

  • анализируемая система является сложной, т. е. в ней присутствуют множество параметров со сложными взаимосвязями; при этом последние могут носить как детерминированный (предопределённый), так и случайный характер;
  • в системе присутствует элемент неопределённости – наличие случайных факторов, в результате воздействия которых результат становится недетерминированным;
  • существует необходимость моделировать систему в динамике.

Наиболее простым методом имитационного моделирования является метод Монте-Карло . При использовании данного метода с помощью генератора случайных чисел формируется множество (как правило, более 1 тыс.) сценариев (симуляций). При этом учитываются вероятностные распределения всех факторов, влияющих на состояние системы, а также взаимосвязи между ними (детерминистского и случайного, линейного и нелинейного характера). Результатом применения модели является вероятностное распределение результирующих показателей, отражающих состояние системы в выбранный момент времени.

Алгоритм применения метода Монте-Карло включает следующие этапы:

  • создание модели зависимости результирующего показателя от факторов;
  • выявление распределения вероятностей каждого фактора;
  • моделирование взаимозависимости между факторами;
  • создание сценариев при помощи генератора случайных чисел;
  • расчёт результирующего показателя в каждом сценарии (симуляции);
  • построение вероятностного распределения результирующих показателей по рассчитанным симуляциям, а также оценка статистических характеристик (ожидаемого значения, медианы , дисперсии , стандартного отклонения , вероятности неуспеха и других релевантных показателей).

Основная мотивация к использованию имитационных моделей связана со следующими факторами: 1) невозможность или высокий риск проведения экспериментов на практике; 2) существенная экономия времени и бюджета при возможности воспроизвести различные сценарии событий; 3) возможность визуализировать полученный результат и представить его в наиболее наглядном виде.

Подходы к имитационному моделированию

Существует 3 подхода к имитационному моделированию:

  1. Дискретно -событийный: предполагает представление сложной системы в виде процесса, понимаемого как совокупность событий. Таким образом, состояние системы меняется только при наступлении события, т. е. основной параметр, влияющий на состояние системы, – время между событиями. Данный подход широко применяется в решении задач теории очередей и систем массового обслуживания. Примером использования данного подхода является анализ времени стоянок судов в порту. В данном случае событиями считаются прибытие судна, начало и конец разгрузки судна, а факторы, влияющие на конечный результат (количество судов в порту, время их стоянки и ожидаемые расходы ), включают интервал между прибытиями и длительность процесса разгрузки.
  2. Системно-динамический: в отличие от дискретно-событийного, такое моделирование не предполагает анализа единичных событий или действий субъектов, а даёт общее представление о системе, фокусируясь на общих тенденциях и зависимостях между различными переменными . Таким образом, системно-динамическое моделирование представляет собой наиболее абстрактный подход к моделированию. Основными понятиями в этом моделировании являются накопители (объекты) и потоки (процессы). Накопители и потоки описываются различными показателями, находящимися во взаимосвязи. При этом потоки соединяют различные накопители. В качестве примеров накопителей могут выступать запасы сырья, незавершённого производства и готовой продукции на предприятии , а потоков – материальное снабжение, производство и сбыт продукции .
  3. Агентный : в отличие от системно-динамического, предполагает движение от частного к общему. В первую очередь моделируется поведение отдельных агентов системы, на основе чего выявляется состояние системы в целом. Примеры данного подхода включают моделирование конкурентных отношений, состояния клиентской базы на основе поведения каждого из клиентов и аналогичные системы. При этом поведение каждого агента описывается через диаграмму состояний , в которых может находиться агент.

Опубликовано 1 декабря 2023 г. в 16:03 (GMT+3). Последнее обновление 1 декабря 2023 г. в 16:03 (GMT+3). Связаться с редакцией

СИНЕРГИЯ Математическое моделирование Тест 95 баллов 2023 год

4. К числу основных преимуществ методологии моделирования относится .

*простота реализации программных моделей

*легкость освоения методологии

*высокая точность результатов

5. Конструктор Gem предназначен для …

*формирования входного потока транзактов

*автоматизации составления описания модели и получения на его основе исходного текста программной модели в моделирующей системе Pilgrim

*конструирования каналов обслуживания в системе Pilgrim

*внесения изменений в программный код модели

6. Математическая модель объекта должна включать описания …

*в виде математических формул и выражений

*в виде двумерных таблиц

*существенных признаков объекта

*на естественном языке

*на алгоритмическом языке

7. Математические модели по отношению к другим моделям позволяют …

*достичь большей точности результата

*снизить затраты на получение результата

*не делать содержательного описания моделируемого объекта

*решать задачи, решение которых нельзя получить на других моделях

8. Математическое моделирование представляет собой …

*выбор математической методики, наиболее соответствующей оригиналу по составу входных и выходных параметров

* процесс установления соответствия реальной системе математической модели

*замену физической модели системы на ее абстрактное представление

9. Метод обратной функции позволяет найти …

*значение входных параметров модели по известным выходным

*очередную реализацию случайной величины с заданным законом распределения

*процессы модели, на которые влияет изучаемый процесс

*момент модельного времени, соответствующий заданному состоянию модели

10. Метод статистических испытаний чаще всего применяется, когда …

*требуется обеспечить высокую точность результатов

*неизвестны внутренние взаимодействия в исследуемой системе

*отсутствуют другие методы решения задачи

*необходимо сократить общее время моделирования

11. Модель облака в виде черно-белого изображения нужна для выявления таких его признаков, как…

12. Модель отражает …

*все выявленные в процессе системного анализа признаки

*некоторые из выявленных в процессе системного анализа признаков

*все признаки объекта, существенные для достижения цели моделирования

*некоторые из признаков объекта, существенных для достижения цели моделирования

13. Моделью называется …

*точная копия оригинала

*объект, замещающий оригинал с целью его изучения

*улучшенный вариант оригинала

*оригинал, из которого удалена часть функций

14. Недостатком метода обратной функции является …

*малая точность получаемого результата

*большой объем вычислений, необходимых для нахождения результата

*сложность нахождения аналитического решения уравнения для случайной величины

*ограничение на количество получаемых значений

15. Отнесение признака объекта к существенным определяется …

*числом выявленных признаков

*степенью сложности объекта

*типом структуры объекта

16. Оценка вероятности наступления события по результатам моделирования получается на основе …

*применения специальных методов, зависящих от вида события

*измеренной с помощью программных счетчиков частоты наступления события

*построения гистограммы распределения

*сопоставления результатов моделирования с эталонными

17. Пошаговый алгоритм моделирования целесообразно применять, если …

*строится модель производственных процессов в реальном времени

*требуется получить наиболее простую программную модель для проведения исследований

*моделируются только процессы с дискретным временем

*моделируются только процессы с непрерывным временем

18. Результаты моделирования в системе Pilgrim помещаются в …

19. Траекторию полета ракеты в системе автоматизированного контроля целесообразно описывать с помощью … модели

20. Требованию адекватности отвечает любая …

*модель, прошедшая проверку своей обоснованности

21. Формула Хинчина–Полачека позволяет найти …

*среднее число занятых каналов обслуживания

*среднюю длину очереди заявок

*приоритетность обслуживания заявок

22. Формула Хинчина–Полачека справедлива для …

*регулярного входящего потока

*пуассоновского входящего потока

*времени обслуживания с экспоненциальным распределением

*постоянного времени обслуживания

23. Аппроксимацию данных наблюдения потоков в реальной системе теоретическими распределениями проводят с целью …

*устранения погрешностей наблюдения

*построения и использования математической модели исследуемой системы

*получения более компактного вида представления данных

24. В процессе описания графа модели с помощью конструктора Gem системы Pilgrim в графе …

*не может появиться никаких ошибок, и граф может не подвергаться проверке

*могут появиться ошибки любого типа, которые обнаруживаются средствами конструктора

*могут появиться ошибки любого типа, но средствами конструктора обнаруживаются только ошибки синтаксиса и формата

25. В уравнениях Колмогорова для предельных вероятностей марковского процесса с дискретным множеством состояний и непрерывным временем …

*в левой части уравнения стоит сумма произведений вероятностей всех состояний, из которых идут стрелки в i-ое состояние, на интенсивности соответствующих потоков

*в левой части уравнения стоит сумма интенсивностей всех потоков, выводящих систему из данного состояния, умноженная на вероятность данного состояния, взятая со знаком минус

*в правой части уравнения стоит 0

*в правой части уравнения стоит 1

26. Гистограмма на основе результатов моделирования строится для …

*приближенного представления закона распределения случайного параметра

*нахождения математического ожидания случайного параметра

*нахождения дисперсии случайного параметра

*оценки адекватности построенной модели

27. Диспетчеризация транзактов в узлах Pilgrim-модели осуществляется при помощи …

*вызова специальных функций

*операторов проверки условий, помещаемых в узлы программной модели

28. Для изучения Солнечной системы можно создать …

*две различных модели

*много различных моделей

29. Для каждого узла модели системы Pilgrim в конструкторе Gem могут задаваться …

* порядковый номер узла

*номер плоскости модели, к которой принадлежит узел

*максимальное число транзактов, проходящих через узел

*условия перехода транзакта

*текст на языке С++

30. Для получения случайных чисел в модели системы Pilgrim используется …

*один датчик для всей модели

*несколько датчиков, число которых задается параметром

*один датчик для каждого узла модели

*один датчик для каждого транзакта модели

31. Значение модуля m в алгоритме Лехмера должно быть …

*допускающим представление одним байтом

*максимально возможным в данном компьютере

32. Значения предельных вероятностей марковского процесса с дискретным временем и дискретными состояниями …

*определяются матрицей переходов и начальным состоянием процесса

*определяются только матрицей переходов

*определяются только начальным состоянием процесса

*никак не зависят ни от начального состояния процесса, ни от матрицы переходов

33. Используемые в имитационных моделях псевдослучайные числа представляют собой …

*предварительно вычисленную по особым правилам совокупность значений

*зарегистрированные в наблюдениях значения показателя физического процесса

*выходные данные работы специальной программы, отвечающие специальным требованиям

34. К выходным параметрам моделирования в системе Pilgrim относятся …

*среднее время нахождения транзакта в узлах модели

*преобразованный граф модели

35. К преимуществам математических моделей относится …

*отсутствие требований к уровню знаний исследователя

36. К числу основных требований, предъявляемых к моделям, относятся …

37. Компьютерная модель техногенной катастрофы позволяет …

*воспроизвести динамику протекающих процессов

*провести натурное исследование протекающих процессов

*сократить затраты на проведение исследований

*выявить и проанализировать последствия явления

38. Концепция декомпозиции в системе Pilgrim представляет собой: …

*детализацию узла графа модели в виде совокупности других узлов

*изучение узла графа модели путем разработки и прогонов другой модели

*разбиение множества входных параметров на иерархические подмножества

*разбиение множества выходных параметров на иерархические подмножества

39. Коэффициент вариации в формуле Хинчина–Полачека означает отношение …

*интенсивности потока обслуживания заявок к среднему времени обслуживания

*среднего числа заявок в системе к интенсивности потока заявок

*среднего квадратического отклонения времени обслуживания к его математическому ожиданию

40. Максимальная точность результатов моделирования в системе Pilgrim, выраженная в числе знаков после запятой, равна …

41. Марковская цепь называется однородной, если переходные вероятности …

*одинаковы для каждого состояния процесса

*не зависят от номера шага

*меняются одинаково с номером шага

42. Матрицу вероятностей переходов марковского процесса с дискретным временем и дискретными состояниями называют регулярной, если …

*все столбцы матрицы одинаковы

*все строки матрицы одинаковы

*все элементы матрицы не равны нулю

*в результате нескольких перемножений матрицы переходов саму на себя можно получить матрицу, все элементы которой не равны нулю

*все диагональные элементы матрицы равны нулю

43. Методология структурного анализа Pilgrim-модели − это …

*рассмотрение множества показателей модели на основе выделения их логически связанных подмножеств

*проектирование системы путем выделения ее подсистем и их последовательного рассмотрения

*замена динамической модели процессов структурно связанным набором функциональных моделей

44. Моделирующий комплекс Pilgrim позволяет моделировать … процессы

45. Моделирующий комплекс Pilgrim работает на платформах, имеющих …

*операционную систему Windows

*компилятор языка Pascal

*компилятор языка C++

*библиотеки специальных программных модулей

46. Наибольшая средняя длина очереди на обслуживание заявок пуассоновского потока имеет место в случае, когда время обслуживания распределено по … закону

47. Наименьшее среднее время ожидания в очереди достигается, когда законом распределения времени обслуживания является … закон распределения.

48. Опытом в теории планирования эксперимента называется …

*отдельная часть эксперимента

*серия экспериментов, решающая конкретную исследовательскую задачу

*эксперимент, проводимый на материальном объекте

*обработанные и обобщенные результаты серии проведенных экспериментов

49. Отсеивающий эксперимент проводится для выявления …

*наиболее значимых факторов

*факторов, имеющих наибольшее среднее значение

*факторов, имеющих наименьшее среднее значение

50. Параметры транзакта … можно использовать только для чтения

51. Планировать эксперимент на имитационной модели нужно, чтобы …

*составить план работы подразделения моделирования

*определить бюджет на проведение эксперимента

*сократить временные и трудовые затраты на проведение экспериментов с моделью

*определить необходимые числа и конфигурацию компьютеров

52. По отношению к модели справедливо утверждение о том, что …

*единых правил и методов построения модели не существует

*модель не является аналогом оригинала

*в модели отражаются только существенные признаки моделируемого объекта

*модель обеспечивает решение всех задач относительно оригинала

*модель обеспечивает решение некоторых задач относительно оригинала

53. Приоритет транзакта хранится в параметре …

54. Проверку формальной корректности графа модели, созданного с помощью конструктора Gem системы Pilgrim, осуществляют …

*проверкой результата компиляции исходного модуля, сгенерированного конструктором Gem, в среде в среде соответствующего компилятора С++

*применением специальных программ проверки корректности системы Pilgrim

*выполнением команды проверки меню конструктора Gem

*автоматически во время выполнения команды генерации исходного модуля меню конструктора Gem

55. Процесс называется марковским, если вероятность перехода в новое состояние …

*не зависит ни от текущего состояния, ни от всех предшествующих

*зависит только от всех предшествующих состояний

*зависит только от текущего состояния

*является функцией от номера перехода

56. Размеченный граф состояний и переходов марковского процесса содержит …

*узлы, означающие состояния процесса

*стрелки, означающие возможность переходов процесса в другие состояния из данного состояния

*стрелки, означающие возможность перехода процесса в то же состояние

*надписи со значениями вероятностей перехода в другие состояния из данного состояния

*надписи со значениями вероятностей перехода в то же состояние

57. Разработанная Pilgrim-модель …

*не может переноситься на другой компьютер

*может переноситься на другой компьютер в виде описания графа модели

*может переноситься на другой компьютер при наличии на нем компилятора языка С++ в виде исходного кода

*может переноситься на другой компьютер в виде исполнительного модуля

58. Режим возобновления прерванного обслуживания транзакта в узле serv задается параметром …

59. Результатом применения методологии структурного анализа в системе Pilgrim является …

60. Случайный процесс называется процессом с дискретным временем, если …

*возможные состояния процесса можно перечислить (пронумеровать) одно за другим

*число возможных состояний процесса конечно

*процесс может переходить из состояния в состояние только в определенные моменты

61. Случайный процесс называется процессом с дискретными состояниями, если …

*возможные состояния процесса можно перечислить (пронумеровать) одно за другим

*число возможных состояний процесса конечно

*процесс может переходить из состояния в состояние только в определенные моменты

62. Случайный процесс называется процессом с непрерывным временем, если …

*состояния процесса образуют непрерывное множество

*число возможных состояний процесса бесконечно

*процесс может перейти из состояния в состояние в любой момент

63. Случайный процесс называется процессом с непрерывными состояниями, если …

*состояния процесса образуют непрерывное множество

*число возможных состояний процесса бесконечно

*процесс может перейти из состояния в состояние в любой момент

64. Средний размер очереди в системе массового обслуживания с очередями и с пуассоновским входным потоком зависит от …

* коэффициента загрузки обслуживающего прибора

*вида функции распределения времени обслуживания

*коэффициента вариации времени обслуживания

*коэффициента вариации интервала поступления заявок

65. Стохастической системой называется система, …

*имеющая большое количество элементов

*характер поведения которой в некоторый момент времени в будущем с полной определенностью предсказать нельзя

*обладающая большим многообразием и сложностью связей между своими элементами

*представляющая большую сложность для изучения и моделирования

66. Транзакт в модели Pilgrim – это …

*последовательность заявок на обслуживание

*заявка, которая ожидает обслуживания

*запрос на обслуживание, имеющий набор динамически изменяющихся свойств и параметров

*заявка, которой было отказано в обслуживании

67. Транзакт в модели Pilgrim может …

*порождать другие транзакты

*поглощать другие транзакты

*запускать модельные часы

*хранить данные в виде параметров

68. Транзакт в модели Pilgrim хранит …

*номер породившего его узла

*время жизни транзакта

*номера пройденных узлов

69. Требованию адекватности отвечает …

*любая натурная модель

*любая математическая модель

*любая полунатурная модель

*любая модель, прошедшая проверку своей обоснованности

70. Узел ag в Pilgrim-модели обеспечивает …

*создание новых транзактов

*сбор статистики по транзактам

*управление перемещением транзактов по графу модели

71. Узел key в Pilgrim-модели обеспечивает …

*создание новых транзактов

*уничтожение некоторых из входящих в него транзактов

*переустановку значений критических параметров транзактов

* блокировку/разблокировку прохождения транзактов по графу модели

72. Узел parent Pilgrim-модели …

*осуществляет вставку в модель узлов, указанных в его параметрах

*используется для повышения быстродействия программы

*не выполняет никаких действий и при генерации программного кода просто заменяется своей декомпозицией

*применяется для управления прохождением транзактов по графу модели

73. Узел queue в Pilgrim-модели имитирует …

*процесс обслуживания транзакта

*ожидание транзактами начала обслуживания в следующем узле

*проверку условий окончания обслуживания

*проверку условий начала обслуживания

74. Узел term в Pilgrim-модели обеспечивает …

*создание новых транзактов

*уничтожение входящих в него транзактов

*сбор статистики по транзактам

*управление перемещением транзактов по графу модели

75. Узлы pay, rent down Pilgrim-модели …

*нельзя использовать для реализации иерархических моделей

*применяются для построения моделей однотипных процессов

*не запоминают точки возврата отдельных транзактов на верхний слой

*не допускают перемещений транзактов на другие уровни модели

76. Файл, сгенерированный конструктором Gem, представляет собой …

*исполнительный модуль программной модели

*исходный модуль на языке С++

*исходный модуль на языке Pascal

*исходный модуль на внутреннем языке системы

77. Число прошедших через узел ### транзактов содержится в параметре узла …

78. Cистема PILGRIM позволяет моделировать процессы, описывающие …

*материальные, информационные и финансовые потоки, а также их комбинации

79. Абсолютные приоритеты в системе Pilgrim …

*переупорядочивают транзакты в узле «очередь»

*прерывают обслуживание менее приоритетного транзакта в узле «сервер»

*забирают часть ранее захваченных транзактами ресурсов

80. Автоматическое получение среднего времени реакции замкнутой системы на запрос пользователя обеспечивают узлы типа…

81. В системе PILGRIM транзакты обрабатываются в зависимости от …

*назначенных транзактам относительных приоритетов

*назначенных транзактам абсолютных приоритетов

*потребностей транзактов в ресурсах

*назначенных транзактам относительных или абсолютных приоритетов, а также от потребностей транзактов в ресурсах

82. Декомпозиция в Pilgrim представляет собой…

*детализацию узла графа модели в виде совокупности других узлов

*изучение узла графа модели путем разработки и прогонов другой модели

*разбиение множества входных параметров на иерархические подмножества

*разбиение множества выходных параметров на иерархические подмножества

83. Для имитации пользователя или пользователей в моделях замкнутых систем используется узел …

84. Для отмены генерации транзактов во время работы модели применяются …

*проверки, проводимые при помощи конструкций С++

*сигнальная функция cheg

*параметры узла ag

*параметры узла term

85. Для планирования эксперимента нужно кодировать …

*количественные факторы с дискретными значениями

86. Если возможно проведение эксперимента в заданных условиях и параметрами, то этим обеспечивает свойство …

87. Если разброс значений результата определенных опытов, проводимых через неравные промежутки времени, не превышает заданной величины, то этим обеспечивается свойство …

88. Закон и параметры распределения времени обдумывания пользователем ответа системы на его запрос обычно задаются в …

*узлах serv, имитирующих работу пользователей

*параметрах транзактов, имитирующих пользователей

*глобальных переменных модели

*локальных переменных модели

89. Значение m в алгоритме Лехмера должно быть …

*допускающим представление одним байтом

*максимально большим для данного компьютера

90. Имитационное моделирование стохастических систем применяется, если …

*требуется обеспечить высокую точность результата

*отсутствует аналитическая модель системы

*имеется достаточно детальное описание исследуемой системы

*требуется сократить время получения конечного результата

91. К недостаткам метода Монте-Карло относятся …

*сложность построения математического описания моделируемой системы

*большой объем компьютерных вычислений, необходимых для получения достоверного результата

*трудности интерпретации результатов, получаемых в результате прогонов модели

92. К недостаткам метода статистических испытаний можно отнести …

*большой объем текста результирующей компьютерной программы

*большие затраты машинного времени на реализацию программной модели

*трудность составления описания исследуемой системы

*отсутствие специальных алгоритмов моделирования случайных событий

93. К основным преимуществам моделирования можно отнести…

94. Концептуальными единицами системы PILGRIM являются …

*узел, транзакт и событие

*ресурс, узел и ресурс

*ресурс и транзакт

*событие, ресурс, узел и транзакт

95. Математическое моделирование дает возможность…

*достичь большей точности результата

*снизить затраты на получение результата

*решить задачи, решение которых нельзя получить на физической модели

96. Метод имитационного моделирования относится к классу …

*является самостоятельной категорией

97. Метод Монте-Карло представляет собой разновидность…

*способа принятия решения в условиях неопределенности

98. Метод Монте-Карло является примером подхода к моделированию на основе …

99. Методология имитационного моделирования по сравнению с аналитическим моделированием …

*охватывает более широкий класс задач и требует использования средств вычислительной техники

*предполагает проведение экспериментов на модели и требует использования средств вычислительной техники

*предполагает проведение экспериментов на модели и охватывает более широкий класс задач

*охватывает более широкий класс задач, предполагает проведение экспериментов на модели и требует использования средств вычислительной техники

100. Методология имитационного моделирования применяется для исследования систем:

*детерминированных и стохастических

*стохастических, непрерывных и дискретных

*непрерывных, дискретных и детерминированных

*детерминированных, стохастических, дискретных и непрерывных

101. Методология математического моделирования может применяться для решения задач …

*во всех областях знания – методология универсальна

102. Моделирующая система PILGRIM позволяет моделировать … системы (процессы)

*как непрерывные, так и дискретные

103. Моделирующая система PILGRIM реализована в программной среде …

104. Моделирующие комплексы используются в случаях, когда …

*разрабатываемые модели отличает большая сложность

*будет проводиться большой объема экспериментов

*их использование экономически обосновано

105. Моделирующий комплекс Pilgrim позволяет моделировать …

*только непрерывные процессы

*только дискретные процессы

*либо только дискретные, либо только непрерывные процессы

*комбинацию из дискретных и непрерывных процессов

106. Моделирующий комплекс Pilgrim реализован в среде языка …

107. Модель, разработанная в среде Pilgrim, …

*не может переноситься на другой компьютер

*может переноситься на другой компьютер в виде в виде описания графа модели

*может переноситься на другой компьютер в виде исходного кода

*может переноситься на другой компьютер в виде объектного кода

108. Опытом называется …

*отдельная часть эксперимента

*серия экспериментов, решающая конкретную исследовательскую задачу

*эксперимент, проводимый на материальном объекте

*обработанные и обобщенные результаты серии проведенных экспериментов

109. Основной задачей для системы массового обслуживания является задача …

*минимизации затрат на создание и эксплуатацию системы

*максимизации числа требований, обслуживаемых системой

*обеспечения определенного уровня обслуживания при минимальных затратах, связанных с простоем обслуживающих устройств

*нахождения параметров, обеспечивающих оптимальный порядок прохождения требований через систему

110. Основой построения модели с помощью конструктора системы PILGRIM является …

*текстовое описание модели

*формализованный перечень объектов модели и их взаимосвязей

111. Параметр узла addr[#]->na в схеме зарядки нужен для …

*сохранения в параметре транзакта значения среднего времени обдумывания пользователем ответа системы

*сохранения в параметре транзакта значения среднего времени обработки системой запроса пользователя

*направления транзакта в соответствующий узел serv, имитирующий пользователей

112. По структурно-функциональному составу система PILGRIM может быть отнесена к классу …

*компиляторов исполняемого кода модели

113. Под имитационным моделированием понимается …

*замещение реального объекта-оригинала его физическим объектом-моделью, с целью проведения натурного эксперимента

*численный метод проведения на ЭВМ экспериментов с математическими моделями

*написание программ для ЭВМ, которые однозначно позволяют предсказать поведение объекта по его математическому описанию

114. Под моделью понимается …

*некоторый материальный объект, позволяющий задавать параметры для некоторых исследований

*любое физическое подобие объекта-оригинала

*отображение конкретного объекта, процесса или явления с целью решения конкретных задач

115. Построение гистограммы на основе модели производится для …

* приближенного представления закона распределения случайного параметра

*нахождения математического ожидания случайного параметра

*нахождения дисперсии случайного параметра

*оценки адекватности построенной модели

116. Свойство адекватности модели характеризует степень …

*соответствия затрат на создание модели ожидаемым

*пригодности модели в качестве инструмента проведения исследований

*удобства для исследователя в части задания входных и интерпретации выходных данных

*актуальности с точки зрения решения с помощью модели практических задач

117. Систему массового обслуживания образуют …

*входящий поток требований

*выходящий поток требований

118. Событием в системе PILGRIM называется …

*вход транзакта в узел

*выход транзакта из узла

119. Событийный алгоритм моделирования целесообразно применять, когда …

*строится модель производственных процессов в реальном времени

* требуется максимальная эффективность выполнения программной модели для проведения исследований

*моделируются только процессы с дискретным временем

*моделируются только процессы с непрерывным временем

120. Схема зарядки модели замкнутой системы обеспечивает …

*создание специальных переменных для автоматического сбора выходных данных

*настройку параметров узлов, имитирующих терминалы или рабочие компьютеры пользователей

*настройку параметров узлов, имитирующих обработку пользовательских запросов

*появление в начале работы модели транзактов, имитирующих пользователей и отмену дальнейшей генерации транзактов

121. Узел serv в Pilgrim-модели имитирует …

* процесс обслуживания транзакта

*ожидание транзактами начала обслуживания в следующем узле

*проверку условий окончания обслуживания

*проверку условий начала обслуживания

122. Факторы, выбранные для эксперимента, должны отвечать требованиям …

123. Функциональные возможности системы PILGRIM позволяют автоматически …

*сгенерировать граф модели на основе содержательного ее описания

* сгенерировать текст С++-модуля на основе графа модели

*получить набор выходных параметров моделируемого процесса

Событийный алгоритм моделирования целесообразно применять когда

1. К числу основных преимуществ имитационных моделей относится .

*высокая точность результатов

*простота разработки моделей

2. Значение случайной величины, равномерно распределенной в произвольном интервале, обычно получается с помощью …

*метода обратной функции

*перехода к выборке из массива неслучайных чисел

*псевдослучайного числа, равномерно распределенного в интервале (0,1)

3. Оценка вероятности наступления события по результатам моделирования получается на основе …

*построения гистограммы распределения

*применения специальных методов, зависящих от вида события

*сопоставления результатов моделирования с эталонными

*измеренной с помощью программных счетчиков частоты наступления события

4. В уравнениях Колмогорова для предельных вероятностей марковского процесса с дискретным множеством состояний и непрерывным временем в …

*левой части уравнения стоит сумма произведений вероятностей всех состояний, из которых идут стрелки в i ое состояние, на интенсивности соответствующих потоков

*левой части уравнения стоит сумма интенсивностей всех потоков, выводящих систему из данного состояния, умноженная на вероятность данного состояния, взятая со знаком минус

*правой части уравнения стоит 0

*правой части уравнения стоит 1

5. Максимальная точность результатов моделирования, выраженная в числе знаков после запятой, равна …

6. Используемые в моделях статистических испытаний псевдослучайные числа представляют собой …

*предварительно вычисленную по особым правилам совокупность значений

*зарегистрированные в наблюдениях значения показателя физического процесса

*выходные данные работы специальной программы, отвечающие специальным требованиям

7. Используемые в имитационных моделях псевдослучайные числа представляют собой …

*зарегистрированные в наблюдениях значения показателя физического процесса

*предварительно вычисленную по особым правилам совокупность значений

*выходные данные работы специальной программы, отвечающие специальным требованиям

8. Размеченный граф состояний и переходов марковского процесса содержит …

*узлы, означающие состояния процесса

*надписи со значениями вероятностей перехода в другие состояния из данного состояния

*стрелки, означающие возможность переходов процесса в другие состояния из данного состояния *надписи со значениями вероятностей перехода в то же состояние

*стрелки, означающие возможность перехода процесса в то же состояние

9. Максимальная точность результатов моделирования в системе Pilgrim, выраженная в числе знаков после запятой, равна …

10. Результатом применения методологии структурного анализа в системе Pilgrim является …

11. Событийный алгоритм моделирования целесообразно применять, если …

*строится модель производственных процессов в реальном времени

*моделируются только процессы с непрерывным временем

*моделируются только процессы с дискретным временем

*требуется максимальная эффективность выполнения программной модели для проведения исследований

12. Процесс называется марковским, если вероятность перехода в новое состояние …

*является функцией от номера перехода

*зависит только от текущего состояния

*зависит только от всех предшествующих состояний

*не зависит ни от текущего состояния, ни от всех предшествующих

13. Простейшим называется поток, обладающий такими свойствами, как …

*кусочно-линейной формы функции распределения

14. Метод статистических испытаний чаще всего применяется, когда …

*отсутствуют другие методы решения задачи

*требуется получить высокую точность

*неизвестны внутренние взаимодействия в исследуемой системе

*необходимо сократить общее время моделирования

15. Относительная пропускная способность системы массового обслуживания с отказами означает …

*реальную эффективность системы по сравнению с максимально возможной

*долю обслуженных заявок из общего числа приходящих в систему

*число обслуженных заявок за некоторый период наблюдения

*число обслуженных заявок за единицу времени

16. Случайный процесс называется процессом с дискретными состояниями, если …

*возможные состояния процесса можно перечислить (перенумеровать) одно за другим

*число возможных состояний процесса конечно

*процесс может переходить из состояния в состояние только в определенные моменты

17. Схема зарядки модели замкнутой системы обеспечивает …

*создание специальных переменных для автоматического сбора выходных данных

*настройку параметров узлов, имитирующих терминалы или рабочие компьютеры пользователей

*настройку параметров узлов, имитирующих обработку пользовательских запросов

*появление в начале работы модели акторов, имитирующих пользователей и отмену дальнейшей генерации акторов

18. Траекторию полета ракеты в системе автоматизированного контроля целесообразно описывать с помощью … модели

19. Декомпозиция в системе Pilgrim представляет собой …

*детализацию узла графа модели в виде совокупности других узлов

*изучение узла графа модели путем разработки и прогонов другой модели

*разбиение множества входных параметров на иерархические подмножества

*разбиение множества выходных параметров на иерархические подмножества

20. Для получения случайных чисел в модели системы Pilgrim используется …

*один датчик для каждого транзакта модели

*один датчик для всей модели

*один датчик для каждого узла модели

*несколько датчиков, число которых задается параметром

21. Поток … можно считать простейшим

*пассажиров к билетной кассе

22. Методология структурного анализа представляет собой …

*рассмотрение множества показателей модели на основе выделения логически связанных их подмножеств

*проектирование системы путем выделения ее подсистем и их последовательного рассмотрения

*замену динамической модели процессов структурно связанным набором функциональных моделей

23. Автоматическое получение среднего времени реакции замкнутой системы на запрос пользователя обеспечивают узлы типа …

24. Интенсивностью потока называется … число заявок в потоке в единицу времени

25. Для моделирования работы предприятия с учетом как материальных, так и финансовых потоков целесообразно использовать …

*модель системной динамики

*имитационную модель с пошаговым механизмом

*имитационную модель с событийным механизмом

*модель теории массового обслуживания

26. Параметр узла addr[#]->na в схеме зарядки нужен для… (одиночный выбор)

*сохранения в параметре актора значения среднего времени обдумывания

*сохранения в параметре актора значения среднего времени обработки

*направления актора в соответствующий узел serve, имитирующий пользователя

27. Временной промежуток между отказами крупной информационной системы подчиняется … распределению

28. Система массового обслуживания с очередью характеризуется такими показателями, как …

*среднее время ожидания заявки

*средняя длина очереди

*относительная пропускная способность

*абсолютная пропускная способность

29. Для имитации пользователя или пользователей в моделях замкнутых систем используется узел …

30. Алгоритм Лемера относится к типу … алгоритмов

Событийный алгоритм моделирования целесообразно применять когда

В математических моделях (ММ) сложных объектов , представленных в виде систем массового обслуживания (СМО), фигурируют средства обслуживания, называемые обслуживающими аппаратами(ОА), и обслуживаемые заявки, называемые транзактами. Так, в модели производственной линии ОА отображают рабочие места, а транзакты — поступающие на обработку детали, материалы, инструмент.
Состояние СМО характеризуется состояниями ОА, транзактов и очередей к ОА. Состояние ОА описывается двоичной переменной, которая может принимать значения «занят» или «свободен». Переменная, характеризующая состояние транзакта, может иметь значения «обслуживания» или «ожидания». Состояние очереди характеризуется количеством находящихся в ней транзактов.
Имитационная модель СМО представляет собой алгоритм, отражающий поведение СМО, т.е. отражающий изменения состояния СМО во времени при заданных потоках заявок, поступающих на входы системы. Параметры входных потоков заявок — внешние параметры СМО. Выходными параметрами являются величины, характеризующие свойства системы — качество ее функционирования. Примеры выходных параметров: производительность СМО — среднее число заявок, обслуживаемых в единицу времени; коэффициенты загрузки оборудования — отношение времен обслуживания к общему времени в каждом ОА; среднее время обслуживания одной заявки. Основное свойство ОА, учитываемое в модели СМО, — это затраты времени на обслуживание, поэтому внутренними параметрами в модели СМО являются величины, характеризующие это свойство ОА. Обычно время обслуживания рассматривается как случайная величина и в качестве внутренних параметров фигурируют параметры законов распределения этой величины.
Имитационное моделирование позволяет исследовать СМО при различных типах входных потоков и интенсивностях поступления заявок на входы, при вариациях параметров ОА, при различных дисциплинах обслуживания заявок. Дисциплина обслуживания — правило, по которому заявки поступают из очередей на обслуживание. Величина, характеризующее право на первоочередное обслуживание, называется приоритетом. В моделях СМО заявки, приходящие на вход занятого ОА, образуют очереди, отдельные для заявок каждого приоритета. При освобождении ОА на обслуживание принимается заявка из непустой очереди с наиболее высоким приоритетом.
Основной тип ОА — устройства, именно в них происходит обработка транзактов с затратами времени. К ОА относятся также накопители (памяти), отображающие средства хранения обрабатываемых деталей в производственных линиях или обрабатываемых данных в вычислительных системах. Накопители характеризуются не временами обслуживания заявок, а емкостью — максимально возможным количеством одновременно находящихся в накопителе заявок.
К элементам имитационных моделей СМО кроме ОА относят также узлы и источники заявок. Связи ОА между собой реализуют узлы, т.е. характеризуют правила, по которым заявки направляются к тому или иному ОА.
Для описания моделей СМО при их исследовании на ЭВМ разработаны специальные языки имитационного моделирования. Существуют общецелевые языки, ориентированные на описание широкого класса СМО в различных предметных областях, и специализированные языки, предназначенные для анализа систем определенного типа. Примером общецелевых языков служит широко распространенный язык GPSS, примером специализированного языка — язык МПЛ/ВС моделирования вычислительных систем.

Основные правила и операторы языка GPSS

Для описания имитационной модели на языке GPSS полезно представить ее в виде схемы, на которой отображаются элементы СМО — устройства, накопители, узлы и источники . Описание на языке GPSS есть совокупность операторов (блоков), характеризующих процессы обработки заявок. Имеются операторы и для отображения возникновения заявок, задержки их в ОА, занятия памяти, выхода из СМО, изменения параметров заявок (например, приоритетов), вывода на печать накопленной информации, характеризующей загрузку устройств, заполненность очередей и т.п.
Каждый транзакт, присутствующий в модели, может иметь до 12 параметров. Существуют операторы, с помощью которых можно изменять значения любых параметров транзактов, и операторы, характер исполнения которых зависит от значений того или иного параметра обслуживаемого транзакта.
Пути продвижения заявок между ОА отображаются последовательностью операторов в описании модели на языке GPSS специальными операторами передачи управления (перехода). Для моделирования используется событийный метод. Соблюдение правильной временной последовательности имитации событий в СМО обеспечивается интерпретатором GPSSPC — программной системой, реализующий алгоритмы имитационного моделирования.

Структура операторов GPSS

В записи оператора выделяют три части: метку, название, поле переменных.
Пример оператора:

110 L1 GENERATE 30,5 Первый сегмент модели
2. 6.8. 18 ..19. 70

В поле переменных выделяют подполя, разделяемые при записи запятыми и служащие для указания чисел, стандартных числовых атрибутов (СЧА), символов, обозначающих метки, идентификаторов, указателей разновидностей операторов и т.п. Подполя могут быть пустыми. Возможна запись комментария после последнего непустого поля через пробел.
Стандартные числовые атрибуты служат для сокращенного указания различных величин, фигурирующих в модели.
Примеры СЧА: К126 — константа, равная 126; V2 — переменная N 2; Q4 — длина очереди N 4; X5 — хранимая величина N 5; FN7 — функция N 7; P4 — значение параметра N 4 транзакта; *6 — содержимое параметра N 6 транзакта; S*3 (или FN*3) — память (или функция), определенная в параметре N 3 транзакта.

Основные операторы языка GPSS

Основные операторы языка GPSS приведены в виде примеров с конкретными значениями подполей в поле переменных.

GENERATE 12,4,50,5,1 — генерация транзактов, интервалы времени между появлениями транзактов распределены равномерно в диапазоне [12-4, 12+4], первый транзакт появится с задержкой в 50 единиц модельного времени, всего будет создано 5 транзактов, приоритет транзактов равен единице.

GENERATE 12,4,50,,1 — то же, но количество генерируемых транзактов неограничено.

GENERATE 6, FN$FFF,50,5,1 — то же, но интервал времени между появлениями транзактов есть целая часть произведения числа 6 на значение функции FFF.

FNK FUNCTION RN1,C4
0,0/0.1,0.8/0.5,1.6/1.0,1.9
— описание функции FNK, ее аргументом является случайная величина (на это указывает значение RN1), равномерно распределенная в диапазоне [0,1], функция является непрерывной числовой (указатель С), заданной таблично четырьмя точками: (0;0), (0.1; 0.8), (0.5, 1.6), (1.0; 1.9).

FNK FUNCTION *2,D4
0,12/1,9/2,8/3,6
— то же, но аргументом является значение второго параметра транзакта, для которого вычисляется значение дискретной величины (D) числовой функции FNK, заданной таблично четырьмя узловыми точками. Это текущее значение округляется до ближайшего большего значения аргумента в узловой точке.

SEIZE PLOT — занятие устройства PLOT приходящим на его вход транзактом; если устройство занято, то транзакт задерживается в очереди к этому устройству.

RELEASE PLOT — освобождение устройства PLOT обслуженным транзактом.

ENTER MEM,12 — занятие транзактом 12 единиц емкости в накопителе MEM.

LEAVE MEM,*2 — освобождение k единиц памяти в накопителе MEM, гдк k — значение 2-го параметра транзакта.

STR STORAGE 4096 — описание накопителя STR емкостью 4096 единиц.

TERMINATE 3 — удаление транзакта из системы, при этом содержимое итогового счетчика уменьшается на 3 единицы, моделирование заканчивается, если содержимое счетчика станет равным или меньше нуля.

ADVANCE A,B — задержка транзакта на время, определенное содержимым полей A и B, смысл величин, записываемых в этих подполях , такой же, как и в блоке GENERATE.

SPLIT 3,LLL,6 — копирование транзактов, в данном случае создаются три копии исходного транзакта, исходный транзакт направляется в следующий по порядку блок, а созданные копии — в блок с меткой LLL, при этом параметр 6 основного транзакта увеличивается на единицу, а транзактов — копий — на 2, 3, 4 соответственно.

ASSEMBLE 5 — объединение транзактов, первый из вошедших в блок транзактов продолжит движение в системе после того, как в блок придут еще четыре транзакта.

ASSIGN 2,NAP — изменение параметров транзактов, в данном случае второй параметр транзакта получит значение NAP.

ASSIGN 3+,V4 — изменится значение третьего параметра транзакта — к нему прибавится значение V4.

TRANSFER ,MET — безусловная передача управления оператору с меткой (номером) MET.

TRANSFER BOTH,LAB1,UNN — переход к оператору с меткой LAB1, если он невозможен, то к оператору с меткой UNN , если и он невозможен, то транзакт задерживается до следующего момента дискретного модельного времени, в который повторяются указанные попытки перехода.

TRANSFER .4,AAA,LAB — транзакт с вероятностью 0.4 переходит к оператору с меткой LAB и с вероятностью 0.6 к оператору с меткой AAA.

TRANSFER PICK,STK7,STK21 — равновероятный переход к операторам с номерами STK7, STK7+1, STK7+2, . . . , STK21.

TRANSFER FN,AAA,5 — переход к оператору, метка которого равна сумме значения функции AAA и числа 5.

TRANSFER P,4,41 — переход к оператору, метка которого равна сумме значения параметра N 4 транзакта и числа 41.

TRANSFER SBR,PRC,7 — переход к оператору PRC с записью в параметр N 7 транзакта метки данного оператора.

LOOP 6,MET — организация цикла — переход 5 раз к оператору с меткой MET и на шестой раз — к следующему по порядку оператору.

TEST E V7,K256,LAB — переход по условию (условная передача управления): в позициях 13-18 записывается знак отношения, в первых двух подполях поля переменных записываются сравниваемые величины, если условие выполняется, то перехода нет, иначе переход есть к оператору с меткой LAB. Символы отношений: G — больше, L — меньше, E — равно, NE — неравно, LE — меньше или равно, GE — больше или равно. В данном примере перехода нет, если V7 = 256, иначе переход к оператору с номером LAB.

QUEUE SQV — оператор организации очереди, длина очереди SQV увеличивается на единицу.

DEPART SQV — то же, но длина очереди уменьшается на единицу.

PRIORITY 2 — транзакту присваивается приоритет 2.

SIMULATE — начальная карта программы, если разработчик намерен выполнить прогон модели. Если эта карта отсутствует, то интерпретатор проверяет правильность записи модели на языке GPSS, но прогона модели не выполняет.

START 100,,25 — занесение значения 100 в итоговый счетчик, вывод накопленных статистических данных производится с интервалом изменения содержимого итогового счетчика в 25 единиц.

TABULATE MAT7 — в соответствующий интервал гистограммы с именем MAT добавляется единица.

MAT7 TABLE P3,8,1,5 — описание таблицы (гистограммы) MAT7, предназначенной для табулирования величины, значения которой находятся в третьем параметре транзакта, входящего в оператор TABULATE MAT7, верхний предел левого интервала гистограммы равен 8, ширина каждого последующего интервала равна 1, всего интервалов 5.

5 VARIABLE X2 — K25 — вычислительный оператор, в данном случае из хранимой величины N 2 вычитается число 25 и результат присваивается переменной N 5.

SAVEVALUE 5,*3 — хранимая величина N 5 (X5) получает значение третьего параметра транзакта.

Основные команды интерпретатора GPSSPC

@ — загрузить исходный текст модели

SAVE — сохранить текст модели

DISPLAY[],[< строка N 2>] — вывести на экран текст модели, начиная со строки N1 , до строки N 2.

DELETE [],[] — удалить из программы текст, начиная со строки N1 , до строки N 2.

EDIT — отредактировать строку текста

CLEAR — сбросить всю статистику модели в ноль (включая таймеры абсолютного и относительного модельного времени), возвратить все транзакты в пассивный буфер .

END — завершить работу интерпретатора.

Практическая часть

Задание

Необходимо промоделировать работу участка цеха, состоящего из нескольких станков и обрабатывающего два потока деталей различного типа. Маршрут обработки деталей двух типов представлен на рис. 1 . В таб.1 представлено распределение выполняемых операций по станкам А1, А2 и А3. Интервалы времени между поступлениями деталей и времена выполнения операций распределены равномерно. Информация о временах поступления и выполнения операций заданы в таб.2 и таб.3.
Определить для рабочего дня (8 часов) и рабочей недели (5 дней при односменном режиме) среднюю загрузку каждого станка, среднее время обработки деталей каждого типа, какова длина очередей на обработку для станков, какой размер склада необходим для данного потока деталей. Предложить способы модификации участка цеха с целью повышения эффективности его работы.
Рис. 1

Таблица 1. Распределение операций по станкам

Вариант Операция 1 Операция 2 Операция 3 Операция 4 Операция 5 Операция 6
Пример А1 А2 А3 А1 А3 А2
1 А1 А2 А3 А3 А2 А1
2 А1 А2 А3 А3 А1 А2
3 А1 А2 А3 А1 А2 А3
4 А1 А2 А3 А2 А1 А3
5 А1 А2 А3 А2 А3 А1
6 А2 А1 А3 А1 А2 А3
7 А2 А1 А3 А1 А3 А2
8 А2 А1 А3 А2 А1 А3
9 А2 А1 А3 А2 А3 А1
10 А2 А1 А3 А3 А1 А2
11 А2 А1 А3 А3 А2 А3
12 А3 А1 А3 А1 А2 А3
Таблица 2.

Вариант Интервалы времени поступления деталей первого типа (мин.) Интервалы времени поступления деталей второго типа (мин.)
Пример 30 + 5 20 + 5
1 25 + 4 25 + 6
2 20 + 3 30 + 7
3 15 + 5 35 + 8
4 10 + 4 20 + 5
5 30 + 5 10 + 3
6 15 + 4 15 + 6
7 30 + 10 15 + 3
8 20 + 5 20 + 5
9 25 + 4 10 + 3
10 45 + 5 15 + 5
11 20 + 4 15 + 3
12 10 + 3 15 + 5
Таблица 3.

Вариант Интервал времени выполнения операции 1 (мин.) Интервал времени выполнения операции 2 (мин.) Интервал времени выполнения операции 3 (мин.) Интервал времени выполнения операции 4 (мин.) Интервал времени выполнения операции 5 (мин.) Интервал времени выполнения операции 6 (мин.)
Пример 5 + 2 20 + 4 10 + 3 7 + 3 15 + 5 15 + 5
1 20 + 4 5 + 2 15 + 5 15 + 5 7 + 3 10 + 3
2 10 + 3 15 + 5 5 + 2 20 + 4 10 + 3 7 + 3
3 18 + 3 10 + 3 12 + 5 20 + 4 25 + 8 12 + 4
4 12 + 5 15 + 5 18 + 3 10 + 3 5 + 2 20 + 4
5 15 + 5 20 + 4 10 + 3 18 + 3 12 + 5 20 + 4
6 10 + 3 25 + 8 5 + 2 15 + 5 18 + 3 15 + 5
7 15 + 5 12 + 5 20 + 4 5 + 2 10 + 3 18 + 3
8 20 + 4 18 + 3 10 + 3 7 + 3 15 + 5 25 + 8
9 10 + 3 15 + 5 10 + 3 12 + 5 5 + 2 20 + 4
10 25 + 8 5 + 2 12 + 5 7 + 3 10 + 3 15 + 5
11 20 + 4 10 + 3 15 + 5 5 + 2 12 + 5 25 + 8
12 12 + 5 20 + 4 25 + 8 15 + 5 5 + 2 10 + 3

Пример

Исходные данные для структуры участка цеха и интервалы времени поступления деталей на станок, выполняющий первую операцию (для деталей первого типа) и на станок, выполняющий четвертую операцию (для деталей второго типа), а также интервалы времени обработки каждым станком заданы в таблицах 1, 2 и 3.

Таблица 4. Таблица определений для примера

Элементы GPSS Назначение
Транзакты:
1-й сегмент модели
2-й сегмент модели
3-й сегмент модели
Детали первого типа
Детали второго типа
Таймер
Станки:
А1
А2
А3
Выполнение
операции 1 и операции 4
операции 2 и операции 6
операции 3 и операции 5
Очереди:
АА1
АА2
АА3
Общая очередь к станку А1
Общая очередь к станку А2
Общая очередь к станку А3

Единица времени в модели — 1 мин.

Текст программы на GPSS

; GPSS/PC Program File EX1. (V 2, # 39560) 03-01-1999 12:36:18 100 SIMULATE 110 GENERATE 30,5 Первый сегмент модели 120 QUEUE AA1 130 SEIZE A1 140 DEPART AA1 150 ADVANCE 5,2 160 RELEASE A1 170 QUEUE AA2 180 SEIZE A2 190 DEPART AA2 200 ADVANCE 20,4 210 RELEASE A2 220 QUEUE AA3 230 SEIZE A3 240 DEPART AA3 250 ADVANCE 10,3 260 RELEASE A3 270 TERMINATE 280 GENERATE 20,5 Второй сегмент модели 290 QUEUE AA1 300 SEIZE A1 310 DEPART AA1 320 ADVANCE 7,3 330 RELEASE A1 340 QUEUE AA3 350 SEIZE A3 360 DEPART AA3 370 ADVANCE 15,5 380 RELEASE A3 390 QUEUE AA2 400 SEIZE A2 410 DEPART AA2 420 ADVANCE 15,5 430 RELEASE A2 440 TERMINATE 450 GENERATE 480 Третий сегмент модели (таймер) 460 TERMINATE 1

В данном примере таймер настроен на выполнение моделирования в течение 8 часового рабочего дня. Для выполнения моделирования в течение 5 дней таймер длжен быть откорректирован.

Выходные данные

Распечатка выходных данных для моделирования работы участка цеха в течение рабочего дня.

GPSS/PC Report file REPORT.GPS. (V 2, # 39560) 03-02-1999 13:45:52 page 1 START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 480 36 3 0 13264 LINE LOC BLOCK_TYPE ENTRY_COUNT CURRENT_COUNT RETRY 110 1 GENERATE 15 0 0 120 2 QUEUE 15 0 0 130 3 SEIZE 15 0 0 140 4 DEPART 15 0 0 150 5 ADVANCE 15 0 0 160 6 RELEASE 15 0 0 170 7 QUEUE 15 4 0 180 8 SEIZE 11 0 0 190 9 DEPART 11 0 0 200 10 ADVANCE 11 1 0 210 11 RELEASE 10 0 0 220 12 QUEUE 10 0 0 230 13 SEIZE 10 0 0 240 14 DEPART 10 0 0 250 15 ADVANCE 10 0 0 260 16 RELEASE 10 0 0 270 17 TERMINATE 10 0 0 280 18 GENERATE 24 0 0 290 19 QUEUE 24 0 0 300 20 SEIZE 24 0 0 310 21 DEPART 24 0 0 320 22 ADVANCE 24 0 0 330 23 RELEASE 24 0 0 340 24 QUEUE 24 0 0 350 25 SEIZE 24 0 0 360 26 DEPART 24 0 0 370 27 ADVANCE 24 1 0 380 28 RELEASE 23 0 0 390 29 QUEUE 23 7 0 400 30 SEIZE 16 0 0 410 31 DEPART 16 0 0 420 32 ADVANCE 16 0 0 430 33 RELEASE 16 0 0 440 34 TERMINATE 16 0 0 450 35 GENERATE 1 0 0 460 36 TERMINATE 1 0 0 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY A1 39 0.479 5.90 1 0 0 0 0 0 A2 27 0.918 16.33 1 29 0 0 0 11 A3 34 0.877 12.38 1 40 0 0 0 0 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY AA1 1 0 39 32 0.03 0.41 2.29 0 AA2 12 11 38 1 5.08 64.16 65.89 0 AA3 2 0 34 10 0.28 3.97 5.63 0

Распечатка выходных данных для моделирования работы участка цеха в течение рабочей недели.

GPSS/PC Report file REPORT.GPS. (V 2, # 39560) 03-03-1999 11:27:02 page 1 START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 2400 36 3 0 7056 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY A1 199 0.522 6.31 1 0 0 0 0 0 A2 139 0.983 16.99 1 142 0 0 0 59 A3 174 0.955 13.18 1 139 0 0 0 1 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY AA1 1 0 199 155 0.06 0.74 3.36 0 AA2 59 59 198 1 29.26 354.67 356.47 0 AA3 3 1 175 23 0.88 12.06 13.89 0

Обсуждение результатов моделирования

Таблица 5. Средняя загрузка станков (в %)

Станок в течение 8 часов в течение 5 рабочих дней
А1 48 52
А2 92 98
А3 88 96
Таблица 6. Максимальная длина очередей к станкам

Станок в течение 8 часов в течение 5 рабочих дней
А1 1 1
А2 12 59
А3 2 3
Таблица 7. Среднее время обработки деталей на станках (в мин.)

Станок в течение 8 часов в течение 5 рабочих дней
А1 5.9 6.31
А2 16.33 16.99
А3 12.38 13.18

Общее число обработанных деталей в течение 8 часов равно 40, в течение рабочей недели — 142. Эти данные могут служить основанием для расчета необходимого размера склада готовой продукции. Из результатов моделирования можно сделать вывод, что первый станок А1 загружен на 50%. Перегружен станок А2 (об этом говорит средний процент использования 98% и длина очереди — 59).
Станок А3 загружен оптимально.
Для повышения эффективности работы данного участка цеха при данном потоке деталей можно использовать два станка А2. Для проверки данного предположения надо внести в программу модели изменения.

 ; GPSS/PC Program File EX2. (V 2, # 39560) 03-03-1999 12:51:15 100 SIMULATE 105 A2 STORAGE 2 Второй станок моделируется как накопитель 110 GENERATE 30,5 120 QUEUE AA1 130 SEIZE A1 140 DEPART AA1 150 ADVANCE 5,2 160 RELEASE A1 170 QUEUE AA2 180 ENTER A2 190 DEPART AA2 200 ADVANCE 20,4 210 LEAVE A2 220 QUEUE AA3 230 SEIZE A3 240 DEPART AA3 250 ADVANCE 10,3 260 RELEASE A3 270 TERMINATE 280 GENERATE 20,5 290 QUEUE AA1 300 SEIZE A1 310 DEPART AA1 320 ADVANCE 7,3 330 RELEASE A1 340 QUEUE AA3 350 SEIZE A3 360 DEPART AA3 370 ADVANCE 15,5 380 RELEASE A3 390 QUEUE AA2 400 ENTER A2 410 DEPART AA2 420 ADVANCE 15,5 430 LEAVE A2 440 TERMINATE 450 GENERATE 2400 460 TERMINATE 1

Распечатка выходных данных для моделирования работы участка цеха в течение рабочего дня.

GPSS/PC Report file REPORT.GPS. (V 2, # 39560) 03-03-1999 12:48:55 page 1 START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 480 36 2 1 13888 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY A1 39 0.462 5.69 1 40 0 0 0 0 A3 35 0.927 12.71 1 38 0 0 0 3 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY AA1 1 0 39 27 0.08 0.95 3.08 0 AA2 1 0 36 31 0.04 0.58 4.20 0 AA3 3 3 38 3 1.38 17.47 18.97 0 STORAGE CAP. REMAIN. MIN. MAX. ENTRIES AVL. AVE.C. UTIL. RETRY DELAY A2 2 1 0 2 36 1 1.30 0.649 0 0

Распечатка выходных данных для моделирования работы участка цеха в течение рабочей недели.

 GPSS/PC Report file REPORT.GPS. (V 2, # 39560) 03-03-1999 12:53:35 page 1 START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY 0 2400 36 2 1 12896 FACILITY ENTRIES UTIL. AVE._TIME AVAILABLE OWNER PEND INTER RETRY DELAY A1 200 0.509 6.11 1 201 0 0 0 0 A3 184 0.985 12.85 1 186 0 0 0 14 QUEUE MAX CONT. ENTRIES ENTRIES(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY AA1 1 0 200 155 0.07 0.78 3.49 0 AA2 1 0 190 170 0.03 0.37 3.50 0 AA3 16 14 198 3 7.49 90.79 92.19 0 STORAGE CAP. REMAIN. MIN. MAX. ENTRIES AVL. AVE.C. UTIL. RETRY DELAY A2 2 1 0 2 190 1 1.34 0.672 0 0

Задание для домашней подготовки

Порядок выполнения работы

  1. Ознакомиться с текстом прогаммы на GPSS для примера.
  2. Внести изменеия в этот текст в соответствии с вариантом , заданным преподавателем.
  3. Войти в директорию GPSS, запустить программу GPSSPC.
  4. После загрузки интерпретатора GPSS загрузить модель, использую команду загрузки @EX1.
  5. Внести изменения в текст примера в соответствии с заданием.
  6. Сохранить измененный текст, используя команду SAVE VAR1
  7. Закончить работу интерпретатора, введя команду END.
  8. Вновь запустить интерпретатор, при этом загрузить ваш вариант текста модели: @VAR1.
  9. Выполнить моделирование, используя команду START 1. При выполнении моделирования можно посмотреть динамическое использование устройств, памяти и проследить прохождение транзактов по блоком . Для этого необходимо нажать следующие клавиши: +F — для переключения на «окно устройств», +S — для переключения на «окно памяти», +B — для переключения на «окно блоков».
  10. Для просмотра статистики использовать программу GPSSREPT.
  11. Составить отчет .

Содержание отчета

  1. Тексты программ с внесенными в них изменениями.
  2. Результаты моделирования.
  3. Объяснение влияния изменений на результаты моделирования.

Задания для самопроверки

  1. Приведите примеры объектов, которые целесообразно исследовать с помощью имитационного моделирования СМО.
  2. Объясните, выполнение каких действий вызывает оператор TRASFER P,1,4.
  3. Опишите на языке GPSS событие, связанное с приходом транзакта на вход ОА с именем СОМ.
  4. Опишите на языке GPSS входной поток транзактов, интервал времени между появлениями транзактов — случайная величина с экспоненциальным законом распределения с интенсивностью = 0.2 1/мин.
  5. Запишите на языке GPSS оператор перехода к оператору с меткой LAB, если длина очереди ╧ 5 превышает 10 транзактов.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *