Курс лекций по дисциплине «Основы системного анализа и моделирование технологических процессов»



Pdf просмотр
страница33/73
Дата14.12.2022
Размер2,05 Mb.
#196822
ТипКурс лекций
1   ...   29   30   31   32   33   34   35   36   ...   73
Связанные:
Konspekt-lektsiy Osnovy-sistemnogo-analiza-i-modelirovanie-tekhnologicheskikh-protsessov
Практическое занятие №6
k
j
(x)
(
x

X
,
X
– множество альтернатив) выбирается так, чтобы по мере улучшения решения (приближения к заданной цели) критерий монотонно увеличивался или уменьшался. Далее будем полагать, что для всех частных критериев предпочтительным является увеличение значения критерия. Чтобы воспользоваться таким предположением, достаточно изменить знак у тех критериев, уменьшение которых соответствует лучшему решению.


В простейшем случае для многокритериальных задач правило достижения лучшего решения – принцип оптимальности – можно сформулировать по аналогии с однокритериальными задачами следующим образом: оптимальное решение задачи с векторным критерием
K ={k
j
(x)
}
j

(1,2,...,n)
достигается, если все частные критерии
k
j
(x)
достигают максимума одновременно, т.е. существует такая альтернатива
x*
, что
k
j
(x*) ≥ k
j
(x)
для всех
x

X
и
j

(1,2,...,n)
, причем хотя бы для одного частного критерия имеет место строгое неравенство.
Однако подобная ситуация для реальных задач не типична. Обычно увеличение одних критериев сопровождается уменьшением других. В подобных случаях оказывается необходимым прибегнуть к некоторому компромиссу и сформулировать принцип оптимальности в следующем виде: лучшей альтернативой (оптимальным решением) считается такая альтернатива, которая хотя и не обеспечивает максимальное значение каждого критерия, но при привлечении дополнительных соображений, в том числе об относительной приоритетности частных критериев, но обеспечивает в каком- то смысле лучшее значение векторного критерия.
Таким образом, задачу с векторным критерием можно сформулировать следующим образом: требуется найти альтернативу
x*
(оптимальное решение
x*),
удовлетворяющую двум условиям:
1)
x*

X
, где
X
– множество всех возможных альтернатив;
2)
x*
– наилучшее решение согласно принципу оптимальности, учитывающему принятую схему компромисса между частными целями.
Задачи поиска лучшего решения для трех распространенных схем компромисса можно сформулировать следующим образом.
Схема 1. Ищется альтернатива, доставляющая максимум одному, наиболее предпочтительному критерию при условии, что значения остальных критериев будут не менее некоторых заданных заранее величин –
c
j
k
1
(x) → max; x

X; k
j
(x) ≥ c
j
;
𝑗 = 2, 𝑛
̅̅̅̅̅
, здесь
k
1
(x)
– наиболее предпочтительный критерий;
c
j

заданное минимально допустимое значение
j
-го критерия.
Схема 2. Ищется альтернатива
x

X
, на которой достигается максимум минимального частного критерия. min
𝑗
𝑓
𝑗
(𝑘
𝑗
(𝑥)) → max
𝑥∈𝑋
f
j
– функции, нормализующие критерии, т.е. приводящие их к единой размерности и масштабу. Нормализация необходима, если частные критерии имеют различный физический смысл и измеряются в различных единицах.


Схема 3. Строится обобщенная функция частных критериев
𝐿(𝑥) = 𝐹(𝑘
1
(𝑥), 𝑘
2
(𝑥), … , 𝑘(𝑥))𝑚
и ищется альтернатива, доставляющая максимум этой функции.
Распространенной, но не обязательно лучшей, в конкретной задаче, является функция свертки вида
𝐿(𝑥) = ∑
𝛼
𝑗
𝑓
𝑗
(𝑘
𝑗
(𝑥)) , 𝛼
𝑖
> 0,
𝑛
𝑗=1

𝛼
𝑖
𝑛
𝑖=1
= 1
𝛼
𝑖
– коэффициенты, учитывающие приоритетность частных критериев.
Здесь приведены схемы поиска решений. Алгоритм реализации этих схем должен учитывать особенности конкретной задачи и определенные условия возможности применения схемы. Так, например, в 1 необходимо вначале построить множество Парето, свертка 3 может быть использована в специально оговоренных условиях.
Часто в критерий закладываются одновременно оценки качества решения задачи и какой ценой это качество достигается (критерии вида эффективность-стоимость). Критерии должны быть, по возможности, нечувствительны к небольшим ошибкам во входной информации.
Вследствие сложности реальных задач иногда приходится прибегать к приближенным критериям, которые зачастую дают хороший результат.
Очевидно, что от вида критерия может существенно зависеть оценка относительной ценности альтернатив. Рекомендуется проводить сравнение результатов, полученных при различных критериях.
8. Окончательное определение масштаба эксперимента производится на этапе «Планирование эксперимента». Однако уже при постановке задачи необходимо оценить предполагаемый масштаб эксперимент, в том числе ограничения, которые могут возникнуть в связи с недостатком ресурсов и средств. Последние ограничения достаточно типичны для прикладных исследований и соответственно влияют на вид создаваемой модели. При разработке модели учитывается и предполагаемый характер использования модели – будет ли модель использоваться неоднократно.
Формализация задачи
Математическая постановка (формализация) задачи – создание математической модели – завершает этап постановки задачи.
Математическая модель начинается с момента, когда формулируется система аксиом, описывающая не только сам объект, но некоторую алгебру, т.е. совокупность правил, определяющих допустимые операции над объектом.


При формализации задачи должны быть определены функциональные зависимости, связывающие переменные и параметры модели.
Формализация задачи существенно зависит от знания исследуемого объекта, задачи исследования, а также вида создаваемой модели. Общего метода подбора зависимостей (отношений, функций) не существует. Чем больше функциональных зависимостей известно исследователю, чем больше он может привлечь и критически осмыслить аналогий, тем успешнее будет его деятельность по разработке модели. Полезными могут так-же оказаться, благодаря наглядности, графические представления.
Относительно просто устанавливается структура асимптотических моделей. Задача сводится к уточнению структуры модели, определению значения ее параметров и входных переменных.
В моделях ансамблей обязательной и сложной задачей является выявление изменений в свойствах подсистем при объединении их в систему.
Наибольшие трудности возникают при разработке феноменологических моделей.
На основе опыта разработки моделей предложены основные варианты
(принципы) подхода к разработке моделей при различной доступности информации относительно структуры системы и протекающих в ней процессов.
Принцип 1. Система достаточно проста и прозрачна, так что ее можно обследовать и понять, например, путем наблюдения или расспросов людей, работающих с системой. Непосредственно по результатам изучения системы можно сконструировать ее модель.
Принцип 2. Если структура системы очевидна, но методы описания не ясны, можно воспользоваться сходством исследуемой системы с другой, в том числе, возможно, более простой, описание которой известно.
Принцип 3. Структура системы неизвестна, но ее можно определить путем анализа данных о функционировании системы. Фактически будет получена гипотеза о структуре, которую затем необходимо проверить экспериментально.
Принцип 4. Анализ данных о работе системы не позволяет определить влияние отдельных переменных на показатели работы системы, возникает необходимость в проведении эксперимента с целью выявления релевантных факторов и их влияния на работу системы. При этом предполагается возможность проведения соответствующего эксперимента на системе.
Принцип 5. Достаточные описательные данные о системе отсутствуют, проведение эксперимента на системе не допустимо. В этом случае может быть построена достаточно подробная модель искусственной действительности,

используемая для накопления статистики о возможном функционировании системы путем статистических испытаний гипотез о реальном мире.
Рекомендуется при создании математической модели действовать в следующем порядке:
− подыскать аналогии;
− подобрать и рассмотреть специальные примеры, характерные для решаемой задачи;
− принять решение о выборе класса (типа) модели, в том числе решить будет модель аналитической, имитационной, комбинированной;
− записать соображения, характеризующие закономерности, имеющие место в системе, при необходимости провести дополнительные исследования;
− если модель не поддается описанию, найти способы упрощения проблемы.
При определении отношений между элементами системы, а также между системой и окружающей средой необходимо точно установить причинно-следственные связи.
Различают связи:
− реактивные: система (элементы системы) реагирует на событие (при повороте выключателя – зажглась лампа);
− ответные: одно событие влечет за собой другое (стемнело – включаем освещение);
− автономные: появление события ничем непосредственно не обусловлено (зачастую это поведение человека).
Причинно-следственные связи могут быть детерминированными и вероятностными. При выявлении этих связей иногда возникают грубые
(иногда преднамеренные) ошибки.
В общем случае некоторые модельные соотношения выводятся непосредственно при анализе системы, но часть соотношений принимаются без вывода и являются постулатами модели, от их качества в значительной мере зависит адекватность модели.
Постулаты имеют различное происхождение.
1. Некоторые постулаты вытекают из универсальных физических законов, в том числе законов с ограниченной областью действия.
2. Феноменологические законы – хорошо эмпирически обоснованные, но имеющие ограниченную область действия. Применение такого закона должно быть обусловлено попаданием исследуемого явления в зону действия закона.
3. Полуэмпирические законы, действенность которых зависит от условий применения. Чаще всего эти законы базируются на «слепой»

обработке экспериментальных данных. Применение подобных законов следует контролировать рациональными рассуждениями.
На этапе формализации важно правильно ограничить число степеней свободы, не «заложить» вычислительную неразрешимость задачи.
Проблема размерности существенно ограничивает возможности эффективного применения многих математических методов.
При разработке модели сложной системы очень часто полезно начать с создания «грубой» модели, в которой учитывается по возможности наименьшее число «основных» переменных и параметров. По мере уточнения подробностей относительно функционирования системы переменные и параметры можно выстроить в некоторую иерархическую последовательность
Классический пример подобной иерархии – небесная механика.
1-я грубая модель – планеты – материальные точки, подчиняющиеся законам Ньютона. Определены законы Кеплера.
2-й шаг – учитывается размер планет и движение солнца. Уточняются траектории движения всех тел.
3-й шаг – учет релятивистских эффектов.
Иногда удобно иерархию переменных связывать с масштабами переменных, например, различать переменные быстро, нормально и медленно меняющиеся. Последние на некотором временном интервале при моделировании можно «заморозить».
После получения первого варианта формализации проанализировать все допущения и уточнить математическую постановку.
Некоторые типовые проблемы, возникающие при исследовании.
Интерполяция, экстраполяция, прогнозирование
При разработке моделей часто возникает задача поиска аналитических зависимостей, близких к функциям, описывающих реальные закономерности.
Простейшая задача заключается в следующем. На интервале наблюдения


Поделитесь с Вашими друзьями:
1   ...   29   30   31   32   33   34   35   36   ...   73




База данных защищена авторским правом ©psihdocs.ru 2023
обратиться к администрации

    Главная страница