Modellazione e simulazione - Guida rapida
Modellingè il processo di rappresentazione di un modello che include la sua costruzione e il suo funzionamento. Questo modello è simile a un sistema reale, che aiuta l'analista a prevedere l'effetto delle modifiche al sistema. In altre parole, la modellazione sta creando un modello che rappresenta un sistema comprese le loro proprietà. È un atto di costruzione di un modello.
Simulationdi un sistema è il funzionamento di un modello in termini di tempo o spazio, che aiuta ad analizzare le prestazioni di un sistema esistente o proposto. In altre parole, la simulazione è il processo di utilizzo di un modello per studiare le prestazioni di un sistema. È un atto di utilizzare un modello per la simulazione.
Storia della simulazione
La prospettiva storica della simulazione è enumerata in ordine cronologico.
1940 - Un metodo chiamato "Monte Carlo" è stato sviluppato da ricercatori (John von Neumann, Stanislaw Ulan, Edward Teller, Herman Kahn) e fisici che lavorano a un progetto di Manhattan per studiare la diffusione dei neutroni.
1960 - Sono stati sviluppati i primi linguaggi di simulazione per scopi speciali, come SIMSCRIPT di Harry Markowitz presso la RAND Corporation.
1970 - Durante questo periodo, è stata avviata la ricerca sui fondamenti matematici della simulazione.
1980 - Durante questo periodo, sono stati sviluppati software di simulazione basati su PC, interfacce utente grafiche e programmazione orientata agli oggetti.
1990 - Durante questo periodo, sono stati sviluppati la simulazione basata sul web, la grafica animata di fantasia, l'ottimizzazione basata sulla simulazione, i metodi Monte Carlo della catena di Markov.
Sviluppo di modelli di simulazione
I modelli di simulazione sono costituiti dai seguenti componenti: entità di sistema, variabili di input, misure delle prestazioni e relazioni funzionali. Di seguito sono riportati i passaggi per sviluppare un modello di simulazione.
Step 1 - Identificare il problema con un sistema esistente o impostare i requisiti di un sistema proposto.
Step 2 - Progettare il problema occupandosi dei fattori e dei limiti del sistema esistente.
Step 3 - Raccogliere e avviare l'elaborazione dei dati di sistema, osservandone le prestazioni e il risultato.
Step 4 - Sviluppare il modello utilizzando diagrammi di rete e verificarlo utilizzando varie tecniche di verifica.
Step 5 - Convalida il modello confrontando le sue prestazioni in varie condizioni con il sistema reale.
Step 6 - Creare un documento del modello per un utilizzo futuro, che includa in dettaglio obiettivi, ipotesi, variabili di input e prestazioni.
Step 7 - Selezionare un disegno sperimentale appropriato secondo il requisito.
Step 8 - Indurre condizioni sperimentali sul modello e osservare il risultato.
Esecuzione dell'analisi di simulazione
Di seguito sono riportati i passaggi per eseguire l'analisi della simulazione.
Step 1 - Prepara una dichiarazione del problema.
Step 2- Scegli le variabili di input e crea entità per il processo di simulazione. Esistono due tipi di variabili: variabili decisionali e variabili incontrollabili. Le variabili decisionali sono controllate dal programmatore, mentre le variabili incontrollabili sono le variabili casuali.
Step 3 - Creare vincoli sulle variabili decisionali assegnandole al processo di simulazione.
Step 4 - Determina le variabili di output.
Step 5 - Raccogli i dati dal sistema reale per inserirli nella simulazione.
Step 6 - Sviluppa un diagramma di flusso che mostri l'avanzamento del processo di simulazione.
Step 7 - Scegli un software di simulazione appropriato per eseguire il modello.
Step 8 - Verifica il modello di simulazione confrontandone il risultato con il sistema in tempo reale.
Step 9 - Eseguire un esperimento sul modello modificando i valori delle variabili per trovare la soluzione migliore.
Step 10 - Infine, applica questi risultati al sistema in tempo reale.
Modellazione e simulazione ─ Vantaggi
Di seguito sono riportati i vantaggi dell'utilizzo di modellazione e simulazione:
Easy to understand - Permette di capire come funziona realmente il sistema senza lavorare su sistemi in tempo reale.
Easy to test - Consente di apportare modifiche al sistema e il loro effetto sull'output senza lavorare su sistemi in tempo reale.
Easy to upgrade - Permette di determinare i requisiti di sistema applicando diverse configurazioni.
Easy to identifying constraints - Consente di eseguire analisi dei colli di bottiglia che causano ritardi nel processo di lavoro, informazioni, ecc.
Easy to diagnose problems- Alcuni sistemi sono così complessi che non è facile capire la loro interazione alla volta. Tuttavia, Modeling & Simulation consente di comprendere tutte le interazioni e analizzarne l'effetto. Inoltre, è possibile esplorare nuove politiche, operazioni e procedure senza influire sul sistema reale.
Modellazione e simulazione ─ Svantaggi
Di seguito sono riportati gli svantaggi dell'utilizzo di modellazione e simulazione:
Progettare un modello è un'arte che richiede conoscenza, formazione ed esperienza nel settore.
Le operazioni vengono eseguite sul sistema utilizzando un numero casuale, quindi difficile prevedere il risultato.
La simulazione richiede manodopera ed è un processo che richiede tempo.
I risultati della simulazione sono difficili da tradurre. Richiede esperti per capire.
Il processo di simulazione è costoso.
Modellazione e simulazione ─ Aree di applicazione
La modellazione e la simulazione possono essere applicate alle seguenti aree: applicazioni militari, formazione e supporto, progettazione di semiconduttori, telecomunicazioni, progetti e presentazioni di ingegneria civile e modelli di e-business.
Inoltre, viene utilizzato per studiare la struttura interna di un sistema complesso come il sistema biologico. Viene utilizzato durante l'ottimizzazione della progettazione del sistema come algoritmo di instradamento, catena di montaggio, ecc. Viene utilizzato per testare nuovi progetti e politiche. Viene utilizzato per verificare soluzioni analitiche.
In questo capitolo, discuteremo vari concetti e classificazioni della modellazione.
Modelli ed eventi
Di seguito sono riportati i concetti di base di modellazione e simulazione.
Object è un'entità che esiste nel mondo reale per studiare il comportamento di un modello.
Base Model è una spiegazione ipotetica delle proprietà dell'oggetto e del suo comportamento, valida in tutto il modello.
System è l'oggetto articolato in condizioni definite, che esiste nel mondo reale.
Experimental Frameviene utilizzato per studiare un sistema nel mondo reale, come condizioni sperimentali, aspetti, obiettivi, ecc. Il Frame sperimentale di base è costituito da due serie di variabili: le variabili di input del frame e le variabili di output del frame, che corrispondono al sistema o ai terminali del modello. La variabile di input Frame è responsabile della corrispondenza degli input applicati al sistema o a un modello. La variabile di output Frame è responsabile della corrispondenza dei valori di output con il sistema o un modello.
Lumped Model è una spiegazione esatta di un sistema che segue le condizioni specificate di un dato Frame Sperimentale.
Verificationè il processo di confronto di due o più elementi per garantirne l'accuratezza. In Modeling & Simulation, la verifica può essere eseguita confrontando la coerenza di un programma di simulazione e il modello concentrato per garantirne le prestazioni. Esistono vari modi per eseguire il processo di convalida, che tratteremo in un capitolo separato.
Validationè il processo di confronto tra due risultati. In Modeling & Simulation, la convalida viene eseguita confrontando le misurazioni dell'esperimento con i risultati della simulazione nel contesto di un frame sperimentale. Il modello non è valido se i risultati non corrispondono. Esistono vari modi per eseguire il processo di convalida, che tratteremo in un capitolo separato.
Variabili di stato del sistema
Le variabili di stato del sistema sono un insieme di dati, necessari per definire il processo interno all'interno del sistema in un dato momento.
In un discrete-event model, le variabili di stato del sistema rimangono costanti su intervalli di tempo ei valori cambiano in punti definiti chiamati tempi degli eventi.
In continuous-event model, le variabili di stato del sistema sono definite dai risultati dell'equazione differenziale il cui valore cambia continuamente nel tempo.
Di seguito sono riportate alcune delle variabili di stato del sistema:
Entities & Attributes- Un'entità rappresenta un oggetto il cui valore può essere statico o dinamico, a seconda del processo con altre entità. Gli attributi sono i valori locali utilizzati dall'entità.
Resources- Una risorsa è un'entità che fornisce un servizio a una o più entità dinamiche alla volta. L'entità dinamica può richiedere una o più unità di una risorsa; se accettata, l'entità può utilizzare la risorsa e rilasciare una volta completata. Se rifiutato, l'entità può unirsi a una coda.
Lists- Gli elenchi vengono utilizzati per rappresentare le code utilizzate dalle entità e dalle risorse. Esistono varie possibilità di code come LIFO, FIFO, ecc. A seconda del processo.
Delay - È una durata indefinita causata da una combinazione di condizioni del sistema.
Classificazione dei modelli
Un sistema può essere classificato nelle seguenti categorie.
Discrete-Event Simulation Model- In questo modello, i valori delle variabili di stato cambiano solo in alcuni punti discreti nel tempo in cui si verificano gli eventi. Gli eventi si verificheranno solo all'orario di attività e ritardi definiti.
Stochastic vs. Deterministic Systems - I sistemi stocastici non sono influenzati dalla casualità e il loro output non è una variabile casuale, mentre i sistemi deterministici sono influenzati dalla casualità e il loro output è una variabile casuale.
Static vs. Dynamic Simulation- La simulazione statica include modelli che non sono influenzati dal tempo. Ad esempio: modello Monte Carlo. La simulazione dinamica include modelli influenzati dal tempo.
Discrete vs. Continuous Systems- Il sistema discreto è influenzato dai cambiamenti della variabile di stato in un momento discreto. Il suo comportamento è illustrato nella seguente rappresentazione grafica.
Il sistema continuo è influenzato dalla variabile di stato, che cambia continuamente in funzione del tempo. Il suo comportamento è illustrato nella seguente rappresentazione grafica.
Processo di modellazione
Il processo di modellazione include i seguenti passaggi.
Step 1- Esamina il problema. In questa fase, dobbiamo comprendere il problema e scegliere la sua classificazione di conseguenza, come deterministica o stocastica.
Step 2- Progetta un modello. In questa fase, dobbiamo eseguire le seguenti semplici attività che ci aiutano a progettare un modello:
Raccogli i dati in base al comportamento del sistema e ai requisiti futuri.
Analizza le caratteristiche del sistema, i suoi presupposti e le azioni necessarie da intraprendere per rendere il modello di successo.
Determina i nomi delle variabili, le funzioni, le unità, le relazioni e le applicazioni utilizzate nel modello.
Risolvere il modello utilizzando una tecnica adatta e verificare il risultato utilizzando metodi di verifica. Quindi convalida il risultato.
Prepara un rapporto che includa risultati, interpretazioni, conclusioni e suggerimenti.
Step 3- Fornire raccomandazioni dopo aver completato l'intero processo relativo al modello. Include investimenti, risorse, algoritmi, tecniche, ecc.
Uno dei veri problemi che l'analista della simulazione deve affrontare è convalidare il modello. Il modello di simulazione è valido solo se il modello è una rappresentazione accurata del sistema reale, altrimenti non è valido.
Validazione e verifica sono le due fasi di qualsiasi progetto di simulazione per convalidare un modello.
Validationè il processo di confronto tra due risultati. In questo processo, dobbiamo confrontare la rappresentazione di un modello concettuale con il sistema reale. Se il confronto è vero, allora è valido, altrimenti non è valido.
Verificationè il processo di confronto di due o più risultati per garantirne l'accuratezza. In questo processo, dobbiamo confrontare l'implementazione del modello ei dati associati con la descrizione concettuale e le specifiche dello sviluppatore.
Tecniche di verifica e convalida
Esistono varie tecniche utilizzate per eseguire la verifica e la convalida del modello di simulazione. Di seguito sono riportate alcune delle tecniche comuni:
Tecniche per eseguire la verifica del modello di simulazione
Di seguito sono riportati i modi per eseguire la verifica del modello di simulazione:
Utilizzando capacità di programmazione per scrivere ed eseguire il debug del programma in sottoprogrammi.
Utilizzando il criterio "Procedura dettagliata strutturata" in cui più di una persona deve leggere il programma.
Tracciando i risultati intermedi e confrontandoli con i risultati osservati.
Controllando l'output del modello di simulazione utilizzando varie combinazioni di input.
Confrontando il risultato finale della simulazione con i risultati analitici.
Tecniche per eseguire la convalida del modello di simulazione
Step 1- Progettare un modello con alta validità. Ciò può essere ottenuto utilizzando i seguenti passaggi:
- Il modello deve essere discusso con gli esperti di sistema durante la progettazione.
- Il modello deve interagire con il cliente durante tutto il processo.
- L'output deve essere supervisionato da esperti di sistema.
Step 2- Testare il modello su dati di ipotesi. Ciò può essere ottenuto applicando i dati di ipotesi nel modello e testandoli quantitativamente. È inoltre possibile eseguire un'analisi sensibile per osservare l'effetto del cambiamento nel risultato quando vengono apportate modifiche significative ai dati di input.
Step 3- Determina l'output rappresentativo del modello di simulazione. Ciò può essere ottenuto utilizzando i seguenti passaggi:
Determina quanto è vicino l'output della simulazione con l'output del sistema reale.
Il confronto può essere eseguito utilizzando il test di Turing. Presenta i dati nel formato di sistema, che può essere spiegato solo da esperti.
Il metodo statistico può essere utilizzato per confrontare l'output del modello con l'output del sistema reale.
Confronto dei dati del modello con dati reali
Dopo lo sviluppo del modello, dobbiamo eseguire il confronto dei suoi dati di output con i dati del sistema reale. Di seguito sono riportati i due approcci per eseguire questo confronto.
Convalida del sistema esistente
In questo approccio, utilizziamo gli input del mondo reale del modello per confrontare il suo output con quello degli input del mondo reale del sistema reale. Questo processo di validazione è semplice, tuttavia, può presentare alcune difficoltà quando viene eseguito, ad esempio se l'output deve essere confrontato con lunghezza media, tempo di attesa, tempo di inattività, ecc. Può essere confrontato utilizzando test statistici e test di ipotesi. Alcuni dei test statistici sono il test chi-quadrato, il test di Kolmogorov-Smirnov, il test di Cramer-von Mises e il test Moments.
Convalida del primo modello temporale
Considera che dobbiamo descrivere un sistema proposto che non esiste al presente né è esistito nel passato. Pertanto, non sono disponibili dati storici con cui confrontare le sue prestazioni. Quindi, dobbiamo utilizzare un sistema ipotetico basato su ipotesi. Seguire utili indicazioni aiuterà a renderlo efficiente.
Subsystem Validity- Un modello stesso può non avere alcun sistema esistente con cui confrontarlo, ma può essere costituito da un sottosistema noto. Ciascuna di quella validità può essere verificata separatamente.
Internal Validity - Un modello con un alto grado di varianza interna sarà rifiutato poiché un sistema stocastico con un'elevata varianza a causa dei suoi processi interni nasconderà le modifiche nell'output dovute alle modifiche degli input.
Sensitivity Analysis - Fornisce le informazioni sul parametro sensibile nel sistema a cui dobbiamo prestare maggiore attenzione.
Face Validity - Quando il modello funziona su logiche opposte, allora dovrebbe essere rifiutato anche se si comporta come il sistema reale.
Nei sistemi discreti, i cambiamenti nello stato del sistema sono discontinui e ogni cambiamento nello stato del sistema è chiamato un event. Il modello utilizzato in una simulazione di sistema discreto ha un insieme di numeri per rappresentare lo stato del sistema, chiamato come astate descriptor. In questo capitolo impareremo anche la simulazione della coda, che è un aspetto molto importante nella simulazione di eventi discreti insieme alla simulazione del sistema di condivisione del tempo.
Di seguito è riportata la rappresentazione grafica del comportamento di una simulazione di sistema discreto.
Simulazione di eventi discreti ─ Caratteristiche principali
La simulazione di eventi discreti viene generalmente eseguita da un software progettato in linguaggi di programmazione di alto livello come Pascal, C ++ o qualsiasi linguaggio di simulazione specializzato. Di seguito sono riportate le cinque caratteristiche principali:
Entities - Queste sono la rappresentazione di elementi reali come le parti di macchine.
Relationships - Significa collegare insieme le entità.
Simulation Executive - È responsabile del controllo del tempo di anticipo e dell'esecuzione di eventi discreti.
Random Number Generator - Aiuta a simulare diversi dati che entrano nel modello di simulazione.
Results & Statistics - Convalida il modello e fornisce le sue misurazioni delle prestazioni.
Rappresentazione del grafico temporale
Ogni sistema dipende da un parametro temporale. In una rappresentazione grafica viene indicato come orologio o contatore del tempo e inizialmente è impostato su zero. Il tempo viene aggiornato in base ai seguenti due fattori:
Time Slicing - È il tempo definito da un modello per ogni evento fino all'assenza di qualsiasi evento.
Next Event- È l'evento definito dal modello per l'evento successivo da eseguire invece di un intervallo di tempo. È più efficiente del Time Slicing.
Simulazione di un sistema di accodamento
Una coda è la combinazione di tutte le entità del sistema servite e di quelle in attesa del proprio turno.
Parametri
Di seguito è riportato l'elenco dei parametri utilizzati nel sistema di accodamento.
| Simbolo | Descrizione |
|---|---|
| λ | Indica la velocità di arrivo che è il numero di arrivi al secondo |
| Ts | Indica il tempo medio di servizio per ogni arrivo escluso il tempo di attesa in coda |
| σTs | Indica la deviazione standard del tempo di servizio |
| ρ | Indica l'utilizzo del tempo del server, sia quando era inattivo che occupato |
| u | Denota l'intensità del traffico |
| r | Indica la media degli elementi nel sistema |
| R | Indica il numero totale di elementi nel sistema |
| Tr | Indica il tempo medio di un elemento nel sistema |
| TR | Indica il tempo totale di un elemento nel sistema |
| σr | Denota la deviazione standard di r |
| σTr | Denota la deviazione standard di Tr |
| w | Indica il numero medio di elementi in attesa nella coda |
| σw | Denota la deviazione standard di w |
| Tw | Indica il tempo medio di attesa di tutti gli articoli |
| Td | Indica il tempo medio di attesa degli articoli in attesa in coda |
| N | Indica il numero di server in un sistema |
| mx (y) | Indica il y- esimo percentile che significa il valore di y al di sotto del quale x si verifica y per cento delle volte |
Coda server singolo
Questo è il sistema di accodamento più semplice come rappresentato nella figura seguente. L'elemento centrale del sistema è un server, che fornisce il servizio ai dispositivi o agli elementi collegati. Gli elementi richiedono al sistema di essere serviti, se il server è inattivo. Quindi, viene servito immediatamente, altrimenti si unisce a una coda di attesa. Dopo che l'attività è stata completata dal server, l'elemento si allontana.
Coda multi server
Come suggerisce il nome, il sistema è costituito da più server e una coda comune per tutti gli elementi. Quando un elemento richiede il server, viene allocato se è disponibile almeno un server. Altrimenti la coda inizia a partire finché il server non è libero. In questo sistema, assumiamo che tutti i server siano identici, cioè non c'è differenza quale server viene scelto per quale elemento.
C'è un'eccezione di utilizzo. PermettereN essere gli stessi server, quindi ρè l'utilizzo di ogni server. RitenereNρessere l'utilizzazione dell'intero sistema; allora l'utilizzo massimo èN*100%e la velocità di input massima è -
$ λmax = \ frac {\ text {N}} {\ text {T} s} $
Rapporti in coda
La tabella seguente mostra alcune relazioni di accodamento di base.
| Termini generali | Server singolo | Multi server |
|---|---|---|
| r = formula di λTr Little | ρ = λTs | ρ = λTs / N |
| w = λTw formula di Little | r = w + ρ | u = λTs = ρN |
| Tr = Tw + Ts | r = w + Nρ |
Simulazione del sistema di time-sharing
Il sistema di condivisione del tempo è progettato in modo tale che ogni utente utilizzi una piccola porzione di tempo condivisa su un sistema, il che si traduce in più utenti che condividono il sistema contemporaneamente. Il cambio di ogni utente è così rapido che ogni utente ha voglia di usare il proprio sistema. Si basa sul concetto di pianificazione della CPU e multi-programmazione in cui più risorse possono essere utilizzate in modo efficace eseguendo più lavori contemporaneamente su un sistema.
Example - Sistema di simulazione SimOS.
È stato progettato dalla Stanford University per studiare i complessi progetti hardware del computer, analizzare le prestazioni delle applicazioni e studiare i sistemi operativi. SimOS contiene la simulazione software di tutti i componenti hardware dei moderni sistemi informatici, ovvero processori, Memory Management Unit (MMU), cache, ecc.
Un sistema continuo è quello in cui le attività importanti del sistema si completano senza problemi senza alcun ritardo, cioè nessuna coda di eventi, nessun ordinamento della simulazione temporale, ecc. Quando un sistema continuo è modellato matematicamente, le sue variabili che rappresentano gli attributi sono controllate da funzioni continue .
Cos'è la simulazione continua?
La simulazione continua è un tipo di simulazione in cui le variabili di stato cambiano continuamente rispetto al tempo. Di seguito è riportata la rappresentazione grafica del suo comportamento.
Perché utilizzare la simulazione continua?
Dobbiamo utilizzare la simulazione continua in quanto dipende dall'equazione differenziale di vari parametri associati al sistema e dai loro risultati stimati a noi noti.
Aree di applicazione
La simulazione continua viene utilizzata nei seguenti settori. In ingegneria civile per la costruzione di rilevati di dighe e costruzioni di gallerie. Nelle applicazioni militari per la simulazione della traiettoria dei missili, la simulazione dell'addestramento di aerei da combattimento e la progettazione e il collaudo di controller intelligenti per veicoli sottomarini.
Nella logistica per la progettazione del casello autostradale, l'analisi del flusso di passeggeri al terminal dell'aeroporto e la valutazione proattiva degli orari dei voli. Nello sviluppo aziendale per la pianificazione dello sviluppo del prodotto, la pianificazione della gestione del personale e l'analisi di studi di mercato.
La simulazione Monte Carlo è una tecnica matematica computerizzata per generare dati di campioni casuali basati su una distribuzione nota per esperimenti numerici. Questo metodo viene applicato all'analisi quantitativa del rischio e ai problemi decisionali. Questo metodo è utilizzato da professionisti di vari profili come finanza, project management, energia, produzione, ingegneria, ricerca e sviluppo, assicurazioni, petrolio e gas, trasporti, ecc.
Questo metodo è stato utilizzato per la prima volta dagli scienziati che lavoravano sulla bomba atomica nel 1940. Questo metodo può essere utilizzato in quelle situazioni in cui è necessario fare una stima e decisioni incerte come le previsioni meteorologiche.
Simulazione Monte Carlo ─ Caratteristiche importanti
Di seguito sono riportate le tre caratteristiche importanti del metodo Monte-Carlo:
- Il suo output deve generare campioni casuali.
- La sua distribuzione degli input deve essere nota.
- Il suo risultato deve essere conosciuto durante l'esecuzione di un esperimento.
Simulazione Monte Carlo ─ Vantaggi
- Facile da implementare.
- Fornisce campionamento statistico per esperimenti numerici utilizzando il computer.
- Fornisce una soluzione approssimativa ai problemi matematici.
- Può essere utilizzato sia per problemi stocastici che deterministici.
Simulazione Monte Carlo ─ Svantaggi
Richiede tempo poiché è necessario generare un numero elevato di campionamenti per ottenere l'output desiderato.
I risultati di questo metodo sono solo l'approssimazione dei valori veri, non l'esatto.
Metodo di simulazione Monte Carlo ─ Diagramma di flusso
La figura seguente mostra un diagramma di flusso generalizzato della simulazione Monte Carlo.
L'obiettivo del database in Modeling & Simulation è fornire la rappresentazione dei dati e la loro relazione a scopo di analisi e test. Il primo modello di dati è stato introdotto nel 1980 da Edgar Codd. Di seguito sono state le caratteristiche salienti del modello.
Il database è la raccolta di diversi oggetti dati che definisce le informazioni e le loro relazioni.
Le regole servono per definire i vincoli sui dati negli oggetti.
Le operazioni possono essere applicate agli oggetti per il recupero delle informazioni.
Inizialmente, la modellazione dei dati era basata sul concetto di entità e relazioni in cui le entità sono tipi di informazioni di dati e le relazioni rappresentano le associazioni tra le entità.
L'ultimo concetto per la modellazione dei dati è il design orientato agli oggetti in cui le entità sono rappresentate come classi, che vengono utilizzate come modelli nella programmazione di computer. Una classe avente nome, attributi, vincoli e relazioni con oggetti di altre classi.
La sua rappresentazione di base sembra:
Rappresentazione dei dati
Rappresentazione dei dati per eventi
Un evento di simulazione ha i suoi attributi come il nome dell'evento e le informazioni sull'ora associate. Rappresenta l'esecuzione di una simulazione fornita utilizzando un set di dati di input associati al parametro del file di input e fornisce il suo risultato come un insieme di dati di output, memorizzati in più file associati ai file di dati.
Rappresentazione dei dati per i file di input
Ogni processo di simulazione richiede un diverso set di dati di input e i valori dei parametri associati, che sono rappresentati nel file di dati di input. Il file di input è associato al software che elabora la simulazione. Il modello di dati rappresenta i file referenziati da un'associazione con un file di dati.
Rappresentazione dei dati per i file di output
Quando il processo di simulazione è completato, produce vari file di output e ogni file di output viene rappresentato come un file di dati. Ogni file ha il suo nome, descrizione e un fattore universale. Un file di dati è classificato in due file. Il primo file contiene i valori numerici e il secondo file contiene le informazioni descrittive per il contenuto del file numerico.
Reti neurali in modellazione e simulazione
La rete neurale è il ramo dell'intelligenza artificiale. La rete neurale è una rete di molti processori denominati come unità, ciascuna delle quali ha la sua piccola memoria locale. Ogni unità è collegata da canali di comunicazione unidirezionali denominati collegamenti, che trasportano i dati numerici. Ogni unità lavora solo sui propri dati locali e sugli input ricevuti dalle connessioni.
Storia
La prospettiva storica della simulazione è enumerata in ordine cronologico.
Il primo modello neurale è stato sviluppato in 1940 di McCulloch & Pitts.
In 1949, Donald Hebb ha scritto un libro "The Organization of Behaviour", che indicava il concetto di neuroni.
In 1950, con l'avanzamento dei computer, è diventato possibile creare un modello su queste teorie. È stato fatto dai laboratori di ricerca IBM. Tuttavia, lo sforzo è fallito e i tentativi successivi hanno avuto successo.
In 1959, Bernard Widrow e Marcian Hoff, hanno sviluppato modelli chiamati ADALINE e MADALINE. Questi modelli hanno più elementi lineari ADAptive. MADALINE è stata la prima rete neurale ad essere applicata a un problema del mondo reale.
In 1962, il modello perceptron è stato sviluppato da Rosenblatt, avendo la capacità di risolvere semplici problemi di classificazione dei pattern.
In 1969, Minsky & Papert hanno fornito una prova matematica dei limiti del modello perceptron nel calcolo. È stato detto che il modello perceptron non può risolvere il problema X-OR. Tali inconvenienti hanno portato al temporaneo declino delle reti neurali.
In 1982, John Hopfield di Caltech ha presentato le sue idee su carta alla National Academy of Sciences per creare macchine che utilizzano linee bidirezionali. In precedenza, venivano utilizzate linee unidirezionali.
Quando le tecniche tradizionali di intelligenza artificiale che coinvolgono metodi simbolici falliscono, nasce la necessità di utilizzare reti neurali. Le reti neurali hanno le sue massicce tecniche di parallelismo, che forniscono la potenza di calcolo necessaria per risolvere tali problemi.
Aree di applicazione
La rete neurale può essere utilizzata nelle macchine di sintesi vocale, per il riconoscimento di pattern, per rilevare problemi diagnostici, in schede di controllo robotiche e apparecchiature mediche.
Set fuzzy in modellazione e simulazione
Come discusso in precedenza, ogni processo di simulazione continua dipende dalle equazioni differenziali e dai loro parametri come a, b, c, d> 0. In genere, le stime puntuali vengono calcolate e utilizzate nel modello. Tuttavia, a volte queste stime sono incerte, quindi abbiamo bisogno di numeri sfocati nelle equazioni differenziali, che forniscono le stime dei parametri sconosciuti.
Cos'è un Fuzzy Set?
In un insieme classico, un elemento è o un membro dell'insieme o no. Gli insiemi fuzzy sono definiti in termini di insiemi classiciX come -
A = {(x, μA (x)) | x ∈ X}
Case 1 - La funzione μA(x) ha le seguenti proprietà:
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Lascia riposare il fuzzy B essere definito come A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, quindi la sua notazione fuzzy standard è scritta come A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Qualsiasi valore con un grado di appartenenza pari a zero non viene visualizzato nell'espressione dell'insieme.
Case 3 - Relazione tra set fuzzy e set croccante classico.
La figura seguente mostra la relazione tra un set fuzzy e un set croccante classico.
