Geum.ru

Применение имитационного моделирования в процессе изучении экономических дисциплин

Вид материалаДокументы
Подобный материал:
ПРИМЕНЕНИЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ В ПРОЦЕССЕ ИЗУЧЕНИИ ЭКОНОМИЧЕСКИХ ДИСЦИПЛИН

Масловская Е. С.

доц. Шляхова Т. В.

Технологический институт ВНУ им. В. Даля (г. Северодонецк)


Экономическая теория является одной из самых прикладных теорий. Ее возникновение и развитие неразрывно связано с хозяйственной деятельностью людей. Эффективное изучение экономических дисциплин и закрепление знаний невозможно без глубокого погружения в экономическую ситуацию, без накопления опыта.

К сожалению, получение реального опыта часто требует ощутимых финансовых и временных затрат. Выход из такой ситуации – использование имитации. Имитация – быстрый и экономный путь приобретения знаний и опыта.

Цель имитационного моделирования – создать среду или устройство, позволяющие путем эксперимента получить нужную информацию об объектах окружающего мира, не общаясь непосредственно с этими объектами. Имитация является основой многих прикладных экспериментов.

Имитационная система представляет собой машинный аналог сложного реального явления. Она позволяет заменить эксперимент с реальным процессом экспериментом с математической моделью этого процесса в ЭВМ.

Имитационные модели часто используются для анализа решений, принимаемых в условиях риска, т.е. для анализа моделей, в которых поведение (или значение) нескольких факторов заранее неизвестно. Такие факторы называются случайными переменными или случайными величинами. Поведение случайных величин описывается распределением вероятностей. Этот тип имитации иногда называют методом Монте-Карло «в честь» рулеток Монте-Карло, генерирующих случайные события.

Современные прикладные математические пакеты позволяют смоделировать самый

широкий спектр ситуаций. Не менее сложная задача – правильно, с наибольшей эффективностью применить этот пакет.

Extend – это современное программное приложение для дискретного моделирования событий. С помощью Extend достаточно просто моделировать сложные системы с временной зависимостью. Кроме того, Extend обладает расширенными возможностями документирования и предоставляет привлекательный графический интерфейс для визуального построения, наблюдения и анализа имитационных моделей дискретных событий. У Extend есть даже простая анимация, которая позволяет отображать перемещение клиентов или заданий в моделируемой системе. Наконец , Extend может экспортировать свои результаты в виде таблиц для последующего их анализа в Excel.

Дискретные модели Extend являются объектно-ориентированными и строятся с помощью предопределенных стандартных блоков. Блок – это объект Extend, предназначенный для определения действия, процесса, накопления данных, статистического обобщения. Другими словами, этот объект, предназначенный для моделирования. Связанные между собой блоки Extend формируют сеть взаимовлияющих активностей. Элементы модели (например, клиенты или автомобили на прокат), поведение которых представляет интерес, перемещаются через связанную сеть блоков, а Extend собирает статистические данные об этом. Extend отслеживает любое ожидание или время задержки при перемещении элементов. В Extend также имеются блоки специального назначения, используемые для сведения в таблицы статистических данных (такие как длина очереди и время ожидания) и построения на их основе диаграмм.

Применение Extend для дискретного моделирования было рассмотрено на примере моделирования работы офиса по обслуживанию клиентов по оказанию некоторых услуг (рис.1).




Рис. 1. Имитация модели: клиент покидает офис и уезжает на автомобиле


После окончания имитации модели, в окне плоттера (рис. 2.) можно увидеть данные, характеризующие динамику занятости служащего (линия голубого цвета) и время ожидания в очереди (столбиковая диаграмма красного цвета). Как видим, максимальное время ожидания равно 36 мин. Средний процент занятости служащего равен 100%.

Можно просмотреть таблицу данных в нижней части окна плоттера, чтобы увидеть значения, по которым строились диаграммы.

Имитационная модель отображает поведение динамической системы во времени. Модели разрабатываются с целью получения результатов, позволяющих получить статистические оценки функционирования реальной системы. Следовательно, статистический анализ результатов имитации подобен статистическому анализу данных, полученных при изучении поведения реальной системы.




Рис. 2.Окно плоттера


Исследователь имеет больше возможностей для управления поведением имитационной модели, чем при изучении реальной системы. Он может разработать планы проведения машинных экспериментов с учетом своих потребностей.

При изучении поведения имитационной модели возникает ряд вопросов, которые требуют решения:
  • Какова погрешность результатов, обусловленная собственно свойствами имитационной модели?
  • Какие выводы можно сделать о характеристиках реальной системы на основе результатов исследования имитационной модели?

Разброс данных, полученных в ходе имитационного эксперимента зависит в первую очередь от точности подбора заложенных в модель вероятностных распределений. Для повышения точности результатов обычно повторяют машинные эксперименты несколько раз или увеличивают время имитационного прогона (имитируют более продолжительный период времени).

Имитационная модель является стохастической, предполагается, что случайные элементы модели приведут к результатам, которые также носят вероятностный характер. Для оценки поведения системы можно осуществить обработку результатов моделирования с помощью процедур, реализующих различные методы статистического анализа.

Например, исследование модели (рис. 1) показали, что в принятых условиях гибкая политика использования персонала оказывается плохой идеей. Эта политика ведет к увеличению среднего и максимального времени ожидания клиентами обслуживания по сравнению с использованием двух постоянных служащих.

Этот пример ясно показывает, что моделирование является мощным инструментом, дополняющим и проверяющим интуицию, которая часто ошибается в предсказании поведения сложных систем в условиях перегрузки.