- •2. Основные понятия математического моделирования
- •2. Принципы построения математических моделей
- •3.Классификационные признаки и классификация моделей
- •1.Основные этапы математического моделирования
- •2. Понятие о вычислительном эксперименте
- •3.Оценка свойств моделей
- •2.1. Метод нелинейного преобразования, обратного функции распределения
- •2.2. Метод суперпозиции
- •2.3. Некоторые специальные методы моделирования случайных величин
- •2.3.1. Метод Неймана
- •3.2. Метод кусочной аппроксимации
- •2.4. Моделирование векторных случайных величин
- •Раздел 2. Модели и методы исследования структурных свойств сетей связи
- •2. Изоморфность графов
- •1. Подграфы и дополнения
- •2. Деревья, разрезы, циклы
- •1. Матрица циклов и ее связь с матрицей инцидентности.
- •2.Матрица разрезов и ее связь с матрицей циклов
- •Матрицы смежности и перечисления путей
- •2. Связность
- •1. Степенная последовательность вершин графа
- •2. Алгоритм синтеза графов с максимальной связностью
- •3. Алгоритмы синтеза графов с максимальной связностью при заданном числе вершин и ребер.
- •4.Однородные графы. Мера неоднородности.
- •Модели и методы оценки разведзащищенности сетей связи
- •1.Показатели разведзащищенности сетей связи.
- •2.Модель оценки разведзащищенности сети связи.
- •Матрица смежности графа а
- •Матрица смежности графа в
- •Зависимость разведзащищённости от степени неоднородности сетей
- •5. Синтез сетей связи, оптимальных по показателям структурной устойчивости и разведзащищенности.
- •3.1. Моделирование марковских случайных процессов
- •3.2. Разностные и дифференциальные стохастические уравнения
- •2. Понятие эквивалентной функции стохастической сети
- •1.Метод двухмоментной аппроксимации.
- •3.Разложение на простые дроби.
- •3. Общие правила моделирования исследуемых процессов
2.3.1. Метод Неймана
Для моделирования СВ, возможные значения которых не выходят запределы некоторого ограниченного интервала (a, b), а также СВ, законраспределения которых можно аппроксимировать усеченными, достаточноуниверсальным является метод Неймана, состоящий в следующем.
С помощью датчика равномерно распределённых в интервале (0, 1) случайных чисел независимо выбираются пары чиселИз нихформируются преобразованные пары
где (a, b) - интервал возможных значений СВy с заданной ПРВ w(y); -максимальное значение ПРВw(y). В качестве реализации СВ берется числоиз тех пар (), для которых выполняется неравенство .
Пары, не удовлетворяющие этому неравенству, отбрасываются. Можнолегко убедиться в справедливости такого метода моделирования СВ.Действительно, пары случайных чисел(),можно рассматривать каккоординаты случайных точек плоскости, равномерно распределенных вдольосей y и w(y) внутри прямоугольника aa'b'b(рис. 2).
Рис. 2.2. Усеченная кривая плотности вероятности
Пары(), удовлетворяющие условию неравенства, представляютсобой координатыслучайных точек плоскости, равномерно распределенныхвдоль осей y и w( y) внутри тойчасти прямоугольника aa'b'b, котораярасположена под кривой w( y). Вероятность того, чтослучайная точкаплоскости, находящаяся под кривой w( y), окажется в элементарной полосес основанием ( y, y + Δy) пропорциональна w( y), а вероятность попаданияточки под кривую w( y) по условию равна единице, что и требуется.
3.2. Метод кусочной аппроксимации
Существуют различные приближенные приемы моделирования СВ:численноерешение уравнения x = F (y) относительно y при использованииметода нелинейного преобразования, обратного функции распределения;замена непрерывных распределений соответствующими дискретнымираспределениями, для которых можно указать достаточно простыемоделирующие алгоритмы и другие приёмы. Среди них универсальным инаиболее простым является метод кусочной аппроксимации.
Сущность этого метода состоит в следующем. Пусть требуется получитьСВy с функцией плотности w( y). Предположим, что область возможныхзначений СВy ограничена интервалом (a, b) (неограниченное распределениеможно приближенно заменить ограниченным). Разобьем интервал (a, b) на nдостаточно малых интервалов (am,am+1),
m=0,...,n−1,a0 =a,an=b, так, чтобы распределение заданной СВ в пределах этих интервалов можно былодовольно точно аппроксимировать каким-нибудь простым распределением(рис. 3), например, равномерным, трапецеидальным и т. д. В дальнейшем
рассмотрим кусочную аппроксимацию равномерным распределением.
Пусть Pm - вероятность попадания СВy в каждый из интервалов (am,am+1). Получатьреализации величины y с кусочно-равномерным распределением можно, очевидно, в соответствии со следующей схемой преобразования случайных чисел: 1) случайным образом с вероятностью Pmвыбирается интервал (am,am+1); 2) формируется реализация СВ,равномерно распределенной в интервале; 3) искомаяреализацияполучается по формуле
Случайный выбор интервала (am,am+1) с вероятностью Pmозначает, по существу, моделирование дискретной СВ, принимающей n значений am, m = 0, . . . , n −1, x0 =0, xn =, с вероятностью Pmкаждое, что можно сделать достаточно просто. Интервал (0, 1) разбивается на n интервалов (xm,xm+1), m = 0, . . . , n −1, x0 =0, xn =1, длиной (xm+1−xm)=Pmкаждый. Из датчика случайных, равномерно распределенных в интервале (0, 1) чисел выбирается некоторая реализация . Путем последовательного сравнениясxmопределяется тот интервал (xm,xm+1), в котором находится .
B основу этого процесса положен очевидный факт: вероятность попаданияравномерно распределенной в интервале (0, 1) СВ в некоторый подынтервал(xm,xm+1)равна длине этого подынтервала. Рассмотренный выше процесспредставляет интерес не только как составной элемент метода кусочнойаппроксимации, он широко используется в качестве алгоритма длямоделирования дискретных СВ и случайных событий.
Для моделирования СВ методом кусочной аппроксимации наиболее удобно при машиннойреализации выбирать вероятности попадания во все интервалы (am,am+1)одинаковыми Pm=1/n,ачислоnтаким,чтоn=2N,гдеN- целое число, меньше или равное количествудвоичных разрядов чисел,вырабатываемых датчиком случайных чисел. В этом случае величины amдолжны быть выбраны таким образом, чтобы выполнялось равенство
При равенстве вероятностей Pm для случайного выбора индекса m можноиспользовать первые N разрядов числа, извлекаемого из датчика равномернораспределенных случайных чисел.
Используя рассмотренный прием, приходим к следующему способупреобразования равномерно распределенных случайных чисел в случайныечисла с заданным законом распределения. Из датчика равномернораспределенных в интервале (0, 1) случайных чисел извлекается парареализаций Первыеразрядов числаиспользуются длянахождения адресов ячеек, в которых хранятся величиныam,am+1, a затем поформуле получается реализацияСВy с заданнымзаконом распределения. Такой алгоритм является довольно экономичным поколичеству требуемых операций, которое не зависит от числа n , т. е. не зависитот точностикусочной аппроксимации. Однако с увеличением точностиаппроксимации возрастает количество ячеек памяти, требуемое для хранениявеличин am, m = 0,… , n , что является недостатком рассмотренного метода прибольших значениях n .