- •Предисловие
- •Введение
- •Глава 1. Модели массового обслуживания
- •1.1. Системы массового обслуживания и их характеристики
- •1.2. Системы c одним устройством обслуживания
- •1.3. Основы дискретно-событийного моделирования cmo
- •1.4. Многоканальные системы массового обслуживания
- •Переменная vаr1, экспоненциальное распределение
- •Глава 2. Вероятностные сети систем массового обслуживания
- •2.1. Общие сведения о сетях
- •2.2. Операционный анализ вероятностных сетей
- •2.3. Операционные зависимости
- •2.4. Анализ узких мест в сети
- •Глава 3. Вероятностное моделирование
- •3.1. Метод статистических испытаний
- •3.2. Моделирование дискретных случайных величин
- •3.3. Моделирование непрерывных случайных величин
- •3.4. Сбор статистических данных для получения оценок характеристик случайных величин
- •3.5. Определение количества реализаций при моделировании случайных величин
- •Глава 4. Система моделирования gpss
- •4.1. Объекты
- •4.2. Часы модельного времени
- •4.3. Типы операторов
- •4.4. Внесение транзактов в модель. Блок generate
- •4.5. Удаление транзактов из модели. Блок terminate
- •4.6. Элементы, отображающие одноканальные обслуживающие устройства
- •4.7. Реализация задержки во времени. Блок advance
- •4.8. Сбор статистики об ожидании. Блоки queue, depart
- •4.9. Переход транзакта в блок, отличный от последующего. Блок transfer
- •4.10. Моделирование многоканальных устройств
- •4.11. Примеры построения gpss-моделей
- •4.12. Переменные
- •4.13. Определение функции в gpss
- •4.14. Стандартные числовые атрибуты, параметры транзактов. Блоки assign, mark, loop
- •Примеры фрагментов gpss-моделей c использованием сча и параметров гранзактов
- •4.15. Изменение приоритета транзактов. Блок priority
- •4.16. Организация обслуживания c прерыванием. Блоки preempt и return
- •4.17. Сохраняемые величины
- •4.18. Проверка числовых выражений. Блок test
- •4.19. Определение и использование таблиц
- •4.20. Косвенная адресация
- •4.21. Обработка транзактов, принадлежащих одному семейству
- •4.22. Управление процессом моделирования в системе gpss
- •4.23. Списки пользователей
- •4.24. Блоки управления потоками транзактов logic, gate lr, gate ls и gate
- •4.25. Организация вывода временных рядов из gpss-модели
- •4.26. Краткая характеристика языка plus
- •4.27. Команды gpss WorId
- •4.28. Диалоговые возможности gpss World
- •4.29. Отличия между gpss World и gpss/pc
- •Глава 5. Моделирование вычислительных и операционных систем
- •5.1. Операционные системы компьютеров
- •5.2. Сети и системы передачи данных
- •5.3. Проблемы моделирования компьютеров и сетей
- •Глава 6. Основы моделирования процессов
- •6.1. Производственные процессы
- •6.2. Распределительные процессы
- •6.3. Процессы обслуживания клиентов
- •6.4. Процессы управления разработками проектов
- •Глава 7. Задания для самостоятельной работы Задание 1. Моделирование разливной линии
- •Задание 2 [10]. Моделирование контроля и настройки телевизоров
- •Задание 3. Моделирование работы кафе
- •Задание 4. Моделирование работы обрабатывающего цеха
- •Задание 5. Моделирование работы обрабатывающего цеха
- •Задание 6. Моделирование работы обрабатывающего цеха
- •Задание 7. Моделирование работы cmo
- •Задание 8. Моделирование функций
- •Задание 9 [10]. Моделирование системы обслуживания
- •Задание 10 [16]. Моделирование системы автоматизации проектирования
- •Задание 11 [16]. Моделирование работы транспортного цеха
- •Задание 12 [16]. Моделирование системы передачи разговора
- •Задание 13 [16]. Моделирование системы передачи данных
- •Задание 14 [16]. Моделирование узла коммутации сообщений
- •Задание 15 [16]. Моделирование процесса сборки
- •Задание 16 [16]. Моделирование работы цеха
- •Задание 17 [16]. Моделирование системы управления производством
- •Задание 18. Моделирование производственного процесса
- •Задание 19. Моделирование работы заправочной станции
- •Задание 20. Моделированиеработы станции технического обслуживания
- •Задание 21. Моделирование работы станции скорой помощи
- •Задание 22. Моделирование работы госпиталя
- •Задание 23. Моделирование работы маршрутных такси
- •Задание 24. Моделирование работы печатной системы
- •Задание 25. Моделирование процесса сборки пк
- •Глава8. Проектирование имитационных моделей c помощью интерактивной системы имитационного моделирования
- •8.1. Структура интерактивной системы имитационного моделирования
- •8.2. Построение концептуальной схемы модели
- •8.3. Параметрическая настройка модели
- •8.4. Генератор формул
- •8.5. Управление экспериментом
- •8.6. Запуск эксперимента и обработка результатов моделирования
- •8.7. Управление проектами и общей настройкой системы
- •8.8. Пример построения модели средствами iss 2000
- •Глава 9. Технология имитационного моделирования
- •9.1. Имитационные проекты
- •9.2. Организация экспериментов
- •9.3. Проблемы организации имитационных экспериментов
- •9.4. Оценка точности результатов моделирования
- •9.5. Факторный план
- •9.6. Дисперсионный анализ anova в планировании экспериментов
- •9.7. Библиотечная процедура anova
- •9.8. Технология проведение дисперсионного анализа в системе gpss World
- •9.9. Особенности планирования экспериментов
- •9.10. Нахождение экстремальных значений на поверхности отклика
- •9.11. Организация экспериментов в gpss WorId
- •9.L2. Выбор наилучшего варианта структуры системы
- •Глава 10. Примеры принятия решений c помощью имитационного моделирования
- •10.1. Моделирование производственного участка
- •10.2. Моделирование технологического процесса ремонта и замены оборудования
- •Приложение Системные сча
- •Сча транзактов
- •Сча блоков:
- •Сча одноканальных устройств:
- •Список литературы
- •Глава 9. Технология имитационного моделирования 167
- •Глава 10. Примеры принятия решений c помощью имитационного моделирования 203
9.6. Дисперсионный анализ anova в планировании экспериментов
Для определения, является фактор значимым или нет, используется дисперсионный анализ ANOVA (analysis of variance), который применим только к количественным факторам. C помощью него определяются количественные отклонения наблюдений от среднего значения. Если какой-либо фактор не оказывает влияние на отклик, то он является незначимым. C другой стороны, если фактор влияет на отклик, то его (фактора) количественное значение сравнивают c оценкой изменчивости наблюдения, то есть со стандартной ошибкой.
Это делается для исключения эффектов, которые являются не более чем случайной флуктуацией.
Неявно в ANOVA используется аддитивная математическая модель, которая определяет компоненты изменения в наблюдениях. Ее называют статистической моделью. Самая простая статистическая модель:
т.е. каждое i-e наблюдение представляет собой общее среднее по всем опытам μ, и случайную ошибку eig. B этой модели общее среднее не изменяется от опыта к опыту, в отличие от ошибки.
Статистическая модель для анализа данных экспериментов c одним фактором А имеет следующий вид:
где αAi – главный эффект фактора А на уровне i. Все наблюдения на данном уровне обработки анализируются, используя то же самое значение для αA. Так как в этом эксперименте имеется только один фак гор, число комбинаций обработки определяется числом уровней I этого фактора.
Для двух факторов общая модель факторного плана такова:
где αBj – главный эффект фактора В на уровне j; – взаимодействие фактора А на уровне i и фактора В на уровне j. Сумма эффектов двух факторов не равна сумме их отдельных эффектов из-за взаимодействия между ними. Главный эффект фактора определяет долю участия фактора в значении функции отклика во время перехода его c нижнего уровня к верхнему.
Дисперсионный анализ, основанный на статистической модели (9.2), заканчивается построением таблицы ANOVA, в которой анализируется влияние факторов А, В, взаимодействие между факторами AB и случайные помехи наблюдения.
C помощью ANOVA проверяется гипотеза об отсутствии влияния фактора. Если справедлива гипотеза об отсутствии влияния фактора, то считается, что все наблюдения получены из одной генеральной совокупности. Для проверки гипотезы используется F-распределение Фишера. Критерий Фишера определяет отношение двух выборочных дисперсий. Если фактор существенно влияет на отклик, то значения F-распределения принимает большие значения и F-cтатистика становится значимой. Таким образом, большие значения F приводят к отбрасыванию гипотезы об отсутствии влияния фактора, т.е. фактор является значимым.
9.7. Библиотечная процедура anova
Библиотечная процедура ANOVA системы GPSS World анализирует эксперименты от 1 до 6 факторов, включая взаимодействия 2-го и 3-го порядка между факторами.
На рис. 9.3 [19] представлена таблица ANOVA, полученная в GPSS World. Сначала рассмотрим среднюю часть таблицы. Полная сумма квадратов (Total) отделена от компонентов, связанных c эффектами факторов и их взаимодействиями (А, В, AB). В строке Error (ошибка) приведена остаточная сумма квадратов. Средняя сумма квадратов (Mean Square) остаточного члена используется для оценки стандартной ошибки эксперимента (в данном случае это величина 2,5).
Каждая сумма квадратов делится на число степеней свободы для уровней. Из статистических соображений степени свободы – это делитель, который должен использоваться для получения несмещенной оценки стандартной ошибки. Для наших целей, достаточно представлять степени свободы как соответствующий делитель, связанный c суммой квадратов в таблице ANOVA. Система GPSS World всегда вычисляет степени свободы.
Каждый фактор и взаимодействие в статистической модели представлены отдельной строкой в верхней части таблицы ANOVA. В каждой строке указана сумма квадратов и число степеней свободы, связанные c оценкой факторов и их взаимодействий. Это – основы, из которых получены другие числа. Частное от деления определяет средний квадрат ошибки, и в предпоследнем столбце таблицы выдается F-статистика для этого эффекта.
Сделаем некоторые заключения. Необходимо решить, достаточно ли большое значение F-критерия получено для объявления эффекта значимым. Пороговое значение, которое используется для сравнения, называется «критическим значением F» и помещено справа от F-статистики в той же самой строке. Если полученное значение F превышает критическое значение, то делаем заключение, что имеем дело со значимым эффектом фактора. Если нет, то считаем, что эффект фактора незначимый и игнорируем любое связанное c ним изменение в наблюдениях, считая, что оно вызвано случайными помехами. Представленная на рис. 9.3 таблица ANOVA показывает, что эффект фактора А значимый, А эффект фактора В и взаимодействие AB незначимы.
Иногда при выполнении эксперимента невозможно обнаружить эффект даже в том случае, если он фактически существует. Одна из задач эксперимента заключается в том, чтобы сделать это маловероятным. Из таблицы ANOVA видно, что для получения лучших результатов необходимо иметь или большую F-статистику или меньшее значение F-критерия. Желательно удалить часть суммы квадратов ошибки из-за какого-либо важного эффекта, не включенного в анализ. Если это можно сделать, то F-статистика будет больше. Для этого определяют дополнительные факторы, которые должны быть включены в эксперимент.
Puc. 9.3
Для увеличения степени свободы остаточного члена можно использовать два подхода. Первый просто увеличивает число повторений в эксперименте. Этот подход обычно более дорогой, но может быть весьма эффективным. Второй касается плана эксперимента и статистической модели дисперсионного анализа. Средний квадрат ошибки – фактически остаточный член, оставшийся после удаления других квадратов. Если можно найти приемлемый способ, который позволит большему количеству данных оставаться после удаления эффектов, то получим оценку стандартной ошибки c большим числом степеней свободы. Окончательное значение F-критерия будет уменьшаться при увеличении мощности анализа. При этом фактически игнорируются некоторые из взаимодействий.
В многофакторных экспериментах для упрощения статистической модели и уменьшения количества экспериментов игнорируют взаимодействия самого высокого порядка. Например, статистическая модель c двумя факторами без учета их взаимодействия имеет следующий вид:
Если действительно эффектами этих взаимодействий можно пренебречь, то это позволит использовать дополнительные степени свободы для получения лучших оценки F-статистики. Кроме того, большее число степеней свободы означает также и меньшее значение F-критерия. Однако необходимо понимать, что удаление членов из статистической модели предполагает, что не существует взаимодействий более высоких порядков.
В GPSS World от учета взаимодействий высоких порядков можно отказаться, используя третий параметр процедуры ANOVA. Иногда целесообразней учитывать только одну случайность. В этом случае для улучшения статистических оценок просто добавляются повторения наблюдений. Число повторений задается во втором параметре процедуры ANOVA.
Для работы процедуры ANOVA ей необходимо передать имя GPSS-матрицы c сохраненными результатами всех прогонов модели. Можно иметь несколько матриц результатов и для каждой их них выполнить эту процедуру. Любые матрицы GPSS World могут иметь максимальную размерность 6, эта величина ограничивает максимальное число анализируемых факторов.
Прежде чем начать эксперимент, необходимо инициализировать элементы матрицы в НЕОПРЕДЕЛЕННОЕ (UNSPECIFIED) состояние c помощью оператора:
INITIAL MyResuItMatrix,UNSPECIFIED
Этот оператор сообщает программе ANOVA, что эксперимент не был закончен.
Позиция в матрице результатов для каждого результата эксперимента определена комбинацией уровней обработки, как было показано в таблице 9.1. Например, если в эксперименте рассматривается 3 вида рабочих и два значения их численности (минимальное и максимальное) для каждого вида, то результат моделирования для третьего вида c максимальной численностью помещается в матрицу результатов в позицию [3, 2]. Так как число повторений указывается в третьем индексе матрицы, то результат первого прогона этой комбинации уровней обработки помещается в элемент [3, 2, 1] матрицы результатов. Каждое измерение в матрице результатов анализируется библиотечной процедурой ANOVA, как фактор. Размерность матрицы результатов должна быть, по крайней мере, такой же, как и число уровней обработок этого фактора или максимальное рассчитанное число повторений. Нет никакого предела для числа уровней обработок факторов (вернее, предел накладывается только виртуальной памятью используемого компьютера).
Пример 9.2
В этом примере созданная матрица результатов может содержать результаты эксперимента c 4-мя факторами (по числу заданных операндов – В, C, D, E) или c З-мя факторами (операнды В, C, D) и 10-ю повторениями прогонов (последний операнд). Фактор А может иметь до 8-х уровней обработок, фактор В может иметь до 5 и так далее.
Оператор INITIAL устанавливает все элементы в матрице в состояние UNSPECIFIED.
При обращении к процедуре ANOVA надо задать 3 параметра. Первый – имя матрицы результатов, например, MyResults.
Второй необязательный параметр – размерность (индекс) матрицы результатов, которую нужно использовать для повторений. Каждый уровень в этой размерности представляет прогон c различными начальными значениями случайных чисел. Процедура ANOVA использует информацию, связанную c числом повторений прогонов для оценки стандартной ошибки. Чем больше повторений, тем больше число степеней свободы и тем точнее статистические результаты моделирования.
Некоторые экспериментальные планы не используют размерность повторения. В том случае второй параметр равен 0.
Третий параметр задает взаимодействия между факторами, которые будут включены в статистическую модель. Если параметр равен 2, то взаимодействия второго порядка будут включены в анализ. Если параметр равен 1, то взаимодействия не будут учитываться. При равенстве значения параметра 3 – взаимодействия 2-го и 3-го порядков будут включены в статистическую модель. Взаимодействия более высоких порядков GPSS World не поддерживает. Еще раз отметим, что если при экспериментировании c моделью не учитываются взаимодействия между факторами, то это увеличивает число степеней свободы и улучшает оценки стандартной ошибки.
Главная цель процедуры ANOVA состоит в создании стандартной таблицы ANOVA, где указывается окончательная F-статистика и ее критическое значение. Кроме того, при вызове процедуры ANOVA из программы PLUS при завершении процедуры возвращается стандартная ошибка.