- •Системный анализ и моделирование процессов в техносфере
- •1.1. Понятие системы. Базовые категории систем
- •1.2. Классификация систем
- •1.3. Общее представление о системном анализе
- •1.4. Принципы системного анализа
- •2.1. Этапы анализа и синтеза
- •2.2. Понятие о структурном анализе
- •2.3. Методы декомпозиции
- •2.4. Требования, предъявляемые к декомпозиции
- •2.5. Алгоритм декомпозиции
- •2.5. Программно-целевой подход к решению системных задач
- •1. Область применения и этапы программно-целевого подхода
- •2. Дерево целей
- •3.1. Агрегирование системы и эмерджентность
- •3.2. Виды связей в системе
- •Связи взаимодействия (координации):
- •Связи преобразования:
- •3.3. Виды агрегирования
- •4.1. Общие свойства процесса принятия решений
- •4.2. Участники процесса принятия решения
- •4.3. Схема ппр
- •4.4. Формулирование проблемы
- •4.5. Определение целей
- •4.6. Генерирование альтернатив
- •4.7. Формирование критериев
- •4.8. Физиология принятия решений
- •4.9. Виды и особенности задач принятия решений
- •4.10. Формализация принятия решений
- •Лекция 5. Информационное обеспечение ппр
- •5.1. Понятие информации
- •5.2. Информационная структура процесса принятия решений
- •6.1. Особенности группового выбора
- •6.2. Экспертные методы выбора
- •6.3. Методы типа мозговой атаки или коллективной генерации идей
- •6.4. Методы типа сценариев
- •6.5. Методы типа «Делфи»
- •6.6. Методы типа дерева целей
- •6.7. Морфологические методы
- •7.1 Основные положения теории управления
- •7.2 Аксиомы теории управления
- •7.3 Модели основных функций организационно-технического управления
- •7.4 Описание функций управления
- •Лекция 8. Понятие и классификация моделей
- •8.1 Понятие модели, моделирования
- •8.2 Познавательные и прагматические модели
- •8.3 Статические и динамические модели
- •8.4 Классификация моделей по способу воплощения
- •8.5 Место математического моделирования в системных исследованиях
- •8.6 Типы и виды математических моделей
- •8.7 Процесс построения математической модели
- •8.8 Структура моделирования происшествий в техносфере
- •9.1 Конфликт ‒ предмет рассмотрения теории игр
- •9.2 Понятие игры. Классификация игр. Формальное представление игр
- •9.3 Определение бескоалиционной игры
- •9.4 Приемлемые ситуации и ситуации равновесия
- •9.5 Примеры игровых задач
- •10.1 Граф и его виды
- •10.2 Задача о кратчайшем пути
- •10.3 Задача о максимальном потоке
- •11.1 Поверхность отклика
- •11.2 Этапы планирования эксперимента
- •11.3 Обработка и анализ результатов моделирования
- •12.1 Полный факторный эксперимент
- •12.2 Дробный факторный эксперимент
- •12.3 Метод наименьших квадратов
- •13.1 Основная цель кластерного анализа
- •13.2 Объединение (древовидная кластеризация)
- •13.3 Двувходовое объединение
- •13.4 Метод k средних
- •13.5 Алгоритм нечеткой кластеризации
- •14.1 Понятие когнитивного моделирования
- •14.2 Подсистема представления субъективной информации
- •14.3 Подсистема извлечения предпочтений эксперта
- •14.4 Подсистема обработки
- •14.5 Подсистема представления результатов моделирования
- •14.6 Подсистема поддержки аналитической деятельности эксперта
- •14.7 Моделирование бизнес процессов на основе bpmn-диаграмм
- •14.8 Метод анализа иерархий (маи): введение
- •14.9 Основные принципы маи
- •1. Принцип идентичности и декомпозиции
- •2. Принцип дискриминации и сравнительных суждений
- •3. Принцип синтеза
- •14.10 Общая оценка маи как метода принятия решений
- •15.1 Общий ход решения задачи на основе метода конечных элементов
- •15.2 Сети одномерных конечных элементов
- •15.3 Виды конечных элементов
- •16.1 Основные понятия
- •16.2 Приближенное решение оду при заданных начальных условиях
- •16.3 Метод Эйлера и его модификации
- •16.4 Метод Рунге-Кутта
- •16.5 Приближенное решение ду n-го порядка при заданных начальных условиях
- •16.6 Приближенное решение ду при заданных граничных условиях (краевых задач)
- •16.6.1 Метод начальных параметров
- •16.6.2 Редукция к задаче Коши для линейного ду второго порядка
- •17.1 Основные понятия
- •17.2 Типы элементов
- •17.3 Источники энергии и преобразователи. Аналоги топологических уравнений
- •17.4 Метод получения топологических уравнений
- •18.1 Свойства задач принятия решения со многими критериями
- •18.2. Формирование множества критериев
- •18.3 Методология решения многокритериальных задач
- •18.4 Технологии отыскания эффективных решений
- •18.5 Методы принятия решения при нескольких критериях
12.1 Полный факторный эксперимент
Изложение основ факторного планирования эксперимента начнем с простейшего примера.
Пусть имеется две входные переменные Х1 и Х2, одна из которых в интересующей нас области, заштрихованной на рис. 1, а, изменяется в пределах 0,4 X1 0,8, а другая — в пределах 10 X2 30. В процессе проведения эксперимента найдены значения ординат поверхности отклика в граничных точках (рис. 1, а), приведенные в табл. 1.
Рис. 1. Полный факторный эксперимент
Поставим задачу поиска аналитического выражения функции отклика в линейной постановке, т.е. дадим приближенное представление этой функции в виде:
(1)
Таблица 1
№ точки (опыта) |
X1 |
X2 |
y |
1 |
0.4 |
10 |
38 |
2 |
0.8 |
10 |
68 |
3 |
0.4 |
30 |
32 |
4 |
0.8 |
30 |
62 |
Для формализации процедур обработки экспериментальных данных факторы удобно представлять в закодированном виде. С этой целью выберем новую систему координат x1 х2 у (рис. 1, а, 6), начало которой совместим с центром интересующей нас области, и назначим масштабы по осям факторов так, чтобы нижний уровень фактора соответствовал ‒ 1, а верхний +1. Это легко достигается с помощью преобразований вида
(2)
где xi – кодированное значение i-ro фактора;
Хi – натуральное значение фактора;
Хо – нулевой уровень;
– интервал варьирования фактора.
Для фактора Х1 нулевой уровень и интервал варьирования будут равны
X10=(0,4+0,8)/2=0,6; X1 = (0,8-0,4)/2=0,2. Для фактора Х2 имеем: X20=(10 + 30)/2=20; X2 = (30-10)/2=10.
Кодированные значения факторов приведены в табл. 3.2.
В первом и пятом столбцах этой таблицы повторены значения табл. 1. Во втором столбце приведены значения фиктивной переменной x0, характеризующей свободный член bо в уравнении регрессии (1). Значения x0 всегда принимают равными +1. В 3 и 4 столбцах записаны искомые кодированные переменные; так, для фактора Х1 в первой точке кодированное значение будет x11=(0,4 ‒ 0,6)/0,2= ‒ 1. Подобные таблицы называют матрицами планирования полного факторного эксперимента.
Таблица 2
№ опыта |
X0 |
X1 |
X2 |
Y |
1 |
2 |
3 |
4 |
5 |
1 |
+1 |
-1 |
-1 |
38 |
2 |
+1 |
+1 |
-1 |
68 |
3 |
+1 |
-1 |
+1 |
32 |
4 |
+1 |
+1 |
+1 |
62 |
Все дальнейшие вычисления полностью формализованы. Коэффициенты регрессии уравнения (3.2) определяют по формуле
(3)
где xin – значение xi, в n-ом опыте;
N – число опытов;
уп – значение отклика в n-ом опыте.
Для вычисления коэффициентов регрессии по табличным данным достаточно перемножить данные столбцов у и соответствующих xi,сложить результаты и поделить их на число опытов.
Так, по данным табл. 2 будем иметь
Искомое линейное уравнение поверхности отклика в закодированных переменных будет:
В натуральной (не кодированной) форме это уравнение имеет вид:
(4)
Рассмотренный в примере план эксперимента соответствует двум факторам для линейной функции. Если поверхность отклика нелинейна, а вы пытаетесь представить ее приближенное выражение, то в уравнении регрессии (1) следует добавить член b12x1x2, учитывающий взаимодействие факторов х1 и х2. В нашем случае линейной исходной поверхности отклика этот член будет равен нулю, в чем нетрудно убедиться, добавив 6-й столбец, элементы которого равны произведениям элементов 3-го и 4-го столбцов.
В общем случае много факторного эксперимента уравнение регрессии имеет вид:
(5)
Параметр b0 называют общим средним, параметры bi – главными эффектами (взаимодействиями нулевого порядка), параметры bij – эффектами взаимодействия первого порядка (эффектами двухфакторных взаимодействий), параметры bijk – эффектами взаимодействий второго порядка (эффектами трехфакторных взаимодействий) и аналогично b123...n – эффектами взаимодействия порядка п-1 (эффектами n-факторных взаимодействий).
Наиболее часто используют два частных случая функции регрессии: линейную
(6)
и неполную квадратичную
(7)
Техника эксперимента с варьированием к факторов на двух уровнях сводится к проведению 2k опытов. Для построения матрицы планирования эксперимента при любом к следует дважды повторить матрицу планирования для случая к-1: один раз для нижнего уровня k-го фактора, а другой раз — для верхнего. Последовательность достраивания матриц планирования при увеличении к от двух до пяти показана в табл. 3. Первые четыре (отчеркнутые) опыта соответствуют двухфакторному эксперименту типа 22, повторяя табл. 2. Восьмифакторный план типа 23 дважды повторяет двухфакторный эксперимент при варьировании третьего фактора сначала на нижнем, а затем на верхнем уровнях. Аналогично строят планы полных факторных экспериментов при других значениях k.
Таблица 3
№ |
X0 |
X1 |
X2 |
X3 |
X4 |
X5 |
1 |
+1 |
-1 |
-1 |
-1 |
-1 |
-1 |
2 |
+1 |
+1 |
-1 |
-1 |
-1 |
-1 |
3 |
+1 |
-1 |
+1 |
-1 |
-1 |
-1 |
4 |
+1 |
+1 |
+1 |
-1 |
-1 |
-1 |
5 |
+1 |
-1 |
-1 |
+1 |
-1 |
-1 |
6 |
+1 |
+1 |
-1 |
+1 |
-1 |
-1 |
7 |
+1 |
-1 |
+1 |
+1 |
-1 |
-1 |
8 |
+1 |
+1 |
+1 |
+1 |
-1 |
-1 |
9 |
+1 |
-1 |
-1 |
-1 |
+1 |
-1 |
10 |
+1 |
+1 |
-1 |
-1 |
+1 |
-1 |
11 |
+1 |
-1 |
+1 |
-1 |
+1 |
-1 |
12 |
+1 |
+1 |
+1 |
-1 |
+1 |
-1 |
13 |
+1 |
-1 |
-1 |
+1 |
+1 |
-1 |
14 |
+1 |
+1 |
-1 |
+1 |
+1 |
-1 |
15 |
+1 |
-1 |
+1 |
+1 |
+1 |
-1 |
16 |
+1 |
+1 |
+1 |
+1 |
+1 |
-1 |
17 |
+1 |
-1 |
-1 |
-1 |
-1 |
+1 |
18 |
+1 |
+1 |
-1 |
-1 |
-1 |
+1 |
19 |
+1 |
-1 |
+1 |
-1 |
-1 |
+1 |
20 |
+1 |
+1 |
+1 |
-1 |
-1 |
+1 |
21 |
+1 |
-1 |
-1 |
+1 |
-1 |
+1 |
22 |
+1 |
+1 |
-1 |
+1 |
-1 |
+1 |
23 |
+1 |
-1 |
+1 |
+1 |
-1 |
+1 |
24 |
+1 |
+1 |
+1 |
+1 |
-1 |
+1 |
25 |
+1 |
-1 |
-1 |
-1 |
+1 |
+1 |
26 |
+1 |
+1 |
-1 |
-1 |
+1 |
+1 |
27 |
+1 |
-1 |
+1 |
-1 |
+1 |
+1 |
28 |
+1 |
+1 |
+1 |
-1 |
+1 |
+1 |
29 |
+1 |
-1 |
-1 |
+1 |
+1 |
+1 |
30 |
+1 |
+1 |
-1 |
+1 |
+1 |
+1 |
31 |
+1 |
-1 |
+1 |
+1 |
+1 |
+1 |
32 |
+1 |
+1 |
+1 |
+1 |
+1 |
+1 |
После выбора факторов для каждого из них следует определить область, ограничивающую их возможное варьирование, и назначить основной уровень. Если, например, по условиям эксперимента нас интересует диапазон температуры воды от 20 до 60°С, то основной уровень (для середины интервала) составит 40°, нижний уровень 20°, верхний уровень 60°С. Разница значений между верхним и нижним уровнями фактора не может быть больше физически возможной. Например, для температуры обычной воды при нормальных условиях эта разность не может превысить 100°С. При этом интервал варьирования не должен быть меньше ошибки фиксирования уровня фактора, иначе верхний и нижний уровни окажутся Факторы, которые по тем или иным причинам невозможно учесть в эксперименте, необходимо во всех опытах стабилизировать на постоянных уровнях.