УСКОРЕННЫЕ АНАЛИТИКО-СТАТИСТИЧЕСКИЕ МЕТОДЫ ИМИТАЦИИ ТЕХНИЧЕСКИХ СИСТЕМ С РАСПРЕДЕЛЕННОЙ СТРУКТУРОЙ

 Предмет исследования.Предложено комбинированное применение аналитико-статистических методов моделирования, позволяющее ускорить численный расчет и анализ характеристик сложных технических систем методом машинной имитации. Выполнена оценкаэффективности совместного применения аналитико-статистических методов моделирования в сравнении с непосредственным моделированием по числу испытаний. Используемые подходы.Метод расслоенного моделирования позволяет понизить дисперсию оценки средней характеристики в сравнении с методом прямого моделирования. Метод равновзвешенного моделирования позволяет существенно сократить число испытаний без потери точности вычисления. Совместное применение аналитико-статистических методов обеспечивает ускорение анализа характеристик систем с распределенной структурой методом имитации.Основные результаты.Предложенаинтерпретация и развитие методов расслоения и равновзвешенного моделирования применительно к задачам системного проектирования. Приведен тестовый пример, демонстрирующий возможный выигрыш применения аналитико-статистических методов при моделировании маловероятных событий на примере расчета надежности системы. Практическая значимость. Совместное применение методов расслоения и равновзвешенного моделирования позволяет существенно ускорить алгоритмический анализ моделей стохастических систем методом имитации.

1. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшаяшкола, 2007. 343 с.
2. Кутузов О.И., Татарникова Т.М. Из практики применения метода Монте-Карло // Заводская лаборатория. Диагностикаматериалов. 2017. Т. 83. № 3. С. 65–70.
3. Соболь И.М. Численные методы Монте-Карло. М.: Наука, 1973. 212 с.
4. Полляк Ю.Г., Филимонов В.А. Статистическое машинное моделирование средств связи. М.: Радио и связь, 1988. 176 с.
5. Кутузов О.И., Татарникова Т.М. Математические схемы и алгоритмы моделирования инфокоммуникационных систем. СПб.: СПбГУАП, 2013. 148 с.
6. Задорожный В.Н., Кутузов О.И. Проблемы и техника моделирования фрактальных очередей // Имитационное моделирование. Теорияипрактика: матер. конференции. Казань, 2013. C. 143–148.
7. Banks J., Carson J.S., Nelson B.L., Nicol D.M. Discrete-Event System Simulation. 5^th ed. Prentice Hall, 2009. 638 p.
8. Крейн М., Лемуан О. Введение в регенеративный метод анализа моделей. М.: Наука, 1983. 104 с.
9. Bogatyrev V.A., Vinokurova M.S. Control and safety of operation of duplicated computer systems // Communications in Computer and Information Science. 2017. V. 700. P. 331–342. doi: 10.1007/978-3-319-66836-9_28
10. Клейнен Дж. Статистические методы в имитационном моделировании. М.: Статистика, 1978. 221 с.
11. Колчин В.Ф. Случайныеграфы. М.: Физматлит, 2004. 256 с.
12. Плакс Б.И. Расчет надежности систем со сложной структурой ускоренным методом Монте-Карло // Изв. АН СССР. Техн. кибернетика. 1983. № 6. С. 158–162.
13. Пугачев В.Н. Комбинированные методы определения вероятностных характеристик. М.: Советское радио, 1973. 256 с.
14. Задорожный В.Н., Кутузов О.И. Методы моделирования очередей в условиях фрактального трафика в сетях с коммутацией пакетов. Омск: ОмГТУ, 2013. 104 с.
15. Галамбош Я. Асимптотическая теория экстремальных порядковых статистик. М.: Наука, 1984. 303 с.
16. Богатырев В.А., Паршутина С.А. Модели многопутевой отказоустойчивой маршрутизации при распределении запросов через сеть // Вестник компьютерных и информационных технологий. 2015. № 12. С. 23–28.
17. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978. 432 с.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License