Детерминированные и стохастические системы. Контроль подразделяется на предварительный, текущий и заключительный

Модели систем, о которых мы говорили до сих пор, были детерминированными (определенными), т.е. задание входного воздействия определяло выход системы однозначно. Однако на практике так бывает редко: описанию реальных систем обычно присуща неопределенность. Например, для статической модели неопределенность можно учесть, записывая место (2.1) соотношение

где -погрешность, приведенная к выходу системы.

Причины неопределенности разнообразны:

– погрешности и помехи измерений входов и выходов системы (естественные погрешности);

– неточность самой модели системы, что заставляет искусственно вводить в модель погрешность;

– неполнота информации о параметрах системы и т.д.

Среди различных способов уточнения и формализации неопределенности наибольшее распространение получил хаотический (вероятностный) подход, при котором неопределенные величины считаются случайными. Развитый понятийный и вычислительный аппарат теории вероятностей и математической статистики позволяет дать конкретные рекомендации по выбору структуры системы и оценке ее параметров. Классификация стохастических моделей систем и методов их исследования представлена в табл. 1.4. Выводы и рекомендации основаны на эффекте усреднения: случайные отклонения результатов измерений некоторой величины от ее ожидаемого значения при суммировании взаимно уничтожаются, и среднее арифметическое большого числа измерений оказывается близким к ожидаемому значению. Математические формулировки этого эффекта даются законом больших чисел и центральной предельной теоремой. Закон больших чисел гласит, что если - случайные величины с математическим ожиданием (средним значением) и дисперсией , то

при достаточно больших N . Это говорит о принципиальной возможности сколь угодно точной оценки по измерениям. Центральная предельная теорема, уточняющая (2.32) утверждает, что

где - стандартная нормально распределенная случайная величина

Поскольку распределение величины хорошо извести и затабулировано (например, известно, что то соотношение (2.33) позволяет вычислять погрешность оценки. Пусть, например требуется найти, при каком числе измерений погрешность оценки их математического ожидания с вероятностью 0,95 окажется меньше, чем 0,01, если дисперсия каждого измерения равна 0,25. Из (2.33) получаем, что должно выполняться неравенство откуда N> 10000.

Разумеется, формулировкам (2.32), (2.33) можно придать более строгий вид, и это легко может быть сделано с помощью понятий вероятностной сходимости. Трудности возникают при попытке проверить условия этих строгих утверждений. Например, в законе больших чисел и централь ной предельной теореме требуется независимость отдельных измерений (реализаций) случайной величины и конечность ее дисперсии. Если эти условия нарушаются, то могут нарушаться и выводы. Например, если все измерения совпадают: то, хотя все остальные условия выполняются об усреднении не может быть и речи. Другой пример: закон больших чисел несправедлив, если случайные величины распределены по закону Коши (с плотностью распределения не обладающему конечными математическими ожиданием и дисперсией. А ведь такой закон встречается в жизни! Например, по Коши распределена интегральная освещенность точек прямолинейного берега равномерно вращающимся прожектором, находящимся в море (на корабле) и включающимся в случайные моменты времени.

Но еще большие трудности вызывает проверка обоснованности самого употребления термина «случайный». Что такое случайная величина, случайное событие и т.д. Часто говорят, что событие А случайно, если в результате эксперимента оно может наступить (с вероятностью р) или не наступить (с вероятностью 1-р). Все, однако, не так просто. Само понятие вероятности может быть связано с результатами экспериментов лишь через частоту его наступления в некотором ряде (серии) экспериментов: , где N A - число экспериментов, в которых событие наступило, N - общее число; экспериментов. Если числа при достаточно большом N приближаются к некоторому постоянному числу р А:

то событие А можно назвать случайным, а число р - его вероятностью. При этом частоты, наблюдавшиеся в различных сериях экспериментов, должны быть близки между собой (это свойство называется статистической устойчивостью или однородностью). Сказанное относится и к понятию случайной величины, поскольку величина является случайной, если случайными являются события {а<£<Ь} для любых чисел а , Ь. Частоты наступления таких событий в длинных сериях экспериментов должны группироваться около некоторых постоянных значений.

Итак, для применимости стохастического подхода должны выполняться следующие требования:

1) массовость проводимых экспериментов, т.е. достаточно большое число;

2) повторяемость условий экспериментов, оправдывающая сравнение результатов различных экспериментов;

3) статистическая устойчивость.

Стохастический подход заведомо нельзя применять к единичным экспериментам: бессмысленны выражения типа «вероятность того, что завтра будет дождь», «с вероятностью 0.8 «Зенит» выиграет кубок» и т.п. Но даже если массовость и повторяемость экспериментов имеются, статистической устойчивости может и не быть, а проверить это - непростое дело. Известные оценки допустимого отклонения частоты от вероятности основаны на центральной предельной теореме или неравенстве Чебышева и требуют дополнительных гипотез о независимости или слабой зависимости измерений. Опытная же проверка условия независимости еще сложнее, так как требует дополнительных экспериментов.

Более подробно методология и практические рецепты применения теории вероятностей изложены в поучительной книге В.Н. Тутубалина , представление о которой дают приводимые ниже цитаты:

«Чрезвычайно важно искоренить заблуждение, встречающееся иногда у недостаточно знакомых с теорией вероятностей инженеров и естествоиспытателей, что результат любого эксперимента можно рассматривать как случайную величину. В особо тяжелых случаях к этому присоединяется вера в нормальный закон распределения, а если уже сами случайные величины не нормальны, то верят, что их логарифмы нормальны».

«По современным представлениям область применения теоретико-вероятностных методов ограничена явлениями, которым присуща статистическая устойчивость. Однако проверка статистической устойчивости трудна и всегда неполна к тому же часто она дает отрицательный вывод. В результате в целых областях знания, например, в геологии, нормой стал такой подход, при котором статистическая устойчивость вовсе не проверяется, что неизбежно приводит к серьезным ошибкам. К тому же пропаганда кибернетики, предпринятая нашими ведущими учеными, дала (в некоторых случаях!) несколько неожиданный результат: теперь считается, что только машина (а не человек) способна получать объективные научные результаты.

В таких обстоятельствах долг каждого преподавателя - вновь и вновь пропагандировать ту старую истину, которую еще Петр I пытался (безуспешно) внушить русским купцам: что торговать надо честно, без обмана, так как в конечном счете это для самих же себя выгоднее».

Как же построить модель системы, если неопределенность в задаче есть, но стохастический подход неприменим? Ниже кратко излагается один из альтернативных подходов, основанный на теории нечетких множеств.

Напоминаем, что отношением (отношением между и) называется подмножество множества. т.е. некоторая совокупности пар R={(x , у )}, где,. Например, функциональная связь (зависимость) может быть представлена как отношение между множествами, включающее пары (х , у ), для которых.

В простейшем случае может быть, a R - отношение тождества, если.

Примеры 12-15 в табл. 1. 1 придуманы в 1988 г. учеником 86 класса 292 школы М. Коротеевым.

Математик здесь, конечно, заметит, что минимум в (1.4), строго говоря, может не достигаться и в формулировке (1.4) нужно заменить rnin на inf («инфимум» - точная нижняя грань множества). Однако ситуация от этого не изменится: формализация в данном случае не отражает существа задачи, т.е. проведена неверно. В дальнейшем, чтобы не«пугать» инженера, мы будем пользоваться обозначениями min, max; имея в виду, что при необходимости их следует заменить на более общие inf, sup.

Здесь термин «структура» используется в смысле, несколько более узком, нем в подразд. 1.1, и означает состав подсистем в системе и типы связей между ними.

Графом называется пара (G , R ), где G={g 1 ... g n }- конечное множество вершин, a - бинарное отношение на G. Если, тогда и только тогда, когда, то граф называется неориентированным, в противном случае - ориентированным. Пары называются дугами (ребрами), а элементы множества G - вершинами графа.

То есть алгебраические или трансцендентные.

Строго говоря, счетное множество представляет собой некоторую идеализацию, которую невозможно реализовать практически из-за конечности размеров технических систем и пределов человеческого восприятия. Такие идеализированные модели (например, множество натуральных чисел N ={1, 2,...}) имеет смысл вводить для множеств конечных, но с заранее не ограниченным (или неизвестным) числом элементов.

Формально понятие операции является частным случаем понятия отношения между элементами множеств. Например, операция сложения Двух чисел задает 3-местное (тернарное) отношение R: тройка чисел (х, у, z ) z ) принадлежит отношению R (пишем (х,у,z)), если z = х+у.

Комплексное число, аргумент полиномов А (), В ().

Это предположение часто выполняется на практике.

Если величина неизвестна, то следует заменить в (2.33) на оценку где При этом величина будет распределена уже не нормально, а по закону Стьюдента, который при практически неотличим от нормального.

Легко заметить, что (2.34) есть частный случай (2.32), когда берется, если событие А наступило в j- м эксперименте, в противном случае.При этом

А сегодня можно добавить «... и информатики» (прим. автора).

Стохастическая модель описывает ситуацию, когда присутствует неопределенность. Другими словами, процесс характеризуется некоторой степенью случайности. Само прилагательное «стохастический» происходит от греческого слова «угадывать». Поскольку неопределенность является ключевой характеристикой повседневной жизни, то такая модель может описывать все что угодно.

Однако каждый раз, когда мы ее применяем, будет получаться разный результат. Поэтому чаще используются детерминированные модели. Хотя они и не являются максимально приближенными к реальному положению вещей, однако всегда дают одинаковый результат и позволяют облегчить понимание ситуации, упрощают ее, вводя комплекс математических уравнений.

Основные признаки

Стохастическая модель всегда включает одну или несколько случайных величин. Она стремится отразить реальную жизнь во всех ее проявлениях. В отличие от стохастическая не имеет цели все упростить и свести к известным величинам. Поэтому неопределенность является ее ключевой характеристикой. Стохастические модели подходят для описания чего угодно, но все они имеют следующие общие признаки:

Любая стохастическая модель отражает все аспекты проблемы, для изучения которой создана.
Исход каждого из явлений является неопределенным. Поэтому модель включает вероятности. От точности их расчета зависит правильность общих результатов.
Эти вероятности можно использовать для прогнозирования или описания самих процессов.

Детерминированные и стохастические модели

Для некоторых жизнь представляется чередой для других - процессов, в которых причина обуславливает следствие. На самом же деле для нее характерна неопределенность, но не всегда и не во всем. Поэтому иногда трудно найти четкие различия между стохастическими и детерминированными моделями. Вероятности являются достаточно субъективным показателем.

Например, рассмотрим ситуацию с подбрасыванием монетки. На первый взгляд кажется, что вероятность того, что выпадет «решка», составляет 50%. Поэтому нужно использовать детерминированную модель. Однако на деле оказывается, что многое зависит от ловкости рук игроков и совершенства балансировки монетки. Это означает, что нужно использовать стохастическую модель. Всегда есть параметры, которые мы не знаем. В реальной жизни причина всегда обуславливает следствие, но существует и некоторая степень неопределенности. Выбор между использованием детерминированной и стохастической моделей зависит от того, чем мы готовы поступиться - простотой анализа или реалистичностью.

В теории хаоса

В последнее время понятие о том, какая модель называется стохастической, стало еще более размытым. Это связано с развитием так называемой теории хаоса. Она описывает детерминированные модели, которые могут давать разные результаты при незначительном изменении исходных параметров. Это похоже на введение в расчет неопределенности. Многие ученые даже допустили, что это уже и есть стохастическая модель.

Лотар Брейер изящно объяснил все с помощью поэтических образов. Он писал: «Горный ручеек, бьющееся сердце, эпидемия оспы, столб восходящего дыма - все это является примером динамического феномена, который, как кажется, иногда характеризуется случайностью. В реальности же такие процессы всегда подчинены определенному порядку, который ученые и инженеры еще только начинают понимать. Это так называемый детерминированный хаос». Новая теория звучит очень правдоподобно, поэтому многие современные ученые являются ее сторонниками. Однако она все еще остается мало разработанной, и ее достаточно сложно применить в статистических расчетах. Поэтому зачастую используются стохастические или детерминированные модели.

Построение

Стохастическая начинается с выбора пространства элементарных исходов. Так в статистике называют перечень возможных результатов изучаемого процесса или события. Затем исследователь определяет вероятность каждого из элементарных исходов. Обычно это делается на основе определенной методики.

Однако вероятности все равно являются достаточно субъективным параметром. Затем исследователь определяет, какие события представляются наиболее интересными для решения проблемы. После этого он просто определяет их вероятность.

Пример

Рассмотрим процесс построения самой простой стохастической модели. Предположим, мы кидаем кубик. Если выпадет «шесть» или «один», то наш выигрыш составит десять долларов. Процесс построения стохастической модели в этом случае будет выглядеть следующим образом:

Определим пространство элементарных исходов. У кубика шесть граней, поэтому могут выпасть «один», «два», «три», «четыре», «пять» и «шесть».
Вероятность каждого из исходов будет равна 1/6, сколько бы мы ни подбрасывали кубик.
Теперь нужно определить интересующие нас исходы. Это выпадение грани с цифрой «шесть» или «один».
Наконец, мы может определить вероятность интересующего нас события. Она составляет 1/3. Мы суммируем вероятности обоих интересующих нас элементарных событий: 1/6 + 1/6 = 2/6 = 1/3.

Концепция и результат

Стохастическое моделирование часто используется в азартных играх. Но незаменимо оно и в экономическом прогнозировании, так как позволяют глубже, чем детерминированные, понять ситуацию. Стохастические модели в экономике часто используются при принятии инвестиционных решений. Они позволяют сделать предположения о рентабельности вложений в определенные активы или их группы.

Моделирование делает финансовое планирование более эффективным. С его помощью инвесторы и трейдеры оптимизируют распределение своих активов. Использование стохастического моделирования всегда имеет преимущества в долгосрочной перспективе. В некоторых отраслях отказ или неумение его применять может даже привести к банкротству предприятия. Это связано с тем, что в реальной жизни новые важные параметры появляются ежедневно, и если их не может иметь катастрофические последствия.

Вероятностно-детерминированные математические прогнозирующие модели графиков энергетических нагрузок являются комбинацией статистических и детерминированных моделей. Именно эти модели позволяют обеспечить наилучшую точность прогнозирования, адаптивность к изменяющемуся процессу электропотребления .

Они базируются на концепции стандартизованного моделирования нагрузки , т.е. аддитивной декомпозиции фактической нагрузки на стандартизованный график (базовой составляющей, детерминированного тренда) и остаточную составляющую :

где t – время внутри суток; d – номер суток, например, в году.

В стандартной составляющей при моделировании также осуществляют аддитивное выделение отдельных составляющих, учитывающих : изменение средней сезонной нагрузки ; недельную цикличность изменения электропотребления ; трендовую составляющую, моделирующую дополнительные эффекты, связанные с изменением времени восхода и захода солнца от сезона к сезону ; составляющую, учитывающую зависимость электропотребления от метеофакторов , в частности температуры и т.п.

Рассмотрим подробнее подходы моделирования отдельных составляющих на основе упомянутых выше детерминированных и статистических моделей .

Моделирование средней сезонной нагрузки зачастую осуществляют с использованием простого скользящего усреднения :

где N – число обычных регулярных (рабочих дней), содержащихся в n прошедших неделях. , так как из недель исключаются «специальные», «нерегулярные дни», праздники и т.п. Осуществляется ежедневное обновление путем усреднения данных за n прошедших недель.

Моделирование недельной цикличности также осуществляют скользящим усреднением вида

с обновлением еженедельно путем усреднения данных за n прошедших недель, либо используя экспоненциально взвешенное скользящее среднее :

где – эмпирически определяемый параметр сглаживания ().

В работе для моделирования и используется семь составляющих , для каждого дня недели, причем каждое определяется отдельно с использованием модели экспоненциального сглаживания.

Авторы работы для моделирования используют двойное экспоненциальное сглаживание типа Холта – Винтерса. В работе для моделирования используют гармоническое представление вида

с параметрами , оцениваемыми по эмпирическим данным (значение «52» определяет число недель в году). Однако задача адаптивного оперативного оценивания этих параметров в указанной работе не решена полностью.

Моделирование , в ряде случаев осуществляют с помощью конечных рядов Фурье : с недельным периодом , с суточным периодом , либо с раздельным моделированием рабочих и выходных дней соответственно с периодами пять и двое суток :

Для моделирования трендовой составляющей используют либо полиномы 2-го – 4-го порядков , либо различные нелинейные эмпирические функции, например, вида :

где – полином четвертой степени, описывающий относительно медленные сглаженные изменения нагрузки в дневные часы по сезонам; , , – функции моделирующие эффекты, связанные с изменением времени восхода и захода солнца по сезонам.

Для учета зависимости электропотребления от метеофакторов в ряде случаев вводят дополнительную составляющую . В работе теоретически обосновывается включение в модель, но возможности моделирования температурного эффекта при этом рассматриваются лишь в ограниченном объеме . Так, для представления температурной составляющей для условий Египта используется полиномиальная модель

где – температура воздуха в t-й час.

Применяется регрессионный метод для «нормализации» максимумов и провалов реализации процесса с учетом температуры, при этом нормализованные данные представляются одномерной моделью авторегрессии интегрированного скользящего среднего (АРИСС) .

Используют также для моделирования с учетом температуры рекурсивный фильтр Калмана, в который включаются внешние факторы – прогноз температуры. Либо используют в краткосрочном диапазоне полиномиальную кубическую интерполяцию часовых нагрузок и при этом в модели учитывают влияние температуры .

Для учета среднесуточных прогнозов температуры, различных метеоусловий на реализации анализируемого процесса и в то же время повышения устойчивости модели предлагается использовать особую модификацию модели скользящего среднего

где для различных метеоусловий, связанных с вероятностями формируется ряд из m графиков нагрузки , а прогноз определяется как условное математическое ожидание. Вероятности уточняются по методу Байеса по мере поступления новых фактических значений нагрузки и факторов в течении суток.

Моделирование остаточной составляющей осуществляют как с использованием одномерных моделей, так и многомерных, учитывающих метеорологические и другие внешние факторы. Так, в качестве одномерной (однофакторной) модели зачастую используют модель авторегрессии АР(k) порядка k

где – остаточный белый шум. Для прогнозирования часовых (получасовых) отсчетов используют модели АР(1), АР(2) и даже АР(24) . Даже в случае использования обобщенной модели АРИСС для все равно ее применение сводится к моделям АР(1), АР(2) как для пятиминутных , так и часовых измерений нагрузки .

Иной однофакторной моделью моделирования составляющей является модель простого или двойного экспоненциального сглаживания . Эта модель позволяет эффективно выявлять краткосрочные тренды в процессе изменения остаточной нагрузки . Простота, экономичность, рекурсивность и вычислительная эффективность обеспечивают методу экспоненциального сглаживания широкое применение. С помощью простого экспоненциального сглаживания по при различных постоянных и определяют две экспоненциальные средние и . Прогноз остаточной составляющей с упреждением определяют по формуле

Технические системы. Параметрами технических объектов являются движущие объекты, объекты энергетики, объекты химической промышленности, объекты машиностроения, бытовая техника и многие другие. Объекты технических систем хорошо изучены в теории управления.

Экономические объекты. Экономическими объектами являются: цех, завод, предприятия различных отраслей. В качестве одной из переменных в них выступают экономические показатели - например - прибыль.

Биологические системы. Живые системы поддерживают свою жизнедеятельность благодаря заложенным в них механизмам управления.

Детерминированные и стохастические системы

Если внешние воздействия, приложенные к системе (управляющие и возмущающие) являются определенными известными функциями времени u=f(t). В этом случае состоянии системы описываемой обыкновенными дифференциальными уравнениями, в любой момент времени t может быть однозначно описано по состоянию системы в предшествующий момент времени. Системы для которых состояние системы однозначно определяется начальными значениями и может быть предсказано для любого момента времени называются детерминированными.

Стохастические системы - системы изменения в которых носят случайный характер. Например воздействие на энергосистему различных пользователей. При случайных воздействиях данных о состоянии системы недостаточно для предсказания в последующий момент времени.

Случайные воздействия могут прикладываться к системе из вне, или возникать внутри некоторых элементов (внутренние шумы). Исследование систем при наличии случайных воздействий можно проводить обычными методами, минимизировав шаг моделирования чтобы не пропустить влияния случайных параметров. При этом так как максимальное значение случайной величины встречается редко (в основном в технике преобладает нормальное распределение), то выбор минимального шага в большинстве моментов времени не будет обоснован.

В подавляющем большинстве случаев при проектировании систем закладываются не максимальным а наиболее вероятным значением случайного параметра. В этом случае поучается более рациональная система, заранее предполагая ухудшение работы системы в отдельные промежутки времени. Например установка катодной защиты.

Расчет систем при случайных воздействиях производится с помощью специальных статистических методов. Вводятся оценки случайных параметров, выполненные на основании множества испытаний. Например карта поверхности уровня грунтовых вод СПб.

Статистические свойства случайной величины определяют по ее функции распределения или плотности вероятности.

Открытые и закрытые системы

Понятие открытой системы ввел Л. фон Берталанфи. Основные отличительные черты открытых систем - способность обмениваться с внешней средой энергией и информацией. Закрытые (замкнутые) системы изолированны от внешней среды (с точностью принятой в модели).

Хорошо и плохо организованные системы

Хорошо организованные системы. Представить анализируемый объект или процесс в виде «хорошо организованной системы» означает определить элементы системы, их взаимосвязь, правила объединения в более крупные компоненты, т. е. определить связи между всеми компонентами и целями системы, с точки зрения которых рассматривается объект или ради достижения которых создается система. Проблемная ситуация может быть описана в виде математического выражения, связывающего цель со средствами, т. е. в виде критерия эффективности, критерия функционирования системы, который может быть представлен сложным уравнением или системой уравнений. Решение задачи при представлении ее в виде хорошо организованной системы осуществляется аналитическими методами формализованного представления системы.

Примеры хорошо организованных систем: солнечная система, описывающая наиболее существенные закономерности движения планет вокруг Солнца; отображение атома в виде планетарной системы, состоящей из ядра и электронов; описание работы сложного электронного устройства с помощью системы уравнений, учитывающей особенности условий его работы (наличие шумов, нестабильности источников питания и т. п.).

Для отображения объекта в виде хорошо организованной системы необходимо выделять существенные и не учитывать относительно несущественные для данной цели рассмотрения компоненты: например, при рассмотрении солнечной системы не учитывать метеориты, астероиды и другие мелкие по сравнению с планетами элементы межпланетного пространства.

Описание объекта в виде хорошо организованной системы применяется в тех случаях, когда можно предложить детерминированное описание и экспериментально доказать правомерность его применения, адекватность модели реальному процессу. Попытки применить класс хорошо организованных систем для представления сложных многокомпонентных объектов или многокритериальных задач плохо удаются: они требуют недопустимо больших затрат времени, практически нереализуемы и неадекватны применяемым моделям.

Плохо организованные системы. При представлении объекта в виде «плохо организованной или диффузной системы» не ставится задача определить все учитываемые компоненты, их свойства и связи между ними и целями системы. Система характеризуется некоторым набором макропараметров и закономерностями, которые находятся на основе исследования не всего объекта или класса явлений, а на основе определенней с помощью некоторых правил выборки компонентов, характеризующих исследуемый объект или процесс. На основе такого выборочного исследования получают характеристики или закономерности (статистические, экономические) и распространяют их на всю систему в целом. При этом делаются соответствующие оговорки. Например, при получении статистических закономерностей их распространяют на поведение всей системы с некоторой доверительной вероятностью.

Подход к отображению объектов в виде диффузных систем широко применяется при: описании систем массового обслуживания, определении численности штатов на предприятиях и учреждениях, исследовании документальных потоков информации в системах управления и т. д.

Самоорганизующиеся системы. Отображение объекта в виде самоорганизующейся системы - это подход, позволяющий исследовать наименее изученные объекты и процессы. Самоорганизующиеся системы обладают признаками диффузных систем: стохастичностью поведения, нестационарностью отдельных параметров и процессов. К этому добавляются такие признаки, как непредсказуемость поведения; способность адаптироваться к изменяющимся условиям среды, изменять структуру при взаимодействии системы со средой, сохраняя при этом свойства целостности; способность формировать возможные варианты поведения и выбирать из них наилучший и др. Иногда этот класс разбивают на подклассы, выделяя адаптивные или самоприспосабливающиеся системы, самовосстанавливающиеся, самовоспроизводящиеся и другие подклассы, соответствующие различным свойствам развивающихся систем.

Примеры: биологические организации, коллективное поведение людей, организация управления на уровне предприятия, отрасли, государства в целом, т. е. в тех системах, где обязательно имеется человеческий фактор.

При применении отображения объекта в виде самоорганизующейся системы задачи определения целей и выбора средств, как правило, разделяются. При этом задача выбора целей может быть, в свою очередь, описана в виде самоорганизующейся системы, т. е. структура функциональной части АСУ, структура целей, плана может разбиваться так же, как и структура обеспечивающей части АСУ (комплекс технических средств АСУ) или организационная структура системы управления.

Большинство примеров применения системного анализа основано на представлении объектов в виде самоорганизующихся систем.

Моделирование является одним из самых важных инструментов в современной жизни, когда хотят предвидеть будущее. И это не удивительно, ведь точность такого способа весьма велика. Давайте же в рамках данной статьи рассмотрим, что собой представляет детерминированная модель.

Общая информация

Детерминированные модели систем имеют ту особенность, что могут исследоваться аналитически, если они являются достаточно простыми. В противоположном случае при использовании значительного числа уравнений и переменных для этой цели могут задействоваться электронно-вычислительные машины. Причем помощь ЭВМ, как правило, сводится исключительно к их решению и нахождению ответов. Из-за этого приходится менять системы уравнений и использовать другую дискретизацию. А это влёчет за собой повышенную опасность погрешности при расчетах. Все типы детерминированных моделей характеризуются тем, что знание параметров на определённом исследуемом интервале позволяет нам полностью определить динамику развития за границей известных показателей.

Особенности

Факторное моделирование

Отсылки к этому можно было увидеть на протяжении всей статьи, но что это такое, мы пока не обсуждали. Факторное моделирование подразумевает, что выделяются основные положения, для которых необходимо количественное сопоставление. Для выполнения поставленных целей исследованием производят преобразование формы.

Если жестко детерминированная модель имеет больше двух факторов, то она называется многофакторной. Ее анализ может осуществляться посредством различных приёмов. В качестве примера приведем В этом случае она рассматривает поставленные задачи с точки зрения заранее установленных и проработанных априорных моделей. Выбор среди них осуществляется по содержательному представлению.

Для качественного построения модели необходимо использовать теоретические и экспериментальные исследования сущности технологического процесса и его причинно-следственных связей. Именно в этом и заключается главное преимущество рассматриваемых нами субъектов. Модели детерминированного позволяют осуществлять точное прогнозирование во многих сферах нашей жизни. Благодаря их качественным параметрам и универсальности они и получили такое широкое распространение.

Кибернетические детерминированные модели

Они представляют для нас интерес благодаря основанным на анализе переходным процессам, которые возникают при любых, даже самых ничтожных изменениях агрессивных свойств внешней среды. Для простоты и быстроты расчетов существующее положение дел заменяется упрощенной моделью. Важным является то, чтобы она удовлетворяла всем основным запросам.

От единства всех необходимых параметров зависит работоспособность системы автоматического управления и эффективность принимаемых ею решений. При этом необходимо решить такую задачу: чем больше будет собрано информации, тем выше вероятность ошибки и значительнее срок обработки. Но если ограничить сбор своих данных, то можно рассчитывать на менее надёжный результат. Поэтому необходимо найти золотую середину, которая позволит получить информацию достаточной точности, и одновременно это не будет излишне усложнено лишними элементами.

Мультипликативная детерминированная модель

Она строится посредством разделения факторов на их множество. В качестве примера можно рассмотреть процесс формирования объема производимой продукции (ПП). Итак, для этого необходимо иметь рабочую силу (РС), материалы (М) и энергию (Э). В таком случае фактор ПП можно разбить на множество (РС;М;Э). Такой вариант отображает мультипликативный вид факторной системы и возможность её разделения. В этом случае можно использовать такие методы преобразования: расширение, формальное разложение и удлинение. Первый вариант нашел широкое применение в анализе. Он может использоваться для того, чтобы высчитать эффективность деятельности работника, и так далее.

При удлинении одно значение заменяется другими факторами. Но в конечном итоге должно получиться то же самое число. Пример удлинения был рассмотрен нами выше. Осталось только формальное разложение. Оно предусматривает использование удлинения знаменателя исходной факторной модели благодаря замене одного или нескольких параметров. Рассмотрим такой пример: мы рассчитываем рентабельность производства. Для этого сумма прибыли делится на размер затрат. При мультипликации вместо единого значения делим на просуммированные траты на материал, персонал, налоги и так далее.

Вероятности

О, если бы всё шло именно так, как задумано! Но такое бывает редко. Поэтому на практике часто вместе используются детерминированные и Что можно сказать про последние? Их особенность в том, что они учитывают ещё и различные вероятности. Возьмем, к примеру, следующее. Есть два государства. Отношения между ними очень плохи. Третья сторона решает, инвестировать ли в предприятия одной из стран. Ведь если разгорится война, то прибыль очень пострадает. Или можно привести в пример построение завода в зоне с высокой сейсмической активностью. Здесь ведь действуют природные факторы, которые точно учесть нельзя, можно это сделать только приблизительно.

Заключение

Нами было рассмотрено, что собой представляют модели детерминированного анализа. Увы, но чтобы полноценно разобраться в них и уметь применять на практике, следует очень хорошо поучиться. Теоретические основы уже есть. Также в рамках статьи были представлены и отдельные простые примеры. Далее лучше идти по пути постепенного усложнения рабочего материала. Можно немного упростить себе задачу и начать изучение программного обеспечения, которое может проводить соответствующее моделирование. Но каким бы выбор ни был, понимать основы и уметь дать ответ на вопросы о том, что, как и почему, всё же необходимо. Следует научиться для начала подбирать правильные входные данные и выбирать нужные действия. Тогда программы смогут успешно выполнять свои задачи.