Модель системы обработки данных

Введение
1.Имитационное моделирование: возможности и проблемы
1.1 Основные вопросы имитационного моделирования
1.2 Средства реализации имитационных моделей
1.3 Язык моделирования GPSS. Основные элементы и блоки
2. Модель работы системы обработки данных
2.1 Постановка задачи
2.2 Реализация модели
2.3 Анализ результатов моделирования
Заключение
Список использованной литературы
Приложения

В исследовании операций широко применяются как аналитические, так и статистические модели. Каждый из этих типов имеет свои преимущества и недостатки. Аналитические модели более грубы, учитывают меньшее число факторов, всегда требуют каких-то допущений и упрощений. Зато результаты расчета по ним легче обозримы, отчетливее отражают присущие явлению основные закономерности. А, главное, аналитические модели больше приспособлены для поиска оптимальных решений. Статистические модели, по сравнению, с аналитическими, более точны и подробны, не требуют столь грубых допущений, позволяют учесть большое (в теории – неограниченно большое) число факторов. Но и у них – свои недостатки: громоздкость, плохая обозримость, большой расход машинного времени, а главное, крайняя трудность поиска оптимальных решений, кторые приходятся искать «на ощупь», путем догадок и проб.
Наилучшие работы в области исследования операций основаны на
совместном применении аналитических и статистических моделей. Аналитическая модель дает возможность в общих чертах разобраться в явлении, наметить как бы контур основных закономерностей. Любые уточнения могут быть получены с помощью статистических моделей.
Имитационное моделирование применяется к процессам, в ход которых может время от времени вмешиваться человеческая воля. Человек, руководящий операцией, может в зависимости от сложившейся обстановки, принимать те или другие решения, подобно тому, как шахматист, глядя на доску, выбирает свой очередной ход. Затем приводится в действие математическая модель, которая показывает, какое ожидается изменение обстановки в ответ на это решение и к каким последствиям оно приведет спустя некоторое время. Следующее «текущее решение» принимается уже с учетом реальной новой обстановки и т.д. В результате многократного повторения такой процедуры руководитель как бы «набирает опыт», учится на своих и чужих ошибках и постепенно выучивается принимать правильные решения – если не оптимальные, то почти оптимальные.

1. Советов Б.А., Яковлев С.А. Моделирование систем, М: Высшая школа, 1985.
2. Гмурман В.Е. Теория вероятностей и математическая статистика, М: Высшая школа, 2001.
3. Шрайбер

Дисциплина: Информатика, Программирование, Базы данных
Тип работы: Курсовая работа
Бесплатно: Антиплагиат
Объем: 26 страниц
В избранное:

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ
РЕСПУБЛИКИ КАЗАХСТАН

КАЗАХСКИЙ ЭКОНОМИЧЕСКИЙ УНИВЕРСИТЕТ им. Т.РЫСКУЛОВА

КУРСОВАЯ РАБОТА

Тема: Модель системы обработки данных

Проверил: Хайбуллина А.Х

Выполнил: Жанова А.

Алматы 2005

ПЛАН
Введение
1.Имитационное моделирование: возможности и проблемы
1. Основные вопросы имитационного моделирования
2. Средства реализации имитационных моделей
3. Язык моделирования GPSS. Основные элементы и блоки

2. Модель работы системы обработки данных

2.1 Постановка задачи
2.2 Реализация модели
2.3 Анализ результатов моделирования
Заключение
Список использованной литературы
Приложения

Введение.
В исследовании операций широко применяются как аналитические, так и
статистические модели. Каждый из этих типов имеет свои преимущества и
недостатки. Аналитические модели более грубы, учитывают меньшее число
факторов, всегда требуют каких-то допущений и упрощений. Зато результаты
расчета по ним легче обозримы, отчетливее отражают присущие явлению
основные закономерности. А, главное, аналитические модели больше
приспособлены для поиска оптимальных решений. Статистические модели, по
сравнению, с аналитическими, более точны и подробны, не требуют столь
грубых допущений, позволяют учесть большое (в теории – неограниченно
большое) число факторов. Но и у них – свои недостатки: громоздкость, плохая
обозримость, большой расход машинного времени, а главное, крайняя трудность
поиска оптимальных решений, кторые приходятся искать на ощупь, путем
догадок и проб.
Наилучшие работы в области исследования операций основаны на
совместном применении аналитических и статистических моделей. Аналитическая
модель дает возможность в общих чертах разобраться в явлении, наметить как
бы контур основных закономерностей. Любые уточнения могут быть получены с
помощью статистических моделей.
Имитационное моделирование применяется к процессам, в ход которых может
время от времени вмешиваться человеческая воля. Человек, руководящий
операцией, может в зависимости от сложившейся обстановки, принимать те или
другие решения, подобно тому, как шахматист, глядя на доску, выбирает свой
очередной ход. Затем приводится в действие математическая модель, которая
показывает, какое ожидается изменение обстановки в ответ на это решение и к
каким последствиям оно приведет спустя некоторое время. Следующее текущее
решение принимается уже с учетом реальной новой обстановки и т.д. В
результате многократного повторения такой процедуры руководитель как бы
набирает опыт, учится на своих и чужих ошибках и постепенно выучивается
принимать правильные решения – если не оптимальные, то почти оптимальные.
1. Имитационное моделирование: возможности и проблемы
1.1Основные вопросы имитационного моделирования

В современной литературе не существует единой точки зрения по вопросу о
том, что понимать под имитационным моделированием. Так существуют различные
трактовки:
- в первой – под имитационной моделью понимается математическая модель в
классическом смысле;
- во второй – этот термин сохраняется лишь за теми моделями, в которых тем
или иным способом разыгрываются (имитируются) случайные воздействия;
- в третьей – предполагают, что имитационная модель отличается от обычной
математической более детальным описанием , но критерий, по которому
можно сказать, когда кончается математическая модель и начинается
имитационная , не вводится;
Имитационное моделированием применяется к процессам, в ход которых
может время от времени вмешиваться человеческая воля. Человек, руководящий
операцией, может в зависимости от сложившейся обстановки, принимать те или
иные решения, подобно тому, как шахматист глядя на доску, выбирает свой
очередной ход. Затем приводится в действие математическая модель, которая
показывает, какое ожидается изменение обстановки, в ответ на это решение и
к каким последствиям оно приведет спустя некоторое время. Следующее текущее
решение принимается уже с учетом реальной новой обстановки и т. д. В
результате многократного повторения такой процедуры руководитель как бы
набирает опыт, учится на своих и чужих ошибках и постепенно выучиваться
принимать правильные решения – если не оптимальные, то почти оптимальные.
Попробуем проиллюстрировать процесс имитационного моделирования через
сравнение с классической математической моделью.

Этапы процесса построения математической модели сложной системы:

Формулируются основные вопросы о поведении системы, ответы на которые
мы хотим получить с помощью модели.
1. Из множества законов, управляющих поведением системы, выбираются те,
влияние которых существенно при поиске ответов на поставленные вопросы.
2. В пополнение к этим законам, если необходимо, для системы в целом или
отдельных ее частей формулируются определенные гипотезы о
функционировании.
Критерием адекватности модели служит практика.
Трудности при построении математической модели сложной системы:

- Если модель содержит много связей между элементами, разнообразные
нелинейные ограничения, большое число параметров и т. д.
- Реальные системы зачастую подвержены влиянию случайных различных
факторов, учет которых аналитическим путем представляет весьма большие
трудности, зачастую непреодолимые при большом их числе;
- Возможность сопоставления модели и оригинала при таком подходе имеется
лишь в начале.
Эти трудности и обуславливают применение имитационного моделирования.
Оно реализуется по следующим этапам:
1. Как и ранее, формулируются основные вопросы о поведении сложной системы,
ответы на которые мы хотим получить.
2. Осуществляется декомпозиция системы на более простые части-блоки.
3. Формулируются законы и правдоподобные гипотезы относительно поведения
как системы в целом, так и отдельных ее частей.
4. В зависимости от поставленных перед исследователем вопросов вводится
так называемое системное время, моделирующее ход времени в реальной
системе.
5. Формализованным образом задаются необходимые феноменологические свойства
системы и отдельных ее частей.
6. Случайным параметрам, фигурирующим в модели, сопоставляются некоторые их
реализации, сохраняющиеся постоянными в течение одного или нескольких
тактов системного времени. Далее отыскиваются новые реализации.

1.2 Средства реализации имитационных моделей

Имитационное моделирование - это метод, позволяющий строить модели,
учитывающие время выполнения функций. Полученную модель можно “проиграть”
во времени и получить статистику происходящих процессов так, как это было
бы в реальности. В имитационной модели изменения процессов и данных
ассоциируются с событиями. “Проигрывание” модели заключается в
последовательном переходе от одного события к другому. Обычно имитационные
модели строятся для поиска оптимального решения в условиях ограничения по
ресурсам, когда другие математические модели оказываются слишком сложными.
Одним из наиболее эффективных инструментов имитационного моделирования
является система Arena компании Systems Modeling Arena позволяет строить
имитационные модели, проигрывать их и анализировать результаты такого
проигрывания. Имитационное моделирование – это универсальное средство для
оптимизации процессов, поэтому модели с помощью Arena могут быть построены
для самых разных сфер деятельности – производственных технологических
операций, складского учета, банковской деятельности, обслуживания клиентов
в ресторане и т.д. и т.п. В настоящей статье описана версия Arena BE 3.6.1.
Имитационная модель компании Systems Modeling включает следующие основные
элементы: источники и стоки (Create и Dispose), процессы (Process) и
очереди (Queue). Источники - это элементы, от которых в модель поступает
информация или объекты. Скорость поступления данных или объектов от
источника обычно задается статистической функцией. Сток - это устройство
для приема информации или объектов. Понятие очереди близко к понятию
хранилища данных - это место, где объекты ожидают обработки. Времена
обработки объектов (производительность) в разных процессах могут быть
разными. В результате перед некоторыми процессами могут накапливаться
объекты, ожидающие своей очереди. Часто целью имитационного моделирования
является минимизация количества объектов в очередях. Тип очереди в
имитационной модели может быть конкретизирован. Очередь может быть похожа
на стек - пришедшие последними в очередь объекты первыми отправляются на
дальнейшую обработку (LIFO: last-in-first-out). Альтернативой стеку может
быть последовательная обработка, когда первыми на дальнейшую обработку
отправляются объекты, пришедшие первыми (FIFO: first -in-first-out). Могут
быть заданы и более сложные алгоритмы обработки очереди. Процессы - это
аналог работ в функциональной модели. В имитационной модели может быть
задана производительность процессов.

1.3 Язык моделирования GPSS. Основные элементы и блоки

Процессы функционирования различных систем могут быть представлены той
или иной совокупностью систем массового обслуживания (СМО) -
стохастических, динамических, дискретно-непрерывных математических моделей.
Исследование характеристик таких моделей может проводиться либо
аналитическими методами, либо путем имитационного моделирования.
Имитационная модель отображает стохастический процесс смены дискретных
состояний СМО в непрерывном времени в форме моделирующего алгоритма. При
его реализации на ЭВМ производится накопление статистических данных по тем
атрибутам модели, характеристики которых являются предметом исследований.
По окончании моделирования накопленная статистика обрабатывается, и
результаты моделирования получаются в виде выборочных распределений
исследуемых величин или их выборочных моментов. Таким образом, при
имитационном моделировании систем массового обслуживания речь всегда идет о
статистическом имитационном моделировании.
Одним из наиболее эффективных и распространенных языков моделирования
сложных дискретных систем является в настоящее время язык GPSS. Он может
быть с наибольшим успехом использован для моделирования систем,
формализуемых в виде систем массового обслуживания. В качестве объектов
языка используются аналоги таких стандартных компонентов СМО, как заявки,
обслуживающие приборы, очереди и т.п. Достаточный набор подобных
компонентов позволяет конструировать сложные имитационные модели, сохраняя
привычную терминологию СМО.
Динамические объекты, соответствующие заявкам в системах массового
обслуживания, называются в GPSS транзактами. Они "создаются" и
"уничтожаются" так, как это необходимо по логике модели в процессе
моделирования. С каждым транзактом может быть связано произвольное число
параметров, несущих в себе необходимую информацию об этом транзакте. Кроме
того, транзакты могут иметь различные приоритеты. В начальный момент
времени в GPSS-модели нет ни одного транзакта. В процессе моделирования
симулятор генерирует транзакты в определенные моменты времени в
соответствии с теми логическими потребностями, которые возникают в
моделируемой системе. Подобным же образом транзакты покидают модель в
определенные моменты времени в зависимости от специфики моделируемой
системы. В общем случае в модели одновременно существует большое число
транзактов, однако в каждый момент времени симулятор осуществляет
продвижение только какого-либо одного транзакта. Если транзакт начал свое
движение, он перемещается от блока к блоку по пути, предписанному блок-
схемой. В тот момент, когда транзакт входит в некоторый блок, на исполнение
вызывается подпрограмма симулятора, соответствующая типу этого блока, а
после ее выполнения, при котором реализуется функция данного блока,
транзакт "пытается" войти в следующий блок. Такое продвижение транзакта
продолжается до тех пор, пока не произойдет одно из следующих возможных
событий:
1. транзакт входит в блок, функцией которого является удаление
транзакта из модели;
2. транзакт входит в блок, функцией которого является задержка
транзакта на некоторое определенное в модели время;
3. транзакт "пытается" войти в следующий блок, однако блок
"отказывается" принять его. В этом случае транзакт остается в том
блоке, где находился, и позднее будет повторять свою попытку
войти в следующий блок. Когда условия в модели изменятся, такая
попытка может оказаться успешной, и транзакт сможет продолжить
свое перемещение по блок-схеме.
Если возникло одно из описанных выше условий, обработка данного транзакта
прекращается, и начинается перемещение другого транзакта. Таким образом,
выполнение моделирования симулятором продолжается постоянно. Проходя через
блоки модели, каждый транзакт вносит вклад в содержимое счетчиков блоков.
Значения этих счетчиков доступны программисту через СЧА блоков: W - текущее
содержимое блока и N – общее количество входов в блок. Каждое продвижение
транзакта в модели является событием, которое должно произойти в
определенный момент модельного времени. Для того чтобы поддерживать
правильную временную последовательность событий, симулятор имеет таймер
модельного времени, который автоматически корректируется в соответствии с
логикой, предписанной моделью.
Таймер GPSSPC имеет следующие особенности:
1. регистрируются только целые значения (все временные интервалы в
модели изображаются целыми числами);
2. единица модельного времени определяется разработчиком модели,
который задает все временные интервалы в одних и тех же,
выбранных им единицах;
3. симулятор не анализирует состояние модели в каждый следующий
момент модельного времени (отстоящий от текущего на единицу
модельного времени), а продвигает таймер к моменту времени, когда
происходит ближайшее следующее событие.
Значения таймера доступны программисту через системные СЧА C1
(относительное время) и AC1 (абсолютное время). Центральной задачей,
выполняемой симулятором, является определение того, какой транзакт надо
выбрать следующим для продвижения в модели, когда его предшественник
прекратил свое продвижение. С этой целью симулятор рассматривает каждый
транзакт как элемент некоторого списка. В относительно простых моделях
используются лишь два основных списка: список текущих событий и список
будущих событий.

Список текущих событий включает в себя те транзакты, планируемое время
продвижения которых равно или меньше текущего модельного времени (к
последним относятся транзакты, движение которых было заблокировано ранее).
Он организуется в порядке убывания приоритетов транзактов, а в пределах
каждого уровня приоритета - в порядке поступления транзактов.

Список будущих событий включает в себя транзакты, планируемое время
продвижения которых больше текущего времени, т.е. события, связанные с
продвижением этих транзактов, должны произойти в будущем. Этот список
организуется в порядке возрастания планируемого времени продвижения
транзактов.

Симулятор GPSSPC помещает транзакты в зависимости от условий в модели в
тот или иной список и переносит транзакты из списка в список, просматривает
списки, выбирая следующий транзакт для обработки, корректирует таймер
модельного времени после обработки всех транзактов в списке текущих
событий.

С транзактами связаны блоки создания, уничтожения, задержки транзактов,
изменения их атрибутов и создания копий транзактов.
Для создания транзактов, входящих в модель, служит блок GENERATE
(генерировать), имеющий следующий формат:
имя GENERATE A,B,C,D,E
В поле A задается среднее значение интервала времени между моментами
поступления в модель двух последовательных транзактов. Если этот интервал
постоянен, то поле B не используется. Если же интервал поступления является
случайной величиной, то в поле B указывается модификатор среднего значения,
который может быть задан в виде модификатора-интервала или модификатора-
функции. Модификатор-интервал используется, когда интервал поступления
транзактов является случайной величиной с равномерным законом распределения
вероятностей. В этом случае в поле B может быть задан любой СЧА, кроме
ссылки на функцию, а диапазон изменения интервала поступления имеет границы
A-B, A+B.

Например, блок GENERATE 100,40 создает транзакты через случайные интервалы
времени, равномерно распределенные на отрезке [60;140]. Модификатор-функция
используется, если закон распределения интервала поступления отличен от
равномерного. В этом случае в поле B должна быть записана ссылка на
функцию, описывающую этот закон, и случайный интервал поступления
определяется, как целая часть произведения поля A (среднего значения) на
вычисленное значение функции. В поле C задается момент поступления в модель
первого транзакта. Если это поле пусто или равно 0, то момент появления
первого транзакта определяется операндами A и B. Поле D задает общее число
транзактов, которое должно быть создано блоком GENERATE. Если это поле
пусто, то блок генерирует неограниченное число транзактов до завершения
моделирования. В поле E задается приоритет, присваиваемый генерируемым
транзактам. Число уровней приоритетов неограниченно, причем самый низкий
приоритет - нулевой. Если поле E пусто, то генерируемые транзакты имеют
нулевой приоритет. Транзакты имеют ряд стандартных числовых атрибутов.
Например, СЧА с названием PR позволяет ссылаться на приоритет транзакта.
СЧА с названием M1 содержит так называемое резидентное время транзакта,
т.е. время, прошедшее с момента входа транзакта в модель через блок
GENERATE. СЧА с названием XN1 содержит внутренний номер транзакта, который
является уникальным и позволяет всегда отличить один транзакт от другого. В
отличие от СЧА других объектов, СЧА транзактов не содержат ссылки на имя
или номер транзакта. Ссылка на СЧА транзакта всегда относится к активному
транзакту, т.е. транзакту, обрабатываемому в данный момент симулятором.
Важными стандартными числовыми атрибутами транзактов являются значения их
параметров. Любой транзакт может иметь неограниченное число параметров,
содержащих те или иные числовые значения. Ссылка на этот СЧА транзактов
всегда относится к активному транзакту и имеет вид Pj или Р$имя, где j и
имя - номер и имя параметра соответственно. Такая ссылка возможна только в
том случае, если параметр с указанным номером или именем существует, т.е. в
него занесено какое-либо значение.
Для присваивания параметрам начальных значений или изменения этих значений
служит блок ASSIGN, имеющий следующий формат: имя ASSIGN A,B,C

В поле A указывается номер или имя параметра, в который заносится значение
операнда B. Если в поле A после имени (номера) параметра стоит знак + или
-, то значение операнда B добавляется или вычитается из текущего
содержимого параметра. В поле С может быть указано имя или номер функции-
модификатора, действующей аналогично функции-модификатору в поле B блока
GENERATE.
Например, блок ASSIGN 5,0 записывает в параметр с номером 5 значение 0, а
блок ASSIGN COUNT+,1 добавляет 1 к текущему значению параметра с именем
COUNT.
Для записи текущего модельного времени в заданный параметр транзакта
служит блок MARK, имеющий следующий формат:

имя MARK A
В поле A указывается номер или имя параметра транзакта, в который
заносится текущее модельное время при входе этого транзакта в блок MARK.
Содержимое этого параметра может быть позднее использовано для определения
транзитного времени 0пребывания транзакта в какой-то части модели с помощью
СЧА с названием MP.

Например, если на входе участка модели поместить блок MARK MARKER, то на
выходе этого участка СЧА MP$MARKER будет содержать разность между текущим
модельным временем и временем, занесенным в параметр MARKER блоком MARK.
Если поле A блока MARK пусто, то текущее время заносится на место отметки
времени входа транзакта в модель, используемой при определении резидентного
времени транзакта с помощью СЧА M1.
Для изменения приоритета ... продолжение

Вы можете абсолютно на бесплатной основе полностью просмотреть эту работу через наше приложение.