Имитационное моделирование экономических процессов. 2

РЕФЕРАТ

по дисциплине «Основы информационных технологий»

на тему: «Имитационное моделирование экономических процессов»

Минск 2011

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

Глава 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

1.1. Понятие имитационного моделирования

1.2. Этапы имитационного моделирования

1.3. Анализ подходов и программного обеспечения применяемого в имитационном моделировании

Глава 2.  ПАКЕТ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ANYLOGIC

2.1. История  развития программного продукта AnyLogic

2.2. Основные библиотеки и конструкции  моделирования в среде  AnyLogic

2.3. Основные возможности и средства имитационного моделирования в среде AnyLogic

Глава 3. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ АНАЛИЗА ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ

3.1. Дискретно-событийное моделирование в AnyLogic

3.1. Модель работы операционного зала банка с использованием среды AnyLogic

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ВВЕДЕНИЕ

Компьютерное  имитационное  моделирование  становится  сегодня  одним  из обязательных  этапов  при  принятии  ответственных  решений  в  процессе  управления сложными  системами.  Поэтому  знание  концепций,  принципов  и  возможностей компьютерного  моделирования,  умение  использовать  существующий  программный инструментарий  для  создания  и  использования  моделей  являются  необходимыми требованиями, предъявляемыми к менеджеру, бизнес-аналитику.

Целью имитационного моделирования (ИМ) является создание среды или устройства, позволяющих экспериментальным путем получить нужную информацию об объектах окружающего мира без непосредственного контакта с этими объектами. Соответствующее экспериментальное устройство (имитатор), должно в основных чертах, быстро и экономно повторять (имитировать) поведение реальной системы.

Имитационное моделирование является чрезвычайно эффективным инструментом исследования поведения реальных систем. Методы ИМ позволяют получить необходимую информацию о поведении экономической, технической, биологической и др. систем путем создания их компьютеризованных моделей. Эта информация может использоваться, как для для проектирования системы, так и для принятия эффективных управленческих решений.

Однако  широкому  распространению  имитационного  моделирования  до  сих пор  препятствовало  несколько  причин:  системы,  для  которых необходима разработка моделей, обычно сложны, что затрудняет построение для них  моделей  даже  с  использованием  специализированных  пакетов;  разработка  сложных  моделей  часто  требует  от  пользователя  написания программного  кода  и  знания  языка  программирования. 

Традиционный  подход  в  этой  области  основную  проблему имитационного  моделирования  видел  именно  в  разработке  компьютерной программы,  реализующей  модель,  программ  генерации  и  анализа  случайных величин, а не в разработке и анализе модели как таковой. Среда  разработки имитационных моделей,  скрывающая  от разработчика  все  эти проблемы, может качественно ускорить построение и анализ имитационных моделей.

Объектом исследования работы являются функциональные возможности  среды разработки имитационных  моделей программного продукта AnyLogic.

Предметом работы является использование компьютерного имитационного моделирования при анализе функционирования экономических систем.

Целью работы является обоснование необходимости использования программных продуктов компьютерного имитационного моделирования при анализе и оценке деятельности предприятий, а также при принятии управленческих решений.

Для достижения цели работы были поставлены следующие задачи:

                  Изучить и описать сущность и основные этапы имитационного моделирования;

                  Рассмотреть основные виды имитационных моделей, их особенности и области применения;

                  Изучить функциональные возможности программной среды Anylogic, а также основные  методы обработки и анализа данных, используемые в данном программном продукте;

                  Разработать имитационную модель банковского отделения с использованием программного продукта Anylogic.

Глава 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

1.1.   Понятие имитационного моделирования

Имитационное  моделирование  –  это  разработка  и  выполнение  на  компьютере программной  системы,  отражающей  структуру  и  функционирование  (поведение) моделируемого  объекта  или  явления  во  времени. 

Такую  программную  систему называют имитационной моделью этого объекта или явления. Объекты и сущности имитационной модели представляют объекты и сущности реального мира, а связи структурных  единиц  объекта  моделирования  отражаются  в  интерфейсных  связях соответствующих  объектов  модели. 

Таким  образом,  имитационная  модель  –  это упрощенное подобие реальной системы, либо существующей, либо той, которую предполагается создать в будущем. Имитационная модель обычно представляется компьютерной  программой,  выполнение  программы  можно  считать  имитацией поведения исходной системы во времени.

Реальные процессы и системы можно исследовать с помощью двух типов математических моделей: аналитических и имитационных.

В аналитических моделях поведение реальных процессов и систем (РПС) задается в виде явных функциональных зависимостей (уравнений линейных или нелинейных, дифференциальных или интегральных, систем этих уравнений). Однако получить эти зависимости удается только для сравнительно простых РПС. Когда явления сложны и многообразны исследователю приходится идти на упрощенные представления сложных РПС. В результате аналитическая модель становится слишком грубым приближением к действительности. Если все же для сложных РПС удается получить аналитические модели, то зачастую они превращаются в трудно разрешимую проблему. Поэтому исследователь вынужден часто использовать имитационное моделирование.

Имитационное моделирование представляет собой численный метод проведения на ЭВМ вычислительных экспериментов с математическими моделями, имитирующими поведение реальных объектов, процессов и систем во времени в течении заданного периода. При этом функционирование РПС разбивается на элементарные явления, подсистемы и модули. Функционирование этих элементарных явлений, подсистем и модулей описывается набором алгоритмов, которые имитируют элементарные явления с сохранением их логической структуры и последовательности протекания во времени.

Техника имитации базируется на случайной выборке. Это означает, что любой результат, полученный путем ИМ, подвержен экспериментальным ошибкам, и, следовательно, как в любом статистическом эксперименте, должен основываться на результатах соответствующих статистических проверок.

Все современные модели ИМ базируются на использовании универсального метода статистического моделирования (метод Монте-Карло). Основная идея этого метода состоит в использовании выборки (генерации) случайных чисел для получения требуемых оценок параметров изучаемых систем.

Вместо описания процесса с помощью аналитического аппарата (алгебраических, дифференциальных или разностных уравнений), производится имитация (“розыгрыш”) случайного явления. Каждая случайная реализация практически не дает никакой полезной информации о поведении моделируемой системы, однако информация о результатах достаточно большого числа реализаций может использоваться как искусственно полученный статистический материал для обработки. В результате такой обработки оцениваются представляющие интерес характеристики (вероятности событий, математические ожидания и дисперсии параметров исследуемой системы и т.п.).

ИМ оказывается практически единственным методом исследования сложных процессов с большим числом элементов, в которых случайные факторы сложно переплетены, а функциональные связи между параметрами систем часто неизвестны.

Итак,  имитационное  моделирование  –  это  деятельность  по  разработке программных  моделей  реальных  или  гипотетических  систем,  выполнение  этих программ на компьютере и анализ результатов компьютерных  экспериментов по исследованию  поведения  моделей.

              Преимущество ИМ над аналитическими моделями обусловлено тремя обстоятельствами:

1.      Аналитические модели сложных систем часто невозможно построить из-за того, что на их поведение оказывают влияние плохо описываемые теоретически факторы (например, в финансовых моделях - случайный непрогнозируемый спрос, в производственных моделях – большое число поставщиков материалов и комплектующих и т.п.)

2.      Аналитические модели обычно описывают стационарное решение, однако часто представляет интерес нестационарное поведение системы;

3.      Для ИМ можно использовать широкий круг программного обеспечения – от обычных электронных таблиц типа Excel до программ, написанных на Pascal и C++, или с применением специально разработанных языков создания имитационных моделей (GPSS, SIMAN). Уровень необходимой для этого компьютерной и математической подготовки сегодня значительно снижен.

Имитационное моделирование может использоваться при принятии решений на  стадиях  проектирования  и  анализа  производственных  систем  (например, конвейерных  линий  или  складских  помещений),  транспортных  систем (автомагистралей,  портов,  метрополитена),  различных  организаций,

предоставляющих  сервисы  массового  обслуживания  (парикмахерских,  центров обработки  заказов  по  телефону,  больниц,  автозаправок,  банков),  социальных  и финансовых систем и т. п.

Во многих  случаях  имитационное моделирование  –  это  единственный  способ получить представление о поведении сложной системы и провести ее анализ.

1.2.  Этапы имитационного моделирования

Имитационное  моделирование  состоит  из  двух  больших  этапов:  создания модели и анализа построенной модели с целью принятия решения. Но построение действительно  полезной  имитационной  модели,  требует большой работы:

1. Сначала разработчик модели должен определить, какие задачи будут решаться с  ее  помощью,  т.  е.  моделированию  в  любой  его форме  должна  предшествовать формулировка  цели  моделирования.  От  цели  зависит  то,  какие  процессы  в реальной  системе  следует  выделить  и  отразить  в  модели,  а  от  каких  процессов абстрагироваться,  какие  характеристики  этих процессов  учитывать,  а  какие  – нет, какие  соотношения  между  переменными  и  параметрами  модели  должны  быть отражены в модели. 

2. Следующий  этап  можно  охарактеризовать  как  создание  концептуальной (содержательной)  модели.  На  нем  происходит  структуризация  модели,  т.  е. выделение отдельных подсистем, определение элементарных компонентов модели и  их  связей  на  каждом  уровне  иерархии.  В  имитационном  моделировании структура  модели  отражает  структуру  реального  объекта  моделирования  на некотором  уровне  абстракции,  а  связи  между  компонентами  модели  являются отражением реальных связей. 

Элементы  системы,  их  связи,  параметры  и  переменные,  а  также  их

соотношения  и  законы  их  изменения  должны  быть  выражены  средствами  среды моделирования,  т.  е.  в  этой  среде  должны  быть  определены  переменные  и параметры  модели,  построены  процедуры  вычисления  изменения  переменных  и характеристик модели во времени. 

При  необходимости  для  большего  понимания  процессов,  протекающих  в модели, должно быть разработано анимационное представление этих процессов. 

3. Следующий этап – это калибровка или идентификация модели, т. е. сбор данных и проведение измерений тех характеристик в реальной системе, которые должны быть  введены  в модель  в  виде  значений  параметров  и  распределений  случайных величин. 

4. Необходимо  выполнить  проверку  правильности  модели  (ее  валидацию), которая  состоит  в  том,  что  выход  модели  проверяется  на  нескольких  тестовых режимах, в которых характеристики поведения реальной системы известны либо очевидны. 

5. Последним этапом работы с моделью является компьютерный эксперимент, т.е. собственно  то,  ради  чего  и  создавалась  модель.  В  простейшем  случае компьютерный  эксперимент  –  это  запуск  на  исполнение  модели  при  различных значениях  ее существенных параметров  (факторов) и наблюдение  ее поведения с регистрацией  характеристик  поведения.  Этот  вид  использования  модели называется  прогнозом,  или  экспериментом  типа  «что  будет,  если...».

Компьютерное  моделирование  позволяет  не  только  получить  прогноз,  но  и определить,  какие  управляющие  воздействия  на  систему  приведут  к благоприятному развитию событий. 

Более сложные эксперименты позволяют выполнить анализ чувствительности модели,  оценку  рисков  различных  вариантов  управляющих  решений,  а  также оптимизацию  для  определения  параметров  и  условий  рационального функционирования модели.

Один из важных вопросов – представление и анализ результатов моделирования. Для этого в инструментальной среде могут быть использованы специальные средства для  обработки  статистической  информации,  для  представления  в структурированном  или  графическом  виде  полученных  данных,  интеграция  с внешними базами данных и т. п.

1.3 Анализ подходов и программного обеспечения применяемого в имитационном моделировании

Прогноз состояния ресурсов и средств подразумевает ответы на  вопросы «что  будет,  если...»  и  как  расходуются  ресурсы  и  средства  при  выполнении текущего  плана  производства,  при  поступлении  новых  заказов,  изменении сроков и объемов поставки ресурсов, поломках средств. Решается  задача путем моделирования текущей ситуации и проигрыванием сценариев ее развития.

Одним  из  базовых  элементов  структуры  современных  СППР  являются системы  моделирования,  для  построения  которых  в  настоящее  время используются следующие подходы:

–  системная динамика, 

–  дискретно-событийное моделирование, 

–  динамические системы, 

–  агентное моделирование,

–  объединенный подход.

1. Системная  динамика  (программные  продукты:  VenSim, PowerSim,  iThink, ModelMaker  и  др.). 

Основная  парадигма  данного  подхода  заключается  в математическом  описании  систем  дифференциальных  уравнений, приведенных к форме Коши. Системно-динамический подход был разработан и предложен  Дж. Форрестером  в  конце  1950-х  как  «исследование информационных  обратных  связей  в  промышленной  деятельности  с  целью показать  как  организационная  структура,  усиления  (в  политиках)  и  задержки (в принятии решений и действиях) взаимодействуют, влияя на успешность предприятия».  Приложения  системной  динамики  включают  также социальные,  урбанистические,  экологические  системы.  Системная динамика  абстрагируется  от  отдельных  объектов  и  событий  и предполагает «агрегатный» взгляд на процессы, концентрируясь на политиках, этими процессами  управляющих. Моделируя  в  стиле  системной динамики, структура  и  поведение  системы представляются как  множество взаимодействующих  положительных  и  отрицательных  обратных  связей  и задержек.

Важно отметить следующие моменты системной динамики:

1) поскольку  модель  оперирует  только  количествами,  агрегатами,  объекты, находящиеся в одном накопителе, неразличимы, лишены индивидуальности;

2) аналитику предлагается рассуждать в  терминах  глобальных  структурных зависимостей и, соответственно, ему необходимы соответствующие данные.

2. Дискретно-событийное  моделирование (программные  продукты:  Arena, GPSS,  Extend,  SimProcess,  AutoMod,  PROMODEL,  Enterprise  Dynamics, FlexSim,  eMPlant  и  др.). 

Основная  парадигма  данного  подхода  заключается  в использовании  транзактов,  отображающих  динамические  объекты моделирования  (заявки),  и  блоков-объектов,  обрабатывающих  эти  заявки.

Дискретно-событийное  моделирование  наиболее  развито  и  имеет  огромную сферу  приложений  –  от  логистики  и  систем  массового  обслуживания  до транспортных  и  производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Идея моделирования систем  с  дискретными  событиями  была  сформулирована  в  виде  Системы общецелевого  моделирования  (General  Purpose  Systems  Simulator)  Джеффри Гордоном (Geoffrey Gordon) в 1961 году.

Язык  GPSS  ввел  в  моделирование  парадигму  потокового  или  сетевого моделирования  (flowchart  или  network-based  modeling).  Поток  сущностей (транзакций) продвигается по структурной диаграмме, представляющей систему. Транзакции  ожидают  в  очередях,  конкурируют  за  использование  ресурсов  и блоков,  осуществляющих  их  обработку  (обслуживание),  и  в  конце  концов покидают  систему. Парадигма потокового моделирования оказалась достаточно общей и использовалась во многих программных продуктах.

3. Агентное  моделирование  (программные  продукты:  Swarm,  RePast, библиотеки на Java или C++, разработанные в различных университетах, и др.).

Основная  парадигма  заключается  в  том,  что  модель  представляется  в  виде множества  отдельных  активных  объектов  (агентов),  каждый  из  которых взаимодействует  с  другими  агентами,  образующими  для  него  внешнюю  среду.

Агентное  моделирование  –  относительно  новое  направление  в  имитационном моделировании,  которое  появилось  в  90-х  годах  и  используется  для исследования  децентрализованных  систем,  динамика  функционирования которых  определяется  не  глобальными  правилами  и  законами  (как  в  других парадигмах моделирования), а когда эти глобальные правила и законы являются результатом  индивидуальной  активности  членов  группы.  Цель  агентных моделей –  получить  представление  об  этих  глобальных  правилах,  общем поведении  системы,  исходя  из  предположений  об  индивидуальном,  частном поведении  ее  отдельных  активных  объектов и  взаимодействии  этих  объектов  в системе.  Агент  –  некая  сущность,  обладающая  активностью,  автономным поведением,  может  принимать  решения  в  соответствии  с  некоторым  набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.

В отличие от системной динамики или дискретно-событийных моделей, здесь  нет  такого  места,  где  централизованно  определялось  бы  поведение (динамика)  системы  в  целом. Вместо  этого,  аналитик  определяет  поведение  на индивидуальном  уровне,  а  глобальное  поведение  возникает  как  результат деятельности многих  (сотен,  тысяч, миллионов)  агентов,  каждый  из  которых следует своим собственным правилам, живѐт в общей среде и  взаимодействует со средой и с другими агентами.

Таким  образом, иногда,  даже  если  в  принципе  и  существует,  скажем,  системно-динамическая модель  системы,  построить  агентную  модель  может  быть  проще.  И,  наконец, агентную  модель  проще  поддерживать:  уточнения  обычно  делаются  на локальном  уровне  и  не  требуют  глобальных  изменений.  В  таком  случае, введение  новых  объектов  (предприятий,  объектов  социальной инфраструктуры,  планов  стратегического  развития)  в  агентной имитационной модели не изменяет еѐ структуры, что может потребоваться  при использовании моделей системной динамики.

4. Динамические  системы  (программные  продукты:  MATLAB,  VisSim, LabView, Easy 5 и др.).

Основная парадигма данного подхода заключается, как и в системной динамике, в описании системы соответствующей математической моделью,  состоящей  из  набора  переменных  состояния  и  системы  алгебро-дифференциальных  уравнений  над  ними.  Но,  в  отличие  от  системной динамики,  переменные  состояния  имеют  прямой  «физический»  смысл: координата, скорость и т. д. и не являются агрегатами дискретных объектов.

Практически  все  выше  перечисленные  программные  инструменты имитационного  моделирования  разработаны  для  поддержки  одного определѐнного подхода.

Среди  систем  имитационного  моделирования,  предоставляющих объединенный  подход,  стоит  выделить  систему  AnyLogic,  объединяющую возможности  создания  гибридных  моделей  на  основе  моделей  системной динамики, дискретно-событийных моделей и агентного подхода.

Для  определения  подхода  реализации  системы  моделирования экономических  и  социальных  систем  (ЭСС)  (например,  городской  среды) необходимо определиться с возможностью создания в  рамках каждого из них объектов  как  с  более,  так  и  менее  детальным  уровнем  абстракции,  так  как указанные ЭСС представляет собой систему, содержащую большие количества активных объектов (людей, предприятий), часть которых объединяет наличие определенных моделей поведения, при этом каждый объект может реализовать как  сложную,  более  детальную  (поведение  конкретного  предприятия  или человека),  так  и  простую,  менее  детальную  (поведение  производственной отрасли или группы людей) модели поведения.

На рис. 1.1 представлены возможности реализации в каждом из подходов объектов с разными уровнями абстракции.

Рис. 1.1 Уровни абстракций в различных подходах имитационного моделирования

Таким  образом,  в  результате  рассмотрения  парадигм  имитационного моделирования  и  анализа  рис.  1.1  были  отмечены  преимущества агентно-ориентированного подхода для анализа динамики  развития ЭСС. При использовании данного подхода, в отличие от остальных, отдельные элементы ЭСС  модели  могут  быть  представлены  объектами  с  любым  уровнем абстракции.  Чем  более  детально  в  модели  будут  реализованы  агенты, представляющие  собой определенные  субъекты ЭСС,  тем  более  глубокой  и точной  будет  результирующая  информация  о  моделируемой  системе. Глобальное  поведение  мультиагентных  систем  возникает  как  результат деятельности  многих  (десятков,  сотен,  тысяч,  миллионов)  агентов,  поведение которых определяется на индивидуальном уровне.

Глава 2. ПАКЕТ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ANYLOGIC

2.1 История развития программного продукта AnyLogic

В начале 1990-х в компьютерной науке наблюдался большой интерес к построению математически трактуемого описания взаимодействия параллельных процессов. Что сказалось на подходах к анализу корректности параллельных и распределённых программ. Группа учёных из Санкт-Петербургского Политехнического университета разработала программное обеспечение для анализа корректности системы; новый инструмент назвали COVERS (Параллельная Верификация и Моделирование). Анализируемая система процессов задавалась графически, с помощью описания её структуры и поведения отдельных параллельных компонентов, которые могли взаимодействовать с окружением — с другими процессами и средой.

В 1998 г. успех этого исследования вдохновил лабораторию организовать коммерческую компанию с миссией создания нового программного обеспечения для имитационного моделирования. Акцент при разработке ставился на прикладные методы: моделирование стохастических систем, оптимизацию и визуализацию модели. Новое программное обеспечение, выпущенное в 2000 г., было основано на последних преимуществах информационных технологий: объектно-ориентированный подход, элементы стандарта UML, языка программирования Java, современного GUI, и т. д.

Продукт получил название AnyLogic, потому что он поддерживал все три известных метода моделирования (рис.2.1.):

                   системная динамика;

                   дискретно-событийное (процессное) моделирование;

                   агентное моделирование;

                   любая комбинация этих подходов в пределах одной модели.

Рис. 2.1. Три подхода имитационного моделирования

Огромный  шаг  вперѐд  был  сделан  в  2003  году,  когда  был  выпущен AnyLogic 5,  ориентированный  на  бизнес-моделирование.  С  помощью  AnyLogic стало возможным разрабатывать модели в следующих областях:

–  производство; 

–  логистика и цепочки поставок; 

–  рынок и конкуренция; 

–  бизнес-процессы и сфера обслуживания; 

–  здравоохранение и фармацевтика; 

–  управление активами и проектами; 

–  телекоммуникации и информационные системы; 

–  социальные и экологические системы; 

–  пешеходная динамика; 

–  оборона.

В  марте  2010  года  была  выпущена  версия  программы  AnyLogic 6.5. AnyLogic 6  написан  на  языке  программирования  Java  в  популярной  среде разработки  Eclipse.  Anylogic  6  является  кросс-платформенным  программным обеспечением,  работает  как  под  управлением  операционной  системы Windows, так и под Mac OS и Linux.

2.2. Основные библиотеки и конструкции  моделирования в среде AnyLogic

Модели  AnyLogic  могут  быть  основаны  на  любой  из  основных  парадигм имитационного  моделирования:  дискретно-событийное  моделирование, системная динамика и агентное моделирование.

При  разработке  моделей  в  AnyLogic  можно  использовать  концепции  и средства  из  нескольких  методов  моделирования,  например,  в  агентной  модели использовать  методы  системной  динамики  для  представления  изменений состояния  среды  или  в  непрерывной  модели  динамической  системы  учесть дискретные  события.  Например,  управление  цепочками  поставок  при  помощи имитационного  моделирования  требует  описания  участников  цепи  поставок агентами:  производители,  продавцы,  потребители,  сеть  складов.  При  этом производство  описывается  в  рамках  дискретно-событийного  (процессного) моделирования,  где  продукт  или  его  части  –  это  заявки,  а  автомобили,  поезда, штабелѐры – ресурсы. Сами поставки представляются дискретными  событиями, но  при  этом  спрос  на  товары  может  описываться  непрерывной  системно-динамической  диаграммой.  Возможность  смешивать  подходы  позволяет описывать  процессы  реальной  жизни,  а  не  подгонять  процесс  под  доступный математический аппарат.