5. СПОСОБЫ СНИЖЕНИЯ ТРУДОЕМКОСТИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
5.1. Основные методы уменьшения дисперсии оценки
Как видно из представленных в подразд. 3.3 соотношений, уменьшение дисперсии используемой при статистическом моделировании оценки искомой характеристики позволит пропорционально снизить количество опытов, необходимых для получения результата с заданной точностью.
Рассмотрим наиболее известные методы уменьшения дисперсии оценки на примере задачи определения математического ожидания некоторого показателя качества динамической системы со случайными параметрами.
Модель динамической системы задается в виде системы уравнений
, i=1,2,...,n, (5.1)
где - вектор переменных состояния системы;
- вектор случайных параметров. Качество
системы характеризуется мгновенным значением переменной состояния
в момент времени
.
Таким образом, задача сводится к оценке математического ожидания
= =
.
При использовании
стандартной схемы статистического моделирования оценка для
заданной m-мерной ПРВ вектора
случайных параметров
определяется по формуле (3.2), а
необходимое для обеспечения заданной точности количество опытов - по формуле
(3.19).
5.1.1. Метод выделения главной части
Решение системы (5.1)
, которое, возможно, не может быть найдено
аналитически, заменяют приближенным выражением
,
удобным для аналитических преобразований. Например:
или для единственного случайного параметра
, где
,
- некоторые функции времени.
Вводится новая
переменная состояния и в системе уравнений (5.1)
выполняется замена переменной
на Z путем подстановки:
,
или
,
.
Оценка искомого математического ожидания определяется в виде:
, где первое слагаемое может быть найдено
аналитически:
,
G
-
область возможных значений вектора V, а второе слагаемое
определяется по методу статистического моделирования на основе многократного
решения полученной новой системы уравнений до момента времени :
,
,
- i-я реализация вектора
случайных параметров, N - количество решений
системы уравнений для различных
.
При удачном выборе
функции дисперсия случайной величины
может оказаться существенно меньше, чем
дисперсия
, что и приведет к сокращению требуемого
количества опытов.
Пример. Рассмотрим
достаточно простой пример, все необходимые расчеты для которого могут быть
выполнены точно на основе аналитических решений. Пусть требуется определить
математическое ожидание выходного сигнала X апериодического
звена 1-го порядка через 1 с после подачи на вход сигнала . Коэффициент передачи звена k=4. Постоянная времени и начальное значение выходного
сигнала - случайные:
,
.
Параметр
распределен по равномерному закону в
интервале
, параметр
- по равномерному
закону в интервале
,
и
статистически независимы. Допустимая
абсолютная погрешность результата
.
Искомое
математическое ожидание , дисперсия
и необходимое количество опытов могут быть
оценены на основе статистического моделировани или определены аналитически.
Сначала получим точное решение задачи. Изменение сигнала X во времени описывается дифференциальным уравнением
.
(5.2)
Решение (5.2) имеет
вид: .
Для t=1 с учетом статистической независимости
параметров и
получим:
,
,
.
С учетом известной по (3.19) оценим количество опытов,
необходимое для оценки
методом статистического
моделирования с погрешностью, не превышающей
(при
доверительной вероятности 0,997):
.
При решении этой же
задачи методом статистического моделирования на основе итерационного алгоритма
(с. 53) получены следующие оценки (БЭЙСИК, IBM PC, объем начальной серии опытов
):
,
,
.
В процессе решения фактически
выполнено опытов.
Применим теперь к этой задаче метод выделения главной части. Приближенное решение уравнения (5.2) выберем в виде
. (5.3)
Его математическое ожидание при t=1 легко вычисляется аналитически:
.
Выполним в уравнении (5.2) замену переменной:
,
.
Получим новое
уравнение , аналитическое решение которого имеет вид:
.
Для t=1 интегрированием аналитического решения получим:
,
,
.
Таким образом,
представляется возможным для рассматриваемой задачи путем выделения главной
части в виде (5.3) сократить трудоемкость статистического моделирования в раза.
При контрольном статистическом моделировании на основе использованного выше алгоритма получены следующие оценки:
,
,
,
.
В процессе решения
фактически выполнено опыта. На практике трудоемкость
моделирования сокращена в
раза.
Выберем другой вариант приближенного решения уравнения (5.2)
.
Для него получим:
,
,
,
,
.
На основе
аналитического решения для t=1: ,
,
- и
ожидаемый выигрыш в количестве опытов в
раз.
При контрольном
статистическом моделировании здесь были получены следующие оценки: ,
,
,
, фактическое количество опытов
и выигрыш в трудоемкости в
раза.
5.1.2. Метод существенной выборки
Преобразуем общее
соотношение для определения математического ожидания =
по генеральной совокупности
следующим образом:
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.