1-20 Flashcards

1
Q

Modelovanje i modeli, vrste modela

A

Modelovanje je koriscenje necega umesto necega drugog kako bi se doslo do odredjenog saznanja. Rezultat modelovanja je MODEL, uproscena i idealizovana slika stvarnosti. Sadrzi objekte, atribute i pretpostavke o uslovima njegove validacije. Problem validacije modela proizilazi iz nivoa apstrakcie. Vrste:
mentalni, verbalni, strukturni, fizicki, analogni, matematicki, simulacioni, racunarski.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Neformalni i formalni modeli

A

Neformalni opis modela daje osnovne pojmove o modelu. On je nepotpun i neprecizan. Prilikom izgradnje vrse se podele na objekte, opisne promenljive i pravila interakcije. Objekti su delovi modela, opisne promenljive su stanja objekata u pojedinim vremenskim trenucima, a pravila definisu nacin na koji jedan objekat utice na drugi u cilju promene stanja. Ovakav opis modela je nekompletan, nekonzistentan i nejasan.
Formalni opis treba da obezbedi vecu preciznost, ali i da formalizuje postupak ispitivanja nekompletnosti, nekonzistentnosti i nejasnosti. Najvaznija stavka je usmeravanje paznje na one karakteristike objekta koje su od najveceg znacaja. Dva koraka razvoja modela: faza izgradnje(formalizacije), faza analize i koriscenja modela.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Racunarska simulacija

A

Simulacija podrazumeva proces izgradnje apstraktnih modela za neki sistem ili podsistem realnog sveta i obavljanje eksperimenata nad njima. Kada se oni vrse na racunaru onda je to RACUNARSKA SIMULACIJA.
Racunari se koriste za razvoj modela i izvodjenje proracuna.
Simulacija obushvata 3 elementa: realni sistem, model, racunar.
Modeliranje uspostavlja vezu izmedju realnog sistema i modela, a simulacija izmedju modela i racunara.
Relacija modeliranja se odnosi na validnost modela, njegovu sposobnost vernog prikaza realnog sistema.
Relacija simulacije se odnosi na proveru da li simulacioni racunar verno prenosi model na racunar kao i tacnost izvrsavanja instrukcija modela.
Racunarska simulacija ima u osnovi model sistema.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Istorijski pregled razvoja simulacije

A
    • fizicko modelovanje
    • pojava elektronskih racunara
    • simulacija u avio-industriji
    • simulacija proizvodnih procesa
    • simulacija velikih sistema ukljucujuci ekonomske, drustvene i ekoloske
    • sistemski pristup u simulaciji
    • simulacija diskretnih stohastickih sistema i visi nivo ucesca u SPO.
    • integracija racunarske simulacije, vestacke inteligencije, racunarskih mreza i MM tehnologija
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Karakteristike simulacionog modeliranja

A

Racunarska simulacija se zasniva na ideji eksperimentisanja sa modelom realnog sistema na racunaru tokom vremena.
Simulacioni modeli prikupljaju podatke o promenama stanja sistema i izlaza, fokusirajuci se na ponasanja individualnih komponenti sistema.
Simulacioni eksperimenti daju kao rezultat skup tacaka.
Simulacioni modeli su najcesce modeli dinamickih sistema, ali i onih koji se ne mogu opisati niti resavati matematickim sredstvima. Ti modeli su najcesce dati u obliku konceptualnih i racunarskih modela.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Potreba za simulacijom

A

Eksperiment nad realnim sistemom moze da bude skup ili nemoguc.
Eksperiment nad realnim sistemom je neisplativ.
Pri realnom eksperimentisanju javlja se greska mernih uredjaja.

Analiticki model nema analiticko resenje.
Sistem moze da bude slozen da bi se opisao analiticki

Realni sistem ne omogucava menjanje parametara.

Model moze da ima za cilj spoznaju nepoznate strukture realnog sistema
Model daje mogucnost zaustavljanja odvijanja eksperimenta i merenja promenljivih u tom trenutku

Pri simulaciji vreme se sazima
Ponekad je potrebno simulirati razaranje nekog sistema

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Mogucnost primene simulacije, prednost i nedostaci simulacije

A

Situacije u kojima je moguce uspesno primeniti simulaciju:
simulacija omogucava eksperimentisanje koje uzima u obzir sveukupne interakcije slozenog sistema,

promene u okruzenju mogu se simulirati,

znanje steceno tokom simulacije moze posluziti za poboljsanje sistema koji se ispituje,

menjanjem ulaza i izlaza dolazimo do informacija kako uticu najvaznije promenljive u sistemu,

pedagoske svrhe,

moze se koristiti za verifikaciju analitickih resenja.

Prednosti: 1 moze da se koristi ves puta, simulacione metode se mogu koristiti kao pomoc kod analize, podaci se mogu jeftinije dobiti, laksa primena, nemaju ogranicanja kao analiticki model, simulacija jedino sredstvo za resavanje problema ponekad, moguce resavati slozene dinamicke probleme

Nedostaci: modeli mogu biti skupi, potrebno izvesti vise simulacionih eksperimenata, moze zahtevati dosta vremena i memorije racunara, ne dobijaju se zavisnosti izlaza od ulaza niti optimalna resenja, potrebno poznavanje vise modela i alata, vrednovanje modela je slozeno

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Simulacioni proces

A
Je struktura resavanja stvarnih problema pomocu simulacionog modeliranja. Struktura mu nije srogo sekvencijalna.
Koraci: 
1) definicija cilja istrazivanja(simulacione studije)
2) identifikacija sistema
3) prikupljanje i analiza ulaznih podataka
4) izgradnja simulacionog modela
5) izgradnja simulacionog programa
6) verifikacija simulacionog programa
      6.1) zadovoljava? NE-> 4-5
7) vrednovanje simulacionog modela
      7.1) zadovoljava? NE-> 3-4
8) planiranje i izvodjenje eksperimenata
9) analiza rezultata eksperimenata
       9.1) zadovoljava? NE-> 7.1-8
10) zakljucci i preporuke
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Podele simulacionih modela

A

Osnovna podela: prema vrstama promenljivih u modelu i prema nacinu na koji se menja stanje u modelu tokom vremena

Deterministicki modeli: su oni kojima je novo stanje sistema odredjeno u potpunosti prethodnim

Stohasticki modeli: su oni cije se ponasanje ne moze predvideti, ali se mogu odrediti verovatnoce promene stanja sistema

Diskretni modeli: stanje sistema se menja samo u pojedinacnim tackama u vremenu. Te promene su DOGADJAJI

Kontinualni modeli: promenljive stanja se menjaju kontinualno u vremenu. Na racunaru se kontinualne velicine moraju aproksimirati skupom diskretnih vrednosti.

Moguci su i mesoviti modeli

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Vrste simulacionih modela

A

Vrste se razlikuju po pristupu modeliranju, klasi problema i po tehnikama modeliranja i simulacije koje su za nih razvijene.
To su: Monte Karlo, kontinualna simulacija, simulacija diskretnih dogadjaja, mesovita simulacija.

Monte Karlo koristi slucajne brojevei u resavanju problema se koristi stvaranje uzoraka iz raspodele slucajnih promenljivih. Koriste se kod deterministickih problema, slozenih fenomena, statistickih problema

Kontinualna simulacija se koristi kod dinamickih problema kod kojih promenljive menjaju kontinualno u vremenu. Resavaju se ili jednostavni problemi koji su detaljno opisani i cije su promene glatke i prirodno se opisuju diferencijalnim jednacinama ili problemi koji nastaju opisom slozenih sistema u kojem se niz elemenata sistema redukuje na manji broj komponenti i u kojima se promene u sistemu aproksimiraju konstantnim brzinama promene. Tipovi: modeli koji se opisuju obicnim dif jednacinama, sistemima marcijalnih dif jednacina, modeli dinamike sistema

Simulacija diskretnih dogadjaja: specificna metodologija simulacije koja se bavi modelovanjem sistema koji se mogu predstaviti skupom dogadjaja(diskretna promena stanja entiteta sistema). Sistemi koji se ovim putem modeluju su i dinamicki i stohasticki.

Mesovita simulacija: koristi se kod sistema koji sadrze procese koji teku kontinualno i dogadjaje koji dovode do diskontinuiteta u ponasanju sistema.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Klasifikacija modela

A

Klasifikacija u odnosu na promenljive:
Svaki model poseduje opisne promenljive koje se dele na one koje se mogu posmatrati i one koje ne mogu.
Sve opisne promenljive modela se mogu podeliti na ulazne, izlazne i promene stanja. Svaka promenljiva ima skup stanja(opseg), kao i funkciju koja opisuje promene tih stanja.
MODELI BEZ MEMORIJE (0 promenljvih)
MODELI SA MEMORIJOM (bar 1 promenljiva)
AUTONOMNI MODELI (0 ulaznih promenljivih)
ZATVORENI (nemaju izlaznu)
OTVORENI (imaju izlaznu)
NEAUTONOMNI MODELI (bar 1 ulazna promenljiva)
ZATVORENI (nemaju izlaznu)
OTVORENI (imaju izlaznu)
Klasifikacija u odnosu na prirodu opsega vrednosti promenljivih modela: opisne promenljive mogu uzimati vrednosti iz diskretnog i kontinualnog skupa:
MODEL SA DISKRETNIM STANJIMA (sve 3 iz diskret. skupa)
MODEL SA KONTINUALNIM STANJIMA
MODEL SA MESOVITIM STANJIMA

Klasifikacija u odnosu na prirodu opsega vrednosti promenljive vreme:
MODEL SA KONTINUALNIM VREMENOM I KONTINUALNIM PROMENAMA STANJA,

MODEL SA KONTINUALNIM VREMENOM I
DISKRETNIM PROMENAMA STANJA

MODEL SA DISKRETIM VREMENOM I
KONTINUALNIM PROMENAMA STANJA

MODEL SA DISKRETNIM VREMENOM I
DISKRETNIM PROMENAMA STANJA

Klasifikacija u odnosu na vremensku zavisnost:
ukoliko struktura modela zavisi od vremena (VREMENSKI PROMENLJIVOM-VARIJANTANOM MODELU), u suprotnom (VREMENSKO NEPROMENLJIVOM-INVARIJANTNOM MODELU)

Klasifikacija u odnosu na determinizam:
DETERMINISTICKI MODELI (ne sadrze slucajne promenljive)
STOHASTICKI MODELI (sadrze makar jednu)

Klasifikacija u odnosu na predvidjanje buducnosti: modeli koji za izracunavanje vrednosti promenljivih stanja u obzir uzimaju i buduce vrednosti ulaznih prom. (ANTICIPATORSKI MODEL)

Klasifikacija u odnosu na linearnost: linearni modeli menjaju stanja postujuci zakonitosti linearnih transformacija
Klasifikacija prema vrsti racunara: analogni, digitalni i hibridni.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Formalna specifikacija modela

A

Formalizmi se koriste za opisivanje objekata modela, definisuci parametre i ogranicenja. Klase objekata su povezane tako da se te veze mogu formalizovati kao preslikavanja iz jedne u drugu klasu.

Apstrakcija je preslikavanje koje podrazumeva kontrolisano ukljucivanje detalja, te je ona preslikavanje jedne klase objekata(konkretna klasa) u drugu manje slozenu klasu (apstraktna klasa).

Asocijacija je preslikavanje od viseg ka nizem nivou u hijerarhiji specifikacije sistema.

Specifikacija je definisanje podklasa uvodjenjem novog formalizma

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Ocena parametara modela

A

Ocena parametara modela je postupak eksperimentalnog odredjivanja vrednosti parametara koji se pojavljuju u matematickom opisu modela. Pretpostavka je da svi parametri imaju ne-nulte vrednosti.
Sistem definisan matematickim modelom u prostoru stanja:
s’ = f(s,u,p,t), y = g(s,u,p,t), s(to) = so
s - vektor stanja dimenzije n
u - vektor ulaza dimenzije m
y - vektor izlaza dimenzije k
p - vektor sastavljen od np nepoznatih parametara
f i g - odgovarajuce vektorske funkcije
so - pocetni uslovi

Potrebno je za dati model i skup ulazno-izlaznih parametara odrediti vektor nepoznatih parametara p
Za ocenu parametara pojedinih klasa koriste se algoritmi cija struktura zavisi od: formalizma modela, konteksta modeliranja, filozofije procene.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Statisticki pristup proceni parametara modela

A

Statisticka ocena parametara statistickih modela se mogu realizovati u sekvencijalnoj i rekurzivnoj formi.
Sekvencijalne metode se primenjuju kada se podaci prikupljaju i memorisu na nekom medijumu, dok se rekurzivna forma koristi kada memorisanje nije moguce

Prednost rekurzivne forme je poznavanje tekuce vrednosti statistickih pokazatelja

Ocena slucajne promenljive - sekvencijalni metod: kada su svi rezultati merenja dostupni u trenutku racunanja
procedura je:

Rekurzivni metod: baza podataka se prosiruje tokom racunanja, medjurezultati su dostupni
procedura je:

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Ocena nepoznatog parametra po metodi najmanjih kvadrata

A

Ako imamo staticki model kod koga je veza izmedju parametara modela i rezultata eksperimenta data relacijom: yi = xia+ei, i=1,N; gde su xi nepoznate vrednosti a ei greske merenja.

Sekvencijalno resenje: cilj je minimizirati odstupanje izmedju podataka koje generise realni sistem i onih koji se dobijaju na osnovu modela, tj. da se minimizira kvadrat greske:

Rekurzivno resenje: uvodimo oznake:

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Procena k nepoznatih parametara

A

Ako je veza izmedju k parametara modela i rezultata nekog eksperimenta data relacijom:
y = a1x1 + a2x2 + … +akxk gde su ak nepoznati parametri.
Rezultate n eksperimenata prikazacemo tabelom:

gde yj predstavlja rezultate merenja. I uvek ce postojati odredjena odstupanja od gornje relacije, pa ce se ra odstupanja obeleziti sa ej.
Tako dobijamo sistem jednacina:

Ocena nepoznatih parametara odredjuje se minimizacijom kriterijumske f-je J:

Te sto je broj eksperimenata veci, to je i tacnija odredjenost parametara a1…ak

17
Q

Validacija i verifikacija modela

A

Postupak kojim se ispituje koliko verno i precizno jedan model predstavlja realni sistem, moze se posmatrati kroz 2 povezana koraka: VERIFIKACIJU tj. proveru da li je simulacioni program bez grasaka i konzistentan sa modelom i VALIDACIJU tj. postupak odredjivanja da li je model precizna reprezentacija realnog sistema.

18
Q

Validacija simulacionih modela

A

Problem validacije nastaje usled aproksimacije realnog sistema.

Aproksimacije mogu biti: funkcionalne, aproksimacije raspodele, nezavisnosti, agregacije i stacionarnosti.

Cilj procesa validacije je da proizvede model koji predstavlja ponasanje realnog sistema i koji mu je dovoljno blizak i da pouzdanpst modela poveca na prihvatljiv nivo.

Za proveru validnosti modela koristi se analiza osetljivosti. Testira se osetljivost modela na razlicite pretpostavke i promene ulaznih velicina.

Jedini objektivni test modela kao celine je provera sposobnosti modela da predvidi buduce ponasanje realnog sistema

19
Q

Formalni kriterijum za utvrdjivanje validnosti modela

A

Homomorfizam predstavlja formalni kriterijum za utvrdjivanje validnosti modela za date eksperimentalne uslve , u odnosu na osnovni model.

Cilj je pronaci preslikavanje H pomocu koga je moguce iz svakog stanja osnovnog modela s preci u odgovarajuce stanje uproscenog modela s’.

Pritom moraju biti ispunjeni uslovi: ocuvanje f-je nastupanja vremena, ocuvanje f-je prelaza stanja, ocuvanje izlazne f-je.

s’ je validan samo ukoliko zadovoljava sve uslove

20
Q

Verifikacija simulacionih modela

A

Verifikacija treba da pokaze koliko se slazu konceptualni i racunarski kod.

Potrebno je izvrsiti provere:

  • rucna verifikacija logicke ispravnosti,
  • modularno testiranje,
  • provera u odnosu na poznata resenja,
  • testiranje osetljivosti,
  • testiranje na poremecaje.