Методичні вказівки до практичних занять МПтС-2023

Міністерство освіти і науки України
Харківський національний університет радіоелектроніки
МЕТОДИЧНІ ВКАЗІВКИ
до практичних занять з дисципліни
«Моделювання процесів та систем»
для студентів спеціальності 122 Комп'ютерні науки,
освітня програма «Інформаційні технології управління»
ЗАТВЕРДЖЕНО
кафедрою системотехніки.
Протокол № 8 від 21.03.2023 р.
Харків 2023
1
Методичні вказівки до практичних занять з дисципліни «Моделювання
процесів та систем» для студентів спеціальності 122 Комп'ютерні науки, освітня
програма «Інформаційні технології управління» / Упор. В. В. Безкоровайний,
Г. Є. Безугла, О. М. Драз. – Харків: ХНУРЕ, 2023. – 85 с.
2
ЗМІСТ
Загальні положення ………………………………………………………………. 4

1 Оцінка стійкості модельних розв’язків ……………………………………….. 5
2 Побудова моделей за методом ідентифікації ….…...………………………… 12
3 Аналітичне моделювання динаміки об'єктів ………………………….……… 20
4 Моделювання множини ефективних модельних рішень ……………………. 28
5 Прийняття рішень за результатами моделювання …………………………… 38
6 Розв’язання детермінованих задач методом статистичного моделювання … 46
7 Мова імітаційного моделювання GPSS ………………………………………. 55
8 Моделювання систем масового обслуговування …………………………….. 69
Перелік посилань ………………………………………………………………… 75
Додаток А. Опис пакета імітаційного моделювання GPSS World …………… 77
3
ЗАГАЛЬНІ ПОЛОЖЕННЯ
Інформаційні системи і технології знаходять все більш широке застосування

в сучасних технічних, організаційних і організаційно-технічних об’єктах, що
використовуються практично в усіх сферах людської діяльності. Обов’язковою
складовою всіх етапів проектування, створення та експлуатації як самих об’єктів,
так і їх інформаційних систем є математичне моделювання. Використання
моделювання дозволяє визначати оцінки характеристик процесів функціонування
створюваних чи діючих об’єктів і на цій основі суттєво скорочувати час їхнього
проектування, витрати на їх створення й експлуатацію, прогнозувати наслідки
можливих розладнань в них.
Виконання практичних занять спрямоване на набуття навичок побудови
моделей процесів функціонування систем, оцінки їхніх властивостей, прийняття
рішень за результатами моделювання та дослідження процесів функціонування
об’єктів засобами аналітичного й імітаційного моделювання. Кожне заняття
передбачає виконання студентом індивідуального завдання, його аналіз, внесення
змін до моделі, проведення експериментів з моделлю, аналіз результатів
моделювання.
Практикум орієнтований на використання сучасної технології розв’язання
задач дослідження об’єктів із застосуванням пакетів розв’язання обчислювальних
задач, комп’ютерної мови імітаційного моделювання GPSS (General Purpose
Simulating Sysytem) та створеного на її основі пакету програм моделювання
дискретних і неперервних систем GPSS W.
Допуск до виконання кожного практичного заняття можливий тільки після
перевірки підготовленості здобувача з контрольних питань і завдань. Щоб
уникнути помилок у процесі виконання завдань, потрібно проводити аналіз
проміжних результатів за кожним його етапом. Після розв’язання завдання
необхідно провести детальний аналіз отриманих результатів. З метою скорочення
часу на оформлення звіту його загальні складові частини рекомендується
створювати в процесі підготовки до практичного заняття.
Перед виконанням завдань практичних занять студенти повинні пройти
інструктаж з техніки безпеки, вимог якої, як і положення інструкцій з поведінки у
лабораторії та технології використання обчислювальної техніки, необхідно суворо
дотримуватись протягом практикуму.
Рукопис методичних вказівок створений та оформлений на основі вимог
ДСТУ 3008: 2015 і рекомендацій, наведених у [1-2]1).
______________
1)
[1] Методичні вказівки щодо структури, змісту та оформлення навчально-методичної
літератури / Упоряд.: П. С. Ковтун, І. О. Мілютченко, Б. П. Косіковська. – Харків: ХНУРЕ, 2002.
– 60 с.
[2] Методичні рекомендації щодо організації, структури та змісту навчальних занять /
Упоряд.: Н. С. Лєсна, В. В. Логвин, І. О. Милютченко.  Харків: ХНУРЕ, 2009.  40 с.
4
1 ОЦІНКА СТІЙКОСТІ МОДЕЛЬНИХ РОЗВ’ЯЗКІВ
1.1 Мета заняття
Ознайомлення з основами методології аналізу стійкості модельних

розв’язків. Надбання практичних навичок оцінки стійкості розв’язків моделей,
поданих системами лінійних алгебраїчних рівнянь, шляхом їх експериментального
дослідження й обчислення аналітичних оцінок.
1.2 Вказівки з організації самостійної роботи
Під час підготовки до заняття необхідно: ознайомитись з постановкою задачі

аналізу стійкості модельних розв’язків; вивчити способи оцінки стійкості для
моделей у вигляді систем лінійних алгебраїчних рівнянь (СЛАР); повторити
матеріал щодо технології роботи з пакетами програм для розв’язання
обчислювальних задач. З цією метою може бути використаний лекційний матеріал
із відповідних тем, матеріал, викладений у рекомендованій літературі [3, с. 13–15;
4, с. 140–142; 5, с. 44–50; 6, с. 651–663], а також матеріал цих методичних вказівок.
Об’єктом дослідження є модель об’єкта чи процесу, подана у вигляді СЛАР:
Ax  b , (1.1)
де A – матриця постійних коефіцієнтів;

х – шуканий вектор невідомих;
b – вектор правої частини системи рівнянь.
Модель зі збуреною матрицею A має вигляд:
( A   A)x  b , x  ( x   x ) , (1.2)
де A – збурення матриці A , що відповідає похибці визначення (завдання) її

коефіцієнтів;
 x – збурення розв’язку x системи (1.1), що відповідає збуренню A
матриці A .
Модель зі збуреною правою частиною b має вигляд:
Ax  ( b  b ) , x  ( x   x ) , (1.3)
5
де b – збурення вектора правої частини b , що відповідає похибці
визначення (завдання) його координат;
 x – збурення розв’язку x системи (1.1), що відповідає збуренню b її
правої частини b .
Для оцінки стійкості моделі (1.1) використовується число обумовленості
матриці A :
Cond A  A A1 , (1.4)
де A та A 1 – відповідно норми матриці A та оберненої до неї матриці
A 1 .
Канонічні норми матриці A визначаються за формулами:
 
A 1  max  aij  ; (1.5)
j i 
 2
A 2  sqrt  aij ; (1.6)
 ij 
 
A   max  aij  , (1.7)
i  j 
де aij – елемент матриці A .

Числа обумовленості матриць і їх канонічні норми можуть бути визначені з
використанням засобів математичних пакетів програм.
Для моделей із симетричними матрицями коефіцієнтів оцінку стійкості
можна проводити за співвідношенням власних значень матриці A , що має вигляд:
Cond A  max{ i / min i } , (1.8)

i i
де i – власні числа матриці A , що є розв’язками характеристичного

рівняння:
det ( A   E )  0 , (1.9)
6
де E – одинична матриця.
Для оцінки максимальних відносних збурень (похибок) розв’язків
використовувати співвідношення:
x A
 Cond A (1.10)
x  x A
та
x b
 Cond A . (1.11)
x b
1.3 Опис технічного та програмного забезпечення
Для виконання завдання використовується персональний комп’ютер типу

IBM PC. Аналіз стійкості (розв’язання СЛАР та оцінка числа обумовленості
матриць) здійснюється з використанням засобів пакетів програм Excel, Maxima,
MathCAD або їм подібних.
1.4 Порядок виконання завдання
1. Ознайомитися з особливостями та режимами роботи застосовуваних

комп'ютерних засобів та пакетів розв’язання математичних задач.
2. Отримати у викладача варіант завдання і додаткові дані. Варіанти завдань
наведені в табл. 1.1.
3. Провести аналіз заданої моделі шляхом розв’язання СЛАР (1.1).
4. Сформувати та провести аналіз моделей зі збуреною матрицею (1.2), а
потім зі збуреною правою частиною (1.3). При цьому один з елементів A і b
приймати рівним 0.1.
5. Обчислити значення першої оцінки стійкості моделі Cond A (1.4).
6. Обчислити значення другої оцінки стійкості моделі Cond A (1.8).
7. Провести аналіз абсолютної і відносної похибок розв’язків для збурених
моделей. Оцінити максимально можливе збурення розв’язку (1.10) – (1.11) з
використанням чисел обумовленості матриць. Порівняти отримані результати.
8. Зробити висновки, оформити та захистити звіт про виконану роботу.
7
Таблиця 1.1 – Значення параметрів моделі (елементи матриці A )
Варі- a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33
ант
1 55 0 0 – 0,2 0,002 0 0,7 0,5 – 0,2
2 – 0,2 0,7 – 0,5 0 70 – 0,8 0 0 0,003
3 0,002 – 0,3 0 0 – 0,3 0 0,6 – 0,7 60
4 – 50 0,7 0,4 0 0,002 0 0 0,6 0,2
5 0,001 0 0 – 0,4 75 – 0,8 0,7 0 0,6
6 0,1 0 – 0,5 0,7 0,001 – 0,8 0 0 71
7 54 0 0 – 0,2 0,2 0 0,7 0,5 0,005
8 – 0,2 0,7 – 0,3 0 176 – 0,8 0 0 0,1
9 0,02 – 0,3 0 0 95 0 0,6 – 0,7 – 0,2
10 – 0,03 0,7 0,5 0 0,3 0 0 – 0,6 97
11 0,5 0 0 – 0,3 0,2 0 0,7 0,6 110
12 – 0,3 0,5 – 0,5 0 102 0,7 0 0 0,3
13 95 0,4 0 0 – 0,4 0 0,6 – 0,8 – 0,2
14 – 112 0,6 0,6 0 0,1 0 0 0,4 0,2
15 0,6 0 0 – 0,3 0,2 – 0,9 – 0,7 0 127
16 75 0 0 – 0,5 0,4 0 0,7 0,5 0,01
17 – 0,2 0,6 – 0,5 0 0,05 0,8 0 0 105
18 52 – 0,3 0 0 0,03 0 0,9 – 0,7 0,2
19 65 0,7 – 0,6 0 0,1 0 0 0,4 0,2
20 0,3 0 0 – 0,2 0,2 0 0,7 0,5 110
21 – 0,2 0,7 – 0,5 0 104 0,8 0 0 0,3
22 100 0,3 0 0 – 0,3 0 0,6 – 0,7 – 0,2
23 – 108 0,7 0,6 0 0,1 0 0 0,3 0,2
24 0,5 0 0 – 0,4 0,2 – 0,8 – 0,7 0 145
25 – 0,5 0 0 – 0,4 0,2 0,8 0,7 0 110
26 – 0,2 0,3 – 0,5 0 120 – 0,6 0 0 0,3
27 0,2 0,6 0 0 – 0,3 0 0,6 – 0,7 110
28 50 0,7 0,5 0 0,1 0 0 – 0,6 0,2
29 60 0 0 – 0,4 0,02 – 0,8 0,6 0 – 0,6
30 0,1 0 0,4 0,7 97 – 0,8 0 0 – 0,3
8
1.5 Зміст звіту
Зміст повинен містити:

– титульний аркуш;
– мету заняття;
– постановку задачі;
– математичні співвідношення для обчислення оцінок міри обумовленості
моделі;
– результати аналізу абсолютних і відносних похибок початкової та
збурених моделей (розв’язків відповідних СЛАР);
– оцінку стійкості модельних розв’язків, розрахунки й аналіз оцінки
максимальних відносних збурень (похибок) розв’язків;
– аналіз отриманих результатів і конкретні висновки по роботі, зроблені за
результатами проведених експериментів (обґрунтувати стійкість отриманих
модельних розв’язків, пояснити результати аналізу абсолютних і відносних
похибок розв’язків СЛАР, відповідність отриманих результатів теорії).
1.6 Контрольні запитання і завдання
1. Наведіть постановку задачі дослідження стійкості моделі у вигляді СЛАР.

2. Запишіть співвідношення для визначення оцінки стійкості моделі для
СЛАР з матрицями загального виду.
3. Запишіть співвідношення для визначення оцінки стійкості моделі для
СЛАР з симетричними матрицями.
4. Які матриці називають погано обумовленими?
5. Які матриці називають добре обумовленими?
6. Що відображає міра обумовленості матриці коефіцієнтів моделі A ?
7. Опишіть суть процедури розв’язання несумісних СЛАР.
1.7 Приклад завдання з розв’язанням
Задача. Виконати експериментальну й аналітичну оцінку стійкості розв’язків

СЛАР Ax  b до зміни елементів матриці  A і вектора вільних членів b шляхом
аналізу їх абсолютних  x і відносних  x / x збурень, а також числа
обумовленості матриці Cond A :
9
 0.2 0.7  0.4  10 
A   0 0.05 0.8  , b   6  ,  A  0.1 , b  0.1 .
   
 0 0 105  12 
Розв’язання задачі. Текст програми розв’язання і розв’язок СЛАР наведено

на рис. 1.1.
Рисунок 1.1 – Текст програми розв’язання і розв’язок СЛАР
З використанням засобів пакету програм визначимо абсолютну похибку

розв’язку СЛАР при збуренні елемента матриці А11 (див. рис. 1.2).
Рисунок 1.2 – Текст програми розв’язання й обчислення абсолютної похибки

розв’язку СЛАР
Визначимо абсолютні похибки розв’язків СЛАР при збуренні інших

елементів матриці А і вектора b (табл. 1.2).
З використанням засобів пакету програм визначимо максимальні абсолютні
й відносні збурення розв’язків СЛАР, а також число її обумовленості (рис. 1.3).
10
Таблиця 1.2 – Розв’язки збурених СЛАР та їх похибки
Розв’язки СЛАР Норми векторів

Збурений
збурення розв’язків
елемент x1 x2 x3 x
А11 –4206 –570,42 28,151 3428
А12 –959,898 –224,218 6,514 182,786
А13 –772,819 –204,263 5,266 4,293
А21 –62,604 –3,297 0,532 714,507
А22 –223,1 –48,542 1,602 554,012
А23 –62,304 –3,297 0,532 65,409
А31 –796,019 –209,936 5,621 76,916
А32 –777,927 –204,936 5,621 18,907
А33 –776,636 –204,589 5,287 0,476
b1 –777,927 –204,807 5,3 0,815
b2 –765,699 –201,503 5,219 11,413
b3 –777,203 –204,745 5,297 0,09
Рисунок 1.3 – Текст програми й оцінка максимального відносного збурення

розв’язку СЛАР
11
2 ПОБУДОВА МОДЕЛЕЙ ЗА МЕТОДОМ ІДЕНТИФІКАЦІЇ
Вивчення методики побудови аналітичних моделей динаміки найпростішої

одновимірної системи шляхом її ідентифікації за методом найменших квадратів.
Придбання навичок вибору виду та параметрів моделі динаміки об'єкта,
експериментальної оцінки точності моделі.
Під час підготовки до практичного заняття необхідно: ознайомитися з

постановкою задачі побудови математичних моделей об'єктів за методом
ідентифікації; усвідомити суть основних задач, що розв'язуються в процесі
ідентифікації моделей; ознайомитися з класифікацією методів ідентифікації;
вивчити процедуру ідентифікації моделей за методами найменших квадратів, а
також технологію розв’язання задачі у середовищах пакетів програм Excel, Maxima,
MathCAD або їм подібних. З цією метою може бути використаний лекційний
матеріал за відповідними темами, матеріал, викладений у рекомендованій
літературі [3, с. 20–24; 4, с. 147–151; 5, с. 210–217; 6, с. 210–217; 7, с. 133–142; 8, с.
23–27], а також матеріал цих методичних вказівок.
Практична частина підготовки до виконання завдання включає створення
комп’ютерної програми для побудови таблиць (графіків), що відображають
модельні траєкторії у середовищі обраного пакета програм або з використанням
однієї з мов високого рівня.
Об'єктом дослідження є одновимірна система типу «сірий ящик». Задача
ідентифікації розглядається у такій постановці. За результатами спостереження над
вхідними х(t) і вихідними y(t) змінними об'єкта необхідно побудувати оптимальну
за критерієм мінімуму квадратів відхилень її математичну модель. Об'єкт
знаходиться у стані вільного руху (передбачається відсутність на вході об'єкта
керуючих сигналів), тобто х(t) = t.
Вихід моделі пов'язаний з її входом залежністю:
yм(t) = Fм [хм(t), q, 0], (2.1)
де Fм – оператор моделі (поліному ступеня m);

хм(t), yм(t) – відповідно вхідний і вихідний сигнали моделі;
12
q = [q0, q1,..., qm] – вектор параметрів моделі,.
Сигнали на виході об'єкта спостерігаються в умовах відсутності перешкод у
дискретні моменти часу t0, t1, ..., tn і мають значення y(t0) = y0, y(t1) = y1, ...,
y(tn) = yn. Вибір моделі здійснювати на множині поліномів
Fм (t) = q0 tm + q1 tm-1 + ...+ qm, (2.2)
де m – ступінь поліному моделі.

Як критерій подібності використовувати мінімум суми квадратів відхилень
виходів моделі yм(t) від виходів об'єкта y(t) (критерій найменших квадратів):
n n
K   [ y( ti )  y м ( ti )]   { yi  Fм [ x( ti ), q м ,0 ] }2  min .
2
(2.3)
m, q
i 0 i 0
Найкращі значення параметрів моделі q = [q0, q1,..., qm] є розв’язками системи

рівнянь:
K K K
 0;  0;...; 0, (2.4)
q0 q0 qm
яка для математичних моделей у вигляді алгебраїчних поліномів ступеня m має

вигляд:
 n 2m n n n
 0 i 1 i m i  tim yi ;
2m 1
q t  q t  ...  q t m

 i 0 i 0 i 0 i 0
 n n n n
 q0  ti2m 1  q1  ti2m  2  ...  qm  tim 1   tim 1 yi ;
 i 0 i 0 i 0 i 0 (2.5)
. . . . . . . . . . . . . . . . . . . . . . .

 n m n n n
 q0  ti  q1  ti  ...  qm  ti   ti yi ,
m 1 0 0
 i 0 i 0 i 0 i 0
де n – кількість сигналів, що спостерігаються (експериментів).

Точність моделі оцінювати за співвідношенням
  max yi  y мi , (2.6)
0 i n
де умi – значення виходу моделі для моменту часу ti.

13
Для прогнозування майбутнього стану об’єкта крім поліноміальних моделей
можна використати моделі експоненціального згладжування та ковзного
середнього.
Ідея методу експоненціального згладжування полягає у тому, що часовий ряд
подовжується за допомогою зваженої ковзної середньої, вагові коефіцієнти якої
розподілені за експоненціальним законом. Основний зміст процедури
експоненціального згладжування полягає в обчисленні коефіцієнтів полінома, що
згладжує дані, і оптимального значення коефіцієнту згладжування  :
n
ynE1  α   ( 1  α) j  yn  j , (2.7)
j 0
де ynE1 – значення прогнозованої змінної в момент часу tn  1 ;

 – коефіцієнт згладжування.
Величину  визначати за співвідношенням α  2 / ( n  1) .
Метод ковзного середнього передбачає, що останні k спостережень є
рівнозначними для прогнозованого значення:
1 n
ynK1    yn  j , (2.8)
k j 0
де ynK1 – значення прогнозованої змінної в момент часу tn 1 ;

k – параметр згладжування.
Під час виконання завдання використовується персональний комп’ютер типу

IBM PC. Визначення параметрів моделей та їхній аналіз здійснюється у
середовищах пакетів програм Excel, Maxima, MathCAD або їм подібних.
1. Ознайомитися за допомогою викладача з особливостями і режимами

роботи комп'ютерних засобів та пакетів програм, що використовуються.
14
2. Одержати у викладача варіант завдання (табл. 2.1) і додаткові вихідні дані.
3. Виконати попередній аналіз даних експерименту і вибрати вид моделі Fм
(початкове значення ступеня полінома (2.2)).
4. Скласти систему рівнянь виду (2.5) для визначення найкращих значень
параметрів моделі q0 , q1 ,..., qm .
5. Визначити за допомогою обраного пакета програм найкращі за критерієм
(2.3) значення параметрів моделі q  [ q0 , q1 ,..., qm ] , побудувати суміщені
o
графіки залежностей вихідних сигналів від часу для об'єкта y(t) і отриманої
модельної траєкторії руху об'єкта yм(t), оцінити точність моделі  за
співвідношенням (2.6).
6. При необхідності (  >  * ) змінити ступінь полінома моделі і повторно
зробити вибір найкращих значень її параметрів qо і побудувати відповідні графіки.
7. Спрогнозувати за допомогою отриманих моделей стан об’єкта для
моменту часу t5.
8. Спрогнозувати стан об’єкта для моменту часу t5 за методом
експоненціального згладжування (2.7) і методом ковзного середнього (2.8).
У висновках необхідно вказати на найкращу з розглянутих моделей, дати
оцінку її точності і проаналізувати характер зміни точності наближення від ступеня
полінома моделі, відповідність отриманих результатів теорії. Провести
порівняльний аналіз результатів, отриманих за методом найменших квадратів,
методом експоненціального згладжування і методом ковзного середнього.
Результатами експериментів є значення параметрів моделі q і вихідних
координат об'єкта y(t) і моделей yм(t) для заданого інтервалу часу, отримані
прогнозні значення вихідного сигналу об’єкта на наступний момент часу.
Таблиця 2.1 – Варіанти типових завдань
Варіант t0 y0 t1 y1 t2 y2 t3 y3 t4 y4
1 2 3 4 5 6 7 8 9 10 11
1 0,4 3,2 0,8 2,9 1,2 1,7 1,6 2,4 2,0 – 2,2
2 2,1 3,7 2,4 0,7 2,7 – 0,9 3,0 2,5 3,3 3,4
3 0,9 1,7 1,4 0,7 1,9 – 0,9 2,4 2,5 2,9 3,4
4 2,4 1,5 2,7 1,2 3,0 – 0,4 3,3 3,4 3,6 3,6
5 1,4 – 0,5 1,8 2,0 2,2 2,7 2,6 1,9 3,0 – 3,2
15
Закінчення табл. 2.1
1 2 3 4 5 6 7 8 9 10 11
6 0,5 0,2 1,0 1,4 1,5 3,6 2,0 2,7 2,5 5,1
7 1,2 5,3 1,8 6,1 2,4 2,8 3,0 3,7 3,6 1,4
8 1,0 2,1 1,4 0,4 1,8 – 2,0 2,2 – 1,2 2,6 0,5
9 1,4 4,2 1,9 3,6 2,4 0,2 2,9 5,4 3,4 – 0,8
10 3,2 1,6 4,2 2,8 5,2 0,4 6,2 – 3,1 7,2 2,6
11 1,8 0,4 2,5 0,7 3,2 – 1,2 3,9 0,9 4,6 – 2,1
12 0,6 0,9 1,1 – 1,8 1,6 0,4 2,1 5,2 2,6 0,6
13 0,4 3,6 0,8 2,7 1,2 0,7 1,6 2,4 2,0 – 1,2
14 2,1 2,4 2,4 0,7 2,7 – 0,3 3,0 2,4 3,3 1,4
15 0,9 1,4 1,3 2,6 1,7 1,9 2,1 – 4,5 2,5 3,8
16 1,0 1,6 1,5 – 2,1 2,0 3,6 2,5 5,2 3,0 0,2
17 1,4 – 1,5 2,0 – 3,0 2,6 3,7 3,2 0,9 3,8 – 4,2
18 2,7 2,4 3,7 4,6 4,7 – 1,5 5,7 4,8 6,7 – 1,4
19 3,0 0,6 3,5 5,4 4,0 0,8 4,5 –1,9 5,0 2,7
20 4,0 1,0 5,5 – 2,0 7,0 0,4 8,5 0,9 9,0 4,3
21 2,4 0,5 2,7 3,2 3,0 – 1,4 3,3 2,4 3,6 5,6
22 3,7 7,4 4,2 5,6 4,7 – 2,1 5,2 4,6 5,7 2,4
23 5,4 0,6 5,7 0,4 6,0 0,5 6,3 – 0,2 6,6 0,2
24 6,2 5,2 6,4 – 1,3 6,6 4,8 6,8 0,7 7,0 5,8
25 1,1 4,7 1,7 2,6 2,3 4,8 2,9 1,6 3,5 6,4
26 1,0 1,6 1,9 – 2,1 2,8 3,6 3,7 5,2 4,6 0,2
27 1,4 – 1,5 1,8 – 3,0 2,2 3,7 2,6 0,9 3,0 – 4,2
28 2,7 2,4 3,2 4,6 3,7 – 1,5 4,2 4,8 4,7 – 1,4
29 3,1 0,6 3,7 5,4 4,3 0,8 4,9 –1,9 5,5 2,7
30 4,0 1,0 4,3 – 2,0 4,6 0,4 4,9 0,9 5,2 4,3
Звіт має включати:

– мету роботи;
– постановку та вхідні дані задачі;
– математичні співвідношення для обчислення й обчислені значення
параметрів моделей q=[ q0, q1, ... qm];
16
– таблицю зі значеннями вихідних сигналів об'єкта y(t) і отриманих моделей
yм(t), оцінки точності моделей;
– суміщені графіки залежностей вихідних сигналів від часу для об'єкта y(t) і
отриманих моделей yм(t);
– прогнозні значення вихідних сигналів об'єкта y( t5 ) для моменту часу t5, що
визначені за допомогою моделей, отриманих методом найменших квадратів;
– суміщені графіки залежностей вихідних сигналів від часу для об'єкта y(t) і
отриманих прогнозних значень отриманих методом експоненціального
згладжування ynE1 і методом ковзного середнього ynK1 ;
– аналіз отриманих результатів і висновки по роботі.
2.6 Контрольні запитання та завдання
1. Сформулюйте постановку задачі ідентифікації об'єкта.

2. Назвіть основні задачі, що розв'язуються у процесі ідентифікації.
3. Накресліть та опишіть структурну схему процесу ідентифікації.
4. Назвіть основні види критеріїв ідентифікації.
5. Наведіть класифікацію методів ідентифікації.
6. Запишіть критерії для ідентифікації моделей систем за методами
найменших і найменших зважених квадратів.
7. Запишіть систему рівнянь для обчислення найкращих значень параметрів
q моделі у вигляді поліному.
8. Як визначається ступінь поліному моделі?
2.7 Приклад розв’язання задачі
Задача. Сигнали на виході об'єкта спостерігаються в моменти часу

t  { 1.2,1.8, 2.4,3.0, 3.6 } і мають відповідно значення y( t )  { 5.3,6.1, 2.8,3.7 ,1.4 } .
За результатами спостереження необхідно побудувати оптимальну за
критерієм мінімуму квадратів поліноміальну модель об'єкта. Спрогнозувати стан
об'єкта в наступний момент часу y(t5) = y5 з використанням отриманих
поліноміальних моделей, а також за методами експоненціального середнього (2.7)
та ковзного середнього (2.8).
Розв’язання задачі. Для визначення найкращих значень параметрів моделі
(2.2) q = [q0, q1,..., qm] (де m – ступінь поліному моделі) складемо систему рівнянь
(2.5). Текст програми і результати розв’язання задачі для моделі у вигляді поліному
другого ступеня Fм ( t )  q0t 2  q1t 1  q2 наведено на рис. 2.1.
17
Рисунок 2.1 – Текст програми і результати розв’язання задачі
для моделі-поліному 2-го ступеня
Прогнозне значення вихідного сигналу об'єкта y( t5 ) для моменту часу

t5  t4  ( t4  t3 )  4.2 , що визначене за допомогою моделей-поліному 2-го порядку
за методом найменших квадратів:
y( t5 )  Fм ( 4.2 )  0.397 t 2  0.205t 1  5.94  0.202 .
Результати розрахунків значень вихідних сигналів моделей-поліномів

y м j ( ti ) , j  1,4 , i  0,4 , оцінок їх похибок  j , j  1,4 , значень критерію найменших

квадратів K j [ y( t )  y м ( t )] 2 , j  1,4 та прогнозні значення для моделей-
поліномів різних ступенів y j ( t5 ) , j  1,4 подано у табл. 2.2.
18
Таблиця 2.2 – Результати розрахунків для моделей-поліномів
ti y( ti ) y м1 ( ti ) y м2 ( ti ) y м3 ( ti ) y м4 ( ti )
1.2 5.3 5.9 5.614 5.524 5.3
1.8 6.1 4.88 5.023 5.203 6.1
2.4 2.8 3.86 4.146 4.146 2.8
3.0 3.7 2.84 2.983 2.803 3.7
3.6 1.4 1.82 1.534 1.624 1.4
j – 1.22 1.346 1.34 0

K j [ y( t )  y м ( t )] 2  – 3.89 3.6 3.5 0
y j ( t5 ) – 0,8 – 0,202 1,06 – 27,2
Текст програми і результати розрахунку прогнозних значень методами

експоненціального та ковзного середнього наведено на рис. 2.3.
Рисунок 2.3 – Текст програми і результати розрахунку прогнозних значень

методами експоненціального та ковзного середнього
Результати розрахунку прогнозних значень також за методами

експоненціального середнього (2.7) та ковзного середнього (2.8):
y5K  2.655 , y5E  3.5 .
19
3 АНАЛІТИЧНЕ МОДЕЛЮВАННЯ ДИНАМІКИ ОБ'ЄКТІВ
Вивчення методів аналітичного моделювання динаміки об'єктів, що

описується системами звичайних диференціальних рівнянь. Набуття навичок
дослідження динаміки об'єктів засобами комп'ютерного моделювання.
Під час підготовки до заняття необхідно: ознайомитися з постановкою задачі

дослідження моделей динаміки об'єктів, що подаються у змінних стану; з’ясувати
суть процедури перетворення моделей задач, що описуються системами звичайних
диференціальних рівнянь (ЗДР), до форми Коші; ознайомитися з методами
аналітичного, чисельного та якісного дослідження моделей динаміки у вигляді
систем ЗДР; повторити методи обчислення власних значень і векторів матриць, а
також технологію розв’язання наведених вище задач у пакетів програм Excel,
Maxima, MathCAD або їм подібних.
З цією метою можуть бути використані лекції з відповідних тем, матеріал,
вказаний у джерелах переліку посилань [3, с. 83–86; 6, с. 403–409; 7, с. 185–215], а
також матеріал цих методичних вказівок.
Практична частина підготовки до заняття включає: складання у середовищі
обраного чи рекомендованого пакета програм модуля для визначення власних
значень і векторів матриці об'єкта, побудови графіків, що відображають модельні
траєкторії, а також загальну частину звіту по завданню.
3.2.1 Опис задачі
Модель динаміки об'єкта у формі Коші з початковими умовами Z ( t0 ) = Z(0)

подається системою ЗДР виду:
Z  AZ( t )  B ( t )   , (3.1)
де Z(t) – шукана вектор-функція координат об'єкта розмірністю 3;

A – матриця постійних коефіцієнтів розмірністю 3  3 ;
В = [b1, b2, b3]T – вектор керувальних впливів;
20
(t ) – функція, що реалізує закон керування;
  [ 1 ,  2 , 3 ] T – вектор-функція збурюючих впливів;
Z(0) – вектор початкових умов.
Необхідно дослідити динаміку об'єкта на відрізку часу 0  t  10 . За початкові
умови Z ( t0 ) вибрати один із власних векторів матриці A (такий, що відповідає
раціональному власному значенню, та має всі ненульові компоненти).
При цьому вважати, що об'єкт функціонує в умовах стабільного збурення
i  const , i  1,3 , а функція керування має вигляд  i ( t )  bi eb t ,
i
де B  [ b1 , b2 , b3 ] T – коефіцієнти закону керування.

У процесі виконання завдання необхідно:
– визначити початкові умови задачі;
– вибрати значення кроку моделювання і визначити за методом Рунге-Кутти
траєкторію вільного руху об'єкта;
– визначити траєкторію вільного руху об'єкта за аналітичним методом;
– оцінити точність розв’язку, отриманого за методом Рунге-Кутти;
– за методом Рунге-Кутти визначити траєкторію руху об'єкта в умовах дії
перешкоди (t ) ;
– підібрати значення параметрів керуючого впливу b1, b2, b3, що забезпечують
зміну координат вектора станів у заданому діапазоні zi  zi (t )  zi , i  1, n , де
zi , zi – відповідно мінімальне і максимальне допустимі значення і-ї координати
стану.
3.2.2 Вибір початкових умов
Початкові умови задачі Z ( t0 ) вибираються співпадаючими з власним

вектором матриці A, який має всі ненульові координати. Для визначення власних
векторів матриці необхідно попередньо обчислити власні значення 1 ,  2 ,...,  n ,
що є коренями характеристичного рівняння:
det ( A –  E ) = 0, (3.2)
де E – одинична матриця.
Власні вектори X (1) , X ( 2) ,…, X (n) матриці А є розв’язками систем лінійних
алгебраїчних рівнянь, що мають вигляд:
21
(A –  i  E)  X (i ) = 0, i = 1, 2,…, n (3.3)
і визначаються з точністю до постійного множника.
3.2.3 Визначення траєкторії руху об'єкта
Рух об'єкта, що описується рівнянням (3.1) під впливом збурення (t ) і

керування B (t ) називається вимушеним. Рух об'єкта при відсутності збурення (t )
і керування B (t ) називають вільним.
Для визначення траєкторії руху об'єкта необхідно розв’язати систему ЗДР
(3.1) з початковими умовами Z(t0 ) = Z(0). Для розв’язання задачі у роботі
рекомендується використовувати чисельне інтегрування системи ЗДР за методом
Рунге-Кутти 4-го порядку.
Досліджувана модель подана у вигляді Z = f(t, Z), де f – деяка вектор-
функція. Інтервал дослідження розбивається на часткові відрізки [tk , tk+1], k = 0,
1, ..., k* – 1 із кроком h. Стан об’єкта у момент часу tk+1 визначається виходячи зі
стану у момент часу tk:
Z(k+1) = Z(k) +  Z(k), k = 0, 2,…, k*–1, (3.4)
де  Z(k) = (  1  2 2  2 3   4 ) / 6 ;
 1 = h f ( tk , Z(k) );  2 = h f ( tk + h/2, Z(k)+  1 /2 );
 3 = h f( tk + h / 2, Z(k) +  2 / 2 );  4 = h f ( tk + h, Z(k) + 3 ).
Крок розв’язання h вибирається виходячи з заданого значення допустимої
похибки  з урахуванням співвідношення  ~ h5. Уточнення розміру кроку
виконувати шляхом порівняння результатів розрахунку траєкторії зі звичайним і
половинним його значенням.
Аналітичний розв’язок задачі (3.1) у прийнятих раніше позначеннях може
бути поданий у вигляді:
t t
A( t  )
Z( t )  e Z( 0  )   e
At
B (  )d   e A( t  ) d . (3.5)
0 0
Траєкторія вільного руху визначається першим доданком виразу (3.5). Для

початкових умов Z(0), що збігаються із власним вектором X (i ) вона має вигляд
22
ziв ( t )  zi ( t )  zi ( 0 )ei t , i = 1,2,…, n. (3.6)
Для оцінки похибки чисельного розв’язку використовувати співвідношення:
 = max max zi ( t k )  zia ( t k ) , (3.7)

i k
де z i ( t k ) , z ia ( t k ) – відповідно значення i-ї координати стану об'єкта в

момент часу t k , отримані за чисельним і аналітичним методами.
Як критерій якості керування використовувати мінімум модуля різниці між
точками траєкторій вільного та керованого рухів:
 o = max max ziв ( tk )  zi ( tk )  min. (3.8)

i k b

IBM PC. Для визначення власних значень, власних векторів і траєкторій руху
рекомендується використовувати один із пакетів програм Excel, MathCAD,
MatLAB або їм подібний. Ресурсні вимоги до комп’ютера визначаються вимогами
до розмірів необхідної пам'яті, що висуваються версією пакета програм для
розв’язання обчислювальних задач.
3.4 Порядок виконання роботи
1. Одержати у викладача варіант завдання (табл. 3.1) і додаткові вихідні дані,

що характеризують досліджуваний об’єкт.
2. Визначити за рівняннями (3.2) – (3.3) власні значення і власні вектори
матриці об'єкта A.
3. Вибрати як початкове значення кроку моделювання (розв’язання задачі)
h=1.
23
Таблиця 3.1 – Варіанти завдань
Варіант а11 а12 а13 а21 а22 а23 а31 а32 а33 1 2 3
1 0,4 0 0 -0,5 0,2 0 0,6 0,5 -0,2 0,2 0,1 0,2
2 -0,2 0,7 -0,5 0 -0,4 0,8 0 0 0,3 0,2 -0,2 0,1
3 0,2 0,3 0 0 -0,3 0 0,6 -0,7 -0,2 0,2 0,2 -0,1
4 -0,3 0,7 0,6 0 0,1 0 0 0,3 0,2 0,1 0,1 -0,1
5 0,5 0 0 -0,4 0,2 -0,8 -0,7 0 -0,6 0,2 0,1 0,1
6 0,2 0 0,4 0,7 0,2 -0,8 0 0 -0,3 -0,2 -0,2 -0,2
7 -0,3 0 0 -0,2 0,2 0 0,7 0,5 -0,2 0,2 0,2 0,2
8 -0,4 0,7 -0,3 0 0,4 -0,8 0 0 0,1 -0,2 0,2 -0,1
9 -0,2 -0,3 0 0 0,3 0 0,6 -0,7 -0,2 0,2 -0,3 0,2
10 0,3 0,7 0,5 0 0,3 0 0 -0,6 0,2 -0,1 -0,2 0,2
11 -0,4 0 0 -0,4 0,2 0,8 0,7 0 0,6 0,2 0,2 0,2
12 -0,2 0,3 -0,5 0 0,4 -0,6 0 0 0,3 -0,2 0,1 -0,1
13 0,2 0,6 0 0 -0,3 0 0,6 -0,7 -0,2 -0,3 0,2 -0,3
14 -0,3 0,7 0,5 0 0,1 0 0 -0,6 0,2 -0,2 0,1 -0,2
15 0,5 0 0 -0,4 0,2 -0,8 0,6 0 -0,6 0,1 0,3 0,1
16 0,1 0 0,4 0,7 0,2 -0,8 0 0 -0,3 -0,2 -0,2 -0,2
17 0,3 0 0 -0,2 0,2 0 0,7 0,5 -0,2 0,2 0,2 0,2
18 -0,2 0,7 -0,3 0 0,4 -0,8 0 0 0,1 -0,2 0,2 -0,1
19 0,2 -0,3 0 0 0,3 0 0,6 -0,7 -0,2 0,2 -0,3 0,2
20 -0,3 0,7 0,5 0 0,3 0 0 -0,6 0,2 -0,1 -0,2 0,2
21 0,1 0 0 0,3 0,2 0 0,4 0,5 -0,2 0.1 0.3 -0,1
22 -0,1 0,7 -0,3 0 0,4 -0,5 0 0 0,3 0,2 -0,1 0,2
23 0,3 -0,3 0 0 -0,3 0 0,6 -0,7 0,2 0,3 0,2 0,2
24 -0,3 0,7 0,3 0 0,1 0 0 0,6 0,2 -0,1 0,2 0,2
25 0,4 0 0 -0,4 0,2 -0,8 0,7 0 0,6 0,2 0,2 0,1
26 0,1 0 -0,5 0,7 0,2 -0,8 0 0 0,3 0,2 0,1 0,2
27 0,2 0 0 -0,5 0,4 0 0,7 0,5 -0,1 0,2 0,3 0,2
28 -0,2 0,6 -0,5 0 0,6 0,8 0 0 0,2 0,1 -0,1 0,1
29 0,2 -0,3 0 0 -0,3 0 0,9 -0,7 0,2 0,3 0,2 0,3
30 0,3 0,7 -0,6 0 0,1 0 0 0,4 0,2 -0,2 0,2 -0,2
24
4. Здійснити для початкових умов Z(o), що співпадають з одним із власних
векторів X (1) , X ( 2) , X ( 3 ) , за формулою (3.4) визначення траєкторії вільного руху
об'єкта за методом Рунге-Кутти зі звичайним h і зменшеним кроком h/2. При
необхідності повторювати розрахунок зі зменшеним кроком до забезпечення
належної точності.
5. Визначити траєкторію вільного руху об'єкта за аналітичним методом (3.6)
для обраних початкових умов Z(0).
6. Оцінити за формулою (3.7) точність чисельного розв’язання.
7. За методом Рунге-Кутти визначити траєкторію руху об'єкта в умовах дії
збурення (t ) .
8. Експериментальним шляхом підібрати значення параметрів керуючого
впливу b1, b2, b3, що забезпечують зміну координат вектора станів у заданих межах
z i  z i (t )  z i , i  1, n . Кількісно оцінити відхилення траєкторії керованого руху
від траєкторії вільного руху (3.8).
9. Зробити висновки, оформити і захистити звіт про виконану роботу.
Висновки повинні містити відомості про відповідність отриманих
результатів теорії, аналіз залежності точності (похибки) моделювання траєкторії
об'єкта від кроку інтегрування системи ЗДР, вигляд найкращої за критерієм (3.8)
функції керування, результати особистих спостережень, що зібрані у ході
виконання експериментів.
Результатами експериментів є значення векторів координат стану об'єкта Z(t)
на інтервалі моделювання для розглянутих випадків руху.
Звіт має містити:

– постановку та вхідні дані задачі;
– математичні співвідношення для обчислення й обчислені значення власних
чисел і векторів матриці моделі об'єкта A;
– математичні співвідношення для визначення траєкторій вільного руху
об'єкта;
– таблиці зі значеннями координат стану об'єкта у залежності від часу для
вільного руху, руху під дією збурення та керовного руху;
– суміщені графіки траєкторій вільного руху об'єкта, отримані чисельним і
25
аналітичним методами;
– графіки траєкторій руху об'єкта під дією збурення;
– графіки траєкторій керованого руху об'єкта;
– аналіз отриманих результатів і висновки по роботі.
3.6 Контрольні питання і завдання
1. Сформулюйте постановку задачі аналізу динаміки об'єкта.

2. З якою метою моделі динамічних об'єктів приводять до форми Коші?
3. Опишіть суть процедури перетворення вихідної системи ЗДР до форми
Коші.
4. Як вибираються початкові умови для розв'язуваної задачі? Запишіть
співвідношення, що використовуються для цього.
5. Назвіть методи розв’язання задачі аналізу динаміки об'єкта, дайте їхню
стислу характеристику.
6. Запишіть аналітичний розв’язок для системи ЗДР (3.1).
7. Який рух об'єкта називають вільним, вимушеним?
8. Запишіть аналітичний розв’язок рівняння вільного руху об'єкта для
початкових умов, що співпадають з власним вектором матриці системи А.
9. Запишіть співвідношення для чисельного визначення точок траєкторії
руху об'єкта Z(t) за методом Рунге-Кутти.
10. Як визначається крок чисельного дослідження моделі об'єкта?
Задача. Необхідно визначити динаміку об'єкта, що описується системою

звичайних диференціальних рівнянь (3.1), на відрізку часу 0  t  10 для таких
значень параметрів моделі:
 0.3 0 0  b1   0.2  1   0.1 

 
A  0.2 0.2 0 , B  b2  0.3 ,   2    0.3  .
   
         
 0.7 0.5  0.2  b3   0.1  3   0.1
Розв’язання задачі. Для визначення початкових умов задачі (3.1) обчислимо

власні числа 1 , 2 , 3 та відповідні їм власні вектори X (1) , X ( 2) , X ( 3 ) матриці A.
26
Скориставшись процедурами математичних пакетів програм, обчислимо
власні числа матриці A: 1  0.2, 2  0.2, 3  0.3 .
Скориставшись процедурами математичних пакетів програм, обчислимо
власні вектори матриці A:
0 
1  0.2  X ( 1 )  0  ;
 
1 
 0 
2  0.2  X ( 2 )  0.625  ;
 
0.781 
 0.432 
3  0.3  X (3)
  0.864  .
 
 0.259 
За умовами задачі як Z( t0 ) обираємо власний вектор X ( 3 ) , що відповідає

власному значенню 3  0.3 і має всі ненульові координати.
Склад модуля для визначення траєкторії та траєкторія вільного руху об’єкта
для довжини кроку h  0.1 наведені на рис. 3.1.
Рисунок 3.1 – Текст модуля для розв’язання задачі аналізу вільного руху об’єкта,
аркуш1
27
Рисунок 3.1, аркуш 2
Вигляд системи диференціальних рівнянь, що описують динаміку об’єкта під

впливом збурення і керування, наведено на рис. 3.2.
Рисунок 3.2 – Вигляд системи диференціальних рівнянь, що описують динаміку

об’єкта під впливом збурення і керування
4 МОДЕЛЮВАННЯ МНОЖИНИ ЕФЕКТИВНИХ ПРОЄКТНИХ РІШЕНЬ
Вивчення методів виділення підмножин ефективних багатокритеріальних

рішень; набуття практичних виділення підмножини ефективних варіантів у задачах
прийняття проєктних рішень.
28
Під час підготовки до виконання практичного заняття необхідно:

ознайомитися з постановкою проблеми багатокритеріальної оптимізації та
основними етапами її вирішення; звернути увагу на аргументацію доцільності
виділення множини ефективних проєктних рішень (МЕПР); уяснити суть
алгоритмів формування МЕПР за методом парних порівнянь з виділенням і без
виділення наближених підмножин компромісів.
З цією метою може бути використаний лекційний матеріал із відповідних
тем, матеріал, викладений у рекомендованій літературі [3, с. 25–35; 4, с. 176–178;
6, c. 730–737; 9, с. 13–17], а також матеріал цих методичних вказівок.
4.3 Постановка задачі
Розглядається задача прийняття багатокритеріальних рішень за результатами

моделювання у процесі автоматизованого проектування варіантів побудови мережі
екологічного моніторингу.
Задана множина допустимих розв’язків (варіантів побудови мережі
екологічного моніторингу) X  { x } . Кожен із варіантів побудови мережі із
множини допустимих x  X подається кортежем значень характеристик
(часткових критеріїв) K( x )   k1( x ), k2 ( x ), k3( x )  , де k1( x ) – оперативність,
задана часом розв’язання задач у мережі; k 2 ( x ) – надійність мережі, як її
коефіцієнт готовності; k3 ( x ) – витрати на створення й експлуатацію мережі. При
цьому часткові критерії мають різний фізичний сенс, різні розмірність, діапазони
вимірювань і напрямки бажаної зміни k1( x )  min , k2 ( x )  max , k3 ( x )  min .
Необхідно знайти найкращий компромісний розв’язок (найкраще проектне
рішення) за всією множиною часткових критеріїв:
x o = arg opt Θ [K ( x ), R( K )] , (4.1)

x∈ X
де opt – оператор оптимізації;

 – оператор, що визначає схему компромісу (ранжирування рішень);
R( K ) – відношення переваги на кортежі часткових критеріїв
K( x )   k1( x ), k2 ( x ), k3 ( x )  , що може бути задане, наприклад, у вигляді порядку
ki ( x ) k j( x ) kl ( x ) .
29
Множина допустимих розв’язків X = { x } формується за допомогою
процедур синтезу та аналізу (моделювання) системи автоматизованого
проектування і визначається системою обмежень ki min  ki ( x )  ki max , i = 1, 2, 3
(де ki min , ki max – відповідно мінімальне і максимальне значення i -го часткового
критерію).
Для спрощення процедур прийняття рішень використовують функції
корисності  j ( x ) або нормовані значення часткових критеріїв k j ( x ) :
k j ( x )  k j
 j( x )  k j( x )  , j  1,3 , (4.2)
k j  k j
_
де ki , ki+ – відповідно найгірше і найкраще значення і-го часткового
критерію (границі зміни часткового критерію).
Множина допустимих рішень Х подається у вигляді об’єднання двох
S
підмножин X  X S  X K , де X – множина (область) згоди, будь-яке рішення з
якої може бути поліпшене хоча б за одним із критеріїв без погіршення якості за
іншими; X K – множина (область) компромісів, жоден із розв’язків якої не може
бути поліпшений одночасно за всіма критеріями.
Необхідно визначити підмножину ефективних (недомінованих,
компромісних, Парето-оптимальних) рішень ХК.
Алгоритм формування МЕПР полягає в порівнянні всіх можливих пар
варіантів xi , x j  X P , тобто x1 та x 2 , x1 та x3 ,…, x 2 та x3 , x 2 та x 4 ,… і так далі та
видаленні з подальшого розгляду таких, які за всіма частковими критеріями гірші
за інші (інший).
Для опуклих множин допустимих рішень Х попередньо можна виділяти
наближену множину ефективних проєктних рішень (НМЕПР) ХР (рис. 4.1). Для
цього на множині допустимих рішень Х здійснюється оптимізація послідовно за
кожним із часткових критеріїв k1 , k 2 ,... , k m , результати якої заносяться в окремі
рядки таблиці (табл. 4.1). В i-му рядку таблиці подані значення всіх часткових
критеріїв, отримані в ході оптимізації за частковим критерієм ki. Стовпець j містить
набір значень часткового критерію kj у точках оптимуму за всіма частковими
критеріями. Таким чином, у кожному стовпці таблиці значення часткового
критерію змінюються від найкращого k j нк до найгіршого k j нг . Причому найкращі
30
значення часткових критеріїв знаходяться на діагоналі таблиці k j нк  k jj , j  1,m .
k 2 ( x)
k 22 ХK
ХР
k12
k 21 k11 k1 ( x )
Рисунок 4.1 – Визначення НМЕПР ХP на опуклій множині варіантів Х
Отримана множина пар значень  k j нк ,k j нг  , j  1,m визначає границі

відображення НМЕПР на простір часткових критеріїв X P  K (рис. 4.1).
У загальному випадку наближена область компромісів X P містить у собі
підмножину розв’язків з множини згоди X S . Якщо розв’язок x  X P може бути
покращений за одним або декількома частковими критеріями без погіршення якості
за іншими, то він не включається до X K .
Таблиця 4.1 – Результати оптимізації за частковими критеріями
ki \ k j k1 k2 ... km
k1 k11 k12 ... k1m
k2 k21 k 22 ... k2m
… ... ... ... ....

km km1 km2 ... k mm
31
1. Ознайомитися за допомогою викладача з особливостями та режимами

роботи застосовуваних комп'ютерних і програмних засобів.
2. Отримати у викладача варіант завдання (табл. 4.2) та додаткові дані.
3. Провести генерацію за допомогою генератора псевдовипадкових чисел
характеристик заданої кількості варіантів допустимих проєктних рішень (варіантів
побудови мережі екологічного моніторингу) Card ( X ) . Для генерації варіантів і
проведення обчислень рекомендується використати засоби пакетів Excel, Maxima,
MathCAD, їм подібних або власний програмний модуль.
4. Обчислити за співвідношенням (4.2) для множини допустимих рішень
X = { x } значення функцій корисності їх часткових критеріїв  j ( x ) , j  1,3 .
5. За методом парних порівнянь визначити на множині допустимих X = { x }
підмножину ефективних проєктних рішень X 1K . Відзначити всі випадки
домінування рішень x y x, y  X .
K
6. Побудувати проєкції множин допустимих рішень і визначеної МЕПР X 1
у просторі функцій корисності часткових критеріїв 1 ( x ),  2 ( x ) , 1 ( x ), 3 ( x ) і
 2 ( x ), 3 ( x ) .
7. Визначити на множині допустимих X = { x } наближену множину
ефективних рішень ХР, на якій визначити множину ефективних проєктних рішень
X 2K .
8. Порівняти за складом визначені множини ефективних проєктних рішень
X 1K і X 2K .
7. Зробити висновок щодо характеру отриманих результатів і відповідності
їх теорії.
8. Захистити звіт за результатами виконаного завдання.
Звіт за результатами виконання практичного заняття має містити титульний

аркуш, мету роботи, вхідні, проміжні данні, визначені підмножини ефективних
K K
рішень X 1 і X 2 , їх проєкції у просторі функцій корисності часткових критеріїв
1( x ),  2 ( x ) , 1( x ), 3 ( x ) і  2 ( x ), 3 ( x ) .
32
Діапазон зміни критеріїв

Варіант
k1 ( x )  k1 ( x ) k1 ( x )  k1 ( x ) k3 ( x )  k3 ( x )
1 1,5–7,5 0,95–0,98 17,5–25,5
2 5,6–8,4 0,90–0,99 21,5–32,5
3 14,7–19,6 0,94–0,99 25,0–31,6
4 9,7–15,4 0,95–0,98 20,6–29,5
5 7,5–12,8 0,91–0,97 17,9–27,4
6 4,9–9,5 0,90–0,98 23,6–31,6
7 7,8–15,3 0,93–0,99 34,7–45,4
8 13,7–21,0 0,95–0,98 32,8–46,2
9 24,5–32,2 0,90–0,97 28,9–34,8
10 13,4–19,3 0,91–0,98 45,4–56,5
11 6,8–10,2 0,92–0,99 37,8–46,9
12 2,7–6,4 0,91–0,97 58,4–72,6
13 3,9–7,6 0,91–0,98 67,3–78,7
14 26,3–42,7 0,90–0,97 36,1–45,2
15 1,3–5,1 0,92–0,99 17,3–23,6
16 2,9–9,5 0,92–0,98 21,6–31,6
17 5,8–15,3 0,92–0,99 34,7–45,4
18 11,7–21,0 0,95–0,98 32,8–46,2
19 21,5–32,2 0,90–0,97 28,9–34,8
20 10,4–19,3 0,94–0,98 45,4–56,5
21 5,4–7,9 0,90–0,99 23,1–45,8
22 11,6–18,5 0,91–0,98 26,3–35,2
23 10,3–30,5 0,90–0,99 43,6–54,7
24 7,5–15,0 0,92–0,97 54,9–67,4
25 23,7–55,2 0,91–0,98 73,2–82,5
26 31,7–45,8 0,93–0,99 45,9–54,7
27 15,4–27,2 0,92–0,98 67,9–85,2
28 7,4–12,5 0,92–0,99 11,5–27,5
29 11,7–23,5 0,93–0,98 34,2–45,1
30 2,6–7,5 0,96–0,99 24,0–37,4
33
Вхідними даними задачі є множина альтернативних варіантів побудови
мережі екологічного моніторингу (проєктних рішень) X  { x } зі значеннями їх
часткових критеріїв k j ( x ) , i = 1,3 .
Проміжними даними є обчислені функції корисності (нормовані значення)
часткових критеріїв  j ( x ) , j  1,3 , таблиця з результатами оптимізації за
частковими критеріями і визначені на ній пари значень   j нк ,  j нг  , j  1,3 , що
визначають границі НМЕПР .
Вхідними даними задачі є виділені підмножини ефективних проєктних
рішень X 1K і X 2K та проєкція множин допустимих рішень і визначеної МЕПР X 1K
у просторі функцій корисності часткових критеріїв 1 ( x ),  2 ( x ) , 1 ( x ), 3 ( x ) і
 2 ( x ), 3 ( x ) .
1. Сформулюйте постановку задачі багатокритеріальної оптимізації як

задачі прийняття рішень за результатами моделювання.
2. Дайте визначення множин згоди та компромісів (ефективних рішень).
3. Обґрунтуйте доцільність виділення підмножини ефективних рішень.
4. Опишіть алгоритм парних порівнянь для виділення підмножини
компромісних рішень.
5. Опишіть алгоритм визначення границь НМЕПР.
6. Доведіть, що оптимальне рішення належить до підмножини
компромісних.
7. У чому полягає необхідність застосування функцій корисності часткових
критеріїв?
8. Який фізичний смисл має функція корисності часткових критеріїв?
9. Які вимоги висуваються до функцій корисності часткових критеріїв?
10. Наведіть форму функції корисності часткових критеріїв, яка
використовується в роботі.
Задача. Задані діапазони допустимих значень часткових критеріїв оцінки

варіантів побудови мережі екологічного моніторингу k1 ( x )  [ 11.0,5.0 ]
34
k2 ( x )  [ 0.91,0.99 ] , k3 ( x )  [ 37.0, 21.0 ] , де k1 – оперативність (середній час
розв’язання задач у мережі); k 2 – надійність мережі (коефіцієнт готовності); k 3 –
витрати на створення мережі. При цьому k1  min , k 2  max , k3  min .
Необхідно згенерувати множину із 20-ти допустимих варіантів побудови
мережі X  { x } і визначити на ній за методом парних порівнянь підмножини
ефективних проєктних рішень
X 1K  X і X 2K  X .
Розв’язання задачі. З використанням генератора випадкових чисел

згенеруємо 20 варіантів побудови мережі, що являтимуть собою множину
допустимих проєктних рішень X  { x } (табл. 4.3).
Обчислимо для сформованої множини варіантів за формулою (4.2) значення
функцій корисності їх часткових критеріїв  j ( x ) , j  1,3 , використовуючи для
k j ( x ),k j ( x ) , j  1,3 граничні значення часткових критеріїв з табл. 4.2. (табл. 4.3).
Для формування підмножини ефективних рішень X 1K порівняємо пари
варіантів xi , x j  X , i, j  1,20 , тобто x1 та x 2 , x1 та x3 ,…, x 2 та x3 , x 2 та x 4 ,… і
т. д. Видалимо з подальшого розгляду рішення, які за всіма частковими критеріями
гірші за інші (інший). Всі випадки домінування рішень xi x j , xi , x j  X відмічені в
останньому стовбці (табл. 4.3).
Доміновані варіанти рішень складають підмножину згоди:
X S  { x1 ,x2 ,x3 ,x6 ,x7 ,x8 ,x9 ,x10 ,x12 ,x13 ,x14 ,x18 ,x19 ,x20 } .
Відомо, що X  X
S
X 1K . Виключивши із множини допустимих рішень X
підмножину згоди X C , отримаємо підмножину ефективних рішень:
X 1K  { x4 ,x5 ,x11 ,x15 ,x16 ,x17 } . (4.3)
K
Проєкції множини допустимих рішень Х, визначених МЕПР X 1 і НМЕПР
X P у просторі функцій корисності часткових критеріїв подані на рис. 4.2.
35
Таблиця 4.3 – Характеристики допустимих варіантів побудови мережі
x k1( x ) k2 ( x ) k3 ( x ) 1 ( x ) 2( x ) 3 ( x ) xi xj
х1 6,67 0,95 30,50 0,721 0,558 0,406 х1 х3

х2 10,93 0,93 36,74 0,012 0,222 0,016 х2 х1
х3 6,55 0,96 29,53 0,741 0,667 0,467 х3 х16
х4 6,78 0,97 21,64 0,704 0,778 0,960 –
х5 6,43 0,92 21,78 0,762 0,111 0,951 –
х6 7,63 0,96 36,47 0,561 0,667 0,033 х6 х7
х7 6,52 0,96 31,34 0,746 0,667 0,354 х7 х16
х8 8,82 0,96 27,86 0,364 0,611 0,571 х8 х4
х9 9,40 0,96 33,59 0,267 0,667 0,213 х9 х3
х10 6,49 0,96 31,38 0,751 0,625 0,351 х10 х16
х11 5,02 0,95 29,37 0,997 0,556 0,477 –
х12 10,87 0,95 22,38 0,021 0,556 0,914 х12 х4
х13 9,01 0,95 31,53 0,331 0,444 0,342 х13 х3
х14 7,83 0,94 23,58 0,528 0,333 0,839 х14 х4
х15 6,73 0,99 31,86 0,712 0,981 0,321 –
х16 5,68 0,97 25,96 0,887 0,778 0,690 –
х17 8,76 0,98 22,74 0,373 0,889 0,891 –
х18 8,92 0,95 24,22 0,346 0,556 0,799 х18 х4
х19 6,47 0,96 27,75 0,755 0,571 0,578 х19 х16
х20 5,78 0,95 26,60 0,870 0,556 0,650 х20 х16
36
P K
Рисунок 4.2 – Проєкції множин X , X і X 1 у просторі функцій корисності
часткових критеріїв
37
Для визначення множини ефективних рішень X 2K попередньо визначимо її
границі за кожним із часткових критеріїв k j ( x ) , j  1,3 (табл. 4.4).
Таблиця 4.4 – Результати оптимізації за частковими критеріями
ki \ k j k1 k2 k3
k1 0,997= k1 нк 0,556= k2 нг 0,477
k2 0,712 0,981= k 2 нк 0,321= k3 нг
k3 0,704= k1 нг 0,778 0,960= k3 нк
Границі НМЕПР  k1 нк  0.997,k1 нг  0.704  ,  k2 нк  0.981,k2 нг  0.556  ,

 k3 нк  0.960,k3 нг  0.321  . За даними табл. 4.3 – 4.4 визначимо склад НМЕПР
X P та за методом парних порівнянь на ній множину X 2K :
X P  { x1 ,x3 ,x4 ,x7 ,x10 ,x11 ,x15 ,x16 ,x19 ,x20 } ,

X 2K  { x4 ,x11 ,x15 ,x16 } .
При цьому через неопуклість множини допустимих варіантів X 1K  X 2K :
x5  X 1K , x5  X P  x5  X 2K ,
x17  X 1K , x17  X P  x17  X 2K .
5 ПРИЙНЯТТЯ РІШЕНЬ ЗА РЕЗУЛЬТАТАМИ МОДЕЛЮВАННЯ
Вивчення методів прийняття багатокритеріальних проєктних рішень за

результатами моделювання; набуття практичних навичок вибору ефективних
проєктних рішень в ситуаціях неповної визначеності.
38
Під час підготовки до виконання практичного заняття необхідно:

ознайомитися з основними підходами до розв’язання задач прийняття рішень,
математичними моделями і методами прийняття рішень в умовах визначеності та
неповної визначеності мети; уяснити суть алгоритмів вибору багатокритеріальних
рішень умовах визначеності та неповної визначеності мети з використанням
узагальненого критерію ефективності.
З цією метою може бути використаний лекційний матеріал із відповідних
тем, матеріал, викладений у рекомендованій літературі [3, с. 25–38; 4, с. 178–182;
10, с. 64–69], а також матеріал цих методичних вказівок.
5.3 Постановка задачі та методи її розв’язання
Розглядається задача прийняття багатокритеріальних рішень за результатами

моделювання у процесі реінжинірингу мережі екологічного моніторингу.
Задана множина ефективних розв’язків (рішень щодо варіантів побудови
мережі екологічного моніторингу) X  { x } . Кожен з варіантів побудови мережі з
множини ефективних x  X подається кортежем значень характеристик (часткових
критеріїв) K( x )   k1( x ), k2 ( x ), k3( x )  , де k1( x ) – оперативність, задана часом
отримання й обробки інформації; k 2 ( x ) – надійність мережі як коефіцієнт її
готовності; k3 ( x ) – витрати на створення й експлуатацію мережі. При цьому
k1( x )  min , k2 ( x )  max , k3 ( x )  min .
Необхідно знайти найкращий за обраною множиною критеріїв варіант
побудови мережі (найкраще проєктне рішення):
3 k j ( x )  k j
x  arg max   j j ( x ) ,  j ( x ) 
o
, j  1,3 , (5.1)
xX
i 1 k j  k j
де  j – вагові коефіцієнти, які оцінюють взаємну важливість часткових

3
критеріїв k j ( x ) , j  1,3 ,  j  0 , j  1;
j 1
 j ( x ) – значення функції корисності j -го часткового критерію (ФКЧК) для

варіанту x ;
39
k j , k j , j  1,3 – найкраще та найгірше значення j -го критерію на множині
допустимих варіантів X .
Ступінь невизначеності мети може бути задана співвідношеннями значень
вагових коефіцієнтів  j , j  1,3 :
– ситуація 1 – значення вагових коефіцієнтів часткових критеріїв невідомі;
– ситуація 2 – чисельні значення коефіцієнтів невідомі, але часткові критерії
можуть бути впорядковані за ступенем важливості;
– ситуація 3 – відомі кількісні значення вагових коефіцієнтів (значення
коефіцієнтів можуть задаватися з різним ступенем точності й вірогідності від
повної визначеності до практично повної невизначеності).
У ситуації 1 будемо вважати, що часткові критерії мають однакову
важливість, та використаємо максимінну схему компромісу, що заснована на
прагненні до рівності ФКЧК:
xo  arg max min  j j ( x ) , (5.2)

xX 1 j 3
де Х – множина допустимих варіантів побудови мережі.

У ситуації 2 задається система переваг часткових критеріїв, наприклад,
k1  k 2  k3 , що дозволяє використовувати схему вибору рішення шляхом
лексикографічної оптимізації (послідовного застосування критеріїв).
У цій ситуації на множині допустимих розв’язків Х необхідно знайти
підмножину розв’язків X 1o  X , оптимальних за найважливішим із критеріїв – k1 .
На множині розв’язків X 1o знайти підмножину розв’язків X 2o , оптимальних за
наступним за важливістю критерієм – k 2 . На останньому етапі із підмножини
розв’язків X 2o знаходимо за критерієм k3 єдиний оптимальний розв’язок x o :
x o  X 2o  X 1o  X K  X . (5.3)
Якщо в процесі оптимізації за критеріями k j , j  1,2 буде отримано єдиний
розв’язок, відповідну множину X oj , j  1,2 розширити шляхом включення до неї

квазіоптимальних розв’язків (за необхідності збільшити розмір поступки).
У ситуації 3 розв’язок обирається з використанням універсальної адаптивної
моделі оцінювання, побудованої на основі адитивної схеми (5.1)
40
1
1 3  
x o  arg max    j j ( x )  , (5.4)
xX
 3 i 1 
де  – адаптаційний параметр.
Змінюючи значення параметра в моделі (5.4), можна одержати різні схеми
вибору. Так при     отримаємо максимінну схему вибору (5.2), що
використовується в ситуації 1, при  = 1 отримаємо схему, придатну для вибору
рішень у ситуаціях 2 і 3:
3
x o  arg max   j j ( x ) . (5.5)
xX
i 1
При  = 1 така модель дозволяє вибирати розв’язки, що максимізують

сумарну корисність, при     – розв’язки із квазірівними корисностями за
всіма частковими критеріями. За умов неточного задання значень вагових
коефіцієнтів часткових критеріїв  обрається з умови:
*   log m / log( 1   ) (5.6)
де т=3 – кількість часткових критеріїв;

 – відносна точність визначення часткових критеріїв або функцій їх
корисності.
Множина допустимих рішень X = { x } формується за допомогою процедур
синтезу та моделювання системи проєктування і визначається обмеженнями
ki min  ki ( x )  ki max , i = 1, 2, 3 (де ki min , ki max – відповідно мінімальне і
максимальне значення i -го часткового критерію).
1. Ознайомитися за допомогою викладача з особливостями та режимами

роботи застосовуваних комп'ютерних і програмних засобів.
2. Отримати у викладача варіант завдання (табл. 5.1) та додаткові дані.
Обрати значення вагових коефіцієнтів часткових критеріїв відповідно до заданої
41
3
системи переваг і умов  j  0 , j  1.
j 1
3. Збільшити шляхом генерації додаткових варіантів множину ефективних

проєктних рішень з практичного заняття №4 X 1K до Card X K  15 .
4. Обчислити для отриманої множини ефективних проєктних рішень X K
значення функцій корисності їх часткових критеріїв ξi ( x ) , i = 1,3 (5.1).
5. Визначити найкращій розв’язок задачі за максимінною схемою (5.2)
(ситуація 1).
6. Визначити лексикографічно оптимальний розв'язок для заданої системи
переваг часткових критеріїв ki  k j  kl і розміру поступки по функціям їх
корисності i ( x ) (ситуація 2).
7. Визначити найкращій розв’язок задачі за схемою (5.4) для умов
встановлення вхідних даних з похибкою  (ситуація 3).

Система i ( x )  Варіант Система  i ( x )
Варіант
переваг переваг

1 k1  k3  k2 0,35 0,15 16 k2  k3  k1 0,35 0,3
2 k3  k1  k2 0,25 0,2 17 k1  k 2  k 3 0,25 0,25
3 k2  k3  k1 0,30 0,3 18 k 3  k 2  k1 0,30 0,15
4 k1  k 2  k 3 0,35 0,1 19 k2  k1  k3 0,35 0,2
5 k 3  k 2  k1 0,25 0,2 20 k1  k3  k2 0,25 0,3
6 k2  k1  k3 0,30 0,15 21 k3  k1  k2 0,30 025
7 k1  k3  k2 0,35 0,2 22 k2  k3  k1 0,35 0,1
8 k3  k1  k2 0,25 0,3 23 k1  k 2  k 3 0,25 0,2
9 k2  k3  k1 0,30 0,25 24 k 3  k 2  k1 0,30 0,3
10 k1  k 2  k 3 0,35 0,1 25 k2  k1  k3 0,35 0,15
11 k1  k 2  k 3 0,25 0,2 26 k2  k3  k1 0,30 0,2
12 k 3  k 2  k1 0,30 0,3 27 k1  k 2  k 3 0,25 0,1
13 k2  k1  k3 0,35 0,25 28 k 3  k 2  k1 0,30 0,25
14 k1  k3  k2 0,25 0,15 29 k2  k1  k3 0,35 0,3
15 k3  k1  k2 0,30 0,2 30 k1  k3  k2 0,25 0,2
42
Звіт за результатами виконання практичного заняття має містити титульний

аркуш, мету завдання, вхідні та проміжні данні та визначені оптимальні
компромісні розв’язки задачі для ситуацій 1, 2 та 3.
Вхідними даними задачі є множина ефективних варіантів побудови мережі
екологічного моніторингу (проєктних рішень) X K  { x } . Проміжними даними є
обчислені значення функції корисності часткових критеріїв ξi ( x ) , i = 1,3 , x  X .
Вихідними даними є визначені найкращі розв’язки задачі за максимінною схемою
(ситуація 1), лексикографічним методом (ситуація 2) і для умов встановлення
вхідних даних з похибкою (ситуація 3).
1. Сформулюйте постановку задачі багатокритеріальної оптимізації як

задачі прийняття рішень за результатами моделювання.
2. Назвіть основні класи задач прийняття рішень.
3. Назвіть основні підходи до розв’язання задачі ранжирування альтернатив.
4. Опишіть схему вирішення проблеми багатокритеріального вибору в
межах кардиналістичного підходу.
5. Дайте визначення бінарних відношень на множині альтернатив.
6. Запишіть моделі задач вибору розв’язків.
7. Яким вимогам мають задовольняти функції корисності часткових
критеріїв?
8. Назвіть основні ситуації невизначеності мети, що виникають в процесі
прийняття рішень.
9. Запишіть співвідношення для пошуку розв’язків за максимінним та
мінімаксним критеріями.
10. Опишіть процедуру пошуку лексикографічно найкращого розв’язку.
Задачі. Задана множина допустимих розв’язків (рішень щодо варіантів

побудови мережі екологічного моніторингу) X  { x } . Кожен з варіантів побудови
мережі із множини допустимих x  X подається кортежем значень характеристик
(часткових критеріїв) K( x )   k1( x ), k2 ( x ), k3( x )  , де k1( x ) – оперативність,
43
задана часом отримання й обробки інформації; k 2 ( x ) – надійність мережі як
коефіцієнт її готовності; k3 ( x ) – витрати на створення й експлуатацію мережі
(табл. 5.2). Діапазони зміни часткових критеріїв: k1 ( x )  5.2  11.6 ;
k2 ( x )  0.91  0.99; k3  22.5  42.7 . При цьому k1( x )  min , k2 ( x )  max ,
k3 ( x )  min .
Необхідно знайти найкращий за обраною множиною критеріїв варіант
побудови мережі для умов невизначеності даних щодо значень вагових
коефіцієнтів часткових критеріїв:
– значення вагових коефіцієнтів часткових критеріїв невідомі (ситуація 1);
– чисельні значення коефіцієнтів невідомі, але часткові критерії впорядковані
за ступенем важливості k1  k 2  k 3 , поступка  ( x )  0.3 (ситуація 2);
– кількісні значення вагових коефіцієнтів 1  0.4 , 2  0.35 , 3  0.25 задані
з похибкою  =0,3 (ситуація 3).
Таблиця 5.2 – Характеристики допустимих варіантів побудови мережі
x k1 ( x ) , с k2 ( x ) k3 ( x ) , у.о. x k1 ( x ) , с k2 ( x ) k3 ( x ) ,
у.о.
х1 10,24 0,94 34,41 х11 5,22 0,97 29,23
х2 8,07 0,96 25,17 х12 11,42 0,94 27,98
х3 5,41 0,94 41,31 х13 7,45 0,94 34,78
х4 6,96 0,93 31,57 х14 10,34 0,97 33,62
х5 7,14 0,93 40,2 х15 5,35 0,95 39,17
х6 7,23 0,94 25,94 х16 7,71 0,96 40,59
х7 8,11 0,99 29,12 х17 5,47 0,96 33,68
х8 5,95 0,96 26,66 х18 6,25 0,95 26,07
х9 7,86 0,97 36,22 х19 8,04 0,99 29,97
х10 9,83 0,95 32,04 х20 7,21 0,96 32,1
Розв’язання задач. За співвідношенням (5.1) обчислимо значення функцій

корисності часткових критеріїв  j ( x ) , j  1,3 (табл. 5.3).
Для розв’язання задачі 1 приймемо 1  2  3  0.333 . Для цих умов
знайдемо min  j j ( x ) (табл. 5.3). Тоді, відповідно до моделі (5.2), розв’язком
1 j 3
задачі буде:
44
xo  arg max min  j j ( x )  x8 .
xX 1 j 3
На першому етапі розв’язання задачі 2 на множині допустимих рішень

X  { xi }i20
1 знайдемо найкращий варіант побудови мережі за найважливішим з
критеріїв, тобто за k1( x ) . Це буде єдиний варіант x15 зі значенням функції

корисності 1 ( x15 )  0.980 . Зробивши поступку 1 ( x )  0.2 , отримаємо
підмножину рішень X 1o  { x3 ,x4 ,x5 ,x6 ,x8 ,x15 ,x17 ,x18 ,x20 } , субоптимальних за
критерієм k1 .
Таблиця 5.3 – Результати розрахунків
x 1 ( x ) 2( x ) 3 ( x ) min  j j ( x ) P( x )
1 j 3
х1 0,213 0,375 0,410 0,071 0,267

х2 0,553 0,625 0,868 0,184 0,629
х3 0,970 0,375 0,069 0,023 0,090
х4 0,727 0,250 0,551 0,083 0,321
х5 0,699 0,250 0,124 0,041 0,159
х6 0,685 0,375 0,830 0,125 0,475
х7 0,547 1,000 0,672 0,182 0,645
х8 0,886 0,625 0,794 0,208 0,727
х9 0,586 0,750 0,321 0,107 0,407
х10 0,277 0,500 0,528 0,092 0,348
х11 0,167 0,750 0,667 0,055 0,217
х12 0,028 0,375 0,729 0,009 0,036
х13 0,650 0,375 0,392 0,125 0,417
х14 0,197 0,750 0,450 0,066 0,254
х15 0,980 0,500 0,175 0,058 0,227
х16 0,610 0,625 0,104 0,035 0,135
х17 0,961 0,625 0,447 0,149 0,547
х18 0,839 0,500 0,823 0,167 0,618
х19 0,558 1,000 0,630 0,186 0, 640
х20 0,688 0,625 0,525 0,175 0,593
На другому етапі на підмножині рішень X 1o знайдемо підмножину
45
найкращих варіантів за наступним за важливістю критерієм k2 ( x ) :
X 2o  { x8 ,x17 ,x20 } . На останньому етапі з множини рішень X 2o вибираємо
найкращий розв’язок за критерієм k 3 . Це буде варіант x8 зі значенням функції
корисності 3 ( x8 )  0.794 . Він буде найкращим компромісним розв’язком x o  x8
для заданих умов в ситуації 2.
На першому етапі розв’язання задачі 3 для розміру похибки  =0,3 за
співвідношенням (5.6) обчислимо значення параметра узагальненого критерію
ефективності:
*   log 3 / log ( 1  0.3 )  4,187 .
На наступному етапі обчислимо значення узагальненого критерію

ефективності задачі (5.4):
1
1 3  
P( x )     j j ( x )  .
 3 i 1 
На останньому етапі по таблиці 5.2 визначимо варіант з максимальним

значенням узагальненого критерію ефективності P( x ) (табл. 5.3). Найкращим
розв’язком для заданих умов в ситуації 3 буде варіант x o  x8 .
6 РОЗВ’ЯЗАННЯ ДЕТЕРМІНОВАНИХ ЗАДАЧ МЕТОДОМ

СТАТИСТИЧНОГО МОДЕЛЮВАННЯ
Ознайомлення з практичною реалізацією методу статистичного

моделювання; надбання практичних навичок використання методу статистичного
моделювання для розв’язання детермінованої задачі оцінки площі фігури.
Під час підготовки до заняття необхідно: ознайомитись з загальною

характеристикою методу статистичного моделювання; вивчити постановку задачі
оцінки площі фігури та її геометричну інтерпретацію; проаналізувати структурну
схему еквівалентної стохастичної системи для розв’язання задачі оцінки площі
46
фігури; повторити матеріал щодо технології роботи з пакетами програм для
розв’язання обчислювальних задач. З цією метою може бути використаний
лекційний матеріал із відповідних тем, матеріал, викладений у рекомендованій
літературі [3, с. 60–63; 8, с. 97–99], а також матеріал цих методичних вказівок.
Постановка задачі. Методом статистичного моделювання знайти оцінку
площі фігури, обмеженої на відрізку [ xmin , xmax ] осями координат і кривою
f ( x, y ) .
Ця задача є детермінованою, а її аналітичне розв’язання зводиться до
обчислення визначеного інтеграла. Наприклад, шукана площа фігури дорівнює:
xmax
S  f ( x ) dx. (6.1)
xmin
Для оцінки площі фігури, зображеної на рис. 6.1, використовується адекватна

за вихідними характеристиками стохастична система S D (рис. 6.2). Оцінки
характеристик такої системи співпадатимуть із шуканим розв’язком задачі.
Система S D функціонує в такий спосіб: вибирається пара незалежних
випадкових чисел із рівномірним розподілом на інтервалі [0, 1], що визначають
координати точки ( xi , yi ) (рис. 6.1), обчислюється ордината yi  f ( xi ) і
проводиться порівняння величин yi та yi . Якщо точка ( xi , yi ) потрапила в площу
фігури, то результат випробування вважається позитивним hi  1 .
У підсумку можна визначити статистичну площу фігури для заданої кількості
згенерованих точок N:
n
S , (6.2)
N
де n – кількість точок, що попали в площу фігури;

N – кількість згенерованих точок.
При цьому, елементи структурної схеми системи S D виконують такі функції
(рис. 6.2):
– обчислення B1 : hi  f ( xi ) ;
– аналіз А: hi  1, if yi  f ( xi ); else hi  0, if f ( xi )  yi ;
– підсумовування С: hi   hi ;
– обчислення B2 : S  h / N (де N – кількість точок, що необхідна для
47
статистичної стійкості результатів).
У загальному випадку, коли xmin  0 , xmax  1 і (або) f ( x )  1 , для оцінки
площі фігури навколо неї необхідно описати прямокутник зі сторонами a і b ,
xmax  xmin  a , ymax  ymin  b . Як координати точок Ai ( xi , yi ) , i  1, 2, 3,..., N
використовувати пари незалежних випадкових чисел із рівномірним розподілом на
інтервалах [ xmin , xmin  a ] , [ ymin , ymin  b ] :
xi  xmin  a  xi ; yi  ymin  b  yi . (6.3)
У цьому випадку оцінка площі фігури здійснюється за співвідношенням:
n
S  Sпр , (6.4)
N
де Sпр – площа описаного навколо фігури прямокутника.
Рисунок 6.1 – Геометрична інтерпретація задачі оцінки площі фігури
Рисунок 6.2 – Структурна схема еквівалентної стохастичної системи S D

48
Точність оцінки (6.3) підвищується зі збільшенням кількості згенерованих
точок N .
Для прогнозної оцінки точності розв’язання задачі використовується
співвідношення:
1 ( N )  t p(1  p) / N , (6.5)
де t α – табличний параметр (квантиль нормального розподілу ймовірностей,

для достовірності   0.95 значення t  1.96 );
p  n / N – оцінка ймовірності (частота) попадання точок у площу фігури.

IBM PC. Для генерації випадкових чисел і проведення обчислень рекомендується
використати засоби пакетів Excel, MathCAD, їм подібних або власний програмний
модуль.
Ознайомитися з особливостями та режимами роботи застосовуваних

комп'ютерних засобів та пакетів розв’язання обчислювальних задач.
Отримати у викладача варіант завдання і додаткові дані. Варіанти завдань
наведені в табл. 6.1.
Виконати геометричну інтерпретацію своєї задачі (рис. 6.1).
Знайти оцінки площі фігури S( N ) (6.4) для різних значень кількості
згенерованих точок N  10, 20,...,50 .
Обчислити значення площі фігури S за аналітичним співвідношенням (6.1).
Обчислити прогнозні оцінки похибок розв’язання задачі  1 ( N ) (6.5) для
N  10, 20,...,50 .
Обчислити значення похибок визначення площі фігури за результатами
статистичного моделювання  2 ( N )  S( N )  S для N  10, 20,...,50 .
Порівняти отримані оцінки похибок  1 ( N ) і  2 ( N ) .
49
Зробити висновки, оформити і захистити звіт про виконану роботу.
Варіант Функція Обмеження
1 y  x2 xmin  0 , xmax  5
2 у  x2  4x xmin  0 , xmax  3
3 у  3x  x 2 xmin  0 , xmax  3
4 у  x 2  3x / 8 xmin  0 , xmax  3
5 у  x  x3 / 8 xmin  0 , xmax  2
6 ( у  2) 2  ( x  2) 2  4 x  0, y  2
7 y  ( x  2)2 xmin  3 , xmax  6
8 у 2  ( x  1) 2  4 xmin  1 , xmax  3
9 у 2  ( x  3) 2  9 x  0, y  0
10 у  ( x  3) 3 / 3 xmin  3 , xmax  6
11 у  ( x 2  2 x) / 6 xmin  2 , xmax  8
12 у  2 x2  x / 2 xmin  0 , xmax  2
13 у  3x 2  2 xmin  1 , xmax  2
14 у  ( x  5) 2 xmin  5, xmax  8
15 x2  y2  4 x  0, y  0
16 у  ( x  3 )2 / 3 xmin  3 , xmax  6
17 у  ( 2 x 2  4) / 5 xmin  2 , xmax  5
18 x2  y2  9 xmin  0 , xmax  3
19 у  ( x  4) 2 xmin  0 , xmax  3
20 у  2  ( x  1)2 / 4 xmin  2 , xmax  5
21 у  ( x  3) 2 / 3 xmin  3 , xmax  6
22 у  x 3 / 10 xmin  0 , xmax  5
50
Закінчення табл. 6.1
Варіант Функція Обмеження
23 ( у  1)2  ( x  1)2  1 x  0, y  0
24 ( x  2)2  y 2  4 x  0, y  0
25 у  x  x 3 / 20 xmin  0 , xmax  10
26 ( у  3)2  ( x  3)2  9 x  0, y  3
27 у  3x 2  6 x xmin  0 , xmax  1
28 у 2  ( x  3)2  9 x  0, y  0
29 у   x2  9 xmin  0 , xmax  3
30 у  x  x2 / 2 xmin  0 , xmax  3
Зміст повинен містити:

– постановку і геометричну інтерпретацію своєї задачі;
– схему алгоритму для визначення площі фігури методом статистичного
моделювання;
– математичні співвідношення для обчислення оцінки площі фігури і
похибок;
– результати розрахунків, оцінки площі і похибок для кількості згенерованих
точок N  10, 20,...,50 ;
– аналіз отриманих результатів і конкретні висновки по роботі, зроблені за
результатами розв’язання задачі методом статистичного моделювання.
6.6 Контрольні запитання і завдання
1. Наведіть постановку детермінованої задачі оцінки площі фігури методом

51
статистичного моделювання.
2. За яким аналітичним співвідношенням здійснюється обчислення площі
фігури?
3. Що служить теоретичною основою методу статистичного моделювання?
4. Наведіть схему методу статистичного моделювання.
5. Розробіть алгоритм визначення оцінки площі фігури методом
статистичного моделювання.
6. Опишіть роботу структурної схеми еквівалентної стохастичної системи
SD.
7. Як здійснюється масштабування випадкових чисел для випадку, коли
фігура не вміщується в одиничному квадраті?
8. За яким співвідношенням визначається оцінка площі у випадку, коли
фігура не вміщується в одиничному квадраті?
9. За яким співвідношенням визначається прогнозна оцінка точності
розв’язання задачі?
10. Як змінюється точність розв’язання задачі зі збільшенням кількості
згенерованих точок?
Задача. Методом статистичного моделювання знайти оцінку площі фігури

S( N ) (6.4), обмеженої на відрізку [ xmin , xmax ] = [ 2.0, 2.0 ] віссю y  0 і кривою
x 2  y 2  4. Оцінку площі фігури здійснити для кількості точок N  10, 20,...,50 .
Розв’язання задачі. За результатами аналізу умов задачі встановлено, що
оцінювана фігура являє собою половину кола радіуса R  2 . Опишемо навколо неї
прямокутник зі сторонами 4  2 . Відповідно до (6.3) визначимо діапазони
послідовностей випадкових чисел (координат точок рівномірно розподілених по
площі прямокутника):
[ xmin  2, xmax  2 ] , [ xmin  2, xmax  2 ] .
З використанням засобів пакету програм здійснимо генерацію координат

N  50 точок (табл. 6.2) та перевіримо їх попадання в площу фігури ( hi  1 , якщо
x 2  y 2  4 ; hi  0 , якщо x 2  y 2  4 ).
52
Таблиця 6.2 – Результати експериментів
№ хі yі x2  y2 hi № хі yі x2  y2 hi
1 2 3 4 5 6 7 8 9 10
1 0,286 1,613 2,685 1 26 -1,321 1,073 2,8965 1
2 -1,214 1,070 2,619 1 27 0,511 1,474 2,4337 1
3 -1,843 0,591 3,747 1 28 -1,385 1,666 4,6955 0
4 -0,466 0,166 0,244 1 29 -1,182 0,365 1,5297 1
5 0,725 1,261 2,116 1 30 -0,793 0,172 0,6583 1
6 1,850 1,848 6,839 0 31 1,444 1,160 3,4299 1
7 0,412 0,920 1,016 1 32 -1,199 0,408 1,6055 1
8 -0,161 0,811 0,684 1 33 -0,629 0,427 0,5776 1
9 0,536 0,853 1,015 1 34 -1,792 1,668 5,9939 0
10 -0,283 1,947 3,870 1 35 0,272 1,028 1,1303 1
11 -0,294 1,857 3,536 1 36 1,763 1,223 4,6033 0
12 -1,938 0,619 4,139 0 37 1,355 0,058 1,8404 1
13 0,909 1,464 2,969 1 38 -1,611 1,378 4,4930 0
14 -0,190 1,855 3,478 1 39 0,249 0,950 0,9648 1
15 0,167 1,866 3,508 1 40 0,809 0,618 1,0370 1
16 -1,255 1,952 5,386 0 41 -1,795 0,603 3,5848 1
17 -1,765 1,940 6,881 0 42 -1,287 1,790 4,8586 0
18 -1,549 1,874 5,912 0 43 1,374 0,945 2,7812 1
19 1,334 1,801 5,026 0 44 0,959 1,567 3,3770 1
20 -1,721 1,406 4,939 0 45 1,660 0,680 3,2184 1
21 -1,359 1,209 3,308 1 46 -1,892 0,367 3,7126 1
22 -1,348 0,691 2,295 1 47 0,635 0,777 1,0061 1
23 -1,315 0,189 1,765 1 48 0,598 0,449 0,5597 1
24 -1,816 0,600 3,657 1 49 -0,734 1,826 3,8737 1
53
25 -1,913 0,311 3,756 1 50 -0,500 1,480 2,4406 1
Аналітична оцінка (6.1) площі фігури дорівнює:
xmax
S  f ( x ) d x   r 2 / 2  3,1415  2 2 / 2  6,283 .
xmin
З використанням формули (6.4) обчислимо оцінки площі фігури та похибок

 1 ( N ) і  2 ( N ) для кількості точок N  10, 20,...,50 :
9
N  10 , S( 10 )  4  2   7,2 ,  1( 10 )  0,186 ,  2 ( 10 )  0,917 ,
10
13
N  20 , S( 20 )  4  2   5,2 ,  1( 20 )  0,209 ,  2 ( 20 )  1,083 ,
20
22
N  30 , S( 30 )  4  2   5,867 ,  1( 30 )  0,158 ,  2 ( 30 )  0,416 ,
30
29
N  40 , S( 40 )  4  2   5,8 ,  1( 40 )  0,138 ,  2 ( 40 )  0,483 ,
40
38
N  50 , S( 50 )  4  2   6 ,08 ,  1( 50 )  0,118 ,  2 ( 50 )  0,203 .
50
Графічна інтерпретація задачі подана на рис. 6.4.
Рисунок 6.4 – Графічна інтерпретація задачі
З результатів експериментів видно, що похибки  1 ( N ) і  2 ( N ) зменшилися

54
при зростанні кількості точок використаних N від 10 до 50.
7 МОВА ІМІТАЦІЙНОГО МОДЕЛЮВАННЯ GPSS
Вивчення основних операторів мови імітаційного моделювання GPSS.

Набуття практичних навичок побудови і дослідження програм-моделей об’єктів,
що подаються у вигляді найпростіших систем масового обслуговування (СМО),
засобами пакету програм імітаційного моделювання дискретних систем GPSS W
(General Purpose System Simulation World).
Для розв’язання завдань практичного заняття використовується

персональний комп’ютер зі встановленим на ньому пакетом програм моделювання
дискретних систем GPSS W. Короткий опис пакету програм GPSS W наведений у
додатку А.
Під час підготовки до практичного заняття необхідно вивчити основні
оператори мови GPSS, способи формування випадкових величин із заданими
законами розподілу, ознайомитись з прикладами GPSS-програм для моделювання
найпростіших СМО та технологію роботи з пакетом GPSS W [3, с. 114–135; 8, с.
157–165; 11– 14].
Створення та введення до моделі потоку транзактів здійснюється за
допомогою блоку
Generate A, B, C, D, E ,
де A, B, C, D, E – операнди блоку.
За допомогою операндів A та B задається розподіл інтервалів надходження
транзактів. Операнд C визначає момент модельного часу, в який y блоці Generate
повинен з’явитися перший транзакт. Операнд D задає максимальну кількість
транзактів, що можуть увійти до моделі через даний блок Generate. Якщо кількість
транзактів не задана, блок генерує необмежену кількість транзактів. Операнд E
встановлює рівень пріоритету кожного з транзактів, що генеруються цим блоком.
Якщо пріоритет не заданий, транзактам присвоюється найнижчий пріоритет (його
55
значення дорівнює нулю).
Видалення транзактів із моделі здійснюється блоком
Terminate А .
Видалення транзактів з моделі супроводжується видаленням з пам’яті

комп’ютера всіх записів, що характеризували стан транзакта під час його
переміщення всередині моделі. Операнд А задає значення постійної, що
віднімається від значення лічильника завершень.
Початкове значення лічильника завершень задається операндом A
керуючої команди
Start A, B, C, D .
Коли значення лічильника завершень подій стане меншим чи таким, що

дорівнює нулю, процес моделювання припиниться та будуть видані результати
моделювання. Якщо поле A блоку Terminate залишити незаповненим, значення
лічильника залишатиметься без змін.
У полі В може вказуватись ознака відміни видачі результатів (NP).
У полі C може задаватись кількість завершень, після яких буде виконуватись
проміжна видача результатів.
У полі D за допомогою символу «1» може задаватись ознака видачі
стандартної статистики.
В моделі може бути декілька блоків Terminate, що впливають на один і той
же лічильник завершень.
Транзакти, мають такі основні стандартні числові атрибути (СЧА):
Pj – параметр j-го транзакта. Параметри змінюються блоком Assign;
M1 – час перебування транзакта в моделі;
PR – пріоритет транзакта (від 0 до 127).
Функції. Для опису залежностей, які мають місце в об’єктах, що
моделюються, використовуються функції. Функція задається за допомогою рядка
визначення функції й одного або декількох рядків слідування. Рядок визначення
функції має вигляд:
< ім’я > Function A, B ,
де A – аргумент функції, який може бути будь-яким СЧА;

56
B – тип функції (C – безперервна, D – дискретна) і кількість пар «значення
аргументу – значення функції».
Ім’я функції може бути числовим або символьним. Безпосередньо після
рядка визначення функції розташовуються рядки слідування функції. У рядках
слідування задаються пари «значення аргументу Xi – значення функції Yi» у вигляді
X1, Y1/ X2, Y2/ ... / Xn,Yn .
Дискретна числова функція є ступінчастою. Вона змінюється тільки при тих

значеннях аргументу, що задані в картах слідування. Значення дискретної функції
обчислюється за наступним правилом: для X  X1 значення функції дорівнює Y1; для
Xi-1< X  Xi, значення функції дорівнює Yi; для X > Xn значення функції дорівнює Yn.
Значення функції передається її СЧА – Fn. Посиланням на функцію може бути: Fnj,
де j – числове ім’я функції або Fn$<ім’я>, якщо ім’я функції задане символьно.
При цьому припускається, що всі Yi – цілі числа. Наприклад,
5 Function P3, D4
2, 10/5, 17/6, 20/7, 26 .
Безперервну числову функцію, як і дискретну, задають парами точок.

Значення безперервної функції, що знаходяться між точками Yi, Yi+1, компілятор
GPSS W визначає шляхом лінійної інтерполяції.
Арифметичні змінні дозволяють виконувати обчислення за формулами, в
яких використовуються імена СЧА, матриць і т.д. Кожна арифметична змінна
визначається рядком опису
<ім’я > Variable < вираз >.
У полі мітки записується ім’я змінної (числове або символьне). У полі

операції вказується слово Variable або Fvariable. Змінна Variable використовується
для обчислення за правилами цілочисельної арифметики, а Fvariable – за
правилами арифметики з плаваючою крапкою. Результат обчислень, що
присвоюється змінній, завжди є цілим числом. У записах виразів використовують
такі арифметичні оператори: «+» – додавання; «–» – віднімання; «*», «#» –
множення; «/» – ділення; «@» – ділення за модулем. Остання операція визначена
тільки для оператора Variable.
Ім’ям СЧА арифметичної змінної є V, після якої записується числове ім’я
57
змінної або через знак $ символьне ім’я. Звертанням до арифметичної змінної є або
Vj , якщо вона була задана номером j, або V$<ім’я > – у випадку символьного
завдання.
Таблиці. Таблиці використовуються для одержання числових характеристик
і гістограм СЧА. Опис таблиці слід виконується за допомогою оператора
< ім’я > Table A, B, C, D ,
де< ім’я > – числове або символьне ім’я таблиці;

A – аргумент таблиці (ім’я СЧА), значення якого табулюється;
B – перше граничне значення;
C – ширина проміжних інтервалів;
D – загальна кількість інтервалів таблиці, включаючи лівий.
Якщо транзакт входить у блок Tabulate A, де A – ім’я таблиці, то до цієї
таблиці заноситься значення СЧА, що задане у полі A оператора Table
Abcd Table Q$Queue, 2, 4, 12

........................................
Tabulate Abcd .
У наведеному прикладі кожного разу, коли транзакт буде входити у блок

Tabulate, до таблиці з ім’ям Abcd буде заноситися значення довжини черги, що має
ім’я Queue.
Використання засобів моделювання випадкових величин. У GPSS є
датчики рівномірно розподілених псевдовипадкових чисел, кожний з яких має своє
ім’я: Rn1, Rn2,..., RN8. Імена датчиків є СЧА, що використовуються у разі звертання
до них. Якщо ім’я датчика використовується як аргумент функції, то він видає
числа, рівномірно розподілені в інтервалі від 0 до 0.999999. У будь-якому іншому
випадку – в інтервалі від 0 до 999. Для імітації дискретних випадкових величини
використовуються дискретні функції GPSS. Нехай необхідно імітувати дискретну
випадкову величину X, задану рядом розподілу
X 5 8 11 14
Y 0.1 0.2 0.3 0.4
Дискретна функція для імітації цієї випадкової величини може бути записана
у такий спосіб
58
Proba Function Rn3, D4
. 1, 5/. 2, 8/. 3, 11/. 4, 14 ,
де Rn3 – аргумент функції (третій датчик псевдовипадкових чисел).

У рядку слідування функції наводяться сумарні частоти використання
значень випадкової величини. Значення функції компілятор встановлює у такий
спосіб: Fn$ Proba = {5, якщо Rn3 (0, 0.1); 8, якщо Rn3 (0.100001, 0.2); 11, якщо
Rn3 (0.200001, 0.3); 14, якщо Rn3 (0.300001, 0.4)}.
Безперервні випадкові величина імітуються у GPSS-моделях за допомогою
безперервних функцій. Для цього використовується кусково-лінійна апроксимація
функцій, зворотних нормованим функціям розподілу. Рядки визначення і
слідування функцій для моделювання випадкових величин, розподілених за
експоненційним законом Expon з параметром a=1/b і нормальним законом Norm з
математичним сподіванням m=0 й середньоквадратичним відхиленням  =1,
наведені нижче
Expon Function Rn1, C24

0, 0/.1, .104/.2, .222/.3, .355/.4, .509/.5, .69/.6, .915
.7, 1.2/.75, 1.38/.8, 1.6/.84, 1.83/.88, 2.12/.9, 2.3
.922, 2.52/.94, 2.81/.95, 2.99/.96, 3.2/.97, 3.5/.98, 3.9
.99, 4.6/.995, 5.3/.998, 6.2/.999, 7./.9998, 8 .
Norm Function Rn2, C25

0, –5./.00003, –4./.00135, –3./.00621, –2.5/.02275, –2.
.06681, –1.5/.11507, –1.2/.15866,–1./.21186, –.8/.2725, –.6
.34458, –.4/. 42074, –.2/.5, 0/.57296, .2/.65542, .4
.72575, .6/.78814, .8/.84134, 1./.88493, 1.2/.93319, 1.5
.97725, 2./.99379, 2.5/.99865, 3./.99997, 4./1., 5 .
Пуассонівський потік імітується в GPSS за допомогою блоку Generate як

потік з експоненційним розподілом інтервалів часу між подіями. Наприклад, блок
Generate 150, Fn$Expon забезпечує імітацію пуассонівського потоку подій з
1/b=150.
Значення нормально розподіленої випадкової величини із середнімзначенням
m та середньоквадратичним відхиленням σ одержують на основі співвідношення
X= Xн+m, де Xн – значення нормованої випадкової величини з рівномірним
59
розподілом, що може бути отримане звертанням до функції Norm. Для обчислення
цього співвідношення може бути використана, наприклад, дійсна змінна
Gauss Fvariable 30+4#Fn$Norm ,
що забезпечує одержання нормально розподіленої випадкової величини з

параметрами m=30, σ=4.
Об’єкти GPSS для імітації роботи каналів СМО. Обслуговуючі канали
СМО описуються в моделі блоками Seize (зайняти), Release (звільнити), Advance
(затримати), що реалізують наступні властивості: пристрій (канал) у будь-який
момент часу може обслуговувати тільки один транзакт; при надходженні транзакта
до пристрою здійснюється його затримка на час, що відповідає часу
обслуговування заявки у каналі СМО.
Блок Seize забезпечує: заборону транзакта на вхід до блоку, якщо пристрій у
даний момент часу зайнятий обслуговуванням; дозвіл транзакта війти до вільного
пристрою. Блоки Seize і Release мають один операнд A (символьне або числове ім’я
пристрою). Правила застосування імен пристроїв такі ж як і для функцій.
Вхід транзакта у блок Release імітує звільнення пристрою. Імітація полягає у
зміні його стану «зайнятий» на «вільний». Для реалізації затримки транзактів на
час їхнього обслуговування використовується блок Advance, що має операнди A і
B, аналогічні відповідним операндам блоку Generate.
Приклад імітації роботи пристрою, що має ім’я Кanal, може бути
представлений у такому вигляді
Seize Кanal
Advance 10, 4
Release Кanal.
Кожен пристрій має чотири СЧА, які зберігають статистичні дані про
використання пристрою: Fj (F$ім’я) – стан j-го пристрою: Fj=1, якщо пристрій
зайнятий, і Fj=0, якщо пристрій вільний; Frj (Fr$ім’я) – коефіцієнт використання;
Fcj (Fc$ім’я) – загальна кількість входів; Ftj (Ft$ім’я) – середній час використання
пристрою одним транзактом.
Організація збирання статистичної інформації щодо черг. Збирання й
обробку статистичних даних щодо черг транзактів в моделі виконують реєстратори
черг – блоки Queue (зайняти чергу) і Depart (звільнити чергу), кожен з яких має два
операнди: A – ім’я (номер) черги; B – число, на яке змінюється довжина черги при
60
вході до неї або при виході з неї транзакта. За відсутності числа у полі B значення
його параметра приймається рівним одиниці. Правила застосування імен черг такі
ж як і для пристроїв.
Збирання статистичної інформації щодо черги Ocher пристрою Kanal можна
здійснити у такий спосіб
Queue Ocher
Seize Kanal
Depart Ocher
Advance A, B
Release Kanal.
Кожна черга j має сім стандартних числових атрибутів: Qj (Q$ім’я) – поточна

довжина черги; Qmj (Qm$ім’я) – максимальна довжина черги; Qaj (Qa$ім’я) –
середня довжина черги; Qcj (Qc$ім’я) – загальна кількість входів до черги; Qzj
(Qz$ім’я) – кількість нульових входів до черги; Qtj (Qt$ім’я) – середній час
затримки у черзі з урахуванням усіх входжень; Qxj (Qx$ім’я) – середній час
затримки у черзі без обліку нульових входжень.
Використання команд керування для зміни параметрів GPSS-моделі та її
дослідження у стаціонарному режимі. Після початку моделювання потрібен
деякий час для досягнення стаціонарного режиму (для одержання незміщених
оцінок параметрів моделі). Для поліпшення оцінок параметрів статистику, що
отримана на початковому етапі моделювання, слід стерти з пам’яті комп’ютера. З
цією метою використовується команда керування Reset, що викликає знищення
відносного умовного часу всіх накопичених статистик, зберігаючи поточні
значення стану пристроїв, черг, комірок і датчиків псевдовипадкових чисел. Після
знищення статистики моделювання відновлюється за допомогою наступної
команди Start. Для встановлення нульового відносного й абсолютного часу моделі,
видалення з моделі всіх транзактів та статистик, приведення до початкового
значення всіх станів всіх об’єктів використовують команду Clear.
7.3 Постановки задач
Задача 1. Сформувати послідовність, що складається з 1000

псевдовипадкових чисел із заданим законом розподілу. Дані про вид та параметри
закону розподілу взяти зі стовпця «Вхідний потік» табл. 7.1. Закони розподілу
позначені: Р – рівномірний; Н – нормальний; Е – експоненційний.
61
Визначити статистичні числові характеристики послідовності.
Номер
Вхідний Час p
Варіант t* параметра
потік обслуговування
табулювання
1 Е: 10 Р: 3÷9 10 0.14 3
2 Н: 7; 2 Е: 6 7 0.1 1
3 Р: 3÷5 Е: 5 10 0.2 2
4 Р: 3÷10 Е: 10 24 0.13 3
5 Р: 4÷5 Н: 5;1 10 0.14 4
6 Р: 4÷9 Н: 9; 2 16 0.1 1
7 Е: 7 Р: 2÷7 9 0.2 2
8 Р: 4÷6 Е: 6 12 0.23 3
9 Е: 9 Р: 5÷10 10 0.14 4
10 Н: 13; 3 Е: 11 16 0.1 1
11 Р: 5÷8 Н: 8;2 10 0.12 2
12 Р: 2÷4 Е: 4 6 0.3 1
13 Е: 8 Р: 4÷12 10 0.14 2
14 Р: 3÷7 Е: 7 7 0.21 3
15 Н: 10; 2 Е:10 10 0.12 4
16 Р: 4÷7 Н: 7; 2 6 0.1 1
17 Е: 5 Р: 2÷5 8 0.2 2
18 Р: 4÷6 Е: 6 7 0.13 3
19 Е: 9 Р: 4÷9 10 0.14 4
20 Н: 7; 2 Е: 6 7 0.21 3
21 Р: 5÷8 Н: 9;2 10 0.12 2
22 Р: 2÷4 Е: 4 6 0.3 1
23 Е: 8 Р: 4÷8 10 0.14 2
24 Р: 3÷7 Е: 7 7 0.21 3
25 Н: 10; 2 Е:10 10 0.12 4
26 Н: 5; 1 Р: 4÷5 9 0.13 3
27 Н: 12; 3 Р: 6÷11 24 0.14 2
28 Е: 4 Р: 3÷4 9 0.11 1
29 Р: 4÷6 Е: 6 12 0.12 2
30 Н: 9; 2 Р: 5÷9 10 0.3 3
62
Задача 2. Змоделювати процес функціонування одноканальної СМО без
відмов в обслуговуванні, що складається: з джерела Д, що генерує потік заявок на
обслуговування; черги, в якій заявки можуть очікувати обслуговування; каналу К,
що обслуговує заявки. Обслуговування заявок відбувається згідно з порядком
їхнього надходження. Відомі види і параметри законів розподілу інтервалів часу
між заявками вхідного потоку та часу обслуговування. Із ймовірністю р виникає
потреба у повторному обслуговуванні.
Для заданого інтервалу моделювання [0, t* ] визначити кількість обслужених
заявок n й незміщені оцінки характеристик системи (час очікування заявки у черзі,
час перебування заявки у системі, максимальну довжину черги заявок, інші
характеристики у відповідності до варіанту завдання).
Варіанти завдань наведені у табл. 7.1. Інтервали надходження заявок, час
обслуговування задані у хвилинах, час моделювання – у годинах. Номери
параметрів, що табулюються:
1 – довжина черги заявок;
2 – час очікування заявки у черзі;
3 – час обслуговування;
4 – час перебування заявки у системі.
Ознайомитися з допомогою викладача з особливостями та режимами роботи

комп’ютерних засобів і пакету програм моделювання GPSS W.
Отримати у викладача варіант завдання, що включає генерацію послідовності
псевдовипадкових чисел із наперед заданим законом розподілу та моделювання
стаціонарного режиму роботи одноканальної СМО.
Запустити рекомендований пакет моделювання GPSS W.
Написати, налагодити та виконати програми генерації послідовності
псевдовипадкових чисел та моделювання роботи СМО, провести збирання й аналіз
статистичних даних.
Оформити файли-звіти за результатами розв’язання задач практичного
заняття та захистити його.
Звіт за результатами розв’язання завдань практичного заняття повинен
63
містити: титульний аркуш, умови задач, тексти програм, результати моделювання.
1. Яким чином імітуються мовою GPSS процеси створення та знищення

транзактів?
2. Назвіть значення операндів оператора Generate.
3. Як здійснюється мовою GPSS імітація дискретних та безперервних
випадкових величини?
4. Пояснити призначення операндів A, B, C, D у рядку опису таблиці.
5. Яке призначення мають СЧА?
6. Наведіть приклади СЧА для каналів і черг.
7. Перерахувати об’єкти GPSS, що використовуються для імітації каналів
СМО.
8. Яким чином організується збирання статистичної інформації щодо черг
СМО?
9. Пояснити функції операторів GPSS-програми для генерації
послідовностей псевдовипадкових чисел (рис 7.1).
10. Пояснити функції операторів GPSS-програми для моделювання
одноканальної СМО (рис. 7.3).
11. Які дані входять до складу стандартної статистики щодо каналів і черг?
12. Яким чином засобами мови GPSS організується дослідження моделі у
стаціонарному режимі?
7.7 Приклади завдань із розв’язаннями
Задача 1. Сформувати послідовності, кожна з яких складається з 1000

псевдовипадкових чисел, що розподілені: за рівномірним законом у діапазоні від
50 до 150 одиниць часу; за нормальним законом із математичним сподіванням
m=30 та середньоквадратичним відхиленням  =4; за експоненційним законом з
математичним сподіванням m=50.
Визначити статистичні числові характеристики послідовностей.
Розв’язання задачі 1. Текст програми для генерації і статистичного аналізу
послідовностей наведений на рис. 7.1.
Вихідні данні за результатами розв’язання задачі заносяться до файлів звітів
та містять інформацію щодо значення: часу початку (START_TIME) і закінчення
(END_TIME) моделювання; кількості блоків моделі (BLOCKS), пристроїв
(FACILITIES), та багатоканальних пристроїв чи пам’ятей (STORAGES); вільної
64
пам’яті (FREE_MEMORY); імені або номера таблиці (TABLE); середнього значення
(MEAN) та стандартного відхилення (STD.DEV) послідовностей; границь інтервалів
(RETRY RANGE ); кількості спостережень (частоти попадань), що потрапили до
кожного з інтервалів (FREQUENCY) та накопичені значення частот в процентах
(CUM.%).
Результати виконання програми наведені на рис. 7.2. Таблиця Raspr містить
статистичні дані щодо одержаної послідовності псевдовипадкових чисел, що
розподілені за рівномірним законом у діапазоні 100  50.
Raspr Table Fn$Ravnm 50,10,12

Raspn Table V$Gauss 0,5,10
Raspe Table V$Puass 0,30,10
Gauss Fvariable 30+4#Fn$Norma
Puass Fvariable 50#Fn$Expon
Ravnm Function Rn1,C2
0,50/1,150
Norma Function Rn1 C25
0,-5/.00003,-4/.00135,-3/.00621,-2.5/.02275,-2
.06681,-1.5/.11507,-1.2/.15866,-1/.21186,-.8/.2725,-.6
.34458,-.4/.42074,-.2/.5,0/.57296,.2/.65542,.4
.72575,.6/.78814,.8/.84134,1/.88493,1.2/.93319,1.5
.97725,2/.99379,2.5/.99865,3/.99997,4/1,5
Expon Function Rn1 C24
0,0/.1,.104/.2,.222/.3,.355/.4,.509/.5,.69/.6,.915
.7,1.2/.75,1.38/.8,1.6/.84,1.83/.88,2.12/.9,2.3/.92,2.52
.94,2.81/.95,2.99/.96,3.2/.97,3.5/.98,3.9/.99,4.6
.995,5.3/.998,6.2/.999,7/1,8
Generate 1
Tabulate Raspr 1
Tabulate Raspn 1
Tabulate Raspe 1
Terminate 1
Start 1000
Рисунок 7.1 – Текст програми для генерації й аналізу послідовностей
Таблиця Raspr містить статистичні дані щодо одержаної послідовності

псевдовипадкових чисел, що розподілені за рівномірним законом у діапазоні від 50
до 150:
– середнє значення (MEAN) – 101.7;
– стандартне відхилення (STD.DEV) – 28.64;
65
– частоти попадань до інтервалів (FREQUENCY): від 50 до 60 – 95; від 60 до
70 – 90; від 70 до 80 – 103 і т.д.;
– накопичені значення частот в процентах (CUM.%): – 9.50; 18.50; 28.80 і т.д.
Таблиця Raspn містить статистичні дані щодо одержаної послідовності
псевдовипадкових чисел, що розподілені за нормальним законом з математичним
сподіванням m=30 та середньоквадратичним відхиленням  =4:
– частоти попадань до інтервалів (FREQUENCY): від 15 до 20 –14; від 20 до
25 –153; від 25 до 30 - 432 і т.д.;
– накопичені значення частот в процентах (CUM.%): – 1.40; 17.70; 60.90 і т.д.
START_TIME END_TIME BLOCKS FACILITIES STORAGES FREE_MEMORY

0 1000 5 0 0 107376
TABLE MEAN STD.DEV. RETRY RANGE FREQUENCY CUM.%
Raspr 101.70 28.64 0
50 - 60 95 9.50
60 - 70 90 18.50
70 - 80 103 28.80
80 - 90 84 37.20
90 - 100 104 47.60
100 - 110 109 58.50
110 - 120 103 68.80
120 - 130 103 79.10
130 - 140 108 89.90
140 - 150 101 100.00
Raspn 29.41 4.25 0
15 - 20 14 1.40
20 - 25 163 17.70
25 - 30 432 60.90
30 - 35 312 92.10
35 - 40 75 99.60
40 - 4 100.00
Raspe 48.13 48.45 0
0- 30 461 47.80
30 - 60 241 71.90
60 - 90 116 83.50
90 - 120 72 90.70
120 - 150 51 95.80
150 - 180 22 98.00
180 - 210 7 98.70
210 - 240 4 99.10
240 - 9 100.00
Рисунок 7.2 – Результати виконання програми генерації й аналізу

послідовностей
Таблиця Raspе містить статистичні дані щодо одержаної послідовності

псевдовипадкових чисел, що розподілені за експоненційним законом з
66
математичним сподіванням m=50:
60 – 241; від 60 до 90 – 116 і т.д.;
– накопичені значення частот в процентах (CUM.%): – 47.80; 71.90; 83.50 і
т.д.
Задача 2. Змоделювати 24 години роботи одноканальної СМО без відмов в
обслуговуванні, що складається з: джерела, що надсилає заявки, інтервали між
якими розподілені за нормальним законом із параметрами m=50 хвилин та  =5;
черги на обслуговування; каналу, що обслуговує заявки за 40  5 хвилини.
Обслуговування заявок відбувається у порядку їхнього надходження. З імовірністю
р=0.1 виникає потреба у повторному обслуговуванні. Необхідно визначити
кількість обслужених заявок й незміщені оцінки характеристик системи: час
очікування заявки у черзі, час перебування заявки у системі, максимальну довжину
черги заявок. Побудувати статистичну таблицю для табуляції часу перебування
заявок у системі.
Розв’язання задачі 2. Текст програми наведений на рис. 7.3.
Tpreb Table M1 0,95,5

Gauss Fvariable 50+5#Fn$Norma
Norma Function Rn1,C25
0,-5/.00003,-4/.00135,-3/.00621,-2.5/.02275,-2
.06681,-1.5/.11507,-1.2/.15866,-1/.21186,-.8/.2725,-.6
.34458,-.4/.42074,-.2/.5,0/.57296,.2/.65542,.4
.72575,.6/.78814,.8/.84134,1/.88493,1.2/.93319,1.5
.97725,2/.99379,2.5/.99865,3/.99997,4/1,5
Generate V$Gauss
Povt Queue Och
Seize Kan
Depart Och
Advance 45,5
Release Kan
Transfer .1,,Povt
Tabulate Tpreb,1
Terminate
Generate 1440
Terminate 1
Start 1,NP
Reset
Start 1
67
Рисунок 7.3 – Текст програми моделювання
Вихідні данні за результатами розв’язання задачі містять інформацію щодо

значення: часу початку (START_TIME) і закінчення (END_TIME) моделювання;
кількості блоків моделі (BLOCKS), пристроїв (FACILITIES) та багатоканальних
пристроїв чи пам’ятей (STORAGES); вільної пам’яті (FREE_MEMORY); імені
(номера) пристрою (FACILITY); кількості входів (ENTRIES); коефіцієнту
використання (UTIL); середнього часу використання пристрою (AVE._TIME); імені
черги (QUEUE); максимальної довжини черги (MAX); середньої довжини черги
(CONT); кількості входів (ENTRIES); кількості входів без затримки (ENTRIES(0));
середнього часу очікування в черзі (AVE.TIME); середнього часу очікування в черзі
без врахування нульових входів (AVE.(-0)); імені таблиці (TABLE); середнього
значення (MEAN) та стандартного відхилення (STD.DEV) послідовностей; границь
інтервалів (RETRY RANGE ); кількості спостережень (частота попадань), що
попали до кожного з інтервалів (FREQUENCY); та накопичені значення частот в
процентах (CUM.%).
Результати виконання програми наведені на рис. 7.4.
FACILITY ENTRIES UTIL. AVE. TIME AVAIL. OWNER PEND INTER RETRY DELAY
KAN 31 0.935 43.448 1 58 0 0 0 1
QUEUE MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY

OCH 1 1 31 14 0.249 11.550 21.062 0
TABLE MEAN STD.DEV. RANGE RETRY FREQUENCY CUM.%

TPREB 60.157 17.392 0
_ - 50.000 12 42.86
50.000 - 55.000 1 46.43
55.000 - 60.000 4 60.71
60.000 - 65.000 1 64.29
65.000 - 70.000 2 71.43
70.000 - 75.000 0 71.43
75.000 - 80.000 3 82.14
80.000 - 85.000 1 85.71
85.000 - 90.000 3 96.43
90.000 - 95.000 1 100.00
Рисунок 7.4 – Результати розв’язання задачі 2
68
Одержані за результатами подвійного (по 24 години зі збереженням стану й
обновленням статистики) моделювання оцінки характеристик системи:
– кількість заявок, що були обслужені системою – 28 (кількість надходжень
до каналу Kan – 35; кількість надходжень до черги Och –36);
– середній час очікування заявки у черзі Och (хвилин) – 12.72 (середній час
очікування в черзі Och без врахування нульових входів – 21.81);
– час перебування заявки у системі (хвилин): – 60.57;
– максимальна довжина черги заявок (MAX) – 2.
Таблиця Tpreb містить статистичні дані щодо чаcу перебування заявок у
системі:
– середнє значення MEAN (хвилин) – 60.57;
– стандартне відхилення STD.DEV – 18.42;
60 – 4; від 60 до 65 – 1 і т.д.;
– накопичені значення частот у процентах (CUM.%): – 39.29; 53.57; 57.14.
8 МОДЕЛЮВАННЯ СИСТЕМ МАСОВОГО ОБСЛУГОВУВАННЯ
Вивчення функціональних можливостей пакетів програм моделювання

дискретних систем для розв’язання задач аналізу ймовірнісно-часових
характеристик СМО. Придбання навичок опису об’єктів та проведення машинних
експериментів із використанням пакета програм, побудованого на основі мови
імітаційного моделювання GPSS.
Під час підготовки до заняття необхідно: повторити питання, пов’язані з

формалізацією досліджуваних об’єктів у вигляді Q-схем; вивчити основні
оператори мови моделювання GPSS, функціональні можливості, команди і
технологію роботи з використовуваним пакетом моделювання дискретних систем
GPSS World; з’ясувати суть запропонованої в роботі базової моделі, поданої у
вигляді програми мовою GPSS.
З цією метою може бути використаний лекційний матеріал з відповідних тем,
матеріал, викладений у рекомендованій літературі [3, с. 114–135; 8, с. 157–165; 11–
69
14], а також матеріал цих методичних вказівок.
8.2.1 Опис задачі
Об’єктом дослідження є дільниця складального виробництва, на яку кожні

   0   1 хв. надходять партії з двох деталей. Перед складанням деталі проходять
паралельну обробку, що включає дві операції. Тривалість першої операції складає
a  a0  a1 хв. та b  b0  b1 хв., другої – d  d0  d1 хв. та e  e0  e1 хв. відповідно
для кожної деталі. Під час виконання кожної з операцій обробки з імовірностями
pa , pb , pd та pe можливе виникнення браку, що призводить до повторної обробки
деталі.
Після виконання першої операції проводиться спільна перевірка якості обох
деталей, яка триває c = 5 хв. Складання вузла може бути виконано тільки при
одночасній наявності хоча б по одній деталі кожного виду і займає f  f0  f1 хв.
Перед операціями можливим є виникнення черг.
Змоделювати роботу дільниці протягом t* годин. Визначити ймовірнісно-
часові характеристики каналів, черг та дільниці в цілому. Запропонувати варіант
зміни часу виконання операцій каналами системи Ka , Kb , Kd або Ke, який дає
зменшення черг та підвищує завантаження обладнання.
Надходження партій деталей імітується джерелом Д. Перша операція
обробки деталей виконується відповідно каналами K a та K b , черги перед якими
подаються у вигляді накопичувачів H a та H b . Клапани 1 і 2 служать для
синхронізації надходження деталей на контроль, виконання якого імітується
каналом K c .
Друга операція виконується каналами K d и K e , деталі на які надходять з
накопичувачів H d та. H e Складальна фаза імітується накопичувачем H f та
каналом K f . Причому місце в накопичувачі може зайняти тільки повний комплект
деталей, що регулюється клапанами 3 та 4.
8.2.2 Текст програми моделювання
Generate 21,6 – надходження партій деталей.

Split 1,Och2 – розподіл партій на деталі.
* Імітація першої операції обробки для деталі типу 1
Och1 Queue OchA,1 – надходження деталі в чергу A.
Seize KanA – початок операції.
Depart OchA,1 – вихід деталі з черги A.
70
Advance 11,6 – виконання операції.
Release KanA – закінчення операції.
Transfer .16,Kontr,Och1 – виявлення браку.
* Імітація першої операції для деталі типу 2
Och2 Queue OchB,1 – надходження деталі в чергу B.
Seize KanB – початок операції.
Depart OchB,1 – вихід деталі з черги B.
Release KanB – закінчення операції.
Transfer .2,Kontr,Och2 – виявлення браку.
* Імітація спільного контролю деталей
Kontr Assemble 2 – формування партії деталей.
Seize KanC – початок операції.
Advance 2 – виконання операції.
Release KanC – закінчення операції.
Split 1,Och4 – розподіл партії на деталі.
* Імітація другої операції для деталі типу 1
Och3 Queue OchD,1 – надходження деталі в чергу D.
Seize KanD – початок операції.
Depart OchD,1 – вихід деталі з черги D.
Release KanD – закінчення операції.
Transfer .21,Och5,Och3 – виявлення браку.
* Імітація другої операції для деталі типу 2
Och4 Queue OchE,1 – надходження деталі в чергу E.
Seize KanE – початок операції.
Depart OchE,1 – вихід деталі з черги E.
Release KanE – закінчення операції.
Transfer .21,,Och4 – виявлення браку.
* Імітація процесу складання
Och5 Assemble 2 – формування партії деталей.
Queue OchF,1 – надходження деталі в чергу F.
Seize KanF – початок операції.
Depart OchF,1 – вихід деталі з черги F.
Release KanF – закінчення операції.
* Задання інтервалу моделювання
71
Terminate
Generate 480
Terminate 1
Start 1
Наведений варіант програми дає змогу отримати стандартну статистику за 8

годин роботи складальної дільниці.

IBM PC. Аналіз ймовірнісно-часових характеристик здійснюється за допомогою
рекомендованого пакету моделювання дискретних систем, побудованого на основі
мови імітаційного моделювання GPSS W.
8.4 Порядок виконання роботи
Ознайомитися з допомогою викладача з особливостями та режимами роботи

застосовуваних комп'ютерних засобів та пакету програм моделювання.
Отримати у викладача варіант завдання (табл. 8.1) та додаткові дані.
Визначити в середовищі рекомендованого пакета програм моделювання
ймовірнісно-часові характеристики окремих каналів, черг та системи в цілому
(стандартну статистику).
Запропонувати варіант зміни параметрів для пристроїв обробки деталей, що
зменшують черги та простої пристроїв. Провести експериментальний аналіз
характеристик запропонованого варіанта.
Провести аналіз отриманих результатів, зробити висновки, оформити та
здати звіт про виконану роботу.
Звіт має містити:

– постановку та вихідні дані задачі;
– Q-схему досліджуваного об’єкта;
– текст програми;
– результати експериментів;
72
– аналіз отриманих результатів та висновки по роботі.
Варі-
 a b d e pa pb pd pe t*
ант
1 19  4 12  7 14  6 10  4 12  8 0,15 0,19 0,20 0,10 10
2 21  9 17  9 13  7 15  6 18  5 0,14 0,13 0,17 0,14 20
3 10  6 9  7 7  5 6  4 7  6 0,18 0,11 0,08 0,11 16
4 22  8 16  6 17  8 18  7 14  5 0,07 0,09 0,08 0,32 16
5 11  4 9  4 9  6 6  5 8  6 0,11 0,16 0,18 0,15 11
6 21  6 12  5 12  7 15  8 14  5 0,10 0,15 0,09 0,10 10
7 11  3 63 74 64 43 0,15 0,08 0,08 0,15 8
8 85 63 72 63 53 0,12 0,06 0,09 0,12 9
9 14  7 96 65 85 96 0,18 0,31 0,30 0,27 16
10 19  9 15  7 16  4 12  4 15  5 0,05 0,09 0,14 0,10 9
11 22  5 15  8 18  9 12  5 14  6 0,13 0,09 0,21 0,17 24
12 97 75 64 76 84 0,11 0,09 0,12 0,08 15
13 29  5 15  6 17  7 18  9 19  8 0,32 0,35 0,29 0,32 48
14 11  4 94 96 65 86 0,11 0,16 0,18 0,15 11
15 10  7 63 97 74 83 0,25 0,13 0,14 0,11 10
16 1 6 12  5 12  7 15  8 14  5 0,10 0,15 0,09 0,10 10
17 11  3 6 3 7 4 6 4 4 3 0,15 0,08 0,08 0,15 8
18 8 5 6 3 7 2 6 3 5 3 0,12 0,06 0,09 0,12 9
19 14  7 9 6 6 5 8 5 9 6 0,18 0,31 0,30 0,27 16
20 19  9 15  7 16  4 12  4 15  5 0,05 0,09 0,14 0,10 9
21 19  5 16  3 17  7 16  8 15  6 0,14 0,09 0,09 0,10 9
22 29  7 25  6 17  7 21  8 20  8 0,22 0,25 0,25 0,27 48
23 21  6 14  7 19  7 16  8 18  6 0,21 0,16 0,12 0,15 14
24 25  5 21  7 14  6 16  3 17  7 0,16 0,25 0,21 0,15 18
25 10  5 8  6 7  5 8  4 6  4 0,10 0,11 0,09 0,08 12
26 96 53 6  3 7  4 5  4 0,25 0,21 0,15 0,13 8
27 16  3 13  7 10  5 10  7 6  4 0,15 0,01 0,13 0,15 12
28 14  3 7  3 8  5 9  4 10  3 0,25 0,16 0,14 0,09 12
29 95 5  3 7  3 8  5 7  5 0,32 0,13 0,09 0,12 16
30 17  6 11  6 9  5 10  7 9  6 0,18 0,31 0,30 0,35 18
73
1. Якими параметрами задається Q-схема?

2. Назвіть основні класи мов програмування, що застосовуються для
моделювання систем. Дайте їх стислу характеристику.
3. Дайте визначення пакета програм моделювання систем. Опишіть типовий
склад його програмних засобів.
4. Опишіть технологію редагування текстів програм у середовищі
використовуваного пакета програм моделювання.
5. Опишіть можливості відображення процесу і результатів моделювання в
середовищі використовуваного пакету.
6. Які інтерактивні можливості забезпечує використовуваний пакет?
7. Опишіть оператори мови GPSS, що використовуються для генерації і
знищення транзактів.
8. Які оператори GPSS служать для зміни параметрів транзактів?
9. Опишіть режими роботи та параметри оператора TRANSFER.
10. Які оператори імітують зайняття і звільнення пристроїв?
11. Як мовою GPSS описується процес обслуговування заявки?
12. Яким чином описується в GPSS функціонування багатоканальних СМО?
74
ПЕРЕЛІК ПОСИЛАНЬ
1. Методичні вказівки щодо структури, змісту та оформлення навчально-

методичної літератури / Упоряд.: П. С. Ковтун, І. О. Мілютченко,
Б. П. Косіковська. – Харків: ХНУРЕ, 2002. – 60 с.
2. Методичні рекомендації щодо організації, структури та змісту навчальних
занять / Упоряд.: Н. С. Лєсна, В. В. Логвин, І. О. Милютченко  Харків: ХНУРЕ,
2009.  40 с.
3. Конспект лекцій з дисципліни «Моделювання систем» для студентів
спеціальності 122 – Комп'ютерні науки / Упоряд. В. В. Безкоровайний. Харків:
ХНУРЕ, 2019. – 174 c.
4. CALS-технології і системи: навч. посібник / Л. І. Нефьодов,
І. Ш. Невлюдов, В. В. Безкоровайний. – Харків: ХНУРЕ, 2021. – 272 с.
5. Охріменко М. Г., Фартушний І. Д., Кулик А. Б. Некоректно поставлені
задачі та методи їх розв’язування: Підручник. – К.: «Політехніка», 2016. – 225 с.
6. Моделювання та оптимізація систем / Дубовой В. М., Квєтний Р.Н.,
Михальов О.І., Усов А.В. – Вінниця: ПП «ТД »Едельвейс», 2017. – 804 с. URL:
https://nmetau.edu.ua/ua/mdiv/i2001/p2455 (дата звернення: 12.08.2022 р.).
7. Комп’ютерне моделювання процесів та систем. Чисельні методи:
підручник / С. П. Вислоух, О. В. Волошко, Г. С. Тимчик, М. В. Філіппова. – Київ:
КПІ ім. Ігоря Сікорського, Вид-во «Політехніка», 2021. – 228 с.
8. Гамаюн І. П., Чередніченко О. Ю. Моделювання систем: навчальний
посібник для студентів спеціальностей 6.050103 «Програмна інженерія», 6.050101
«Комп’ютерні науки».– Харків: Факт, 2015. – 228 с.
9. Моделювання та оптимізація об'єктів та систем управління [Електронний
ресурс]: навч. посіб. / Уклад.: Д. М. Складанний, Ю. А. Запорожець, С. Л. Мердух,
С. В. Плашихін. – Київ: КПІ ім. Ігоря Сікорського, 2021. – 99 с. URL:
https://ela.kpi.ua/bitstream/123456789/45849/1/MOOSU.pdf (дата звернення:
12.08.2022 р.).
10. Овезгельдиєв А.О., Петров Е.Г., Петров К.Е. Синтез та ідентифікація
моделей багатофакторного оцінювання та оптимізації. – К.: Наук. думка, 2002. –
164 c.
11. Моделювання систем в середовищі GPSS World: навч. посіб. /
Я. І. Соколовський, Ю. В. Шабатура, Я. І. Виклюк [та ін.] ; за ред. В. В. Пасічника.
– Львів: «Новий Світ – 2000», 2020. – 288 с.
12. Кузьменко В.М. Спеціальні мови програмування. Програмні та
інструментальні засоби моделювання складних систем: навч. посібник. – Харків:
ХТУРЕ, 2000. – 324 с.
75
13. Імітаційне моделювання в системі GPSS World URL:
https://stud.com.ua/145145/informatika/imitatsiyne_modelyuvannya_sistemi_gpss_worl
d (дата звернення: 12.08.2022 р.).
14. Томашевський В. М., Нехай В. В. Засоби імітаційного моделювання для
навчання, які ґрунтуються на мові GPSS // Технічні науки та технології 2015.
№2 (2). С. 101–105.
76
Додаток А
Опис пакета імітаційного

моделювання GPSS World
Пакет програм – GPSS World (GPSS W, General Purpose System Simulation

World) фірми Minuteman Software – універсальне середовище моделювання
дискретних і безперервних процесів, призначене для професійного імітаційного
моделювання різнорідних об'єктів. Він містить графічні оболонки для створення
моделей та інтерпретації результатів моделювання, мультимедійні засоби і відео,
об’єктно-орієнтоване програмування й ін. В основу системи покладена мова
імітаційного моделювання GPSS.
У GPSS W, у порівнянні з попередньою версією, з'явилися нові можливості:
– по всіх класах об'єктів і змінних реалізовані динамічні графічні вікна, в яких
надається в реальному часі проміжна і вихідна статистика;
– гнучка процедурна мова PLUS може бути використана для побудови
моделей і в процедурах проведення експерименту;
– уведені засоби підтримки факторного аналізу, традиційного дисперсійного
(ANOVA) і регресійного аналізу, оптимізація на основі методології планування
експерименту;
– елементи безперервного моделювання стали доступними;
– вирішені проблеми з цілочисельним модельним часом.
Система має великий набір команд для керування процесом моделювання, які
можна використовувати в інтерактивному режимі або включати в модель.
Забезпечено можливість проведення експериментів, згенерованих системою,
користувальницьких і оптимізаційних. У системі GPSSW реалізована процедура
візуалізації процесу функціонування моделі з використанням методів
мультиплікації. Вона включає новий високошвидкісний транслятор, що працює в
сотні разів швидше за його попередників. Для швидкого виправлення помилок
використовується повноекранний текстовий редактор.
У цій системі немає необхідності нумерувати рядки програми (за наявності
нумерації нумерація ігнорується). Система має вікна, що спрощують перегляд і
аналіз об'єктів моделі. Є бібліотека розподілів імовірностей, бібліотека процедур,
що забезпечує маніпуляції з рядковими даними, дозволяє виконувати розрахунки і
широко використовувати розподіли ймовірності.
77
Структура і запуск GPSS World1 . У процесі інсталяції система GPSS W за
замовчанням встановлюється в каталог C:\Program Files\Minuteman Software\GPSS
World Student Version.
Для системи GPSS W потрібно: IBM-сумісний комп'ютер з ОС Windows 95або
вище; не менш 32 Мбайт оперативної, 10 Мбайт пам'яті на жорсткому диску.
Після запуску відкривається головне вікно, у рядку заголовка якого
вказується назва вікна – GPSS World, у другому рядку – пункти головного меню, у
третьому – стандартна панель інструментів. Нижній рядок головного вікна – рядок
стану системи, у якому наводиться короткий опис виділеної команди.
Система GPSSW має ієрархічну систему меню, що складається з головного
меню системи та спадних і спливаючих меню (підміню).
Головне меню GPSSW. Головне меню забезпечує доступ до всіх засобів
системи GPSSW: File, Edit, Search, View, Command, Window, Help.
Меню File. Пункт File (Файл) головного меню служить для роботи з файлами
документів: файли імітаційних моделей записуються з вікна Model (Модель) і
зберігаються з розширенням .gps; текстові – з вікна Text File (Текстовий файл) з
розширенням .txt; результати моделювання – з вікна REPORT (Звіт) з розширенням
.gpr; повідомлення, що з'являються в процесі моделювання – з вікна JOURNAL
(Журнал), з розширенням .sim.
Спадне меню пункту File містить стандартний набір пунктів: New
(Створити); Open... (Відкрити); Close (Закрити); Save (Зберегти); Save As...
(Зберегти як); Print... (Друк); Internet; Recent File (Останній файл); Exit (Вийти).
Використовуючи пункт New ідіалогове вікно Новий документ, можна
створити файл для моделювання (пункт Model) з розширенням .gps або текстовий
файл (пункт Text File) з розширенням .txt.
У системі передбачений стандартний звіт за результатами моделювання.
Щоб одержати стандартний звіт за наявності в моделі керуючого оператора START,
необхідно вибрати пункт Command (Команда) головного меню і далі пункт Create
Simulation (Створити виконувану модель). По закінченні моделювання з'явиться
вікно JOURNAL, а потім звіт REPORTз результатами моделювання (рис. А.1).
У стандартний звіт включаються такі основні показники:
– час моделювання системи – END TIME;
– кількість обслужених вимог у каналі – ENTRIES;
– коефіцієнт використання каналу – UTIL;
– середній час обслуговування вимоги в каналі – AVE. TIME;
Розглядається студентська версія системи GPSSW, яку можна безкоштовно отримати з сайту
1
фірми MinutemanSoftware (www. minutemansoftware/download).

78
– максимальна довжина черги – МАХ;
– середня довжина черги – AVE.CONT;
– середній час перебування вимоги в черзі – AVE. TIME.
Рисунок А.1 – Вид вікна REPORT зі звітом про результати моделювання
Зв'язок з Internet. Пункт спадного меню Internet викликає спливаючі меню,

що містять пункти: Download Notices (Завантаження оголошень); GPSS Web
Page... (Web-сторінкаGPSS) викликає діалогове вікно з загальною інформацією від
фірми стосовно системи GPSS.
Меню Edit. Пункт Edit головного меню викликає спадне меню редагування,
яке включає типові функції: Undo; Cut; Сору;Paste; Insert Line; Delete Line; Font ...,
а також специфічні функції: Expression Window ... (Вікно виразу) – викликає
діалогове вікно редагування виразу; Plot Window ...(Вікно графіка) – викликає
діалогове вікно редагування графіка; Insert GPSS Blocks ... (Вставити блоки GPSS)
– викликає діалогове вікно, у якому можна вибрати для вставки в текст моделі
необхідний блок GPSS; Insert Experiment (Вставити експеримент) – викликає
спливаюче меню для вибору відповідного експерименту; Settings ... (Установки) –
викликає діалогове вікно SETTINGS для визначення установок системи.
79
Діалогове вікно SETTINGS містить п'ять вкладок для визначення установок:
Simulation (Моделювання); Reports (Звіти); Random Numbers (Випадкові числа);
Function Keys (Функціональні клавіші); Expressions (Вирази).
Вставка блоків GPSS у модель. У діалоговому вікні Insert GPSS Block into
Model Object (Вставити блок GPSS у модель) розташовані п'ятдесят триблоки.
Вибір блоку приводить до появи діалогового вікна із шаблоном Enter Block
Information (Інформація для введення в блок) для введення необхідної інформації
(рис. А.2).
Рисунок А.2 – Діалогове вікно Insert GPSS Block into Model Object
із шаблоном Enter Block Information блоку Generate
Меню Search. Вибір пункту Search (Пошук) головного меню відкриває

спадне меню, що містить пункти: Find / Replace (Знайти / Замінити); Go to Line ...
(Перейти до рядка); Next Bookmark (Наступна закладка); Mark (Встановити
мітку); UnMark (Видалити мітку); UnMark All (Видалити всі мітки); Select to
Bookmark (Виділити до відмітки); Next Error (Наступна помилка); Previous Error
(Попередня помилка).
80
Меню View. Вибір пункту View головного меню викликає спадне меню, що
містить пункти: Notices (Повідомлення) – викликає вікно Notices; Toolbar (Панель
інструментів) – встановлює або видаляє в головному вікні системи стандартну
панель інструментів; Entity Details (Детальне представлення елемента) – надає
докладний опис; Simulation Clock (Таймер моделювання).
Меню Command. Вибір пункту Command головного меню викликає спадне
меню команд:
– Create Simulation (Створити виконувану модель) дає команду на виклик
транслятора і виконання трансляції вихідної моделі;
– Retranslate (Перетранслювати) забезпечує перетранслювання моделі;
– Repeat Last Command (Повторити останню команду) забезпечує
повторення виконання останньої команди;
– CONDUCT (Керування) дає можливість проведення експерименту;
– START (Пуск) забезпечує запуск відтрансльованої програми на виконання
за допомогою діалогового вікна Start Command (Виконати команду);
– STEP1 (Крок 1) забезпечує покрокове виконання відтрасльованої програми;
– HALT (Останов) перериває процес моделювання;
– CONTINUE (Продовжити) викликає продовження процесу моделювання;
– CLEAR (Очистити) викликає перехід до стану початку моделювання;
– RESET (Скидання) викликає скидання статистики в початковий стан;
– SHOW... (Показати) викликає діалогове вікно Show Command(Показати
команду), що забезпечує можливість перегляду обумовлених параметрів у вікні
JOURNAL;
– Custom... (Користувач) викликає діалогове вікно Simulation Command
(Команда моделювання) для введення користувачем команд керування в процесі
Меню Window. Система GPSSW дозволяє ефективно працювати з декількома
моделями. Під кожну модель виділяється окреме вікно. Вибір пункту Window
(Вікно) головного меню викликає спадне меню керування роботою з декількома
вікнами: Cascade (Каскад); Tile (Мозаїка); Simulation Window (Вікно моделювання);
Simulation Snapshot (Знімок моделювання) – викликає спливаючим меню зі списком
вікон різних знімків моделювання і вікон, відкритих у поочний момент.
Вікно Simulation Window викликає спливаюче меню, що містить пункти:
Blocks Window (Вікно блоків); Expressions Window (Вікно виразів); Facilities Window
(Вікно каналів обслуговування); Logicswitches Window (Вікно логічних перемикачів);
Matrix Window... (Вікно матриці); Plot Window... (Вікно гістограми); Queues
Window (Вікно черг); Savevalues Window (Вікно величин, що зберігаються,);
Storages Window (Вікно накопичувачів); Table Window (Вікно таблиці);
81
Меню Help. Вибір пункту Help (Довідка) головного меню відкриває спадне
меню довідкової системи.
Панель інструментів GPSSW. Для ефективної роботи із середовищем
GPSSW зручно мати на екрані панель інструментів. Відкрити або закрити
стандартну панель інструментів (рис. А.1) можна за допомогою пункту Toolbar
(Панель інструментів) спадного меню View.
Вікно вихідної моделі. Вікно вихідної моделі призначено для ефективної
розробки, перевірки і налагодження програм. Це вікно викликається автоматично
при відкритті файлу з програмою мовою GPSS.
Програму, що знаходиться у вікні моделі, можна відтранслювати і одержати
шуканий результат. Для цього потрібно вибрати пункт Create Simulation... у пункті
Command головного меню. Якщо програма не містить помилок і в ній є керуюча
команда START, яку не супроводжують символи NP (Not Print – Не друкувати), то
результати моделювання з'являться у вікні REPORT.
Діагностичні повідомлення про помилки в програмі відображаються у вікні
JOURNAL з видачою номера рядка (Line) і позиції в рядку (Col), девиявлена
помилка. Щоб швидко вийти на рядок, де виявлена помилка, можна
використовувати пункт головного меню Search і далі Go to Line  Enter Line
Number (Уведіть номер рядка).
Система GPSSW забезпечує можливість копіювання і передачі тексту
програм усередині вікна, між вікнами, а також між вікнами і будь-яким додатком,
використовуючи буфер обміну даними.
У процесі роботи система GPSSW дозволяє використання багатьох вікон:
Model – повноекранного текстового редактора моделі; JOURNAL – журналу для
запису повідомлень; Blocks Window – динаміки переміщення вимог по блоках;
Expressions Window – значень виразів; Facilities Window – динаміки станів каналів
обслуговування; Logicswitches Window – динаміки логічних перемикачів; Matrix
Window – динаміки значень елементів матриці; Plot Window – графіків; Queues
Window – динаміки черги; Savevalues Window – динаміки зміни значень величин,
що зберігаються; Storages Window – динаміки зміни значень параметрів
накопичувача; Table – динаміки зміни значень таблиці; TransactionSnapshot - стану
транзакта; СЕСSnapshot – стану ланцюга поточних подій; FECSnapshot – стану
ланцюга майбутніх подій.
Перегляд значень обумовлених параметрів у динаміці. Для відображення
значень обумовлених параметрів у динаміці використовується вікно Expressions
Window, яке можна відкрити в процесі моделювання. (попередньо модель повинна
бути відтрансльована). Активізувати пункти спадного меню пункту
82
Windowголовного меню  Simulation Window Expressions Window. З'являться два
вікна: Edit Expression Window (Вікно редагування виразу) і EXPRESSIONS (Вирази).
Ввести у відповідні текстові поля вікна Edit Expression Window послідовно вирази,
які потрібно переглянути в динаміці, наприклад: коефіцієнт використання каналу
FR$KAN; максимальну довжину черги QM$OCH; середню довжину черги Q$OCH.
Для цього в полях Label (Мітка) і Expression (Вираз) необхідно послідовно
ввести потрібні вирази. Після введення назви і виразу активізувати кнопки View
(Перегляд) і Memorize (Запам'ятати) (рис. А. 3).
Рисунок А.3 – Приклад заповнення вікна Edit Expression Window
У вікні EXPRESSIONS будуть відображатися значення обраних параметрів,

що змінюються. У будь-який момент можна перервати процес моделювання
(кнопка Halt – Зупинити) або продовжити виконання перерваного процесу (кнопка
Continue – Продовжити). Для покрокового моделювання використовується кнопка
Step. Варто мати на увазі, що значення коефіцієнта використання, що видається у
вікні EXPRESSIONS, подано з масштабом 1000.
Настроювання установок. Для керування моделюванням, налагодження
зовнішнього вигляду повідомлень, змісту вікон і визначення функціональних
клавіш використовуються відповідні установки. Усі створювані об'єкти
успадковують початкові установки існуючої моделі. Якщо потрібна зміна значень
для всіх моделей у своєму проєкті, то необхідно зробити це у вихідному об'єкті
83
моделі. Текстові об'єкти не містять установок. Тільки ці об'єкти можуть бути
відкриті для редагування в зовнішніх текстових редакторах.
Формування змісту звіту. Для визначення складу звіту за результатами
моделювання слід вибрати пункти меню Edit  Settigns  Reports. ВідміткаCreate
Standard Reports (Створити стандартний звіт) на вкладці Reports забезпечує
автоматичне створення набору стандартних повідомлень після закінчення процесу
моделювання. Відмітка In Windows (У вікнах) забезпечує видавання результатів у
вікнах без збереження їх у файлі.
Відмітка елементів на вкладці Reports забезпечує включення відповідних
результатів у звіт: Blocks (Блоки); Queues (Черги); Tables (Таблиці); Names (Імена);
Facilities (Канали обслуговування); Storages (Накопичувачі); СЕС (Ланцюг
поточних подій); FEC (Ланцюг майбутніх подій); Savevalues ( Величини, що
зберігаються,); Logicswitches (Логічні перемикачі); Matrices (Матриці).
Призначення функціональних клавіш. Вкладка Function Keys
(Функціональні клавіші) використовується для призначення тих або інших
функціональних клавіш командам керування процесом моделювання. У розділі
Default Function Keys (Функціональні клавіші за замовчуванням) приведені
установки за замовчанням для функціональних клавіш:
F1 –HELP (Довідка) викликає довідкову систему GPSSW Application Help;
F2 – CONTINUE (Продовжити) забезпечує продовження виконання
перерваного процесу моделювання системи;
F3 – EXIT (Вийти) забезпечує вихід із процесу моделювання;
F4 – HALT (Зупинити) забезпечує переривання процесу моделювання;
F5 – STEP 1 забезпечує виконання одного кроку моделювання;
F6 – STOP (Зупинити) забезпечує визначення умов зупинки процесу
моделювання;
F7 – STOP,OFF (Скасувати зупинку) видаляє всі умови зупинки процесу
Установка символу множення. За замовчанням система GPSSW
використовує як символ множення значок #, що іноді утрудняє сприйняття виразів.
Можна використовувати замість символу # традиційний знак *. Для цього: вибрати
пункти меню: Edit  Settings  Simulation, а потім включити відмітку Switch * and
# (Включити * замість #); вибрати пункт Застосувати.
84
Навчальне видання
Методичні вказівки до практичних занять з дисципліни «МОДЕЛЮВАННЯ
ПРОЦЕСІВ ТА СИСТЕМ» для студентів спеціальності 122 Комп'ютерні науки,
освітня програма «Інформаційні технології управління».
Упорядники БЕЗКОРОВАЙНИЙ Володимир Валентинович

БЕЗУГЛА Ганна Євгенівна
ДРАЗ Оксана Михайлівна
Відповідальний випусковий І.В. Гребеннік
Редактор
Комп’ютерна верстка
План 2023 (перше півріччя), поз.
Підп. до друку ______. Формат 60х84 1/16. Спосіб друку – ризографія

Умов. друк. арк. _____ Облік.-вид. арк. ____ Тираж ____ прим.
Зам. № 1-51. Ціна договірна.
-----------------------------------------------------------------------------------------
ХНУРЕ, 61166, Харків, просп. Науки, 14
-----------------------------------------------------------------------------------------
Віддруковано в редакційно-
видавничому відділі ХНУРЕ
61166, Харків, просп. Науки, 14
85

Методичні вказівки до практичних занять МПтС-2023

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Методичні вказівки до практичних занять МПтС-2023

Uploaded by

Copyright:

Available Formats

Міністерство освіти і науки України

Харківський національний університет радіоелектроніки

Загальні положення ………………………………………………………………. 4

Інформаційні системи і технології знаходять все більш широке застосування

1.1 Мета заняття

Ознайомлення з основами методології аналізу стійкості модельних

1.2 Вказівки з організації самостійної роботи

Під час підготовки до заняття необхідно: ознайомитись з постановкою задачі

де A – матриця постійних коефіцієнтів;

де A – збурення матриці A , що відповідає похибці визначення (завдання) її

Cond A  A A1 , (1.4)

де A та A 1 – відповідно норми матриці A та оберненої до неї матриці

де aij – елемент матриці A .

Cond A  max{ i / min i } , (1.8)

де i – власні числа матриці A , що є розв’язками характеристичного

1.3 Опис технічного та програмного забезпечення

Для виконання завдання використовується персональний комп’ютер типу

1.4 Порядок виконання завдання

1. Ознайомитися з особливостями та режимами роботи застосовуваних

Зміст повинен містити:

1.6 Контрольні запитання і завдання

1. Наведіть постановку задачі дослідження стійкості моделі у вигляді СЛАР.

1.7 Приклад завдання з розв’язанням

Задача. Виконати експериментальну й аналітичну оцінку стійкості розв’язків

Розв’язання задачі. Текст програми розв’язання і розв’язок СЛАР наведено

Рисунок 1.1 – Текст програми розв’язання і розв’язок СЛАР

З використанням засобів пакету програм визначимо абсолютну похибку

Рисунок 1.2 – Текст програми розв’язання й обчислення абсолютної похибки

Визначимо абсолютні похибки розв’язків СЛАР при збуренні інших

Розв’язки СЛАР Норми векторів

А12 –959,898 –224,218 6,514 182,786

А13 –772,819 –204,263 5,266 4,293

А21 –62,604 –3,297 0,532 714,507

А22 –223,1 –48,542 1,602 554,012

А23 –62,304 –3,297 0,532 65,409

А31 –796,019 –209,936 5,621 76,916

А32 –777,927 –204,936 5,621 18,907

А33 –776,636 –204,589 5,287 0,476

b1 –777,927 –204,807 5,3 0,815

b2 –765,699 –201,503 5,219 11,413

b3 –777,203 –204,745 5,297 0,09

Рисунок 1.3 – Текст програми й оцінка максимального відносного збурення

2.1 Мета заняття

Вивчення методики побудови аналітичних моделей динаміки найпростішої

2.2 Вказівки з організації самостійної роботи

Під час підготовки до практичного заняття необхідно: ознайомитися з

yм(t) = Fм [хм(t), q, 0], (2.1)

де Fм – оператор моделі (поліному ступеня m);

Fм (t) = q0 tm + q1 tm-1 + ...+ qm, (2.2)

де m – ступінь поліному моделі.

Найкращі значення параметрів моделі q = [q0, q1,..., qm] є розв’язками системи

яка для математичних моделей у вигляді алгебраїчних поліномів ступеня m має

де n – кількість сигналів, що спостерігаються (експериментів).

де умi – значення виходу моделі для моменту часу ti.

де ynE1 – значення прогнозованої змінної в момент часу tn  1 ;

де ynK1 – значення прогнозованої змінної в момент часу tn 1 ;

2.3 Опис технічного та програмного забезпечення

Під час виконання завдання використовується персональний комп’ютер типу

2.4 Порядок виконання завдання

1. Ознайомитися за допомогою викладача з особливостями і режимами

Таблиця 2.1 – Варіанти типових завдань

2.5 Зміст звіту

Звіт має включати:

2.6 Контрольні запитання та завдання