|
99 Последняя модель расчета N P V наиболее близка к реальной ситуации, т.к. как правило, математическое ожидание аннуитета и ставки дисконта известно, но с каждым годом дисперсия (разброс) возможных значений этих величин увеличивается. 3.2. Ф ормализованное представления алгоритм а оптимизации на имитационной модели В главе исследуются методы использования имитационных моделей для решения задач параметрического синтеза. Задача параметрического синтеза заключается в выборе значений варьируемых параметров, доставляющих экстремум целевой функции. Область значений варьируемых параметров определяется в соответствии с возможностями изменения исследуемой системы. Для вычисления значений целевой функции используется имитационная модель системы. Предполагается, что имитационная модель позволяет вычислять целевую функцию для всех значений варьируемых параметров в заданной параметрической области. Для каждого значения параметра модель однозначно определяет значение целевой функции: ¥ = ¥ (Х ) (3.1) Х е Х Х область значений варьируемых параметров; Y e Y Y область значений целевой функции. В задачах максимизации целью эксперимента с моделью является поиск оптимальных значений параметров [35, 66]: |
121 Интервал значений А и Е линейно возрастает 5 Год NPV наиболее чувствителен к ставке дисконта 4-го года Последняя модель расчета NPV наиболее близка к реальной ситуации, т.к. как правило, математическое ожидание аннуитета и ставки дисконта известно, но с каждым годом дисперсия (разброс) возможных значений этих величин увеличивается. 2.3. М етодика построения прогноза технико-экономических показателей по главны м компонентам Каждый этап разработанной формализованной модели инновационного проекта представляет либо случайную величину, либо лингвистическую неременную. В случае стохастической формализации необходимо решение задачи прогнозирования количественных характеристик ресурсов для каждого этапа. В общем случае, система показателей представляет достаточно взаимосвязанную систему, что не учитывают стандартные процедуры построения прогнозов. 2.3.1. Этапы реализации прогноза в ф акторной модели Схематично методику прогноза можно представить в виде этапов, представленных на рис.2.24. Этап 1. Исходная система показателей по модели главных компонентов преобразуется для получения системы главных показателей, т.е. решается задача формирования из системы главных компонент исходных независимых переменных 4. МОДЕЛИРОВАНИЕ ПРОЦЕССОВ УПРАВЛЕНИЯ ПАТП В УСЛОВИЯХ НЕСТАЦИОНАРНОСТИ И НЕОПРЕДЕЛЕННОСТИ В главе решается задача формирования алгоритма управления предприятиями, транспортного комплекса в условиях переходных режимов. С этой целью реализованы модели переходных режимов, которые используются при оценки параметрического синтеза управления. Предполагается, что алгоритмы управления основываются на использовании параметрических имитационных моделей процессов развития предприятий. Область значений варьируемых параметров модели определяется в соответствии с. возможностями управления исследуемых процессов: Для вычисления значений целевой: функции используется выборочные траектории имитационной модели. Предполагается, что имитационная модель позволяет вычислять целевую функцию для всех значений варьируемых параметров в заданной параметрической области. Для каждого значения параметра модель однозначно определяет значение целевой функции Y-Y(X), где ХеХХобласть значений варьируемых параметров; Y&YY область значений целевой функции. Целью эксперимента является поиск оптимальных значений параметров X * =argm axY(X ) . При каждом фиксированном значении X модель позволяет вычислять оценку целевой функции с любой наперед заданной степенью точности. В’ такой постановке задачи параметрического синтеза требуемое количество оценок целевой функции достаточно велико. С учетом больших временных затрат на получение каждой оценки на имитационной модели решение задачи синтеза может оказаться невозможным в силу необходимости оперативного принятия решений по выбору параметров управления. Поэтому предлагается оценивать целевую функцию на основе Из сравнения графиков среднеинтегральной оценки и основного процесса можно заключить, что тренды среднеинтегральной оценки существенно более затянуты. Так, если для основного процесса характеристики были близки с стационару уже при t=20, то для среднеинтегральной оценки период восстановления' математического ожидания достигал значения 200;. 4.2. Поведение управляемых алгоритмов в условиях нестационарности и неопределенности На базе построенных моделей нестационарных процессов будем решать задачу включения имитационных моделей в контур параметрического синтеза. Задача параметрического синтеза заключается в выборе значений' варьируемых параметров, доставляющих экстремум целевой функции.. Область значений, варьируемых параметров определяется'в соответствии с возможностями изменения исследуемой системы. Для вычисления значений целевой функции, используется имитационная: модель системы. Предполагается, что. имитационная модель позволяет вычислять целевую функцию для всех значений: варьируемыхпараметров, в заданной параметрической области. Для каждого значения1 параметра модель однозначно определяет значение целевой функции: Y=Y(X) (4.37) ХеХХобласть значений варьируемых параметров; УеУУ область значений целевой функции. В задачах максимизации целью эксперимента с моделью является поиск оптимальных значений параметров [35; 66]: X* = argm axY (X ). (4>38) При каждом фиксированном значении X модель позволяет вычислять оценку целевой функции с любой наперед заданной степенью точности. 243 |