รูปแบบการโต้ตอบแบบสุ่ม แบบจำลองสโทแคสติกในทางเศรษฐศาสตร์ โมเดลกำหนดและสุ่ม การแบ่งประเภทของวิธีการสร้างแบบจำลองและแบบจำลองสามารถดำเนินการได้ตามระดับรายละเอียดของแบบจำลอง ตามลักษณะของคุณลักษณะ ตามขอบเขต

การสร้างแบบจำลองสโตแคสติกรวมถึงการพัฒนา การประเมินคุณภาพ และการศึกษาพฤติกรรมของระบบโดยใช้สมการที่อธิบายกระบวนการภายใต้การศึกษา

ในการทำเช่นนี้โดยทำการทดลองพิเศษกับระบบจริง จะได้ข้อมูลเบื้องต้น ในกรณีนี้ วิธีการวางแผนการทดลอง การประมวลผลผล ตลอดจนเกณฑ์สำหรับการประเมินแบบจำลองที่ได้รับจะถูกนำมาใช้ โดยพิจารณาจากส่วนต่าง ๆ ของสถิติทางคณิตศาสตร์ เช่น การกระจาย สหสัมพันธ์ การวิเคราะห์การถดถอยและอื่น ๆ.

วิธีการสร้างแบบจำลองทางสถิติที่อธิบายกระบวนการทางเทคโนโลยี (รูปที่ 6.1) นั้นขึ้นอยู่กับแนวคิดของ "กล่องดำ" สามารถวัดปัจจัยอินพุตได้หลายแบบ: x 1 ,x 2 ,…,xkและพารามิเตอร์เอาต์พุต: y 1 ,y 2 ,…,y หน้าตามผลลัพธ์ของการสร้างการพึ่งพา:

ในการสร้างแบบจำลองทางสถิติ ตามการกำหนดปัญหา (1) ปัจจัยที่สำคัญน้อยที่สุดจะถูกคัดออกจาก จำนวนมากตัวแปรอินพุตที่ส่งผลต่อกระบวนการ (2) ตัวแปรนำเข้าที่เลือกสำหรับการวิจัยเพิ่มเติมประกอบด้วยรายการของปัจจัยต่างๆ x 1 ,x 2 ,…,xkใน (6.1) โดยการควบคุมซึ่งเป็นไปได้ที่จะควบคุมพารามิเตอร์เอาต์พุต วาย เอ็น. ควรลดจำนวนเอาต์พุตของโมเดลให้มากที่สุดเพื่อลดค่าใช้จ่ายในการทดลองและการประมวลผลข้อมูล

เมื่อพัฒนาแบบจำลองทางสถิติ โครงสร้าง (3) มักจะถูกตั้งค่าโดยพลการในรูปแบบของฟังก์ชันที่ใช้งานสะดวกซึ่งใกล้เคียงกับข้อมูลการทดลอง จากนั้นจึงปรับปรุงตามการประเมินความเพียงพอของแบบจำลอง

รูปแบบพหุนามของแบบจำลองเป็นที่นิยมใช้มากที่สุด ดังนั้น สำหรับฟังก์ชันกำลังสอง:

(6.2)

ที่ไหน b 0 , b i , b ij , b iiคือค่าสัมประสิทธิ์การถดถอย

โดยปกติแล้ว อันดับแรกเราจะจำกัดตัวเองไว้ที่โมเดลเชิงเส้นที่ง่ายที่สุด ซึ่งใน (6.2) b ii = 0, b ij = 0. ในกรณีที่ไม่เพียงพอ แบบจำลองจะซับซ้อนโดยการแนะนำคำศัพท์ที่คำนึงถึงปฏิสัมพันธ์ของปัจจัยต่างๆ x ฉัน ,x ญและ (หรือ) เงื่อนไขกำลังสอง .

เพื่อเพิ่มการดึงข้อมูลจากการทดลองที่กำลังดำเนินอยู่ให้เกิดประโยชน์สูงสุดและลดจำนวนการทดลอง จึงมีการวางแผนการทดลอง (4) เช่น การเลือกจำนวนและเงื่อนไขสำหรับการทดลองที่จำเป็นและเพียงพอที่จะแก้ปัญหาด้วยความแม่นยำที่กำหนด

ในการสร้างแบบจำลองทางสถิติ จะใช้การทดสอบสองประเภท: แบบพาสซีฟและแบบแอคทีฟ การทดลองแบบพาสซีฟมันดำเนินการในรูปแบบของการสังเกตระยะยาวของกระบวนการที่ไม่มีการควบคุมซึ่งทำให้สามารถรวบรวมข้อมูลที่หลากหลายสำหรับการวิเคราะห์ทางสถิติ ที่ การทดลองที่ใช้งานอยู่สามารถควบคุมเงื่อนไขของการทดลองได้ เมื่อดำเนินการแล้วสิ่งที่มีประสิทธิภาพมากที่สุดคือการเปลี่ยนแปลงขนาดของปัจจัยทั้งหมดพร้อมกันตามแผนที่แน่นอนซึ่งทำให้สามารถระบุปฏิสัมพันธ์ของปัจจัยและลดจำนวนการทดลองได้

จากผลการทดลอง (5) ค่าสัมประสิทธิ์การถดถอย (6.2) จะถูกคำนวณและประเมินนัยสำคัญทางสถิติ ซึ่งจะทำให้การสร้างแบบจำลองเสร็จสมบูรณ์ (6) การวัดความเพียงพอของแบบจำลอง (7) คือความแปรปรวน เช่น ส่วนเบี่ยงเบนมาตรฐานของค่าที่คำนวณได้จากค่าทดลอง ความแปรปรวนที่ได้รับจะถูกเปรียบเทียบกับค่าที่ยอมรับได้ด้วยความแม่นยำของการทดลอง

4. โครงการสร้างแบบจำลองสุ่ม

การสร้างแบบจำลองสโตแคสติกรวมถึงการพัฒนา การประเมินคุณภาพ และการศึกษาพฤติกรรมของระบบโดยใช้สมการที่อธิบายกระบวนการภายใต้การศึกษา ในการทำเช่นนี้โดยทำการทดลองพิเศษกับระบบจริง จะได้ข้อมูลเบื้องต้น ในกรณีนี้ วิธีการวางแผนการทดลอง การประมวลผลผลลัพธ์ ตลอดจนเกณฑ์สำหรับการประเมินแบบจำลองที่ได้รับจะถูกนำมาใช้ โดยอิงตามส่วนต่าง ๆ ของสถิติทางคณิตศาสตร์ เช่น การกระจาย สหสัมพันธ์ การวิเคราะห์การถดถอย เป็นต้น

ขั้นตอนของการพัฒนาแบบจำลองสุ่ม:

    การกำหนดปัญหา

    การเลือกปัจจัยและพารามิเตอร์

    การเลือกประเภทโมเดล

    การวางแผนการทดลอง

    การดำเนินการทดลองตามแผน

    การสร้างแบบจำลองทางสถิติ

    การตรวจสอบแบบจำลอง (เกี่ยวข้องกับ 8, 9, 2, 3, 4)

    การปรับโมเดล

    สำรวจกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 11)

    คำจำกัดความของพารามิเตอร์การปรับให้เหมาะสมและข้อจำกัด

    การเพิ่มประสิทธิภาพกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 10 และ 13)

    ข้อมูลการทดลองอุปกรณ์อัตโนมัติ

    การควบคุมกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 12)

การรวมขั้นตอนที่ 1 ถึง 9 จะทำให้เราได้แบบจำลองข้อมูล ขั้นตอนที่ 1 ถึง 11 จะให้แบบจำลองการปรับให้เหมาะสม และการรวมรายการทั้งหมดจะทำให้เราได้แบบจำลองการจัดการ

5. เครื่องมือสำหรับการประมวลผลแบบจำลอง

เมื่อใช้ระบบ CAE คุณสามารถดำเนินการตามขั้นตอนต่อไปนี้สำหรับโมเดลการประมวลผล:

    การซ้อนตาข่ายไฟไนต์เอลิเมนต์บนโมเดล 3 มิติ

    ปัญหาภาวะกดดันจากความร้อน ปัญหาพลศาสตร์ของของไหล

    ปัญหาการถ่ายเทความร้อนและมวลสาร

    ติดต่องาน;

    การคำนวณทางจลนศาสตร์และไดนามิก ฯลฯ

    การสร้างแบบจำลองของระบบการผลิตที่ซับซ้อนตามแบบจำลองการเข้าคิวและ Petri nets

โดยทั่วไปแล้ว โมดูล CAE จะให้ความสามารถในการแสดงภาพสีและโทนสีเทา วางซ้อนชิ้นส่วนเดิมและชิ้นส่วนที่ผิดรูป แสดงภาพการไหลของของเหลวและก๊าซ

ตัวอย่างของระบบสำหรับฟิลด์การสร้างแบบจำลองของปริมาณทางกายภาพตาม FEM: Nastran, Ansys, Cosmos, Nisa, Moldflow

ตัวอย่างของระบบสำหรับการสร้างแบบจำลองกระบวนการไดนามิกในระดับมหภาค: Adams และ Dyna - ในระบบเครื่องกล, Spice - ในวงจรอิเล็กทรอนิกส์, PA9 - สำหรับการสร้างแบบจำลองหลายด้าน เช่น สำหรับระบบการสร้างแบบจำลองหลักการนั้นขึ้นอยู่กับอิทธิพลร่วมกันของกระบวนการทางกายภาพในลักษณะต่างๆ

6. การสร้างแบบจำลองทางคณิตศาสตร์ แบบจำลองการวิเคราะห์และการจำลอง

แบบจำลองทางคณิตศาสตร์ -ชุดของวัตถุทางคณิตศาสตร์ (ตัวเลข ตัวแปร ชุด ฯลฯ) และความสัมพันธ์ระหว่างวัตถุเหล่านั้น ซึ่งสะท้อนถึงคุณสมบัติบางอย่าง (จำเป็น) ของวัตถุทางเทคนิคที่ออกแบบอย่างเพียงพอ แบบจำลองทางคณิตศาสตร์สามารถเป็นรูปทรงเรขาคณิต ทอพอโลยี ไดนามิก โลจิคัล ฯลฯ

- ความเพียงพอของการเป็นตัวแทนของวัตถุจำลอง

พื้นที่ของความเพียงพอคือพื้นที่ในพื้นที่พารามิเตอร์ซึ่งข้อผิดพลาดของแบบจำลองยังคงอยู่ในขอบเขตที่ยอมรับได้

- เศรษฐกิจ (ประสิทธิภาพการคำนวณ)- กำหนดโดยต้นทุนของทรัพยากร
จำเป็นสำหรับการนำโมเดลไปใช้ (เวลาคอมพิวเตอร์ หน่วยความจำที่ใช้ เป็นต้น)

- ความแม่นยำ -กำหนดระดับความบังเอิญของผลลัพธ์ที่คำนวณได้และจริง (ระดับความสอดคล้องระหว่างการประมาณคุณสมบัติของชื่อเดียวกันของวัตถุและแบบจำลอง)

การสร้างแบบจำลองทางคณิตศาสตร์- ขั้นตอนการสร้างแบบจำลองทางคณิตศาสตร์ รวมถึงขั้นตอนต่อไปนี้: การตั้งปัญหา; การสร้างแบบจำลองและการวิเคราะห์ การพัฒนาวิธีการเพื่อให้ได้โซลูชันการออกแบบในแบบจำลอง การทดลองตรวจสอบและแก้ไขแบบจำลองและวิธีการ

คุณภาพของแบบจำลองทางคณิตศาสตร์ที่สร้างขึ้นส่วนใหญ่ขึ้นอยู่กับการกำหนดปัญหาที่ถูกต้อง มีความจำเป็นต้องกำหนดเป้าหมายทางเทคนิคและเศรษฐกิจของปัญหาที่กำลังแก้ไข เพื่อรวบรวมและวิเคราะห์ข้อมูลเบื้องต้นทั้งหมด เพื่อกำหนดข้อจำกัดทางเทคนิค ในกระบวนการสร้างแบบจำลองควรใช้วิธีการวิเคราะห์ระบบ

ตามกฎแล้วกระบวนการสร้างแบบจำลองนั้นมีลักษณะวนซ้ำ ซึ่งให้การปรับแต่งการตัดสินใจก่อนหน้านี้ที่ทำในขั้นตอนก่อนหน้าของการพัฒนาแบบจำลองในแต่ละขั้นตอนการทำซ้ำ

แบบจำลองการวิเคราะห์ -แบบจำลองทางคณิตศาสตร์เชิงตัวเลขที่สามารถแสดงเป็นการพึ่งพาอย่างชัดเจนของพารามิเตอร์เอาต์พุตกับพารามิเตอร์ภายในและภายนอก โมเดลจำลอง -แบบจำลองอัลกอริทึมเชิงตัวเลขที่แสดงกระบวนการในระบบต่อหน้าอิทธิพลภายนอกที่มีต่อระบบ แบบจำลองอัลกอริทึมเป็นแบบจำลองที่ความสัมพันธ์ระหว่างเอาต์พุต พารามิเตอร์ภายในและภายนอกได้รับการระบุโดยปริยายในรูปแบบของอัลกอริทึมการสร้างแบบจำลอง โมเดลจำลองมักใช้ในระดับการออกแบบระบบ การสร้างแบบจำลองจำลองดำเนินการโดยสร้างเหตุการณ์ที่เกิดขึ้นพร้อมกันหรือตามลำดับในเวลาแบบจำลอง ตัวอย่างของแบบจำลองสามารถพิจารณาการใช้ Petri net เพื่อจำลองระบบคิว

7. หลักการพื้นฐานในการสร้างแบบจำลองทางคณิตศาสตร์

วิธีการแบบคลาสสิก (อุปนัย)วัตถุจริงที่จะจำลองจะถูกแบ่งออกเป็นระบบย่อยที่แยกจากกัน เช่น ข้อมูลเริ่มต้นสำหรับการสร้างแบบจำลองจะถูกเลือกและกำหนดเป้าหมายที่สะท้อนถึงแง่มุมบางประการของกระบวนการสร้างแบบจำลอง จากชุดข้อมูลเริ่มต้นที่แยกจากกัน เป้าหมายคือการสร้างแบบจำลองด้านต่างๆ ของการทำงานของระบบ บนพื้นฐานของเป้าหมายนี้ ส่วนประกอบบางอย่างของแบบจำลองในอนาคตจะถูกสร้างขึ้น ชุดของส่วนประกอบรวมกันเป็นแบบจำลอง

วิธีการแบบคลาสสิกดังกล่าวสามารถใช้ในการสร้างแบบจำลองที่ค่อนข้างง่าย ซึ่งการแยกและการพิจารณาอย่างอิสระร่วมกันในแต่ละแง่มุมของการทำงานของวัตถุจริงนั้นเป็นไปได้ ใช้การเคลื่อนไหวจากเฉพาะไปยังทั่วไป

วิธีการของระบบจากข้อมูลเริ่มต้นที่ทราบจากการวิเคราะห์ระบบภายนอก ข้อจำกัดเหล่านั้นที่กำหนดไว้ในระบบจากด้านบนหรือตามความเป็นไปได้ของการใช้งาน และบนพื้นฐานของวัตถุประสงค์ของการทำงาน ข้อกำหนดเบื้องต้นสำหรับ มีการกำหนดรูปแบบระบบ บนพื้นฐานของข้อกำหนดเหล่านี้ระบบย่อยและองค์ประกอบบางอย่างจะเกิดขึ้นโดยประมาณและขั้นตอนที่ยากที่สุดของการสังเคราะห์จะดำเนินการ - การเลือกส่วนประกอบของระบบซึ่งใช้เกณฑ์การคัดเลือกพิเศษ แนวทางของระบบยังแสดงถึงลำดับของการพัฒนาแบบจำลอง ซึ่งประกอบด้วยขั้นตอนการออกแบบหลักสองขั้นตอน: การออกแบบระดับมหภาคและการออกแบบระดับจุลภาค

ขั้นตอนการออกแบบมาโคร– บนพื้นฐานของข้อมูลเกี่ยวกับระบบจริงและสภาพแวดล้อมภายนอก แบบจำลองของสภาพแวดล้อมภายนอกถูกสร้างขึ้น ทรัพยากรและข้อจำกัดในการสร้างแบบจำลองระบบ แบบจำลองระบบและเกณฑ์จะถูกเลือกเพื่อประเมินความเพียงพอของระบบจริง แบบอย่าง. มีการสร้างแบบจำลองของระบบและแบบจำลอง สภาพแวดล้อมภายนอกบนพื้นฐานของเกณฑ์ประสิทธิภาพของการทำงานของระบบในกระบวนการสร้างแบบจำลอง กลยุทธ์การควบคุมที่เหมาะสมที่สุดจะถูกเลือก ซึ่งทำให้สามารถตระหนักถึงความเป็นไปได้ของแบบจำลองในการจำลองลักษณะการทำงานของระบบจริง .

ขั้นตอนการออกแบบไมโครส่วนใหญ่ขึ้นอยู่กับประเภทของรุ่นที่เลือก ในกรณีของแบบจำลองสถานการณ์ จำเป็นต้องสร้างข้อมูล ระบบการสร้างแบบจำลองทางคณิตศาสตร์ ทางเทคนิค และซอฟต์แวร์ ในขั้นตอนนี้เป็นไปได้ที่จะสร้างลักษณะสำคัญของแบบจำลองที่สร้างขึ้นประเมินเวลาในการทำงานและต้นทุนของทรัพยากรเพื่อให้ได้คุณภาพการติดต่อระหว่างแบบจำลองและกระบวนการทำงานของระบบ โดยไม่คำนึงถึง ประเภทของรุ่นที่ใช้
เมื่อสร้างมันจำเป็นต้องได้รับคำแนะนำจากหลักการหลายประการของแนวทางที่เป็นระบบ:

    ความคืบหน้าตามลำดับสัดส่วนผ่านขั้นตอนและทิศทางของการสร้างแบบจำลอง

    การประสานข้อมูล ทรัพยากร ความน่าเชื่อถือและลักษณะอื่นๆ

    อัตราส่วนที่ถูกต้องของแต่ละระดับของลำดับชั้นในระบบการสร้างแบบจำลอง

    ความสมบูรณ์ของแต่ละขั้นตอนของการสร้างแบบจำลอง

      การวิเคราะห์วิธีการที่ใช้ในการสร้างแบบจำลองทางคณิตศาสตร์

ในการสร้างแบบจำลองทางคณิตศาสตร์ การแก้สมการเชิงอนุพันธ์เชิงอนุพันธ์หรือเชิงอนุพันธ์เชิงอนุพันธ์ที่มีอนุพันธ์ย่อยจะดำเนินการโดยวิธีการทางตัวเลข วิธีการเหล่านี้ขึ้นอยู่กับการแยกตัวแปรอิสระ - การแสดงโดยชุดของค่าที่ จำกัด ที่จุดสำคัญที่เลือกของพื้นที่ภายใต้การศึกษา จุดเหล่านี้ถือเป็นโหนดของกริดบางตัว

ในบรรดาวิธีกริด มีสองวิธีที่ใช้กันอย่างแพร่หลาย: วิธีการ ความแตกต่างที่แน่นอน(FCM) และวิธีไฟไนต์เอลิเมนต์ (FEM) โดยปกติแล้ว เราจะทำการแยกแยะตัวแปรอิสระเชิงพื้นที่ เช่น โดยใช้ตารางเชิงพื้นที่ ในกรณีนี้ ผลลัพธ์ของการแยกย่อยคือระบบสมการเชิงอนุพันธ์สามัญ ซึ่งต่อมาจะถูกลดขนาดให้เป็นระบบสมการพีชคณิตโดยใช้เงื่อนไขขอบเขต

ให้จำเป็นต้องแก้สมการ เลเวล(ซี) = (ซี)

โดยมีเงื่อนไขขอบเขตที่กำหนด เอ็มวี(ซี) = .(ซี),

ที่ไหน แอลและ M-ตัวดำเนินการส่วนต่าง, วี(ซี) - ตัวแปรเฟส ซี= (x 1, x 2, x 3, ที) - เวกเตอร์ของตัวแปรอิสระ (ซี) และ ψ.( ซี) ได้รับฟังก์ชันของตัวแปรอิสระ

ที่ เอ็มเคอาร์พีชคณิตของอนุพันธ์ที่เกี่ยวกับพิกัดเชิงพื้นที่ขึ้นอยู่กับการประมาณของอนุพันธ์โดยนิพจน์ผลต่างจำกัด เมื่อใช้วิธีนี้ คุณต้องเลือกขั้นตอนกริดสำหรับแต่ละพิกัดและประเภทของเทมเพลต เทมเพลตเป็นที่เข้าใจกันว่าเป็นชุดของจุดปมซึ่งเป็นค่าของตัวแปรที่ใช้ในการประมาณค่าอนุพันธ์ ณ จุดใดจุดหนึ่ง

เฟมขึ้นอยู่กับการประมาณไม่ใช่ของอนุพันธ์ แต่เป็นของการแก้ปัญหาเอง วี(ซี). แต่เนื่องจากไม่เป็นที่รู้จัก การประมาณจะทำโดยนิพจน์ที่มีค่าสัมประสิทธิ์ที่ไม่ได้กำหนด

ในกรณีนี้ เรากำลังพูดถึงการประมาณคำตอบภายในองค์ประกอบจำกัด และคำนึงถึงขนาดที่เล็กของพวกมัน เราสามารถพูดถึงการใช้นิพจน์การประมาณที่ค่อนข้างง่าย (เช่น พหุนามดีกรีต่ำ) อันเป็นผลมาจากการแทนที่ พหุนามดังกล่าวในสมการเชิงอนุพันธ์ดั้งเดิมและการดำเนินการหาอนุพันธ์จะได้ค่าของตัวแปรเฟสที่จุดที่กำหนด

การประมาณพหุนาม การใช้เมธอดเกี่ยวข้องกับความเป็นไปได้ในการประมาณค่าฟังก์ชันเรียบด้วยพหุนาม จากนั้นใช้พหุนามค่าประมาณเพื่อประมาณค่าพิกัดของจุดที่เหมาะสมที่สุด เงื่อนไขที่จำเป็นสำหรับการปฏิบัติตามแนวทางนี้อย่างมีประสิทธิภาพคือ เอกภาพและความต่อเนื่อง ฟังก์ชั่นภายใต้การศึกษา ตามทฤษฎีบทการประมาณของไวเออร์ชตราส ถ้าฟังก์ชันหนึ่งต่อเนื่องกันในบางช่วง ก็จะสามารถประมาณด้วยพหุนามได้อย่างแม่นยำในระดับใดก็ได้ ลำดับสูง. ตามทฤษฎีบทไวเออร์ชตราส คุณภาพของการประมาณค่าพิกัดจุดที่เหมาะสมที่สุดที่ได้รับโดยใช้พหุนามโดยประมาณสามารถปรับปรุงได้สองวิธี: โดยการใช้พหุนามลำดับที่สูงกว่าและโดยการลดช่วงเวลาการประมาณ เวอร์ชันที่ง่ายที่สุดของการประมาณค่าพหุนามคือการประมาณแบบกำลังสอง ซึ่งขึ้นอยู่กับข้อเท็จจริงที่ว่าฟังก์ชันที่รับค่าต่ำสุดที่จุดภายในของช่วงจะต้องมีค่ากำลังสองอย่างน้อยที่สุด

ระเบียบวินัย "รูปแบบและวิธีการวิเคราะห์โซลูชันการออกแบบ" (Kazakov Yu.M. )

    การจำแนกประเภทของแบบจำลองทางคณิตศาสตร์.

    ระดับนามธรรมของแบบจำลองทางคณิตศาสตร์

    ข้อกำหนดสำหรับแบบจำลองทางคณิตศาสตร์

    โครงการสร้างแบบจำลองสุ่ม

    เครื่องมือประมวลผลแบบจำลอง

    การสร้างแบบจำลองทางคณิตศาสตร์ แบบจำลองการวิเคราะห์และการจำลอง

    หลักการพื้นฐานในการสร้างแบบจำลองทางคณิตศาสตร์

    การวิเคราะห์วิธีการประยุกต์ในการสร้างแบบจำลองทางคณิตศาสตร์

1. การจำแนกประเภทของแบบจำลองทางคณิตศาสตร์

แบบจำลองทางคณิตศาสตร์ (MM) ของวัตถุทางเทคนิคคือชุดของวัตถุทางคณิตศาสตร์ (ตัวเลข ตัวแปร เมทริกซ์ เซต ฯลฯ) และความสัมพันธ์ระหว่างวัตถุเหล่านั้น ซึ่งสะท้อนถึงคุณสมบัติของวัตถุทางเทคนิคที่เป็นที่สนใจของวิศวกรที่กำลังพัฒนาวัตถุนี้อย่างเพียงพอ

โดยลักษณะการแสดงคุณสมบัติของวัตถุนั้นได้แก่

    การทำงาน - ออกแบบมาเพื่อแสดงกระบวนการทางกายภาพหรือข้อมูลที่เกิดขึ้นใน ระบบทางเทคนิคระหว่างการดำเนินการ แบบจำลองการทำงานโดยทั่วไปคือระบบสมการที่อธิบายถึงกระบวนการทางไฟฟ้า ความร้อน ทางกล หรือกระบวนการแปลงข้อมูล

    โครงสร้าง - แสดงคุณสมบัติโครงสร้างของวัตถุ (ทอพอโลยี, เรขาคณิต) . แบบจำลองโครงสร้างมักแสดงเป็นกราฟ

โดยอยู่ในลำดับชั้น:

    แบบจำลองระดับจุลภาค - แสดงกระบวนการทางกายภาพในพื้นที่และเวลาต่อเนื่อง สำหรับการสร้างแบบจำลองจะใช้เครื่องมือสมการของฟิสิกส์คณิตศาสตร์ ตัวอย่างของสมการดังกล่าว ได้แก่ สมการเชิงอนุพันธ์ย่อย

    โมเดลระดับมหภาค ใช้การขยายรายละเอียดของพื้นที่บนพื้นฐานพื้นฐาน แบบจำลองการทำงานในระดับมหภาคเป็นระบบสมการเชิงอนุพันธ์เชิงพีชคณิตหรือสมการเชิงอนุพันธ์สามัญ และใช้วิธีการเชิงตัวเลขที่เหมาะสมเพื่อให้ได้มาและแก้ปัญหา

    โมเดลเมโทเลเวล คำอธิบายแบบขยายของวัตถุที่อยู่ระหว่างการพิจารณา แบบจำลองทางคณิตศาสตร์ที่ระดับโลหะ - ระบบสมการเชิงอนุพันธ์สามัญ ระบบสมการตรรกะ แบบจำลองระบบคิว

วิธีรับโมเดล:

    เชิงทฤษฎี - สร้างขึ้นบนพื้นฐานของการศึกษารูปแบบ แบบจำลองเชิงทฤษฎีแตกต่างจากแบบจำลองเชิงประจักษ์โดยส่วนใหญ่แล้วเป็นสากลมากกว่าและใช้ได้กับปัญหาที่หลากหลายกว่า แบบจำลองทางทฤษฎีเป็นแบบเชิงเส้นและไม่เป็นเชิงเส้น แบบต่อเนื่องและไม่ต่อเนื่อง แบบไดนามิกและแบบสถิติ

    เชิงประจักษ์

ข้อกำหนดหลักสำหรับแบบจำลองทางคณิตศาสตร์ใน CAD:

    ความเพียงพอของการเป็นตัวแทนของวัตถุจำลอง

ความเพียงพอจะเกิดขึ้นหากแบบจำลองสะท้อนถึงคุณสมบัติที่กำหนดของวัตถุด้วยความแม่นยำที่ยอมรับได้ และได้รับการประเมินโดยรายการคุณสมบัติที่สะท้อนออกมาและพื้นที่ของความเพียงพอ พื้นที่ของความเพียงพอคือพื้นที่ในพื้นที่พารามิเตอร์ซึ่งข้อผิดพลาดของแบบจำลองยังคงอยู่ในขอบเขตที่ยอมรับได้

    เศรษฐกิจ (ประสิทธิภาพการคำนวณ)– กำหนดโดยต้นทุนของทรัพยากรที่จำเป็นในการนำโมเดลไปใช้ (เวลาคอมพิวเตอร์ หน่วยความจำที่ใช้ เป็นต้น)

    ความแม่นยำ- กำหนดระดับความบังเอิญของผลลัพธ์ที่คำนวณได้และจริง (ระดับความสอดคล้องระหว่างการประมาณคุณสมบัติของชื่อเดียวกันของวัตถุและแบบจำลอง)

ยังมีข้อกำหนดอื่นๆ อีกจำนวนหนึ่งสำหรับแบบจำลองทางคณิตศาสตร์:

    ความสามารถในการคำนวณ, เช่น. ความเป็นไปได้ของคู่มือหรือด้วยความช่วยเหลือของคอมพิวเตอร์เพื่อศึกษารูปแบบเชิงคุณภาพและเชิงปริมาณของการทำงานของวัตถุ (ระบบ)

    โมดูลาร์, เช่น. ความสอดคล้องของโครงสร้างแบบจำลองกับส่วนประกอบโครงสร้างของวัตถุ (ระบบ)

    ความสามารถอัลกอริทึม, เช่น. ความเป็นไปได้ในการพัฒนาอัลกอริทึมที่เหมาะสมและโปรแกรมที่ใช้แบบจำลองทางคณิตศาสตร์ในคอมพิวเตอร์

    ทัศนวิสัย, เช่น. การรับรู้ภาพที่สะดวกของแบบจำลอง

ตาราง. การจำแนกประเภทของแบบจำลองทางคณิตศาสตร์

คุณสมบัติการจำแนกประเภท

ประเภทของแบบจำลองทางคณิตศาสตร์

1. อยู่ในลำดับชั้น

    โมเดลระดับไมโคร

    โมเดลระดับมาโคร

    โมเดลระดับ Meta

2. ลักษณะของคุณสมบัติที่แสดงของวัตถุ

    โครงสร้าง

    การทำงาน

3. วิธีการแสดงคุณสมบัติของวัตถุ

    เชิงวิเคราะห์

    อัลกอริทึม

    การจำลอง

4. วิธีรับโมเดล

    เชิงทฤษฎี

    เชิงประจักษ์

5. คุณสมบัติของพฤติกรรมของวัตถุ

    กำหนด

    ความน่าจะเป็น

แบบจำลองทางคณิตศาสตร์ในระดับจุลภาคของกระบวนการผลิตสะท้อนถึงกระบวนการทางกายภาพที่เกิดขึ้น เช่น การตัดโลหะ พวกเขาอธิบายกระบวนการในระดับการเปลี่ยนแปลง

แบบจำลองทางคณิตศาสตร์ในระดับมหภาคกระบวนการผลิต อธิบายถึง กระบวนการทางเทคโนโลยี

แบบจำลองทางคณิตศาสตร์ในระดับโลหะของกระบวนการผลิตอธิบายถึงระบบเทคโนโลยี (ส่วน, การประชุมเชิงปฏิบัติการ, องค์กรโดยรวม)

แบบจำลองทางคณิตศาสตร์โครงสร้างออกแบบมาเพื่อแสดงคุณสมบัติทางโครงสร้างของวัตถุ ตัวอย่างเช่น ใน CAD TP มีการใช้โมเดลโครงสร้างเชิงตรรกะเพื่อแสดงโครงสร้างของกระบวนการทางเทคโนโลยี บรรจุภัณฑ์ของผลิตภัณฑ์

แบบจำลองทางคณิตศาสตร์เชิงฟังก์ชันออกแบบมาเพื่อแสดงข้อมูล กระบวนการทางกายภาพและทางโลกที่เกิดขึ้นในอุปกรณ์การทำงาน ในกระบวนการทางเทคโนโลยี ฯลฯ

แบบจำลองทางคณิตศาสตร์เชิงทฤษฎีถูกสร้างขึ้นจากการศึกษาวัตถุ (กระบวนการ) ในระดับทฤษฎี

แบบจำลองทางคณิตศาสตร์เชิงประจักษ์ถูกสร้างขึ้นจากการทดลอง (ศึกษาลักษณะที่ปรากฏภายนอกของคุณสมบัติของวัตถุโดยการวัดพารามิเตอร์ที่อินพุตและเอาต์พุต) และประมวลผลผลลัพธ์โดยใช้วิธีการทางสถิติทางคณิตศาสตร์

แบบจำลองทางคณิตศาสตร์เชิงกำหนดอธิบายพฤติกรรมของวัตถุจากมุมมองของความแน่นอนในปัจจุบันและอนาคต ตัวอย่างของแบบจำลองดังกล่าว: สูตรของกฎทางกายภาพ กระบวนการทางเทคโนโลยีสำหรับชิ้นส่วนแปรรูป ฯลฯ

แบบจำลองทางคณิตศาสตร์เชิงความน่าจะเป็นคำนึงถึงอิทธิพลของปัจจัยสุ่มที่มีต่อพฤติกรรมของวัตถุ เช่น ประเมินอนาคตในแง่ของความเป็นไปได้ของเหตุการณ์บางอย่าง

แบบจำลองการวิเคราะห์ - แบบจำลองทางคณิตศาสตร์เชิงตัวเลขที่สามารถแสดงเป็นการพึ่งพาอย่างชัดเจนของพารามิเตอร์เอาต์พุตกับพารามิเตอร์ภายในและภายนอก

แบบจำลองทางคณิตศาสตร์อัลกอริทึมแสดงความสัมพันธ์ระหว่างพารามิเตอร์เอาต์พุตกับอินพุตและพารามิเตอร์ภายในในรูปแบบของอัลกอริทึม

แบบจำลองทางคณิตศาสตร์จำลอง- สิ่งเหล่านี้เป็นแบบจำลองอัลกอริทึมที่สะท้อนถึงการพัฒนากระบวนการ (พฤติกรรมของวัตถุที่กำลังศึกษา) ในเวลาที่ระบุอิทธิพลภายนอกต่อกระบวนการ (วัตถุ) ตัวอย่างเช่น นี่คือแบบจำลองของระบบคิวที่กำหนดในรูปแบบอัลกอริทึม

ซีรี่ส์ "เศรษฐศาสตร์และการจัดการ"

6. Kondratiev N.D. วงจรเชื่อมต่อขนาดใหญ่และทฤษฎีการมองการณ์ไกล - ม.: เศรษฐศาสตร์, 2545. 768 น.

7. Kuzyk B.N. , Kushlin V.I. , Yakovets Yu.V. การพยากรณ์ การวางยุทธศาสตร์และการวางผังประเทศ ม.: สำนักพิมพ์ "เศรษฐศาสตร์", 2551. 573 น.

8. Lyasnikov N.V., Dudin M.N. ความทันสมัยของเศรษฐกิจนวัตกรรมในบริบทของการก่อตัวและการพัฒนาของตลาดทุน // สังคมศาสตร์ ม.: สำนักพิมพ์ "MII Nauka", 2554 ฉบับที่ 1 ส. 278-285

9. Sekerin V.D. , Kuznetsova O.S. การพัฒนากลยุทธ์การจัดการโครงการนวัตกรรม // ประกาศของสถาบันบริหารธุรกิจแห่งรัฐมอสโก ชุด: เศรษฐกิจ. - 2556. ครั้งที่ 1 (20). - ส. 129 - 134.

10. Yakovlev V.M. , Senin A.S. ไม่มีทางเลือกอื่นนอกจากการพัฒนานวัตกรรมของเศรษฐกิจรัสเซีย // ประเด็นเฉพาะเศรษฐกิจนวัตกรรม ม.: สำนักพิมพ์ "วิทยาศาสตร์"; สถาบันการจัดการและการตลาดของ Russian Academy of Arts and Sciences ภายใต้ประธานาธิบดีแห่งสหพันธรัฐรัสเซีย พ.ศ. 2555 หมายเลข 1(1)

11. Baranenko S.P. , Dudin M.N. , Ljasnikov N.V. , Busygin KD การใช้แนวทางด้านสิ่งแวดล้อมเพื่อพัฒนาองค์กรอุตสาหกรรมที่มุ่งเน้นนวัตกรรม // American Journal of Applied Sciences.- 2014.- Vol. 11, No.2, - หน้า 189-194.

12. ดูดิน เอ็ม.เอ็น. แนวทางที่เป็นระบบในการกำหนดรูปแบบปฏิสัมพันธ์ของธุรกิจขนาดใหญ่และขนาดเล็ก // European Journal of Economic Studies 2555. ฉบับที่. (2), ฉบับที่ 2, หน้า 84-87.

13. Dudin M.N. , Ljasnikov N.V. , Kuznecov A.V. , Fedorova I.Ju การเปลี่ยนแปลงเชิงนวัตกรรมและศักยภาพการเปลี่ยนแปลงของระบบเศรษฐกิจและสังคม // Middle East Journal of Scientific Research, 2013. Vol. 17 ฉบับที่ 10 หน้า 1434-1437

14. Dudin M.N. , Ljasnikov N.V. , Pankov S.V. , Sepiashvili E.N. การมองการณ์ไกลที่เป็นนวัตกรรมเป็นวิธีการจัดการการพัฒนาอย่างยั่งยืนเชิงกลยุทธ์ของโครงสร้างธุรกิจ // วารสารวิทยาศาสตร์ประยุกต์โลก - 2556. - เล่มที่. 26 ฉบับที่ 8 - หน้า 1086-1089

15. Sekerin V. D. , Avramenko S. A. , Veselovsky M. Ya. , Aleksakhina V. G. ตลาด B2G: สาระสำคัญและการวิเคราะห์ทางสถิติ // วารสารวิทยาศาสตร์ประยุกต์โลก 31 (6): 1104-1108, 2014

การสร้างแบบจำลองสุ่มแบบพารามิเตอร์เดียวของกระบวนการผลิต

ปริญญาเอก รศ. Mordasov Yu.P.

มหาวิทยาลัยวิศวกรรมเครื่องกล 8-916-853-13-32 [ป้องกันอีเมล]กิ

คำอธิบายประกอบ ผู้เขียนได้พัฒนาแบบจำลองทางคณิตศาสตร์ของกระบวนการผลิตโดยขึ้นอยู่กับพารามิเตอร์หนึ่งตัว โมเดลได้รับการทดสอบแล้ว ด้วยเหตุนี้ จึงมีการสร้างแบบจำลองจำลองของกระบวนการผลิตและการสร้างเครื่องจักร โดยคำนึงถึงอิทธิพลของการรบกวน-ความล้มเหลวแบบสุ่ม การเปรียบเทียบผลลัพธ์ของแบบจำลองทางคณิตศาสตร์และการจำลองเป็นการยืนยันความเหมาะสมของการนำแบบจำลองทางคณิตศาสตร์ไปใช้ในทางปฏิบัติ

คำสำคัญ: กระบวนการทางเทคโนโลยี คณิตศาสตร์ แบบจำลองสถานการณ์ การควบคุมการปฏิบัติงาน การยอมรับ การก่อกวนแบบสุ่ม

ค่าใช้จ่ายในการจัดการการดำเนินงานสามารถลดลงได้อย่างมากโดยการพัฒนาวิธีการที่ช่วยให้คุณค้นหาค่าที่เหมาะสมที่สุดระหว่างต้นทุนของการวางแผนการปฏิบัติงานและความสูญเสียที่เกิดจากความแตกต่างระหว่างตัวบ่งชี้ที่วางแผนไว้และตัวบ่งชี้ของกระบวนการผลิตจริง ซึ่งหมายถึงการหาระยะเวลาที่เหมาะสมของสัญญาณในวงจรป้อนกลับ ในทางปฏิบัติ นี่หมายถึงการลดจำนวนการคำนวณกำหนดการในปฏิทินสำหรับการเริ่มหน่วยการประกอบเข้าสู่การผลิต และด้วยเหตุนี้จึงช่วยประหยัดทรัพยากรวัสดุ

กระบวนการผลิตในวิศวกรรมเครื่องกลมีความน่าจะเป็นโดยธรรมชาติ อิทธิพลคงที่ของปัจจัยที่เปลี่ยนแปลงอย่างต่อเนื่องไม่ได้ทำให้สามารถคาดการณ์สำหรับมุมมองที่แน่นอน (เดือน, ไตรมาส) กระบวนการผลิตในอวกาศและเวลา ในแบบจำลองการจัดตารางเวลาทางสถิติ สถานะของชิ้นส่วนในแต่ละช่วงเวลาที่เฉพาะเจาะจงควรได้รับในรูปแบบของความน่าจะเป็นที่เหมาะสม (การแจกแจงความน่าจะเป็น) ของการอยู่ในที่ทำงานที่แตกต่างกัน อย่างไรก็ตาม จำเป็นต้องตรวจสอบให้แน่ใจถึงระดับของผลลัพธ์ขั้นสุดท้ายขององค์กร ในทางกลับกัน สิ่งนี้แสดงถึงความเป็นไปได้ โดยใช้วิธีกำหนดขึ้นเพื่อวางแผนเงื่อนไขบางอย่างสำหรับชิ้นส่วนที่จะผลิต อย่างไรก็ตาม ประสบการณ์แสดงให้เห็นว่าความสัมพันธ์ที่หลากหลายและการเปลี่ยนผ่านร่วมกันของกระบวนการผลิตจริงนั้นมีความหลากหลายและมากมาย เมื่อพัฒนาแบบจำลองเชิงกำหนด สิ่งนี้จะสร้างปัญหาอย่างมาก

ความพยายามที่จะคำนึงถึงปัจจัยทั้งหมดที่ส่งผลต่อกระบวนการผลิตทำให้แบบจำลองมีความยุ่งยาก และหยุดทำหน้าที่เป็นเครื่องมือในการวางแผน การบัญชี และการควบคุม

วิธีการที่ง่ายกว่าสำหรับการสร้างแบบจำลองทางคณิตศาสตร์ของกระบวนการจริงที่ซับซ้อนซึ่งขึ้นอยู่กับ จำนวนมากปัจจัยต่าง ๆ ที่ยากหรือเป็นไปไม่ได้ที่จะนำมาพิจารณาคือการสร้างแบบจำลองสุ่ม ในกรณีนี้ เมื่อวิเคราะห์หลักการทำงานของระบบจริงหรือเมื่อสังเกตลักษณะเฉพาะของระบบ ฟังก์ชันการแจกแจงความน่าจะเป็นจะถูกสร้างขึ้นสำหรับพารามิเตอร์บางตัว ด้วยความเสถียรทางสถิติสูงของลักษณะเชิงปริมาณของกระบวนการและการกระจายตัวเพียงเล็กน้อย ผลลัพธ์ที่ได้จากการใช้แบบจำลองที่สร้างขึ้นจึงสอดคล้องกับประสิทธิภาพของระบบจริง

ข้อกำหนดเบื้องต้นหลักสำหรับการสร้างแบบจำลองทางสถิติของกระบวนการทางเศรษฐกิจคือ:

ความซับซ้อนมากเกินไปและความไร้ประสิทธิภาพทางเศรษฐกิจที่เกี่ยวข้องของแบบจำลองเชิงกำหนดที่สอดคล้องกัน

การเบี่ยงเบนอย่างมากของตัวบ่งชี้ทางทฤษฎีที่ได้รับจากการทดลองในแบบจำลองจากตัวบ่งชี้ของวัตถุที่ใช้งานจริง

ดังนั้นจึงเป็นที่พึงปรารถนาที่จะมีเครื่องมือทางคณิตศาสตร์อย่างง่ายที่อธิบายผลกระทบของการรบกวนสุ่มต่อลักษณะทั่วไปของกระบวนการผลิต (ผลผลิตสินค้าโภคภัณฑ์ ปริมาณงานที่กำลังดำเนินการ ฯลฯ) นั่นคือการสร้างแบบจำลองทางคณิตศาสตร์ของกระบวนการผลิตที่ขึ้นอยู่กับพารามิเตอร์จำนวนเล็กน้อยและสะท้อนถึงอิทธิพลโดยรวมของปัจจัยหลายอย่างที่มีลักษณะแตกต่างกันในกระบวนการผลิต ภารกิจหลักที่ผู้วิจัยควรตั้งขึ้นเองเมื่อสร้างแบบจำลองไม่ใช่การสังเกตค่าพารามิเตอร์ของระบบจริงแบบพาสซีฟ แต่เป็นการสร้างแบบจำลองดังกล่าวซึ่งหากมีความเบี่ยงเบนใด ๆ ภายใต้อิทธิพลของการรบกวน ก็จะนำพารามิเตอร์ของสิ่งที่แสดงออกมา ประมวลผลไปยังโหมดที่กำหนด นั่นคือภายใต้การกระทำของปัจจัยสุ่มใด ๆ กระบวนการจะต้องถูกสร้างขึ้นในระบบที่รวมเข้ากับโซลูชันที่วางแผนไว้ ปัจจุบันอยู่ใน ระบบอัตโนมัติการจัดการ หน้าที่นี้ส่วนใหญ่ถูกกำหนดให้กับบุคคลที่เป็นหนึ่งในลิงค์ในห่วงโซ่ข้อเสนอแนะในการจัดการกระบวนการผลิต

ให้เราหันไปวิเคราะห์กระบวนการผลิตจริง โดยปกติแล้ว ระยะเวลาของระยะเวลาการวางแผน (ความถี่ของการออกแผนไปยังเวิร์กช็อป) จะถูกเลือกตามช่วงเวลาตามปฏิทินที่กำหนดไว้ตามประเพณี: กะ วัน ห้าวัน ฯลฯ พวกเขาได้รับคำแนะนำจากการพิจารณาในทางปฏิบัติเป็นหลัก ระยะเวลาขั้นต่ำของระยะเวลาการวางแผนจะพิจารณาจากความสามารถในการปฏิบัติงานของหน่วยงานที่วางแผนไว้ หากแผนกการผลิตและการจัดส่งขององค์กรรับมือกับการออกกะงานที่ปรับแล้วไปยังร้านค้า การคำนวณจะทำขึ้นสำหรับแต่ละกะ (นั่นคือ ค่าใช้จ่ายที่เกี่ยวข้องกับการคำนวณและการวิเคราะห์เป้าหมายที่วางแผนไว้จะเกิดขึ้นทุกกะ)

เพื่อกำหนดลักษณะตัวเลขของการแจกแจงความน่าจะเป็นของการสุ่ม

การรบกวนแบบ "เศรษฐศาสตร์และการจัดการ" จะสร้างแบบจำลองความน่าจะเป็นของของจริง กระบวนการทางเทคโนโลยีการผลิตหนึ่งหน่วยประกอบ ต่อจากนี้ไป กระบวนการทางเทคโนโลยีของการผลิตหน่วยประกอบหมายถึงลำดับของการดำเนินงาน (งานสำหรับการผลิตชิ้นส่วนหรือชุดประกอบเหล่านี้) ซึ่งบันทึกไว้ในเทคโนโลยี การดำเนินการทางเทคโนโลยีของผลิตภัณฑ์การผลิตแต่ละรายการตามเส้นทางเทคโนโลยีสามารถดำเนินการได้หลังจากการดำเนินการก่อนหน้านี้เท่านั้น ดังนั้น กระบวนการทางเทคโนโลยีของการผลิตหน่วยประกอบจึงเป็นลำดับเหตุการณ์-การดำเนินการ ภายใต้อิทธิพลของเหตุผลสุ่มต่างๆ ระยะเวลาของการดำเนินการแต่ละรายการอาจเปลี่ยนแปลงได้ ในบางกรณี การดำเนินการอาจไม่เสร็จสมบูรณ์ในระหว่างที่งานกะนี้มีผล เห็นได้ชัดว่าเหตุการณ์เหล่านี้สามารถแบ่งออกเป็นองค์ประกอบพื้นฐาน: ประสิทธิภาพและประสิทธิภาพของการดำเนินงานแต่ละอย่างที่ไม่มีประสิทธิภาพ ซึ่งสามารถใส่ให้สอดคล้องกับความน่าจะเป็นของประสิทธิภาพและประสิทธิภาพที่ไม่ได้ประสิทธิภาพ

สำหรับกระบวนการทางเทคโนโลยีเฉพาะ ความน่าจะเป็นของการดำเนินการตามลำดับที่ประกอบด้วยการดำเนินการ K สามารถแสดงได้ด้วยสูตรต่อไปนี้:

PC5 \u003d k) \u003d (1-pk + 1) PG \u003d 1P1, (1)

โดยที่: P1 - ความน่าจะเป็นของการดำเนินการที่ 1 แยกจากกัน r คือจำนวนของการดำเนินการตามลำดับในกระบวนการทางเทคโนโลยี

สูตรนี้สามารถใช้เพื่อกำหนดลักษณะสุ่มของช่วงเวลาการวางแผนเฉพาะ เมื่อช่วงของผลิตภัณฑ์ที่เปิดตัวสู่การผลิตและรายการงานที่ต้องดำเนินการในช่วงเวลาการวางแผนที่กำหนด ตลอดจนลักษณะสุ่มซึ่งพิจารณาจากประสบการณ์ , เป็นที่รู้จัก. ในทางปฏิบัติ การผลิตจำนวนมากบางประเภทเท่านั้นที่มีความเสถียรทางสถิติสูงตามข้อกำหนดที่ระบุไว้

ความน่าจะเป็นของการดำเนินการเพียงครั้งเดียวนั้นไม่ได้ขึ้นอยู่กับปัจจัยภายนอกเท่านั้น แต่ยังขึ้นอยู่กับลักษณะเฉพาะของงานที่ทำและประเภทของชุดประกอบ

ในการกำหนดพารามิเตอร์ของสูตรข้างต้น แม้จะมีชุดหน่วยประกอบที่ค่อนข้างเล็ก แต่มีการเปลี่ยนแปลงเล็กน้อยในช่วงของผลิตภัณฑ์ที่ผลิต จำเป็นต้องมีข้อมูลการทดลองจำนวนมาก ซึ่งทำให้เกิดต้นทุนด้านวัสดุและองค์กรที่สำคัญ และทำให้วิธีนี้ การกำหนดความน่าจะเป็นของการผลิตผลิตภัณฑ์อย่างต่อเนื่องแทบจะใช้ไม่ได้

ให้เรานำแบบจำลองที่ได้รับไปศึกษาเพื่อความเป็นไปได้ในการทำให้ง่ายขึ้น ค่าเริ่มต้นของการวิเคราะห์คือความน่าจะเป็นของการดำเนินการหนึ่งกระบวนการทางเทคโนโลยีของผลิตภัณฑ์การผลิตโดยปราศจากความล้มเหลว ในสภาวะการผลิตจริง ความน่าจะเป็นของการดำเนินการแต่ละประเภทจะแตกต่างกัน สำหรับกระบวนการทางเทคโนโลยีเฉพาะ ความน่าจะเป็นนี้ขึ้นอยู่กับ:

จากประเภทของการดำเนินการที่ทำ

จากหน่วยประกอบเฉพาะ

จากผลิตภัณฑ์ที่ผลิตแบบขนาน

จากปัจจัยภายนอก

ให้เราวิเคราะห์อิทธิพลของความผันผวนในความน่าจะเป็นของการดำเนินการอย่างใดอย่างหนึ่งกับลักษณะโดยรวมของกระบวนการผลิตของผลิตภัณฑ์การผลิต (ปริมาณของผลผลิตเชิงพาณิชย์ ปริมาณของงานที่กำลังดำเนินการ ฯลฯ) ที่กำหนดโดยใช้แบบจำลองนี้ จุดมุ่งหมายของการศึกษาคือการวิเคราะห์ความเป็นไปได้ในการแทนที่แบบจำลองของความน่าจะเป็นต่าง ๆ ของการดำเนินการอย่างใดอย่างหนึ่งด้วยค่าเฉลี่ย

ผลรวมของปัจจัยเหล่านี้ถูกนำมาพิจารณาเมื่อคำนวณความน่าจะเป็นทางเรขาคณิตโดยเฉลี่ยของการดำเนินการหนึ่งกระบวนการของกระบวนการทางเทคโนโลยีโดยเฉลี่ย การวิเคราะห์การผลิตสมัยใหม่แสดงให้เห็นว่ามีความผันผวนเล็กน้อย: จริงภายใน 0.9 - 1.0

ภาพประกอบที่ชัดเจนว่าความน่าจะเป็นของการดำเนินการอย่างใดอย่างหนึ่งต่ำเพียงใด

เครื่องส่งรับวิทยุสอดคล้องกับค่า 0.9 มีดังต่อไปนี้ ตัวอย่างที่เป็นนามธรรม. สมมติว่าเรามีสิบชิ้นที่จะทำ กระบวนการทางเทคโนโลยีของการผลิตแต่ละกระบวนการประกอบด้วยการดำเนินการสิบรายการ ความน่าจะเป็นของการดำเนินการแต่ละครั้งคือ 0.9 ให้เราค้นหาความน่าจะเป็นของการล่าช้ากว่ากำหนดสำหรับกระบวนการทางเทคโนโลยีจำนวนต่างๆ

เหตุการณ์สุ่มซึ่งประกอบด้วยความจริงที่ว่ากระบวนการทางเทคโนโลยีเฉพาะของการผลิตหน่วยการประกอบจะล่าช้ากว่ากำหนด ซึ่งสอดคล้องกับประสิทธิภาพที่ต่ำกว่าของการดำเนินการอย่างน้อยหนึ่งอย่างในกระบวนการนี้ เป็นสิ่งที่ตรงกันข้ามกับเหตุการณ์: การดำเนินการทั้งหมดโดยไม่ล้มเหลว ความน่าจะเป็นคือ 1 - 0.910 = 0.65 เนื่องจากความล่าช้าของกำหนดการเป็นเหตุการณ์ที่ไม่ขึ้นต่อกัน การแจกแจงความน่าจะเป็นของ Bernoulli จึงสามารถนำมาใช้เพื่อกำหนดความน่าจะเป็นของความล่าช้าของกำหนดการสำหรับกระบวนการจำนวนต่างๆ ได้ ผลการคำนวณแสดงในตารางที่ 1

ตารางที่ 1

การคำนวณความน่าจะเป็นของการล้าหลังกำหนดการของกระบวนการทางเทคโนโลยี

ถึง C^o0.35k0.651O-k ผลรวม

ตารางแสดงให้เห็นว่าด้วยความน่าจะเป็น 0.92 ห้ากระบวนการทางเทคโนโลยีจะช้ากว่ากำหนดการนั่นคือครึ่งหนึ่ง ความคาดหวังทางคณิตศาสตร์ของจำนวนกระบวนการทางเทคโนโลยีที่ล่าช้ากว่ากำหนดการคือ 6.5 ซึ่งหมายความว่า โดยเฉลี่ยแล้ว 6.5 หน่วยประกอบจาก 10 หน่วยจะล่าช้ากว่ากำหนด นั่นคือ โดยเฉลี่ยแล้ว 3 ถึง 4 ชิ้นส่วนจะถูกผลิตโดยไม่มีข้อผิดพลาด ผู้เขียนไม่ทราบตัวอย่างขององค์กรแรงงานระดับต่ำในการผลิตจริง ตัวอย่างที่พิจารณาแสดงให้เห็นอย่างชัดเจนว่าข้อ จำกัด ที่กำหนดไว้เกี่ยวกับค่าความน่าจะเป็นของการดำเนินการหนึ่งรายการโดยไม่ล้มเหลวนั้นไม่ขัดแย้งกับการปฏิบัติ ข้อกำหนดข้างต้นทั้งหมดเป็นไปตามกระบวนการผลิตของร้านค้าประกอบเครื่องจักรของการผลิตอาคารเครื่องจักร

ดังนั้น เพื่อกำหนดลักษณะสุ่มของกระบวนการผลิต จึงเสนอให้สร้างการแจกแจงความน่าจะเป็นสำหรับการดำเนินงานของกระบวนการทางเทคโนโลยีหนึ่ง ซึ่งแสดงความน่าจะเป็นของการดำเนินการตามลำดับของการดำเนินการทางเทคโนโลยีสำหรับการผลิตหน่วยประกอบผ่านความน่าจะเป็นเฉลี่ยทางเรขาคณิตของ ดำเนินการอย่างใดอย่างหนึ่ง ความน่าจะเป็นของการดำเนินการ K ในกรณีนี้จะเท่ากับผลคูณของความน่าจะเป็นของการดำเนินการแต่ละครั้ง คูณด้วยความน่าจะเป็นที่จะไม่ดำเนินการส่วนที่เหลือของกระบวนการทางเทคโนโลยี ซึ่งสอดคล้องกับความน่าจะเป็นที่จะไม่ดำเนินการ (K + T ) -th การดำเนินการ ข้อเท็จจริงนี้อธิบายได้จากข้อเท็จจริงที่ว่าหากไม่ดำเนินการใดๆ ก็จะไม่สามารถดำเนินการต่อไปนี้ได้ รายการสุดท้ายแตกต่างจากรายการที่เหลือเนื่องจากเป็นการแสดงถึงความน่าจะเป็นของการดำเนินการทั้งหมดโดยปราศจากความล้มเหลวของกระบวนการทางเทคโนโลยีทั้งหมด ความน่าจะเป็นของการดำเนินการ K ของการดำเนินการครั้งแรกของกระบวนการทางเทคโนโลยีนั้นเกี่ยวข้องกับความน่าจะเป็นที่จะไม่ดำเนินการที่เหลือ ดังนั้น การแจกแจงความน่าจะเป็นจึงมีรูปแบบดังนี้

PY=0)=p°(1-p),

Р(§=1) = р1(1-р), (2)

P(^=1) = p1(1-p),

P(t=u-1) = pn"1(1 - p), P(t=n) = pn,

โดยที่: ^ - ค่าสุ่ม จำนวนการดำเนินการ

p คือค่าเฉลี่ยความน่าจะเป็นทางเรขาคณิตของการดำเนินการหนึ่งรายการ n คือจำนวนการดำเนินการในกระบวนการทางเทคโนโลยี

ความถูกต้องของการประยุกต์ใช้การแจกแจงความน่าจะเป็นแบบหนึ่งพารามิเตอร์ที่ได้รับนั้นเห็นได้โดยสัญชาตญาณจากเหตุผลต่อไปนี้ สมมติว่าเราได้คำนวณค่าเฉลี่ยทางเรขาคณิตของความน่าจะเป็นที่จะดำเนินการ 1 การดำเนินการกับตัวอย่างองค์ประกอบ n รายการ โดยที่ n มีค่ามากเพียงพอ

p = USHT7P7= tl|n]t=1p!), (3)

โดยที่: Iy - จำนวนการดำเนินการที่มีความน่าจะเป็นในการดำเนินการเท่ากัน ] - ดัชนีของกลุ่มการดำเนินการที่มีความน่าจะเป็นในการดำเนินการเท่ากัน ม. - จำนวนกลุ่มที่ประกอบด้วยการดำเนินการที่มีความน่าจะเป็นในการดำเนินการเท่ากัน

^ = - - ความถี่สัมพัทธ์ของการเกิดขึ้นของการดำเนินการด้วยความน่าจะเป็นของการดำเนินการ p^

ตามกฎของจำนวนมากโดยมีจำนวนการดำเนินการไม่ จำกัด ความถี่สัมพัทธ์ของการเกิดขึ้นในลำดับของการดำเนินการที่มีลักษณะสุ่มบางอย่างมีแนวโน้มในความน่าจะเป็นของเหตุการณ์นี้ ไหนว่าตามนั้น

สำหรับสองตัวอย่างที่มีขนาดใหญ่เพียงพอ = แล้ว:

โดยที่: t1, t2 - จำนวนกลุ่มในตัวอย่างที่หนึ่งและสองตามลำดับ

1*, I2 - จำนวนองค์ประกอบในกลุ่มตัวอย่างที่หนึ่งและสองตามลำดับ

จากสิ่งนี้จะเห็นได้ว่าหากพารามิเตอร์ถูกคำนวณสำหรับการทดสอบจำนวนมาก ค่านั้นจะใกล้เคียงกับพารามิเตอร์ P ที่คำนวณสำหรับตัวอย่างที่ค่อนข้างใหญ่นี้

ควรให้ความสนใจกับความใกล้เคียงที่แตกต่างกันกับค่าที่แท้จริงของความน่าจะเป็นของการดำเนินการตามจำนวนที่แตกต่างกัน ในองค์ประกอบทั้งหมดของการกระจายยกเว้นองค์ประกอบสุดท้ายมีปัจจัย (I - P) เนื่องจากค่าของพารามิเตอร์ P อยู่ในช่วง 0.9 - 1.0 ปัจจัย (I - P) จึงผันผวนระหว่าง 0 - 0.1 ตัวคูณนี้สอดคล้องกับตัวคูณ (I - p;) ในรุ่นดั้งเดิม ประสบการณ์แสดงให้เห็นว่าการโต้ตอบสำหรับความน่าจะเป็นเฉพาะนี้อาจทำให้เกิดข้อผิดพลาดได้มากถึง 300% อย่างไรก็ตาม ในทางปฏิบัติ เรามักจะไม่สนใจในความน่าจะเป็นของการดำเนินการใดๆ ก็ตาม แต่ในความน่าจะเป็นของการดำเนินการที่สมบูรณ์โดยปราศจากความล้มเหลวของกระบวนการทางเทคโนโลยี ความน่าจะเป็นนี้ไม่มีปัจจัย (I - P) ดังนั้นค่าเบี่ยงเบนจากค่าจริงจึงน้อย (จริง ๆ แล้วไม่เกิน 3%) สำหรับงานด้านเศรษฐกิจ นี่เป็นความแม่นยำที่ค่อนข้างสูง

การแจกแจงความน่าจะเป็นของตัวแปรสุ่มที่สร้างขึ้นในลักษณะนี้เป็นแบบจำลองไดนามิกสุ่มของกระบวนการผลิตของหน่วยประกอบ เวลามีส่วนร่วมโดยปริยายเป็นระยะเวลาของการดำเนินการหนึ่งครั้ง แบบจำลองช่วยให้คุณสามารถกำหนดความน่าจะเป็นที่หลังจากช่วงระยะเวลาหนึ่ง (จำนวนการดำเนินการที่สอดคล้องกัน) กระบวนการผลิตของการผลิตชุดประกอบจะไม่หยุดชะงัก สำหรับร้านประกอบเครื่องจักรของการผลิตเครื่องจักร จำนวนการดำเนินการโดยเฉลี่ยของกระบวนการทางเทคโนโลยีหนึ่งนั้นค่อนข้างใหญ่ (15 - 80) หากเราถือว่าตัวเลขนี้เป็นตัวเลขฐานและถือว่าโดยเฉลี่ยแล้วในการผลิตหน่วยประกอบหนึ่งชุด จะมีการใช้งานประเภทขยายชุดเล็กๆ (การกลึง ช่างทำกุญแจ การกัด ฯลฯ)

จากนั้นการกระจายผลลัพธ์สามารถใช้ในการประเมินผลกระทบของการรบกวนแบบสุ่มในกระบวนการผลิตได้สำเร็จ

ผู้เขียนได้ทำการทดลองจำลองที่สร้างขึ้นจากหลักการนี้ ในการสร้างลำดับของตัวแปรสุ่มหลอกที่กระจายอย่างสม่ำเสมอในช่วง 0.9 - 1.0 จะใช้ตัวสร้างตัวเลขสุ่มหลอกซึ่งอธิบายไว้ใน ซอฟต์แวร์การทดลองเขียนด้วยภาษาอัลกอริทึมโคบอล

ในการทดลอง ผลิตภัณฑ์ของตัวแปรสุ่มที่สร้างขึ้นจะถูกสร้างขึ้น โดยจำลองความน่าจะเป็นที่แท้จริงของการดำเนินการตามกระบวนการทางเทคโนโลยีที่เฉพาะเจาะจงอย่างสมบูรณ์ เปรียบเทียบกับความน่าจะเป็นของการดำเนินการตามกระบวนการทางเทคโนโลยีซึ่งได้รับโดยใช้ค่าเฉลี่ยทางเรขาคณิตซึ่งคำนวณสำหรับลำดับของตัวเลขสุ่มของการแจกแจงเดียวกัน ค่าเฉลี่ยเรขาคณิตยกกำลังเท่ากับจำนวนปัจจัยในผลคูณ ระหว่างผลลัพธ์ทั้งสองนี้ จะมีการคำนวณความแตกต่างสัมพัทธ์เป็นเปอร์เซ็นต์ การทดลองซ้ำสำหรับจำนวนปัจจัยที่แตกต่างกันในผลิตภัณฑ์และจำนวนของตัวเลขที่คำนวณค่าเฉลี่ยทางเรขาคณิต ส่วนของผลการทดลองแสดงในตารางที่ 2

ตารางที่ 2

ผลการทดลองจำลอง:

n คือระดับของค่าเฉลี่ยทางเรขาคณิต k - ระดับของผลิตภัณฑ์

n ถึงส่วนเบี่ยงเบนของผลิตภัณฑ์ไปยังส่วนเบี่ยงเบนของผลิตภัณฑ์ไปยังส่วนเบี่ยงเบนของผลิตภัณฑ์

10 1 0,9680 0% 7 0,7200 3% 13 0,6277 -7%

10 19 0,4620 -1% 25 0,3577 -1% 31 0,2453 2%

10 37 0,2004 6% 43 0,1333 4% 49 0,0888 6%

10 55 0,0598 8% 61 0,0475 5% 67 0,0376 2%

10 73 0,0277 1% 79 0,0196 9% 85 0,0143 2%

10 91 0,0094 9% 97 0,0058 0%

13 7 0,7200 8% 13 0,6277 0% 19 0,4620 0%

13 25 0,3577 5% 31 0,2453 6% 37 0,2004 4%

13 43 0,1333 3% 49 0,0888 8% 55 0,0598 8%

13 61 0,0475 2% 67 0,0376 8% 73 0,0277 2%

13 79 0,0196 1% 85 0,0143 5% 91 0,0094 5%

16 1 0,9680 0% 7 0,7200 9%

16 13 0,6277 2% 19 0,4620 3% 25 0,3577 0%

16 31 0,2453 2% 37 0,2004 2% 43 0,1333 5%

16 49 0,0888 4% 55 0,0598 0% 61 0,0475 7%

16 67 0,0376 5% 73 0,0277 5% 79 0,0196 2%

16 85 0,0143 4% 91 0,0094 0% 97 0,0058 4%

19 4 0,8157 4% 10 0,6591 1% 16 0,5795 -9%

19 22 0,4373 -5% 28 0,2814 5% 34 0,2256 3%

19 40 0,1591 6% 46 0,1118 1% 52 0,0757 3%

19 58 0,0529 4% 64 0,0418 3% 70 0,0330 2%

19 76 0,0241 6% 82 0,0160 1% 88 0,0117 8%

19 94 0,0075 7% 100 0,0048 3%

22 10 0,6591 4% 16 0,5795 -4% 22 0,4373 0%

22 28 0,2814 5% 34 0,2256 5% 40 0,1591 1%

22 46 0,1118 1% 52 0,0757 0% 58 0,0529 8%

22 64 0,0418 1% 70 0,0330 3% 76 0,0241 5%

22 82 0,0160 4% 88 0,0117 2% 94 0,0075 5%

22 100 0,0048 1%

25 4 0,8157 3% 10 0,6591 0%

25 16 0,5795 0% 72 0,4373 -7% 28 0,2814 2%

25 34 0,2256 9% 40 0,1591 1% 46 0,1118 4%

25 52 0,0757 5% 58 0,0529 4% 64 0,0418 2%

25 70 0,0330 0% 76 0,0241 2% 82 0,0160 4%

28 4 0,8157 2% 10 0,6591 -2% 16 0,5795 -5%

28 22 0,4373 -3% 28 0,2814 2% 34 0,2256 -1%

28 40 0,1591 6% 46 0,1118 6% 52 0,0757 1%

28 58 0,0529 4% 64 0,041 8 9% 70 0,0330 5%

28 70 0,0241 2% 82 0,0160 3% 88 0,0117 1%

28 94 0,0075 100 0,0048 5%

31 10 0,6591 -3% 16 0,5795 -5% 22 0,4373 -4%

31 28 0,2814 0% 34 0,2256 -3% 40 0,1591 4%

31 46 0,1118 3% 52 0,0757 7% 58 0,0529 9%

31 64 0,0418 4% 70 0,0330 0% 76 0,0241 6%

31 82 0,0160 6% 88 0,0117 2% 94 0,0075 5%

เมื่อตั้งค่าการทดลองจำลองนี้ เป้าหมายคือเพื่อสำรวจความเป็นไปได้ในการได้รับโดยใช้การแจกแจงความน่าจะเป็น (2) ซึ่งเป็นหนึ่งในลักษณะทางสถิติที่ขยายใหญ่ขึ้นของกระบวนการผลิต นั่นคือความน่าจะเป็นของการดำเนินการตามกระบวนการทางเทคโนโลยีอย่างใดอย่างหนึ่งของการผลิตหน่วยประกอบซึ่งประกอบด้วย การดำเนินการ K โดยไม่มีข้อผิดพลาด สำหรับกระบวนการทางเทคโนโลยีเฉพาะ ความน่าจะเป็นนี้เท่ากับผลคูณของความน่าจะเป็นของการดำเนินการทั้งหมด จากการทดลองจำลองแสดงให้เห็นว่าค่าความเบี่ยงเบนสัมพัทธ์จากความน่าจะเป็นที่ได้รับโดยใช้แบบจำลองความน่าจะเป็นที่พัฒนาขึ้นนั้นไม่เกิน 9%

เนื่องจากการทดลองจำลองใช้การแจกแจงความน่าจะเป็นที่ไม่สะดวกกว่าจริง ความคลาดเคลื่อนทางปฏิบัติจะยิ่งน้อยลงไปอีก มีการสังเกตการเบี่ยงเบนทั้งในทิศทางที่ลดลงและในทิศทางที่เกินค่าที่ได้จากลักษณะเฉลี่ย ข้อเท็จจริงนี้ชี้ให้เห็นว่าหากเราพิจารณาการเบี่ยงเบนของความน่าจะเป็นของการดำเนินการที่ปราศจากความล้มเหลวของกระบวนการทางเทคโนโลยีที่ไม่ใช่กระบวนการเดียว แต่หลายกระบวนการก็จะน้อยกว่ามาก เห็นได้ชัดว่ายิ่งมีขนาดเล็กลงก็ยิ่งมีการพิจารณากระบวนการทางเทคโนโลยีมากขึ้น ดังนั้น การทดลองจำลองจึงแสดงให้เห็นข้อตกลงที่ดีระหว่างความน่าจะเป็นของการดำเนินการโดยปราศจากความล้มเหลวของกระบวนการทางเทคโนโลยีของผลิตภัณฑ์การผลิตกับความน่าจะเป็นที่ได้รับโดยใช้แบบจำลองทางคณิตศาสตร์แบบพารามิเตอร์เดียว

นอกจากนี้ยังมีการทดลองจำลอง:

เพื่อศึกษาการบรรจบกันทางสถิติของการประมาณค่าพารามิเตอร์การกระจายความน่าจะเป็น

เพื่อศึกษาความเสถียรทางสถิติของความคาดหวังทางคณิตศาสตร์ของจำนวนการดำเนินการที่ดำเนินการโดยไม่มีข้อผิดพลาด

เพื่อวิเคราะห์วิธีการกำหนดระยะเวลาของระยะเวลาการวางแผนขั้นต่ำ และประเมินความแตกต่างระหว่างตัวบ่งชี้ที่วางแผนไว้และตัวบ่งชี้ที่แท้จริงของกระบวนการผลิต หากระยะเวลาที่วางแผนไว้และการผลิตไม่ตรงเวลา

การทดลองแสดงให้เห็นข้อตกลงที่ดีระหว่างข้อมูลทางทฤษฎีที่ได้จากการใช้เทคนิคและข้อมูลเชิงประจักษ์ที่ได้จากการจำลองบน

ชุด "เศรษฐศาสตร์และการจัดการ"

คอมพิวเตอร์ของกระบวนการผลิตจริง

จากการประยุกต์ใช้แบบจำลองทางคณิตศาสตร์ที่สร้างขึ้น ผู้เขียนได้พัฒนาวิธีการเฉพาะ 3 วิธีสำหรับการปรับปรุงประสิทธิภาพการจัดการการปฏิบัติการ เพื่อการอนุมัติ ได้ทำการทดลองจำลองแยกต่างหาก

1. วิธีการกำหนดปริมาณที่มีเหตุผลของงานการผลิตสำหรับรอบระยะเวลาการวางแผน

2. วิธีการกำหนดระยะเวลาที่มีประสิทธิภาพสูงสุดของระยะเวลาการวางแผนปฏิบัติการ

3. การประเมินความแตกต่างในกรณีที่เวลาไม่ตรงกันระหว่างระยะเวลาที่วางแผนไว้และระยะเวลาการผลิต

วรรณกรรม

1. Mordasov Yu.P. การกำหนดระยะเวลาการวางแผนปฏิบัติการขั้นต่ำภายใต้การรบกวนแบบสุ่ม / การจำลองทางเศรษฐศาสตร์-คณิตศาสตร์และการจำลองโดยใช้คอมพิวเตอร์ - M: MIU ค่ะ S. Ordzhonikidze, 1984.

2. Naylor T. การทดลองจำลองเครื่องด้วยแบบจำลอง ระบบเศรษฐกิจ. -M: มีร์, 1975.

การย้ายจากความเข้มข้นไปสู่การกระจายความเสี่ยง - วิธีที่มีประสิทธิภาพการพัฒนาเศรษฐกิจของธุรกิจขนาดกลางและขนาดย่อม

ศ. Kozlenko N. N. มหาวิทยาลัยวิศวกรรมเครื่องกล

คำอธิบายประกอบ บทความนี้พิจารณาปัญหาในการเลือกการพัฒนาธุรกิจขนาดกลางและขนาดย่อมของรัสเซียที่มีประสิทธิภาพมากที่สุดผ่านการเปลี่ยนจากกลยุทธ์การรวมศูนย์เป็นกลยุทธ์การกระจายความเสี่ยง มีการพิจารณาประเด็นเกี่ยวกับความเหมาะสมของการกระจายความเสี่ยง ข้อได้เปรียบ เกณฑ์สำหรับการเลือกเส้นทางของการกระจายความเสี่ยง มีการจำแนกประเภทของกลยุทธ์การกระจายความเสี่ยง

คำสำคัญ: ธุรกิจขนาดกลางและขนาดย่อม; การกระจายความเสี่ยง; ความพอดีเชิงกลยุทธ์ ความได้เปรียบในการแข่งขัน.

การเปลี่ยนแปลงอย่างแข็งขันในพารามิเตอร์ของสภาพแวดล้อมมหภาค (การเปลี่ยนแปลงของสภาวะตลาด, การเกิดขึ้นของคู่แข่งรายใหม่ในอุตสาหกรรมที่เกี่ยวข้อง, การเพิ่มขึ้นของระดับการแข่งขันโดยทั่วไป) มักจะนำไปสู่การไม่ปฏิบัติตามแผนกลยุทธ์ที่วางแผนไว้ของขนาดกลางและขนาดย่อม - ธุรกิจขนาดใหญ่สูญเสียความมั่นคงทางการเงินและเศรษฐกิจขององค์กรเนื่องจากช่องว่างที่สำคัญระหว่างเงื่อนไขวัตถุประสงค์สำหรับกิจกรรมของธุรกิจขนาดเล็ก องค์กร และระดับเทคโนโลยีของการจัดการ

เงื่อนไขหลักสำหรับความมั่นคงทางเศรษฐกิจและความเป็นไปได้ในการรักษาความได้เปรียบทางการแข่งขันคือความสามารถของระบบการจัดการในการตอบสนองในเวลาที่เหมาะสมและเปลี่ยนแปลงกระบวนการผลิตภายใน (เปลี่ยนการแบ่งประเภทโดยคำนึงถึงความหลากหลาย สร้างการผลิตใหม่และกระบวนการทางเทคโนโลยี เปลี่ยนโครงสร้างของ องค์กรใช้เครื่องมือการตลาดและการจัดการที่เป็นนวัตกรรมใหม่)

การศึกษาแนวปฏิบัติของวิสาหกิจขนาดกลางและขนาดย่อมของรัสเซียประเภทการผลิตและบริการได้เปิดเผยคุณลักษณะและความสัมพันธ์เชิงเหตุและผลพื้นฐานดังต่อไปนี้ เทรนด์ปัจจุบันการเปลี่ยนแปลงของวิสาหกิจขนาดเล็กจากการกระจุกตัวเป็นการกระจายความเสี่ยง

SMB ส่วนใหญ่เริ่มต้นจากการเป็นธุรกิจขนาดเล็กขนาดเดียวที่เหมาะกับทุกคนที่ให้บริการในตลาดท้องถิ่นหรือภูมิภาค ในช่วงเริ่มต้นของกิจกรรม กลุ่มผลิตภัณฑ์ของบริษัทดังกล่าวมีจำกัดมาก ฐานทุนของบริษัทอ่อนแอ และตำแหน่งการแข่งขันของบริษัทมีความเสี่ยง โดยปกติแล้วกลยุทธ์ของบริษัทดังกล่าวจะมุ่งเน้นไปที่การเติบโตของยอดขายและส่วนแบ่งการตลาด เช่นเดียวกับ

แบบจำลองสุ่มอธิบายสถานการณ์เมื่อมีความไม่แน่นอน กล่าวอีกนัยหนึ่ง กระบวนการมีลักษณะของการสุ่มในระดับหนึ่ง คำคุณศัพท์ "สุ่ม" มาจากคำภาษากรีก "เดา" เนื่องจากความไม่แน่นอนเป็นลักษณะสำคัญ ชีวิตประจำวันจากนั้นโมเดลดังกล่าวสามารถอธิบายอะไรก็ได้

อย่างไรก็ตามการทาแต่ละครั้งผลลัพธ์ที่ได้จะแตกต่างกัน ดังนั้นจึงมักใช้แบบจำลองที่กำหนดขึ้น แม้ว่าพวกเขาจะไม่ใกล้เคียงกับสถานการณ์จริงมากที่สุดเท่าที่จะเป็นไปได้ แต่ก็ให้ผลลัพธ์ที่เหมือนกันเสมอและทำให้เข้าใจสถานการณ์ได้ง่ายขึ้น ลดความซับซ้อนลงด้วยการแนะนำชุดสมการทางคณิตศาสตร์

คุณสมบัติหลัก

โมเดลสโตแคสติกประกอบด้วยตัวแปรสุ่มตั้งแต่หนึ่งตัวขึ้นไปเสมอ เธอพยายามสะท้อนชีวิตจริงในการแสดงออกทั้งหมด ซึ่งแตกต่างจาก stochastic มันไม่ได้มีเป้าหมายเพื่อทำให้ทุกอย่างง่ายขึ้นและลดให้เป็นค่าที่รู้จัก ดังนั้นความไม่แน่นอนจึงเป็นลักษณะสำคัญ โมเดลสโตแคสติกเหมาะสำหรับการอธิบายอะไรก็ได้ แต่พวกมันทั้งหมดมีคุณสมบัติทั่วไปดังต่อไปนี้:

  • แบบจำลองสุ่มใด ๆ สะท้อนทุกแง่มุมของปัญหาที่สร้างขึ้น
  • ผลลัพธ์ของแต่ละปรากฏการณ์นั้นไม่แน่นอน ดังนั้นแบบจำลองจึงมีความน่าจะเป็น ความถูกต้องของผลลัพธ์โดยรวมขึ้นอยู่กับความแม่นยำของการคำนวณ
  • ความน่าจะเป็นเหล่านี้สามารถใช้ทำนายหรืออธิบายกระบวนการได้

โมเดลกำหนดและสุ่ม

สำหรับบางคน ชีวิตดูเหมือนจะเป็นการสืบทอดสำหรับคนอื่น - กระบวนการที่สาเหตุกำหนดผล ในความเป็นจริงมันเป็นลักษณะของความไม่แน่นอน แต่ไม่เสมอไปและไม่ใช่ในทุกสิ่ง ดังนั้น บางครั้งจึงเป็นเรื่องยากที่จะค้นหาความแตกต่างที่ชัดเจนระหว่างแบบจำลองสุ่มและแบบจำลองเชิงกำหนด ความน่าจะเป็นค่อนข้างเป็นอัตวิสัย

ตัวอย่างเช่น พิจารณาสถานการณ์การโยนเหรียญ เมื่อมองแวบแรก ดูเหมือนว่ามีโอกาส 50% ที่จะโดนก้อย ดังนั้นจึงต้องใช้แบบจำลองเชิงกำหนด อย่างไรก็ตามในความเป็นจริงปรากฎว่าขึ้นอยู่กับความคล่องแคล่วของมือของผู้เล่นและความสมบูรณ์แบบของความสมดุลของเหรียญ ซึ่งหมายความว่าต้องใช้แบบจำลองสุ่ม มีพารามิเตอร์ที่เราไม่รู้อยู่เสมอ ในชีวิตจริง สาเหตุมักจะกำหนดผล แต่ก็มีความไม่แน่นอนในระดับหนึ่งเช่นกัน ทางเลือกระหว่างการใช้แบบจำลองเชิงกำหนดและแบบสุ่มขึ้นอยู่กับสิ่งที่เราเต็มใจที่จะละทิ้ง - ความเรียบง่ายของการวิเคราะห์หรือความสมจริง

ในทฤษฎีความโกลาหล

เมื่อเร็ว ๆ นี้แนวคิดของโมเดลที่เรียกว่าสโตแคสติกเริ่มเบลอมากขึ้น นี่เป็นเพราะการพัฒนาของทฤษฎีความโกลาหลที่เรียกว่า โดยจะอธิบายถึงแบบจำลองเชิงกำหนดที่สามารถให้ผลลัพธ์ที่แตกต่างกันโดยมีการเปลี่ยนแปลงเล็กน้อยในพารามิเตอร์เริ่มต้น นี่เป็นเหมือนความรู้เบื้องต้นเกี่ยวกับการคำนวณความไม่แน่นอน นักวิทยาศาสตร์หลายคนยอมรับว่านี่เป็นแบบจำลองสุ่มแล้ว

Lothar Breuer อธิบายทุกสิ่งอย่างงดงามด้วยความช่วยเหลือจากภาพบทกวี เขาเขียนว่า:“ ลำธารบนภูเขา, หัวใจเต้น, ไข้ทรพิษระบาด, คอลัมน์ควันที่พวยพุ่ง - ทั้งหมดนี้เป็นตัวอย่างของปรากฏการณ์แบบไดนามิกซึ่งบางครั้งดูเหมือนว่าจะเกิดขึ้นโดยบังเอิญ ในความเป็นจริง กระบวนการดังกล่าวมักจะอยู่ภายใต้คำสั่งบางอย่างเสมอ ซึ่งนักวิทยาศาสตร์และวิศวกรเพิ่งเริ่มเข้าใจ นี่คือสิ่งที่เรียกว่าความโกลาหลที่กำหนดขึ้น” ทฤษฎีใหม่ฟังดูมีเหตุผลมาก ซึ่งเป็นเหตุผลว่าทำไมนักวิทยาศาสตร์สมัยใหม่หลายคนถึงสนับสนุนทฤษฎีนี้ อย่างไรก็ตาม ยังคงมีการพัฒนาเพียงเล็กน้อย และค่อนข้างยากที่จะนำไปใช้ในการคำนวณทางสถิติ ดังนั้นจึงมักใช้แบบจำลองสุ่มหรือกำหนดขึ้น

อาคาร

Stochastic เริ่มต้นด้วยการเลือกช่องว่างของผลลัพธ์เบื้องต้น ดังนั้นในทางสถิติจึงเรียกรายการผลลัพธ์ที่เป็นไปได้ของกระบวนการหรือเหตุการณ์ที่กำลังศึกษาอยู่ จากนั้นผู้วิจัยจะกำหนดความน่าจะเป็นของผลลัพธ์เบื้องต้นแต่ละรายการ โดยปกติจะทำบนพื้นฐานของเทคนิคบางอย่าง

อย่างไรก็ตาม ความน่าจะเป็นยังคงเป็นพารามิเตอร์เชิงอัตนัย จากนั้นผู้วิจัยจะพิจารณาว่าเหตุการณ์ใดน่าสนใจที่สุดในการแก้ปัญหา หลังจากนั้นก็กำหนดความน่าจะเป็น

ตัวอย่าง

พิจารณากระบวนการสร้างแบบจำลองสุ่มที่ง่ายที่สุด สมมติว่าเราทอยลูกเต๋า หาก "หก" หรือ "หนึ่ง" ตกลงไป เงินรางวัลของเราจะเป็นสิบดอลลาร์ กระบวนการสร้างแบบจำลองสุ่มในกรณีนี้จะมีลักษณะดังนี้:

  • ให้เรากำหนดช่องว่างของผลลัพธ์เบื้องต้น ลูกเต๋ามีหกด้าน ดังนั้น หนึ่ง สอง สาม สี่ ห้า และหกสามารถขึ้นมาได้
  • ความน่าจะเป็นของผลลัพธ์แต่ละรายการจะเท่ากับ 1/6 ไม่ว่าเราจะทอยลูกเต๋าเท่าไรก็ตาม
  • ตอนนี้เราต้องกำหนดผลลัพธ์ที่เราสนใจ นี่คือการเสียหน้าด้วยเลข "หก" หรือ "หนึ่ง"
  • ในที่สุด เราสามารถกำหนดความน่าจะเป็นของเหตุการณ์ที่เราสนใจได้ มันคือ 1/3 เราสรุปความน่าจะเป็นของเหตุการณ์เบื้องต้นที่เราสนใจทั้งสอง: 1/6 + 1/6 = 2/6 = 1/3

แนวคิดและผลลัพธ์

การสร้างแบบจำลองสโตแคสติกมักใช้ใน การพนัน. แต่มันก็ขาดไม่ได้ในการพยากรณ์เศรษฐกิจเช่นกัน เพราะมันช่วยให้คุณเข้าใจสถานการณ์ได้ลึกกว่าสถานการณ์ที่กำหนดขึ้น แบบจำลองสุ่มทางเศรษฐศาสตร์มักใช้ในการตัดสินใจลงทุน ช่วยให้คุณสามารถตั้งสมมติฐานเกี่ยวกับความสามารถในการทำกำไรของการลงทุนในสินทรัพย์บางอย่างหรือกลุ่มของพวกเขา

การสร้างแบบจำลองทำให้การวางแผนทางการเงินมีประสิทธิภาพมากขึ้น ด้วยความช่วยเหลือ นักลงทุนและนักเทรดจึงเพิ่มประสิทธิภาพการกระจายสินทรัพย์ของตน การใช้งาน การจำลองสุ่มย่อมมีประโยชน์ในระยะยาวเสมอ ในบางอุตสาหกรรม การปฏิเสธหรือไม่สามารถนำไปใช้ได้อาจทำให้องค์กรล้มละลายได้ นี่เป็นเพราะความจริงที่ว่าในชีวิตจริง พารามิเตอร์สำคัญใหม่ ๆ ปรากฏขึ้นทุกวัน และหากไม่เป็นเช่นนั้น อาจส่งผลร้ายแรงได้

480 ถู | 150 UAH | $7.5 ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> วิทยานิพนธ์ - 480 รูเบิล ค่าจัดส่ง 10 นาทีตลอด 24 ชั่วโมง เจ็ดวันต่อสัปดาห์และวันหยุด

เดมิโดวา อนาสตาเซีย วยาเชสลาฟนา วิธีการสร้างแบบจำลองสุ่มของกระบวนการขั้นตอนเดียว: วิทยานิพนธ์ ... ผู้สมัครสาขาวิทยาศาสตร์กายภาพและคณิตศาสตร์: 13.13.05 น. / Demidova Anastasia Vyacheslavovna; [สถานที่ป้องกัน: มหาวิทยาลัยมิตรภาพของประชาชนแห่งรัสเซีย].- มอสโก, 2014.- 126 หน้า

บทนำ

บทที่ 1. ทบทวนผลงานในหัวข้อวิทยานิพนธ์ 14

1.1. ภาพรวมของแบบจำลองพลวัตของประชากร14

1.2. แบบจำลองประชากรสุ่ม 23

1.3. สมการเชิงอนุพันธ์สุ่ม26

1.4. ข้อมูลเกี่ยวกับแคลคูลัสสุ่ม 32

บทที่ 2 วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียว 39

2.1. กระบวนการขั้นตอนเดียว สมการคอลโมโกรอฟ-แชปแมน สมการจลน์พื้นฐาน 39

2.2. วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียวแบบหลายมิติ 47

2.3. การจำลองเชิงตัวเลข56

บทที่ 3 การประยุกต์ใช้วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียว 60

3.1. แบบจำลองสโตแคสติกของพลวัตของประชากร 60

3.2. แบบจำลองสุ่มของระบบประชากรที่มีอันตรกิริยาระหว่างกันและภายในเฉพาะต่างๆ 75

3.3. แบบจำลองสุ่มของการแพร่กระจายของเวิร์มเครือข่าย 92

3.4. แบบจำลองสุ่มของโปรโตคอลเพียร์ทูเพียร์ 97

บทสรุป 113

วรรณศิลป์116

สมการเชิงอนุพันธ์สุ่ม

วัตถุประสงค์ประการหนึ่งของวิทยานิพนธ์คือการเขียนสมการเชิงอนุพันธ์สุ่มสำหรับระบบเพื่อให้คำสุ่มมีความสัมพันธ์กับโครงสร้างของระบบที่กำลังศึกษาอยู่ วิธีหนึ่งที่เป็นไปได้สำหรับปัญหานี้คือการหาส่วนสุ่มและส่วนกำหนดจากสมการเดียวกัน เพื่อจุดประสงค์เหล่านี้ จะสะดวกกว่าที่จะใช้สมการจลนพลศาสตร์พื้นฐาน ซึ่งสามารถประมาณได้ด้วยสมการฟอกเกอร์-พลังค์ ซึ่งคุณสามารถเขียนสมการเชิงอนุพันธ์สุ่มที่เทียบเท่ากันในรูปแบบของสมการแลงเกวินได้

ส่วนที่ 1.4 มีข้อมูลพื้นฐานที่จำเป็นในการระบุความสัมพันธ์ระหว่างสมการเชิงอนุพันธ์สุ่มและสมการฟอกเกอร์-พลังค์ ตลอดจนแนวคิดพื้นฐานของแคลคูลัสสุ่ม

บทที่สองให้ข้อมูลพื้นฐานจากทฤษฎีของกระบวนการสุ่ม และบนพื้นฐานของทฤษฎีนี้ วิธีการสำหรับการสร้างแบบจำลองกระบวนการขั้นตอนเดียวได้รับการกำหนดขึ้น

ส่วนที่ 2.1 ให้ข้อมูลพื้นฐานจากทฤษฎีของกระบวนการขั้นตอนเดียวแบบสุ่ม

กระบวนการขั้นตอนเดียวเป็นที่เข้าใจกันว่าเป็นกระบวนการของมาร์คอฟด้วยเวลาต่อเนื่องโดยรับค่าในพื้นที่ของจำนวนเต็มเมทริกซ์การเปลี่ยนแปลงซึ่งอนุญาตเฉพาะการเปลี่ยนระหว่างส่วนที่อยู่ติดกัน

เราพิจารณากระบวนการหลายมิติแบบขั้นตอนเดียว Х() = (i(),2(), ...,n()) = ( j(), = 1, ) , (0.1) Є คือความยาวของช่วงเวลาที่ระบุกระบวนการ X() ชุด G \u003d (x, \u003d 1, Є NQ x NQ1 คือชุดของค่าที่ไม่ต่อเนื่องที่กระบวนการสุ่มสามารถทำได้

สำหรับกระบวนการแบบขั้นตอนเดียวนี้ จะแนะนำความน่าจะเป็นของการเปลี่ยนต่อหน่วยเวลา s+ และ s จากสถานะ Xj เป็นสถานะ Xj__i และ Xj_i ตามลำดับ ในกรณีนี้ ถือว่าความน่าจะเป็นของการเปลี่ยนจากสถานะ x เป็นสองขั้นตอนขึ้นไปต่อหน่วยเวลานั้นน้อยมาก ดังนั้น เราสามารถพูดได้ว่าเวกเตอร์สถานะ Xj ของระบบเปลี่ยนแปลงตามความยาว Г( และจากนั้น แทนที่จะเปลี่ยนจาก x เป็น Xj+i และ Xj_i เราสามารถพิจารณาการเปลี่ยนจาก X เป็น X + Гі และ X - Гі ตามลำดับ .

เมื่อสร้างแบบจำลองระบบที่วิวัฒนาการทางโลกเกิดขึ้นอันเป็นผลมาจากปฏิสัมพันธ์ขององค์ประกอบของระบบ จะสะดวกที่จะอธิบายโดยใช้สมการจลนพลศาสตร์หลัก (อีกชื่อหนึ่งคือสมการหลัก และในวรรณคดีอังกฤษเรียกว่าสมการหลัก)

ต่อไป คำถามเกิดขึ้นว่าจะรับคำอธิบายของระบบภายใต้การศึกษาได้อย่างไร ซึ่งอธิบายโดยกระบวนการแบบขั้นตอนเดียว โดยใช้สมการเชิงอนุพันธ์สุ่มในรูปของสมการ Langevin จากสมการจลนพลศาสตร์พื้นฐาน อย่างเป็นทางการ ควรจัดเฉพาะสมการที่มีฟังก์ชันสโตแคสติกเป็นสมการสุ่ม ดังนั้น มีเพียงสมการ Langevin เท่านั้นที่เป็นไปตามคำนิยามนี้ อย่างไรก็ตาม สมการเหล่านี้เกี่ยวข้องโดยตรงกับสมการอื่นๆ ได้แก่ สมการฟอกเกอร์-พลังค์และสมการจลนพลศาสตร์พื้นฐาน ดังนั้นจึงดูเหมือนสมเหตุสมผลที่จะพิจารณาสมการเหล่านี้ทั้งหมดเข้าด้วยกัน ดังนั้นเพื่อแก้ปัญหานี้จึงเสนอให้ประมาณสมการจลนพลศาสตร์หลักโดยสมการ Fokker-Planck ซึ่งเป็นไปได้ที่จะเขียนสมการเชิงอนุพันธ์สุ่มที่เทียบเท่าในรูปแบบของสมการ Langevin

ส่วนที่ 2.2 กำหนดวิธีการอธิบายและการสร้างแบบจำลองสุ่มของระบบที่อธิบายโดยกระบวนการขั้นตอนเดียวหลายมิติ

นอกจากนี้ยังแสดงให้เห็นว่าสามารถรับค่าสัมประสิทธิ์ของสมการฟอกเกอร์-พลังค์ได้ทันทีหลังจากเขียนสำหรับระบบภายใต้การศึกษาแผนปฏิสัมพันธ์ เวกเตอร์การเปลี่ยนสถานะ r และนิพจน์สำหรับความน่าจะเป็นของการเปลี่ยนแปลง s+ และ s- เช่น ในการใช้งานจริงของวิธีนี้ ไม่จำเป็นต้องจดสมการจลนศาสตร์หลัก

ส่วนที่ 2.3 มีการพิจารณาวิธี Runge-Kutta สำหรับการแก้ปัญหาเชิงตัวเลขของสมการเชิงอนุพันธ์สุ่ม ซึ่งใช้ในบทที่สามเพื่อแสดงผลลัพธ์ที่ได้

บทที่สามนำเสนอภาพประกอบของการประยุกต์ใช้วิธีการสร้างแบบจำลองสโทแคสติกที่อธิบายไว้ในบทที่สอง โดยใช้ตัวอย่างระบบที่อธิบายพลวัตของการเติบโตของประชากรที่มีปฏิสัมพันธ์ เช่น "ผู้ล่า-เหยื่อ" การอยู่ร่วมกัน การแข่งขัน และพวกมัน การปรับเปลี่ยน จุดมุ่งหมายคือการเขียนพวกมันเป็นสมการเชิงอนุพันธ์สุ่มและเพื่อตรวจสอบผลกระทบของการแนะนำสุ่มต่อพฤติกรรมของระบบ

ในหัวข้อ 3.1. การประยุกต์ใช้วิธีที่อธิบายไว้ในบทที่สองแสดงไว้ในตัวอย่างแบบจำลอง “ผู้ล่า-เหยื่อ” ระบบที่มีปฏิสัมพันธ์ของประชากรสองประเภทประเภท "ผู้ล่า - เหยื่อ" ได้รับการศึกษาอย่างกว้างขวางซึ่งทำให้สามารถเปรียบเทียบผลลัพธ์ที่ได้รับกับระบบที่รู้จักกันดีอยู่แล้ว

การวิเคราะห์สมการที่ได้รับแสดงให้เห็นว่าในการศึกษาพฤติกรรมเชิงกำหนดของระบบ เราสามารถใช้เวกเตอร์ดริฟท์ A ของสมการเชิงอนุพันธ์สุ่มที่ได้มาได้ เช่น วิธีการที่พัฒนาขึ้นสามารถใช้ในการวิเคราะห์ทั้งพฤติกรรมสุ่มและกำหนดได้ นอกจากนี้ยังสรุปได้ว่าแบบจำลองสุ่มให้คำอธิบายที่สมจริงยิ่งขึ้นเกี่ยวกับพฤติกรรมของระบบ โดยเฉพาะอย่างยิ่ง สำหรับระบบ "ผู้ล่า-เหยื่อ" ในกรณีเชิงกำหนด คำตอบของสมการจะมีรูปแบบเป็นระยะและปริมาณเฟสจะถูกรักษาไว้ ในขณะที่การนำสโตแคสติกเข้ามาในแบบจำลองจะทำให้ปริมาณเฟสเพิ่มขึ้นอย่างน่าเบื่อหน่าย ซึ่ง บ่งชี้ถึงการตายของประชากรหนึ่งหรือทั้งสองอย่างหลีกเลี่ยงไม่ได้ เพื่อให้เห็นภาพผลลัพธ์ที่ได้ ได้ทำการจำลองเชิงตัวเลข

ส่วนที่ 3.2 วิธีการที่พัฒนาขึ้นนี้ใช้เพื่อให้ได้มาและวิเคราะห์แบบจำลองสุ่มของพลวัตของประชากร เช่น แบบจำลอง "ผู้ล่า-เหยื่อ" โดยคำนึงถึงการแข่งขันเฉพาะเจาะจงระหว่างเหยื่อ การอยู่ร่วมกัน แข่งขัน และแบบจำลองปฏิสัมพันธ์ของประชากรสามกลุ่ม

ข้อมูลเกี่ยวกับแคลคูลัสสุ่ม

การพัฒนาทฤษฎีกระบวนการสุ่มนำไปสู่การเปลี่ยนไปสู่การวิจัย ปรากฏการณ์ทางธรรมชาติตั้งแต่แนวคิดเชิงกำหนดและแบบจำลองพลวัตของประชากรไปจนถึงความน่าจะเป็น และผลที่ตามมาคือ การเกิดขึ้นของงานจำนวนมากที่อุทิศให้กับการสร้างแบบจำลองสุ่มในชีววิทยาคณิตศาสตร์ เคมี เศรษฐศาสตร์ ฯลฯ

เมื่อพิจารณาแบบจำลองประชากรเชิงกำหนด เช่น จุดสำคัญเป็นอิทธิพลสุ่มของปัจจัยต่าง ๆ ต่อวิวัฒนาการของระบบ เมื่ออธิบายพลวัตของประชากร ควรคำนึงถึงลักษณะสุ่มของการสืบพันธุ์และการอยู่รอดของแต่ละบุคคล ตลอดจนความผันผวนแบบสุ่มที่เกิดขึ้นในสภาพแวดล้อมเมื่อเวลาผ่านไป และนำไปสู่ความผันผวนแบบสุ่มในพารามิเตอร์ระบบ ดังนั้น กลไกความน่าจะเป็นที่สะท้อนถึงช่วงเวลาเหล่านี้ควรได้รับการแนะนำในแบบจำลองของการเปลี่ยนแปลงของประชากร

การสร้างแบบจำลองสโทแคสติกช่วยให้สามารถอธิบายการเปลี่ยนแปลงคุณลักษณะของประชากรได้อย่างสมบูรณ์มากขึ้น โดยคำนึงถึงทั้งปัจจัยที่กำหนดขึ้นทั้งหมดและผลกระทบแบบสุ่มที่สามารถเปลี่ยนข้อสรุปจากแบบจำลองที่กำหนดขึ้นได้อย่างมีนัยสำคัญ ในทางกลับกัน สามารถใช้เพื่อเปิดเผยแง่มุมใหม่ของพฤติกรรมประชากรในเชิงคุณภาพ

แบบจำลองสุ่มของการเปลี่ยนแปลงในสถานะประชากรสามารถอธิบายได้โดยใช้กระบวนการสุ่ม ภายใต้สมมติฐานบางอย่าง เราสามารถสันนิษฐานได้ว่าพฤติกรรมของประชากร เมื่อพิจารณาจากสถานะปัจจุบันแล้ว ไม่ได้ขึ้นอยู่กับว่าสถานะนี้เกิดขึ้นได้อย่างไร (กล่าวคือ ด้วยปัจจุบันที่แน่นอน อนาคตไม่ได้ขึ้นอยู่กับอดีต) ที่. ในการสร้างแบบจำลองกระบวนการพลวัตของประชากร สะดวกที่จะใช้กระบวนการเกิด-ตายของมาร์คอฟและสมการการควบคุมที่สอดคล้องกัน ซึ่งอธิบายไว้โดยละเอียดในส่วนที่สองของเอกสาร

N. N. Kalinkin ในงานของเขาเพื่อแสดงให้เห็นถึงกระบวนการที่เกิดขึ้นในระบบที่มีองค์ประกอบการโต้ตอบใช้แผนการโต้ตอบและสร้างแบบจำลองของระบบเหล่านี้โดยใช้เครื่องมือของกระบวนการมาร์คอฟที่แตกแขนง การประยุกต์ใช้แนวทางนี้แสดงให้เห็นได้จากตัวอย่างกระบวนการสร้างแบบจำลองในสารเคมี ประชากร โทรคมนาคม และระบบอื่นๆ

บทความนี้พิจารณาแบบจำลองประชากรที่น่าจะเป็นสำหรับการสร้างเครื่องมือของกระบวนการเกิด-ตาย และระบบผลลัพธ์ของสมการผลต่างเชิงอนุพันธ์คือสมการไดนามิกสำหรับกระบวนการสุ่ม กระดาษยังพิจารณาวิธีการในการหาคำตอบของสมการเหล่านี้

คุณสามารถค้นหาบทความมากมายเกี่ยวกับการสร้างแบบจำลองสุ่มที่คำนึงถึงปัจจัยต่างๆ ที่มีอิทธิพลต่อการเปลี่ยนแปลงของจำนวนประชากร ตัวอย่างเช่น ในบทความมีการสร้างและวิเคราะห์แบบจำลองพลวัตของจำนวนชุมชนทางชีววิทยาซึ่งบุคคลบริโภคทรัพยากรอาหารที่มี สารอันตราย. และในรูปแบบวิวัฒนาการของประชากร บทความนี้คำนึงถึงปัจจัยของการตั้งถิ่นฐานของตัวแทนของประชากรในที่อยู่อาศัย โมเดลเป็นระบบสมการ Vlasov ที่สอดคล้องกันในตัวเอง

เป็นที่น่าสังเกตว่าผลงานที่อุทิศให้กับทฤษฎีความผันผวนและการประยุกต์วิธีการสุ่มในวิทยาศาสตร์ธรรมชาติ เช่น ฟิสิกส์ เคมี ชีววิทยา ฯลฯ กระบวนการเกิด-ตาย

เราสามารถพิจารณาแบบจำลอง "ผู้ล่า - เหยื่อ" ว่าเป็นการตระหนักถึงกระบวนการเกิด-การตาย ในการตีความนี้สามารถใช้กับแบบจำลองในสาขาวิทยาศาสตร์หลายสาขา ในทศวรรษที่ 1970 เอ็ม โดอิ ได้เสนอวิธีการศึกษาแบบจำลองดังกล่าวโดยใช้ตัวดำเนินการสร้าง-การทำลายล้าง (โดยการเปรียบเทียบกับการวัดปริมาณครั้งที่สอง) ที่นี่คุณสามารถทำเครื่องหมายงาน นอกจากนี้วิธีนี้กำลังได้รับการพัฒนาอย่างแข็งขันในกลุ่ม M. M. Gnatich

อีกแนวทางหนึ่งในการสร้างแบบจำลองและศึกษาแบบจำลองพลวัตของประชากรเกี่ยวข้องกับทฤษฎีการควบคุมที่เหมาะสมที่สุด ที่นี่คุณสามารถทำเครื่องหมายงาน

สามารถสังเกตได้ว่างานส่วนใหญ่ที่อุทิศให้กับการสร้างแบบจำลองสุ่มของกระบวนการประชากรใช้เครื่องมือของกระบวนการสุ่มเพื่อให้ได้สมการผลต่างเชิงอนุพันธ์และการใช้ตัวเลขที่ตามมา นอกจากนี้ สมการเชิงอนุพันธ์สุ่มในรูปแบบ Langevin ยังใช้กันอย่างแพร่หลาย โดยเพิ่มคำศัพท์สุ่มจาก ข้อพิจารณาทั่วไปเกี่ยวกับพฤติกรรมของระบบและมีวัตถุประสงค์เพื่ออธิบายผลกระทบแบบสุ่มของสภาพแวดล้อม การศึกษาแบบจำลองเพิ่มเติมคือการวิเคราะห์เชิงคุณภาพหรือการหาวิธีแก้ปัญหาโดยใช้วิธีการเชิงตัวเลข

สมการเชิงอนุพันธ์สุ่ม คำนิยาม 1. สมการเชิงอนุพันธ์สุ่มเป็นสมการเชิงอนุพันธ์ที่พจน์หนึ่งหรือหลายพจน์เป็นตัวแทนของกระบวนการสุ่ม ใช้มากที่สุดและดี ตัวอย่างที่มีชื่อเสียงสมการเชิงอนุพันธ์สุ่ม (SDE) เป็นสมการที่มีคำที่อธิบายถึงสัญญาณรบกวนสีขาวและสามารถพิจารณาได้ว่าเป็นกระบวนการ Wiener Wt, t 0

สมการเชิงอนุพันธ์สุ่มเป็นเครื่องมือทางคณิตศาสตร์ที่สำคัญและใช้กันอย่างแพร่หลายในการศึกษาและการสร้างแบบจำลองของระบบไดนามิกซึ่งขึ้นอยู่กับการก่อกวนแบบสุ่มต่างๆ

จุดเริ่มต้นของการสร้างแบบจำลองสุ่มของปรากฏการณ์ทางธรรมชาติถือเป็นคำอธิบายของปรากฏการณ์การเคลื่อนที่แบบบราวเนียน ซึ่งค้นพบโดยอาร์ บราวน์ในปี พ.ศ. 2370 เมื่อเขาศึกษาการเคลื่อนที่ของละอองเรณูของพืชในของเหลว คำอธิบายที่ชัดเจนครั้งแรกของปรากฏการณ์นี้ได้รับจาก A. Einstein และ M. Smolucowski เป็นที่น่าสังเกตว่ามีการรวบรวมบทความที่รวบรวมผลงานของ A. Einstein และ M. Smolucowski เกี่ยวกับการเคลื่อนที่แบบบราวเนียน การศึกษาเหล่านี้มีส่วนสำคัญในการพัฒนาทฤษฎีการเคลื่อนที่แบบบราวเนียนและการตรวจสอบการทดลอง A. Einstein สร้างทฤษฎีจลนพลศาสตร์ระดับโมเลกุลสำหรับคำอธิบายเชิงปริมาณของการเคลื่อนที่แบบบราวเนียน สูตรที่ได้รับได้รับการยืนยันโดยการทดลองของ J. Perrin ในปี 1908-1909

วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียวแบบหลายมิติ

เพื่ออธิบายวิวัฒนาการของระบบที่มีองค์ประกอบโต้ตอบ มีสองวิธี - นี่คือการสร้างแบบจำลองที่กำหนดขึ้นหรือสุ่ม แบบจำลองสโทแคสติกแตกต่างจากแบบเชิงกำหนด อนุญาตให้คำนึงถึงธรรมชาติของความน่าจะเป็นของกระบวนการที่เกิดขึ้นในระบบที่กำลังศึกษา เช่นเดียวกับผลกระทบของสภาพแวดล้อมภายนอกที่ทำให้เกิดการผันผวนแบบสุ่มในพารามิเตอร์แบบจำลอง

หัวข้อของการศึกษาคือระบบกระบวนการที่เกิดขึ้นซึ่งสามารถอธิบายได้โดยใช้กระบวนการขั้นตอนเดียวและกระบวนการที่เปลี่ยนจากสถานะหนึ่งไปสู่อีกสถานะหนึ่งเกี่ยวข้องกับการทำงานร่วมกันขององค์ประกอบของระบบ ตัวอย่างคือแบบจำลองที่อธิบายพลวัตการเติบโตของประชากรที่มีปฏิสัมพันธ์ เช่น "ผู้ล่า-เหยื่อ" การอยู่ร่วมกัน การแข่งขัน และการปรับเปลี่ยน จุดมุ่งหมายคือเพื่อเขียนระบบ SDE ดังกล่าวและเพื่อตรวจสอบอิทธิพลของการแนะนำส่วนสุ่มต่อพฤติกรรมของการแก้สมการที่อธิบายถึงพฤติกรรมที่กำหนดขึ้น

จลนพลศาสตร์เคมี

ระบบสมการที่เกิดขึ้นเมื่ออธิบายระบบที่มีองค์ประกอบที่มีปฏิสัมพันธ์นั้นมีหลายวิธีคล้ายกับระบบสมการเชิงอนุพันธ์ที่อธิบายจลนพลศาสตร์ของปฏิกิริยาเคมี ดังนั้น ตัวอย่างเช่น ระบบ Lotka-Volterra ดั้งเดิมถูกอนุมานโดย Lotka ว่าเป็นระบบที่อธิบายปฏิกิริยาเคมีเชิงสมมุติฐาน และต่อมา Volterra อนุมานได้ว่าเป็นระบบที่อธิบายแบบจำลอง "ผู้ล่า-เหยื่อ"

จลนพลศาสตร์เคมีอธิบายปฏิกิริยาเคมีโดยใช้สิ่งที่เรียกว่าสมการปริมาณสารสัมพันธ์ - สมการที่สะท้อนถึงอัตราส่วนเชิงปริมาณของสารตั้งต้นและผลิตภัณฑ์ของปฏิกิริยาเคมีและมีรูปแบบทั่วไปดังต่อไปนี้: จำนวนเต็ม ti และ U เรียกว่าสัมประสิทธิ์สัมพันธ์สัมพันธ์ นี่คือบันทึกเชิงสัญลักษณ์ของปฏิกิริยาเคมีที่โมเลกุล ti ของรีเอเจนต์ Xi, ni2 โมเลกุลของรีเอเจนต์ Xh, ..., tr โมเลกุลของรีเอเจนต์ Xp เมื่อเข้าสู่ปฏิกิริยา u โมเลกุลของสาร Yї ยู โมเลกุลของสาร I2, ..., nq โมเลกุลของสาร Yq ตามลำดับ .

ในจลนพลศาสตร์เคมี เชื่อว่าปฏิกิริยาเคมีสามารถเกิดขึ้นได้กับปฏิกิริยาโดยตรงของรีเอเจนต์เท่านั้น และอัตราของปฏิกิริยาเคมีถูกกำหนดเป็นจำนวนของอนุภาคที่เกิดขึ้นต่อหน่วยเวลาต่อหน่วยปริมาตร

สมมติฐานหลักของจลนพลศาสตร์เคมีคือกฎของการกระทำโดยมวลซึ่งกล่าวว่าอัตราของปฏิกิริยาเคมีเป็นสัดส่วนโดยตรงกับผลคูณของความเข้มข้นของสารตั้งต้นในพลังของสัมประสิทธิ์ปริมาณสัมพันธ์ ดังนั้นหากเราระบุความเข้มข้นของสารที่เกี่ยวข้องด้วย XI และ y I เราก็จะได้สมการสำหรับอัตราการเปลี่ยนแปลงความเข้มข้นของสารใด ๆ เมื่อเวลาผ่านไปอันเป็นผลมาจากปฏิกิริยาเคมี:

นอกจากนี้ ขอเสนอให้ใช้แนวคิดพื้นฐานของจลนพลศาสตร์เคมีเพื่ออธิบายระบบที่มีวิวัฒนาการตามเวลาอันเป็นผลมาจากปฏิสัมพันธ์ขององค์ประกอบของระบบที่กำหนดกับแต่ละอื่น ๆ ทำให้เกิดการเปลี่ยนแปลงที่สำคัญดังต่อไปนี้ 1. ไม่ใช่อัตราการเกิดปฏิกิริยา ได้รับการพิจารณา แต่ความน่าจะเป็นการเปลี่ยนแปลง; 2. มีการเสนอว่าความน่าจะเป็นของการเปลี่ยนแปลงจากสถานะหนึ่งไปยังอีกสถานะหนึ่ง ซึ่งเป็นผลมาจากการโต้ตอบนั้นเป็นสัดส่วนกับจำนวนของการโต้ตอบที่เป็นไปได้ของประเภทนี้ 3. เพื่ออธิบายระบบใน วิธีนี้ใช้สมการจลนศาสตร์พื้นฐาน 4. สมการเชิงกำหนดจะถูกแทนที่ด้วยสมการสุ่ม วิธีการที่คล้ายกันกับคำอธิบายของระบบดังกล่าวสามารถพบได้ในงาน เพื่ออธิบายกระบวนการที่เกิดขึ้นในระบบจำลอง ควรใช้ตามที่ระบุไว้ข้างต้น กระบวนการแบบขั้นตอนเดียวของมาร์คอฟ

พิจารณาระบบที่ประกอบด้วยองค์ประกอบประเภทต่างๆ ที่สามารถโต้ตอบกันได้ในรูปแบบต่างๆ แสดงด้วยองค์ประกอบประเภท -th โดยที่ = 1 และโดย - จำนวนองค์ประกอบประเภท -th

ปล่อย (), .

สมมติว่าไฟล์ประกอบด้วยส่วนหนึ่ง ดังนั้น ในขั้นตอนเดียวของการโต้ตอบระหว่างโหนดใหม่ที่ต้องการดาวน์โหลดไฟล์และโหนดที่กระจายไฟล์ โหนดใหม่จะดาวน์โหลดไฟล์ทั้งหมดและกลายเป็นโหนดการแจกจ่าย

Let คือการกำหนดโหนดใหม่ เป็นโหนดการกระจาย และเป็นค่าสัมประสิทธิ์การโต้ตอบ โหนดใหม่สามารถเข้าสู่ระบบได้อย่างเข้มข้น และโหนดกระจายสามารถปล่อยไว้อย่างเข้มข้น จากนั้นรูปแบบการโต้ตอบและเวกเตอร์ r จะมีลักษณะดังนี้:

สมการเชิงอนุพันธ์สุ่มในรูปแบบ Langevin สามารถรับได้ 100 โดยใช้สูตรที่สอดคล้องกัน (1.15) เพราะ เวกเตอร์ดริฟท์ A อธิบายพฤติกรรมเชิงกำหนดของระบบได้อย่างสมบูรณ์ คุณจะได้ระบบสมการเชิงอนุพันธ์สามัญที่อธิบายพลวัตของจำนวนลูกค้าใหม่และเมล็ดพันธุ์:

ดังนั้นขึ้นอยู่กับตัวเลือกของพารามิเตอร์ จุดเอกพจน์สามารถมีอักขระที่แตกต่างกันได้ ดังนั้น สำหรับ /3A 4/I2 จุดเอกพจน์คือจุดโฟกัสที่คงที่ และสำหรับความสัมพันธ์แบบผกผัน จุดนั้นเป็นโหนดที่เสถียร ในทั้งสองกรณี จุดเอกพจน์จะคงที่ เนื่องจากตัวเลือกของค่าสัมประสิทธิ์ การเปลี่ยนแปลงในตัวแปรของระบบสามารถเกิดขึ้นได้ตามเส้นทางหนึ่งในสองเส้นทาง หากจุดเอกพจน์เป็นจุดโฟกัส ระบบจะลดการสั่นของจำนวนโหนดใหม่และโหนดการกระจาย (ดูรูปที่ 3.12) และในกรณีสำคัญ การประมาณตัวเลขเป็นค่าคงที่จะเกิดขึ้นในโหมดไร้การสั่นสะเทือน (ดูรูปที่ 3.13) รูปเฟสของระบบสำหรับแต่ละกรณีของทั้งสองกรณีแสดงตามลำดับในกราฟ (3.14) และ (3.15)

ข้อผิดพลาด:เนื้อหาได้รับการคุ้มครอง!!