Полезное:
Как сделать разговор полезным и приятным
Как сделать объемную звезду своими руками
Как сделать то, что делать не хочется?
Как сделать погремушку
Как сделать так чтобы женщины сами знакомились с вами
Как сделать идею коммерческой
Как сделать хорошую растяжку ног?
Как сделать наш разум здоровым?
Как сделать, чтобы люди обманывали меньше
Вопрос 4. Как сделать так, чтобы вас уважали и ценили?
Как сделать лучше себе и другим людям
Как сделать свидание интересным?
Категории:
АрхитектураАстрономияБиологияГеографияГеологияИнформатикаИскусствоИсторияКулинарияКультураМаркетингМатематикаМедицинаМенеджментОхрана трудаПравоПроизводствоПсихологияРелигияСоциологияСпортТехникаФизикаФилософияХимияЭкологияЭкономикаЭлектроника
|
Автоматический подбор вида экстраполируемой функции
Методы экстраполяции в прогнозировании основаны на выявлении основной тенденции и проведении на ее базе необходимых расчетов. Поэтому выбор правильной формы связи между фактором-функцией и фактором-аргументом является важным этапом. Для прогнозирования применяются различные формы связи: линейная, параболическая, степенная, показательная и др. Но эти формы имеют жесткую, раз и навсегда заданную структуру. В связи с этим при прогнозировании во многих случаях целесообразно использовать так называемые функции с гибкой структурой (ФГС), форма которой может изменяться и автоматически приспосабливаться к изучаемому процессу. Функция с гибкой структурой характеризует не только зависимость одного фактора от другого, но и собственно тенденцию развития каждого фактора. Заманчивая идея метода автоматического получения вида и параметров аппроксимирующей функции принадлежит Н. К. Куликову. Однако на пути практической реализации метода имеется немало трудностей, например при решении систем трансцендентных уравнений, которые возникают в процессе поиска параметров ФГС или при вычислении соответствующих производных в случае табличного способа задания функции. Очевидно, по мере преодоления трудностей практической реализации функции с гибкой структурой будут занимать все более заметное место в арсенале экстраполяционных методов прогностики. Особую роль в развитии метода следует отвести ЭВМ, что способствует разработке новых эффективных алгоритмов, пригодных для решения задач прогнозирования на основе ФГС. Два частных случая использования ФГС рассматриваются далее. Известно [1], [2], [3], что любой процесс можно представить в
, (4.17) где – исходный процесс (функция одного переменного); – приближенная модель процесса (описание с помощью ФГС); – остаток (некоторая функция точности приближения). В наиболее общем виде ФГС для одного аргумента записывается в виде [1], [2]
, (4.18)
где – некоторое фиксированное натуральное число; – начальное значение фактора-аргумента на рассматриваемом интервале; – постоянные действительные параметры; – специальный (степенной) определитель -го порядка; – функция, получаемая из определителя заменой строки на соответствующие функции , . При функция с гибкой структурой имеет вид , (4.19) где – начальное значение функции и ее производной в точке ; – корень специального уравнения , в рассматриваемом случае . Нахождение параметров функции связано с минимизацией базисной функции . (4.20) Далее представляется логичным определить порядок расчета параметров ФГС. В том случае, когда имеется всего один фактор, базисная функция имеет вид . (4.21) При на рассматриваемом отрезке функция равна нулю, и если проинтегрировать выражение (2.4.21) для того, чтобы избавиться от производных, можно получить . (4.22)
Подставляя в это уравнение значение начальной точки, легко установить, что величина первой производной связана со значением величины и соотношением . (4.23) Если проинтегрировать уравнение (22) еще раз, то можно записать выражение вида . (4.24) При условии, что , определяется . Тогда уравнение (4.24) целесообразно представить следующей зависимостью: . (4.25) Из этого уравнения видно, что оно содержит неизвестные величины. Теперь значение интеграла можно вычислить, так как функция УМ задана таблицей, а для определения и можно образовать систему двух уравнений с двумя неизвестными на основе уравнения (4.25). Это нетрудно сделать, если подставить в (4.25) значение еще двух точек, взятых из временного ряда. Тогда (4.26) После вычисления данных интегралов находятся неизвестные коэффициенты и . Затем определяется значение первой производной путем подстановки в уравнение (4.23) , и . Корень базисного уравнения равен параметру со знаком минус. Вычисленные параметры подставляются в формулу ФГС (4.19) для получения математического выражения формы связи между и . В качестве примера применения функции с гибкой структурой для прогнозирования в военном деле рассматривается задача по определению вида зависимости между коэффициентом выпуска серийных образцов условных технических систем и объемом задач, выполняемых с помощью данных образцов. Эта зависимость в дальнейшем используется для получения прогноза. Исходные данные представлены в табл. 1. Таблица 1
Из этой таблицы выбираются значения трех опорных точек, одна из которых (начальное значение) должна лежать в середине ряда с тем, чтобы полученная функция одинаково точно приближала данное значение как в конце, так и в начале ряда. Следовательно,
Определяются коэффициенты уравнения (4.26): Следующий шаг – переход к вычислению необходимых интегралов (рис. 4.5).
Рис. 4.5. Определение необходимых интегралов для ФГС
Интеграл вида есть площадь, ограниченная графиком и значениями , равными 34,3 и 31,2. Так как верхний предел интеграла меньше нижнего, то значение интеграла отрицательное. Площадь, ограниченная значениями равными 34,3 и 31,2, будет складываться из площадей трех трапеций: . Значение интеграла будет . Полученные коэффициенты подставляются в систему уравнений (4.26): Решая эту систему, определяются . Затем находится значение первой производной в начальной точке путем подстановки в уравнение (4.23) вычисленных коэффициентов и . Тогда .
Для базисное уравнение имеет вид или . Таким образом, получены все параметры. Подставив в уравнение функции с гибкой структурой значение первой производной и значение , можно получить
.
Подстановкой вместо его перспективного значения на определенный год определяется ожидаемая величина коэффициента выпуска. Необходимо отметить, что основной задачей при использовании ФГС для прогноза является определение корней базисного уравнения , значения которых зависят от коэффициентов . Последние должны определяться из принципа оптимальной аппроксимации, заключающегося в минимизации остатка и установлении таких значений коэффициентов , для которых значение остатка в каждой точке таблицы исходных данных не превышает некоторой заданной величины (ошибки аппроксимации). При машинной реализации метода, базирующегося на применении ФГС, необходимо принимать допущение о дифференцируемости функции раз, с учетом которого можно записать, что
; (4.27)
, (4.28) где – значение производной функции порядка в точке ; – выражение, получаемое из определителя (4.29) заменой последней строки определителя на функции вида , ; . (4.30)
Значения коэффициентов определяются в результате решения уравнения (4.30) путем приравнивания его к нулю. В связи с тем, что производные неизвестны, переходят к системе линейных алгебраических уравнений [1], [2] вида , (4.31) где , ; – постоянная интегрирования; ; , , ; ; . Результатом решения этой системы является определение коэффициентов , что позволяет по базисному уравнению вычислить параметры . Неизвестные как следует из (4.18), (4.27), равны значениям производных функций в точке , то есть .
Рис. 4.6. Блок-схема алгоритма параметрического прогнозирования на основе ФГС
Рис. 4.6. Блок-схема алгоритма параметрического прогнозирования на основе ФГС (продолжение)
Рис. 4.6. Блок-схема алгоритма параметрического прогнозирования на основе ФГС (продолжение)
Рис. 4.6. Блок-схема алгоритма параметрического прогнозирования на основе ФГС (продолжение)
Рис. 4.6. Блок-схема алгоритма параметрического прогнозирования на основе ФГС (продолжение)
На основе изложенного разработан алгоритм параметрического прогнозирования, блок-схема которого изображена на рис. 4.6. Согласно работам [1], [2] можно утверждать, что ошибка аппроксимации в значительной степени зависит от системы опорных точек и , которые необходимо выбрать для вычисления коэффициентов при неизвестных и и свободных членов системы уравнений (31). Поэтому в рамках алгоритма имеется специальная процедура выбора системы опорных точек (блоки 1–19), использование которой обеспечивает минимальную ошибку аппроксимации. Смысл этой процедуры сводится к следующему: · в качестве начальной точки последовательно выбирается каждая точка таблицы исходных данных (блоки 4а, 5а, 15а); · при зафиксированном значении вычисляются значения (блоки 6а–11а); · составляется система уравнений (4.31) (блок 12а); · решается система уравнений (4.31) по МНК и определяются значения Си , (блок 13а); · устанавливается структура модели, например в виде регрессионного уравнения (4.32) параметры которого определены выше, и задают ошибку аппроксимации по зависимости (блок 14а)
, (4.33) где – число наблюдений над прогнозируемой характеристикой; · осуществляются ранжировка исходных данных по возрастанию , выбор опорных точек по правилу (блок 16а)
и их запись; · описанная процедура повторяется для каждого значения (блоки 2а, За, 18а). После выбора опорных точек в алгоритме предусмотрены операторы по подготовке к составлению системы уравнений порядка. С этой целью по соответствующим зависимостям методом численного интегрирования (методом трапеций) вычисляются , а также значения и (блок 5). При этом . Если число членов ФГС-модели , то значения параметров функции и относительного отклонения функции от в -й точке рассчитываются в соответствии с выражениями блоков 7–3. На основе выбора из множества значения и сравнения его с заданным (блоки 45, 47), принимается решение либо продолжать усложнять модель, либо удовлетвориться достигнутой сложностью. При осуществляется составление системы уравнений порядка вида (4.31) (блок 14) и решение ее методом Гаусса относительно параметров и постоянных интегрирования (блок 15). В блоке 16 осуществляется вычисление параметров по зависимостям (4.34) Вычисление корней базисного уравнения производится методом Ньютона с использованием стандартной программы (блок 17). Поскольку в общем случае корни уравнения могут быть действительными, комплексными или действительными и комплексными, в блоках 18, 27 производится их анализ с целью определения дальнейшей расчетной схемы. При условии, что все корни действительные, функция принимает вид , (4.35) где – степенной определитель -го порядка (4.29), значение которого вычисляется методом перекрестного умножения (блоки 19, 20); – определитель, получаемый из (4.29) заменой -й строки на функции – блок 23; – вычисленная ранее производная. Значение функции в каждой точке и ее отклонения вычисляются в блоках 21, 22, 24-26. При подстановке значений , и зависимость (4.35) принимает вид суперпозиции экспоненциальных законов, параметрами которых являются аргументы прогнозирующих зависимостей. Если все корни комплексные, то имеет вид ,(4.36) где – нечетное натуральное число; – действительная часть корня; ; . Значения функции и ее отклонения вычисляются в блоках 28, 29. Если в результате анализа устанавливается, что корней комплексные, а корней действительные, то принимает вид , где вычисляется по зависимости (4.36) с использованием корней блок 38); при вычисляется по зависимости (4.35) с использованием корней (блоки 33, 34, 35, 41), при – в соответствии с блоками 32, 39, 40. Значения функции и ее отклонения от вычисляются в блоках 36, 37, 42, 43, 44. Результаты расчетов выводятся на печать. После вычисления функции и в каждом из приведенных случаев выбирается максимальное значение отклонения , которое сравнивается с заданным (блоки 45, 47). По результатам сравнения принимается решение о наращивании сложности модели либо о его прекращении. В блоке 48 осуществляется проверка достаточности числа наблюдений для заданной сложности модели.
Вопросы для самопроверки к разделу 2 1. В чем сущность метода статистических испытаний? 2. Что понимается под названием вычислительный эксперимент? 3. Что представляет собой статистическое моделирование? 4. Какие основные составные части метода статистических испытаний Вы знаете? 5. Какие основные достоинства метода статистических испытаний Вы знаете? 6. Каким образом возможно моделирование системы массового обслуживания? 7. Что такое однофазная система обслуживания? 8. Каким образом происходит оценка результатов наблюдений при моделировании? 9. В чем суть метода повторений? 10. В чем суть метода подынтервалов? 11. Какие прикладные задачи имитационного моделирования Вы знаете? 12. В чем суть метода экспоненциального сглаживания? Раздел 3. Оценка качества моделей. Планирование вычислительного эксперимента
Date: 2015-05-23; view: 885; Нарушение авторских прав |