Имитационное моделирование жизненного цикла товара

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ  БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

 «ОМСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»

 

 

СУРГУТСКИЙ ФИЛИАЛ

Кафедра «Автоматизированные системы  обработки информации и управления»

 

 

 

КУРСОВАЯ РАБОТА

по дисциплине «Моделирование ИВС»

 

Тема: "Имитационное моделирование жизненного цикла товара"

 

 

 

 

 

 

 

 

Введение

В современном мире никакому предприятию  не обойтись без моделирования различных  ситуаций. Будь это экономические, политические или другие ситуации. Для этого можно применять современные методики и инструменты, снижающие временные затраты. Наиболее подходящим и эффективным является метод имитационного моделирования, основу которого составляет сценарный подход.

С помощью имитационных моделей можно проигрывать различные сценарии поведения потребителей, поставщиков, конкурентов, что во многом определяет развитие предприятия в будущем. Модели дают возможность проверить различные идеи, гипотезы и предположения относительно развития бизнеса, проанализировать последствия их реализации. Деятельность предприятия в модели воспроизводится посредством описания движения денежных потоков как событий, происходящих в различные периоды времени.

Моделировать экономические  ситуации возможно с помощью программного продукта AnyLogic. Пакет моделирования AnyLogic поддерживает различные подходы моделирования. AnyLogic является одним из инструментов моделирования, позволяющим быстро создавать гибкие модели с агентами, взаимодействующими как друг с другом, так и со своим окружением. AnyLogic поддерживает все возможные способы задания поведения агентов – диаграммы состояний (стейтчарты), синхронное и асинхронное планирование событий.

Актуальность данной темы определяется необходимостью сравнения различных  вариантов функционирования недетерминированных экономических процессов с помощью экспериментальных методов исследования.

Цель написания данной курсовой работы: имитационное моделирование  деятельности фирмы жизненного цикла  товара фирмы с помощью программы AnyLogic.

Задачи написания данной курсовой работы:

1. Изучить теоретический материал.
2. Рассмотреть программный продукт AnyLogic.
3. Построить имитационную модель жизненного цикла товара.
4. Смоделировать несколько экономических ситуаций на рынке.
5. Провести анализ полученных результатов.

Объектом исследования является деятельность компании.

Предметом исследования является изучение жизненного цикла товаров.

Методы исследования: монографический  и имитационное моделирование.

Теоретические основы имитационного моделирования

Сущность понятия «имитационное моделирование»

Имитационное моделирование  – это разработка и выполнение на компьютере программной системы, отражающей структуру и функционирование (поведение) моделируемого объекта или явления во времени. Такую программную систему называют имитационной моделью этого объекта или явления. Объекты и сущности имитационной модели представляют объекты и сущности реального мира, а связи структурных единиц объекта  моделирования отражаются в интерфейсных связях соответствующих объектов модели. Таким образом, имитационная модель – это упрощенное подобие реальной системы, либо существующей, либо той, которую предполагается создать в будущем. Имитационная модель обычно представляется компьютерной программой, выполнение программы можно считать имитацией поведения исходной системы во времени.

В русскоязычной литературе термин «моделирование» соответствует американскому «modeling» и имеет смысл создание модели и ее анализ, причем под термином «модель» понимается объект любой природы, упрощенно представляющий исследуемую систему. Слова «имитационное моделирование» и «вычислительный (компьютерный) эксперимент» соответствуют англоязычному термину «simulation». Эти термины подразумевают разработку модели именно как компьютерной программы и исполнение этой программы на компьютере.

Итак, имитационное моделирование – это деятельность по разработке программных моделей реальных или гипотетических систем, выполнение этих программ на компьютере и анализ результатов компьютерных экспериментов по исследованию повеления моделей. Имитационное моделирование имеет существенные преимущества перед аналитическим моделированием в тех случаях, когда:

• отношения между переменными в модели не линейны, и поэтому аналитические модели трудно или невозможно построить.
• модель содержит стохастические компоненты.
• для понимания поведения системы требуется визуализация динамики происходящих в ней процессов.
• модель содержит много параллельно функционирующих взаимодействующих компонентов.

Во многих случаях  имитационное моделирование – это  единственный способ получить представление о поведении сложной системы и провести ее анализ.

Имитационное моделирование  реализуется посредством набора математических инструментальных средств, специальных компьютерных программ и приемов, позволяющих с помощью  компьютера провести целенаправленное моделирование в режиме «имитации» структуры и функций сложного процесса и оптимизацию некоторых его параметров. Набор программных средств и приемов моделирования определяет специфику системы моделирования – специального программного обеспечения.

В отличие от других видов  и способов математического моделирования  с применением ЭВМ имитационное моделирование имеет свою специфику: запуск в компьютере взаимодействующих  вычислительных процессов, которые  являются по своим временным параметрам – с точностью до масштабов времени и пространства – аналогами исследуемых процессов.

Имитационное моделирование  как особая информационная технология состоит из следующих основных этапов:

1. Структурный анализ процессов. Проводится формализация структуры сложного реального процесса путем разложения его на подпроцессы, выполняющие определенные функции и имеющие взаимные функциональные связи согласно легенде, разработанной рабочей экспертной группой. Выявленные подпроцессы, в свою очередь, могут разделяться на другие функциональные подпроцессы. Структура общего моделируемого процесса может быть представлена в виде графа, имеющего иерархическую многослойную структуру, в результате появляется формализованное изображение имитационной модели в графическом виде. Структурный анализ особенно эффективен при моделировании экономических процессов, где (в отличие от технических) многие составляющие подпроцессы не имеют физической основы и протекают виртуально, поскольку оперируют с информацией, деньгами и логикой (законами) их обработки.
2. Формализованное описание модели. Графическое изображение имитационной модели, функции, выполняемые каждым подпроцессов, условия взаимодействия всех подпроцессов и особенности поведения моделируемого процесса (временная, пространственная и финансовая динамика) должны быть описаны на специальном языке для последующей трансляций.
3. Построение модели (build). Обычно это трансляция и редактирование связей (сборка модели), верификация (калибровка) параметров.
4. Проведение экстремального эксперимента для оптимизации определенных параметров реального процесса.

Система моделирования моделирования AnyLogic TM

 

Пакет моделирования AnyLogic TM поддерживает различные подходы моделирования. В этой курсовой описывается агентный подход моделирования, успешно применяемый в различных сферах деятельности. При помощи агентов моделируют рынки (агент – потенциальный покупатель), конкуренцию и цепочки поставок (агент – компания), население (агент – семья, житель города или избиратель) и многое другое. Агентные модели позволяют получить представление об общем поведении системы, исходя из предположений о поведении ее элементов, при отсутствии знания о глобальных законах-то есть в наиболее общем случае. AnyLogic TM является единственным инструментом моделирования, позволяющим быстро создавать гибкие модели с агентами, взаимодействующими как друг с другом, так и со своим окружением. AnyLogicTM поддерживает все возможные способы задания поведения агентов – диаграммы состояний (стейтчарты), синхронное и асинхронное планирование событий.

Агентные модели в  программе реализуются с помощью  специальной Библиотеки агентного  моделирования AnyLogic Agent Based Library. Она  предоставляет возможность задания  функциональности, которая часто  требуется в агентных моделях. Библиотека находится в стадии разработки, и на данный момент она содержит только один объект – AgentBase, который, будучи добавлен в класс активного объекта агента, позволяет использовать различные временные и пространственные модели, задавать сети контактов агентов, а также другие важные свойства.

Агенты группируются в популяции. Агенты одной и той  же популяции используют одинаковые:

• Временную модель.
• Пространственную модель.
• Сеть.
• Тип взаимодействия.

В одной модели может  быть несколько популяций, причем каждая популяция может содержать объекты различных классов. Принадлежность агента той или иной популяции определяется параметром PopulationName объекта AgentBase. Популяция создается при создании первого агента, ссылающегося на ее имя. Она использует значения глобальных параметров из настроек объекта AgentBase этого агента. Агенты, созданные позднее, не будут иметь возможность изменять свойства этой популяции, но должны иметь совместимые настройки.

Инициализация сети и  расположения агента внутри популяции  производится при наступлении специального события, запланированного на момент времени 0; поэтому она затрагивает все объекты, уже созданные к тому времени при инициализации модели. Вот как это происходит:

1. Если в качестве значения параметра DefaultNetwork не выбран тип ALL IN RANGE, то происходит создание сети
2. Применяется заданное по умолчанию расположение (дискретное или непрерывное)
3. Если в качестве значения параметра DefaultNetwork выбран тип ALL IN RANGE, то происходит создание сети.

В случае дискретного  времени, первый шаг («тик часов») будет совершен сразу после инициализации модели. Но обратите внимание, что если в модели на момент времени 0 будут запланированы другие события, то неизвестно, какое из действий будет выполнено раньше – инициализация сети и расположения агентов или какие-то из запланированных событий.

Для всех агентов, динамически  создаваемых во время выполнения модели, никакие контакты с другими  агентами по умолчанию не устанавливаются.

Объект AgentBase поддерживает две временные модели: непрерывную – CONTINUOUS и дискретную – DISCRETE. Непрерывная модель подразумевает, что агенты сами управляют временем, т.e. они могут иметь таймеры, стейтчарты и уравнения, планирующие какие-то индивидуальные активности во времени. Дискретная модель подразумевает, что агенты работают синхронно и пошагово.

В модели с дискретной временной моделью популяция  генерирует события («тики часов») в  моменты времени 0, 1, 2… При наступлении  каждого такого события выполняется  следующая последовательность действий:

• Для всей популяции один раз вызывается код параметра OnBeforeStepGlobal (предполагается, что этот код содержит глобальные действия, не связанные с какими-либо отдельными агентами).
• У каждого агента популяции вызывается код параметра OnBeforeStep
• Для всей популяции один раз вызывается код параметра OnStepGlobal (опять же, предполагается, что этот код содержит глобальные действия, не связанные с какими-либо отдельными агентами)
• Справочное руководство по Agent Based Library
• У каждого агента популяции вызывается код параметра OnStep

Дискретная временная  модель не означает, что у агентов  не может быть своих активностей  – они могут выполнять любые  действия параллельно с дискретными  «тиками» часов модельного времени.

Объект AgentBase поддерживает две пространственные модели: непрерывную – CONTINUOUS и дискретную – DISCRETE. В моделях с непрерывным пространством каждый агент имеет кординаты (x, y), и не существует никаких ограничений на плотность или расположение агентов в пространстве. Можно управлять расположением агентов, либо изменяя текущие значения координат (параметры Xdynamic и Ydynamic) (тогда должен быть выбран режим управления местоположением агента DYNAMIC USER DEFINED), или используя функции API, отвечающие за передвижение агентов: moveTo, stop, jumpTo, и т.д. (тогда должен быть выбран режим управления местоположением STATIC OR MOBILE).

Начальное расположение агентов в непрерывном пространстве задается параметром DefaultLayoutContinuous. Использование  параметров SpaceWidth и SpaceHeight имеет смысл, только если используется заданное по умолчанию расположение агентов. Если используется дискретная модель пространства, то агенты помещаются в ячейки, причем в каждой ячейке может быть не более одного агента. Количество ячеек задается параметрами SpaceRows (количество строк) и SpaceColumns (количество столбцов). Начальное расположение агентов задается параметром DefaultLayoutDiscrete. В дискретном пространстве существует понятие соседства агентов. Тип соседства задается параметром Neighborhood. При типе соседства EUCLIDIAN функция getNeighbors() возвратит объект типа Vector, содержащий всех агентов, находящихся в ячейках, которые имеют общие границы с данной ячейкой (если таковые имеются). Если же будет выбран тип соседства MOORE, то будут также учитываться агенты и в ячейках, соседних с данной по диагонали, то есть, в ячейках, имеющих общие углы с этой ячейкой.