Анализ чувствительности модели

Анализ чувствительности модели определяет оценку влияния колеба­ний значений входных переменных на отклики (выходные переменные) моде­ли. Необходимо установить, при каком разбросе входных данных сохраняется справедливость основных выводов, сделанных по результатам моделирова­ния.

Под анализом чувствительности понимаем определение чувствитель­ности наших окончательных результатов моделирования к изменению ис­пользуемых значений параметров. Анализ показывает, как меняется выходная переменная Y при небольших изменениях различных параметров модели или ее входов X.

Величины параметров систематически варьируются в некоторых представляющих интерес пределах (Xмин - Хмах) и наблюдается влияние этих вариаций на характеристики системы (Yмин - Yмах).

Если при не­значительных изменениях величин некоторых параметров результаты меня­ются очень сильно, то это основание для затраты большого количества вре­мени и средств с целью получения более точных оценок.

И наоборот, если конечные результаты при изменении величин параметров в широких преде­лах не изменяются, то дальнейшее экспериментирование в этом направлении бесполезно и неоправданно. Поэтому очень важно определить степень чувст­вительности результатов относительно выбранных для исследования величин - параметров.

Исследование чувствительности является предварительной процеду­рой перед планированием эксперимента и позволяет определить стратегию планирования экспериментов на имитационной модели. Этой информации бывает достаточно для ранжирования компонент вектора параметров модели X по значению чувствительности вектора отклика модели. Если модель ока­зывается малочувствительной по какой-либо q-й компоненте вектора пара­метров модели Xq, то зачастую не включают в план имитационного экспери­мента изменение Xq, чем достигается экономия ресурса времени моделиро­вания.

Анализ чувствительности поможет также внести коррективы в разра­батываемую модель - упростить, например, перейти от использования зако­на распределения к использованию среднего значения переменной, а некото­рые подсистемы вообще отбросить (или процессы не детализировать). И на­оборот, анализ чувствительности может показать, какие части модели было бы полезно разработать более детально.

Чувствительность имитационной модели представляется величиной минимального приращения выбранного критерия качества, вычисляемого по статистикам моделирования, при последовательном варьировании парамет­ров моделирования на всем диапазоне их изменения[17].

Модели обычно строятся «сверху вниз» по ярусам. Возникает вопрос: «Сколько ярусов должна содержать модель?». Практика подсказала последовательность действий [9]. Задается целевой показатель. Строится верхний ярус модели. Запоминается значение целевого показателя, полученного после прогона модели. Далее детализируется модель: строится ярус, вытекающий из верхнего яруса. Делается прогон детализированной модели. Полученное значение целевого показателя сравнивается с запомненным значением показателя, полученного до построения этого яруса. Если различие меньше 5-10%, то построенный ярус не нужен. Если различие больше, то - нужен. Тогда его надстраиваем снизу (детализируем) еще одним ярусом и так далее.