С помощью экспериментов задаются конфигурационные настройки модели. AnyLogic поддерживает несколько типов экспериментов, каждый из которых соответствует своей задаче моделирования.
AnyLogic поддерживает следующие типы экспериментов:
- Простой эксперимент. Запускает модель с заданными значениями параметров, поддерживает режимы виртуального и реального времени, анимацию, отладку модели. При создании модели автоматически создается один простой эксперимент, названный Simulation. Именно эксперимент этого типа используется в большинстве случаев. Другие эксперименты нужны в тех случаях, когда важную роль играют значения параметров модели, и вам нужно проанализировать, как они влияют на поведение или эффективность моделируемой системы или если вам нужно найти оптимальные параметры вашей модели.
- Варьирование параметров. Этот эксперимент позволяет найти значения параметров, при которых достигается наилучший результат моделирования системы, а также изучить поведение модели при заданных условиях. Процесс оптимизации модели заключается в выполнении нескольких прогонов модели с различными значениями параметров и нахождении оптимальных (с учетом заданных ограничений) значений параметров (при которых достигается оптимальное значение заданной целевой функции). Оптимизация в условиях неопределенности производится с помощью репликаций.
- Оптимизация. Производит повторный запуск модели с разными значениями параметров корневого объекта. Этот эксперимент позволяет сравнить поведение модели при разных значениях параметров и оценить степень влияния отдельных параметров на поведение модели. Запуская несколько прогонов модели с фиксированными значениями параметров, вы также можете оценить влияние случайных факторов в стохастических моделях.
- Сравнение "прогонов". Позволяет интерактивно задавать различные значения параметров и запускать модель с этими значениями. Визуально сравнивает результаты "прогонов" как в скалярной форме, так и в виде наборов данных.
- Монте-Карло. Получает и отображает набор результатов моделирования для стохастической модели или для модели со стохастически меняющимися параметрами. Интерфейс эксперимента может содержать как обычные, так и двумерные гистограммы.
- Анализ чувствительности. Выполняет несколько "прогонов" модели, варьируя значения одного из параметров и показывая, как результаты моделирования зависят от этих изменений.
- Калибровка. С помощью оптимизатора находит значения параметров модели, при которых результаты моделирования наиболее точно соответствуют заданным данным. Данные могут быть заданы как скалярными значениями, так и наборами данных. В случае множественных критериев могут быть использованы коэффициенты. Осуществляет визуализацию прогресса калибровки и соответствия результатов каждому заданному критерию.
- Обучение ИИ. Позволяет настроить модель AnyLogic для обучения ИИ-агента с подкреплением (reinforcement learning) и подготовить ее к загрузке на специализированную платформу.
-
Нестандартный. Запускает эксперимент нестандартного сценария, полностью написанного пользователем. Нестандартный эксперимент дает пользователю неограниченную гибкость в вопросах задания параметров, управления "прогонами" модели, принятия решений. Он просто предоставляет одно поле, в котором вы можете написать код, выполняющий все вышеперечисленные задачи (а также и многие другие) путем использования программного интерфейса класса исполняющего модуля AnyLogic (такие методы, как run(), stop() и т.д.). У этого типа эксперимента нет ни предопределенного поведения, ни встроенного графического интерфейса.
Нестандартный эксперимент доступен только в AnyLogic Professional и AnyLogic University Researcher.
-
Как мы можем улучшить эту статью?
-