Калибровка

Когда вы закончите работу по формализации вашей модели и построению ее структуры, вам может понадобиться узнать, при каких значениях параметров модель будет работать наиболее близко к реальной системе, которую она моделирует, то есть такие значения параметров, при которых результат на выходе модели будет наиболее близок к известному (измеренному в реальной жизни). Если таких параметров сразу несколько, то выполнить такую работу вручную представляется практически невозможным. Для решения таких задач AnyLogic предлагает пользователям эксперимент калибровки.

Калибрационный эксперимент предоставляет возможность выбора между двумя оптимизаторами:

• Генетический оптимизатор основан на эволюционном алгоритме. Его цель — сохранить разнообразие возможных решений и избежать выбора субоптимальных решений. Этот оптимизатор генерирует не одно решение на каждом шаге, а популяцию решений. Лучшие из них сохраняются для следующего шага. Процесс воспроизводится до тех пор, пока не будет найдено наилучшее из возможных решений.
• OptQuest — это решение от компании OptTek Systems, Inc., представляющее собой алгоритм-«черный ящик» для глобальной оптимизации общего назначения.

Эксперимент калибровки производит несколько повторных запусков модели с разными значениями параметров. После этого с помощью выбранного оптимизатора ищутся такие значения параметров модели, при которых результаты моделирования наиболее точно соответствуют заданным данным. Данные могут быть заданы как в скалярной форме, так и с помощью набора данных. В случае необходимости использования множественных критериев могут быть заданы весовые коэффициенты. Данный тип эксперимента осуществляет визуализацию процесса калибровки и соответствия результатов каждому заданному критерию.

Разница между двумя наборами данных рассчитывается с помощью функции difference(). Эта функция возвращает неотрицательное значение (типа double), которое считается как среднеквадратическая ошибка — квадратный корень из суммы квадратов разниц между наборами данных, которые передаются в качестве аргументов. Произведя несколько итераций эксперимента калибровки, мы получаем несколько значений. Нас интересует самое маленькое из них, поскольку оно означает минимальную разницу между двумя наборами данных.

AnyLogic использует две функции difference(). Функция difference(DataSet ds, TableFunction f) принимает в качестве аргументов набор данных и табличную функцию. Диапазоном вычисления является пересечение диапазонов набора данных и табличной функции. Функция difference(DataSet ds1, DataSet ds2) принимает в качестве аргументов только наборы данных. Диапазоном вычисления является пересечение диапазонов двух наборов данных. В обоих случаях наборы данных линейно интерполированы.

Чтобы создать эксперимент калибровки

1. В панели Проекты, щелкните правой кнопкой мыши по модели, для которой вы хотите создать новый эксперимент, и выберите Создать > Эксперимент из контекстного меню.
2. Появится диалоговое окно Новый эксперимент.
3. Выберите Калибровка из списка Тип эксперимента.
4. Введите имя эксперимента в поле Имя.
5. Выберите тип агента для этого эксперимента из выпадающего списка Агент верхнего уровня.
6. Если вы хотите применить к создаваемому эксперименту временные установки другого эксперимента, оставьте установленным флажок Копировать установки модельного времени из и выберите эксперимент из расположенного справа выпадающего списка.
7. Щелкните мышью по кнопке Далее. Откроется вторая страница Мастера создания эксперимента Параметры и критерии. Здесь вы можете задать критерии калибровки и выбрать параметры, которые оптимизатор сможет варьировать.
8. В таблице Параметры будут перечислены все параметры агента верхнего уровня. Чтобы разрешить варьирование параметра оптимизатором, перейдите на соответствующую строку таблицы Параметры, щелкните мышью в ячейке Тип и выберите тип параметра, отличный от значения фиксированный. Список возможных значений будет меняться в зависимости от типа параметра: набор, int, дискретный для целочисленных параметров типа непрерывный и дискретный для вещественных параметров типа double и т.д. Задайте диапазон допустимых значений параметра. Введите нижнюю границу диапазона в ячейке Мин и верхнюю — в ячейке Макс. Для параметров набор и дискретный нужно также указать в ячейке Шаг величину шага (инкремента), с помощью которого будут определяться допустимые значения данного параметра (первое допустимое значение равно заданной нижней границе интервала, следующее равно сумме первого значения и заданного шага и т.д.).
9. В расположенной ниже таблице Критерии задайте критерии калибровки. Каждый критерий задается в отдельной строке таблицы. Введите имя критерия в ячейке Заголовок. Выберите тип критерия в ячейке Тип. Есть два типа критериев: скаляр для нахождения соответствия отдельному числу, и набор данных для соответствия с набором данных.
10. В поле Результат моделирования введите имя скалярной переменной или набора данных, хранящие результаты моделирования, которые необходимо откалибровать. Агент верхнего уровня эксперимента доступен здесь как root, т.е. Вы можете написать, например, root.myDataset.
11. В поле Реальные данные введите выражение скалярного типа или имя существующего набора данных (здесь также можно ссылаться на root), представляющие собой известные реальные данные — эталон, которого будет стремиться достичь оптимизатор эксперимента. Вы можете задать и имя несуществующего набора данных или табличной функции — в этом случае их создаст Мастер создания эксперимента.
12. Если вы используете несколько критериев калибровки, то в столбце Коэффициент вы можете задать для них весовые коэффициенты.
13. Завершите процесс создания эксперимента, щелкнув мышью по кнопке Готово.

Эксперимент калибровки поддерживает визуализацию процесса калибровки и соответствия результатов каждому заданному критерию с помощью графика. Если вы измените свойства эксперимента (варьируемые параметры или их свойства), то вам нужно будет создать интерфейс эксперимента заново, щелкнув мышью по кнопке Создать интерфейс в панели свойств эксперимента.

Основные

Имя — Имя эксперимента.

Поскольку AnyLogic генерирует для каждого эксперимента соответствующий Java класс, при задании имени эксперимента нужно руководствоваться правилами названия классов в Java. Начинайте имя эксперимента с заглавной буквы.

Исключить — Если опция выбрана, то эксперимент будет исключен из модели.

Агент верхнего уровня — Здесь задается агент верхнего уровня этого эксперимента. Агент этого типа будет играть роль корня иерархического дерева агентов модели, запускаемой этим экспериментом.

Оптимизатор — Оптимизатор, который будет использоваться этим экспериментом: OptQuest или Генетический.

Целевая функция — Целевая функция, значение которой вы хотите оптимизировать (минимизировать или максимизировать). Агент верхнего уровня доступен здесь как root.

Количество итераций — Если опция выбрана, то эксперимент будет остановлен, если будет выполнено максимальное количество итераций, заданное в расположенном справа поле.

Бесконечное количество итераций не поддерживается Генетическим оптимизатором.

Автоматическая остановка — Если опция выбрана, то эксперимент будет остановлен, если значение целевой функции перестанет существенно улучшаться (эта опция называется автоостановом оптимизации).
При использовании Генетического оптимизатора, опция Автоматическая остановка становится невидимой: из-за особенностей реализации оптимизатора она включена всегда.

Максимальный размер памяти — Максимальный размер памяти Java, выделенный для данной модели.

Создать интерфейс — Кнопка создает для эксперимента пользовательский интерфейс по умолчанию.

Нажав эту кнопку, вы удалите интерфейс, созданный мастером создания эксперимента. Вместо этого в окне презентации эксперимента появится интерфейс по умолчанию для эксперимента оптимизации, что может не соответствовать вашим задачам.

Параметры

Параметры — Здесь пользователь задает набор параметров, которые будут варьироваться оптимизатором (оптимизационные параметры). В таблице перечислены все параметры агента верхнего уровня. Чтобы разрешить варьирование параметра оптимизатором, перейдите на соответствующую строку таблицы Параметры, щелкните мышью в ячейке Тип и выберите тип параметра, отличный от значения фиксированный.
Список возможных значений будет меняться в зависимости от типа параметра: дискретный для целочисленных параметров типа int; непрерывный и дискретный для вещественных параметров типа double и т.д. Задайте диапазон допустимых значений параметра. Введите нижнюю границу диапазона в ячейке Мин и верхнюю — в ячейке Макс. Для дискретных параметров нужно также указать в ячейке Шаг величину шага (инкремента), с помощью которого будут определяться допустимые значения данного параметра (первое допустимое значение равно заданной нижней границе интервала, следующее равно сумме первого значения и заданного шага и т.д.).

Модельное время

Остановить — Здесь вам нужно задать время остановки прогона модели. Если вы хотите, чтобы моделирование продолжалось бесконечно, до тех пор, пока вы сами его не остановите, выберите из выпадающего списка Нет. Если же вы хотите, чтобы моделирование длилось до заданного времени или заданной даты, выберите здесь соответственно В заданное время или В заданную дату. В этом случае время остановки будет задаваться элементом управления Начальное время/Начальная дата.

Начальное время — Начальное время моделируемого интервала времени.

Начальная дата — Начальная календарная дата моделируемого интервала времени.

Конечное время — [Доступно если Остановить: В заданное время] Конечное время моделируемого интервала времени (количество единиц модельного времени, по прошествии которого модель будет остановлена).

Конечная дата — [Доступно если Остановить: В заданную дату] Конечная календарная дата моделируемого интервала времени.

Дополнительные условия остановки оптимизации — Здесь вы можете задать любое количество дополнительных условий остановки оптимизации. Когда выполнится любое из этих условий, оптимизация будет остановлена. Условие может включать в себя проверку значений переменных, средних значений наборов данных и т.д. Агент верхнего уровня эксперимента доступен здесь как root, поэтому если вы хотите, например, остановить оптимизацию, когда значение переменной plainVar агента верхнего уровня эксперимента превзойдет некоторое пороговое значение (скажем, 11), напишите здесь root.plainVar > 11.
Чтобы сделать условие активным, установите флажок в соответствующей строке таблицы.

Ограничения

Здесь пользователь может задать ограничения — дополнительные ограничения, накладываемые на параметры и найденные решения оптимизатором.

Ограничения, накладываемые на параметры (проверяются перед запуском) — В этой таблице вы можете задать ограничения — дополнительные ограничения, накладываемые на значения оптимизационных параметров. Оптимизатор будет использовать только допустимые значения параметров, удовлетворяющие заданным ограничениям — тем самым, вы сузите пространство поиска и оптимизация будет производиться быстрее.

Ограничение представляет собой арифметическое выражение, задающее более узкий диапазон допустимых значений параметров. Оно всегда представляет собой ограничение, задающее верхнюю или нижнюю границу диапазона значений параметра, например: parameter1 >= 10. Ограничения рассчитываются перед запуском модели и инициализацией агента верхнего уровня, поэтому они не могут обращаться к содержимому этого агента.

Чтобы отключить ограничение, сбросьте флажок в ячейке Вкл. соответствующей строки таблицы.

Требования

Требования (проверяются после "прогона" для определения того, допустимо ли найденное решение) —  В этой таблице вы можете задать требования — дополнительные ограничения, накладываемые на получаемые оптимизатором решения. Если на момент окончания прогона модели заданные требования будут выполняться, то полученный оптимизатором набор значений параметров будет признан допустимым, и результат оптимизации будет запомнен оптимизатором. Если ограничения удовлетворены не будут, то найденные значения параметров и решение будут считаться недопустимыми.

Выражение требования может содержать любые арифметические операции над данными модели. В выражении также можно вызывать созданные вами функции, а также предопределенные функции (sin(), cos(), sqrt() и т.д.). Тип агента верхнего уровня эксперимента доступен здесь как root.

Чтобы отключить требование, сбросьте флажок в ячейке Вкл. соответствующей строки таблицы.

Случайность

Генератор случайных чисел — В стохастических моделях важную роль играет заданное вами начальное число генератора случайных чисел — от этого будет зависеть, будут ли «прогоны» стохастической модели уникальными или воспроизводимыми. Здесь вы можете выбрать, хотите ли вы задать случайное число, чтобы «прогоны» были уникальными, фиксированное число, чтобы они были воспроизводимыми, или вообще задать свой собственный генератор случайных чисел вместо используемого AnyLogic по умолчанию.

Случайное начальное число (уникальные "прогоны") — Если опция выбрана, то «прогоны» модели будут уникальными и не смогут быть воспроизведены в силу того, что при каждом новом запуске модели генератор случайных чисел будет инициализироваться другим числом.
Фиксированное начальное число (воспроизводимые "прогоны") — Если опция выбрана, то генератор случайных чисел модели будет всегда инициализироваться одним и тем же начальным числом (оно задается в поле Начальное число), поэтому все запуски модели будут идентичными и воспроизводимыми.
Нестандартный генератор (подкласс класса Random) — Если по каким-либо причинам вас не устраивает качество стандартного генератора Random, то вы можете использовать вместо него ваш собственный ГСЧ. Для этого создайте его (это должен быть подкласс Java класса Random, например, MyRandom), выберите данную опцию и введите выражение, возвращающее экземпляр класса вашего ГСЧ, в расположенном справа поле, например: new MyRandom() или new MyRandom(1234). Подробнее см. здесь.

Репликации

Использовать репликации — Если опция выбрана, то оптимизатор будет выполнять несколько репликаций за один "прогон". Это нужно тогда, когда в вашей модели есть стохастика. В этом случае результаты «прогонов» будут уникальными, и значения оптимизируемой функции, полученные для «прогонов», произведенных при одних и тех же значениях оптимизационных параметров, скорее всего, будут отличаться. В этом случае мы не можем производить всего лишь один «прогон», принимать его результат в качестве результата для данной итерации и продолжать оптимизацию дальше, проверяя другие значения параметров. Чтобы получить репрезентативные данные, которым можно доверять, нам нужно провести несколько "прогонов" (называемых в данном контексте репликациями) для одного набора значений параметров и принять в качестве значений целевой функции среднее значение результатов всех репликаций.

Фиксированное количество репликаций — Если опция выбрана, то в рамках одной итерации будет производиться фиксированное количество репликаций.

Кол-во репликаций за итерацию — [Доступно, если выбрана опция Фиксированное количество репликаций] количество репликаций, которое будет производиться в рамках одной итерации.

Переменное кол-во репликаций (останов после выполнения минимального кол-ва репликаций, при достижении доверительного интервала) — Если опция выбрана, то в рамках одной итерации будет производиться переменное количество репликаций.

Для оптимизации с переменным количеством репликаций в одной итерации задаются минимальное и максимальное количество репликаций. За одну итерацию оптимизатор OptQuest всегда выполняет заданное минимальное количество репликаций. Необходимость выполнения дополнительных репликаций определяется оптимизатором. Прекращение выполнения дополнительных репликаций произойдет в одном из следующих случаев:

• Доверительный интервал для всех репликаций в рамках текущей итерации достаточно мал, чтобы попасть в интервал, заданный степенью доверия (то есть, искомое значение целевой функции для данной итерации несущественно отличается от среднего значения всех репликаций, что свидетельствует о том, что выборка репрезентативна, и найденному к данному моменту значению можно доверять).
• Значение целевой функции в текущей репликации существенно отстоит от текущего лучшего значения и очевидно, что при выбранных в текущей итерации значения оптимизационных параметров оптимальное решение найдено быть не может.
• Было выполнено заданное максимальное количество репликаций.

Переменное кол-во репликаций не поддерживается Генетическим оптимизатором.

Минимальное кол-во репликаций — [Доступно, если выбрана опция Переменное кол-во репликаций (останов после выполнения минимального кол-ва репликаций, при достижении доверительного интервала)] — Минимальное количество репликаций, которые будет производить оптимизатор OptQuest за одну итерацию.
Максимальное кол-во репликаций — [Доступно, если выбрана опция Переменное кол-во репликаций (останов после выполнения минимального кол-ва репликаций, при достижении доверительного интервала)] — Максимальное количество репликаций, которые будет производить оптимизатор OptQuest за одну итерацию.
Доверительная вероятность — [Доступно, если выбрана опция Переменное кол-во репликаций (останов после выполнения минимального кол-ва репликаций, при достижении доверительного интервала)] — Значение доверительной вероятности для получаемых значений целевой функции. Доверительная вероятность показывает, с какой вероятностью случайный ответ попадет в доверительный интервал. Для простоты можно понимать её как точность выборки. Как правило, используется 95%, но в тех случаях, когда высокая точность не нужна, вероятностью можно пожертвовать и понизить её уровень до 90% и даже до 85%. И наоборот, чем большую выборку может себе позволить исследователь, тем выше можно установить точность полученных данных. Доверительный интервал можно понимать как погрешность, задает размах части кривой распределения по обе стороны от выбранной точки, куда могут попадать ответы.
Относительный уровень ошибки — [Доступно, если выбрана опция Переменное кол-во репликаций (останов после выполнения минимального кол-ва репликаций, при достижении доверительного интервала)] — Значение от 0 до 1, определяющее размер доверительного интервала, который нас будет устраивать в качестве условия прекращения выполнения дополнительных репликаций для текущей итерации. Интервал считается как (текущее среднее значение - текущее среднее значение * относительный уровень ошибки, текущее среднее значение + текущее среднее значение * относительный уровень ошибки).

Окно

Свойства, расположенные на странице Окно, отвечают за внешний вид и настройки окна модели, которое отображается при запуске эксперимента. Обратите внимание, что размеры окна модели задаются с помощью объекта Рамка и являются общими для всех типов агентов и экспериментов вашей модели.

Заголовок — Заголовок, который будет показан в окне презентации.

Разрешить изменение масштаба и перетаскивание — Если опция выбрана, то пользователь сможет изменять масштаб содержимого окна презентации во время моделирования и перемещать холст окна презентации с помощью мыши (перемещая мышь с нажатой правой кнопкой).

Панель разработчика — Если опция выбрана, панель разработчика будет доступна в окне модели.

Показать панель разработчика при старте модели — [Параметр доступен, если выбрана опция Панель разработчика] Если опция выбрана, панель разработчика будет по умолчанию отображаться в окне модели при каждом запуске эксперимента.

Действия Java

Код инициализации эксперимента — Код инициализации эксперимента, который выполняется, когда эксперимент и его интерфейс уже созданы.

Действие перед запуском каждого эксперимента — Код, который выполняется перед запуском каждого эксперимента.

Действие перед "прогоном" модели — Код, выполняемый перед каждым «прогоном» модели. Этот код запускается при инициализации модели. К этому моменту агент верхнего уровня модели уже создан, но модель еще не запущена. Здесь вы можете выполнять действия с элементами агента верхнего уровня, например, присвоить другие значения его параметрам.

Действие после "прогона" модели — Код, выполняемый после каждого «прогона» модели. Этот код выполняется, когда исполняющий модуль завершает выполнение модели (вызывается функция остановки Engine.finished()).

Действие после итерации — Код, выполняемый после каждой итерации.

Действие по окончании эксперимента — Код, выполняемый после завершения эксперимента.

Java для экспертов

Импорт — Выражения импорта import, необходимые для успешной компиляции кода класса эксперимента. Во время генерации Java кода эти выражения вставляются перед строкой объявления Java класса эксперимента.

Дополнительный код класса — Здесь вы можете объявить какие-то служебные переменные кода, вложенные классы, константы и методы. Этот код будет вставлен в объявление класса эксперимента. Все объявленные здесь члены класса будут доступны из кода эксперимента.

Аргументы Java машины — [Параметр приложения] Задайте здесь аргументы Java машины, которые будут применяться при запуске модели. Подробное описание возможных аргументов дано на сайте Oracle: https://docs.oracle.com/en/java/javase/11/tools/java.html.

Аргументы командной строки — [Параметр приложения] Здесь вы можете задать аргументы командной строки, с помощью которых вы хотите передать модели определенные данные. Значения переданных аргументов доступны во всех кодовых полях с помощью метода String[] getCommandLineArguments(). Единственное ограничение: вы не можете вызывать этот метод, чтобы задавать значение статических переменных.

Специфические

Разрешить параллельное выполнение итераций — Если опция выбрана, то при наличии у процессора пользовательского компьютера нескольких ядер, сразу несколько итераций эксперимента будет параллельно выполняться на разных ядрах процессора. Это приведет к многократному увеличению производительности и завершению эксперимента за значительно меньшее время. Возможность отключения параллельного выполнения предоставляется потому, что в редких случаях такое выполнение может нарушить стратегию оптимизатора, что в итоге может потребовать проведения большего числа итераций для нахождения оптимального решения.
Если параллельное выполнение итераций разрешено, не используйте в модели статические переменные, коллекции, табличные функции и эмпирические распределения. Проверьте, что у таких элементов опция Статическая в секции свойств Специфические отключена.

Загрузить агента верхнего уровня из файла сохраненного состояния — Если опция выбрана, то агент верхнего уровня эксперимента будет загружаться из файла сохраненного состояния модели, указанного в расположенном справа поле. Эксперимент будет запущен с того момента модельного времени, когда было сохранено состояние модели.

Вы можете использовать следующие функции для управления экспериментом и сбора данных о состоянии его выполнения, на основании которых вы сможете построить собственный интерфейс пользователя для эксперимента.

Управление выполнением

Функция	Описание
void run()	Начинает выполнение эксперимента из его текущего состояния. Если модель еще не существует, функция перезапускает эксперимент, создает и запускает модель.
void pause()	Приостанавливает выполнение эксперимента.
void step()	Выполняет один шаг эксперимента. Если модель еще не существует, функция перезапускает эксперимент, создает и запускает модель.
void stop()	Прекращает выполнение эксперимента.
void close()	Функция мгновенно возвращает управление и выполняет следующие действия в параллельном потоке: Останавливает эксперимент, если он не остановлен Уничтожает модель Закрывает окно эксперимента (только если модель запущена в режиме отдельного приложения)
Experiment.State getState()	Возвращает текущее состояние эксперимента: IDLE PAUSED RUNNING FINISHED ERROR PLEASE_WAIT
double getRunTimeSeconds()	Возвращает длительность выполнения эксперимента в секундах (за вычетом времени, когда эксперимент был приостановлен).
int getRunCount()	Возвращает номер текущего запуска, т.е. сколько раз модель была уничтожена.
double getProgress()	Возвращает степень выполнения эксперимента: число от 0 до 1, соответствующее завершенной на данный момент части эксперимента (доля выполненных итераций от их общего числа). Если степень выполнения невозможно вычислить, то возвращает -1.
int getParallelEvaluatorsCount()	Возвращает количество параллельных вычислителей, используемых в данной модели. На многоядерных / мультипроцессорных системах, которые позволяют осуществить параллельный запуск, это число может превышать 1.

Целевая функция

Функция	Описание
double getCurrentObjectiveValue()	Возвращает значение целевой функции для текущего решения.
double getBestObjectiveValue()	Возвращает значение целевой функции для наилучшего из найденных на данный момент решений. Обратите внимание на то, что решение может быть невыполнимым. Чтобы проверить, выполняется ли решение, вызовите функцию isBestSolutionFeasible().
double getSelectedNthBestObjectiveValue()	Возвращает целевое значение для N-го наилучшего решения, определенного с помощью вызова функции selectNthBestSolution(int). Эта функция не поддерживается Генетическим оптимизатором.

Решение

Функция	Описание
boolean isBestSolutionFeasible()	Возвращает true, если наилучшее решение удовлетворяет всем ограничениям и требованиям; в противном случае возвращает false.
boolean isCurrentSolutionBest()	Возвращает true, если решение на данный момент является наилучшим; в противном случае возвращает false.
boolean isCurrentSolutionFeasible()	Возвращает true, если текущее решение удовлетворяет всем ограничениям и требованиям; в противном случае возвращает false.
boolean isSelectedNthBestSolutionFeasible()	Возвращает true, если N-ое наилучшее решение удовлетворяет всем ограничениям и требованиям; в противном случае возвращает false. Эта функция не поддерживается Генетическим оптимизатором.
void selectNthBestSolution(int bestSolutionIndex)	Эта функция находит N-ое лучшее решение и задает данные для последующих вызовов функции, которые возвращают конкретную информацию (например, для функций getSelectedNthBestObjectiveValue() и getSelectedNthBestParamValue(COptQuestVariable)). bestSolutionIndex — индекс наилучших решений (если передать в качестве аргумента 1, функция вернет наилучшее решение, если 2 — второе наиболее подходящее и т.д.) Эта функция не поддерживается Генетическим оптимизатором.

Параметры оптимизации

Функция	Описание
double getCurrentParamValue(COptQuestVariable optimizationParameterVariable)	Возвращает значение переменной данного параметра оптимизации для текущего решения. Эта функция не поддерживается Генетическим оптимизатором.
double getBestParamValue (COptQuestVariable optimizationParameterVariable)	Возвращает значение переменной данного параметра оптимизации для наилучшего из найденных решений. Обратите внимание на то, что решение может быть невыполнимым. Чтобы проверить, выполняется ли решение, вызовите функцию isBestSolutionFeasible(). Эта функция не поддерживается Генетическим оптимизатором.
double getSelectedNthBestParamValue(COptQuestVariable optimizationParameterVariable)	Возвращает значение переменной для N-го наилучшего решения, определенного с помощью вызова функции selectNthBestSolution(int). Эта функция не поддерживается Генетическим оптимизатором.

Итерации

Функция	Описание
int getCurrentIteration()	Возвращает текущее значение счетчика итераций.
int getBestIteration()	Возвращает итерацию, которая привела к наилучшему из найденных на данный момент решений. Обратите внимание на то, что решение может быть невыполнимым. Чтобы проверить, выполняется ли решение, вызовите функцию isBestSolutionFeasible().
int getMaximumIterations()	Возвращает общее количество итераций.
int getNumberOfCompletedIterations()	Возвращает количество выполненных итераций.
int getSelectedNthBestIteration()	Возвращает номер итерации для N-го наилучшего решения, определенного с помощью вызова функции selectNthBestSolution(int). Эта функция не поддерживается Генетическим оптимизатором.

Репликации

Прежде чем вызывать функции эксперимента калибровки, вам необходимо убедиться, что репликации используются. Это можно сделать, вызвав функцию isUseReplications().

Функция	Описание
boolean isUseReplications()	Возвращает true, если эксперимент использует репликации; в противном случае возвращает false.
int getCurrentReplication()	Возвращает количество репликаций, выполненных на данный момент для решения, которое проходит проверку.
int getBestReplicationsNumber()	Возвращает количество репликаций, выполненных для того, чтобы получить наилучшее решение. Обратите внимание на то, что решение может быть невыполнимым. Чтобы проверить, выполняется ли решение, вызовите функцию isBestSolutionFeasible().
int getSelectedNthBestReplicationsNumber()	Возвращает количество репликаций для N-го наилучшего решения, определенного с помощью вызова функции selectNthBestSolution(int). Эта функция не поддерживается Генетическим оптимизатором.

Доступ к модели

Функция	Описание
Engine getEngine()	Возвращает исполняющий модуль AnyLogic. Чтобы получить доступ к агенту верхнего уровня (как правило, Main), вызовите функцию getEngine().getRoot();
IExperimentHost getExperimentHost()	Возвращает хост эксперимента модели или пустой объект, лишенный функциональности, если хост не существует.

Восстановление сохраненного состояния модели

Функция	Описание
void setLoadRootFromSnapshot(String snapshotFileName)	По вызову этой функции простой эксперимент загружает агента верхнего уровня из файла состояния модели AnyLogic. Данная функция доступна только в AnyLogic Professional. snapshotFileName — имя файла состояния модели AnyLogic, например: "C:\My Model.als"
boolean isLoadRootFromSnapshot()	Возвращает true, если эксперимент настроен так, чтобы запускать модель из состояния, загружаемого из файла состояния модели; в противном случае возвращает false.
String getSnapshotFileName()	Возвращает имя файла состояния модели, из которого, в соответствии с настройками эксперимента, запускается модель.

Обработка ошибок

Функция	Описание
RuntimeException error(Throwable cause, String errorText)	Сообщает об ошибке во время выполнения модели: выдает ошибку RuntimeException с соответствующим текстом errorText, предварив его полным именем агента. Эта функция никогда ничего не возвращает, лишь выдает ошибку. Тип возвращаемого объекта задается в тех случаях, когда вы хотите использовать следующий способ вызова: throw error("my message"); cause — причина (сохраняется для более подробного сообщения), может быть null errorText — текст с описанием ошибки для отображения
RuntimeException errorInModel(Throwable cause, String errorText)	Сообщает об ошибке во время выполнения модели: выдает ошибку ModelException с заданным текстом, предварив его полным именем агента. Эта функция никогда ничего не возвращает, лишь выдает ошибку. Тип возвращаемого объекта задается в тех случаях, когда вы хотите использовать следующий способ вызова: throw errorInModel("my message"); Данная функция отличается от функции error() тем, как отображается сообщение об ошибке: ошибки в логике модели не так "серьезны" по сравнению с другими ошибками. Они случаются довольно часто и сообщают разработчику о необходимости изменить некоторые параметры модели. Примером могут послужить такие сообщения: "агент не смог покинуть блок диаграммы процесса, поскольку следующий блок занят" или "недостаточная вместимость стеллажа". cause — причина (сохраняется для более подробного сообщения), может быть null errorText — текст с описанием ошибки для отображения
void onError(Throwable error)	Эту функцию можно переопределить для нестандартной обработки ошибок, произошедших во время выполнения модели (т.е. ошибок в коде событий, динамических событий, переходов, действий на входе / выходе из состояний и т.д.). По умолчанию функция ничего не совершает, так как она не определена. Чтобы переопределить функцию, вы можете добавить функцию в эксперимент, назвать ее onError и задать для нее один аргумент класса java.lang.Throwable. error — ошибка, возникшая в ходе выполнения события.
void onError(Throwable error, Agent root)	Схожа с функцией onError(Throwable error) за одним исключением: предоставляет еще один аргумент для доступа к агенту верхнего уровня модели. Функция особенно полезна при работе с экспериментами с множественными прогонами, которые выполняются одновременно. error — ошибка, возникшая в ходе выполнения события root — агент верхнего уровня модели. В некоторых случаях значение может быть равно null (например, если ошибка возникла при создании агента верхнего уровня)

Аргументы командной строки

Функция	Описание
String[] getCommandLineArguments()	Возвращает массив аргументов командной строки, которые передаются данному эксперименту при запуске модели. Никогда не возвращает null: если аргументов нет, возвращает пустой массив. Эту функцию нельзя вызывать из значений статических переменных: такие переменные инициализируются раньше, чем класс эксперимента.

Как мы можем улучшить эту статью?

Отправить