В.Ю. Строганов1, В.М. Черненький2, В.А. Михеев3

1,2 МГТУ им. Н.Э. Баумана (Москва, Россия)
3 АО «Концерн «Вега» (Москва, Россия)

Постановка проблемы. Моделирование нестационарных процессов в имитационных моделях сетей массового обслу­живания (СеМО) представляет одну из основных проблем анализа сходимости алгоритмов поисковой оптимизации, включенных в имитационные модели СеМО с целью подбора оптимальных управляемых параметров. Нестационарный характер имитационных процессов обусловлен постоянным изменением значений управляемых параметров в процесс реализации алгоритма поисковой оптимизации на имитационной модели.

Цель. Рассмотреть построение формальной модели управляемого имитационного процесса, представляющего последовательность нестационарных процессов с различными значениями управляемых параметров.

Результаты. Для моделирования нестационарных процессов предложена расширенная модель авторегрессии второго порядка, позволяющая описывать широкий класс выборочных траекторий имитационного процесса.

Практическая значимость. Полученные результаты позволяют исследовать характеристики управляемых имитационных процессов, когда выборочные траектории для различных значений управляемых параметров модели согласованы по конечным и начальным состояниям процессов в зависимости от поведения алгоритма поисковой оптимизации.

Строганов В.Ю., Черненький В.М., Михеев В.А. Моделирование нестационарных случайных процессов и процессов оптимизации на имитационных моделях систем массового обслуживания // Динамика сложных систем. 2022. Т. 16. № 1. С. 5−12. 10.18127/j19997493-202201-01

1. Андерсон Т.А. Статистический анализ временных рядов. М.: Мир. 1976. 756 с.
2. Ганцева Е.А., Каладзе В.А., Каладзе Г.А. Динамические модели нестационарных случайных процессов // Вестник ВГТУ. 2006. Т. 2. № 5. С. 4–8.
3. Егошин A.B. Постановка задачи прогнозирования временного ряда порождаемого динамической системой. Йошкар-Ола: Марийский гос. техн. ун-т. 2007. С. 136–140.
4. Кулешов Е.Л. Бабийчук И.А. Линейное прогнозирование стационарных случайных процессов при известном и неизвестном тренде // Автометрия. 2005. Т. 41. № 2. С. 23–35.
5. Лапшина С.Н., Берг Д.Б., Баженов И.А. и др. Имитационные модели в экономике для изучения сценариев развития экономических систем // Экономика и управление в машиностроении. 2016. № 1. С. 53–55.
6. Орлов Ю.Н., Осминин К.П. Построение выборочной функции распределения для прогнозирования нестационарного временного ряда. // Математическое моделирование. 2008. № 9. С. 23–33.
7. Палей А.Г., Поллак Г.А. Имитационное моделирование. Разработка имитационных моделей средствами iWebsim и AnyLogic: Учеб. пособие. СПб.: Лань. 2019. 204 с.
8. Строганов В.Ю, Рогова О.Б., Строганов Д.В. Анализ поведения алгоритмов поисковой оптимизации на переходных режимах нестационарных имитационных процессов // Динамика сложных систем – XXI век. 2021. № 1. С. 13–21.
9. Федоров С.Л. Анализ функционалов, заданных на выборках из нестационарного временного ряда // Труды II Междунар. науч.-практ. конференции «Теоретические и прикладные аспекты современной науки». Белгород. Август 2014. С. 9–16.
10. Цыплаков A.A. Введение в прогнозирование в классических моделях временных рядов // Квантиль. 2006. № 1. С. 3–19.
11. Черненький В.М., Строганов В.Ю. Анализ поведения алгоритмов поисковой оптимизации на моделях регенерирующих процессов сложных динамических систем // Динамика сложных систем – XXI век. 2020. № 4. С. 55–64.
12. Черненький В.М., Строганов Д.В., Оценка эффективности задачи выбора экстремальных значений параметров имитационной модели семейства регенерирующих процессов // Динамика сложных систем – XXI век. 2021. № 1. C. 5–12.
13. Черненький В.М., Строганов Д.В., Михеев В.А. Диффузионное приближение поведения управляемых имитационных моделей систем массового обслуживания // Динамика сложных систем – XXI век. 2021. № 4. C. 21–28.
14. Hassani H., Soofi A., Zhigljavsky A. Predicting Daily Exchange Rate with Singular Spectrum Analysis, Nonlinear Analysis: Real World Applications. 2010. V. 11. № 3. P. 2023–2034.
15. Perslev M., Jensen M.H., Darkner S. et al. U-time: A fully convolutional network for time series segmentation applied to sleep staging. Advances in Neural Information Processing Systems. 2019. P. 4415–4426.