系统建模与仿真第七章 仿真输入数据分析.docxVIP

第七章 仿真输入数据分析仿真输入数据的正确性直接影响仿真的结果，因此正确地收集和分析数据是系统仿真的重要组成部分。当分布已知时，可用前两章讨论的方法生成相应的随机变量作为系统的输入。在实际问题中，只能通过对系统的观察收集数据作为输入的随机变量，而对总体的分布一无所知或仅有一部分信息。在实际仿真时，通常采用的方法是：用经验分布抽样产生相应的输入随机数；由采集到的数据，作分布假设，通过参数估计、假设检验、拟合优度检验等，确定随机变量的分布；或直接用观察数据得到总体分布的概率密度函数或分布函数的估计，由此产生随机数。输入数据分析的一般步骤是：数据收集，分布识别，参数估计，假设检验。本章讨论如何实施以上各步，从而确定或估计输入数据的概率分布。数据收集收集足够数量的有效原始数据，是确保仿真有效的基础。为此，应事先有所计划，在收集过程中进行分析，分析所收集的数据是否足以确定仿真中输入数据的分布和参数。当数据不足时，应补充收集，而与仿真无关的数据则应予剔除。由于离散随机系统仿真以统计方法为基础，而统计方法大都要求样本独立地取自某个总体，因此在分析仿真输入数据时，首先要确定这些样本是否独立。样本独立性可以采用游程检验等非参数方法，也可以采用图形方法粗略地判断。常用的有散点图和相关图方法。散布图法利用样本点的散布图，可以粗略地判断样本是否独立。假定样本独立，如白噪声序列X1，X2，……，Xn，是相互独立的随机变量，其样本散点图由随机地分布在座标平面的构成（图7-1-1），图7-1-2和图7-1-3则是样本点X1，X2，……，Xn正相关及负相关的例。相关图法 相关图法是依据样本相关系数的图形判断样本的独立性。如果样本X1，X2，……，Xn独立，相关系数。一般说来，样本相关系数 不等于零。但若存在一个正数，总有，则说明样本X1，X2，……，Xn不独立。图7-1-4给出一个独立样本相关图，而图7-1-5则是不独立样本相关图的例。分布的识别为确定输入随机变量的分布，首先应选择分布的类型，是属于正态分布、指数分布、泊松分布或其他分布。通常可以利用先验知识，关于所研究系统的实际了解，输入数据的物理意义，假设随机变量分布的类别。例如，在某时间区间[0,t]来到的顾客数X不可能是连续型随机变量，因顾客的来到相互独立，可认为其服从泊松分布；服务台的服务时间Y也不应该是正态分布的随机变量，因为Y0（不可能有负的服务时间），则可认为其服从指数分布，如此等等。但在实际工作中，更常遇到的数据集合是无法用先验信息确定输入的随机变量的分布，必须利用其它方法。本节介绍直方图及数字特征两种常用方法。直方图和柱（线）图法直方图法是根据所收集的有效数据，绘制直方图，然后分别与几类不同的概率密度函数曲线比较，确定直方图与哪一类分布的密度函数接近或相似。【例7..2.1】：某银行为提高服务窗口的工作效率，决定用仿真研究窗口的设置。为此，需确定在固定时间内顾客到达间隔时间X(min)的分布形式。在固定的时间内有221名顾客来到，每相邻的两个顾客到达的时间间隔，从小到大排列如表7.2.1。表7.2.1 两个顾客到达时间间隔（min）排列表0.010 0.050 0.080 0.130 0.210 0.280 0.410 0.530 0.690 1.050 0.010 0.050 0.080 0.130 0.200 0.290 0.430 0.530 0.700 1.050 0.010 0.050 0.090 0.140 0.220 0.290 0.430 0.530 0.730 1.070 0.010 0.050 0.090 0.140 0.220 0.300 0.430 0.540 0.740 1.090 0.010 0.050 0.100 0.140 0.230 0.310 0.440 0.540 0.740 1.110 0.010 0.050 0.100 0.140 0.230 0.310 0.450 0.550 0.740 1.110 0.010 0.050 0.100 0.150 0.230 0.320 0.450 0.550 0.760 1.150 0.010 0.050 0.100 0.150 0.230 0.350 0.460 0.550 0.780 1.160 0.020 0.060 0.100 0.150 0.230 0.350 0.470 0.560 0.780 1.190 0.020 0.060 0.100 0.150 0.240 0.350 0.470 0.560 0.790 1.250 0.030 0.060 0.100 0.150 0.250 0.360 0.470 0.570 0.820 1.290 0.030 0.070 0.100 0