Идея, назначение и область применимости метода

В предыдущих главах мы научились строить некоторые аналитические модели операций со стохастической («доброкачественной») неопределенностью. Эти модели позволяют установить аналитическую (формульную) зависимость между условиями операции, элементами решения и результатом (исходом) операции, который характеризуется одним или несколькими показателями эффективности. Во многих операциях системы массового обслуживания или другие, аналогичные им (например, технические устройства с узлами, выходящими из строя), фигурируют как «подсистемы» или «части» общей управляемой системы. Польза и желательность построения аналитических моделей (хотя бы приближенных) сомнению не подлежат. Беда в том, что их удается построить только для самых простых, «незатейливых» систем, и, самое главное, они требуют допущения о марковском характере процесса, что далеко не всегда соответствует действительности. В случаях, когда аналитические методы неприменимы (или же требуется проверить их точность), приходится прибегать к универсальному методу статистического моделирования или, как его часто называют, методу Монте-Карло.

Идея метода чрезвычайно проста и состоит она в следующем. Вместо того чтобы описывать процесс с помощью аналитического аппарата (дифференциальных или алгебраических уравнений), производится «розыгрыш» Случайного явления с помощью специально организованной процедуры, включающей в себя случайность и дающей случайный результат. В действительности конкретное осуществление (реализация) случайного процесса складывается каждый раз по-иному; так же и в результате статистического моделирования («розыгрыша») мы получаем каждый раз новую, отличную от других реализацию исследуемого процесса. Что она может нам дать? Сама по себе — почти ничего, так же как, скажем, один случай излечения больного с помощью какого-то лекарства (или несмотря на лекарство). Другое дело, если таких реализаций получено много. Это множество реализаций можно использовать как некий искусственно полученный статистический материал, который может быть обработан обыч­ными методами математической статистики. После такой обработки могут быть получены (разумеется, приближенно) любые интересующие нас характеристики: вероятности событий, математические ожидания и дисперсии случайных величин и т. д. При моделировании случайных явлений методом Монте-Карло мы пользуемся самой случайностью как аппаратом исследования, заставляем ее «работать на нас».

Нередко такой прием оказывается проще, чем попытки построить аналитическую модель. Для сложных операций, в которых участвует большое число элементов (машин, людей, организаций, подсобных средств), в которых случайные факторы сложно переплетены, где процесс — явно немарковский, метод статистического моделирования, как правило, оказывается проще аналитического (а нередко бывает и единственно возможным).

В сущности, методом Монте-Карло может быть решена любая вероятностная задача, но оправданным он становится только тогда, когда процедура розыгрыша проще, а не сложнее аналитического расчета. Приведем пример, когда метод Монте-Карло возможен, но крайне неразумен. Пусть, например, по какой-то цели производится три независимых выстрела, из которых каждый попадает в цель с вероятностью 1/2. Требуется найти вероятность хотя бы одного попадания. Элементарный расчет дает нам вероятность хотя бы одного попадания равной 1 — (1/2)³ = 7/8. Ту же задачу, в принципе, можно решить и «розыгрышем», статистическим моделированием. Вместо «трех выстрелов» будем бросать «три монеты», считая, скажем, герб — за «попадание», решку — за «промах». Опыт считается «удачным», если хотя бы на одной из монет выпадет герб. Произведем очень-очень много опытов, подсчитаем общее количество «удач» и разделим на число N про­изведенных опытов. Таким образом, мы получим частоту события, а она при большом числе опытов близка к вероятности. Ну, что же? Применить такой прием мог бы разве человек, вовсе не знающий теории вероятностей, тем не менее, в принципе, он возможен.

А теперь возьмем другую задачу. Пусть работает многоканальная СМО с очередью, но процесс, протекающий в ней, явно немарковский: промежутки между заявками имеют непоказательное распределение, время обслуживания — тоже. Мало того: каналы время от времени выходят из строя и начинают ремонтироваться; как время безотказной работы канала, так и время ремонта — непоказательные. Требуется найти характеристики СМО: вероятности состояний как функции времени, среднюю длину очереди, среднее время пребывания заявки в системе и т. д. Задача, казалось бы, не такая уж сложная. Однако любой человек, сколько-нибудь знакомый с теорией массового об­служивания, не колеблясь, выберет для ее решения метод статистического моделирования (перспективы создания обозримой аналитической модели здесь, прямо сказать, неважные). Ему придется разыграть множество реализаций случайного процесса (разумеется, на ЭВМ, а не вручную) и из такой искусственной «статистики» найти приближенно интересующие его вероятности (как частоты соответствующих событий) и математические ожидания (как средние арифметические значений случайных величин).

В задачах исследования операций метод Монте- Карло применяется в трех основных ролях:

1) при моделировании сложных, комплексных операций, где присутствует много взаимодействующих случайных факторов;

2) при проверке применимости более простых, аналитических методов и выяснении условий их применимости;

3) в целях выработки поправок к аналитическим формулам типа «эмпирических формул» в технике.

В § 3 (глава 1) мы уже говорили в общих чертах о сравнительных достоинствах и недостатках аналитических и статистических моделей. Теперь мы можем уточнить: основным недостатком аналитических моделей является то, что они неизбежно требуют каких-то допущений, в частности, о «марковости» процесса. Приемлемость этих допущений далеко не всегда может быть оценена без контрольных расчетов, а производятся они методом Монте-Карло. Образно говоря, метод Монте-Карло в задачах исследования операций играет роль своеобразного ОТК. Статистические модели не требуют серьезных допущений и упрощений. В принципе, в статистическую модель «лезет» что угодно — любые законы распределения, любая сложность системы, множественность ее состояний. Главный же недостаток статистических моделей — их громоздкость и трудоемкость. Огромное число реализаций, необходимое для нахождения искомых параметров с приемлемой точностью, требует большого расхода машинного времени. Кроме того, результаты статистического моделирования гораздо труднее осмыслить, чем расчеты по аналитическим моделям, и соответственно труднее оп­тимизировать решение (его приходится «нащупывать» вслепую). Правильное сочетание аналитических и статистических методов в исследовании операций — дело искусства, чутья и опыта исследователя. Нередко анналитическими методами удается описать какие-то «подсистемы», выделяемые в большой системе, а затем из таких моделей, как из «кирпичиков», строить здание большой, сложной модели.