Эксперимент Монте-Карло

Эксперимент Монте-Карло позволяет выполнить несколько повторных запусков стохастической модели или модели со стохастически меняющимися параметрами и отобразить полученный набор результатов моделирования с помощью гистограмм (возможно использование не только обычных, но и двумерных гистограмм).

Если модель стохастична по своей природе, то каждый "прогон" модели будет выдавать уникальный результат моделирования, даже если вы не будете менять значения входных параметров. Но вы можете и сами генерировать случайное значение параметра модели для каждого "прогона" модели.

Если процессор вашего компьютера имеет несколько ядер, то при запуске эксперимента AnyLogic автоматически определит, сколько ядер доступно, и будет параллельно выполнять сразу несколько итераций эксперимента на различных ядрах процессора. Таким образом может быть достигнуто многократное увеличение производительности, и выполнение эксперимента на многоядерном процессоре может быть завершено в несколько раз быстрее, чем на процессоре с одним ядром.

Создание эксперимента Монте-Карло

Чтобы создать эксперимент Монте-Карло

  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 Монте-Карло 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 страница Мастера Параметры.
  8. В поле Количество итераций введите, сколько итераций вы хотите выполнить с этой моделью.
  9. Укажите, как будут варьироваться параметры агента верхнего уровня. Все параметры агента верхнего уровня эксперимента перечислены в таблице Варьирование параметров. Укажите, какие значения вы хотите присваивать параметрам перед каждым новым "прогоном" модели. Например, если вы хотите, чтобы параметр принимал значения согласно нормальному распределению от 0 до 10, напишите Выражение этого параметра. Если вы оставите поле пустым, то будет принято значение по умолчанию.
  10. Если вы хотите отображать распределения результатов моделирования скалярного типа с помощью гистограмм, щелкните мышью по кнопке Далее. Будет открыта страница Мастера Гистограммы. Здесь вы можете задать свойства гистограмм, которые будут визуализировать собираемую статистику. Каждая гистограмма задается в отдельной строке таблицы: заголовок - в ячейке Заголовок, выражение, по результатам вычисления которого будет собираться статистика - в ячейке Выражение. В последних двух ячейках задаются Количество интервалов и Начальный размер интервала гистограммы. Агент верхнего уровня доступен в поле Выражение как root, вы можете написать здесь, например, root.myOutput.
  11. Если вы хотите отображать распределения результатов моделирования типа "набор данных" с помощью двумерных гистограмм, щелкните еще раз мышью по кнопке Далее. Будет открыта страница Мастера Двумерные гистограммы. Здесь вы можете задать свойства двумерных гистограмм, которые будут визуализировать собираемую статистику. Каждая гистограмма задается в отдельной строке таблицы: заголовок - в ячейке Заголовок, выражение, по результатам вычисления которого будет собираться статистика - в ячейке Выражение; горизонтальные и вертикальные интервалы (их Количество, а также границы диапазонов значений - От и До задаются отдельно для первых и для вторых). Агент верхнего уровня доступен в поле Выражение как root, вы можете написать здесь, например, root.myDataset.
  12. Завершите создание эксперимента, щелкнув мышью по кнопке Готово.

Свойства

Основные

Имя – Имя эксперимента.

Поскольку AnyLogic генерирует для каждого эксперимента соответствующий Java класс, при задании имени эксперимента нужно руководствоваться правилами названия классов в Java. Пожалуйста, 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.

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

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

Пожалуйста, не нажимайте эту кнопку. Нажав ее, вы удалите интерфейс, созданный мастером, и вместо него для эксперимента Монте-Карло будет создан интерфейс по умолчанию, что может не соответствовать вашим задачам.
Параметры

Параметры – Здесь пользователь задает набор параметров, которые будут варьироваться.В таблице перечислены все параметры агента верхнего уровня. Чтобы разрешить варьирование параметра, перейдите на соответствующую строку таблицы Параметры, щелкните мышью в ячейке Тип и выберите Диапазон. Если это численный параметр, то задайте диапазон допустимых значений параметра. Введите нижнюю границу диапазона в ячейке Мин и верхнюю - в ячейке Макс. В ячейке Шаг задайте величину шага между значениями (инкремента).

Варьировать в диапазоне – Если опция выбрана, то вы сможете явно задать диапазон возможных значений для каждого варьируемого параметра. Если быть точнее, то для каждого варьируемого параметра вам нужно будет задать в таблице Параметры минимум и максимум диапазона значений, а также величину шага (инкремента), с помощью которого будут определяться допустимые значения данного параметра внутри диапазона.

Произвольно – Если опция выбрана, то модель будет запускаться заданное вами количество раз (оно задается в поле Кол-во "прогонов"). Значения параметров в этом случае будут вычисляться в соответствии с выражениями, которые вы зададите в таблице Параметры. Номер текущего "прогона" модели доступен в коде выражения как index.

Модельное время

Остановить – Здесь вам нужно задать, когда вы хотите, чтобы моделирование было остановлено. 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 – Конечное время моделируемого интервала времени (количество единиц модельного времени, по прошествии которого модель будет остановлена).

Конечная дата – Конечная календарная дата моделируемого интервала времени.

Дополнительные условия остановки эксперимента – Здесь вы можете задать любое количество дополнительных условий остановки эксперимента. Когда выполнится любое из этих условий, эксперимент будет остановлен. 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 эксперимент, когда значение переменной plainVar агента верхнего уровня эксперимента превзойдет некоторое пороговое значение (скажем, 11), напишите здесь root.plainVar>11. Чтобы сделать это условие активным, вам нужно будет установить флажок в соответствующей строке 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. статью про нестандартный генератор случайных чисел.

Репликации

Использовать репликации – Если опция выбрана, то оптимизатор OptQuest 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:

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 метод Engine.finished()). Этот код не выполняется, если вы останавливаете модель с помощью кнопки Прекратить выполнение.

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 Java Sun Microsystems: http://java.sun.com/j2se/1.5.0/docs/tooldocs/windows/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 в Дополнительном коде класса эксперимента с помощью метода String[] getCommandLineArguments()

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.

Функции

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 или 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 мультиядерных / мультипроцессорных системах, которые позволяют осуществить параллельный запуск, это число может превышать 1.


Итерации

Функция

Описание

int getCurrentIteration()

Возвращает текущее значение счетчика итераций.

int getMaximumIterations()

Возвращает общее количество итераций.

int getNumberOfCompletedIterations()

Возвращает количество выполненных итераций.


Репликации

Прежде чем вызывать функции эксперимента Монте-Карло, 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 для текущей итерации.


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.

Параметр:
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 исключение RuntimeException с соответствующим текстом errorText, предварив его полным именем агента.

Эта функция никогда ничего не возвращает, лишь выдает исключение. Тип возвращаемого объекта задается в тех случаях, когда вы хотите использовать следующий способ вызова: throw error("my message");

Параметры:
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 исключение ModelException с заданным текстом ошибки, предварив его полным именем агента.

Эта функция никогда ничего не возвращает, лишь выдает исключение. 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".

Параметры:
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.

Параметр:
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.

Параметры:
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.

Вы можете вызвать эту функцию в поле Дополнительный код класса в свойствах эксперимента.