Анализ Монте-Карло

Вероятностный анализ Монте-Карло.........................197 [c.175]

Вероятностный анализ Монте-Карло 197 [c.197]

Вероятностный анализ Монте-Карло [c.197]

В качестве примера исследуем с помощью вероятностного анализа Монте-Карло схему активного фильтра с высокой крутизной фронта. Такие схемы чрезвычайно чувствительны к разбросам параметров компонентов. [c.198]

Вероятностный анализ Монте-Карло 199 [c.199]

Вероятностный анализ Монте-Карло 201 [c.201]

Шаг А теперь выведите на экран диаграмму частотной характеристики выходного 24, напряжения полосового фильтра для всех десяти прогонов анализа Монте-Карло (рис. 9.39). [c.201]

Вероятностный анализ Монте-Карло 203 [c.203]

Анализ Монте-Карло с измененным транзистором показал удовлетворительные результаты (рис. 9.46). Разброс усиления тока, благодаря сильной отрицательной обратной связи, не оказывает заметного влияния на частотную характеристику схемы. [c.204]

Рис. 9.42. Выходное напряжение схемы с общим эмиттером после десяти прогонов анализа Монте-Карло

Анализ наихудшего случая тесно связан с анализом Монте-Карло. Здесь также делается попытка определить поведение. электронной схемы, когда ее компонентам предписаны допуски. Особенность анализа наихудшего случая (в программе [c.204]

Учитывая, что при исследовании допусков вам все равно нужно будет проводить оба анализа, то есть смысл сначала выполнить анализ Монте-Карло, так как его результаты всегда верны. И только после этого вы можете попытаться с помощью анализа наихудшего случая определить экстремальную характеристику исследуемой схемы. Поэтому, излагая материал данного раздела, мы будем исходить из того, что вы уже знакомы с анализом Монте-Карло. [c.205]

Если вы хотите создать диаграмму с изображением прогонов анализа Монте-Карло внутри границ наихудшего случая, действуйте следующим образом [c.207]

Основным методом статического анализа в САПР является метод статистических испытаний (метод Монте-Карло). Каждое fe-e статистическое испытание заключается в присвоении элементам Xi вектора X случайных значений xni и расчете вектора выходных параметров Yh с помощью одновариантного анализа. После выполнения запланированного числа N статистических испытаний их результаты Y/ обрабатываются с целью оценки числовых характеристик распределений выходных параметров. [c.256]

Возникает естественный вопрос, какая процедура, использующая метод Монте-Карло, лучше статистическое интегрирование, приводящее к формуле (6.22), или статистическая имитация. Применительно к расчету угловых коэффициентов ф можно привести соображения о некоторых преимуществах статистического интегрирования. Однако если решать рассматриваемую ниже более общую задачу расчета разрешающего углового коэффициента с учетом зеркальных отражений, то следует отдать предпочтение статистической имитации. Итак, перейдем к анализу лучистого теплообмена при наличии поверхностей с зеркальным отражением. [c.195]

Таким образом, с помощью статистической имитации можно решать наиболее сложные задачи анализа процессов теплообмена излучением в замкнутых системах поверхностей, разделенных прозрачной средой, и эффективность метода Монте-Карло по сравнению с детерминированными методами резко возрастает с увеличением сложности задачи, [c.200]

Пример анализа безопасности системы транспорта газа [164]. Моделирование методом Монте-Карло на ЭВМ было применено для анализа безопасности системы транспорта высокосернистого нефтяного газа [c.257]

Затем, зная для большинства входных параметров возможные диапазоны их изменения в прогнозируемом периоде, случайным образом (методом Монте-Карло) образуют их различные сочетания. Аналогично образуются возможные сочетания различных способов производства промышленной продукции в прогнозируемом периоде. Выполняется группировка случайных сочетаний входных параметров и случайных сочетаний способов производства по определенным классам. Для каждого класса параметров и для каждого варианта перспективного развития технологических процессов промышленности (в комплексе с утилизационными установками) на математических моделях рассчитываются искомые значения критериальных функций, т. е. экономические оценки, в результате чего определяется игровая матрица затрат. В результате анализа игровой матрицы затрат по определенным критериям определяются рациональные варианты развития технологических процессов промышленности. Для этих вариантов на математических моделях процессов рассчитываются удельные показатели выхода и возможной выработки энергии на базе ВЭР. Анализируются полученные результаты и принимается решение по рекомендуемым вероятным значениям удельных показателей ВЭР в прогнозируемом периоде. [c.272]

Используя полученные данные, на ЭВМ математическими методами нелинейного или динамического программирования ПДМ оптимизируется по заданным критериям качества. Как показал анализ, при решении поставленной задачи не исключено успешное использование комбинации методов Монте-Карло и градиентного. При этом вводятся ограничения на все входящие в частные критерии элементы (переменные) и отыскиваются такие значения последних, которые доставляют экстремум-максимум сумме упомянутых критериев. [c.398]

Таким образом, для определения числа испытаний необходимо знать величину дисперсии D x t), которая вычисляется, в свою очередь, только при выполнении большого числа испытаний. Задача, следовательно, является неопределенной, так как до начала анализа нелинейной динамической системы методом Монте-Карло нельзя получить оценку о числе испытаний. Некоторые из таких оценок получены в работе [67], они позволяют уменьшить объем необходимых вычислений и освободиться от статистической неопределенности полученных результатов. [c.146]

Программа PSPI E позволяет приписывать допуски параметрам компонентов. И тогда в ходе одного анализа Монте-Карло одна и та же схема может моделироваться ( прогоняться ) до двадцати тысяч раз каждый раз с новым набором параметров, заданным по принципу случайной выборки. Затем отдельные результаты оцениваются программой PSPI E по тем критериям, которые вы заранее оговариваете во время предварительной установки анализа. Например, определяется максимальное отклонение напряжения от его номинального значения, то есть от того значения, какое имело бы это напряжение, если бы все компоненты точно соответствовали своим номинальным параметрам. [c.197]

Диаграммы, создаваемые на основе результатов анализа Монте-Карло, особенно наглядны, когда, к примеру, на одной общей диаграмме изображаются результаты всех прогонов, совершенных при моделировании схемы, то одного взгляда бывает достаточно, чтобы определить чувствительность схемы к допускам компонентов. На одну диаграмму PROBE могут быть одновременно выведены данные [c.197]

Программа PSPI E позволяет проводить анализ Монте-Карло в сочетании с анализом D Sweep, A Sweep и с анализом переходных процессов. В ходе моделирования первый прогон анализа Монте-Карло всегда является номинальным , то есть при нем все компоненты имеют свои номинальные значения. [c.197]

Проведите в этом окне предварительную установку, как показано на рис. 9.38. В ходе моделирования будет проведено десять прогонов анализа Монте-Карло (опция МС Run) на основе анализа АС Sweep (опция Analysis Туре). [c.200]

Рис. 9.39. Поведение схемы BP AKT.s h в ходе анализа Монте-Карло

Наряду с анализом Монте-Карло в программе PROBE можно выполнить стохастический эквивалент анализа производительности на экране будет показано статистическое распределение величин, которые извлекаются из каждого отдельного прогона анализа Монте-Карло с помощью целевых функций. В качестве примера изобразим в виде гистограммы статистическое распределение ширины полосы на уровне З-dB десяти полученных выше кривых. [c.201]

RUN - предоставляет результаты только указанных в поле Value прогонов анализа Монте-Карло [c.203]

Теперь вы понимаете, что анализ наихудшего случая выдает достоверный результат только тогда, когда для всех параметров выходная величина монотонно изменяется при монотонном изменении параметра. Иными словами если параметры оказывают на выходную величину самое большое влияние в момент, когда находятся на одной из границ своего допуска. Сверх этого, отдельные параметры, что касается их тенденции к наихудшему случаю, не мохут оказывать взаимного влияния друг на друга. Остается только удивляться, что при таких серьезных ограничениях анализ наихудшего случая, тем не менее, чаще всего выявляет реальный наихудший случай. Но абсолютной гарантии относительно правильности результата нет. Вы сможете быть уверены в полученных данных только тогда, когда все результаты анализа Монте-Карло с большим количеством прогонов МС Runs останутся в пределах границ (Hi и Lo) наихудшего случая. [c.206]

Монте-Карло (рис. 9.39). Все результаты анализа Монте-Карло должны находиться внутри границ Worst ases, чтобы вы смогли довериться установленным программой PSPI E наихудшим случаям. [c.207]

Сохраните эту схему под каким-нибудь новым именем (например, под именем ВР АКТМС) и проведите анализ Монте-Карло. Рассмотрите полученный результат в PROBE (см. рис. 9.39). [c.207]

Воспользовавшись опцией PROBE Append (см. рецепт б в главе 5), объедините результаты, полученные в пунктах 2-4. Ваша диаграмма частотной характеристики активного фильтра (см. рис. 9.32) после успешного завершения работы должна быть аналогична той диаграмме, которую вы видите на рис. 9.46. Здесь изображены оба прогона наихудшего случая с самым большим отклонением вверх и вниз, а также двадцать прогонов анализа Монте-Карло со статистически установленными значениями разброса резисторов и конденсаторов. [c.207]

Рецепт 11. Создать в PROBE гистограмму статистического распределения результатов анализа Монте-Карло [c.213]

Заполните раздел МС Options. Значение различных опций анализа Монте-Карло указано в списке на стр. 202-203. [c.214]

Другой разновидностью методов статистического анализа нелинейных динамических систем являются методы статистических испытаний (метод Монте-Карло) [26, 851 и эквивалентных возмущений [85]. Эта группа методов принадлежит к классу экспериментальных и реализуется непосредственно на АЦВМ (ГВМ). [c.144]

Очевидно, что уже предварительный анализ зависимости (2) и характеристик рассеивания отдельных факторов позволит сделать полезные суждения о влиянии каждого из них на величину и рассеивание сил. В данном случае для определения искомого спектра сил мы встречаемся с необходимостью определения вероятностной характеристики величины Р, связанной функциональной зависимостью (2) с системой случайных величин (Afj М2 о Спр А, Ро). Если ориентироваться на решение такой задачи путем аналитического расчета методами теории вероятностей, то обычно возникают большие математические трудности, особенно если исходные распределения случайных величин отличаются от нормальных. Применение метода статистических испытаний (Монте-Карло) [4, 5] позволяет избежать этих трудностей и сравнительно просто с помощью ЭЦВМ выполнить численное решение для любых исходных распределений. Этот чрезвычайно эффективный метод не нашел еще должного применения в практике инженерных расчетов и обычно не изучается в курсе высшей мате-матики машиностроительных вузов. Учитывая вышеуказанное, покажем практические особенности такого расчета для рассматриваемого случая. [c.161]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...