Адаптационная оптимизация производственных процессов с технологической обратной связью
Моделирование "черного ящика". Листинг программы, моделирующей случайную помеху. Вид распределения сгенерированной помехи. Листинг программы для получения значений откликов. Аппроксимация уравнения регрессии линейным уравнением, значимость коэффициентов.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | реферат |
Язык | русский |
Дата добавления | 24.12.2012 |
Размер файла | 1,4 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
Государственное образовательное учреждение высшего профессионального образования
"САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ"
КАФЕДРА ВЫЧИСЛИТЕЛЬНЫХ МАШИН И КОМПЛЕКСОВ
ПОЯСНИТЕЛЬНАЯ ЗАПИСКА К КУРСОВОМУ ПРОЕКТУ
Адаптационная оптимизация производственных процессов с технологической обратной связью
по дисциплине: Компьютерная обработка экспериментальных данных
РАБОТУ ВЫПОЛНИЛ
СТУДЕНТ ГР.
Костерев Г. М.
Санкт-Петербург 2012
Содержание
- Цель работы
- Моделирование "черного ящика"
- Листинг программы, моделирующей случайную помеху
- Определение вида распределения сгенерированной помехи
- Построение уравнения регрессии
- Получение значений откликов
- Листинг программы для получения значений откликов
- Аппроксимация уравнения регрессии линейным уравнением
- Определение значимости коэффициентов уравнения регрессии
- Окончательное уравнение регрессии
- Приложение
- Список, используемой литературы
Цель работы
1. Разработать модель "чёрного ящика" по заданным параметрам;
Y = x1*sin (x2) +x3-3x4, где f (о) =c*cos (x) (0; р/2)
2. По выходам "чёрного ящика" определить вид закона распределения случайной величины;
3. Оценить параметры распределения;
4. Построить уравнение регрессии, выбрав степень полинома так, чтобы среднеквадратичная ошибка не превышала заданного порога: .
5. Оценить значимость коэффициентов, удалить незначимые.
Моделирование "черного ящика"
Размещено на http://www.allbest.ru/
f (о) =c*cos (x); (0; р/2)
C=1
= arcsin (x)
Листинг программы, моделирующей случайную помеху
Программа написана и отлажена в среде Visual C++
Определение вида распределения сгенерированной помехи
Для этого по полученной выборке построим гистограмму
Границы |
Середина |
li |
попаданий |
ni/ (n*li) |
||
0,007111 |
0,103797 |
0,0554539 |
0,096686 |
10 |
1,034275 |
|
0,103797 |
0,170849 |
0,137323 |
0,067052 |
10 |
1,49138 |
|
0,170849 |
0,236928 |
0, 2038885 |
0,066079 |
10 |
1,51334 |
|
0,236928 |
0,332552 |
0,28474 |
0,095624 |
10 |
1,045763 |
|
0,332552 |
0,486337 |
0,4094445 |
0,153785 |
10 |
0,650258 |
|
0,486337 |
0,651913 |
0,569125 |
0,165576 |
10 |
0,603952 |
|
0,651913 |
0,764266 |
0,7080895 |
0,112353 |
10 |
0,890052 |
|
0,764266 |
0,877236 |
0,820751 |
0,11297 |
10 |
0,885191 |
|
0,877236 |
1,10431 |
0,990773 |
0,227074 |
10 |
0,440385 |
|
1,10431 |
1,53765 |
1,32098 |
0,43334 |
10 |
0,230766 |
Рис 1. Гистограмма по выборке.
По Рис.1 можно выдвинуть гипотезу о синусоидальном характере распределения промоделированной случайной величины.
Проверка гипотезы методом "хи-квадрат":
Диапазон возможных значений элементов выборки разбивается на k интервалов и подсчитываются количества ni элементов выборки, попавших в каждый i-ый интервал (рис.4.1).
Рис.2.
На основании этого разбиения вычисляется значение статистики
,
где объем выборки, pi = F (xi B) - F (xi H) вероятность попадания в i-тый интервал с нижней xi H и верхней xi B границами.
Чтобы обеспечить заданный уровень значимости критерия, в качестве порога, с которым следует сравнивать X2, следует брать квантиль хи-квадрат распределения уровня 1- 21- (k-1). Решающее правило принимает вид: если X2 > 21- (k-1), то гипотеза отклоняется, в противном случае экспериментальные данные не противоречат гипотезе.
Границы |
попадания |
p (i) |
n*p (i) |
x2 |
||
0,007111 |
0, 198428 |
24 |
0, 190018 |
19,00179 |
1,314727 |
|
0, 198428 |
0,389746 |
21 |
0,182824 |
18,28245 |
0,403945 |
|
0,389746 |
0,581063 |
11 |
0,16896 |
16,89597 |
2,057439 |
|
0,581063 |
0,77238 |
12 |
0,148929 |
14,89294 |
0,56195 |
|
0,77238 |
0,963698 |
18 |
0,123465 |
12,34645 |
2,588807 |
|
0,963698 |
1,155015 |
4 |
0,093494 |
9,349437 |
3,06077 |
|
1,155015 |
1,346332 |
7 |
0,060113 |
6,011252 |
0,162632 |
|
1,346332 |
1,53765 |
3 |
0,024537 |
2,453712 |
0,121624 |
|
100 |
0,99234 |
10,27189 |
Задавшись уровнем значимости = 0.05, по таблице квантилей хи-квадрат распределения находим, что для числа степеней свободы k - m - 1 =8 - 1 =7, величина 2 = 14,08. Так как экспериментально полученное значение статистики хи-квадрат 10,27 меньше порогового значения то, можно говорить, что экспериментальные данные не противоречат выдвинутой гипотезе о синусоидальном характере распределения случайной величины.
Построение уравнения регрессии
Матрица планирования:
Матрица планирования (A) имеет вид:
1 |
1 |
1 |
1 |
1 |
|
1 |
1 |
1 |
-1 |
-1 |
|
1 |
1 |
-1 |
1 |
-1 |
|
1 |
1 |
-1 |
-1 |
1 |
|
1 |
-1 |
1 |
1 |
-1 |
|
1 |
-1 |
1 |
-1 |
1 |
|
1 |
-1 |
-1 |
1 |
1 |
|
1 |
-1 |
-1 |
-1 |
-1 |
(At*A) ^ (-1) *At
0,125 |
0,125 |
0,125 |
0,125 |
0,125 |
0,125 |
0,125 |
0,125 |
|
0,125 |
0,125 |
0,125 |
0,125 |
-0,125 |
-0,125 |
-0,125 |
-0,125 |
|
0,125 |
0,125 |
-0,125 |
-0,125 |
0,125 |
0,125 |
-0,125 |
-0,125 |
|
0,125 |
-0,125 |
0,125 |
-0,125 |
0,125 |
-0,125 |
0,125 |
-0,125 |
|
0,125 |
-0,125 |
-0,125 |
0,125 |
-0,125 |
0,125 |
0,125 |
-0,125 |
Получение значений откликов
Необходима выборка, полученная с помощью черного ящика. Для этого нам надо поставить несколько опытов с разными значениями xi. Количество опытов равно 2 в степени количества факторов x, для сокращения количества опытов в 2 раза воспользуемся генератором. Т.е. восемь (24) /2. В каждом опыте выполняем по 6 циклов. Теперь мы получили выборку, представленную в таблице.
-0,885949 |
-0,545167 |
0,0595463 |
0,654982 |
-0,730886 |
-0,816489 |
-0,487277 |
-1,35567 |
|
-0,259396 |
-0,900356 |
0,120166 |
0,769114 |
-0,552592 |
-0,987099 |
-0,736511 |
-0,785025 |
|
-0,467197 |
-0,413624 |
1,1685 |
1,64617 |
-0,629183 |
-1,40712 |
-0,681407 |
-0,569984 |
|
-0,529682 |
-0,246241 |
1,05407 |
0,58574 |
-0,587344 |
-1,08421 |
-0, 208493 |
-1,14423 |
|
-0,894178 |
-1, 20499 |
0,440312 |
0,764431 |
-0,369641 |
-0,304032 |
0,506455 |
-1,32553 |
|
0,0183099 |
-0,737719 |
0,427899 |
0,953205 |
-0,463721 |
-1,3228 |
-0,664128 |
-1,11012 |
Листинг программы для получения значений откликов
Программа написана и отлажена в среде Visual C++
программа моделирование обратная связь
Аппроксимация уравнения регрессии линейным уравнением
Неизвестное уравнение регрессии технологического процесса может быть аппроксимировано линейным уравнением:
y =0 +1x1 +2x2 +3x3 +4x4
Оценки bi коэффициентов i, i=0,1,.,4, рассчитываются по формулам:
, где Sij - знак i-го фактора в j-ом опыте ПФЭ.
Результат вычислений оценок коэффициентов:
b0 |
b1 |
b2 |
b3 |
b4 |
|
-0,338314392 |
0,40406215 |
-0,341740029 |
0,115301 |
0,095083 |
Уравнение регрессии:
Y = - 0,338314392+0,40406215x1-0,341740029x2+0,115301x3+0,095083x4
Отклики, предсказанные уравнением регрессии:
предсказанные отклики |
|
-0,065608817 |
|
-0,486375725 |
|
0,427705883 |
|
0,387269692 |
|
-1,063898475 |
|
-1,104334667 |
|
-0, 190253058 |
|
-0,611019967 |
Для проверки гипотезы адекватности сравним точность, достигнутую моделью, с точностью измерений.
Число степеней свободы:
=n- (m+1) =8- (4+1) =3
Dад =
Число степеней свободы:
Dвос=
F = Dад/Dвос = 2,392204535
Пороговое значение критерия Фишера F0 для f1=3, f2 =40 и уровня значимости =0,05 находим по таблице Прил.1 F0 =2,9.
Так как F<F0 - линейное уравнение регрессии адекватно.
Определение значимости коэффициентов уравнения регрессии
Проверяем значимость отдельных коэффициентов уравнения регрессии с помощью t - статистики Стьюдента.
Для чего по таблице Прил.2 для f= n (N-1) =8 (6-1) =40 и =0.05 находим пороговое значение t0= 1.684.
Вычислив для каждого коэффициента регрессии величину
ti = bi /, где D = Dвос/Nn = 0,139053903/5*8 = 0,003476
и, сравнив ti c t0, приходим к выводу, что коэффициент 4 незначим.
ti |
|||||
-5,73797798 |
6,853092 |
-5,796078472 |
1,955558 |
1,612649 |
|
значим |
значим |
значим |
значим |
не значим |
Окончательное уравнение регрессии
Таким образом, окончательное уравнение регрессии технологического процесса имеет вид
Уравнение регрессии: Y = - 0,338314392+0,40406215x1-0,341740029x2+0,115301x3
Приложение
Статистический анализ уравнения регрессии:
Уравнение регрессии, найденное с помощью ПФЭ, нуждается в статистическом анализе. Проводятся два вида такого анализа: проверка адекватности модели (т.е. всего уравнения в целом) и проверка значимости отдельных коэффициентов уравнения. Обе эти проверки проводятся в предположении справедливости модели технологического процесса (1). т.е. считается, что значения отклика процесса Yil, (j= 1,.,n; l= 1,.,N) представляют собой независимые нормальные случайные величины с одинаковой дисперсией.
Проверка адекватности модели служит для определения соответствия выбранного вида уравнения регрессии {линейное, неполное квадратное и т.п.) неизвестному точному уравнению регрессии. Эта проверка основывается на сравнении разброса экспериментально полученных значений отклика, относительно найденного уравнения регрессии, с разбросом отклика в каждой точке факторного пространства.
Разброс значений отклика относительно уравнения регрессии характеризуется так называемой дисперсией адекватности, равной
, (14)
где n - число опытов в плане; N - число повторений отдельных опытов; - среднее значение отклика в j-й точке плана; - значение отклика в той же точке плана, предсказываемое найденным уравнением регрессии; f1=n- (m+1) - число степеней свободы дисперсии адекватности; m+1 - число коэффициентов в уравнении регрессии.
Разброс отклика в каждой точке факторного пространства при справедливости модели (1) одинаков и характеризуется уже упоминавшейся дисперсией воспроизводимости, величина которой может быть вычислена по формуле.
(15)
где yjl - значение отклика в j-й точке плана при l-м повторении опыта;
f2 = n (N-1) - число степеней свободы дисперсии воспроизводимости.
Если гипотеза адекватности справедлива, и, следовательно, дисперсии адекватности и воспроизводимости равны, то отношение F=Dад/D{y}, как показано в математической статистике, имеет F - распределение Фишера с f1 и f2 степенями свободы. Если же гипотеза адекватности неверна, то Dад/D{y} будет иметь распределение, отличное от F-распределения Фишера, сдвинутое в сторону больших значений статистики F.
Рис.3.
На основании этого для проверки гипотезы адекватности рассчитанное значение F сравнивается с пороговым значением Fo, которое при справедливости гипотезы адекватности может быть превышено с заданной малой вероятностью б (см. рис.3) Если F ? Fo гипотеза адекватности отвергается. Если F < Fo - принимается.
Описанное правило проверки гипотезы адекватности называется тестом или критерием Фишера, а малая вероятность его уровнем значимости. На практике обычно пользуются значением , равным 0,05 или 0,01. Таблица пороговых значений F0 для критерия Фишера при этих уровнях значимости приведена в Прил.1.
Если результаты проверки адекватности уравнения регрессии показали, что оно адекватно, то необходимо проверить значимость его коэффициентов. Такая проверка позволяет отбросить незначимые коэффициенты, появление которых вызвано случайными причинами, и тем самым упростить уравнение регрессии. Проверка основывается на том, что при ПФЭ все коэффициенты статистически независимы и имеют одинаковую дисперсию D, для которой известна оценка (13). Для проверки значимости любого коэффициента bi вычисляется
t - статистика Стьюдента.
Эта статистика при условии, что истинное значение коэффициента регрессии i=0 имеет t - распределение Стьюдента с f степенями свободы, где f=n (N-1) - число степеней свободы дисперсии воспроизводимости. Распределение Стьюдента симметрично и имеет математическое ожидание, равное нулю (рис.4). Если же i 0, то распределение статистики t смещается вправо или влево в зависимости от знака i. На основании этого для проверки значимости коэффициента i задаются уровнем значимости таким, что при условии i=0
P{ti t0}= 2, и считают коэффициент значимым, если ti t0 или ti - t0, или что то же самое, если ti t0 (см. рис.4).
В случае, если имеет место противоположное неравенство ti < t0, коэффициент bi считается незначимым и может быть отброшен. Для практических расчетов в Прил.2 приведены значения порога t0 для различных значений уровня значимости .
F - распределение Фишера - Снедекора:
Значения квантилей F0.95 (1,2); 1 и 2 - числа степеней свободы числителя и знаменателя.
2 |
1 |
|||||||||
1 |
2 |
3 |
4 |
5 |
6 |
12 |
24 |
|||
1 |
164,6 |
199,5 |
215,7 |
224,6 |
230,2 |
234 |
243,9 |
249,1 |
254,3 |
|
2 |
18,5 |
19,2 |
19,2 |
19,3 |
19,3 |
19,3 |
19,4 |
19,4 |
19,5 |
|
3 |
10,1 |
9,6 |
9,3 |
9,1 |
9 |
8,9 |
8,7 |
8,6 |
8,5 |
|
4 |
7,7 |
6,9 |
6,6 |
6,4 |
6,3 |
6,2 |
5,9 |
5,8 |
5,6 |
|
5 |
6,6 |
5,8 |
5,4 |
5,2 |
5,1 |
5 |
4,7 |
4,5 |
4,4 |
|
6 |
6 |
5,1 |
4,3 |
4,5 |
4,4 |
4,3 |
4 |
3,8 |
3,7 |
|
7 |
5,6 |
4,7 |
4,4 |
4,1 |
4 |
3,9 |
3,6 |
3,4 |
3,2 |
|
8 |
5,3 |
4,5 |
4,1 |
4,8 |
3,7 |
3,6 |
3,3 |
3,1 |
2,9 |
|
9 |
5,1 |
4,3 |
3,9 |
3,6 |
3,5 |
3,4 |
3,1 |
2,9 |
2,7 |
|
10 |
5 |
4,1 |
3,7 |
3,5 |
3,3 |
3,2 |
2,9 |
2,7 |
2,5 |
|
11 |
4,8 |
4 |
3,6 |
3,4 |
3,2 |
3,1 |
2,8 |
2,6 |
2,4 |
|
12 |
4,8 |
3,9 |
3,5 |
3,3 |
3,1 |
3 |
2,7 |
2,5 |
2,3 |
|
13 |
4,7 |
3,8 |
3,4 |
3,2 |
3 |
2,9 |
2,6 |
2,4 |
2,2 |
|
14 |
4,6 |
3,7 |
3,3 |
3,1 |
3 |
2,9 |
2,5 |
2,3 |
2,1 |
|
15 |
4,5 |
3,7 |
3,3 |
3,1 |
2,9 |
2,8 |
2,5 |
2,3 |
2,1 |
|
16 |
4,5 |
3,6 |
3,2 |
3 |
2,9 |
2,7 |
2,4 |
2,2 |
2 |
|
17 |
4,5 |
3,6 |
3,2 |
3 |
2,8 |
2,7 |
2,4 |
2,2 |
2 |
|
18 |
4,4 |
3,6 |
3,2 |
2,9 |
2,8 |
2,7 |
2,3 |
2,1 |
1,9 |
|
19 |
4,4 |
3,5 |
3,1 |
2,9 |
2,7 |
2,6 |
2,3 |
2,1 |
1,9 |
|
20 |
4,4 |
3,5 |
3,1 |
2,9 |
2,7 |
2,6 |
2,3 |
2,1 |
1,9 |
|
22 |
4,3 |
3,4 |
3,1 |
2,8 |
2,7 |
2,6 |
2,2 |
2 |
1,8 |
|
24 |
4,3 |
3,4 |
3 |
2,8 |
2,6 |
2,5 |
2,2 |
2 |
2,7 |
|
26 |
4,2 |
3,4 |
3 |
2,7 |
2,6 |
2,5 |
2,2 |
2 |
1,7 |
|
28 |
4,2 |
3,3 |
3 |
2,7 |
2,6 |
2,4 |
2,1 |
1,9 |
1,7 |
|
30 |
4,2 |
3,3 |
2,9 |
2,7 |
2,5 |
2,4 |
2,1 |
1,9 |
1,6 |
|
40 |
4,1 |
3,2 |
2,9 |
2,6 |
2,5 |
2,3 |
2 |
1,8 |
1,5 |
|
60 |
4 |
3,2 |
2,8 |
2,5 |
2,4 |
2,3 |
1,9 |
1,7 |
1,4 |
|
120 |
3,9 |
3,1 |
2,7 |
2,5 |
2,3 |
2,2 |
1,8 |
1,6 |
1,3 |
|
3,8 |
3 |
2,6 |
2,4 |
2,2 |
2,1 |
1,8 |
1,5 |
1 |
t - распределение Стьюдента:
Значения квантилей tp () (числа в первой строке таблицы нужно умножить на 10)
p |
|||||||||
0.750 |
0.900 |
0.950 |
0.975 |
0.990 |
0.995 |
0.999 |
0.9995 |
||
1 |
0.100 |
0.307 |
0.631 |
1.271 |
3.182 |
6.366 |
6.183 |
63.662 |
|
2 |
0.816 |
1.886 |
2.920 |
4.303 |
6.965 |
9.925 |
22.326 |
31.593 |
|
3 |
0.765 |
1.638 |
2.353 |
3.182 |
4.541 |
5.841 |
10.213 |
12.924 |
|
4 |
0.741 |
1.533 |
2.132 |
2.776 |
3.747 |
4.604 |
7.173 |
8.610 |
|
5 |
0.727 |
1.476 |
2.015 |
2.571 |
3.365 |
4.032 |
5.893 |
6.869 |
|
6 |
0.718 |
1.440 |
1.943 |
2.447 |
3.143 |
3.707 |
5.208 |
5.965 |
|
7 |
0.711 |
1.415 |
1.895 |
2.365 |
2.998 |
3.499 |
4.785 |
5.408 |
|
8 |
0.706 |
1.397 |
1.860 |
2.306 |
2.896 |
3.335 |
4.501 |
5.041 |
|
9 |
0.703 |
1.383 |
1.833 |
2.262 |
2.821 |
3.250 |
4.297 |
4.781 |
|
10 |
0.700 |
1.372 |
1.812 |
2.228 |
2.764 |
3.169 |
4.144 |
4.587 |
|
11 |
0.697 |
1.363 |
1.796 |
2.201 |
2.718 |
3.106 |
4.025 |
4.437 |
|
12 |
0.695 |
1.356 |
1.782 |
2.179 |
2.681 |
3.055 |
3.930 |
4.318 |
|
13 |
0.694 |
1.350 |
1.771 |
2.160 |
2.650 |
3.012 |
3.852 |
4.221 |
|
14 |
0.692 |
1.345 |
1.761 |
2.145 |
2.624 |
2.977 |
3.787 |
4.140 |
|
15 |
0.691 |
1.341 |
1.753 |
2.131 |
2.602 |
2.947 |
3.733 |
4.073 |
|
16 |
0.690 |
1.337 |
1.746 |
2.120 |
2.583 |
2.921 |
3.686 |
4.015 |
|
17 |
0.689 |
1.333 |
1.740 |
2.110 |
2.567 |
2.898 |
3.646 |
3.965 |
|
18 |
0.688 |
1.330 |
1.754 |
2.101 |
2.552 |
2.878 |
3.610 |
3.922 |
|
19 |
0.688 |
1.328 |
1.729 |
2.093 |
2.539 |
2.861 |
3.579 |
3.883 |
|
20 |
0.687 |
1.325 |
1.725 |
2.086 |
2.528 |
2.845 |
3.552 |
3.850 |
|
22 |
0.686 |
1.321 |
1.717 |
2.074 |
2.508 |
2.819 |
3.505 |
3.792 |
|
24 |
0.685 |
1.318 |
1.711 |
2.064 |
2.492 |
2.797 |
3.467 |
3.745 |
|
26 |
0.684 |
1.315 |
1.706 |
2.056 |
2.479 |
2.779 |
3.435 |
3.707 |
|
28 |
0.683 |
1.313 |
1.701 |
2.048 |
2.467 |
2.763 |
3.408 |
3.674 |
|
30 |
0.683 |
1.310 |
1.697 |
2.042 |
2.457 |
2.750 |
3.385 |
3.646 |
|
40 |
0.681 |
1.303 |
1.684 |
2.021 |
2.423 |
2.704 |
3.307 |
3.551 |
|
60 |
0.679 |
1.296 |
1.671 |
2.000 |
2.390 |
2.660 |
2.232 |
3.460 |
|
120 |
0.677 |
1.289 |
1.658 |
1.980 |
2.358 |
2.617 |
3.160 |
3.373 |
|
0.674 |
1.282 |
1.645 |
1.960 |
2.326 |
2.576 |
3.090 |
3.291 |
Список, используемой литературы
1. Булгаков А, А. Статистические методы обработки информации в АСУ: Учебное пособие /ЛЭТИ.Л., 1981, _ 75 с.
2. Булгаков А, А, Идентификация объектов управления в АСУ; Учебное пособие /ЛИАН.Л., 1982. - 97 с.
3. Планирование эксперимента в исследовании технологических процессов /Поп ред.Э.К. Лецкого. М.; Мир, 1977. _ 552 с.
Размещено на Allbest.ru
Подобные документы
Методика разработки, практической апробации программы в среде Turbo Pascal по построению графика прямой линии регрессии. Формирование блок-схемы данной программы, ее листинг. Построение графика с помощью математических формул и графического модуля Graph.
контрольная работа [46,2 K], добавлен 22.07.2011Физическая и математическая модели уравнения движения материальной точки. Блок-схема алгоритма основной программы для решения задачи Коши и получения результатов с фиксированным количеством отрезков разбиения. Разработка программы для ЭВМ, ее листинг.
курсовая работа [212,3 K], добавлен 24.11.2014Разработка программы построения графика экспериментальных точек и полинома регрессии второй степени в среде Turbo Pascal. Блок-схемы алгоритмов используемых процедур. Листинг программы. Составление вектора свободных членов и матрицы коэффициентов.
курсовая работа [46,6 K], добавлен 24.11.2013Описание и функциональное назначение программы по оптимизации функции, ее логическая структура и используемые технические средства. Практическое применение программы, вызов и загрузка, входные и выходные данные, выполнение контрольного примера и листинг.
курсовая работа [337,4 K], добавлен 26.02.2012Программа, моделирующая систему массового обслуживания (СМО). Моделирование программы имитации работы турникетов на стадионе (многоканальная СМО) в визуальной среде Delphi 7. Описание программного модуля, листинг программы и руководство пользователя.
курсовая работа [3,8 M], добавлен 20.08.2009C++ как универсальный язык программирования, его сущность, назначение, классы и возможности. Блок-схема и листинг программы KURS.EXE, ее принцип работы, системные требования, возможные неполадки и способы их устранения. Листинг заставки VOVA777.EXE.
курсовая работа [422,3 K], добавлен 31.05.2010Система GPSS World как мощная универсальная среда моделирования как дискретных, так и непрерывных процессов, предназначенная для профессионального моделирования самых разнообразных процессов и систем. Системы массового обслуживания. Листинг программы.
курсовая работа [499,6 K], добавлен 25.12.2013Описание алгоритма создания программы для решения алгебраических или трансцендентных уравнений с помощью численного метода Бернулли. Нахождение значений корней алгебраического уравнения с заданными параметрами точности. Листинг программы на языке java.
контрольная работа [206,0 K], добавлен 19.06.2015Общие сведения о программном средстве по моделированию работы электродвигателя, его функциональное назначение. Описание логической структуры программного обеспечения. Вызов программы modelDPR52, ее загрузка, входные и выходные данные. Листинг программы.
курсовая работа [420,0 K], добавлен 28.05.2012Создание программы на языке программирования С#, которая проверяет наличие в матрице хотя бы одного столбца, содержащего положительный элемент, поиск его номера. Упорядочивание его элементов по возрастанию. Листинг программы и инструкция по работе с ней.
курсовая работа [1,9 M], добавлен 28.05.2014