academy@academyit.ru
IM-AL
Работа с данными, аналитика и СУБД
40 ак.часов
Имитационное моделирование сложных систем в AnyLogic
-
О КУРСЕКурс раскрывает полный цикл разработки имитационных моделей от концепции до реализации и анализа. Слушатели изучат три основные парадигмы — дискретно-событийное (DES), агентное (ABM) и системную динамику (SD), освоят методы сбора и подготовки данных, построения и валидации моделей, а также научатся проводить различные типы экспериментов в AnyLogic (Parameter Variation, Monte-Carlo, Sensitivity, Optimization).
Итогом курса станет полноценный гибридный проект, в рамках которого участники самостоятельно разработают комплексную модель, сочетающую разные подходы (DES, ABM и SD). С помощью AnyLogic Experiment Framework слушатели проведут сценарные сравнения и оптимизацию своих моделей, получат практические навыки анализа результатов, а также смогут обосновывать и презентовать выводы, подготовленные на основе имитационного моделирования
Технологии и инструменты, которыми будете владеть
AnyLogic Experiment Framework
Parameter Variation
Monte-Carlo
Sensitivity, Optimization
Verification, Validation, Accreditation.
ABM-модели, SD-модели, DES-модели
ИТ - менеджеры
Аналитики Data Governance
Data Science специалисты
Бизнес-аналитикиㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤ
-
Получаемый документ:
-
Содержание программы
Модуль 1: Введение в имитационное моделирование
- Что такое сложная система? Зачем нужно моделирование?
- Основные понятия: модель, имитация, система, сущность, атрибут, ресурс, очередь, событие, процесс, состояние, время.
- Области применения: производство, логистика, здравоохранение, телеком, финансы, социальные системы, оборона.
- Преимущества и ограничения ИМ. Краткий обзор истории.
- Практика: обсуждение реальных систем, где ИМ полезно.
Модуль 2: Типы имитационных моделей
- Дискретно-событийное моделирование (DES)
- Агентное моделирование (ABM)
- Системная динамика (SD)
- Гибридные модели: когда и зачем комбинировать?
- Сравнение типов, критерии выбора.
- Практика: определение подхода для заданных кейсов.
Модуль 3: Жизненный цикл моделирования
- Постановка задачи, концептуализация, формализация
- Верификация, валидация, эксперименты, документирование и внедрение.
- Практика: план проекта для выбранного кейса.
Модуль 4: Концептуализация и сбор данных
- Методы сбора, анализ входных распределений, визуализация концепта.
- Практика: анализ данных и разработка концептуальной диаграммы.
Модуль 5: Дискретно-событийное моделирование (DES) — основы
- Элементы DES, логика времени, управление ресурсами.
- Практика: построение и верификация базовой модели.
Модуль 6: Дискретно-событийное моделирование (DES) — продвинутое
- Моделирование сложной логики
- Транспортировка и погрузка/разгрузка
- Группировка и разгруппировка сущностей
- Использование переменных, выражений, функций.
- Создание пользовательских элементов.
- Практика:Построение модели с несколькими этапами
Модуль 7: Агентное моделирование (ABM)
- Архитектура ABM
- Разработка поведения агентов
- Пространственное моделирование
- Визуализация в ABM.
- Практика: построение простой ABM-модели.
Модуль 8: Системная динамика (SD)
- Основные элементы SD
- Обратные связи
- Построение диаграмм
- Формализация уравнений: Основы.
- Анализ поведения системы во времени.
- Практика: Построение простой SD модели
Модуль 9: Имитационные эксперименты и статистика (NEW)
- Типы экспериментов в AnyLogic Experiment Framework: Parameter Variation, Monte-Carlo, Sensitivity, Optimization.
- Планирование серий прогонов, сбор репликаций, доверительные интервалы.
- Анализ выходных метрик, визуализация сценариев.
- Практика: настройка Parameter Variation и запуск оптимизационного эксперимента для DES модели.
Модуль 10: Верификация, валидация и аккредитация (VVA)
- Методики Verification, Validation, Accreditation.
- Этика имитационного моделирования, прозрачность предположений.
Модуль 11: Инструменты имитационного моделирования (обзор)
- Классификация, краткий обзор платформ, критерии выбора.
Модуль 12: Итоговый гибридный проект (Capstone) (NEW)
- Построение комплексной модели, объединяющей DES, ABM и SD для выбранной системы.
- Применение Experiment Framework для сценарных сравнений и оптимизации.
- Подготовка отчёта и защита результата.
+ 20 часов самостоятельной работы, суммарно 60 часов на обучение и разработку гибридного проекта (Capstone)
-
Предварительные требования:
- Базовые знания статистики и теории вероятностей (понимание понятий «случайная величина», «распределение», «доверительный интервал»)
- Приветствуется, но не обязательно, базовое владение любым языком программирования
