چکیده فارسی‌:

یک گام مهم در مدل سازی سیستم تعیین ارزش پارمترها برای استفاده در آن مدل می باشد.در این مقاله ما فرض می کنیم که ما مجموعه ای از ابزارهای اندازه گیری را در دست داریم که از سیستم های عملکردی جمع آوری شده و به این ترتیب یک مدل سیستمی مناسب بر مبنای این نظریه ایجاد شده است. تخمین مقادیر نسبی برای پارامترهای خاص این مدل از اطلاعات موجود ، مشکل می باشد. ( زیرا پارامترهای مربوطه دارای مفهوم فیزیکی نامشخص بوده و یا آن ها را نمی توان به طور مستقیم از واحدهای اندازه گیری موجود به دست آورد) از این رو ما نیاز به تکنیکی داریم که مقادیر مربوط به پارامترهای از دست رفته را مشخص کند. یعنی به کالیبراسیون مدل بپردازد.

به عنوان یک جایگزین در ارتباط با تکنیک غیر قابل سنجش بروت فورس ، ما کالیبراسیون این مدل ها را به عنوان یک مسئله بهینه سازی غیرخطی با توجه به محدودیت هایی مد نظر قرار می دهیم.روش های مورد نظر از نظر مفهومی برای به اجرا در آمدن ساده و آسان می باشند. مشارکت ما به صورت دوگانه می باشد . در ابتدا ما تعریف مناسبی از عملکردهای عینی برای تعیین فاصله بین محرک های عملکردی توسط مدل و مقادیر بدست آمده از سنجش ها را مطرح می کنیم.در مرحله دوم ما به ایجاد تکنیک های بهینه مشتق شده سفارشی (DFO)می پردازیم که ویژگی اصلی آن توانایی برای ایجاد نقص محدود موقتی می باشد.چنین تکنیکی این امکان را برا ما به وجود می آورد تا به طور دقیق مشکل بهینه سازی را حل کنیم و به این ترتیب می توانیم مقادیر پارامتری دقیقی را ایجاد کنیم.ما روش هایمان را با استفاده از دو بررسی موردی ساده توضیح می دهیم.

چکیده انگلیسی:

A crucial step in the modeling of a system is to determine the values of the parameters to use in the model. In this paper we assume that we have a set of measurements collected from an operational system, and that an appropriate model of the system (e.g., based on queueing theory) has been developed. Not infrequently proper values for certain parameters of this model may be difficult to estimate from available data (because the corresponding parameters have unclear physical meaning or because they cannot be directly obtained from available measurements, etc.). Hence, we need a technique to determine the missing parameter values, i.e., to calibrate the model. As an alternative to unscalable “brute force” technique, we propose to view model calibration as a non-linear optimization problem with constraints. The resulting method is conceptually simple and easy to implement. Our contribution is twofold. First, we propose improved definitions of the “objective function” to quantify the “distance” between performance indices produced by the model and the values obtained from measurements. Second, we develop a customized derivative-free optimization (DFO) technique whose original feature is the ability to allow temporary constraint violations. This technique allows us to solve this optimization problem accurately, thereby providing the “right” parameter values. We illustrate our method using two simple real-life case studies.