- •Набережные Челны 1999
- •2. Теория массового обслуживания
- •2.1 Задачи теории массового обслуживания
- •2.2. Классификация систем массового обслуживания и их основные характеристики
- •2.4. Многоканальная смо с отказами
- •2.5. Одноканальная смо с ожиданием
- •2.8. Многоканальная смо с ожиданием
- •2.9. Смо с ограниченным временем ожидания
- •2.10. Замкнутые системы массового обслуживания
- •2.11. Системы массового обслуживния с не пуассоновскими потоками событий
- •3.3. Оценка количества испытаний,
- •3.4. Генерирование, равномерно
- •3.6. Имитация случайных величин
- •3.7. Имитация случайных потоков
- •3.8. Имитация процессов функционирования
2.11. Системы массового обслуживния с не пуассоновскими потоками событий
В се рассмотренные до сих пор задачи теории массового обслуживания относились только к случаю, когда процесс, протекающий в СМО, представляет собой непрерывную марковскую цепь (марковский процесс с дискретными состояниями и непрерывным временем), другими словами, когда все потоки событий, переводящие систему из состояния в состояние (потоки заявок, обслуживании, уходов и т.д.) являются пуассоновскими. Для получения предельных характеристик системы в установившемся стационарном режиме требовалось, чтобы эти потоки были не только пуассоновскими, но и простейшими (с постоянными интенсивностями).
На практике очень часто оказывается, что потоки событий, действующие в системе массового обслуживания, заметно отличаются от простейших. Особенно это относится к потоку обслуживании. Действительно, в простейшем потоке интервал времени между двумя соседними событиями распределен по показательному закону
(см. рис.29). Очевидно, что время Тоб обслуживания отличен от показательного, и его наивероятнейшее значение не равно нулю (см.рис.30).
В случае, когда закон распределения времени обслуживания отличен от показательного, все ранее рассмотренные методы описания процессов, протекающих в СМО, становятся, строго говоря, непригодными. В частности, нельзя записать ни линейных дифференциальных уравнений для вероятностей состояний, ни линейных алгебраических уравнений для предельных вероятностей. Математический аппарат исследования становится гораздо более сложным; аналитические формулы для характеристик СМО удается получить только для самых простых случаев. В таких случаях для исследования процесса, протекающего в СМО, можно воспользоваться универсальным методом моделирования случайных процессов - так называемым методом имитационного моделирования (статистических испытаний или Монте - Карло).
3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ
3.1. МЕТОД ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Под имитацией будем понимать численный метод проведения на ЭВМ экспериментов с математическими моделями, описывающими поведение сложных систем в течение продолжительных периодов времени.
Известно, что математическая модель любой системы может быть записана в виде
где - вектор состоянии, - начальное значение вектора состояний, - вектор входных воздействий, -вектор структурных параметров системы, t - текущий момент времени.
Очень часто аналитический вид функции φ неизвестен. Однако значения вектора можно подсчитать по некоторому алгоритму, давая входным переменным и параметрам определенные значения. Кроме того, если вектор подается со случайной ошибкой ε, то можно имитировать и эту ошибку. В итоге будут получены некоторые значения вектора , определяющие фазовую траекторию поведения системы дискретным рядом точек.
Имитация является результатом реализации на ЭВМ имитационного алгоритма - математической модели исследуемого процесса. Такой алгоритм обычно представляют графически блок-схемой, каждый блок которой соответствует некоторому оператору. Каждый оператор должен иметь наглядный физический смысл и легко представляться совокупностью элементарных математических операций.
Все операторы имитационной модели можно условно разделить на две группы: 1) арифметические операторы, производящие различные вычислительные операции; 2) логические операторы, обеспечивающие логику работы всего моделирующего алгоритма в целом. Арифметические операторы в схемах обозначаются прямоугольником, а логические - кружком или ромбиком. Передача управления обозначается стрелками. Все арифметические операторы имеют безусловную передачу управления на один и только на один блок. Логические операторы предназначены для проверки заданного условия и выработки признаков, обозначающих результаты проверки. Если условия выполняются, то вырабатывается признак ω = 1, если нет, то ω = 0 . В зависимости от значения признака ω осуществляется передача управления.
3.2. ФИКСАЦИЯ И ОБРАБОТКА РЕЗУЛЬТАТОВ ИМИТАЦИОННОГО ЭКСПЕРИМЕНТА
Имитация - это эксперимент, который осуществляется при максимальном приближении к реальности с учетом влияния различных случайных воздействий. В силу этого выходные значения модели тоже носят случайный характер, На практике, исследуя случайные явления, эксперимент проводят несколько раз, а затем производят статистическую обработку его результатов. Аналогичная ситуация имеет место и при имитации на ЭВМ. Ее повторяют многократно, получая всякий раз одну из возможных реализаций процесса. Количество реализаций, которые необходимо произвести, рассчитывается по специальным правилам.
Для получения оценок интересующих нас величин применяются различные формулы математической статистики.
При этом, например, вероятность события Р оценивается относительной частотой поступления его в N реализациях:
, где m - число наступления события.
Таким же методом строятся плотность распределения случайных величин. При этом область определения случайной величины разбивается на п интервалов одинаковой длины. Для каждого интервала отводится ячейка памяти, где накапливаются значения mi (i = 1, п) - количество попаданий случайной величины в i-й интервал. Тогда относительная частота попадания в i -й интервал определится следующим образом:
По значениям Pш строится гистограмма, являющаяся аналогом плотности вероятности.
Для оценки среднего значения случайной величины X используется выборочное среднее
где xi - реализация случайной величины X .
В качестве оценки дисперсии используется выборочная дисперсия
Аналогично при определении оценки корреляционного момента кxy двух случайных величин X и У следует воспользоваться формулой