- •Математические модели и их виды. Классификация моделей
- •Экстемум функций многих переменных. Линии уровня. Градиент. Условный экстремум
- •Постановка и свойства задачи линейного программирования. Геометрическая интерпретация.
- •Симплекс- метод решения задачи линейного программирования
- •Двойственная задача линейного программирования, ее интерпретация и свойства
- •Транспортная задача и ее математическая модель. Определение опорного плана транспортной задачи
- •Определение оптимального плана транспортной задачи методом потенциалов. Приемы решения методом потенциалов транспортных задач
- •Геометрическая и экономическая интерпретация задач нелинейного программирования. Метод множителей Лагранжа. Возможности численного решения нелинейных и целочисленных задач
- •Основные понятия и общая характеристика задач динамического программирования, их геометрическая и экономическая интерпретация. Нахождение решение задач методом динамического программирования
- •Оптимизационные задачи, решаемые при помощи графов. Алгоритмы на графах
- •Нахождение максимального и минимального пути в графе. Решение транспортной задачи с помощью графов
- •Основные понятия теории массового обслуживания. Компоненты и классификация моделей систем массового обслуживания
- •Определение характеристик систем массового обслуживания. Марковский процесс. Уравнения Колмогорова
- •Одноканальные и многоканальные смо с пуассоновским входным потоком и экпотенциальным распределением длительности обслуживания
- •Основные количественные характеристики простейшего потока.
- •Распределение интервала времени t между произвольными двумя соседними событиями простейшего потока.
- •Одноканальная смо с отказами и ее характеристики
- •Многоканальная смо с отказами и ее характеристики
- •Одноканальная смо с ожиданием и его характеристики. Формула Литтла
- •Многоканальное смо с ожиданием и ее характеристики. Формула Литтла
- •Простейшие задачи решаемые методом имитационного моделирования. Теоретические основы метода имитационного моделирования
- •Моделирование смо с использованием метода Монте- Карло
- •Имитация процессов, происходящих во времени. Основная идея и методы прогнозирования. Количественные методы прогноза. Прогнозирование временных рядов. Модель линейной регрессии
- •Предмет теории игр, основные понятия. Матричные игры. Цны, доминирующие и оптимальные стратегии игр. Принцип минмакса. Решение задач теории игр в чистых стратегиях
- •Стратегические игры в смешанных стратегиях. Основная теорема теории игр. Решение задачи в смешанных стратегиях методами линейного программирования
- •Оценка сложных систем в условиях неопределенности. Матрица рисков. Критерии: Байеса, Лапласа, Вальда, Сэвиджа, Гурвица.
Определение характеристик систем массового обслуживания. Марковский процесс. Уравнения Колмогорова
Марковский процесс — случайный процесс, эволюция которого после любого заданного значения временного параметра t не зависит от эволюции, предшествовавшей t, при условии, что значение процесса в этот момент фиксировано («будущее» процесса не зависит от «прошлого» при известном «настоящем»; другая трактовка (Вентцель): «будущее» процесса зависит от «прошлого» лишь через «настоящее»).
Процесс Маркова — модель авторегрессии AR(1): xt=ψ1*xt-1+εt
Определяющее марковский процесс свойство принято называть марковским; впервые оно было сформулировано А. А. Марковым, который в работах 1907 г. положил начало изучению последовательностей зависимых испытаний и связанных с ними сумм случайных величин. Это направление исследований известно под названием теории цепей Маркова.
Однако уже в работе Л. Башелье можно усмотреть попытку трактовать броуновское движение как марковский процесс, попытку, получившую обоснование после исследований Винера в 1923.
Основы общей теории марковских процессов с непрерывным временем были заложены Колмогоровым.
Уравнение Колмогорова — Чепмена для однопараметрического семейства непрерывных линейных операторов в топологическом векторном пространстве выражает полугрупповое свойство:
Чаще всего этот термин используется в теории однородных марковских случайных процессов, где — оператор, преобразующий распределение вероятностей в начальный момент времени в распределение вероятности в момент времени
( ).
Для неоднородных процессов рассматриваются двухпараметрические семейства операторов , преобразующих распределение вероятностей в момент времени в распределение вероятности в момент времени Для них уравнение Колмогорова—Чепмена имеет вид:
Для систем с дискретным временем параметры принимают натуральные значения.
Формально дифференцируя уравнение Колмогорова—Чепмена по при получаем прямое уравнение Колмогорова:
где
Формально дифференцируя уравнение Колмогорова — Чепмена по при получаем обратное уравнение Колмогорова
Необходимо подчеркнуть, что для бесконечномерных пространств оператор уже не обязательно непрерывен, и может быть определен не всюду, например, быть дифференциальным оператором в пространстве распределений.
Основными характеристиками, определяющими качество функционирования такой СМО, являются:
1) вероятности состояний системы;
2) загрузка или коэффициент использования системы;
3) время ожидания заявок в системе;
4) время пребывания в системе;
5) число заявок в очереди системы или длина очереди;
6) число заявок в системе.
Следует отметить, что все перечисленные характеристики имеют смысл только в том случае, когда система функционирует в установившемся режиме (без перегрузок), что и предполагается далее. Кроме того, последние четыре характеристики являются случайными величинами ("3" и "4" — непрерывные, "5" и "6" — дискретные) и полный анализ этих характеристик предполагает определение соответствующих функций распределения. Однако в большинстве практических приложений достаточно анализировать данные характеристики на уровне их средних значений, что и делается далее.
1) Вероятности состояний системы — это наиболее полная характеристика системы в том смысле, что, зная вероятности состояний, можно определить все остальные характеристики. При этом под состоянием СМО понимается число заявок, находящихся в системе. Вероятность состояния системы, когда в ней находится k заявок, обозначим далее через Рk, k=0, 1, 2, ...
2) Загрузка системы — это отношение интенсивности поступления l к интенсивности обслуживания m и обозначается через r:
r=l/m=lb=b/а,
где а=1/l и b=1/m — средние значения интервалов поступления и длительности обслуживания соответственно.
Значение загрузки определяет условие существования в системе стационарного режима. Необходимым и достаточным условием существования в стохастической СМО стационарного режима является условие, когда r<1 или l<m. Выполнение этого условия означает, что система в среднем справляется с поступающей нагрузкой. Если r³1, то система работает в режиме перегрузок.
Загрузка r СМО характеризует:
а) среднее число заявок, поступающих в систему за среднее время обслуживания одной заявки;
б) долю времени, в течение которого прибор занят обслуживанием;
в) вероятность того, что прибор занят обслуживанием заявок;
г) среднее число заявок, находящихся в обслуживающем приборе.
Перечисленные утверждения составляют физический смысл загрузки.
Справедливость утверждения "а" следует из определения загрузки r=lb: если l — среднее число заявок, поступающих в единицу времени, то за время b в систему поступят в среднем lb заявок.
Справедливость утверждения "б" можно показать следующими простыми рассуждениями. Рассмотрим достаточно длинный интервал t времени функционирования системы. Для простоты предположим, что в начале и в конце этого интервала система была свободна. Очевидно, что за время t в систему в среднем поступят lt заявок. Каждая из этих заявок в среднем обслуживается за время b. Тогда суммарное время обслуживания всех заявок равно ltb. Отсюда доля времени, в течение которого прибор занят обслуживанием заявок, равна ltb/t=lb=r, что и следовало показать.
Утверждение "в" напрямую следует из утверждения "б", ибо рассмотренная ранее доля времени и есть вероятность занятости прибора. Тогда вероятность простоя системы равна 1—r.
Справедливость утверждения "г", в свою очередь, следует из утверждения "в": в приборе может находиться 1 заявка с вероятностью r и 0 заявок с вероятностью 1—r. Тогда среднее число заявок в приборе равно
1·r + 0·(1—r)=r.
3) Время ожидания — это, как правило, случайное время, которое заявка проводит в очереди в состоянии ожидания. Среднее значение этого времени, которое представляет наибольший интерес, обозначается через w.
4) Время пребывания — это случайный промежуток времени от момента поступления заявки в систему до момента окончания ее обслуживания. Для среднего значения u времени пребывания справедливо равенство:
u=w+b.
5) Среднее число заявок в очереди или средняя длина очереди
l=lw.
6) Среднее число заявок m, находящихся в системе, складывается из средних значений числа заявок, находящихся в очереди (l) и в приборе (r):
m=l+r=lw +lb=l(w+b)=lu
Формулы r =lb, l=lw и m=lu называются формулами Литтла соответственно для прибора, очереди и системы в целом.
Ранее отмечалось, что если известны вероятности состояний, то можно определить и все остальные характеристики системы. Предположим, что вероятности состояний Рк=Pr{в системе находится k заявок}, k = 0, 1, 2, ..., известны или заданы. Тогда загрузка системы, которая характеризует вероятность того, что, прибор занят обслуживанием, определяется равенством: r,
В системе могут находиться 1, 2, 3, ... заявок соответственно с вероятностями P1, P2, P3, .... Тогда, исходя из определения математического ожидания дискретной случайной величины, среднее число заявок в системе.
Если в системе находится k заявок, то в очереди ожидают k—1 заявка (k= 1, 2, 3, ...). Тогда средняя длина очереди m—r.
Зная среднее число заявок в системе (m) и в очереди (l), соответствующие временные характеристики можно определить по формуле Литтла:
u=m/l и w=l/l=u—b.
Полученные соотношения взаимосвязи между характеристиками функционирования системы справедливы при любых законах распределений интервалов поступления и длительности обслуживания заявок и таким образом носят фундаментальный (универсальный) характер. Единственное требование — это требование, чтобы система была без отказов, т.е. емкость накопителя была не ограничена.