Цель работы: имитационное моделирование информационных потоков с заданными параметрами на примере одноканальной однофазовой модели.
Краткая теория
Основой любого имитационного эксперимента на ЭВМ служит модель имитируемой системы. Под имитацией понимается численный метод проведения на цифровых вычислительных машинах: экспериментов с математическими моделями, описывающими поведение сложных систем в течение продолжительных периодов времени. Предположим, что модель уже сформирована, и все параметры заданы. Принципиальное отличие имитационного эксперимента от эксперимента в "реальном мире" состоит в том, что в процессе имитации эксперименты проводятся с моделью реальной системы, а не с самой системой.
Для полного понимания определения нам понадобится следующий набор понятий.
Пусть Y обозначает некоторую выходную (эндогенную) переменную, которую нужно изучить, а Х - вектор, составленный из переменных (экзогенных переменных или переменных управления) Хi. По определению переменные Х воздействуют на переменную Y в соответствии с функциональным соотношением Y = φ(X).
Переменная Y называется реакцией, переменные Х - факторами. Функция φ называется поверхностью реакции. Частным случаем соответствия Y= φ (x) является простая линейная модель.
(1.1.)
где q i - некоторые параметры. Изменяя либо q, либо X, либо обе величины одновременно, можно имитировать реакцию.
Эта модель слишком проста и не реальна. Чтобы сделать эту модель реалистичнее, можно добавить случайную величину ε и переписать модель в виде
(1.2.)
Функция плотности вероятностей случайной величины задана в виде f(e ,m ), где m - вектор параметров распределения. Модель можно сделать еще более реалистичной (и сложной), если в нее включить преобразования g(Y) и h(Xi) реакции Y и элементов вектора Х. Некоторые из этих преобразований могут быть нелинейными и содержать дополнительные параметры. В модель можно включить также случайные величины g i, каждую с весом b i и свежей функцией распределения y g где m - вектор параметров. Можно ввести зависимость от времени. Тогда модель примет вид:
(1.3.)
Ясно, что такую модель можно исследовать только имитационным методом.
Итак, модель, требующая имитационного анализа, должна иметь следующие черты:
1. Большое количество координат вектора Х и их функций.
2. Случайные величины g и e и их распределения.
3. Большое число параметров q , b и m.
4. Много связей d между элементами модели.
5. Нелинейность.
7. Реакции, зависящие от времени.
Формулировка
математической модели.
После того, как сформулированы цели эксперимента, надо построить математическую модель, связывающую эндогенные системы с ее управляющими и экзогенными переменными. Экзогенные переменные определяют влияние, источники которых находятся вне системы. Некоторые из них требуют быть случайными.
Построение математической модели начинается с выбора переменных модели. Как правило, эндогенные переменные модели выбирать не надо, так как они обычно определяются уже в процессе формулировки цели исследования. Нельзя упускать из виду, что число переменных модели и ее сложность непосредственно связанны со временем программирования и счета, а также со степенью пригодности модели. Изменяя одну из характеристик модели, мы одновременно меняем все другие.

Рис.1.1 Блок-схема одноканальной одно-фазовой модели
Генерирование
данных
В программе имитации на ЭВМ часто применяются численные методы генерирования данных. Для описания случайной величины независимо от того, как она распределена - непрерывно или дискретно, удобно ввести кумулятивную функцию распределения вероятности F(x), которая при данном значении своего аргумента Х - вероятность того, что случайная реализация величины Х не превосходит x. Для абсолютно непрерывной функции, функция плотности вероятностей f(х) имеет вид:
(1.4)
Законы
распределения случайных величин
1. Равномерное распределение случайной величины.
Функция плотности
вероятностей:
, a<x<b
![]()
Дисперсия:

2. Нормальное
распределение
Функция плотности вероятностей:

Параметры: m x и d x
Ex = m x
Vx =d x2 , STDX=d
x
3.
Экспоненциальное распределение
Функция плотности вероятностей:
f(x)=ae-ax , a>0, x>=0
Параметры: a
Математическое ожидание: Ex=1/a
Дисперсия:Vx=1/a2
Функция плотности вероятностей:

a>0, k>0, x>=0
Параметры: a и k
Математическое ожидание:
Ex=k/a;
Vx=k/a2
5
Биноминальное распределение
Функция плотности вероятностей:
f(x)=(xn)pxqu-x, x=0, l..N; q=1- p;
Параметры: n, N, p, q; 0<=p<=1;
Ex = np
Vx = npq
6
Гипергеометрическое распределение
Функция плотности
вероятностей:

Еx=np
Дисперсия:
7
Распределение Пуассона
Функция плотности вероятностей:
f(x)=e-l *(l x/x!) x=0,1,…; l >0
Параметры: l
Математическое ожидание:
Ex = l
Vx = l
Моделирование
законов распределения в системе Matlab
Для реализации требуемого закона распределения
на Matlab применяется функция random(NAME, A, B, M, N), где NAME – константа, определяющая закон
распределения; A, B – диапазон случайных чисел; M, N – размерность выходного массива (по умолчанию M=N=1).
Некоторые значения константы NAME
|
Значение |
Закон |
|
bino |
биномиальный |
|
exp |
экспоненциальный |
|
hyge |
гипергеометрический |
|
logn |
логарифмически
нормальный |
|
norm |
нормальный |
|
poiss |
Пуассона |
|
unif |
равномерный |
Например,
E(N) = random(‘exp’, 2, 1, 1) – моделирование
экспоненциального закона
Обработка результатов эксперимента
После того, как математический эксперимент спланирован и проведен, надо отработать его результаты. Существует ряд методов обработки результатов. Это дисперсионный анализ, регрессивный анализ, последовательный анализ, спектральный анализ и т.д.
Одноканальная
одно-фазовая модель
Термин
"массовый"' предполагает многократную повторяемость ситуаций в том
или ином смысле (много заявок, длительное функционирование системы и т.п.).
Выводы и рекомендации, получаемые методами теории массового обслуживания,
применимы лишь при наличии одного или нескольких из перечисленных факторов
повторяемости. При этом необходимо учитывать, что поскольку поток заявок и
продолжительность времени обслуживания носят случайный характер, то и прогноз
относительно единичного события может быть только вероятностным.
Простейший пример модели массового обслуживания даст система, состоящая из одной станции, на которую поступают требования, образующие обычную очередь (если станция свободна, она приступает к обслуживанию той заявки из очереди, которая была получена раньше остальных). Промежуток времени между появлением двух последовательных заявок, и время обслуживания считаются случайными величинами с заданными функциями распределения.
Структурная схема модели в символике Q-схем показана на рисунке 1.2, где обозначено: И- источник; Н – накопитель; К – канал.

Рис.
1.2 Структурная схема модели одноканальной СМО
Канал обслуживания осуществляет обслуживание каждой заявки в соответствии с заданным детерминированным или случайным законом обслуживания. Выходной поток заявок отличается от входного в зависимости от законов дисциплины очереди и обслуживания
Перечислим переменные и управление модели:
Эндогенные переменные:
WT - среднее время ожидания заявки в очереди;
IDT - среднее время простоя системы, в ожидании очередного требования.
WTi - время ожидания i-ой заявки;
IDTi время простоя системы, в ожидании i-ой заявки.
AТi - интервал времени между появлением i-ой и (i+1)-ой заявками;
STi - время обслуживания i-ой заявки.
Характеристики функционирования системы:
f(AT) - функция распределения плотностей вероятностей интервала врeмeни между двумя последовательными заявками;
f(SТ) - Функция распределения плотностей вероятностей времени обслуживания.

Интервал времени между двумя последовательными заявками и время обслуживания одной заявки - величины не постоянные, а случайные.
Рассмотрим пример одноканальной одно-фазовой модели. Студенты N-ой группы пришли на консультацию к преподавателю, который принимает весь день. Каждый студент приходит тогда, когда ему удобно, т.е. время его прихода величина случайная (т.е. разная для каждого студента). Если преподаватель занят, студент ждет в очереди.
Данные этих испытаний позволяют анализировать влияние различных изменений в параметрах вероятностных распределений на статистические характеристики очереди. Кроме того, на модели можно ставить эксперименты с различными дисциплинами очереди и ограничениями на ее длину.
Описание алгоритма
одноканальной модели
1. Обнуляется время первой заявки, время ее ожидания, время простоя системы в ожидании прихода заявки, а также полные времена ожидания и простоя.
2. Генерируется относительное время появления новой заявки. Оно отсчитывается от момента прихода предыдущего требования. Определяется (генерируется) продолжительность обслуживания этой заявки.
3. Если она превышает относительное время появления новой заявки, последней придется стоять в очереди.
4. Вычисляется время ожидания заявки в очереди и полное время ожидания в системе.
5. Вычисляется продолжительность простоя системы, в ожидании заявки и полное время простоя.
6. Не возникает ли простоя системы, ни ожидания заявки в очереди.
7. Печать полного времени простоя системы и полного времени ожидания в системе.
Определить среднее время простоя и среднее время ожидания заявки в очереди, если законы распределения AT и SТ следующие:
1. AT – экспоненциальный
ST – биноминальный
2. AT – Пуассона
ST – нормальный
3. AT – равномерный
ST – гамма
4. AT – гамма
ST – экспоненциальный
5. AT – гипергеометрический
ST – Пуассона
6. AT – нормальный
ST – экспоненциальный
Определить, при каком законе распределения AТ среднее время свидания заявки в очереди минимально, если закон распределения ST следующий:
7. экспоненциальный;
8. равномерный;
9. нормальный;
Определить при каком законе распределения ST среднее время ожидания заявки в очереди минимально. Закон распределения AT следующий:
10. экспоненциальный;
11. нормальный;
12. равномерный;
1. Цель
работы.
2. Описание варианта индивидуального задания.
3. Листинг программы с полученными результатами.
4.Результаты оформить в виде
гистограмм.
Цель работы: имитационное моделирование информационных потоков с заданными параметрами на примере многоканальной однофазовой модели.
Краткая теория
Рассмотрим систему, состоящую из станций обслуживания (блоков), работающих параллельно. Прибывающие в нее заявки поступают на обработку в порядке обычной очередности. Интервал времени между прибытием двух последовательных заявок является случайной величиной с заданным законом распределения. Время обслуживания в блоке тоже случайно, причем его распределение зависит от номера блока.
Когда очередная заявка прибывает в систему, происходит проверка обслуживающих станций, чтобы выяснить, нет ли в данный момент среди них свободной. Если все блоки заняты, определяется время ожидания, в течение которого заявка должна стоять в очереди, пока один из них не освободится. С другой стороны, если какая-либо станция освободится раньше, чем в систему поступит заказ, который будет ей передан, возникает период простоя, когда станция бездействует в ожидании заказа.
Структурная схема модели многоканальной СМО в символике Q-схем показана на рисунке 2.1

Рис.2.1 Структурная
схема модели многоканальной СМО
Переменные, используемые в системе:
Эндогенные
переменные:
WT - среднее время ожидания заявки в очереди.
IDT - среднее время простоя системы в ожидании очередного требования
Переменные состояния:
WTi - время ожидания 1-ой заявки, i= i, m
IDTi – время простоя системы в ожидании 1-ой заявки, i= I, ni;
Экзогенные
переменные:
ATi - интервал времени между появлением 1-ой и (i+1 )-й заявками
STi - время
обслуживания 1-ой заявки, i= 1 ж,
Характеристики
функционирования системы:
f(AT) - функция распределения плотности вероятностей интервала времени между двумя заявками;
f(ST) - функция распределения плотности вероятностей интервала времени обслуживания.
Тождества:
Тождества, те же самые, что и в лабораторной работе №1, за исключением:
ТАТi - абсолютное время в момент прибытия 1-й заявки в систему.
Tij = STij + TDTij - интервал времени между моментами окончаний обслуживания J-м блоком (i-1 )-й и 1-й заявок, I=1,k и J=l,N.
SMIN - минимум величины ТTi-1j, по вceм J (J = i ,N ).
Когда в систему пребывает первая заявка предполагается, что выполнены соотношения:
AT1
= 0; IDTij = 0; WT1j = 0; TT1j
= ST11; ST1j = 0
Пример многоканальной модели аналогичен предыдущему. Но здесь консультацию по данному вопросу могут дать несколько преподавателей, причем время консультирования одного и того же студента свое. Студент, которому необходима консультация, если все преподаватели заняты, становится в очередь. Когда приходит его очередь, он подходит к освободившемуся преподавателю.
Описание
алгоритма многоканальной модели
1. В ЭВМ вводятся числа M (количество заявок, которые
предполагается смоделировать) и N (число параллельных станций в системе), а
также параметры законов распределения случайных величин.
2. Обнуляются абсолютное время прибытия первой заявки,
время простоя первой станции.
3. Вычисление времен появления последующих заявок и
начальные времена простоя станций с номерами от 2 до N. Очередь может
возникнуть только после того, как в систему поступит первых заявок. Начальное
время простоя j-ой станции равно абсолютному времени в момент появления i-ой
заявки.
4. Определяются времена обслуживания этих заявок.
5. Вычисляются моменты окончания обработки станциями
своих первых заявок.
6. Поиск наименьшего значения времени TT(j). Индекс указывает номер станции обслуживания, которая
освободится первой.
7. Определяется абсолютное время прибытия в систему
очередной заявки, подсчитывается разность DIF между ним и временем, когда
освободится L-я станция – первая свободная.
8. В зависимости от знака этой разности вычисляется
время, которое данная заявка проведет в очереди, или время простоя станции L в
ожидании ее прибытия.
9. Определяется продолжительность обслуживания текущего
заказа.
10. Она складывается с полученными ранее временами
прибытия и ожидания. Эта сумма – значение абсолютного времени в тот момент,
когда L-я станция снова станет “свободной”.
Варианты
заданий
Определить, при каком законе распределения ST(1), среднее время ожидания системы минимально, если:
1. ST(2) – нормальный
ST(3) – экспоненциальный
AT – Пуассона
2. ST(2) – гипергеометрический
ST(3) – биноминальный
AT – нормальный
3. ST(2) – нормальный
ST(3) – гамма
AT – экспоненциальный
4. ST(2) – равномерный
ST(3) – гипергеометрический
AT – биноминальный
5. ST(2) – равномерный
ST(3) – нормальный
AT – гамма
Будет ли простой системы, если законы распределения следующие:
6. ST(1) – нормальный
ST(2) – равномерный
ST(3) – экспоненциальный
AT – гамма
7. ST(1) – Пуассона
ST(2) – биноминальный
ST(3) – равномерный
AT – нормальный
Как изменятся выходные характеристики, если изменится закон распределения одной из управляющих переменных.
8. AT; ST(1);
9. ST(2); ST(3).
Содержание
отчета
1. Цель работы.
2. Описание варианта индивидуального задания.
3. Листинг программы с полученными результатами .
4. Результаты оформить в виде гистограмм.
Краткая
теория
Рассмотрим систему с запасами, в которой ежедневное количество обрабатываемой информации и время удовлетворения заказа на ее поставку являются случайными величинами с заданными функциями распределения. Количество, информационного продукта, которое каждый день покидает систему, определяется количеством обрабатываемой информации. Когда уровень запаса падает ниже заданной отметки (точки возобновления запаса), система даст заказ на поставку информации (литературы) в определенном "оптимальном" количестве. По истечении времени заказа эта продукция поступает в систему и пополняет имеющийся к данному времени запас. Эта модель управления запасами описывается следующими переменными и функциональными соотношениями:
Эндогенные
переменные:
ТС - полные издержки системы.
Переменные
состояния:
ТС1 - полные затраты на содержание запаса;
ТС2 - полные издержки, связанные с организацией поставок;
ТСЗ - полные потери от дефицита информации в системе;
CLOCKL - текущее время;
Т -время очередного выполнения заказа;
V1 - количество запаса в системе.
Экзогенные
переменные:
Di - количество обрабатываемой информации в 1-й день(единицу времени);
PLTj - время, необходимое для выполнения j-го заказа.
Переменные
управления:
EOQ - объем данного одного заказа;
ROP - точка возобновления запаса.
Параметры:
ВI - начальный уровень запаса;
ТТ - продолжительность (в днях) рассматриваемого периода.
Характеристики
функционирования системы:
f(D) - функция плотности вероятностей количества обрабатываемой информации;
f(PLT) - функция плотности вероятностей времени выполнения заказа.
Тождество:
ТС = ТС1 + ТС2 +ТСЗ
На модели можно изучать влияние величин EOQ и ROP на объем полных затрат или попытаться найти их оптимальные значения, минимизирующие издержки ТС. Помимо этого, исследователя может заинтересовать влияние параметров на оптимальную величину общих затрат ТС. Выбирая произвольные комбинации значения этих величин и меняя параметры распределений, можно получить намного больше информации о функционировании системы, чем в эксперименте с реальной системой. При некоторых предположениях относительно распределения переменных D и PLT удается провести аналитическое исследование модели, с помощью которого можно оценить ее пригодность.
Примером модели управления запасами может служить работа читального зала. В данном случае системой является студент, который должен изучить N-e количество литературы, чтобы написать курсовую работу. Придя в читальный зал, студент выбирает часть нужной литературы (начальный запас) и изучает ее. В зависимости от сложности перерабатываемой информации количество ее в единицу времени - случайная величина. Когда начальный заказ близится к концу, студент делает новый заказ. В зависимости от количества заказанной литературы и расположение ее в книгохранилище, а также от числа людей в читальном зале время выполнения заказа, также величина случайная. Если время выполнения заказа больше, чем время, необходимое студенту для изучения оставшейся литературы, он вынужден отдыхать.
Описание
алгоритма модели управления запасами
1. Ввод величин EOQ , ROP, ТС1, ТС2, ТСЗ, Bl, ТТ и параметров, описывающих распределение переменных D и PLT.
2. Текущее значение запаса устанавливается на уровне В1. 3, Генерируется величина количества- обрабатываемой информации в 1-й день и системные часы(С1.0СК) переводятся на единицу времени вперед (день).
4. Проверка , не истек ли срок испытания модели
5. Проверка, не совпадает ли текущее время с моментом реализации сделанного ранее заказа..
6. Количество запаса увеличивается на величину EOQ.
7. Из запаса вычитается количество переработанной информации .
8. Вычисление потерь системы в результате вынужденного простоя, обнуление текущего запаса.
9. Пересчитываются полные затраты на хранение запаса.
10. Проверка, превышает ли текущий уровень запаса точку возобновления.
11. Проверка, есть ли в системе нереализованная поставка, заказ на которую был сделан раньше.
12. Вписывается новая заявка, т.е. пересчитываются полные затраты. связанные с организацией нового количества информации (поставок) . Генерируется время выполнения нового заказа.
13. Полученная величина складывается с текущим значением системного времени. Эта сумма определяет момент поставки.
Варианты
заданий
Определить, при каком законе распределения величина обрабатываемой информации в единицу времени информации достигнет уровня ниже критического в рассматриваемый период ТМ = 10. Если закон распределения PLT следующий:
1. нормальный
2. экспоненциальный
3. равномерный
Определить, будут ли потери в системе, если законы распределения величин обрабатываемой информации в единицу времени информации и выполнения заказа следующие:
4. D – нормальный
PLT – экспоненциальный
5. D – Пуассона
PLT – нормальный
6. D – гипергеометрический
PLT – равномерный
7. D – нормальный
PLT – равномерный
8. D – экспоненциальный
PLT – гамма
Определить, устраивает ли руководителей системы данный критический уровень, если законы распределения D и PLT следующие:
9. D – нормальный
PLT – биноминальный
10. D – биноминальный
PLT – равномерный
11. D – гамма
PLT – экспоненциальный
12. D – биноминальный
PLT – гипергеометрический
13. D – экспоненциальный
PLT – нормальный
Содержание отчета
1. Цель работы.
2. Описание варианта индивидуального задания.
3. Листинг программы с полученными результатами.
4. Результаты оформить в виде гистограмм.
1. Система осуществляет k –
этапный процесс, который должна пройти поступающая в систему заявка;
2. Каждый процесс описывается своей собственной функцией,
не зависящей от функций других процессов;
3. Обработка заявок Qi
(j = 1, k) в единицу
времени j – м процессом является случайной величиной;
4. Число заявок, получаемых системой в единицу времени,
является случайной величиной D;
5. Считается, что, выбрав распределение определяющих
факторов, система в течение периода планирования TM принимает все заявки, даже
если она окажется не в состоянии завершить (или даже начать) их обработку в
этом периоде.
На
рисунке 4.1 показана структурная схема модели k-этапного процесса:
![]()
Рис.4.1 - структурная схема модели k-этапного процесса
Обозначение математической модели
ATi
– промежуток времени между (i-1)-ой и i-ой заявками (i
=
STij – время обработки i-ой заявки в j-ом процессе, где i = 1,M, j = 1, k.
WTij – время ожидания в очереди i-ой заявкой в j-ом процессе.
IDTij – время, в течение которого простаивает j-й процесс в ожидании i-го заказа.
Tij – полное время пребывания i-го заказа в j-м процессе.
Считается, что в момент получения системой первой заявки, т.е. при i=1, ее состояние описывается уравнениями:
AT1 = 0;
; IDT12 = ST11; ... IDT1k = ΣSTij
WT11 = 0; WT12 = 0; ... WT12 = 0;
T11 = ST11; T12 = ST12; ...
T1k = ST1k
При поступлении дальнейших заявок, т.е. при i = 2,M, эти уравнения надо изменить соответствующим образом:
Ti1 = WTi1 + STi1
Ti2 = WTi2 + STi2
...........................
Tik
= WTik + STik
i =
Ожидает ли заявка очереди в данном процессе, или, напротив, процесс простаивает, зависит от знака разностей (i = 2,M).
DIF1 = Ti-11 – ATi
DIF2 = (Ti-11 + Ti-12) – (ATi + Wi1 + STi1)
................................................................
DIFk = (Ti-11 + Ti-12 + ... + Ti-1k) – (ATi + Wi1 + STi1 + ... + WTik-1 + STik-1)
Если для данного процесса DIFj < 0, то время ожидания равно 0, а время простоя процесса равно: IDTij = -DIFj.
Если DIFj = 0, то и время ожидания и время простоя процесса равны 0.
Величины ATj и STj являются случайными.
Примером модели обработки заявки в k-этапном процессе может служить обработка заявки на изобретение, которая проходит определенное количество инстанций. Время появления заявки и время обработки в каждой инстанции – величина случайная.
Описание алгоритма модели обработки заявки в k-этапном
процессе
1. Ввод параметров k (общее
число процессов в системе) и N (число повторений имитационного просчета), а
также параметров законов распределения и параметров системы. TM – период
планирования, Q – число единиц – заявок.
2. Время прихода первой заявки считается равным 0,
генерируется время обработки этой заявки в каждом процессе.
3. Просчитывается время пребывания заявки в каждом
процессе.
4. Проверяется, не превышается ли системное время период
планирования.
5. Генерируется время прихода в систему заявки и время
обработки ее в каждом процессе.
6. Увеличивается на единицу количество поступивших в
систему заявок.
7. Находится разность между окончанием обработки заявки в
j-м процессе и временем поступления заявки.
8. В зависимости от знака разности определяется время
ожидания заявки в очереди и время простоя j-го процесса.
9. Пересчитывается время пребывания очередной заявки в
j-м процессе.
10. Определяется время окончания обработки предыдущей
заявки в j+1- м процессе и время прихода последующей заявки в этот процесс.
11. Подсчитывается системное время
12. Вывод результатов.
Варианты заданий
Определить время ожидания заявки в каждом этапе, если законы обработки заявки следующие:
1. ST(1) – нормальный
ST(2) – равномерный
ST(3) – экспоненциальный
AT – гамма
2. ST(1) – Пуассона
ST(2) – биноминальный
ST(3) – равномерный
AT –нормальный
3. ST(1) – нормальный
ST(2) – экспоненциальный
ST(3) – Пуассона
AT – гипергеометрический
4. ST(1) – экспоненциальный
ST(2) – гамма
ST(3) – равномерный
AT – биноминальный
Выяснить, при каком законе распределения время ожидания системы минимально:
5. ST(1) – равномерный
ST(2) – нормальный
ST(3) – нормальный
6. ST(1) – Пуассона
ST(2) – гамма
ST(3) – биноминальный
7. ST(1) – равномерный
ST(2) – гипергеометрический
ST(3) – гамма
8. ST(1) – гамма
ST(2) – равномерный
ST(3) – гипергеометрический
Определить время простоя системы, если законы распределения следующие:
9. ST(1) – равномерный
ST(2) – гипергеометрический
ST(3) – равномерный
AT – гамма
10. ST(1) – гамма
ST(2) – экспоненциальный
ST(3) – равномерный
AT – биноминальный
Содержание отчета
1. Цель работы.
2. Описание варианта индивидуального задания.
3. Листинг программы с полученными результатами.
4. Результаты оформить в виде гистограмм.