Системы массового
обслуживания
с не-пуассоновскими потоками
событий
Все 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 обслуживаний. Действительно, мы знаем, что в простейшем потоке интервал времени между двумя соседними событиями распределен по показательному закону.
![]()
Очевидно, что время Тоб обслуживания заявки вовсе не обязательно распределяется по такому закону; напротив, гораздо более типичным является случай, когда закон распределения времени обслуживания f(t) отличен от показательного, и его наивероятнейшее значение не равно нулю.
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.
Приведем (без доказательства) некоторые из полученных в этой области результатов.
СМО с отказами
Пусть на n-канальную систему массового обслуживания с отказами поступает простейший поток заявок с интенсивностью l, а время обслуживания имеет произвольное распределение с математическим ожиданием
(67)
В этом случае формулы Эрланга для вероятностей состояний остаются справедливыми, а именно
(68)
Одноканальная СМО с ожиданием
Пусть имеется одноканальная система массового обслуживания с
неограниченной очередью (n
=
и
средним квадратическим отклонением ![]()
Величина
![]()
называется коэффициентом вариации времени обслуживания (этот коэффициент показывает, насколько велик разброс времени обслуживания относительно его среднего значения).
Для одноканальной СМО с простейшим потоком заявок и произвольно
распределенным временем обслуживания среднее число заявок, находящихся в
очереди, выражается формулой:
![]()
(69)
где
– коэффициент вариации времени обслуживания.
Что касается среднего времени ожидания в очереди, то оно выражается формулой:
(70)
Формулы (69), (70) обычно называются формулами Полячека-Хинчипа.
Заметим, что для показательного распределения
![]()
коэффициент вариации
=1
В этом случае формулы (69) и (70) превращаются в ранее
выведенные нами формулы (34) и (37):
(71)
Рассмотрим крайний случай, когда время обслуживания вообще не случайно и равно своему математическому ожиданию:
![]()
Тогда
и
формулы (69), (70) дают
=
(72)
и
(73)
т.е. как среднее число заявок в очереди, так и среднее время ожидания при строго постоянном времени обслуживания вдвое меньше, чем при случайном времени обслуживания, распределенном по показательному закону.
Пример 1. Поток железнодорожных составов, поступающих на сортировочную
станцию для обработки, - простейший поток с интенсивностью
= 2 (состава в час). Среднее
время, затрачиваемое на обработку одного состава, равно
20 (мин); его среднее квадратическое
отклонение
8 (мин). Определить среднее число составов,
ожидающих обработки и среднее время ожидания обработки в очереди, а также
среднее число составов, связанных с обслуживанием на сортировочной станции.
Решение. Переходя к одной и той же единице измерения времени (час) имеем:
![]()
Коэффициент загрузки станции (приведенная интенсивность
потока заявок):
![]()
Коэффициент вариации времени обслуживания:
![]()
По формулам (5.69) и (5.70) находим среднее число составов, ожидающих обработки
![]()
и среднее время ожидания обработки:
(час)
Среднее число составов, связанных с сортировочной станцией, равно
среднему числу составов в очереди
плюс
среднее число составов под обслуживанием; последнее же равно вероятности
занятости СМО, т. е. отношению среднего числа составов, поступающих в единицу
времени к среднему числу составов, обслуживаемых каналом в единицу времени.
Отсюда среднее число составов (заявок) в системе равно:
![]()
Приведенные аналитические формулы относятся, как уже было сказано, к самым простейшим не-пуассоновским СМО. В случае более сложных СМО (многоканальных, с особенностями обслуживания и т.д.), простых аналитических формул получить не удается
В качестве примера рассмотрим одноканальную СМО с очередью (без
ограничений). На вход системы поступает простейший поток заявок с
интенсивностью λ; время обслуживания То6 распределено по
закону Эрланга 2-го порядка с математическим ожиданием
, т. е. представляет собой сумму двух
независимых случайных величин с одинаковым показательным распределением.
Обозначим параметры этих показательных распределений
и
найдем значение
.
По теореме сложения математических ожиданий имеем:
откуда
![]()
Таким образом, время обслуживания Тоб, распределенное
по закону Эрланга 2-го порядка с математическим ожиданием
,
может быть представлено, как сумма двух независимых случайных величин Тоб(1)
и Тоб(2) имеющих каждая показательное
распределение с параметром
.
Эти два времени Тоб(1) и Тоб(2)
можно представить как две последовательные «фазы» процесса обслуживания.
Рассмотрим различные состояния СМО, нумеруя их по числу заявок в системе и фазе обслуживания:
S0 – заявок в системе нет (обслуживания не происходит);
S1,1 – одна заявка находится в СМО, обслуживание в первой фазе; очереди нет;
S1,2 – одна заявка находится в СМО, обслуживание во второй фазе; очереди нет;
S2,1 – две заявки находятся в СМО, первая обслуживается (первая фаза), вторая стоит в очереди;
S2,2 – две заявки находятся в СМО; первая обслуживается (вторая фаза), вторая стоит в очереди;
………………..
Sk,1 – k заявок находятся в СМО, одна под обслуживанием (первая фаза), остальные – в очереди;
Sk,2 – k заявок находятся в СМО, одна под обслуживанием (вторая фаза), остальные — в очереди;
………………..
Размеченный граф состояний системы приведен. Действительно, из состояния S0 в S1,1 систему
переводит поток заявок с интенсивностью λ . Из состояния S1,1 в S1,2
систему переводит поток с интенсивностью
(поток
окончаний первой фазы обслуживания). Из состояния S1,2 в S0 – такой же поток. Из
состояния S1,1
в S2,1
систему переводит поток заявок и т. д.

Пользуясь размеченным графом состояний, запишем линейные алгебраические уравнения для вероятностей состояний:
|
|
(74) |
|
|
(75) |
Это –
система бесконечного числа уравнений с бесконечным числом неизвестных p0, p1,1, p1,2, p2,1, p2,2…. Существуют способы, позволяющие решать
также системы буквенно, но они сравнительно сложны, и мы не будем на них
останавливаться. Ограничимся указанием на то, как может быть решена система
(5.70) при конкретных значениях параметров
и
.
Прежде всего, оценивается максимальное практически возможное число заявок в очереди – это можно сделать грубо, приняв закон распределения времени обслуживания показательным. Когда это сделано, удается отбросить некоторые (последние, начиная с какого-то номера) из уравнений, после чего система (5.70) превращается в систему конечного числа уравнений с конечным числом неизвестных, которая решается обычными методами вычислительной алгебры. При большом числе уравнений удобно бывает пользоваться методом итераций (последовательных приближений), причем в качестве первого приближения можно взять значения вероятностей состояний, получаемые при показательном распределении времени обслуживания, разделив вероятности поровну между двумя фазами обслуживания.
Применяя метод псевдосостояний, можно, в принципе, приближенно свести любой не-марковский процесс массового обслуживания к марковскому; однако, при большом числе псевдосостояний решение системы линейных уравнений не только в буквенном, но и в численном виде становится затруднительным. В таких случаях для исследования процесса, протекающего в СМО, можно воспользоваться универсальным методом моделирования случайных процессов – так на
или вводя обозначение
![]()
|
|
зываемым методом статистических испытаний (Монте-Карло).