Лабораторная работа. №1
Одноканальная одно-фазовая модель
ЦЕЛЬ: имитационное моделирование информационных потоков с заданными параметрами на примере одноканальной одно-фазовой, 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 j называется поверхностью реакции. Частным случаем соответствия Y=j (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.
Преимущества имитационного моделирования.
Методология.
Под имитационным экспериментом на ЭВМ с моделями экономических систем обычно понимают процедуру, состоящую из следующих шести этапов:
2. Формулировка математической модели.
3. Составление программы для ЭВМ.
4. Оценка пригодности модели.
6. Обработка результатов эксперимента.
Формулировка проблемы.
Как и всякое исследование, имитационные эксперименты на ЭВМ должны начинаться с формулировки проблем, т.е. явного изложения целей эксперимента. Эти цели формулируются обычно либо в виде вопросов, на которые надо ответить, либо в виде гипотез, которые надо проверить, либо воздействий, которые надо оценить.
Формулировка математической модели.
После того, как с формулированы 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.

Блок-схема одноканальной одно-фазовой модели
Время, необходимое для составления машинной программы, реализующей модель, также зависит от числа переменных и сложности модели. Если некоторые из переменных являются случайными, то время программирования и счета на ЭВМ значительно увеличивается.
Далее, при выборе модели следует помнить об оценке ее адекватности. Пока не определено, правильно ли модель описывает поведение системы, ценность модели остается - незначительной.
Когда определена структура математической модели, описывающей поведение конкретной системы, надо оценить величины ее параметров и претворить статистическую значимость этих оценок.
После этого надо проверить модель, т.е. решить следующие вопросы:
Переходить к составлению машинной программы можно тогда, когда разрешены все вопросы. В противном случае первый и второй этапы надо повторять, до тех пор, пока эти вопросы не будут решены.
Составление машинной программы.
При составлении программы для ЭВМ, с помощью которой реализуются имитационные эксперименты с моделью сложной системы, надо решить 2 задачи:
- составить саму программу для ЭВМ, организовать ввод данных и начальных условий;
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:
![]()
Равномерное распределение случайной величины.
Функция плотности вероятностей:
, a<x<b
![]()
![]()
Дисперсия:
![]()

Function unifrm(a, b: real): real;
begin
unifrm := a+(b-a)*random;
end;
Нормальное распределение.
Функция плотности вероятностей:

Параметры: m x и d x
Ex = m x
Дисперсия: Vx =d x2 , STDX=d x
Подпрограмма:
Function normal(ex, stdx: real): real;
Sum : real;
I : byte:
begin
sum := 0;
for i := 1 to 12 do sum := sum + random;
normal := stdx*(sum-6)+Ex;
end;
Экспоненциальное распределение.
Функция плотности вероятностей:
f(x)=ae-ax , a>0, x>=0
Математическое ожидание: Ex=1/a
Дисперсия:Vx=1/a2
Подпрограмма:
Function exponent(ex : real): real;
begin
exponent := -ex*ln(random);
end;
Математическое ожидание:
![]()
a>0, k>0, x>=0
Параметры: a и k
Математическое ожидание: Ex=k/a;
Подпрограмма:
Function gamma(a: real; k: integer): real;
Var
I : integer;
Tr: real;
begin
Tr := 1;
for i := 1 to k do Tr := tr * random;
gamma := -ln(tr)/a;
End;
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;
Математическое ожидание: Ex = np
Function binom(n: integer; p: real): integer;
Var
I, x: integer;
begin
X := 0;
For i := 1 to n do
If random - p<=0 then x := x + 1;
Binom := x;
end;
Гипергеометрическое распределение.
Функция плотности вероятностей:

Математическое ожидание: Еx=np
Дисперсия: Vx=npq((N-n)/(N-l))
Подпрограмма:
Function hypgeo(tn,ns: integer; p: real): integer;
Var
X, i : integer;
begin
X=0;
For i := 1 to NS do
Begin
If random - P<=0 then
Begin
S := 1;
X := x + 1;
end;
Else s := 0;
P := (tn * p - s)/(tn - 1);
tn := tn - 1;
End;
Hypgeo := x;
Распределение Пуассона.
Функция плотности вероятностей:
f(x)=e-l *(l x/x!) x=0,1,…; l >0
Параметры: l
Математическое ожидание: Ex = l
Function poisson(p: real): integer;
Var
X : integer;
Tr, b : real;
begin
X := 0;
B := exp(-p);
Tr := 1;
Repeat
Tr := tr * random;
If tr – b < 0 then break;
X := x + 1;
Until false;
Poission := x;
end;
Эти подпрограммы написаны на языке Turbo Pascal 7.0
Проблема оценки пригодности имитационной модели весьма сложна, поскольку она связана со многими практическими, теоретическими и даже философскими вопросами. Для оценки пригодности имитационной модели подходят два таких критерия:
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.
В данной лабораторной работе исследуются модель массового обслуживания на примере одноканальной одно-фазовой модели.
Одноканальная одно-фазовая модель.
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. 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.
Экзогенные переменные:
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.
2. Обнуляется время первой заявки, время ее ожидания, время простоя системы в ожидании прихода заявки, а также полные времена ожидания и простоя.
4. Генерируется относительное время появления новой заявки. Оно отсчитывается от момента прихода предыдущего требования. Определяется (генерируется) продолжительность обслуживания этой заявки.
5. Если она превышает относительное время появления новой заявки, последней придется стоять в очереди.
6. Вычисляется время ожидания заявки в очереди и полное время ожидания в системе.
8. Вычисляется продолжительность простоя системы, в ожидании заявки и полное время простоя.
7. Не возникает ли простоя системы, ни ожидания заявки в очереди.
9. Печать полного времени простоя системы и полного времени ожидания в системе.
Варианты заданий.
Определить среднее время простоя и среднее время ожидания заявки в очереди, если законы распределения AT и SТ следующие:
ST – биноминальный
ST – нормальный
ST – гамма
ST – экспоненциальный
ST – Пуассона
ST – экспоненциальный
Определить, при каком законе распределения AТ среднее время свидания заявки в очереди минимально, если закон распределения ST следующий:
Определить при каком законе распределения ST среднее время ожидания заявки в очереди минимально. Закон распределения AT следующий:
Содержание лабораторной работы.