Бережная_Матметоды моделирования эк cистем
.pdfЭто соотношение можно записать в виде
1 " |
• = 0,997. |
(4.4) |
|
«/=1 |
|||
|
|
Соотношение (4.4) определяет метод расчета т и оценку пофешности. В самом деле, найдем п значений случайной величины ^. Из выражения (4.4) видно, что среднее арифметическое этих зна чений будет приближенно равно т. С вероятностью Р= 0,997 ошиб ка такого приближения не превосходит величины Очевид но, эта ошибка стремится к нулю с ростом л, что и требовалось
доказать.
Решение любой задачи методом статистического моделирова ния состоит в следующем:
•разработке и построении структурной схемы процесса, выяв лении основных взаимосвязей;
•формальном описании процесса;
•моделировании случайных явлений (случайных событий, слу чайных величин, случайных функций), сопровождаюш,их функци онирование исследуемой системы;
•моделировании (с использованием данных, полученных на предыдущем этапе) функционирования системы — воспроизведе нии процесса в соответствии с разработанной структурной схемой
иформальным описанием;
•накоплении результатов моделирования, их статистической обработке, анализе и обобщении.
В отличие от описанных ранее математических моделей, ре зультаты которых отражали устойчивое во времени поведение сис темы, результаты, получаемые при статистическом моделировании, подвержены экспериментальным ошибкам. Это означает, что лю бое утверждение, касающееся характеристик моделируемой систе мы, должно основываться на результатах соответствующих статис тических проверок.
Экспериментальные ошибки при статистическом моделирова нии в значительной степени зависят от точности моделирования случайных явлений, сопровождающих функционирование исследу емой системы.
Известно, что при изучении вероятностных систем случайные явления могут интерпретироваться в виде случайных событий, слу-
120
чайных величин и случайных функций. Следовательно, моделиро вание случайных явлений сводится к моделированию случайных событий, случайных величин и случайных функций. Так как слу чайные события и случайные функции могут быть представлены через случайные величины, то и моделирование случайных собы тий и случайных функций производится с помощью случайных ве личин. В связи с этим рассмотрим сначала способы моделирования случайных величин.
Моделирование случайных величин. Для моделирования случай ной величины необходимо знать ее закон распределения. Наиболее общим способом получения последовательности случайных чисел, распределенных по произвольному закону, является способ, в ос нове которого лежит их формирование из исходной последователь ности случайных чисел, распределенных в интервале [0,1] по рав номерному закону
Равномерно распределенные в интервале [0,1] последовательност случайных чисел можно получить тремя способами:
•использованием таблиц случайных чисел;
•применением генераторов случайных чисел;
•методом псевдослучайных чисел.
При решении задачи без применения ЭВМ чаще всего исполь зуют таблицы случайных чисел. В таблицах случайных чисел слу чайные цифры имитируют значения дискретной случайной вели чины с равномерным распределением:
О |
1 |
2 |
3 |
... |
9 |
Pi 0,1 |
0,1 |
0,1 |
0,1 |
... |
0,1. |
При составлении таких таблиц выполняется требование, чтобы каждая из этих цифр от 0; 1;...; 9 встречалась примерно одинаково часто и независимо от других с вероятностью;?/ = 0,1.
Самая большая из опубликованных таблиц случайных чисел содержит 1 000 000 цифр. Таблицы случайных чисел составить не так просто. Они требуют тщательной проверки с помощью специ альных статистических тестов.
При решении задач на ЭВМ для выработки случайных чисел, равномерно распределенных в интервале [0,1], могут применяться генераторы случайных чисел. Данные генераторы преобразуют ре зультаты случайного физического процесса в двоичные числа. В качестве случайного физического процесса обычно используют соб ственные шумы (случайным образом меняющееся напряжение).
121
Недостатки данного способа полунения случайных чисел следую щие:
1)трудно проверить качество вырабатываемых чисел;
2)случайные числа не воспроизводимы (если их не запоми нать), и, как следствие, нельзя повторить расчет на ЭВМ для ис ключения случайного сбоя.
Получение псевдослучайных чисел с равномерным законом рас пределения заключается в выработке псевдослучайных чисел. Псевдослучайные числа - это числа, полученные по какой-либо форму ле и имитирующие значения случайной величины. Под словом «имитирующие» подразумевается, что эти числа удовлетворяют ря ду тестов так, как если бы они были значениями этой случайной величины.
Первый алгоритм для получения псевдослучайных чисел пред ложил Дж. Нейман. Это так называемый метод середины квадра тов, который заключается в следующем:
Yo = 0,9876, Yo^ = 0.97535376.
Yi = 0,5353, Yi^ = 0,28654609,
Y2 '^ 0,6546 и т. д.
Алгоритм себя не оправдал: получилось больше, чем нужно, малых значений Y/ — случайных чисел. В настоящее время разрабо тано множество алгоритмов для получения псевдослучайных чисел.
Назовем достоинства метода псевдослучайных чисел.
1. На получение каждого случайного числа затрачивается не сколько простых операций, так что скорость генерирования слу чайных чисел имеет тот же порядок, что и скорость работы ЭВМ.
2.Малый объем памяти ЭВМ цдя программирования.
3.Любое из чисел легко воспроизвести.
4.Качество генерируемых случайных чисел достаточно прове рить один раз.
Подавляющее число расчетов по методу Монте-Карло осуще ствляется с использованием псевдослучайных чисел. От последова тельности случайных чисел, равномерно распределенных в интер вале [0,1], нетрудно перейти к последовательности случайных чи сел с произвольно заданным законом распределения.
Существует основное соотношение, связывающее случайные числа с заданным законом распределения и случайные числа с рав номерным законом распределения в интервале [0,1]. Суть его со стоит в том, что для преобразования последовательности случай ных чисел с равномерным законом распределения в интервале [0,1] в последовательность случайных чисел с заданной функцией рас-
122
пределения F{x) необходимо из совокупности случайных чисел с равномерным законом распределения в интервале [0,1] выбрать случайное число Ъ, и решить уравнение:
F{x) = I |
(4.5) |
относительно х.
Решение уравнения представляет собой случайное число из со вокупности случайных чисел, имеющих функцию распределения
F{x),
В случае когда вместо функции распределения F(x) задана плот ность вероятностных), соотношение (4.5) принимает вид:
\ f{x)dx = l. |
(4.6) |
Для ряда законов распределения, наиболее часто встречающих ся в реальной экономике, получено аналитическое решение урав нения (4.6), результаты которого приведены в табл. 4.1.
Таблица 4.1
Формулы для моделирования случайных величин
Закон распределения |
Плотность распределения |
||
случайной величины |
|
|
|
Экспоненциальный |
Ах) = Хе-'" |
||
Вейбула |
^^) =0 |
j ехр |
|
Гамма-распределение |
|
|
м |
(г) - целые числа) |
л^)—^-'-^^^-^ |
||
Нормальное |
f( y\ |
г |
2о' |
|
J \Х) - |
1— е |
|
|
|
ал/2я |
|
Формула для моделирования случайной величины 1
^/=~^1п^/
X, = -Ь (In ^,У/^
^/=-7^1п(1-^у) |
|
^ У = 1 |
1 |
Xi =Зс+о |
) |
1'=1 |
Параметры закона распределения Вейбула выбираются по табли цам приложения.
123
Пример 4.1. В результате статистической обработки экспери ментальных данных получены следующие значения характеристик случайной величины Х:х — 40,7 и а = 30,2. Установлено, что вели чина X распределена в соответствии с законом Вейбула.
Определите параметры данного закона.
Решение
1.Вычислим коэффициент вариации случайной величины X:
^X 40,7
2.Исходя из значения коэффициента вариации, определим по таблицам приложения параметры а и Q. Величины параметров при К= 0,742 равны а=^ 1,4;Са = 0,659.
3.Вычислим параметр b по формуле:
й = ^ |
= i ^ i = 45,8. |
(4.7) |
Сд |
0,659 |
|
Параметры гамма-распределения вычислим по следующим формулам:
Л="-Т- |
(4.9) |
Пример 4.2. Время обслуживания пассажира в кассе Аэро флота подчинено гамма-распределению. При этом известно сред нее значение времени обслуживания / = 42 мин.; среднее квадратическое отклонение времени равно 14,8 мин.
Вычислите параметры закона распределения.
1. Вычислим параметр X:
(14,8)242 = 0,191746.
124
2. Величину параметра ц определим по следующей формуле:
Ti = i ^ |
= ^ |
= 8,74826-9. |
G^ |
14,8^ |
|
Пример 4.3. Для ПК интенсивность потока отказов Я = 1,2 отк/сутки.
Определите последовательность значений продолжительности интервалов между отказами ПК. Известно, что эти интервалы опи сываются показательным законом распределения.
Решение
Определим продолжительность интервала между отказами Г/, используя формулу для моделирования случайной величины, рас пределенной в соответствии с экспоненциальным законом:
Значения ^/ определим по таблицам случайных чисел. Допустим li = 0,7182; ^2 = 0,4365; ^3 = 0,1548; ^ = 0,8731. Тогда
ti =—-^1п0,7182 = 6,6 суток; 1
1пО,4365 = 16,6 суток;
^ з = - |
1п0,1548 = 37,3 суток; |
|
|
|
1пО,8731 = 2,7 суток и т. д. |
Моделирование случайных событий. Моделирование случайно го события заключается в воспроизведении факта появления или непоявления случайного события в соответствии с заданной его вероятностью. Моделирование полной группы несовместных со бытий ^1, А2, ..., А^, вероятности которых P(AD = Pf, / = 1, л из вестны, можно свести к моделированию дискретной случайной величины У, имеющей закон распределения
Piyi) = Рп
125
где вероятности ее возможных значений
Р(у,) = РИ,) = Р,.
Очевидно, что принятие в испытании дискретной случайной величиной У возможного значения у^ равносильно появлению в ис пытании события Aj. При практической реализации данного спосо ба на единичном отрезке числовой оси откладывают интервалы А/ = Pi (рис. 4.1).
|
Ai |
А2 |
A3 • • • • |
An |
I |
1 |
|
1 1 — i ^ — I |
^. |
0 |
|
|
|
1 |
Рис. 4.1. Интервалы A/ = P/
Вырабатывают равномерно распределенное на интервале [0,1] случайное число ^у и проверяют условие
%^Pi<^j<iPr |
(4.10) |
При выполнении условия (4.10) считают, что при испытании наступило событие Af^,
Нетрудно заметить, что моделирование факта появления одно го события А, имеющего вероятность Р(А), сводится к моделирова нию полной фуппы двух несовместных событий, т. е. противопо ложных событий с вероятностями Р(А) и Р(А) = 1 — Р{А),
Пример 4.4. Вероятность появления события А в каждом ис пытании Р(А) = 0,75.
Смоделируйте три испытания и определите последовательность реализации события А.
Решение
Отложим на единичном отрезке числовой оси точку Е = 0,75 и будем считать, что если случайное число ^/ < £", то в испытании на ступило событие А. В противном случае при ^/ > Е наступило собы тие У4 , т. е. событие А не имело места.
Пусть из таблицы выбраны равномерно распределенные на ин тервале [0,1] случайные числа ^^ = 0,925; ^2 ^ 0,135; ^з ^ 0,088. Тог да при трех испытани_ях получим следующую последовательность реализации событий: А; А; А.
Моделирование совместных (зависимых и независимых) собы тий можно выполнить двумя способами.
126
Первый способ. На первом этапе моделирования определяют все возможные исходы появления совместных событий в испыта нии (находят полную группу несовместных событий и вычисляют их вероятности). На последующем этапе работ поступают так же, как и при моделировании полной группы несовместных со бытий.
Пример 4.5. Пусть при испытании могут иметь место зависи мые и совместные события А и В, при этом известно, что Р(А) = 0,7;
Р(В) = 0,5; Р(АВ) = 0,3.
Смоделируйте появление событий А и В в двух испытаниях.
Решение
При каждом испытании возможны четыре несовместных исхо да, т. е, наступление четырех событий:
1. Cj = АВу при этом по условию P(Ci) = Р(АВ) = 0,3.
2. |
Сз = АВ, при этом Р(С2) = Р{АВ) = Р(А) -Р(ВА) = |
|
= 0,7 - 0,3 = 0,4. |
3. |
С з = ^ Д при этом Р(С^) = Р(АВ) = Р(В) - Р(АВ) = |
|
= 0,5 - 0,3 = 0,2. |
4. |
С4 = А В, при этом Р(С4) = 1 - [P(Ci) + ДСз) + Р(Сз)] = |
= 1 - (0,3 + 0,4 + 0,2) = 0,1.
Смоделируем полную группу событий Cj, С2, С3, С4 в двух ис пытаниях. Предварительно на единичном отрезке числовой оси
(рис. 4.2) откладываем интервалы А/ = Р(С/), / = |
1,4. |
|
|||
|
Ai=P(Ci) |
А2 = Р(С2) |
Аз = Р(Сз) |
А4 = Р(С4) |
|
I |
1 |
|
1 |
1 |
h |
0 |
0,3 |
|
0,7 |
0,9 |
1 |
Рис. 4,2. Интервалы А/ = P(Q
Пусть получены (взяты из таблицы) случайные числа 4i = 0,68 и ^2 "^ 0,95. Случайное число ^^ принадлежит интервалу А2, поэто му при первом испытании имело место событие А, а событие В не наступило. При втором испытании случайное число ^2 принадле жит интервалу А4. Оба события Аи В HQ имели места.
Второй способ. Моделирование совместных событий со стоит в разыгрывании факта появления каждого из совместных событий отдельно, при этом, если события зависимые, необходи мо предварительно определить условные вероятности.
Пример 4.6. Используя условия примера 4.5, смоделируйте раздельное появление событий А и В в одном испытании.
127
Решение
События Лм В зависимы, поэтому предварительно находим ус ловные вероятности Р{В/Л) и Р{В/Л)\
вЛ |
Р{АВ) |
0,3 3 |
|
|
|
А) ~ |
Р{А) |
~0,7~7' |
|
|
|
в' \_Р(АВ) |
_ 0,2 |
Р{В)-Р(АВ) |
0,5-0,3 |
0,2 2 |
|
А>Г |
Р{А) |
~1-0,7" |
\-Р{А) |
~ 1-0,7 |
"0,3~3 |
Для моделирования события А выработаем случайное число ^j. Пусть ^1 = 0,96, так как ^i > Р(А). Событие А в испытании не на ступило.
Теперь разыграем событие В при условии, что событие А в ис пытании не имело место. Пусть случайное число ^2 ^ 0>22, тогда,
—2
^2 < Р(В/А), т. е. 0,22<--. Событие В при испытании наступило.
Понятие о моделировании случайных функций. Для моделирова ния случайных функций используют два способа. В первом из них применяются специальные физические датчики, вырабатывающие непрерывные реализации случайной функции. Физические датчи ки с помощью специальных фильтров преобразуют собственные шумы в случайные функции с заданными характеристиками.
В основе второго способа моделирования случайных функций лежит использование случайных чисел. При этом получают значе ния реализации моделируемой случайной функции в изолирован ных точках. Сущность способа состоит в том, что воспроизведение реализации случайной функции сводится к моделированию систе мы коррелированных случайных величин.
4.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
Рассмотренные в гл. 3 аналитические методы анализа СМО ис ходят из предположения, что входящие и исходящие потоки требо ваний являются простейшими. Зависимости, используемые в этих методах для определения показателей качества обслуживания, спра ведливы лишь для установившегося режима функционирования СМО. Однако в реальных условиях функционирования СМО име-
128
ются переходные режимы, а входящие и исходящие потоки требо ваний являются далеко не простейшими. В этих условиях для оцен ки качества функционирования систем обслуживания широко ис
пользуют метод статистических испытаний (метод Монте-Карло).
Основой решения задачи исследования функционирования СМО в реальных условиях является статистическое моделирование входя щего потока требований и процесса их обслуживания (исходящего потока требований).
Для решения задачи статистического моделирования функцио нирования СМО должны быть заданы следующие исходные дан ные:
•описание СМО (тип, параметры, критерии эффективности работы системы);
•параметры закона распределения периодичности поступления требований в систему;
•параметры закона распределения времени пребывания требо вания в очереди (для СМО с ожиданием);
•параметры закона распределения времени обслуживания тре бований в системе.
Решение задачи статистического моделирования функциониро вания СМО складывается из следующих этапов.
1.Вырабатывают равномерно распределенное случайное чис
ло ^/.
2. Равномерно распределенные случайные числа преобразуют в величины с заданным законом распределения:
•интервал времени между поступлениями требований в систе му (А/у));
•время ухода заявки из очереди (для СМО с ограниченной дли ной очереди);
•длительность времени обслуживания требования каналами
3.Определяют моменты наступления событий:
•поступление требования на обслуживание;
•уход требования из очереди;
•окончание обслуживания требования в каналах системы.
4.Моделируют функционирование СМО в целом и накаплива ют статистические данные о процессе обслуживания.
5.Устанавливают новый момент поступления требования в си стему, и вычислительная процедура повторяется в соответствии с изложенным.
129