- •50 Часов — лекционных занятий;
- •25 Часов — практических занятий;
- •25 Часов — лабораторных занятий. Содержание
- •Лекция 1. Общие вопросы теории моделирования (2 часа) План
- •2. Роль и место моделирования в исследованиях систем
- •3. Классификация моделей
- •4. Моделирование в процессах познания и управления
- •5. Классификация объектов моделирования
- •6. Основные этапы моделирования
- •7. Этапы моделирования объектов (процессов, явлений)
- •Контрольные вопросы
- •Литература
- •Лекция 2. Технология моделирования (2 часа) План
- •2. Подготовка исходных данных
- •3. Разработка математической модели
- •4. Выбор метода моделирования
- •2. Проверка адекватности и корректировка модели
- •3. Планирование экспериментов с моделью
- •4. Анализ результатов моделирования
- •2. Сведения об объекте
- •3. Априорная информация
- •4. Апостериорная информация
- •1. Постановка задачи идентификации.
- •2. Трудности идентификации
- •1. Постановка задачи идентификации.
- •Следовательно модельный оператор f должен быть таким, чтобы:
- •2. Трудности идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •1. Идентификация структуры и параметров объекта
- •2. Классификация методов идентификации
- •2. Ранжирование входов и выходов объекта (Метод экспертных оценок)
- •Метод непосредственного ранжирования;
- •Метод парных сравнений.
- •3. Метод непосредственного ранжирования
- •2. Определение рационального числа входов и выходов объекта, учитываемых в модели
- •3. Определение характера связи между входом и выходом модели объекта
- •1. Потоки заявок
- •2. Марковские модели
- •1. Потоки заявок
- •2. Марковские модели
- •2. Характеристики вычислительных систем как сложных систем массового обслуживания
- •3. Методы приближённой оценки характеристик вычислительных систем
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •1. Нестационарные режимы функционирования вычислительных систем
- •2. Характеристики вычислительных систем как стохастических сетей
- •2. Обобщенные алгоритмы имитационного моделирования
- •2. Метод повторных экспериментов
- •3. Методы генерации случайных величин и последовательностей
- •Контрольные вопросы
- •II. Модель в - для задачи максимизации
- •2. Преобразование задачи с дискретными переменными к задаче с булевыми переменными
- •3. Преобразование задачи линейного булева программирования к задаче нелинейного булева программирования
- •Контрольные вопросы
- •2. Модель задачи автоматической классификации
- •3. Задача об оптимизации размещения букв алфавита на клавиатуре эвм
- •2. Проверка адекватности математической модели
- •3. Алгоритм оптимального управления работы насосной станции
- •Контрольные вопросы
- •2. Аналитический подход к формированию информативной подсистемы признаков в задаче распознавания
- •3. Упрощенный метод классификации с использованием аналитического подхода формирования информативной подсистемы признаков при наличии обучающей выборки
- •Контрольные вопросы
- •Литература
- •Литература
1. Потоки заявок
2. Марковские модели
1. Потоки заявок
Простейший поток. При аналитическом моделировании характеристики системы вычисляются наиболее просто для потока заявок, называемого простейшим. Простейший поток — это поток заявок, который обладает следующими свойствами: 1) стационарность; 2) отсутствие последействия; 3) ординарность.
Стационарность означает постоянство вероятности того, что в течение определенного временного интервала поступит одинаковое количество заявок вне зависимости от расположения интервала на оси времени.
Отсутствие последействия заключается в том, что поступившие заявки не оказывают влияния на будущий поток заявок, т. е. заявки поступают в систему независимо друг от друга.
Ординарность — это значит, что в каждый момент времени в систему поступает не более одной заявки.
Любой поток, обладающий этими свойствами, является простейшим.
У простейшего потока интервалы времени между двумя последовательными заявками — независимые случайные величины с функцией распределения:
F( )=l-e - . (1)
Такое распределение называется экспоненциальным (показательным) и имеет плотность
f( )= , (2)
математическое ожидание длины интервала
(3)
дисперсию
(4)
и среднеквадратическое отклонение, равное математическому ожиданию. Экспоненциальное распределение характеризуется одним количественным параметром — интенсивностью.
Простейшие потоки заявок обладают следующими особенностями:
1. Сумма М независимых, ординарных, стационарных потоков с интенсивностями сходятся к простейшему потоку с интенсивностью
(5)
при условии, что складываемые потоки оказывают примерно одинаковое малое влияние на суммарный поток.
2. Поток заявок, полученный в результате случайного разрежения исходного стационарного ординарного потока, имеющего интенсивность Я,, когда каждая заявка исключается из потока с определенной вероятностью р независимо от того, исключены другие заявки или нет, образует простейший поток с интенсивностью р .
3. Интервал времени между произвольным моментом времени и моментом поступления очередной заявки имеет экспоненциальное распределение с таким же математическим ожиданием 1/ , что и интервал времени между двумя последовательными заявками.
4. Простейший поток создает тяжелый режим функционирования системы, поскольку, во-первых, большее число (63 %) промежутков времени между заявками имеет длину меньшую, чем ее математическое ожидание 1/ , и, во-вторых, коэффициент вариации,
Рис. 1. Распределение Пуассона
равный отношению среднеквадратичес-кого отклонения к математическому ожиданию:
и характеризующий степень нерегулярности потока, равен единице, в то время как у детерминированного потока коэффициент вариации = 0, а для большинства законов распределения 0< <1.
Простейший поток имеет широкое распространение не только из-за аналитической простоты связанной с ним теории, но и потому, что большое количество реально наблюдаемых потоков статистически не отличимы от простейшего. Этот эмпирический факт подтвержден рядом математических моделей, в которых при довольно общих условиях доказывается, что поток близок к простейшему.
Пуассоновский поток. Пуассоновским потоком называется ординарный поток заявок с отсутствием последействия, у которого' число заявок, поступивших в систему за промежуток времени т, распределено по закону Пуассона:
(6)
где Р (k, — вероятность того, что за время т в систему поступит точно k заявок; — интенсивность потока заявок.
Математическое ожидание и дисперсия распределения Пуассона равны . Вид зависимостей этого распределения при для разных , показан на рис. 1.
Следует подчеркнуть, что распределение Пуассона дискретно. Стационарный пуассоновский поток является простейшим.
Если нестационарный поток, интенсивность которого представляет собой функцию времени , описывается законом распределения Пуассона, то такой поток называется пуассоновским, но не простейшим. В распределении Пуассона длительности интервалов между двумя последовательными заявками — это случайные величины с экспоненциальным распределением.
Эрланговский поток. В общем случае интервалы времени между поступлением заявок могут иметь функцию распределения общего вида G ( ). Если интервалы независимы, то говорят, что заявки образуют рекуррентный поток или поток с ограниченным последействием.
Поток называется рекуррентным (потоком Пальма), если он стационарен, ординарен, а интервалы времени между заявками представляют собой независимые случайные величины с одинаковым произвольным распределением. Тогда простейший поток рассматривается как частный случай рекуррентного потока. Примером рекуррентного потока может служить поток Эрланга.
Рис. 2. Потоки Эрланга
Потоком Эрланга го порядка называется поток, у которого интервалы времени между моментами поступления двух последовательных заявок представляют собой сумму k независимых случайных величин, распределенных по экспоненциальному закону с параметром . Поток Эрланга получается из простейшего путем исключения (k — 1) заявок с сохранением каждой k-й заявки (рис. 2). Плотность распределения интервала времени между двумя соседними заявками в потоке Эрланга k-го порядка
(7)
Поток Эрланга превращается в простейший при k = 1. Приведенные потоки наиболее широко используются в теории массового обслуживания, в том числе при аналитическом моделировании ВС.