Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Аналитические модели систем массового обслуживанияСтр 1 из 6Следующая ⇒
В.В.РОМАНЦЕВ АНАЛИТИЧЕСКИЕ МОДЕЛИ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ Учебное пособие Санкт-Петербург 1998
Романцев В.В. Аналитические модели систем массового обслуживания: Учеб.пособие/СПбГЭТУ (ЛЭТИ). СПб., 1998. 67с.
Рассматриваются аналитические модели систем массового обслуживания, приводятся рекомендации по построению и анализу моделей. Предназначено для студентов различных специальностей, бакалавров и магистров по направлениям "Прикладная математика и информатика" и "Информатика и вычислительная техника", изучающих системы массового обслуживание.
Рецензенты: кафедра статистического моделирования СПбГУ; канд. техн.наук ст.науч.сотр. В.С.Мельканович (ЦНИИ "Морфизприбор").
Утверждено редакционно-издательским советом университета в качестве учебного пособия СПбГЭТУ (ЛЭТИ), 1998 МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ МАССОВОГО ОБСЛУЖИВАНИЯ Простейший поток событий Цепи Маркова с непрерывным временем являются математическими моделями СМО. Для анализа СМО необходимо также иметь математические модели входных потоков заявок на обслуживание. Эти математические модели представляют собой потоки события, являющиеся отдельным классом случайных процессов. Потоком событий называется последовательность однородных событий, следующих одно за другим в случайные моменты времени [1]. Этот поток количественно может быть охарактеризован числом событий x(t), имевших место в течение определенного промежутка времени (0,t). Тогда случайный поток событий можно определить как случайный процесс x(t) (t³0), в котором функция x(t) является неубывающей функцией времени, способной принимать лишь целые неотрицательные значения. Иными словами, график функции x(t) является ступенчатой кривой с постоянной высотой ступеньки, равной единице, причем ширина ступеньки - случайная величина (см.рис.1.5,а). Примерами таких потоков могут служить: поток вызовов на АТС, поток запросов в вычислительный центр коллективного пользования и т.п. Моменты появления событий можно отобразить точками на временной оси, поэтому поток событий часто представляется и как последовательность таких точек (см.рис.1.5,б). Поток событий называется регулярным, если события следуют одно за другим через одинаковые, строго фиксированные промежутки времени.
Рис.1.5
В ТМО такие потоки практически, не используются, однако они представляют интерес как предельный случай. Значительно чаще имеют дело с потоками, в которых времена поступления событий и, следовательно, промежутки времени между ними являются случайными (иррегулярными). При этом наиболее простые расчетные соотношения получаются при использовании простейших потоков событий, которые широко применяются при исследовании CMC. Простейшими называются потоки, обладающие следующими тремя свойствами: стационарностью, ординарностью и отсутствием последействия. Рассмотрим эти свойства подробнее. 1. Поток событий называется стационарным, если вероятность pk(l) того, что за отрезок времени t произойдет k событий, зависит только от его длины t и не зависит от его расположения на временной оси (см.рис.1.5), т.е. pk(t’,t’+t)=pk(t). Из определения однородной марковской цепи следует, что стационарность - это однородность потока по времени. 2. Поток называется ординарным, если вероятность попадания на любой элементарный участок временной оси двух или более событий является бесконечно малой величиной, т.е.
3. Поток событий называется потоком без последействия, если вероятность попадания событий на некоторый участок временной оси не зависит от того, сколько событий попало на другие участки. Иными словами, условная вероятность наступления k событий за промежуток времени (t’,t’+t), вычисленная при любом условии чередования событий до момента t', равна безусловной вероятности pk(t) того же события, т.е. p[(t’,t’+t),k/(t",t"+t),m]=pk(t),tÇtk=Æ, t"<t’. На практике редко встречаются потоки, удовлетворяющие всем трем допущениям одновременно. Например, поток вызовов в АТС в дневные часы более интенсивен, чем в ночные. Тем не менее, рассматривая работу АТС в периоды с 12 до 13 ч дня и с 2 до 3 ч ночи, поток вызовов на этих более коротких промежутках можно с высокой степенью точности считать стационарным. Этот пример говорит о том, что в большом числе случаев можно ввести определенные упрощения, вытекающие из принципов работы конкретных реальных систем и позволяющие проводить исследование реальных СМО путем замены их входных потоков простейшими. Это дает возможность существенно упростить математический аппарат исследования СМО.
Указанные свойства простейших потоков позволяют просто определить их распределение вероятностей pk(t), т.е. вероятность того, что за отрезок времени длиной t произойдет k событий. Прежде всего следует оговорить, что мы будем рассматривать только те потоки, в которых за конечный промежуток времени t с вероятностью 1 будет происходить лишь конечное число событий, т.е. (1.17) Тогда простейший поток можно представить цепью Маркова, изображенной на рис.1.6,а, где состояние S0 означает отсутствие событий в интервале t, S1 - появление одного события за время t, S2 - появление двух событий за время t,…, Sk - появление k событий за время t. Применив правила составления уравнений Колмогорова для такого размеченного графа состояний, получим: dp0(t)/dt = - lp0(t), dp1(t)/dt = - lp1(t)+lp0(t) (1.18) … dpk(t)/dt = - lpk(t)+lpk-1 … с начальными условиями: р0(0)=1, р1(0)=0,…, рk=0,… Плотность вероятности перехода l, которая участвует в уравнениях (1.18), является в данном случае интенсивностью потока событий. Под интенсивностью потока понимается среднее по ансамблю реализаций число событий в единицу времени. Вероятность перехода рi,i+1(t,t+Dt) равна вероятности появления одного события в интервале от t до t+Dt, поскольку ординарность потока исключает появление большего числа событий в этом интервале. Очевидно, что эта вероятность равна среднему числу появлений одного события за время Dt. Тогда с учетом определения (1.2) можно сделать вывод, что плотность вероятности перехода для марковской цепи (рис.1.6) равна интенсивности простейшего потока. В стационарном простейшем потоке l = const, тогда как в нестационарном потоке интенсивность зависит от времени: l = l(t).
а б Рис.1.6
Решить систему (1.18) можно различными методами. Одним из наиболее простых является метод производящих функций. Производящей функцией распределения вероятностей состояний pk(t) называется ряд , (1.19) где |z|£l. С учетом (1.17) ряд (1.19) сходится абсолютно. Умножая на zk все уравнения (1.18) и суммируя по k от 0 до ¥, получим:
откуда следует dln Ф/dt = l(z-1) (1.20) Интегрируя (1.20), получим ln Ф(t,z) – ln Ф(0,z) = l(z-1)t С учетом начальных условий системы (1.18) можно написать Ф(0,z) = p0(0) = 1, ln Ф(0,z) = 0. Следовательно, Подставив вместо Ф(t,z) выражение (1.19), получим окончательно (1.21)
Распределение (1.21) является известным распределением Пуассона, поэтому простейшие потоки называются пуассоновскими. Важнейшей характеристикой любого потока является закон распределения интервала времени Т между двумя соседними событиями в потоке (см.рис.1.6,б). Определим этот закон для пуассоновских потоков. Вначале рассмотрим интегральный закон распределения F(t)=p(t>T), т.е. вероятность того, что случайная величина Т примет значение, меньшее чем t. Для этого необходимо определить вероятность того, что в интервал времени t, отсчитываемый от момента t0 появления некоторого события, попадет еще хотя бы одно событие (см.рис.1.6,б). Эту вероятность можно определить, зная вероятность отсутствия событий в интервале t, равную вероятности p0(t) состояния S0 на графе рис.1.6, а. В соответствии с (1.21)
p0(t)=e-lt откуда следует F(t)=p(t>T)=1-e-lt, t>0 . (1.22) Дифференцируя (1.22) по времени, получим искомый закон распределения (1.23) Закон распределения (1.4.9) называется показательным (экспоненциальным). Определим первые два момента показательного распределения: - математическое ожидание (1.24) - дисперсия (1.25) Интегрируя (1.24) и (1.25) по частям, получим
. (1.26)
Из (1.26) следует, что для показательного распределения математическое ожидание и среднеквадратичное отклонение равны друг другу. Кроме того из (1.26) следует, что в простейшем потоке среднее время между двумя соседними событиями равно обратной величине интенсивности потока. Определим теперь вероятность попадания одного события в простейшем потоке на элементарный участок временной оси (см.рис.1.6,б). Так же, как и в предыдущем случае, эта вероятность P1(Dt) = 1 – P0(t) = 1 - e-lDt. Разлагая e-lDt в ряд по степеням lDt и ограничиваясь только первой степенью (в силу малости Dt), получим P1(Dt) = lDt. (1.27) Выражение в правой части (1.27) называется элементом вероятности появления события в простейшем потоке.
Потоки Пальма и Эрланга Потоки Пальма или потоки с ограниченным последействием являются обобщением потоков элементарных событий. Определение. Потоком Пальма называется поток, в котором промежутки времени между двумя соседними событиями представляют собой независимые случайные величины, распределенные по одному и тому же закону. Частным случаем потоков Пальма являются простейшие потоки, в которых интервалы между соседними событиями распределены по показательному закону. Если интервалы между событиями подчиняются гауссовскому распределению, то такие потоки называются нормальными. Очевидно, что для регулярного потока закон распределения выражается d-функцией.
В теории массового обслуживания широко используются потоки Эрланга. Они образуются из простейших потоков путем применения к ним операции "просеивания". Эта операция заключается в том, что из простейшего потока удаляется некоторое число точек по определенному правилу. Если удаляются точки через одну, т.е. остается каждая 2-я точка, то поток Эрланга называется потоком 2-го порядка (Э2). Если удаляются две точки подряд и остается каждая 3-я точка, то получается поток Эрланга 3-го порядка (Э3). Если удаляются (k-l) точек подряд, а остается каждая k-я точка, то поток Эрланга называется потоком k-го порядка (Эк). Очевидно, что простейший поток является потоком Эрланга 1-го порядка. Определим закон распределения fk(t) интервалов Т1 для потока Эk. Для этого необходимо найти вероятность появления события в потоке Эk на элементарном участке (t,t+Dt), что будет иметь место в том случае, когда конец интервала Т = STi окажется в пределах элементарного участка: t £ STi £ t+dt. Вероятность этого события равна fk(t)dt. С другой стороны, эта вероятность равна произведению вероятностей двух событий: - на участок длиной t должна попасть k-l точка простейшего потока; - последняя (k-я) точка должна попасть на участок (t,t+Dt). Вероятность первого события можно определить в соответствии с пуассоновским законом (1.21) . Вероятность второго события равна, по определению, элементу вероятности появления события в простейшем потоке (1.27), т.е. ldt. Перемножая эти вероятности, получим
откуда следует . (1.28)
Закон распределения (1.28) называется законом Эрланга. При k=1 закон Эрланга вырождается в показательное распределение. Каждый интервал в потоке Эk равен: Т = STi, где Ti - независимые случайные величины, распределенные по показательному закону с первыми двумя моментами, определяемыми выражениями (1.26). Применяя теоремы о сложении математических ожиданий и дисперсий для суммы независимых случайных величин, получим (1.29)
Целесообразно выразить параметры непосредственно через интенсивность потока Эрланга Эk. Очевидно, что Lk = l/k, l = kLk. Представив таким образом интенсивность исходного пуассоновского потока, получим в соответствии с (1.29):
(1.30)
Сделав соответствующую подстановку в (1.28), определим закон Эрланга в виде
Из (1.30) следует, что, устремляя порядок k потока Эрланга к бесконечности, получим mt = 1/Lk; Dt ® 0. Это означает, что случайная величина Т приближается к постоянной величине, равной математическому ожиданию. При этом поток Эрланга вырождается в регулярный поток. Отмеченное свойство потоков Эрланга и является причиной, по которой они широко используются для аппроксимации реальных потоков, изменяя k от 1 (полное отсутствие последействий, пуассоновский поток) до ¥ (жесткая связь между моментами появления событий, регулярный поток), можно получить широкий спектр различных случаев, располагающихся по своим свойствам между этими двумя крайними полюсами.
Рассмотрим (без доказательств) два типичных преобразования, выполняемых над случайными потоками: суммирование потоков и разрежение потоков, Суммарным называется поток, получающийся путем сложения случайных событий исходных суммируемых потоков. Отметим два основных свойства суммарных потоков. 1) Для суммарного потока существует предельная теорема: сумма независимых, ординарных и стационарных случайных потоков сходится к пуассоновскому потоку при неограниченном увеличении числа слагаемых [3]. Интенсивности суммируемых потоков должны при этом быть соизмеримы. Эта теорема аналогична центральной предельной теореме для случайных величин. 2) При сложении n как стационарных, так и нестационарных потоков интенсивность суммарного потока равна сумме интенсивностей потоков-слагаемых и выражается соотношением (1.31)
Разреженным (редеющим) потоком называется поток, получающийся из исходного потока путем случайного удаления из него событий с постоянной вероятностью q. Иными словами, событие исходного потока остается в разреженном с вероятностью р = 1-q. Следует различать операцию детерминированного "просеивания", с помощью которой получаются потоки Эрланга, и операцию случайного разрежения. В качестве примера редеющего потока можно привести поток необслуженных заявок на выходе СМО с отказами (например, поток самолетов, прорвавшихся через систему ПВО, которая сбивает случайное число этих самолетов). Отметим основные свойства редеющих потоков [3]. 1) Для редеющих потоков существует предельная теорема: если последовательно разрежать исходный стационарный ординарный поток Пальма с вероятностями р1,р2,…,рn, то многократно разреженный поток стремится к пуассоновскому при n®¥. 2) Интенсивность разреженного потока lp равна интенсивности исходного потока, умноженной на вероятность сохранения события в потоке, т.е. lp = рl. В заключение отметим, что марковские цепи являются математическими моделями некоторых реальных систем, а потоки событий являются моделями внешних воздействий на эти системы. В дальнейшем будем считать, что переход системы из одного состояния i в другое j в соответствии с размеченным графом состояний происходит под действием потока событий с интенсивностью lij, равной соответствующей плотности вероятности перехода. Эта интенсивность определяется как среднее число переходов из состояния i в состояние j за единицу времени. Если все потоки событий являются пуассоновскими, то процесс в системе будет марковским. Модели систем с очередями Рассмотрим вначале простейшую одноканальную СМО с очередью, число мест в которой ограничено числом m (рис. 2.4). В системе возможны такие состояния: S0- прибор свободен, очереди нет; S1 -прибор занят, очереди нет; S2 - прибор занят, в очереди стоит одна заявка; S3 - прибор занят, в очереди стоят две заявки; …; Sm+1 - прибор занят, в очереди стоят m заявок.
Рис.2.4
Если заявка приходит в момент времени, когда система находится в состоянии Sm+1, то она получает отказ и покидает систему. Поскольку работает только один прибор, то интенсивность потока обслуживаний m одинакова для всех состояний. Используя правила вычислений вероятностей состояний для данного процесса размножения и гибели, получим p1 = p0l/m = rp0, …, pk = rkp0, …,pm+1 = rm+1p0
. (2.18)
В формуле (2.18) использован тот факт, что знаменатель является суммой членов геометрической прогрессии со знаменателем r. С помощью (2.18) можно рассчитать основные характеристики системы. 1. Вероятность отказа в соответствии с правилами работы системы равна вероятности последнего состояния pm+1: . 2. Относительная пропускная способность (2.19)
3. Абсолютная пропускная способность 4. Среднее число заявок, находящихся в очереди (математическое ожидание количества заявок), определяется путем суммирования всех возможных длин очередей от 1 до m с их вероятностями в качестве весовых коэффициентов: (2.20)
Подставляя в (2.20) значения вероятностей из (2.18), получим (2.21) Для вычисления суммы в (2.21) воспользуемся методом дифференцирования рядов с учетом формулы суммы геометрической прогрессии со знаменателем r: (2.22)
Следовательно, подставляя (2.22) и (2.18) в (2.21), получим (2.23)
5. Среднее число заявок, находящихся в системе: где W - случайная величина, принимающая значения 0 (канал свободен) и 1 (канал занят). Вероятность занятости канала (с учетом (2.19)) (2.24)
Следовательно, M[W] = 0×p0+l(l-p0)=rq, откуда 6. Среднее время ожидания заявки в очереди можно определить, усредняя времена ожидания заявок в очереди по всем состояниям S1 + Sm+1, с учетом вероятностей этих состояний. Поскольку среднее время обслуживания одной заявки равно l/m, то среднее время ожидания заявки в очереди
Подставляя сюда выражение для p1 из (2.18) и принимая во внимание формулу (2.22), имеем: (2.25)
Сравнивая (2.25) и (2.21), получим = /l. Таким образом, среднее время ожидания заявки в очереди равно среднему числу заявок в очереди, деленному на интенсивность потока заявок. Среднее время нахождения заявки в системе определяется аналогичным образом: 7. Среднее время простоя канала tПК, в соответствии с (2.17) равно: где среднее время занятости = 1/m, а pЗК определяется из (2.24). Тогда Рассмотрим теперь предельный случай, когда число мест в очереди не ограничено (m®¥). Этот случай имеет смысл только при r<1. Тогда геометрическая прогрессия в знаменателе (2.18) сходится. Если же r>0, то Sri=¥ и для любого конечного k Это означает, что для любого k система рано или поздно пройдет состояние sК и никогда в него не вернется, двигаясь все время вправо по графу процесса "размножения и гибели", т.е. очередь будет разрастаться до бесконечности. Иными словами, если l³m, то система при бесконечной длине очереди не справляется с потоком заявок. Поэтому, когда m=¥ мы будем рассматривать только случай r<1. Тогда в системе наступит стабилизация очереди на каком-то конечном уровне. Для r<1, переходя в (2.18) к пределу при m®¥, будем иметь (2.26) Поскольку все заявки рано или поздно будут обслужены, то относительная пропускная способность будет равна 1. Абсолютная пропускная способность А=lq=l. Среднее числа заявок в очереди (см.(2.23)) (2.27)
Среднее число заявок в системе (2.28) Среднее время ожидания в очереди и среднее время нахождения заявки в системе tc равны соответственно (2.29)
Перейдем к рассмотрению многоканальной СМ0 с очередью. Пусть число каналов обслуживания равно n, а число мест в очереди - m. Если заявка приходит тогда, когда все nканалов заняты, она становится в очередь. Если же заняты и все m мест в очереди, то заявка получает отказ и покидает систему. В такой СМО возможны следующие состояния: S0 - все каналы свободны, очереди нет; S1 - один канал занят, очереди нет; …; Sn - n каналов заняты, очереди нет; Sn+1 - n каналов заняты, в очереди стоит одна заявка; …; Sn+m - n каналов заняты, в очереди стоят m заявок. Размеченный граф состояний данной СМО представлен на рис 2.5.
Рис. 2.5
Интенсивность потоков обслуживания, переводящих систему по цепочке влево, возрастает с подключением новых каналов до тех пор, пока СМО не достигнет состояния Sn. После того как в работу включатся все n каналов СМО, интенсивности потоков обслуживания остаются неизменными и равными nm для состояний Sn + Sn+m. Введем обозначение æ = r/n = l/nm. (2. 30) Величину æ назовем приведенной интенсивностью потока заявок многоканальной СМО. Тогда в соответствии с правилом вычисления вероятностей состояний для процесса размножения и гибели получим: p1 = rp0, pn+1 = rnæp0/n! p2 = r2p0/2!, pn+2 = rnæ2p0/n! … pn = rnp0/n!, pn+m = rnæmp0/n!
(2.31)
Просуммируем геометрическую прогрессию со знаменателем æ в выражении для р0. Получим . (2.32)
Выражения (2.31) и (2.32) дают возможность по аналогии с одноканальной СМО определить все основные характеристики многоканальной СМО: 1. Вероятность отказа pОТК = pn+m = rnæmp0/n! 2. Относительная пропускная способность q = 1 - pОТК = 1 - rnæmp0/n! 3. Абсолютная пропускная способность А = lq = l[1 - rnæmp0/n!] 4. Среднее число заявок в очереди 5. Среднее число занятых каналов . Если каждый канал обслуживает в среднем m заявок в единицу времени, а вся СМО обслуживает А заявок за то же время, то среднее число занятых каналов (2.33) Отсюда можно определить вероятность занятости канала pЗК = /n. 6. Среднее число заявок, находящихся в системе, . 7. Среднее время ожидания заявки в очереди . 8. Среднее время ожидания заявки в системе . Перейдем к предельному случаю при m®¥. Легко заметить, что этот переход возможен, как и в предыдущей СМО, только при æ < 1 (l < nm), так как в данном случае в выражении для р0 суммируется геометрическая прогрессия со знаменателем æ. Опуская промежуточные выкладки, которые рекомендуется проделать читателю, выпишем основные соотношения для предельного случая. 1. Предельные вероятности состояний (2.34) p1 = p0r1/1! (i=1,…,n) … pn+j = æjp0rn/n! (j=n+1,…,¥) 2.Вероятность отказа РОТК = 0, q = 1, A = l. 3. Среднее число заявок в очереди (2.35) 4. Среднее число занятых каналов z и среднее число заявок k, находящихся в системе: (2.36)
Остальные характеристики находятся аналогичным образом. В заключение рассмотрим СМО с ограниченным временем пребывания заявки в очереди. Будем считать, что число мест в очереди не ограничено (m=¥), а число каналов обслуживания равно n. Размеченный граф состояний такой системы представлен на рис.2.6, где состояния S0 + Sn+rимеют тот же смысл, что и в предыдущем случае. Различие заключается в том, что заявки могут находиться в очереди ограниченное время, после чего они покидают систему, если за время ожидания их не успеют обслужить. Для того чтобы рассмотреть такую СМО с "нетерпеливыми" заявками в рамках теории марковских процессов, будем считать, что на заявки, стоящие в очереди, действует пуассоновский "поток уходов" с интенсивностью v. Если среднее время ожидания заявки в очереди равно , то
Рис.2.6 Тогда интенсивности потоков, переводящих состояние системы влево, равны сумме интенсивности потока обслуживании nm и соответствующих интенсивностей потоков уходов rv = r/ , где r - число заявок, находящихся в очереди. Кроме приведенной интенсивности потока заявок æ = l/nm введем также приведенную интенсивность потока уходов многоканальной СМО b = v/nm. Тогда в соответствии с правилами вычисления вероятностей состояний процесса размножения и гибели, граф которого изображен на рис. 2.7. получим: (2.37)
Бесконечный ряд в выражении для р0 сходится при любых æ и b. В этом можно убедиться, применяя любой известный признак сходимости рядов. Это означает, что поток уходов стабилизирует очередь и не позволяет ей разрастись до бесконечности. Среднее число заявок, находящихся в очереди такой СМО, можно определить обычным образом: Однако такой способ весьма затруднителен, так как требует вначале подсчета суммы членов бесконечного ряда в формуле (2.37), а затем необходимо снова определять сумму членов уже другого бесконечного ряда для нахождения среднего значения r. Это затруднение можно обойти следующим образом. Определим вначале абсолютную пропускную способность. Если в очереди содержатся в среднем r заявок, то в единицу времени будет уходить vr заявок, а приходить - l заявок. Оставшиеся после уходов заявки будут обслужены, следовательно. А = l - v . (2.38) Относительная пропускная способность (2.39) Среднее число занятых каналов определяется аналогично предыдущему случаю: (2.40)
Из (2.40) можно найти r: (2.41) Таким образом, среднее число заявок в очереди мы выразили через среднее число занятых каналов. Эта величина, очевидно, получается в результате суммирования конечного ряда Однако сумму этого ряда определить достаточно сложно из-за необходимости суммирования бесконечного ряда для нахождения рn. Чтобы обойти это затруднение, сумму членов бесконечного ряда заменяют суммой (r-1) членов конечного ряда, отбрасывая все остальные члены, начиная с r-го. Легко показать, что погрешность вычисления суммы в результате такой замены . Заметим, что из (2.37) - (2.41) при v®0 (или b®0) в пределе получаем выражения для обычной многоканальной СМО с очередью ("нетерпеливые" заявки становятся "терпеливыми"). Вероятность отказа в такой СМО с "нетерпеливыми" заявками не имеет смысла. Все прочие характеристики СМО находятся способом, аналогичным ранее описанному.
Модель замкнутой системы Рассмотренные ранее СМО характеризовались тем, что интенсивность входного потока заявок не зависела от состояния системы, т.е. от количества заявок, находящихся в очереди и в обслуживании. Однако существует обширный класс СМО, в которых интенсивность потока заявок зависит от состояния СМО: чем больше заявок находится в СМО, тем меньше интенсивность входного потока. Определение. СМО, у которой интенсивность входного потока не зависит от ее текущего состояния, называется разомкнутой, в противном случае - замкнутой. Строго говоря, все СМО являются замкнутыми. Действительно, если каждый абонент городской АТС является источником заявок, то во время телефонных разговоров, т.е. когда несколько абонентов обслуживаются в СМО, они перестают быть источниками заявок и интенсивность суммарного потока вызовов на АТС уменьшается. Однако ввиду огромного общего числа абонентов такие изменения суммарного потока практически невозможно заметить, поэтому АТС можно считать разомкнутой СМО. Точно так же можно сказать и об автозаправочной станции, стоящей на оживленной автомобильной трассе. Однако в ряде случаев количество источников заявок ограничено сравнительно небольшим числом. Так, например, если рассматривать как СМО бригаду слесарей-ремонтников, обслуживающих станки в некотором цехе, то такая СМО является замкнутой. Действительно если станок испортился и в данный момент либо ремонтируется, либо ожидает в очереди на ремонт, то он перестает быть источником заявок. Поскольку количество станков в цехе ограничено, то выход из строя одного или нескольких станков существенно сказывается на интенсивности потока заявок на обслуживание. То же самое можно сказать об авторемонтной мастерской, обслуживающей гараж какого-либо предприятия, или об авиаремонтных базах, обслуживающих аэропорт. Если обозначить через R(t) случайное число заявок, находящихся в очереди на обслуживание в момент времени t, Z(t) - случайное число обслуживаемых заявок в момент времени t, H(t) - случайное число заявок, не нуждающихся в обслуживании, m - общее число источников заявок, то в любой момент времени должно соблюдаться равенство m = R(t) + Z(t) + H(t) как для мгновенных значений, так и для математических ожиданий (2.42) Когда заявка обслужена, то она пополняет источники входных заявок, т.е. выходной поток СМО непосредственно связан с входным и СМО называется замкнутой. Назовем уравнение (2.42) уравнением расхода замкнутой СМО. Источники заявок замкнутой СМО назовем техническими устройствами (ТУ). Это могут быть самолеты, станки, автомобили и т.п. Тогда из уравнения расхода (2.42) следует ряд важных характеристик замкнутых СМО. Если общее число каналов обслуживания (например, рабочих-ремонтников) равно n, то можно определить следующие коэффициенты для оценки эффективности СМО: 1. Коэффициент использования ТУ (вероятность того, что ТУ не будет нуждаться в обслуживании) (2.43) 2. Коэффициент ожидания c (вероятность того, что ТУ находится в очереди на обслуживание) c = /m. (2.44) 3. Коэффициент простоя канала обслуживания (вероятность незанятости канала) КПР= 1- /n. (2.45) 4. Коэффициент простоя ТУ (вероятность того, что ТУ находится в очереди или в обслуживании) z = 1 - x =( + )/m. (2.46) 5. Коэффициент (вероятность) нахождения ТУ в обслуживании y = /m. (2.47) Если обозначить - среднее время ожидания заявки в очереди, - среднее время обслуживания заявки в очереди, а - среднее время безотказной работы ТУ, то на основании эргодического свойства будем иметь y = (
| Поделиться:
| |
Читайте также:
Последнее изменение этой страницы: 2021-12-07; просмотров: 71; Нарушение авторского права страницы; Мы поможем в написании вашей работы!
infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.14.70.203 (0.209 с.)