- •Введение
- •Глава 1. Моделирование случайных величин
- •1.1.1. Понятия модели и моделирования
- •1.1.2. Основной цикл познания при моделировании
- •1.1.3. Математическое моделирование
- •1.1.3.1. Математическое описание сложных систем
- •1.1.3.2. Методы математического моделирования
- •1.1.3.3. Имитационное моделирование
- •1.1.3.4. Принципы построения алгоритмов имитационного моделирования
- •1.1.3.5. Характерные особенности имитационного моделирования на эвм
- •1.1.3.6. Статистическое моделирование
- •1.1.3.7. Понятие о вероятностном физическом моделировании
- •1.1.3.8. Достоинства метода имитационного моделирования на эвм
- •1.1.3.9. Недостатки метода имитационного моделирования
- •1.2. Структура имитационной модели. Технологии построения.
- •1.2.1. Этапы разработки имитационной модели
- •1.2.2. Элементы и структура имитационной модели
- •1.2.3. Технология построения и функционирования.
- •1.3. Генерирование равномерно распределенных на интервале [0,1] случайных чисел. Проверка качества генераторов случайных чисел
- •1.3.1. О приближенных случайных числах
- •Физические датчики случайных величин
- •О проверке физических датчиков случайных чисел
- •Метод псевдослучайных чисел
- •Алгоритмы получения псевдослучаных чисел
- •Алгоритмы порядка r
- •Метод возмущений
- •Генератор Лемера
- •Проверка качества формируемой последовательности псевдослучайных чисел
- •1.4. Методы генерирования случайных событий, дискретных и непрерывных случайных величин, многомерных случайных величин, усеченных случайных величин.
- •1.4.1. Моделирование дискретных случайных величин
- •1.4.2. Моделирование семейства биномиальных распределений
- •1.4.3. Моделирование непрерывных случайных величин Метод обратных функций
- •Метод суперпозиций
- •Моделирование многомерных случайных величин
- •Моделирование n-мерной точки с зависимыми координатами
- •Метод отбора
- •Применение метода отбора. Моделирование усеченных распределений
- •Метод Неймана
- •Выбор равномерно распределенных точек в сложных областях
- •1.5. Методы генерирования наиболее часто встречающихся на практике распределений.
- •1.5.1. Моделирование распределения Эрланга
- •1.5.2. Приближенное моделирование нормально распределенных случайных величин
- •1.5.3. Методы генерирования цепей и процессов Маркова.
- •1.5.4. Метод генерирования процессов Маркова с дискретным множеством состояний.
- •1.5.5. Метод генерирования процессов Маркова с дискретно-непрерывным множеством состояний.
- •Глава 2. Моделирование информационных систем железнодорожного транспорта
- •2.1. Формирование реализаций случайных потоков
- •Однородных событий.
- •2.1.1. Входящие потоки
- •2.1.2. Формирование произвольных случайных потоков однородных событий
- •2.2. Введение марковских процессов при моделировании систем массового обслуживания при произвольных распределениях основных случайных величин.
- •2.3. Моделирование однолинейной системы массового обслуживания
- •2.3.1. Распределение длины очереди
- •2.3.2. Время отклика и время ожидания
- •2.4. Моделирование многолинейной системы массового обслуживания
- •2.4.1. Моделирование многолинейной системы массового обслуживания для расчете времени ожидания
- •2.4.2. Моделирование многолинейной системы массового обслуживания для расчета распределения числа требований в системе.
- •2.5. Моделирование сетей массового обслуживания,
- •Глава 3. Оценка точности результатов моделирования
- •3.1. Постановка задачи по оценке точности результатов моделирования. Характеристики точности результатов моделирования Оценка точности результатов аналитического моделирования
- •3.1.1. Постановка задачи по оценке точности результатов
- •3.1.2. Классификация входных случайных величин
- •3.1.3. Смещение и дисперсия оценки выходного показателя
- •3.2. Оценка точности результатов имитационного
- •3.2.1. Оценка смещения
- •3.2.2. Оценка составляющей дисперсии за счет неточности входных параметров
- •3.2.3. Оценка частных производных от показателя эффективности сложной системы на ее математической модели
- •3.3. Оценка точности результатов статистического
- •Глава 4. Разработка математической модели функционирования двухпутного железнодорожного участка для определения минимального расчетного межпоездного интервала
- •4.1. Постановка задачи
- •4.1.1. Актуальность разработки модели
- •4.1.2. Постановка задачи по разработке модели.
- •4.2.2. Кусочно-непрерывный марковский процесс, описывающий функционирование двухпутного железнодорожного участка
- •4.3. Алгоритм смены состояний кусочно-непрерывного процесса, функционирования железнодорожного участка во времени
- •4.4. Уравнения движения поезда
- •4.5. Программная реализация алгоритма математической модели функционирования двухпутного ж.Д. Участка
- •4.6. Оценка точности линеаризованных решений дифференциальных уравнений движения поезда
- •4.7. Результаты моделирования
- •4.7.1. Описание объекта моделирования и исходные данные
- •4.8. Результаты моделирования для обычных грузовых поездов
- •4.9. Результаты моделирования для поездов повышенной длины и массы
- •4.10. Результаты расчета точности решений линеаризованных уравнений движения поезда
- •Глава 5. Задачи по дисциплине «Моделирование систем» для студентов 4 курса по кафедре «асу» по направлениям
- •Оглавление
- •Глава 1
- •Глава 2. Моделирование информационных систем
- •2.3. Моделирование однолинейной системы массового обслуживания………………………………………………………………...52
- •2.4. Моделирование многолинейной системы массового обслуживания..55
- •Глава 3. Оценка точности результатов моделирования…………………...63
- •Глава 4. Разработка математической модели функционирования
- •Глава 5. Задачи по дисциплине «Моделирование систем»
2.3. Моделирование однолинейной системы массового обслуживания
2.3.1. Распределение длины очереди
Рассмотрим
одноканальную систему массового
обслуживания, в которую поступают
заявки, образующие ординарный поток
однородных событий с ограниченным
последействием и функциями распределения
.
Длительности обслуживания являются
случайными величинами
,
не зависящими от «предыстории» процесса
обслуживания, с законами распределения
.
Заявки в системе обслуживаются в порядке
очереди. Если поступившая заявка застает
канал занятым, то она ожидает освобождения
канала.
В результате
моделирования необходимо найти
распределение числа требований в СМО.
Обозначим:
- число требований в СМО в момент времени
,
при
- длительность времени с момента
до момента окончания обслуживания
заявки, находящейся на обслуживании в
момент
,
=
0 при
=0;
- длительность времени с момента
до момента поступления следующей заявки.
Состояние СМО в момент времени
есть вектор (
,
,
),
который полностью определяет дальнейшее
развитие СМО и в силу этого является
марковским случайным процессом.
Моделирование
идет по моментам совершения событий.
Обозначим моменты совершения событий
через
События могут быть двух типов: события
окончания обслуживания заявки, события
поступления новой заявки. Пусть в
начальный момент
= 0
,
=
0,
=
=
.
Первое событие совершается в момент
=
и в этот момент состояние СМО есть (
).
Сдвиг модельного времени осуществляется
на величину
=
.
Тогда в интервале (0,
)
= 0. Следующее событие совершается в
момент
+
,
сдвиг модельного времени осуществляется
на величину
и в интервале (
,
+
(
)
имеем равенство
= 1.
Рассмотрим переход
от первого события ко второму событию,
т.е. от состояния (
)
к следующему событию. Имеем
(
)
(
)
+
(
)
В силу этого
в интервале (
+
,
+
)
при
= 1
=0.
Переход от состояния
(
к следующему состоянию осуществляется
аналогично переходу от состояния
( , = 0, = ).
Рассмотрим переход
от состояния (
)
к следующему состоянию. Сдвиг модельного
времени осуществляется на величину
)
и в интервале (
+
,
+
+
))
имеем равенство
= 2. Переход имеет вид
(
)
)
=
)
(1,
,
-(
))
+
)
=
)(3,
-
,
).
В силу этого в
интервале (
+
,
+
+
)
при
)
=
)
= 1
= 1 и
= 3 в интервале (
+
,
+
+
+
).
Эту процедуру можно продолжить в виде в виде следующих рекуррентных процедур:
(
)
)
(
),
где при
)
=
=1
=
-1,
=
,
=
-
,
при
)
=
=1
=
+1,
=
-
,
=
. На интервале (
.
Далее имеем
(
)
(
),
где при ) = =1 =0, =0, = - ,
при ) = =1 =2, = - , = .
На интервале ( в этом случае 1. Далее
(
)
(
),
=1,
=
,
=
.
На интервале ( в этом случае 0.
Если мы хотим получить стационарное распределение числа заявок в СМО, то в силу эргодичности, свойственной рассматриваемой системе обслуживания, модельное время функционирования модели надо сделать достаточно большим. Критерием останова моделирования может служить оценка математического ожидания числа заявок в СМО. Если эта оценка стала колебаться незначительно, то можно останавливать процесс моделирования.
Если мы хотим получить нестационарное распределение числа заявок в СМО в момент времени , то в этот момент модельного времени надо процесс моделирования останавливать и производить новую реализацию процесса моделирования при тех же начальных условиях, но с другими независимыми реализациями участвующих в этом процессе случайных величин. Новые реализации процесса моделирования (прогоны модели) надо производить до тех пор, пока колебания оценки среднего числа заявок в СМО в момент времени станут незначительными.
