Аналитическое исследование систем массового обслуживания (СМО) является подходом, альтернативным имитационному моделированию, и состоит в получении формул для расчета выходных параметров СМО с последующей подстановкой значений аргументов в эти формулы в каждом отдельном эксперименте.
В моделях СМО рассматривают следующие объекты:
1) заявки на обслуживание (транзакты);
2) обслуживающие аппараты (ОА), или приборы.
Практическая задача теории массового обслуживания связана с исследованием операций этими объектами и состоит из отдельных элементов, на которые влияют случайные факторы.
В качестве примера задач, рассматриваемых в теории массового обслуживания, можно привести: согласование пропускной способности источника сообщения с каналом передачи данных, анализ оптимального потока городского транспорта, расчет емкости зала ожидания для пассажиров в аэропорту и пр.
Заявка может находиться либо в состоянии обслуживания, либо в состоянии ожидания обслуживания.
Обслуживающий прибор может быть либо занят обслуживанием, либо свободен.
Состояние СМО характеризуется совокупностью состояний обслуживающих приборов и заявок. Смена состояний в СМО называется – событие.
Модели СМО используются для исследования процессов происходящие в системе, при подаче на входы потоков заявок. Эти процессы представляют собой последовательность событий.
Важнейшие выходные параметры СМО
Производительность
Пропускная способность
Вероятность отказа в обслуживании
Среднее время обслуживания;
Коэффициент загрузки оборудования (ОА).
Заявками могут быть заказы на производство изделий, задачи, решаемые в вычислительной системе, клиенты в банках, грузы, поступающие на транспортировку и др. Очевидно, что параметры заявок, поступающих в систему, являются случайными величинами и при исследовании или проектировании могут быть известны лишь их законы распределения.
В связи с этим анализ функционирования на системном уровне, как правило, носит статистический характер. В качестве математического аппарата моделирования удобно принять теорию массового обслуживания, а в качестве моделей систем на этом уровне использовать системы массового обслуживания.
Простейшие модели СМО
В простейшем случае СМО представляет собой некоторое устройство, называемое обслуживающим аппаратом (ОА), с очередями заявок на входах.
М о д е л ьо б с л у ж и в а н и я с о т к а з а м и (рис.5.1)
Рис. 5.1. Модель СМО с отказами:
0 – источник заявок;
1 – обслуживающий прибор;
а – входной поток заявок на обслуживание;
в – выходной поток обслуженных заявок;
с – выходной поток необслуженных заявок.
В этой модели отсутствует накопитель заявок на входе ОА. Если заявка приходит от источника 0 в момент времени, когда ОА занят обслуживанием предыдущей заявки, то вновь пришедшая заявка выходит из системы (так как ей отказано в обслуживании) и теряется (поток с ).
М о д е л ь о б с л у ж и в а н и я с о ж и д а н и е м (рис. 5.2)
Рис. 5.2. Модель СМО с ожиданием
(N– 1) – количество заявок, которое может поместиться в накопителе
В этой модели имеется накопитель заявок на входе ОА. Если заявка приходит от источника 0 в момент времени, когда ОА занят обслуживанием предыдущей заявки, то вновь пришедшая заявка попадает в накопитель, где неограниченно долго ожидает, пока освободится ОА.
М о д е л ь о б с л у ж и в а н и я с о г р а н и ч е н н ы м в р е м е н е м
о ж и д а н и я (рис. 5.3)
Рис. 5.4. Многоканальная модель СМО с отказами:
n – количество одинаковых обслуживающих аппаратов (приборов)
В этой модели имеется не один ОА, а несколько. Заявки, если это специально не оговорено, могут поступать к любому свободному от обслуживания ОА. Накопителя нет, поэтому данная модель включает свойства модели, показанной на рис. 5.1: отказ в обслуживании заявки означает ее безвозвратную потерю (это происходит только в том случае, если в момент прихода этой заявки все ОА заняты).
в р е м е н е м о ж и д а н и я (рис. 5.5)
Рис. 5.6. Многоканальная модельСМО с ожиданием и восстановлением ОА:
e – обслуживающие аппараты, вышедшие из строя;
f – восстановленные обслуживающие аппараты
Данная модель обладает свойствами моделей, представленных на рис. 5.2 и 5.4, а кроме того свойствами, позволяющими учитывать возможные случайные отказы ОА, которые в этом случае поступают в ремонтный блок 2, где пребывают в течение случайных промежутков времени, затрачиваемых на их восстановление, а затем вновь возвращаются в обслуживающий блок 1.
М н о г о к а н а л ь н а я м о д е л ь СМО с о г р а н и ч е н н ы м
в р е м е н е м о ж и д а н и я и в о с с т а н о в л е н и е м ОА (рис. 5.7)
 |
Рис. 5.7. Многоканальная модель СМО с ограниченным временем ожидания и восстановлением ОА
Данная модель является довольно сложной, поскольку одновременно учитывает свойства двух не самых простых моделей (рис. 5.5 и 5.6).
Курсовая работа
«Имитационное моделирование системы массового обслуживания»
по курсу «Исследование операций»
Введение
При исследовании операций часто приходится сталкиваться с системами, предназначенными для многоразового использования при решении однотипных задач. Возникающие при этом процессы получили название процессов обслуживания, а системы – систем массового обслуживания (СМО). Каждая СМО состоит из определенного числа обслуживающих единиц (приборов, устройств, пунктов, станций), которые называются каналами обслуживания. Каналами могут быть линии связи, рабочие точки, вычислительные машины, продавцы и др. По числу каналов СМО подразделяют на одноканальные и многоканальные.
Заявки поступают в СМО обычно не регулярно, а случайно, образуя так называемый случайный поток заявок (требований). Обслуживание заявок также продолжается какое-то случайное время. Случайный характер потока заявок и времени обслуживания приводит к тому, что СМО оказывается загруженной неравномерно: в какие-то периоды времени скапливается очень большое количество заявок (они либо становятся в очередь, либо покидают СМО не обслуженными), в другие же периоды СМО работает с недогрузкой или простаивает.
Предметом теории массового обслуживания является построение математических моделей, связывающих заданные условия работы СМО (число каналов, их производительность, характер потока заявок и т.п.) с показателями эффективности СМО, описывающими ее способность справляться с потоком заявок. В качестве показателей эффективности СМО используются:
– Абсолютная пропускная способность системы (А
Q
– вероятность отказа обслуживания заявки ();
k );
– среднее число заявок в очереди ();
СМО делят на 2 основных типа: СМО с отказами и СМО с ожиданием (очередью). В СМО с отказами заявка, поступившая в момент, когда все каналы заняты, получает отказ, покидает СМО и в дальнейшем процессе обслуживания не участвует (например, заявка на телефонный разговор в момент, когда все каналы заняты, получает отказ и покидает СМО не обслуженной). В СМО с ожиданием заявка, пришедшая в момент, когда все каналы заняты, не уходит, а становится в очередь на обслуживание.
Одним из методов расчета показателей эффективности СМО является метод имитационного моделирования. Практическое использование компьютерного имитационного моделирования предполагает построение соответствующей математической модели, учитывающей факторы неопределенности, динамические характеристики и весь комплекс взаимосвязей между элементами изучаемой системы. Имитационное моделирование работы системы начинается с некоторого конкретного начального состояния. Вследствие реализации различных событий случайного характера, модель системы переходит в последующие моменты времени в другие свои возможные состояния. Этот эволюционный процесс продолжается до конечного момента планового периода, т.е. до конечного момента моделирования.
1. Основные характеристики CМОи показатели их эффективности
1.1 Понятие марковского случайного процесса
Пусть имеется некоторая система, которая с течением времени изменяет свое состояние случайным образом. В этом случае говорят, что в системе протекает случайный процесс.
Процесс называется процессом с дискретными состояниями, если его состояния можно заранее перечислить и переход системы из одного состояния в другое происходит скачком. Процесс называется процессом с непрерывным временем, если переходы системы из состояния в состояние происходят мгновенно.
Процесс работы СМО – это случайный процесс с дискретными состояниями и непрерывным временем.
Случайный процесс называют марковским или случайным процессом без последействия, если для любого момента времени вероятностные характеристики процесса в будущем зависят только от его состояния в данный момент и не зависят от того, когда и как система пришла в это состояние.
При анализе процессов работы СМО удобно пользоваться геометрической схемой – графом состояний . Обычно состояния системы изображаются прямоугольниками, а возможные переходы из состояния в состояние – стрелками. Пример графа состояний приведен на рис. 1.
Поток событий – последовательность однородных событий, следующих одно за другим в случайные моменты времени.
Поток характеризуется интенсивностью λ – частотой появления событий или средним числом событий, поступающих в СМО в единицу времени.
Поток событий называется регулярным, если события следуют одно за другим через определенные равные промежутки времени.
Поток событий называется стационарным, если его вероятностные характеристики не зависят от времени. В частности, интенсивность стационарного потока есть величина постоянная: .
Поток событий называется ординарным, если вероятность попадания на малый участок времени двух и более событий мала по сравнению с вероятностью попадания одного события, т.е., если события появляются в нем поодиночке, а не группами.
Поток событий называется потоком без последействия, если для любых двух непересекающихся участков времени и число событий, попадающих на одно из них, не зависит от числа событий, попадающих на другие.
Поток событий называется простейшим (или стационарным пуассоновским), если он одновременно стационарен, ординарен и не имеет последействия.
1.2 Уравнения Колмогорова
Все переходы в системе из состояния в состояние происходят под некоторым потоком событий. Пусть система находится в некотором состоянии , из которого возможен переход в состояние , тогда можно считать, что на систему воздействует простейший поток с интенсивностью , переводящий ее из состояния в . Как только появляется первое событие потока, происходит ее переход . Для наглядности на графе состояний у каждой стрелки, соответствующей переходу, указывается интенсивность . Такой размеченный граф состояний позволяет построить математическую модель процесса, т.е. найти вероятности всех состояний как функции времени. Для них составляются дифференциальные уравнения, называемые уравнениями Колмогорова.
Правило составлений уравнений Колмогорова: В левой части каждого из уравнений стоит производная по времени от вероятности данного состояния. В правой части стоит сумма произведений всех состояний, из которых возможен переход в данное состояние, на интенсивности соответствующих потоков событий минус суммарная интенсивность всех потоков, выводящих систему из данного состояния, умноженная на вероятность данного состояния.
Например, для графа состояний, приведенного на рис. 1, уравнения Колмогорова имеют вид:
Т.к. в правой части системы каждое слагаемое входит 1 раз со знаком и 1 раз со знаком , то, складывая все уравнений, получим, что
,
,
Следовательно, одно из уравнений системы можно отбросить и заменить уравнением (1.2.1).
Чтобы получить конкретное решение надо знать начальные условия, т.е. значения вероятностей в начальный момент времени.
1.3 Финальные вероятности и граф состояний СМО
При достаточно большом времени протекания процессов в системе (при ) могут устанавливаться вероятности состояний, не зависящие от времени, которые называются финальными вероятностями, т.е. в системе устанавливается стационарный режим. Если число состояний системы конечно, и из каждого из них за конечное число шагов м. перейти в любое другое состояние, то финальные вероятности существуют, т.е.
Смысл финальных вероятностей состоит в том, что они равны среднему относительному времени нахождения системы в данном состоянии.
Т.к. в стационарном состоянии производные по времени равны нулю, то уравнения для финальных вероятностей получаются из уравнений Колмогорова путем приравнивания нулю их правых частей.
Графы состояний, используемые в моделях систем массового обслуживания, называются схемой гибели и размножения. Такое название обусловлено тем, что эта схема используется в биологических задачах, связанных с изучением численности популяции. Его особенность состоит в том, что все состояния системы можно представить в виде цепочки, в которой каждое из состояний связано с предыдущим и последующим (рис 2).
Рис. 2. Граф состояний в моделях СМО
Предположим, что все потоки, переводящие систему из одного состояния в другое, простейшие. По графу, представленному на рис. 2, составим уравнения для финальных вероятностей системы. Они имеют вид:
 |
Получается система из ( n +1) уравнения, которая решается методом исключения. Этот метод заключается в том, что последовательно все вероятности системы выражаются через вероятность .
,
.
Подставляя эти выражения в последнее уравнение системы, находим , затем находим остальные вероятности состояний СМО.
1.4 Показатели эффективности СМО
Цель моделирования СМО состоит в том, чтобы рассчитать показатели эффективности системы через ее характеристики. В качестве показателей эффективности СМО используются:
– абсолютная пропускная способность системы (А ), т.е. среднее число заявок, обслуживаемых в единицу времени;
– относительная пропускная способность (Q ), т.е. средняя доля поступивших заявок, обслуживаемых системой;
– вероятность отказа (), т.е. вероятность того, что заявка покинет СМО не обслуженной;
– среднее число занятых каналов (k );
– среднее число заявок в СМО ();
– среднее время пребывания заявки в системе ();
– среднее число заявок в очереди () – длина очереди;
– среднее число заявок в системе ();
– среднее время пребывания заявки в очереди ();
– среднее время пребывания заявки в системе ()
– степень загрузки канала (), т.е. вероятность того, что канал занят;
– среднее число заявок, обслуживаемых в единицу времени;
– среднее время ожидания обслуживания;
– вероятность того, что число заявок в очереди превысит определенное значение и т.п.
Доказано, что при любом характере потока заявок, при любом распределении времени обслуживания, при любой дисциплине обслуживания, среднее время пребывания заявки в системе (очереди) равна среднему числу заявок в системе (очереди), деленному на интенсивность потока заявок, т.е.
(1.4.1)
Формулы (1.4.1) и (1.4.2) называются формулами Литтла. Они вытекают из того, что в предельном стационарном режиме среднее число заявок, прибывающих в систему, равно среднему числу заявок, покидающих ее, т.е. оба потока заявок имеют одну и ту же интенсивность .
Формулы для вычисления показателей эффективности приведены в таб. 1.
Таблица 1.
| Показатели | Одноканальная СМО с ограниченной очередью |
Многоканальная СМО с ограниченной очередью |
Финальные вероятности |
|
|
Вероятность |
 |
 |
Абсолютная пропускная способность |
 |
|
Относительная пропускная способность |
 |
|
Среднее число заявок в |
 |
 |
Среднее число заявок под обслуживанием |
 |
|
| Среднее число заявок в системе |  |
1.5 Основные понятия имитационного моделирования
Основная цель имитационного моделирования заключается в воспроизведении поведения изучаемой системы на основе анализа наиболее существенных взаимосвязей ее элементов.
Компьютерное имитационное моделирование следует рассматривать как статический эксперимент.
Из теории функций случайных величин известно, что для моделирования случайной величины с любой непрерывной и монотонно возрастающей функцией распределения достаточно уметь моделировать случайную величину , равномерно распределенную на отрезке . Получив реализацию случайной величины , можно найти соответствующую ей реализацию случайной величины , так как они связаны равенством
Предположим, что в некоторой системе массового обслуживания время обслуживания одной заявки распределено по экспоненциальному закону с параметром , где – интенсивность потока обслуживания. Тогда функция распределения времени обслуживания имеет вид
Пусть - реализация случайной величины , равномерно распределенной на отрезке , а – соответствующая ей реализация случайного времени обслуживания одной заявки. Тогда, согласно (1.5.1)
1.6 Построение имитационных моделей
Первый этап создания любой имитационной модели – этап описания реально существующей системы в терминах характеристик основных событий. Эти события, как правило, связаны с переходами изучаемой системы из одного возможного состояния в другое и обозначаются как точки на временной оси. Для достижения основной цели моделирования достаточно наблюдать систему в моменты реализации основных событий.
Рассмотрим пример одноканальной системы массового обслуживания. Целью имитационного моделирования подобной системы является определение оценок ее основных характеристик, таких, как среднее время пребывания заявки в очереди, средняя длина очереди и доля времени простоя системы.
Характеристики самого процесса массового обслуживания могут изменять свои значения либо в момент поступления новой заявки на обслуживание, либо при завершении обслуживания очередной заявки. К обслуживанию очередной заявки СМО может приступить немедленно (канал обслуживания свободен), но не исключена необходимость ожидания, когда заявке придется занять место в очереди (СМО с очередью, канал обслуживания занят). После завершения обслуживания очередной заявки СМО может сразу приступить к обслуживанию следующей заявки, если она есть, но может и простаивать, если таковая отсутствует. Необходимую информацию можно получить, наблюдая различные ситуации, возникающие при реализациях основных событий. Так, при поступлении заявки в СМО с очередью при занятом канале обслуживания длина очереди увеличивается на 1. Аналогично длина очереди уменьшается на 1, если завершено обслуживание очередной заявки и множество заявок в очереди не пусто.
Для эксплуатации любой имитационной модели необходимо выбрать единицу времени. В зависимости от природы моделируемой системы такой единицей может быть микросекунда, час, год и т.д.
Так как по своей сути компьютерное имитационное моделирование представляет собой вычислительный эксперимент, то его наблюдаемые результаты в совокупности должны обладать свойствами реализации случайной выборки. Лишь в этом случае будет обеспечена корректная статистическая интерпретация моделируемой системы.
При компьютерном имитационном моделировании основной интерес представляют наблюдения, полученные после достижения изучаемой системой стационарного режима функционирования, так как в этом случае резко уменьшается выборочная дисперсия.
Время, необходимое для достижения системой стационарного режима функционирования, определяется значениями ее параметров и начальным состоянием.
Поскольку основной целью является получение данных наблюдений с возможно меньшей ошибкой, то для достижения этой цели можно:
1) увеличить длительность времени имитационного моделирования процесса функционирования изучаемой системы. В этом случае не только увеличивается вероятность достижения системой стационарного режима функционирования, но и возрастает число используемых псевдослучайных чисел, что также положительно влияет на качество получаемых результатов.
2) при фиксированной длительности времени Т имитационного моделирования провести N вычислительных экспериментов, называемых еще прогонами модели, с различными наборами псевдослучайных чисел, каждый из которых дает одно наблюдение. Все прогоны начинаются при одном и том же начальном состоянии моделируемой системы, но с использованием различных наборов псевдослучайных чисел. Преимуществом этого метода является независимость получаемых наблюдений , показателей эффективности системы. Если число N модели достаточно велико, то границы симметричного доверительного интервала для параметра определяются следующим образом:
, 
, т.е. 
, где
Исправленная дисперсия, 
,
N – число прогонов программы, – надежность, .
2. Аналитическое моделирование СМО
2.1 Граф состояний системы и уравнения Колмогорова
Рассмотрим двухканальную систему массового обслуживания (n = 2) с ограниченной очередью равной шести (m = 4). В СМО поступает простейший поток заявок со средней интенсивностью λ = 4,8 и показательным законом распределения времени между поступлением заявок. Поток обслуживаемых в системе заявок является простейшим со средней интенсивностью μ = 2 и показательным законом распределения временем обслуживания.
Данная система имеет 7 состояний, обозначим их:
S 0 – система свободная, нет заявок;
S 1 – 1 заявка на обслуживании, очередь пуста;
S 2 – 2 заявки на обслуживании, очередь пуста;
S 3 – 2 заявки на обслуживании, 1 заявка в очереди;
S 4 – 2 заявки на обслуживании, 2 заявки в очереди;
S 5 – 2 заявки на обслуживании, 3 заявки в очереди;
S 6 – 2 заявки на обслуживании, 4 заявки в очереди;
Вероятности прихода системы в состояния S 0 , S 1 , S 2 , …, S 6 соответственно равны Р 0 , Р 1 , Р 2 , …, Р 6 .
Граф состояний системы массового обслуживания представляет собой схему гибели и размножения. Все состояния системы можно представить в виде цепочки, в которой каждое из состояний связано с предыдущим и последующим.
Рис. 3. Граф состояний двухканальной СМО
Для построенного графа запишем уравнения Колмогорова:
Чтобы решить данную систему зададим начальные условия:
Систему уравнений Колмогорова (систему дифференциальных уравнений) решим численным методом Эйлера с помощью программного пакета Maple 11 (см. Приложение 1).
Метод Эйлера
где
- в нашем случае, это правые части уравнений Колмогорова, n=6.
Выберем шаг по времени . Предположим , где Т
– это время, за которое система выходит на стационарный режим. Отсюда получаем число шагов 
. Последовательно N
раз вычисляя по формуле (1) получим зависимости вероятностей состояний системы от времени, приведенной на рис. 4.
Значения вероятностей СМО при равны:
Рис. 4. Зависимости вероятностей состояний системы от времени
|
|
|
|
|
|
При достаточно большом времени протекания процессов в системе () могут устанавливаться вероятности состояний, не зависящие от времени, которые называются финальными вероятностями, т.е. в системе устанавливается стационарный режим. Если число состояний системы конечно, и из каждого из них за конечное число шагов можно перейти в любое другое состояние, то финальные вероятности существуют, т.е. 
Т.к. в стационарном состоянии производные по времени равны 0, то уравнения для финальных вероятностей получаются из уравнений Колмогорова путем приравнивания правых частей 0. Запишем уравнения для финальных вероятностей для нашей СМО.
Решим данную систему линейных уравнений с помощью программного пакета Maple 11 (см. Приложение 1).
Получим финальные вероятности системы:
Сравнение вероятностей, полученных из системы уравнений Колмогорова при , с финальными вероятностями показывает, что ошибки 
равны:
Т.е. достаточно малы. Это подтверждает правильность полученных результатов.
2.3 Расчет показатели эффективности системы по финальным вероятностям
Найдем показатели эффективности системы массового обслуживания.
Сначала вычислим приведенную интенсивность потока заявок:
1) Вероятность отказав обслуживании заявки, т.е. вероятность того, что заявка покидает систему не обслуженной.В нашем случае заявке отказывается в обслуживании, если все 2 канала заняты, и очередь максимально заполнена (т.е. 4 человек в очереди), это соответствует состоянию системы S 6 . Т.к. вероятность прихода системы в состояние S 6 равна Р 6 , то
4) Средняя длина очереди, т.е. среднее число заявок в очереди, равна сумме произведений числа заявок в очереди на вероятность соответствующего состояния.
5) Среднее время пребывания заявки в очередиопределяется формулой Литтла:
3. Имитационное моделирование СМО
3.1 Алгоритм метода имитационного моделирования СМО (пошаговый подход)
Рассмотрим двухканальную систему массового обслуживания (n = 2) с максимальной длиной очереди равной шести (m = 4). В СМО поступает простейший поток заявок со средней интенсивностью λ = 4,8 и показательным законом распределения времени между поступлением заявок. Поток обслуживаемых в системе заявок является простейшим со средней интенсивностью μ = 2 и показательным законом распределения временем обслуживания.
Для имитации СМО воспользуемся одним из методов статистического моделирования – имитационным моделированием. Будем использовать пошаговый подход. Суть этого подхода в том, что состояния системы рассматриваются в последующие моменты времени, шаг между которыми является достаточно малым, чтобы за его время произошло не более одного события.
Выберем шаг по времени (). Он должен быть много меньше среднего времени поступления заявки () и среднего времени ее обслуживания (), т.е.
Где (3.1.1)
Исходя из условия (3.1.1) определим шаг по времени .
Время поступления заявки в СМО и время ее обслуживания являются случайными величинами. Поэтому, при имитационном моделировании СМО их вычисление производится с помощью случайных чисел.
Рассмотрим поступление заявки в СМО. Вероятность того, что на интервале в СМО поступит заявка, равна: 
. Сгенерируем случайное число , и, если 
, то будем считать, что заявка на данном шаге в систему поступила, если 
, то не поступила.
В программе это осуществляет isRequested () . Интервал времени примем постоянным и равным 0,0001, тогда отношение будет равно 10000. Если заявка поступила, то она принимает значение «истина», в противном случае значение «ложь».
bool isRequested()
double r = R. NextDouble();
if (r < (timeStep * lambda))
Рассмотрим теперь обслуживание заявки в СМО. Время обслуживания заявки в системе определяется выражением 
, где – случайное число. В программе время обслуживания определяется с помощью функции GetServiceTime
()
.
double GetServiceTime()
double r = R. NextDouble();
return (-1/mu*Math. Log (1-r, Math.E));
Алгоритм метода имитационного моделирования можно сформулировать следующим образом. Время работы СМО (Т ) разбивается на шаги по времени dt , на каждом из них выполняется ряд действий. Вначале определяются состояния системы (занятость каналов, длина очереди), затем, с помощью функции isRequested () , определяется, поступила ли на данном шаге заявка или нет.
Если поступила, и, при этом имеются свободные каналы, то с помощью функции GetServiceTime () генерируем время обработки заявки и ставим ее на обслуживание. Если все каналы заняты, а длина очереди меньше 4, то помещаем заявку в очередь, если же длина очереди равна 4, то заявке будет отказано в обслуживании.
В случае, когда на данном шаге заявка не поступала, а канал обслуживания освободился, проверяем, есть ли очередь. Если есть, то из очереди заявку ставим на обслуживание в свободный канал. После проделанных операций время обслуживания для занятых каналов уменьшаем на величину шага dt .
По истечении времени Т , т.е., после моделирования работы СМО, вычисляются показатели эффективности работы системы и результаты выводятся на экран.
3.2 Блок-схема программы
Блок-схема программы, реализующей описанный алгоритм, приведена на рис. 5.
Рис. 5. Блок-схема программы
Распишем некоторые блоки более подробно.
Блок 1. Задание начальных значений параметров.
Random R; // Генератор случайных чисел
public uint maxQueueLength; // Максимальная длина очереди
public uint channelCount; // Число каналов в системе
public double lambda; // Интенсивность потока поступления заявок
public double mu; // Интенсивность потока обслуживания заявок
public double timeStep; // Шагповремени
public double timeOfFinishProcessingReq; // Время окончания обслуживания заявки во всех каналах
public double timeInQueue; // Время пребывания СМО в состояниях с очередью
public double processingTime; // Времяработысистемы
public double totalProcessingTime; // Суммарноевремяобслуживаниязаявок
public uint requestEntryCount; // Числопоступившихзаявок
public uint declinedRequestCount; // Числоотказанныхзаявок
public uint acceptedRequestCount; // Числообслуженныхзаявок
uint queueLength; // Длина очереди //
Тип, описывающий состояния СМО
enum SysCondition {S0, S1, S2, S3, S4, S5, S6};
SysCondition currentSystemCondition; // Текущее состояние системы
Задание состояний системы. Выделим у данной 2-х канальной системы 7 различных состояний: S 0 , S 1 . S 6 . СМО находится в состоянии S 0 , когда система свободна; S 1 – хотя бы один канал свободен; в состоянии S 2 , когда все каналы заняты, и есть место в очереди; в состоянии S 6 – все каналы заняты, и очередь достигла максимальной длины (queueLength = 4).
Определяем текущее состояние системы с помощью функции GetCondition()
SysCondition GetCondition()
SysCondition p_currentCondit = SysCondition.S0;
int busyChannelCount = 0;
for (int i = 0; i < channelCount; i++)
if (timeOfFinishProcessingReq[i] > 0)
busyChannelCount++;
p_currentCondit += k * (i + 1);
if (busyChannelCount > 1)
{p_currentCondit ++;}
return p_currentCondit + (int) QueueLength;
Изменение времени пребывания СМО в состояниях с длиной очереди 1, 2,3,4. Это реализуется следующим программным кодом:
if (queueLength > 0)
timeInQueue += timeStep;
if (queueLength > 1)
{timeInQueue += timeStep;}
Присутствует такая операция, как помещение заявки на обслуживание в свободный канал. Просматриваются, начиная с первого, все каналы, когда выполняется условие timeOfFinishProcessingReq [ i ] <= 0 (канал свободен), в него подается заявка, т.е. генерируется время окончания обслуживания заявки.
for (int i = 0; i < channelCount; i++)
if (timeOfFinishProcessingReq [i] <= 0)
timeOfFinishProcessingReq [i] = GetServiceTime();
totalProcessingTime+= timeOfFinishProcessingReq [i];
Обслуживаниезаявоквканалахмоделируетсякодом:
for (int i = 0; i < channelCount; i++)
if (timeOfFinishProcessingReq [i] > 0)
timeOfFinishProcessingReq [i] -= timeStep;
Алгоритм метода имитационного моделирования реализован на языке программирования C#.
3.3 Расчет показателей эффективности СМО на основе результатов ее имитационного моделирования
Наиболее важными являются такие показатели, как:
1) Вероятность отказа в обслуживании заявки, т.е. вероятность того, что заявка покидает систему не обслуженной.В нашем случае заявке отказывается в обслуживании, если все 2 канала заняты, и очередь максимально заполнена (т.е. 4 человек в очереди). Для нахождения вероятности отказа разделим время пребывания СМО в состоянии с очередью 4 на общее время работы системы.
2) Относительная пропускная способность – это средняя доля поступивших заявок, обслуживаемых системой.
3) Абсолютная пропускная способность– это среднее число заявок, обслуживаемых в единицу времени.
4) Длина очереди, т.е. среднее число заявок в очереди. Длина очереди равна сумме произведений числа человек в очереди на вероятность соответствующего состояния. Вероятности состояний найдем как отношение времени нахождения СМО в этом состоянии к общему времени работы системы.
5) Среднее время пребывания заявки в очереди определяется формулой Литтла
6) Среднее число занятых каналовопределяется следующим образом:
7) Процент заявок, которым было отказано в обслуживании, находится по формуле
8) Процент обслуженных заявок находится по формуле
3.4 Статистическая обработка результатов и их сравнение с результатами аналитического моделирования
Т.к. показатели эффективности получаются в результате моделирования СМО в течение конечного времени, они содержат случайную компоненту. Поэтому, для получения более надежных результатов нужно провести их статистическую обработку. С этой целью оценим доверительный интервал для них по результатам 20 прогонов программы.
Величина попадает в доверительный интервал, если выполняется неравенство
, где
математическое ожидание (среднее значение), находится по формуле
Исправленная дисперсия,
,
N =20 – число прогонов,
– надежность. При и N =20 .
Результат работы программы представлен на рис. 6.
Рис. 6. Вид программы
Для удобства сравнения результатов, полученных различными методами моделирования, представим их в виде таблицы.
Таблица 2.
Показатели эффективности СМО |
Результаты аналитического моделирования |
Результаты имитационного моделирования (послед. шаг) |
Результаты имитационного моделирования | |
Нижняя граница доверительного интервала |
Верхняя граница доверительного интервала |
|||
| Вероятность отказа | 0,174698253017626 | 0,158495148639101 |
0,246483801571923 | |
| Относительная пропускная способность | 0,825301746982374 | 0,753516198428077 | 0,841504851360899 | |
| Абсолютная пропускная способность | 3,96144838551539 | 3,61687775245477 | 4,03922328653232 | |
| Средняя длина очереди | 1,68655313447018 | 1,62655862750852 | 2,10148609204869 | |
| Среднее время пребывания заявки в очереди | 0,4242558575 | 0,351365236347954 | 0,338866380730942 | 0,437809602510145 |
| Среднее число занятых каналов | 1,9807241927577 | 1,80843887622738 | 2,01961164326616 | |
Из табл. 2 видно, что результаты, полученные при аналитическом моделировании СМО, попадают в доверительный интервал, полученный по результатам имитационного моделирования. Т.е., результаты, полученные разными методами, согласуются.
Заключение
В данной работе рассмотрены основные методы моделирования СМО и расчета показателей их эффективности.
Проведено моделирование двухканальной СМО с максимальной длиной очереди равной 4 с помощью уравнений Колмогорова, а также, найдены финальные вероятности состояний системы. Рассчитаны показатели ее эффективности.
Проведено имитационное моделирование работы такой СМО. На языке программирования C# составлена программа, имитирующая ее работу. Проведена серия расчетов, по результатам которых найдены значения показателей эффективности системы и выполнена их статистическая обработка.
Полученные при имитационном моделировании результаты согласуются с результатами аналитического моделирования.
Литература
1. Вентцель Е.С. Исследование операций. – М.: Дрофа, 2004. – 208 с.
2. Волков И.К., Загоруйко Е.А. Исследование операций. – М.: Изд.-во МГТУ им. Н.Э. Баумана, 2002. – 435 с.
3. Волков И.К., Зуев С.М., Цветкова Г.М. Случайные процессы. – М.: Изд.-во МГТУ им. Н.Э. Баумана, 2000. – 447 с.
4. Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике. – М.: Высшая школа, 1979. – 400 с.
5. Ивницкий В.Л. Теория сетей массового обслуживания. – М.: Физматлит, 2004. – 772 с.
6. Исследование операций в экономике/ под ред. Н.Ш. Кремера. – М.: Юнити, 2004. – 407 с.
7. Таха Х.А. Введение в исследование операций. – М.: ИД «Вильямс», 2005. – 902 с.
8. Харин Ю.С., Малюгин В.И., Кирлица В.П. и др. Основы имитационного и статистического моделирования. – Минск: Дизайн ПРО, 1997. – 288 с.
Squeak: Моделирование систем массового обслуживания
- Программирование ,
- ООП ,
- Параллельное программирование
На Хабре крайне мало информации о таком языке программирования как Squeak . Я попытаюсь рассказать о нем в контексте моделирования систем массового обслуживания . Покажу как написать простой класс, расскажу его структуру и использую его в программе, которая будет обслуживать заявки посредством нескольких каналов.
Пару слов о Squeak
Squeak это открытая, кросс-платформенная реализация языка программирования Smalltalk-80 c динамической типизацией и сборщиком мусора. Интерфейс довольно специфический, но вполне удобный для отладки и анализа. Squeak полностью отвечает концепции ООП. Все состоит из объектов, даже конструкции if-then-else, for, while реализованы с их помощью. Весь синтаксис сводится к посылке объекту сообщения в виде:<объект> <сообщение>Любой метод всегда возвращает объект и ему можно направить новое сообщение.
Squeak часто используется для моделирования процессов, но может использоваться и как средство для создания мультимедийных приложений и разнообразных образовательных платформ.
Системы массового обслуживания
Системы массового обслуживания (СМО) содержат один или несколько каналов которые обрабатывают заявки, поступающие от нескольких источников. Время на обслуживание каждой заявки может быть фиксированным или произвольным, как и интервалы между их поступлением. Это может быть телефонная станция, прачечная, кассиры в магазине, машинописное бюро и пр. Выглядит это примерно так:
СМО включает несколько источников которые поступают в общую очередь и направляются на обслуживание по мере освобождения каналов обработки. В зависимости от конкретных особенностей реальных систем модель может содержать различное число источников заявок и каналов обслуживания и иметь различные ограничения на длину очереди и связанную с ней возможность потери заявок (отказов).
При моделировании СМО обычно решаются задачи оценки средней и максимальной длины очереди, частоты отказов в обслуживании, средней загрузки каналов, определение их числа. В зависимости от задачи, в модель включаются программные блоки сбора, накопления и обработки необходимых статистических данных о поведении процессов. Наиболее часто используемыми моделями потоков событий при анализе СМО являются регулярные и пуассоновские. Регулярные характеризуются одинаковым временем между наступлениями событий, а пуассоновские - случайным.
Немного математики
Для пуассоновского потока число событий X , попадающих в интервал длины τ (тау), примыкающий к точке t , распределено по закону Пуассона:где a (t, τ) - среднее число событий, наступающих на интервале времени τ .
Среднее число событий, наступающих в единицу времени, равно λ(t) . Следовательно, среднее число событий на интервале времени τ , примыкающему к моменту времени t , будет равно:
Время T между двумя событиями при λ(t) = const = λ распределено по закону:
Плотность распределения случайной величины T имеет вид:
Для получения псевдослучайных пуассоновских последовательностей интервалов времени t i решают уравнение:
где r i - равномерно распределенное на интервале случайное число.
В нашем случае это дает выражение:
По генерации случайных чисел можно писать целые тома. Здесь же, для генерации равномерно распределенных на интервале целых чисел используем следующий алгоритм:
где R i - очередное случайное целое число;
Р - некоторое большое простое число (например 2311);
Q - целое число - верхняя граница интервала, например, 2 21 = 2097152;
rem - операция получения остатка от деления целых чисел.
Начальное значение R 0
обычно задают произвольно, например, используя показания таймера:
Time totalSeconds
Для получения равномерно распределенных на интервале чисел воспользуемся оператором языка:
Класс Rand
Для получения равномерно распределенных на интервале случайных чисел создаем класс - генератор вещественных чисел:Float variableWordSubclass: #Rand "имя класса"
instanceVariableNames: "" "переменные экземпляра"
classVariableNames: "R" "переменные класса"
poolDictionaries: "" "общие словари"
category: "Sample" "имя категории"
Методы:
"Инициализация"
init
R:= Time totalSeconds.next
"Следующее псевдослучайное число"
next
R:= (R * 2311 + 1) rem: 2097152.
^(R/2097152) asFloat
Для установки начального состояния датчика посылаем сообщение Rand init
.
Для получения очередного случайного числа посылаем Rand next
.
Программа обработки заявок
Итак, в качестве простенького примера сделаем следующее. Пусть нам необходимо промоделировать обслуживание регулярного потока заявок от одного источника со случайным интервалом времени между заявками. Имеется два канала различной производительности, позволяющих обслуживать заявки за 2 и 7 единиц времени соответственно. Необходимо зарегистрировать число заявок, обслуженных каждым каналом на интервале 100 единиц времени.Код на Squeak
"Объявление временных переменных"
| proc1 proc2 t1 t2 s1 s2 sysPriority queue continue r |
"Начальные установки переменных"
Rand init.
SysTime:= 0.
s1:= 0.
s2:= 0.
t1:= -1.
t2:= -1.
continue:= true.
sysPriority:= Processor activeProcess priority. "Текущий приоритет"
queue:= Semaphore new. "Модель очереди заявок"
"Создание процесса - модели канала 1"
(Process forContext:
[ proc1:= Processor activeProcess.
whileTrue: "Цикл обслуживания"
[ queue wait. "Ждать заявку"
t1:= SysTime + 2. "Следующее время активизации"
s1:= s1 + 1.
proc1 suspend. "Приостановить процесс в ожидании окончания обслуживания"
].
proc1:= nil. "Удалить ссылку на процесс 1"
] priority: (sysPriority + 1)) resume. "Новый приоритет больше фонового"
"Создание процесса - модели канала 2"
(Process forContext:
[ proc2:= Processor activeProcess..
whileTrue:
[ queue wait.
t2:= SysTime + 7.
s2:= s2 + 1.
proc2 suspend.
].
proc2:= nil.
] priority: (sysPriority + 1)) resume.
"Продолжение описания главного процесса и модели источника"
whileTrue:
[ r:= (Rand next * 10) rounded.
(r = 0) ifTrue: .
((SysTime rem: r) = 0) ifTrue: . "Послать заявку"
"Коммутатор процессов обслуживания"
(t1 = SysTime) ifTrue:
.
(t2 = SysTime) ifTrue:
.
SysTime:= SysTime + 1. "Тикает модельное время"
].
"Показать состояние счетчика заявок"
PopUpMenu inform: "proc1: ",(s1 printString),", proc2: ",(s2 printString).
continue:= false.
При запуске видим, что процесс 1 успел обработать 31 заявку, а процесс 2 только 11:
Во многих областях экономики, финансов, производства и быта важную роль играют системы, реализующие многократное выполнение однотипных задач. Такие системы называются системами массового обслуживания (СМО). Примерами СМО являются: банки различных типов, страховые организации, налоговые инспекции, аудиторские службы, различные системы связи, погрузочно-разгрузочные комплексы, автозаправочные станции, различные предприятия и организации сферы обслуживания.
3.1.1 Общие сведения о системах массового обслуживания
Каждая СМО предназначена для обслуживания (выполнения) некоторого потока заявок (требований), поступающих на вход системы большей частью не регулярно, а в случайные моменты времени. Обслуживание заявок также длится не постоянное, заранее известное время, а случайное, которое зависит от многих случайных, порой неизвестных нам, причин. После обслуживания заявки канал освобождается и готов к приёму следующей заявки. Случайный характер потока заявок и времени их обслуживания приводит к неравномерной загруженности СМО. В некоторые промежутки времени на входе СМО могут скапливаться заявки, что приводит к перегрузке СМО, в некоторые же другие интервалы времени при свободных каналах (устройствах обслуживания) на входе СМО заявок не будет, что приводит к недогрузке СМО, т.е. к простаиванию её каналов. Заявки, скапливающиеся на входе СМО, либо «становятся» в очередь, либо по какой-то причине невозможности дальнейшего пребывания в очереди покидают СМО необслуженными.
На рис 3.1 изображена схема СМО.
Основными элементами (признаками) систем массового обслуживания являются:
Обслуживающий узел (блок),
Поток заявок,
Очередь в ожидании обслуживания (дисциплина очереди).
Обслуживающий блок предназначен для осуществления действий согласно требованиям поступающих в систему заявок.
Рис. 3.1 Схема системы массового обслуживания
Вторая составляющая систем массового обслуживания - входной поток заявок. Заявки поступают в систему случайным образом. Обычно предполагают, что входной поток подчиняется некоторому вероятностному закону для длительности интервалов между двумя последовательно поступающими заявками, причем закон распределения считается не изменяющимся в течение некоторого достаточно продолжительного времени. Источник заявок - неограничен.
Третья составляющая - дисциплина очереди . Эта характеристика описывает порядок обслуживания заявок, поступающих на вход системы. Поскольку обслуживающий блок, как правило, имеет ограниченную пропускную способность, а заявки поступают нерегулярно, то периодически создается очередь заявок в ожидании обслуживания, а иногда обслуживающая система простаивает в ожидании заявок.
Главная особенность процессов массового обслуживания – случайность. При этом имеются две взаимодействующие стороны: обслуживаемая и обслуживающая. Случайное поведение хотя бы одной из сторон приводит к случайному характеру протекания процесса обслуживания в целом. Источниками случайности взаимодействия этих двух сторон являются случайные события двух типов.
1. Появление заявки (требования) на обслуживание. Причиной случайности данного события часто является массовый характер потребности в обслуживании.
2. Окончание обслуживания очередной заявки. Причинами случайности этого события является как случайность начала обслуживания, так и случайная продолжительность самого обслуживания.
Указанные случайные события составляют систему двух потоков в СМО: входного потока заявок на обслуживание и выходного потока обслуженных заявок.
Результатом взаимодействия указанных потоков случайных событий является число находящихся в СМО заявок в данный момент, которое принято называть состоянием системы.
Каждая СМО в зависимости от своих параметров характера потока заявок, числа каналов обслуживания и их производительности, от правил организации работы, обладает определенной эффективностью функционирования (пропускной способностью), позволяющей ей успешно справляться с потоком заявок.
Специальная область прикладной математики теория массового обслуживания (ТМО) – занимается анализом процессов в системах массового обслуживания. Предметом изучения теории массового обслуживания является СМО.
Цель теории массового обслуживания выработка рекомендаций по рациональному построению СМО, рациональной организации их работы и регулированию потока заявок для обеспечения высокой эффективности функционирования СМО. Для достижения этой цели ставятся задачи теории массового обслуживания, состоящие в установлении зависимостей эффективности функционирования СМО от её организации.
Задачи теории массового обслуживания носят оптимизационный характер и в конечном счете направлены на определение такого варианта системы, при котором будет обеспечен минимум суммарных затрат от ожидания обслуживания, потерь времени и ресурсов на обслуживание и от простоя обслуживающего блока. Знание таких характеристик дает менеджеру информацию для выработки направленного воздействия на эти характеристики для управления эффективностью процессов массового обслуживания.
В качестве характеристик эффективности функционирования СМО обычно выбираются три следующие основные группы (обычно средних) показателей:
Показатели эффективности использования СМО:
Абсолютная пропускная способность СМО - среднее число заявок, которое сможет обслужить СМО в единицу времени.
Относительная пропускная способность СМО - отношение среднего числа заявок, обслуживаемых СМО в единицу времени, к среднему числу заявок поступивших за это же время.
Средняя продолжительность периода занятости СМО.
Коэффициент использования СМО - средняя доля времени, в течении которого СМО занята обслуживанием заявок, и т.п.
Показатели качества обслуживания заявок:
Среднее время ожидания заявки в очереди.
Среднее время пребывания заявки в СМО.
Вероятность отказа заявке в обслуживании без ожидания.
Вероятность того, что поступившая заявка немедленно будет принята к обслуживанию.
Закон распределения времени пребывания заявки в очереди.
Закон распределения времени пребывания заявки в СМО.
Среднее число заявок, пребывающих в очереди.
Среднее число заявок, находящихся в СМО, и т.п.
Показатели эффективности функционирования пары «СМО − потребитель», где под «потребителем» понимают всю совокупность заявок или некий их
Четвериков С. Ю. , Попов М.А.
Россия, Институт экономики и предпринимательства (г. Москва)
Теория систем массового обслуживания представляет собой прикладную математическую дисциплину, исследующую числовые характеристики явлений, протекающих в экономике. К ним можно отнести функционирование телефонного узла, центров бытового обслуживания, кассовых аппаратов в супермаркете и т.д.
Математическими моделями таких объектов служат системы массового обслуживания (СМО), описываемые следующим образом: в систему поступают требования (заявки на обслуживание), каждое из которых обслуживается некоторое время и затем покидает систему. Однако в силу ограничений на ресурсы (число обслуживающих кассовых аппаратов, скорости обслуживания и т.п.) система способна обслуживать одновременно только определенное число требований. Математические модели в этом случае призваны решать задачи вычисления числовых показателей качества функционирования СМО.
При построении моделей СМО принципиально выделяют две системы: детерминированную и стохастическую, которые собственно определяют тип математической модели.
Рассмотрим простейшую детерминированную систему, состоящую из п одинаковых приборов, в которую требования поступают через детерминированные (постоянные) промежутки времени, а время, обслуживания каждого требования также постоянно. Очевидно, что если требования поступают через промежутки
а время обслуживания каждого требования павно
то необходимое и достаточное условие нормального функционирования системы заключается в выполнении неравенства
В противном случае с течением времени требования будут накапливаться в системе.
Параметры X и ц имеют простой физический смысл:
X - среднее число поступающих за единицу времени требований или интенсивность входящего потока;
ц - среднее число требований, которое способен обслужить за единицу времени каждый прибор, или интенсивность обслуживания требований одним прибором;
/7ц - среднее число требований, которое способны обслужить п приборов, или интенсивность обслуживания требовании всей системой.
Таким образом, условие (1) означает, что интенсивность входящего потока не должна превышать интенсивности обслуживания требований всей системой. Рассмотрим величину
Так называемую загрузку системы.
Тогда неравенство (1) можно переписать в виде:
В этом случае загрузку можно интерпретировать как среднюю долю времени, в течение которого приборы заняты обслуживанием требований, а величину 1 - р - как среднюю долю времени, в течение которого приборы простаивают.
Наконец, еще одно замечание к функционированию системы с детерминированными характеристиками:
если в начальный момент времени система свободна и выполнено условие (2), то каждое поступающее в систему требование сразу же становится на обслуживающий прибор;
в случае р
наконец, если р > 1, то за единицу времени очередь в среднем увеличивается на Мр-1).
В реальных системах массового обслуживания существенную роль играют элементы случайности:
во-первых, времена между поступлениями требований не являются детерминированными;
во-вторых, не являются детерминированными времена обслуживания требований.
Кроме того, элементы случайности могут появляться из-за других причин, например, отказов элементов систем массового обслуживания.
Оказывается, элементы случайности существенно влияют на качество функционировании систем обслуживания. Так, если загрузка р = 1, то, в отличие от детерминированных систем, в стохастических системах очередь с течением времени в среднем стремится к бесконечности. Очереди в стохастических системах образуются даже в случае р
Рассмотрим формализованное описание СМО. Основными параметрами СМО являются:
входящий поток требований;
структура системы;
временные характеристики обслуживания требований;
дисциплина обслуживания.
Рассмотрим эти параметры.
Входящий поток характеризуется случайными моментами поступления требований в простую систему, а для сложных систем - и типами поступающих в эти моменты требований.
При задании случайного потока обычно предполагается, что входящий поток является рекуррентным и, наиболее часто пуассоновским.
Сделаем несколько замечаний о корректности описания поступающих в реальные системы потоков требований пуассоновским и рекуррентным. Очевидно, что уже свойство отсутствия последействия в реальных системах выполняется крайне редко, поскольку у обладающего таким свойством потока за любой сколь угодно малый промежуток времени может поступить сколь угодно большое число требований с отличной от нуля (хотя и чрезвычайно малой) вероятностью. Однако практика показывает, что описание входящего потока пуассоновским в большинстве случаев с достаточной степенью точности правомерно. Дополнительным математическим подтверждением этого факта служит теорема Хинчина, которая говорит, что объединение большого числа "редких" потоков при весьма слабых ограничениях дает пуассоновский поток.
Второе свойство пуассоновского потока - стационарность - также не выдергивает критики. В самом деле, интенсивность входящего потока, как правило, зависит от времени суток, года и т.п. Если сохранить свойства отсутствия последействия и ординарности, то получается нестационарный пуассоновский поток. В ряде случаев удается разработать математические модели расчета экономических систем с таким входящим потоком, однако получаемые при этом формулы очень громоздки и трудны для практического применения. По этой причине в расчетах ограничиваются некоторым временным интервалом, на котором интенсивность входящего потока мало меняется.
Если отказаться только от свойства ординарности, то получается неординарный пуассоновский поток, у которого моменты поступления требований образуют обычный пуассоновский поток, но в каждый такой момент приходит случайное число требований. Большинство результатов, справедливых для систем с пуассоновским потоком, практически без изменений переносится на системы с неординарным пуассоновским потоком.
Для задания структуры СМО необходимо перечислить все элементы, имеющиеся в системе, и указать, требования каких типов или даже на каких фазах обслуживания может обслуживать каждый элемент. При этом отдельный элемент может обслуживать требования нескольких типов и, наоборот, требования одного типа могут обслуживаться на нескольких элемента. В дальнейшем будем предполагать, что в СМО имеется один или несколько одинаковых элементов и каждое требование может обслуживаться на любом из них. Системы такого типа называются однолинейными (один элемент) или многолинейными (несколько элементов).
В системах обслуживания могут быть элементы для ожидания требованиями начала обслуживания. Если таких элементов бесконечно много, то говорят о системах с ожиданием, если их число конечно - о системах с конечным числом мест ожидания, если же они вообще отсутствуют (требование, заставшее в момент поступления в систему все элементы занятыми, теряется; пример - обычные телефонные системы) - о системах с потерями.
Временные характеристики обслуживания требований также представляют собой сложный объект для формализованного описания. Обычно предполагается, что времена обслуживания всех требований независимые между собой и являются одинаково распределенными случайными величинами. Если в СМО поступают требования нескольких типов, распределение времени обслуживания может зависеть от типа требования.
Дисциплина обслуживания заключается в правиле постановки требований в очередь и порядке выбора их из очереди на обслуживание, распределении элементов между требованиями, а в многофазных системах - и между фазами обслуживания. Будем предполагать, что в системе реализована простейшая дисциплина - обслуживание требование в порядке поступления (FIFO). В многолинейных системах образуется общая очередь ко всем элементам, и находящийся первый в очереди требование поступает на любой освободившийся элемент.
Тем не менее, в СМО используются и более сложные дисциплины обслуживания. Простейшими примерами таких дисциплин являются инверсионный (обратный) порядок обслуживания (LIFO), при котором обслуживается требование, поступившее в систему последним.
Дисциплина равномерного разделения элементов системы, при которой каждое из п находящихся в системе требований обслуживается с одинаковой скоростью 1/п. Иногда в момент поступления требования в систему становится известно время его обслуживания (работа, которую предстоит совершить). Тогда можно использовать дисциплины, зависящие от остаточных времен обслуживания требований. В частности, дисциплина обслуживания первым требования с минимальным остаточным временем обслуживания позволяет получить минимальную длину очереди в любой момент времени. Применение сложных дисциплин обслуживания очень часто позволяет без каких- либо дополнительных затрат существенно улучшить качество функционирования СМО.
Особый класс СМО представляют собой приоритетные системы, в которые поступают потоки требований нескольких приоритетов, и требования более высоких приоритетов имеют преимущество перед требованиями более низких приоритетов, т.е. обслуживаются раньше. Приоритеты могут быть относительными, когда требования более высокого приоритета не прерывают обслуживания находящихся на элементах требований более низких приоритетов, и абсолютные, когда такое прерывание происходит.
В случае абсолютных приоритетов также возможны различные модификации: недообслуженные требования с прерванным обслуживанием покидают системы (системы с выбыванием), продолжают обслуживаться после того, как все требования более высоких приоритетов покинут систему (системы с дообслуживанием), обслуживаются заново.
К дисциплинам обслуживания следует отнести и такие факторы, как подготовительный этап перед началом обслуживания очередного требования или после того, как в свободную систему поступило требование, этап переключения элемента на обслуживание требований другого типа, обслуживание требований ненадежными элементами системы и т.п. Наконец, может быть ограничено время пребывания требования в системе или время ожидания начала обслуживания.
Опишем теперь те характеристики СМО, которые представляют интерес для пользователя. Иногда на практике их называют вероятностно-временными характеристиками. Наиболее важными из них являются длина очереди (т.е. число ожидающих начала обслуживания требований) и время ожидания начала обслуживания требования. Поскольку и длина очереди, и время ожидания начала обслуживания - случайные величины, то, естественно, они описываются своими распределениями. Кроме того, распределения длины очереди и времени ожидания зависят от текущего момента времени.
В системах с потерями или конечным числом мест ожидания к важнейшим характеристикам относится также вероятность потери требования. Иногда наряду с длиной очереди рассматривают общее число требований в системе, а наряду с временем ожидания начала обслуживания - время пребывания требования в системе.
В системах с потерями или конечным числом мест ожидания, а также в системах с ожиданием и загрузкой р
Нахождению стационарных характеристик посвящено большинство работ по теории массового обслуживания, хотя и нестационарные характеристики исследованы достаточно подробно.
Литература
- 1. Гнеденко Б.В. Курс теории вероятностей. М.: Физматгиз, 1961.
- 2. Феллер В. Введение в теорию вероятностей и ее приложения.T.I. М.: Мир,
- 1984.
- 3. Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. М.: Наука, 1966.
- 4. Саати Т.Л. Элементы теории массового обслуживания и ее приложения. М.: Сов. радио, 1965.
