Файл: Конспект лекций Для студентов специальности 080801. 65 - приклад.doc

Пример 4.23

Пусть среднее значение интервалов поступления Т в пуассоновском потоке требований равно 2 ч, а единица времени в модели равна 1 мин, тогда поступление заявок моделируется блоком:

GENERATE 120,FN$XPDIS

Если необходимо моделировать задержку, распределенную по экспоненциальному закону со средним значением времени 345, то для этого используется блок:

ADVANCE 345,FN$XPDIS

Свойство ординарности пуассоновского потока гласит: вероятность поступления двух или более заявок в течение малого временного интервала равна нулю.

Пусть пуассоновский поток моделируется блоком

GENERATE 5,FN$XPDIS

Если в результате обращения к функции XPDIS полученное зна­чение меньше, чем 1/5, то целая часть произведения числа 5 и значе­ния функции XPDIS равна нулю. Отсюда следует нарушение свойст­ва ординарности. Во избежание этого рекомендуется, чтобы операнд А в блоке GENERATE был больше 50. Это легко достигается путем варьирования значения единицы модельного времени.

Моделирование гипер- и гипоэкспоненциального распреде­лений. Экспоненциальную функцию распределения можно использо­вать также для моделирования гипер- и гипоэкспоненциального рас­пределений.

Неэкспоненциальное распределение с коэффициентом вариа­ции С^* > 1 можно получить с помощью взвешенной суммы экспонент - гиперэкспоненциального распределения:

^*Коэффициент вариации С - это отношение стандартного отклонения к математическому ожиданию случайной величины.

Если μ_i =μ для всех i, то С = 1 - имеем экспоненциальное рас­пределение.

Гиперэкспоненциальное распределение можно получить при параллельном соединении k (рис. 4.6) экспоненциальных обслужи­вающих устройств с интенсивностью обслуживания μ_i и вероятно­стью ω_i использования для обслуживания (i = 1,k). Причем в произ­вольный момент времени может быть занято не более одного устрой­ства из k. Такое распределение хорошо описывает распределение времени работы центрального процессора компьютера.

HYP FVARIABLE (410+(RN2 ‘L' 234)(#(1334 - 410)))#FN$XPDIS

Эту переменную можно использовать в блоке задержки так:

ADVANCE VSHYP

Гипоэкспоненциолъное распределение с коэффициентом ва­риации С<1 описывается таким образом:

При равенстве всех коэффициентов μ распределение времени пребывания в обслуживающем центре (на рис. 4.7 обведен пунктир­ной линией) будет k-распределением Эрланга:

Гипоэкспоненциальное распределение характерно, например, для времени обслуживания устройств ввода-вывода. Его можно по­лучить последовательным соединением обслуживающих экспонен­циальных устройств, причем в любой момент времени должно быть занято не более одного устройства (рис. 4.7).

Моделирование эрланговского потока. Экспоненциальное распределение не всегда адекватно описывает время обслуживания и поступления требований в систему. Более реалистичным является распределение Эрланга. В то же время, это распределение является частным случаем гамма-распределения, которое описано ниже. Для потока Эрланга k-го порядка с интенсивностью λ математическое ожидание и дисперсия определяются так: E[x]=1/kλ, d[x]=1/kλ². Для моделирования распределения Эрланга может также использоваться экспоненциальная функция распределения. Как было показано в гла­ве 1, для этого достаточно просуммировать k случайных экспоненци­ально распределенных величин. С ростом k распределение Эрланга будет приближаться к нормальному распределению. Например, поток Эрланга второго порядка со средним значением времени поступления 180 можно задать таким образом:

GENERATE ,„1

SDFG ADVANCE 90,FN$EXPDIS

ADVANCE 90,FN$EXPDIS

SPLIT 1,SDFG

TERMINATE 1

В нулевой момент времени в модель вводится транзакт. Этот транзакт в каждом их двух последующих блоков ADVANCE задер­живается на экспоненциально распределенный промежуток времени. Блок SPLIT (подробнее см. в параграфе 4.19) создает копию транзакта и направляет ее на блок с меткой SDFG, исходный транзакт посту­пает в модель и т.д.

Пример 4.24

Для того, чтобы исследовать свойства распределения Эрланга можно воспользоваться следующей моделью:

EXPDIS FUNCTION RN1,C24

0,0/.100,.104/.200,.222/.300,.355/.400,.509

.500,.690/.600,.915/.700,1.200/.750,1.380

.800,1.600/.840,1.830/.880,2.120/.900,2.300

.920,2.520/.940,2.810/.950,2.990/.960,3.200

.970,3.500/.980,3.900/.990,4.600/.995,5.300

.998,6.200/.999,7/1,8

ТР TABLE X2,l,20,50

GENERATE ,„1 SDFG ADVANCE 100,FN$EXPDIS

ADVANCE 100,FN$EXPDIS

ADVANCE 100,FN$EXPDIS

SPLIT 1,SDFG

SAVEVALUE 2,C1

SAVEVALUE 2-,Xl

SAVEVALUE 1,C1

TABULATE TP

TERMINATE 1

Оператор TABLE, блоки SPLIT, SAVEVALUE и TABULATE использованы для сбора статистики об интервалах прихода транзактов в модель (об их назначении см. в параграфах 4.17, 4.19 и 4.21).

Построенная в результате моделирования гистограмма (при ис­пользовании оператора START 100000000) приведена на рис. 4.8. Читателю предлагается исследовать распределение Эрланга при раз­личных значениях k, путем изменения количества блоков ADVANCE в приведенной программе.

Моделирование нормального закона распределения. Функ­ция стандартного нормального закона распределения с параметрами m = 0, а = 1 задается в GPSS 24 отрезками следующим образом:

NOR FUNCTION RN1,C2S

0,-5/.00003,-4/.00135,-3/.00621,-2.5/.02275,-2

.06681,-1.5/.11507,-1.2/.15866,-1/.2П86,-.8/.27425,-.6

.34458,-.4/.42074,-.2/.5,0/.57926,.2/.65542,.4

.72575,.6/.78814,.8/.84134,1/.88493,1.2/.93319,1.5

.97725,2/.99379,2.5/.99865,3/.99997,4/1,5

Для того, чтобы получить функцию нормального распределения случайной величины X с математическим ожиданием т_х ≠0 и сред­неквадратичным отклонением σ_х ≠ 1, необходимо произвести вычис­ления по формуле

где Z - случайная величина со стандартной нормальной функцией распределения. Например, если случайная величина X имеет пара­метры m_x=60 и σ_x=10, то в GPSS эта случайная величина моделирует­ся так:

NOR1 FVARIABLE 60+10#FN$NOR

Если необходимо осуществить задержку по этому закону рас­пределения, то используется блок

ADVANCE VSNOR1

При использовании функции нормального распределения для блоков GENERATE и ADVANCE необходимо обеспечить неотрицательность значений интервалов поступ­ления и задержки. Это можно сделать, если m_x≥5 σ_х.

Моделирование других законов распределения. Все другие виды функций распределения случайных величин в GPSS/PC необхо­димо задавать табличным способом для конкретных значений пара­метров этих функций. Для этого можно использовать специальные программы, которые позволяют числовым способом вычислять необ­ходимое значение числа отрезков аппроксимации этих функций, как это сделано, например, в системе ИСИМ [5]. Пример меню такой программы представлен на рис. 4.9.

GAMMA FUNCTION RN1,C26

0,0/0.24217,0.29471/0.33719,0. 89451/0.40669,0.88412

0.46254,1.17882/0.50946,1.47353/0.5499,1.76824/0.58536,2.06294

0.64503,2.65235/0.69351,3.24176/0.73373,3.83118/0.76758,4.42059

0.79637,5.01/0.83207,5.89412/0.86078,6.77824/0.88409,7.66235

0.90874,8.84118/0.9278,10.02/0.94583,11.49353/0.96139,13.26176

0.97381,15.32471/0.98307,17.68235/0.99062,20.92412/0.99575,25.34471

0.99878,32.41765/0.99992,48.33176/1,50.1

Моделирование вероятностных функций распределения в GPSS World. В GPSS World в библиотеку процедур включено 24 ве­роятностных распределений. При вызове вероятностного распределе­ния требуется определить аргумент Stream (может быть выражени­ем), который определяет номер генератора случайных чисел. При мо­делировании генераторы случайных чисел создаются по мере необ­ходимости и их явное определение не обязательно. Большинство ве­роятностных распределений имеют некоторые параметры. Аргумен­ты процедур, называемые обычно Locate, Scale и Shape, часто ис­пользуются для этих целей. Аргумент Locate используется после по­строения применяемого распределения и прибавляется к нему. Это позволяет горизонтально перемещать функцию распределения по оси X. Аргумент Scale обычно меняет масштаб функции распределения, а Shape - ее форму.

Встроенная библиотека процедур содержит следующие вероят­ностные распределения:

1) бета (Beta);

2) биномиальное (Binomial);

3) Вейбулла (Weibull);

4) дискретно-равномерное (Discrete Uniform);

5) гамма (Gamma);

6) геометрическое (Geometric);

7) Лапласа (Laplace);

8) логистическое (Logistic);

9) логлапласово (LogLaplace);

10) логлогистическое (LogLogistic);

11) логнормальное (LogNormal);

12) нормальное (Normal);

13) обратное Вейбулла (Inverse Weibull);

14) обратное Гаусса (Inverse Gaussian);

15) отрицательное биномиальное (Negative Binomial);

16) Парето (Pareto);

17) Пирсона типа V (Pearson Type V);

18) Пирсона типа VI (Pearson Type VI);

19) Пуассона (Poisson);

20) равномерное (Uniform);

21) треугольное (Triangular);

22) экспоненциальное (Exponential);

23) экстремального значения A (Extreme Value A);

24) экстремального значения В (Extreme Value В).

В качестве примера покажем, как для генерации потока транзактов можно использовать библиотечную процедуру экспоненциально­го распределения с параметром X = 0,25 и использованием генератора случайных чисел RN1:

GENERATE (Exponential(1,0,(1/0.25)))

Из всех приведенных распределений опишем те, которые наибо­лее часто используются на практике.

Логарифмически нормальное распределение. Логарифмиче­ски нормальное распределение (логнормальное) - это распределение случайной величины, натуральный логарифм которой нормально распределен. Это распределение пригодно для моделирования муль­типликативных процессов так же, как нормальное - для аддитивных.

С помощью центральной предельной теоремы можно показать, что произведение независимых положительных случайных величин стремится к логарифмически нормальной случайной величине.

Логнормальная случайная величина формируется под влиянием большого числа независимых факторов, причем каждый отдельный фактор оказывает равномерно незначительное и равновероятное по знаку влияние. Прирост каждого следующего фактора пропорциона­лен уже достигнутому к этому времени значению исследуемой вели­чины. То есть рассмотренный характер воздействия является мульти­пликативным.

Функция плотности логнормального распределения:

если х > λ, в противном случае -fη (х) = 0.

Если после логарифмирования каждого элемента некоторого на­бора данных этот трансформированный набор данных нормально распределен, то исходные данные логарифмически нормально рас­пределены.