Главная

Популярная публикация

Научная публикация

Случайная публикация

Обратная связь

ТОР 5 статей:

Методические подходы к анализу финансового состояния предприятия

Проблема периодизации русской литературы ХХ века. Краткая характеристика второй половины ХХ века

Ценовые и неценовые факторы

Характеристика шлифовальных кругов и ее маркировка

Служебные части речи. Предлог. Союз. Частицы

КАТЕГОРИИ:






INN FUNCTION RN2,C2




0,2/1,6

Графическая интерпретация непрерывной функции показана на рис. 5.

 

Рис.5

 

Так как максимальное значение, которое может выдать генера­тор случайных чисел, равно 0,999, то фактические значения интерва­лов времени распределены равномерно на интервале [2, 5] и равны, соответственно, одному из значений: 2, 3, 4, 5. Если генератор выдаст число 0,999, функция, которая показана на рис. 5, примет значение 5,996, целая часть которого равна 5 (это и будет значением GPSS-функции INN). В случае, если генератор случайных чисел RN2 вы­даст значение 0,4, GPSS-функция INN примет значение 3 (см, рис. 5).

GPSS-функция INN не может принять значение, рав­ное 6 (несмотря на то, что второй элемент второй пары опе­ратора описания координат функции 0,2/1,6 равен 6).

Точные граничные значения RN2, соответствующие возможным значениям функции INN, представлены в табл. 23.

 

Таблица 23

 

Целая часть значения функции Диапазон значений RN2
2 [0,0 – 0,25]
  (0,25 – 0,50]
  (0,50 – 0,75]
  (0,75 – 0,999]

 

Равномерное распределение [2, 3, 4, 5] не может быть задано непосредственно c помощью операндов А и В блока GENERATE. Здесь имеем четыре возможных значения, то­гда как интервал А ± В (А и В целые) всегда имеет нечетное число элементов.

Пример 20

Часто возникают ситуации, когда в процессе моделирования не­обходимо переходить в различные блоки программы в зависимости от логики работы модели. Стандартные блоки GPSS WORLD такие, как TEST (см. параграф 16) и TRANSFER, не всегда могут решить эту проблему, так как они позволяют распределять транзакты макси­мум по двум направлениям. В случае, когда осуществляется услов­ный переход на одну из нескольких меток (если более двух, то в обычных языках программирования используется оператор CASE OF), необходимо построить переключающую функцию. Для вызова переключающей функции используется блок TRANSFER в режиме безусловного перехода.

Пример переключающей функции:

 

 

Переключающая функция построена на основе дискретной функции c тем отличием, что результатом функции являются метки. В этом примере переход осуществляется к одной из меток в зависи­мости от числа, которое получаем от генератора случайных чисел.

 

Моделирование неравномерных случайных величин. Ис­пользование функций в блоках GENERATE и ADVANCE. Пусть распределение интервалов поступления через определенный блок GENERATE или время задержки в некотором блоке ADVANCE не является равномерным (либо является равномерным c «плавающи­ми во времени», т.е. нефиксированными значениями среднего и половины поля допуска). Для входов транзактов в модель через этот блок GENERATE и для задания закона времени задержки в соответ­ствующем блоке ADVANCE необходимо использовать функции и (или) СЧА. Использование функций, заданных в операндах блоков, зависит от контекста. От значения функции берется целая часть, за исключением тех случаев, когда это значение используется в качестве операнда В блоков GENERATE и ADVANCE или операнда C блока ASSIGN. В табл. 24 показаны различные варианты использования функций и СЧА в качестве операндов А и В блоков GENERATE и ADVANCE. Под результатом понимается значение интервала посту­пления или задержки.

Таблица 24

 

Операнд А Операнд В Результат
α (число или СЧА)   β (число или СЧА) Генерируется случайное число, равномерно распределенное на интервале α ± β. Ре­зультат равен полученному числу
FN$DIS Отсутствует Результат равен значению функции DIS
Отсутству­ет FN$B Данная комбинация недопустима
FN$DIS β (число или СЧА) Вначале вычисляется значение функции DIS. Берется целая часть этого значения (пусть это будет число α), после чего гене­рируется случайное число, равномерно рас­пределенное на интервале α ± β. Результат равен полученному числу
α (число или СЧА) FN$DIS Вначале вычисляется значение функции DIS (пусть это будет число (3), после чего нахо­дится произведение α × β. Результат равен целой части этого произведения
FN$DIS1 FN$DIS2 Вычисляются значение функций DISl и DIS2 (пусть это будет числа α и β), после чего находится произведение α × β. Результат равен целой части этого произведения

Пример 21

К этой функции можно обратиться таким образом:

Пример 22

Пусть в моделируемой системе время обслуживания некоторым устройством распределено равномерно на интервале A ± 2, где сред­нее время обслуживания A c вероятностью 0,4 принимает значение 5, a c вероятностью 0,6 – значение 7. Эту ситуацию можно смоделиро­вать следующим образом.

Определим функцию AVERAGET:

Используемее в блоке ADVANCE:

ADVANCE FN$AVERAGE_T,2

Выполнение подпрограммы блока ADVANCE включает расчет функции AVERAGE_T. Это, в свою очередь, требует обращения к ге­нератору случайных чисел RN1. Пусть генератор выдал значение меньшее, чем 0,4. Тогда соответствующее значение функции AVERAGE_T равно 5. Таким образом, время задержки текущего транзакта в устройстве будет равномерно распределено на интервале 5±2.

Непрерывные случайные переменные, рассматриваемые как дискретные. Как известно, дискретные случайные переменные могут принимать только фиксированное число значений. В противо­положность этому, непрерывные (в классическом смысле этого тер­мина) случайные переменные могут иметь неограниченное число различных значений.

На практике обычно достаточно, чтобы все случайные перемен­ные имели конечное число конкретных значений. Нет необходимости в тщательном определении значений этих случайных переменных, за исключением случаев, когда необходимо делать расчеты c высокой степенью точности. Таким образом, вполне возможна дискретизация непрерывных распределений. После этого они могут быть определе­ны в GPSS c помощью дискретных и непрерывных GPSS-функций (непрерывные GPSS-функции по сути также являются дискретными, поскольку множество их значений дискретно и конечно).

Функции распределения случайных величин. В языке GPSS возможность задания функций распределения случайных величин ог­раничена заданием их в табличном виде путем аппроксимации непре­рывными функциями. Поэтому можно задать только те функции, ко­торые легко преобразовать для новых значений параметров. К таким функциям, например, относится функция экспоненциального распре­деления c параметром λ = 1, А также функция стандартного нормаль­ного распределения c математическим ожиданием т = 0 и стандарт­ным отклонением σ = 1.

Эти ограничения не касаются языка GPSS World, в котором для задания различных вероятностных функций распределения можно использовать библиотечные процедуры, написанные на языке PLUS. Однако использование вероятностных распределений в табличном виде значительно ускоряет процесс моделирования.

Моделирование пуассоновского потока. Рассмотрим таблич­ный способ задания пуассоновского потока заявок. Пуассоновский входящий поток описывается таким образом: вероятность поступле­ния k заявок пуассоновского потока в течение интервала t составляет

где λ – интенсивность потока.

Интервалы времени между соседними заявками пуассоновского потока распределены по экспоненциальному закону. Согласно ме­тоду обратной функции, можно получить ряд чисел, которые имеют экспоненциальное распределение, если ряд случайных чисел R, рав­номерно распределенных на интервале [0,1], преобразовать в соот­ветствии c функцией, обратной к экспоненциальной функции распре­деления:

где tjj -й разыгранный интервал времени поступления; – средний интервал времени поступления; rjj-e число в последова­тельности случайных чисел R c равномерным распределением на ин­тервале [0, 1].

Разработчиками GPSS была осуществлена аппроксимация функции F-1 (x), обратной к экспоненциальной функции распределе­ния c параметром λ = 1. Таким образом, функция F-1 (x) была заме­нена 23 отрезками, которые использовались для преобразования значений RNj в значение – ln(RNj).

Функция XPDIS определяет экспоненциальное распределение c интенсивностью λ = 1:

 

Пуассоновский входящий поток c интенсивностью λ, отличной от единицы, моделируется c помощью блока GENERATE таким об­разом:

1) в качестве операнда А используют среднее значение ин­тервалов времени T= 1/ λ, где λ – интенсивность пуассо­новского потока;

2) в качестве операнда В используют СЧА – значение функции XPDIS, операторы определения и описания которой приведены выше.

 

Пример 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 no 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 c коэффициентом вариа­ции* C > 1 можно получить c помощью взвешенной суммы экспонент – гиперэкспоненциального распределения:

* Коэффициент вариации C – это отношение стандартного отклонения к математическому ожиданию случайной величины.

 

Если μ i = μ для всех i, то C = 1 – имеем экспоненциальное рас­пределение.

Гиперэкспоненциальное распределение можно получить при параллельном соединении k (рис. 6) экспоненциальных обслужи­вающих устройств c интенсивностью обслуживания μi и вероятно­стью ωi использования для обслуживания . Причем в произ­вольный момент времени может быть занято не более одного устрой­ства из k. Такое распределение хорошо описывает распределение времени работы центрального процессора компьютера.

 

 

Рис. 6

 

Для моделирования гиперэкспоненциального распределения со средним значением 6,28 и стандартным отклонением 8,4 необходимо определить переменную

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

Эту переменную можно использовать в блоке задержки так:

ADVANCE V$HYP

Гипоэкспоненциальное распределение c коэффициентом ва­риации C<1 описывается таким образом:

При равенстве всех коэффициентов μ распределение времени пребывания в обслуживающем центре (на рис. 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. 7).

 

 

Рис. 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 c интенсивностью λ математическое ожидание и дисперсия определяются так: . 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. C ростом k распределение Эрланга будет приближаться к нормальному распределению. Например, поток Эрланга второго порядка со средним значением времени поступления 180 можно задать таким образом:

 

 

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 19) создает копию транзакта и направляет ее на блок c меткой SDFG, исходный транзакт посту­пает в модель и т.д.

Пример 24

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

 

Оператор TABLE, блоки SPLIT, SAVEVALUE и TABULATE использованы для сбора статистики об интервалах прихода транзактов в модель (об их назначении см. в параграфах 17, 19 и 21).

Построенная в результате моделирования гистограмма (при ис­пользовании оператора START 100000000) приведена на рис. 8. Читателю предлагается исследовать распределение Эрланга при различных значениях k, путем изменения количества блоков ADVANCE в приведенной программе.

 

Рис. 8

 

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

 

Для того, чтобы получить функцию нормального распределения случайной величины Х c математическим ожиданием тх 0 и сред­неквадратичным отклонением σх ≠ 1, необходимо произвести вычис­ления по формуле

где Z – случайная величина со стандартной нормальной функцией распределения. Например, если случайная величина Х имеет пара­метры mx = 60 и σx = 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 V$NOR1

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

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. 9.

 

Рис. 9

 

Описание функции гамма-распределения для параметров (рис. 9):

 

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);

З) Вейбулла(Weibula);

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 А);

24) экстремального значения В (Extreme Value В).

 

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

GENERATE (Exponential(l,0,(l/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.

C 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. To есть рассмотренный характер воздействия является мульти­пликативным.

Функция плотности логнормального распределения:

если Х > λ, в противном случае – f η (x) = 0.

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

Это распределение используется при моделировании экономи­ческих, информационных, физических и биологических систем. Оно хорошо моделирует процессы в случае, когда значение наблюдаемой переменной является случайной долей от значения предыдущего на­блюдения.

Примерами использования этого распределения могут быть:

1) размеры и вес частиц, образуемых при дроблении;

2) доход семьи;

3) зарплата работников;

4) долговечность изделия, работающего в режиме износа и ста­рения;

5) размер банковского вклада;

6) длины слов в языке;

7) длины передаваемых сообщений.

Например, когда неизвестно распределение длины передавае­мых сообщений, размера файлов или длины запроса к базе данных, то c большой вероятностью можно предположить логнормальное распределение для этих величин.

Математическое ожидание и дисперсия логнормально распреде­ленной случайной величины таковы:

где параметр σ задает среднеквадратическое отклонение, μ – матема­тическое ожидание из нормального распределения, λ – величину сдвига для определения местоположения распределения.

Для вызова логнормального распределения используется биб­лиотечная процедура






Не нашли, что искали? Воспользуйтесь поиском:

vikidalka.ru - 2015-2024 год. Все права принадлежат их авторам! Нарушение авторских прав | Нарушение персональных данных