Академический Документы
Профессиональный Документы
Культура Документы
Сети Петри и Марковские процессы
Сети Петри и Марковские процессы
Архангельск
ИПЦ САФУ
2012
УДК [512.64+519.21](075.8)
ББК 22.143+22.171.5я73
В751
Воробьёв, В.А.
В751 Теория систем и системный анализ. Стохастические системы:
учебное пособие / В.А. Воробьёв, Ю.В. Березовская; Сев. (Арктич.)
федер. ун-т им. М.В. Ломоносова. - Архангельск: ИПЦ САФУ,
2012. - 147 с.
ISBN 978-5-261-00616-Я
Большая часть пособия посвящена рассмотрению стохастических
систем, точнее эргодических динамических моделей: автономный ве
роятностный автомат, поток случайных событий, система массового
обслуживания, сложные линейные и нелинейные системы. Для ана
лиза таких систем используются методы теории автоматов, теории ве
роятностей, теории случайных процессов. Особенно выделяются мар
ковские процессы, уравнения Колмогорова - Чепмена. Рассмотрены
элементы теории массового обслуживания и различные виды систем
массового обслуживания. Введены каузальные сети (К-сети) для моде
лирования сложных систем из взаимодействующих элементов.
Для студентов прикладных математических и экономических
специальностей вузов.
УДК [512.64+519.21](075.8)
ББК 22.143+22.171.5я73
Предисловие 4
Условные обозначения 6
Глава 1. Элементы общей теории систем
1.1. Система и системный анализ 10
1.2. Алгебраические модели систем 18
1.3. Динамические модели систем 25
Задачи к главе 1 31
Глава 2. Марковские системы
2.1. Марковские модели систем 32
2.2. Асинхронные марковские модели 39
2.3. Элементы теории массового обслуживания 49
Задачи к главе 2 60
Глава 3. Сложные системы '
3.1. Сложные системы и синергетика 63
3.2. Сети Петри : 65
3.3. Каузальная сеть (К-сеть) 91
3.4. Динамические модели популяций 92
3.5. Метод компьютерного моделирования популяций 105
3.6. Моделирование простых популяций 115
Задачи к главе 3 143
Библиографический список 146
ПРЕДИСЛОВИЕ
общем виде;
5ф - функциональная модель системы S, в которой система
представляется «черным ящиком» с известными функциями от
кликов на воздействия;
S - структурная модель системы S - «белый ящик»;
c
нента У;
Z - множество (вектор) внутренних переменных - состояний,
где Zj е Z;
F - вектор-функция выхода,^- е F - компонента вектор-функ
ции выхода, где y,{t) =fj[X(t), Z(f)];
G - вектор-функция переходов, g, G G - компонента вектор-
функции переходов, где z,{f) = g,-[Z(0), Х(т)], т е [0, t];
Х(т) - траектория входа за период времени г - последователь
ность значений, принимаемых вектором X на множестве моментов
системного времени в сегменте г G [0, / ] ;
ZQ = {z (0), z (0),
{ 2 z„(0)} - начальное состояние системы в мо
мент t = 0;
Autom = <А, В, Q, f g, qg> - дискретный автомат Мили;
А, В, Q - конечные алфавиты (наборы символов, букв) входа,
выхода и внутренних состояний;
/ - функция выхода вида b{t) =f[q(t), a(t));
g - функция переходов вида q(t+\) = g(q(t), a(t));
qa - исходное состояние в момент времени t = 0;
a(t), bit), q(t) - буквы из алфавитов А, В, Q, соответственно, в
момент t б Т;
G{Q, V, а : А —>V,ft: В —>V)- граф функционирования дискрет
ного автомата;
Q - множество вершин, соответствующих состояниям автомата;
V - множество дуг, соответствующих переходам автомата со
гласно функции переходов g;
а и р - отображения, помечающие дуги графа соответствующи
ми символами входа и выхода;
G: А х Q —» Q - матрица переходов дискретного автомата, где
= a
Sij g(4j> i) ~ новое состояние автомата;
F: А х Q —> В - матрица выходов дискретного автомата, где
= a
fij АЧ]> i)~ выход автомата;
С, - случайный фактор, переводящий автомат из состояния в со
стояние;
2
if : Q —> Р - функция вероятностей переходов автономного ве
роятностного автомата;
Р - множество вероятностей рц £ [0, 1] переходов (q —* qj) из
t
реходов;
Р= {Р\^2, Р } ~ стохастический вектор, задающий распре
п
О (кружок);
D = {d\, d ,
2 d } - вершины-переходы, изображаются симво
m
лом | (черта);
Е C(Q х D)U(D х Q) - множество дуг;
*dj - множество входных позиций для перехода dj (множество
позиций, из которых есть дуги в переход dj);
dj* - множество выходных позиций перехода df,
Out - функция следования, которая каждой паре (d , qj) ставит в
{
t_ Функция автомата А
'У =п+\
п у=п+\
t= 1,2,3,...-дискретное
время
_£= 0,2,4,6,8,. = n + l
А t—- • I y
jv = 1,3,5,7,... У =77+1
ратор г'-го уровня для элементов г'-го уровня. Если таких элементов
несколько, то можно ввести еще и третье измерение, соответству
ющее разным элементам одного уровня.
Применим эту методику для построения конфигуратора вы
числительной системы. Рассмотрим основные описания си
стемы М, Ф, А, К с точки зрения разных специалистов и на че
тырех уровнях: системном, функциональном, логическом и
физическом. К специалистам, для которых будут предназначены
эти описания относятня: архитектор системы, конструктор, си
стемный аналитик, пользователь, системный программист, си
стемотехник, схемотехник. Соответствующий конфигуратор по
казан в таблице 1.1.
Таблица 1.1
Конфигуратор вычислительной системы (часть) типам описания
Архитектор Конструктор
Системный Пользователь Системный
аналитик программист Системотехник Схемотехнк
Уровень
Математи Функциональ Алгоритми Схема Схема
ческое ное Программное электри
ческое структурная ческая
Виртуальная Система
Системы машина параллельных Система
алгоритмов Структура
массового пользователя, процессов, вычисли Блок-схема
Системный функциони электри
обслуживания, функции структура тельной
потоки, очереди операционной операционной рования ческая
устройств системы
системы системы
Абстрактная Проблемно-
ориентирован Система Алгоритмы Схема Схема
Функциональ машина: МТ, функциони функцио электри
ный МП, РАМ, РАСП ные языки, команд, язык
рования нальная ческая
и т.д. редакторы ассемблера
и т.д. устройства устройства устройства
Абстрактный Сигналы Микро Микро Схемы
Логический конечный и функции команды, операции, Схема
логическая электри
автомат терминала микрокод автоматы ческие
Математическая
модель времени: Физические Электри
Физический дискретное, параметры Временные характеристики Операцион ческие
непрерывное сигналов системы. Синхронизация ный базис устройства
время и реакций и приборы
Примечание: МТ - машина Тьюринга, МП - машина Поста, РАМ - равнодоступная адресная машина.
РАСП - равно-доступная адресная машина с хранимой программой.
Мы видим, что полное описание вычислительной системы
требует привлечения разнообразных дисциплин и специалистов.
Задача усложнится, если мы попробуем описать связи между раз
личными описаниями, например, с целью автоматизации про
ектирования и оптимизации программных решений. Здесь нам
потребуется почти вся современная прикладная математика, за
нимающаяся проблематикой исследования операций и оптимиза
цией.
Задачи анализа и синтеза БИС. В этом пособии мы рассмо
трим только отношения между функционально-алгоритмиче
скими описаниями, схемами и конструкторскими описаниями.
Оказывается, между ними существует возможность формального
перехода на функциональном и логическом уровнях {рис. 1.2).
Схема
Автомат Схема электриче БИС,
логическая ская 4 СБИС
логическая
'F(X)
Схема Схема
логическая логическая
Таким образом,
А хЛ
х 2
х
... х А = {(a a ,
п h 2 ...,а ),сц
п еА а2еА2,
ъ ...,а„еА„}.
Если А\ = А = ... = А„ = А, то декартово произведение этих мно
2
А\ иА . 2
областью значений ф у н к ц и и /
Функция / : А" —» В называется инъективной (инъекцией), если
каждый элемент из ее области значений имеет единственный про
образ, т.е. тДа\, а , o„) =f[b\, b ,
2 b ) следует 2 n
(a h а,
2 a )=(b
n h b,
2 bj.
Функция f: A" —> В называется сюръективной (сюръекцией),
если ее область значений совпадает со всем множеством В.
Функция / : А" —• В называется биективной (биекцией), если
она является инъективной и сюръективной одновременно.
n
Таким образом, если функция f:A —>B биективна, то каждо
п
му упорядоченному набору множества А отвечает единственный
п
элемент множества В и наоборот. Тогда говорят, что множества А
и В находятся между собой во взаимно однозначном соответствии.
Операция (и-арная) на множестве А - это функция вида
п
у.А ^А.
Таким образом, и-арная операция <р каждому упорядоченному
набору (х\, х , х ) Е А" однозначно сопоставляет элементу Е А.
2 п
В = {t h t, х
2 ь х у ъ ь у } С N.
2
Соединения отображаются равенствами:
*i(0) = 1, * (0) = 0.
2
П р и м е р 1.4. Н а к а п л и в а ю щ и й с у м м а т о р по м о д у л ю 4.
Накапливающий сумматор складывает входное число с тем,
что было накоплено во время предыдущего функционирования.
Результирующую сумму по mod 4 сумматор выдает на выходе и
запоминает в своем состоянии. В этом случае все три алфавита
совпадают:
А =В = Q = {0, 1, 2, 3}.
Матрицы переходов и выходов показаны в таблице 1.2.
Таблица 1.2
Матрицы переходов и выходов сумматора по mod 4
G Q 0 1 2 3 . F Q 0 1 2 3
0 0 1 2 • 3. 0 0 1 2 3
А 1 1 2 3 0> F = 1 1 2 3 0
А
2 2 3 0 1 2 2 3 0 1
3 3 о' 1 2 3 3 0 1 2
Kt) =/[<?(/)].
Очевидно, что
b(t)=f\g[q(t- 1), a(t-l)}} =f*[q{t- l),a(t- 1)],
где f* - суперпозиция ф у н к ц и й / и g.
Мы видим, что выход автомата Мура сдвинут на один такт, т.е.
отстает от выхода автомата Мили на 1 такт, поэтому автомат Мура
иногда называется сдвинутым.
Граф функционирования нашего сумматора показан на рисун
ке 1.4.
В таблице 1.3 представлено функционирование нашего авто
мата из начального состояния 0 при входной последовательности
1,3, 0, 2, 4, 2, 3, 3, ...
В моделях Мили и Мура не конкретизировано, каким образом
происходит отсчет времени. Поспособу отсчета времени дискрет
ные системы делятся на два класса: синхронные и асинхронные.
В синхронных системах есть специальные часы - тактовый гене
ратор, который выдает последовательность тактовых импульсов
стационарной частоты.
Рис. 1.4. Граф функционирования сумматора по mod 4
Таблица 1.3
Функционирование сумматора по mod 4
Такт
Значение
1 2 3 4 5 6 7 8 9
Вход 1 3 0 2 1 2 3 3
Состояние 0 1 0 0 2 3 1 0 3
Выход Мили 1 0 0 2 3 1 0 3
Выход Мура 0 1 0 0 2 3 1 0 3
В примере 1.1 мы его не изобразили, но в функциональной мо
дели описали как входную функцию:
t(t+x) = t(t) + \(mod2).
В асинхронных системах тактового генератора нет, и такты
отсчитываются по событиям на входе в систему. Таким образом,
длительность такта в асинхронных системах произвольна. Можно
считать асинхронный автомат моделью системы с дискретными
состояниями и непрерывным временем.
Линейные модели систем. В непрерывных случаях рассматри
ваются линейные и нелинейные системы. Для линейных моделей
выполняется принцип суперпозиции:
[ x ( 0 =xi(t)+x (i)]
2 -»• \y{i) = ( 0 л +j> (OL
2
Задачи к главе 1
бытием.
2. Если множество А является событием, то его дополнение
(до Q) - тоже событие.
Два события А и В, не имеющие (как два подмножества) общих
элементов, называются несовместными.
Аксиомы вероятностей:
1. Каждому событию А поставлено в соответствие неотрица
тельное числор(А), называемое вероятностью события А.
2. Аксиома счетной аддитивности. Если события А], А , ... по 2
p{A)^2Z (B )p{A/B ).
ie]P l 1
Р\ Р2 Рп
задает распределение случайной величины X. Здесь х\, x ...,х„,... - 2t
Р\ Рг Рп
называется сумма
М(Х) = хур +х -р
] 2 2 + ••• + х„-р +п ...
Таким образом, математическое ожидание дискретной случай
ной величины X равно сумме произведений возможных значений
величины Х н а их вероятности.
Математическое ожидание есть некий центр, вокруг которого
группируются возможные значения случайной величины.
Дисперсией случайной величины X называется число, опреде
ляемое формулой:
2
D{X) = M(X-M(X)f = -М{Х)) р,.
функцию
2
<p:Q ^P
где ру € [0, 1] - вероятности переходов, Q - множество состояний
системы.
Функцию tp легко задать матрицей Q = || рц ||, где рц - вероят
ность перехода из z'-ro состояния в j-e: {q —» qj), i, j e {0, 1,2, ..., n).
t
= П И
Tjj = l ..n Pij 1 Р любом г = const.
35
Полученная модель стохастической
системы есть автономный вероятност Q Ч\ Чг Чз
ный автомат. В отличие от ранее рас Ч\ Рп Р\2 Рп
смотренных автоматов автономный ав
томат не имеет входа, но зато переходит Р21 Р22 Р23
из состояния в состояние без внешнего
воздействия. Такими свойствами облада Рп Р32 Рзз
ют многие реальные системы.
Матрица Q называется стохасти
ческой. Имея ее, мы не можем указать конкретное состояние, в
которое система попадет в следующем такте. Зато мы можем по
пытаться вычислить вероятность P пребывания стохастического
t
Соответственно, —* фин-
Ясно, что по достижении финальной вероятности Р ф система ИН
Q 1 2
1 0,9 0,1 од
2 0,8 0,2 1 2
D 1 2
1 -ОД 0,1 0,8
2 0,8 -0,8
Рис. 2.1. Модель успеваемости студента
37
Выполняя преобразование (2.2) по правилам алгебры матриц
^ / = 1|=1.. (ЛХ Pij),
И
0,1 Л - 0,8 Р = 0,
2
Р\ +?2 =1.
Л =0,8(8),
^2 = 0,1(1).
Метод динамики средних. Здесь мы исследовали всего один
элемент системы, а вывод делаем относительно всего множества
элементов. В теории вероятностей доказывается, что такой пере
нос свойств элемента на весь ансамбль допустим для эргодических
систем.
Вернемся к графу переходов вероятностного автомата, или мар
ковского процесса. Мы приписывали вес, равный вероятности или
интенсивности перехода, каждой дуге графа и этого было доста
точно для написания дифференциальных уравнений динамики
вероятностей Р,- состояний системы. Запишем в каждую вершину
q среднее число элементов TV, = PfN, находящихся в нем. Условие
t
I I I l-'-ll I II I
Рис. 2.2. Случайный поток событий
39
Поток событий характеризуется двумя величинами:
1. Интенсивность X - среднее число событий, приходящихся
на единицу времени. Интенсивность может быть как постоянной:
X, = const, так и функцией от времени: X = X(t). Величина г = УХ на
зывается средним интервалом времени между событиями.
Вероятность P„(f) того, что в интервале времени [0, t] произой
дет п событий. Таким образо'м, число п событий в интервале вре
мени t есть случайная величина п = n(t). В общем случае P„(t) за
висит от времени.
Классификация потоков событий.
1. Поток называется регулярным, если интервалы времени т
между событиями равны друг другу т = const. На практике такие
потоки редко встречаются, и для них существуют специальные
методы анализа.
2. Поток называется стационарным, если его характеристики не
зависят от времени: X = const. Фактическое число события n(t) - слу
чайная величина, но для фиксированных п и t вероятность P (t) = const.
n
А. - вечером, Х
веч ноч - ночью. При этом Х ноч< Ар < Х
аб <Х .
ъеч тк
b
P {t) = e~ .
Q (2.5)
Итак, вероятность Po(t) того, что в простейшем потоке событие
не произойдет на интервале [0, t] падает от 1 до 0, причем тем бы
стрее, чем больше интенсивность потока.
Гораздо сложнее и интереснее дело обстоит с вероятностью
P {t). В теории вероятностей показано, что решением рекуррент
n
Л т < / ) = 1-Л)(/)=1-е-Ч
— P(x<t)=p(t)=Xe~K
dt
Это распределение называется показательным, или экспонен
циальным и показано на рисунке 2.3.
Другие потоки событий. На практике встречаются потоки со
бытий, отличающиеся от простейшего потока. Например, кассир
обслуживает покупателя некоторое случайное время т, распреде
ленное по нормальному закону.
Поток событий называется рекуррентным, или потоком Паль
ма, если он стационарен и ординарен, а интервалы между собы
тиями т i2, хз, ... - независимые случайные величины с одина
ь
и л и
а за время Af состоялся один из переходов: (q\ —> q$), (q —> <7з)
2
(Я4 -* ЯзУ
Заметим, что все эти возможности взаимоисключающие, что
позволяет суммировать их вероятности.
Найдем вероятность первого варианта. Выходной поток из со
стояния <7з есть смешение потоков переходов из q$ в q\ или q$.
Этот поток простейший, а его интенсивность равна сумме интен
сивностей смешиваемых потоков:
РзвьЖ + АО = P (t)[\-
3 (hi + hd А']-
Аналогичное рассуждение справедливо и для входного потока
в состояние q . Итак, по второму варианту развития процесса:
3
P (t+At)
3ex = [ Л Х. + Р Х + Р Х ] Д/. 13 2 23 4 43
Отсюда:
(P (t +At) - P (t))/At = P X
3 3 : U + P hi + Л*43 - РъОчi + ^34)
2
или при At —* О
<#У<# = Pi Я. + Р Х /3 2 2Ъ + ^4 ^43 - Рг (hi + Ы -
Полученное уравнение называется уравнением Колмогорова -
Чепмена для одного состояния (в данном случае q ). 3
£/=i..n hj~ 0.
Это значит, что никуда из множества состояний Q система не
выходит.
Пусть теперь Р - вектор-строка вероятностей состояний,
Р' = dPIdt - вектор-строка производных от вероятностей состоя-
ний. Тогда по правилам алгебры матриц система уравнений Кол
могорова - Чепмена имеет вид:
Р'=Р Л.
Итак,1, ..^)=1-
= 1
Л 1 2 3
1 -1 1 0
2 0 -5 5
3 4 1 -5
но, таковым условием является 5 > 0 или P^S\ - (P2S2 + P3S3) О- >
для q . P + Р = 5Р ;
2 l ъ 2
для qy. 5Р = 5Р .
3 2
Нормировка: Р + Р + Р = 1. г 2 3
2 --•
О ОО О О О с х х х ю :
ОООО О О
Поток очередь Выходной
заявок поток
•- * m
Итак:
Ncm =1/Г х t = X./ХТ х X ) //.
t
Литтла:
-~ X Т . оч
X в стационарном режиме.
Схема гибели-размножения. Мы видели, что для большого
числа состояний система уравнений Колмогорова - Чепмена ста
новится непомерно сложной для анализа. Есть, однако, случаи,
когда решение этой системы можно получить в аналитическом
виде. Такова схема гибели-размножения, граф состояний которой
представлен на рисунке 2.8.
п -1 Wп
А, Иг My М< М „-i М„
Рис. 2.8. Процесс гибели-размножения
Состояния в схеме гибели-размножения можно расположить на
прямой, где каждое соединено с соседями слева и справа. Такой
граф состояний характерен для процессов изменения численности
популяций. Пользуясь этим графом, запишем:
Р\ h = Pi Иг
P 'kj=P j+iHi+i
i
=
Рп-\ Рп Мп-
Кроме того, как всегда, имеет место условие нормировки:
P +Pi+P +...+P =l.
0 2 n
Р = Po^oVOu^)
2 - -
/1-1 -
Я Я Я я я.
1ц км (к+\)М
^к=0- k\fx
Члены этого ряда:
2 к к
Х/ц, Х 1(2р?), ХУ(3\р?),..., Х 1{к\Х )
это коэффициенты при PQ ДЛЯ Р\, Р , 2 -,РЬ
2 2
P I = XP /р, Q Р = \ Р Л?ц ),
2 0 • • • . Рк = /№*) •• •
Интенсивности X и /х входят в формулы для Р только в виде от К
^0 = Е- при п —>оо
k
Pk = PoP lk\ Д = 1..И.
Эти формулы называются формулами Эрланга в честь основа
теля теории массового обслуживания.
Итак, финальные вероятности известны. Найдем искомые вели
чины.
Вероятность отказа Р равна вероятности того, что все кана
о т к
лы заняты:
п п р
Р = Р = PQP 1п\ , а при и—>оо имеем Р
о т к П = р 1 (и! е ). 0ТК
Вероятность обслуживания
п
Л>бс = 1- Лнк =1-РоР 1п\ -+(\-р"/(п\еР)).
Как и следовало ожидать, при п —» оо, Р ^ —* 1. 0 С
р
Приведенные здесь выражения для -Ро> содержащие е , приме
нимы при большом числе каналов обслуживания п >10, что типич
но для телефонии.
Одноканальная СМО с неограниченной очередью.
П о с т а н о в к а з а д а ч и . Эта задача - хорошая модель для си
туации, когда клиент не может покинуть очередь при любой ее
длине: очередь к врачу, к телефону-автомату, билетной кассе и
т.д. Граф состояний такой СМО - та же схема гибели-размноже
ния {рис. 2.10), где X - интенсивность потока заявок, р, - интенсив
ность обслуживания.
я я я
0 W 1 р 1 4 • • •
щ щ
-л
Ч
и и и М И
Рис. 2.10. Одноканальная СМО с неограниченной очередью
Требуется найти:
N - среднее число заявок в системе;
cm
1 = Е?"
к=0
В прямых скобках стоит геометрическая прогрессия, сходяща
яся к при р < 1. "Теперь можно записать:
Л>=1-р
к=\ к=\
dpf^ dp U - p J
d_ l-p+p
dp U - p J i-P (l-p) 2
[i- y
P {\- y
P
единицу времени:
^обсл=ОхР +1хЯ*>о=1-^о=Р<1-
0 •
2
N m = {p/(\-p))-p = p i(\-p).
Теперь по формуле Литтла время пребывания заявки в очереди:
т =р /(Ю-р)).
0Ч
2
Л X
1 *Щ
W
2 - •• - — •
Щ
•• •
2]х kfi lk+l) M
р п+1
^0 = Е-+
Uk\ п\(п-р)
Р
Член получается как в задаче об одноканальноЙ СМО.
«!(« — р)
I1 \—V Рп
х к
н п+ г
Р = Р р " /(п-п\), . . ., P
п+} 0 = Pop '7(п -п\), . . . n+r
^ с и с = Лоч + Р
ОО
Р R +l г
^ = Х > ^ = P" 1{п-п\{\-р/п) )
г=1
т = дг / 1 7 = N IX
П р и м е р 2.3. Р е о р г а н и з а ц и я С М О . В своей известной
книге «Исследование операций» Елена Сергеевна Вентцель при-
вела пример с неквалифицированной реорганизацией работы же
лезнодорожной кассы. Пример настолько удачный в методическом
отношении, что воспроизводится здесь без изменений.
На железнодорожном вокзале есть две кассы для продажи би
летов. В обеих кассах билеты продают в двух направлениях А и
В. Интенсивность запросов Х^ = Хд = 0,45 пассажиров в минуту.
Таким образом, интенсивность общего потока заявок X = 0,9. Ин
тенсивность обслуживания одной кассой 0,5 пасс/мин. У касс ска
пливается очередь, причем первый „в очереди подходит к любой
свободной кассе. Поступило предложение специализировать кас
сы по направлениям А и В. Разумно ли это?
Существующий вариант, двухканальная СМО, X = 0,9, р = 0,5,
р = XIц = 1,8 < п = 2. Финальные вероятности существуют.
По формуле для PQ при п = 2 имеет PQ = 0,0525.
N = 7,68; Г = 8,54 мин.
04 оч
Задачи к главе 2
Переходы: D = {d , d }.x 2
In dx
d 2 Out d, d 2
1 0 41 0 0
42 2 0 42 0 0
Out =
Чз 0 1 Чз 1 0
44 0 0 44 0 1
45 0 0 45 0 3
6
Рис. 3.1. Сеть Петри: a - изображение с помощью графа,
б - матричное изображение
Маркировка сетей Петри. Определение сети Петри позволяет
описать статические свойства_моделируемой системы, взаимосвязь
событий и условий. Для описания динамики вводится функция
маркировки М: Q —¥ N, где N- множество целых неотрицательных
чисел. Маркировка любого подмножества ACQ обозначает
ся М(А) и называется частичной. В частности, маркировка входа
и выхода в переход dj обозначаются как M(*dj) и M(dj*\ соответ
ственно, i
Наглядно маркировка изображается точками внутри позиции,
как показано на рисунке 3.2. "Точки называются фишками, или
маркерами. Таким образом, с помощью функции М позиции сети
помечаются целыми неотрицательными числами. Сеть Петри с
маркировкой называется размеченной сетью Петри. В дальней
шем маркировка сети Петри будет рассматриваться как вектор
М = <M( ), M(q ),
qi 2 M(q„)> = <N N , ....
h 2
M {q )=M(qi)-k
x L iJt
где ky - число дуг между q и dy т.е. k(q dj), ky - число дуг между
{ h
dj и q т.е. Щ, qj).
h
J
Если вершина q является и входной, и выходной для перехода
t
d\.q\-^q 2 1-+2
d :q ^q
2 { 3 или 1_> 3
df- 42, Чъ -* Яь 42 2 2
2, 3 -> I , 2
О- I*
б
Рис. 3.6. Сеть свободного выбора: а - недопустимый фрагмент,
б - правильный фрагмент
о — 1 * = © — ] — о
<?i di q2 di Ъ
Рис. 3.7. Пример сети Петри, иллюстрирующий достижимость
Дерево достижимости для сети Петри показано на рисунке 3.8.
010
ооЮ 001
t
©01
Рис. 3.8. Дерево достижимости
Живость. Переход dj называется квазиживым при заданной
маркировке М, если он может сработать хотя бы один раз. Переход
dj называется живым при заданной маркировке MQ, если для лю
бой достижимой из MQ маркировки MsR(C, MQ) существует тай
минг R, содержащий данный переход. Если переход не может
сработать при любой достижимой маркировке MeR(C, MQ), ТО ОН
называется мертвым.
Живость перехода - это принципиальная возможность его сра
батывания при начальной маркировке MQ.
Сеть Петри живая, если все ее переходы живые.
Безопасность. Позиция д, называется ^-ограниченной, если
для любой достижимой маркировки MsR(C, MQ) число фишек
в ней не превышает заданного числа к. Сеть ^-ограничена, если
все ее позиции ^-ограничены. При к = 1 позиция g называется
t
безопасной.
Сеть, в которой все позиции безопасны, называется безопасной.
На рисунке 3.7 позиция q\ небезопасна, т.к. в ней накапливаются
фишки. Такие позиции называются ловушками.
Дедлоки и ловушки. Дедлоком (deadlock) в сети Петри называ
ется такое множество позиций Q, что *Q С Q*, т.е. все входные
переходы для множества Q являются его выходными переходами,
в результате чего ни один из них не может быть возбужден, если в
Q нет меток.
Ловушкой {trap) в сети Петри называется такое множество по
зиций Q, что Q* С *Q, т.е. все выходные переходы для множества
Q являются его входными, в результате чего количество меток в
ловушке не может уменьшаться.
Согласно этим определениям между дедлоками и ловушками
есть следующая связь: если направления дуг в сети Петри изме
нить на противоположное, то дедлок {*Q С Q*) станет ловушкой
{Q* Q *Q), и наоборот. Такие две сети называются реверсивными.
Не всякий дедлок приводит к наличию мертвых переходов в
сети Петри. Обозначим M{Q) сужение маркировки М на множе
ство Q С В, т.е. маркировку множества Q.
В маркированной сети <С, М > дедлок Q называется опусто
0
м
£ / =1..и (йд = Е 2 =1.. M (qd-
И Q
нию к вектору w = (w\, w ,..., w ), w,- > 0, n = \Q\, если для всех
2 n
<С, М >.
Г
терминальная.
3. Для всякого перехода dp разрешенного в М , образовать но
х
одной фишки.
2. С о х р а н е н и е . Свойство сохранения проверяется с помощью
дерева достижимости. Если вектор весов w известен, то для каж
дой достижимой маркировки можно вычислить взвешенную сум
му S - Yl i =\..п i Щя!)- Если сумма S одна и та же во всех верши
w
R = I,-=i л Щ х Д„
г д е а , - ц е л о е н е о т р и ц а т е л ь н о е ч и с л о , п р и ч е м нод(о1, а ,..., а^) = 1.
2
3. С у щ е с т в у е т т а к о й ц е л о ч и с е н н ы й в е к т о р / = {f\, f ,
2 /„}, г д е
п - ч и с л о п о з и ц и й , ч т о f»D < 0.
J
С л е д с т в и е . Сеть Петри неограниченна тогда и только тогда,
когда существует такой вектор R = {R R ,...,
h 2 R }, т - число пере
m
(d eR )^(d eR ),
i x i 2
dj € Ri и dj 0 R.
2
q , qj - позиции,
t
89
Т е о р е м а р е д у к ц и и . Редукция нормализованных живых i
безопасных ординарных сетей, для которых в начальной марки
ровке имеется только одна размеченная позиция 1, идет до полу
чения единственного перехода \—Л.
Строго это утверждение доказано только для а-сетей (рис. 3.16)
т.е. таких сетей, в которых конкуренция переходов за метки в позици
ях устроена по принципу все или ничего: (*d (~\*dj * 0) —»(*d =*d ).
f f ;
р • min {N , N }
x 2 q • min {N,, 7V }
2
p (M{*d ))
2 2 =p№, N) = g m i n ^ ,
2 N }, 2
pV N
h2 t N IN
2 qV N,N IN
v 2
i=\
доля автоматов, находящихся в момент t в состоянии При
N —>даэто вероятность пребывания автомата в г-ом состоянии.
t
In d\ d 2
Out d, d2 D d\ d2
R={pfW*dj))\j=\,2)
Ж 1 1 Ж 0 2 Ж -1 1 р-Ж
м 0 1 м 1 0 м 1 -1 q-тЩЖ, M)
для всех j = 1, т.
К-модели имеют следующие свойства, которые можно сформу
лировать как теоремы.
Масштабируемость. Т е о р е м а м а с ш т а б и р у е м о с т и . К-мо
дели масштабируемы. Это значит следующее:
1. Вектор-функцию R max интенсивностей переходов можно ум
ножать на число 0 < г < 1 без изменения стационарного поведения
популяции.
2. Компоненты вектора MQ МОЖНО одновременно умножать на
произвольное действительное число s > 0 без изменения стацио
нарного поведения популяции.
Нормировка. Т е о р е м а н о р м и р о в к и . Если в замкнутой К-мо
дели сумма всех (кроме NQ) компонент вектора M равна 1, то T
гладкость.
Однако компоненты вектора R могут и превышать единицу, как
в уравнениях Колмогорова - Чепмена или в уравнениях динами
ки средних с интенсивностями потоков событий. Соответственно
такие модели называются асинхронными, и могут превращаться в
синхронные модели умножением на подходящее число 0 < г < 1
согласно теореме об инвариантности. Асинхронная модель не мо
жет быть непосредственно реализована методом At, однако она
имеет свои методологические преимущества. Преобразование из
синхронной модели в асинхронную и обратно допускает теорема
конвертируемости.
Конвертируемость. Т е о р е м а к о н в е р т и р у е м о с т и . Умно
жением R на подходящее число г > 0 можно превращать синхрон
ную, модель популяции в асинхронную, и наоборот.
Могут ли синхронные модели, реализуемые методом At, иметь
компоненты вектора R, превышающие 1? Как будет показано ни-
• j
104
же, такие модели могут возникать, например, для растущих попу
ляций.
Соразмерность. Соразмерность - еще одно свойство вектор-
функции P = {P I / = 1,
t it п), которое следует из теоремы инва
риантности. Напомним, что при определении интенсивности
перехода (ij,k) использовались вероятности переходов p(ij,k), ко
торые являются исходными характеристиками системы и задают
ся «руками».
Т е о р е м а с о р а з м е р н о с т и . Вероятности p(ij,k) входят в вы
ражения для P и N соразмерно, т.е. так, что если умножить все
it it
M =K{i,j,k)
ijk
распространяется.
Итак, изменение количества N автоматов в такте / имеет вид:
it
где: - -
n n
V. = M jkj - число автоматов, перешедших в z'-e состояние
1
;=i k=]
в такте t;
п п
состояние в такте t;
п
состоянии.
Здесь Мук вычисляются по формулам, приведенным выше.
Чтобы получить среднее количество автоматов в каждом состо
янии на (г*+1)-м шаге, необходимо воспользоваться этими форму
лами t раз.
108•J
Несмотря на ограниченность данного подхода, класс модели
руемых популяций включает множество интересных систем, до
пускающих множество интерпретаций в различных предметных
областях. Можно было бы попытаться найти общий метод аналити
ческого решения подобных задач и в переходном, и в стационарном
режимах. Мы ограничились описанием аналитических методов по
иска стационарных состояний сложных систем, если это возмож
но. Причина такого ограничения в том, что пособие и программа
написаны не математиками и не для математиков, а инженерами
для инженеров и информатиков, а также и для любых специали
стов, пытающихся применить точные методы в своей предметной
области. Имея программу «Популяция», достаточно описать по
ведение отдельных элементов исследуемой системы в их связи с
другими элементами, и получается модель, которая легко моди
фицируется и быстро дает наглядные результаты. При этом будет
представлено и поведение популяции в переходном режиме. Это
уже немало в тех предметных областях, где господствуют каче
ственные рассуждения. Особенно это касается гуманитарных наук.
Интерфейс программы «Популяция». Итак, в нашем распоря
жении имеется метод математического и компьютерного модели
рования сложных систем, который уместно назвать популяционное
моделирование. Метод популяционного моделирования был реа
лизован программой «Популяция» для линейных и нелинейных,
простых и автоматных популяций, таких, что все переходы в них
могут быть заданы фразами вида:
«Состояние / переводит состояние j в состояние к с интенсив
ностью K(i,j, к). Тип».
Имея это в виду, будем далее записывать переходы К-модели
выражением вида
i:j>k;K;Q\\\2,
где, соответственно: /, j , к - имена состояний: действующего, ис
ходного и результирующего, К - интенсивность перехода, а числа
О, 1 и 2 - альтернативные описания типа перехода: линейный, рас
твор и смесь.
Интерфейс программы состоит из двух форм: исходная и резуль
тирующая. Исходная форма предназначена для задания начально
го состояния, количества тактов, момента начала моделирования и
таблицы переходов (их интенсивности, типа и задержек). Описание
исходной формы представлено на рисунке 3.22. Меню «Файл» по
зволяет сохранять, открывать и редактировать введенные задания.
f4§ П о п у л я ц и я v2.5
Файл ?
Начальные д • - внешнее
вид перехода лмнейньй раствор смесь
Количество СОСТОЯНИЙ простой 0 1 2
сохраняющий 3 5
6 1 8
[Состояние *Лсаг It количество валяющий
остаточный 3 1
10 11
ингибитор 12' 13 !<
Общее ко
личество
состояний Описание
начального Таблица типов
состояния перехода
(название
состояния, Описание
количество переходов
автоматов) Номер первого
такта
Кнопка отображе
[-Запуск ния результата
Количество шагов
Количество
тактов
времени
Графики
численности
популяций
Панель
управления
результатами
-1
100 150 200 2S0 300 350 «ОС S50 600 650 700 750 вЗО
Табличное потакто-
9.912 \г
р ;9 740I' Д£ ; 9.413
вое отображение
10 ООО ~11 роо_
1Э.9Л J16564 J17 424 количества автоматов J250K
0000 SSB8 9988 :9 999
'Таого' J1D.092 jmW"'ji"o'aJ6~ И . IULBII—И . Ш» .IU-HU 1ЦЛ1 HU6VTil 192
ID ООО ^59977 " 104.D64jl41.621 J72.6Z9_]TS7.52n 217005 ^231 90В j243055 251.204 257.007 261 DB3 J263624 1265.211 j266.025 :266.269 ;2ББ094 [265615 1264918
[S0Q0DD " 5 о а о к ! 5 Ю 5 з е Т е т : а г е " 5 1 4 . б 1 э " '557755' [553673"
НО.С00 [444099 |4Ш.547 '!з56.839 -319.204 2e7.B56'262 410 ^4207B 22Б019 213407_*2ГО518 J19574S-11S3598 ; 184 692 jl 90730 :177484 '174 779 1172488 !l7O506
Г !
V < 1
к
/ >
Основные j Линии)
Q Сохранить картинку
J Сояранить данмые
^ ) Загрузить данные
|0 |1 |2 3 |< |5 в 17 8 |3 |10
2.000 :гооо ;гооэ |г.ооо 2.000 12.000 2.000 12.000 2.000
б 0.000 J6.000 12.000 18.000 Т Ш ю О 130,000 36.000 И2.000 48.000 '154.000 60.000
с 0.000 10.000 0.000 о.ооо jo.ooo ioooo о_ооо_]о роо
: 0.000 jo.ooo 0.000
ПопуяАвт vZ.i
Файл ?
[-Начальные д а н н о е -
Кол«ество состояний
г-Матрмца периедое—
3 Состоим* | первмоит сост-е в состояние j И мтенсивность Типлерехода |
Состоя^Колигеетво автоматов |' a .6 с 4 j
J
| |
^Рсзупьт
Количество состояний
flgРезультат
Основные Ливии |
S3.S 3
-Свойства
W Видимость
{ • dBlack J
Si
Стияь!
точек! d
'jo 5J|0
3 Сохранить картинг,*}
J Сохранить данные
j Загрузить данные
j
122
Файл >
{Начальные данные
Количество состояний
нет.
При к > 1 имеем a \ = ka . t+ t
ж 3
Основные | Линии |
Цвет Фона
'Ось абсцисс
Минимальное fg"*
значение I
Максимальное 15 1
-*1
значение I
Минимальное I
•3
Максимальное Н а
значение ' "3
0 Сохранить картинку
2.000 4.000
>
Проста ^вымирания все будет как в моделях роста. При обратном со
о л ь
отношении ^ р < вымирания Р
0 С т а вымирающей популяции будет
играть ресурс.
Простота модели мобилизации позволяет найти почти все ее
стационарные режимы аналитически. Анализ модели показывает,
что даже в казалось бы тривиальном случае можно сделать совер
шенно неочевидные выводы. Далее будет показано, что популяция
каннибалов, в которой убийство и смерть особи сопровождаются
поеданием ее трупа, тоже может жить и размножаться, даже если
вероятность убийства при встрече выше вероятности замены но
вым членом популяции. Таким образом, внутривидовая конкурен
ция не уничтожает популяцию, а, наоборот, может способствовать
отбору наиболее сильных особей. Это, впрочем, один из извест
ных тезисов Чарльза Дарвина.
Несмотря на простоту модели мобилизации, приходится не
мало потрудиться, чтобы рассмотреть ее в различных вариантах.
Оказалось, что и стационарное состояние не всегда можно найти,
минуя переходной режим, как показало исследование линейной
модели. Далее мы даже не пытаемся найти аналитическое решение
уравнений динамики системы в переходных режимах. Для столь
простой системы они, конечно, могут быть найдены. В большин
стве же более сложных случаев поиск аналитических решений
затруднителен, и если такие решения можно найти, то возникает
проблема вычисления и представления соответствующего пере
ходного поведения. Между тем во многих случаях вполне можно
ограничиться теми графиками, которые рисует компьютер на ос
новании модели.
j
126
Уравнения динамики средних модели мобилизации были
получены нами для линейной популяции, при условии, что
AM - величина более высокого порядка малости по сравнению
с М: AM = о(М). Общий вид матричного уравнения динамики
средних:
dM/dt = D*R.
Приравняв производную нулю, получим уравнение для стацио
нарного режима:
D • R = 0.
Кроме этих уравнений, для замкнутых популяций справедливо:
1
£ =1 . . Л =
г или, что то же, ! , - = . . . Л = N.
Для разных типов переходов вектор R будет различным в соот
ветствии с формулами из разделов об инвариантности К-моделей
и моделировании простых и автоматных популяций. Для облегче
ния составления этих уравнений все случаи для комбинирования
переходов в модели мобилизации сведены в таблицу 3.2.
Таблица 3.2
Сводная таблица для получения уравнений динамики средних
в модели мобилизации
£)-оператор Вектор R= {Pj{M£*dj))\\ =1,2} интенсивностей
Ж -1 1 р-Ж г
р-Ж 1(Ж + М) р-Ж/2
М 1 -1 дтт{Ж, М) д-Ж-М/(Ж + М)
, M=N/(v+l).
(2) При N - Ж > Ж имеем рЖ = qЖ и соотношение q = р, как
некий рубеж между режимами (1) и (2).
В режиме (2) получить решение для стационарного режима
можно решив дифференциальное уравнение динамики средних
3
при N-Ж Ж и устремив время в бесконечность:
аЖ/dt = q-Ж-р-Ж = Ж{ц-р) = Ж1{у - 1).
Разделяя переменные, имеем:
аж/ж = (v - \) dt,
откуда получаем классическое экспоненциальное решение:
1
Ж,=Жое^- Х
Очевидно, что при t —> оо и q < р популяция вымирает, а при
q > р численность Ж растет, и когда она достигает такого поло
жения, что выполняется условие Ж > N - Ж, популяция стре
мится к стационарному состоянию уже в режиме (1) и достигает
численности Ж = N-v/( v + 1). Достигает ли популяция этого ста
v
ционарного состояния? Разумеется! Функция Жо e^ " ^' монотон
но возрастает при q > р, и ничто не мешает числу Ж расти, пока 1
М, = М .
0
J
128
На рисунках 3.41, 3.42, 3.43, 3.44 представлены результаты мо
делирования простой популяции с линейными интенсивностями
переходов, описанной в разделе о К-модели мобилизации. Мо
дель имеет начальное состояние Жо = 20, MQ = 80 и параметры:
р = 0.3; q = 0.9, когда популяция живет, и наоборот, Ж^ = 80, MQ = 20,
q = 0.3, р = 0.6, когда она вымирает. Число тактов моделирования
Т = 10, 100 в зависимости от типа модели. Впрочем эти параметры
меняются от модели к модели для наглядности. Все изменения па
раметров описаны в легендах к рисункам.
Нетрудно убедиться, что в стационарном режиме модель под
тверждает теоретические расчеты. Однако переходной режим на
рисунке 3.41 совсем не похож на экспоненту и представляет собой
ломаную кривую.
ПопупАвт v2.1
Файл ?
[-"Начальные данные"
Количество состояний
["Матрица переходов—
к —
Состояние] переводит соет-е в состояние Интенсивность (Тип перехода j
СОСТОЯЛИ! Количество автоматов
0.3
ж 20
0.9
м ВО
,*§ Результат
'ОсновнывТ Линми
|
|S2_M
3
("Свойства
f< Видимость
Стиль/, ~
Q Сохранить картинку
Ш8 Сохранить данные
U Загрузить данные
10 11 2 3 4 5 Б 7 8 9 10 11
ж ШШШ 32.000 51.200 79.760 74.048 75.190 74.962 75.008 74.998 75.000 75.000 75.000
м 80.000 68.000 48.800 20.240 25352 24.810 25.038 24 992 25.002 25.000 25.000 25.000
8 0000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0000 0.000 0.000 0.000
ш ПопуяАвт vZ.l
. Файл ?
j~fi ачзяьные данные
Количество состояний
{-Матрица переходов -
^Результат TlDl'x
Основные Линии |
S3_V
3
рСеойства
•Р" рийимость|
Ц в е т р cfretfow ^1
Т олщина J2
СтильГ^ 7J
точек» —'
Q Сохранить картинку
5 Сохранить данные
Q§] Загрузить данные
iliiilii.liiiliiili.iliiilnilinlinlniliiilii
О 5 10 15 20 25 30 35 40 45 50 55 60 85 70 75 85 90 95 100
о 1 2 3 |4 5 ^
8 9 10 11 |12
ж МшМ21.200 22.472 23.820 ! 25.250 25.7,65 28,370 30.073 31.877 33.730 35.817 37.966 40.
м 80.000 78.600 77.528 76.180 , 74.750 73.235 71.630 69.927 68.123 66.210 64.183 62.034 ?9.
в 0.000 0.000 0.000 0.000 10.000 0,000 0.000 0.000 0.000 0,000 0.000 0.000 ОС
ТГГаГх!
Основные | Линии |
рОсь ординат
Минимальное
значение I
Максимальное
значение
0 Сохранить картинку
Шд Сохранять данные
^ | Загрузить данные
1 2 з И 5 6 Т 8 3 10 11
к шММ20.000 20.000 20.000 (20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000
м 80.000 80.000 80.000 80.000 ( 80.000 80.000 80.000 80.000 80,000 80.000 80.000 80.000
в 0.000 0.000 0.000 0.000 |0.000 0.000 0.000 0 000 0.000 0.000 0.000 О.ООО
Начальные данные -
Количество состояний
•Матрица переходов™
Состояние переводит сост-е в состояние Интенсивность | Тип перехода
Состояние Количество автоматов I 0.09
ж 80 |
м 20
Основные j fly
Цвет фона
•Ось абсцисс
Минимальное
значение
Максимальное hpQ
значение * -—•.^• Jr^
ss
•Ось ординат
Минимальное
значение I7H
Максимальное
значение Т02 gj
Q Сохранить картинку
Ш§ Сохранить данные
(jjt] Загрузить данные
1° I 1
2 3 4 5 6 7 8 9 10 11 12
ж W 73.400 67.592 62.481 57.983 54.025 50.542 47.477 44.629 41.951 39.434 37068 34.,
м 120.000 26 600 32.408 37.519 42.017 45375 49458 52.523 55.371 58043 60.566 62.932 654
в 10.000 0.000 0 000 0 000 0,000 0 000 0.000 0.000 0.000 0.000 0.000 0.000 0.0
Откуда
Ж ^ Ъ ^ = 200-0,09- =
2д + р 2 0,09 + 0,03
М = 14,286.
Результат моделирования иллюстрирует рисунок 3.46. Он отли
чается от линейного варианта с теми же параметрами и начальны
ми условиями другими стационарными значениями Ж и Ми зна
чительно меньшей скоростью изменений, так что для достижения
стационарного режима потребовалось не 10 и не 100, а 200 тактов.
Все это неудивительно.
Рисунок же 3.47 демонстрирует качественно иное поведение
нелинейной популяции. При тех же начальных условиях линей
ная модель приходит к полному вымиранию живых организмов,
а нелинейная - к стационарному состоянию, в котором живые и
мертвые организмы остаются в достаточном количестве в соотно
шении Ж/М= 40/60.
Нелинейная популяция выживает при внутривидовой кон
куренции, даже если интенсивность убийства намного больше,
чем интенсивность восстановления. Объяснение этого факта со
стоит в том, что при низкой численности живых особей они редко
встречаются и перестают конкурировать. Найти и убить соперни
ка в растворе, где соперников мало, настолько маловероятно, что
жертвы успевают размножаться. По этой же причине вытеснение
j
134
генов, ослабляющих особь-носителя в конкуренции, не может
быть завершено до конца. «Слабаки» всегда будут присутствовать
в популяции.
! ПопулЛот v2.1
Файл ? • ' •
:•
'Начальные данные* -
Количество состояний
|з г-Мзтрицв переходов—
Состояние j переводит сост-е |в состояние Интенсивность Тип перехода
Состояни^Количестео аетоматоа [ Ж \ж ;М аоз 1
0,09 1
Основные | Линии j
User Фона
-Ось абсцисс
Минимальное |р
значение !
Максимальное Про"
Основные Линии |
|S2_M Z.
рСвОЙСТВё!
|7 Видимость
:
Ц в е т Ц clBlack »]
Толщина] 1
СтильГГГ
РазмерП
Q Сохранить картимку
\ Сохранить данные
Загрузить данные
О 20 40 60 80 100 120 140 160 180 200 220 240 280 280 300 320 340
339 340 341 342 |343 344 345 346 347 348 349 |350
ж 40.001 40.001 40.001 40.001 40.001 40.001 40.001 40,001 40.001 40,000 40.000 40.000
м 59.99Э 59.999 59.999 59.999 59.999 53.999 59.999 58.399 59.999 60,000 60.000 60.000
dt N
Рис. 3.48. К-сеть мобилизации со смешанными переходами
Ж ^М Ж=Ы-У/(У+1) Ж = 20 Ж = 75
0,0 0 0
3 0
v> 1 M=N/(v+l) M = 80
0 М=25
v=l M=0.5N М = 20
0 М=50
Ж <М W — W Ж = 20 Ж=20
0,0 0 0
1 0
v= 1 M = MQ
T М =80
о М=80
Ж=ЛГ(У-1)/У Ж = 20 Ж =66.66(6)
0,1(2) v> 1 3 0
M=N/v М = 80
0 М= 33.33(3)
Окончание табл. 3.3
Типы Условие Формулы - Начальное Стационарное
для ЖиМ
v=q/p
dd
b 2
режима состояние состояние
Ж=0 Ж +М =
0 0
Ж=0
0,1(2) v<l v< 1
M=iV . 100 М = 100
Ж > М
0 0
M=0.5N Ж 0 = 80 Ж=50
0,1(2) 1
v =1 M=0.5N М = 200 М=50
ж <м
0 0 Ж=0 Ж 0 = 20 Ж=0
0,1(2) 1
v =1 M=N М = 800 М = 100
ж <м
0 0 K=2Nv Ж 0 = 20 Ж=45
1,0 0.225
4v<\ M=N(l-2v) М = 800 М=55
Ж=
, Vv + 2v - v
r
Ж 0 = 20 Ж =87.298
1,0 4v> 1 =N[ L J 3 '
M= М = 800 М = 12.702
=jV I + V-A/V 2
+2v
Ж=2МУ(2У+1) Ж 0 = 20 Ж= 85.714
1,1(2) v > 0 3
M=M(2v+l) М = 800
М = 14.286
ж=о ж +м =
0 0 Ж=0
2,0 2v< 1 v<0,5
M=N 100 М=100
Ж=2ТЧУ/(2У+1) Ж 0 = 20 Ж = 85.714
2,0 2v> 1 M=N/(2v+l) МО = 80 М = 14.286
Ж = #(2У-1)/2У Ж = 20 Ж = 83.33(3)
2,1(2) v> 0 3
0
Файл ?
•Начальные даннь
"Матрица переходов : • 1
- -Т"Т" Состояние переводит сост-е в состояние Интенсивность Тип перехода
Состояни Количество автоматов
''- ж |ж м 2 1
ж 20 ж м 1
ж I
м 80 1
Файл ?
Начальные данные-
Количестео состояний
1 •Матрица лерегайое -
Результат
Основные | Линии|
Минимальное [Ц
значение '
Максимальное Под"
•Ось о р д и н а т —
Минимальное
значение
Максимальное
значение
Й713 2|
0 Сохранить картинка
(^Сохранить данные
^ j l Загрузить данные
Основные | Пинии)
г О с ь ординат-
1
Максимальное I
0 Сохранить картинку
Шй Сохранить данные
(Л) Загрузить данные
О 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 4S 48 SO
38 39 40 41 42 43 44 45 46 |47 48 49 50'
ж 50.003 50.003 50.002 50.002 50.001 50.001 50.001 50.001 50001 50.000 50.000 50.000 50
м 49.33? 49.99? 49.998 49.998 49.999 49.999 49.999 49.989 49,999 50,000 50.000 50.000 5о:
9
где Т - дата, т.е. год от Р.Х., Т £ 2025 г. от Р.Х., С 9? 200-10 чело-
0
веколет.
К 2025 году формула Капицы дает обострение - бесконечную
численность населения Земли. Очевидно, что такое обострение в
реальности невозможно. Действительно, нами было показано [7],
что по гиперболическому закону с обострением растет не населе
ние Земли, а экологическая ниша человечества. Уже с 1970-х че
ловечество не успевает заполнять свою нишу, а ее рост с обостре
нием прекращается. Кроме того, начиная с 60-х годов X X века, в
демографический процесс вмешиваются новые факторы, которые
были несущественны до той поры. Таким фактором является по
вышающийся уровень образования в большинстве стран мира.
Образование отвлекает женщин репродуктивного возраста от де
торождения. Имеются и другие факторы снижения рождаемости,
которые пока не ясны. Например, перемена ценностей в потреби
тельском обществе, контрацепция и другие.
Задачи к главе 3
Учебное пособие