Академический Документы
Профессиональный Документы
Культура Документы
Г. Д. Гефан
МАРКОВСКИЕ ПРОЦЕССЫ
Учебное пособие
по дисциплине «Математика»
для студентов заочной формы обучения
ИРКУТСК
2009
УДК 519.8
ББК 22.18
Г45
2
Оглавление
Предисловие………………………………………………………………….. 4
1. Марковский случайный процесс с дискретными состояниями
и дискретным временем………………………………………………….. 6
1. 1. Понятие случайного процесса и случайной функции…………… 6
1. 2. Марковский процесс с дискретными состояниями
и дискретным временем…………………………………………… 7
1. 3. Классификация состояний………………………………………… 10
1. 4. Вероятности переходов за m шагов……………………………….. 11
1. 5. Распределение вероятностей по состояниям…………………….. 11
1. 6. Стационарное распределение вероятностей состояний………… 12
2. Марковский процесс с дискретными состояниями и непрерывным
временем…………………………………………………………………. 16
2.1. Матрица интенсивностей………………………………………….. 16
2.2. Системы уравнений Колмогорова……………………… 18
2.3. Предельный стационарный режим……………………………….. 20
2.4. Процесс гибели и размножения…………………………………… 21
3. Системы массового обслуживания (СМО). Замкнутая марковская
СМО без отказов и без ожидания……………………………………….. 22
3.1. Понятие систем массового обслуживания………………………… 22
3.2. Простейший поток и его свойства…………………………………. 23
3.3. Марковская система массового обслуживания…………………… 24
4. Различные виды СМО и показатели их эффективности.……………. 26
4.1. Одноканальная СМО с отказами …………………………………. 26
4.2. Многоканальная СМО с отказами………………………………… 29
4.3. Одноканальная СМО с неограниченной очередью ……………… 32
4.4. Многоканальная СМО с неограниченной очередью…………….. 35
4.5. Понятие об оптимизации систем массового обслуживания……. 39
5. Решение задач о случайных процессах и СМО на компьютере (в
EXCEL)…………………………............................................................... 41
5.1. Марковские процессы с дискретным временем…………………… 41
5.2. Марковские процессы с непрерывным временем…………………. 46
5.3. СМО без отказов и ожидания……………………………………….. 49
5.4. Многоканальные СМО с отказами…………………………………. 51
6. Моделирование случайных процессов и систем массового обслужи-
вания методом Монте-Карло…………………………………............... 54
6.1. Понятие статистического моделирования……………………….. 54
6.2. Примеры анализа случайных процессов и СМО методом Монте-
Карло………………………………………………………………… 57
Вопросы для самоконтроля…………………………………………………. 64
Задачи контрольной работы………………………………………………… 66
Библиографический список………………………………………………… 71
3
Предисловие
4
Математическая теория массового обслуживания возникла для опи-
сания работы систем, предназначенных для обслуживания массового пото-
ка требований случайного характера (случайными могут быть как моменты
прихода требований, так и затраты времени на их обслуживание). Задачи
массового обслуживания, сформулированные математически, обычно сво-
дятся к изучению случайных процессов. Становление теории массового
обслуживания было вызвано интересом к математическим задачам, возни-
кающим в организации телефонных сетей (датский инженер А. Эрланг, на-
чало 20 века). Дальнейшее развитие теория массового обслуживания полу-
чила в 1940–1950 годах в трудах К. Пальма, Ф. Поллачека, А.Я. Хинчина,
которому принадлежит и сам термин «теория массового обслуживания».
5
1. Марковский случайный процесс
с дискретными состояниями и дискретным временем
x2 (t )
x3 ( t )
t
t1
Рис. 1
Случайная функция совмещает в себе черты случайной величины и
обычной функции. Если провести только один опыт, то мы получим един-
ственную реализацию, которая представляет собой неслучайную функцию
(например, ход температуры в течение определённого года). Если зафик-
сировать значение аргумента, то мы получим обычную случайную величи-
ну. Например, если X (t ) − годовой ход температуры, то X (t1 ) − будет, ска-
жем, температура 1 января в 12.00.
Случайная величина, в которую превращается случайная функция
при фиксации времени, называется сечением случайной функции при дан-
ном времени.
Введя m фиксированных моментов времени (искусственная дискре-
тизация времени), мы получим систему случайных величин
X (t1 ), X (t 2 ),..., X (t m ) . Например, такая система может характеризовать по-
ведение температуры за год по дням (скажем в 12.00 каждого дня). Однако
такое представление случайной функции X (t ) , конечно, будет неполным.
Можно сказать, что случайная функция — это бесконечномерная система
случайных величин.
6
можно понимать что угодно: техническое устройство, предприятие, от-
расль промышленности, живой организм, популяцию и т.д.
7
того, что если в момент t m −1 система находилась в состоянии S i , то в мо-
мент t m (то есть на шаге m) система перейдёт в состояние S j :
Pij( m ) = P (S (t m ) = S j S (t m −1 ) = S i ) . (1.1)
8
k
∑ Pij = 1, i = 1, k (1.2)
j =1
2
3
S1 S2
2
5
~ ⎛ 13 2
3⎞
P = ⎜⎜ 2 3
⎟⎟ .
⎝ 5 5⎠
9
равна 0,1 и т.д.) Составить размеченный граф состояний. Пусть известно,
что сегодня – ясный день. Какова вероятность того, что завтра будет
облачно, а послезавтра пойдёт дождь?
При составлении графа состояний указываем только переходы в иные
состояния (вероятности этих переходов являются недиагональными
элементами матрицы перехода).
0,3
S1 S2
0,2
0,3 0,2
0,1 0,1
S3
p i ( X = x) = (Pii )
x −1
(1 − Pii ) , i = 1, 2, 3 . (1.3)
10
1.3. Классификация состояний
S0
S8 S2 S1
S3
S4 S5 S6 S7
Рис.2
11
Так, в графе, который изображён на рисунке, имеются следующие три
класса существенных состояний: S 3 (состоит из одного состояния погло-
щения); S 4 и S 5 ; S1 , S 6 и S 7 . Имеется также два класса несущественных
состояний: S 0 (из одного состояния); S 2 и S8 .
Если число состояний конечно, то система рано или поздно выйдет
из класса несущественных состояний и после этого окажется (и останется)
в одном из классов существенных состояний. Такая цепь называется при-
водимой. Если же цепь состоит из одного класса существенных сообщаю-
щихся состояний, то она называется неприводимой.
12
1.5. Распределение вероятностей по состояниям
Отсюда следует, что j -ый элемент вектора P(m) равен произведению век-
~
тора P( m − 1) на j -ый столбец матрицы P . Таким образом, в матричном
виде
~
P(m ) = P(m − 1)P. (1.9)
Из последней формулы получим:
~
P(1) = P(0 )P ,
~ ~
P (2) = P (1)P = P (0 )P 2 ,
…
~
P (m ) = P (0)P m . (1.10)
Пусть известен начальный вектор вероятностей состояний
P (0) = (P1 (0), P2 (0), ..., Pi (0), ... Pk (0) ).
Тогда формула (1.10) позволяет получать распределение вероятностей по
состояниям на любом шаге. Итак, для того, чтобы найти вектор рас-
пределения вероятностей по состояниям на шаге m , следует умно-
жить начальный вектор вероятностей состояний на матрицу перехо-
да за m шагов.
13
1.6. Стационарное распределение
вероятностей состояний
14
~ ⎛ 0,4 0,6 ⎞
P = ⎜⎜ ⎟⎟ .
⎝ 0,3 0,7 ⎠
Распределение вероятностей по состояниям в начальный момент ха-
рактеризуется вектором P = (0,1; 0, 9) . Найти:
1) матрицу перехода за 2 шага;
2) распределение вероятностей по состояниям после 2-го шага;
3) вероятность того, что после 1-го шага состоянием цепи будет S1 ;
4) стационарное распределение вероятностей по состояниям.
1. По формуле (1.7)
~ ⎛ 0,4 0,6 ⎞
3. P (1) = P (0) P = (0,1; 0, 9)⎜⎜ ⎟⎟ .
⎝ 0,3 0,7 ⎠
Отсюда P1(1)=0,1·0,4+0,9·0,3=0,31.
4. Для отыскания стационарного распределения составим систему
уравнений
⎧ ⎛ 0,4 0,6 ⎞
⎪ 1 2 ⎜⎜ 0,3 0,7 ⎟⎟ = (P1 , P2 ),
( P , P ) ⎧ 0, 4 P1 + 0, 3P2 = P1 ,
⎪ ⎝ ⎠ ⎪
⎨ ⇒ ⎨0, 6 P1 + 0, 7 P2 = P2 ,
⎪ ⎪ P1 + P2 = 1.
⎪⎩ ⎩
P1 + P2 = 1.
15
⎛1 2⎞
P = ⎜ ; ⎟.
⎝ 3 3⎠
Смысл полученного результата таков: в установившемся режиме система
будет одну треть времени проводить в состоянии S1 и две трети — в со-
стоянии S 2 .
~ ⎛ 0,5 0,5 ⎞⎟
P=⎜ ,
⎜ 0,4 0,6 ⎟
⎝ ⎠
а случайный процесс может быть представлен с помощью графа:
0,4
0,5 S1 S2 0,6
0,5
16
⎛ 0,5 0,5 ⎞
P (1) = ( P1 (1), P2 (1)) = (1; 0) ⎜ ⎟ = (0, 5; 0, 5) .
⎜ 0,4 0,6 ⎟
⎝ ⎠
Таким образом, через неделю предприятие будет выпускать товар A с ве-
роятностью 0,5.
3. Определим распределение вероятностей через 2 шага (по истече-
нии двух недель).
⎛ 0,5 0,5 ⎞
P (2) = ( P1 (2), P2 (2)) = (0, 5; 0, 5) ⎜ ⎟ = (0, 45; 0, 55) .
⎜ 0,4 0,6 ⎟
⎝ ⎠
Таким образом, через 2 недели предприятие будет выпускать товар A с ве-
роятностью 0,45.
4. Для определения стационарного распределения вероятностей со-
ставим систему
⎧ ⎡⎛ 0,5 0,5 ⎞ ⎛ 1 0 ⎞⎤
⎪⎪( P1 , P2 ) ⎢⎜ ⎟−⎜ ⎟⎥ = 0,
⎨ ⎢⎣⎝ 0,4 0,6 ⎠ ⎝ 0 1 ⎟⎠⎥⎦
⎜ ⎟ ⎜
⎪
⎪⎩ P1 + P2 = 1.
17
дится. Действительно, в этом случае говорить о вероятности перехода
системы из одного состояния в другое в любой определённый момент
времени бессмысленно (она равна нулю, подобно вероятности любого
значения непрерывной случайной величины). Можно говорить только о
вероятности перехода за промежуток времени ∆t (подразумевается,
что за малый промежуток изменение не может произойти более 1
раза).
Pij (t + ∆t ) = P ( S (t + ∆t ) = S j S (t ) = S i ) . (2.1)
⎧0, i ≠ j ,
Pij (t ) = P ( S (t ) = S j S (t ) = S i ) = ⎨ (2.2)
⎩1, i = j.
Плотностью вероятности перехода системы из состояния S i в со-
стояние S j (или интенсивностью перехода) называется величина
Pij (t + ∆t ) − Pij (t )
λij (t ) = lim = Pij′ (t ) . (2.3)
∆t → 0 ∆t
Используя выражение (2.2) для Pij (t ) , получаем:
⎧ Pij (t + ∆t )
lim
⎪⎪∆t →0 ≥ 0, i ≠ j,
∆t
λij (t ) = ⎨ (2.4)
⎪ lim Pii (t + ∆t ) − 1 ≤ 0, i = j.
⎪⎩∆t →0 ∆t
Тот факт, что интенсивность перехода может быть величиной как
положительной, так и отрицательной, требует объяснения. Поскольку ин-
тенсивность можно рассматривать как производную от вероятности
перехода, её знак показывает направление изменения вероятности
этого перехода с ростом времени. Вероятность перехода в иное состоя-
18
ние, естественно, растёт. Вероятность же остаться в том же состоянии
со временем падает.
19
Учитывая, что ∆t ≠ 0 , приходим к требуемому равенству.
20
3
P1 (t + ∆t ) = ∑ Pi (t ) Pi1 (t + ∆t ) = P1 (t )[1 + λ11∆t ] + P3 (t )λ31∆t ,
i =1
P1 (t + ∆t ) − P1 (t ) = −3P1 (t ) ∆t + P3 (t ) ∆t .
P3′(t ) = 2 P1 (t ) + 2 P2 (t ) − P3 (t ) .
21
2.3. Предельный стационарный режим
22
процесс с полученным выше предельным распределением вероятностей
состояний.
λ0 λ1 λi −2 λi −1 λi λ k −2 λ k −1
S0 S1 S i −1 Si S k −1 Sk
µ1 µ2 µ i −1 µi µ i +1 µ k −1 µk
Здесь через λ и µ обозначены интенсивности переходов (для процесса с
дискретным временем вместо интенсивностей ставятся вероятности пере-
ходов). Поскольку все состояния сообщающиеся, будет существовать пре-
дельное стационарное распределение вероятностей состояний. Возникно-
вение такого графа и происхождение его названия будет рассмотрено ни-
же.
Матрица интенсивностей для процесса гибели и размножения:
⎛ − λ0 λ0 0 0 ... 0 0 0 ⎞
⎜ ⎟
⎜ µ1 − ( µ1 + λ1 ) λ1 0 ... 0 0 0 ⎟
Λ = ⎜ ... ... ... ... ... ... ... ... ⎟
⎜ ⎟
⎜ 0 0 0 0 ... µk −1 − ( µk −1 + λk −1 ) λk −1 ⎟
⎜ 0 0 0 0 ... 0 µk − µk ⎟⎠
⎝
Составим систему уравнений Колмогорова, приравняв правые части к ну-
лю:
P0′(t ) = − λ0 P0 + µ1 P1 = 0 ⇒ λ0 P0 = µ1 P1 ;
P1′(t ) = λ0 P0 − ( µ1 + λ1 ) P1 + µ2 P2 =
= −λ1P1 + µ2 P2 = 0 ⇒
⇒ λ1 p1 = µ2 p2 ,
…
Замечаем закономерность
λi −1 Pi −1 = µ i Pi , i = 1, k .
Добавляем условие нормировки вероятности и получаем систему
уравнений
23
⎧λ0 P0 = µ1P1 ,
⎪
⎪λ1P1 = µ2 P2 ,
⎪
⎪...
⎪
⎨λi −1Pi −1 = µi Pi ,
⎪
⎪...
⎪
⎪λk −1Pk −1 = µk Pk ,
⎪ P + P + ... + P = 1.
⎩ 0 1 k
24
3. Системы массового обслуживания (СМО).
Замкнутая марковская СМО без отказов и без ожидания
25
3. Ординарность. Одновременное поступление двух и более заявок ма-
ловероятно.
( λ t ) k e − λt
Pt ( k ) = . (3.1)
k!
Простейший поток также называют пуассоновским потоком.
1010 e −10
Pt ( k ) = ≈ 0,1251 .
10!
F (t ) = P (T < t ) = 1 − Pt (0) = 1 − e − λt
f (t ) = F ′(t ) = λe − λt
(при t > 0 ). Итак, получен показательный закон распределения времени
между поступлениями заявок, числовые характеристики которого (матема-
тическое ожидание, дисперсия, среднеквадратическое отклонение), как из-
вестно, определены формулами
1 1 1
M (T ) = , D (T ) = , σ (T ) = . (3.2)
λ λ2 λ
26
3.3. Марковская система массового обслуживания
g (t ) = µe − µt ,
1
где µ = – интенсивность выходящего потока обслуженных зая-
M (Tобсл )
вок. Если это так, то, как уже говорилось выше, в СМО имеет место мар-
ковский процесс. При этом в качестве интенсивностей переходов можно
брать величины λ и µ .
27
Примечание: в данном случае заявки – это поломки компьютеров.
СМО является многоканальной (возможен одновременный ремонт двух
компьютеров), без отказов, без ожидания.
СМО имеет следующие состояния: S 0 – оба компьютера исправны,
S1 – один исправен, один в ремонте, S 2 – оба в ремонте. Интенсивность
заявок на ремонт (в сутки) для каждого работающего компьютера состав-
ляет
1 1
λ= = .
M (T ) 10
Интенсивность обслуживания каждого ремонтируемого компьютера равна
1 1
µ= = (в сутки).
M (Tобсл ) 2
λ0 = 15 λ1 = 101
S0 S1 S2
µ1 = 1
2
µ2 = 1
Итак, мы имеем дело с замкнутой СМО. Как видим, это процесс гибели и
размножения с числом состояний k = 2 (см. пункт 2.4). Теперь становится
более понятным название этого процесса. Можно сказать, что в данном
случае речь идёт о «гибели» и «размножении» компьютеров («гибели» со-
ответствуют стрелки вправо, а «размножению» — влево).
28
−1
⎛ λ λ λ ⎞ 25
= (1 + 52 + ) = ( 25+2510+1 ) =
1 −1 −1
P0 = ⎜⎜1 + 0 + 0 1 ⎟⎟ ;
⎝ µ1 µ1 µ 2 ⎠
25
36
λ0 2 25 10 1 10 1
P1 = P0 = ⋅ = , P2 = ⋅ = .
µ1 5 36 36 10 36 36
P0 = (1 + ρ ) ,
−k
(3.4)
Pi = C ki ρ i P0 (3.5)
29
ходе из строя одного из турникетов остальные продолжают нормально
функционировать. Вход на станцию перекрывается, если выйдут из строя
все турникеты. Поток поломок каждого турникета — простейший, среднее
время безотказной работы одного турникета t часов. При выходе из строя
каждый турникет начинает сразу ремонтироваться. Время ремонта распре-
делено по показательному закону и в среднем составляет s часов. В на-
чальный момент все турникеты исправны. Найти среднюю пропускную
способность системы турникетов в процентах от номинальной, если с вы-
ходом из строя каждого турникета система теряет (100/k) % своей номи-
нальной пропускной способности.
λ
ρ= = 0,02 ,
µ
P0 = (1 + 0.02 ) ≈ 0.9057 ,
−5
P3 ≈ 7 ⋅ 10 −5 ; P4 ≈ 7 ⋅ 10 −7 ; P5 ≈ 3 ⋅ 10 −9 .
и составляет 98,04%.
30
Ещё одно замечание касается расчёта средней пропускной способно-
сти системы турникетов (или, если говорить обобщённо, средней произво-
дительности системы нескольких однотипных устройств). Если, как в рас-
смотренной задаче, с выходом из строя каждого устройства система теряет
(100/k) % своей номинальной пропускной способности, то её средняя про-
изводительность может быть рассчитана по формуле (Толстых О.Д., 1999):
100% µ
П= = 100% .
1+ ρ λ+µ
Для условий примера 3 получаем
1s 100%
П= ⋅ 100% = ≈ 98.04% ,
1 t +1 s 1.02
31
Рассмотрим систему с двумя состояниями:
λ S 0 — канал свободен, S1 — канал занят. Имеем
S0 S1 процесс гибели-размножения с матрицей интен-
µ сивностей
Рис.4 ⎛− λ λ ⎞
Λ=⎜ ⎟.
⎜ µ − µ ⎟⎠
⎝
Пусть P0 (t ), P1 (t ) — вероятности состояний системы в момент t . То-
гда система уравнений Колмогорова принимает вид
(P0′(t ) P1′(t ) ) = (P0 (t ) P1 (t ) )Λ
или
⎧⎪ P0′ (t ) = −λP0 (t ) + µP1 (t ),
⎨
⎪⎩ P ′(t )1 = λP0 (t ) − µP1 (t ).
или
P0′ (t ) + (λ + µ ) P0 (t ) = µ .
32
µ λ
P0 (t ) = + e −( λ + µ ) t . (4.1)
λ+µ λ+µ
Полученная величина представляет собой относительную пропускную
способность СМО в произвольный момент времени t . В установившемся
режиме ( t → ∞ ) получаем:
µ λ
P0 = , P1 = 1 − P0 = . (4.2)
λ+µ λ+µ
Отметим, что тот же результат мог быть получен и другими способами.
Мы могли в системе уравнений Колмогорова сразу обнулить левые части
уравнений (равенство производных по времени нулю соответствует ста-
ционарному режиму). Наконец, можно было бы воспользоваться предель-
ным распределением вероятностей для процесса гибели и размножения
(2.10), (2.9):
−1
⎛ λ⎞ µ λ λ
P0 = ⎜1 + ⎟ = ; P1 = P0 = .
⎝ µ⎠ λ+µ µ λ+µ
Величина
λ
ρ= (4.3)
µ
называется коэффициентом загрузки канала. Поделив полученные форму-
лы на µ , получим:
1 ρ
P0 = , P1 = . (4.4)
ρ +1 ρ +1
Таким образом, при высокой загрузке канала относительная про-
пускная способность приближается к нулю, а вероятность отказа — к
единице. Наконец, найдём абсолютную пропускную способность канала:
λ
A = λP0 = . (4.5)
ρ +1
33
дующем допущении: разговоры следуют друг за другом без перерыва и за-
нимают строго 2,5 минуты каждый.
Итак, λ = 0,6; µ = 1 2,5 = 0,4; ρ = λ µ = 1,5 . Относительная пропу-
скная способность:
1
Q = P0 = = 0,4 .
1+ ρ
Абсолютная пропускная способность: A = λQ = 0,6 × 0,4 = 0,24 (разговора в
минуту). Номинальная пропускная способность равна µ = 0,4 (например,
10 разговоров за 25 минут), что почти вдвое выше фактической пропуск-
ной способности, которая получена с учётом случайного характера потока
звонков и случайного времени обслуживания (продолжительности разго-
вора).
34
ная вероятность Pi представляет собой произведение P0 на некоторую
дробь, в числителе которой стоит произведение интенсивностей на верх-
них стрелках, а в знаменателе – произведение интенсивностей на нижних
стрелках левее i -го состояния. Таким образом,
λ λ2 λi λk
P1 = P0 ; P2 = P0 ; ... Pi = P0 ; ... Pk = P0 .
µ 2µ 2 i! µ i k! µ k
В свою очередь сама вероятность P0 находится из условия норми-
ровки ∑ Pi = 1 , что даёт выражение
i
−1
⎛ λ λ2 λ3 λi λk ⎞
P0 = ⎜⎜1 + + 2 + + ... + + ... + ⎟ .
k ⎟
⎝ µ 2 µ 2 ⋅ 3µ 3
2 ⋅ 3 ⋅ ... ⋅ iµ i
k ! µ ⎠
Если теперь воспользоваться понятием коэффициента загрузки канала ρ
(формула (4.3)), то окончательно получим:
−1
⎛ ρ2 ρ3 ρi ρk ⎞
P0 = ⎜⎜1 + ρ + + + ... + + ... + ⎟⎟ , (4.6)
⎝ 2! 3! i! k ! ⎠
ρ2 ρi ρk
P1 = ρP0 ; P2 = P0 ; ... Pi = P0 ; ... Pk = P0 . (4.7)
2! i! k!
Эти формулы носят имя Эрланга — датского учёного, основателя теории
массового обслуживания, выполнявшего свои исследования в связи с прак-
тическими нуждами телефонии в начале 20 века.
35
Рассмотрим ещё одну характеристику: среднее число занятых кана-
лов k . Эту величину можно было бы найти непосредственно как матема-
тическое ожидание дискретной случайной величины с распределением
X 0 1 … k
P P0 P1 … Pk
36
Система работает достаточно напряжённо, в среднем заняты два канала из
трёх и более трети заявок остаются необслуженными. Условие Pотк ≤ 0,25
не выполнено, следовательно, число каналов должно быть увеличено. (Ес-
ли бы это условие оказалось выполненным, следовало бы изучить возмож-
ность уменьшения числа каналов).
Пусть число линий связи равно 4. Тогда
−1 −1
⎛ ρ2 ρ3 ρ4 ⎞
⎟⎟ = ⎛⎜1 + 3 + + + ⎞⎟ =
9 27 81
P0 = ⎜⎜1 + ρ + + +
⎝ 2! 3! 4! ⎠ ⎝ 2 6 24 ⎠
−1 −1
⎛ 24 + 72 + 108 + 108 + 81 ⎞ ⎛ 393 ⎞ 8
=⎜ ⎟ =⎜ ⎟ = ;
⎝ 24 ⎠ ⎝ 24 ⎠ 131
24 9 ⋅8 36 27 ⋅ 8 36 81 ⋅ 8 27
P1 = , P2 = = , P3 = = , P4 = = .
131 2 ⋅ 131 131 6 ⋅ 131 131 24 ⋅ 131 131
27
Pотк = ≈ 0,2061 .
131
Теперь условие Pотк ≤ 0,25 выполнено, следовательно, необходимо 4 линии
связи. Самостоятельно рассчитайте, какими в этом случае окажутся отно-
сительная и абсолютная пропускная способности СМО, а также среднее
число занятых каналов.
37
Для расчёта характеристик эффективности СМО с ожиданием необ-
ходимо решить вопрос о распределении вероятностей состояний СМО в
установившемся режиме. Пусть в одноканальную СМО с неограниченной
очередью поступает простейший поток заявок с интенсивностью λ . Поток
обслуживания также является простейшим и имеет интенсивность µ . Пер-
вый вопрос, который возникает при анализе такой СМО: что считать её со-
стояниями? Очевидно, различные состояния такой системы должны соот-
ветствовать разному числу заявок, находящихся в системе. Всегда ли су-
ществуют предельные вероятности состояний? По-видимому, не всегда.
Ясно, что если система перегружена и не справляется с обслуживани-
ем, то при t → ∞ очередь будет неограниченно возрастать и никакого
предельного распределения вероятностей не получится.
Попробуем в этом убедиться. Рассмотрим граф состояний СМО
λ λ λ λ λ
S0 S1 S2 Si
µ µ µ µ µ
Номер состояния системы совпадает с числом заявок, находящихся в
системе: S 0 — канал свободен и простаивает; S1 — обслуживается заявка,
очереди нет; S 2 — одна заявка обслуживается и одна стоит в очереди …
S i — одна заявка обслуживается и i − 1 заявок стоят в очереди. Как только
приходит заявка, система переходит из текущего состояния в соседнее
правое состояние. Интенсивности этих переходов одинаковы и равны λ .
Обратные переходы происходят при обслуживании заявок. Это схема ги-
бели и размножения, но с бесконечным числом состояний. Попытаемся
найти предельное распределение вероятностей для процесса гибели и раз-
множения (4.6):
−1
⎛ λ λ2 λi ⎞
P0 = ⎜⎜1 + + 2 + ... i + ... ⎟⎟
µ µ µ
(
= 1 + ρ + ρ 2 ... + ρ i + ... )
−1
,
⎝ ⎠
где ρ – коэффициент загрузки (величина неотрицательная). В скобках —
геометрическая прогрессия, сходящаяся лишь при 0 < ρ < 1 . Таким обра-
зом, при ρ ≥ 1 система оказывается перегруженной. Но допустим, что ус-
ловие ρ < 1 выполнено. Тогда, учитывая формулу для суммы бесконечно
убывающей геометрической прогрессии, получим:
−1
⎛ 1 ⎞
P0 = ⎜ ⎟ = 1− ρ ; (4.13)
⎝ 1 − ρ ⎠
38
то есть
P1 = ρ (1 − ρ ); P2 = ρ 2 (1 − ρ ); ... Pi = ρ i (1 − ρ ); ... (4.15)
X 0 1
P p0 = 1 − ρ 1 − p0 = ρ
ρ ρ − ρ + ρ2 ρ2
N оч = N сист −ρ = −ρ = = . (4.18)
1− ρ 1− ρ 1− ρ
Среднее время пребывания заявки в очереди находим по формуле
Литтла (4.12):
39
ρ2
Tоч = . (4.19)
λ(1 − ρ)
Замечание. Рассматривая СМО с неограниченной очередью, мы ни разу не
упомянули характеристики эффективности, использованные нами ранее:
вероятность отказа, относительная и пропускная способность. Это связано
с тем, что в СМО с неограниченной очередью любая заявка рано или
поздно будет обслужена, если только выполнено условие ρ < 1. Поэто-
му для предельного установившегося режима Pотк = 0, Q = 1, A = λ .
40
ρ2 2
Tоч = = часа = 8 минут.
λ(1 − ρ) 15
41
−1
⎛ k ρi ρ k +1 ⎞
P0 = ⎜⎜ ∑ + ⎟⎟ . (4.20)
⎝ i = 0 i! k ! ( k − ρ ) ⎠
При k = 1 из (4.20) получаем
−1
⎛ ρ2 ⎞
P0 = ⎜⎜1 + ρ + ⎟⎟ = 1− ρ ,
⎝ 1 − ρ ⎠
что совпадает с формулой (4.13) для вероятности простоя одноканальной
системы с неограниченной очередью.
Вероятности состояний с номерами от 1 до k (очереди нет) опреде-
лены формулой
ρi
Pi = P0 , i = 1, k . (4.21)
i!
При k = 1 из (4.21) получаем P1 = ρP0 (4.14). Вероятности состояний с но-
мерами от k + 1 и выше вычисляются по формуле
Pk + j = χ j Pk , j = 1, 2, ... (4.22)
χ k +1k k P0
N оч = . (4.23)
k!(1 − χ) 2
При k = 1 формула (4.23) превращается в (4.18):
ρ 2 (1 − ρ) ρ2
N оч = = .
(1 − ρ) 2 1 − ρ
Среднее число занятых каналов равно коэффициенту загрузки канала:
k=ρ . (4.24)
Среднее число заявок в системе:
N сист = k + N оч . (4.25)
42
Найдём вероятность занятости многоканальной СМО с неограничен-
ной очередью. Это событие, противоположное тому, что система находит-
ся в одном из состояний с номерами от 0 до k − 1 . Поэтому с учётом (4.21)
k −1 k −1 ρ i ⎛ ρ2 ρ k −1 ⎞
Pзан = 1 − ∑ Pi = 1 − ∑ P0 = 1 − P0 ⎜⎜1 + ρ + + ... + ⎟⎟ . (4.26)
i =0 i =0 i! ⎝ 2! ( k − 1)! ⎠
При k = 1 получаем Pзан = 1 − P0 = ρ . Используя (4.20) и (4.26), убедитесь
самостоятельно, что для системы с неограниченным числом каналов
(k → ∞) Pзан = 0 .
53 4 ⋅ 0,0909 ⋅ 6 2
N оч = (4.18) = ≈ 3,7879 .
63 2
43
k = ρ ≈ 1,6667 .
N сист ≈ 1,6667 + 3,7879 = 5,4545 .
5
Пусть k = 3 . Тогда χ = .
9
−1
⎛ 5 52 53 54 3 ⎞
P0 = ⎜⎜1 + + 2 + 3 + 4 ⎟⎟ ≈ 0,1727 .
⎝ 3 2!3 3!3 3!3 ⋅ 4 ⎠
5 4 27 ⋅ 0,1727 ⋅ 9 2
N оч ≈ ≈ 0,3747 .
946 ⋅ 42
N сист ≈ 1,6667 + 0,3747 = 2,0414 .
k св = k − k ≈ 1,3333 .
⎛ 5 52 ⎞
Pзан = 1 − 0,1727 ⋅ ⎜⎜1 + + 2 ⎟⎟ ≈ 0,2998 .
⎝ 3 3 2⎠
5
Пусть k = 4 . Тогда χ = .
12
−1
⎛ 5 52 53 54 55 3 ⎞
P0 = ⎜⎜1 + + 2 + 3 + 4 + 5 ⎟⎟ ≈ 0,1859 .
⎝ 3 2!3 3!3 4!3 4!3 ⋅ 7 ⎠
55 256 ⋅ 0,1859 ⋅ 12 2
N оч ≈ ≈ 0,0732 .
125 24 ⋅ 7 2
N сист ≈ 1,6667 + 0,0732 = 1,7399 .
k св = k − k ≈ 2,3333 .
⎛ 5 52 53 ⎞
Pзан = 1 − 0,1859 ⋅ ⎜⎜1 + + 2 + 3 ⎟⎟ ≈ 0,1025 .
⎝ 3 3 2 3 6⎠
Полученные показатели могут быть использованы лицом, прини-
мающим решение, с учётом конкретных требований и обстоятельств. Бо-
лее подробно об этом можно прочесть в п. 4.5 (пример 5 является продол-
жением примера 4).
44
Завершая разговор о разновидностях СМО, отметим, что некоторые
из них остались за пределами нашего рассмотрения: СМО с ограниченной
очередью, СМО с ограниченным временем ожидания, немарковские СМО
и т.д. С ними можно ознакомиться по литературе, указанной в библиогра-
фическом списке.
45
стоимости простоя вагонов и погрузочных устройств соответственно. В
нашем случае можно принять C1 = 1 , C 2 = 2 .
Используем результаты, полученные при решении примера 4.
При k = 2 C = 3,7879 + 2 ⋅ 0,3333 = 4,4545 .
При k = 3 C = 0,3747 + 2 ⋅ 1,3333 = 3,0414 .
При k = 4 C = 0,0732 + 2 ⋅ 2,3333 = 4,7399 .
С дальнейшим ростом числа каналов обслуживания стоимость про-
стоя будет только возрастать. Таким образом, с точки зрения минимизации
суммарной стоимости простоя погрузочных механизмов и вагонов, опти-
мальное число погрузочных механизмов k = 3 .
46
2) Во втором случае имеем две одноканальные СМО с неограничен-
ной очередью. По условию задачи они будут работать в одинаковом режи-
ме: λ = 0,45 , µ = 0,5 , ρ = 0,9 . Условие ρ < 1 выполнено, предельный ста-
ционарный режим существует. По формуле (4.18)
0,9 2
N оч = = 8,1.
0,1
По сравнению с первым вариантом длина очереди немного увеличилась.
Однако надо иметь в виду, что это уже очередь к одному кассиру, а не к
двум! Поэтому среднее время, проведённое пассажиром в очереди, должно
значительно возрасти. Действительно,
8,1
Tоч = = 18 (мин.).
0,45
Таким образом, первый вариант организации работы СМО явно предпоч-
тительнее.
47
1) матрицу перехода за 2 шага;
2) распределение вероятностей по состояниям после 2-го шага;
3) стационарное распределение вероятностей по состояниям.
A B C D E F G H I J K L M
1
2 Матрица перехода Начальное распред.
3 0 0 0,2 0,1 0 0,7 0 1 0 0 0 0
4 0,1 0 0 0 0 0,9
5 0,1 0 0 0 0,2 0,7
6 0,2 0 0,2 0,1 0 0,5
7 0,1 0,2 0,1 0,1 0 0,5 После 1 шага
8 0,1 0 0,2 0,1 0,2 0,4
9
10
G H I J K L M
7 После 1 шага
8 0,1 0 0 0 0 0,9
9
10
48
A B C D E F G H I J K L M
9
10 Матрица перехода за 2 шага
11 0,11 0 0,16 0,08 0,18 0,47
12 0,09 0 0,2 0,1 0,18 0,43
13 0,09 0,04 0,18 0,1 0,14 0,45
14 0,09 0 0,16 0,08 0,14 0,53
15 0,1 0 0,14 0,07 0,12 0,57 После 2 шага
16 0,1 0,04 0,14 0,08 0,12 0,52
17
18
G H I J K L M
15 После 2 шага
16 0,09 0 0,2 0,1 0,18 0,43
P st = BA −1 .
~
Для реализации этого алгоритма сначала получим матрицу P − E (для это-
~
го достаточно скопировать матрицу P на свободное пространство рабоче-
49
го листа и от диагональных элементов отнять 1). Затем с помощью функ-
ции МОПРЕД (Математические) можно проверить, что определитель
этой матрицы равен нулю (должен получиться либо «чистый» нуль, либо,
вследствие погрешности вычислений, число, близкое к нулю; так, в нашем
случае получилось число порядка 10 −17 ). После этого следует определить
матрицу A , заменив последний столбец предыдущей матрицы единицами.
Наконец, найдя с помощью функции МОБР (Математические) матрицу
A−1 и умножив на неё матрицу B , получим P st = ( P1 , P2 , ..., Pk ) .
A B C D E F H I J K L M
18
19 Матрица перехода минус единичная матрица
20 -1 0 0,2 0,1 0 0,7 Определитель
21 0,1 -1 0 0 0 0,9 4,623E-17
22 0,1 0 -1 0 0,2 0,7
23 0,2 0 0,2 -0,9 0 0,5
24 0,1 0,2 0,1 0,1 -1 0,5
25 0,1 0 0,2 0,1 0,2 -0,6
26
27 Матрица А
28 -1 0 0,2 0,1 0 1
29 0,1 -1 0 0 0 1
30 0,1 0 -1 0 0,2 1
31 0,2 0 0,2 -0,9 0 1
32 0,1 0,2 0,1 0,1 -1 1
33 0,1 0 0,2 0,1 0,2 1
34
35 Матрица А обратная
36 -0,909 0,029 -0,017 -0,001 0,147 0,751
37 0,007 -0,971 0,150 0,082 0,147 0,585 Матрица B
38 0,008 -0,003 -0,832 0,083 -0,015 0,758 0 0 0 0 0 1
39 -0,091 0,035 -0,021 -1,001 0,176 0,902
40 0,001 -0,162 0,094 0,007 -0,808 0,868 Стационарное распределение
0,098
0,026
0,151
0,082
0,132
0,510
50
Пример 2. Исследовать цепь Маркова с матрицей перехода
⎛0 0 0,3 0 0,7 ⎞
0
⎜ ⎟
⎜ 0,1 0 0 0 0 0,9 ⎟
⎜ ⎟
⎜ 0,2 0,7 ⎟
~ ⎜ 0,1 0 0 0
⎟.
P=
⎜0 0 0 0,5 0,5 0 ⎟
⎜ ⎟
⎜ 0,1 0,2 0,2 0 0 0,5 ⎟
⎜ ⎟
⎜ 0,1 0 0,3 0 0,2 0,4 ⎟⎠
⎝
Отметим сразу, что в данном случае состояние S 4 является несуществен-
ным (перейти из него в состояние S5 можно, но вернуться назад нельзя).
Применив к решению данного примера файл EXCEL, созданный для при-
мера 1, получим следующее стационарное распределение вероятностей со-
стояний:
P1 P2 P3 P4 P5 P6
0,091 0,029 0,213 0 0,147 0,520
Как отмечалось выше, предельная стационарная вероятность несуществен-
ного состояния всегда оказывается равной нулю, что мы и получили.
P1 P2 P3 P4 P5 P6
0 0 0 1 0 0
51
Пример 4. Исследовать цепь Маркова с матрицей перехода
⎛0 0 0,2 0,1 0 0,7 ⎞
⎜ ⎟
⎜0 1 0 0 0 0 ⎟
⎜ ⎟
⎜ 0,2 0,7 ⎟
~ ⎜ 0,1 0 0 0
⎟.
P=
⎜0 0 0 1 0 0 ⎟
⎜ ⎟
⎜ 0,1 0,2 0,1 0,1 0 0,5 ⎟
⎜ ⎟
⎜ 0,1 0 0,2 0,1 0,2 0,4 ⎟⎠
⎝
Здесь, в отличие от предыдущего примера, имеется 2 состояния по-
глощения: S2 и S 4 . Введя эту матрицу в наш файл, обнаружим ошибку,
связанную с тем, что матрица A оказывается вырожденной. Очевидная
причина этой неудачи состоит в том, что в результате некоторого количе-
ства переходов система может «застрять» либо в состоянии S2 , либо в со-
стоянии S 4 . Как в этом примере, так и в примере 3, эргодический процесс
отсутствует, так как среди существенных состояний системы имеются не-
сообщающиеся.
52
Pi = lim Pi (t ), i = 1,2,3 ,
t →∞
A B C D E F G H I J
1
2 Матрица интенсивностей Матрица А Матрица А обр
3 -2 0 2 -2 0 1 -0,16667 0,055556 0,111111
4 6 -8 2 6 -8 1 -0,04167 -0,06944 0,111111
5 3 4 -7 3 4 1 0,666667 0,111111 0,222222
6 Матрица В Стац распред. вероятностей
7 0 0 1 0,666667 0,111111 0,222222
53
Используя это равенство, при заданном начальном векторе P(0) можно
получить временной ход P(t ) с шагом ∆t . На каждом шаге для вычисле-
ния вектора производных используем равенство (2.6)
P ′(t ) = P (t ) Λ .
В ячейку C7 введём значение ∆t = 0,05. (Отметим здесь, что шаг по вре-
мени должен быть достаточно мал). В ячейку A10 введём начальное значе-
ние времени (0), а в ячейку A11 — формулу =A10+$C$7. В диапазон
B10:D10 введём начальное распределение вероятностей состояний P(0) .
Выделим диапазон E10:G10 и введём в него функцию МУМНОЖ, умно-
жающую матрицу P(0) на матрицу интенсивностей. (Напомним, что это
функция массива, и при её применении потребуется перейти в режим
правки F2, как это описано в пункте 5.1. Учтите также, что ссылки на мас-
сив матрицы интенсивностей должны быть безусловными для последую-
щего автозаполнения таблицы). В ячейки H10:J10 введём формулы (5.1),
которые будут вычислять точное решение системы Колмогорова
P1 (t ), P2 (t ), P3 (t ) .
В ячейки B11:D11 необходимо ввести формулы (5.2), которые будут
вычислять вероятности состояний на новом временном шаге через значе-
ния вероятностей и их производных с предыдущего шага. Для ячейки B11
это будет выглядеть как =B10+E10*$C$7, а к С11 и D11 можно применить
автозаполнение. Теперь выделим диапазон E10:J10 и выполним автозапол-
нение в область E11:J11. После этого остаётся лишь выделить строку
A11:J11 и выполнить автозаполнение произвольного количества строк в
направлении вниз.
A B C D E F G H I J
1
2 Матрица интенсивностей Матрица А Матрица А обр
3 -2 0 2 -2 0 1 -0,1667 0,05556 0,11111
4 6 -8 2 6 -8 1 -0,0417 -0,0694 0,11111
5 3 4 -7 3 4 1 0,66667 0,11111 0,22222
6 Матрица В Стац распред. вероятностей
7 дельта t 0,05 0 0 1 0,66667 0,11111 0,22222
8
9 t Вероятности Производные Точное решение
10 0 1 0 0 -2 0 2 1 0 0
11 0,05 0,9 0 0,1 -1,5 0,4 1,1 0,91190 0,00757 0,08053
… … … … … … … … … … …
54
2) производные от вероятностей при этом приближаются к нулю;
3) численное (приближённое) и аналитическое (точное) решение сис-
темы уравнений Колмогорова очень хорошо совпадают.
Вероятности
1
0,8
0,6
0,4
0,2
0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
t
Рис. 5.
55
⎛ − kλ kλ 0 0 ... 0 0 0 ⎞
⎜ ⎟
⎜ µ − µ − ( k − 1)λ1 ( k − 1)λ 0 ... 0 0 0 ⎟
Λ=⎜ ⎟.
⎜ ... ... ... ... ... ... ... ... ⎟
⎜ ⎟
⎜ 0 0 0 0 ... 0 kµ − kµ ⎟⎠
⎝
Пусть, например, число турникетов k = 5 . Тогда
⎛ - 5λ 5λ 0 0 0 0 ⎞
⎜ ⎟
⎜µ -4λ − µ 4λ 0 0 0 ⎟
⎜ ⎟
⎜0 2µ − 2 µ − 3λ 3λ 0 0 ⎟
Λ=⎜ ⎟.
⎜0 0 3µ - 3µ − 2λ 2λ 0 ⎟
⎜ ⎟
⎜0 0 0 4µ − 4µ − λ λ ⎟
⎜ ⎟
⎜0 0 0 0 5µ - 5µ ⎟⎠
⎝
Напомним схему решения. Из системы однородных уравнений
P st Λ = 0 , где P st = ( P1 , P2 , ..., Pk ) , можно исключить одно (например, по-
k
следнее) уравнение, заменив его условием ∑ Pi = 1. В результате система
i =1
примет вид
P st A = B ,
где матрица A есть изменённая матрица Λ (последний столбец заменён
единицами), а B = (0, 0, ..., 0, 1) — матрица размером 1 × k . Таким образом,
P st = BA −1 . Описаний действий в EXCEL мы здесь приводить не станем,
так как они не содержат ничего нового по сравнению с пунктом 5.2. Убе-
дитесь, что при пяти турникетах для t = 50, s = 1 предельное стационарное
распределение вероятностей получается таким же, как при решении при-
мера 3 в параграфе 3.
Преимущество описанного компьютерного решения состоит в том,
что в нём реализован общий подход к процессам с непрерывным време-
нем. Необходимо лишь иметь матрицу интенсивностей.
56
ту. Среднее время переговоров с диспетчером составляет 3 мин. Время пе-
реговоров распределено по показательному закону. При разном числе ли-
ний связи (от 1 до 10) найти абсолютную и относительную пропускные
способности диспетчерской службы, вероятность отказа, среднее число за-
нятых каналов. Определить, сколько линий связи должна иметь диспетчер-
ская служба, чтобы вероятность отказа не превышала 0,01.
Отметим, что последний пункт задания представляет собой обрат-
ную задачу – задачу оптимизации.
Введём исходные данные об интенсивности входящего потока и
среднем времени обслуживания в ячейки F1 и F2. Интенсивность потока
обслуживания и коэффициент загрузки будут вычисляться в ячейках F3 и
F4 по формулам =1/F2 и =F1/F3 соответственно.
Для вычисления вероятности того, что все каналы свободны, по
формуле (4.6)
−1
⎛ ρ2 ρ3 ρk ⎞
P0 = ⎜⎜1 + ρ + + + ... + ⎟⎟
⎝ 2! 3! k ! ⎠
выполним следующие действия.
1) Введём целые числа от 1 до 10 в диапазоны B6:K6 и A8:A17.
2) Диапазон B7:K7 заполним единицами (это будет первое слагаемое в
скобках в формуле (4.6)).
3) В ячейку K8 введём формулу =$F$4 (второе слагаемое формулы
(4.6)).
4) В ячейку K9 введём =K8*$F$4/$A9 (у последней ссылки фиксирует-
ся только номер столбца, но не строки).
5) От «источника» K9 выполним автозаполнение ячеек K10:K17.
6) От «источников» K9, K10, …, K17 последовательно выполняем авто-
заполнение соответствующих строк (справа налево), всякий раз
уменьшая число заполненных клеток на 1 (см. таблицу).
7) Диапазон B18:K18 заполним суммами соответствующих столбцов
(от строки 7 до строки 17).
8) В диапазон B19:K19 введём формулы, вычисляющие обратные вели-
чины от содержимого ячеек B18:K18.
57
A B C D E F G H I J K
1 λ 0,8
2 M (Tобсл ) 3
3 µ 0,333
4 ρ 2,4
5
6 1 2 3 4 5 6 7 8 9 10
7 1 1 1 1 1 1 1 1 1 1
8 1 2,4 2,4 2,4 2,4 2,4 2,4 2,4 2,4 2,4 2,4
9 2 2,88 2,88 2,88 2,88 2,88 2,88 2,88 2,88 2,88
10 3 2,304 2,304 2,304 2,304 2,304 2,304 2,304 2,304
11 4 1,382 1,382 1,382 1,382 1,382 1,382 1,382
12 5 0,664 0,664 0,664 0,664 0,664 0,664
13 6 0,265 0,265 0,265 0,265 0,265
14 7 0,091 0,091 0,091 0,091
15 8 0,027 0,027 0,027
16 9 0,007 0,007
17 10 0,002
18 сумма 3,4 6,28 8,584 9,966 10,63 10,90 10,99 11,01 11,02 11,02
19 P0 0,294 0,159 0,116 0,100 0,094 0,092 0,091 0,091 0,091 0,091
20 P1 0,706 0,382 0,280 0,241 0,226 0,220 0,218 0,218 0,218 0,218
21 P2 0,000 0,459 0,336 0,289 0,271 0,264 0,262 0,261 0,261 0,261
22 P3 0,000 0,000 0,268 0,231 0,217 0,211 0,210 0,209 0,209 0,209
23 P4 0,000 0,000 0,000 0,139 0,130 0,127 0,126 0,126 0,125 0,125
24 P5 0,000 0,000 0,000 0,000 0,062 0,061 0,060 0,060 0,060 0,060
25 P6 0,000 0,000 0,000 0,000 0,000 0,024 0,024 0,024 0,024 0,024
26 P7 0,000 0,000 0,000 0,000 0,000 0,000 0,008 0,008 0,008 0,008
27 P8 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,002 0,002 0,002
28 P9 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,001
29 P10 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
30 ∑ 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
31 Pотк 0,706 0,459 0,268 0,139 0,062 0,024 0,008 0,002 0,001 0,000
32 Q 0,294 0,541 0,732 0,861 0,938 0,976 0,992 0,998 0,999 1,000
33 A 0,235 0,433 0,585 0,689 0,750 0,781 0,793 0,798 0,799 0,800
34 k 0,706 1,299 1,756 2,067 2,250 2,342 2,380 2,394 2,398 2,400
58
6. Моделирование случайных процессов
и СМО методом Монте-Карло
59
специальная функция без аргументов СЛЧИС() (математические). Обо-
значим такое случайное число через γ . Нас будут интересовать три вида
единичного жребия, которые мы рассмотрим последовательно.
Произошло ли данное событие? Пусть нам известно, что событие A
имеет вероятность p . Можно условиться считать, что если γ приняло зна-
чение меньше p , то событие A произошло; при γ ≥ p событие не про-
изошло. Вопрос о том, почему «граничный» случай γ = p , трактуется как
ненаступление события, не имеет никакого практического значения. Учи-
тывая точность компьютерного представления действительных чисел, ве-
роятностью такого совпадения можно просто пренебречь. Во всяком слу-
чае, на результат статистического моделирования это никакого влияния не
оказывает.
Какое из нескольких событий, образующих полную группу несовме-
стных событий, произошло? Пусть события A1 , A2 , ..., Ak наступают с ве-
роятностями p1 , p 2 , ..., p k , образуя полную группу несовместных событий,
так что
k
∑ pi = 1.
i =1
да A1
γ < p1 да A2
нет γ < p1 + p 2
нет
…
да Ak −1
γ < p1 + p 2 + ... + p k −1
нет
Ak
60
Пусть, например, A1 , A2 , ..., A5 – равновозможные события, образующие
полную группу несовместных событий (т.е. каждое из них имеет вероят-
ность 0,2). Случайное число приняло значение γ = 0,68 . Поскольку
0,2 + 0,2 + 0,2 < 0,68 < 0,2 + 0,2 + 0,2 + 0,2 ,
считаем, что произошло событие A4 .
P( X = x i ) = C 3xi ⎜ ⎟ ⎜ ⎟ , где x i = 0, 3 ,
⎝4⎠ ⎝ 4⎠
т.е.
xi 0 1 2 3
27 27 9 1
pi
64 64 64 64
61
и, следовательно,
x−a
=γ ⇒ x = (b − a )γ + a . (6.2)
b−a
Заметим, что в данном случае связь между γ и x достаточно очевидна:
умножение на (b − a ) изменяет длину интервала, добавление a смещает
его начало.
~ ⎛ 0,4 0,6 ⎞
P = ⎜⎜ ⎟⎟ .
⎝ 0,3 0,7 ⎠
Найти стационарное распределение вероятностей по состояниям.
На листе EXCEL размещаем исходные данные и формируем табли-
цу, моделирующую случайный процесс методом Монте-Карло. Для опре-
деления предельного стационарного режима мы должны получить доста-
точно длинную реализацию случайного процесса. В этом случае начальное
состояние можно задать любым. Поэтому в ячейку A5 введём 0 (нулевой
момент времени), в ячейку C5 – число 1 (состояние S 1 ) или число 2 (со-
стояние S 2 ). В ячейку B6 вводим =СЛЧИС(), а в ячейку C6 – формулу,
которая будет определять состояние процесса в момент времени 1. Эта
процедура задаётся в соответствии с приведённым выше правилом: собы-
тие, имеющее вероятность p , наступает в том случае, если случайное чис-
ло γ оказывается меньше, чем p . Поэтому, если предыдущим состоянием
является S1 , то в случае γ < P11 система останется в этом состоянии; в про-
тивном случае произойдёт переход в состояние S 2 . Если же предыдущим
состоянием является S 2 , то в случае γ < P21 произойдёт переход в состоя-
ние S1 ; в противном случае система останется в то же состоянии.
62
A B C
1 Матрица перехода
2 0,4 0,6
3 0,3 0,7
4 Время Сл. число Состояние
5 0 1
6 =ЕСЛИ(C5=1;ЕСЛИ(B6<$B$2;1;2);
=A5+1 =СЛЧИС() ЕСЛИ(B6<$B$3;1;2))
7
8
Знак $ фиксирует адреса ячеек, которые не должны измениться при после-
дующем автозаполнении. Теперь выделим ячейки A6:C6 и выполним авто-
заполнение вниз до строки 10005 (при этом реализация случайного про-
цесса будет включать 10000 моментов времени).
Когда таблица велика и не помещается на экране, удобно закрепить
строку заголовков. Для этого щёлкните по ячейке A6, войдите в меню Ок-
но и выберите Закрепить области. Теперь, даже если вы переместитесь
вниз таблицы, названия столбцов останутся на экране.
Под таблицей в двух свободных ячейках поместите формулы
=СЧЁТЕСЛИ(C6:C10005;1) и =СЧЁТЕСЛИ(C6:C10005;2) (функция СЧЁ-
ТЕСЛИ относится к статистическим). В этих ячейках будет подсчиты-
ваться суммарное время T1 и T2 , которое система провела в состояниях S1
и S 2 соответственно.
Щелчком мыши активизируйте любую свободную ячейку рабочего
листа и раз за разом нажимайте на клавишу Delete. При каждом нажатии
будет генерироваться новая реализация продолжительностью T = 10000, и,
следовательно, будут появляться новые значения T1 и T2 . Стационарное
предельное распределение вероятностей состояний может быть оценено
как P1 = T1 / T , P2 = T2 / T .
Пример 2. (См. пример 1, пункты 2.1, 2.2, 2.3). Задана матрица ин-
тенсивностей переходов для процесса с непрерывным временем
⎛− 3 1 2⎞
⎜ ⎟
Λ = ⎜ 0 − 2 2 ⎟.
⎜ ⎟
⎜ 1 0 − 1⎟⎠
⎝
63
Найти стационарное распределение вероятностей по состояниям.
Применим искусственную дискретизацию времени подобно тому,
как мы это делали при численном решении систем дифференциальных
уравнений Колмогорова (пункт 5.2). Будем считать, что время изменяется
дискретно с некоторым малым шагом ∆t . Мы знаем (пункт 2.1), что если
∆t мало, то
Pij (t + ∆t ) ≈ λij ∆t (6.3)
A B C D
1 Матрица интенсивностей
2 -3 1 2
3 0 -2 2
4 1 0 -1
5 Матрица перехода за время ∆t = 0,1
6 0,7 0,1 0,2
7 0 0,8 0,2
8 0,1 0 0,9
9 Время Сл. число Состояние
10 0 1
Формула
11 =A10+$D$5 =СЛЧИС()
(6.5)
12
64
(6.4). Диапазон ячеек A9:C11 заполняется подобно тому, как это было сде-
лано в примере 1. Однако формула для генерации состояния процесса на
текущем шаге (в ячейке C11) будет, разумеется, несколько более сложной,
чем в примере 1 (из-за увеличения размерности матрицы перехода):
=ЕСЛИ(C10=1;ЕСЛИ(B11<$B$6;1;ЕСЛИ(B11<$B$6+$C$6;2;3));
ЕСЛИ(C10=2;ЕСЛИ(B11<$B$7;1;ЕСЛИ(B11<$B$7+$C$7;2;3)); (6.5)
ЕСЛИ(B11<$B$8;1;ЕСЛИ(B11<$B$8+$C$8;2;3)))).
Данной формуле можно было бы придать более простой вид, если учесть
тот факт, что в матрице перехода есть элементы, равные нулю. Однако в
таком случае изготовленный нами файл не мог бы использоваться для ре-
шения аналогичных задач с другими исходными данными.
65
⎛ − 0,2 0,2 0⎞
⎜ ⎟
Λ = ⎜ 0,5 − 0,6 0,1⎟ .
⎜ 0 1 − 1⎟⎠
⎝
Теперь можно обратиться к файлу, изготовленному для решения примера 2
настоящего параграфа, задав шаг по времени, скажем, ∆t = 0,5 . Легко убе-
диться, что при каждой реализации оценки вероятностей состояний оказы-
ваются близки к ранее полученному нами аналитическому решению
P1 = 25 / 36, P2 = 10 / 36 P3 = 1 / 36 .
66
F (t ) = 1 − e − λ t
и, следовательно,
1
e − λt = 1 − γ ⇒ − λt = ln(1 − γ ) ⇒ t = − ln(1 − γ ) .
λ
Легко понять, что в силу специфики поведения случайного числа γ , по-
следней формуле можно придать более простой вид:
ln γ
t=− . (6.6)
λ
Подготовим таблицу для моделирования СМО методом Монте-Карло.
A B C D E F G H
1 λ 0,6
2 µ 0,4
3
Счёт-
Время
Момен- Оконча- чик об-
Слу- между Слу- Время
Номер ты при- ние об- служен
4 чайное прихо- чайное обслужи-
заявки хода служива- ных
число дами число вания
заявок ния заявок
заявок
67
ln γ
tобсл = − .
µ
Для этого нужно в ячейку F5 ввести формулу =(1/$B$2)*(-LN(E5)).
Время окончания обслуживания есть время поступления заявки плюс
время обслуживания. Поэтому в ячейку G5 вводим формулу =D5+F5. В
ячейку H5 вводим 1 (первая поступившая заявка обслужена).
Поскольку в задаче рассматривается одноканальная СМО с отказа-
ми, следующая пришедшая заявка будет обслуживаться только в том слу-
чае, если к моменту её прихода канал освободится. Поэтому в столбце D
мы должны пропустить все ячейки, в которых числа оказались меньше,
чем число в ячейке G5. Как только число в столбце D окажется больше,
чем в G5, проводим описанную выше процедуру: генерация случайного
числа, вычисление времени обслуживания и момента окончания обслужи-
вания, запись 1 в счётчик обслуженных заявок (конечно, с использованием
копирования). Снова отыскиваем заявку, пришедшую следом за окончани-
ем обслуживания и т.д. Число обслуженных заявок можно подсчитать с
помощью функции СЧЁТЕСЛИ, либо с помощью обычного суммирования.
Приводим пример результатов расчёта.
A B C D E F G H
1 λ 0,6
2 µ 0,4
3
Но- Слу- Момен- Слу- Оконча- Счётчик
Время меж- Время
мер чай- ты при- чай- ние об- обслу-
4 ду прихода- обслу-
заяв- ное хода ное служи- женных
ми заявок живания
ки число заявок число вания заявок
5 1 0,377 1,627 1,627 0,274 3,241 4,868 1
6 2 0,795 0,383 2,009
7 3 0,794 0,385 2,394
8 4 0,830 0,311 2,705
9 5 0,297 2,023 4,727
10 6 0,901 0,175 4,902 0,381 2,416 7,317 1
11 7 0,695 0,606 5,508
… … … … … … … … …
100 96 0,442 1,362 128,240
101 97 0,212 2,583 130,823
102 98 0,819 0,333 131,157 0,034 8,445 139,601
103 99 0,150 3,164 134,320
104 100 0,505 1,140 135,460
105 всего 41
106
68
жена на 140-й минуте, т.е. за пределами названного временного интерва-
ла). Таким образом, для данной реализации относительная пропускная
способность СМО составила 41/ 100 = 0,41, что очень хорошо совпадает с
аналитическим расчётом (0,4). Абсолютная пропускная способность равна
41 / 135,46 = 0,3 , что несколько превышает результат аналитического рас-
чёта (0,24). Это связано с тем, что в данной реализации интенсивность
входящего потока заявок оказалась выше заданной (0,74 против 0,6).
69
14. При каком условии марковская цепь с конечным числом состояний
имеет единственное стационарное предельное распределение вероятно-
стей?
15. Чему равна предельная стационарная вероятность: (1) несуществен-
ного состояния? (2) единственного состояния поглощения (при отсутствии
других классов существенных состояний)?
16. Почему для описания процессов с непрерывным временем применя-
ется не матрица перехода, а матрица интенсивностей?
17. Объясните тот факт, что интенсивность перехода может быть вели-
чиной как положительной, так и отрицательной. На каких местах в матри-
це интенсивностей стоят отрицательные элементы, и почему?
18. Как по интенсивности перехода приближённо рассчитать вероят-
ность перехода из состояния i в состояние j за малое время ∆t ? Рассмот-
рите раздельно случаи i ≠ j и i = j .
19. Охарактеризуйте систему уравнений Колмогорова для марковского
процесса с непрерывным временем.
20. Запишите систему уравнений Колмогорова в матричном виде.
21. Как выглядит условие стационарности марковского процесса с не-
прерывным временем в матричном виде?
22. Нарисуйте граф состояний процесса гибели и размножения. Почему
для этого процесса всегда имеется предельное стационарное распределе-
ние вероятностей?
23. В каком случае система массового обслуживания (СМО) называется
открытой, и в каком – замкнутой? Приведите примеры.
24. Что такое СМО с отказами? Что такое СМО с ожиданием (с очере-
дью)?
25. Приведите примеры одноканальных и многоканальных СМО.
26. Назовите и охарактеризуйте условия, которым должен удовлетво-
рять простейший поток заявок.
27. Дайте определение интенсивности входящего потока заявок.
28. Какому закону распределения подчиняется вероятность того, что в
течение промежутка времени (0, t ) поступит ровно k заявок?
29. Почему простейший поток называется также пуассоновским пото-
ком?
30. Какому закону распределения подчиняется время между поступле-
ниями заявок в простейшем потоке?
31. Как связаны между собой интенсивность потока обслуживания и
среднее время обслуживания?
32. Что такое относительная пропускная способность СМО с отказами?
33. Как называется среднее число заявок, обслуживаемых СМО с отка-
зами в единицу времени?
34. Как вычисляется коэффициент загрузки канала?
35. Перечислите характеристики СМО с неограниченной очередью.
70
36. Почему для СМО с неограниченной очередью не вычисляются веро-
ятность отказа и относительная пропускная способность? Как для такой
СМО найти абсолютную пропускную способность?
37. Сформулируйте идею метода Монте-Карло.
38. Пусть имеется некоторый способ генерации случайных чисел, рав-
номерно распределённых в интервале от 0 до 1. Как разыграть случайное
событие, наступающее с вероятностью p ?
39. Как с помощью метода Монте-Карло разыграть дискретную случай-
ную величину с заданным законом распределения?
40. Как при статистическом моделировании разыгрывается непрерыв-
ная случайная величина с известной функцией распределения?
71
Задачи контрольной работы
Задача 1
Дана матрица перехода цепи Маркова. В начальный момент система
находится в состоянии S1 . Требуется:
1) построить граф состояний и дать анализ характера состояний системы;
2) найти матрицу перехода за 2 шага;
3) найти распределение вероятностей по состояниям после 2-го шага;
4) найти стационарное распределение вероятностей по состояниям или
дать аргументированное объяснение того факта, что стационарное со-
стояние не существует или не является единственным.
⎛0 0,1 0,1 0 0,1 0,7 ⎞
⎜ ⎟
⎜ 0,2 0,1 0 0,1 0 0,6 ⎟
⎜ ⎟
⎜ 0,4 ⎟
~ ⎛ 0,4 0,6 ⎞ ~ ⎜ 0,2 0,2 0,1 0,1 0
⎟.
Вариант 1. а) P = ⎜⎜ ⎟⎟ ; б) P =
⎝ 0,5 0,5 ⎠ ⎜ 0,2 0 0,1 0 0,2 0,5 ⎟
⎜ ⎟
⎜ 0,1 0,2 0 0 0 0,7 ⎟
⎜ ⎟
⎜ 0,1 0,1 0,2 0,1 0,2 0,3 ⎟⎠
⎝
72
⎛ 0,2 0,1 0,1 0,1 0,2 0,3 ⎞
⎜ ⎟
⎜ 0,1 0,2 0,1 0,1 0,1 0,4 ⎟
⎜ ⎟
⎜ 0,5 ⎟
~ ⎛ 0,2 0,8 ⎞ ~ ⎜ 0,2 0,1 0,1 0,1 0
⎟.
Вариант 4. а) P = ⎜⎜ ⎟⎟ ; б) P =
⎝ 0,4 0,6 ⎠ ⎜ 0,2 0 0,1 0,1 0 0,6 ⎟
⎜ ⎟
⎜0 0,1 0,2 0 0,1 0,6 ⎟
⎜ ⎟
⎜ 0,1 0,1 0,1 0,2 0,2 0,3 ⎟⎠
⎝
73
⎛ 0,1 0 0,1 0,1 0,1 0,6 ⎞
⎜ ⎟
⎜0 0 0,1 0,2 0,1 0,6 ⎟
⎜ ⎟
⎜ 0,9 ⎟
~ ⎛ 0 1 ⎞ ~ ⎜0 0 0 0 0,1
⎟.
Вариант 8. а) P = ⎜⎜ ⎟⎟ ; б) P =
⎝ 0,2 0,8 ⎠ ⎜0 0,1 0,1 0,1 0,1 0,6 ⎟
⎜ ⎟
⎜0 0,2 0,1 0,1 0,1 0,5 ⎟
⎜ ⎟
⎜ 0,1 0,1 0,1 0,1 0,1 0,5 ⎟⎠
⎝
Задача 2
Задан граф состояний цепи Маркова с непрерывным временем. В на-
чальный момент времени система находится в состоянии S1 . Требуется:
1) составить матрицу интенсивностей переходов;
2) составить систему дифференциальных уравнений Колмогорова;
3) не решая самой системы, найти предельное стационарное распреде-
ление вероятностей;
4) получить численное решение системы уравнений Колмогорова с ша-
гом ∆t = 0,05 и убедиться, что при достаточно большом времени оно
выходит на стационарное решение.
74
Вариант 1 Вариант 2
2 1
S1 S2 S1 S2
4 1
5 2 1
5 1 1 1
S3 S3
Вариант 3 Вариант 4
2
S1 S2 S1 S2
2 1
4 5 4 2
1 1 1
S3 S3
Вариант 5 Вариант 6
1
S1 S2 S1 S2
2
4 2 1
1 1 2
S3 S3
Вариант 7 Вариант 8
2 4
S1 S2 S1 S2
3
2 2
1 1 7 1
S3 S3
Вариант 9 Вариант 10
1 2
S1 S2 S1 S2
1 1
3 6
1 2 1 2
S3 S3
75
Задача 3
Текст задания см. в примере 3 параграфа 3. Принять число турнике-
тов k равным 5. Другие параметры задать в соответствии с номером вари-
анта. Задание решить: 1) по формулам, полученным для процесса гибели и
размножения; 2) с помощью матрицы интенсивностей в EXCEL.
Вариант 1. t = 60, s = 2.
Вариант 2. t = 65, s = 3.
Вариант 3. t = 70, s = 4.
Вариант 4. t = 75, s = 5.
Вариант 5. t = 80, s = 6.
Вариант 6. t = 85, s = 7.
Вариант 7. t = 90, s = 8.
Вариант 8. t = 95, s = 9.
Вариант 9. t = 100, s = 10.
Вариант 10. t = 105, s = 11.
Задача 4
1) Первая АТС может иметь несколько линий связи. Поток вызовов
простейший с интенсивностью λ вызовов в минуту. Среднее время пере-
говоров составляет t минут. Время переговоров распределено по показа-
тельному закону. При числе линий связи, равном 3 найти абсолютную и
относительную пропускные способности АТС, вероятность отказа, среднее
число занятых линий связи. Определить, сколько линий связи должна
иметь АТС, чтобы вероятность отказа не превышала α .
2) На второй АТС есть только одна линия связи, но зато установле-
но устройство, позволяющее удерживать поступившие вызовы в неограни-
ченной очереди. Предположения о потоках заявок и обслуживания — те
же, что для первой АТС. Найти среднее число заявок в системе, среднее
время пребывания заявки в системе, среднее число заявок в очереди, сред-
нее время пребывания заявки в очереди, вероятность того, что канал занят
(степень загрузки канала).
Вариант 1. λ =0,3, t=2,5, α =0,006.
Вариант 2. λ =0,3, t=2,7, α =0,003.
Вариант 3. λ =0,3, t=2,9, α =0,004.
Вариант 4. λ =0,2, t=3,5, α =0,006.
Вариант 5. λ =0,1, t=3,5, α =0,005.
Вариант 6. λ =0,4, t=2,2, α =0,003.
Вариант 7. λ =0,2, t=2,6, α =0,006.
Вариант 8. λ =0,4, t=2,1, α =0,003.
Вариант 9. λ =0,3, t=3,1, α =0,005.
76
Вариант 10. λ =0,2, t=2,8, α =0,004.
Задача 5
Взяв в качестве исходных данных граф состояний из задачи 2 кон-
трольной работы, смоделировать случайный процесс методом Монте-
Карло с шагом по времени ∆t = 0,1 . Получить 10 реализаций длиной
T = 1000 каждая, оценивая всякий раз стационарное предельное распреде-
ление вероятностей состояний. Результаты оформить в виде таблицы, по-
местив в неё кроме оценок предельных вероятностей точное решение
(пункт 3 задачи 2).
Библиографический список
77