Теория массового обслуживания в исследовании процессов управления. Преобразование равновероятных случайных чисел в числа, подчиняющиеся установленному ранее закону распределения

Марковские случайные процессы

Названы по имени выдающегося русского математика А.А.Маркова, впервые начавшего изучение вероятностной связи случайных величин и создавшего теорию, которую можно назвать "динамикой вероятностей". В настоящее время теория марковских процессов и ее приложения широко применяются в самых различных областях и, в том числе, в исследовании операций и теории принятия оптимальных решений.

Марковский процесс - дискретный или непрерывный случайный процесс X (t ), который можно полностью задать с помощью двух величин:

· вероятности P (x ,t ) того, что случайная величина x (t ) в момент времени t равна x , и

· вероятности P (x 2 , t 2 |x 1 ,t 1) того, что если x при t = t 1 равен x 1 , то при t = t 2 он равен x 2 .

Вторая из этих величин называется вероятностью перехода из состояния x 1 при t = t 1 в состояние x 2 при t = t 2 .

Цепями Маркова называют дискретные по времени и значению Марковские

процессы.

Пример 1

Предположим, что речь идет о последовательных бросаниях монеты при игре "в орлянку "; монета бросается в условные моменты времени t = 0, 1, ... и на каждом шаге игрок может выиграть ±1 с одинаковой вероятностью 1/2, таким образом в момент t его суммарный выигрыш есть случайная величина ξ(t) с возможными значениями j = 0, ±1, ... При условии, что ξ(t) = k, на следующем шаге выигрыш будет уже равен ξ(t+1) = k ± 1, принимая указанные знчения j = k ± 1 c одинаковой вероятностью 1/2. Условно можно сказать, что здесь с соответствующей вероятностью происходит переход из состояния ξ(t) = k в состояние ξ(t+1) = k ± 1.

19.5.1. Формулы и определения Марковских цепей

Обобщая этот пример, можно представить себе "систему" со счетным числом возможных "фазовых" состояний, которая с течением дискретного времени t = 0, 1, ... случайно переходит из состояния в состояние.

Пусть ξ(t) есть ее положение в момент t в результате цепочки случайных переходов ξ(0) - ξ(1) - ... - ξ(t) - ... ... (1)

Формально обозначим все возможные состояния целыми i = 0, ±1, ... Предположим, что при известном состоянии ξ(t) = k на следующем шаге система переходит в состояние ξ(t+1) = j с условной вероятностью

p kj = P(ξ(t+1) = j|ξ(t) = k) ... (2)

независимо от ее поведения в прошлом, точнее, независимо от цепочки переходов (1) до момента t:

P(ξ(t+1) = j|ξ(0) = i, ..., ξ(t) = k) = P(ξ(t+1) = j|ξ(t) = k) при всех t, k, j ... (3) - марковское свойство.

Такую вероятностную схему называют однородной цепью Маркова со счетным числом состояний - ее однородность состоит в том, что определенные в (2) переходные вероятности p kj , ∑ j p kj = 1, k = 0, ±1, ..., не зависят от времени, т.е.

P(ξ(t+1) = j|ξ(t) = k) = P ij - матрица вероятностей перехода за один шаг не зависит от n. Ясно, что P ij - квадратная матрица с неотрицатель-ными элементами и единичными суммами по строкам. Такая матрица (конечная или бесконечная) называется стохастической матрицей. Любая стохастическая матрица может служить матрицей переходных вероятностей.

Практический пример 1.

Предположим, что некая фирма осуществляет доставку оборудования по Москве: в северный округ (обозначим А), южный (В) и центральный (С). Фирма имеет группу курьеров, которая обслуживает эти районы. Понятно, что для осуществления следующей доставки курьер едет в тот район, который на данный момент ему ближе. Статистически было определено следующее:

1) после осуществления доставки в А следующая доставка в 30 случаях осуществляется в А, в 30 случаях - в В и в 40 случаях - в С;

2) после осуществления доставки в В следующая доставка в 40 случаях осуществляется в А, в 40 случаях - в В и в 20 случаях - в С;

3) после осуществления доставки в С следующая доставка в 50 случаях осуществляется в А, в 30 случаях - в В и в 20 случаях - в С.

Таким образом, район следующей доставки определяется только предыдущей доставкой.

Матрица вероятностей перехода будет выглядеть следующим образом:

Например, р 12 = 0.4 - это вероятность того, что после доставки в район В следующая доставка будет производиться в районе А. Допустим, что каждая доставка с последующим перемещением в следующий район занимает 15 минут. Тогда, в соответствии со статистическими данными, через 15 минут 30% из курьеров, находившихся в А, будут в А, 30% будут в В и 40% - в С. Так как в следующий момент времени каждый из курьеров обязательно будет в одном из округов, то сумма по столбцам равна 1. И поскольку мы имеем дело с вероятностями, каждый элемент матрицы 0<р ij <1. Наиболее важным обстоятельством, которое позволяет интерпретировать данную модель как цепь Маркова, является то, что местонахождение курьера в момент времени t+1 зависит только от местонахождения в момент времени t.

Теперь зададим простой вопрос: если курьер стартует из С, какова вероятность того, что осуществив две доставки, он будет в В, т.е. как можно достичь В в 2 шага? Итак, существует несколько путей з С в В за 2 шага:

1) сначала из С в С и потом из С в В;

2) С-->B и B-->B;

3) С-->A и A-->B.

Учитывая правило умножения независимых событий, получим, что искомая вероятность равна:

P = P(CA)*P(AB) + P(CB)*P(BB) + P(CC)*P(CB)

Подставляя числовые значения:

P = 0.5*0.3 + 0.3*0.4 + 0.2*0.3 = 0.33

Полученный результат говорит о том, что если курьер начал работу из С, то в 33 случаях из 100 он будет в В через две доставки. Ясно, что вычисления просты, но если Вам необходимо определить вероятность через 5 или 15 доставок - это может занять довольно много времени.

Рассмотрим более простой способ вычисления подобных вероятностей. Для того, чтобы получить вероятности перехода из различных состояний за 2 шага, возведем матрицу P в квадрат:

Тогда элемент (2, 3) - это вероятность перехода из С в В за 2 шага, которая была получена выше другим способом. Заметим, что элементы в матрице P 2 также находятся в пределах от 0 до 1, и сумма по столбцам равна 1.

Т.о. если Вам необходимо определить вероятности перехода из С в В за 3 шага:

1 способ. p(CA)*P(AB) + p(CB)*P(BB) + p(CC)*P(CB) = 0.37*0.3 + 0.33*0.4 + 0.3*0.3 = 0.333, где p(CA) - вероятность перехода из С в А за 2 шага (т.е. это элемент (1, 3) матрицы P 2).

2 способ. Вычислить матрицу P 3:

Матрица переходных вероятностей в 7 степени будет выглядеть следующим образом:

Легко заметить, что элементы каждой строки стремятся к некоторым числам. Это говорит о том, что после достаточно большого количества доставок уж не имеет значение в каком округе курьер начал работу. Т.о. в конце недели приблизительно 38,9% будут в А, 33,3% будут в В и 27,8% будут в С. Подобная сходимость гарантировано имеет место, если все элементы матрицы переходных вероятностей принадлежат интервалу (0, 1).

Теория массового обслуживания

Это раздел исследования операций , который рассматривает разнообразные процессы в экономике, а также в телефонной связи, здравоохранении и других областях, как процессы обслуживания, т. е. удовлетворения каких-то запросов, заказов (напр., обслуживание кораблей в порту - их разгрузка и погрузка, обслуживание токарей в инструментальной кладовой цеха - выдача им резцов, бслуживание клиентов в прачечной - стирка белья и т. д.).

При всем разнообразии эти процессы имеют общие черты: требования на обслуживание нерегулярно (случайно) поступают в канал обслуживания (место у причала, окно в раздаточной) и в зависимости от его занятости, продолжительности обслуживания и других факторов образуют очередьтребований .

Теория массового обслуживания изучает статистические закономерности поступления требований и на этой основе вырабатывает решения , т. е. такие характеристики, при которых затраты времени на ожидание в очереди, с одной стороны, и на простой каналов обслуживания - с другой, были бы наименьшими. Всю систему производства и потребления товаров можно трактовать как систему массового обслуживания, где встречаются люди (клиенты) и товары. Сумма потерь времени на ожидание в очередях и на простои каналов обслуживания (хранение товаров на складах) рассматривается как мера эффективности изучаемой экономической системы .

Методы анализа систем массового обслуживания

Методы и модели, применяемые в теории массового обслуживания, можно условно разделить на аналитические и имитационные.

Аналитические методы теории массового обслуживания позволяют получить характеристики системы как некоторые функции параметров ее функционирования. Благодаря этому появляется возможность проводить качественный анализ влияния отдельных факторов на эффективность работы СМО.

Имитационные методы основаны на моделировании процессов массового обслуживания на ЭВМ и применяются, если невозможно применение аналитических моделей.

В настоящее время теоретически наиболее разработаны и удоб­ны в практических приложениях методы решения задач массового обслуживания, в которых входящий поток требований является про­стейшим (пуассоновским).

Для простейшего потока частота поступлений требований в сис­тему подчиняется закону Пуассона, т.е. вероятность поступления за время t ровно к требований задается формулой:

Простейший поток обладает тремя основными свойствами:

1) ординарностью,

2) стационарностью и

3) отсутствием после­действия.

Ординарность потока означает практическую невозможность од­новременного поступления двух и более требований. Например, достаточно малой является вероятность того, что из группы стан­ков, обслуживаемых бригадой ремонтников, одновременно выйдут из строя несколько станков.

Стационарным называется поток, для которого математическое ожидание числа требований, поступающих в систему в единицу времени (обозначим А, - параметр распределения Пуассона), не меняется во времени. Таким образом, вероятность поступления в систему определенного количества требований в течение заданного промежутка времени At зависит от его величины и не зависит от начала его отсчета на оси времени.

Отсутствие последействия означает, что число требований, по­ступивших в систему до момента t, не определяет того, сколько требований поступит в систему за промежуток времени от t до t + Dt

Например, если на ткацком станке в данный момент времени произошел обрыв нити и он устранен ткачихой, то это не определя­ет, произойдет новый обрыв на данном станке в следующий момент или нет, тем более это не влияет на вероятность возникновения обрыва на других станках.

Важная характеристика СМО - время обслуживания требований в системе. Время обслуживания одного требования является, как правило, случайной величиной и, следовательно, может быть опи­сано законом распределения. Наибольшее распространение в тео­рии и особенно в практических приложениях получил экспоненци­альный закон распределения времени обслуживания. Функция распре­деления для этого закона имеет вид:

т.е. вероятность того, что время обслуживания не превзойдет неко­торой величины t, определяется формулой (5.2), где µ - параметр экспоненциального закона распределения времени обслуживания требований в системе, т.е. величина, обратная среднему времени обслуживания

Системы массового обслуживания классифицируются:

1. В зависимости от условий ожидания начала обслуживания:

· СМО с потерями (отказами)

· СМО с ожиданием

В СМО с отказами требования, поступающие в момент, когда все каналы обслуживания заняты, получают отказ и покидают сис­тему. Классическим примером системы с отказами является теле­фонная станция. Если вызываемый абонент занят, то требование на соединение с ним получает отказ и покидает систему.

В СМО с ожиданием требование, застав все обслуживающие ка­налы занятыми, становится в очередь и ожидает, пока освободится [ один из обслуживающих каналов.

СМО, допускающие очередь, но с ограниченным числом требований в ней, называются системами с ограниченной длиной очереди.

СМО, допускающие очередь, но с ограниченным сроком пре­бывания каждого требования в ней, называются системами с ограниченным временем ожидания.

2. По числу каналов обслуживания СМО делятся на:

Одноканальные;

Многоканальные.

3. По месту нахождения источника тре­бований СМО подразделяются на:

разомкнутые, когда источник требования находится вне сис­темы;

замкнутые, когда источник находится в самой системе.

19.7. Задачи анализа замкнутых и разомкнутых систем массового обслуживания

Замкнутые и разомкнутые системы,в зависимости от времени ожидания могут быть и системами массового обслуживания с ожиданием. Это наиболее распространенные СМО. Они изучаются с помощью аналитических моделей.

Системой массового обслуживания сожиданием называется система, в которой требования, поступившие в момент, когда все обслуживающие каналы заняты, ставятся в очередь и обслужива­ются по мере освобождения каналов.

Примером разомкнутой системы может служить ателье по ре­монту телевизоров. Здесь неисправные телевизоры - это источник требований на их обслуживание, они находятся вне самой системы, поэтому число требований можно считать неограниченным. К замкнутым СМО относится, например, станочный участок, в кото­ром станки являются источником неисправностей, а следовательно, источником требований на их обслуживание, например, бригадой наладчиков.

Общая постановка задачи состоит в следующем. Система имеет п обслуживающих каналов, каждый из которых может одновремен­но обслуживать только одно требование.

В систему поступает простейший (пуассоновский) поток требо­ваний с параметром А.. Если в момент поступления очередного тре­бования в системе на обслуживании уже находится не менее п тре­бований, т.е. все каналы заняты, то это требование становится в очередь и ждет начала обслуживания. Время обслуживания каждого требования - случайная вели­чина, которая подчиняется экспоненциальному закону распределе­ния с параметром µ .

СМО с ожиданием можно разбить на две большие группы: замкнутые и разомкнутые. К замкнутым относятся системы, в ко­торых поступающий поток требований возникает в самой системе и ограничен. Например, мастер, задачей которого является наладка станков в цехе, должен периодически их обслуживать. Каждый на­лаженный станок становится потенциальным источником требова­ний на наладку. В подобных системах общее число циркулирующих требований конечно и чаще всего постоянно.

Если питающий источник обладает бесконечным числом требо­ваний и находится вне системы, то системы называют разомкнуты­ми. Примерами разомкнутых систем могут служить магазины, кассы вокзалов, портов и др. Для этих систем поступающий поток требо­ваний можно считать неограниченным. Кроме того, довольно рас­пространены разомкнутые СМО с ожиданием и ограниченной дли­ной очереди, с ограниченным временем пребывания требования в очереди и др.

Отмеченные особенности функционирования СМО с ожидани­ем, обусловленные их видами, накладывают определенные условия на используемый математический аппарат. Расчет характеристик работы всех таких СМО может быть проведен на основе расчета вероятностей состояний СМО (так называемые формулы Эрланга).

Рассмотрим порядок расчета характеристик работы разомкнутых систем с ожиданием и ограниченной длиной очереди.

Такие СМО состоят из п обслуживающих каналов, каждый из которых может одновременно обслуживать только одно требование. В систему поступает простейший поток требований с параметром А., а время обслуживания требования является случайной величиной, которая подчиняется экспоненциальному закону распределения с параметром ц. Если в момент поступления очередного требования все п каналов заняты, а в очереди стоит не меньше т требований, то требование становится в очередь. Если же в очереди уже стоит т требований, то поступившее требование покидает СМО. Другими словами, требование получает отказ, если в системе находится п + т требований. Из уравнений, описывающих состояние таких систем, могут быть получены следующие формулы для расчета их основных характеристик.

1. Вероятность того, что все обслуживающие каналы свободны,

(5.14)

2. Вероятность того, что в системе находится к требований при условии, что общее число этих требований не превосходит числа обслуживающих каналов; другими словами, вероятность того, что занято к каналов,


3. Вероятность того, что в системе находится к требований, ко­гда число этих требований больше числа обслуживающих каналов,

(5.16)

4. Вероятность того, что все обслуживающие каналы заняты,

(5.17)

5. Вероятность отказа

(5.18)

6. Средняя длина очереди

7. Среднее число свободных от обслуживания каналов

Пример 2. Фирма занимается доставкой грузов по заказам и имеет четыре машины, которые работают круглосуточно. Поток заказов является простейшим, и в среднем за час поступает одна заявка. Время перевозки грузов подчиняется экспоненциальному закону распределения, и в среднем перевозка одного груза занимает один час. При количестве заказов на перевозки, равном 10, фирма прекращает прием заявок до тех пор, пока очередь не уменьшится.

Требуется определить характеристики работы фирмы.

Решение. Данная система относится к типу СМО с ожида­нием и ограниченной длиной очереди. Найдем параметры системы, приняв за единицу времени один час:

Вероятность того, что все машины свободны от перевозки гру­зов, находится по формуле (5.14):

Вероятность того, что в се машины заняты, определяется по формуле (5.17) и составляет

Тогда вероятность отказа в принятии заказа на перевозку, рассчитываемая по формуле (5.18) будет равна

, а средняя длина очереди в соответствии с формулой (5.19) составит

Тогда вероятность отказа в принятии заказа на перевозку, рас­считываемая по формуле (5.18), будет равна

а средняя длина очереди в соответствии с формулой (5.19) составит

Таким образом, заказчик практически никогда не получит отка­за в принятии заявки на перевозку, однако загрузка машин будет достаточно мала. Так например, лишь в двух случаях из ста будут заняты все четыре машины.

Перейдем к рассмотрению алгоритмов расчета характеристик функционирования замкнутых СМО с ожиданием. Поскольку сис­тема замкнутая, то к постановке задачи следует добавить условие: поток поступающих требований ограничен, т.е. в системе обслужи­вания одновременно не может находиться больше т требований (т - число обслуживаемых объектов). Такие СМО называются также системами с ожиданием и ограниченным потоком требований.

За критерий, характеризующий качество функционирования рассматриваемой системы, примем отношение средней длины оче­реди к наибольшему числу требований, находящихся одновременно в обслуживающей системе, или коэффициент простоя обслуживае­мых объектов. В качестве другого критерия возьмем отношение среднего числа незанятых обслуживающих каналов к их общему числу, или коэффициент простоя обслуживающих каналов.

Первый из критериев характеризует потери времени из-за ожи­дания начала обслуживания. Второй критерий показывает полноту загрузки обслуживающей системы и имеет важное значение в зада­чах организации труда.

Очевидно, что очередь может возникнуть только в том случае, когда число каналов меньше наибольшего числа требований, нахо­дящихся одновременно в обслуживающей системе (п < т).

Приведем последовательность расчетов характеристик замкну­тых СМО с ожиданием и необходимые формулы.

1. Параметр α=α/µ. - показатель загрузки системы, т.е. мате­матическое ожидание числа требований, поступающих в систему за время, равное средней длительности обслуживания

2. Вероятность того, что занято к обслуживающих каналов при условии, что число требований, находящихся в системе, не превос­ходит числа обслуживающих каналов системы,

массовый обслуживание инвестиция

Практическая деятельность человека тесно связана с различного рода системами массового обслуживания. В области экономики - это банковское обслуживание, пользование объектами торговли и услугами сферы обслуживания и многие другие виды экономической деятельности.

Системы массового обслуживания (СМО)-- это такие системы, в которые в случайные моменты времени поступают заявки на обслуживание, при этом поступившие заявки обслуживаются с помощью имеющихся в распоряжении системы каналов обслуживания. С позиции моделирования процесса массового обслуживания ситуации, когда образуются очереди заявок (требований) на обслуживание, возникают следующим образом. Поступив в обслуживающую систему, требование присоединяется к очереди других (ранее поступивших) требований. Канал обслуживания выбирает требование из находящихся в очереди, с тем, чтобы приступить к его обслуживанию. После завершения процедуры обслуживания очередного требования канал обслуживания приступает к обслуживанию следующего требования, если таковое имеется в блоке ожидания. Цикл функционирования системы массового обслуживания подобного рода повторяется многократно в течение всего периода работы обслуживающей системы. При этом предполагается, что переход системы на обслуживание очередного требования после завершения обслуживания предыдущего требования происходит мгновенно, в случайные моменты времени.

Любая система массового обслуживания может включать в себя следующие элементы:

  • 1. Входной поток требований или заявок на обслуживание. Этот элемент является основным. Изучение входящего потока требований и его описание необходимо при организации любой системы массового обслуживания.
  • 2. Очередь. В тех случаях, когда поступающие в систему массового обслуживания требования не могут быть удовлетворены немедленно, возникает очередь. В такой ситуации интерес может представлять длина этой очереди, порядок, по которому ожидающие требования направляются на обслуживание (как говорят, дисциплина очереди), время ожидания.

В отдельных случаях систем массового обслуживания очереди не допускаются, т.е. требование, заставшее систему занятой, не обслуживается (получает отказ).

  • 3. Обслуживающее устройство. Этот элемент присутствует в любой системе массового обслуживания. От характеристик и параметров, способов организации обслуживающего устройства зависит не только время, необходимое на обслуживание одного требования, но и длина очереди и время ожидания.
  • 4. Выходной поток обслуженных требований. Этот элемент может оказаться очень важным в тех случаях, когда выходящий поток обслуженных требований является входящим для другой системы массового обслуживания.

Рис. 1

Как правило, число требований на входе системы массового обслуживания за какой-либо промежуток времени и время обслуживания одного требования являются случайными величинами.

Системы массового обслуживания классифицируются по разным признакам.

1. На группы в зависимости от состава и от времени пребывания в очереди до начала обслуживания, и от дисциплины обслуживания требований.

По составу СМО бывают одноканальные (с одним обслуживающим устройством) и многоканальными (с большим числом обслуживающих устройств). Многоканальные системы могут состоять из обслуживающих устройств как одинаковой, так и разной производительности.

По времени пребывания требований в очереди до начала обслуживания системы делятся на три группы:

с неограниченным временем ожидания (с ожиданием),

с отказами;

смешанного типа.

В СМО с неограниченным временем ожидания очередное требование, застав все устройства занятыми, становится в очередь и ожидает обслуживания до тех пор, пока одно из устройств не освободится.

В системах с отказами поступившее требование, застав все устройства занятыми, покидает систему. Классическим примером системы с отказами может служить работа автоматической телефонной станции.

В системах смешанного типа поступившее требование, застав все устройства занятыми, становятся в очередь и ожидают обслуживания в течение ограниченного времени. Не дождавшись обслуживания в установленное время, требование покидает систему.

  • 2. В системах с определенной дисциплиной обслуживания поступившее требование, застав все устройства занятыми, в зависимости от своего приоритета, либо обслуживается вне очереди, либо становится в очередь.
  • 3. По числу каналов обслуживания СМО делятся на одно- и многоканальные.
  • 4. По количеству этапов обслуживания различают однофазные и многофазные системы.
  • 5. По месту нахождения источника требований СМО делятся на разомкнутые (источник требования вне системы) и замкнутые (источник в самой системе). Примером разомкнутой системы может служить ремонтная мастерская. Здесь неисправная техника - это источник требований, находящийся вне системы, число требований можно считать неограниченным. К замкнутым СМО относится, например, станочный участок, в котором станки являются источником неисправностей, а, следовательно, источником требований на их обслуживание, например, бригадой ремонтников.

Методы и модели исследования СМО можно условно разбить на аналитические и статистические.

Аналитические методы позволяют получить характеристики системы как некоторые функции от параметров ее функционирования. Благодаря этому появляется возможность проводить качественный анализ влияния отдельных факторов на эффективность работы СМО.

Но, к сожалению, аналитические модели исследования операций зачастую не могут успешно применяться при принятии решений. Причина кроется в том, что математические модели, имеющие надежные методы вычисления, являются слишком упрощенными и неадекватны реальным процессам, либо не могут быть реализованы в силу вычислительных трудностей.

В таком случае используется имитационное моделирование, которое состоит в компьютерном моделировании реальной производственной ситуации.

Но на сегодняшний день, для решения задач массового обслуживания, теоретически наиболее разработаны и удобны в практических приложениях методы решения, в которых поток требований является простейшим (пуассоновским).

Для простейшего потока частота поступления требований в систему подчиняется закону Пуассона, то есть вероятность поступления за время t ровно k требований задается формулой

где л - параметр, интенсивность входящего потока заявок.

Простейший поток обладает тремя основными свойствами:

Ординарность -- когда вероятность одновременного появления двух и более событий равна нулю.

Стационарность -- когда вероятность попадания того или иного числа событий на участок времени, зависит только от длины этого участка.

Отсутствие последействий -- когда вероятность не зависит от момента совершения предыдущих событий.

Важной характеристикой СМО является время обслуживания требований в системе. Время обслуживания одного требования является, как правило, случайной величиной и, следовательно, может быть описано законом распределения. Наибольшее распространение в теории и, особенно в практических приложениях получил экспоненциальный закон распределения времени обслуживания.

Функция распределения для этого закона имеет вид

То есть вероятность того, что время обслуживания не превосходит некоторой величины t, определяется формулой, где м - параметр экспоненциального закона распределения времени обслуживания требований в системе (интенсивность обслуживания) - величина, обратная среднему времени обслуживания, то есть

Теперь стоит привести некоторые аналитические модели исследования т расчета основных характеристик СМО.

Типичная постановка задачи, решаемой с помощью теории массового обслуживания, состоит в следующем: по заданному входящему потоку требований, известной дисциплине обслуживания и известному закону распределения времени обслуживания требования нужно оценить качество и эффективность функционирования СМО и выявить возможность их улучшения. Рассмотрим примеры:

1. Одноканальная СМО с отказами.

Пусть одноканальная СМО с отказами представляет собой один пост ежедневного обслуживания для мойки автомобилей. Заявка -- автомобиль, прибывший в момент, когда пост занят, -- получает отказ в обслуживании. Интенсивность потока автомобилей л 1,0 (автомобиль в час). Средняя продолжительность обслуживания -- tоб=1,8 часа.

Требуется определить в установившемся режиме предельные значения:

относительной пропускной способности q;

абсолютной пропускной способности А;

вероятности отказа Ротк;

Сравнить фактическую пропускную способность СМО с номинальной, которая была бы, если бы каждый автомобиль обслуживался точно 1,8 часа и автомобили следовали один за другим без перерыва.

Определим интенсивность потока обслуживания:

Вычислим относительную пропускную способность:

Величина q означает, что в установившемся режиме система будет обслуживать примерно 35% прибывающих на пост автомобилей.

Абсолютную пропускную способность определим по формуле:

А=лЧq=1Ч0,356=0,356.

Это означает, что система способна осуществить в среднем 0,356 обслуживания автомобилей в час.

Вероятность отказа:

Ротк=1-q=1-0,356=0,644.

Это означает, что около 65% прибывших автомобилей на пост ЕО получат отказ в обслуживании.

Определим номинальную пропускную способность системы:

Аном= (автомобилей в час).

Оказывается, что Аном в раза больше, чем фактическая пропускная способность, вычисленная с учетом случайного характера потока заявок и времени обслуживания.

2. Одноканальная СМО с ожиданием и ограниченной очередью.

Специализированный пост диагностики представляет собой одноканальную СМО. Число стоянок для автомобилей, ожидающих проведения диагностики, ограниченно и равно 3, то есть (N-- 1)=3. Если все стоянки заняты, т. е. в очереди уже находится три автомобиля, то очередной автомобиль, прибывший на диагностику, в очередь на обслуживание не становится. Поток автомобилей, прибывающих на диагностику, имеет интенсивность л=0,85 (автомобиля в час). Время диагностики автомобиля распределено по показательному закону и в среднем равно =1,05 час.

Требуется определить вероятностные характеристики поста диагностики, работающего в стационарном режиме.

Интенсивность потока обслуживаний автомобилей:

Приведенная интенсивность потока автомобилей определяется как отношение интенсивностей л и м, т.е.

Вычислим вероятности нахождения п заявок в системе:

P1=r P0=0,893 0,248=0,221; P2=r2 P0=0,8932 0,248=0,198;

P3=r3 P0=0,8933 0,248=0,177; P4=r4 P0=0,8934 0,248=0,158.

Вероятность отказа в обслуживании автомобиля:

Pотк=Р4=r4 P0?0,158.

Относительная пропускная способность поста диагностики:

q=1-Pотк=1-0,158=0,842.

Абсолютная пропускная способность поста диагностики. А=л q=0,85 0,842=0,716 (автомобиля в час).

Среднее число автомобилей, находящихся на обслуживании и в очереди (т.е. в системе массового обслуживания):

Среднее время пребывания автомобиля в системе:

Средняя продолжительность пребывания заявки в очереди на обслуживание:

Wq=Ws-1/м=2,473-1/0,952=1,423 часа.

Среднее число заявок в очереди (длина очереди):

Lq=л (1-PN) Wq=0,85 (1-0,158) 1,423=1,02.

Работу рассмотренного поста диагностики можно считать удовлетворительной, так как пост диагностики не обнаруживает автомобили в среднем в 15,8% случаев (Ротк=0,158).

3. Одноканальная СМО с ожиданием и неограниченной очередью.

Вспомнив о ситуации, рассмотренной в предыдущем примере, где речь идет о функционировании поста диагностики. Пусть рассматриваемый пост диагностики располагает неограниченным количеством площадок для стоянки прибывающих на обслуживание автомобилей, т.е. длина очереди не ограничена.

Требуется определить финальные значения следующих вероятностных характеристик:

вероятности состояний системы (поста диагностики);

среднее число автомобилей, находящихся в системе (на обслуживании и в очереди);

среднюю продолжительность пребывания автомобиля в системе

(на обслуживании и в очереди);

среднее число автомобилей в очереди на обслуживании;

среднюю продолжительность пребывания автомобиля в очереди.

Решение Параметр потока обслуживания и приведенная интенсивность потока автомобилей с определены в предыдущем примере:

м=0,952; с=0,893.

Вычислим предельные вероятности системы по формулам

P0=1-r=1-0,893=0,107;

P1=(1-r)·r=(1-0,893)·0,893=0,096;

P2=(1-r)·r2=(1-0,893)·0,8932=0,085;

P3=(1-r)·r3=(1-0,893)·0,8933=0,076;

P4=(1-r)·r4=(1-0,893)·0,8934=0,068;

P5=(1-r)·r5=(1-0,893)·0,8935=0,061 и т.д.

Следует отметить, что Р0 определяет долю времени, в течение которого пост диагностики вынужденно бездействует (простаивает). В нашем примере она составляет 10, 7%, так как Р0=0,107.

Среднее число автомобилей, находящихся в системе (на обслуживании и в очереди):

Средняя продолжительность пребывания клиента в системе:

Среднее число автомобилей в очереди на обслуживание:

Средняя продолжительность пребывания автомобиля в очереди:

Относительная пропускаемая способность системы равна единицы, так как все поступившие заявки рано или поздно будут обслужены:

Абсолютная пропускная способность:

A=л q=0,85 1=0,85.

Следует отметить, что предприятие, осуществляющее диагностику автомобилей, прежде всего интересует количество клиентов, которое посетит пост диагностики при снятие ограничения на длину очереди.

Допустим, в первоначальном варианте количество мест для стоянки прибывших автомобилей как в предыдущем примере было равно трем. Частота m возникновения ситуаций, когда прибывающий на пост диагностике автомобиль не имеет возможности присоединить к очереди:

В нашем примере при N=3+1=4 и r=0,893,

m=л P0 r4=0,85 0,248 0,8934=0,134 автомобиля в час.

При 12-часовом режиме работы поста диагностики это эквивалентно тому, что пост диагностики в среднем за смену (день) будет терять 12 0,134=1,6 автомобиля.

Снятие ограничения на длину очереди позволяет увеличить количество обслуживающих клиентов в нашем примере в среднем на 1,6 автомобиля за смену (12 ч. работы) пост диагностики. Ясно, что решение относительно расширения площади для стоянки автомобиля, прибывающих на пост диагностики, должно основываться на оценке экономического ущерба, который обусловлен потерей клиентов при наличие всего трех мест для стоянки этих автомобилей.

4. Многоканальная СМО с отказами

Примером является задание № 4

5. Многоканальная СМО с ожиданием

Механическая мастерская завода с тремя постами (каналами) выполняет ремонт малой механизации. Поток неисправных механизмов, прибывающих в мастерскую, - пуассоновский и имеет интенсивность л=2,5 механизма в сутки, среднее время ремонта одного механизма распределено по показательному закону и равно tоб=0,5 сут. Предположим, что другой мастерской на заводе нет, и, значит, очередь механизмов перед мастерской может расти практически неограниченно.

Требуется вычислить следующие предельные значения вероятностных характеристик системы:

  • - вероятность состояний системы;
  • - среднее число заявок в очереди на обслуживание;
  • - среднее число находящихся в системе заявок;
  • - среднюю продолжительность пребывания заявки в очереди;
  • - среднюю продолжительность пребывания заявки в системе.

Определим параметр потока обслуживаний

Приведенная интенсивность потока заявок

с=л/м=2,5/2,0=1,25,

при этом л/м с=2,5/2 3=0,41<1.

Поскольку л/м с<1, то очередь не растет безгранично и в системе наступает предельный стационарный режим работы.

Вычислим вероятности состояний системы:


Вероятность отсутствия очереди у мастерской

Ротк?Р0+Р1+Р2+Р3?0,279+0,394+0,218+0,091=0,937.

Среднее число заявок в очереди на обслуживание

Среднее число находящихся в системе заявок

Ls=Lq+=0,111+1,25=1,361.

Средняя продолжительность пребывания механизма в очереди на обслуживание

Средняя продолжительность пребывания механизма в мастерской (в системе)

Теория массового обслуживания представляет собой область прикладной математики, использующую методы теории случайных процессов и теории вероятностей для исследования различной природы сложных систем. Теория массового обслуживания непосредственно не связана с оптимизацией. Назначение ее состоит в том, чтобы на основе результатов наблюдений за «входом» в систему предсказать ее возможности и организовать наилучшее обслуживание для конкретной ситуации и понять, как последнее отразится на стоимости системы в целом. Для систем, относящихся к системам массового обслуживания, существует определенный класс задач, решение которых позволяет ответить на актуальные для сегодняшнего времени вопросы. С какой интенсивностью должно проходить обслуживание или должен выполняться процесс при заданной интенсивности и других параметрах входящего потока требований, чтобы минимизировать очередь или задержку в подготовке документа или другого вида информации? Каковы вероятность появления задержки или очереди и ее величина? Сколько времени требование находится в очереди и каким образом минимизировать его задержку? Какова вероятность потери требования (клиента)? Какова должна быть оптимальная загрузка обслуживающих каналов? При каких параметрах системы достигаются минимальные потери прибыли? К этому перечню можно добавить еще целый ряд задач.

Система массового обслуживания (СМО) включает следующие структурообразующие объекты: источник требований; входной поток требований (поступление заявок); очередь; обслуживающую систему, как совокупность каналов обслуживания заявок; выходной поток (обслуженные заявки или удовлетворенные требования). Рассмотрим их модели.

Источник требований . По месту нахождения источника, формирующего требования, СМО делятся на разомкнутые, когда источник находится вне системы, и замкнутые, когда источник находится внутри системы.

Входной поток требований . Подавляющее большинство теоретических разработок по исследованию систем массового обслуживания выполнено для условия, когда входной поток требований является пуассоновским (простейшим). Этот поток обладает рядом важных свойств. Он стационарен, ординарен и не имеет последствий.

Модель входного пуассоновского потока представляется функцией вида:

Следующее важное для исследования свойство, которым обладает пуассоновский поток, заключается в том, что процедура разделения и объединения дает снова пуассоновские потоки. Тогда, если входной поток формируется из N независимых источников, каждый из которых порождает пуассоновский поток интенсивностью λ i (i =1,2,…, N ) , то его интенсивность будет определяться по формуле:

.

В случае разделения пуассоновского потока на N независимых потоков, получим, что интенсивность потока λ i будет равна r i λ , где r i – доля i го потока во входном потоке требований.

Очередь. Очереди, определяемые как множество требований, ожидающих обслуживания, представляются несколькими моделями: очередь с отказами, с ограниченным временем ожидания (заявка ждет определенное время), ограниченной длиной и, наконец, неограниченным временем ожидания. Порядок поступления заявок на обслуживание называется дисциплиной очереди. Требования могут приниматься по мере поступления, случайным порядком, с приоритетом, по принципу «последняя – первая», по определенным каналам.

Процесс обслуживания . Основным параметром процесса обслуживания считается время обслуживания требования каналом j - t j (j =1,2,…, m ) . Величина τ j в каждом конкретном случае определяется рядом факторов: интенсивностью поступления заявок, квалификацией исполнителя, технологией работ, окружающей средой и т.д. Законы распределения случайной величины τ j могут быть самыми различными, но наибольшее распространение в практических приложениях получил экспоненциальный закон распределения. Функция распределения случайной величины τ j имеет вид:

Важнейшее свойство экспоненциального распределения заключается в следующем. При наличии нескольких однотипных каналов обслуживания и равной вероятности их выбора при поступлении заявки распределение времени обслуживания всеми m каналами будет показательной функцией вида:

Если СМО состоит из неоднородных каналов, то
, если же все каналы однородные, то
.

Выходной поток обслуженных требований. Выходной поток – это поток результатов деятельности, представленных выполненными требованиями в идее той или иной продукции или услуги. К основным параметрам выходного потока относятся интенсивность выхода из системы обслуженных требований и характер распределения времени между моментами выпуска продукции. В общем случае эти параметры определяются моделью входного потока, дисциплиной очереди и моделью обслуживания. Для СМО с параллельными каналами и однофазным обслуживанием существует теорема о том, что при пуассоновском входном потоке с параметром λ и одинаковом для каждого канала распределением времени обслуживания с параметром μ в стационарном состоянии выходной поток имеет пуассоновское распределение с параметром g. В монофазных системах выходной поток одного канала служит входным потоком для другого канала. Параметр g в простейшем случае определяется по формуле:

,

W S - среднее время пребывания требования в системе.

Особенность моделей СМО связана с достаточно строгим математическим описанием функционирования систем, что достигается благодаря их унификации по ряду признаков. Так, в зависимости от модели ожидания требованием начала обслуживания различают следующие СМО:

    система с потерями или отказами;

    система с ожиданием;

    система с ограниченным временем ожидания (ВО);

    система с ограниченной длиной очереди (ДО).

По числу каналов обслуживания системы делятся на одноканальные (m =1 ) и многоканальные (m >1 ). Структура СМО и характеристика ее объектов представлена на рисунке 1.21.

Одной из форм классификации СМО служит кодовая классификация Д. Кендалла. В соответствии с этой классификацией характеристику СМО записывают в виде трех, четырех или пяти символов. Например, a / b / c , где a – тип распределения входного потока требований, b – тип распределения времени обслуживания, c – число каналов обслуживания. Для пуассоновского и экспоненциального распределений принимают символ M , для любого произвольного распределения G . Например, запись М/М/2 означает, что входной поток требований пуассоновский, время обслуживания распределено по экспоненциальному закону, в системе имеются два канала. Четвертый символ (d) указывает допустимую длину очереди, пятый (e) – порядок отбора требований.

Рисунок 1.21 – Структура и характеристика объектов СМО

Модели СМО могут быть детерминированными или вероятностными. В первом случае параметры и переменные модели – это постоянные величины, во втором – случайные.

Исследование СМО заключается в нахождении показателей, характеризующих качество и условия работы обслуживающей системы и показателей, отражающих экономические последствия принятых решений согласно первым показателям. К показателям первой группы относятся следующие.

1. При установленных или проектных параметрах входящего потока:

а) вероятность поступления n требований в систему за период t (P n (T )) ;

б) вероятность наличия n требований в системе (P n ) .

2. При установленных или проектных параметрах обслуживания:

а) вероятность того, что все обслуживающие m каналов свободны (P 0 ) ;

б) вероятность того, что обслуживанием занято определенное число каналов (менеджеров, агентов) (P m ) ;

в) вероятность того, что r требований находится в очереди (P m + r ) .

3. При установленных или проектных параметрах входящего потока и системы обслуживания:

б) среднее число каналов m , занятых обслуживанием: E (m )= m k ;

в) среднее число простаивающих каналов: E (m 0 )=(m - m k ) ;

г) коэффициент использования (занятости) канала (K S ) ;

д) коэффициент простоя (отказа) канала (K 0 ) ;

е) относительная (Q ) и абсолютная (A ) пропускная способность СМО;

ж) среднее число требований, находящихся в системе (L S ) ;

з) среднее число требований, ожидающих в очереди (L q ) ;

и) среднее время ожидания требования в очереди (W q ) ;

к) среднее время пребывания требования в системе (W S ) .

Рассмотрим приемы вычисления показателей первой группы на примере наиболее распространенной модели СМО (M / M / m ≥2 ) с ожиданием, содержащей m параллельных обслуживающих каналов. Здесь поступающие требования не теряются и оставляют систему лишь после обслуживания. Каналы выполняют однородные операции, и время обслуживания каждым каналом t распределено по экспоненциальному закону с параметром m , а входящий поток - пуассоновский с параметром λ ; дисциплина очереди не регламентирована, и отсутствует ограничение на число поступающих требований. Модель СМО представляется в виде системы уравнений для стационарного состояния.

Определение вероятности наличия n требований (P n ) в системе зависит от соотношений числа поступающих требований (n ) за единицу времени и количества каналов обслуживания (m ).

1. Для условия, когда m =1, P n определяется по формуле математического ожидания дискретной случайной величины.

2. Для условия, когда 1≤ n m (вероятность, что все требования на обслуживании или очереди нет), P n рассчитывается по формуле:

Если ρ/ m <1 , то вероятность отсутствия требований в системе P 0 определяется по формуле для стационарного режима:

или по формуле математического ожидания дискретной случайной величины:

Коэффициенты использования (загрузки) каналов и простоя каналов соответственно определяются по формулам:

и
.

Среднее число требований, ожидающих очереди, находится из выражения:

.

Среднее время ожидания в очереди составит:

.

Среднее время пребывания требования в системе рассчитывается по формуле:

.

Среднее число требований, находящихся в системе, определяется следующим образом:

.

Для общего случая L S определяется по формуле математического ожидания дискретной случайной величины:

.

Для оценки параметров вероятностной системы и ее случайных процессов с позиции устойчивости предусматривается использование найденных значений характеристик случайных функций, являющихся неслучайными функциями аргумента t . К ним относят математическое ожидание, дисперсию, корреляционную функцию, коэффициент вариации, характеризующий некоторую среднюю реализацию случайного процесса (или случайной функции) по множеству наблюдений. Статистики находятся через параметры СМО. Например, дисперсия (D ) для числа требований, находящихся в системе, рассчитывается по формуле:

.

Показатели, характеризующие экономические последствия от принятия решений по совершенствованию обслуживания клиентов (потребителей), сводится к определению экономической эффективности и потерям в связи с отказом от обслуживания и ожиданием обслуживания.

Экономическая эффективность функционирования системы массового обслуживания составит:

Величина потерь определяется по следующим выражениям:

а) система с отказами:

б) система с ожиданием:

Для того чтобы продемонстрировать полезность использования методов теории массового обслуживания для решения управленческих задач, рассмотрим пример оценки СМО малой размерности.

Пример 1.9. Требуется провести оценку эффективности централизации нескольких отделов или служб с однородными функциями. В качестве объекта рассматриваются две службы такси, которые приобрела компания «Автосервис». Заявки клиентов между службами распределяются поровну. Спрос на такси к диспетчеру поступает с частотой 10 вызовов в час. Среднее время обслуживания одного клиента составляет 11,5 минут. Вызовы такси распределены во времени по пуассоновскому закону, а продолжительность обслуживания одного клиента – по экспоненциальному закону. Каждая служба такси оснащена двумя автомобилями.

Возникает вопрос об экономической целесообразности централизации управления таксопарком. Для этого необходимо сравнить два варианта:

1) вариант с независимым обслуживанием системами типа (М/М/2 ) при λ=10 вызовов/час, τ=11,5 мин. и m = 2;

2) вариант с одной очередью типа (М/М/4 ) при λ=10*2=20 вызовов/час, τ=11,5 мин. и m = 4;

Для начала определим коэффициенты загруженности службы по первому и второму вариантам. При m = 2 имеем:

Как видно из расчета, коэффициент загруженности службы такси достаточно высок. Очевидно, что он не изменяется и в варианте с m = 4, так как и числитель и знаменатель увеличиваются в два раза. На первый взгляд объединение не приводит к экономическому эффекту, а так как исследование эффективности функционирования СМО ориентировано на повышение качества удовлетворения требований потребителя, то необходимо оценить и параметры, характеризующие это направление деятельности.

Вычислим W q (среднее время ожидания клиентом автомобиля-такси).

Для первого случая при m = 2 имеем ρ=1,917. Определим вероятность того, что в системе нет требований (P 0 ):

Используя значение P 0 определим W q :

ч.

Для второго случая при m = 4 имеем ρ=3,83 и определим P 0 :

При значении P 0 =0,0042, получим, что

ч.

Приведенные оценки показывают, что централизация служб позволяет сократить среднее время ожидания клиентом вызванного по телефону такси примерно вдвое. Это не гарантия, что клиент откажется от заказа, но существенное сокращение времени ожидания. В дальнейшем, кроме создания единой службы такси, необходимо рассматривать вопрос об увеличении парка такси.

Федеральное агентство по образованию Т. А. Радченко, А. В. Дылевский Методы анализа систем массового обслуживания Учебное пособие для вузов Воронеж 2007 2 Утверждено Научно-методическим советом факультета прикладной ма- тематики, информатики и механики 27 декабря 2006 г., протокол № 4 Учебное пособие подготовлено на кафедре технической кибернетики и автоматического регулирования факультета прикладной математики, ин- форматики и механики Воронежского государственного университета. Рекомендуется для студентов 4 курса д/о и 5 курса в/о. Для специальности: 010200 (010501) - Прикладная математика и ин- форматика 3 Содержание Введение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1. Теоретическая часть 4 1. Теория массового обслуживания, ее математический аппарат и приложения. . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2. Случайные процессы. . . . . . . . . . . . . . . . . . . . . . . 5 3. Многомерные функции распределения, плотности вероятно- стей, вероятности случайного процесса. . . . . . . . . . . . . 6 4. Условные вероятности и плотности вероятностей. . . . . . . . 7 5. Классификация случайных процессов. . . . . . . . . . . . . . 8 6. Марковские случайные процессы. . . . . . . . . . . . . . . . 9 7. Цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . 10 8. Уравнения Колмогорова–Чепмена. . . . . . . . . . . . . . . . 11 9. Классификация состояний марковской цепи. . . . . . . . . . 12 10. Циклические подклассы и матрица вероятности перехода для периодической цепи. . . . . . . . . . . . . . . . . . . . . 15 11. Стационарные и эргодические цепи Маркова. . . . . . . . . 16 12. Дискретные марковские процессы (цепи Маркова с непрерывным временем) . . . . . . . . . . . . . . . . . . . . 19 13. Уравнения Колмогорова. . . . . . . . . . . . . . . . . . . . . 20 14. Стационарное распределение вероятностей. . . . . . . . . . 24 15. Случайный поток событий. . . . . . . . . . . . . . . . . . . . 25 16. Классификация потоков событий. . . . . . . . . . . . . . . . 25 17. Пуассоновский поток событий. . . . . . . . . . . . . . . . . 26 18. Пуассоновский случайный процесс. . . . . . . . . . . . . . . 26 19. Системы массового обслуживания. . . . . . . . . . . . . . . 28 20. Одноканальная система массового обслуживания с отказами 29 21. Характеристики одноканальной системы массового обслу- живания с отказами. . . . . . . . . . . . . . . . . . . . . . . . 31 22. Многоканальная система массового обслуживания с отказами 32 23. Многоканальная система с отказами и полной взаимопомо- щью между каналами. . . . . . . . . . . . . . . . . . . . . . . 34 24. Многоканальная СМО с ожиданием (с очередью конечной длины) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 25. СМО с неограниченной очередью. . . . . . . . . . . . . . . . 38 26. Замкнутые системы массового обслуживания. . . . . . . . . 39 4 2. Лабораторные работы 41 1. Цепи Маркова. . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2. Дискретные марковские процессы. . . . . . . . . . . . . . . . 44 3. Исследование СМО. . . . . . . . . . . . . . . . . . . . . . . . 47 3. Mathcad 49 1. Арифметические вычисления. . . . . . . . . . . . . . . . . . . 51 2. Использование формул в Mathcad . . . . . . . . . . . . . . . . 51 3. Работа с векторами и матрицами. . . . . . . . . . . . . . . . . 52 4. Построение графиков в среде Mathcad . . . . . . . . . . . . . 54 5. Решение обыкновенных дифференциальных уравнений. . . . 56 6. Чтение и запись данных. . . . . . . . . . . . . . . . . . . . . . 59 Приложение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Литература. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Введение Системы массового обслуживания (СМО) в настоящее время широ- ко используются во многих прикладных областях. Данное пособие имеет цель - оказать помощь студентам в овладении теоретическими осно- вами и приобретении элементарных навыков в решении задач по теории массового обслуживания на персональном компьютере. Первая глава пособия содержит краткие сведения из теории случай- ных процессов и потоков событий, их применение к анализу типичных систем массового обслуживания с простейшим потоком заявок. Во второй главе содержатся задания для лабораторных работ и за- дачи для самостоятельного решения. В третьей главе представлены сведения о пакете Mathcad, необходи- мые для выполнения лабораторных работ по данному курсу. Глава 1. Теоретическая часть 1. Теория массового обслуживания, ее математический аппарат и приложения В науке, производстве, практической деятельности человека и даже в быту имеет место спрос на выполнение тех или иных операций (об- служивание). Заявки на обслуживание могут поступать в виде потока, и практически всегда существует ограничение на количество, скорость, качество обслуживающих единиц. Возникает задача синтеза систем (си- стем массового обслуживания), которые обеспечивали бы обслуживание 5 с учетом случайного характера потока заявок, времени обслуживания и других параметров. Для решения задач анализа и синтеза таких систем разработана теория массового обслуживания. Определение 1. Теория массового обслуживания - прикладная теоретико- вероятностная дисциплина, изучающая случайные процессы в системах обслуживания различного назначения с целью рационального построе- ния и анализа этих систем . Теория массового обслуживания возникла сравнительно недавно. Пер- вые работы по ТМО были выполнены в 20-х годах ХХ-го в. А. Эрлангом и были посвящены расчетам телефонных сетей. Проектирование различ- ных систем связи (в том числе компьютерных сетей, подвижных систем, АТС) и сейчас является основным приложением ТМО. Но современная область приложения ТМО гораздо шире, она включает в себя: производство (расчет количества оборудования и обслуживающе- го персонала, требуемой производительности при заданной рента- бельности и т.п.); экономику и бизнес (расчет числа торговых точек, распределение товаров, финансовых ресурсов с учетом потока клиентов и их по- требительской возможности и т.п.); сферу обслуживания (создание рентабельных и удобных для кли- ентов кафе, магазинов, ателье, автозаправочных станций, портов и т.п.) и многое другое. Процессы, протекающие в системах массового обслуживания, но- сят случайный характер, поэтому ТМО базируется на теории случайных процессов, элементы которой изложены ниже. 2. Случайные процессы Определение 2. Пусть для некоторого опыта задано вероятностное про- странство Ω, A, P , где Ω - пространство элементарных событий, A - алгебра его подмножеств, P - вероятностная мера на A. Случайным процессом ξ(t), заданным на данном вероятностном пространстве, на- зывается измеримая функция двух переменных ξ(t, ω), где ω ∈ Ω, а t - действительная переменная (t ∈ R), которая часто имеет смысл времени . 6 При фиксированном значении t = ti случайный процесс представля- ет собой измеримую функцию ξi = ξi (ω), т.е. случайную величину. При фиксированном элементарном событии ωi получаем некоторую детерминированную (неслучайную) функцию xi (t), называемую реали- зацией (траекторией) случайного процесса. Случайный процесс можно задавать или как множество реализаций с заданной на нем вероятностной мерой, или как последовательность (упо- рядоченную совокупность) случайных величин, соответствующих опре- деленным значениям t. В последнем случае его можно рассматривать как случайный вектор и задать с помощью многомерных законов распреде- ления. 3. Многомерные функции распределения, плотности вероятностей, вероятности случайного процесса Определение 3. Многомерной функцией распределения случайного про- цесса для фиксированных моментов времени t1 , t2 , . . . , tn называется функ- ция 2n переменных, определяемая следующим образом: F (x1 , x2 , . . . , xn , t1 , t2 , . . . , tn) = = P (ξ(t1) < x1 , ξ(t2) < x2 , . . . , ξ(tn) < xn). (1) Для непрерывнозначного процесса можно определить многомерную плотность вероятностей ∂ n F (x1 , . . . , xn , t1 , . . . , tn) f (x1 , x2 , . . . , xn , t1 , t2 , . . . , tn) = . (2) ∂ x1 . . . ∂xn Если случайный процесс дискретного типа (множество возможных значений дискретно), то можно определить многомерные вероятности P (x1 , x2 , . . . , xn , t1 , t2 , . . . , tn) = = P (ξ(t1) = x1 , ξ(t2) = x2 , . . . , ξ(tn) = xn). (3) Случайный процесс считается заданным, если заданы многомерные функции распределения (плотности вероятностей или многомерные ве- роятности) любой размерности. Замечание 1. Если t изменяется непрерывно, то для полного описания случайного процесса необходимо в многомерных законах распределения 7 (1)–(3) устремить n к бесконечности (n → ∞). Но этот предельный пе- реход представляет определенные математические трудности. Кроме то- го, работать с многомерными функциями (1)–(3) при конечном, но боль- шом значении n тоже не всегда удобно. Существуют классы процессов, для полного описания которых до- статочно знать двумерные законы распределения. К таким процессам относятся марковский и гауссовский процессы, которые наиболее часто используются в приложениях. 4. Условные вероятности и плотности вероятностей Для процесса дискретного типа можно определить условные веро- ятности (вероятность того, что в момент времени t2 значение процесса равно x2 , если в момент времени t1 оно равнялось x1): P (x1 , x2 , t1 , t2) P (x2 , t2 | x1 , t1) = . (4) P (x1 , t1) Для непрерывнозначного процесса условные плотности вероятностей имеют вид f (x1 , x2 , t1 , t2) f (x2 , t2 | x1 , t1) = . (5) f (x1 , t1) В n-мерном случае условные вероятности и плотности вероятностей определяютcя аналогично: P (x1 , . . . xn , t1 , . . . , tn) P (xn , tn | x1 , . . . xn−1 , t1 , . . . , tn−1) = , P (x1 , . . . , xn−1 , t1 , . . . , tn−1) f (x1 , . . . , xn , t1 , . . . , tn) f (xn , tn | x1 , . . . , xn−1 , t1 , . . . , tn−1) = . f (x1 , . . . , xn−1 , t1 , . . . , tn−1) Замечание 2. Условные вероятности (4) и плотности вероятностей (5) в теории случайных процессов называют переходными. Определение 4. Случайный процесс называется однородным, если услов- ные вероятности или условные плотности вероятностей зависят не от мо- ментов времени, а от разности моментов времени, т.е. P (x2 , t2 | x1 , t1) = P (x2 , x1 , t2 − t1), (6) f (x2 , t2 | x1 , t1) = f (x2 , x1 , t2 − t1). 8 5. Классификация случайных процессов Как отмечается в , строгой классификации случайных процессов нет, поэтому можно говорить лишь о выделении по тому или иному при- знаку типов процессов, которые не обязательно в своей совокупности исчерпывают всевозможные типы и не являются несовместимыми друг с другом. Случайные процессы можно классифицировать по: 1) характеру реализаций случайных процессов (характеру простран- ства состояний случайного процесса и параметра t); 2) виду закона распределения вероятностей; 3) характеру статистической связи между значениями случайного про- цесса в различные моменты времени. Классификация по характеру реализаций. 1. Дискретная последовательность (дискретный процесс с дискрет- ным временем) - это случайный процесс, у которого областью определения и областью возможных значений реализаций являют- ся дискретные множества. Примеры: процессы в цифровых систе- мах связи, компьютерных сетях, цифровой радиоаппаратуре и т.п. 2. Случайная последовательность, или временной ряд (непрерывно- значный процесс с дискретным временем) - это случайный про- цесс, область возможных значений реализаций которого - непре- рывное множество, а область определения - дискретное множе- ство. Примеры: метеорологические наблюдения, телеметрические данные состояния космонавтов и т.п. 3. Дискретный процесс (дискретный процесс с непрерывным време- нем) - это случайный процесс, множество возможных значений реализаций которого - дискретное множество, а область опреде- ления - непрерывное множество. Примеры: число абонентов те- лефонной станции, разговаривающих по телефону, количество ав- томобилей на автозаправочной стации и т.п. 4. Непрерывнозначный случайный процесс - это случайный процесс, у которого область возможных значений и область определения - непрерывные множества. Примеры: различные физические, хи- мические, биологические процессы, протекающие в природе, орга- низме человека. 9 Замечание 3. Случайные процессы с дискретным множеством возмож- ных значений (типы 1 и 3) называются цепями (последовательно перехо- дят от одного состояния к другому, образуя цепочку состояний). Если рассматривать классификацию случайных процессов по харак- теру статистической связи между значениями в отдельные моменты вре- мени, можно выделить наиболее простой и хорошо изученный тип - мар- ковский процесс. 6. Марковские случайные процессы Марковский случайный процесс - такой случайный процесс, эво- люция которого после любого фиксированного момента t (в будущем) и до момента t (в прошлом) является независимой при известном состо- янии в момент t (в настоящем) . Это основное свойство марковского процесса, которое можно математически записать по-разному. Определение 5. Случайный процесс ξ(t) называется марковским, если для любых моментов времени, связанных условием tk < tj < ti , спра- ведливо соотношение P (ξ(tk) < xk , ξ(ti) < xi | ξ(tj) = xj) = = P (ξ(tk) < xk | ξ(tj) = xj)P (ξ(ti) < xi | ξ(tj) = xj). (7) Для дискретного случайного процесса можно записать P (ξ(tk) = xk , ξ(ti) = xi | ξ(tj) = xj) = = P (ξ(tk) = xk | ξ(tj) = xj)P (ξ(ti) = xi | ξ(tj) = xj). (8) Можно дать эквивалентное определение марковского процесса в несколь- ко иной математической форме. Определение 6. Случайный процесс ξ(t) называется марковским, если P (ξ(tn) < xn | ξ(t1) = x1 , . . . , ξ(tn−1) = xn−1) = = P (ξ(tn) < xn | ξ(tn−1) = xn−1). (9) Для дискретного случайного процесса имеем P (ξ(tn) = xn | ξ(t1) = x1 , . . . , ξ(tn−1) = xn−1) = = P (ξ(tn) = xn | ξ(tn−1) = xn−1). (10) В обширном классе марковских случайных процессов можно выде- лить различные типы по характеру реализаций. 10 1. Дискретная последовательность (цепь Маркова). 2. Случайная (марковская) последовательность. 3. Дискретный случайный процесс (дискретный марковский процесс). 4. Непрерывнозначный случайный процесс (непрерывнозначный мар- ковский процесс). В теории массового обслуживания наиболее часто используются мар- ковские цепи и дискретные марковские процессы, последние иногда на- зывают марковскими цепями с непрерывным временем. 7. Цепи Маркова Определение 7. Цепь Маркова - это марковский случайный процесс с дискретными множествами возможных значений (состояний цепи) E1 , . . . , En и значений аргумента t0 , t1 , t2 , t3 , . . .. Если число возможных состояний n конечно, то цепь называется ко- нечной. Вместо значений аргумента можно указывать их номер. Разность меж- ду двумя соседними значениями аргумента tk+1 − tk называется шагом. Цепь Маркова задается множеством значений (E1 , . . . , En) и следу- ющими вероятностями. 1. Начальные вероятности Pj0 = P (ξ(0) = Ej), которые удовлетво- ряют условию нормировки Pj0 = 1. j 2. P (ξ(n + 1) = Ej | ξ(n) = Ei) - вероятность перехода из одного состояния в другое за один шаг. Если марковская цепь однород- на, то P (ξ(n + 1) = Ej | ξ(n) = Ei) = Pij . Условие нормировки Pij = 1. j 3. Вероятность перехода из одного состояния в другое за k шагов P (ξ(n+ k) = Ej | ξ(n) = Ei). Если марковская цепь однородна, то P (ξ(n + k) = Ej | ξ(n) = Ei) = Pij (k). Условие нормировки Pij (k) = 1. j 4. Вероятность состояния Ej в k-й момент времени: P (ξ(k) = Ej) = Pj (k). Условие нормировки Pj (k) = 1. j

Предмет ТМО - системы массового обслуживания (СМО) и сети массового обслуживания. Под СМО понимают динамическую систему, предназначенную для эффективного обслуживания случайного потока заявок при ограниченных ресурсах системы. Обобщённая структура СМО приведена на рисунке 3.1.

Рис. 3.1. Схема СМО.

Поступающие на вход СМО однородные заявки в зависимости от порождающей причины делятся на типы, интенсивность потока заявок типа i (i=1…M) обозначено  i . Совокупность заявок всех типов - входящий поток СМО.

Обслуживание заявок выполняется m каналами. Различают универсальные и специализированные каналы обслуживания. Для универсального канала типа j считается известными функции распределения F ji () длительности обслуживания заявок произвольного типа. Для специализированных каналов функции распределения длительности обслуживания каналов заявок некоторых типов являются неопределёнными, назначение этих заявок на данный канал.

В качестве процесса обслуживания могут быть представлены различные по своей физической природе процессы функционирования экономических, производственных, технических и других систем, например, потоки поставок продукции некоторому предприятию, потоки деталей и комплектующих изделий на сборочном конвейере цеха, заявки на обработку информации ЭВМ от удалённых терминалов и т.д. При этом характерным для работы таких объектов является случайное поведение заявок (требований) на обслуживание и завершение обслуживания в случайные моменты времени.

Q - схемы можно исследовать аналитически и имитационными моделями. Последнее обеспечивает большую универсальность.

Рассмотрим понятие массового обслуживания.

В любом элементарном акте обслуживания можно выделить две основные составляющие: ожидание обслуживания заявкой и собственно обслуживание заявки. Это можно отобразить в виде некоторого i-ого прибора обслуживания П i , состоящего из накопителя заявок, в котором может находится одновременно l i =0…L i H заявок, где L i H - ёмкость i-ого накопителя, и канала обслуживания заявок, k i .

Рис. 3.2. Схема прибора СМО

На каждый элемент прибора обслуживания П i поступают потоки событий: в накопитель H i поток заявок w i , на канал k i - поток обслуживания u i .

Потоком событий (ПС) называется последовательность событий, происходящих одно за другим в какие-то случайные моменты времени. Различают потоки однородных и неоднородных событий. Однородный ПС характеризуется только моментами поступления этих событий (вызывающими моментами) и задаётся последовательностью {t n }={0t 1 t 2 …t n …}, где t n - момент поступления n- ого события - неотрицательное вещественное число. ОПС может быть также задан в виде последовательности промежутков времени между n-ым и n-1-ым событиями { n }.

Неоднородным ПС называется последовательность {t n , f n } , где t n - вызывающие моменты; f n - набор признаков события. Например, может быть задана принадлежность к тому или иному источнику заявок, наличие приоритета, возможность обслуживания тем или иным типом канала и т.п.

Рассмотрим ОПС, для которого  i { n }- случайные величины, независимые между собой. Тогда ПС называется потоком с ограниченным последействием.

ПС называется ординарным , если вероятность того, что на малый интервал времени t, примыкающий к моменту времени t попадает больше одного события Р  1 (t, t) пренебрежительно мала.

Если для любого интервала t событие P 0 (t, t) + P 1 (t, t) + Р  1 (t, t)=1, P 1 (t, t) - вероятность попадания на интервал t ровно одного события. Как сумма вероятностей событий, образующих полную группу и несовместных, то для ординарного потока событий P 0 (t, t) + P 1 (t, t)  1, Р  1 (t, t)=(t), где (t)- величина, порядок малости который выше, чем t, т.е. lim((t))=0 при t0.

Стационарным ПС называется поток, для которого вероятность появления того или иного числа событий на интервале времени зависит от длины этого участка и не зависит от того, где на оси времени 0 - t взят этот участок. Для ОПС справедливо 0*P 0 (t, t) + 1*P 1 (t, t)= P 1 (t, t) - среднее число событий на интервале t. Среднее число событий, наступающих на участке t в единицу времени составляет P 1 (t, t)/t. Рассмотрим предел этого выражения при t0

lim P 1 (t, t)/t=(t)*(1/един.вр.).

Если этот предел существует, то он называется интенсивностью (плотностью) ОПС. Для стандартного ПС (t)==const.

Применительно к элементарному каналу обслуживания k i можно считать что поток заявок w i W, т.е. интервалы времени между моментами появления заявок на входе k i образуют подмножество неуправляемых переменных, а поток обслуживания u i U, т.е. интервалы времени между началом и окончанием обслуживания заявки образуют подмножество управляемых переменных.

Заявки, обслуженные каналом k i и заявки, покинувшие прибор П i по различным причинам не обслуженными, образуют выходной поток y i Y.

Процесс функционирования прибора обслуживания П i можно представить как процесс изменения состояний его элементов во времени Z i (t). Переход в новое состояние для П i означает изменение кол-ва заявок, которые в нём находятся (в канале k i и накопителе H i). Т.о. вектор состояний для П i имеет вид: , где- состояния накопителя, (=0 - накопитель пуст,=1- в накопителе одна заявка…,=- накопитель занят полностью;- состояние каналаk i (=0 - канал свободен,=1 канал занят).

Q-схемы реальных объектов образуются композицией многих элементарных приборов обслуживания П i . Если k i различных приборов обслуживания соединены параллельно, то имеет место многоканальное обслуживание (многоканальная Q-схема), а если приборы П i и их параллельные композиции соединены последовательно, то имеет место многофазное обслуживание (многофазная Q-схема).

Т.о. для задания Q-схемы необходимо оператор сопряжения R, отражающий взаимосвязь элементов структуры.

Связи в Q-схеме изображают в виде стрелок (линий потока, отражающих направление движения заявок). Различают разомкнутые и замкнутые Q-схемы. В разомкнутой выходной поток не может снова поступить на какой-либо элемент, т.е. обратная связь отсутствует.

Собственными (внутренними) параметрами Q-схемы будут являться кол-во фаз L Ф, количество каналов в каждой фазе, L kj , j=1… L Ф, количество накопителей каждой фазы L kj , k=1… L Ф, ёмкость i-ого накопителя L i H . Следует отметить, что в теории массового обслуживания в зависимости от ёмкости накопителя применяют следующую терминологию:

    системы с потерями (L i H =0, накопитель отсутствует);

    системы с ожиданием (L i H );

    системы с ограниченной ёмкостью накопителя Н i (смешанные).

Обозначим всю совокупность собственных параметров Q-схемы как подмножество Н.

Для задания Q-схемы также необходимо описать алгоритмы её функционирования, которые определяют правила поведения заявок в различных неоднозначных ситуациях.

В зависимости от места возникновения таких ситуаций различают алгоритмы (дисциплины) ожидания заявок в накопителе Н i и обслуживания заявок каналом k i . Неоднородность потока заявок учитывается с помощью введения класса приоритетов.

В зависимости от динамики приоритетов Q-схемы различают статические и динамические. Статические приоритеты назначаются заранее и не зависят от состояний Q-схемы, т.е. они являются фиксированными в пределах решения конкретной задачи моделирования. Динамические приоритеты возникают при моделировании. Исходя из правил выбора заявок из накопитель Н i на обслуживание каналом k i можно выделить относительные и абсолютные приоритеты. Относительный приоритет означает, что заявка с более высоким приоритетом, поступившая в накопитель Н, ожидает окончания обслуживания представляющей заявки каналом k i и только после этого занимает канал. Абсолютный приоритет означает, что заявка с более высоким приоритетом, поступившая в накопитель, прерывает обслуживание каналом k i заявки с более низким приоритетом и сами занимает канал (при этом вытесненная из k i заявка может либо покинуть систему, либо может быть снова записана на какое-то место в Н i).

Необходимо также знать набор правил, по которым заявки покидают Н i и k i: для Н i – либо правила переполнения, либо правила ухода, связанные с истечением времени ожидания заявки в Н i ­ ; для k i – правила выбора маршрутов или направлений ухода. Кроме того, для заявок необходимо задать правила, по которым они остаются в канале k i , т.е. правила блокировок канала. При этом различают блокировки k i по выходу и по входу. Такие блокировки отражают наличие управляющих связей в Q‑схеме, регулирующих поток заявок в зависимости от состояний Q‑схемы. Набор возможных алгоритмов поведения заявок в Q‑схеме можно представить в виде некоторого оператора алгоритмов поведения заявок А.

Т.о. Q‑схема, описывающая процесс функционирования СМО любой сложности однозначно задаётся в виде набора множеств: Q = .