Смекни!
smekni.com

Моделі систем масового обслуговування. Класифікація систем масового обслуговування (стр. 1 из 2)

РЕФЕРАТ

На тему:

«Моделі систем масового обслуговування. Класифікація систем масового обслуговування»

Математичне введення в теорію ланцюгів Маркова. (Markov’s chain)

Дискретні ланцюги Маркова. Говоритимемо, що заданий дискретний ланцюг Маркова, якщо для послідовності випадкових величин виконується рівність

.

Це означає, що потік випадкових величин визначається тільки вірогідністю переходу від попереднього значення випадкової величини до подальшого. Знаючи початковий розподіл вірогідності, можна знайти розподіл на будь-якому кроці. Величини inможна інтерпретувати як номери станів деякої динамічної системи з дискретною безліччю станів (типу кінцевого автомата). Якщо вірогідність переходів не залежить від номера кроку, то такий ланцюг Маркова називається однорідним і її визначення задається набором вірогідності

.

Для однорідного Марківського ланцюга можна визначити вірогідність переходу із стану i в стан j за m кроків

Ланцюг Маркова називається тією, що не приводиться, якщо кожний її стан може бути досягнутий з будь-якого іншого стану. Стан i називається поглинаючим, якщо для нього pii=1.

Стан називається поворотним, якщо вірогідність попадання в нього за кінцеве число кроків рівна одиниці. В іншому випадку стан відноситься до неповоротних. Поворотний стан може бути періодичним і аперіодичним залежно від наявності кратних кроків повернення. Введемо вірогідність повернення в стан i через n кроків після відходу з цього стану:

Вони дозволяють визначити середнє число кроків або, інакше кажучи, середній час повернення:

.

Стан називається поворотним нульовим, якщо середній час повернення в нього рівно нескінченності, і поворотним ненульовим, якщо цей час звичайно. Відомі дві важливі теореми:

Теорема 1

Стани ланцюга Маркова, що не приводиться, або всі неповоротні, або всі поворотні нульові, або всі поворотні ненульові. У разі періодичного ланцюга всі стани мають один і той же період.

Друга теорема розглядає вірогідність досягнення станів в стаціонарному (тобто не залежному від початкового розподілу вірогідності) режимі. Відповідний розподіл вірогідності також називають стаціонарним. Знаходження стаціонарного розподілу вірогідності досягнення станів одна з основних задач теорії телетрафіка.

Теорема 2

Для ланцюга Маркова, що не приводиться і аперіодичної, завжди існує гранична вірогідність, не залежна від початкового розподілу вірогідності. Більш того, має місце одна з наступних двох можливостей:

А) всі стани ланцюга неповоротні або всі поворотні нульові, і тоді вся гранична вірогідність рівна нулю і стаціонарного стану не існує;

Б) всі стани поворотні ненульові і тоді існує стаціонарний розподіл вірогідності:

Стан називається ергодичним, якщо воно аперіодичне і поворотно-ненульове. Якщо всі стани ланцюга Маркова ергодичні, то весь ланцюг називається ергодичним. Граничну вірогідність ергодичного ланцюга Маркова називають вірогідністю стану рівноваги, маючи на увазі, що залежність від початкового розподілу вірогідності повністю відсутня.

Ланцюг Маркова з кінцевим числом станів (кінцевий ланцюг), зручно зображати у вигляді орієнтованого графа, званого діаграмою переходів. Вершини графа асоціюються із станами, а ребра з вірогідністю переходів.

Обчислення вірогідності досягнення станів проводиться прямими методами або за допомогою z-преобразування.

Ланцюг Маркова

Введемо матрицю вірогідності переходів і вектор-рядок вірогідності на кроці n

.

Розподіл вірогідності на довільному кроці тоді підкорятиметься матричному співвідношенню:

.

Воно дозволяє рекуррентно обчислювати всю вірогідність станів. Для знаходження граничного розподілу (стаціонарного) потрібно вирішити рівняння:

Його можна вирішувати як систему лінійних рівнянь алгебри, якщо ланцюг кінцевий.

Для прикладу (мал. 1) маємо:

.

і рішення матричного рівняння зводиться до рішення системи трьох рівнянь:

Коефіцієнти першого рівняння в цій системі доповнюють до одиниці суму коефіцієнтів другого і третього рівнянь; це свідчить про лінійну залежність між ними. Тому для вирішення системи рівнянь потрібно ввести додаткову нормуючу умову. В даному прикладі:

.

Вирішуючи систему отриманих рівнянь, маємо:

Рівняння для вірогідності досягнення стану в перехідному режимі вирішити значно важче. Деякого спрощення можна досягти, використовуючи z – перетворення. Застосуємо його до рівняння для перехідної вірогідності

.

Позначаючи відповідні перетворення, отримаємо:

.

Всі отримані тут математичні результати відносилися до однорідних Марківських процесів, де вірогідність переходів не залежить від часу. В більш загальному випадку така залежність має місце.

Розглянемо вірогідність переходу системи із стану i на m-том кроці в стан j на n-том кроці для n > m.

Можна показати, що ця вірогідність зв'язана між собою, так званим рівняннями Чепмена-Колмогорова. (Chapman – Kolmogorov)

.

Для однорідних ланцюгів Маркова ці рівняння спрощуються оскільки

.

І зводяться до аналізованих вище.

Безперервні ланцюги Маркова

Випадковий процес X(t) з дискретною безліччю значень утворює безперервний ланцюг Маркова, якщо

.

Майбутні стани залежать від минулого тільки через поточний стан. Для безперервний ланцюгів Маркова основним також є рівняння Чепмена – Колмогорова, для однорідного ланцюга має вигляд:

.

Тут матриця H(t)= [pij(t)] – матриця вірогідності переходу із стану i в стан j у момент часу t, а матриця Q називається «матрицею интенсивностей переходів». Її елементи мають наступний сенс: якщо у момент часу t система знаходилася в стані Ei, то вірогідність переходу протягом проміжку часу (t,t+Дt) в довільний стан Ej задається величиною qij(t)Дt + о(Дt), а вірогідність відходу із стану Ei величиною -qiiДt + про(Дt).

Таким чином, інтенсивності переходів можна обчислювати як відповідні межі при прагненні до нуля тривалості тимчасового інтервалу.

Найважливішим для подальшого використовування є клас безперервних ланцюгів Маркова званих «процесами загибелі – розмноження» (Birth – death process). Для таких систем із стану до можливі переходи тільки в стани до, k‑1 і k+1 в наступні моменти часу:

· у момент t об'єм популяції був рівний до і протягом часу (t, t+Дt) не відбулося зміни стану

· у момент t об'єм популяції був рівний k‑1 і протягом часу (t, t+Дt) народився один член популяції

· у момент часу t об'єм популяції був рівний k+1 і протягом часу (t, t+Дt) загинув один член популяції.

Мал. 1. Можливі переходи в стан Тіньк

Шукатимемо вірогідність того, що у момент часу t об'єм популяції рівний до, позначивши його Pk(t). Можна записати співвідношення для вірогідності досягнення стану до у момент часу t+Дt.

.

Визначимо граничні і нормуючі умови:

Виразимо вірогідність переходів за інтервал Дt через інтенсивності

Віри(+1)=лkДt+o(Дt); Віри(-1)=мkДt+o(Дt).

Вірогідність нуля народжень 1 – лkДt+o(Дt), а нуля загибелі 1 – мkДt+o(Дt).

Таким чином, вірогідність того, що стан до збережеться незмінним, буде рівна твору [1 – лkДt+o(Дt)] [1 – мkДt+o(Дt)].

Тоді рівняння Чепмена-Колмогорованабувають вигляд

Розкриваючи дужки і проводячи розподіл на Дt, отримаємо:

В межі виходить система диференціально-різницевих рівнянь, рішення якої гратимуть важливу роль для практичних задач.

У відповідність цій системі рівнянь можна поставити наочну діаграму интенсивностей переходів, яка аналогічна діаграмі переходів для дискретних ланцюгів Маркова (Мал. 2)