Этапы математического моделирования — КиберПедия 

Индивидуальные и групповые автопоилки: для животных. Схемы и конструкции...

Общие условия выбора системы дренажа: Система дренажа выбирается в зависимости от характера защищаемого...

Этапы математического моделирования



Введение

 

В настоящее время не существует области инженерной деятельности, в которой не использовались бы методы моделирования. Особенно это относится к сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации.

Для решения задач оптимизации производственных процессов используются различные модели. Любая модель должна дать возможность получить в сжатые временные сроки прогнозные результаты деятельности моделируемой системы в условиях изменяющейся внешней среды. Применяются следующие разновидности моделей:

1) аналитические, имеющие функционально выражающийся критерий эффективности;

2) статистические, основанные на статистических зависимостях или распределениях вероятностей, позволяющие прогнозировать гладкие изменения в системе и окружающей среде;

3) имитационные, дающие возможность проводить в ускоренном масштабе времени эксперименты, натурное воспроизведение которых невозможно или нежелательно;

4) игровые, позволяющие разрабатывать предварительные решения по выбору альтернативных вариантов;

5) нечёткие модели, позволяющие формализовать и использовать качественно выражаемый человеческий опыт.

Наибольшее применение для решения ряда задач оптимизации лесопромышленного производства получили методы теории массового обслуживания, линейного, нелинейного и динамического программирования и некоторые другие, составляющие аппарат исследования операций. Применение методов теории массового обслуживания наиболее плодотворно в тех случаях, когда распределения вероятностей лесопромышленных процессов можно аппроксимировать как показательное, пуассоновское и распределение Эрланга. В случае невозможности такой аппроксимации и необходимости пользования другими, менее часто встречающимися законами распределений, эффективным может быть применение свёртки вероятностей.

Возможно два и более вариантов решения поставленных задач. Основные из них можно назвать условно технологическими и экономическими. В варианте технологического решения достигается получение наибольших показателей одного или нескольких параметров, характеризующихся, как правило, объёмами выработки лесоматериалов. В варианте экономического решения общие объёмные показатели могут быть несколько меньше, но при этом достигается минимум затратных показателей, удельных или полных, или максимум прибыли. Выбор варианта решения, естественно, остаётся за ЛПР (лицо, принимающее решение).



Решение задачи динамической оптимизации лесопромышленных процессов предполагает такую их организацию, которая характеризуется непрерывностью и стационарностью его реализации. При этом обеспечивается достижение наиболее высоких и стабильных показателей выработки всего оптимизируемого процесса в целом. Основными факторами, обуславливающими оптимизацию ЛЗП в динамике, являются согласованное по режимам взаимодействие смежных технологических операций и процессов и наличие межоперационных запасов лесоматериалов, сглаживающих случайную неравномерность технологических операций.

Особая роль запасов лесоматериалов в ЛЗП состоит в том, что запасы сглаживают неравномерность выполнения отдельных технологических операций, недостаточную надёжность техники и переменную производительность труда работников, занятых в трудовом процессе, изменяющиеся в широком диапазоне грунтово-почвенные условия и таксационные показатели древостоев, отводимых в рубку, территориальную отдалённость мест производства работ единого технологического цикла и невысокую надёжность транспортной сети для доставки заготовленной древесины.

Оптимизацию ЛЗП можно проводить, рассматривая её как кибернетическую систему. Оптимизация ЛЗП методами кибернетики предполагает её функционирование как гомеостатической системы. Однако основная сложность при таком подходе заключается в трудности определения знака и величины коэффициентов обратных связей, действующих в такой сложной человеко-машинной системе в разных диапазонах изменения основных параметров и, прежде всего, интенсивностей смежных операций и межоперационных запасов лесоматериалов.

Известно, что в области малых уровней межоперационных запасов лесоматериалов коэффициенты обратной связи, связывающие интенсивности последующих и предшествующих операций и обуславливающие оседание лесоматериалов в запасы, имеют положительный знак и наибольшую величину, способствуя тем самым интенсификации предшествующих работ. Такую ситуацию в лесозаготовительных предприятиях принято характеризовать выражением «возить из-под пилы», подчёркивая тем самым подстёгивающую роль недостатка запасов хлыстов (деревьев, сортиментов) для вывозки на темпы заготовки древесины.



В области высоких (избыточных) уровней межоперационных запасов лесоматериалов значения соответствующих коэффициентов обратных связей получают отрицательный знак, сдерживая интенсивность предшествующих работ, тормозя их. Это объясняется как сложностью размещения избыточных запасов, так и действием психологических факторов на работающих на предшествующих операциях.

В области средних (достаточных, но не избыточных) значений уровней межоперационных запасов лесоматериалов влияние обратных связей ослабевает и смежные технологические операции становятся индифферентными друг к другу, обретая своеобразную независимость.

Наиболее универсальным методом моделирования технологических процессов лесозаготовительного производства последние десятилетия является имитационное моделирование. Имитационное моделирование предоставляет широкие возможности для оптимизации производственных процессов. Важным преимуществом имитационного моделирования является отражение случайного характера моделируемых процессов. Вместе с тем возможности имитационного моделирования ограничиваются применением корреляционно-регрессионных моделей, придающих ему статичность и ограниченную идеализацию.

Наиболее перспективным и быстро развивающимся методом моделирования технологических процессов на сегодняшний день является нечёткое моделирование. Нечёткое моделирование относится к современным высоким технологиям. Актуальность технологии нечёткого моделирования и её преимущество перед классическими концепциями моделирования проявляется в условиях действующей тенденции увеличения сложности математических и формальных моделей реальных систем и процессов управления, обусловленной желанием повысить их адекватность при одновременном увеличении числа учитываемых факторов. В этих условиях традиционные методы построения моделей не приводят к удовлетворительным результатам, когда исходное описание решаемой проблемы заведомо является неполным или неточным. Полное и точное описание в большинстве является либо невозможным, либо требует непомерных затрат времени и сил, несоизмеримых с получаемыми результатами.

В подобных случаях наиболее целесообразно воспользоваться такими методами, которые специально ориентированы на построение моделей, учитывающих неполноту и неточность исходных данных. Именно в таких ситуациях технология нечёткого моделирования является наиболее конструктивной.

Учебное пособие соответствует образовательной программе по направлению 35.03.02 и 35.04.02 Технология лесозаготовительных и деревоперерабатывающих производств.


ОСНОВЫ МОДЕЛИРОВАНИЯ

Моделированием принято называть замещение одного объекта (оригинала) другим объектом (моделью) с целью получения интересующей исследователя информации о существенных свойствах первого с помощью второго. Для того, чтобы сравнить между собой различные стратегии проведения операции или построения технологических процессов, необходимо выполнить оценку ожидаемых значений показателя эффективности. Для этого, в свою очередь, необходимо иметь математическую модель исследуемой операции или технологического процесса.

Математические модели можно разделить на аналитические, алгоритмические и комбинированные.

При аналитическоммоделировании для описания процессов функционирования системы используются алгебраические, дифференциальные, интегральные и другие уравнения. Аналитическая модель может быть исследована следующими методами:

а) аналитическим, когда стремятся получить в общем виде явные зависимости для искомых характеристик;

б) численным, когда при отсутствии методик решения в общем виде стремятся получить численные результаты при конкретных начальных значениях параметров;

в) качественным, когда, не имея решения в общем виде, можно, тем не менее, найти некоторые свойства решения (например, оценить устойчивость полученного решения).

Аналитическое моделирование включает в себя следующие дисциплины и методы: оптимизационное (математическое) программирование, теорию массового обслуживания (или теория очередей), теорию игр и статистических решений, сетевые методы и др. В оптимизационное (математическое) программирование входят в свою очередь линейное программирование, нелинейное программирование, динамическое программирование, дискретное (целочисленное) программирование, стохастическое программирование и др.

При алгоритмическом моделированииописывается процесс функционирования системы во времени, причём воспроизводятся существенные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания явлений во времени. Алгоритмические модели могут быть детерминированными и статистическими. В последнем случае в модели с помощью случайных чисел имитируется действие неопределённых и случайных факторов. Такой метод моделирования получил название метода имитационного (статистического) моделирования. В настоящее время он считается наиболее эффективным методом исследования сложных систем.

Считается, что для применения имитации должны быть достаточные основания:

- не существует законченной математической постановки данной задачи, либо ещё не разработаны методы математического программирования или аналитические методы решения такого рода задач;

- методы имеются, но они столь сложны, что имитационное моделирование является более простым способом решения задачи;

- методы математического программирования или аналитические методы существуют, но их реализация невозможна из-за недостаточной подготовленности ЛПР (лица, принимающего решение).

Комбинированное моделирование позволяет объединить достоинства аналитического и алгоритмического моделирования. При построении комбинированных моделей производится предварительная декомпозиция процесса функционирования модели на составляющие подпроцессы. Для тех из них, где это возможно, используются аналитические модели, а для остальных процессов строятся алгоритмические модели.

Искусство моделирования состоит в способности анализировать проблему, выделять из неё путём абстрагирования её существенные черты, выбирать и должным образом модифицировать основное предположение, характеризующее систему, а затем отрабатывать и совершенствовать модель до тех пор, пока она не будет давать полезные результаты.

Хорошая модель должна быть:

- простой и понятной пользователю;

- целенаправленной;

- надёжной в смысле гарантии от получения абсурдных ответов;

- удобной в управлении и обращении, т. е. общение с ней должно быть лёгким;

- полной, с точки зрения возможностей решения главных задач;

- адаптивной, позволяющей легко переходить к другим модификациям или обновлять данные;

- допускающей постепенные изменения в том смысле, что будучи в начале простой, она может во взаимодействии с пользователем становиться всё более сложной.


 

Принципы моделирования

Математическое моделирование основано на следующих принципах:

1. Принцип информационной достаточности. При полном отсутствии информации об исследуемой системе построение её модели невозможно. При наличии полной информации о системе её моделирование лишено смысла. Существует некоторый критический уровень априорных сведений о системе (уровень информационной достаточности), при достижении которого может быть построена её адекватная модель.

2. Принцип осуществимости. Создаваемая модель должна обеспечивать достижение поставленной цели исследования с вероятностью, существенно отличающейся от нуля, и за конечное время. Обычно задают некоторое пороговое значение Р0 вероятности достижения цели моделирования P(t), а также приемлемую границу t0времени достижения этой цели. Модель считают осуществимой, если может быть выполнено условие P(t0) ≥ P0.

3. Принцип множественности моделей. Данный принцип является ключевым. Он означает, что создаваемая модель должна отражать в первую очередь те свойства, которые влияют на выбранный показатель эффективности. Соответственно, при использовании любой конкретной модели познаются лишь некоторые стороны реальности. Для более полного её исследования необходим ряд моделей, позволяющих с разных сторон и с разной степенью детальности отражать рассматриваемый процесс.

4. Принцип агрегирования. В большинстве случаев сложную систему можно представить состоящей из агрегатов (подсистем), для адекватного математического описания которых оказываются пригодными некоторые стандартные математические схемы. Принцип агрегирования позволяет достаточно гибко перестраивать модель в зависимости от задач исследования.

5. Принцип параметризации. В ряде случаев моделируемая система имеет в своём составе некоторые относительно изолированные подсистемы, характеризующиеся определённым параметром, в том числе векторным. Такие подсистемы можно заменять в модели соответствующими числовыми величинами, а не описывать процесс их функционирования. При необходимости зависимость значений этих величин от ситуации может задаваться в виде таблицы, графика или аналитического выражения (формулы). Принцип параметризации позволяет сократить объём и продолжительность моделирования. Однако параметризация снижает адекватность модели.


 

АНАЛИТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

 

Аналитическое моделирование – математическая формализация, изменение свойств объекта во времени.

Для аналитического моделирования характерно то, что процессы функционирования элементов системы записываются в виде некоторых функциональных соотношений (алгебраические, интегродифференцированные, конечно-разностные) и логических условий.

Аналитическая модель может быть исследована 3-я способами:

1) аналитическим способом – стремятся получить в общем виде зависимость от исходных характеристик;

2) численным способом – когда нельзя решить в общем виде, то получаем результаты для конкретных начальных данных;

3) качественным способом – не имея решения управления в общем виде, мы можем найти некоторые свойства решения.

Аналитические модели удобны в использовании, поскольку для аналитического моделирования не требуются сколько-нибудь значительные затраты вычислительных ресурсов, часто без постановки специальных вычислительных экспериментов исследователь может оценить характер влияния аргументов на выходные параметры, выявить те или иные общие закономерности в поведении системы. Но, к сожалению, аналитическое исследование удаётся реализовать только для частных случаев сравнительно несложных СМО. Для сложных СМО аналитические модели, если и удаётся получить, то только при принятии упрощающих допущений, ставящих под сомнение адекватность модели.

Поэтому основным подходом к анализу САПР на системном уровне проектирования считают имитационное моделирование, а аналитическое исследование используют при предварительной оценке различных предлагаемых вариантов систем.

Некоторые компоненты СМО характеризуются более чем одним входным и/или выходным потоками заявок. Правила выбора одного из возможных направлений движения заявок входят в соответствующие модели компонентов. В одних случаях такие правила относят к исходным данным (например, выбор направления по вероятности), но в некоторых случаях желательно найти оптимальное управление потоками в узлах разветвления. Тогда задача моделирования становится более сложной задачей синтеза, характерными примерами которой являются маршрутизация заявок или синтез расписаний и планов.


 

2.1 Математическое программирование

 

Математическое программирование занимается исследованием свойств и разработкой методов решения задач следующего вида: найти значения переменных x = (x1, x2, ..., xn), принадлежащих некоторому заданному множеству Х и доставляющих максимум (минимум) заданной функции F(x1, х2, ..., xn) этих переменных. Если для определённости говорить о задаче максимизации, то её краткая запись будет иметь вид max[F(x)|xÎX]. Источником такого рода задач является любая область практической деятельности человека и прежде всего производство, распределение, обмен и потребление материальных благ, т. е. сфера экономики.

Характерные особенности современной экономики, такие как усложнение связей и зависимостей между элементами экономических систем на всех уровнях, ускорение темпов внедрения научно-технических достижений в производство, необходимость учёта ограниченности ресурсов при гигантских масштабах производства и капитальных вложений, приводят к одновременному существованию для каждой экономической задачи множества вариантов её решения, существенно различающихся между собой по затратам, срокам исполнения, срокам окупаемости, экономическому, социальному эффекту. Если определены условия, при которых осуществляется выбор решения, и указан критерий, в соответствии с которым будет оцениваться его качество (другими словами, задано множество Х и функция F(x)),то мы получаем сформулированную выше в общем виде задачу математического программирования. В соответствии с принятой в математическом программировании терминологией элементы множества Х называются допустимыми планами (точками, векторами, решениями). Задача математического программирования, для которой существуют допустимые планы, называется допустимой. Функция F(х), подлежащая максимизации (или минимизации), называется целевой. Допустимый план, доставляющий наибольшее (наименьшее) значение целевой функции, называется оптимальным планом (точкой, вектором, решением) задачи.

Множество Х допустимых планов задаётся обычно как множество решений некоторой системы уравнений и (или) неравенств. Система уравнений и неравенств, определяющих множество X, называется системой ограничений (условий) задачи, а каждое из уравнений или неравенств – ограничением (условием) задачи. В конкретных исследованиях ограничения отражают условия, в которых происходит выбор решения.

В зависимости от особенностей целевой функции и функций, задающих ограничения, задачи математического программирования разделяются на ряд классов.

Задачи линейного программирования возникают, если все соотношения в их формулировке линейны: целевая функция – линейная форма z = cx= c1x1 + c2x2 cixi + ... + cnxn переменных х1, х2, ..., хn, ограничения – линейные равенства и неравенства, задающие выпуклое многогранное множество. Различия в свойствах этого множества, определяемые особенностями системы ограничений, приводят к тому, что среди задач линейного программирования выделяются частные постановки: транспортная, распределительная, блочная и другие задачи.

Задачи нелинейного программирования – такие задачи, в постановке которых нелинейна хотя бы одна из функций. Если о свойствах функций ничего более не сообщается, задача является общей задачей нелинейного программирования. Если же известно, что ограничения задают выпуклую область, на которой ищется максимум целевой функции, выпуклой вверх, или минимум функции, выпуклой вниз, – получаем задачу выпуклого программирования. Частным случаем задачи выпуклого программирования является задача квадратичного программирования. В ней множество допустимых решений задаётся линейными ограничениями и представляет, следовательно, выпуклое многогранное множество, а целевая функция – квадратичная форма, неположительно определённая для задач максимизации и неотрицательно определённая для задач минимизации.

Задачи целочисленного программирования – это те задачи математического программирования, в постановке которых присутствует требование целочисленности всех или части переменных (соответственно полностью или частично целочисленные задачи). Таким образом, можно говорить о целочисленных задачах нелинейного, выпуклого, линейного программирования. Они, в свою очередь, являются частным случаем более широкого класса задач дискретного программирования, которое охватывает задачи, определённые на конечных множествах допустимых решений.

При рассмотрении задач математического программирования различают два этапа: постановку задачи и её решение. Математика исследует не реальные объекты и отношения, а их абстракции. Одной из таких абстракций является математическая модель –формальное описание изучаемого явления, отражающее его наиболее существенные для данного конкретного случая черты. К модели предъявляются противоречивые требования: с одной стороны, она должна быть по возможности простой, а с другой – достаточно точной. Вопрос о том, что значит «по возможности» и «достаточно» обычно решается вне рамок математического программирования.

2.1.1 Линейное программирование

Линейное программирование (ЛП) представляет собой математическую теорию нахождения экстремума линейной целевой функции нескольких переменных при действии связывающих их линейных ограничений.

Математически задача ЛП ставится следующим образом: ищется максимум (минимум) линейной формы (функции цели):

(1)

при условиях:

ai1x1 + ai2x2 + ainxn ≤ bi; x ≥ 0;(2)

i = 1,2, ..., m; m > n.

Векторная форма записи задачи ЛП имеет вид:

найти max f(X) = Z = C·X(3)

при ограничениях А1х1 + А2х2 + …+ Аnxn = B, x ≥ 0,

где С = (с1, c2, ..., cn), X = (x1, x2, ..., xn).

Постановка задачи управления запасами лесоматериалов в такой форме имеет место при возможности линейного представления зависимостей между основными факторами.

2.1.2 Динамическое программирование (ДП)

ДП есть особый математический метод оптимизации решений, специально приспособленный к многошаговым (или многоэтапным) операциям.

Рассмотрим операцию, распадающуюся на ряд последовательных «шагов» или «этапов», например, управление запасами лесоматериалов на последовательных периодах осуществления ЛЗП. Пусть эффективность операции характеризуется показателем W, называемым «выигрышем», складывающимся из выигрышей на отдельных шагах:

; , (4)

где wi – выигрыш на i-м шаге.

Если W обладает таким свойством, то его называют «аддитивным критерием».

Операция представляет собой управляемый процесс, т. е. мы можем выбирать какие-то параметры, влияющие на его ход и исход, причём на каждом шаге выбирается какое-то решение, от которого зависит выигрыш на данном шаге и выигрыш за операцию в целом. Будем называть это решение «шаговым управлением». Совокупность всех шаговых управлений представляет собой управление операцией в целом. Обозначим его буквой u, а шаговые управления – буквами u1, u2, u3, … um:

. (5)

При этом u1, u2, … um в общем случае не числа, а, может быть, векторы, функции и т. д. Требуется найти такое управление u, при котором выигрыш W обращается в max:

. (6)

То управление u*, при котором этот max достигается, будем называть оптимальным управлением. Оно состоит из совокупности оптимальных шаговых управлений:

.

Тот максимальный выигрыш, который достигается при этом управлении, будем обозначать W*:

(7)

Рассмотрим пример многошаговых операций применительно к ЛЗП, а именно задачу об управлении запасами. Например, требуется обосновать вместимость склада под сезонный запас хлыстов с учётом сезонной неравномерности вывозки. Годовой период работы лесозаготовительного предприятия делится на этапы: зимний период, весеннюю распутицу, летний период, осеннюю распутицу. Оптимальным будет вариант, при котором суммарные денежные издержки по созданию запасов и из-за простоев оборудования вследствие преждевременного расхода запаса будут наименьшими. В основе метода ДП лежит идея постепенной, пошаговой оптимизации. При этом управление на каждом шаге должно выбираться с учётом всех его будущих последствий на ещё предстоящих шагах. Управление на i-м шаге выбирается не так, чтобы выигрыш именно на данном шаге был максимален, а так, чтобы была максимальна сумма выигрышей на всех оставшихся до конца шагах плюс данный шаг. Поэтому процесс ДП обычно разворачивается от конца к началу. Прежде всего планируется последний, m-й шаг. Планируя последний шаг, нужно сделать разные предположения о том, чем кончился предпоследний (m – 1)-й шаг для каждого предположения, найти условное обозначение управления на m-м шаге. Аналогичным образом, «пятясь назад», находятся все условные оптимальные управления и условные оптимальные выигрыши на всех шагах, начиная от данного и до конца. Теперь можно построить уже не условно оптимальное, а просто оптимальное управление u* и найти оптимальный выигрыш W*.

Метод ДП является очень мощным и плодотворным методом оптимизации управления. Но это решение не сводится к какой-либо стандартной вычислительной процедуре; оно может быть передано на компьютер только после того, как составлены соответствующие алгоритм и реализующие его зависимости и формулы.

В основе решения всех задач ДП лежит «принцип оптимальности»: «Каково бы ни было состояние системы S перед очередным шагом, надо выбирать управление на этом шаге так, чтобы выигрыш на данном шаге плюс оптимальный выигрыш на всех последующих шагах был максимальным».

Постановку задачи ДП удобно проводить в следующем порядке.

1. Выбрать параметры (фазовые координаты), характеризующие состояние S управляемой системы перед каждым шагом.

2. Расчленить операцию на этапы (шаги).

3. Выяснить набор шаговых управлений ui для каждого шага u налагаемые на них ограничения.

4. Определить, какой выигрыш приносит на i-ом шаге управление ui, если перед этим система была в состоянии S, т. е. записать «функции выигрыша»:

. (8)

5. Определить, как изменится состояние S системы Sпод влиянием управления ui на i-ом шаге: оно переходит в новое состояние

. (9)

6. Записать основное рекуррентное управление ДП, выражающее условный оптимальный выигрыш Wi (S) через уже известную функцию Wi+1(S):

(10)

7. Произвести условную оптимизацию шагов, начиная с последнего.

8. Произвести безусловную оптимизацию управления, «читая» соответствующие рекомендации на каждом шаге.

2.1.3 Теория массового обслуживания (ТМО)

Очень многие технологические процессы ЛЗП можно рассматривать как системы массового обслуживания (далее СМО). Любую СМО в общем виде можно представить как совокупность последовательно связанных между собой входящих потоков требований на обслуживание, очередей, каналов обслуживания и выходящих потоков. Случайный характер входящего потока требований (хлыстов, сортиментов, автолесовозов и т. д.), а также длительности обслуживания каналом (раскряжёвочная установка, лесопильная рама, краны и т. д.) приводит к образованию случайного процесса в системе, который необходимо исследовать.

Предметом ТМО является установление зависимости между условиями работы СМО (число каналов, их производительность, характер потока заявок, правила обслуживания) и эффективностью обслуживания. В качестве показателей эффективности обслуживания могут применяться: среднее число заявок, обслуживаемых СМО в единицу времени; среднее число занятых каналов; среднее число заявок в очереди и среднее время ожидания обслуживания; среднее время простоя отдельных каналов и системы в целом, закон распределения длины очереди и др.

Каждый из этих показателей характеризует степень приспособленности системы к обслуживанию потока заявок, т. е. пропускную способность. Различают абсолютную и относительную пропускную способность. Под абсолютной пропускной способностью понимают среднее число заявок, которое СМО может обслужить в единицу времени. Под относительной пропускной способностью понимают среднее отношение числа обслуженных заявок к числу поданных.

СМО по наличию того или иного признака можно разделить следующим образом:

1. По характеру поступления требований – на системы с регулярными и случайными потоками поступления требований в систему. Если количество поступающих требований в систему в единицу времени (интенсивность потока) постоянно или является заданной функцией времени, то имеем систему с регулярным потоком поступления требований в систему, в противном случае – со случайным. Для исследования СМО со случайным потоком требований необходимо, чтобы была задана или известна функция распределения вероятностей поступления требований в систему. Если параметры потока требований не зависят от расположения рассматриваемого интервала времени на оси времени, то имеем стационарный поток требований, в противном случае – нестационарный. Например, если число лесовозов, приходящих на склад, не зависит от времени суток, то поток требований – стационарный.

2. По количеству поступающих требований в один момент времени на системы с ординарным и неординарным потоками требований. Если вероятность поступления двух или более требований в один момент равна нулю или имеет столь малую вероятность, что ею можно пренебречь, то имеем систему с ординарным потоком требований.

3. По связи между требованиями на системы без последействия и с последействием. Если вероятность поступления требований в систему в некоторый момент времени не зависит от того, сколько уже требований поступило в систему, т. е. не зависит от предыстории изучаемого процесса, то мы имеем систему без последействия, в противном случае – с последействием.

4. По характеру поведения требования в системе – с отказами, с ограниченным ожиданием и с ожиданием без ограничения:

- если вновь наступившее на обслуживание требование застаёт все каналы обслуживания занятыми и оно покидает систему, то имеем систему с отказами;

- если поступившее требование застаёт все каналы обслуживания занятыми и становится в очередь, но находится в ней ограниченное время, после чего, не дождавшись обслуживания, покидает систему, то имеем систему с ограниченным ожиданием;

- если поступившее требование, застав все каналы занятыми, вынуждено ожидать своей очереди до тех пор, пока оно не будет обслужено, то имеем систему с ожиданием без ограничения.

5. По способу выбора требований на обслуживание: с приоритетом, по мере поступления (FIFO), случайно, последний обслуживается первым (LIFO). В этом случае говорят о дисциплине обслуживания:

- если СМО охватывает несколько категорий требований и по каким-либо соображениям необходимо соблюдать различный подход к их отбору, то имеем систему с приоритетом;

- если освободившийся канал обслуживает требование, ранее других поступившее в систему, то имеем систему с обслуживанием требований по мере их поступления (FIFO);

- если требования из очереди в канал обследования поступают в случайном порядке, то имеем систему со случайным выбором требований на обслуживание;

- последний обслуживается первым – LIFO (пример: разборка штабелей лесоматериалов).

6. По характеру обслуживания требований – на системы с детерминированным и случайным временем обслуживания. Если интервал времени между моментом поступления требования в канал обслуживания и моментом выхода требования из этого канала постоянен, то имеем систему с детерминированным временем обслуживания, в противном случае – со случайным.

7. По числу каналов обслуживания – на одноканальные и многоканальные.

8. По количеству этапов обслуживания – на однофазные и многофазные системы. Если каналы обслуживания расположены последовательно и они неоднородны, т. к. выполняют различные операции обслуживания, то имеем многофазную СМО.

9. По однородности требований, поступающих на обслуживание, – на системы с однородными и неоднородными потоками требований. Так, если под разгрузку прибывают автомобили различной грузоподъёмности, то такие требования называются неоднородными, если одной грузоподъёмности – однородными.

10. По ограниченности потока требований – на замкнутые и разомкнутые системы. Если поток требований ограничен и требования, покинувшие систему, могут в неё возвращаться, то имеем замкнутую систему, в противном случае – разомкнутую.

Поток требований, обладающий тремя свойствами: стационарностью, ординарностью и отсутствием последействия, называется простейшим (или стационарным пуассоновским) потоком.

На лесозаготовках встречаются все основные типы СМО.

Важной особенностью функционирования СМО является взаимодействие очередей. Последнее может возникнуть при одновременном обслуживании нескольких потоков и наличии «узких» мест в системе обслуживания. Например, один кран на нижнем лесоскладе нередко одновременно обслуживает 3 потока: выполняет погрузку лесоматериалов в вагоны, обслуживает основные технологические линии и лесообрабатывающие цехи.

Математический анализ работы СМО очень облегчается, если процесс этой работы – марковский. Для этого достаточно, чтобы все потоки событий, переводящие систему из состояния в состояние, были простейшими. Случайный процесс, протекающий в системе, называется марковским, если для любого момента времени вероятностные характеристики процесса в будущем зависят только от его состояния в данный момент и не зависят от того, когда и как система пришла в это состояние.

При оптимизации практических задач большое значение имеют так называемые марковские случайные процессы с дискретными состояниями и непрерывным временем.

Процесс называется процессом с дискретными состояниями, если его возможные состояния можно заранее перечислить (перенумеровать), а переход системы из состояния в состояние происходит «скачком», практически мгновенно.

Процесс называется процессом с непрерывным временем, если моменты возможных переходов из состояния в состояние не фиксированы заранее, а неопределённы, случайны, если перехо






Организация стока поверхностных вод: Наибольшее количество влаги на земном шаре испаряется с поверхности морей и океанов (88‰)...

Папиллярные узоры пальцев рук - маркер спортивных способностей: дерматоглифические признаки формируются на 3-5 месяце беременности, не изменяются в течение жизни...

Общие условия выбора системы дренажа: Система дренажа выбирается в зависимости от характера защищаемого...

Опора деревянной одностоечной и способы укрепление угловых опор: Опоры ВЛ - конструкции, предназначен­ные для поддерживания проводов на необходимой высоте над землей, водой...





© cyberpedia.su 2017-2020 - Не является автором материалов. Исключительное право сохранено за автором текста.
Если вы не хотите, чтобы данный материал был у нас на сайте, перейдите по ссылке: Нарушение авторских прав

0.037 с.