![](/user_photo/_userpic.png)
книги из ГПНТБ / Шнепс, М. А. Численные методы теории телетрафика
.pdfСледовательно, реализация процесса дает матрицу чисел
« м |
« 1 1 |
0 |
0 |
« 2 0 |
« 2 1 |
« 2 2 |
0 |
п з о |
« 3 1 |
« 3 2 |
« 3 3 |
где tiij — число моментов ть таких, что \х(х+h) \= i, |х;(т—л+i) |==/. Вероятности перехода х(х~к)-*-х(х^11) зависят от структуры схе
мы. При данных = |
каждая строчка матрицы Цп^Н опреде- |
/=о
ляется полиномиальным распределением согласно (4). Поэтому для проверки качества случайных чисел можно проверять согласие по лученной матрицы Ц/Zijll с вероятностями (4) на основе критерия X2. Получаем
ЕЕ |
(riiPij - |
пцУ |
|
(5) |
|
|
n iPti |
|
|
||
i=l /=о |
|
|
|
|
|
Число степеней свободы выражения |
(5) равно 2 + 3 + |
. . . + fu + |
|||
+ 1)—v = |
|
V |
(сумма числа ненулевых элементов |
матрицы |
|
llreijll минус v |
связей типа Пх=Ъпц). |
Оно может быть уменьшено |
еще на единицу, если в (4) подставить оценку максимального прав доподобия параметра X. Рассмотрим соответствующее уравнение. При данных tii вероятность получения реализации, имеющей мат рицу Hftij-L равна
MX) = n |
n |
/ f |
1=1 |
/=0 \ |
П а + £) |
|
\ |
*=/ |
V |
А |
Оценку максимального правдоподобия \Х для параметра К по-
лучаем из уравнения — logL (?o)= 0. Ввиду громоздкости этого
дХ
уравнения подробную его запись опустим. Заметим только, что для
его решения можно использовать итерационный алгоритм [233]. В
л
нашем случае оценкой X может быть также оценка среднего чис ла поступивших вызовов за единицу времени, которая близка к оценке максимального правдоподобия.
4.Произвольно распределенные случайные числа
Наиболее известный способ получения случайных чисел т), подчиненных функции распределения F (x ), основан на применении уравнения
I = А (П). |
(6) |
140
где £ — случайная величина, равномерно распределенная |
на [0, 1], |
что приводит к вычислению обратной функции |
|
Л = F -' (|). |
(7) |
Из (6) и (7) следует простой способ получения чисел, распре деленных согласно F (x). Надо взять равномерно распределенные случайные числа £ и подставить их в обратную функцию F~k Это даст искомые случайные числа г), подчиненные закону F (х). Ил люстрацией данного преобразования является рис. 7.2.
Рис. 7.2. Схема получения случайных чисел г|. распределенных по произ вольному закону F(x), на основе чи сел £, равномерно распределенных на
[О, 1]
Для получения чисел, подчиненных экспоненциальному распре делению F ( x )~ 1—е-Ъг, надо пользоваться соотношением (7), что дает
л==_ J _ i n ( l _ g )
Л
или равносильное ему соотношение
1]= - у 1п£’
так как 1—£ тоже распределено равномерно на [0, 1]. Непосредст венно отсюда получаем простой метод моделирования нестацио нарного пуассоновского процесса с кусочно-постоянной интенсив ностью. На рис. 7.3 показан пример моделирования пуассоновско-
Рис. 7.3. Схема моделирования нестационарного пуассо новского процесса
го процесса с к — 2 в течение одной единицы времени и с 1 = 3 |
в |
течение второй единицы времени. Моделируем процесс с ^,= 1 |
в |
течение пяти единиц времени, а потом методом подобия отобража ем па две единицы с интенсивностями к = 2 и А.=3 соответственно.
141
Подобным образом можно моделировать процесс с любой функ
цией A,(t).
Кроме экспоненциального распределения с постоянными или зависящими от времени параметрами, встречаются также распре деления Эрланга с плотностью
чЛ ..ft—1«—X.v
р Л х , К ) = |
(А _ |
1)|------ . |
|
|
(8) |
где k — целое, |
положительное, А>0 |
н гиперэкспоненцнальное рас |
|||
пределение |
|
|
|
|
|
F (х) = Pie |
>M* + |
• • •+ pk е ^ |
, |
|
|
^ > 0 , х > 0 , рг > 0 |
|
|
О) |
||
|
|
1= 1 |
|
|
|
Для получения (8) надо брать сумму k чисел, |
каждое из которых |
||||
подчиняется распределению е~х х, а |
в случае |
(9) |
брать числа |
||
подчиненные е_ х х, с 'вероятностями ри i= 1, |
к. |
полученной на |
|||
В случае эмпирической функции распределения, |
основе статистических данных, вычисление обратной функции со
гласно (7) |
сводится к случайному выбору одного из табличных |
|||
значений. |
Например, пусть имеется эмпирическое |
распределение |
||
длительности обслуживания: |
|
|
|
|
Частота |
Длительность обслуживания |
|||
0,1 |
30 |
с |
|
|
0,25 |
45 |
» |
|
|
0,4 |
1 |
мин |
|
|
0,15 |
1 |
» |
1 5 с |
|
0,1 |
1 |
» |
30 |
» |
•Тогда при данном равномерно распределенном случайном чис ле имеем следующие правила выбора:
т)= 30 |
с |
|
> если |
0 < £ < 0 ,1 ; |
|
45 |
» |
|
> |
» |
0,1 < £ < 0 ,3 5 |
1 |
мин |
15 |
j |
» |
0,35<|<0,75 |
1 |
» |
с, |
» |
0,75 < | < 0 ,9; |
|
1 |
» |
30 |
», |
» |
0,9< | < 1 . |
Неудобством такого подхода является необходимость проверки последовательности логических условий. Во избежание этого мож но поступить следующим образом. Составим таблицу из двадцати строчек: в первых двух строчках запишем 30 с, в следующих пя ти 45 с, далее 8 раз 1 мин, 3 раза 1 мин 15 с и 2 раза 1 мин 30 с; равновероятным выбором одной из двадцати строчек получаем случайные числа о данным эмпирическим распределением. Недо статок метода — увеличение числового массива.
Такой же прием можно использовать, чтобы получить числа, ра спределенные согласно произвольной функции распределения F (x).
142
Во избежание необходимости многократно решать ур-нне (7) мож но заранее решить его для некоторого набора значений х и соста вить таблицу. Наиболее «простой вьибор из таблицы — равновероят ный, который описан выше. Чтобы составить таблицу из <N чисел, воспроизводящих распределение F (x ), надо выбрать такие лщ ..
л'ль при которых
X
X
7.3.АЛГОРИТМЫ МОДЕЛИРОВАНИЯ КОММУТАЦИОННЫХ СИСТЕМ
1.Три алгоритма моделирования полнодоступного пучка с потерями
Выбор алгоритмов моделирования связан с желанием удов летворить двум противоречивым требованиям: за минимальное ма шинное время получить статистические оценки максимальной точ ности. На практике, конечно, корректно поставить одно требование, например:' получить наиболее точные оценки характеристик си стемы за данное машинное время и построить доверительный ин тервал этих сценок.
Рассмотрим три подхода к статистическому моделированию си стем массового обслуживания на примере о-линейного полнодоступиого пучка с потерями и покажем, как на основе учета веро ятностных свойств системы можно упростить программу моделиро вания.
Моделирование истинного процесса обслуживания. Пусть на пучок поступает поток вызовов с ограниченным последействием, функцию распределения между двумя последовательными вызова ми обозначим через A (t). Пусть времена обслуживания являют ся взаимно независимыми случайными величинами с функцией ра спределения B (t). Требуется найти оценку среднего числа занятых линий.
Программа статистического моделирования такой системы со держит: подпрограммы реализации случайных величин согласно функциям распределения A (t) и B (t); одну ячейку для хранения текущего времени системы, которое растет случайными скачками согласно функции распределения A (t), и v ячеек для хранения по следнего момента освобождения каждой из v линий. Проиллюст рируем этот алгоритм на примере трехлинейного пучка (рис. 7.4). Через |i, £2, . . . обозначены расстояния между последующими вы
зовами, распределенные |
согласно A (t); длительности обслужива |
|
ния (разговора) тр, тр,. . . |
'подчинены закону В (t). Поясним работу |
|
алгоритма моделирования в момент поступления |
пятого вызова. |
|
В этот момент текущее |
время ^о='|1+ ? 2+ |з+ |4; |
при 'поиске сво- |
143
бодной литии с наименьшим номером (упорядоченный поиск) сра вниваем ближайший (последний) момент освобождения линии + i= 1, 2, 3, с. /0:
Hi = + (U + ^3 + + ^ ^о; ^2 = + Ч2 ^о’> ^3 =
=+ ^2 + Чз > По
следовательно, пятый вызов теряется. Шестой вызов занимает вто рую линию и т. д.
3-я линия |
|
|
Ь |
|
I |
|
|
|
|
L— ——р------------------------------ |
|
| |
|
|
|
|
|
|
|
|
|
|
|
2-ялиния----------- |
х//// / / / / / / / / / //////\ |
|
—J------------------ |
|
|||
|
|
|
|
|
I |
|
|
|
9, |
|
м |
т |
\Ъ |
п |
|
1-я линия V M W M 7m |
I |
|
|||||
|
|
|
|
|
№ |
4 4 |
|
|
|
|
|
|
I |
|
|
__________' |
| |
' |
| _____J------- |
4 |
1------------ |
||
о |
$} |
h |
*з |
4 / |
|
* |
ios Si+h + b + h
Рис. 7.4. Временная диаграмма работы трехлинейном системы
Моделирование марковского процесса (при экспоненциальных законах). Предположим, что
А (0 - e 'w, t > 0, B(t) = е- ', t> 0.
Тогда действие у-линейной системы с потерями описывается мар ковским процессом x(t) (его состояния принимают значения: 0, 1, 2, v). Почти всякая траектория марковского процесса устроена таким образом, что время пребывания gi в £-м состоянии подчиня ется экспоненциальному распределению с параметром X-j-i, т. е.
P {h < 0 = е- (Х+1) |
(10) |
В момент выхода из этого состояния осуществляется переход в со стояние £+1 с вероятностью
X
X “J- i |
( п ) |
|
и в состояние i— 1 с вероятностью
4t |
( 12) |
|
X+ / |
При i= v возможен переход только в состояние у— 1 с вероят ностью, равной 1 (рис. 7.5а). Отсюда следует, что при воспроиз
144
ведении действия системы надо моделировать два случайных ме ханизма: 1) время пребывания согласно (10) и 2) вероятности пе реходов согласно (И ) и (12). Следовательно, нужны: программа реализации случайных величин, подчиняющихся экспоненциально му распределению (10); программа получения равномерно распре деленных случайных чисел для выбора направления скачков по
а) |
|
А |
ю |
|
А_ |
|
|
'A+i |
i+1 ‘ |
|
|
i+1 |
|
i |
' A + i |
||
|
|
- |
|||
i |
|
|
|
|
|
Н |
|
1 |
L-1 |
|
L |
1 |
|
' A + i |
|||
|
A + i |
|
|
||
|
|
|
|
|
|
|
|
7 |
|
|
|
Рис. 7.5. Элементы траекторий марковского процесса: |
временами |
||||
а) |
со случайными и б) |
с детерминированными |
|||
пребывания в состояниях |
|
|
|
(11) и (12); ячейки для фиксации текущего времени системы, ко торое меняется скачками согласно случайным временам пребыва ния в последовательных состояниях, и v разрядов (а не v ячеек!) для записи номеров занятых линий или одна ячейка для записи числа занятых линий. Такой подход дает существенную экономию машинной памяти, что особенно важно при моделировании слож ных систем.
Моделирование вложенной цепи Маркова. Из анализа свойств траектории марковского процесса x(t) следует, что при вычисле нии оценки среднего числа занятых линий случайные времена пре бывания в отдельных состояниях можно заменить на их средние значения. Действительно, пусть взяли траекторию процесса x(t) до момента TN, т. е. до момента N-го скачка. Цель — вычислить
х1
Mf ( TN) = ^ ~ j f[x(t)]dt, |
(13) |
о
где
f[x(t)] = i, если x(t) = i, i = 0, 1, • ■ •, v.
Функционал (13) представляет собой случайную величину, завися щую от выборочной траектории процесса x(t). При замене — случайного времени пребывания в состоянии i на его среднее зна
чение — (см. рис. 7.5б), что следует из (10), среднее значение
функционала (13) сохраняется неизменным, а дисперсия его су щественно уменьшается, так как устраняется один из двух случай ных механизмов, порождающих траекторию x(t), а именно, слу чайные распределения (10). Уменьшение дисперсии является пер вым преимуществом такого подхода к статистическому моделиро-
145
ванию, а отсутствие необходимости моделировать случайные вре мена пребывания — вторым. Оба преимущества подтверждаются результатами вычислений, приведенными в [155].
2.Модифицированный марковский процесс
Вдальнейшем через x(t) обозначим модифицированный мар ковский процесс, получаемый из x(t) заменой Случайных времен пребывания в отдельных состояниях на их средние значения. Для
перехода к процессу x(,t) в общем случае необходимо, чтобы сис тема описывалась марковским процессом x(t) с непрерывным вре менем ,и дискретным множеством состояний. Пусть дан однород ный марковский процесс x(t) с дискретным множеством состояний
5, |
определяемый матрицей интенсивностей перехода Л = ||аг.у||, х, |
у £ |
S. Траектории процесса x(t) являются ступенчатыми функция |
ми и имеют простой вероятностный смысл. Если в момент t про цесс x(t) перешел |(или уже находится) в состояние х, то время пребывания в состоянии tx является случайной величиной, кото рая подчиняется экспоненциальному закону:
P{tx > z } = 7 ^ . |
(14) |
В момент выхода t-\-4x процесс переходит в состояние у |
с вероят |
ностью |
|
Рху = — — — , у ф х , y e S . |
(15) |
--- а хх
Величины рху являются переходными вероятностями вложенной цепи Маркова. Следовательно, на процесс x(t) можно смотреть как на марковскую цепь с присоединенными случайными величи нами. В состоянии х присоединенной случайной величиной считаем tx — случайное (время пребывания в этом состоянии.
Результатом моделирования обычно является среднее значение интеграла некоторой функции И х)> определенной над случайным процессом x (t):
|
т |
|
M,{T) = |
± r ^ j[x{t))dt. |
(16) |
|
о |
|
При переходе от x(t) « x(t), т. е. при замене случайных времен |
||
пребывания |
в состояниях tx их средними значениями— -— , |
ме- |
|
---аХХ |
|
няется распределение функционала (16). Если оцениваются такие величины, как среднее число занятых линий, среднее время пребы вания в каком-то состоянии, линейная комбинация средних вре мен пребывания по состояниям (оценка вероятности потерь по вре
мени), то при переходе от x(t) к x(t) сохраняется среднее значе ние оценки (16), но дисперсия оценки существенно понижается, т. е. повышается точность результатов моделирования, что под робно исследовано в [155].
J46
3.Переход от произвольных распределений
кмарковским законам
Под марковским законом понимаем закон распределения случайной величины, представляющей собой сумму детерминиро ванного или случайного числа слагаемых (этапов обслуживания), каждое из которых подчиняется экспоненциальному закону. Мар ковский закон представляет -собой линейную комбинацию сверток экспоненциальных законов. Наиболее известным примером мар ковского закона является распределение Эрланга, представляю щее собой свертку заданного числа одинаковых экспоненциальных законов.
Построим модифицированный марковский процесс в случае, когда функции А (х) и В (х) представляют собой распределения Эрланга. Пусть расстояние между двумя последующими вызова ми состоит из /е этапов, каждый из которых подчиняется экспонен циальному закону с параметром а, т. е.
(1А (х) = ^ - i ) i е_°Аdx’ х > 0 -
Пусть длительность разговора состоит из / этапов, каждый из ко торых подчиняется экспоненциальному закону с параметром Ь:
dB (*) = -Jn = T jr е~Ь* dx> х > 0 -
При построении модифицированного марковского процесса введем дополнительные события, соответствующие переходам между эта пами. Для моделирования о-линейной полнодоступной системы с потерями введем вектор {хо, ..., хр . . % ; } , где Xj — число разго
воров, |
обслуживаемых -в /-м этапе, |
Хо — число свободных |
линий; |
XXj = v. Для моделирования потока вызовов введем число у, |
|
|
i=o |
|
которое будет меняться скачками по единице от k до 1 циклически. Переходу из состояния 1 в состояние к будет соответствовать мо мент поступления вызова. Следовательно, состояние системы ха рактеризуется (Л-й)-мерным (векторам {у, х0, . . xi}.
Кратко рассмотрим алгоритм моделирования. В состоянии {у,
.... xij неслучайное время пребывания равно [a + (v —x0)b]~\ после
чего с -вероятностью --------------- |
происходит переход к новой фа- |
a+(v—xо) ъ |
|
зе в потоке вызовов (вычитание 1 из у), а с дополнительной веро ятностью происходит переход к новой фазе в одной из v—Хо заня тых линий (равновероятно). Если -выбрана одна из линий с i эта пами (i> 0 ), то из Xi вычитается -единица, а хг-_1 увеличивается на единицу. Подобным образом можно построить модифицированный марковский процесс для любых марковских законов А (х) и В (х ) для любых систем массового обслуживания. Общая запись мар ковского закона дана Коксом 1[181]. Преобразование Лапласа об щего марковского закона f(t) по Коксу имеет вид
147
/* (s) = 1 e |
' f{t)dt |
= p0 + |
y q 0qi ■ ■ •+■пS + а/ |
|
|
|
|
|
;=l |
/=i |
|
где параметры удовлетворяют |
условиям |
a j> 0 , Os |
q}=■ |
||
= 1—pj, j-= 1, . . |
k и |
имеют следующий |
смысл: а,- — интенсив- |
ность экспоненциального закона, определяющего длительность t'-ro этапа; — вероятность окончания обслуживания после £-го этапа; qi — вероятность перехода к следующему (7 + 1 )-му этапу.
Любое эмпирическое распределение можно сколько угодно точно аппроксимировать марковским законом {101]. Следует только заметить, что выбор такого закона представляет собой непростую задачу численного анализа, особенно из-за того, что даже не большие изменения исходных данных резко меняют показатели экспонент, входящих в марковский закон, и их число (см. § 4.2.4).
Задачу построения марковских законов облегчает то обстоя тельство, что, грубо говоря, характеристики системы обслуживания мало меняются при небольших изменениях исходных законов. Хорошо известен факт независимости вероятности потерь (форму лы Эрланга) от вида закона обслуживания в 1пол1нодоетупной сис теме с потерями при обслуживании простейшего потока [126]. Такой же результат установлен для задачи «станки и рабочие» [121]. Это система с ожиданием, в которой поломка станков происходит по экспоненциальному закону, длительность обслуживания — по про извольному закону; вероятность состояний зависит только от сред-
л __^ |
q |
0 |
ней длительности времени обслуживания. Од |
|
|
|
|
нако такая инвариантность наблюдается толь |
|
|
|
|
ко в исключительных случаях. Например, уже |
|
Л—» |
|
О |
в простейшем случае иеполнедоступной схе- |
|
Рис. 7.6. |
Трехли- |
мы. изображенной на рис. 7.6, она нарушается |
||
нейная |
неполнодо |
[18], что показано сравнением вероятности по |
||
ступная схема |
терь в двух случаях: в первом случае время |
|||
|
|
|
обслуживания |
подчиняется экспоненциально |
му закону с параметром, равным 1, |
а во втором случае состоит из |
двух экспоненциально распределенных этапов, каждый со средней длительностью 4/2. В обоих случаях поступают два паусоонов'ских потока интенсивности К. Вероятности потерь для этих двух случаев различные, а именно:
2А2 (1 |
+ 2Х) |
|
|
Р1 = 2 + Тк + |
8А2 + 4А,3 |
|
|
___________64А2 + 134А3 + |
108?у4 + |
16А5 |
|
Р2 = |
272Х + 433А2 + |
352А3 + |
132А.4 + 16А6 |
64 + |
Выражения р i и р2 не совпадают. Например, при A = l , pi = 0,286, р2= 0,254, т. е. уменьшение дисперсии длительности занятия умень шает вероятность потерь. Доказательство общей теоремы об усло виях инвариантности и формулировка дальнейших задач содержит ся в [10, 11].
В последнее время появляются результаты, содержащие оцен ки того, как меняются характеристики системы обслуживания при
.148
изменении исходных данных. Например, в |[160] получены двусто ронние неравенства для системы G//G/1, на основе чего можно выбирать марковские законы, аппроксимирующие исходные теоре тические предположения или числовые данные.
4. О других алгоритмах, уменьшающих дисперсию оценок
Настоящий параграф посвящен поиску алгоритмов моделиро вания коммутационных систем, которые за фиксированное машин ное время дают минимальную дисперсию оценок. Этому содейст вует переход от моделирования произвольных распределений А(х) и В (х ) к экспоненциальным (см. §§ 7.3.1 и 7.3.3), а потом от экс поненциально распределенных длительностей к их средним зна чениям. Несколько методов еще будет рассмотрено в гл. 9 и 10: использование линейной регрессии для учета разброса оценок ин тенсивности (моделируемого потока, проведение расчетов по фор мулам, куда входят оценки условных вероятностей потерь, полу чаемые моделированием, и др.
Остановимся иа методе использования отрицательно коррели рованных случайных чисел, предложенном для нужд метода Мон те-Карло Хаммерслеем и Мортоном [217] и примененного в зада чах теории массового обслуживания, в частности, Пейджем [274]. Суть метода в следующем. Пусть получена исходная серия равно мерно распределенных случайных чисел [ц, £2, . . . По этой серии
строим вторую |
серию таких чисел r]i= l—£1, 142= 1—£2, ••• • Спер |
ва моделируем |
систему на основе чисел {£*}, а потом — на основе |
чисел {r]i}. Числа тр попарно имеют отрицательную корреля цию, что уменьшает разброс данных. Действительно, если на ос нове чисел {^} получена завышенная оценка вероятности потерь, то на основе серии {г|,} получится заниженная оценка, так как по дынтервалы на [0, 1], означающие в первой серии занятие линий,, во второй серии более вероятно будут означать освобождение ли ний и наоборот. При усреднении обоих оценок среднее значение искомой статистики сохранится, а ее дисперсия уменьшится.
Другую модификацию этого метода предлагает Поляк [117]. Он пользуется последовательностью тщ Ъ> Рг •••При этом, в отли чие метода Пейджа, зависимость вносится не между двумя после дующими реализациями, а внутри каждой отдельной реализации. В частных случаях Поляк показывает, что это дает уменьшение дисперсии на одну треть. ■
Методы уменьшения дисперсии в задачах массового обслужива ния рассматривали также Кларк [177], Эренфельд и Бен-Тувия [193]. В статье Моя [264] рассмотрены четыре метода: 1) примене
ние регрессивного анализа 1(в § 10.1.3); |
2) |
(применение отрицатель |
но коррелированных случайных чисел; |
3) |
моделирование случай |
ных событий по подпространствам с последующим вычислением поформулам (подобным подходом в данной книге является примене ние формулы БЛБ в гл. 9); 4) замена одной случайной величины другой е тем же средним значением, но меньшей дисперсией.