![](/user_photo/_userpic.png)
книги из ГПНТБ / Шнепс, М. А. Численные методы теории телетрафика
.pdfКак следует из теоремы Адамара1I),* для максимального по мо дулю собственного числа имеет место оценка: |$24|^ 2 max(A,j +
+ р^) = 2(20 + 23) = 86.
Более интересен следующий эмпирический факт. Оказалось, что координаты собственных векторов являются знакопеременными числами и по модулю не превосходят 10. Это очень важный факт для практики вычислений, 'который заранее .нельзя было пред видеть.
Результаты вычислений показывают, что методом вычисления переходных вероятностей на основе разложения по собственным векторам системы можно получить точное решение достаточно больших процессов размножения и гибели. Положительной особен ностью метода является отсутствие накопления ошибок по мере счета.
3. Применение метода Рунге—Кутта
При численном решении системы (26) методом Рунге—Кутта при тех же значениях параметров А.г = 20, \n = i оказалось, что ре шение системы является неустойчивым: с ростом t сумма вероятнос тей становится больше единицы. Уже при (> 1 распределение ве роятностей становится абсурдным, так как сумма вероятностей пре восходит единицу. Далее ошибки еще больше увеличиваются, и при (= 10 сумма вероятностей превосходит значение 1,47.
0,3
Р](0 ^т-гАтт/гГГТП
0,3 иктП 1ттПТтп
\) Истинная т ннцт !
P sW
т
0 3 h Г Ь Т в 9 10 t
Рис. 3.1. Пример накоп ления ошибки при инте грировании по методу Рунге—Кутта
На рис. 3.1 изображены отдельно p3(t) и ps(i) при рг(0)=1. По точным данным следует, что уже при t= 2 устанавливается стацио нарное распределение. Заштрихованная область указывает на рост
>) Теорема Адамара (см. например, Пароли [115]) утверждает, что собст венные числа s квадратной матрицы А = {а ц } порядка п находятся в пересечении
следующих двух областей комплексной плоскости:
,п
I — объединение кругов |а;<—5|ig; ^ |aii|, £=1...... п;
/=К Ж |
|
П |
|
II — объединение кругов |а,-,•—s | ^ 2 |
|ал|, t = l , |
i=i. |
Ж |
50
ошибки для вероятности pb(t). Следует заметить, что были приняты все меры борьбы с ошибками. Начальные значения вычислялись до статочно точно на основе степенного разложения в точке /=0. Программа автоматически меняла шаг для обеспечения заданной точности. Оказалось, что причиной неустойчивости решения являет ся собственное число s = 0, которому соответствуют стационарные ■вероятности. Из-за ошибок округления это число иногда становится больше нуля, что приводит к возникновению собственных функций eat , где а > 0 , которые вызывают быстрый рост ошибки. Приведем
преобразование системы (26), предложенное Э. |
Я. Гринбергом, ко |
|||
торое устраняет собственное число s = 0, |
а следовательно, |
и обсуж |
||
даемую причину роста ошибок. |
s = 0 |
вместо Pi |
вводим |
|
Для устранения |
собственного числа |
|||
функции |
|
|
|
|
q t* = h P t —Рж |
Pi+i • |
|
|
(34) |
Подставляя (34) в правые стороны (26), получаем:
Р'о = |
— Яо |
к |
Р [ = |
Яо — qi |
— Mi |
— М.2
Р\ — Ц^.— Цг
т
Р 'п ^ Я п
Согласно (34) умножаем обе стороны уравнений на указанные справа величины и складываем попарно. Получаем систему
% — — |
(К + |
Pi) Qo + Pi^il |
|
|||
Я[ = |
^1<7о — (Ч + |
Рг) <7i + |
р-2^2', |
(35) |
||
Я„-\ |
= |
4 , - 1 |
Я п -2 |
( Ч г-1 |
“I" Мл) Яп—1. |
|
Собственные числа системы (35) совпадают с собственными нену левыми числами системы (26).
Преобразование (34) устраняет неустойчивость системы (26), но одновременно теряется условие 2 р ,= 1, что служило контролем точности. Так как число функций </, на единицу меньше, чем функ ций ри для (получения всех pi к системе (35) добавляем, например, соотношение р'о=<7о•Численное решение системы (35) показало, что при больших t (соответствующих установлению стационарного рас пределения) функции <7,(7) стремятся к нулю. Для увеличения точ ности приходится вводить масштабные множители.
Недостатком метода является сравнительно большая затрата машинного времени. Решение системы десятого порядка с шагом 0,001 -в интервале 16(0, 10] занимало час машинного времени БЭСМ-2М.
51
4.Степенное разложение матрицы интенсивностей перехода
Если используем обозначения
Р-1 — — pi
0 Ца
и P (0 = {Po(0> Pi(0 • • •}> то P'{t) = P{t)A.
Отсюда следует, что
Р' (0) = Р(0)Л;
Ри,) (0) =г. Р {п~' ’ (0) А = Р (0) Ап .
Поэтому для P (t) имеем формальное разложение в ряд Тейлора:
|
|
со |
|
P(t) = р (0) + tp \ 0) + |
Р"(0) + . . . = р (0) |
. |
(37) |
i= 0
При вычислении на ЭВМ решения системы в виде (37) для усе ченного процесса с интенсивностями Xi=lk, i^ .ti— 1, \n = i, i ^ n (ос тальные параметры равны нулю) установили, что последователь ность векторов
Р(0)А , Р(0) А2 . . . |
(38) |
имеет следующие свойства:
1) знаки одноименных координат чередуются;
2) последовательность модулей одноименных координат до не
которого номера растет, а потом стремится к |
нулю (достигается |
машинный нуль); |
1 |
3) максимумы модулей соответствующих одноименных коорди
нат пропорциональны величинам <кя п. |
I |
Из результатов вычислений следует, |
что ряд (37) неудобен для |
вычисления P j ( t ) при больших п, X и t, |
так как последовательно |
сти одноименных координат (38) сильно колеблются. Для достиже ния требуемой точности необходимо производить вычисления с уд линенной ячейкой памяти.
5. Факторизация переходных вероятностей
Указанными выше недостатками обладает метод факториза ции переходных вероятностей P i j ( t ) посредством ортогональных по
линомов {Q n (x )} |
в виде |
|
со |
|
|
. .. Ра (0. = 0/ j |
<Г * QiM Qj(x) d ф (X). |
■ (39) |
о |
|
|
Матрица интенсивностей перехода процесса размножения/щ.' ги-"
52
бели (36) определяет систему полиномов |
{Qn(x )}, ортогональных |
||||||||||
по некоторой мере ф (х): |
|
|
|
|
|
|
|||||
— xQ0(х) = |
— (^о + |
P-о) Qo (x) + |
Qi (-v); |
(40) |
|||||||
—xQn(x) = (AnQ„_1(^) —(^л+м-н) QnW+ KQn+iM> |
|
||||||||||
или в матричной записи |
|
|
|
|
|
|
|||||
— xQ (х) = AQ (х). |
|
|
|
|
|
|
|
||||
При этом |
|
|
|
|
|
|
|
|
|
|
|
f Qt(x) Qj{x)d^>(x) = |
6fL |
’ |
|
|
|
(41) |
|||||
6 |
|
|
|
|
0y |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
||
где 6,7 = |
1, |
i = |
j, |
0o = |
1. |
0« = |
XoXj . |
•A,»-l |
(42) |
||
0, |
i Ф j, |
P1P2 |
fbi |
||||||||
|
|
||||||||||
Интегральное |
представление |
для |
рц(1) формально получается |
||||||||
следующим путем. Образуем производящую функцию |
|
||||||||||
fc(x, t ) = V рц (t) Qj (x), |
|
|
|
|
|
||||||
|
|
/=0 |
|
|
|
|
|
|
|
|
|
или в векторном виде |
|
|
|
|
|
|
|
||||
f(x, t) = |
P(t)Q(x). |
|
|
|
|
|
|
||||
Тогда |
|
|
|
|
|
|
|
|
|
|
|
± f ( x , |
t)=P' (t)Q(x)=P(t)AQ(x)= |
- P ( t ) x Q ( x ) = - x f( x , t) |
|
||||||||
01 |
|
|
|
|
|
|
|
|
|
|
|
с начальным условием |
|
|
|
|
|
|
|
||||
/(x, 0) = Q(x). |
|
|
|
|
|
|
|
||||
Отсюда |
|
|
|
|
|
|
|
|
|
|
|
f (x, t) = |
e“ 'v<Q (x), |
ft (x, |
t) = e~xt Qi (x). |
|
|
||||||
Следовательно, P |
i j ( t ) |
является коэффициентом Фурье для fi(x, |
t), |
||||||||
т. e. |
|
|
|
|
|
|
|
|
|
|
|
|
|
00 |
|
|
|
|
|
|
|
|
|
Pij (Л = |
0/ J eTxi Qi (x) Qj(x)d ф (x). |
|
|
|
|||||||
|
|
0 |
|
|
|
|
|
|
|
|
Для многих процессов размножения и гибели существуют клас сические ортогональные полиномы, которые дают решение задачи.
Например, если процесс имеет |
интенсивности |
перехода l i = i+ |
1, |
|||
p.i= /+ a, a > 0, i = 0, 1, 2..,, то |
решение дают |
полиномы |
Ларерра |
|||
L“ (х), |
ортогональные по мере е~хха на {0, |
оо], т. е. |
|
|
||
J |
e“ 'v xaL f (x)L“ (х) dx = Г (a + 1) ^ ^ |
8СГ, |
■1 |
' |
53
где Г(х) — гамма-функция; для целых х Х ) имеем Т(х) — (х— 1)! Полиномы L“ (х) определяются рекуррентной системой:
L“ ( x ) = l; L“ (x) = — х + а — 1; |
|
|
|
n L *(х) = (— х + |
2п + а + 1) |
(х) — (п + а — 1)L“_ 2(х).} |
(43) |
Ha основе (39) и (41) имеем |
|
|
|
PtiV) = г,Г |
( e"'v('+1) |
Lf(x)dx . |
(44) |
Ш т а т |
ч J |
|
|
|
о |
|
|
Используя известное выражение (Диткин и Прудников [50]) правой части (44) через гипергеометрическую функцию, после ал гебраических преобразований получаем окончательную формулу в виде
|
1 |
min( t ,/) |
(cx+ / + 1)-_fe(/— fe + 1) |
|
|
Ра it) = |
\»-н |
X |
|||
1+ t |
Е (-0* |
(i — k)\ |
|||
|
|
||||
|
|
k=0 |
|
|
' t y+/-2fe
X
H - lJ
Но конечное решение через известные ортогональные полино мы удается получить только в частных случаях. В общем случае следует искать приближенное численное решение. Коротко изложим идею нахождения такого решения методом моментов. Будем вычис лять значения моментов
ck = |
jVaiJ>(x), |
k = 0, 1, . . . |
|
|
|||
|
о |
|
|
|
функции e~xl |
|
|
Если в (39) подставить вместо |
ее полиномиальную |
||||||
аппроксимацию 1) |
|
|
|
|
|||
Р(х() = ^ |
а к(х1)\ |
|
|
|
|||
|
|
k=0 |
|
|
|
|
|
то подынтегральное выражение в (39) |
становится полиномом сте |
||||||
пени s + i+ j, |
и, |
следовательно, |
для |
приближенного вычисления |
|||
Pii(t) достаточно знать первые s + i+ j моменты ск. |
|||||||
Рассмотрим ход рассуждения |
на примере |
полиномов Лагерра |
|||||
(43). Из системы (43) рекуррентно находим полиномы: |
|||||||
l W |
= |
1, |
|
|
|
|
(45) |
L “ (х) — |
— |
х + |
a + 1, |
|
|
(46) |
|
1Я (х) |
= |
- у |
[х* - |
2 х (а + 1) + |
a(a + |
1)]. |
(47) |
*) Коэффициенты ah можно найти в справочнике Л. А. Л ю с т е р н и к и др. «Математический анализ. Вычисление элементарных функций» (справ, библ. матем.). М., «Физматгнз», 1963.
54
Воспользуемся также условием ортогональности
оо |
|
|
О |
(48) |
О |
L f (х)с1Ц(х)= |
|||
|
|
|
|
|
для любых i> 0 . При k = 0 |
из (44), (41) и (45) |
|||
|
Оо |
|
|
|
с0 = |
j d ф (х) = |
1. |
|
(49) |
|
6 |
|
|
|
Подставляя (46) в (48), получаем |
|
|||
оо |
|
|
|
|
j (— х + а + 1) d ф (х) = 0 , |
|
|||
о |
|
|
|
|
откуда |
|
|
|
|
С\= |
Ct -у 1 ■ |
|
|
(50) |
Подставляя (47) в |
(48) и учитывая (49) |
и (50), получаем сг= |
||
= ( « + 1) (а + 2) и т. д. |
|
количество моментов |
||
Таким |
образом, |
после того как нужное |
получено, вычисление P ij(t) сводится к подстановке в (39) полино миальной аппроксимации для e~xt и выражений полиномов Q i ( x ) , Q j ( x ) , получаемых из рекуррентных соотношений (40). Эти вычис ления можно проводить не только аналитически, но и на вычисли тельной машине при данных значениях параметров. Недостатком метода является быстрый рост знакопеременных коэффициентов ортогональных полиномов, что требует счета с удлиненной ячейкой машинной памяти.
Замечания и литературные ссылки
Алгоритм вычисления вероятностей первого перехода взят из книги Чжун Кай Лай [447], вывод распределения времени пер вого перехода — из статей Кейлсона 1236], Морана [263]. Метод факторизации применительно к переходным вероятностям процесса размножения и гибели развивается в ряде статей Карлина и МакГ регора, например, [234]. В этой же статье доказана теорема мажо рирования переходных вероятностей, полезная для приближенных вычислений, а именно, если для какого-либо значения k отношение W'p,fc+i возрастает (убывает), то независимо от i
убывает (возрастает) для / ^ k ;
возрастает (убывает) для / > к.
55
Г л а в а |
4 |
Численный анализ марковских процессов
Впредыдущих двух главах был подробно рассмотрен частный случай марковских про
цессов с дискретным (конечным или счет ным) множеством состояний и непрерывным временем со стацио нарными интенсивностями перехода — процессы размножения и гибели, определяемые якобиевой матрицей интенсивностей перехо да. Й настоящей главе рассмотрим алгоритмы анализа марковских процессов в случае произвольных матриц интенсивностей перехо да, как они введены в § 1.3.
Вопреки оптимистическим суждениям о неограниченных возмож ностях ЭВМ, на практике часто оказывается, что непосредственная численная обработка сложных систем массового обслуживания не дает удовлетворительных результатов. Действительно, если произ водить расчеты без особых предосторожностей, то может оказаться, например, что некоторые вероятности получаются как алгебраичес кие суммы многих чисел, по абсолютным значениям превосходя щих миллион. Ясно, что в таком случае возникают огромные поте ри точности и нельзя надеяться на получение хотя бы ориентиро вочных результатов. Однако, как будет видно из дальнейшего, ха рактеристики марковских процессов могут быть выражены как от ношения сумм произведений положительных величин. Поэтому при
•подходящей выбранной методике расчета не происходит никакой потери точности.
Материал настоящей главы расположен в следующем порядке. В § :'4.1 дано представление множества состояний марковского процесса в виде графа, дана классификация множества состояний, показана связь главных миноров матрицы интенсивностей перехода с множеством корневых лесов.графа. В § 4.2 рассмотрены свойства переходных и -стационарных вероятностей, показана связь стацио нарных вероятностей с уравнением Кирхгофа, предложен один под ход к построению марковского процесса в случае неэкспоненциаль ных законов. Параграф 4.3 содержит изложение алгоритмов для вычислений характеристик марковских процессов: стационарных вероятностей, моментов времени первого перехода, алгоритмов укрупнения множества состояний.
56
В целом материал настоящей главы направлен на численный анализ произвольных систем массового обслуживания, описывае мых марковким процессом с дискретным множеством состояний..
4.1. АНАЛИЗ МНОЖЕСТВА СОСТОЯНИИ МЕТОДАМИ ТЕОРИИ ГРАФОВ
1. Представление марковского процесса в виде графа
Дан марковский процесс с дискретным множеством состоя
ний s i , S2,... , обладающий следующим свойством: |
если в момент вре |
||
мени t процесс находится в состоянии S i, то за |
достаточно |
малое |
|
время Д/>0 он с |
вероятностью a.ihAt + 0'{At) может перейти |
в со |
|
стояние Sft, |
а с вероятностью 1 — ( S а^) Д^+а(Д £)— остать- |
||
ся в состоянии S i. |
1Фк |
|
|
Величины aih будем называть интенсивностями |
переходов, например, a ih — это интенсивность перехода (i, k), 1ф1г. Переход (i, k) будем называть элементарным, если а ^ > 0, и неэле ментарным, если a.ih— 0.
Для сокращения записи формул будут использованы величины:
= |
at{ = — at. |
(1> |
Пусть P i ( t ) ■— вероятность того, |
что в момент t процесс нахо |
|
дится в состоянии S i, если известны |
все начальные вероятности: |
|
Ph{0), причем все ри{0) ^ 0 и |
|
|
Е р*(0)=1. |
- - v |
(2) |
k |
|
|
По формуле полных вероятностей |
|
|
pc{t + M ) = |
(1 + auM)Pi (t) + £ |
akipk (t) + о(Д0. |
Из обеих частей этого уравнения мы вычитаем P i ( t ) , делим на At, устремляем At к нулю и получаем систему дифференциальных, уравнений Колмогорова—Чепмена:
■ ^ P i { t ) = ^ a kipk (t). |
(3)• |
к |
|
Если рассматривать вектор-столбец Р с компонентами P i ( t ) и матрицу А, то система (3) будет эквивалентна векторному уравне нию:
— |
= АР. |
(4). |
dt |
|
: |
Для изучения ряда вопросов и краткости некоторых формулиро вок полезно использовать представление процесса Маркова посред ством потоков в графе.
Ьт
Каждому состоянию s, сопоставим вершину графа, которую обо
значим кружком, |
содержащим индекс £, и назовем |
вершиной х*. |
Если aih + a u i> 0, |
то вершины х,- и х/, будем считать |
связанными |
ребром {£, к] или [к, £], которое представляется отрезком линии, сое
диняющей Xi и X/,. Если a,7t= Gfcj=0, то вершины Xi |
и хи не |
связа |
|
ны — в графе ребра {£, |
/г] нет. Наконец, каждое |
положительное |
|
порождает дугу (или |
ориентированное ребро) |
(i, k), |
которая |
обозначается стрелкой в направлении от £ к к, поставленной рядом с ребром {£, к]; в случае надобности около стрелки можем также записать значение а,;,. Следовательно, каждое ребро получает одну или две противоположные стрелки и вместе с каждой из них обра зует по дуге.
Таким образом, представляющий граф задан через множество X своих вершин и множество U своих дуг. Для дуги (i, к) верши на Xi считается начальной точкой, вершина X/t — конечной. Будем считать, что дуга (i, k) исходит из £ и входит в k. Для дуги (k, i), -если такая имеется в графе, х,- и х& в указанных соотношениях меняются ролями.
Другой удобный вид задания графа G — задание его через X множество вершин и (в общем случае многозначное) отображение Г множества X в себя, а именно, каждой вершине х, ставится в со ответствие множество Г Xi .вершин. При этом х^б-Гх,- в том и толь ко том случае, когда G содержит дугу (i, к). Для графа, представ ленного на рис. 4.1, fx i = (хг, х4, х5}.
Если 5 — некоторое множество вершин графа G, то под Г 5 по нимается объединение образов всех вершин, входящих в 5. Такое соглашение позволяет определить положительные степени отобра жения Г через рекуррентное соотношение r hS = r ( r h~iS ). Так, в гра фе рис. 4.1 Г 2х = {хь хг, х5}.
Траектории процесса, т. |
е. последовательности состояний s i ,..., |
|
siK , в которой каждый |
переход от одного состояния к следую |
|
щему — элементарный, соответствует путь в графе G — такая по |
||
следовательность вершин х . |
х ik, что каждая из них (кроме |
первой) входит в образ, предшествующей ей. Будем говорить, что такой путь соединяет начальную вершину пути x(j с конечной
58
вершиной х ,А . Вершина хи считается достижимой из вершины х
если в графе существует хотя бы один путь, соединяющий х, и Хи~ Контур — это путь, у которого совпадают начальная и конеч ная вершины. В случае надобности отдельная вершина также мо жет считаться путем или контуром. Повторное появление одной из нескольких вершин в пути или контуре не запрещается. Так, напри
мер, в графе на рис. 4.1 |
имеется путь (1, |
4, 5, 1, 2, |
5) и |
контур |
||||||
(1, |
4, |
5, |
1, |
2, |
5, |
1). |
|
|
|
|
|
Последнее из нужных нам сейчас понятий — это сильная связ |
|||||||||
ность. |
Граф |
называется |
сильно связным, |
если для |
любых двух |
|||||
вершин Xi |
и |
хи каждая достижима из другой. Граф |
на рис. |
4.1 не |
является 1СШ1ыно шязньгм, так как .вершина 6 не достижима ни из одной другой вершины. Для таких графов можно рассмотреть раз биение на компоненты. Компонентой будем называть каждый под граф G' данного графа G, т. е. подмножество X' множества X всех вершин вместе со всеми дугами из G, которые связывают вершины, подмножества X', если: 1) G' сильно связный и 2) не существует сильно связного подграфа G" графа G, отличного от G' и содер жащего G'.
Нетрудно проверить, что граф на рис. 4.1 разлагается на сле
дующие четыре компоненты: подграф с |
вершинами 8 и 9, вершина |
6, вершина 7, подграф, образованный |
всеми остальными верши |
нами. |
|
2. Комбинаторный алгоритм классификации состояний
При расчете различных величин, 1ха.рактер.из'уюш,их исследуе мый процесс (переходные или стационарные вероятности, средние’ времена первого перехода и т. д.), целесообразно или даже необ ходимо знать разбиение на компоненты для графа „G, представляю щего процесс, а также и достижимость определенных вершин из: других. Ответ на эти два вопроса легко получить только в случаях,, когда граф G имеет немного вершин или легко обозримое строение.
Опишем простой комбинаторный способ классификации мно жества состояний произвольных марковских процессов, допускаю щий машинную реализацию. Для данного графа G с вершинами
X i,..., х п построим «скелетный» граф \G, каждая вершина которогосоответствует сильно связной компоненте G, а дуга — множеству дуг, идущих в G из вершин одной такой компоненты в вершины
другой. Граф IG получится в результате построения конечной после
довательности графов G 0— G, |Gi, Gz,..., G v = G . В каждом из гра фов Gj обозначения отдельных вершин будут иметь либо один ин
декс, как в |
графе G, либо некоторое |
множество J индексов из |
|
N = {1, 2 |
Такие вершины появятся в результате следующей, |
||
операции стягивания контура. |
|
||
Пусть в графе G p |
имеется контур у, |
проходящий через вершины. |
|
xJt ,..., х j |
, где Jj |
— непересекающиеся подмножества множест |
ва N . Строим новый граф G p + i, который содержит все вершины' х к
59 >