- •Вопросы к госэкзамену моделирование (преподаватель — Бершадская е.Г.)
- •Аналитическое моделирование. Элементы теории массового обслуживания. Параметры и характеристики смо.
- •Системы потоков. Потоки заявок в смо. Простейший поток и его свойства.
- •Марковские модели. Процесс размножения и гибели как модель Марковского случайного процесса.
- •Анализ характеристик вычислительных систем как смо.
- •2. Многоканальная смо м/м/п
- •3. Смо с отказами (m/Gln)
- •4. Характеристики вс систем как стохатичиских сетей.
- •Имитационное моделирование. Принципы построения моделирующих алгоритмов.
- •Анализ характеристик вычислительных систем на основе имитационной модели.
-
Анализ характеристик вычислительных систем на основе имитационной модели.
3.2. МЕТОДЫ ОПРЕДЕЛЕНИЯ ХАРАКТЕРИСТИК ВС
При имитационном моделировании можно измерять значения любых
характеристик.
Для всей ВС подсчитываются поступившие в систему заявки, полностью обслуженные, необслуженные по каким-то причинам. Соотношение этих величин характеризуют производительность ВС по определенной рабочей нагрузке.
По каждому потоку определяются времена реакции и ожидания, количества потерянных и обслуженных заявок.
По каждому устройству определяются время загрузки, число обслуженных заявок, время простоя в результате отказов, длины очередей и занимаемые емкости памяти.
При статистическом моделировании большая часть характеристик - это случайные величины. По каждой такой характеристике У определяется N значений, по которым строится гистограмма относительных частот, вычисляются математические ожидания (М), дисперсии (D), определяются средние по времени и максимальные значения.
3.2.1. КОЭФФИЦИЕНТЫ ЗАГРУЗКИ УСТРОЙСТВ
Коэффициенты загрузки устройств вычисляются как
(3.6)
где υk- ср. время обслуживания одной заявки к-устройством;
Nok - количество обслуженных им заявок за время Тм.
3.2.2. РАСЧЕТ МАТЕМАТИЧЕСКОГО ОЖИДАНИЯ И ДИСПЕРСИИ ВЫХОДНОЙ ХАРАКТЕРИСТИКИ
В случае анализа стационарного процесса вычисление М и D характеристики Y производится усреднением не по времени, а по множеству N значений, измеренных по одной реализации процесса достаточной продолжительности.
В целях экономии памяти ПЭВМ, на которой производится моделирование, М и D вычисляются в ходе моделирования путем наращивания итогов при появлении очередного измерения случайной характеристики по рекуррентным формулам.
Математическое ожидание случайной величины у для ее n-измерения уn:
(3.7) где m(n-1) - математическое ожидание по предыдущим (n-1) измерениям:
(3.8)
Начальная dO = 0.
3.2.3. РАСЧЕТ СРЕДНЕГО ПО ВРЕМЕНИ ЗНАЧЕНИЯ ВЫХОДНОЙ ХАРАКТЕРИСТИКИ
При моделировании постоянно ведется подсчет длины очереди к каждому устройству и занимаемой емкости накопителя.
(3.9)
где i - номер очередного изменения состояния в очереди
N - количество изменений;
τ - интервал времени (i-l,i);
li. - число заявок в очереди в интервале i;
Рис. 3.4.
Средняя по времени используемая емкость накопителя:
(3,10)
где qi - емкость накопителя, занятая в интервале времени между двумя последовательными .обращениями к накопителю.
3.2.4. ПОСТРОЕНИЕ ГИСТОГРАММЫ
Основное достоинство имитационного моделирования - по любой выходной характеристике может быть построена гистограмма относительных частот, т.е. эмпирическая плотность распределения вероятностей, вне зависимости от сочетаний распределения параметров системы и внешних воздействий. При исследовании стационарной системы гистограмма строится по следующей методике.
Перед началом задаются границы изменения характеристики У (уH ,уB), указывается число интервалов гистограммы Ng,и вычисляется интервал
(3.11) Затем определяется число попаданий измеряемой случайной величины в i-интервал гистограммы Ri и подсчитывается общее число измерений N. По полученным данным вычисляется относительная частота по каждому интервалу:
(3.12)
что является достаточным для построения гистограммы относительных частот.
Рис. 3.5. P.S. Площадь гистограммы относительных частот =1, и интеграл от плотностивероятности в пределах (-8, +8)=1, т.е.
т.е. общее число измерений характеристики у равно сумме чисел попаданий в каждый из интервалов.
При необходимости выдвигается гипотеза о том, что полученное эмпирическое распределение согласуется с некоторым теоретическим, имеющим аналитическое выражение для функции или плотности распределения. Далее она проверяется по приемлемому критерию согласия.
3.3. ХАРАКТЕРИСТИКИ НЕСТАЦИОНАРНЫХ ПРОЦЕССОВ
Для систем с таким процессом функционирования нельзя вычислять вероятностные характеристики по одной реализации процесса. В таком случае случайный процесс Y(t) представляется ансамблем реализаций и его характеристики определяются усредненными по ансамблю.
Пусть случайный процесс Y(t) задан ансамблем реализаций {Уi.(t)} 0=1,2,...), а интересующая вероятностная характеристика Θ[У(t)] определяется предельным соотношением:
где а - оператор преобразования, лежащий в основе определения характеристики Θ ;
Ni - количество реализаций, по которым осуществляется усреднение. Тогда при усреднении
3.3.1. АЛГОРИТМ ПОВТОРНЫХ ЭКСПЕРИМЕНТОВ
Проводится Ni имитационных экспериментов. При каждом последующем эксперименте параметры системы и нагрузки устанавливаются на исходные значения и в процессе каждого эксперимента остаются неизменными или изменяются по одним и тем же зависимостям.
Датчики случайных чисел устанавливаются в начальное состояние только однажды - перед моделированием и до конца моделирования вырабатываются последовательности случайных чисел.
Период моделирования Т по каждому эксперименту разделяется на Nг сечений. Интервал времени моделирования между двумя сечениями называется прогоном. В каждом эксперименте для фиксированных моментов (r= 1,2,...,Nr) определяются численные значения выходных характеристик. По каждому i-сечению для всех выходных характеристик может определится многомерная функция или плотность распределения, оцениваются mу(tr),Dy(tr) по всей совокупности Ni реализации.
Реализация нестационарного случайного процесса показана на ■
Рис. 3.6. Реализации нестационарного случайного процесса
Для обеспечения достоверности необходимо проведение повторных экспериментов (102-104) с последующей обработкой вектора выходных характеристик по нескольким десяткам сечений.
Расчет характеристикпо методу повторных экспериментов.
Математическое ожидание случайного процесса Y(t) - это неслучайная функция my(t), которая при каждом значении аргумента tr представляет собой математическое ожидание соответствующего сечения случайной функции:
Примоделировании вычисления результатов производятся в конце каждого прогона путем наращивания итогов. В частности, количественные вероятностные значения таких выходных характеристик, как длины очередей к каждому устройству, времена реакции по каждому потоку заявок и времена загрузки каждого устройства, определяются по r-му сечению для i-го эксперимента по следующим формулам.
Оценка математического ожидания длины очереди к устройству:
где
[L.i-1] - математическое ожидание за предыдущие (i-1) экспериментов;
Li - длина очереди по г-му сечению для i-гo эксперимента.
,
где D[Li-1]- дисперсия за предыдущие (i-1) экспериментов.
По временам реакции и загрузки при достаточно большом количестве сечений, когда процесс можно считать стационарным на протяжении одного прогона, текущие значения математических ожиданий и дисперсии вычисляются по формулам как для стационарных процессов.
В специальной литературе приводятся формулы расчета математического ожидания времени загрузки каждого устройства при обслуживании одной заявки, дисперсии времени загрузки каждого устройства на r-м прогоне, оценки математического ожидания и дисперсии времени реакции по каждому потоку в r-м сечении i-ro эксперимента [1,5].