- •Основы системного анализа Раздел 1. Введение
- •Раздел 2. Имитационное моделирование как метод исследования систем большой сложности
- •Раздел 3. Основы теории систем массового обслуживания
- •Введение
- •1. Системность как всеобщее свойство матери
- •1.1. Определение системы
- •1.2.Сложная и большая система
- •1.3. Классификация систем по их основным свойствам
- •1.4. Искусственная система как средство достижения цели
- •1.5. Системность как всеобщее свойство материи
- •1.6. Системность познавательных процессов
- •1.7. Методология системного подхода
- •1.8. Развитие системных представлений в науке и практике
- •1.9. Контрольные вопросы и упражнения к разделу 1.1.
- •Раздел 2. Имитационное моделирование как метод исследования систем большой сложности
- •2.1. Введение
- •2.2. Основные понятия
- •2.3. Принципы и методы построения имитационных моделей
- •2.4. Вопросы для самопроверки
- •2.5. Упражнения
- •2.6. Случайные события и их имитация
- •2.7. Имитация случайного события
- •2.8. Имитация сложного события
- •2.9. Имитация сложного события, состоящего из зависимых событий
- •2.10. Имитация событий, составляющих полную группу
- •2.11. Вопросы для самопроверки
- •2.12. Упражнения
- •2.13. Имитация непрерывных случайных величин
- •2.14. Метод обратной функции
- •2.15. Метод Неймана (режекции)
- •2.5, Где
- •2.16. Алгоритм получения значения нормально распределенной случайной величины
- •2.17. Алгоритм получения случайной величины, распределенной по Пуассону
- •2.18. Упражнения
- •2.19. Алгоритмы получения значений систем случайных величин (случайных векторов)
- •2.20. Метод аналитических преобразований
- •2.21. Метод разложения по координатным случайным величинам
- •2.22. Алгоритм получения значений системы дискретных случайных величин
- •2.23. Упражнения
- •2.24. Имитация случайных процессов
- •2.25. Имитация нестационарных случайных процессов
- •2.26. Имитация стационарных сп
- •2.27. Имитация стационарных нормальных сп
- •2.28. Обработка результатов моделирования
- •Раздел 3. Основы теории систем массового обслуживания
- •3.1. Введение
- •3.1.1. Историческая справка
- •3.1.2. Примеры систем массового обслуживания. Анализ задач тсмо
- •3.1.3. Понятия, определения, терминология
- •3.1.4. Классификация смо
- •3.1.5.Основная задача тсмо
- •3.2. Математические модели потоков событий
- •3.2.1. Регулярный и случайный потоки
- •3.2.2. Простейший пуассоновский поток
- •3.2.3. Свойства простейшего пуассоновского потока
- •3.2.4. Простейший поток и решение практических задач
- •3.2.5. Нестационарные пуассоновские потоки
- •3.2.6. Потоки с ограниченным последствием (потоки Пальма)
- •3.2.7. Потоки восстановления
- •Термины и определения
- •Литература
2.21. Метод разложения по координатным случайным величинам
Пусть СНСВ задана в рамках теории корреляций: математическими ожиданиями компонент (m1, m2, . . . mn) и матрицей корреляционных моментов:
Доказано, что h iможно получить с помощью их разложения по координатам СВ xi :
(10)
где i -некоррелированные,центрированные,нормированныенормально распределенные СВ.
Коэффициенты сijмогут быть достаточно просто получены решением системы уравнений:
,(11)
Алгоритм получения значений СНСВ сводится к следующему:
Решение системы нелинейных уравнений (11).
Получение nзначений yi нормировнных, центрированных СВ, распределенных нормально.
Вычисление zi i=(1,n) значений СВ, образующих СНСВ в соответствии с (10).
2.22. Алгоритм получения значений системы дискретных случайных величин
Дискретный двумерный вектор CDCB задается двумерным законом распределения, т.е.
а) матрицей вероятностей , гдеPij– вероятность совместного появления i-ого и j-ого значений соответственной первой и второй компоненты, причем:.
б) двумя векторами возможных значений первой и второй компоненты {Ai}, {Bi},.
Получение значений двумерной дискретной системы случайных величин (СДСВ) может осуществляться по следующему алгоритму.
Вычисляют суммы ,.
Если х - равномерно распределенное случайное число из интервала (0,1) такое, что , то считают, что1компонента двумерной СДСВ получила к-ое значение.
Выбирают к-ую строку вычисляют.
Если вновь полученное с помощью датчика случайных чисел х такое, что вторая компонента СДСВ получила S-е значение.
Замечание: В алгоритме используется правило “розыгрыша по жребию”, однако надо иметь в виду, что .
2.23. Упражнения
Получить значения СНСВ, заданной перечисленными ниже совместными функциями плотности:
СНСВ распределена по закону:
Получить оценку вероятности попадания случайной точки (y,z) в пределы квадрата R, центр которого совпадает с началом координат, а стороны параллельны осям координат и имеют длину L=2. (рис. …).
рис 3.6
Поверхность распределения f(y,z) системы случайных величин (1,2) представляет прямой круговой цилиндр, центр основания которого совпадает с началом координат (рис.3.7.), а высота равна h. Очевидно из условия нормировки:
радиус круга
функция плотности
Получить значения СНСВ, оценить вероятность попадания случайной точки в равносторонний треугольник, вписанный в круг радиуса r, если одна из его сторон параллельна оси Оy.
рис 3.7
2.24. Имитация случайных процессов
Случайной называется функция, ординаты которой для любых фиксированных значений аргумента являются случайными величинами. Задачу моделирования случайных функций в общем случае нельзя свести к имитации СВ для каждого значения аргумента, так как между ординатами существует корреляционная зависимость. Случайная функция, аргументом которой является t - время, носит название случайного процесса (СП).
Целью имитационного моделирования СП на ЭВМ является воспроизведение различного рода сигналов и помех, ММ которых является СП. Нужно иметь в виду, что воспроизведение на ЭВМ процессов с непрерывным временем невозможно ввиду дискретной природы ЭВМ. Задача моделирования СП в дальнейшем понимается как задача отыскания алгоритма, позволяющего формировать на ЭВМ реализации СП.
СП считается заданным, если задана функция дисперсии d(t), математического ожидания m(t) и корреляционная функция k(ti,tj). Эти функции являются неслучайными, их определяют путем обработки опытных данных методами математической статистики.