- •Факультет обучения без отрыва от производства
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении»…….33
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)………………………………………………………………51
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)…………………………………64
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)………………………………………………………80
- •Раздел 1.«Модели процессов, явлений и объектов в машиностроении и методы их построения»(2 часа)
- •1.1.Введение. Классификация моделей по типам, свойствам и назначению. Методы моделирования сложных систем.
- •1.2. Основные принципы построения математических моделей
- •1.3. Средства математического моделирования технических объектов и обеспечение.
- •Раздел 2:«Разработка теоретических моделей исследования качества изделий, технологических процессов, средств и систем машиностроительных производств» (3 часа)
- •2.1. Теоретические основы математического моделирования в машиностроении.
- •2.2. Элементы теории множеств и ее применение в моделировании технических систем.
- •3.2. Моделирование технических систем на основе алгебры логики.
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении» (4 часа)
- •3.4. Основы кибернетического моделирования.
- •4.1. Основные понятия корреляционного, регрессионного и
- •4.2. Пассивный и активный эксперимент, их место и роль в машиностроении. Основные принципы планирования эксперимента.
- •4.3.Ортогональное планирование первого порядка
- •5.1.2. Рототабельное планирование экспериментов
- •5.2. Принципы построения экспертных систем и технология принятия статистических решений.
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)
- •5.3. Основные понятия. Цель и задачи имитационного моделирования.
- •5.4. Блок-схема решения задач имитационного моделирования.
- •6.1. Планирование машинных экспериментов. Моделирование по схеме Монте-Карло
- •20% Факторов определяют 80% свойств системы;
- •6.2. Анализ результатов и принятие решений.
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)
- •7.1. Марковские случайные процессы. Уравнения Колмогорова для вероятностей состояний.
- •7.2. Потоки событий.
- •7.3. Системы массового обслуживания.
- •8.1. Критерии оптимизации моделей в машиностроении.
- •8.2. Классификация методов оптимизации.
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)
- •8.3. Основные понятия и определения. Основы теории нечетких множеств.
- •3. Отрицание множества
- •5. Операции концентрации
- •6. Операция растяжения
- •9.1. Элементы нейросетевого моделирования процессов в технических объектах и системах.
- •9.2. Генетические алгоритмы и их применение в моделировании технических систем.
Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)
Лекция 7. «Основы теории массового обслуживания (ТМО)»(2
часа)
План лекции:
7.1. Марковские случайные процессы. Уравнения Колмогорова для вероятностей состояний.
7.2. Потоки событий.
7.3. Системы массового обслуживания.
7.1. Марковские случайные процессы. Уравнения Колмогорова для вероятностей состояний.
Наиболее полное исследование процесса функционирования систем получается, если известны явные математические зависимости, связывающие искомые показатели с начальными условиями, параметрами и переменными исследуемой системы. Для многих современных систем, являющихся объектами моделирования, такие математические зависимости отсутствуют или малопригодны, и следует применять другое моделирование, как правило, имитационное.
Большой класс случайных процессов составляют процессы без последействия, которые в математике называют марковскими процессами в честь Андрея Андреевича Маркова - старшего (1856 - 1922), выдающегося русского математика, разработавшего основы теории таких процессов.
Случайный процесс называется марковским, если вероятность перехода системы в новое состояние зависит только от состояния системы в настоящий момент и не зависит от того, когда и каким образом система перешла в это состояние.
Практически любой случайный процесс является марковским или может быть сведен к марковскому. В последнем случае достаточно в понятие состояния включить всю предысторию смен состояний системы.
Марковские процессы делятся на два класса:
дискретные марковские процессы (марковские цепи);
непрерывные марковские процессы.
Дискретной марковской цепью называется случайный процесс, при котором смена дискретных состояний происходит в определенные моменты времени.
Непрерывным марковским процессом называется случайный процесс, при котором смена дискретных состояний происходит в случайные моменты времени.
.
Рассмотрим ситуацию, когда моделируемый процесс обладает следующими особенностями.
Система имеетвозможных состояний:,...,. Вообще говоря, число состояний может быть бесконечным. Однако модель, как правило, строится для конечного числа состояний.
Смена состояний происходит, будем считать, мгновенно и в строго определенные моменты времени . В дальнейшем будем называть временные точкишагами.
Известны вероятности перехода системы за один шаг из состоянияв состояние.
Цель моделирования: определить вероятности состояний системы после -го шага.
Обозначим эти вероятности (не путать с вероятностями).
Если в системе отсутствует последействие, то есть вероятности не зависят от предыстории нахождения системы в состоянии, а определяются только этим состоянием, то описанная ситуация соответствует модели дискретной марковской цепи.
Марковская цепь называется однородной, если переходные вероятности от времени не зависят, то есть от шага к шагу не меняются. В противном случае, то есть если переходные вероятностизависят от времени, марковская цепь называетсянеоднородной.
Значения обычно сводятся в матрицупереходных вероятностей:
Значения могут также указываться на графе состояний системы. На рис. показан размеченный граф для четырех состояний системы. Обычно вероятности переходов «в себя» -,и т. д. на графе состояний можно не проставлять, так как их значения дополняют до 1 суммупереходных вероятностей, указанных на ребрах (стрелках), выходящих из данного состояния.
Не указываются также нулевые вероятности переходов. Например, на рис. это вероятности ,и др.
Математической моделью нахождения вероятностей состояний однородной марковской цепи является рекуррентная зависимость
где - вероятность-го состояния системы после-го шага,;
- вероятность -го состояния системы после-го шага,;
- число состояний системы;
-переходные вероятности.
Рис. Размеченный граф состояний системы
Для неоднородной марковской цепи вероятности состояний системы находятся по формуле:
где - значенияпереходных вероятностей для -го шага.
Сформулируем методику моделирования по схеме дискретных марковских процессов (марковских цепей).
Зафиксировать исследуемое свойство системы.
Определение свойства зависит от цели исследования. Например, если исследуется объект с целью получения характеристик надежности, то в качестве свойства следует выбрать исправность. Если исследуется загрузка системы, то - занятость. Если состояния объектов, то - поражен или непоражен.
Определить конечное число возможных состояний системы и убедиться в правомерности моделирования по схеме дискретных марковских процессов.
Составить и разметить граф состояний.
Определить начальное состояние.
По рекуррентной зависимости определить искомые вероятности.
В рамках изложенной методики моделирования исчерпывающей характеристикой поведения системы является совокупность вероятностей .
При моделировании состояния систем с непрерывными марковскими процессами мы уже не можем воспользоваться переходными вероятностями , так как вероятность «перескока» системы из одного состояния в другое точно в момент времениравна нулю (как вероятность любого отдельного значения непрерывной случайной величины).
Поэтому вместо переходных вероятностей вводятся в рассмотрение плотности вероятностей переходов :
где - вероятность того, что система, находившаяся в момент временив состоянииза времяперейдет в состояние.
С точностью до бесконечно малых второго порядка из приведенной формулы можно представить:
Непрерывный марковский процесс называется однородным,если плотности вероятностей переходов не зависят от времени(от момента начала промежутка). В противном случае непрерывный марковский процесс называетсянеоднородным.
Целью моделирования,как и в случае дискретных процессов, является определение вероятностей состояний системы Эти вероятности находятсяинтегрированием системы дифференциальных уравнений Колмогорова.
Сформулируем методику моделирования по схеме непрерывных марковских процессов.
Определить состояния системы и плотности вероятностей переходов .
Составить и разметить граф состояний.
Составить систему дифференциальных уравнений Колмогорова. Число уравнений в системе равно числу состояний. Каждое уравнение формируется следующим образом.
B левой части уравнения записывается производная вероятности -го состоянии
В правой части записывается алгебраическая сумма произведений и. Число произведений столько, сколько стрелок связано сданнымсостоянием. Если стрелка графа направлена в данное состояние, то соответствующее произведение имеет знак плюс, если изданногосостояния - минус.
Определить начальные условия и решить систему дифференциальных уравнений.
Пример. Составить систему дифференциальных уравнений Колмогорова для нахождения вероятностей состояний системы, размеченный граф состояний которой представлен на рисунке.
Рис. Размеченный граф состояний
Решение:
Очевидно, .
Поэтому любое из первых трех уравнений можно исключить, как линейно зависимое.
Для решения уравнений Колмогорова необходимо задать начальные условия. Для рассмотренного примера можно задать такие начальные условия: ,.