- •Раздел 1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ
- •Примеры моделей
- •Примеры моделей
- •Примеры моделей
- •Описательные (дескриптивные) модели
- •Основные подходы к моделированию
- •Основные подходы к моделированию
- •Основные подходы к моделированию
- •Иерархический подход к получению моделей
- •Конечные автоматы
- •Конечные автоматы
- •Конечные автоматы
- •Конечные автоматы
- •Минимизация конечных автоматов
- •Определение эквивалентных состояний автомата
- •Аналитическое задание конечных автоматов
- •Основная функционально полная система
- •Нормальные формы
- •Разложение функций на конституенты
- •Переход от табличного задания функции к аналитическому
- •Вероятностные автоматы
- •Марковские цепи с дискретным временем
- •Марковские цепи с дискретным временем
- •Анализ марковских цепей
- •Анализ марковских цепей. Пример.
- •Марковские процессы
- •Расчет характеристик марковских процессов
- •Модель "гибели и размножения"
- •Модели массового обслуживания
- •Характеристика потока событий
- •Потоки событий
- •Простейший поток
- •Системы массового обслуживания
- •Теория массового обслуживания
- •Классификация СМО
- •Дисциплина обслуживания
- •Модели временных рядов
- •Детерминированная часть
- •Выделение тренда
Вероятностные автоматы
Вероятностные (стохастические) автоматы представляют собой конечные автоматы со случайными управлениями, у которых, как правило, учитываются только состояния.
Пример:
модель системы, которая случайным образом может оказаться в одном из технических состояний:
исправное, неисправное, поиск неисправности, ремонт и т.д.
Марковские цепи с дискретным временем
Марковским называется случайный процесс, состояние которого в очередной момент времени
t + ∆t зависит только от текущего состояния в момент времени t.
Исходные данные для определения дискретной марковской цепи:
множество состояний |
S s1 ,..., sk |
матрица вероятностей переходов
вектор начальных вероятностей
p0 p1(0) ,...pk(0)
Марковские цепи с дискретным временем
Марковская цепь изображается в виде графа, вершины которого соответствуют состояниям цепи и дуги – переходам между состояниями
Пример. Дана матрица вероятностей переходов
Граф:
вектор начальных вероятностей
p0 1,0,0,0,0
Анализ марковских цепей
Результат анализа марковской цепи:
как при известном начальном состоянии от шага к шагу меняются вероятности состояний, в которых может находиться система,
каковы установившиеся значения этих вероятностей. |
|
pn p1(n) ,...pk(n) |
p0 1,0,...,0 |
Для расчета вероятностейpиспользуетсяp P уравнение
Колмогорова-Чепмена
n 1 n
|
|
|
p2 |
p1 P p0 P2 |
|
|
|
|
3 |
|
вероятности состояний вычисляются рекуррентно: |
|
|||||||
p1 p0 |
P |
|
|
p3 |
p2 |
P p0 |
P |
|
pn pn 1 P p0 Pn
pp P
При n→∞ определяютn установившиесяn (финальные)
вероятности
Анализ марковских цепей. Пример.
Вероятностный автомат представлен в виде графа
|
|
1 |
|
1 |
0 |
|
|||
2 |
|
2 |
|||||||
|
|
|
|
|
|
|
|||
P |
|
1 |
|
1 |
|
1 |
|
|
|
4 |
|
2 |
4 |
|
|||||
|
|
|
|
||||||
|
0 |
1 |
1 |
|
|
|
|||
|
|
|
|
|
|
|
|||
2 |
2 |
|
p p |
P (1,0,0) P ( |
1 |
, |
1 |
, 0) |
|
|
|
|||||
1 |
0 |
2 |
2 |
|
p |
2 |
p P ( |
1 |
|
, |
1 |
, 0) P ( |
3 |
, |
1 |
, |
1 |
) |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
2 |
8 |
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
1 |
|
2 |
|
|
2 |
|
|
|
8 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
p1( ) |
|
1 |
p1( ) |
1 |
p2( ) |
|
|
|
|
|
|
|
p p p 1 |
|
|
||||||||||||||
2 |
4 |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
p( ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
2 |
3 |
|
|
|
||||
|
1 |
p( ) |
|
1 |
p( ) |
|
1 |
p( ) |
|
( ) |
1 |
( ) |
1 |
( ) |
1 |
||||||||||||||
|
|
|
|
||||||||||||||||||||||||||
|
2 |
|
2 |
1 |
|
|
2 |
2 |
2 |
3 |
|
|
p2 |
|
|
|
|
p1 |
|
|
p3 |
|
|
||||||
|
|
|
|
|
|
|
2 |
4 |
4 |
||||||||||||||||||||
|
( ) |
|
1 |
( ) |
|
|
1 |
|
|
( ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
p3 |
|
|
p2 |
|
p3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
4 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Марковские процессы
Главное свойство непрерывного марковского процесса – экспоненциальность распределения времени пребывания процесса в каждом из состояний.
Марковский процесс с непрерывным временем переходов можно задать в виде графа или описать системой дифференциальных уравнений.
Расчет характеристик марковских процессов
P1 (t) ( 12 13 ) P1 (t) 21 P2 (t) 31 P3 (t)
P2 (t) 12 P1 (t) ( 21 23 ) P2 (t) 32 P3 (t)
P3 (t) 13 P1 (t) 23 P2 (t) ( 31 32 ) P3 (t)
|
|
Pi (t) ij Pj (t) Pi (t) ij |
|
j |
j |
Для установившегося режима система дифференциальных уравнений преобразуется к системе линейных алгебраических уравнений, решением которой являются финальные вероятности состояний системы.
Модель "гибели и размножения"
01P0 10 P1
( 12 10 )P1 01P0 21P2 12 P1 21P2
n 1, n Pn 1 n, m 1Pn |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
P |
01 |
|
P |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
1 |
|
10 |
|
0 |
|
|
|
|
P0 |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
P 01 12 |
|
|
|
|
|
|
|
|
01 12... n 1, n |
|
||||||||||
P 12 |
|
|
01 |
|
|
|
|||||||||||||||||
|
P |
1 |
|
|
|
01 12 |
.. |
|
|
|
|||||||||||||
|
10 |
21 10 |
n, n 1 |
... 21 10 |
|
||||||||||||||||||
2 |
|
|
21 |
|
1 |
21 10 |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
P n 1, n |
|
P |
01 12... n 1, n P |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
n |
n, n 1 |
|
n 1 |
|
n, n 1 |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
... 21 10 |
|
|
|
|
|
|
|
|
|
|
|
Модели массового обслуживания
Объекты заняты обслуживанием поступающих в общем случае случайных потоков заявок или требований.
Поток событий – последовательность однородных событий, следующих одно за другим в какой-то случайный момент времени
Характеристика потока событий
Характеристика потока событий – интенсивность
—среднее число событий, приходящееся на единицу времени.
может быть постоянной ( = const),
переменной, зависящей от времени t.
•поток автомашин, движущихся по улице, днем интенсивнее, чем ночью, в часы пик — интенсивнее, чем в другие часы