18.Вероятностное моделирование. *Использование метода Монте-Карло для реализации неравномерных распределений.
Наибольшее распространение получили вероятностные методы статистического анализа – аналитический и численный, основанный на применение метода Монте-Карло (метод статистических испытаний)
Аналитический метод состоит в поиске аппроксимирующей функции для функции распределения: f(х)=Fi(vi,t).Этот метод обладает сравнительно невысокой точностью и значительной трудоемкостью.
В методе Монте-Карло данные о моделируемых событиях вырабатываются искусственно путем использования генератора равномерно распределенной в промежутке [0,1] случайной величины xR в сочетании с интегральной функцией распределения вероятностей для исследуемого процесса. В результате использования метода получается серия частных значений случайных величин, статистическая обработка которых позволяет получить сведения о характеристиках. Чем больше реализаций случайного процесса (прогонов), тем точнее результат анализа.
Рассмотрим пример использования метода Монте-Карло для дискретного распределения вероятностей. Пусть вероятность одновременного обращения к серверу определенного количества удаленных клиентов в каждый 10-ти минутный интервал времени соответствует распределению, заданному в таблице
| |||||
Число клиентов | 0 | 1 | 2 | 3 | 4 |
Вероятность | 0,2 | 0,25 | 0,3 | 0,15 | 0,1 |
Суммарная вероятность | 0,2 | 0,45 | 0,75 | 0,9 | 1 |
Построим график распределения вероятностей Проведем мысленный эксперимент для 5 интервалов времени. Выберем пять случайных чисел, каждое из которых используем для определения числа клиентов, одновременно обращающихся к серверу, в каждый из 10-ти минутных интервалов. Так, если первое случайное число равно 0,38, то в результате «прогона» получаем значение числа клиентов, равное 1 (см. рис. 10-а). Результаты эксперимента приведены в таблице 4.
| |||||
Интервал времени | 1 | 2 | 3 | 4 | 5 |
Случайное число | 0,38 | 0,01 | 0,41 | 0,81 | 0,32 |
Число клиентов | 1 | 0 | 1 | 3 | 1 |
Рассмотрев большое количество выборок, нетрудно убедиться, что каждое из значений числа клиентов в процессе данного эксперимента будет появляться с относительной частотой, равной заданной вероятности.
- 14.Определение модели, моделирования, свойств интерполяции и экстраполяции. Классификация моделей по критерию подобия и соотношению точности/абстрактности.
- 15.*Иерархические уровни моделирования скт и кс. Структурные примитивы уровней моделирования.
- 16.*Математический аппарат моделирования скт и кс на различных уровнях декомпозиции.
- 17.Подходы к описанию функциональных структур. Типы элементов функциональных структур смо, используемых для моделирования скт и кс.
- 18.Вероятностное моделирование. *Использование метода Монте-Карло для реализации неравномерных распределений.
- 19.Абстрактные конечные автоматы 1-го и 2-го рода. Матрицы переходов и выходов. Представление графом.
- 20.*Простые временные сети Петри. Способы задания. Моделирование элементарного цикла обслуживания простой временной сетью Петри.
- 21.*Ингибиторные сети Петри. Моделирование элементарного цикла обслуживания ингибиторной сетью Петри. Пример моделирования системы или процесса ингибиторной сетью Петри.
- 22.*Типы сетей Петри, используемые для моделирования вс. Пример моделирования процесса параллельного обслуживания заявок с пакетированием сетью Петри.
- 23.*Моделирование вс с использованием теории массового обслуживания. Классификация смо. Типы элементов функциональных структур смо, используемых для моделирования вс.
- Аналитические модели массового обслуживания.
- 25.*Обслуживание с ожиданием. Постановка задачи. Свойства экспоненциального распределения времени обслуживания. Обслуживание как Марковский процесс.
- 26.Обслуживание с потерями. Обслуживание с ограниченным временем ожидания. Постановка задачи. Обслуживание как Марковский процесс.
- 27.Обслуживание с потерями. Обслуживание с ограниченным временем пребывания. Постановка задачи. Обслуживание как Марковский процесс.
- 28.Обслуживание с потерями. Моделирование приоритетного обслуживания с использованием теории массового обслуживания.
- Моделирование приоритетного обслуживания с использованием теории мо.
- 29.*Имитационные модели массового обслуживания. Элементы имитационных моделей.
- 30 Алгоритмы имитационного моделирования для пошагового управления модельным временем
- 31.Алгоритмы имитационного моделирования для событийного управления модельным временем.
- 32.Алгоритмы имитационного моделирования для пошагового управления модельным временем.