Имитационное моделирование агрегированной системы массового обслуживания

Характеристика функций имитационного моделирования. Знакомство с особенностями имитационного моделирования агрегированной системы массового обслуживания. Анализ программы GPSSWorld: рассмотрение возможностей, способы составления имитационной модели.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 27.05.2013
Размер файла 1,6 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Введение

имитационный моделирование агрегированный

Имитационное моделирование (ИМ) применяется для исследования и проектирования таких сложных систем и процессов, как предприятия, информационные сети, мировые динамики в экономике или экологии и так далее.

В данной курсовой работе на примере Системы Массового Обслуживания, как системы из двух узлов параллельно обслуживающих поступление на вход заявок, рассматривалось применение ИМ как инструмента решения задачи оптимизации и составления модели Системы.

В первом разделе пояснительной записки приводятся требуемые к нахождению параметры, оговаривается задача оптимизации и даются требования к нахождению параметров.

Второй раздел посвящен описанию проблемы, предлагаются пути решения поставленной задачи. Третий раздел предваряет Имитационные Эксперименты и дает границы искомых параметров. Рассматриваются характер поступления заявок, а также характер их обслуживания узлами.

Четвертый раздел посвящен работе со средой GPSSWorld по нахождению параметров Системы, анализу переходных процессов, установлению их длительности. Проводится оптимизация Системы.

Пятый раздел описывает реализацию программы на языке высокого уровня Java, реализующей модель Системы. Приводится работа программы и результаты прогона модели.

Задание на курсовое проектирование

Путем Имитационного Моделирования Системы требуется вычислить показатели, характеризующие ее технико-экономическую эффективность

Требуется написать на языке GPSS World и на языке C# имитационную модель агрегированной Системы массового обслуживания, структура и параметры которой определены вариантом = (10, 0):

Таблица

№ №

Конфиг.

p1

Источ.

Тип 1-го узла

Тип 2-го узла

a = M()

b1 = M(x1)

b2 = M(x2)

410

1||2

0.7

R

*/M/2/?

*/R/1/3

10

28

28

В результате экспериментов с моделями Системы необходимо:

1) вычислить стационарные:

- коэффициенты загрузкис11 и с12 первого двухканального узла и коэффициенты загрузкис2длявторого узла;

- средние длины очередей L1 и L2 (в 1-м и 2-м узле соответственно);

- среднее число Rзаявок в Системе;

- среднее время ожидания W1 и W2в 1-м и 2-м узле;

- вероятности Q1 и Q2 потери заявки в 1-м и 2-м узле;

- среднее время E ответа системы

с контролем статистической погрешности всех вычисленных значений;

2) рассчитать переходные процессы с2(t), с11(t), с12(t),L1(t), L2(t), R(t) и определить их длительность;

3) разработать рекомендации по усовершенствованию (оптимизации) Системы и определить их эффективность путем имитационного моделирования.

При усовершенствовании (оптимизации) Системы ее стоимость S и вероятности потери заявки Q1 и Q2 не должны возрастать. Стоимость S как функция интенсивностейµ1 и µ2обслуживания в узлах (1-м и 2-м соответственно), и числа местLmaxв ограниченной очереди определяется выражением:

,

где , , и - число каналов в узле 1 и в узле 2 соответственно.

Целью усовершенствования (оптимизации) Системы является минимизация среднего времени ответа E. Варьируемые параметры Системы - это интенсивности и (непрерывные): , , и число мест в ограниченной очереди (дискретный параметр):.

Постановка задачи

Приведем параметры системы, указанные в задании на курсовое проектирование. Система схематично изображена на рисунке 1.

- длительность интервалаф поступления заявок принадлежит равномерному распределению, м.о. M(ф) = a = 10;

- интенсивность входящего потока 1/a = 0.1;

- вероятность выбора входящей заявкой первого узла ;

- время обслуживания заявки в 1-м узле принадлежит экспоненциальному распределению, его м.о.b1 = 28, интенсивность обслуживания ;

- время обслуживания заявки во2-м узле распределено равномерно, его м.о.b2 = 24,интенсивность обслуживания во 2-м узле ;

- очередь в 1-м узле не ограничена, поэтому вероятность потери заявки в этомузле;

- очередь во 2-м узле ограничена максимальной длиной , поэтому вероятность потери заявки в этомузле.

Рисунок 1 - Схема Системы 24

Для представленной системы:

- требуется рассчитать(оценить) стационарные показатели, перечисленные в Задании на КП, с контролем погрешности получаемых значений (оценок).

- для коэффициентов загрузки каналов, средних длин очередей и среднего числа заявок в Системе требуется рассчитать переходные процессы (ПП) и определить их длительность. Для всякого показателя длительность его ПП будем определять как время , за которое входит в полосу 5%_ных отклонений от стационарного значения показателя .

- стоимость исследуемого 10-го варианта Системы = = 1/12 + 1/24 + 0.01·3 = 11/80 = . Требуется оптимизировать , , .

Задача оптимизации: найти , , , доставляющие минимум E:

и принадлежащие следующей области допустимых решений (ОДР):

где 0.1375 - стоимость заданной Системы,

- вероятность потери заявки во втором узле заданной Системы.

Методы решения

В данной работе рассматриваются задачи нахождения стационарных показателей системы, оптимизации ее параметров для минимизации стоимости системы и наблюдения всех показателей в динамике (в виде переходного процесса).

Для расчета стационарных показателей, можно применить уравнения теории массового обслуживания (ТМО), однако при переходе к анализу переходных процессов возникают некоторые трудности. По этой причине, для нахождения переходных процессов используется имитационное моделирование.

Имитационное моделирование (ИМ) позволяет избежать сложных аналитических вычислений, заменяя их сбором информации о модели в процессе ее работы. Собранную информацию в результате можно использовать для нахождения всех параметров системы с необходимой точностью.

Решение с применением ИМ представляется более удобным, однако наличие аналитических данных, полученных благодаря первоначальному анализу состояния системы с помощью уравнений ТМО, позволяет ускорить и стабилизировать имитационный эксперимент.

Можно дать оценку интенсивности поступления заявок на каждый блок, исходя из вероятности попадания и общей интенсивности поступления заявок.

Основываясь на оценке интенсивности поступления заявок на блок и законе обслуживания, можно дать оценку длины очереди.

Полученные оценки позволят оценить адекватность результатов имитационного моделирования.

Аналитическое исследование системы

Основываясь на м.о. частоты поступления заявок можно найти интенсивность поступления заявок, она составляет 0.1 (1/М(x)).

Так как на первый блок, поступившие заявки уходят с вероятностью 0.7, значит интенсивность поступления заявок на него можно взять равной 0.07. Интенсивность поступления заявок на второй блок равна 0.03, при вероятности поступления 1 - 0.7 = 0.3.

Для первого блока с бесконечной очередью можно уверенно сказать, что очередь не будет накапливаться только если оценка интенсивности скорости обработки заявок будет больше чем интенсивность их поступления.

Так как м.о. скорости обслуживания равно 24 для каждого из элементов блока, то общая интенсивность всего блока при двух элементах равна 2(1/24) = 0.083.

Оценка интенсивности обработки заявок первым блоком больше оценки интенсивности их поступления, что позволяет утверждать об отсутствии накопления очереди. М.о скорости обслуживания второго блока равно 24. Интенсивность равна 0.046, при оценке интенсивности поступления заявок равной 0.03. Однако в случае второго блока он имеет ограниченную очередь и работает с отказами, по этому нужна более глубокая оценка вероятности отказа. Вероятность того, что канал обслуживания свободен (P0) равна:

гдеp- приведенная интенсивность потока, равная интенсивности поступления заявок, деленной на интенсивность обработки заявок.

N - длина очереди.

В нашем случае вероятность того, что канал свободен, равна (1-0.03/0.046)/(1-(0.03/0.046)^4) = 0,42.

Вероятность отказа:

Вероятность отказа равна 0,42(0.03/0.046)^3 = 0,11.

Относительная пропускная способность:

Относительная пропускная способность равна 1- 0.11 = 0.89.

Абсолютная пропускная способность:

Абсолютная пропускная способность равна 0.03 0.89 = 0.0267

Программа и эксперименты на GPSSWorld. GPSS-модель для расчета стационарных характеристик

Сформируем модель Системы в среде Имитационного Моделирования GPSSWorld. Структура программы будет состоять из трех логически отделимых в коде блоков. Первый блок отвечает за формирование входящих заявок на обслуживание. Далее происходит ветвление на две СМО с заданными вероятностями. Заявка попадает в один из двух блоков, блоки представляют собой СМО.

Ниже приведен листинг программы с комментариями блоков и этапов, проходимых заявкой:

После выполнения представленной выше модели (по команде START 1)получаем следующий стандартный отчет системы GPSS о моделировании:

Результаты, приведенные в таблицу 1, получены путем выполнения прогонов длиной , и заявок. Три прогона одной длины разделяются сбросом статистики (командой CLEAR), и поэтому независимы. Группы прогонов разной длины разделяются командой Retranslate, возвращающей датчики случайных чисел в исходное состояние.

Таблица 1 - Результаты моделирования Системы

Длина прогона

с11

p12

с2

L1

L2

R

W1

W2

Q2

E

1

105

0,874

0,805

0,690

3,020

0,599

5,998

43,117

20,857

0,040

60,631

2

0,875

0,806

0,688

3,019

0,592

5,980

43,169

20,619

0,038

60,605

3

0,870

0,800

0,693

2,529

0,603

5,496

36,175

55,596

0,041

55,596

4

106

0,873

0,804

0,692

2,859

0,600

5,827

40,919

20,782

0,038

59,016

5

0,874

0,805

0,690

2,919

0,599

5,888

41,758

20,759

0,039

59,626

6

0,872

0,803

0,692

2,842

0,600

5,808

40,669

20,789

0,039

58,835

7

107

0,874

0,805

0,692

2,935

0,601

5,907

41,929

20,907

0,039

59,782

8

0,875

0,806

0,692

2,921

0,602

5,895

41,727

20,904

0,040

59,664

9

0,875

0,807

0,692

2,935

0,603

5,910

41,922

20,907

0,039

59,807

Последняя группа из трех прогонов модели характеризуется малыми отличиями оценок, полученных для искомых показателей. Поскольку три оценки любого из показателей в этой группе статистически независимы, можно, вычисляя их среднее значение, оценить его отклонение от искомого точного значения этого показателя по правилу «трех сигм».

Вычисляя соответствующие дисперсии каждой выборки, содержащей три элемента, и используя «правило трех сигм», получаем оценки (таблица 3) и возможные их погрешности (вероятность превышения которых, как известно, составляет лишь 0.0027).

Таблица 2 - Оценки искомых показателей и их возможные погрешности <<>>

с1

с21

с22

L1

L2

R

W1

W2

Q2

E

Оценка

0,875

0,806

0,692

2,927

0,602

5,904

41,726

20,905

0,040

59,751

0,001

0,001

0,000

0,008

0,001

0,004

0,008

0,001

0,001

0,080

GPSS-модель для расчета переходных процессов

Чтобы выполнить расчет переходных процессов, организуем серию многократных независимых прогонов, в каждом из которых через фиксированный интервал времени будем заносить текущие значения показателей в соответствующие массивы (с целью их последующего усреднения). Текст модели для 10_й конфигурации Системы можно написать следующим образом.

Команда INCLUDE в конце программы «заменяется» строками текстового файла REP1000.txt (таблица 4). Поскольку все 10 этих строк являются командами INCLUDE, ссылающимися на файл REP100.txt, то каждая из них, в свою очередь, «заменяется» десятью строками текстового файла REP100.txt, которых, в итоге, имеем 10 ? 10 = 100. И, аналогично, каждая из этих 100 строк «заменяется» строками файла REP10.txt, определяющими 10 стартов модели (параметр NPв команде STARTзапрещает вывод отчета после завершения прогона модели), разделенных сбросом статистики по команде CLEAR (параметр OFF запрещает стирать информацию, записанную в ячейки и матрицы ячеек). Общее число стартов, определенных командой INCLUDE "REP1000.TXT", составляет, т.о., 1000. После INCLUDE "REP1000.TXT" в программе пришлось записать еще одну пару команд CLEAR и START, т.к. последний START должен выполняться без параметра NP. Итого число независимых реализаций процесса составляет 1001. Это число присваивается в начале программы параметру N_.

Таблица 3 - Строки текстовых файлов для реализации 1000 независимых прогонов модели

REP1000.txt

REP100.txt

REP10.txt

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP100.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

INCLUDE "REP10.TXT"

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

START 1,NP

CLEAR OFF

Анализ переходных процессов

Выполнив программу, приведенную в разделе 4.2, мы получаем отчет (файл REPORT), в который выведены матрицыL1_, L2_ и R_AVE, содержащиепо 100 значений соответствующего показателя, относящихся к моментам модельного времени = 10, 20, …, 1000. Каждое значение - это статистическая оценка показателя, полученная усреднением соответствующей сл.в. по ее 1001 реализации.Таким образом, каждая матрица содержит значения ПП для одного из шести интересующих нас показателей (точнее - статистические оценки значений ПП). После такого переноса данных в MsExcel нетрудно построить в нем графики ПП. Для Системы-10 получаем графики, представленные на рисунках 2,3,4.

Качественное суждение о том, достаточно ли ПП приблизился к своему стационарному уровню, можно составить, оценивая по графику (визуально) степень стабилизации уровня ПП, или сравнивая достигнутый процессом уровень с известным стационарным значением соответствующего показателя, найденным ранее (раздел 4.1., таблица 3).

Рисунок 2 - Переходный процесс для параметра L1

Рисунок 3 - Переходный процесс для параметра L2

Рисунок 4 - Оценочные ПП для показателей R1, L1

Рисунок 5 - Оценочные ПП для показателей Ro1, Ro2, Ro3

Рисунок 4 приводит нас к заключению, что ПП и нужно проследить на более длинном интервале времени. Чтобы сделать это, в используемой нами GPSS_программе (раздел 4.2) увеличим вдвое период считывания усредняемых значений (в строке PERIOD EQU 10 заменим 10 на 40). В результате перезапуска этой модели (командой Retranslate или CreateSimulation) параметр DL_PROG (описанный двумя строками ниже параметра PERIOD) автоматически будет должным образом пересчитан и, соответственно, изменится общее время моделирования в сегменте «таймера» модели (см. блок GENERATE DL_PROG).

Полученные для в матрицах L1_ и R_AVE новые оценочные процессы и перенесем из GPSS в Excel. На рисунке 5 получим продленный по времени ПП для показателей L1и R.

Рисунок 5 - Продленные оценочные ПП для L1и R

Из рисункам 5 видно, как до сих пор колеблется значение R. Этот процесс наиболее длителен из всех рассмотренных ПП. Поэтому далее ограничимся определением времени TR»установления» этого ПП.

В соответствии с общим определением длительности ПП, данным в разделе 1, время TR - это время пересечения характеристикой R(t) «порогового» уровня, составляющего 0,95R = 0,95•2,711 = 2,575.

Вычисление требуется выполнить с контролем точности, но мы располагаем пока лишь «точечной» статистической оценкойПП (рисунок 5), имеющей неизвестную нам погрешность. Поэтому построим «интервальную» доверительную полосу ПП , для чего нам нужно найти среднеквадратичные отклонения оценок ПП , полученных при t= 20, 40, …, 2000. Вначале рассчитаем дисперсии числа заявок в Системе, усредняя которое мы получили оценки для.

Добавим в GPSS-модель (раздел 4.2) три строки:

1) в сегмент * Матрицы для накопления реализаций процессов добавим описание матрицы DISPR -в ней будутнакапливаться квадраты числа заявок :

DISPR MATRIX ,1,100 ;

2) в сегмент * Транзакт-наблюдательза строкой MSAVEVALUER_AVE+,1,P1,Q$GLOBвставимблок, осуществляющий накопление квадратов числа :

MSAVEVALUE DISPR+,1,P1,(Q$GLOB^2) ;

3) в сегмент *Завершения прогонов и усреднение реализаций …сразу за строкой MSAVEVALUER_AVE,1,P1,(MX$R_AVE(1,P1)/N_)добавимблок, вычисляющий (внутри цикла) оценки дисперсий = : MSAVEVALUE DISPR,1,P1,(MX$DISPR_(1,P1)/N_-(MX$R_AVE(1,P1))^2) ;.

В результате выполнения модели получаем матрицу DISPR, содержащую оценки дисперсии числа заявокв Системепри t= 40, 80, …, 4000. Переводим матрицу DISPR из отчета REPORTв столбец листа Excel, который располагаем рядом со столбцом оценок ПП . Вычисляем столбец среднеквадратичных отклонений оценок ПП по формуле . Строим столбец, определяющий нижнюю границу доверительной полосы для ПП как разность . Аналогично столбец с верхней границей доверительной полосы вычисляем как сумму .На рисунке 6 построена доверительная полоса R(t). Полученная доверительная полоса пересекает пороговый уровень в диапазоне от 0,1 до 1 тыс. единиц времени, то есть для времени ПП получаем интервальную оценку 100?TR?1000.

Рисунок 6 - Доверительная полоса R(t)

Наряду с интервальной оценкой времени можно найти уточненную точечную оценку. Все ПП, показанные на рисунках 2 - 5, хорошо аппроксимируются экспоненциальными функциями вида , где C = x() -известное стационарное значение характеристики , A - размерный коэффициент, ф - некоторая постоянная времени. Правда, при построении такой аппроксимации следует иметь в виду, что в окрестностях точки t = 0, как показывает содержательный анализ процессов обслуживания в Системе, рассматриваемые нами переходные характеристики явно не вписываются в такое экспоненциальное представление. Поэтому рекомендуется применять экспоненциальную аппроксимацию к описанию части ПП, начинающейся, например, моментом достижения процессом трети или половины его стационарного уровня. Построение аппроксимации в Excelсводится к применению метода наименьших квадратов для определения неизвестных A, ф по известным оценкам аппроксимируемого ПП в точках отсчетов . Это легко делается с помощью встроенного в Excelсервиса «Поиск решения…».

Например, по оценочному ПП для среднего числа заявок в Системе-10при известном C = R() = 5,904 находим A = 1,567,ф = 725,1215. Таким образом, имеем аппроксимацию , . Эта аппроксимация построена по диапазону данных, относящихся ко времени . В этом диапазоне абсолютная погрешность составила в среднем 0.11. На рис. 7 показан «фрагмент» зависимостей и , в окрестности точки . Определяя как момент пересечения кривой порогового уровняR = 5,608, находим точечную оценку 230 (на рисунке 7 точка пересечения практически посередине между соседними абсциссами R(t) в 220 и 240 единиц).

Рисунок 7 - Нахождение уточненной оценки для TRна основе аппроксимации Rap(t)

Знание длительности ПП необходимо, как минимум, для обоснования длины прогона при расчете стационарных показателей. Она должна многократно превышать длительность ПП, так как относящаяся к ПП часть выборки смещает оценки стационарных показателей.

Моделирование на алгоритмических языках

Моделирование было также проведено написанием Имитационной Модели на языке высокого уровня C#.

Реализация Системы в соответствии с описанным режимом работы её узлов и режимом поступления заявок возможна с применением следующих принципов и методик:

- календаря событий (КС). По сути список с парами временная метка - событие[1];

- параллельное и одновременное событие сразу нескольких событий регулируется системой приоритетов и временной меткой самих событий;

- подсчет статистики как складывание дискретных величин[1].

В приложении А приведен листинг трех основных классов, осуществляющих поток, обработку и выход заявок с изменением модельного времени.

На рисунке 8 предоставлено рабочее окно программы. В интерфейсе программы предусмотрен гибкий выбор параметров системы, но не была произведена реализация элементов системы, необходимых для работы над предоставленным вариантом задания.

Рисунок 8 - Программа на языке высокого уровня

По умолчанию в интерфейс программы занесены данные для заданного варианта. Результат запуска программы можно увидеть на рисунке 9.

Рисунок 9 - Искомые параметры после прогона модели

Таблица 10 - Результаты моделирования Системы в программе

Длина прогона

с1

с21

с22

L1

L2

R

W1

W2

Q2

E

1

105

0,927

0,865

0,697

3,164

0,712

7,002

68,677

31,94

0,0004

62,740

2

0,918

0,832

0,707

2,513

0,676

7,603

74,534

33,204

0,0004

62,581

3

0,919

0,845

0,692

2,460

0,635

8,238

84,306

31,881

0,0004

68,478

4

106

0,924

0,853

0,704

2,564

0,651

8,509

85,524

32,552

0,0005

70,613

5

0,919

0,848

0,707

2,601

0,649

8,151

81,543

32,571

0,0004

67,519

6

0,920

0,851

0,709

2,518

0,657

8,498

85,065

32,800

0,0004

70,325

7

107

0,919

0,849

0,707

2,551

0,655

8,214

82,471

32,706

0,0005

68,213

8

0,919

0,849

0,708

2,548

0,656

8,341

82,188

32,758

0,0005

67,997

9

0,920

0,849

0,709

2,597

0,664

8,232

83,600

32,990

0,0004

69,068

Последняя группа из трех прогонов модели характеризуется малыми отличиями оценок, полученных для искомых показателей. Поскольку три оценки любого из показателей в этой группе статистически независимы, можно, вычисляя их среднее значение, оценить его отклонение от искомого точного значения этого показателя по правилу «трех сигм». Вычисляя соответствующие дисперсии каждой выборки, содержащей три элемента, и использую «правило трех сигм», получаем оценки (таблица 11) и возможные их погрешности ±3у.

Таблица 11 - Оценки искомых показателей и их возможные погрешности <<>>

с1

с21

с22

L1

L2

R

W1

W2

Q2

E

Оценка

0,92

0,85

0,71

2,57

0,66

8,26

82,75

32,82

0,00

68,43

0,00

0,00

0,00

0,07

0,01

0,17

1,83

0,37

0,00

1,39

Сравнивая таблицу 11 с таблицей 3 раздела 4.1 можно сделать вывод о некоторых несоответствиях результатов симуляции на разработанной программе, результатам моделирование в среде GPSS. Можно сделать следующие выводы по реализованной программе:

- сходимость результатов программы, что говорит о стабильности работы журнала событий и адекватности рабочей симуляции;

- несоответствие полученных результатов, результатам симуляции GPSS, что говорит о возможности неправильной организации логики блоков или неправильных используемых формулах;

- параметры с увеличением длины прогона сходятся к некоторым стабильным значениям, отличающимся от результатов GPSS.

Заключение

В ходе выполнения курсового проекта были g следующие произведено аналитическое исследование системы. Были получены аналитические параметры системы и примерные значения, которые должны наблюдаться в системе.

Была составлена имитационная модель в GPSSW, соответствующая теоретической модели, была произведена симуляция и получены конечные параметры системы. Параметры были усреднены в ходе увеличения количества прогонов симуляции.

Был произведен анализ переходных процессов. На этоманализе возможно наблюдать состояния всех элементов системы в ходе симуляции. Можно наблюдать постепенное установление всех параметров к стабильным значениям.

Была произведена реализация системы на языке высокого уровня. В программе реализован журнал событий и при множественных экспериментах можно наблюдать установление системы на некоторых параметрах, однако данные параметры не соответствуют результатам симуляции в GPSS, что говорит о некорректности используемых формул или проблемах с построениями датчиков случайных величин.

Приложение А

Ниже представлен листинг класса Event, являющийся событием, содержащимся в календаре событий.

Класскалендарь. Реализует логику работы журнала событий.

Основной рабочий класс - Model. Описывает логику работы всей системы.

Размещено на Allbest.ru


Подобные документы

  • Сфера применения имитационного моделирования. Исследование и специфика моделирования системы массового обслуживания с расчетом стационарных значений системы и контролем погрешности получаемых значений. Реализация ее в GPSS и на языке высокого уровня Java.

    курсовая работа [818,7 K], добавлен 23.05.2013

  • Разработка решения задачи имитационного моделирования системы массового обслуживания (СМО), на примере склада продукции. Построение концептуальной модели системы. Сравнение результатов имитационного моделирования и аналитического расчета характеристик.

    курсовая работа [75,5 K], добавлен 26.06.2011

  • Методика системного исследования реальной динамической сложной системы посредством разработки ее имитационной модели. Разработка программы реализации алгоритма имитационного моделирования системы массового обслуживания "Интернет-провайдерская фирма".

    курсовая работа [2,0 M], добавлен 20.01.2010

  • Методика и особенности составления имитационной модели системы массового обслуживания (СМО). Анализ и статистическая обработка показателей эффективности СМО путем решения уравнения Колмогорова, их сравнение с результатами аналитического моделирования.

    курсовая работа [609,2 K], добавлен 31.01.2010

  • Построение модели системы массового обслуживания с помощью ЭВМ с использованием методов имитационного моделирования. Моделирование проводилось с помощью GPSS World Student version, позволяющего достоверно воссоздать систему массового обслуживания.

    курсовая работа [555,7 K], добавлен 29.06.2011

  • Имитационное моделирование как один из наиболее широко используемых методов при решении задач анализа и синтеза сложных систем. Особенности имитационного моделирования систем массового обслуживания. Анализ структурной схемы системы передачи пакетов.

    курсовая работа [1,2 M], добавлен 28.05.2013

  • Создание библиотеки классов имитационного моделирования и реализация алгоритма имитационного моделирования системы массового обслуживания "Модель комиссионного магазина". Использование для разработки среды программирования C++. Словарь предметной области.

    курсовая работа [581,0 K], добавлен 23.01.2013

  • Характеристика системы массового обслуживания, куда поступают заявки обслуживания. Особенности моделирования системы массового обслуживания. Имитация работы системы массового обслуживания с относительными приоритетами. Отчеты полного факторного плана.

    курсовая работа [1,1 M], добавлен 14.07.2012

  • Понятие компьютерной модели и преимущества компьютерного моделирования. Процесс построения имитационной модели. История создания системы GPSS World. Анализ задачи по прохождению турникета на стадион посредством языка имитационного моделирования GPSS.

    курсовая работа [291,3 K], добавлен 11.01.2012

  • Создание имитационной модели системы массового обслуживания с помощью языка имитационного моделирования GPSS/PC - моделирование обработки на участке 500 деталей. Определение загрузки второго станка на вторичной обработке и вероятности появления отходов.

    курсовая работа [602,3 K], добавлен 30.11.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.