Размещено на http://www.allbest.ru/

• Содержание
• Введение
• Глава 1. Обобщенное содержательное описание системы
• Глава 2. Исследование заданной системы с помощью моделирования динамичеких рядов
• 2.1 Определение трендовой компоненты
• 2.2 Определение сезонной составляющей с помощью сезонных волн и гармонического анализа
• 2.3 Построение общей модели ряда
• Глава 3.Исследование системы с помощью модели типа «система массового облуживания»
• 3.1 Общее понятие системы массового обслуживания
• 3.2 Определение показателей эффективности системы массового обслуживания
• Глава 4. Система иммитационного моделирования GPSS
• 4.1 Общие описание программы GPSS
• 4.2 Исследование системы с помощью системы имитационного моделирование GPSS
• Заключение
• Список используемых источников

Введение

В современной литературе не существует единой точки зрения по вопросу о том, что понимать под имитационным моделированием. Так существуют различные трактовки:

· в первой - под имитационной моделью понимается математическая модель в классическом смысле;

· во второй - этот термин сохраняется лишь за теми моделями, в которых тем или иным способом разыгрываются (имитируются) случайные воздействия;

· в третьей - предполагают, что имитационная модель отличается от обычной математической более детальным описанием , но критерий, по которому можно сказать, когда кончается математическая модель и начинается имитационная , не вводится;

Имитационное моделированием применяется к процессам, в ход которых может время от времени вмешиваться человеческая воля. Человек, руководящий операцией, может в зависимости от сложившейся обстановки, принимать те или иные решения, подобно тому, как шахматист глядя на доску, выбирает свой очередной ход. Затем приводится в действие математическая модель, которая показывает, какое ожидается изменение обстановки, в ответ на это решение и к каким последствиям оно приведет спустя некоторое время. Следующее текущее решение принимается уже с учетом реальной новой обстановки и т. д. В результате многократного повторения такой процедуры руководитель как бы «набирает опыт», учится на своих и чужих ошибках и постепенно выучиваться принимать правильные решения - если не оптимальные, то почти оптимальные.

Имитационное моделирование (ситуационное моделирование) -- метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику[3].

Виды имитационного моделирования:

Агентное моделирование -- относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей -- получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент -- некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяется. Дискретно-событийное моделирование -- подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений -- от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов.

Основан Джеффри Гордоном в 1960-х годах. Системная динамика -- парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Актуальностью моей курсовой работы является пошив и реставрация одежды.

Основной целью курсовой работы создать модель СМО и выявить недостатки, так же предложить решение по устранению "узких мест".

Задачами курсовой работы является:

1. определить сезонность

2. разработать систему модели Ателье «Вита»

3. Объектом курсовой работы явилась Ателье «Вита».

4. Предметом курсовой работы выступили методы трендовой компоненты, сезонность, ряд фурье, общая модель, имитационное моделирование GPSS. При выполнении курсовой работы мы использовали такие методы как: метод научного анализа, сравнительный метод, конкретно исторический метод, метод обработки рядов динамики. Информационную базу курсовой работы составили данные Ателье «Вита».

Глава 1. Обобщенное содержательное описание системы

Ателье «Вита» находиться не далеко от центра. Поэтому у него практически не бывает простоев из-за нехватки клиентов. Ателье «Вита» работает с 9:00 до 19:00.Здесь работают профессионалы своего дела, хорошие дизайнеры, талантливые и дружелюбные швеи, которые всегда помогут и подскажут. Ателье «Вита» оказывает следующие услуги:

· Пошив одежды на заказ;

· Реставрация одежды.

Векторы входов:

1. Количество поступающих заказов за месяц (400-700)

2. Количество единиц оборудования в организации (5)

3. Количество потребляемых (1000)

4. Количество сотрудников(3)

Векторы выхода:

1.Количество выполняемых заказов(350-500)

2. Прибыль(25000)

Размещено на http://www.allbest.ru/

Рисунок 1- Модель системы Ателье «Вита»

Вектор параметров:

1. Норматив приема клиентов(400)

2. Норматив потребления электроэнергии (550 кВ)

Вектор состояния:

Система работает, дефицит оборудования отсутствует, система работает без серьёзных отклонений. Выберем один вектор входа, чтобы задать его в виде динамического ряда. В данной предметной области можно произвести диаграмму:

Рисунок 2-Схема модели рабочего процесса

Опишем диаграмму рабочего процесса. Для того что бы клиент заказал пошив изделия нужно для начала изучить прейскурант ателье, что бы выбрать более подходящую цену и вид пошива. Если клиент согласен то снять с него мерки, что бы выбрать более подходящую цену и вид пошива. После ткань отдается в комнату, где она раскраивается по меркам и ей подбираются нитки и другая фурнитура. Далее выполняется заказ, т.е пошив одежды. После чего готовая вещь выдается клиенту и он ее примеряет, если все сшито по тем критериям, которые выбрал клиент и он соглашается, то далее производится оплата. Заказ оплачивается через кассу при предъявлении чека. Готовая одежда выдается клиенту.

В этой главе описано Ателье «Вита» и рассмотрен его рабочий процесс с вектора входа «Заказы».

Глава 2. Исследование заданной системы с помощью моделирования динамических рядов

2.1 Определение трендовой компоненты

Трендовую компоненту можно определить механическими, аналитическими или комбинированными методами сглаживания. Механические методы являются наиболее простыми, но сложно поддаются использованию в моделировании. К таким методам относится:

· метод укрупнения интервалов - основан на переходе от малых временных промежутков к более крупным.

· метод скользящей средней - основан на переходе от исходных данных к данным, рассчитанным для других интервалов. В этом случае выбирается интервал для m - последовательных уравнений. Для значений признака на этом интервале определяется среднее, которое относят к середине интервала, а затем этот интервал сдвигают на одну единицу и так далее[1].

Аналитические методы представляются в виде функциональных зависимостей, полученных на основе исходных данных. Определим трендовую компоненту с помощью этого метода, для этого рассмотрим построение моделей для линейной зависимости

, (2.1)

для гиперболической зависимости

, (2.2)

и для параболической зависимости (полином второго порядка)

. (2.3)

Все эти модели определяются методом наименьших квадратов.

Построим трендовую модель в виде гиперболической зависимости

.(2.4) (2.4)

Введем обозначение :

, (2.5)

где t - временной интервал. Получим линейную модель:

. (2.6)

Коэффициенты линейной модели определяются из системы:

(2.7)

,

где y - исходные данные.

Коэффициенты a и b для линейной модели можно определить из соотношений:

, (2.8)

где Gu - это среднее квадратическое отклонение и оно определяется:

, (2.9)

где, а GT - вычисляется по следующей формуле:

, (2.10)

Определим :

, (2.11)

Определим :

. (2.12)

Теперь можем вычислить и используя полученные данные:

, (2.13)

, (2.14)

Далее вычислим r - коэффициент корреляции, зависимый от двух признаков:

, (2.15)

Теперь имеем все данные для вычисления коэффициента регрессии b, который показывает, на сколько единиц измениться результативный признак U (в среднем) при изменении факторного признака T на 1 единицу:

, (2.16)

. (2.17)

Далее вычислим второй коэффициент:

. (2.18)

Получаем коэффициенты модели, равные:

b =-208,3854186, (2.19)

a = 637,5254796 . (2.20)

Теперь делаем обратную замену T на t и получаем гиперболическую модель :

. (2.21)

Определяем значение коэффициента детерминации для гиперболической модели (данные расчетные значения представлены в приложении А):

(2.22)

Рисунок 3-Гиперболическая модель входных данных

Построим для линейной модели

. (2.23)

Для построения линейной зависимости используем встроенную функцию ЛИНЕЙНУЮ. Дополнительная регрессионная статистика выводиться в виде:

Таблица 1: Регрессионная статистика

Значение коэффициента b	Значение коэффициента a
Среднеквадратическое отклонение b	Среднеквадратическое отклонение a
Коэффициент детерминации R2	Среднеквадратическое отклонение y
F-статистика	Число степеней свободы
Регрессионная сумма квадратов	Остаточная сумма квадратов

Таблица 2:Регрессионная статистика для заданных значений:

2,978764479	558,2539683
0,999638642	21,20946446
0, 207079456	62,30724479
8,879453988	34
34471,75193	131994,5536

Отсюда можем определить линейную модель, вид которой будет:

, (2.24)

Коэффициент детерминации для линейной модели

. (2.25)

Построим график по исходным и расчетным значениям :

Рисунок 4-Линеёная модель входных данных

Параболическую зависимость

(2.26)

строим с помощью добавления линии тренда на график. Уравнение регрессии имеет вид:

. (2.27)

Коэффициент детерминации для параболической модели равен:

. (2.28)

Рисунок 5- Параболическая модель входных данных

Для сравнения полученных моделей между собой оцениваем их на основе коэффициента детерминации R2 = r2, который показывает ту часть вариации результативного признака y, которую можно объяснить влиянием фактора t. Наилучшей моделью является модель с максимальным значением R2. Коэффициент детерминации для параболической модели больше чем у гиперболической и линейной моделей. Тогда в качестве наилучшей модели используем гиперболическую

(2.29)

Коэффициент детерминации параболической модели:

R2 = 0,20155. (2.30)

показывает, что 20,155% изменения количества посетителей (U) объясняется зависимостью от времени (t), а оставшиеся 79,845% - влиянием всех неучтенных факторов.

При изменении времени на 1 месяц количество клиентов в среднем увеличится на 6,812.

Дальнейшие вычисления производим с использованием лучшей модели.

2.2 Определение сезонной составляющей с помощью сезонных волн и гармонического анализа

При использовании метода сезонных волн определяют индексы сезонности:

, (2.31)

где - это среднее для каждого месяца, а - это общее среднее. Полученные результаты представим в виде графика (Рисунок 6) (Расчеты представлены в Приложении Б)



Рисунок 6 - График сезонной волны

По полученному графику можно сделать вывод о наличии пиков продаж в ателье: в июле, августе и ноябре, а также имеются спады, приходящиеся в основном на февраль, март, декабрь.

Проведем выравнивание с помощью ряда Фурье для значений по гиперболической модели. Построим ряд Фурье

, (2.32)

где k - количество гармоник.

Коэффициенты определяются по формулам:

; (2.33)

; (2.34)

(2.35)

Построим модель с одной гармоникой:

. (2.36)

Перейдем от номера месяца к радианам (Приложение В). Определим коэффициенты:

; (2.37)

; (2.38)

(2.39)

Запишем модель для одной гармоники:

(2.40)

Оценим адекватность первой модели - для этого рассчитаем остаточную дисперсию

. (2.41)

Построим модель, содержащую две гармоники:

. (2.42)

Коэффициенты определяются:

(2.43)

. (2.44)

Посчитаем коэффициенты:

(2.45)

. (2.46)

Теперь запишем модель с учетом двух гармоник:

(2.47)

Определим остаточную дисперсию для полученной модели с 2 гармониками :

. (2.48)

Так как значительно больше, чем , то введение второй гармоники в модель целесообразно.

Построим модель с тремя гармониками:

. (2.49)

Посчитаем коэффициенты:

(2.50)

. (2.51)

Запишем модель с найденными коэффициентами:

(2.52)

Рассчитаем остаточную дисперсию:

. (2.53)

Вывод: изменение между и значительно меньше, чем между и ,то включение третьей гармоники в модель не целесообразно. То модель, описывающая циклическую составляющую, будет иметь вид:

. (2.54)

(данные рассмотренные решения в Приложении В). График выглядит следующим образом:

Рисунок 7- Ряд Фурье

2.3 Построение обей модели ряда

Для определения общего значения ряда составляем таблицу. Построим график с использованием рядов данных, соответствующих трендовой составляющей и расчетным значениям уровней ряда . Определяем значение случайной составляющей Et следующим образом:

. (2.55)

Теперь можем записать общую модель ряда, которая будет иметь вид:

(2.56)



Рисунок 8 - Общая модель

В данной главе мы рассчитали: трендовую компоненту с наилучшим коэффициентом R2. Коэффициент детерминации для гиперболической модели больше чем у параболической и линейной моделей. Тогда в качестве наилучшей модели используем гиперболическую; определяли сезонную составляющую с помощью сезонных волн и гармонического ряда, о наличии пиков продаж в ателье: в июле, августе и ноябре, а также имеются спады, приходящиеся в основном на февраль, март, и декабрь. Изменение между и значительно меньше, чем между и , то включение третьей гармоники в модель не целесообразно.

Глава 3. Исследование системы с помощью модели типа «система массового обслуживания»

3.1 Общее понятие системы массового обслуживания

Основными понятиями СМО являются:

1. Входной поток.

Характеризуется определенной организацией и параметрами к которым относятся интенсивность поступления заявок (число заявок в среднем поступивших в единицу времени) и законом распределения вероятностей моментов прихода заявок в систему

2. Выходной поток.

Характеризуется интенсивностью (число заявок в среднем покинувших систему в единицу времени)

3. Обслуживающая система.

Совокупность устройств, обеспечивающая обслуживание заявок. Они характеризуются пропускной способностью (это число обслуженных заявок в единицу времени) и законом распределения времени обслуживания заявок.

Всякое СМО характеризуется дисциплиной очереди, то есть порядком обслуживания заявок:

· Первый пришел первый обслуживаешься;

· Последний пришел первый обслуживаешься;

· Случайный порядок обслуживания заявок;

· Обслуживание по приоритету.

При получении заявок в СМО, она может находиться, в следующих состояниях:

1. Все каналы или линии заняты;

2. Имеется свободный канал.

Если все каналы заняты, у СМО существует 3 варианта поведения:

1. Покинуть систему (система с отказом);

2. Встать в очередь до момента освобождения канала (система ожидания);

3. Встать в очередь с ограниченным временем ожидания (система с ограниченным ожиданием).

Для того чтобы промоделировать СМО необходимо задать характеристики входного потока и динамику очереди.

3.2 Определение показателей эффективности системы массового обслуживания

1. Определим коэффициент загрузки:

, (3.57)

где интенсивность входного потока;

Для того чтобы не образовывалась бесконечная очередь, необходимо что бы :

2. Вероятность того, что все обслуживающие системы свободны:

; (3.58)

3. Вероятность того, что все обслуживающие устройства заняты:

; (3.59)

4. Среднее число устройств, свободных от обслуживания:

; (3.60)

5. Коэффициент простоя обслуживающих устройств:

; (3.61)

6. Среднее число устройств, занятых обслуживанием:

; (3.62)

7. Коэффициент загрузки системы:

; (3.63)

8. Средняя длина очереди:

; (3.64)

9. Среднее время ожидания требований в очереди:

. (3.65)

Определим коэффициент загрузки системы при минимальном числе клиентов в месяц (465),при максимальном (729) клиентов, и при среднем (613).

Для минимального входного потока:

; (3.66)

Для среднего входного потока:

; (3.67)

Для максимального входного потока:

. (3.68)

Так как n = 3, а показатель во всех трех случаях швеи простаивают, перегрузки оборудования нет, следовательно, показатели эффективности для системы обслуживания следует определять по всем видам потоков клиентов.

Таблица 3: Показатели эффективности для минимального потока

P0	-0,9741439
P3	0,00283052
N0	-3,182212
Kn	-1,0607373
N3	6,18221198
K3	2,06073733
L	1,1102E-06
t ожид ср (мин)	0,000006

Таблица 4: Показатели эффективности для среднего потока

P0	-0,9656889
P3	0,0072449
N0	-3,2401476
Kn	-1,0800492
N3	6,24014764
K3	2,08004921
L	6,7129E-06
t ожид ср (мин)	3,3564E-05

Таблица 5: Показатели эффективности для максимального потока

P0	-0,9589527
P3	0,01338306
N0	-3,2848956
Kn	-1,0949652
N3	6,28489558
K3	2,09496519
L	2,13E-05
t ожид ср (мин)	0,0001065

При расчетах загрузки системы массового обслуживания учитывался десятичасовой режим работы Ателье «Вита», цикличность работы за месяц и сезонность.

По полученным показателям видно, что наличие тех швей в Ателье «Вита» совершенно не обязательно, так как среднее время ожидание очень мало даже при максимальном потоке клиентов.

Глава 4. Система имитационного моделирования GPSS

4.1 Общие описание программы GPSS

GPSS - это интегрирующая языковая система, применяется в качестве имитации пространственного временного движения объектов, различной природы. Наиболее часто эта система используется для описания СМО конечных вероятностных автоматов, агрегатных систем. В системе присутствуют основные блоки для создания объектов и операций над ними. К основным событиям происходящим в них относят:

1. Создание или уничтожение событий (транзактов)

2. Изменение числового атрибута объекта

3. Задержка сообщения на определенный период времени

4. Изменение маршрута транзакта

Для изменения движения и блокировки событий используют логические ключи. Для описания событий в GPSS используют арифметически и булевы переменные.

Арифметические переменные используются для вычисления выражений состоящих из стандартных числовых атрибутов (СЧА).

Булевы переменные позволяют проверять в одном блоке несколько условий исходя из состояния объектов и их атрибутов.

Выражения, используемые в арифметических и булевых переменных, строятся из математических операторов, СЧА и констант.

Вычисление выражений производится в формате с плавающей точкой. Полученные значения округляются и хранится как целые числа. Так же в GPSS используются функции позволяющие производить вычисления непрерывных или дискретных функциональных зависимостей. Все функции задаются табличными способами. В GPSS организованы часы, хранящие значения текущего момента в модели. Все отрезки времени в моделируемой системе измеряются целыми числами. Текущее значение часов изменяется на время наступления ближайшего события. Единицей времени в модели может использоваться любая единица, позволяющая получить требуемую точность моделирования.

Основные версии GPSS:

· GPSS I (1961);

· GPSS II (1962);

· GPSS III (1965);

· GPSS/360 (1967);

· GPSS V (1975);

· GPSS/H (1978);

· GPSS/PC (1984);

· Micro-GPSS (1) (1990);

· GRAMOS-GPSS (1993);

· GPSS World (1993);

· Micro-GPSS (2) (1996).

Система GPSS изучается во многих учебных заведениях в России и за рубежом[источник не указан 575 дней]. Широко используется для решения практических задач. Динамическим элементом модели является транзакт -- абстрактный объект, который перемещается между статическими элементами, воспроизводя различные события реального моделируемого объекта. В процессе работы модели накапливается статистика, автоматически выводимая по завершении процесса моделирования. Статические элементы модели: источники транзактов, устройства, очереди и другие. Их расположение в модели определяется блоками. Недостатки языка:

В программе на языке GPSS достаточно сложно представить непосредственно процессы обработки данных на уровне алгоритмов. Кроме того, модель представляет собой программу, а значит не имеет графической интерпретации, что затрудняет процесс разработки модели и снижает наглядность модели в целом[6].

4.2 Исследование системы с помощью системы имитационного моделирование GPSS

Опишем поведение СМО ателье по пошиву и реставрации одежды, рассмотрев порядок фаз, в которых клиент оказывается при движении в системе: клиент приходит в ателье «Вита»; если необходимо, клиент ждет своей очереди; клиент проходит к закройщику по работе с клиентами; закройщик обслуживает клиента ; клиент уходит от закройщика.

Исследуем поведение системы в течение 10 часов.

Модель должна обеспечить сбор статистических данных об очереди клиентов. На основе модельных экспериментов необходимо определить вероятность того, что клиенту придется ожидать в очереди. Рассмотрим работу одного менеджера по работе с корпоративными клиентами.[7]

Проведем моделирование на основе следующих данных:

1. Интервал времени между приходом клиентов является случайной величиной, равномерно распределенной в пределах от 5 до 15 минут

2. Продолжительность обслуживания одного клиента также является случайной величиной, равномерно распределенной в пределах от 10 до 20 минут

3. Обслуживание осуществляется в порядке общей очереди.
В модели будут присутствовать транзакты двух типов:

· клиенты

· таймер-сегмент, так как моделирование необходимо осуществить на протяжении заданного промежутка времени

4. Канал обслуживания - 1. Представим его устройством с именем PRIEM.

5. Необходимо обеспечить сбор статистических данных об очереди клиентов к менеджеру по работе с корпоративными клиентами, следовательно, необходимо ввести регистратор очереди QPRIEM.

GENERATE 15,5 ;КЛИЕНТ ПРИХОДИТ В АТЕЛЬЕ

QUEUE QPRIEM,1 ;КЛИЕНТ ПРИСОЕДИНЯЕТСЯ К ОЧЕРЕДИ

SEIZE PRIEM ;КЛИЕНТ ПОДХОДИТ К ЗАКРОЙЩИКУ

DEPART QPRIEM,1 ;КЛИЕНТ ПОКИДАЕТ ОЧЕРЕДЬ

ADVANCE 10,5 ;ЗАКРОЙЩИК ОФОРМЛЯЕТ ЗАКАЗ

RELEASE PRIEM ;КЛИЕНТ ПОКИДАЕТ ЗАКРОЙЩИКА

TERMINATE ;КЛИЕНТ ПОКИДАЕТ АТЕЛЬЕ

*таймер-сегмент

GENERATE 600 ;ВРЕМЯ МОДЕЛИРОВАНИЯ 10 ЧАС=600 МИН

TERMINATE 1 ;ЗАВЕРШЕНИЕ МОДЕЛИРОВАНИЯ

START 1

Окно REPORT c результатами моделирования

GPSS World Simulation Report - Untitled Model 1.1.1

Friday, November 01, 2013 14:04:36

START TIME END TIME BLOCKS FACILITIES STORAGES

0.000 720.000 9 1 0

NAME VALUE

PRIEM 10001.000

QPRIEM 10000.000

LABEL LOC BLOCK TYPE ENTRY COUNT CURRENT COUNT RETRY

1 GENERATE 41 0 0

2 QUEUE 41 0 0

3 SEIZE 41 0 0

4 DEPART 41 0 0

5 ADVANCE 41 1 0

6 RELEASE 40 0 0

7 TERMINATE 40 0 0

8 GENERATE 1 0 0

9 TERMINATE 1 0 0

FACILITY ENTRIES UTIL. AVE. TIME AVAIL. OWNER PEND INTER RETRY DELAY

PRIEM 41 0.637 9.317 1 42 0 0 0 0

QUEUE MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY

QPRIEM 1 0 41 36 0.017 0.243 1.993 0

В верхней строке окна указывается:

START TIME (начальное время) 0,000

END TIME (время окончания) 600,000

BLOCKS (число блоков) 9

FACILITIES (число каналов обслуживания) 1

STORAGES (число накопителей) 0

Ниже перечисляются блоки модели и количество входов в них требований (клиентов). При этом каждый блок имеет свой числовой номер.

Далее указываются результаты моделирования каналов обслуживания под определенным пользователем именами PRIEM.

FACILITY ENTRIES UTIL. AVE. TIME AVAIL. OWNER PEND INTER RETRY DELAY

PRIEM 41 0.637 9.317 1 42 0 0 0 0

ENTRIES - число входов

UTIL. - коэффициент использования

AVE. TIME - среднее время обслуживания

AVAIL. - доступность (состояние магазина)

OWNER - возможное число входов (номер последнего транзакта занявшего устройство)

PEND - количество прерванных в устройстве транзактов

INTER - количество прерывающих устройство транзактов

RETRY - количество транзактов, ожидающих специальных условий (повтор)

DELAY - отказано

Далее указываются результаты моделирования каждой очереди под определенными пользователем именами QPRIEM.

QUEUE MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME AVE.(-0) RETRY

QPRIEM 1 0 41 36 0.017 0.243 1.993 0

MAX - максимальная длина очереди

CONT. - текущая длина очереди

ENTRY - число входов

ENTRY (0) - число нулевых входов

AVE. CONT. - средняя длина очереди

AVE.TIME - среднее время пребывания транзактов в очереди

AVE. (-0) - среднее время пребывания транзактов в очереди без учета нулевых входов

RETRY - количество транзактов, ожидающих специальных условий (повтор).

Анализ и интерпретация экспериментальных данных. Проанализируем статистику очереди QPRIEM: из общего числа входов транзактов в очередь, равного 41, количество нулевых входов равно 41, таким образом, ни один из клиентов не был вынужден дожидаться в очереди.

Проанализируем статистику использования обслуживающего устройства PRIEM: коэффициент использования устройства равен 0,637. Это означает, что фармацевт по работе с клиентами занят обслуживанием чуть более половины рабочего времени, что в конце рабочего дня остаются не обслуженные клиенты, работает с перегрузки и не справляется с потоком требований.

В целом результаты моделирования показывают, что при заданной интенсивности потока и продолжительности обслуживания рассматриваемая система массового обслуживания работает, не стабильно и требует введение дополнительных единиц в штатное расписание магазина, менеджеров по работе с корпоративными клиентами, для уменьшения очереди клиентов.

Изменение числа клиентов в очереди к закройщику по работе с клиентами представлены на графике, полученном с помощью GPSS WORLD:

Рисунок 9-Число клиентов в очереди к закройщику

В результате моделирования показывает, что при заданной интенсивности потока и продолжительности обслуживания рассматриваемая система массового обслуживания работает стабильно и не требует корректировки значений ее параметров.

имитационный моделирование массовый обслуживание

Заключение

В ходе курсового проекта были выполнены следующие задачи:

Были описаны необходимые функции, которыми должна обладать система. Из них были реализованы наиболее актуальные и важные функции:

Исследование заданной системы с помощью моделирования динамических рядов, исследование системы с помощью модели типа "Система массового обслуживания", обобщенное содержательное описание системы, система имитационного моделирования GPSS, исследование системы с помощью системы имитационного моделирования GPSS.

Описали трендовую компоненту с наилучшим коэффициентом R2, Коэффициент детерминации для гиперболической модели показывает, что 29% изменения количества посетителей (U) объясняется зависимостью от времени (t), а оставшиеся 71% - влиянием всех неучтенных факторов. При изменении времени на 1 месяц количество клиентов в среднем увеличится на 6,812.

Определяли сезонную составляющую с помощью сезонных волн и гармонического ряда, о наличии пиков. Определяли гармонический анализ и выбрали нужную нам модель.

Разбирали основные понятия и принципы системы массового обслуживания на примере системы Ателье «Вита». Рассчитали и рассмотрели показатель эффективности системы массового обслуживания. При расчетах загрузки системы массового обслуживания учитывался десяти часовая работа Ателье «Вита», цикличность работы за месяц и сезонность.

Разобрали общие описание программы GPSS,принцип работы и применение программы GPSS.

Итак, в данной курсовой работе исследовано имитационное моделирование Ателье «Вита», все необходимые расчеты выполнены, выводы сделаны.

Список используемых источников

1. ГОСТ 2.105-95 «Единая система конструкторской документации. Общие требование к текстовым документам»

2. Беленькая М.Н., Малиновский С.Т., Яковенко Н.В. Администрирование в информационных системах. Учебное пособие для вузов. - М.: Горячая линия - Телеком, 2011. - 400 с., ил.

3. Гвоздева В.А., Лаврентьева И.Ю. Основы построения автоматизированных информационных систем: учебник. - М.: ИД «ФОРУМ»: ИНФРА-М, 2007. - 300 с.: ил.- (Профессиональное образование).

4. Гагарина Л.Г., Киселев Д.В., Федотова Е.Л. Разработка и эксплуатация автоматизированных информационных систем: учеб. пособие / Под ред. проф. Л.Г. Гагариной. - М.: ИД «ФОРУМ»: ИНФРА-М, 2007. - 384 с.: ил. - (Профессиональное образование).

5.Разработка и эксплуатация информационных систем- http://userdocs.ru/95456/index.html

6.Управление персоналом: Учебник для вузов / Под ред. Т.Ю.Базарова, Б.Л.Еремина. - 2-е изд., перераб. и доп.- М.: ЮНИТИ, 2001

7. Форум информационных технологий - http://www.citforum. ru/-

8. Эксплуатация информационных систем - http://do.gendocs.ru/docs/index-7436.html

9. Эксплуатация систем по научным проектам - http://www.inr.ac.ru/~info21/

Размещено на Allbest.ru