К. И. Сатпаева Кафедра «Логистика и оценка» Н. М. Кулжабай, Р. Т. Исмаилова, А. Ш. Оразымбетова Игровое имитационное моделирование логистических систем Методические указания


Рисунок 4.3 – Результаты моделирования многоканальной СМО с ограниченной длиной очереди



бет15/22
Дата13.01.2024
өлшемі0.75 Mb.
#488996
түріМетодические указания
1   ...   11   12   13   14   15   16   17   18   ...   22
2014 Мет.указ.практ. раб ИИМЛС рус

Рисунок 4.3 – Результаты моделирования многоканальной СМО с ограниченной длиной очереди


В этой ситуации из 62 появившихся заявок только одна покинула систему из-за занятости обоих касс и заполнения очереди. 2 пассажира в конце моделирования обслуживаются в кассах.




Контрольные вопросы:


1 Использование многоканального устройства типа STORAGE для моделирования однотипных обслуживающих приборов.
2 Назначение и использование блока TEST.
Практическая работа № 5. Моделирование СМО с неравномерными потоками появления и обслуживания заявок


Цель работы: изучение средств GPSS World для построения имитационных моделей систем с различными неравномерными потоками появления и обслуживания заявок. Исследование моделей на ЭВМ, обработка результатов моделирования[10]..

Методические рекомендации:


Описание функции
Функция описывается строкой определения, после которой следует необходимое количество строк с парами чисел, разделенных запятой: аргумент функции Xi и соответствующее ему значение функции Yi. Пары между собой разделены символом косой черты «/». Значения Xi должны следовать в возрастающем порядке.
ИФ FUNCTION A,B – строка определения функции,
ИФ – имя функции (может быть символьным или числовым);
A – аргумент функции (СЧА, их комбинации, другие функции);
B – тип функции и число пар координат (непрерывная функция обозначается буквой С, дискретная – буквой D).
Если имя функции символьное, то ссылка на нее – FN$<ИФ>, если числовое – FNj, где j – имя функции.
Пример 5.1. Рассмотрим ситуацию с обслуживанием клиентов в кассе с двумя кассирами. Статистическая информация о времени прихода клиентов в кассу и времени их обслуживания представлена в таблицах 5.1 и 5.2. Величины интервалов могут быть не равны между собой. Допустим, что значение времени прихода и обслуживания для каждого интервала будет дискретным и равным среднему значению из попавших в этот интервал. График распределения накопленной вероятности времени обслуживания приведен на рисунке 5.1.

Таблица 5.1 – Распределение времени между появлениями двух клиентов



Время между появлениями клиентов, мин.

Среднее время между появлениями клиентов, мин.

Вероятность

Накопленная вероятность

0…5

4

0.40

0.40

5…15

10

0.20

0.60

15…25

20

0.15

0.75

25…35

30

0.15

0.90

35…45

40

0.10

1

Таблица 5.2 – Распределение времени обслуживания клиента



Время обслуживания
клиента, мин.

Среднее время обслуживания клиента, мин.

Вероятность

Накопленная вероятность

0…10

5

0.35

0.35

10…20

15

0.15

0.50

20…30

25

0.20

0.70

30…40

35

0.15

0.85

40…60

47

0.15

1




Рисунок 5.1 – Функция накопленной вероятности времени обслуживания

Ниже представлена модель соответствующей многоканальной СМО, а на рисунке 5.2 – результаты ее работы при моделировании восьмичасового рабочего дня. В этой модели дискретная функция KLIENT описывает распределение времени между появлениями двух клиентов, а дискретная функция OBSL – распределение времени обслуживания клиента.


Здесь в качестве аргумента функции используются генераторы случайных чисел с именами RN1 и RN2, которые выдают равномерно распределенные числа в диапазоне между 0 и 0,999999. В предшествующих версиях GPSS число генераторов было ограничено 8, теперь их число значительно больше.

10 KLIENT FUNCTION RN1,D5


.40,4/.60,10/.75,20/.90,30/1,40
20 OBSL FUNCTION RN2,D5
.35,5/.50,15/.70,25/.85,35/1,47
30 KASY STORAGE 2
100 GENERATE FN$KLIENT
102 QUEUE QKASY
105 ENTER KASY
110 DEPART QKASY
120 ADVANCE FN$OBSL
125 LEAVE KASY
140 TERMINATE



Рисунок 5.2 – Результаты моделирования СМО с неравномерными дискретными потоками
При использовании дискретных функций распределения их значения остаются постоянными для попаданий случайного значения аргумента в соответствующий интервал. Например, время между появлениями клиентов (функция KLIENT) будет равно 10 минутам при значении случайного числа равного 0,41 и 0,52, а также 0,6. Если же генератор RN1 выдаст значение аргумента, равное 0,4, то значение времени между появлениями клиентов будет равно 4 минуты. Здесь аппроксимация между двумя значениями функции выполняется горизонтальной линией – график имеет "ступенчатый" вид (см. рис. 5.1).
Для описания реальных ситуаций такое решение мало пригодно. Целесообразно представить функции распределения принимающими любые значения с точностью до единицы модельного времени (в рассматриваемом примере 1 мин). В GPSS это реализуется при помощи непрерывных функций. В них применяется кусочно-линейная аппроксимация. При попадании значения аргумента в интервал значение функции вычисляется по наклонному отрезку, аппроксимирующему функцию на данном интервале. На рисунке 5.3 приведен график такой аппроксимации для времени обслуживания клиентов (сравните с рисунком 5.1). Здесь конец каждого интервала вплотную подходит к началу следующего. Кроме того, необходимо учесть левую границу (начало) первого интервала (в нашем случае 0).



Рисунок 5.3 – Кусочно-линейная аппроксимация функции накопленной вероятности

Описание функций в модели будет выглядеть следующим образом:


10 KLIENT FUNCTION RN1,C6
.0,0/.40,5/.60,15/.75,25/.90,35/1,45
20 OBSL FUNCTION RN2,C6
.0,0/.35,10/.50,20/.70,30/.85,40/1,60

В отличие от использования дискретных функций, число пар координат увеличено на единицу для учета левой границы первого интервала (значение функции совсем не обязательно должно быть равно 0). Результаты моделирования рассмотренной СМО с использованием непрерывных функций представлены на рисунке 5.4.





Рисунок 5..4 – Результаты моделирования СМО с неравномерными непрерывными потоками


Достарыңызбен бөлісу:
1   ...   11   12   13   14   15   16   17   18   ...   22




©dereksiz.org 2024
әкімшілігінің қараңыз

    Басты бет