4. МАРКОВСКИЕ СИСТЕМЫ ОБСЛУЖИВАНИЯ 4.1. Цепи Маркова Пусть T – подмножество множества [0; ) неотрицательных вещественных чисел и пусть X – конечное или счетное множество. Определение 1. Случайный процесс {(t ), t T} , принимающий значения из множества X , называется цепью Маркова (ЦМ), если для любого натурального n 1, 2, ... , любых вещественных t 0 , t1 , ..., t n T , таких что t 0 t 1 ... t n и любых x0 , x1 , ..., xn X имеет место равенство P{(t n ) x n (t 0 ) x0 , ..., (t n1 ) x n1} P{(t n ) x n (t n1 ) x n1}. (4.1) В дальнейшем элементы множества X будем называть состояниями процесса (t ) . Очевидно, свойство (4.1) означает, что при установленном состоянии x n 1 процесса (t ) в момент времени t n 1 его дальнейшее поведение не зависит от того, каким образом процесс оказался в этом состоянии (будущее при известном настоящем не зависит от прошлого). Отметим, что цепи Маркова представляют собой частный случай так называемых марковских процессов. Процесс ξ (t ) (в общем случае многомерный) с множеством состояний E , где t T , называется марковским, если для любого целого n 1, любых состояний x1 , ..., x n , x E , всех t1 , ..., t n , t , таких что t1 ... t n t , любого множества состояний A E и любого 0 справедливо равенство P{ξ(t ) A ξ(t1 ) x1 , ..., ξ(t n ) x n , ξ(t ) x} P{ξ(t ) A ξ(t ) x} . Ясно, таким образом, что ЦМ – это марковский процесс, множество состояний которого конечно или счетно. Понятно также, что можно анализировать многомерные ЦМ. Далее для простоты изложения мы будем говорить об одномерных ЦМ, соответствующие обобщения являются очевидными с точки зрения теории. В дальнейшем будем считать, что X {i}, i 0, 1, ... (например, все состояния X процесса (t ) перенумерованы). Типичным примером такого процесса является процесс (t ) , где (t ) – число требований, находящихся в системе в момент времени t. 35 Цепь Маркова называется однородной, если условная вероятность P{(t t 0 ) j (t 0 ) i} , где t 0 , t 0 , при известных состояниях i, j X не зависит от t 0 , а зависит только от t. В частности, для однородной ЦМ имеет место соотношение P{(t t0 ) j (t0 ) i} P{(t ) j 0 i} , где 0 (0) . В дальнейшем мы будем анализировать только однородные ЦМ. Несколько более общим является понятие однородного марковского процесса: марковский процесс ξ (t ) называется однородным, если функция P{ξ(t ) A ξ(t ) x} не зависит от t, а зависит только от , х и А. ЦМ, для которой T {0, 1, 2, ...} называется ЦМ с дискретным временем; ЦМ, для которой T {t : t [0; )} , называется ЦМ с непрерывным временем. Введем обозначения Pi j (t ) P{(t ) j 0 i} , Pj (t ) P{(t ) j} , где t 0 ; i, j X . Функции Pi j (t ) называются вероятностями перехода из состояния i в состояние j за время t. Функции Pj (t ) представляют собой безусловные вероятности того, что в момент времени t процесс находится в состоянии j. В случае ЦМ с дискретным временем примем обозначения Pi (jn ) Pi j (n) , n 1, 2, ... . Величины Pi (nj ) называются вероятностями переходов из состояния i в состояние j за n шагов. Вероятность перехода из состояния i в состояние j за один шаг pi j Pi (j1) будем называть просто вероятностью перехода из состояния i в состояние j. Набор вероятностей {Pj (0), j X} , где Pj (0) 1 , называется jX начальным распределением ЦМ. Определение 2. Цепь Маркова называется эргодичной, если при t для всех ее состояний j X существуют пределы Pj (t ) j , j 1. jX Если для всех j X имеем j 0 , то эргодичная ЦМ называется строго эргодичной. Набор чисел { j , j X } называется эргодическим распределением ЦМ, вероятности j называются конечными (финальными) вероятностями ЦМ. 36 Определение 3. Вероятностное распределение { p j , j X} , где p j 0, p j 1, называется стационарным распределением цепи МарjX кова, если для любого состояния j X и любого t 0 выполняется равенство p j pi Pi j (t ) . iX Если в произвольный момент времени ЦМ характеризуется стационарным распределением, то это означает, что безусловные вероятности ее состояний не зависят от времени; такая ЦМ называется стационарной. В частности, отсюда следует, что для любой стационарной ЦМ начальное распределение {Pj (0)} является стационарным (т.е. Pj (0) p j для любого j X ), поскольку оно удовлетворяет уравнениям, записанным в определении 3. Эргодическое распределение ЦМ (если оно существует), очевидно, является стационарным, следовательно, его финальные вероятности также определяются системой уравнений, представленных в определении 3. Это означает, что если ЦМ (t ) с начальным распределением {Pj (0), j X} и переходными вероятностями Pi j (t ) , i X , эргодична и характеризуется финальными вероятностями j , j X , то существует стационарная ЦМ 1 (t ) с такими же переходными вероятностями и начальным распределением Pj1 (0) j . В некотором смысле, таким образом, поведение эргодичной ЦМ с переходными вероятностями Pi j (t ) , независимо от ее начального распределения, с течением времени все менее отличается от поведения стационарной ЦМ 1 (t ) . Говорят, что в этом случае существует единственное стационарное распределение цепи (t ) , совпадающее с ее эргодическим распределением. Определение 4. Цепь Маркова называется неприводимой, если для любых двух ее состояний i, j X существует такое конечное число t i j (0 t i j ) , что Pi j (t i j ) 0 . Неприводимость ЦМ означает практическую возможность перехода в течение конечного времени из произвольного состояния i X в произвольное состояние j X (вероятность такого перехода отлична от нуля). 37 Ниже рассматриваются различные частные случаи ЦМ. 1. Цепь Маркова с дискретным временем и конечным множеством состояний X {0, 1, ..., r 1}. Для ЦМ с дискретным временем и конечным множеством состояний имеют место следующие утверждения. Теорема 1. (Эргодическая теорема Маркова – Бернштейна.) Если существуют такое состояние j X и такое натуральное число k 1, что для произвольного состояния i X выполнено неравенство Pi (jk ) 0 , то цепь Маркова является эргодичной, существует единственное стационарное распределение этой цепи, совпадающее с ее эргодическим распределением. Наоборот, если цепь Маркова эргодична, то существует такое состояние j X , что для произвольного состояния i X при достаточно больших k 1 выполняется неравенство Pi (jk ) 0 . Теорема 2. Если существует целое число k 1, такое что min Pi (jk ) 0 , то цепь Маркова является строго эргодичной. Наоборот, i , jX если цепь Маркова строго эргодична, то существует такое целое число k 1, что min Pi (jk ) 0 . i , jX 2. Цепь Маркова с дискретным временем и конечным или счетным множеством состояний X {0, 1, ...}. Определение 5. Неприводимая цепь Маркова с дискретным временем называется непериодической, если для некоторого из ее состояний i X (а вследствие неприводимости и для всех ее состояний) имеет место следующее свойство: наибольший общий делитель всех n, таких что Pi (in ) 0 , равен 1. Теорема 3. (Эргодическая теорема Феллера.) Неприводимая непериодическая цепь Маркова с дискретным временем относится к одному из следующих двух классов: a) или все состояния цепи невозвратные (нулевые), т. е. для произвольной пары состояний i, j X имеем Pi (jn) 0 при n , и в таком случае не существует стационарного распределения цепи; 38 б) или все состояния цепи положительные (эргодические), т. е. при n имеем Pi (jn ) p j 0 . В таком случае { p j } является стационарным распределением цепи и не существует других ее стационарных распределений. В частности, для произвольного начального распределения цепи {Pj (0)} существует предел lim Pi (0) Pi (jn) , равный нулю в случае a и n iX равный p j в случае б. Можно показать, что из теоремы 3 следует теорема 4. Теорема 4. (Эргодическая теорема Фостера.) Необходимым и достаточным условием наличия у непериодической цепи Маркова стационарного распределения { p j } , такого, что p j 0 для произвольного состояния j X (т. е. условием строгой эргодичности цепи), является существование ограниченного ненулевого решения {x i , i X} системы уравнений x j xi p i j , j X iX (т. е. такого решения, что xi ). В этом случае существует iX единственное стационарное распределение цепи, с точностью до нормирующего множителя совпадающее с решением {x i , i X} , которое совпадает также с ее эргодическим распределением. Последнее предложение теоремы 4 означает, что стационарным распределением цепи является такое ограниченное ненулевое решение {xi } указанной системы уравнений, для которого выполняется условие нормировки xi 1 . iX 3. Цепь Маркова с непрерывным временем. ЦМ с непрерывным временем называется стохастически непрерывной, если для произвольных состояний i, j X имеем lim Pi j (t ) Pi j (0) i, j , где i, j – симt 0 вол Кронекера, определяемый следующим образом: 1, если i j; i, j 0, если i j. 39 Можно доказать, что для стохастически непрерывной ЦМ существуют пределы 1 Pi i (t ) Pi j (t ) (4.2) i lim ; i j lim , i j, t 0 t 0 t t где 0 i , 0 i j . Число i называется интенсивностью выхода из состояния i, а i j – интенсивностью перехода из состояния i в состояние j. Если i , состояние i называется мгновенным, в противном случае ( i , т. е. i является конечным числом) состояние i называется немгновенным (или задерживающим). Немгновенное состояние i X называется поглощающим, если i 0 . Можно доказать, что всегда выполняется неравенство i i j . j i Немгновенное состояние i называется консервативным, если выполняется равенство i i j . Если для состояния i справедливо j i строгое неравенство i i j , состояние i называется неконсерваj i тивным. Если все состояния цепи консервативны, то ЦМ называется консервативной. Если все состояния ЦМ немгновенны, то из соотношения (4.2) следует (4.3) Pi j (t ) i j t o(t ) ; i, j X; i j ; Pii (t ) 1 i t o(t ) , i X . (4.4) Если множество состояний X конечно, легко доказать, что все состояния цепи немгновенны и консервативны, следовательно, в этом случае ЦМ является консервативной. Пусть X {0, 1, ..., r 1} – конечное множество, t – малое положительное число. Из формулы полной вероятности следует, что Pi j (t t ) Pi k (t ) Pk j (t ) . kX Используя соотношения (4.3) и (4.4), находим Pi j (t t ) Pi j (t ) [1 j t o(t )] Pi k (t ) [ k j t o(t )] , k j откуда следует, что 40 (4.5) Pi j (t t ) Pi j (t ) (4.6) j Pi j (t ) k j Pi k (t ) o(1) . t k j Из соотношения (4.5) следует, что функция Pi j (t ) непрерывна по t. Из существования предела при t 0 правой части равенства (4.6) следует существование аналогичного предела левой части, т.е. существует производная Pij (t ) . Поэтому из равенства (4.6) получаем следующую систему дифференциальных уравнений: (4.7) Pij (t ) j Pi j (t ) k j Pi k (t ) ; i, j X k j с начальными условиями Pi j (0) i , j . Система (4.7) называется системой прямых уравнений Колмогорова. Снова воспользуемся формулой полной вероятности. Pj (t t ) Pk (t ) Pk j (t ) kX Pj (t ) [1 j t o(t )] Pk (t ) [ k j t o(t )] , k j откуда аналогичным образом получаем систему уравнений Колмогорова для безусловных вероятностей: Pj (t ) j Pj (t ) k j Pk (t ) , j X , (4.8) k j с начальными условиями Pj (0) p (j0) , где { p (j0) , j X} – начальное распределение анализируемой цепи. Заметим, что соотношение (4.8) следует также из формулы (4.7), если обе ее части умножить на Pj (0) и просуммировать по всем i X . Приведенные рассуждения справедливы для случая конечного множества X , однако они будут не всегда справедливы в том случае, если множество X счетно, поскольку в этом случае бесконечная сумма величин o(t ) не всегда равна o(t ) . Поэтому в случае счетного множества состояний X уравнения Колмогорова имеют место при выполнении некоторых дополнительных условий. Оказывается, что в случае когда множество X счетно для справедливости прямых уравнений (4.7) и уравнений для безусловных вероятностей (4.8) достаточно, чтобы ЦМ была стохастически непрерывной консервативной и, кроме того, чтобы сумма k Pi k (t ) была конечна для каждого состояния i X и каждого kX t 0. 41 Определение 6. Цепь Маркова называется регулярной, если число изменения ее состояний на любом конечном промежутке времени конечно с вероятностью 1 независимо от начального состояния цепи. Можно показать, что достаточным условием регулярности ЦМ является ограниченность интенсивностей выхода i , т. е. существование такого числа C 0 , что i C для всех i X . Оказывается, что справедливость прямых уравнений (4.7) и уравнений для безусловных вероятностей (4.8) для стохастически непрерывной ЦМ следует также из ее регулярности. Определение 7. Состояние j стохастически непрерывной цепи Маркова называется достижимым из состояния i, если или i j , или i j 0 , или существует такая последовательность состояний i1 , ..., in X , что ii1 i1i2 ... in j 0 . Для ЦМ с непрерывным временем справедливо следующее утверждение. Теорема 5. (Эргодическая теорема Фостера.) Консервативная цепь Маркова с непрерывным временем и счетным множеством состояний эргодична, если она неприводима и система уравнений i j x j xi ; j X, i 0 , iX i имеет нетривиальное решение {x i , i X} , такое что xi . В этом iX случае существует стационарное распределение цепи, с точностью до нормирующего множителя совпадающее с решением {x i , i X} , которое совпадает также с ее эргодическим распределением. Поскольку стационарные вероятности не зависят от времени и являются постоянными величинами, то при t производные Pij (t ) и Pj (t ) стремятся к нулю, поэтому уравнения (4.7) и (4.8) принимают вид j p j k j p k 0, j X , или k j j p j k j pk , j X . k j 42 (4.9) Уравнения (4.9) называются уравнениями равновесия. Они имеют следующий вероятностный смысл. Назовем произведение j p j интенсивности выхода из состояния j и вероятности этого состояния потоком вероятности из состояния j. Произведение kj p k назовем потоком вероятности из состояния k в состояние j. Тогда из формулы (4.9) следует, что в стационарном режиме поток вероятности из произвольного состояния уравновешивается суммой потоков вероятности из всех других состояний в данное состояние. Например, для ЦМ с тремя состояниями (рис. 2) получаем следующие уравнения равновесия: ( 0 2 ) p 0 0 p1 2 p 2 , (1 0 ) p1 0 p 0 1 p 2 , ( 2 1 ) p 2 2 p 0 1 p1 . Представлением ЦМ в виде ориентированного графа можно воспользоваться также для быстрого выписывания прямых уравнений Колмогорова и уравнений для безусловных вероятностей. 2 0 0 2 2 1 2 1 1 Рис. 2. Цепь Маркова, представленная в виде ориентированного графа 4.2. Процессы рождения и гибели Процессы рождения и гибели играют важную роль в теории массового обслуживания. Например, траектория процесса (t ) (число требований, находящихся в системе в момент времени t) возрастает на единицу в момент поступления требования (в случае ординарного входного потока) и уменьшается на единицу в момент окончания обслуживания требования. Если процесс (t ) является при этом ЦМ с непрерывным временем и счетным множеством состояний, то он представляет собой так называемый процесс рождения и гибели. 43 Процессом рождения и гибели называется однородная ЦМ (t ) с непрерывным временем и счетным множеством состояний X {0, 1, ...}, для которой из состояния n (n 1) возможен непосредственный переход только в состояния n 1 и n 1, а из состояния 0 только в состояние 1. Состояние такого процесса может быть интерпретировано как число особей в некоторой популяции, переход n n 1 как рождение особи в популяции из n особей, переход n n 1 как гибель особи в популяции, состоящей из n особей. При этом не исключается возможность самозарождения (переход 0 1 ). Предположим, что анализируемый процесс рождения и гибели стохастически непрерывен, а все состояния ЦМ консервативны. С целью упрощения записи примем обозначения n n1 n , n n1 n . Тогда соотношения (4.3) и (4.4) принимают вид (4.10) Pn n1 (t ) n t o(t ) , n 0, 1, ...; (4.11) Pn n1 (t ) n t o(t ) , n 1, 2, ...; (4.12) Pn n (t ) 1 ( n n )t o(t ) , n 0, 1, ..., 0 0 . Будем считать, что 0 0 . В соотношениях (4.10)–(4.12) n t есть с точностью до o(t ) вероятность рождения новой особи в популяции из n особей за время t , а n t есть с точностью до o(t ) вероятность гибели особи в такой популяции за время t . Наглядно анализируемый процесс представляется в виде ориентированного графа (рис. 3). 1 0 0 2 1 1 n n1 n 1 ... 2 n 1 n n ... n1 Рис. 3. Граф состояний процесса рождения и гибели Из общих условий выполнения прямых уравнений Колмогорова для консервативной ЦМ следует, что в случае процесса рождения и гибели должно выполняться неравенство Pik (t )( k k ) для каждого соkX 44 стояния i X . Можно доказать, что для процесса рождения и гибели выполнение прямых уравнений Колмогорова следует также из равенства Pkj (t ) o(t ) , имеющего место для всех таких k , j, что k j 2 . При выполнении указанных условий уравнения Колмогорова (4.7) для процесса рождения и гибели принимают вид Pij (t ) j 1 Pi j 1 (t ) ( j j ) Pi j (t ) j 1 Pi j 1 (t ) , где i, j 0, 1, ...; 0 0 , 1 0 . Уравнения Колмогорова для безусловных вероятностей (4.8) выполняются при тех же условиях и принимают вид Pj (t ) j 1 Pj 1 (t ) ( j j ) Pj (t ) j 1 Pj 1 (t ) . В случае если величины k достаточно быстро возрастают с увеличением k, процесс за конечное время с положительной вероятностью может выйти из фазового пространства X {0, 1, ...} и перейти в «бесконечно удаленную точку» (это означает, что особей в популяции будет бесконечно много). Иначе говоря, для конечных t в этом случае имеем P{(t ) } 0 , а это означает, что равенство Pk (t ) 1 (4.13) k 0 не выполняется. Оказывается, что для выполнения равенства (4.13) достаточно, чтоk бы расходился ряд i , т. е. k 1 i 1 i k (4.14) i . k 1 i 1 i Если, наряду с выполнением условия (4.14), выполняется условие k (4.15) i 1 , k 1 i 1 i то процесс (t ) эргодичен, существуют финальные вероятности p k lim Pk (t ) , k 0, 1, ... , и существует единственное стационарное расt пределение этого процесса, совпадающее с его эргодическим распределением. Условия (4.14), (4.15) выполняются, например, если существует состояние N X и такое число ( 0 1), что для всех состояний i N выполняется неравенство 45 i . (4.16) i 1 Система уравнений равновесия в этом случае имеет вид 0 0 p 0 1 p1 ; (4.17) 0 p ( ) p p , j 1 , 2 , ... . j 1 j 1 j j j j 1 j 1 Примем обозначения z k k p k k 1 p k 1 ; k 0, 1, ... . Тогда уравнения равновесия (4.17) представляются в виде z0 0; z j z j 1 0; j 1, 2, ... , откуда следует, что z k 0 для всех k 0, 1, , и, следовательно, p k k 1 p k 1 k 1 k 2 ... 0 p 0 , k k k 1 1 или k (4.18) p k i 1 p 0 . i 1 i Поскольку { p k } является распределением вероятностей, имеем p 0 p1 ... 1 , откуда следует, что 1 k p 0 1 i 1 . k 1 i 1 i 4.3. Общее рассмотрение марковских систем Пусть (t ) – число требований, находящихся в системе в момент времени t (к (t ) относятся требования, ожидающие обслуживания, и обслуживаемые в момент времени t). В том случае, если процесс (t ) является марковским, соответствующая СМО также называется марковской. В частности, марковскими являются все СМО типа M / M / n / m , где 1 n , 0 m . Действительно, в общем случае (например, для СМО GI / G / n / m ) распределение числа требований (t ) после некоторого момента времени (t ) определяется: 1) числом требований, находящихся в системе в момент времени ; 2) моментами поступления требований в систему после момента времени ; 3) моментами окончания обслуживания требований после момента времени . 46 Поскольку входной поток требований в системе M / M / n / m является простейшим (т. е. обладает свойством отсутствия последействия), моменты поступления требований после момента времени не зависят от поведения системы до момента . Аналогично, поскольку время обслуживания требования распределено экспоненциально, то из свойства отсутствия памяти у экспоненциального распределения следует, что моменты окончания обслуживания требований после момента зависят только от числа требований в системе в момент и не зависят от ее поведения до момента . Следовательно, процесс (t ) является марковским с конечным (1 n , 0 m ) или счетным ( n или m ) множеством состояний. Поэтому для нахождения вероятностей Pj (t ) P{(t ) j}, j 0, 1, ..., следует решить систему уравнений Колмогорова для безусловных вероятностей с учетом начальных условий. В случае существования стационарного режима (эргодического распределения) стационарные (финальные) вероятности p j lim Pj (t ) , t j 0, 1, ... , можно определить из уравнений равновесия. В соответствии с тем, что уравнения Колмогорова получаются вероятностным переходом при t 0 , описанный метод называется методом t . Если n или m , то, очевидно, процесс (t ) является процессом рождения и гибели, граф состояний которого представлен на рис. 3, а уравнения равновесия имеют вид (4.17). Если со вторым уравнением при j 1 сложить первое, получим 1 p1 2 p 2 . Затем, если со вторым уравнением при j 2 сложить уравнение, полученное на первом шаге, имеем 2 p 2 3 p 3 . Продолжение этого процесса приводит к системе n 1 p n 1 n p n ; n 1, 2, .... (4.19) Наоборот, из системы (4.19) следует система (4.17). Вероятностный смысл уравнений (4.19) выясняется с помощью следующей геометрической интерпретации. Проведем на графе, представленном на рис. 3, вертикальное сечение между состояниями n 1 и n (пунктирная линия на рис. 4). Тогда поток вероятности через это сечение с левой стороны n1 p n1 в стационарном режиме равен потоку вероятности n p n с правой стороны. В дальнейшем в данном разделе мы будем использовать следующие обозначения: a – параметр (интенсивность) простейшего входного потока требований, – параметр экспоненциального распределения времени обслуживания ( имеет смысл среднего числа требований, обслуживае- 47 мых одним прибором, работающим беспрерывно, в течение единицы времени), a ( n) (в случае n ); в случае n будем применять обозначение y a . n1 … n–1 n … n Рис. 4. Пояснение к выводу уравнений равновесия 4.4. Система M/M/n/m, 1 n < , 0 m < Для СМО M / M / n / m, 1 n , 0 m , множество состояний X конечно. Поэтому в случае a (n) , как следует из теоремы 5, существует единственное стационарное распределение. Граф состояний (граф переходов) показан на рис. 5. a a 0 1 … a n 1 n … nm n m 1 n n Рис. 5. Граф состояний СМО M / M / n / m Уравнения Колмогорова для безусловных вероятностей для данной системы имеют следующий вид: P0 (t ) aP0 (t ) P1 (t ) ; Pk (t ) aPk 1 (t ) (a k) Pk (t ) (k 1)Pk 1 (t ), 0 k n ; Pk (t ) aPk 1 (t ) (a n) Pk (t ) nPk 1 (t ), n k n m ; Pn m (t ) aPn m1 (t ) nPn m (t ) . 48 Из данной системы уравнений при t следуют уравнения для стационарных вероятностей p i lim Pi (t ), i 0, n m , однако решение t стационарной системы уравнений получается проще, если выписать уравнения равновесия, пользуясь соответствующими сечениями на рис. 5. Имеем apk 1 kp k , 1 k n ; apk 1 np k , n k n m , откуда следует, что (n) k a n pk p k 1 p k 1 p0 , 1 k n ; k k k! a n nk k n pk p k 1 p k 1 p n p0 , n k n m . n n! Следовательно, окончательно получаем (n) k p0 , 0 k n ; k! pk n k n p , n k n m. n! 0 Вероятность p 0 найдем из условия нормировки n (n) k (n) n p0 k ! n! k 0 m k 1 nm pk 1 , т. е. k 0 k 1, откуда имеем 1 n (n) k n n n1 (1 m ) p0 . k ! n ! ( 1 ) k 0 Математическое ожидание числа требований, находящихся в системе в стационарном режиме, вычисляется следующим образом: k n n n 1 1 m n (n) m E kp k p 0 n (n m) , 1 k 0 k 1 (k 1) ! n !(1 ) где (t ) при t в смысле сходимости по распределению. В частном случае m 0 (для СМО M / M / n / 0 ) получаем известные формулы Эрланга: nm 49 yk pk k! yk , k 0, n , k 0 k! n где y n a . Эти формулы, как будет показано в разделе 6, имеют место в случае более общей СМО M / G / n / 0 , для которой a1 n y n , где 1 – момент первого порядка времени обслуживания. Заметим, что величина p n m в системе M / M / n / m играет роль вероятности потери требования. 4.5. Система обслуживания M/M/n/ Граф состояний СМО M / M / n / представлен на рис. 6. a 0 a 1 … n 1 a n 1 n n … n Рис. 6. Граф состояний СМО M / M / n / Процесс (t ) является в нашем случае процессом рождения и гибели. Если выполняется неравенство a (n) 1, то, как следует из формулы (4.16), существует единственное стационарное распределение процесса (t ) . Уравнения равновесия для вертикальных сечений, проведенных в графе на рис. 6, имеют вид apk 1 kp k , 0 k n ; apk 1 np k , k n 1, откуда вытекают соотношения, аналогичные полученным в п. 4.4: (n) k p0 , 0 k n ; k! pk n k (4.20) n p , k n 1. n! 0 Условие нормировки в этом случае имеет вид n (n) k n n k p p k 0 k! n! 1, k 0 k n 1 k 0 50 откуда следует, что 1 n (n) k n n n1 p0 . k ! n ! ( 1 ) k 0 Стационарный первый момент числа требований, находящихся в системе, в этом случае вычисляется следующим образом: n (n) k n n n 1 [1 n(1 )] E kp k p 0 . 2 ( k 1 ) ! n ! ( 1 ) k 0 k 1 Заметим, что такие же результаты мы получили бы, если бы перешли к пределу при m в соответствующих формулах для СМО M / M / n / m , дополнительно предположив, что 1. Анализируемая система представляет собой СМО с ожиданием, поэтому для нее имеет смысл определение ФР W (t ) стационарного времени ожидания W, где Wk W при k (здесь Wk – время ожидания k-го требования). Заметим, что полученное распределение числа требований в СМО M / M / n / не зависит от очередности их обслуживания, но подобное утверждение не является, очевидно, справедливым в отношении распределения времени ожидания. Далее будем считать, что очередность обслуживания требований соответствует порядку их поступления в систему (дисциплина FIFO). ФР W (t ) представим в виде W (t ) P{W t} 1 P{W t} , (4.21) где P{W t} p k P{W t | k} , (4.22) k 0 P{W t | k} Pk {W t} – условная вероятность выполнения неравенства W t для прибывающего требования при условии, что в момент его поступления в системе находилось k ( k ) других требований (или, более кратко, система находилась в состоянии k). Очевидно, для всех k n и t 0 имеем Pk {W t} 0 , поскольку в таком случае в момент поступления в системе имеются свободные приборы (точнее, число таких свободных ОП равно n k ). Поэтому соотношение (4.22) можно представить в виде P{W t} p k Pk {W t} , k n 51 (4.23) где величины p k определяются соотношениями (4.20). Введем обозначение k n; 0, 1, .... Тогда Pk {W t} представляет собой вероятность выполнения неравенства W t при условии, что в момент поступления требования все ОП заняты, и, кроме того, в системе находится требований, ожидающих обслуживания. Очевидно поэтому, что, с другой стороны, Pk {W t} есть вероятность того, что в течение t единиц времени после поступления требования состоится не более освобождений ОП (или, что то же самое, не более требований будет обслужено). Пусть q r (t ), 0 r , есть вероятность того, что состоялось r освобождений ОП за время t при условии, что все ОП в течение этого времени были заняты. Тогда поток освобождений (последовательность моментов времени окончания обслуживания требований), очевидно, является простейшим с параметром n . Имеем, следовательно, r n t ( n t ) q r (t ) e , 0 r , r! откуда следует, что r k n n t (n t ) Pk {W t} e , k n. r! r 0 Из формулы (4.22) имеем k n k n (n t ) r (n t ) r n nk P{W t} p k e n t e n t p0 r ! n ! r ! k n r 0 k n r 0 n n n e n t (n t ) r p0 n! r! r 0 n n n t n e n! (n t ) r! r 0 p0 r k n k n r k n r k n r n n (n t) r n p 0 (1) n t n n n e n t , p0 e n !(1 ) r ! n ! ( 1 ) r 0 откуда с учетом соотношения (4.21) получаем (n) n p 0 (1) n t W (t ) 1 e . n!(1 ) Очевидно, время пребывания требования V в стационарном режиме равно V W , где – время обслуживания требования, при этом СВ W и независимы. Следовательно, ФР V (t ) СВ V можем определить следующим образом: 52 t t 0 0 V (t ) P{V t} W (t u )dB(u ) e uW (t u )du , t где B(t ) P{ t} 1 e . Ясно, что для рассматриваемой СМО стационарная вероятность того, что требование не сразу после своего поступления в систему начнет обслуживаться, а будет ожидать обслуживания в очереди, равна (n) n p 0 P{W 0} 1 W (0) . n!(1 ) Первый момент стационарного времени ожидания равен n n2 n p0 . w1 EW tdW (t ) 2 ( 1 ) ( n 1 ) ! 0 В свою очередь, первый момент времени пребывания есть n n2 n p0 1 . v1 EV tdV (t ) E EW 1 w1 2 ( 1 ) ( n 1 ) ! 0 Например, в случае n 1 (для СМО M / M / 1 / ) получаем p k (1 ) k , k 0, 1, ... ; W (t ) 1 e (1) t ; V (t ) 1 e (1) t ; 1 . w1 ; E 1 1 Легко убедиться, что для анализируемой СМО оказываются справедливыми формулы Литтла. 4.6. Система M/M/ В СМО M / M / число ОП бесконечно. Поэтому все прибывающие требования обслуживаются без ожидания (время пребывания равно времени обслуживания). Граф состояний такой СМО представлен на рис. 7. a 0 a 1 … k 1 a k 1 k k (k 1) Рис. 7. Граф состояний СМО M / M / 53 … Для достаточно больших k имеем a (k) 1 . Тогда, как следует из соотношения (4.16), существует единственное стационарное распределение числа требований, находящихся в системе M / M / , которое можно определить из уравнений равновесия ap k 1 kp k , k 1, 2, ... , откуда следует, что yk pk p0 , k! где y a , 1 yk p0 e y , k 0 k! следовательно, окончательно yk y (4.24) pk e , k 0, 1, ... . k! Точно такой же результат можно получить с помощью перехода к пределу при n в соответствующих соотношениях для СМО M / M / n / m. 54