Анализ среднего значения - Википедия - Mean value analysis

В теория массового обслуживания, дисциплина в рамках математической теория вероятности, анализ среднего значения (МВА) - рекурсивный метод вычисления ожидал длины очередей, время ожидания в узлах очередей и равновесная пропускная способность для замкнутой разделяемой системы очередей. Первые приближенные методы были опубликованы независимо Швейцером.^[1] и Бард,^[2][3] за которым позже последовала точная версия Лавенберга и Райзера, опубликованная в 1980 году.^[4][5]

Он основан на теорема прибытия, в котором говорится, что когда один клиент в M- клиентская закрытая система прибывает в сервисный центр, он / она наблюдает, что остальная часть системы находится в состоянии равновесия для системы с M - 1 заказчик.

Настройка проблемы

Рассмотрим замкнутую сеть массового обслуживания K M / M / 1 очереди, с M клиентов, циркулирующих в системе. Предположим, что клиенты неотличимы друг от друга, так что в сети есть один класс клиентов. Чтобы вычислить среднюю длину очереди и время ожидания на каждом из узлов, а также пропускную способность системы, мы используем итерационный алгоритм, начиная с сети с 0 клиентами.

Написать μ_я для ставки обслуживания в узле я и п для матрицы маршрутизации клиентов, где элемент п_ij обозначает вероятность того, что заказчик завершит обслуживание на узле я перемещается в узел j для обслуживания. Чтобы использовать алгоритм, мы сначала вычисляем вектор-строку коэффициента посещений v, вектор такой, что v = v П.

Теперь пиши L_я(п) для среднего количества заявок в очереди я когда есть в общей сложности п клиентов в системе (включая задание, которое в настоящее время обслуживается в очереди я) и W_j(п) за среднее время нахождения заявки в очереди я когда есть в общей сложности п клиентов в системе. Обозначим пропускную способность системы с помощью м клиентов по λ_м.

Алгоритм

Алгоритм^[6] начинается с пустой сети (ноль клиентов), затем увеличивает количество клиентов на 1 на каждой итерации, пока не наберется необходимое количество (M) клиентов в системе.

Для инициализации установите L_k(0) = 0 для k = 1,...,K. (Это устанавливает среднюю длину очереди в системе без запросов на ноль на всех узлах.)

Повторите для м = 1,...,M:

1. Для k = 1, ..., K вычислить время ожидания в каждом узле, используя теорему прибытия

${ displaystyle W_ {k} (m) = { frac {1 + L_ {k} left (m-1 right)} { mu _ {k}}}.}$

2. Затем вычислите пропускную способность системы, используя Закон Литтла

${ displaystyle lambda _ {m} = { frac {m} { sum _ {k = 1} ^ {K} W_ {k} (m) v_ {k}}}.}$

3. Наконец, используйте закон Литтла, примененный к каждой очереди, чтобы вычислить среднюю длину очереди для k = 1, ..., K

${ displaystyle L_ {k} (m) = v_ {k} lambda _ {m} W_ {k} (m).}$

Конец повтора.

Метод Барда – Швейцера

Приближение Барда – Швейцера оценивает среднее количество работ в узле k быть^[1][7]

${ Displaystyle L_ {к} (м-1) приблизительно { гидроразрыва {м-1} {м}} L_ {k} (м)}$

что является линейной интерполяцией. Из приведенных выше формул это приближение дает отношения с фиксированной точкой которое можно решить численно. Этот итеративный подход часто называют приблизительным MVA (AMVA) и обычно быстрее, чем рекурсивный подход MVA.^[8]:38

Псевдокод

Мультиклассовые сети

В случае мультиклассовых сетей с р классы заявок, каждая очередь k могут иметь разные тарифы на услуги μ_{k, r} для каждого класса работы г = 1, ..., R, хотя существуют определенные ограничения в случае станций в порядке очереди из-за допущений Теорема BCMP в случае мультикласса.

Время ожидания W_{k, r} опытный класс-р вакансии в очереди k все еще может быть связано с общей средней длиной очереди в узле k используя обобщение теоремы прибытия

${ displaystyle W_ {k, r} ( mathbb {m}) = { frac {1 + L_ {k} left ( mathbb {m} -1_ {r} right)} { mu _ {k ,р}}}.}$

куда ${ Displaystyle mathbb {m} = (m_ {1}, ldots, m_ {R})}$ вектор популяции клиентов для р классы и ${ displaystyle 1_ {r}}$ вычитает один из р-й элемент ${ displaystyle mathbb {m}}$, при условии, что ${ displaystyle m_ {r} geq 1}$.

Для сетей с одним классом клиентов алгоритм MVA работает очень быстро, и затрачиваемое время линейно растет с количеством запросов и очередей. Однако в мультиклассовых моделях количество умножений и сложений, а также требования к хранению для MVA растут экспоненциально с увеличением количества классов потребителей. Практически алгоритм хорошо работает для 3-4 классов клиентов,^[9] хотя обычно это зависит от реализации и структуры модели. Например, метод Tree-MVA можно масштабировать до более крупных моделей, если матрица маршрутизации разреженная.^[10]

Точные значения средних показателей производительности можно получить в больших моделях с помощью метод моментов, что требует лог-квадратичного времени. Метод моментов позволяет на практике решать модели с количеством клиентов до 10, а иногда и больше, которые обычно недоступны с помощью точного MVA.^[9][11] Однако этот метод не использует теорему прибытия и основан на решении систем линейных уравнений, включающих нормализующая константа вероятностей состояний сети массового обслуживания.

Приближенные алгоритмы MVA (AMVA), такие как метод Барда-Швейцера, предлагают вместо этого альтернативный метод решения, который обеспечивает низкую сложность также в мультиклассовых сетях и обычно дает очень точные результаты.^[12]

Расширения

Алгоритм анализа среднего значения был применен к классу PEPA модели, описывающие сети массового обслуживания и производительность центр распределения ключей.^[13]

Программного обеспечения

• JMVA, инструмент, написанный на Ява который реализует MVA.^[14]
• в очереди, библиотека для GNU Octave который включает MVA.^[15]
• Линия, набор инструментов MATLAB, который включает точные и приближенные алгоритмы MVA.

Смотрите также

• Теория массового обслуживания

Рекомендации

внешняя ссылка

• Дж. Виртамо: Сети массового обслуживания. Раздаточный материал из Helsinki Tech дает хороший обзор теоремы Джексона и MVA.
• Саймон Лам: простой вывод алгоритма MVA. Показывает взаимосвязь между Алгоритм Бузена и МВА.