非Markov排队模型.pptVIP

第七章 非Markov排队模型 特别注意：非Markov排队模型不能用状态转移图和哥氏方程求解！！ 第1节 M|G|1 定理7.1 若M|G|1排队模型中达到过程强度为λ，服务时间均值为1/μ，偏离系数为υ，则该模型有： p0=1-ρ, ELs=ρ+ρ2(1+υ2)/(2(1-ρ)) 证明过程见黑板演示 所以，对该模型有： EWs=ELs/λ, EWq=EWs-1/μ, ELq=λEWq M|G|1（续） 该定理意味着只要达到过程为泊松过程，则只要获得服务时间的均值和方差，便可获得ELs等重要系统参数指标 对服务时间的讨论： 指数分布 υ=1 ELs=ρ+ρ2/(1-ρ) (M|M1) 定长分布 υ=0 ELs=ρ+ρ2/(2(1-ρ)) 例：M|G|1,λ=20, μ=30, σ=0.1,求各指标 ρ=λ/μ=2/3 υ=σ/1/μ=3 ELs=22/3 ELq=20/3 EWs=11/30 Ewq=1/3 第2节 经验公式 Ek|D|1 到达过程为k阶Erlang，定长服务时间，单通道等待制 k=1 该模型为 M|D|1 根据定理7.1有 EWq=ρ/(2μ(1-ρ)) μEWq=ρ/(2(1-ρ)) 设有α与k对应，使μEWq=ρα/(2(1-ρα)) (*) 成立 则 α=(ln(2μEWq)-ln(1+2μEWq))/lnρ 固定k、μ，调整ρ，利用仿真寻找EWq，得出α 发现α与k之间存在以下固定关系： (k=2,α=2), (k=4, α=3.5), (k=8, α=6) 其余对应关系可基于图形获取 该模型可用(*)式计算EWq 经验公式（续） D|Ek|1 ELq=ρb+2/(2(1-ρb)) 其中 (b, k)关系： (0.93, 1) (1.9, 2) (3.8, 4) (6.5, 8) El|Ek|1 EWq=(k+l) ρ 2/(2μk(l+ ρ -1)(1- ρ)) 当l=1 k=1时， El|Ek|1－ M|M|1 EWq=ρ /μ/ (1- ρ) 第3节 Ek|M|1 设Erlang过程的强度为λ， ρ = λ /μ 该模型的求解过程： 建立一元k次方程： rk+rk-1+……+r=k ρ 当0ρ1时，该方程在(0,1)间有且仅有一个实根r0，求出该r0 状态概率为： p0=1-ρ , pn=ρr0(n-1)k(1-r0k) 状态的定义与Markov模型相同 第八章 Markov型网络排队系统 多个相互关联的Markov排队模型构成的系统(本章只讨论单通道情况) 第一节 基于状态转移图求解 特点：状态可穷尽 求解方案：基于状态转移图求状态概率 状态：n元组，每个元素代表对应模型的状态 举例 开放型 2个M|M|1|0 μ1，μ2串联，到达λ，求损失率和各服务员忙率 闭合型 3个M|M|1，5个顾客，状态转移图 第二节 贝克定理(Burke) 定义8.1：如果一个时间连续的随机过程X(t)对任意的一个实数T和一组时刻t1, t2, … tm,满足随机变量族(X(t1), X(t2) ,……X(tm) )与(X(T-t1), X(T-t2),…… X(T-tm))具有相同分布,则称X(t)是可逆的。 可逆的真实含义在于其正向过程和逆向过程是完全相同的 贝克定理(续) 定理8.1：一个时间连续的随机过程X(t)是可逆的当且仅当它是一个同分布的随机变量族 定理8.2：一个时间连续状态离散且事件间隔为指数分布的随机过程L(t)是可逆的当且仅当存在一个正数集{pi}, 满足∑pi=1,i∈S，S是L(t)的状态空间,和一个常数集{qij}, i,j∈S且满足 pi×qij=pj×qji pi是稳定情况下状态Si的概率 qij是稳定情况下状态i向状态j变迁的速率 贝克定理(续) 定理8.3(贝克定理)：在平稳情况下，M|M|1的离开过程也是泊松过程，强度与到达过程相同。 证明： ∵ M|M|1模型的状态转移图满足λpn-1=μpn,而状态转移图所对应 随机过程是Ls(t) ∴该随机过程Ls(t)是可逆的，它所对应的正向过程为到达过程，逆向过程为离开过程 ∴离开过程也是强度为λ的泊松过程