Моделирование одноканальной смо с очередью.
Постановка задачи. В банковский офис обращаются клиенты. Офис представляет собой автоматизированный пункт обслуживания, в котором установлен банкомат. Банкомат обслуживает одновременно одного клиента. Клиенты прибывают по экспоненциальному закону с интенсивностью =0,67. Одновременно в офисе может находиться не более 15 клиентов. Интервал времени работы банкомата подчиняется треугольному закону распределения с параметрами xmin=0.8, xmax=1,3 предпочтительное значение 1.
Построение модели. Модель строится с «нуля». Банковский офис представляет собой систему массового обслуживания(СМО). Построение модели такой системы выполняется с помощью элементов библиотеки Enterprise Library Для построения СМО используются элементы:
Source – источник заявок.
Queue – очередь ожидающих обслуживания заявок.
Delay – Элемент моделирующий узел обслуживания.
Sink – Элемент принимающий отработанные заявки.
Общий вид модели СМО банковского офиса показан на рисунке 3.6.
Рис. 3.6. Модель офиса
Источник заявок
Заявки – клиенты офиса пребывают с интенсивностью lambda=0.67.
Источник заявок обладает следующими настройками:
Заявки пребывают согласно интенсивности.
Интенсивность прибытия равна lambda. Lambda – параметр (панель «Основная» пункт параметр). Значение соответствует интенсивности потока клиентов, и равно 0,67.
Рис. 3.7. Задание параметра интенсивности заявок.
Закон распределения потока заявок можно задать в свойстве interarrivalTime на вкладке Параменты для объекта source. По умолчанию распределение случайного потока заявок подчиняется экспоненциальному закону. – exponential().
Рис. 3.8. Задание закона распределения потока заявок.
AnyLogic предоставляет функции и других случайных распределений, таких как:
нормальное с дисперсией и мат. ожиданием m – normal(,m);
равномерное на отрезке [a,b]– uniform(a,b);
треугольное с минимальным значением a, средним значением b и максимальным-с – triangular(a,b,c);
и т.д.
Количество заявок пребывающих за один раз равно единице.
Рис. 3.9. Параметры источника заявок.
Очередь
Этот элемент характеризуется параметрами:
Вместимость очереди равна 15.
Включить сбор статистики – да.
Рис. 3.10. Параметры очереди.
Узел обслуживания
Параметры элемента:
Задержка задается явно.
Время задержки равно: triangular(0.8,1.3,1).
Вместимость узла – один клиент.
Включить сбор статистики- да.
Рис. 3.11. Параметры узла обслуживания.
Элемент, принимающий заявки обладает параметрами настройки по умолчанию.
Настройте эксперимент модели:
Модельное время – минуты.
Время остановки модели не задано.
Задайте Режим выполнения со скоростью 8.
Рис. 3.12. Настройка параметров эксперимента.
Для запуска модели щелкните мышью по кнопке Запустить. Откроется окно с презентацией запущенного эксперимента. AnyLogic автоматически помещает на презентацию каждого простого эксперимента заголовок и кнопку, позволяющую запустить модель и перейти на презентацию.
Рис. 3.13. Запуск эксперимента.
Щелкните по этой кнопке. AnyLogic переключится в режим работы модели. С помощью визуализированной блок-схемы вы можете проследить, сколько человек находится в очереди, сколько человек в данный момент обслуживается и т.д.
Рис.3.14. Вид работающей модели
Анимация модели
Покажем процесс обслуживания клиентов в виде анимации очереди, ведущей к банкомату, так как это показано на рисунке 3.15.
Рис.3.15. Анимация очереди
Банкомат представим в виде окружности. Когда клиент находится в банкомате, окружность будет окрашена в красный цвет, при свободном банкомате окружность закрашивается в зеленый цвет.
С помощью элемента «Овал» палитры «Презентация» разместите окружность и присвойте ей имя ServicePoint. Цвет заливки должность изменяться динамически:
delay.size()>0 ? Color.red: Color.green
Здесь size() – метод объекта delay, который возвращает количество заявок-клиентов в приборе обслуживания.
Рис.3.16. Задание свойств окружности – банкомата.
Для отображения очереди следует нарисовать ломаную линию (см. рисунок 3.15), используя элемент «Ломаная» из палитры «Презентация». Режим рисования включается после выполнения двойного щелчка па пиктограмме .
Рисование ломаной нужно выполнять по направлению движения клиентов к банкомату: слева на право. Ломаной присвойте имя GoToService.
Рис.3.17. Задание свойств ломаной – очереди.
После создания элементов презентации нужно выполнить ряд настроек модели для связи графических элементов с объектами схемы.
Откройте окно свойств элемента очередь (queue) и на вкладке «Основные» задайте настройки так, как это показано на рисунке 3.18.
Рис.3.18. Настройка очереди
Откройте прибор обслуживания – элемент delay, и настройте на вкладке «Основные», свойства анимации:
Фигура анимации: ServicePoint
Тип анимации: Одиночная
Установите режим скорости исполнения равным 4 и протестируйте модель. На рисунке 3.19. Показан вид работающей модели.
Рис.3.19. Модель с анимацией
Размещение датчиков.
Чтобы представить процесс загрузки прибора обслуживания и очереди разместим два датчика – столбчатые диаграммы. Первая диаграмма отображает среднее значение клиентов в очереди, а вторая - среднее значение числа обслуженных клиентов в банкомате (приборе обслуживания).
Для размещения диаграмм нужно использовать палитру «Статистика» и элемент «Столбиковая диаграмма». Разместите две диаграммы (см. рисунок 3.20).
Рис.3.20. Диаграммы загрузки
Первую поместите над очередью. Добавьте элемент данных. Задайте подпись «Длина очереди». Выберите цвет, а затем в качестве значения задайте выражение:
queue.statsSize.mean()
Здесь метод mean() – возвращает среднюю длину очереди.
При вводе выражения можно использовать помощник AnyLogic. Для этого следует нажать комбинацию клавиш CTRL + SPACE.
После ввода выражения нужно сменить ориентацию диаграммы на горизонтальное. Для этого необходимо открыть вкладку «Внешний вид» и изменить направление столбцов (см. рисунок 3.21).
Рис.3.21. Направление столбцов диаграммы
Вторую диаграмму расположите рядом с изображением банкомата. Назовите диаграмму «АТМ Обслуживание», а в качестве значения задайте выражение:
delay.statsUtilization.mean()
задающее среднее время обслуживания заявки в процессоре. Направление столбцов вертикальное.
Вид работающей модели показан на рисунке 3.22.
Рис.3.22. Модель с диаграммами
- Лабораторная работа №1. Аналитическое моделирование.
- I.Статичные аналитические модели оптимизации. Построение в среде ms Excel.
- Задача линейного программирования (злп).
- I этап: Анализ словесного описания задачи
- II этап: Построение математической модели
- III этап: Формирование задачи выбора наилучшей стратегии
- Решение задач линейного программирования с помощью надстройки «поиск решений» в среде excel
- Задача оптимального использования ресурсов
- Запуск «Поиска решения»
- Создание отчета по результатам поиска решения
- Индивидуальные варианты заданий.
- II. Статичные аналитические модели, описываемые уравнениями. Построение в среде MathCad.
- Решение уравнений средствами Mathcad
- Построение графиков в MathCad
- Рекомендации по использованию функции root.
- Нахождение корней полинома
- Символьное решение уравнений
- Индивидуальные варианты заданий.
- III. Динамические аналитические модели. Построение в среде MatLab.
- Решение обыкновенных дифференциальных уравнений в matlab.
- Решение систем обыкновенных дифференциальных уравнений с заданными начальными условиями.
- Решение дифференциальных уравнений второго порядка.
- Интегрирование систем линейных дифференциальных уравнений в матричном виде.
- Варианты заданий. Общие задания.
- Индивидуальные задания.
- Лабораторная работа №2. Построение аналитической модели по результатам эксперимента.
- I. Построение модели в среде Excel.
- II. Построение модели в среде Statistica. Общие сведения о программе Statistica.
- III. Построение модели в среде Origin Pro.
- Индивидуальные варианты заданий.
- Лабораторная работа №3. Модели массового обслуживания.
- I. Построение модели в среде AnyLogic.
- Пользовательский интерфейс
- Общая информация о создании моделей в Enterprise Library
- Моделирование одноканальной смо с очередью.
- Моделирование многоканальной смо с очередью.
- Сбор статистики о времени обслуживания клиента.
- Индивидуальные варианты заданий.
- Лабораторная работа №4. Моделирование интеллектуальных систем. Нейросеть обратного распространения ошибки.
- I. Обзор использования пакета Excel Neural Package.
- II. Обзор использования пакета Deductor.
- III. Обзор использования пакета statistica Neural Networks.
- Индивидуальные варианты заданий.
- Лабораторная работа №5. Моделирование интеллектуальных систем. Нейронная сеть для кластеризации.
- I. Теоретические сведения.
- II. Проектирование карты Кохонена в пакете Excel Neural Package.
- III. Проектирование карты Кохонена в пакете Deductor.
- IV. Проектирование карты Кохонена в пакете Statistica.
- Индивидуальные варианты заданий.
- Лабораторная работа №6. Моделирование интеллектуальных систем. Система нечеткого вывода.
- I. Постановка задачи.
- II. Процесс разработки системы
- Индивидуальные варианты заданий.