Моделирование многоканальной смо с очередью.
Усложним модель, добавив в нее банковских кассиров. Можно моделировать число кассиров, как и банкомат, с помощью объектов delay. Но куда более удобным представляется моделирование числа кассиров с помощью ресурсов. Ресурс – это специальный объект Enterprise Library, который может потребоваться заявке для выполнения какой-то задачи. В нашем примере посетителям банковского отделения (заявкам) необходимо получить помощь у банковских служащих (ресурсов).
Добавьте на диаграмму следующие объекты:
selectOutput – является блоком принятия решения. В зависимости от заданного вами условия, заявка, поступившая в этот объект, будет поступать на один из двух выходов объекта. Оставьте свойство selectCondition – uniform() < 0.5, тогда к кассирам и банкомату будет приходить примерно равное количество клиентов;
Service – моделирует занятие заявкой ресурса на определенное время. С помощью этого объекта мы промоделируем обслуживание клиента кассиром. Задайте следующие свойства объекта: назовите объект tellerLines (свойство Имя); укажите, что в очереди к кассирам может находиться до 20 человек (свойство queueCapacity); задайте время обслуживания (свойство delayTime). Будем полагать, что время обслуживания имеет треугольное распределение с минимальным средним значением 2.5, средним – 6 и максимальным – 11 минут;
Рис. 3.23. Задание свойств линии касс.
ResourcePool – задает ресурсы определенного типа. Он должен быть подсоединен к объектам, моделирующим занятие и освобождение ресурсов (в нашем случае это объект Service). Задайте следующие свойства объекта: назовите объект tellers; задайте число кассиров (свойство capacity) – 4.
Измените имя объекта delay на ATM (банкомат). Соедините объекты соответствующим образом (рис. 3.24).
Рис. 3.24. Вид двухканальной СМО.
Запустите модель и изучите ее поведение.
- 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.