Рассматривается многофазная система массового обслуживания с входящим коррелированным МАР-потоком, РН-распределением времени обслуживания и ограниченным размером буфера на фазах системы. Приведен краткий исторический обзор по анализу моделей таких систем и методов их исследования. На основании проведенного обзора обоснована новизна постановки задачи, рассматриваемой в статье, методов ее решения и результатов. Дано описание алгоритма точного расчета характеристик производительности многофазных систем малой размерности и оценки сложности этого алгоритма. Для исследования многофазных систем большой размерности предложен подход, основанный на комбинации методов имитационного моделирования и машинного обучения. Приведены результаты численного анализа, подтвердившие эффективность применения методов машинного обучения для оценки характеристик производительности тандемных систем, адекватно описывающих функционирование широкополосных беспроводных сетей.
Идентификаторы и классификаторы
Многофазные системы массового обслуживания (тандемные СМО) традиционно используются для моделирования и оптимизации производительности многих сложных систем, включая технические, экономические, промышленные, транспортные, медицинские, военные и др. [1–4]. Значительный интерес также представляют модели тандемных СМО, адекватно описывающие функционирование современных широкополосных беспроводных сетей с линейной топологией [5, 6].
Исследование многофазных СМО, начатое в конце 1960-х гг. [7, 8], интенсивно продолжается до настоящего времени [9–11]. Первоначально аналитические результаты были получены для оценки характеристик производительности двухфазных СМО.
Список литературы
1. Khayyati, S., Tan, B. Supervised-Learning-Based Approximation Method for Multi-server Queueing Networks under Different Service Disciplines with Correlated Interarrival and Service Times // International Journal of Production Research. - 2022. - Vol. 60, no. 17. - P. 5176-5200. -. DOI: 10.1080/00207543.2021.1951448 EDN: KDGKXE
2. Kumar, B.K., Sankar, R., Krishnan, R.N., Rukmani, R. Performance Analysis of Multi-processor Two-Stage Tandem Call Center Retrial Queues with Non-Reliable Processors // Methodology and Computing in Applied Probability. - 2022. - Vol. 24, no. 1. - P. 95-142. -. DOI: 10.1007/s11009-020-09842-6 EDN: YPMHRC
3. Oblakova, A., Al Hanbali, A., Boucherie, R.J., et al. An Analytical Model for a Tandem of Two Traffic-Light Intersections under Semi-actuated and Fixed Control // Transportation Research Interdisciplinary Perspectives. - 2022. - Vol. 16, no. 3. - Art. no. 100715. -. DOI: 10.1016/j.trip.2022.100715 EDN: BSMXTA
4. Rovetto, C., Cruz, E., Nuñez, I., et al. Minimizing Intersection Waiting Time: Proposal of a Queue Network Model Using Kendall’s Notation in Panama City // Applied Sciences. - 2023. - Vol. 13, no. 18. - Art. no. 10030. - DOI: https://doi.org/3390/app131810030.
5. Pershin, O.Y., Mukhtarov, A.A., Vishnevsky, V.M., Larionov, A.A. Optimal Placement of Base Stations in Integrated Design of Wireless Networks // Programming and Computer Software. - 2023. - Vol. 49, suppl. 2. - P. S82-S90. -. DOI: 10.1134/S0361768823100055 EDN: KJBSYB
6. Vishnevsky, V., Krishnamoorthy, A., Kozyrev, D., Larionov, A. Review of Methodology and Design of Broadband Wireless Networks with Linear Topology // Indian Journal of Pure and Applied Mathematics. - 2016. - Vol. 47, no. 2. - P. 329-342. -. DOI: 10.1007/s13226-016-0190-7 EDN: WPIDCT
7. Gnedenko, B.W., König, D. Handbuch der Bedienungstheorie II. - Berlin: De Gruyter, 1984. - 608 p. - DOI: https://doi.org/1515/9783112614747.
8. Neuts, M.F. Two Queues in Series with a Finite, Intermediate Waitingroom // Journal of Applied Probability. - 1968. - Vol. 5, no. 1. - P. 123-142. -. DOI: 10.2307/3212081
9. Dieleman, N.A., Berkhout, J., and Heidergott, B. A Neural Network Approach to Performance Analysis of Tandem Lines: The Value of Analytical Knowledge // Computers and Operations Research. - 2023. - Vol. 152, no. 3. - Art. no. 106124. -. DOI: 10.1016/j.cor.2022.106124 EDN: MOASSD
10. Dudin, S.A., Dudin, A.N., Dudina, O.S., Chakravarthy, S.R. Analysis of a Tandem Queuing System with Blocking and Group Service in the Second Node // International Journal of Systems Science: Operations and Logistics. - 2023. - Vol. 10, no. 1. - Art. no. 2235270. -. DOI: 10.1080/23302674.2023.2235270 EDN: HVVAEG
11. Dudin, S.A., Dudina, O.S., Dudin, A.N. Analysis of Tandem Queue with Multi-Server Stages and Group Service at the Second Stage // Axioms. - 2024. - Vol. 13, no. 4. - art. no. 214. -. DOI: 10.3390/axioms13040214 EDN: ODFLQX
12. Bocharov, P.P., Manzo, R., Pechinkin, A.V. Analysis of a Two-Phase Queueing System with a Markov Arrival Process and Losses // Journal of Mathematical Sciences. - 2005. - Vol. 131, no. 3. - Р. 5606-5613. -. DOI: 10.1007/s10958-005-0432-4 EDN: LJEBTP
13. Kim, C.S., Klimenok, V., Taramin, O. A Tandem Retrial Queueing System with Two Markovian Flows and Reservation of Channels // Computers and Operations Research. - 2010. - Vol. 37, no. 7. - P. 1238-1246. -. DOI: 10.1016/j.cor.2009.03.030 EDN: XKJABL
14. Kim, C., Klimenok, V.I., Dudin, A.N. Priority Tandem Aueueing System with Retrials and Reservation of Channels as a Model of Call Center // Computers and Industrial Engineering. - 2016. - Vol. 96. - P. 61-71. -. DOI: 10.1016/j.cie.2016.03.012 EDN: WPQWEF
15. Klimenok, V., Breuer, L., Tsarenkov, G., Dudin, A. The BMAP/G/1/->·/PH/1/M Tandem Queue with Losses // Performance Evaluation. - 2005. - Vol. 61, no. 1. - P. 17-40. -. DOI: 10.1016/j.peva.2004.09.001 EDN: XJTBTN
16. Lian, Z., Liu, L. A Tandem Network with MAP Inputs // Operations Research Letters. - 2008. - Vol. 36, no. 2. - P. 189-195. -. DOI: 10.1016/j.orl.2007.04.004
17. Vishnevskii, V.M., Dudin, A.N. Queueing Systems with Correlated Arrival Flows and Their Applications to Modeling Telecommunication Networks // Automation and Remote Control. - 2017. - Vol. 78, no. 8. - P. 1361-1403. -. DOI: 10.1134/S000511791708001X EDN: XNTWBH
18. Dudin, A.N., Klimenok, V.I., Vishnevsky, V.M. The Theory of Queuing Systems with Correlated Flows // Cham: Springer, 2020. - 410 p.
19. Bruell, S.C., Balbo, G., Afshari, P.V. Mean Value Analysis of Mixed, Multiple Class BCMP Networks with Load Dependent Service Stations // Performance Evaluation. - 1984. - Vol. 4, iss. 4. - P. 241-260. -. DOI: 10.1016/0166-5316(84)90010-5
20. Vishnevsky, V., Klimenok, V., Sokolov, A., Larionov, A. Performance Evaluation of the Priority Multi-server System MMAP/PH/M/N Using Machine Learning Mmethods // Mathematics. - 2021. - Vol. 9, no. 24. - Art. no. 3236. -. DOI: 10.3390/math9243236 EDN: XBJENK
21. Klimenok, V., Dudin, A., Vishnevsky, V. On the Stationary Distribution of Tandem Queue Consisting of a Finite Number of Stations // Communications in Computer and Information Science. - 2012. - Vol. 291. - P. 383-392. -. DOI: 10.1007/978-3-642-31217-5_40 EDN: RGCUIV
22. Palomo, S., Pender, J. Learning the Tandem Network Lindley Recursion // Proceedings of 2021 Winter Simulation Conference (WSC). - Phoenix, 2021. - P. 1-12. DOI: 10.1109/WSC52266.2021.9715530
23. Rabta, B. A Review of Decomposition Methods for Open Queueing Networks // Rapid Modelling for Increasing Competitiveness. Ed. by G. Reiner - London: Springer2009. - P. 25-42. -. DOI: 10.1007/978-1-84882-748-6_3
24. Vishnevsky, V., Larionov, A., Roman, I., Semenova, O. Estimation of IEEE 802.11 DCF Access Performance in Wireless Networks with Linear Topology Using PH Service Time Approximations and MAP Input // Proceedings of 11th IEEE International Conference on Application of Information and Communication Technologies. - Moscow, 2017. - P. 1-5. DOI: 10.1109/ICAICT.2017.8687247
25. Gorbunova, A.V., Vishnevsky, V.M., Larionov, A.A. Evaluation of the End-to-End Delay of a Multiphase Queuing System Using Artificial Neural Networks // Lecture Notes in Computer Science. - Cham: Springer, 2021. - Vol. 12563. - P 631-642. -. DOI: 10.1007/978-3-030-66471-8_48
26. Kudou, T., Nii, S., Okuda, T. A Performance Evaluation of Tandem Queueing Systems by Machine Learning // Proceedings of 2022 IEEE International Conference on Consumer Electronics. - Taiwan, 2022. - P. 389-390. -. DOI: 10.1109/ICCE-Taiwan55306.2022.9869030
27. Kudou, T., Okuda, T. A Time Series Analysis of Single Server Queueing Systems by Using Machine Learning // Proceedings of 2023 International Conference on Consumer Electronics. - Taiwan, 2023. - P. 327-328. -. DOI: 10.1109/ICCE-Taiwan58799.2023.10226861
28. Вишневский В.М. Теоретические основы проектирования компьютерных сетей. - М: Техносфера, 2003. - 512 с.
29. Vishnevsky, V.M., Klimenok, V.I., Sokolov, A.M., Larionov, A.A. Investigation of the Fork-Join System with Markovian Arrival Process Arrivals and Phase-Type Service Time Distribution Using Machine Learning Methods // Mathematics. -2024. - Vol. 12, no. 5. - Art. no. 659. -. DOI: 10.3390/math12050659 EDN: CWSYOV
30. Efrosinin, D., Vishnevsky, V., Stepanova, N. Optimal Scheduling in General Multi-Queue System by Combining Simulation and Neural Network Techniques // Sensors. - 2023. - Vol. 23, no. 12. - Art. no. 5479. - DOI: https://doi.org/3390/s23125479. EDN: DXEMSP
31. Telek, M., Heindl, A. Matching Moments For Acyclic Discrete And Continuous Phase-Type Distributions Of Second Order // International Journal of Simulation Systems, Science and Technology. - 2002. - Vol. 3, no. 3. - P. 47-57.
32. Johnson, M.A., Taaffe, M.R. Matching Moments to Phase Distributions: Mixtures of Erlang Distributions of Common Order // Communications in Statistics. Stochastic Models. - 1989. - Vol. 5, no. 4. - P. 711-743. - DOI: https://doi.org/1080/15326348908807131.
33. Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. Classification and Regression Trees. - New York: Chapman and Hall, 1984. - 368 p. - DOI: https://doi.org/10.1201.
34. Demidova, L.A., Usachev, P.O. Development and Approbation of the Improved CART Algorithm Version // Journal of Phy-sics: Conference Series. - 2020. - Vol. 1479. - Art. no. 012085. -. DOI: 10.1088/1742-6596/1479/1/012085 EDN: KEBDEP
35. Gordon, A.D., Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. Classification and Regression Trees // Biometrics. - 1984. - Vol. 40, no. 3. - P. 874. -. DOI: 10.2307/2530946
36. Loh, W.Y. Classification and Regression Trees // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. - 2011. - Vol. 1, no. 1. - P. 14-23. -. DOI: 10.1002/widm.8
37. Friedman, J.H. Stochastic Gradient Boosting // Computational Statistics and Data Analysis. - 2002. - Vol. 38, no. 4. - P. 367-378. -. DOI: 10.1016/S0167-9473(01)00065-2
38. Kingma, D.P., Ba, J.L. Adam: A Method for Stochastic Pptimization // arXiv:1412.6980. - 2014. - URL: http://arxiv.org/abs/1412.6980.
Выпуск
Другие статьи выпуска
Рассмотрен способ автоматизации управления мостовым краном при текущей неопределенности его параметров, параметров переносимого груза и внешних возмущений. Целью управления является перемещение груза в горизонтальной плоскости в точку, обеспечивающую итоговую доставку груза в назначенное место с одновременным парированием угловых колебаний подвеса и обеспечением заданных динамических характеристик. Для этого применен подход, основанный на схеме управления с алгоритмом текущей параметрической идентификации, неявной эталонной модели и «упрощенных» условиях адаптируемости с нацеленностью на непосредственное отслеживание перемещения груза. Закон управления формирует заданную скорость тележки, отрабатываемую сервоприводом. При выборе параметров закона управления используются паспортные данные крановой установки. В отличие от ранее опубликованных работ по этой тематике предлагается решение, которое является более простым, надежным в эксплуатационном плане и менее дорогостоящим. Это достигается расположением совмещенного датчика, включающего акселерометр и датчик угловой скорости, на тросе подвеса около тележки крана, использованием алгоритмического решения, не требующего предварительного вычисления дрейфа датчика угловой скорости, и более эффективной процедуры текущей параметрической идентификации. Приведены результаты компьютерного моделирования, подтверждающие указанное. Аналогичный пример был реализован и на экспериментальной установке.
Рассматривается задача формирования интегрального показателя для оценки эффективности алгоритмов рекомендательных систем, который был создан путем объединения отдельных метрик с использованием энтропийного метода. Работа основывается на исследовании в качестве базы для тестирования набора из 12 алгоритмов, с одной стороны, и трех наборов данных, с другой, для каждой комбинации которых были рассчитаны отдельные критерии, используемые в практике оценки рекомендательных систем. Результаты исследования свидетельствуют о том, что полученный интегральный показатель является эффективным инструментом оценки работы алгоритмов рекомендательных систем. Показано, что качество работы алгоритмов различается в зависимости от размера и иных базовых характеристик набора данных. Обобщенная мера может быть использована для разработки более эффективных алгоритмов, их ансамблей, оптимизации гиперпараметров и улучшения качества рекомендаций.
Предложен метод синтеза самопроверяемых цифровых устройств, основанный на использовании логической коррекции сигналов и взвешенных кодов Боуза - Лина. В отличие от предыдущих исследований, разработанный метод подразумевает логическую коррекцию сигналов в схеме встроенного контроля для тех функций, описывающих выходы исходных устройств, которые участвуют в формировании информационных символов взвешенных кодов Боуза - Лина. Так как одному и тому же контрольному вектору у таких кодов, как и у абсолютного большинства равномерных разделимых кодов, соответствует большое количество информационных векторов, это дает возможность выбора способа доопределения функций логической коррекции сигналов. Описан один из алгоритмов, позволяющий доопределить значения этих функций на каждом входном наборе с учетом обеспечения полной проверки тестера и элементов преобразования в схеме встроенного контроля. Предложенный метод основан на использовании так называемой «базовой» структуры для контроля многовыходных устройств по группам выходов. Он позволяет проектировщику самопроверяемого устройства иметь большую вариативность в выборе способа его построения, а значит, и влиять на такие важные показатели, как cтруктурная избыточность, контролепригодность, энергопотребление и др. Эксперимент с тестовыми комбинационными схемами из набора MCNC Benchmarks показал высокую эффективность метода по показателям структурной избыточности в сравнении с широко применяемым на практике методом дублирования. Предложенный метод синтеза самопроверяемых устройств может оказаться эффективным при решении задач синтеза реальных устройств с обнаружением неисправностей, используемых во всех областях техники, в том числе в системах критического применения в промышленности и на транспорте.
Рассматривается характеристический полином системы, в коэффициенты которого линейно входят интервальные параметры объекта управления, образующие параметрический многогранник. Проводится параметрический синтез линейного робастного регулятора, располагающего доминирующий вещественный полюс системы в заданном отрезке отрицательной вещественной полуоси и обеспечивающего в системе апериодический переходный процесс. Процедура синтеза предусматривает использование регулятора пониженного порядка, параметры которого разделяются на зависимые и свободные. Первые гарантируют желаемое положение отрезка доминирующего полюса, а вторые смещают области локализации остальных полюсов за заданную границу. Для определения значений зависимых параметров регулятора на основании сформулированного утверждения у параметрического многогранника объекта определяются прообразы границ отрезка доминирующего полюса. Для выбора свободных параметров регулятора применяется робастное вершинное или реберное D-разбиение в зависимости от вида граничных реберных ветвей областей локализации свободных полюсов системы. Приводится числовой пример параметрического синтеза ПИД-регулятора для обеспечения допустимого времени апериодического переходного процесса грузоподъемной системы при интервальных значениях длины троса и массы груза.
Издательство
- Издательство
- ИПУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117997, ГСП-7, г. Москва, Профсоюзная, 65
- Юр. адрес
- 117997, г. Москва, Профсоюзная, 65
- ФИО
- Новиков Дмитрий Александрович (дирек)
- E-mail адрес
- dan@ipu.ru
- Контактный телефон
- +7 (495) 3348910
- Сайт
- https://www.ipu.ru/