CC BY
63
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
DOI: 10.24143/2072-9502-2018-1-112-120 УДК 65.012.122
В. В. Афонин, В. В. Никулин
ОПТИМИЗАЦИЯ МАРКОВСКИХ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ С ОТКАЗАМИ В СИСТЕМЕ МД^ДВ
Рассматривается задача оптимизации многоканальной марковской системы массового обслуживания с отказами в условиях большой загрузки системы, что наблюдается в реальных условиях функционирования многих систем массового обслуживания различного назначения. Задача оптимизации сводится к минимизации вероятности отказов в обслуживании, которая соответствует максимизации относительной пропускной способности системы. Для решения задачи использовалась система МА^АВ R2016b, в которой имеются средства (функции) для минимизации целевых функций многих переменных с ограничениями. Естественные ограничения накладываются на параметры системы -интенсивность входного потока и интенсивность обслуживания, которые являются положительными величинами по смыслу функционирования систем массового обслуживания. Полученные результаты могут быть использованы для тестирования моделей систем массового обслуживания с отказами при пиковых, значительных нагрузках.
Ключевые слова: система массового обслуживания, вероятность отказа, относительная пропускная способность, оптимизация, минимизация, максимизация, целевая функция, модельное время, МА^АВ.
Введение
Система массового обслуживания (СМО) с отказами - достаточно распространенный тип систем массового обслуживания. Примерами СМО с отказами являются автоматическая телефонная станция (АТС), вычислительный центр с несколькими взаимозаменяемыми ЭВМ (компьютерами), справочные службы и пр. Эти и другие процессы, которые могут быть представлены в виде моделей СМО, достаточно хорошо описываются теорией марковских СМО [1, 2]. Для марковских СМО приемлемо их аналитическое моделирование [3-7]. В частности, для марковских СМО с отказами получены аналитические зависимости (формулы) для расчета таких показателей работы системы, как вероятность отсутствия требований в системе, вероятность отказов, вероятность нахождения в системе какого-то числа требований и т. д. Эти аналитические зависимости включены во многие учебные пособия, например в [1-7]. Вопросы оптимизации СМО рассматриваются в работах [8-13]. Постановка задач оптимизации СМО может быть самой различной. В рамках нашего исследования задача оптимизации рассматривается как задача минимизации вероятности отказов, которая выступает целевой функцией двух переменных, параметров СМО - интенсивности X входного пуассоновского потока требований и интенсивности ц экспоненциального обслуживания. Необходимо выбрать такое число приборов обслуживания, которое обеспечивает минимальную вероятность отказов СМО и, соответственно, максимальную относительную пропускную способность. Ясно, что при неограниченном увеличении числа приборов обслуживания вероятность отказов будет стремиться к нулю. Однако на практике это не является приемлемым условием. Очевидно, что следует искать компромисс, который, собственно, и выливается в задачу оптимизации, решение которой стало целью нашего исследования. Задача анализировалась в системе МАТЬАВ и полученные результаты выносятся на обсуждение в предлагаемой статье, которую можно рассматривать как продолжение наших работ [8, 9]. В отличие от решений, приведенных в [8, 9], нами была применена условная оптимизация, связанная с положительностью параметров системы X и ц. Кроме того,
решение задачи рассматривается как процесс моделирования, который позволяет прослеживать изменение параметров СМО при минимизации вероятности отказов, когда они имеют динамический характер до значений установившегося режима. При оптимизации как инструменте моделирования реальных систем следует учитывать модельное время, которое может заметно влиять на условия работы стандартных алгоритмов минимизации и, соответственно, на соответствующие функции системы МАТЬАВ. Для малых значений параметров системы их можно увеличить путем перевода модельного времени из минут в секунды и т. д.
Математическая модель системы массового обслуживания с отказами
В соответствии с символикой Кендалла СМО с отказами обозначается как М/М/т: первые две буквы означают пуассоновский входной поток требований и их экспоненциальное обслуживание, третья буква соответствует числу приборов обслуживания, включенных параллельно [1-7].
Размеченный граф состояний многоканальной СМО с отказами приведен на рис. 1.
Рис. 1. Граф состояний СМО с отказами
Считая, что в системе существует стационарный режим, можно определить вероятности состояний системы на основе равенства потоков вероятностей на границе двух состояний, а также условие нормировки: сумма несовместных вероятностей равна единице. Стационарная вероятность произвольного состояния Pk определяется по формулам
Р -М01Р Р к! Р°'
Р=- 1 Р 0
т
^ к=0
(1X ' - / к!
> )
где X - интенсивность входного пуассоновского потока требований; ц - интенсивность обслуживания одним прибором по экспоненциальному закону; т - число приборов обслуживания, т > 1; Р° - вероятность отсутствия требований в системе.
Значения интенсивности X и ц являются положительными величинами по смыслу функционирования любой СМО.
Отказ в обслуживании начинается, когда все приборы (каналы) заняты. Вероятность отказа обозначим как Рт. Расчет вероятности отказа выполняется по формуле
Р (Т р
Р т . 1
т!
Вероятность Р° - величина ограниченная, поэтому пр едельное значение вероятности отказов Рт будет определяться отношением степенной функции (числителем) к факториалу числа от количества приборов обслуживания. Используя правило Лопиталя, можно показать, что при т ^ да вероятность отказов будет равна нулю. Следовательно, задаваясь допустимой величиной вероятности отказов, можно определить соответствующее значение числа приборов обслуживания.
Пропускную способность СМО определяют с помощью таких характеристик, как относительная пропускная способность Q и абсолютная пропускная способность А. Относительная
пропускная способность Q определяет долю обслуженных требований, поэтому она определяется как единица минус вероятность отказа. Абсолютная пропускная способность определяет количество обслуженных требований в единицу времени.
Постановка задачи оптимизации
В задачу оптимизации входит минимизация вероятности отказа и, соответственно, максимизация относительной пропускной способности при условии, что значения интенсивности входного потока и обслуживания должны быть больше нуля. В общем виде вероятность отказа можно определить как целевую функцию трех переменных - интенсивности входного потока, интенсивности обслуживания и числа приборов обслуживания:
Pm = f (m) ^ min, А > 0, р > 0, m > 1.
Как отмечалось выше, при m ^ да вероятность отказа стремится к нулю. Однако здесь введем условие: поставим задачу определения значений интенсивности входного потока и интенсивности обслуживания в результате минимизации вероятности отказа. Предполагается, что при изменении числа приборов обслуживания и выполнения условной минимизации значений вероятности отказов СМО значения параметров X и ц системы будут также изменяться. При этом необходимо найти их установившиеся значения, соответствующие минимальному числу приборов обслуживания с минимальной вероятностью отказов и, соответственно, максимальной относительной пропускной способностью. Если положить, что вероятность отказов СМО непрерывно зависит от ее аргументов, включая число приборов обслуживания, то тогда неизбежно число приборов обслуживания станет не целым, а вещественным числом, поэтому количество приборов обслуживания СМО следует принять в качестве параметра задачи оптимизации.
Решение задачи оптимизации
Для решения задачи оптимизации с ограничениями используем функцию fmincon системы MATLAB R2016b, которая предназначена для решения задач нелинейного программирования с ограничениями. Для применения функции fmincon следует задать вектор начальных условий и границы изменения аргументов - интенсивности входного потока X и интенсивности обслуживания ц. В качестве ограничений на изменения этих аргументов примем системные величины: eps = 2-52 и плюс бесконечность, которую определяют как [] в аргументах функции fmincon. В опциях этой функции обычно задается алгоритм оптимизации в виде строкового литерала. Исследования показали, что для решаемой задачи оптимизации должны использоваться следующие алгоритмы: SQP-алгоритм (Sequential quadratic programming - последовательное квадратичное программирование) и active-set. Алгоритм active-set минимизирует целевую функцию на каждой итерации активного множества (подмножество ограничений, которые локально активны) до тех пор, пока не будет достигнуто решение [14]. Следует заметить, что не на все начальные условия поиска будет найдено решение с помощью функции fmincon - в случае алгоритма SQP не удается перехватить исключение, а в случае алгоритма active-set это возможно с последующей коррекцией вектора начальных условий. Прежде всего это касается большой приведенной нагрузки, т. е. когда отношение X/ц велико и функция fmincon с алгоритмом active-set может возвращать NaN (Not a Number - не число), а с алгоритмом sqp процесс оптимизации прерывается с выводом сообщения об ошибках. Именно поэтому в случае использования алгоритма active-set остается определить величину изменения ц и последовательно увеличивать значение интенсивности обслуживания до того уровня, когда возобновится процесс оптимизации функцией fmincon. Выбор алгоритма оптимизации для функции fmincon остается за пользователем, который должен знать величину отношения X к ц. При небольшой величине приведенной нагрузки предпочтение следует отдать алгоритму SQP. Следует также отметить зависимость результатов решения задачи оптимизации от заданной вычислительной точности.
Схема алгоритма решения задачи минимизации вероятности отказов марковской СМО с отказами, позволяющая составить о нем общее представление, показана на рис. 2.
Рис. 2. Схема алгоритма оптимизации СМО с отказами
В представленном алгоритме вектор начальных условий обозначен как x0 - одномерный массив из двух значений - X и ц, которые, возможно, получены из экспериментальных данных. Например, в сотовых компаниях существует отдел биллинга, который фиксирует количество вызовов в единицу времени, т. е. интенсивность входного потока вызовов. Допустимая величина приведенной нагрузки р определяется экспериментально в случае применения алгоритма sqp. В случае выбора алгоритма оптимизации active-set предусматривается оценка решения, возвращаемого функцией fmincon. Если решение не найдено, то это проверяется библиотечной функцией MATLAB isfinite, которая возвращает истину для вещественного типа данных, а для данных типа NaN, inf (infinity - бесконечность) она возвращает нуль, т. е. «ложь». В этом случае осуществляется увеличение параметра ц с целью уменьшения приведенной нагрузки р = X/ц. После найденного оптимального решения выполняются операции построения пояснительных диаграмм.
Численные эксперименты
Приведем некоторые значения параметров СМО с отказами, полученные в результате моделирования, выполненного в процессе оптимизации СМО с отказами:
- интенсивность входного потока X = 39,012;
- интенсивность обслуживания одним прибором ц = 0,6;
- приведенная интенсивность потока заявок (интенсивность нагрузки канала) р = 65,02;
- вычислительная точность: 2,220446е-16;
- вектор начальных условий x0 = [39,012; 0,6];
- расчетная интенсивность X = 39,0119972;
- расчетная интенсивность ц = 0,6001794;
- оптимальное число каналов обслуживания: 120;
- максимальное значение вероятности отказа: 3,584473е-09;
- минимальное/максимальное значение Q: Qmin = 0,9999999; Qmax = 1,0000000.
Изменения параметров системы в процессе оптимизации показаны на рис. 3.
СМО типа M/M/m с отказами. О - 1. . m [1: 170]
45 40 35 30 25
^
15 10 5 0
1 13 25 37 49 61 73 85 102 114 126
Число каналов обслуживания, m
Рис. 3. Изменение параметров СМО в процессе оптимизации
Начальный процесс изменения параметров СМО на рис. 3 не показан в целях большей наглядности основного процесса оптимизации.
Приведенные результаты получены при установке в опции функции fmincon алгоритма оптимизации active-set.
Расчет оптимального количества приборов обслуживания при минимальной вероятности отказов наиболее удобно определять по зависимости приведенной нагрузки от числа приборов обслуживания, для каждого из которых величина вероятности отказов не превосходит величины 3,584473е-09. Диаграмма изменения приведенной нагрузки показана на рис. 4.
Число каналов обслуживания, m
Рис. 4. Изменение приведенной нагрузки СМО с отказами
Как видно из рис. 4, для определения оптимального количества приборов обслуживания с минимальной вероятностью отказов следует определить скачок зависимости приведенной нагрузки, когда параметры системы X и ц практически не меняются. Для этого достаточно обработать соответствующие массивы данных, полученные в результате моделирования процесса оптимизации СМО с отказами. Следует заметить, что результаты оптимизации для приведенных входных данных зависят от принимаемой вычислительной точности: в частности, если вычислительную точность установить в виде double(eps('single')), то оптимальное число приборов обслуживания станет 102, т. е. уменьшится.
Для справки: при использовании алгоритма sqp оптимальное число приборов обслуживания было равно 136. При увеличении величины X до значения 49,012 при неизменной величине ц = 0,6 процесс оптимизации прерывался, если использовался алгоритм sqp. При тех же параметрах, в случае применения алгоритма active-set, процесс (с учетом алгоритма на рис. 2) выполнялся успешно.
Предлагаемый подход к оптимизации СМО с отказами может использоваться не только при больших значениях приведенной нагрузки (приведенной интенсивности потока заявок), но и при других значениях X и ц. Например, X может быть меньше ц, или X и ц могут быть равны между собой. Такой возможный случай при равенстве X и ц показан на рис. 5.
С МО типа M/M/m с отказами. 0"1. . m [1:170]
* 1
1
f > X
1 * 1 /
i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Число каналов обслуживания, m
Рис. 5. Процесс с равными X и ц в СМО с отказами
Во всех рассмотренных случаях процессы оптимизации получены при минимальной вероятности отказов при изменении числа приборов обслуживания от 1 до 170.
Заключение
В ходе решения задачи оптимизации марковской СМО с отказами с помощью функции ^тсоп системы инженерных и математических вычислений МАТЬАВ (Я2016Ь) получены следующие результаты:
- показано, что в качестве вектора начальных условий для минимизации вероятности отказов следует задавать параметры системы, которые присущи реальным СМО, в частности системам с отказами;
- приведена схема алгоритма оптимизации СМО с отказами, которая не вызовет затруднений при разработке программного алгоритма, прежде всего в системе МАТЬАВ.
Результаты исследования могут быть использованы для тестирования моделей СМО с отказами при пиковых нагрузках, а также и в других случаях, определяемых соотношением параметров системы X и ц.
СПИСОК ЛИТЕРА ТУРЫ
1. Шелухин О. И. Моделирование информационных систем. М.: Горячая линия - Телеком, 2016. 516 с.
2. Таранцев А. А. Инженерные методы теории массового обслуживания. СПб.: Наука, 2007. 175 с.
3. Афонин В. В., Федосин С. А. Моделирование систем: учеб.-практ. пособие. М.: ИНТУИТ; БИНОМ, Лаборатория знаний, 2016. 231 с.
4. Афонин В. В., Никулин В. В. Методы моделирования и оптимизации с примерами на языке С/С++ и МАТЬАВ: Ч. 1: Методы моделирования: учеб. пособие. Саранск: Изд-во Мордов. ун-та, 2015. 184 с.
5. Афонин В. В., Никулин В. В. Методы моделирования и оптимизации с примерами на языке С/С++ и МАТЬАВ: учеб. пособие. Ч. 1. Методы моделирования. Саранск: Изд. Афанасьев В. С., 2017. 188 с.
6. Афонин В. В., Мурюмин С. М., Федосин С. А. Основы анализа систем массового обслуживания: учеб. пособие. Саранск: Изд-во Мордов. ун-та, 2003. 236 с.
7. Гефан Г. Д. Марковские процессы и системы массового обслуживания: учеб. пособие. Иркутск: ИрГУПС, 2009. 80 с.
8. Афонин В. В., Никулин В. В. Методы моделирования и оптимизации с примерами на языке С/С++ и МА^АВ: Ч. 2. Методы безусловной оптимизации: учеб. пособие. Саранск: Изд. Афанасьев В. С., 2017. 231 с.
9. Афонин В. В. Оптимизация марковской системы массового обслуживания с отказами // Журнал научных и прикладных исследований. 2017. № 1. С. 100-103.
10. Балясников В. В., Богданов А. А., Маслаков В. П., Староселец В. Г. Многокритериальная оптимизация транспортных систем массового обслуживания // Транспорт Российской Федерации. 2012. № 6 (43). С. 73-76.
11. Бояршинова И. Н., Исмагилов Т. Р., Потапова И. А. Моделирование и оптимизация работы системы массового обслуживания // Фундаментальные исследования. 2015. № 9 (ч. 1). С. 9-13.
12. Самочернова Л. А., Петров Е. С. Оптимизация системы массового обслуживания с однотипным резервным прибором // Изв. Томск. политехн. ун-та. 2010. Т. 317, № 5. С. 28-31.
13. Фадхкал З. Особенности числовых характеристик многоканальных систем массового обслуживания с ожиданием и отказами: автореф. ... дис. канд. техн. наук. Казань: КНИТУ, 2015. 22 с.
14. Гольдштейт А. Л. Оптимизация в среде МА^АВ: учеб. пособие. Пермь: Изд-во Перм. нац. ис-след. политехн. ун-та, 2015. 192 с.
Статья поступила в редакцию 30.11.2017
ИНФОРМАЦИЯ ОБ АВТОРАХ
Афонин Виктор Васильевич - Россия, 430005, Саранск; Мордовский государственный университет им. Н. П. Огарева; канд. техн. наук, доцент; доцент кафедры автоматизированных систем обработки информации и управления; [email protected].
Никулин Владимир Валерьевич - Россия, 430005, Саранск; Мордовский государственный университет им. Н. П. Огарева; канд. техн. наук, доцент; зав. кафедрой инфо-коммуникационных технологий и систем связи; [email protected].
V. V. Afonin, V. V. Nikulin
OPTIMIZATION OF MARKOVIAN QUEUING SYSTEMS WITH FAILURES IN THE MATLAB SYSTEM
Abstract. The paper touches upon the optimization task of the multichannel Markov queuing system suffering failures due to a heavy work load, which can be observed in realistic operational conditions for multi-purpose queuing systems. The optimization task is reduced to maximizing the system throughput with the minimum number of maintenance devices required, hence, to reducing the number of failures. To solve the task, MATLAB R2016b system has been used, which provides tools (functions) for minimizing the objective functions of many variables with constraints. The natural constraints are superimposed on the system parameters: intensity of the input flow and intensity of the service, which are positive quantities in the queuing system environment. Taking into account the fact that possibility of failures depends on the number of servicing tools, this number inevitably becomes a real number, and not a whole number, and should be taken as a parameter of the optimization task. The results obtained can be used to test models of queuing systems having failures under peak loads, as well as in cases which can be defined by the ratio of the intensity of Poisson arrivals to the intensity of a single machine processing.
Key words: queuing system, failure probability, relative throughput, optimization, minimization, maximization, objective function, model time, MATLAB.
REFERENCES
1. Shelukhin O. I. Modelirovanie informatsionnykh sistem [Modelling of information systems]. Moscow, Goriachaialiniia - Telekom Publ., 2016. 516 p.
2. Tarantsev A. A. Inzhenernye metody teorii massovogo obsluzhivaniia [Engineering methods of Queueing theory]. Saint-Petersburg, Nauka Publ., 2007. 175 p.
3. Afonin V. V., Fedosin S. A. Modelirovanie sistem [Modeling of systems]. Moscow, INTUIT; BINOM, Laboratory of Knowledge, 2016. 231 p.
4. Afonin V. V., Nikulin V. V. Metody modelirovaniia i optimizatsii s primerami na iazyke S/S+ + i MATLAB. Chast' 1: Metody modelirovaniia [Methods of modeling and optimization with examples in C/C ++ and MATLAB. Part 1: Methods of modeling]. Saransk: Izd-vo Mordovskogo universiteta, 2015. 184 p.
5. Afonin V. V., Nikulin V. V. Metody modelirovaniia i optimizatsii s primerami na iazyke S/S+ + i MATLAB: Chast' 1. Metody modelirovaniia [Methods of modeling and optimization with examples in C/C ++ and MATLAB. Part 1. Methods of modeling]. Saransk: Published by Afanasyev V. S., 2017. 188 p.
6. Afonin V. V., Murumin S. M., Fedosin S. A. Osnovy analiza sistem massovogo obsluzhivaniia [Fundamentals of Queuing Systems Analysis]. Saransk: Izd-vo Mordovskogo universiteta, 2003. 236 p.
7. Gefan G. D. Markovskie protsessy i sistemy massovogo obsluzhivaniia [Markov processes and queuing systems]. Irkutsk: IrGUPS, 2009. 80 p.
8. Afonin V. V., Nikulin V. V. Metody modelirovaniia i optimizatsii s primerami na iazyke S/S+ + iMATLAB: Chast' 2. Metody bezuslovnoi optimizatsii [Methods of modeling and optimization with examples in C/C++ and MATLAB. Part 2. Unconstrained optimization methods]. Saransk: Publisher Afanasyev V. S., 2017. 231 p.
9. Afonin V. V. Optimizatsiia markovskoi sistemy massovogo obsluzhivaniia s otkazami [Optimization of the Markov queuing system with failures]. Journal of Scientific and Applied Research, 2017, no. 1, pp. 100-103.
10. Baliasnikov V. V., Bogdanov A. A., Maslakov V. P., Staroselets V. G. Mnogokriterial'naia optimizatsiia transportnykh system massovogo obsluzhivaniia [Multi-criterion optimization of transport Queueing systems]. Transport Rossiiskoi Federatsii, 2012, no. 6 (43), pp. 73-76.
11. Boiarshinova I. N., Ismagilov T. R., Potapova I. A. Modelirovanie i optimizatsiia raboty sistemy massovogo obsluzhivaniia [Modelling and optimization of Queueing system operation]. Fundamental'nye issledovani-ia, 2015, no. 9 (part 1), pp. 9-13.
12. Samochernova L. A., Petrov E. S. Optimizatsiia sistemy massovogo obsluzhivaniia s odnotipnym rezervnym priborom [Optimization of Queueing system with identical backup instrument]. Izvestiia Tomskogo politekhnicheskogo universiteta, 2010, vol. 317, no. 5, pp. 28-31.
13. Fadhkal Z. Osobennosti chislovykh kharakteristik mnogokanal'nykh sistem massovogo obsluzhivaniia s ozhidaniem i otkazami. Avtoreferat... dis. kand. tekhn. nauk [Features of numerical characteristics of multichannel queuing systems with expectation and failures. Abstract ... dis. cand. tech. sci.]. Kazan: KNITU, 2015. 22 p.
14. Gol'dshteit A. L. Optimizatsiia v srede MATLAB [Optimization in MATLAB context]. Perm, Izd-vo Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta, 2015. 192 p.
The article submitted to the editors 30.11.2017
INFORMATION ABOUT THE AUTHORS
Afonin Viktor Vasil'evich - Russia, 430005, Saransk; N. P. Ogarev Mordovia State University; Candidate of Technical Sciences, Assistant Professor; Assistant Professor of the Department of Automated Information Processing Systems and Management; [email protected].
Nikulin Vladimir Valer'evich - Russia, 430005, Saransk; N. P. Ogarev Mordovia State University; Candidate of Technical Sciences, Assistant Professor; Head of the Department of Infocommunication Technologies and Communication Systems; [email protected].
