математическое моделирование. Т 1 МАТ. Моделирование. Литература по теме 197 Вопрос Узловые операторы. 201 Вопрос Текст программной модели смо. 202 Вопрос Сборка и запуск исполнительного модуля модели. 205
Скачать 1.51 Mb.
|
Тема 4. Моделирование марковских процессов Цели изучения темы: познакомиться с понятием марковского процесса; познакомиться с математическим аппаратом моделирования дискретно протекающих марковских процессов. Задачи изучения темы: изучить способ математического описания марковских процессов; научиться определять характеристики марковских процессов с дискретным временем и дискретным множеством состояний. Успешно изучив тему, Вы: получите представление о: сущности марковских процессов и их классификации; как формулируются задача в терминах марковского процесса; способах построения математической модели и нахождения с ее помощью значений нужных показателей; будете знать: как описать протекающие процессы с помощью графа состояний и переходов; как найти вектор вероятностей состояния процесса на определенном шаге; как вычислить предельные вероятности процесса. Вопросы темы: Понятие марковского процесса. Классификация марковских процессов. Граф состояний и переходов. Марковский процесс с дискретными состояниями и дискретным временем. Предельные вероятности цепи Маркова. Вопрос 1. Понятие марковского процесса. Постановка многих задач анализа и, в особенности, проектирования систем связаны с необходимостью проведения оценивания количественных показателей протекающих в системе процессов. Часто поведение этих развивающихся во времени процессов в силу действия различных случайных факторов не удается исследовать во всех деталях. Следствием этого является невозможность в отличие от детерминированных систем однозначно предсказать поведение системы в какой-то момент в будущем. Такие системы и процессы носят название стохастических (от греческого ахо^аанк^ - умеющий угадывать). Их анализ целесообразно проводить, рассматривая их как случайные процессы, ход и исход которых зависят от ряда случайных факторов, сопровождающих их развитие. Для нахождения числовых значений нужных параметров применяются как аналитические, так и имитационные модели. В настоящей и следующей теме будет рассмотрен подход на основе аналитических моделей. Построение аналитической модели в случае стохастических процессов означает необходимость построения некоторой вероятностной модели явления, в которой будут учтены обусловливающие его развитие случайные факторы. Для математического описания многих случайных процессов может быть применен аппарат, разработанный в теории вероятностей для так называемых марковских случайных процессов. Случайный процесс, протекающий в системе S, называется марковским (или процессом без последействия), если он обладает следующим свойством: для каждого момента времени to вероятность любого состояния системы в будущем (при t>to) зависит только от ее состояния в настоящем (при t= to) и не зависит от того, когда и каким образом система пришла в это состояние (т.е., как развивался процесс в прошлом). Другими словами, в марковском случайном процессе будущее развитие зависит только от его настоящего состояния и не зависит от «предыстории» процесса. Вопрос 2. Классификация марковских процессов. Марковские случайные процессы делятся на классы. Основными классифицирующими признаками являются: множество состояний, в которых может находиться система; моменты времени, в которых происходит изменение состояния системы. Случайный процесс называется процессом с дискретными состояниями, если возможные состояния системы Sj, S2, S3, ... можно перечислить (перенумеровать) одно за другим, а сам процесс состоит в том, что время от времени система S скачком (мгновенно) переходит из одного состояния в другое. Кроме процессов с дискретными состояниями существуют случайные процессы с непрерывными состояниями: для этих процессов характерен постепенный, плавный переход из состояния в состояние. Например, процесс изменения напряжения в осветительной сети представляет собой случайный процесс с непрерывными состояниями. Если переходы системы из состояния в состояние возможны только в определенные моменты времени tb, t2, t3, ... , то марковский процесс относится к процессам с дискретным временем. В противном случае имеет место процесс с непрерывным временем. Вопрос 3. Граф состояний и переходов. Анализ случайных процессов с дискретными состояниями обычно проводится с помощью графа состояний и переходов (ГСП). Пусть имеется система S с n дискретными состояниями: SL S2, S3 , .•• , Sn Каждое состояние изображается окружностью или прямоугольником (вершина), а возможные переходы из состояния в состояние («перескоки») — стрелками (дугами), соединяющими эти вершины (рис. 8а). Рис. 8. Пример неразмеченного (а) и размеченного (б) ГСП Заметим, что стрелками можно отмечать только непосредственные переходы из состояния в состояние; если система может перейти из состояния Sb в S5 только через S2, то стрелками отмечаются только переходы Sb—S2 и S2—S5, но не Sb—S5. Удобно также пользоваться размеченным графом, который графически изображает не только возможные состояния системы и возможные переходы из состояния в состояние, но также и значения вероятностей перехода (рис. 8 б), о которых речь будет идти ниже. Вопрос 4. Марковский процесс с дискретными состояниями и дискретным временем. Пусть система S может находиться в состояниях: Sj, S2, S3, ... , Sn и изменения состояния системы возможны только в моменты: tj, t2, t3, ... , tn Будем называть эти моменты шагами, или этапами процесса и рассматривать протекающий в системе S случайный процесс как функцию целочисленного аргумента m = J, 2, ... к, ... , обозначающего номер шага. Указанный случайный процесс состоит в том, что в последовательные моменты времени tJ, t2, ..., tk, ... система Sоказывается в тех или иных состояниях. Процесс, происходящий в системе, можно представить как последовательность (цепочку) событий, например: с(0) о(1) о(0 о(и) 01 , 02 , ... , S , ... , Sn называемую марковской цепью, где для каждого шага вероятность перехода из любого состояния Si в любое Sне зависит от того, когда и как система пришла в состояние Si . Марковскую цепь можно описать с помощью вероятностей состояний, в которых находится система на каком-то шаге. Пусть в любой момент времени (после любого шага) система может пребывать в одном из состояний: Sj, S2, S3, . , Sn т.е., в результате шага к осуществится одно из полной группы несовместных событий: Ык) Ык) Ык) Ык) S1 , S2 ,..., s ,..., Sn . Обозначив вероятности этих событий для k -го шага через р(к) = Ж(к)), р2(к) = p(Sf), ... , p (к) = p(S^),..., p, (к) = p(S^) легко видеть, что для каждого шага к p,(k)+p2(k)+...+pt(k)+...+pn (k)=1 поскольку p (k), i = 1, n , представляют собой вероятности появления полной группы событий. Вероятности p (k), i = 1, n называются |