...

Teoria delle code e delle reti di code

by user

on
Category: Documents
8

views

Report

Comments

Transcript

Teoria delle code e delle reti di code
Corso di
Automazione Industriale 1
Capitolo 7
Teoria delle code e delle reti di code
1
Simona Sacone - DIST
Introduzione alla Teoria delle Code
La Teoria delle Code si propone di sviluppare modelli per lo studio dei
fenomeni d’attesa che si possono manifestare in presenza di una domanda di
un servizio.
Quando la domanda stessa e/o la capacità di erogazione del servizio sono
soggetti ad aleatorietà, si possono infatti verificare situazioni temporanee in
cui chi fornisce il servizio non ha la possibilità di soddisfare immediatamente
le richieste.
I risultati ottenibili della Teoria delle Code trovano applicazione nei:
• sistemi flessibili di lavorazione;
• sistemi di elaborazione;
• sistemi di comunicazione / trasmissione dati;
• sistemi di trasporto;
• ...
2
Simona Sacone - DIST
Il sistema coda e le sue componenti
Dal punto di vista fisico un sistema coda è un sistema composto da un
insieme non vuoto di servitori, capaci di fornire un servizio imprecisato, e
da un insieme non vuoto di aree di attesa (buffer) capaci di accogliere i
clienti che non possono essere serviti immediatamente.
I clienti che non trovano un servitore libero al loro arrivo si dispongono in
modo ordinato, cioè in coda, e vengono serviti in accordo a determinate
discipline di servizio.
Dal punto di vista dinamico una coda è costituita essenzialmente da due
processi stocastici: il processo d'arrivo dei clienti e il processo di servizio.
3
Simona Sacone - DIST
Rappresentazione schematica di una coda
Waiting line
Coda (tail)
Testa (head)
Partenze
Arrivi
Servitore
(server)
4
Simona Sacone - DIST
Rappresentazione schematica di una coda
1 buffer - 4 servitori
5
Simona Sacone - DIST
Gli elementi che permettono di definire completamente il fenomeno
d’attesa sono:
Î la popolazione dei clienti
Î il processo degli arrivi
Î la coda (in senso stretto)
Î i servitori
Î il processo di servizio
Î la disciplina di servizio.
La popolazione è l’insieme dei potenziali clienti, ovvero l’insieme da cui
arrivano i clienti e a cui tornano dopo essere stati serviti. Essa può essere
finita o infinita. Nel primo caso le modalità di arrivo dei clienti dipendono
dal numero di clienti correntemente nel sistema. Una tipica situazione in
cui si può ritenere che i clienti provengano da una popolazione finita è
quando essi devono presentarsi forniti di (o contenuti in) determinate
strutture disponibili in numero limitato; (ad esempio in ambiente
manifatturiero spesso le parti per essere lavorate devono essere poste su
opportuni pallet).
6
Simona Sacone - DIST
I clienti di una stessa popolazione sono tra loro indistinguibili. Di
conseguenza si suppone che essi provengano da popolazioni differenti
ogniqualvolta debbano essere distinti, ad esempio per livello di priorità o tipo
di servizio richiesto.
Il processo degli arrivi, che descrive il modo secondo cui i clienti si
presentano, è in generale un processo stocastico. Esso è definito in termini
della distribuzione dell'intertempo d'arrivo, cioè dell'intervallo di tempo che
intercorre tra l'arrivo di due clienti successivi.
Per ottenere modelli analiticamente trattabili di solito si assume che sia il
processo degli arrivi che quello di servizio siano stazionari, ovvero che le
loro proprietà statistiche non varino nel tempo. Tale assunzione in certi ambiti
può essere molto limitativa.
7
Simona Sacone - DIST
La coda (in senso stretto) è formata dai clienti presenti nel buffer in attesa
di essere serviti. Si assume che ogni cliente lasci immediatamente la coda
dopo che il suo servizio è stato completato.
La capacità del buffer può essere infinita o finita. Nel secondo caso essa
limita di conseguenza la capacità del sistema, cioè il numero dei clienti in
attesa nel buffer più quelli che correntemente sono serviti. I clienti che
arrivano dopo che sia saturata quest'ultima capacità sono respinti.
Ad esempio ha capacità di sistema limitata un centralino telefonico che può
tenere in attesa solo un numero finito di chiamate. In assenza di centralino
la dimensione della coda è addirittura zero, di conseguenza una chiamata o
è servita immediatamente o è rifiutata.
8
Simona Sacone - DIST
I servitori sono in numero noto e costante, fissato a livello di progetto.
Usualmente essi hanno caratteristiche identiche, possono sempre lavorare in
parallelo, viceversa non possono mai rimanere inattivi in presenza di clienti
in coda. Anche se vi sono di più servitori in una coda in generale si assume
l'esistenza di un unico buffer comune, quando infatti ogni servitore ha il suo
buffer separato si preferisce pensare ad un insieme di code. Può però essere
comodo introdurre, almeno logicamente, più buffer in presenza di clienti
provenienti da popolazioni diverse.
Il processo dei servizi descrive il modo secondo cui ciascun servitore eroga
il servizio, in particolare definisce la durata dello stesso ed è di solito un
processo stocastico. Esso è definito in termini delle distribuzioni dei tempi
di servizio dei diversi servitori.
9
Simona Sacone - DIST
Il processo dei servizi è alimentato dal processo d'arrivo. Conseguentemente
il processo d'arrivo condiziona il processo dei servizi. Un cliente, infatti, può
essere servito solo se è già arrivato. Non può esistere una coda negativa.
Inoltre, quando non sarà indicato esplicitamente il contrario, il processo
degli arrivi sarà considerato indipendente dal processo dei servizi.
La disciplina di servizio specifica quale sarà il prossimo cliente servito fra
quelli in attesa al momento in cui si libera un servitore. Le discipline di
servizio usualmente considerate, poiché sia molto comuni nella realtà che
matematicamente trattabili, sono: servizio in ordine di arrivo FCFS (firstcome first-served) o FIFO (first-in first-out), servizio in ordine inverso di
arrivo LCFS (last-come first-served) o LIFO (last-in first-out), servizio in
ordine casuale SIRO (service in random order), servizio basato su classi di
priorità.
10
Simona Sacone - DIST
La notazione di Kendall
Tutti gli elementi che definiscono una coda sono evidenziati nella
notazione A/B/c/K/m/Z detta di Kendall, dove le lettere rispettivamente
indicano:
- A: la distribuzione degli intertempi d'arrivo;
- B: la distribuzione dei tempi di servizio;
- c: il numero di servitori;
- K: la capacità del sistema (default: infinita);
- m: la dimensione della popolazione (default: infinito);
- Z: la disciplina di servizio (default: FCFS)
11
Simona Sacone - DIST
In particolare ad A e B possono essere sostituite le seguenti lettere:
M : distribuzione esponenziale (Markoviana)
D : distribuzione costante (Degenere)
N : distribuzione normale (Gaussiana)
Ek : distribuzione di Erlang di ordine k
G : distribuzione generica
GI : distribuzione generica di eventi indipendenti (per gli arrivi)
Ad esempio M/M/1 sta per M/M/1/∞/∞/FCFS coda con processo degli
arrivi e dei servizi markoviani, con un servitore, con capacità del sistema (e
quindi del buffer) infinita e con arrivi provenienti da una popolazione
infinita che vengono serviti su base FCFS.
12
Simona Sacone - DIST
Indici di prestazione
La Teoria delle Code individua alcuni indici di prestazione direttamente
legati ai costi che, quando valgono alcune ipotesi, sono facilmente calcolabili:
• Ls: numero medio di clienti nel sistema (sia in attesa di servizio che
riceventi servizio);
• Lq: numero medio di clienti in attesa di servizio;
• Ws: tempo di attesa medio dei clienti nel sistema (sia in attesa di
servizio che riceventi servizio);
• Wq: tempo d'attesa medio dei clienti prima di essere serviti;
• pn: probabilità che vi siano a regime n clienti nel sistema;
• ρ : fattore di utilizzazione dei servitori (rapporto tra tempo impiegato in
servizio e tempo disponibile complessivo).
I valori che sono assunti dagli indici sopraenunciati dipendono
parametricamente dalla struttura della coda e dal tasso di arrivo dei clienti.
13
Simona Sacone - DIST
Notazioni
Alcune grandezze di interesse nel calcolo degli indici di prestazione
definiti sono:
• L(t): lunghezza della coda all’istante t (=numero di clienti nel
sistema all’istante t);
• Lw(t): numero di clienti in attesa all’istante t (=L(t)-numero clienti
in servizio all’istante t);
• tq,i: tempo di permanenza nel sistema dell’i-esimo cliente (l’ordine
si riferisce all’arrivo nel sistema);
• tw,i: tempo di attesa dell’i-esimo cliente;
• ts,i: tempo di servizio dell’i-esimo cliente;
• ai: istante di arrivo dell’i-esimo cliente;
• di: istante di partenza dal sistema dell’i-esimo cliente.
14
Simona Sacone - DIST
Considerazioni generali
Due ovvie relazioni sono:
→ tq,i= tw,i+ ts,i
→ tq,i= di- ai
Inoltre, per un sistema a coda con m servitori in parallelo, si definisce
coefficiente di carico ρc il rapporto:
E[t s ]
ρc =
E[t a ]⋅ m
Essendo ta e ts variabili aleatorie che rappresentano il tempo di
interarrivo tra i clienti ed il tempo di servizio dei clienti.
15
Simona Sacone - DIST
Considerazioni generali
Ponendo λ=1/E[ta] (frequenza media degli arrivi) e µ=1/E[ts] (frequenza
massima di servizio) si ottiene:
ρc =
λ
µ⋅m
Per sistemi con buffer illimitati (i clienti non possono mai essere
rifiutati), condizione sufficiente di stabilità è che sia
0≤ρc<1
(evidentemente ρc>1 è condizione sufficiente di instabilità).
16
Simona Sacone - DIST
Considerazioni generali
Nel caso in cui m>1, si suppone che le politiche di servizio non
privilegino nessuno dei servitori in parallelo. Si può quindi considerare la
probabilità che un generico servitore sia inattivo in un certo istante in
condizioni di equilibrio stocastico. Sia π tale probabilità.
Il coefficiente di utilizzazione del generico servitore può essere espresso
come
ρ=1-π
Il throughput del generico servitore (numero medio di clienti processati
dal servitore nell’unità di tempo) vale (1- π)µ, e, quindi, il throughput
complessivo del sistema è (1- π)µm.
Poiché si assume che il sistema sia in condizioni di equilibrio stocastico
sarà λ = (1- π)µm, e, quindi, si ha ρc=1-π, da cui segue ρc= ρ.
17
Simona Sacone - DIST
Le leggi fondamentali
Legge di Lindley
In un sistema a coda con un solo servitore e disciplina di servizio FIFO,
l’istante di partenza dell’i-esimo cliente può essere espresso come:
di = max{ai, di-1} + ts,i
N.B. La legge di Lindley riguarda solo il comportamento
transitorio del sistema considerato
18
Simona Sacone - DIST
Le leggi fondamentali
Legge di Little
In un sistema a coda in condizioni di equilibrio stocastico, vale la
seguente relazione:
Ws = Ls / λ,
dove: Ws è il tempo medio di attesa dei clienti, Ls è il numero medio di
clienti presenti nel sistema e λ è la frequenza degli arrivi.
N.B. La legge di Little è del tutto generale, non prevede,
quindi, ipotesi sul processo degli arrivi, sul processo dei
servizi, sul numero di servitori, sulla disciplina di servizio,
ecc.
19
Simona Sacone - DIST
Considerazioni generali
Qualunque sia il sistema fisico considerato le problematiche di interesse
generalmente riguardano i costi (o i profitti) di tipo economico coinvolti.
I costi sono di solito suddivisi tra variabili, ovvero funzione di almeno una
delle grandezze che caratterizzano la dinamica del sistema, e fissi, ovvero
indipendenti dalla dinamica osservata e generalmente funzione della sola
struttura fisica del sistema.
Î In una coda si possono ritenere sempre presenti almeno i costi variabili
legati al tempo d'attesa dei clienti e i costi fissi legati al numero dei servitori
disponibili.
I clienti ritengono fondamentale la riduzione dei tempi d'attesa, mentre il
gestore del sistema è probabilmente interessato al massimo sfruttamento delle
risorse (servitori) pur cercando di rispettare le esigenze dei clienti.
20
Simona Sacone - DIST
Considerazioni generali
Il progettista di sistema dovrebbe quindi essere capace di determinare le
caratteristiche della coda, ad esempio il numero di servitori e la loro velocità
di servizio, in modo da soddisfare le specifiche. In particolare, una volta che
siano fissati dei valori (o degli intervalli) per gli indici prestazione e che sia
noto il tasso di arrivo dei clienti, il progettista deve minimizzare i costi di
realizzazione
Per la difficoltà dei calcoli coinvolti però la Teoria delle Code in generale
fornisce solo modelli descrittivi, ovvero modelli che permettono di valutare
le prestazioni del sistema a fronte d'ipotesi sulla sua struttura, ma che non
risolvono direttamente problemi di progetto come invece fanno i modelli
normativi. Di conseguenza il progetto di una coda di solito avviene per
tentativi: sono formulate delle ipotesi sulla struttura del sistema, si valutano
le prestazioni corrispondenti, se le prestazioni sono adeguate ai costi la
struttura è accettata altrimenti si torna a modificare la struttura e si itera.
21
Simona Sacone - DIST
Considerazioni generali
La fase di calcolo delle prestazioni avviene attraverso l’utilizzo di formule
matematiche chiuse quando esse sono note oppure, per sistemi
particolarmente complessi che includano ad esempio più code, attraverso la
realizzazione di esperimenti simulativi o l'utilizzo di metodi approssimati.
In ogni caso il problema consiste nel capire in che direzione devono
orientarsi le modifiche al sistema di tentativo. Solo in questo modo
all’iterazione successiva si può definire una struttura migliore.
Alcune considerazioni qualitative possono comunque essere fatte circa le
relazioni esistenti tra gli indici di prestazione indicati, i parametri del
sistema e gli intertempi d'arrivo dei clienti.
22
Simona Sacone - DIST
Considerazioni generali
Si consideri ad esempio un sistema in cui vi sia un unico buffer infinito, i
clienti siano serviti su base FCFS e ogni servitore soddisfi una richiesta alla
volta, con una velocità di servizio indipendente sia dalla presenza degli altri
servitori che dal numero dei clienti. In questo caso Ls, Lq, Ws e Wq
crescono/decrescono al diminuire/aumentare degli intertempi d'arrivo dei
clienti, al diminuire/aumentare del numero o della velocità dei servitori.
Allo stesso modo si comporta il numero medio di clienti serviti da ogni
servitore, ammesso che il sistema riesca a mantenersi stabile, ovvero che il
tempo di attesa dei clienti non cresca all’infinito. In questo contesto si osservi
che un eventuale servitore “pigro” diminuirebbe la propria velocità di servizio
per apparire molto impegnato. In questo modo però egli danneggerebbe i
clienti che dovrebbero attendere più a lungo.
Per questo motivo un eventuale incentivo ai servitori non dovrebbe essere
basato solo sul loro fattore di utilizzo, bensì, a parità di altre condizioni, sul
numero medio di clienti serviti nell’unità di tempo.
23
Simona Sacone - DIST
Il caso deterministico D/D/1
Si possono facilmente determinare le prestazioni del sistema quando gli
istanti d’arrivo dei clienti ed i tempi di espletamento dei servizi richiesti
sono noti a priori senza incertezza.
Se la disciplina di servizio è FCFS, per ogni cliente, l’istante di uscita
dal sistema è dato dalla legge di Lindley.
Ponendo d0 = 0
di = max{ai, di-1} + ts,i
e inoltre
tw,i = di -ai - ts,i
24
Simona Sacone - DIST
Il caso deterministico D/D/1
Quindi, per calcolare il numero di clienti nel sistema all’istante t, basta
contare il numero di valori di clienti i per cui ai <=t < di, dal momento
che un cliente è nel sistema nell’istante in cui entra, non vi è più
nell’istante in cui esce.
Il caso totalmente deterministico è però difficile che occorra nella
realtà. In genere gli arrivi dei clienti e la durata dei servizi sono affetti
da incertezza, quindi sono modellati come processi stocastici.
25
Simona Sacone - DIST
La distribuzione esponenziale
Nei casi pratici si possono trovare code con intertempi d'arrivo dei clienti e
tempi di servizio soggetti a distribuzioni probabilistiche di quasi qualunque
tipo. Tra le tante, la distribuzione esponenziale è forse quella che trova
maggiore applicazione e che inoltre presenta migliore trattabilità dal punto di
vista matematico.
Una variabile aleatoria (v.a.) X ha distribuzione esponenziale con parametro
λ >0 quando la sua densità p(x) è:
λe-λx
p( x ) = 
0
x≥0
x<0
26
Simona Sacone - DIST
I tempi intercorrenti tra due eventi successivi relativi allo stesso processo (e.g.,
arrivo di clienti oppure inizio e fine di un servizio) possono essere modellati
come una v.a. esponenziale se soddisfano le seguenti condizioni:
Î la probabilità che un evento occorra in un intervallo di tempo
infinitesimo dx è proporzionale a dx, con λ come costante di
proporzionalità, ovvero
P(x< X <= x+dx) = λdx
Î la probabilità di avere più di un evento in un intervallo di tempo
infinitesimo dx è nulla;
Î la probabilità che il prossimo evento ritardi oltre un dato limite non
dipende da quanto tempo prima si è verificato l’evento precedente.
Il processo non ha quindi memoria (proprietà markoviana), ovvero
P(X>x+u;X>u) = P(X>x)
che implica
P(X>x+u) = P(X>x)P(X>u)
27
Simona Sacone - DIST
Solo una v.a. esponenziale soddisfa tali condizioni, infatti
P(X <= x+dx) =1-P(X>x+dx) =
1-P(X>x)P(X>dx) = 1-P(X>x)(1-P(X<=dx)) =
1-P(X>x)(1- λdx) =
P(X <=x)+(1-P(X <=dx))λdx
allora, posto P(x)=P(X <=x), si giunge a
dP(x) = P(x)+(1-P(x)) λdx -P(x) = (1-P(x)) λdx
che è un’equazione differenziale la cui unica soluzione che soddisfa la
condizione
lim p(x) = 1
x →∞
è
1 - e-λx
P( x ) = 
0
x≥0
x<0
ossia
λe -λx
p( x ) = 
0
x≥0
x<0
28
Simona Sacone - DIST
Funzione di densità di probabilità di tipo esponenziale con λ= 0.1
29
Simona Sacone - DIST
Il valor medio (speranza matematica) della variabile aleatoria X con
distribuzione esponenziale è E{X}=1/ λ e la sua varianza è 1 / λ2.
Il parametro λ è l'inverso del valore atteso del tempo che intercorre tra
l'arrivo di due clienti successivi e può essere interpretato come il tasso
medio d'arrivo di clienti per unità di tempo.
La distribuzione esponenziale è una funzione strettamente decrescente,
quindi i valori più piccoli sono più probabili. Si hanno spesso valori
inferiori alla media e qualche volta valori molto superiori.
30
Simona Sacone - DIST
La mancanza di memoria della distribuzione esponenziale rende la stessa
ragionevole per modellare gli intertempi d'arrivo che non siano correlati,
cioè tali per cui l'arrivo di un cliente non favorisca o sfavorisca altri arrivi.
La stessa proprietà giustifica l'uso della distribuzione in presenza di tempi
di servizio che riguardino prestazioni poco omogenee (ad esempio la
durata conversazioni e la lunghezza di messaggi).
Viceversa la distribuzione esponenziale non deve essere usata per
modellare produzioni industriali identiche, a meno che non si considerino
come clienti gli ordini da eseguire e solo nel caso in cui questi possano
avere dimensione variabile.
Collegato alla proprietà di mancanza di memoria è il cosiddetto paradosso
del tempo di servizio residuo. Se T è il tempo medio di servizio, un nuovo
cliente che arrivi in modo completamente casuale, quando il servitore è
occupato, deve comunque aspettare in media un tempo T (non T/2, come si
sarebbe tentati di pensare) prima che il servitore termini il servizio incorso.
31
Simona Sacone - DIST
Le variabili aleatorie esponenziali godono, infine, di un'ulteriore proprietà:
Il minimo di variabili aleatorie esponenziali indipendenti è ancora una
variabile aleatoria esponenziale.
Si considerano eventi di tipo diverso, ciascuno con intertempo di
occorrenza esponenziale: allora l’intertempo tra eventi di tipo qualsiasi è
ancora esponenziale, con parametro pari alla somma dei parametri.
32
Simona Sacone - DIST
Il processo di Poisson
Quando gli intertempi sono esponenziali il numero di eventi N(t) che si
verifica in un dato tempo t è un processo di Poisson:
P{N(t) = n} = [ (λt)n e-λ t ] / n!
Il processo di Poisson N(t) ha valore atteso E{N(t)} = λ t, dove λ esprime il
numero medio di eventi nell’unità di tempo, cioè la frequenza media.
La distribuzione di Poisson assume al variare del valore λt le forme presenti
nella figura seguente
33
Simona Sacone - DIST
λt = 1
λt = 5
λt = 10
34
Simona Sacone - DIST
Ai processi di Poisson si generalizzano le proprietà delle v.a.
esponenziali. In particolare:
Î λdt rappresenta la probabilità di occorrenza di un evento in un
intervallo di tempo infinitesimo dt;
Î se si hanno eventi di tipo diverso i, i=1,2,...,n, e il loro processo di
accadimento globale è poissoniano con parametro λ, se inoltre
ogni evento ha probabilità fissa pi di essere di tipo i (∑i pi =1),
allora ciascun tipo di eventi i è di per sé poissoniano, con
parametro λi = λ pi .
35
Simona Sacone - DIST
Il processo nascite - morti
Il processo nascite-morti è un processo stocastico utile per studiare le code.
Esso rappresenta il numero di elementi N(t) di una popolazione che può
aumentare, per effetto di una nascita, o diminuire, per effetto di una morte, di
un’unità alla volta.
In modo formale il processo nascite-morti assume che, ad ogni generico istante
t, possa avvenire un solo evento (di nascita o di morte); inoltre che, data una
popolazione di numerosità N(t)=n, l'intervallo di tempo fino alla prossima
nascita sia una v.a. esponenziale con parametro λn , mentre l'intervallo di tempo
fino alla prossima morte sia una v.a. esponenziale con parametro µn.
In questo contesto i parametri λn e µn possono essere interpretati come
rispettivamente il tasso medio di nascita e di morte di una popolazione
composta di n individui.
36
Simona Sacone - DIST
Un particolare processo nascite-morti, dove avvengono solo nascite, è quello
di Poisson. In questo caso λn = λ e µn =0, n=0,1,2,.....
Con un processo nascite-morti si può descrivere anche il numero di clienti in
una coda. In questo caso valgono le seguenti relazioni:
arrivo = nascita
uscita = morte
Il processo nascite-morti è usualmente rappresentato in modo grafico come
indicato nella figura seguente. Gli ovali rappresentano lo stato (ovvero solo
la numerosità della popolazione dato che le v.a. esponenziali sono senza
memoria); i coefficienti associati alle frecce esprimono invece il tasso di
probabilità di transizione da uno stato all’altro.
37
Simona Sacone - DIST
λ1
λ0
...
1
0
µ1
λn-1
µ2
λn
...
n
µn
µn+1
Processo nascite-morti
38
Simona Sacone - DIST
Per trovare il valore pn(t) della probabilità che al tempo t il processo nascitemorti si trovi nello stato n, ovvero la probabilità che al tempo t siano in vita
n persone, si può fare ricorso alla soluzione di un sistema di equazioni
differenziali. Infatti la probabilità pn(t + dt) che al tempo t+dt ci siano n
persone è data dalla somma dei seguenti termini:
„ la probabilità pn(t) che in t ci siano n persone per la probabilità
(1-λn-µn)dt che nell'intervallo di tempo tra t e t+dt non sia avvenuta
nè una nascita nè una morte;
„ la probabilità pn-1(t) che in t ci siano n-1persone per la probabilità
λn-1dt che nell'intervallo di tempo tra t e t+dt sia avvenuta una
nascita;
„ la probabilità pn+1(t) che in t ci siano n+1 persone per la probabilità
µn+1dt che nell'intervallo di tempo tra t e t+dt sia avvenuta una morte.
39
Simona Sacone - DIST
Si ottiene quindi il seguente sistema di equazioni differenziali:
p0(t + dt) = p0(t)(1 - λ0 ) dt + p1(t) µ1dt
pn(t + dt) = pn(t)(1 - λn - µn) dt + pn-1 (t)λn-1dt + pn+1 (t) µn-1dt
n=1,2,....
Per t che tende all’infinito, se il tasso delle morti complessivamente supera
il tasso delle nascite, il processo diventa stazionario, ovvero le sue
proprietà statistiche non variano più nel tempo e quindi pn (t)=pn , per ogni
tempo t.
In quest’ipotesi il sistema di equazioni differenziali diventa un sistema
di equazioni lineari omogeneo con soluzione:
pn = Cn p0
n = 1,2,...
dove
Cn = (λn-1λn-2... λ0 ) / ( µn µn-1... µ1 ).
40
Simona Sacone - DIST
Osservando, infine, che i termini pn rappresentano delle probabilità e che
quindi
∑n pn = 1
si ottiene che
p 0 = 1 / (1 + ∑n C n ).
Da questi risultati si possono ricavare le distribuzioni di probabilità di tutte
le code poissoniane (M/M/…)
41
Simona Sacone - DIST
La coda M/M /1
Una coda M/M/1 è fisicamente composta da un buffer e da un solo servitore;
in essa l’intertempo tra due arrivi successivi e il tempo di servizio sono due
variabili aleatorie markoviane, cioè con distribuzione esponenziale.
Il tasso medio di interarrivo e il tasso medio di servizio sono usualmente
indicati con λ e µ. La coda M/M/1 può essere considerata un processo
nascite-morti con
λn =λ, µn =µ.
L'arrivo di un nuovo cliente in coda può, infatti, essere interpretato come una
nascita; viceversa la fine di un servizio, quindi l'uscita di un cliente dal
sistema, come una morte.
42
Simona Sacone - DIST
Di conseguenza
n = 1,2,...
pn = ρn p0
dove il fattore di utilizzazione ρ =(λ /µ ) esprime il rapporto tra il tempo
medio di servizio e il tempo medio tra due arrivi.
Dato che vale la seguente condizione
p0 = 1 / (1 + ∑n Cn ) = 1 / (1 + ∑n ρn ),
non dovrebbe stupire che p0 esiste se e solo se ρ <1 , ovvero se in media il
sistema ha la potenzialità di servire i clienti più velocemente di quanto essi
arrivino.
La condizione ρ <1 è detta di stabilità.
Infatti lo stato stazionario non può essere raggiunto e la coda cresce
all’infinito qualora essa non occorra.
43
Simona Sacone - DIST
Per ρ<1 si verifica che 1 + ∑n ρn =1 /(1- ρ), e di conseguenza p0 = 1- ρ e
pn = ρn (1- ρ).
Dalle condizioni precedenti si può esprimere ρ =1- p0, quindi ρ può
essere interpretato anche come il tasso di occupazione del servitore,
ovvero la frazione di tempo in cui il servitore lavora, ovvero la
probabilità che ci sia almeno un cliente nel sistema oppure, infine, come
il numero medio di ingressi durante un servizio.
Una volta note le probabilità pn possono essere calcolati i valori delle
altre grandezze d'interesse. In particolare il numero medio di clienti nel
sistema è
Ls = ∑n n pn = ρ / (1 - ρ ) = λ/(µ−λ)
con varianza
{
}
σ 2L = E (n - Ls )2 = ρ(1 - ρ )2
s
44
Simona Sacone - DIST
Il numero medio di clienti in attesa è invece
Lq = Ls - [n. medio di clienti correntemente serviti] = Ls - ρ = ρ2 / (1 - ρ);
dove Lq può anche essere dedotto nel seguente modo
∞
∞
∞
n =1
n =1
n =1
L q = ∑ (n - 1)p n = ∑ np n − ∑ p n = Ls − (1 − p 0 ) = Ls − ρ
45
Simona Sacone - DIST
Formula di Little
Se una coda è stabile, qualunque essa sia, in media devono uscire dal sistema
tanti clienti quanti entrano. Per una coda M/M/1 il tasso d’uscita dal sistema è
quindi λ e non µ.
Si può dedurre di conseguenza che il tempo media di attesa dei clienti nel
sistema è
Ws = Ls / λ,
La formula di Little, vale, come già evidenziato, per qualunque sistema in
equilibrio e si enuncia affermando che: il numero medio di elementi presenti
nel sistema è eguale al tempo medio di permanenza nel sistema per il tasso
d’ingresso.
46
Simona Sacone - DIST
Applicando la formula di Little al caso M/M/1 si ottiene che il tempo
d'attesa nel sistema è:
Ws = 1 / ( µ- λ )
e che il tempo medio d’attesa in coda è:
Wq = Ws - ( 1 / µ)= λ /( µ( µ- λ )).
La formula di Little può essere generalizzata in modo da considerare i
momenti del secondo ordine del tempo d'attesa nel sistema e del numero
medio di clienti.
{
}
{ }
E L2s − Ls = λ 2 E Ws2
Più in generale, per i momenti di ordine k, la formula di Little diventa:
E{Ls (Ls − 1)(Ls − 2 ). (Ls − k + 1)} =
{ }
λ k E Wsk
47
Simona Sacone - DIST
L'influenza del fattore di utilizzazione
Nei paragrafi precedenti si è osservato che ci deve essere una probabilità p0 =
1- ρ non nulla che il servitore sia inattivo per assicurare la stabilità del sistema.
In particolare al crescere di ρ aumenta l’occupazione del servitore e quindi la
permanenza media e il numero medio dei clienti nel sistema, nonché il numero
medio e il tempo medio dei clienti in attesa.
Un incremento del valore di ρ non introduce però solo svantaggi. Se ρ
aumenta a causa di un maggiore arrivo di clienti, si ha corrispondentemente
una maggiore utilizzazione delle risorse disponibili. Viceversa, se l'aumento di
ρ è dovuto all'utilizzo di servitori meno veloci, dovrebbero diminuire
conseguentemente i costi di acquisizione degli stessi.
48
Simona Sacone - DIST
Ws
ρ
49
Simona Sacone - DIST
In un problema di progetto si deve quindi fissare ρ cercando un giusto
compromesso tra costi, prestazioni (qualità) e utilizzazione delle risorse.
Un altro fattore molto importante che è influenzato da ρ è il tempo di
raggiungimento del regime, ovvero il tempo dopo il quale le statistiche che
descrivono il comportamento medio del sistema non variano più in modo
significativo e quindi il processo che descrive la dinamica della coda può
essere ritenuto praticamente stazionario.
Si ricordi che le formule presentate in questo capitolo ed in quelli precedenti
si basano sull'assunzione che il sistema abbia raggiunto il regime.
50
Simona Sacone - DIST
In particolare con ρ =0.7 il regime è raggiunto dopo meno di un migliaio
di clienti, con ρ =0.85 il regime è raggiunto dopo una decina di migliaia di
clienti, con ρ >0.95 il regime è raggiunto dopo diversi milioni di clienti.
Alla luce delle considerazioni precedenti è legittimo chiedersi se, per tassi
di utilizzazione vicini all'unità, i risultati ottenuti abbiano interesse
pratico. Infatti pochi sistemi mantengono caratteristiche costanti per tempi
così lunghi sia per quanto riguarda l'arrivo dei clienti che il servizio agli
stessi.
Si deve notare però che, se al tempo iniziale la coda era vuota, le
grandezze calcolate in una situazione di regime forniscono in generale dei
limiti superiori per i valori che saranno assunti dalle stesse grandezze
nella fase di transitorio.
51
Simona Sacone - DIST
L'intertempo tra due partenze
Le code M/M/1 godono di un'altra interessante caratteristica. Gli intertempi tra
la fine di servizi successivi possono essere descritti come v.a. esponenziali con
parametro λ coincidente in valore con quello del processo degli arrivi.
Questa caratteristica peculiare permette di studiare facilmente catene di code
M/M/1, ma anche reti più complesse (dette reti di Jackson). Nelle reti di
Jackson ad ogni coda è associato un insieme di probabilità tempo invarianti,
una per ogni altra coda del sistema e una per l'universo esterno. In base a tali
probabilità ogni cliente, una volta terminato il servizio in una coda, è
indirizzato o fuori dal sistema o verso un'altra coda.
52
Simona Sacone - DIST
Si dimostra che in questo modo la generica coda i-ma osserva un processo
d'arrivo di clienti poissoniano di parametro
λ i = λ 0i + ∑ j p ji λ j
dove λ0i è il tasso di arrivi alla coda dei clienti che provengono dall'esterno del
sistema, mentre pji è la probabilità che un cliente in uscita dalla coda j-ma sia
indirizzato verso la coda i-ma, infine λj è il tasso complessivo di arrivo dei
clienti alla coda j-ma.
Le proprietà del processo di uscita dei clienti di una coda M/M/1 possono
essere anche utilizzate per verificare la correttezza di software di simulazione
per sistemi di code. Infatti, se i numeri casuali che devono simulare gli
intertempi di arrivo dei clienti e i tempi di servizio non sono generati
correttamente, si osserva quasi sempre che il processo di uscita da una coda
M/M/1 non è poissoniano.
53
Simona Sacone - DIST
Altre code poissoniane (M/M /…)
Il processo nascite-morti permette di studiare anche altre code poissoniane.
In tutti i casi l'arrivo di un cliente può essere considerato come una nascita e
il completamento di un servizio, e quindi l'abbandono del sistema da parte
di un cliente, come una morte.
Date le relazioni
pn = Cn p0
n = 1,2,...
con
p0 = 1 / (1 + ∑n Cn ),
Cn = ( λn-1 λn-2 ... λ0 ) / ( µn µn-1... µ1 )
caso per caso, si determinano i parametri λn e µn, quindi si valuta Cn e le
altre grandezze.
54
Simona Sacone - DIST
M/M/s
La coda M/M/s ha s servitori in parallelo ciascuno con tasso di servizio 1/µ.
Di conseguenza
λn = λ,
e, per le proprietà dell’esponenziale,
µ n = n µ per 1 <=n <=s
µ n = s µ per n >s
Il fattore di utilizzazione vale ρ = λ /(s µ) e quindi
 (sρ )n
p 0
n!
pn = 
s n
p s ρ
 0 n!
1≤ n ≤ s
n≥s
p0 =
1
 s-1 (sρ )k
(
sρ )s 
+
∑

(
)
k!
s!
1
ρ

k =0
55
Simona Sacone - DIST
Se la condizione di stabilità ρ < 1 è rispettata si ottiene
(sρ )c+1
Lq =
p0
2
2
s (s − 1)!(1 − ρ )
e quindi si possono calcolare
Wq = Lq /λ
Ws = Wq +1 /µ
Ls = Lq + λ /µ.
Un caso estremo di coda M/M/s è quello in cui vi sono infiniti servitori
M/M/∞.
Tale situazione si verifica nei self-service in cui ogni cliente serve se stesso.
Si può verificare che, in questo caso,
Ls = λ /µ.
Ws = 1 /µ.
Ws = Ls =0 .
56
Simona Sacone - DIST
M/M/1/K
La coda M/M/1/K ha capacità finita K, ovvero nel sistema non possono
essere presenti più di K clienti, quindi
λn = λ per 0 <=n <K
λn = 0 per n >=K
µn = µper 1 <=n <=K
µn = 0 per n >K.
La coda M/M/1/K è sempre stabile per definizione.
Applicando le solite formule dei processi nascite-morti si ottiene
Ls = ρ /(1 - ρ)-(K+1 ) ρK+1 /(1 - ρK+1 )
da cui
Lq = L - ( 1 - p0 )
Ws = L / λ’
Wq = Lq / λ’
con λ’ = λ (1 - p K ) dove λ’ è detto tasso d’ingresso.
57
Simona Sacone - DIST
M/M/1/N/N
La coda M/M/1/N/N ha capacità finita N, ma anche popolazione finita N,
quindi il tasso di arrivo per ciascun cliente è
λn = ( N - n ) λ
λn = 0
µn = µ
per 0 <=n <=N
per n >=N
Anche questa coda è sempre stabile, per essa si ricava
Ls = N - (1 -p0 )µ / λ
da cui
Lq = L - ( 1 - p0 )
Ws = L / λ’
Wq = Lq / λ’
con λ’ = λ (N - L ).
58
Simona Sacone - DIST
Alcune code non poissoniane
Nei modelli non poissoniani almeno uno tra gli intertempi d’arrivo e i tempi di
servizio non è una v.a. esponenziale. In particolare poiché il modellamento con
v.a. esponenziali è più spesso non accettabile per i tempi di servizio che non
per gli intertempi d'arrivo, si limita l'analisi ai casi M/G/1.
M/G/1
La coda M/G/1 ha arrivi poissoniani, ma tempi di servizio qualunque, purché
indipendenti e omogenei (con la stessa distribuzione), con media 1 /µ e
varianza σ2 note.
Anche in questo caso la condizione di stazionarietà è ρ=λ /µ <1
Si dimostra che:
L q =(λ2σ2 + ρ2 )/(2 (1 - ρ ))
(formula di Pollaczek-Khintchine) dove σ2 è la varianza del tempo di
servizio.
59
Simona Sacone - DIST
A partire da Lq si possono derivare le altre grandezze di interesse nel modo
usuale
Ls =Lq + ρ
Wq =Lq /λ
Ws =Wq +1 /µ
Si osservi che Lq cresce con σ e quindi un servitore regolare ha prestazioni
migliori.
60
Simona Sacone - DIST
M/D/1
La coda M/D/1 con arrivi poissoniani e tempo di servizio costante è un caso
particolare di M/G/1 con σ =0, dove la formula di Pollaczek - Khintchine si
riduce a:
Lq =ρ 2 /(2 (1 - ρ )).
Il numero medio dei clienti in attesa di servizio è per una coda M/D/1 la metà
che per M/M/1. Infatti la varianza del tempo di servizio è 0 per M/D/1 mentre è
1/µ2 per M/M/1.
61
Simona Sacone - DIST
M/Ek /1
La coda M/Ek/1 è utilizzata per modellare casi intermedi in cui, oltre che
la media e la varianza, è nota anche la forma della distribuzione degli
intertempi di servizio. Ek indica che i tempi di servizio sono v.a. con
distribuzione di Erlang di ordine k
f(t) = (kµ)k tk-1 e -kµt / (k-1)!
per t =0
dove k è un intero positivo ed è detto fattore di forma.
La distribuzione di Erlang di ordine k ha media 1 /µ e varianza 1 /kµ2 . Ek
è quindi una variabile aleatoria non negativa che dipende da due
parametri: µ e k dove µ determina la media e k determina la varianza.
62
Simona Sacone - DIST
Le funzioni di Erlang godono della seguente proprietà:
Proprietà
La somma di k variabili aleatorie indipendenti esponenziali ciascuna con
media 1 / kµ:
T = T1 + T2 + ... + Tk
è una v.a. con distribuzione di Erlang di ordine k e parametri µ e k.
La precedente proprietà implica che per k che tende all'infinito la
distribuzione di Erlang tende a diventare la distribuzione normale.
63
Simona Sacone - DIST
µ=0.1
k=1
k=2
k=10
k=20
64
Simona Sacone - DIST
La stessa proprietà implica che la distribuzione di Erlang può essere
interpretata come la distribuzione del tempo di servizio di un sistema in cui vi
siano k servitori esponenziali in serie, in cui però il primo servitore non può
iniziare un nuovo servizio se l'ultimo non ha concluso il proprio.
Per la coda M/Ek/1 si ricava che
Lq =((1 +k )λ2 )/(µ (µ -λ ))
da cui
Ls =Lq +ρ
Wq =Lq /λ
Ws =Wq +1 /µ
65
Simona Sacone - DIST
M/HR/1
La coda M/HR /1 è utilizzata quando le varianze dei tempi di servizio
sono maggiori di 1/µ2 . HR indica che i tempi di servizio sono v.a. con
distribuzione iperesponenziale di ordine R:
f(t) = ΣR αi µi exp( - µi t ) per t >=0
La distribuzione iperesponenziale può essere interpretata come la
distribuzione del tempo di servizio di un sistema in cui vi siano R
servitori esponenziali con prestazioni differenti. Il cliente sceglie con
probabilità αi l’i-mo servitore con la condizione che
α1 + α2 +...+ αR = 1
e che un cliente non può iniziare ad essere servito prima che il cliente che
lo precedeva non sia uscito dal sistema. In altre parole i servitori sono in
parallelo ma non possono lavorare contemporaneamente.
66
Simona Sacone - DIST
Per la coda M/HR/1 si ricava che la varianza del tempo di servizio è:
2
R
R


α
α
σ 2 = 2 ∑ i −  ∑ i 
2
 i =1µ i 
i =1 µ i
Sostituendo tale valore nella formula di Pollaczek-Khintchine si ottiene Lq e
conseguentemente si possono derivare Ls , Wq , e Ws .
67
Simona Sacone - DIST
Le reti di code
I due principali modelli di reti di code sono:
Î
modello di rete aperta (modello di Jackson): tempi di interarrivo dei
clienti dall’esterno e tempi di servizio con funzione di densità di
probabilità esponenziale
Î
modello di rete chiusa (modello di Gordon-Newell): tempi di servizio
con funzione di densità di probabilità esponenziale
Oss. L’applicazione dei modelli a reti di code a sistemi reali è poco diffusa
come strumento di analisi prestazionale per le ipotesi troppo restrittive.
Tuttavia questi modelli (computazionalmente molto efficienti rispetto
alla analisi in via simulativa) sono largamente utilizzati in fase di
progetto per il dimensionamento di massima di sistemi reali
68
Simona Sacone - DIST
Modello di Jackson
Il modello di Jackson (reti di code markoviane aperte) è definito nel modo
seguente:
1) i clienti appartengono tutti alla stessa classe
2) la rete è composta di N nodi; l’i-esimo nodo corrisponde ad una coda singola
con mi servitori in parallelo
3) il tempo di servizio di ciascuno dei servitori del nodo i-esimo è una variabile
aleatoria con funzione di densità di probabilità di tipo esponenziale, con
parametro µi
4) in un certo numero di nodi della rete ha luogo un processo di arrivo di clienti
dall’esterno; ciascuno di tali processi è un processo di Poisson; il processo
degli arrivi al nodo i-esimo (se esiste) è caratterizzato dal parametro λi
5) i buffer delle linee di attesa hanno dimensione infinita
69
Simona Sacone - DIST
Modello di Jackson
6) dopo aver completato il servizio presso il nodo i-esimo, un cliente può
• essere trasferito ad un altro nodo j con tempo di trasferimento nullo e
probabilità ri,j (ri,i può essere ≠ 0)
• uscire dal sistema con probabilità ri,0
in questo modo è definito il processo di instradamento con i vincoli
N
∑ ri, j + ri,0 = 1
j=1
i = 1,..., N
7) tutti i processi stocastici (di arrivo, di servizio, di instradamento)
corrispondono a sequenze di variabili aleatorie indipendenti ed identicamente
distribuite; inoltre tali processi sono a due a due mutuamente indipendenti
8) la popolazione complessiva dei clienti è infinita.
70
Simona Sacone - DIST
Modello di Jackson
Il processo complessivo degli arrivi al nodo i-esimo è un processo stocastico
caratterizzato da un rate di arrivi medio Λi pari a
N
~
Λi = λi + ∑ ri, jΛ j
j=1
~
Λ j = rate di uscita medio dal nodo j
In condizioni di equilibrio stocastico, il rate di arrivi medio in ingresso e quello in
uscita sono identici per ogni nodo, ossia
~
Λi = Λi
i = 1,..., N
N
Λi = λi + ∑ ri, jΛ j
j=1
i = 1,..., N
(*)
Il sistema di equazioni (*) rappresenta il bilancio dei flussi e può essere risolto
ottenendo il rate di arrivi medio ad ogni nodo. Inoltre, è evidente che il rate di arrivi
medio ad un nodo corrisponde, in condizioni di equilibrio stocastico al flusso mdeio
dei clienti nel nodo stesso.
71
Simona Sacone - DIST
Modello di Jackson
Teorema (di Jackson)
Sia data una rete di code aperta corrispondente al modello descritto. Si risolva il
sistema (*) determinando le quantità Λi, i=1,…,N. Se risulta
Λi
<1
m iµ i
∀i = 1,..., N
(**)
Allora il sistema può essere rappresentato come una CTMC irriducibile con tutti gli
stati ricorrenti positivi. La distribuzione di probabilità dello stato a regime è data da
π( n1, n 2 ,..., n N ) = π1( n1) ⋅ π2 ( n 2 ) ⋅ ... ⋅ π N (n N )
essendo
π( n1, n 2 ,..., n N ) = Pr{L1 = n1,..., L N = n N }
Avendo indicato con Li il numero di clienti presenti nel nodo i-esimo. Inoltre,
ciascuna delle distribuzioni πi(ni) è identica alla distribuzione di probabilità dello
stato a regime di una coda M/M/mi.
72
Simona Sacone - DIST
Modello di Jackson
Teorema (di Jackson) .. continua
si ottiene, quindi,

(
miρi )n i
πi (0)

n i!
πi ( n i ) = 
m n
π (0) mi i ρi i
 i
mi !
 mi −1
πi (0) = 1 + ∑
 n i =1
n i = 1,2,..., mi − 1
n i = mi , mi + 1,...
(miρi )n i + (miρi )mi 1 

n i!
mi ! 1 − ρi 
essendo
ρi =
−1
Λi
m iµi
73
Simona Sacone - DIST
Modello di Jackson
Il teorema di Jackson ha il seguente significato:
Î in una rete di code aperta corrispondente al modello di Jackson, purchè siano
soddisfatte le condizioni (**) (condizioni di stabilità), il sistema raggiunge
una condizione di equilibrio stocastico in cui la distribuzione di probabilità
congiunta è caratterizzata da una “struttura prodotto”, cioè da una struttura
tale da risultare prodotto di distribuzioni marginali (ognuna riferita ad
un’unica variabile).
Ovviamente, il calcolo della probabilità congiunta consente la determinazione di
diversi indici di prestazione.
74
Simona Sacone - DIST
Modello di Jackson
Esempio:
h
p
2
1-h
4
1
1-p
3
Si vuole determinare il tempo medio di attraversamento del sistema da parte di
un generico cliente (il flusso medio di arrivo è λ, la risorsa i,i=1,…,4, è
caratterizzata da parametro µi e da mi servitori)
75
Simona Sacone - DIST
Modello di Jackson
Esempio:
Procedura di soluzione:
1) si risolvono le equazioni di bilancio dei flussi (*);
2) si verificano le condizioni di stabilità (**) a tutti i nodi (se almeno una delle
condizioni non è soddisfatta, l’esempio non ha soluzione);
3) si determina, per ogni nodo, il numero medio di clienti nel nodo (utilizzando
le formule per le code M/M/ mi, ossia
mi
Li =
Λi
µi
 Λi 
 
µ
+ i 
mi !
Λi
miµi

Λ 
1 − i 
 miµi 
π ( 0)
2 i
con πi(0) determinato come nel teorema di Jackson;
76
Simona Sacone - DIST
Modello di Jackson
Esempio (continua):
4) utilizzando la legge di Little, si calcola il tempo medio di permanenza in
ogni nodo:
L
ti = i
Λi
5) il tempo medio di permanenza nel sistema complessivo è:
t s = t s,1 + p N 2 t s,2 + (1 − p) t s,3 + t s,4
dove
+∞
N 2 = ∑ i(1 - h)h i-1
i =1
rappresenta il numero medio di passaggi per il nodo 2, per i clienti che
effettivamente passano per il nodo 2.
77
Simona Sacone - DIST
Reti di code markoviane chiuse
Il modello di riferimento è analogo al modello di Jackson se non per le seguenti
ipotesi:
1) λi = 0, ∀i; non si verificano arrivi dall’esterno, tutti gli arrivi provengono da
nodi della rete. Ciò significa che il numero di clienti nel sistema è costante e
che quando un cliente completa il suo ciclo complessivo di servizi, viene
sostituito da un nuovo cliente che inizia il ciclo di servizio;
2) la matrice di routing [ri,j] non può essere trasformata tramite semplici
permutazioni di riga e di colonna, in una matrice avente la struttura:
A 0


B C 
essendo A e C sottomatrici quadrate.
L’ipotesi 2) significa che non è possibile isolare una parte del sistema in cui i
clienti possono solo entrare, senza poter più uscire.
78
Simona Sacone - DIST
Modello di Gordon-Newell
Teorema (di Gordon e Newell)
Sia data una rete di code chiusa corrispondente al modello descritto. Il sistema può
essere rappresentato come una CTMC irriducibile con spazio degli stati S finito. La
cardinalità di tale spazio è data da:
 N + k − 1  N + k − 1
S =

=
k

  N -1 
dove k è il numero costante di clienti nel sistema. Esiste una distribuzione di
probabilità dello stato a regime data da
N x ni
π( n1, n 2 ,..., n N ) = C ∏ i
i =1 βi ( n i )
essendo
n i !
βi ( n i ) = 
n −m
 m i !m i i i
n i < mi
n i ≥ mi
79
Simona Sacone - DIST
Modello di Gordon-Newell
Teorema (di Gordon e Newell) .. continua
Le costanti xi si determinano risolvendo (a meno di una costante arbitraria) il
sistema lineare omogeneo:
N
µi xi = ∑ rjiµ j xj
j=1
La costante C è una costante di normalizzazione determinata come
C=
1
 N x ni 
∑ ∏ i 


n∈S  i =1 βi ( n i ) 
con n = col(n1,…,nN).
80
Simona Sacone - DIST
Modello di Gordon-Newell
Si noti che la costante di normalizzazione ha la funzione di imporre che
∑ π( n1,...,n N ) = 1
n∈S
La determinazione di C richiede purtroppo la determinazione completa di tutto lo
spazio degli stati S, la cui cardinalità può essere piuttosto elevata.
Î La distribuzione di probabilità congiunta è ancora espressa in forma prodotto,
ma i singoli fattori non sono distribuzioni di probabilità marginali, ovvero le
variabili aleatorie n1,…,nN non possono essere più considerate come variabili
aleatorie indipendenti.
81
Simona Sacone - DIST
Modello di Gordon-Newell
Le probabilità marginali πi( ni) si trovano, invece, dalla probabilità congiunta
πi (r ) =
∑ π( n )
n∈N ( r )
N


con N (r ) = (n1,..., n N ) : ∑ n i = k , n i = r 


i =1
La lunghezza della coda al nodo i-esimo è data da
k
Li = ∑ rπi (r )
r =1
Il coefficiente di carico relativo al nodo i-esimo è sempre espresso come
ρi =
Λi
m iµi
e il coefficiente di carico corrisponde anche a (1-pi(0))
82
Simona Sacone - DIST
Modello di Gordon-Newell
Il coefficiente di carico corrisponde anche a (1-pi(0)) dove pi(0) è la probabilità che
un generico servitore nel nodo i-esimo sia inattivo in un istante selezionato a caso,
in condizioni di equilibrio stocastico.
La quantità pi(0) si può ricavare dalla distribuzione marginale πi( ni). Infatti, nel
caso mi=1, pi(0)= πi(0), mentre se mi=2, pi(0)= πi(0)+0.5 πi(1), ecc. (si ricordi che
nessuno dei servitori è privilegiato dalla politica di assegnazione dei clienti).
Un volta noto pi(0), si può calcolare il coefficiente di carico e, quindi, Λi.(Le
grandezze Λi si possono determinare anche risolvendo il sistema di equazioni di
bilancio dei flussi, sistema risolubile a meno di una costante arbitraria).
Una volta determinate le Λi,i=1,…,N, è immediato determinare il throughput del
sistema, ovvero il flusso in uscita dalle macchine che generano “prodotto finito”.
Una volta noto il throughput, è possibile determinare, applicando la legge di Little
all’intero sistema, il tempo medio di permanenza nel sistema del generico cliente.
83
Simona Sacone - DIST
Modello di Gordon-Newell
Le reti di code markoviane chiuse possono essere analizzate con altri metodi, tra
cui:
• metodo di Denning e Buzen
• metodo della mean value analysis (metodo approssimato)
84
Simona Sacone - DIST
Fly UP