Интерпретируйте модели SimEvents Используя статистический анализ

Выбор правильной статистической меры очень важен для оценки производительности модели. Можно использовать выходную статистику от SimEvents^® библиотечные блоки для анализа данных и управления во время выполнения.

Выведите статистику для анализа данных

Рассмотрите эти статистические меры для более эффективной интерпретации поведения.

Идентифицируйте соответствующий размер выборок, чтобы вычислить больше значимой статистики.
Решите, хотите ли вы исследовать переходное поведение, установившееся поведение или обоих.
Задайте количество симуляций, которое гарантирует достаточное доверие к результатам.

Для примера смотрите, Исследуют Статистику и Визуализируют Результаты симуляции.

Выведите статистику для управления во время выполнения

Некоторые системы используют статистику, чтобы влиять на динамику. В этом примере система массового обслуживания с нежелательным прибытием имеет обратную связь, которая настраивает частоту поступления в течение симуляции на основе статистики, о которой сообщает очередь и сервер. Чтобы узнать больше детали об этом примере, смотрите, Настраивают Времена Генерации Сущности Через Обратную связь.

Подмножество блоков в библиотеке SimEvents предоставляет статистике выход для управления во время выполнения. Когда вы создаете симуляции, которые используют статистические сигналы управлять динамикой, вы получаете доступ к текущим статистическим значениям в ключевые времена в течение симуляции, не только в конце симуляции.

Эта таблица приводит блоки SimEvents, которые выводят обычно используемую статистику для анализа данных и управления во время выполнения.

Имя блока	Параметр статистики
Имя блока	Average queue length/store size, l	Average wait, w	Number of entities arrived, a	Number of entities departed, d	Number of entities extracted, ex	Number of entities in block, n	Number of pending entities, np	Pending entity present in block, pe	Utilization, util
Conveyor System
Entity Batch Creator
Entity Batch Splitter
Entity Find
Entity Generator
Entity Queue
Entity Selector
Entity Server
Entity Store
Entity Terminator
Multicast Receive Queue
Resource Acquirer
Resource Pool

Статистические параметры обновляются на конкретных событиях во время симуляции. Например, когда полный N-сервер совершенствует одну сущность со следующим блоком, статистический сигнал, представляющий количество сущностей в блоке, принимает значение N-1. Однако, если отъезд заставляет другую сущность прибывать в блок одновременно момент, то статистический сигнал принимает значение N. Значение N-1, который не сохраняется на положительное время, является значением нулевой длительности.. Это явление происходит во многих ситуациях.

Эта таблица приводит события, которые обновляют статистику блока.

Порт статистики	Обновленный на событии
Порт статистики	Запись	Выход	Блокированный	Вытесненный	Извлеченный
Average queue length/store size, l
Average wait, w
Number of entities arrived, a
Number of entities departed, d
Number of entities extracted, ex
Number of entities in block, n
Number of pending entities, np
Pending entity present in block, pe
Utilization, util

Средняя длина очереди и среднее значение хранят размер

Формула, чтобы вычислить среднюю длину очереди или размер хранилища

Average queue length, l является накопленной средневзвешенной временем очередью. Вычислить Average queue length, l во время t _f, блок:

Умножает размер очереди n его длительностью, t = t _i - t _i-1, чтобы вычислить взвешенную временем очередь.
Суммы по взвешенной временем очереди и средним значениям это за общее время t _f.

$l = \frac{1}{t_{f}} \sum_{i = 1}^{f} n_{t} \times t$

Где:

t является временем между прибытием сущности и / или количество исходных событий.
f является общим количеством прибытия сущности и / или количество исходных событий между t ₀ и t _f.
i = 1 для времени симуляции t ₀ = 0.

Average store size, l вычисляется так же, заменяя длину очереди с размером хранилища.

Средний пример длины очереди в блоке Entity Queue

Открытая модель

Этот пример показывает среднюю длину очереди сущностей в блоке Entity Queue.

Вычислите среднюю длину очереди в простом примере системы массового обслуживания

Время обслуживания для блока Entity Server больше, чем время межгенерации сущности блока Entity Generator. Сущности ставятся в очередь и сортируются в блоке Entity Queue. Осциллограф отображает количество сущностей.

В течение какого-то времени между 0 и 1, средней длиной очереди является 0 потому что размером очереди является 0. Между 1 и 2 длиной очереди является 1. Средняя длина очереди во время t _f = 2 вычисляется можно следующим образом.

$l = \frac{1}{2} \sum_{i = 1}^{2} n_{t} \times t = \frac{1}{2} (0 + 1 \times 1) = 0.5$

Размер очереди 2 между временами 2 и 6 на время 4. Средняя длина очереди во время t _f = 6 вычисляется с помощью этого уравнения.

$l = \frac{1}{6} \sum_{i = 1}^{6} n_{t} \times t = \frac{1}{6} (0 + 1 \times 1 + 2 \times 4) = 1.5$

Средний размер очереди вычисляется на каждое время. Блок Scope отображает свое значение на время симуляции.

Average Wait

Формула, чтобы вычислить среднее ожидание

Параметр Average wait, w представляет сумму времени ожидания для сущностей, отбывая из блока, разделенного на их общее количество, n.

Время ожидания, w _j, является симулированным временем, когда сущность находится в блоке. Это время ожидания не обязательно эквивалентно времени, сущность блокируется. Это - длительность между записью сущности в и выходом из блока. Например, временем ожидания является 1 для сущности, которая перемещается через разблокированный Entity Server со временем обслуживания 1s.

$w = \frac{\sum_{j = 1}^{n} w_{j}}{n}$

Среднее ожидание примера сущностей в блоке Entity Server

Открытая модель

Этот пример показывает среднее время ожидания для сущностей, которые обслуживаются в блоке Entity Server.

Вычислите среднее ожидание в примере

Длительность записи сущности в и выхода из блока Entity Server вычисляется gettime() функция в блоке Simulink Function.

Диагностическое Средство просмотра отображает длительность между входом и выходом шести последовательных сущностей.

Блок Scope показывает среднее время ожидания для каждого исходного события сущности от блока Entity Server. Например, временем ожидания для первой сущности является 1 и временем ожидания для второй сущности является 2. Средним временем ожидания, вычисленным для первых двух сущностей, является 1.5. График отображает это значение во времени симуляции 6. Для первых четырех сущностей суммой времени ожидания является 10 и среднее время ожидания во времени симуляции 12 становится 2.5.

Количество сущностей прибыло

Параметр Number of entities arrived, a выводит совокупный счет для количества сущностей, которые прибывают в блок.

Из количества сущностей отбывают

Параметр Number of entities departed, d выводит совокупный счет для количества сущностей, которые отбывают из блока.

Количество извлеченных сущностей

Блок Entity Find находит сущности в модели SimEvents и извлекает их из их местоположения, чтобы перенаправить. Параметр Number of entities extracted, ex выводит количество сущностей, которые извлечены из блока.

Количество сущностей в блоке

Параметр Number of entities in block, n выводит количество сущностей, которые находятся в блоке.

Количество незаконченных сущностей

Параметр Number of pending entities, np выводит количество незаконченных сущностей, которым блок служил, которые должны все же отбыть.

Незаконченная сущность, существующая в блоке

Параметр Pending entity present in block, pe указывает, присутствует ли сущность, которая должна все же отбыть, в блоке. Значением является 1 если существуют какие-либо незаконченные сущности и 0 в противном случае.

Использование

Параметр Utilization, util указывает среднее время, блок занят. Блок вычисляет использование для каждого исходного события сущности, которое является отношением общего времени ожидания для сущностей к мощности сервера, C, умноженному на общее время симуляции, t _f . Использование для сущностей n вычисляется с помощью этого уравнения.

$u t i l = \frac{\sum_{j = 1}^{n} w_{j}}{C \times t_{f}}$

Ссылки

[1] Cassandras, Кристос Г. Дискретные системы событий: моделирование и анализ эффективности. Хоумвуд, Иллинойс: Ирвин и партнеры Аксена, 1993.

Документация