4EK201 Matematické modelování. 8. Modely hromadné obsluhy

Podobné dokumenty
4EK311 Operační výzkum. 8. Modely hromadné obsluhy

Exponenciální modely hromadné obsluhy

Teorie front. Systém hromadné obsluhy

Kendallova klasifikace

SYSTÉMY HROMADNÉ OBSLUHY. Teorie front

Stochastické modely Informace k závěrečné zkoušce

intenzitu příchodů zákazníků za čas t intenzitu obsluhy (průměrný počet obsloužených) za čas t

Teorie hromadné obsluhy (Queuing Theory)

SYSTÉMOVÁ METODOLOGIE (VIII) Operační výzkum. Ak. rok 2011/2012 vbp 1

Stochastické procesy - pokračování

Vícekanálové čekací systémy

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

Teorie hromadné obsluhy (Queuing Theory)

Matematické modelování 4EK201

1 Teorie hromadné obsluhy

Základy teorie hromadné obsluhy

Úvod do SHO. Výkonnost a spolehlivost programových systémů KIV/VSS. Richard Lipka

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ

4EK201 Matematické modelování. 7. Modely zásob

Simulační software Witness. Ing. Michal Dorda, Ph.D.

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ. Semestrální práce. Z předmětu Teorie hromadné obsluhy (THRO) Jan Čáslava.

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY DIPLOMOVÁ PRÁCE Kateřina Slámová

Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D.

4EK311 Operační výzkum. 7. Modely řízení zásob

SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Od velkého retailu k mikroplatbám. Konference Budoucnost platebních karet Praha,

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

Cvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Teorie hromadné obsluhy

Pravděpodobnost a statistika (BI-PST) Cvičení č. 4

Kvantitativní metody v rozhodování. Marta Doubková

Uplatňování metod teorie front pří řízení vybraných podnikových procesů. Application of theory of queues for some corporate processes control

Diskrétní náhodná veličina

Vybrané statistické metody. Simulace pokladen supermarketu Albert na Spojovací

OSA. maximalizace minimalizace 1/22

pravděpodobnosti 10 Poissonovo a exponenciální rozdělení pravděpodobnosti

MATEMATIKA III V PŘÍKLADECH

Algebra blokových schémat Osnova kurzu

POPIS ČÍSELNÍKU. Použití číselníku v parametrech: P0093 Způsob obsluhy bankovního účtu Poznámka: Výčet položek číselníku:

Optimalizace pokladního provozu v prodejně Albert

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

VYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová

Definice spojité náhodné veličiny zjednodušená verze

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

Rozvrhování výroby. František Koblasa Technická univerzita v Liberci. TU v Liberci

Tomáš Karel LS 2012/2013

Požadavky k písemné přijímací zkoušce z tematického okruhu 1 (Logistika)

Detekce interakčních sil v proudu vozidel

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

4EK212 Kvantitativní management. 7.Řízení projektů


Poznámky k předmětu Aplikovaná statistika, 5.téma

4EK311 Operační výzkum. 6. Řízení projektů

ZÁKLADNÍ NASTAVENÍ A OBSLUHA CALL CENTRA VOIPEX TEAM

Téma 22. Ondřej Nývlt

Teorie hromadné obsluhy

FAKULTA DOPRAVNÍ ČVUT

THO Simulační model. Simulace části komunikace s přechodem pro chodce napojené na čerpací stanici s obchodem

Počítačová simulace a analýza vybraných frontových systémů

zpravidla předpokládá, že hodnoty intenzity poruch a oprav jsou konstantní.

VYUŽITÍ TEORIE HROMADNÉ OBSLUHY PŘI NÁVRHU A OPTIMALIZACI PAKETOVÝCH SÍTÍ

Účty s platebními kartami a přístupem přes PC. Účty s platebními kartami a přístupem přes telefon

4EK201 Matematické modelování. 11. Ekonometrie

Informační systémy plánování výroby - pokročilé rozvrhování

KGG/STG Statistika pro geografy

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36

ZÁKONY ROZDĚLENÍ PRAVDĚPODOBNOSTI

4EK201 Matematické modelování. 2. Lineární programování

Informační systémy a plánování výroby 2.čast

VYBRANÁ ROZDĚLENÍ. DISKRÉTNÍ NÁH. VELIČINY Martina Litschmannová

Simulace pohybu chodců pomocí celulárních modelů

Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Mgr. Zuzana Pauserová. Dostupné z

5. Sekvenční logické obvody

Fyzikální korespondenční seminář MFF UK

4EK212 Kvantitativní management. 2. Lineární programování

POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ. Ing. V. Glombíková, PhD.

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

U Úvod do modelování a simulace systémů

Simulační modely. Kdy použít simulaci?

POPIS ČÍSELNÍKU. Název: Výčet položek číselníku:

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

Vyhodnocení dotazníků spokojenosti občanů s prací MěÚ Černošice, březen 2013, pracoviště Praha

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

4EK201 Matematické modelování. 1. Úvod do matematického modelování

AVDAT Náhodný vektor, mnohorozměrné rozdělení

4EK201 Matematické modelování. 10. Teorie rozhodování

7 Pravděpodobnostní modely úvod

POPIS ČÍSELNÍKU. P0178 Kanál elektronického bankovnictví. P0179 Způsob provedení transakce na bankovním účtu Poznámka: Výčet položek číselníku:

1. Přednáška. Ing. Miroslav Šulai, MBA

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Modelování a simulace Lukáš Otte

Transkript:

4EK201 Matematické modelování 8. Modely hromadné obsluhy

8. Modely hromadné obsluhy Systém, ve kterém dochází k realizaci obsluhy příchozích požadavků = systém hromadné obsluhy Vědní disciplína zkoumající tyto systémy = teorie hromadné obsluhy Požadavky se mohou hromadit a čekat ve frontě na obsluhu modely front, teorie front Mgr. Sekničková Jana, Ph.D. 2

Požadavek 8.1 Základní pojmy = jednotka, která přichází do systému za účelem obsluhy postupně systémem prochází a nakonec systém opustí může jím být: člověk, stroj, událost, informace Příklad: Pacient (u lékaře), auto (v servisu či na benzínce), hovor (v telef. ústředně), cestující (na nádraží), tisková úloha (tiskárna), packet (PC) Mgr. Sekničková Jana, Ph.D. 4

Zdroj požadavků Může být konečný 8.1 Základní pojmy auta v půjčovně, prasklé žárovky v budově, Může být nekonečný dopravní nehody, hosté v restauraci, pacienti, i v těchto případech je počet konečný, ale nepředpokládáme opakovaný vstup požadavku do systému Mgr. Sekničková Jana, Ph.D. 5

8.1 Základní pojmy Příchod požadavků do systému 1. Počet požadavků, které přijdou do systému Deterministický nebo stochastický Ve většině případů diskrétní (celočíselný) Průměrný počet požadavků, které přijdou do systému za časovou jednotku se nazývá Často λ~po(λ) Intenzita příchodů (λ) Mgr. Sekničková Jana, Ph.D. 6

8.1 Základní pojmy Příklad: Příchod požadavků do systému Ke studijní referentce přichází v průměru 5 studentů za hodinu. Jaká je intenzita příchodů? Intenzita příchodů = Průměrný počet požadavků, které přijdou do systému za časovou jednotku λ = 5 [st/hod] Mgr. Sekničková Jana, Ph.D. 7

8.1 Základní pojmy Příchod požadavků do systému 2. Interval mezi dvěma po sobě přicházejícími jednotkami Deterministický nebo stochastický Spojitá veličina Často má exponenciální rozdělení Exp(λ) Průměrná doba mezi příchody dvou po sobě přicházejících požadavků je EV = 1 λ Mgr. Sekničková Jana, Ph.D. 8

8.1 Základní pojmy Příklad: Příchod požadavků do systému Ke studijní referentce přichází v průměru 5 studentů za hodinu. λ = 5 [st/hod] Jaká je průměrná doba mezi příchody? λ = 5 st hod = 5 st = 1 st 60 min 12 min 12 minut = 1 5 hod. 1 λ Mgr. Sekničková Jana, Ph.D. 9

8.1 Základní pojmy Obslužné zařízení (obslužná linka) = jednotka, která v systému zajišťuje obsluhu Jsou-li všechna obslužná zařízení obsazena další požadavky čekají ve frontě dokud se některé zařízení neuvolní Příklad: Lékař, mechanik, operátor, pokladna, prodavač Mgr. Sekničková Jana, Ph.D. 10

8.1 Základní pojmy Obsluha požadavků v systému 1. Počet požadavků, které jsou obslouženy systémem Deterministický nebo stochastický Ve většině případů diskrétní (celočíselný) Průměrný počet požadavků, které jsou obslouženy za časovou jednotku se nazývá Často μ~po(μ) Intenzita obsluhy (μ) Mgr. Sekničková Jana, Ph.D. 11

8.1 Základní pojmy Příklad: Obsluha požadavků v systému Studijní referentka vyřídí v průměru 6 studentů za hodinu. Jaká je intenzita obsluhy? Intenzita obsluhy = Průměrný počet požadavků, které jsou obslouženy za časovou jednotku μ = 6 [st/hod] Mgr. Sekničková Jana, Ph.D. 12

8.1 Základní pojmy Obsluha požadavků v systému 2. Doba obsluhy jedné jednotky Deterministický nebo stochastický Spojitá veličina Často má exponenciální rozdělení Exp(μ) Průměrná doba obsluhy je EV = 1 μ Mgr. Sekničková Jana, Ph.D. 13

8.1 Základní pojmy Příklad: Obsluha požadavků v systému Studijní referentka vyřídí v průměru 6 studentů za hodinu. μ = 6 [st/hod] Jaká je průměrná doba obsluhy? μ = 6 st hod = 6 st = 1 st 60 min 10 min 10 minut = 1 6 hod. Mgr. Sekničková Jana, Ph.D. 14

Příklad: 8.1 Základní pojmy Stanice záchranné služby vysílá sanitky k dopravním nehodám Co jsou v tomto systému požadavky? Dopravní nehody (statické) Co jsou v tomto systému obslužná zařízení? Sanitky (dynamické) Ne vždy se tedy fyzicky pohybují požadavky (návštěvy lékaře u pacientů, výměna prasklých žárovek apod.) Mgr. Sekničková Jana, Ph.D. 15

8.1 Základní pojmy Systém hromadné obsluhy Požadavek Obslužné zařízení Lékařská ordinace Pacient Lékař Benzínová stanice Auto Čerpací stojan Obchod Zákazník Prodavač (pokladna) Servis (autoservis) Zařízení (auto) Mechanik Kadeřnictví Zákazník (host) Křeslo, sedadlo, kadeřník Síťová tiskárna Tisková úloha Řídicí jednotka Telefonní ústředna Hovor Operátor Nádraží (letiště) Cestující Pokladna (pasová kontrola) Mgr. Sekničková Jana, Ph.D. 16

8.1 Základní pojmy schéma Zdroj požadavků Příchod požadavků Odchod požadavků Fronta Obsluha Mgr. Sekničková Jana, Ph.D. 17

8.1 Základní pojmy Systém je závislý na Počtu obslužných zařízení Jedno Více Typu obslužných zařízení Identické obslužné linky Neidentické obslužné linky Uspořádání obslužných zařízení Paralelní Sériové Mgr. Sekničková Jana, Ph.D. 18

8.1 Základní pojmy Jednoduchý systém hromadné obsluhy Jedna obslužná linka Jedna fronta Příklad: bankomat stánek s hotdogy Mgr. Sekničková Jana, Ph.D. 19

8.1 Základní pojmy Paralelní systém hromadné obsluhy s jednou frontou Několik identických obslužných linek Jedna fronta Příklad: pošta (lístky s čísly) zkoušení oblečení v kabinkách Mgr. Sekničková Jana, Ph.D. 20

8.1 Základní pojmy Paralelní systém hromadné obsluhy s vlastními frontami Několik identických obslužných linek Každá linka má vlastní frontu Příklad: pokladny v supermarketech odbavení zavazadel na letišti Mgr. Sekničková Jana, Ph.D. 21

8.1 Základní pojmy Paralelní systém hromadné obsluhy s různými obslužnými linkami Několik neidentických obslužných linek Každá linka má vlastní frontu Příklad: přepážky na poště (listovní, balíkové, peněžní) automaty (nápojové, jídelní) Mgr. Sekničková Jana, Ph.D. 22

8.1 Základní pojmy Sériový systém hromadné obsluhy Několik neidentických obslužných linek Každá linka má vlastní frontu Příklad: montážní linka Mgr. Sekničková Jana, Ph.D. 23

8.1 Základní pojmy Kombinovaný systém hromadné obsluhy Kombinace paralelního a sériového uspořádání linek Složitý systém Příklad: nemocnice letiště Mgr. Sekničková Jana, Ph.D. 24

Fronta 8.1 Základní pojmy Fronta Omezená nebo neomezená kapacita Režim fronty FIFO First In, First Out klasická fronta LIFO Last In, First Out zásobník (palety, bedny) PRI Priority těhotné, objednaní, urgentní případy SIRO Selection In Random Order východ z kina, součástky (naházené do bedny) Mgr. Sekničková Jana, Ph.D. 25

8.2 Klasifikace modelů hromadné obsluhy Systém hromadné obsluhy A / B / C / D / E / F A: Typ rozdělení intervalu mezi příchody požadavků do systému M exponenciální rozdělení U rovnoměrné rozdělení N normální rozdělení D deterministická hodnota David G. Kendall (1953) Mgr. Sekničková Jana, Ph.D. 26

8.2 Klasifikace modelů hromadné obsluhy Systém hromadné obsluhy A / B / C / D / E / F B: Typ rozdělení doby obsluhy M exponenciální rozdělení U rovnoměrné rozdělení N normální rozdělení D deterministická hodnota Mgr. Sekničková Jana, Ph.D. 27

8.2 Klasifikace modelů hromadné obsluhy Systém hromadné obsluhy A / B / C / D / E / F C: Počet paralelně uspořádaných linek D: Režim fronty FIFO, LIFO, PRI, SIRO Kendallova notace E: Kapacita systému (fronty) pro neomezenou F: Kapacita zdroje požadavků pro neomezený zdroj D/E/F FIFO/ / používá se pouze kód A/B/C Mgr. Sekničková Jana, Ph.D. 28

8.3 Analýza modelů hromadné obsluhy Časové charakteristiky Průměrná doba čekání ve frontě Průměrná doba, kterou stráví požadavek v systému Charakteristiky počtu požadavků Průměrná délka fronty Průměrný počet požadavků v systému Mgr. Sekničková Jana, Ph.D. 29

8.3 Analýza modelů hromadné obsluhy Pravděpodobnostní charakteristiky Pravděpodobnost, že obslužné zařízení nepracuje (v systému není žádný požadavek) Pravděpodobnost, že všechna obslužná zařízení pracují (další požadavek bude muset čekat ve frontě) Pravděpodobnost, že ve frontě (či systému) se nachází přesně n požadavků Pravděpodobnost, že v systému je více než n požadavků Pravděpodobnost, že požadavek bude muset čekat ve frontě déle než t časových jednotek Mgr. Sekničková Jana, Ph.D. 30

8.4 M/M/1 model Systém hromadné obsluhy M/M/1/FIFO/ / A: Intervaly mezi příchody mají exponenciální rozdělení s parametrem λ B: Doba obsluhy má exponenciální rozdělení s parametrem μ C: Jedna (paralelní) linka D: Fronta typu FIFO E: Neomezená kapacita systému (fronty) F: Neomezený zdroj požadavků Mgr. Sekničková Jana, Ph.D. 31

8.4 M/M/1 Příklad Banka provozuje v obchodním centru s otvírací dobou 9:00 21:00 bankomat. Vzhledem ke skutečnosti, že se u bankomatu tvoří nepřiměřeně velké fronty, zákazníci často odchází bez obsloužení. Banka tak přichází nejen o klienty, ale také o ušlý zisk z neprovedených operací. Zvažuje proto výměnu bankomatu za novější a také rychlejší typ. Mgr. Sekničková Jana, Ph.D. 32

8.4 M/M/1 Příklad Na základě pozorování bylo zjištěno, že k bankomatu přijde v průměru 240 zákazníků za den a zákazník u bankomatu stráví v průměru 2,5 minuty. Intenzita příchodů: λ = 240 den = 240 12 hod = 20 hod = 20 60 min = 1 3 min Intenzita obsluhy: μ = 1 2,5 min = 2 5 min = 24 60 min = 24 hod = 288 12 hod = 288 den Mgr. Sekničková Jana, Ph.D. 33

Intenzita provozu 8.4 M/M/1 model Podmínka stabilizace systému: ρ 1, pak λ μ 1 a tedy λ μ ρ = λ μ Za časovou jednotku přijde alespoň tolik požadavků, kolik jich je obslouženo Délka fronty s časem roste nad všechny meze ρ < 1, pak λ μ < 1 a tedy λ < μ Požadavky jsou v průměru obsluhovány rychleji než přichází Systém je stabilní Mgr. Sekničková Jana, Ph.D. 34 ρ = λ μ < 1

Intenzita provozu 8.4 M/M/1 model ρ = λ μ Pravděpodobnost, že obslužná linka je vytížená (pracuje) Pravděpodobnost, že v systému je alespoň jeden požadavek Pro příklad: ρ = λ μ = 240 288 = 20 24 = 5 6 = 0,8 3 S pravděpodobností 83 % je zákazník u bankomatu Mgr. Sekničková Jana, Ph.D. 35

8.4 M/M/1 model Pravděpodobnost, že obslužná linka nepracuje Pravděpodobnost, že v systému není žádný požadavek P n = 0 = p 0 = 1 ρ Pro příklad: p 0 = 1 ρ = 1 240 288 = 1 20 24 = 1 5 6 = 1 6 = 0,1 7 S pravděpodobností 17 % nikdo u bankomatu není a zákazník, který přichází, nemusí čekat Mgr. Sekničková Jana, Ph.D. 36

8.4 M/M/1 model Průměrná doba strávená v systému Doba samotné obsluhy (strávená vlastní obsluhou) a Doba strávená ve frontě T = 1 μ λ Pro příklad: T = 1 μ λ = 1 288 240 = 1 12 dne = 48 48 hod = 1 hod = 15 min 4 T = 1 μ λ = 1 24 20 = 1 hod = 15 min 4 Zákazník stráví v systému v průměru 15 minut Mgr. Sekničková Jana, Ph.D. 37

8.4 M/M/1 model Průměrná doba strávená ve frontě Rozdíl mezi dobou strávenou v systému a dobou strávenou obsluhou T f = T 1 μ = 1 μ λ 1 μ μ λ λ = = μ μ μ λ μ μ λ Pro příklad: T f = 1 48 1 288 = 6 1 288 = 5 60 dne = hod = 0,208 hod = 12,5 min 288 288 T f = 1 4 1 24 = 6 1 24 = 5 hod = 0,208 hod = 12,5 min 24 Zákazník stráví ve frontě v průměru 12,5 minuty Logické: 15 minut stráví v systému a 2,5 minuty trvá obsluha Mgr. Sekničková Jana, Ph.D. 38

8.4 M/M/1 model Průměrná doba strávená v systému T Průměrný počet požadavků v systému N = λ T Pro příklad: T = 1 48 dne N = λ T = 240 1 48 = 5 T = 1 4 hod N = λ T = 20 1 4 = 5 V systému je v průměru 5 zákazníků Mgr. Sekničková Jana, Ph.D. 39

8.4 M/M/1 model Průměrná doba strávená ve frontě T f Průměrný počet požadavků ve frontě N f = λ T f Pro příklad: T f = 5 288 dne N f = λ T f = 240 5 288 = 4,1 6 T f = 5 24 hod N = λ T = 20 5 24 = 4,1 6 Ve frontě je v průměru 4,17 zákazníků Mgr. Sekničková Jana, Ph.D. 40

8.4 M/M/1 model Průměrný počet požadavků v systému N = λ T Průměrný počet požadavků ve frontě N f = λ T f John D. C. Little (1961) Mgr. Sekničková Jana, Ph.D. 41

Detaily k přednášce: skripta, kapitola 6 KONEC Mgr. Sekničková Jana, Ph.D. 42