Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
SİMÜLASYON ÇEŞİTLERİ
HAZIRLAYAN: ÖZLEM AYDIN
SİMÜLASYON ÇEŞİTLERİ
Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir
fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine
dayanır.
1. Sürekli modeller: Davranışları zamanla birlikte devamlı değişimgösteren sistemlerdir.
Örneğin; dünya nüfusundaki hareketliliğin araştırılması.
2. Kesikli modeller: Zaman içerisinde kesikli veya sayılabilir noktalardatemel değişkenlerinin değerleri değişime uğrayan sistemlerdir.
Örneğin; bekleme hatlarında ortalama kuyrukta bekleme süresinin
hesaplanması.
KESİKLİ SİMÜLASYONUN TEMELLERİ
Cinslerine göre olaylar:
Tüm kesikli simülasyonlar, doğrudan ya da dolaylı olarak,
müşterilerin geldiği durumlarda gerektiğinde oluşabilecekkuyruklar (ya da bekleme hatları) ve ardından da sistemi terk
etmeden önce hizmet görme olarak tanımlanırlar.
Bir kesikli olay modeli kuyrukların oluşturduğu bir şebeke
modelidir.
Herhangi bir kesikli simülasyon modelinde geliş ve gidiş olmak
üzere iki temel olay söz konusudur. Bu olaylar sistemi
incelemek için gereksinim duyulan iki andır. Diğer tümzamanlarda sistemin istatistiklerini etkileyen bir şey olmaz.
KESİKLİ SİMÜLASYONUN TEMELLERİ
Cinslerine göre olaylar:
Sistemde değişiklik meydana geldiği anda modeldeki olaylar
tanımlanmış olur (örneğin, müşterilerin gelmesi ve gitmesi). Bu
olaylar kesikli noktalarda meydana geldikleri için kesikli olay
simülasyonu ortaya çıkmıştır.
Gerek kesikli ve gerekse sürekli simülasyon uygulamada
önemli araçlar olmakla birlikte, kesikli simülasyon, yöneylem
araştırması konularıyla yakınlığı açısından daha çok
kullanılmaktadır. Kesikli simülasyon özellikle kuyruk modelleriyle
yakındır.
KESİKLİ SİMÜLASYONUN TEMELLERİ
Olasılık dağılımlarından gelen olaylar:
Simülasyonda rastgelelik, bir t aralığındaki ardarda iki olayın olasılıklı
olduğu durumlarda ortaya çıkar.
Bir f(t) olasılık dağılımından ardarda t=t1,t2,… rastgele
örneklemelerini üretme yöntemleri şunlardır:
1. Ters dönüşüm yöntemi
2. Konvülasyon yöntemi
3. Kabul-red yöntemi
Bu yöntemlerle bir simülasyon modeline girdi olabilecek
örneklemelerin üretilmesinde istatistiksel dağılımlardan
faydalanılmaktadır.
Dağılımlardan örnekleme oluşturulması
Tahmin edilemeyen, belirsiz faaliyetlerin modellenmesinde
istatistiksel dağılımlar kullanılır.
Gerçek dünya problemlerindeki gelişler arası süre, servis süresi, talep
miktarı gibi değişkenler genellikle tahmin edilemez faaliyetlerdir. Bu
tür değişkenler belirli bir istatistiksel dağılıma sahip rastsal
değişkenler olarak modellenebilir.
Rastsal örnekleme üretme tekniklerinin hepsi [0,1] aralığında uniform
dağılmış rastsal sayıların mevcut olduğu varsayımına dayanır.
TERS DÖNÜŞÜM YÖNTEMİ
Bir f(x) yoğunluk fonksiyonundan bir rastgele değişken elde
edileceğini varsayalım.
Ters dönüşüm yöntemi, önce y’nin tanımlanmış tüm değerleri için
0≤F(x)≤1 olmak üzere F(x)=P{y≤x} kümülatif yoğunluk fonksiyonunun
kapalı bir formunu belirlemektedir.
TERS DÖNÜŞÜM YÖNTEMİ
Bu şekilde yöntem hem sürekli hem de kesikli değişkenler içingösterilmektedir. Verilen bir u yada R1 değerine karşılık gelen xdeğeri belirlenir.
1.adım: R(0,1) rastgele sayısını üret.
2.adım: İstenen x=F(R1) değerini hesapla.
Üstel dağılım
Üstel dağılım fonksiyonu, gelişler arası süresi t, ortalaması 1/λ olan bir fonksiyondur.
f(t)=λ.e-λt , t>0
f(t)’den bir t rastgele örneklemesi belirleyelim.
Kümülatif yoğunluk fonksiyonu aşağıdaki gibi belirlenir.
Burada R=F(t) yazarak t çözüldüğünde
bulunur.
KONVOLÜSYON YÖNTEMİ
Bu yöntemin temel düşüncesi, istenen örneğin kolay örneklenen
diğer rastgele değişkenlerin toplamı olarak ifade edilmesidir.
Bu dağılımların en tipik örnekleri Erlang ve Poisson dağılımları olupüstel dağılım örneklerinden elde edilirler.
Erlang dağilimi
n sayıda olayın tümüyle ortaya çıkmasına kadar geçen
zamanın olasılık dağılımını inceler.
m tane Erlang rastgele değişkeni, m tane bağımsız ve özdeşdağılmış rastgele değişkenlerin istatistiksel toplamı olarak ifade
edilir. Y, m Erlang rastgele değişkenini göstersin. Bu durumda,
Bu değişkenlerin olasılık yoğunluk fonksiyonu şöyle tanımlanır:
myyyy ...21
e yyf ii
)(
Erlang dağilimi
i. üstel dağılım:
Dolayısıyla, m tane Erlang örneği:
)(1
RiIniy
).(1
)}(...)()({1
...21
21
m
m
RRRIn
RInRInRIniy
Poisson dağilimi
Eğer ardarda meydana gelen olaylar arası dağılım üstel ise, bu
durumda birim zaman başına düşen olay sayısının dağılımı da Poisson
dağılımına uyacaktır.
0,1
0,......
1
12121
nRe
nRRReRRRt
t
nn
Normal dağilim
Merkezi limit teoremine göre, n yeterince büyük olmak üzere, n adet
bağımsız ve özdeş rastgele değişken normal dağılma
eğilimindedirler.
Bu sonuç ortalaması μ ve standart sapması σ olan bir normal
dağılımdan örneklem üretmek için kullanılmaktadır.
y rastgele örneklemi, ortalaması ve standart sapması olan bir N()
normal dağılımından, x için aşağıdaki formül yardımı ile hesaplanır:
nRRRx ....21
12
2
n
nx
y
Normal dağilim
Uygulamada kolaylık olması açısından n=12 alınarak bu formül
haline indirgenir.
Bu yöntemin dezavantajı her bir normal örneklem için 12 tane (0,1)
rastgele sayı üretmek gerekliliğidir. Bu da verimsiz bir durum
olmaktadır.
Daha verimli bir yöntem olarak Box-Muller Yöntemi önerilmektedir.
Box-Muller yöntemi halen en etkili yöntemdir. Box ve Muller verilen
formülde yerine yazıldığında başka bir örneklem
elde edilebileceğini göstermişlerdir. Bu da, R1 ve R2 gibi iki rastgele
sayı kullanarak aynı anda iki örneklemin üretebilmesi demektir.
)6( xy
)22cos()1(2 RRInx
)22cos( R )22sin( R