UNIVERSITÀ DEGLI STUDI DI ROMA “TOR VERGATA” Corso di laurea in Ingegneria dei Modelli e dei Sistemi Perfect sampling di processi di coda Studente: Relatore: Paolo Massaro Prof. Benedetto Scoppola Sommario • I processi di coda M/M/1 e M/D/1 • Catene di Markov e algoritmi per il perfect sampling • Implementazione della modifica di Wilson per simulare processi di coda • Conclusioni e sviluppi futuri Processi di coda • Popolazione di utenti • Servizio • Processo di arrivi nel sistema • Tempi di servizio • Numero di serventi • Lunghezza massima della linea Processo di coda M/M/1 • Arrivi Poissoniani interarrivo (con tempo medio di ta ) • Tempi di servizio esponenziali (con tempo medio di interuscita t s ) • Un solo servente • Linea illimitata Processo di coda M/M/1/k • Arrivi Poissoniani interarrivo (con tempo medio di ta ) • Tempi di servizio esponenziali (con tempo medio di interuscita t s ) • Un solo servente • Linea limitata a k utenti Processo di coda M/D/1 • Arrivi Poissoniani interarrivo (con tempo medio di ta ) • Tempi di servizio deterministici ts (con tempo di servizio ts) • Un solo servente • Linea illimitata Processo di coda M/D/1/k • Arrivi Poissoniani interarrivo (con tempo medio di ta ) • Tempi di servizio deterministici ts (con tempo di servizio ts) • Un solo servente • Linea limitata a k utenti Catena di Markov Processo memory-less a tempo discreto ( X 0 , X 1 ,...) con spazio degli stati S {s1 , s2 ,..., sk } e caratterizzato da una matrice di transizione P: Pi , j P( X n s j | X n 1 si ) Irriducibilità: se è possibile passare da ogni stato a tutti gli altri in un tempo finito. Data una iniziale le catene Periodo diqualsiasi uno statodistribuzione i: irriducibili e aperiodiche tendono n alla distribuzione stazionaria i ,i La catena è aperiodica se il periodo di tutti gli stati è pari a 1. mcd (n : P 0) Modellizzazione M/M/1/k 1 ta 1 ts 1 1 ta ts 1 1 ta ts Valore atteso del tempo 1 di transizione: Pi,i 1 λ Pi,i-1 μ P0 ,0 μ 1 i {0 ,1,...,k 1} 1i 1{1,2,...,k} ta ts Pk,k λ Pi,j 0 altrimenti Modellizzazione M/M/1/k Scontro con la parete in 0 Scontro con la parete in k Simulazione delle catene di Markov Ci sono due problemi: • Si può sempre avere un errore ε rispetto alla distribuzione stazionaria • Non è facile capire quante iterazioni servono per rendere ε piccolo come desiderato Algoritmo di Propp-Wilson L’algoritmo è di difficile • Produce dei risultati perfettamente in implementazione. accordo alla distribuzione stazionaria • Capisce automaticamente quando terminare. Modifica di Wilson con read-once-randomness La modifica di Wilson • Funzione di aggiornamento: : S [0,1] • Coalescenza: per ogni stato del sistema si simula la catena, che si evolve tramite una funzione di aggiornamento e una successione di numeri casuali, che sono sempre gli stessi per tutte le k catene, fino a quando tutte le catene terminano nello stesso stato S Coalescenza della catena per la M/M/1/k Coalescenza La modifica di Wilson Coalescenza della coppia perdente Coalescenza della coppia vincente Perfect sampling al 50% La modifica di Wilson Perfect sampling al 50% Stima del tempo di convergenza Il valore atteso del tempo per avere il perfect sampling è: E (t p ) E (tl t w ) E (tl ) E ( ) E (t w ) E (tl ) E (t w ) E (tl t w ) 2 E (tc ) tp tl tw tc : tempo per il perfect sampling : tempo per la coalescenza di una coppia perdente : tempo per la coalescenza di una coppia vincente : tempo generico per la coalescenza Stima del tempo di convergenza Stima del tempo di coalescenza P ( 2n) 0 P(2n 1) ( ) n c(n) 1 1 2 P ( scontro) n0 P (n) 1 se 2 1 1 2 1 E (n) n0 nP (n) 2 1 2 1 2 Il valore atteso del tempo per avere k scontri è: k 1 2 Confronto tra stima e valori simulati Ponendo 1 2 Fenomeno di cutoff Il fenomeno di cutoff si verifica quando una catena di Markov converge improvvisamente alla misura stazionaria. Stima della finestra di cutoff: trel tmix Fenomeno di cutoff Conclusioni La comprensione dell’algoritmo di Wilson con read-once-randomness ha permesso di: • Simulare la distribuzione stazionaria della M/M/1/k e della M/D/1/k • Trovare una stima analitica del tempo per giungere al regime stazionario Conclusioni Esempio Se consideriamo la pista di un aeroporto come una M/D/1, con tempo di servizio 2 minuti, utilizzata al 98% il tempo medio stimato per ottenere un perfect sampling è di circa 6000 minuti ovvero 100 ore. Sviluppi futuri • Individuare una stima analitica per la M/D/1/k • Trovare una stima più precisa quando ε tende a 0 • Approfondire il fenomeno di cutoff Grazie per l’attenzione