Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
17.3. Промышленная компания использует три грузовика для перевозки материалов шести своим филиалам. Клиенты требуют выделения для этих целей четвертого грузовика для уменьшения проблемы, связанной с чрезмерными задержками поставок. Грузовики не имеют постоянного гаража, откуда их можно было бы вызывать. Администрация считает более эффективной систему, когда грузовики находятся в непрерывном движении.
Глава 17. Системы массового обслуживания
Представитель филиала, которому необходим грузовик, должен дождаться его прибытия поблизости завода. Если грузовик свободен, он ответит на звонок. Иначе представитель филиала должен ожидать следующего грузовика. Приведенная таблица содержит частоты появления соответствующего количества звонков на протяжении часа.
Количество звонков в час | Частота |
Время обслуживания (в минутах) для каждого филиала примерно одинако- | |
вое. Приведенная ниже таблица содержит типичное распределение времени | |
обслуживания для одного из филиалов. | |
Время обслуживания, t | Частота |
0< t< 10 | |
10 < г < 20 | |
20 < f < 30 | |
30 < t < 40 | |
40 < t < 50 | |
50 < г < 60 | |
60 < t < 70 | |
70 < f < 80 | |
80 < f < 90 | |
90 < t < 100 |
Выработайте рекомендации для руководства компании.
17.4. Джон, молодой инженер, недавно принят на работу в машиностроительную компанию. Компания владеет цехом, насчитывающим 30 станков, для поддержания которых в рабочем состоянии содержит штат из шести механиков. Цех работает в одну смену с 8:00 до 16:00. Джон получил первое задание: изучить эффективность ремонтной службы цеха. С этой целью Джон собрал следующие данные из протокола регистрации ремонта трех станков, выбранных случайным образом.
Комплексные задачи
Станок 5 Станок 18 Станок 23
Время поломки | Время ремонта | Время поломки | Время ремонта | Время поломки | Время ремонта |
8:05 | 8:15 | 8:01 | 8:09 | 8:45 | 8:58 |
10:02 | 10:14 | 9:10 | 9:18 | 9:55 | 10:06 |
10:59 | 11:09 | 11:03 | 11:16 | 10:58 | 11:08 |
12:22 | 12:35 | 12:58 | 13:06 | 12:21 | 12:32 |
14:12 | 14:22 | 13:49 | 13:58 | 12:59 | 13:07 |
15:09 | 15:21 | 14:30 | 14:43 | 14:32 | 14:43 |
15:33 | 15:42 | 14:57 | 15:09 | 15:09 | 15:17 |
15:48 | 15:59 | 15:32 | 15:42 | 15:50 | 16:00 |
В дополнение к этой информации, просмотрев записи из протокола регистрации ремонта для пяти случайно выбранных дней, Джон смог собрать данные о количестве сломанных станков (включая и те, которые находились в ремонте) в начале каждого часа рабочего дня.
Общее количество сломанных станков по состоянию на
Дата | 8:00 | 9:00 | 10:00 | 11:00 | 12:00 | 13:00 | 14:00 | 15:00 |
2/10 | ||||||||
29/10 | ||||||||
4/11 | ||||||||
1/12 | ||||||||
19/1 |
Джон встретился со своим руководителем Ребеккой и обсудил с ней собранную информацию. Джон заявил, что он уверен в том, что процесс выхода из строя и ремонта станков в цехе является совершенно случайным, и можно предположить, что эту ситуацию можно представить в виде системы массового обслуживания пуассоновского типа. Ребекка подтвердила, что ее многолетний опыт работы в цехе согласуется с предположением, что рассматриваемая ситуация является совершенно случайной. Основываясь на этом предположении, Ребекка проверила собранные Джоном данные и, сделав некоторые вычисления, сказала, что в данных содержатся ошибки. Как Ребекка пришла к такому выводу?
17.5. Таксомоторная компания владеет четырьмя машинами. Служба такси работает 10 часов каждый день. Заявки на обслуживание поступают в диспетчерскую службу в соответствии с распределением Пуассона в среднем 20 заявок в час. Известно, что длительность поездки такси является экспоненциально распределенной случайной величиной с математическим ожиданием 11,5 мин. В силу высокого уровня спроса на обслуживание компания ограничивает список клиентов в диспетчерской службе, ожидающих обслуживания, до 16 заявок. Когда этот предел достигается, клиентам советуют искать такси в другом месте, объяснив, что среднее время ожидания машины будет длительным.
Глава 17. Системы массового обслуживания
Управляющий компании Стоун опасается, что он, возможно, теряет много клиентов, и поэтому хочет рассмотреть вопрос об увеличении парка машин компании. Стоун считает, что средняя прибыль, получаемая компанией от обслуживания одного клиента, составляет примерно 5 долл. Новый автомобиль, по его оценке, можно купить за 18 ООО долл. Новое такси используется на протяжении пяти лет и затем продается за 3 500 долл. Стоимость содержания и обслуживания такси на протяжении одного года составляет 20 ООО долл. Может ли мистер Стоун обосновать увеличение парка автомобилей компании, и если да, то на сколько единиц? При анализе учтите 10 % ежегодного прироста клиентов.
ГЛАВА 18
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
Имитационное моделирование является мощным инструментом исследования поведения реальных систем. Методы имитационного моделирования позволяют собрать необходимую информацию о поведении системы путем создания ее компьютеризованной модели. Эта информация используется затем для проектирования системы. Имитационное моделирование не решает оптимизационных задач, а скорее представляет собой технику оценки значений функциональных характеристик моделируемой системы.
Современное имитационное моделирование применяется в основном для исследования ситуаций и систем, которые можно описать как системы массового обслуживания. Это не ограничивает применение имитационного моделирования, поскольку на практике любую ситуацию исследования операций или принятия решений можно в той или иной мере рассматривать как систему массового обслуживания. По этой причине методы имитационного моделирования находят широкое применение в задачах, возникающих в процессе создания систем массового обслуживания, систем связи; в экономических и коммерческих задачах, включая оценки поведения потребителя, определение цен, экономическое прогнозирование деятельности фирм; в социальных и социально-психометрических задачах; в задачах анализа военных стратегий и тактик.
Предшественником современного имитационного моделирования считается метод Монте-Карло, основная идея которого состоит в использовании выборки случайных чисел для получения вероятностных или детерминированных оценок каких-либо величин. Основное различие между современными методами имитации и методом Монте-Карло заключается в том, что в последнем время не является обязательным фактором, а получаемые оценки "статичны". Метод Монте-Карло применяется для вычисления площадей фигур, ограниченных кривыми, или, в более общем случае, вычисления кратных интегралов; вычисления констант (например к, равной 3,14159...); обращения матриц и т.п.
Имитация является случайным экспериментом, поэтому любой результат, полученный путем имитационного моделирования, подвержен экспериментальным ошибкам и, следовательно, как в любом статистическом эксперименте, должен основываться на результатах соответствующих статистических проверок. Это важное замечание мы подчеркиваем на протяжении всей главы.
Глава 18. Имитационное моделирование
18.1. МЕТОД МОНТЕ-КАРЛО
Для демонстрации метода Монте-Карло рассмотрим следующий пример. Здесь особо подчеркнута статистическая природа имитационного эксперимента.
Пример 18.1.1
Используем метод Монте-Карло для оценки площади круга, уравнение окружности которого имеет вид
(х - 1)2 + (у-2)2 = 25.
Круг имеет радиус г = 5 см, и его центр находится в точке (х, у) = (1, 2).
Процедура оценки площади требует заключения круга в описанный около него квадрат, сторона которого равна диаметру круга (рис. 18.1). Вершины квадрата определяются непосредственно из геометрических свойств фигуры.
(-4, 7) _ (6, 7)
(-4,-3) (6,-3)
Рис. 18.1. Оценка площади круга методом Монте-Карло
Оценка площади круга основана на предположении, что все точки квадрата равновероятны. Предположим, что выборка состоит из наблюдений п точек квадрата, и т из них попали внутрь круга или на окружность. Тогда
т, \ т,,п
площадь круга = —(площадь квадрата) =—(10x10). п п
Здесь координаты х и у точек квадрата представлены как равномерно распределенные случайные величины с плотностями вероятностей
/(*) = —. - 4 < х < 6, v ; 10
Обе функции равны нулю вне указанных интервалов.
Процедура вычисления выборочных значений (х, у) начинается с генерирования независимых случайных чисел, равномерно распределенных на интервале [0, 1]. Затем эти числа отображаются на наш квадрат. Равномерно распределенные на интервале [0, 1] случайные числа имеют плотность вероятности вида
18.1. Метод Монте-Карло
1, если 0 < д- < ], О в противном случае.
В табл. 18.1 приведен небольшой список случайных чисел из интервала [0, 1]. Эти числа сгенерированы с использованием специальных методов, которые описаны в разделе 18.4.
Таблица 18.1
0,0589 | 0,3529 | 0,5869 | 0,3455 | 0,7900 | 0,6307 |
0,6733 | 0,3646 | 0,1281 | 0,4871 | 0,7698 | 0,2346 |
0,4799 | 0,7676 | 0,2867 | 0,8111 | 0,2871 | 0,4220 |
0,9486 | 0,8931 | 0,8216 | 0,8912 | 0,9534 | 0,6991 |
0,6139 | 0,3919 | 0,8261 | 0,4291 | 0,1394 | 0,9745 |
0,5933 | 0,7876 | 0,3866 | 0,2302 | 0,9025 | 0,3428 |
0,9341 | 0,5199 | 0,7125 | 0,5954 | 0,1605 | 0,6037 |
0,1782 | 0,6358 | 0,2108 | 0,5423 | 0,3567 | 0,2569 |
0,3473 | 0,7472 | 0,3575 | 0,4208 | 0,3070 | 0,0546 |
0,5644 | 0,8954 | 0,2926 | 0,6975 | 0,5513 | 0,0305 |
Пусть Л, и Л2 — различные случайные числа из интервала [0, 1]. Тогда координаты (х, у) точек квадрата можно выразить через эти случайные числа:
х = -4 + [6 - (-4)]Л, = -4 + ЮЛ,,
v = -3 + [7 - (-3)]Л2 = -3 + 10Л2.
Используя приведенные формулы, мы можем сгенерировать равномерно распределенную случайную точку (х, у) квадрата для каждой пары случайных чисел (Л,,Л2). Сгенерированная точка {х, у) попадает внутрь круга, если
(х- 1)2 + Су-2)2<25.
Например, если Л, = 0,0589 и Л2 = 0,6733, то
х = -4 + ЮЛ, = -4 + 10 х 0,0589 = -3,411,
у = -3 + 10Л2 = -3 + 10 х 0,6733 = 3,733.
Так как величина (-3.411 - I)2 + (3.733 - 2)2 = 22,46 меньше 25, следовательно, точка (х, у) попадает внутрь круга.
Исследуем теперь влияние случайной выборки на точность оценки площади круга. Точность оценки можно повысить, увеличив объем одной выборки и/или повторив эксперименты (прогоны) на разных выборках (но одинакового размера).
Хотя вычисление отдельных выборочных значений относительно просто, создание выборки достаточно большого объема требует больших вычислений. Шаблон Excel chl8Circle.xls создан для выполнения вычислений рассматриваемого примера (рис. 18.2). Входными данными для вычислений являются радиус круга (ячейка С5), координаты центра круга (ячейки С6 и С7), размер выборки (ячейка С4) и количество прогонов (ячейка СЗ). В ячейку Е4 вводится число имитаций (т.е. количество полных повторений экспериментов с тем же количеством прогонов). Например, если объем выборки п равен 30 000 и число имитаций равно 3, то шаблон автоматически вычислит результаты для выборок объема 30 000, 60 000 (2 имитации) и 90 000 (3 имитации).
Глава 18. Имитационное моделирование
в | С | D | |
Monte Carlo Estimation of the Area of a Circle | |||
2 Input data | |||
3 Nbr Replications, N = | |||
4 Sample size, n = | 30.000 | Steps = | |
5 Radius. r = | |||
6 Center, cx = | |||
7 Center, cy = | |||
8: | Output results | ||
9 1 Exact area = | 78 5i,0 | ||
^ q Piess to Execute Monte Lailo | |||
11 Monte Carlo Calculations | |||
12j | n=30000 | n=60000 n= | |
13 Replication 1 | 78.207 | 78 555 | 78 483 |
14 Replication 2 | 78.673 | 78 752 | 78 581 |
15 i Replication 3 | 78.300 | 78.288 | 78.281 |
16 Replication 4 | 78.503 | 78.347 | 78.343 |
17 Replication 5 18 | 78 983 | 78.775 | 78 760 |
19iMean = | 78.533 | 78.543 | 78.490 |
20 3td Deviation = | 0.308 | 0.225 | 0 191 |
22 J95% lower conf limit = | 78 151 | 78.263 | 78.253 |
23 j95% upper conf. limit = | 78.915* | 78.823 | 78.727 |
Рис. 18.2. Вычисление в Excel оценки площади круга методом Монте-Карло
На рис. 18.2 показаны оценки площади круга для объема выборки 30 ООО, количества выборок 5 и числа имитаций 3. Точная площадь круга равна 78,54 см2, методом Монте-Карло получили оценки от А = 78,533 до А = 78,490 см2. Отметим, что стандартное отклонение изменяется от значения s = 0,308 при п = 30 ООО до s = 0,191 при п = 90 ООО. Это говорит о том, что точность оценки повышается при увеличении объема выборки.
Если в шаблоне щелкнуть на командной кнопке Press to Execute Monte Carlo (Выполнить метод Монте-Карло), то будут получены новые оценки путем повторных вычислений с новой последовательностью случайных чисел.
Ввиду того, что оценки площади имеют разброс, важно, чтобы результаты эксперимента, связанного с моделированием, были выражены в виде доверительных интервалов, показывающих величину отклонения от точного значения. В рассматриваемом примере, если А представляет собой точное значение площади, а А и s" — среднее и дисперсию при числе экспериментов N, то 100(1 -а)%-ный доверительный интервал для А задается в виде
А " VF'a/2-"-' ~А~А+7NlaJ2-N-1'
где ta/2 w_, — (100а/2)% -ная точка /-распределения (распределения Стьюдента) с N- 1
степенями свободы (см. приложение В). Заметим, что N обозначает число экспериментов (прогонов), и его следует отличать от п, которое обозначает объем выборки ("продолжительность" прогона модели). В рассматриваемом примере мы заинтересованы в установлении доверительного интервала, полученного для выборки наибольшего объема (т.е. п = 90 ООО). При N=5, А = 78,490 см2, s = 0,191 см2 и = 2,776 результирующим 95% -ным доверительным интервалом является 78,25 < А < 78,73.
18.1. Метод Монте-Карло
Рассмотренный пример ставит два вопроса, характерных для любого эксперимента, связанного с моделированием.
1. Каким должен быть объем выборки п для достижения необходимого значения доверительных интервалов?
2. Сколько для этого требуется прогонов N?
Ответы зависят от природы эксперимента, связанного с моделированием. Как и в любом статистическом эксперименте, большие значения п и N обеспечивают более надежные результаты. Препятствием может быть стоимость проведения эксперимента, которая возрастает пропорционально увеличению п uN.
упражнения 18.1
1. В условиях примера 18.1.1 вычислите площадь круга, используя из табл. 18.1 два первых столбца в качестве источника случайных чисел из интервала [0, 1]. (Для удобства выбирайте Д, из первого столбца, a Д2 — из второго, двигаясь при этом сверху вниз.) Сравните полученный результат с результатами вычислений в Excel, показанными на рис. 18.2.
2. Пусть уравнение окружности имеет вид (х - З)2 + (у + 2)2 = 16.
a) Найдите соответствующие плотности вероятностей f(x) и /((/). Покажите, как с помощью пары случайных чисел (Д,, Д2) из интервала [0, 1] можно получить выборочную точку (х, у).
b) С помощью шаблона Excel chl8Circle.xls оцените площадь круга при п= 100 000 и N= 10. Постройте 95%-ный доверительный интервал для оценки площади круга.
3. Примените метод Монте-Карло для вычисления площади озера, показанного на рис. 18.3. Для получения значений случайных чисел из интервала [0, 1] используйте два первых столбца табл. 18.1.
4 3
is
§ 2 S
О 1 2 3 4 5 6 1 Мили
Рис. 18.3. План озера для упражнения 3
4. Рассмотрим игру, в которой два игрока А и Б поочередно подбрасывают правильную (симметричную) монету. Если выпадает лицевая сторона монеты, игрок А получает 10 долл. от игрока Б, иначе игрок Б выигрывает у игрока А10 долл.
a) Как смоделировать эту игру в виде эксперимента Монте-Карло?
b) Проведите эксперимент в 5 прогонов с 10 подбрасываниями монеты в каждом прогоне. Используйте пять первых столбцов табл. 18.1 для получения значений случайных чисел из интервала [0, 1], при этом каждый столбец будет соответствовать одному прогону.
Глава 18. Имитационное моделирование
c) Вычислите 95% -ный доверительный интервал для выигрышей игрока А.
d) Сравните доверительный интервал, полученный в предыдущем пункте, с ожидаемым теоретическим выигрышем игрока А.
a) Оцените значение этого интеграла с помощью метода Монте-Карло.
b) Используйте четыре первых столбца табл. 18.1 для получения оценки значения интеграла, основанной на 4 прогонах объемом 10 каждый. Вычислите 95%-ный доверительный интервал и сравните его с точным значением интеграла.
6. Смоделируйте ситуацию с пятью выигрышами или проигрышами в следующей игре в кости. Игрок бросает две симметричные игральные кости. Если выпавшая сумма равна 7 или 11, игрок выигрывает 10 долл. Иначе он запоминает выпавшую сумму (называемую очком) и продолжает бросать кости до тех пор, пока выпавшая сумма не совпадет с очком, после чего игрок получает 10 долл. Но если выпавшая сумма равна 7, игрок проигрывает 10 долл.
7. Цикл исполнения заказа на некую продукцию с равной вероятностью составляет 1 или 2 дня. Предполагается, что ежедневный спрос равен 0, 1 и 2 единицы этой продукции с вероятностями 0,2, 0,5 и 0,3 соответственно. Используйте значения случайных чисел из табл. 18.1 (начиная с первого столбца) для оценки совместного распределения спроса и цикла исполнения заказа. Исходя из полученного совместного распределения, оцените плотность вероятности спроса в течение цикла исполнения заказа. (Подсказка. Спрос во время исполнения заказа может принимать значения 0, 1, 2, 3 и 4.)
8. Рассмотрим эксперимент Бюффона с иглой. Горизонтальная плоскость разделена параллельными прямыми, расположенными на расстоянии D см одна от другой. Игла длиной d см (d < D) случайным образом бросается на плоскость. Необходимо найти вероятность того, что игла коснется или пересечет одну из прямых. Введем следующие обозначения.
b) Составьте план эксперимента Монте-Карло, обеспечивающий определение оценки искомой вероятности.
c) Используйте первые четыре столбца табл. 18.1 для поиска оценки искомой вероятности, основанной на 4 прогонах объемом 10 каждый. Вычислите 95% -ный доверительный интервал для оценки.
d) Покажите, что вероятность интересующего нас события равна
Используйте эту формулу вместе с результатом, полученным при решении задачи из п. с), для оценки значения числа к.
5. Рассмотрим определенный интеграл \хгах.
о
h — расстояние от центра иглы до ближайшей прямой, в— угол, составленный иглой с этой прямой, а) Покажите, что игла коснется или пересечет прямую, если
л< —sinе, o<h<—, о<е<л.
2 2
Id
18.2. Типы имитационных моделей
18.2. ТИПЫ ИМИТАЦИОННЫХ МОДЕЛЕЙ
Использование современных имитационных моделей базируется, в основном, на идее метода Монте-Карло. Отличие состоит в том, что имитационная модель обычно связана с изучением реально существующей системы, поведение которой является функцией времени. Существует два типа имитационных моделей.
1. Непрерывные модели используются для систем, поведение которых изменяется непрерывно во времени. Непрерывные имитационные модели обычно представляются в виде разностно-дифференциальных уравнений, которые описывают взаимодействие между различными элементами системы. Типичным примером непрерывной имитационной модели является изучение динамики народонаселения мира.
2. Дискретные модели имеют дело с системами, поведение которых изменяется лишь в заданные моменты времени. Типичным примером такой модели является очередь. При этом задача моделирования состоит в оценивании операционных характеристик обслуживающей системы, таких, например, как среднее время ожидания или средняя длина очереди. Такие характеристики системы массового обслуживания изменяют свои значения либо в момент появления клиента, либо при завершении обслуживания. В других случаях в системе ничего существенного (с точки зрения имитационного моделирования) не происходит. Те моменты времени, в которые в системе происходят изменения, определяют события модели (например, приход или уход клиента). То, что эти события происходят в дискретные моменты, указывает, что процесс протекает в дискретном времени, откуда и появилось название дискретное моделирование.
В настоящей главе основное внимание уделено обсуждению основ дискретного моделирования. Начнем с описания событий и того, как они могут быть сгенерированы в имитационной модели. Далее рассмотрим процедуры сбора статистических данных на основе имитационной модели и обсудим статистические аспекты имитационного эксперимента. Мы также подчеркнем важную роль компьютера и языков имитационного моделирования при реализации имитационных моделей.
УПРАЖНЕНИЯ 18.2
1. Распределите по категориям приведенные ниже ситуации с точки зрения их принадлежности к дискретному или непрерывному типу (они также могут быть комбинацией обоих типов). В каждом случае укажите цель создания имитационной модели.
a) Заказы на деталь поступают на склад случайным образом. Заказ, который не может быть выполнен сразу из наличного запаса, должен ожидать прибытия новых поставок.
b) На численность населения земного шара влияет наличие полезных ископаемых, производство пищи, экологические условия, уровни образования, здравоохранения и капитальные вложения.
c) Товары прибывают на приемную платформу автоматизированного склада на поддонах. Поддоны погружаются на нижний ленточный конвейер и поднимаются лифтом на верхний конвейер, который перемещает их к коридорам. Коридоры обслуживаются кранами, которые снимают поддоны с конвейера и помещают их в складские бункеры.
2. Объясните, почему вы согласны (или не согласны) со следующим утверждением: "Большинство моделей дискретного моделирования в той или иной
Г лава 18. Имитационное моделирование
форме можно обнаружить в системах массового обслуживания, состоящих из источников, которые поставляют клиентов; очередей, где клиенты ожидают; и сервисов, где клиенты обслуживаются".
18.3. ЭЛЕМЕНТЫ ДИСКРЕТНОГО МОДЕЛИРОВАНИЯ
В этом разделе показано, как используется концепция события и как собираются статистические данные на основе имитационных моделей систем.
18.3.1. Общее определение событий
Все имитационные модели с дискретными событиями описывают прямо или косвенно ситуации с очередью, в которую клиенты прибывают, при необходимости ожидают в ней, потом обслуживаются перед тем, как оставить систему. В общем случае любая модель с дискретными событиями состоит из сети взаимосвязанных очередей.
Имитационная модель с дискретными событиями в действительности является композицией очередей. В целях сбора статистических данных (показателей функционирования системы) заметим, что изменения в системе (например, изменение длины очереди или состояния средств обслуживания) возникают лишь тогда, когда клиент поступает в очередь или покидает систему после обслуживания. Это означает, что двумя главными событиями в любой дискретной имитационной модели являются прибытие и уход клиентов. Это единственные показатели, по которым необходимо исследовать систему. В другие моменты времени никаких изменений, влияющих на статистические данные системы, не происходит.
Пример 18.3.1
Металлообрабатывающий цех получает два вида работ: обычную и срочную. Все работы выполняются последовательно на двух обрабатывающих центрах с обширными буферными зонами. Считается, что срочные работы всегда имеют приоритет перед обычными. Охарактеризуем события в описанной ситуации.
Рассматриваемая ситуация состоит из двух сдвоенных очередей, соответствующих двум обрабатывающим центрам. На первый взгляд, можно согласиться со следующим определением событий в описанной ситуации.
All: обычная работа поступает в центр 1;
А21: срочная работа поступает в центр 1;
Д11: обычная работа уходит из центра 1;
Д21: срочная работа уходит из центра 1;
А12: обычная работа поступает в центр 2;
А22: срочная работа поступает в центр 2;
Д12: обычная работа уходит из центра 2;
Д22: срочная работа уходит из центра 2.
В действительности мы точно имеем лишь два события: прибытие (новой) работы в цех и выход (выполненной) работы из цеха. Заметим сначала, что события Д11 и А12 совпадают и являются неразличимыми. Это же замечание применимо к событиям Д21 и А22. Далее в дискретной имитационной модели мы можем использовать
18.3. Элементы дискретного моделирования
одно событие (прибытие или уход) для обоих типов работ, просто приписывая событию "ярлык", атрибут которого указывает тип работы. (В данном случае можно рассматривать в качестве атрибута персональный идентификационный номер работы.) Принимая эту аргументацию, приходим к выводу, что события в модели сводятся к 1) поступлению А (в цех) и 2) уходу Д (из каждого центра). Действия, связанные с уходом, будут зависеть от обрабатывающего центра, на котором это происходит.
Дата публикования: 2014-11-18; Прочитано: 673 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!