Regeneration and Networks of Queues

شبکه‌های صف اغلب به عنوان مدل‌هایی برای طیف گسترده‌ای از پدیده‌های تراکم ایجاد می‌شوند. شبیه‌سازی رویداد گسسته اغلب تنها ابزار موجود برای مطالعه رفتار شبکه‌های پیچیده است و بسیاری از این شبیه‌سازی‌ها غیرمارکوینی هستند به این معنا که فرآیند تصادفی زیربنایی نمی‌تواند به‌عنوان یک زنجیره مارکوف زمانی پیوسته با فضای حالت قابل شمارش نمایش داده شود. این کتاب بر اساس نمایش فرآیند تصادفی زیربنایی شبیه‌سازی به عنوان یک فرآیند نیمه مارکوف عمومی، روش‌های احتمالی و آماری را برای شبیه‌سازی رویداد گسسته شبکه‌های صف توسعه می‌دهد. تاکید بر استفاده از ساختار فرآیند تصادفی احیا کننده اساسی برای طراحی آزمایش‌های شبیه‌سازی و تحلیل خروجی شبیه‌سازی است. بارزترین مزیت روش شناختی شبیه سازی این است که در اصل برای سیستم های تصادفی با پیچیدگی دلخواه قابل استفاده است. با این حال، در عمل، اغلب به دست آوردن اطلاعات مفید و دقیق از یک شبیه سازی و به دست آوردن آن به شیوه ای کارآمد، یک موضوع کاملاً غیر ضروری است. این مشکلات عمدتاً از تغییرپذیری ذاتی در یک سیستم تصادفی ناشی می‌شوند و لازم است که روش‌های از لحاظ نظری صحیح و کارآمد محاسباتی برای انجام شبیه‌سازی جستجو شود. جدای از ملاحظات پیاده سازی، نگرانی های مهم برای شبیه سازی مربوط به روش های کارآمد برای تولید مسیرهای نمونه فرآیند تصادفی اساسی است. طراحی آزمایش‌های شبیه‌سازی و تحلیل خروجی شبیه‌سازی.

Networks of queues arise frequently as models for a wide variety of congestion phenomena. Discrete event simulation is often the only available means for studying the behavior of complex networks and many such simulations are non­ Markovian in the sense that the underlying stochastic process cannot be repre­ sented as a continuous time Markov chain with countable state space. Based on representation of the underlying stochastic process of the simulation as a gen­ eralized semi-Markov process, this book develops probabilistic and statistical methods for discrete event simulation of networks of queues. The emphasis is on the use of underlying regenerative stochastic process structure for the design of simulation experiments and the analysis of simulation output. The most obvious methodological advantage of simulation is that in principle it is applicable to stochastic systems of arbitrary complexity. In practice, however, it is often a decidedly nontrivial matter to obtain from a simulation information that is both useful and accurate, and to obtain it in an efficient manner. These difficulties arise primarily from the inherent variability in a stochastic system, and it is necessary to seek theoretically sound and computationally efficient methods for carrying out the simulation. Apart from implementation consider­ ations, important concerns for simulation relate to efficient methods for generating sample paths of the underlying stochastic process. the design of simulation ex­ periments, and the analysis of simulation output.