студент с 01.01.2024 по настоящее время
Ижевск, Удмуртская республика, Россия
студент с 01.01.2024 по настоящее время
В работе исследуется двухканальная система массового обслуживания (СМО) без накопителя применительно к двум однотипным системам обслуживания. Первая система функционирует по классической схеме с постоянным временем обслуживания, тогда как вторая оснащена киберфизическим контроллером (CPS), адаптирующим управляемый параметр обслуживания u в зависимости от текущего числа заявок n в системе. Закон адаптации задаётся выражением u(n) = min{u0·(1 + β·n); umax}, а время обслуживания представляется как сумма постоянной и переменной составляющих: T(n) = Tconst + Tvar/(1 + β·n). Базовые параметры заданы как модельный расчётный сценарий, достаточный для сопоставления двух политик управления без привязки к конкретному объекту. Сравнительный анализ выполнен методом дискретно-событийной имитации на языке Python с использованием библиотеки SimPy. Проведено 50 независимых прогонов на каждый из 30 сценариев при сетке λ ∈ {55, 60, 65, 70, 75, 80} заявок/ч и β ∈ {0,05; 0,10; 0,15; 0,20; 0,25}, всего 1500 прогонов. Показано, что адаптивная система превосходит классическую во всех исследованных сценариях: прирост выходного потока составляет от 1,1 % при малой нагрузке до 5,8 % при высокой. Установлено, что наибольший эффект проявляется при высокой загрузке, когда вероятность блокировки входного потока возрастает. Выявлена оптимальная зона β ∈ [0,15; 0,20] при λ ≥ 70 заявок/ч, обеспечивающая прирост 3,5-4,8 % при сохранении заданных ограничений модели. Полученные результаты подтверждают применимость состояния-зависимого управления для повышения пропускной способности двухканальных систем без изменения их структуры.
INDUSTRY 4.0, СИСТЕМА МАССОВОГО ОБСЛУЖИВАНИЯ, СМО БЕЗ НАКОПИТЕЛЯ, АДАПТИВНОЕ УПРАВЛЕНИЕ, УПРАВЛЯЕМЫЙ ПАРАМЕТР ОБСЛУЖИВАНИЯ, CPS-КОНТРОЛЛЕР, ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ, SIMPY, ПРОПУСКНАЯ СПОСОБНОСТЬ, КОЭФФИЦИЕНТ УСКОРЕНИЯ β
1. H. Kagermann, W. Wahlster, J. Helbig, Recommendations for implementing the strategic initiative INDUSTRIE 4.0, acatech, Frankfurt am Main, 2013.
2. F. Tao, Q. Qi, L. Wang, A.Y.C. Nee, Engineering, 5, 4, 653–661 (2019). DOI: https://doi.org/10.1016/j.eng.2019.01.014.
3. D.A. Barua, S.A. Sami, L. Barua, Scientific Reports, 15, Article 41559 (2025). DOI: https://doi.org/10.1038/s41598-025-25413-6.
4. М.А. Плескунов, Теория массового обслуживания, Издательство Уральского университета, Екатеринбург, 2022.
5. Т.В. Черушева, Н.В. Зверовщикова, Теория массового обслуживания, Издательство ПГУ, Пенза, 2021.
6. A.M. Law, Simulation Modeling and Analysis, 5th ed., McGraw-Hill Education, New York, 2015.
7. M. Lefebvre, Axioms, 14, 2, Article 130 (2025). DOI: https://doi.org/10.3390/axioms14020130.
8. И.Н. Валеев, А.П. Кирпичников, Вестник Казанского технологического университета, 4, 75–79 (2006).
9. N. Matloff, Introduction to Discrete-Event Simulation and the SimPy Language, University of California, Davis, 2008.
10. Y. Zhang, Y. Kurkure, Y. Tao, M.E. Papka, Z. Lan, A RealTime Digital Twin for Adaptive Scheduling, arXiv:2512.18894 (2025).
11. W.J. Hopp, M.L. Spearman, Factory Physics, McGrawHill, New York, 2008.
12. J. Xu, E. Huang, L. Hsieh, L.H. Lee, Q.S. Jia, C.H. Chen, Journal of Simulation, 10, 4, 310–320 (2016). DOI: https://doi.org/10.1057/s41273-016-0037-6.
13. D. Gross, J.F. Shortle, J.M. Thompson, C.M. Harris, Fundamentals of Queueing Theory, Wiley, Hoboken, 2008.
14. И.З. Самерханов, Е.А. Печеный, Н.К. Нуриев, Современные наукоемкие технологии, 3, 87–92 (2024). DOI: https://doi.org/10.17513/snt.39951.
15. G. Chen, Z. Liu, L. Xia, Journal of the Operational Research Society, 74, 3, 979–991 (2023). DOI: https://doi.org/10.1080/01605682.2022.2053308.
