随机处理网络模型的流体极限

来源 :南京大学 | 被引量 : 0次 | 上传用户:q43372958
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随机处理网络广泛地出现在电话呼叫中心、万维网服务器等系统中。本文考虑一个具有多服务池的随机处理网络,在该网络中接受服务的工作(客户)有多个类别,可以要求多个处理环节,工作(客户)的输入过程假设为双重随机流。基于现有的经验性地为此系统建立模型并设计相应渐近最优容量和动态系统控制等策略的有关成果的讨论。本文发展出有关流体逼近的数学理论,它在一定程度上说明现存文献(比如Harrison文[1])中的讨论是合理的、有效的。该逼近理论主要分为下列几个部分:首先,对文[1]中所设计的物理模型重新进行流体尺度化,得到一列物理模型,其工作(客户)的输入速率与系统服务容量也随尺度指标变化而变化;其次,利用泛函大数定律等证明这一列物理过程具有弱紧性;最后识别出所有收敛子列的有关极限过程均满足文[1]中用来设计最优策略的有关模型。从而说明文[1]中所使用模型的确具有某种合理性。
其他文献
在第一章中,我们主要研究连续Urysohn空间。   在60年代初期,Alexander V.Arhangelskii引进了一类空间的概念,他对这类空间做了一个刻画,即度量空间在完备满射下的原像,他
随着科学技术的发展及大型工程技术的需要,在许多工程领域中出现了大量的带有时滞的广义不确定系统。由于变结构控制系统中的滑动模态具有不变性,所以近些年来,部分国内外科
时间分散问题是被学界和业界所一直关注的金融研究中的待解谜题之一:投资期限长度的不同是否会影响投资决策?虽然在实际投资中可以观察到当投资期限增加时,投资者倾向于增加在
本文研究了广义Finite—depth—fluid方程,本文还进一步证明了当参数δ分别趋近于+∞和0时,广义Finite—depth—fluid方程的解分别趋近于广义Benjamin—Ono方程和广义Korteweg
高斯混合模型已被广泛地应用于模式识别,信息处理和数据分析中,通常采用EM(Expectation Maximization)对其进行参数估计.然而,EM算法是一种基于最大似然估计的局部搜索性迭代算
压力测试已经成为金融机构进行风险管理的重要手段,但是传统的压力测试方法缺乏客观性和稳健性。本文讨论了一种基于模型的压力测试方法,可以将压力情景及其发生概率结合起来,并
本文考虑了ARFIMA-GARCH类模型的状态空间表示。ARFIMA-GARCH这类模型结合了长记忆时间序列和流行的条件异方差过程。虽然ARFIMA-GARCH模型的状态空间表示是无穷维的,但是基于
班级是学生成长的重要环境,班级自主管理是学生管理的基础,学生德智体全面发展、开展素质教育、培养创新型人才具有重要意义.当前班级管理是深化教育领域体制改革和机制创新
双目立体视觉直接模拟人眼视觉的处理方式,它具有快速、准确、灵活等特点,正广泛地被应用于各个领域,如障碍物检测、虚拟现实、工业检测、机器人导航、航空航天等领域。本文
本文主要研究可微流的拓扑熵,C1非一致双曲系统的Lyapunov指数被周期轨道上的指数逼近以及部分双曲系统的遍历性问题。   具体的讲,我们构造了两个等价的光滑流,使得它们其中