Simulação de Filas M/M/s - MS

Alunos

• Gustavo Nunes

Descrição

Este projeto tem como objetivo simular um sistema onde clientes podem chegar e ser atendidos por um dos vários servidores disponíveis. Por exemplo, o sistema pode ser um lava-jato onde os carros chegam no sistema, esperam por um tempo na fila até serem atendidos por um dos atendentes.

A simulação é útil para que possamos coletar dados como por exemplo:

• número médio de clientes na fila durante o tempo da simulação
• tempo médio de um cliente no sistema
• tempo médio de um cliente na fila
• tempo médio no qual os servidores demoram para atender o cliente

Os tempos com os quais os clientes chegam no sistema e o tempo que um servidor leva para atender um cliente são definidos de forma aleatória através do arquivo de config (ver detalhes nos itens abaixo).

Dependências

• python3 instalado na máquina
• pip3 instalado na máquina
• pacote tabulate
  • pip3 install tabulate
• pacote bisect
  • pip3 install bisect
• pacote matplotlib
  • pip3 install matplotlib

Setup arquivo de config

Para executar a simulação, é necessário adicionar os parâmetros desejados no arquivo config.json. Os parâmetros possíveis são:

Nome	Descrição	Valores Possíveis
tec_type	Tipo de aleatoriedade usada para gerar o tempo entre as chegadas	uniform, uniform_int, deterministic, normal, exp, mmc
tec	Parâmetro necessário para gerar o tempo entre as chegadas dependendo do tec_type desejado	(Ver explicação abaixo)
ts_type	Tipo de aleatoriedade usada para gerar o tempo de serviço	uniform, uniform_int, deterministic, normal, exp, mmc
ts	Parâmetro necessário para gerar o tempo de serviço dependendo do ts_type desejado	(Ver explicação abaixo)
clients	Número de clientes na simulação	int > 0
servers	Número de servidores	int > 0
max_queue_size (opcional, default = inf)	Tamanho máximo da fila	int >= 0

Parâmetros de aleatoriedade e seus atributos

Os parâmetros que adicionam aleatoriedade à simulação são os parâmetros TEC (tempo entre chegadas) e TS (tempo de serviço). É possível controlar o tipo da variável aleatória desejada pelos atributos tec_type e ts_type, que podem receber um dos possíveis valores abaixo:

Tipo	Descrição
uniform	Distribuição uniforme em um intervalo
uniform_int	Distribuição uniforme de inteiros em um intervalo
deterministic	Valor determinístico
normal	Distribuição normal
exp	Distribuição exponencial
mmc	Método de Monte Carlo

Os campos tec e ts armazenam os parâmetros necessários dependendo do tipo (dentre os mencionados acima). Cada tipo exige um formato especial para os parâmetros conforme os exemplos abaixo:

Tipo	Descrição do atributo	Exemplo
uniform	Intervalo de valores possíveis	"ts_type": "uniform", "ts": { "min_value": 1.5, "max_value": 5 }
uniform_int	Intervalo de valores possíveis	"ts_type": "uniform_int", "ts": { "min_value": 1, "max_value": 10 }
deterministic	Valor a ser retornado	"ts_type": "deterministic", "ts": 3
normal	Média e desvio padrão da distribuição normal.	"ts_type": "normal", "ts": { "mean": 0.5, "std_deviation": 1.0 }
exp	Taxa de chegada (em unidades de tempo). Por exemplo: lambda = 0.5 significa que os clientes chegam em média a cada meia hora (se a unidade de tempo for em horas), portanto chegam 1/0.5 = 2 clientes por hora.	"ts_type": "exp", "ts": { "lambda": 0.5 }
mmc	Amostra de dados cuja distribuição irá ser aplicada na simulação utilizando o método de monte carlo.	"tec_type": "mmc", "tec": [1, 1, 1, 2, 2, 3]

Execução

Ambiente Linux

• No terminal, executar: python3 main.py

Google Colab

1. Criar um novo notebook no Google Colab
2. Copiar os arquivos do projeto para a pasta arquivos na aba à esquerda
3. Executar o comando %run main.py em alguma célula de execução