Теория стохастических моделей.
Элементы теории случайных процессов
Случайный процесс (случайная функция времени)
Случайная функция –случайная величина, зависящая не только от случайного события ω, но и от какого-либо параметра. Если этот параметр – время, то случайная функция называется случайным процессом и обозначается ξ (t,ω).
Величина ξ может быть как скалярной (скалярный случайный процесс), так и векторной (векторный или многомерный случайный процесс). Она может принимать как дискретные значения (процесс с дискретными состояниями), так и пробегать непрерывный ряд значений.
В случае дискретного времени t = 0,1,2,... случайный процесс называют также случайной последовательностью
Метод Монте-Карло - общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его вероятностные характеристики совпадали с аналогичными величинами решаемой задачи.
Ограничим функцию прямоугольником (n-мерным параллелепипедом в случае многих измерений), площадь которого S0 можно легко вычислить;
«набросаем» в этот прямоугольник (параллелепипед) некоторое количество точек (N штук), координаты которых будем выбирать случайным образом;
определим число точек (K штук), которые попадут под график функции;
площадь области, ограниченной функцией и осями координат, S даётся следующим выражением S = S0 K / N
Теория перколяций
Пусть есть прямоугольная решетка, состоящая из N*N свободных и занятых узлов.
Пусть вероятность того, что узел занят – p, и, соответственно, вероятность того, что узел свободен (1-p).
Будем называть кластером соседние занятые узлы и стягивающим кластером (перколяционным кластером) такой кластер, который начинается на одной границе и заканчивается на противоположной границе решетки.
Образование стягивающего кластера называется перколяцией.
Идея метода Монте-Карло:
- Задать значение вероятности занятости узла p.
- Разыграть состояние каждого узла при заданном значении p, тем самым построив конкретную реализацию решетки.
- Определить, есть ли в этой реализации хотя бы один стягивающий кластер. Если есть, то увеличить счетчик числа стягивающих кластеров Mc на единицу.
- Повторить пункты 2-3 M раз.
- Получить оценку вероятности образования стягивающего кластера
- Повторить 1-5 для ряда значений вероятности p в интервале от 0 до 1.
При достижении порога перколяции по узлам занятые узлы бесконечной решетки образуют кластеры всех размеров из связанных между собой узлов.
Распределение кластеров по размерам следует степенному закону: число n(s) кластеров, содержащих s занятых узлов, пропорционально s -τ .
Методы перколяции для сетевых алгоритмов
- Лавинная маршрутизация на основе перколяции для сенсорных сетей. Предлагается уменьшать вероятность пересылки сообщения по мере удаления от источника. Тем самым резко уменьшается число копий сообщений, а вероятность достижения адресата падает незначительно.
- Перколяционная маршрутизация для оптической кластерной сети. Предлагается использовать эффект перколяции для предотвращения образования «узких мест» в коммуникационной сети, связывающей узлы кластера (в качестве топологии кластера рассматривается 3D–решетка).
- Перколяционный поиск в сетях со степенным распределением связности. Предлагается алгоритм поиска для пиринговых сетей, использующий встречные процессы внедрения и запроса контента и основанный на свойстве «накопления» информации в «ключевых» узлах с большой степенью связности.
- Мобильных сетях, уровень изменений топологии в которых настолько высок, что лавинная доставка данных является единственным способом маршрутизации. В этом случае перколяционная лавина обеспечивает тот же уровень доставки данных что и обычная, экономя при этом трафик.
- Применение теории перколяции для оценки общей устойчивости и уязвимостей транспортных сетей