ГИБРИДНАЯ МОДЕЛЬ МАССОВОГО ОБСЛУЖИВАНИЯ С ДИНАМИЧЕСКИМИ ПАРАМЕТРАМИ ДЛЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ

2025

Full text Open access: Hybrid Metadata (CSL-JSON)
DOI 10.58805/kazutb.v.4.29-1000
Data confidence 70 medium
How this score is calculated

It is built from checkable properties of the record itself: whether the article has a DOI, how many independent sources confirmed its data, whether the required fields are filled in, and how recent the latest confirmation is. Disagreement between sources and a missing identifier lower it. A value of 80 or above means the record was published without further checking; 60 to 79 means it is published at reduced confidence, with a manual check advisable. A record verified by an editor by hand is never pushed below 90 by a recalculation. This scores our data about the article, not the article itself.

Abstract

Цифровизация ключевых процессов требует внедрения научно обоснованных подходов к проектированию автоматизированных систем, способных адаптироваться к изменяющимся условиям внешней среды. В данной работе предлагается гибридная модель массового обслуживания с динамическими параметрами, предназначенная для применения в автоматизированных системах, ориентированных на распределение ресурсов или заявок в условиях переменной нагрузки. Модель объединяет элементы марковских процессов с немарковскими задержками и механизмами динамического перераспределения потоков, что позволяет учитывать временные колебания, приоритеты и ограничения системы. Проведён анализ вероятностных характеристик модели, включая распределение времени ожидания и степень загруженности обслуживающих каналов. Разработаны методы адаптивной оптимизации, обеспечивающие устойчивое функционирование системы при изменяющихся параметрах входного потока. Предложенная модель может быть использована в различных прикладных задачах, включая автоматизацию процессов в образовании, логистике и производственной сфере, где требуется гибкое и эффективное управление распределением ресурсов. Представлены результаты имитационного моделирования, демонстрирующие устойчивость и адаптивность модели при различных сценариях нагрузки. Полученные данные могут служить основой для разработки автоматизированных систем управления, обеспечивающих высокую эффективность и надёжность функционирования.