most-queue 1.41__tar.gz → 1.42__tar.gz

{most_queue-1.41 → most_queue-1.42}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: most_queue
-Version: 1.41
+Version: 1.42
 Summary: Software package for calculation and simulation of queuing systems
 Home-page: https://github.com/xabarov/most-queue
 Author: Xabarov Roman

{most_queue-1.41 → most_queue-1.42}/most_queue.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: most_queue
-Version: 1.41
+Version: 1.42
 Summary: Software package for calculation and simulation of queuing systems
 Home-page: https://github.com/xabarov/most-queue
 Author: Xabarov Roman

{most_queue-1.41 → most_queue-1.42}/most_queue.egg-info/SOURCES.txt

@@ -3,10 +3,7 @@ README.md
 pyproject.toml
 setup.py
 most_queue/__init__.py
-most_queue/compare_fj_calc.py
-most_queue/flow_sum.py
 most_queue/rand_distribution.py
-most_queue/weibull.py
 most_queue.egg-info/PKG-INFO
 most_queue.egg-info/SOURCES.txt
 most_queue.egg-info/dependency_links.txt

{most_queue-1.41 → most_queue-1.42}/pyproject.toml

@@ -1,6 +1,6 @@
 [project]
 name = "most_queue"
-version = "1.41"
+version = "1.42"
 authors = [
   { name="Xabarov Roman", email="xabarov1985@gmail.com" },
 ]

{most_queue-1.41 → most_queue-1.42}/setup.py

@@ -1,8 +1,8 @@
 from setuptools import setup, find_packages
 
 setup(name='most-queue',
-      version='1.41',
-      description="Software package for calculation and simulation of queuing systems",
+      version='1.42',
+      description='Software package for calculation and simulation of queuing systems',
       author='Xabarov Roman',
       author_email='xabarov1985@gmail.com',
       url='https://github.com/xabarov/most-queue',
@@ -15,12 +15,12 @@ setup(name='most-queue',
       license='MIT',
       packages=find_packages(),
       install_requires=[
-            "matplotlib",
-            "numpy",
-            "pandas",
-            "scipy",
-            "tqdm",
-            "colorama"
+            'matplotlib',
+            'numpy',
+            'pandas',
+            'scipy',
+            'tqdm',
+            'colorama'
       ],
       include_package_data=True,
       zip_safe=False)

most_queue-1.41/most_queue/compare_fj_calc.py

@@ -1,118 +0,0 @@
-from theory.fj_calc import get_v1_fj_varki_merchant, get_v1_fj_nelson_tantawi, get_v1_fj_varma
-from sim.fj_sim import ForkJoinSim
-import matplotlib.pyplot as plt
-
-import matplotlib
-matplotlib.use('TkAgg')
-
-
-def test_fj_calc():
-    """
-    Тестирование аппроксимаций для системы Fork-Join
-    В пакете theory.fj_calc модержатся следующие методы:
-
-        get_v1_fj_nelson_tantawi -  R. D. Nelson and A. N. Tantawi, “Approximate analysis of fork/join
-                                    synchronization in parallel queues.” IEEE Trans. Computers, vol. 37, no. 6, pp. 739–743, 1988.
-
-        get_v1_fj_varma  -  S. Varma and A. M. Makowski, “Interpolation approximations for
-                            symmetric fork-join queues.” Perform. Eval., vol. 20, no. 1, pp. 245–265, 1994.
-
-        get_v1_fj_varki_merchant  -  E. Varki, “Response time analysis of parallel computer and storage
-                                     systems.” IEEE Trans. Parallel Distrib. Syst., 2001.
-
-    Для верификации используем имитационное моделирование (ИМ).
-
-    """
-
-    ro = 0.8  # коэффициент загрузки СМО
-    n = [x for x in range(2, 15)]  # число каналов
-    num_of_jobs = 1000000  # количество заявок для ИМ. Чем больше, тем выше точночть ИМ
-
-    # интенсивность обслуживания и начальные моменты
-    mu = 1.0
-    b = [1 / mu, 2 / pow(mu, 2), 6 / pow(mu, 3)]
-
-    l = ro / b[0]  # интенсивность вх потока
-
-    # массивы для накопления средних времен пребывания в СМО
-    v_sim = []
-    v_varma = []
-    v_varki = []
-    v_nelson = []
-
-    str_f = "{0:^15s}|{1:^15s}|{2:^15s}|{3:^15s}"
-    str_f_v = "\n{0:^15.3f}|{1:^15.3f}|{2:^15.3f}|{3:^15.3f}"
-    print(str_f.format("ИМ", "Varki", "Varma", "Nelson"))
-
-    for i, nn in enumerate(n):
-        # для верификации используем ИМ.
-        # создаем экземпляр класса ИМ, передаем число каналов обслуживания
-        # ИМ поддерживает СМО типа Fork-Join (n, k). В нашем случае k = n
-
-        qs = ForkJoinSim(nn, nn, False)
-
-        # задаем входной поток. Методу нужно передать параметры распределения и тип распределения. М - экспоненциальное
-        qs.set_sources(l, 'M')
-
-        # задаем каналы обслуживания. Методу нужно передать параметры распределения и тип распределения. М - экспоненциальное
-        qs.set_servers(mu, 'M')
-
-        # запускаем ИМ
-        qs.run(num_of_jobs)
-
-        # получаем список начальных моментов времени пребывания заявок в СМО и сохраняем
-        # в массив только среднее (первый нач момент)
-        v = qs.v
-        v_sim.append(v[0])
-
-        # расчет средних времен пребывания с помощью аппроксимаций. \
-        # На вход каждого из методов - l, mu, nn (число каналов СМО)
-
-        v_varki.append(get_v1_fj_varki_merchant(l, mu, nn))
-        v_varma.append(get_v1_fj_varma(l, mu, nn))
-        v_nelson.append(get_v1_fj_nelson_tantawi(l, mu, nn))
-
-        print(str_f_v.format(v_sim[i], v_varki[i], v_varma[i], v_nelson[i]))
-
-    # строим графики и сохраняем в текущую директорию:
-
-    fig, ax = plt.subplots()
-
-    linestyles = ["solid", "dotted", "dashed", "dashdot"]
-
-    ax.plot(n, v_sim, label="ИМ", linestyle=linestyles[0])
-    ax.plot(n, v_varki, label="Varki", linestyle=linestyles[1])
-    ax.plot(n, v_varma, label="Varma", linestyle=linestyles[2])
-    ax.plot(n, v_nelson, label="Nelson", linestyle=linestyles[3])
-
-    ax.set_ylabel("v1")
-    ax.set_xlabel("n")
-
-    plt.legend()
-    plt.savefig("v1_from_n_with_ro = {0:^4.2f}.png".format(ro), dpi=300)
-
-    # errors
-    v_nelson_err = []
-    v_varma_err = []
-    v_varki_err = []
-
-    for i in range(len(v_sim)):
-        v_varma_err.append(100 * (v_varma[i] - v_sim[i]) / v_sim[i])
-        v_varki_err.append(100 * (v_varki[i] - v_sim[i]) / v_sim[i])
-        v_nelson_err.append(100 * (v_nelson[i] - v_sim[i]) / v_sim[i])
-
-    fig, ax = plt.subplots()
-    ax.plot(n, v_varki_err, label="Varki", linestyle=linestyles[0])
-    ax.plot(n, v_varma_err, label="Varma", linestyle=linestyles[1])
-    ax.plot(n, v_nelson_err, label="Nelson", linestyle=linestyles[2])
-
-    ax.set_ylabel("error, %")
-    ax.set_xlabel("n")
-
-    plt.legend()
-    plt.savefig("error_from_n_with_ro = {0:^4.2f}.png".format(ro), dpi=300)
-
-
-if __name__ == "__main__":
-    
-    test_fj_calc()

most_queue-1.41/most_queue/flow_sum.py

@@ -1,98 +0,0 @@
-import matplotlib
-import matplotlib.pyplot as plt
-from . import rand_distribution as rd
-from sim.flow_sum_sim import FlowSumSim
-from most_queue.theory.flow_sum import SummatorNumeric
-
-matplotlib.use('TkAgg')
-
-
-def test():
-    """
-    Тестирование суммирования потоков
-    """
-
-    # Задаем следующие параметры:
-    n_nums = 10  # число суммируемых потоков
-    coev = 0.74  # коэффициент вариации каждого потока
-    mean = 1  # среднее каждого потока
-    num_of_jobs = 400000  # количество заявок для ИМ
-    is_semi = False  # True, если необходимо использовать метод семиинвариантов вместо H2
-    distr_im = "Gamma"  # распределение, используемое для ИМ
-
-    # число суммируемых потоков
-    ns = [x + 2 for x in range(n_nums - 1)]
-
-    # начальные моменты суммируемых потоков. В нашем случае все потоки одинаково распределены
-    a = []
-    for i in range(n_nums):
-        params1 = rd.Gamma.get_mu_alpha_by_mean_and_coev(mean, coev)
-        a1 = rd.Gamma.calc_theory_moments(*params1, 4)
-        a.append(a1)
-
-    # Численный расчет
-    s = SummatorNumeric(a, is_semi=is_semi)
-    s.sum_flows()  # в  s._flows[i][j] содержатся начальные моменты суммируемых потокоы,
-    # i - кол-во суммируемых потоков, j - номер начального момента
-
-    # ИМ
-    s_sim = FlowSumSim(a, distr=distr_im, num_of_jobs=num_of_jobs)
-    s_sim.sum_flows()  # в  s_sim._flows[i][j] содержатся начальные моменты суммируемых потокоы,
-    # i - кол-во суммируемых потоков, j - номер начального момента
-
-    # Расчет ошибок и отображение результатов
-    coevs_sim = s_sim.coevs
-    coevs_num = s.coevs
-    errors1 = []
-    errors2 = []
-    errors_coev = []
-
-    str_f = "{0:^18s}|{1:^10.3f}|{2:^10.3f}|{3:^10.3f}|{4:^10.3f}|{5:^10.3f}"
-    print("{0:^18s}|{1:^10s}|{2:^10s}|{3:^10s}|{4:^10s}|{5:^10s}".format("-", "a1", "a2", "a3", "a4", "coev"))
-    print("-" * 80)
-
-    for i in range(n_nums - 1):
-        print("{0:^80s}".format("Сумма " + str(i + 2) + " потоков"))
-        print("-" * 80)
-        print(str_f.format("ИМ", s_sim.flows_[i][0], s_sim.flows_[i][1], s_sim.flows_[i][2], s_sim.flows_[i][3],
-                           coevs_num[i]))
-        print("-" * 80)
-        print(str_f.format("Числ", s.flows_[i][0].real, s.flows_[i][1].real, s.flows_[i][2].real, s.flows_[i][3].real,
-                           coevs_sim[i]))
-        print("-" * 80)
-        errors1.append(SummatorNumeric.get_error(s.flows_[i][0].real, s_sim.flows_[i][0]))
-        errors2.append(SummatorNumeric.get_error(s.flows_[i][1].real, s_sim.flows_[i][1]))
-        errors_coev.append(SummatorNumeric.get_error(coevs_num[i], coevs_sim[i]))
-
-    fig, ax = plt.subplots()
-    linestyles = ["solid", "dotted", "dashed", "dashdot"]
-
-    ax.plot(ns, s_sim.a1_sum, label="ИМ a1", linestyle=linestyles[0])
-    ax.plot(ns, s.a1_sum, label="Числ a1", linestyle=linestyles[1])
-
-    plt.legend()
-    str_title = "Среднее сумм-х потоков, %"
-    if is_semi:
-        str_title += ". Метод семиинвариантов"
-    else:
-        str_title += ". Метод H2"
-    plt.title(str_title)
-    plt.show()
-
-    fig, ax = plt.subplots()
-    ax.plot(ns, errors1, label="error a1", linestyle=linestyles[0])
-    ax.plot(ns, errors2, label="error a2", linestyle=linestyles[1])
-    ax.plot(ns, errors_coev, label="error coev", linestyle=linestyles[2])
-
-    plt.legend()
-    str_title = "Отн. ошибка от числа сумм-х потоков, %"
-    if is_semi:
-        str_title += ". Метод семиинвариантов"
-    else:
-        str_title += ". Метод H2"
-    plt.title(str_title)
-    plt.show()
-
-
-if __name__ == "__main__":
-    test()

most_queue-1.41/most_queue/weibull.py

@@ -1,36 +0,0 @@
-import numpy as np
-from most_queue.theory.weibull import Weibull
-import matplotlib.pyplot as plt
-
-import matplotlib
-matplotlib.use('TkAgg')
-
-
-def test():
-    """
-    Тестирование аппроксимации Вейбулла
-    """
-    mean = 1.0
-    coevs = [1.0, 2.1, 3.2]
-
-    fig, ax = plt.subplots()
-
-    for coev in coevs:
-        k, T = Weibull.get_params_by_mean_and_coev(mean, coev)
-
-        print("Параметры распределения Вейбулла при коэфф вариации {0:1.3f}: k = {1:1.3f} T = {2:1.3f}".format(coev, k,
-                                                                                                               T))
-
-        t = np.linspace(0, 3 * coevs[len(coevs) - 1], 100)
-        dfr = Weibull.get_tail([k, T], t)
-
-        ax.plot(t, dfr, label="$\\nu$  = {0:1.1f}".format(coev))
-
-    ax.set_xlabel('t')
-    ax.set_ylabel('ДФР')
-    plt.legend()
-    plt.show()
-
-
-if __name__ == "__main__":
-    test()