most-queue 2.6__tar.gz → 2.7__tar.gz

most_queue-2.7/.cursorrules

@@ -0,0 +1,3 @@
+# Python Virtual Environment
+Use `./.venv` for Python interpreter and package management.
+

{most_queue-2.6 → most_queue-2.7}/.gitignore

@@ -170,3 +170,7 @@ tests/units/*.png
 # ignore all files in works/vacations/results
 works/vacations/results/*
 
+# ignore article about negative queues
+docs/negative_queues_takahasi_takami.md
+docs/negative_queues_figures/
+docs/books/

{most_queue-2.6 → most_queue-2.7}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: most_queue
-Version: 2.6
+Version: 2.7
 Summary: Software package for calculation and simulation of queuing systems
 Project-URL: Homepage, https://github.com/xabarov/most-queue
 Author-email: Xabarov Roman <xabarov1985@gmail.com>
@@ -45,6 +45,7 @@ Description-Content-Type: text/markdown
 
 Python-библиотека для симуляции и анализа систем массового обслуживания (СМО) и сетей очередей.
 
+![PyPI version](https://img.shields.io/pypi/v/most-queue)
 ![GitHub commit activity](https://img.shields.io/github/commit-activity/m/xabarov/most-queue)
 
 ---
@@ -70,7 +71,7 @@ Python-библиотека для симуляции и анализа сист
 - **Симуляция**: Моделирование различных типов систем массового обслуживания и сетей
 - **Численные методы**: Решение стационарных задач теории массового обслуживания
 - **Метрики производительности**: Анализ времени ожидания, времени пребывания, коэффициентов загрузки и многое другое
-- **Широкая поддержка моделей**: FIFO, приоритеты, отпуска, отрицательные заявки, fork-join, сети и многое другое
+- **Широкая поддержка моделей**: FIFO, приоритеты, прогулки, отрицательные заявки, fork-join, сети и многое другое
 
 ---
 
@@ -92,6 +93,28 @@ pip install -e .
 
 ---
 
+## 📰 Новости
+
+- **Февраль 2026** — Добавлены расчеты по методу **Такахаси–Таками** для FIFO-моделей **H₂/M/c** и **H₂/H₂/c**:
+  - `most_queue/theory/fifo/gmc_takahasi.py` — **H₂/M/c**
+  - `most_queue/theory/fifo/hkhk_takahasi.py` — **H₂/H₂/c**
+  - Улучшено API: `H2MnCalc.set_sources()` и `MGnCalc.set_servers()` теперь принимают `H2Params` напрямую (без повторного фиттинга), а `HkHkNCalc` корректно работает с complex-fit для \(CV<1\).
+- **2025** — Для метода расчета многоканальной СМО с **разогревом**, **охлаждением** и **задержкой начала охлаждения** опубликована статья (реализация: `most_queue/theory/vacations/mgn_with_h2_delay_cold_warm.py`):
+  - Лохвицкий, В. А. Численный расчет многоканальной системы массового обслуживания с разогревом, охлаждением и задержкой начала охлаждения / В. А. Лохвицкий, Р. С. Хабаров, Е. Л. Яковлев // Авиакосмическое приборостроение. – 2025. – № 1. – С. 44–57. – DOI [10.25791/aviakosmos.1.2025.1456](https://doi.org/10.25791/aviakosmos.1.2025.1456). – EDN OVJXK
+
+---
+
+## 🎉 Версия 2.6
+
+**Основные изменения:**
+
+- **Рефакторинг модулей `sim` и `theory`**: Улучшена архитектура и структура кода для лучшей поддерживаемости и расширяемости
+- **Полная документация**: Добавлена подробная документация на русском языке с руководствами по симуляции, расчетам, моделям и сетям очередей
+- **Единый API**: Унифицированный интерфейс для работы с симуляцией и численными методами
+- **Улучшенная терминология**: Обновлена терминология (СМО с прогулками вместо отпусков)
+
+---
+
 ## 🚀 Быстрый старт
 
 ### Базовый пример: M/M/1 система
@@ -151,8 +174,12 @@ Most-Queue состоит из двух основных модулей:
 - **M/M/c**, **M/M/c/r** — Многоканальные системы с пуассоновским потоком
 - **M/G/1**, **M/G/c** — Системы с произвольным распределением времени обслуживания
 - **GI/M/1**, **GI/M/c** — Системы с общим потоком поступления
+- **H₂/M/c** — Гиперэкспоненциальный поток поступления, метод Такахаси-Таками (§7.6.1)
 - **M/D/c**, **E_k/D/c** — Системы с детерминированным обслуживанием
 - **M/H₂/c** — Метод Такахаси-Таками с гиперэкспоненциальным обслуживанием
+- **H₂/H₂/c** — Метод Такахаси-Таками для гиперэкспоненциального потока и обслуживания
+
+Примечание про H₂ и \(CV<1\): реальное H₂-распределение имеет \(CV\\ge 1\), но для численных методов допускается **complex-fit** (комплексные параметры аппроксимации). Симулятор `QsSim` не генерирует H₂ с комплексными параметрами, поэтому сравнение “теория vs симуляция” возможно только когда параметры вещественные.
 
 ### Системы с приоритетами
 - **M/G/1/PR**, **M/G/1/NP** — Одноканальные с прерываемым/непрерываемым приоритетом
@@ -160,7 +187,7 @@ Most-Queue состоит из двух основных модулей:
 - **M/Ph/c/PR** — Фазовое распределение обслуживания с приоритетами
 
 ### Специализированные системы
-- **Отпуска** — Системы с отпусками серверов и прогревом
+- **Прогулки** — Системы с прогулками серверов и прогревом
 - **Отрицательные заявки** — Модели RCS и disaster
 - **Fork-Join** — Системы параллельной обработки
 - **Пакетное поступление** — Системы M^x/M/1

{most_queue-2.6 → most_queue-2.7}/README.md

@@ -4,6 +4,7 @@
 
 Python-библиотека для симуляции и анализа систем массового обслуживания (СМО) и сетей очередей.
 
+![PyPI version](https://img.shields.io/pypi/v/most-queue)
 ![GitHub commit activity](https://img.shields.io/github/commit-activity/m/xabarov/most-queue)
 
 ---
@@ -29,7 +30,7 @@ Python-библиотека для симуляции и анализа сист
 - **Симуляция**: Моделирование различных типов систем массового обслуживания и сетей
 - **Численные методы**: Решение стационарных задач теории массового обслуживания
 - **Метрики производительности**: Анализ времени ожидания, времени пребывания, коэффициентов загрузки и многое другое
-- **Широкая поддержка моделей**: FIFO, приоритеты, отпуска, отрицательные заявки, fork-join, сети и многое другое
+- **Широкая поддержка моделей**: FIFO, приоритеты, прогулки, отрицательные заявки, fork-join, сети и многое другое
 
 ---
 
@@ -51,6 +52,28 @@ pip install -e .
 
 ---
 
+## 📰 Новости
+
+- **Февраль 2026** — Добавлены расчеты по методу **Такахаси–Таками** для FIFO-моделей **H₂/M/c** и **H₂/H₂/c**:
+  - `most_queue/theory/fifo/gmc_takahasi.py` — **H₂/M/c**
+  - `most_queue/theory/fifo/hkhk_takahasi.py` — **H₂/H₂/c**
+  - Улучшено API: `H2MnCalc.set_sources()` и `MGnCalc.set_servers()` теперь принимают `H2Params` напрямую (без повторного фиттинга), а `HkHkNCalc` корректно работает с complex-fit для \(CV<1\).
+- **2025** — Для метода расчета многоканальной СМО с **разогревом**, **охлаждением** и **задержкой начала охлаждения** опубликована статья (реализация: `most_queue/theory/vacations/mgn_with_h2_delay_cold_warm.py`):
+  - Лохвицкий, В. А. Численный расчет многоканальной системы массового обслуживания с разогревом, охлаждением и задержкой начала охлаждения / В. А. Лохвицкий, Р. С. Хабаров, Е. Л. Яковлев // Авиакосмическое приборостроение. – 2025. – № 1. – С. 44–57. – DOI [10.25791/aviakosmos.1.2025.1456](https://doi.org/10.25791/aviakosmos.1.2025.1456). – EDN OVJXK
+
+---
+
+## 🎉 Версия 2.6
+
+**Основные изменения:**
+
+- **Рефакторинг модулей `sim` и `theory`**: Улучшена архитектура и структура кода для лучшей поддерживаемости и расширяемости
+- **Полная документация**: Добавлена подробная документация на русском языке с руководствами по симуляции, расчетам, моделям и сетям очередей
+- **Единый API**: Унифицированный интерфейс для работы с симуляцией и численными методами
+- **Улучшенная терминология**: Обновлена терминология (СМО с прогулками вместо отпусков)
+
+---
+
 ## 🚀 Быстрый старт
 
 ### Базовый пример: M/M/1 система
@@ -110,8 +133,12 @@ Most-Queue состоит из двух основных модулей:
 - **M/M/c**, **M/M/c/r** — Многоканальные системы с пуассоновским потоком
 - **M/G/1**, **M/G/c** — Системы с произвольным распределением времени обслуживания
 - **GI/M/1**, **GI/M/c** — Системы с общим потоком поступления
+- **H₂/M/c** — Гиперэкспоненциальный поток поступления, метод Такахаси-Таками (§7.6.1)
 - **M/D/c**, **E_k/D/c** — Системы с детерминированным обслуживанием
 - **M/H₂/c** — Метод Такахаси-Таками с гиперэкспоненциальным обслуживанием
+- **H₂/H₂/c** — Метод Такахаси-Таками для гиперэкспоненциального потока и обслуживания
+
+Примечание про H₂ и \(CV<1\): реальное H₂-распределение имеет \(CV\\ge 1\), но для численных методов допускается **complex-fit** (комплексные параметры аппроксимации). Симулятор `QsSim` не генерирует H₂ с комплексными параметрами, поэтому сравнение “теория vs симуляция” возможно только когда параметры вещественные.
 
 ### Системы с приоритетами
 - **M/G/1/PR**, **M/G/1/NP** — Одноканальные с прерываемым/непрерываемым приоритетом
@@ -119,7 +146,7 @@ Most-Queue состоит из двух основных модулей:
 - **M/Ph/c/PR** — Фазовое распределение обслуживания с приоритетами
 
 ### Специализированные системы
-- **Отпуска** — Системы с отпусками серверов и прогревом
+- **Прогулки** — Системы с прогулками серверов и прогревом
 - **Отрицательные заявки** — Модели RCS и disaster
 - **Fork-Join** — Системы параллельной обработки
 - **Пакетное поступление** — Системы M^x/M/1

{most_queue-2.6 → most_queue-2.7}/docs/calculation.md

@@ -42,10 +42,7 @@ mg1.set_sources(l=0.5)  # λ = 0.5
 
 # Настройка обслуживания через моменты распределения
 # Сначала создаем параметры H2-распределения
-h2_params = H2Distribution.get_params_by_mean_and_cv(
-    mean=2.0,      # среднее время обслуживания
-    cv=0.8         # коэффициент вариации
-)
+h2_params = H2Distribution.get_params_by_mean_and_cv(2.0, 0.8)  # mean, cv
 
 # Вычисляем моменты распределения
 b = H2Distribution.calc_theory_moments(h2_params, 5)
@@ -76,10 +73,7 @@ gim1 = GIM1Calc()
 
 # Настройка потока поступления через моменты
 # Создаем параметры гамма-распределения
-gamma_params = GammaDistribution.get_params_by_mean_and_cv(
-    mean=2.0,      # среднее межприходное время
-    cv=0.6
-)
+gamma_params = GammaDistribution.get_params_by_mean_and_cv(2.0, 0.6)  # mean, cv
 
 # Вычисляем моменты межприходных времен
 a = GammaDistribution.calc_theory_moments(gamma_params)
@@ -121,6 +115,33 @@ print(f"  Среднее время ожидания: {results.w[0]:.4f}")
 print(f"  Коэффициент загрузки: {results.utilization:.4f}")
 ```
 
+### H₂/M/c система
+
+Класс `H2MnCalc` для системы с гиперэкспоненциальным потоком поступления и экспоненциальным обслуживанием (алгоритм §7.6.1):
+
+```python
+from most_queue.theory.fifo.gmc_takahasi import H2MnCalc
+from most_queue.random.distributions import H2Distribution
+
+calc = H2MnCalc(n=3)
+
+h2_params = H2Distribution.get_params_by_mean_and_cv(1.0, 1.2, is_clx=True)  # mean, cv
+#
+# Для CV<1 используйте complex-fit: is_clx=True.
+# Важно: симулятор `QsSim` не умеет генерировать H2 с комплексными параметрами,
+# поэтому сравнение с симуляцией возможно только для вещественных параметров.
+calc.set_sources(h2_params)
+
+calc.set_servers(b=2.0)  # среднее время обслуживания
+results = calc.run()
+
+print(f"H2/M/3: p0={results.p[0]:.4f}, время ожидания={results.w[0]:.4f}")
+```
+
+**CV<1 и валидация:** при \(CV<1\) для H₂ используется complex-fit (комплексные параметры аппроксимации).
+`QsSim` не поддерживает генерацию H₂ с комплексными параметрами, поэтому сравнение “теория vs симуляция”
+в таких случаях разумно делать через `Gamma`-симуляцию с тем же mean и CV (пример — `tests/test_tt_vs_sim_gamma_cvl1.py`).
+
 ### M/M/c/r система с ограниченной очередью
 
 Тот же класс `MMnrCalc` с параметром `r`:
@@ -159,8 +180,8 @@ from most_queue.random.distributions import (
     ErlangDistribution
 )
 
-# H2-распределение
-h2_params = H2Distribution.get_params_by_mean_and_cv(mean=2.0, cv=0.8)
+# H2-распределение (для CV<1 нужен complex-fit)
+h2_params = H2Distribution.get_params_by_mean_and_cv(2.0, 0.8, is_clx=True)  # mean, cv
 b_h2 = H2Distribution.calc_theory_moments(h2_params, num=5)
 
 # Гамма-распределение
@@ -295,6 +316,92 @@ print_sojourn_moments(sim_results.v, calc_results.v)
 - **`EkDnCalc`** — E_k/D/c система
 - **`MGnCalc`** — M/G/c система (метод Такахаси-Таками)
 
+## Расширение метода Такахаси-Таками
+
+Класс `MGnCalc` реализует численный метод Такахаси-Таками для расчета многоканальных систем M/G/c. Этот класс спроектирован для легкого расширения, что позволяет создавать кастомные методы расчета для различных типов систем массового обслуживания.
+
+### Архитектура расширяемости
+
+`MGnCalc` использует паттерн Template Method, разделяя алгоритм на переопределяемые хуки:
+
+- **Методы построения матриц** — определяют структуру переходных матриц
+- **Хуки итераций** — позволяют кастомизировать логику алгоритма
+- **Методы расчета результатов** — настраивают вычисление характеристик системы
+
+### Базовое использование MGnCalc
+
+```python
+from most_queue.theory.fifo.mgn_takahasi import MGnCalc
+from most_queue.random.distributions import H2Distribution
+
+calc = MGnCalc(n=5)  # 5 каналов
+calc.set_sources(l=2.0)
+
+h2_params = H2Distribution.get_params_by_mean_and_cv(2.0, 1.2, is_clx=True)
+calc.set_servers(h2_params)
+
+results = calc.run()
+```
+
+### Создание кастомного расширения
+
+Для создания собственного калькулятора на основе метода Такахаси-Таками:
+
+1. Наследуйтесь от `MGnCalc`
+2. Переопределите методы построения матриц (при необходимости)
+3. Переопределите хуки итераций (при необходимости)
+4. Переопределите методы расчета результатов (при необходимости)
+
+**Пример:** Добавление отрицательных заявок
+
+```python
+from most_queue.theory.fifo.mgn_takahasi import MGnCalc
+import numpy as np
+
+class CustomNegativeQueueCalc(MGnCalc):
+    def __init__(self, n, buffer=None, calc_params=None):
+        super().__init__(n, buffer, calc_params)
+        self.l_neg = None  # интенсивность отрицательных заявок
+    
+    def set_sources(self, l_pos, l_neg):
+        self.l_pos = l_pos
+        self.l_neg = l_neg
+        self.l = l_pos  # базовая интенсивность
+        self.is_sources_set = True
+    
+    def _build_big_d_matrix(self, num):
+        # Переопределяем D-матрицу для учета отрицательных заявок
+        base_matrix = super()._build_big_d_matrix(num)
+        # Добавляем отрицательные заявки к диагональным элементам
+        for i in range(base_matrix.shape[0]):
+            base_matrix[i, i] += self.l_neg
+        return base_matrix
+```
+
+### Точки расширения
+
+**Обязательные для переопределения (если меняется структура матриц):**
+- `fill_cols()` — определение структуры колонок для каждого уровня
+- `_build_big_a_matrix(num)` — матрица переходов вверх (поступления)
+- `_build_big_b_matrix(num)` — матрица переходов вниз (обслуживание)
+- `_build_big_d_matrix(num)` — диагональные элементы матрицы
+
+**Опциональные для переопределения:**
+- `_pre_run_setup()` — подготовка перед основным циклом
+- `_update_level_j(j)` — обновление переменных для уровня j
+- `_update_level_0()` — обновление уровня 0
+- `_calculate_p()` — расчет вероятностей состояний
+- `get_results()` — формирование результатов
+
+### Примеры существующих расширений
+
+- **`MGnNegativeRCSCalc`** — система с отрицательными заявками и дисциплиной RCS
+- **`MGnNegativeDisasterCalc`** — система с отрицательными заявками (катастрофы)
+- **`MH2nH2Warm`** — система с периодами разогрева
+- **`MPhNPrty`** — система с приоритетами
+
+Подробную документацию и примеры см. в `most_queue/theory/fifo/takahasi_base.py`.
+
 ### Системы с приоритетами
 
 - **`MG1Preemptive`** — M/G/1 с прерываемым приоритетом