Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SED RDP PDF
SED RDP PDF
Redes de Petri
2 Sistemas de Eventos Discretos. Redes de Petri
Sistemas de Eventos Discretos. Redes de Petri 3
Una especificación se compone de una serie de requisitos funcionales, que pueden ser descritos
formalmente, y no funcionales, que suelen ser más difícil especificar formalmente. Según la notación
se distinguen especificaciones operacionales (forma gráfica, textual o mixta con diferentes grados de
formalidad) y declarativas.
1.3.- Formalismos
Figura 4. Formalismos.
En la práctica, un único formalismo no suele satisfacer todas las necesidades del desarrollo,
por lo que suele ser necesario elaborar entornos eclécticos que incorporan varios formalismos.
Algunos de los métodos y metodologías para modelar SED tienen su origen en la Teoría
General de Sistemas. Según esta teoría, los sistemas reales obedecen a las mismas leyes y muestran
patrones similares de comportamiento incluso aunque no sean semejantes físicamente. Dos métodos
basados en la Teoría General de Sistemas son el formalismo DEVS (Discrete Event Systems
Specification) y el SES (System Entity Structure).
DEVS (Discrete Event Systems Specification) utiliza un enfoque jerárquico y modular que
integra nociones de programación orientada a objetos. Esencialmente, este formalismo considera
modelos atómicos y modelos acoplados que conectan varios modelos atómicos. Un modelo atómico se
describe mediante un conjunto de estados, un conjunto de puertos de entrada y salida, y una serie de
funciones que gobiernan el comportamiento del modelo (Figura 5). El comportamiento dinámico del
modelo se describe mediante eventos de entrada y eventos internos planificables en el tiempo.
Sistemas de Eventos Discretos. Redes de Petri 5
SES (System Entity Structure) es un árbol etiquetado para describir conjuntos de objetos
estructurados jerárquicamente y sus relaciones mutuas (Figura 6). Este método establece el modelo
del sistema en términos de descomposición, taxonomía y relaciones de acoplamiento.
Figura 6. SES.
Figura 8. ACD.
Un grafo de eventos es un grado dirigido que describe la interrelación de los eventos (Figura
10). Este tipo de grafos se aplican generalmente a planificación (scheduling).
Sistemas de Eventos Discretos. Redes de Petri 7
Las HMS (Hierarchical Multi-state Machines) son autómatas de alto nivel, que permiten que
en cualquier momento pueden estar activos varios estados y que se puedan disparar varias transiciones
simultáneamente (Figura 13). Existe métodos de análisis para probar propiedades del modelo.
8 Sistemas de Eventos Discretos. Redes de Petri
RTTL (Real-Time Temporal Logic) es una lógica de primer orden que incluye cuantificación
explícita sobre la variable tiempo. Esta lógica es utilizada junto con modelos TTM (Timed Transition
Models). Se ha desarrollado el entorno StateClock/SteP (Figura 15). StateClock es un entorno para
modelado, descripción y especificación mediante Clockcharts (extensión de los Statecharts que
incluyen relojes y temporizadores incrementales o decrementales que pueden iniciar, contar y/o
finalizar la medida del número de ticks).y LTL (Linear Temporal Logic). SteP (Stanford Temporal
Prover) es una herramienta de análisis y verificación basado en FTS (Fair Transition System) y LTL.
Sistemas de Eventos Discretos. Redes de Petri 9
Álgebras de procesos
Los lenguajes algebraicos se basan en la descripción de las operaciones que se efectúan sobre
los procesos, a diferencia de los lenguajes orientados a modelos que describen las operaciones sobre
los modelos definiendo como afectan a estos. Para tiempo real los lenguajes algebraicos se denominan
álgebras de procesos. Por ejemplo, CSP (Comunicating Sequential Processes), basado en el lenguaje
Occam, y CCS (Calculus for Communicating Systems). Estos formalismos no disponen de una
representación gráfica estándar, aunque se está trabajando en la creación de entornos para la
descripción de los sistemas. Se han desarrollado numerosas extensiones que incorporar el tiempo.
(TCSP, TCCS, etc.)
Carl Adams Petri en 1962 formuló una teoría para sistemas paralelos incluyendo el concepto
de concurrencia: las Redes de Petri, RdP. Una RdP es una herramienta matemática y gráfica para
modelar y analizar sistemas.
Las RdP han demostrado su utilidad para modelar sistemas de eventos discretos y, en general,
su idoneidad para representar el comportamiento de sistemas concurrentes, asíncronos, distribuidos,
paralelos, no deterministas y/o estocásticos. Destaca su representación gráfica fácil, clara y sin
ambigüedades.
Una Red de Petri, RdP, es una clase particular de gráfico dirigido, con un estado inicial
denominado marcado inicial, M0. Básicamente, consta de dos clases de nodos, denominados lugares, p, y
transiciones, t, y de arcos dirigidos, f, que conectan lugares con transiciones (Figura 16).
Cada arco, f, tiene asociado un número entero positivo w(f), que representa el peso del arco y que
pueden interpretarse como un conjunto de arcos paralelos de peso unidad.
• Una transición está habilitada si todos sus lugares de entrada están marcados, es decir, los
lugares poseen un número mayor e igual de marcas que el peso de los arcos que los unen a
la transición.
• Una transición habilitada puede o no dispararse dependiendo del tipo de transición (según el
sistema que represente) y de la ocurrencia del evento asociado.
• El disparo de una transición habilitada consiste en quitar marcas de cada uno de los lugares de
entrada (tantas como el peso de los arcos correspondientes) y añadir marcas a cada uno de
los lugares de salida (tantas como el peso de los arcos correspondientes).
M k = M k −1 + C· U k
2.1.- Propiedades
Las propiedades de las redes de Petri se pueden clasificar en dos grandes grupos:
propiedades dinámicas o dependientes del marcado inicial y propiedades estructurales o
independientes del marcado inicial (Tabla 1).
Sistemas de Eventos Discretos. Redes de Petri 11
Se dice que una RdP está k-limitada o simplemente limitada si el número de marcas en cada
lugar no excede un número finito k para cualquier marcado alcanzable a partir del marcado inicial M0.
Se dice que una red está viva si es posible siempre disparar alguna transición de la red, sin
importar que marcado se haya alcanzado ni cual sea la secuencia de disparo futura.
Mediante redes de Petri se pueden modelar una gran variedad de sistemas. Estas redes son
idóneas para representar aquellos sistemas que tienen un comportamiento asíncrono, distribuido,
paralelo y/o no deterministas. Las redes de Petri permiten reflejar la ejecución concurrente de
distintos procesos, representar la disponibilidad de recursos, representar la imposición de restricciones
de acceso a zonas compartidas, representar la evolución dinámica del sistema, representar la
causalidad, los conflictos, las confusiones, etc. (Figura 17)
ÿþý ÿ ý
(c) (d)
12 Sistemas de Eventos Discretos. Redes de Petri
ÿ ý ÿ ý
Para que una red de Petri pueda representar un sistema hace falta asociarle una interpretación,
es decir, establecer un convenio por el que se define un significado físico a las condiciones necesarias
para el disparo de una transición y a las acciones generadas por la evolución del marcado (Tabla 2).
LUGARES DE ENTRADA TRANSICIONES LUGARES DE SALIDA
Condiciones previas Eventos Consecuencias
Datos de entrada Pasos de computación Datos de salida
Señales de entrada Procesamiento de señales Señales de Salida
Recursos necesitados Tarea o trabajo Recursos liberados
Condiciones booleanas Reglas lógicas Conclusiones
Buffer Procesamiento Buffer
Tabla 2. Interpretaciones.
Se han propuesto diversos métodos de análisis: análisis por búsqueda exhaustiva, análisis
estructural, análisis por reducción y simulación.
El análisis estructural esta basado en la ecuación fundamental. Entre las técnicas de análisis
estructural destacan las basadas en invariantes. Las invariantes son propiedades de la estructura lógica
de una RdP que caracterizan, de alguna manera, todos los posibles comportamientos de disparo y que
son las soluciones enteras de las ecuaciones:
CT x = 0
C y=0
Para superar las limitaciones de la redes de Petri clásicas se han propuesto extensiones,
subclases y generalizaciones. Las extensiones aumentan la capacidad de representación del modelo,
pero disminuyen, en general, sus posibilidades de análisis (RdP con arcos inhibidores, con extensión
temporal, con prioridades, etc.). Las subclases imponen restricciones en la relación entre los distintos
elementos del modelo de Petri para aumentar las posibilidades analíticas (máquinas de estados, grafos
marcados, sistemas P, sistemas T, libre elección, libre elección extendida, etc.). Las generalizaciones
no modifican ni la capacidad de modelización ni las posibilidades de análisis, pero permiten obtener
descripciones más condensadas y más potentes (RdP coloreadas, etc.)
Las RdP coloreadas tienen idéntica potencia descriptiva que el modelo básico de RdP, pero
permiten construir especificaciones más concisas. Estas redes tienen buena aceptación debido a la
disponibilidad de software de modelado, evaluación y análisis: Design/CPN, CPNTools y otras.
En una RdP con prioridades se introduce una función de prioridad que asigna a cada
transición un número natural correspondiente a su nivel de prioridad.
Las Redes de Petri con Tiempos asocian a cada transición un intervalo de tiempo y las
Redes de Petri Temporizadas, TPN, asocian un tiempo de retraso a las transiciones. Las redes con
tiempos son más generales que las temporizadas.
Una red de Petri estocástica, SPN, se obtiene asociando a cada transición una variable
aleatoria que representa el retardo de disparo. Durante los últimos años se han propuesto diversas
clases de SPN con diferentes potencias de modelado, debido principalmente a la equivalencia de su
proceso de marcado, para ciertas distribuciones, a procesos de Markov o procesos semimarkovianos
con espacio de estado discreto (Apéndice A).
La clase más común de SPN es aquella en que los retardos de disparo siguen una distribución
exponencial: RdP estocásticas exponenciales, eXPN.
14 Sistemas de Eventos Discretos. Redes de Petri
Estas redes son isomórficas a cadenas de Markov de tiempo continuo, CTMC, debido a que
las distribuciones exponenciales asociadas a los retardos de disparo no guardan memoria de la
evolución previa del sistema.
• La tasa de transición de un estado si a otro sj se obtiene como la suma de las tasas de disparo
de las transiciones que están habilitadas en Mi y cuyo disparo genera el marcado Mj.
Considerando las reglas anteriores y partiendo de una SPN, es posible obtener algoritmos para
la construcción automática del generador infinitesimal, Q, también llamado matriz de tasa de
transición de estado, de la CTMC isomórfica.
E j ( M i ) = {t h ∈ E ( M i ) : M i [t h M j }
donde E(Mi) corresponde al conjunto de transiciones habilitadas en el marcado Mi, con lo que los
componentes del generador infinitesimal son:
i≠ j
wk
qij = k:Tk ∈E j ( M i )
− qi i= j
Sistemas de Eventos Discretos. Redes de Petri 15
donde:
qi = åw k
k :Tk ∈E ( M i )
η Q = 0
η 1T = 1
P{Tk M i } =
wk
qi
E [SJ i ] =
1
qi
Así, destacan tres alternativas: el remuestreo, en que a todos y cada uno de los disparos de
transiciones se aplican mecanismo de reinicio, la memoria de habilitación, en que se reinician los
temporizadores de todas las transiciones temporizadas que queden inhabilitadas, mientras que los
temporizadores de todas las transiciones temporizadas que no se inhabilitan mantienen su valor actual,
y la memoria de edad, en que en cada disparo de transición, los temporizadores de todas las
transiciones temporizadas mantienen su valor actual, se inhabiliten o no.
Las redes de Petri estocásticas exponenciales, eSPN, tienen buena aceptación debido a la
disponibilidad de software para su evaluación automatizada. Sin embargo, en muchos casos la
propiedad markoviana no es realista y puede producir errores significativas en los cálculos.
transiciones inmediatas tienen prioridad de disparo sobre las transiciones temporizadas que se hallen
habilitadas en un instante dado.
Figura 19 GSPN.
En este tipo de redes es posible definir parámetros dependientes de marcado. Los parámetros
dependientes de marcado se van a especificar como el producto de una tasa nominal (o peso en el caso
de transiciones inmediatas) y de una función de dependencia definida en términos del marcado de los
lugares que están conectados a una transición mediante sus funciones de entrada e inhibición.
Las RdP estocásticas extendidas, ESPN, son una extensión de las GSPN que incorporan
transiciones temporizadas no exponenciales. El proceso de marcado de una ESPN es un proceso
semimarkoviano siempre que todas las transiciones concurrentes tengan asociados tiempos de disparo
exponenciales y que en todas las transiciones competitivas se siga una política sin memoria. A las
transiciones exclusivas y competitivas se les puede asociar tiempos de disparo no exponenciales.
Las RdP deterministas y estocásticas, DSPN, son una extensión de las GSPN que añaden
retardos de disparo deterministas. El análisis de una DSPN depende de la política de disparo. La
DSPN puede analizarse como una cadena de Markov embebida si en cada marcado hay una única
transición determinista.
Las Redes estocásticas bien formadas, SWN, son una extensión de las redes de Petri
regulares y de la redes bien formadas, WN.
2.9.- Herramientas
Existen numerosas herramientas para modelado y análisis de sistemas mediante redes de Petri.
Algunas de estas herramientas son: TimeNET, GreatSPN y PESIM.
TimeNET es un software desarrollado para modelar y analizar SPN: GSPN, DSPN, eDSPN y
cDSPN. Dispone de editor gráfico y métodos de análisis para DSPN y eDSPN, métodos aproximados
para eDSPN y métodos de simulación para SPN arbitrarias. El análisis estructural se basa en
invariantes de lugar, ECS, confusión y análisis de grafo de alcance..
PESIM es un software desarrollado para modelar y analizar redes lugar/transición con arcos
inhibidores, grafos marcado y GSPN. Dispone de un interfaz gráfico desarrollado para MS-Windows,
que incluye un editor gráfico y textual y un simulador etapa por etapa. El análisis se efectúa mediante
el árbol de alcance, invariantes de lugar y de transición y mediante técnicas reducidas para grafos
marcados. Permite el análisis de prestaciones estacionarias (probabilidades de estado, probabilidades
de marca, función de densidad para cada lugar, número medio de marcas en un conjunto de lugares,
etc.).
18 Sistemas de Eventos Discretos. Redes de Petri
Introducción
Procesos estocásticos
En función del espacio de estados, S, los procesos estocásticos se pueden clasificar en dos
grupos:
• Procesos estocásticos de estado discreto, si el espacio de estados es contable. En este caso los
procesos se denominan cadenas. Los SED se caracterizan por espacios de estados discretos.
En función del espacio paramétrico, T, los procesos estocásticos se pueden clasificar en dos
grupos:
Los procesos de Poisson son procesos estocásticos de tiempo continuo con espacio de estados
discreto que tienen una serie de propiedades que les hacen interesantes para modelar algunos aspectos
en el contexto de la fabricación.
X ( 0) = 0 .
λ = lim
1
h →0 h
[P{X ( s + h ) − X ( s ) = 1}] para a lg ún s > 0
Los procesos de Poisson se han utilizado para modelar la llegada de partes a un sistema de
fabricación, la llegada de llamadas telefónicas a un centro de conmutación, la llegada de mensajes a
transmitir en una red de área local, etc.
Cadenas de Markov
Ecuación de Chapman-Kolmogorov
pij ( s, t ) = å P{X (t ) = X
todo r
j | X (u ) = X r , X ( s ) = X i } P{X (u) = X r | X ( s) = X i } s≤u≤t
pij ( s, t ) = å
todo r
pir ( s, u ) p rj (u, t ) s≤u≤t
Sean Pij ( t ) = P{X t +1 = j | X t = i} las probabilidades de que el proceso pase del estado Xt al
estado Xt+1 cuando el parámetro pasa de t a t+1.
ψ i (0) = P{X 0 = i} i ∈ S
Pij = P{X t = j | X 0 = i} i, j ∈ S
[t ]
[t ] [k ] [t − k ]
Pij = å Pir Prj i, j ∈ S y 0 ≤ k ≤ t
r∈S
Ρ [t ] = Pij[ [ ]]= Ρ
t t
H H
2. ψ (t ) = ψ (0)·Ρ t
Sistemas de Eventos Discretos. Redes de Petri 23
Una DTMC es ergódica si para cada estado A∈ S la cadena puede visitar cualquier otro
estado infinitamente a menudo, y de una manera tal que el tiempo previsto entre dos visitas
consecutivas al mismo estado sea finito.
H H
Si una DTMC es ergódica entonces existe una distribución: ψ = limψ (t ) que se puede
t →∞
obtener (independientemente de la distribución inicial) resolviendo el siguiente sistema de ecuaciones
lineales:
H H
ψ = ψ ·Ρ
åψ i = 1
i∈S
Un estado se dice que es alcanzable para un estado i si pij( n ) > 0 para algún n=1,2,…
Un estado se dice que es absorbente si p jj = 1 .
Se define el periodo de un estado j, dj, como el máximo común divisor de todos los posibles
enteros positivos n tal que sea posible alcanzar el estado j a partir del estado j en n etapas. Un estado
recurrente se dice que es periódico con periodo dj si d j > 1 y aperiódico si d j = 1
El estado recurrente para el que M j < ∞ se denomina recurrente no nulo, y para el que
M j = ∞ se denomina recurrente nulo. En una DTMC finita los estados recurrentes no pueden ser
nulos.
åå p
i∈A j∈A
ij =0
24 Sistemas de Eventos Discretos. Redes de Petri
Una DTMC se dice que es irreducible si ningún subconjunto de S es cerrado, es decir, que
cada estado de la cadena se puede alcanzar a partir de cualquier otro. Todos los estados de una DTMC
finita e irreducible son recurrentes. Además, o todos los estados son aperiódicos o tienen el mismo
periodo d. En el primer caso la DTMC se dice que es aperiódica y en el segundo que es periódica.
A partir de las definiciones anteriores se puede clasificar los estados de una cadena de
Markov. Como muestra la figura siguiente, un estado i es recurrente si la probabilidad fi de retornar a i
es 1, en otro caso se trataría de un estado transeúnte. Un estado recurrente i es recurrente no nulo si el
tiempo de recurrencia medio Mi es finito. Un estado recurrente no nulo i es aperiódico si el periodo di
de las etapas requeridas para retornar al estado i es 1, en otro caso se trataría de un estado periódico.
Por otra parte, el tiempo de permanencia y el nuevo estado no dependen de la historia del
sistema previa al instante t y son independientes entre sí.
Sea X (t ) el estado del sistema en el instante t. Sea τ n el tiempo de la n-ésima transición (salto
de un estado a otro) y δ n = τ n − τ n −1 el n-ésimo tiempo de permanencia (con n ≥ 1 y τ 0 = 0 ).
Además, sea X 0 = X (0) el estado inicial y X n = X (τ n + ) el estado del sistema inmediatamente
después de la n-ésima transición, cumpliéndose que X (τ n + ) = X (τ n ) .
Sistemas de Eventos Discretos. Redes de Petri 25
En un CTMC para cada para de estados (i, j ) i ≠ j tenemos un evento Eij Supuesto que
cuando la cadena entra en el estado i en el instante t el evento Eij se planifica para que se produzca en
el instante t + σ ij donde σ ij es una instancia de una variable aleatoria exponencial negativa con
parámetro rij , y que se cumplen las siguientes condiciones:
{
P E ij se produce en (t, t + ∆ ] | X (t ) = i} = P{X (t + ∆) = j | X (t ) = i} = rij ∆ + o( ∆ )
P{Eij se produce en (t , t + ∆ ] | X (t ) = i} =
= P{ X (t + ∆ ) = j | X (t ) = i} = rij ∆ + o( ∆ )
P{ no se producen eventos en (t , t + ∆ ] | X (t ) = i} =
= P{ X (t + ∆ ) = i | X (t ) = i} = (1 − å r ∆ ) + o( ∆ )
j ≠i
ij
= Π i (t ) + ∆ å Π j (t )rij − Π i (t )å rij + o( ∆ )
j ≠i j ≠i
rij i≠ j
Q = [qij ] qij = − r
å ik i= j
k ≠i
Π i ( t + ∆ ) − Π i (t ) o( ∆ )
= å Π j (t ) qij +
∆ j∈S ∆
dΠ i ( t )
= å Π j (t ) qij
dt j∈S
En notación matricial:
dΠ ( t ) H
= Π (t )·Q
dt
H
0 = ΠQ
Π =1
å
i∈S
i
H
La distribución Π se denomina distribución estable o estacionaria de la CTMC.
Procesos semimarkovianos
Si todos los tiempos de permanencia son variables aleatorias exponenciales, entonces los
procesos semimarkovianos se conviertes en CTMC.