Documente Academic
Documente Profesional
Documente Cultură
Redes de Petri
2 Sistemas de Eventos Discretos. Redes de Petri
Sistemas de Eventos Discretos. Redes de Petri 3
Una especificacin se compone de una serie de requisitos funcionales, que pueden ser descritos
formalmente, y no funcionales, que suelen ser ms difcil especificar formalmente. Segn la notacin
se distinguen especificaciones operacionales (forma grfica, textual o mixta con diferentes grados de
formalidad) y declarativas.
1.3.- Formalismos
Figura 4. Formalismos.
En la prctica, un nico formalismo no suele satisfacer todas las necesidades del desarrollo,
por lo que suele ser necesario elaborar entornos eclcticos que incorporan varios formalismos.
Algunos de los mtodos y metodologas para modelar SED tienen su origen en la Teora
General de Sistemas. Segn esta teora, los sistemas reales obedecen a las mismas leyes y muestran
patrones similares de comportamiento incluso aunque no sean semejantes fsicamente. Dos mtodos
basados en la Teora 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 jerrquico y modular que
integra nociones de programacin orientada a objetos. Esencialmente, este formalismo considera
modelos atmicos y modelos acoplados que conectan varios modelos atmicos. Un modelo atmico 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 dinmico 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 rbol etiquetado para describir conjuntos de objetos
estructurados jerrquicamente y sus relaciones mutuas (Figura 6). Este mtodo establece el modelo
del sistema en trminos de descomposicin, taxonoma y relaciones de acoplamiento.
Figura 6. SES.
Figura 8. ACD.
Un grafo de eventos es un grado dirigido que describe la interrelacin de los eventos (Figura
10). Este tipo de grafos se aplican generalmente a planificacin (scheduling).
Sistemas de Eventos Discretos. Redes de Petri 7
Las HMS (Hierarchical Multi-state Machines) son autmatas de alto nivel, que permiten que
en cualquier momento pueden estar activos varios estados y que se puedan disparar varias transiciones
simultneamente (Figura 13). Existe mtodos de anlisis para probar propiedades del modelo.
8 Sistemas de Eventos Discretos. Redes de Petri
RTTL (Real-Time Temporal Logic) es una lgica de primer orden que incluye cuantificacin
explcita sobre la variable tiempo. Esta lgica es utilizada junto con modelos TTM (Timed Transition
Models). Se ha desarrollado el entorno StateClock/SteP (Figura 15). StateClock es un entorno para
modelado, descripcin y especificacin mediante Clockcharts (extensin de los Statecharts que
incluyen relojes y temporizadores incrementales o decrementales que pueden iniciar, contar y/o
finalizar la medida del nmero de ticks).y LTL (Linear Temporal Logic). SteP (Stanford Temporal
Prover) es una herramienta de anlisis y verificacin basado en FTS (Fair Transition System) y LTL.
Sistemas de Eventos Discretos. Redes de Petri 9
lgebras de procesos
Los lenguajes algebraicos se basan en la descripcin de las operaciones que se efectan 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
lgebras 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
representacin grfica estndar, aunque se est trabajando en la creacin de entornos para la
descripcin de los sistemas. Se han desarrollado numerosas extensiones que incorporar el tiempo.
(TCSP, TCCS, etc.)
Carl Adams Petri en 1962 formul una teora para sistemas paralelos incluyendo el concepto
de concurrencia: las Redes de Petri, RdP. Una RdP es una herramienta matemtica y grfica 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, asncronos, distribuidos,
paralelos, no deterministas y/o estocsticos. Destaca su representacin grfica fcil, clara y sin
ambigedades.
Una Red de Petri, RdP, es una clase particular de grfico dirigido, con un estado inicial
denominado marcado inicial, M0. Bsicamente, 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 nmero entero positivo w(f), que representa el peso del arco y que
pueden interpretarse como un conjunto de arcos paralelos de peso unidad.
Una transicin est habilitada si todos sus lugares de entrada estn marcados, es decir, los
lugares poseen un nmero mayor e igual de marcas que el peso de los arcos que los unen a
la transicin.
Una transicin habilitada puede o no dispararse dependiendo del tipo de transicin (segn el
sistema que represente) y de la ocurrencia del evento asociado.
El disparo de una transicin habilitada consiste en quitar marcas de cada uno de los lugares de
entrada (tantas como el peso de los arcos correspondientes) y aadir 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 dinmicas 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 est k-limitada o simplemente limitada si el nmero de marcas en cada
lugar no excede un nmero finito k para cualquier marcado alcanzable a partir del marcado inicial M0.
Se dice que una red est viva si es posible siempre disparar alguna transicin 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
idneas para representar aquellos sistemas que tienen un comportamiento asncrono, distribuido,
paralelo y/o no deterministas. Las redes de Petri permiten reflejar la ejecucin concurrente de
distintos procesos, representar la disponibilidad de recursos, representar la imposicin de restricciones
de acceso a zonas compartidas, representar la evolucin dinmica del sistema, representar la
causalidad, los conflictos, las confusiones, etc. (Figura 17)
(c) (d)
12 Sistemas de Eventos Discretos. Redes de Petri
Para que una red de Petri pueda representar un sistema hace falta asociarle una interpretacin,
es decir, establecer un convenio por el que se define un significado fsico a las condiciones necesarias
para el disparo de una transicin y a las acciones generadas por la evolucin del marcado (Tabla 2).
LUGARES DE ENTRADA TRANSICIONES LUGARES DE SALIDA
Condiciones previas Eventos Consecuencias
Datos de entrada Pasos de computacin Datos de salida
Seales de entrada Procesamiento de seales Seales de Salida
Recursos necesitados Tarea o trabajo Recursos liberados
Condiciones booleanas Reglas lgicas Conclusiones
Buffer Procesamiento Buffer
Tabla 2. Interpretaciones.
Se han propuesto diversos mtodos de anlisis: anlisis por bsqueda exhaustiva, anlisis
estructural, anlisis por reduccin y simulacin.
El anlisis estructural esta basado en la ecuacin fundamental. Entre las tcnicas de anlisis
estructural destacan las basadas en invariantes. Las invariantes son propiedades de la estructura lgica
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 clsicas se han propuesto extensiones,
subclases y generalizaciones. Las extensiones aumentan la capacidad de representacin del modelo,
pero disminuyen, en general, sus posibilidades de anlisis (RdP con arcos inhibidores, con extensin
temporal, con prioridades, etc.). Las subclases imponen restricciones en la relacin entre los distintos
elementos del modelo de Petri para aumentar las posibilidades analticas (mquinas de estados, grafos
marcados, sistemas P, sistemas T, libre eleccin, libre eleccin extendida, etc.). Las generalizaciones
no modifican ni la capacidad de modelizacin ni las posibilidades de anlisis, pero permiten obtener
descripciones ms condensadas y ms potentes (RdP coloreadas, etc.)
Las RdP coloreadas tienen idntica potencia descriptiva que el modelo bsico de RdP, pero
permiten construir especificaciones ms concisas. Estas redes tienen buena aceptacin debido a la
disponibilidad de software de modelado, evaluacin y anlisis: Design/CPN, CPNTools y otras.
En una RdP con prioridades se introduce una funcin de prioridad que asigna a cada
transicin un nmero natural correspondiente a su nivel de prioridad.
Las Redes de Petri con Tiempos asocian a cada transicin un intervalo de tiempo y las
Redes de Petri Temporizadas, TPN, asocian un tiempo de retraso a las transiciones. Las redes con
tiempos son ms generales que las temporizadas.
Una red de Petri estocstica, SPN, se obtiene asociando a cada transicin una variable
aleatoria que representa el retardo de disparo. Durante los ltimos aos 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 (Apndice A).
La clase ms comn de SPN es aquella en que los retardos de disparo siguen una distribucin
exponencial: RdP estocsticas exponenciales, eXPN.
14 Sistemas de Eventos Discretos. Redes de Petri
Estas redes son isomrficas 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
evolucin previa del sistema.
La tasa de transicin de un estado si a otro sj se obtiene como la suma de las tasas de disparo
de las transiciones que estn 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 construccin automtica del generador infinitesimal, Q, tambin llamado matriz de tasa de
transicin de estado, de la CTMC isomrfica.
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 = w k
k :Tk E ( M i )
Q = 0
1T = 1
P{Tk M i } =
wk
qi
E [SJ i ] =
1
qi
As, 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 habilitacin, 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 transicin, los temporizadores de todas las
transiciones temporizadas mantienen su valor actual, se inhabiliten o no.
Las redes de Petri estocsticas exponenciales, eSPN, tienen buena aceptacin debido a la
disponibilidad de software para su evaluacin automatizada. Sin embargo, en muchos casos la
propiedad markoviana no es realista y puede producir errores significativas en los clculos.
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 parmetros dependientes de marcado. Los parmetros
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 funcin de dependencia definida en trminos del marcado de los
lugares que estn conectados a una transicin mediante sus funciones de entrada e inhibicin.
Las RdP estocsticas extendidas, ESPN, son una extensin 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 poltica sin memoria. A las
transiciones exclusivas y competitivas se les puede asociar tiempos de disparo no exponenciales.
Las RdP deterministas y estocsticas, DSPN, son una extensin de las GSPN que aaden
retardos de disparo deterministas. El anlisis de una DSPN depende de la poltica de disparo. La
DSPN puede analizarse como una cadena de Markov embebida si en cada marcado hay una nica
transicin determinista.
Las Redes estocsticas bien formadas, SWN, son una extensin de las redes de Petri
regulares y de la redes bien formadas, WN.
2.9.- Herramientas
Existen numerosas herramientas para modelado y anlisis 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 grfico y mtodos de anlisis para DSPN y eDSPN, mtodos aproximados
para eDSPN y mtodos de simulacin para SPN arbitrarias. El anlisis estructural se basa en
invariantes de lugar, ECS, confusin y anlisis de grafo de alcance..
PESIM es un software desarrollado para modelar y analizar redes lugar/transicin con arcos
inhibidores, grafos marcado y GSPN. Dispone de un interfaz grfico desarrollado para MS-Windows,
que incluye un editor grfico y textual y un simulador etapa por etapa. El anlisis se efecta mediante
el rbol de alcance, invariantes de lugar y de transicin y mediante tcnicas reducidas para grafos
marcados. Permite el anlisis de prestaciones estacionarias (probabilidades de estado, probabilidades
de marca, funcin de densidad para cada lugar, nmero medio de marcas en un conjunto de lugares,
etc.).
18 Sistemas de Eventos Discretos. Redes de Petri
Introduccin
Procesos estocsticos
En funcin del espacio de estados, S, los procesos estocsticos se pueden clasificar en dos
grupos:
Procesos estocsticos 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 funcin del espacio paramtrico, T, los procesos estocsticos se pueden clasificar en dos
grupos:
Los procesos de Poisson son procesos estocsticos 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 fabricacin.
X ( 0) = 0 .
= lim
1
h 0 h
[P{X ( s + h ) X ( s ) = 1}] para a lg n s > 0
Los procesos de Poisson se han utilizado para modelar la llegada de partes a un sistema de
fabricacin, la llegada de llamadas telefnicas a un centro de conmutacin, la llegada de mensajes a
transmitir en una red de rea local, etc.
Cadenas de Markov
Ecuacin de Chapman-Kolmogorov
pij ( s, t ) = P{X (t ) = X
todo r
j | X (u ) = X r , X ( s ) = X i } P{X (u) = X r | X ( s) = X i } sut
P{X (u ) = X r | X ( s ) = X i }= pir ( s, u ) su
pij ( s, t ) =
todo r
pir ( s, u ) p rj (u, t ) sut
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 parmetro pasa de t a t+1.
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 = Pir Prj i, j S y 0 k t
rS
[t ] = Pij[ [ ]]=
t t
H H
2. (t ) = (0) t
Sistemas de Eventos Discretos. Redes de Petri 23
Una DTMC es ergdica 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 ergdica entonces existe una distribucin: = lim (t ) que se puede
t
obtener (independientemente de la distribucin inicial) resolviendo el siguiente sistema de ecuaciones
lineales:
H H
=
i = 1
iS
Un estado se dice que es alcanzable para un estado i si pij( n ) > 0 para algn 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 mximo comn 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 peridico con periodo dj si d j > 1 y aperidico 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.
p
iA jA
ij =0
24 Sistemas de Eventos Discretos. Redes de Petri
Una DTMC se dice que es irreducible si ningn 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. Adems, o todos los estados son aperidicos o tienen el mismo
periodo d. En el primer caso la DTMC se dice que es aperidica y en el segundo que es peridica.
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 tratara de un estado transente. Un estado recurrente i es recurrente no nulo si el
tiempo de recurrencia medio Mi es finito. Un estado recurrente no nulo i es aperidico si el periodo di
de las etapas requeridas para retornar al estado i es 1, en otro caso se tratara de un estado peridico.
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 s.
Sea X (t ) el estado del sistema en el instante t. Sea n el tiempo de la n-sima transicin (salto
de un estado a otro) y n = n n 1 el n-simo tiempo de permanencia (con n 1 y 0 = 0 ).
Adems, sea X 0 = X (0) el estado inicial y X n = X ( n + ) el estado del sistema inmediatamente
despus de la n-sima transicin, cumplindose que X ( n + ) = X ( 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 + ij donde ij es una instancia de una variable aleatoria exponencial negativa con
parmetro 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 r ) + o( )
j i
ij
= i (t ) + j (t )rij i (t ) rij + o( )
j i j i
rij i j
Q = [qij ] qij = r
ik i= j
k i
i ( t + ) i (t ) o( )
= j (t ) qij +
jS
d i ( t )
= j (t ) qij
dt jS
En notacin matricial:
d ( t ) H
= (t )Q
dt
H
0 = Q
=1
iS
i
H
La distribucin se denomina distribucin 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.