author:旭宝ww
DateTime:2020/6/30



一、排队模型基本组成

  • 输入过程
    1、顾客源数量——有限 / 无限
    2、顾客到来方式可能是一个一个也可能是成批
    3、顾客到达的间隔时间——一般是服从某一概率分布(如负指数分布)
    4、顾客的行为模式
      在未服务之前不会离开;
      当看到队列很长时离开;
      会主动从一个队列移到另一个队列……
  • 排队规则
    1、队列容量——有限/无限
    2、FCFS / LCFS / RSS / PS
  • 服务机构
    1、一个 / 多个服务台
    2、多个服务台可以并联 / 串联 / 混合排列

二、排队模型的数量指标

平均队长:排队系统中全部顾客数的平均值,Ls
平均队列长:等待服务的顾客数的平均值,Lq
平均逗留时间:一个顾客在系统中停留时间的均值,Ws
平均等待时间:一个顾客在系统中排队等待时间的均值,Wq

Pn(t) —时刻 t 时系统中顾客数为n的概率
limtPn(t)\lim_{t \to \infty} P_{n} (t) —稳态解
λ —平均到达率:单位时间内到达顾客的平均数
μ —平均服务率:单位时间内被服务的顾客的平均数
ρ = λ / μ —服务强度

ps:以上数量指标中,λ和μ是关键,可以通过分布函数求出其余量的值

三、排队系统中常见的分布

泊松分布

顾客到达的概率分布函数一般满足泊松分布:

Pn(t)=P{N(t)=n}=(λt)nn!eλtP_{n} (t)=P\left \{ N(t)=n\right \} =\frac{(\lambda t)^{n} }{n!} e^{-\lambda t}
泊松分布满足在很小的时间间隔Δt内(忽略Δt的高阶无穷小):
  1、有一个顾客到达的概率为 λΔt
  2、没有顾客到达的概率为 1-λΔt
  3、多于一个顾客到达的概率为0

负指数分布

当顾客到达的分布函数满足泊松分布时,两个顾客相继到达的时间间隔T,以及系统中一个顾客的服务时间V满足负指数分布:
  
P(Tt)=1eλtP(Vt)=1eμtP(T\le t) = 1- e^{-\lambda t}\\P(V\le t) = 1- e^{-\mu t}
负指数分布满足在很小的时间间隔Δt内(忽略Δt的高阶无穷小):
  1、有一个顾客被服务完的概率为 μΔt
  2、没有顾客被服务完的概率为 1-μΔt
  3、多于一个顾客被服务完的概率为0

爱尔郎分布

还没弄明白,留坑

四、排队模型的记号方案(Kandall记号)

一般形式:X/Y/Z/A/B/C
X:顾客到达的概率分布(用M表示泊松分布)
Y:服务时间的概率分布(用M表示负指数分布)
Z:服务台的个数
A:系统的容量限额
B:顾客源数目
C:服务规则

五、几种排队论模型

1.单服务台模型

标准型:M/M/1

排队论学习笔记
  由递推关系可以得到稳态方程
排队论学习笔记
迭代并利用n=0Pn=1\sum_{n=0}^{\infty} P_{n}=1,求得:

Pn=(1ρ)ρnLs=n=1nPn=ρ1ρ=λμλLq=n=1(n1)Pn=ρλμλWs=k=0k+1μpk=1μλ=ρλ(1ρ)Wq=Ws1μ=ρμλP_n=(1-\rho )\rho^n\\L_s=\sum_{n=1}^{\infty} nP_n=\frac{\rho}{1-\rho} =\frac{\lambda}{\mu-\lambda} \\L_q=\sum_{n=1}^{\infty} (n-1)P_n=\frac{\rho\lambda}{\mu-\lambda} \\W_s=\sum_{k=0}^{\infty}\frac{k+1}{\mu}p_k=\frac{1}{\mu-\lambda} =\frac{\rho}{\lambda(1-\rho)} \\W_q=W_s-\frac{1}{\mu}=\frac{\rho}{\mu-\lambda}

系统容量有限型:M/M/1/N/∞

递推关系以及稳态方程:
排队论学习笔记
解得:
排队论学习笔记
排队论学习笔记

顾客源有限型:M/M/1/∞/m

排队论学习笔记
解得:
排队论学习笔记
排队论学习笔记

2.多服务台的排队模型(占坑^_^)

标准型:M/M/c

系统容量有限型:M/M/c/N/∞

顾客源有限型:M/M/c/∞/m

相关文章:

  • 2022-12-23
  • 2021-04-15
  • 2022-12-23
  • 2022-12-23
  • 2021-11-17
猜你喜欢
  • 2021-04-06
  • 2021-07-22
  • 2021-05-23
  • 2022-12-23
  • 2022-12-23
相关资源
相似解决方案