原文链接：http://tecdat.cn/?p=8159

原文出处：拓端数据部落公众号

M / M / c / k系统

用肯德尔的表示法，M / M / c / k系统具有指数到达（M / M / c / k），cC具有指数服务时间（M / M / c / k）和k−c的服务器（M / M / c / k）ķ-C队列中的位置（M / M / c / k）。

这是M / M / 2/3系统的模拟。

lambda <- 3
mu <- 4m.queue <- trajectory() %>%seize("server", amount=1) %>%timeout(function() rexp(1, mu)) %>%release("server", amount=1)mm23.env <- simmer() %>%add_resource("server", capacity=2, queue_size=1) %>%add_generator("arrival", m.queue, function() rexp(1, lambda)) %>%run(until=2000)

队列已满时会有拒绝。

通过求解该系统的平衡方程，可以得出以下信息：

其中r=λ/μ[R=λ/μ。最后，我们可以看到模拟如何快速收敛到系统中的理论平均客户数Nñ：

服务费率

在许多实际的排队方案中，服务器的速度取决于系统的状态。在这里，我们考虑一个多服务器资源，该资源能够在到达位置之间平均分配处理能力。这意味着，例如，如果capacity=2服务器中有一个服务器到达，则服务器的服务速度将提高一倍。

start：到达开始最后一个timeout活动的模拟时间。
multiplier：分配处理能力。
delay：服务延迟应用于上一个timeout活动。

下面的主要轨迹首先抓住了服务器并初始化了这三个属性。然后，到达者需要遵循update.delay轨迹，并且必须在任何给定时间中断以重新运行它，从而重新计算剩余的服务时间。

在下文中，我们将M / M / 2与该状态相关系统进行比较。这两个系统的到达时间相同，并且可以预期，平均资源使用量显着降低。

排队网络

队列网络。

有三个指数生成器注入平均大小为100字节的指数大小的消息。有四个M / D / 1队列，确定速率等于220字节/秒。来自λ的消息有25％的概率1个λ1个在第二个队列之前删除。

我们将首先设置主要常量和几个函数来设置消息大小并占用M / D / 1队列：

下一步是设置三个连接点：

最后，我们运行仿真环境：

run(4000)
#> simmer environment: anonymous | now: 4000 | next: 4000.27679472528
#> { Monitor: in memory }
#> { Resource: md1_1 | monitored: TRUE | server status: 1(1) | queue status: 4(Inf) }
#> { Resource: md1_2 | monitored: TRUE | server status: 1(1) | queue status: 4(Inf) }
#> { Resource: md1_3 | monitored: TRUE | server status: 0(1) | queue status: 0(Inf) }
#> { Resource: md1_4 | monitored: TRUE | server status: 0(1) | queue status: 0(Inf) }
#> { Source: arrival1_ | monitored: 2 | n_generated: 7994 }
#> { Source: arrival3_ | monitored: 2 | n_generated: 1959 }
#> { Source: arrival4_ | monitored: 2 | n_generated: 2390 }

在分析中，我们将过滤来自生成器1的到达队列3和4的到达，并检查平均等待时间和消息总数：

aggregate(waiting_time ~ generator + resource, arr, function(x) sum(x)/length(x))
#>   generator resource waiting_time
#> 1  arrival1    md1_3    6.2313118
#> 2  arrival3    md1_3    0.7253215
#> 3  arrival1    md1_4    5.6431528
#> 4  arrival4    md1_4    0.5001096
get_n_generated(env, "arrival1_") + get_n_generated(env, "arrival4_")
#> [1] 10384
aggregate(waiting_time ~ generator + resource, arr, length)
#>   generator resource waiting_time
#> 1  arrival1    md1_3         3864
#> 2  arrival3    md1_3         1958
#> 3  arrival1    md1_4         2177
#> 4  arrival4    md1_4         2389

拓端tecdat|用R语言模拟随机服务排队系统相关推荐

R语言模拟疫情传播-gganimate包
本文用gganimate包展示模拟疫情数据本文篇幅较长,分为以下几个部分: 前言效果展示小结附录:代码前言前文<R语言模拟疫情传播-RVirusBroadcast>已经介绍了一 ...
R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果（accuray、F1、偏差Deviance）：随机森林在Bagging算法的基础上加入了列采样（分枝特征随机）
R语言构建随机森林模型randomForest分类模型并评估模型在测试集和训练集上的效果(accuray.F1.偏差Deviance):随机森林在Bagging算法的基础上加入了列采样(分枝特征随机) ...
R语言构建随机森林模型错误解决：Error in y - ymean : non-numeric argument to binary operator
R语言构建随机森林模型错误解决:Error in y - ymean : non-numeric argument to binary operator 目录 R语言构建随机森林模型错误解决:Erro ...
R语言基于随机森林进行特征选择（feature selection）
R语言基于随机森林进行特征选择(feature selection) 目录 R语言基于随机森林进行特征选择(feature selection)
拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
拓端tecdat荣获2022年度51CTO博主之星
相信技术,传递价值,这是51CTO每一个技术创作者的动力与信念,2022 年度,拓端tecdat 作为新锐的数据分析咨询公司,在51CTO平台上,不断的输出优质的技术文章,分享前沿创新技术,输出最佳生 ...
csv数据，已区分训练集和验证集，需要用r语言建立随机森林回归模型，计算模型精度，包括训练集和验证集的r方、mae、rmse
csv数据,已区分训练集和验证集,需要用r语言建立随机森林回归模型,计算模型精度,包括训练集和验证集的r方.mae.rmse #读取训练集 train <- read.csv("tra ...
模拟atm取款机 php,C语言模拟ATM自动取款机系统
C语言实验报告题目名称:C语言模拟ATM自动取款机系统一:问题描述: C语言模拟实现ATM自动取款机功能:输入密码,余额查询,取款,存款,转账,修改密码,退出功能: 代码实现的功能: 账号及密码输 ...
拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
拓端tecdat|bilibili视频流量数据潜望镜
最近我们被客户要求撰写关于bilibili视频流量的研究报告,包括一些图形和统计输出. 最新研究表明,中国有超过7亿人在观看在线视频内容.Bilibili,被称为哔哩哔哩或简称为B站,是中国大陆第二个 ...

拓端tecdat|用R语言模拟随机服务排队系统