排队论----学习反馈
简介
排队论又称随机服务系统,是研究系统随机聚散现象和随机服务系统工作过程的数学理论和方法,是运筹学的一个分支。 这句话是比较官方的解释,但是我们并不需要记忆它,不过我们需要知道它讲的是什么!排队论是一个模拟的系统,在这个系统中,对于不同的序列(也就是服务对象),我们需要给它进行服务,服务的开始时间和结束时间是因情况而异的,不过他们是可以计算的,所以在这个系统中,比较重要的运算就是计算服务的开始时间,服务时间和结束服务的时间。当我们掌握这些数据以后,就可以对这个过程有一个清楚的把握,可以对这个过程进行数学上的模拟和仿真,以指导我们进行优化。更为官方的说法就是:通过对服务对象到来及服务时间的统计研究,得出这些数量指标(等待时间、排队长度、忙期长短等)的统计规律,然后根据这些规律来改进服务系统的结构或重新组织被服务对象,使得服务系统既能满足服务对象的需要,又能使机构的费用最经济或某些指标最优。 从这个角度看,排队论使用的统计工具应该比较多。
正文
排队论的基本构成
- 输入过程:描述顾客按照怎样的规律到达排队系统。顾客总体(有限/无限)、到达的类型(单个/成批)、到达时间间隔。在实际过程中,顾客的到达是随机性的,但是也是服从一定的统计分布的。这种统计分布就是到达的规律。
- 排队规则:指顾客按怎样的规定次序接受服务。常见的有等待制、损失制、混合制、闭合制。熟悉其中的一种之后,再使用其他的机制时,就会轻松许多。
- 服务机构:服务台的数量;服务时间服从的分布。这里需要了解一些常使用的统计分布。
数量指标
- 队长(chang):系统中的平均顾客数(包括正在接受服务的顾客)。
- 等待队长(chang):系统中处于等待的顾客的数量。
- 等待时间:等待时间包括顾客的平均逗留时间。
- 忙期:连续保持服务的时长。这是针对服务台而言的,当所有的服务台都在连续的工作时,就处于忙期,而连续工作的时间就是忙期。
数学表示
排队论的数学模型如下: A/B/C/nA/B/C/nA/B/C/n
AAA表示是输入过程,BBB表示服务时间,CCC服务台数,nnn系统容量。
等待制模型:M/M/S/∞M/M/S/\inftyM/M/S/∞
- 输入过程服从参数为λ\lambdaλ的Poisson分布(或者可以认为参数为λt\lambda tλt)。P{X(t)=k}=(λtk)e(−λt)k!k=0,1,2......P\left\{X(t)=k\right\}=\frac{(\lambda t^k)e^{(-\lambda t)}}{k!}\qquad\qquad k=0,1,2......P{X(t)=k}=k!(λtk)e(−λt)k=0,1,2......可以发现,这里的随机变量与标准的Poisson分布不同,这里的XXX是关于ttt的函数。并且[0-t]时间内到达的顾客的平均数为λt\lambda tλt。
- 服务时间服从参数为μ\muμ的负指数分布。f(t)=μe−μtt>0f(t)=\mu e^{-\mu t}\qquad t>0f(t)=μe−μtt>0t>0是显然的,服务时间不可能小于零。该分布分期望为1μ\frac{1}{\mu}μ1,它的实际意义是:每个顾客接受服务的平均时间是1μ\frac{1}{\mu}μ1。
单服务台下的等待机制(M/M/S/∞S=1M/M/S/\infty\qquad S=1M/M/S/∞S=1)
分析前面涉及到的两个参数λ\lambdaλ和μ\muμ,λ\lambdaλ表示单位时间内到达的顾客的平均数,1μ\frac{1}{\mu}μ1表示每个顾客接受服务的平均时间。
- 系统的服务强度:ρ=λμ\rho=\frac{\lambda}{\mu}ρ=μλ
- 无顾客的概率:p0=1−ρp_0=1-\rhop0=1−ρ
- n个顾客的概率:pn=(1−ρ)ρnp_n=(1-\rho)\rho^npn=(1−ρ)ρn
- 平均队长:Ls=∑n=0∞npn=λμ−λL_s=\sum^\infty_{n=0}np_n=\frac{\lambda}{\mu-\lambda}Ls=∑n=0∞npn=μ−λλ,这是一个数学期望的形式。
- 平均等待队长:Lq=∑n=1∞(n−1)pn=λ2μ(μ−λ)L_q=\sum^\infty_{n=1}(n-1)p_n=\frac{\lambda^2}{\mu(\mu-\lambda)}Lq=∑n=1∞(n−1)pn=μ(μ−λ)λ2
- 平均逗留时间:Ws=1μ−λW_s=\frac{1}{\mu-\lambda}Ws=μ−λ1
- 平均等待时间:Wq=1μ−λ−1μ=λμ(μ−λ)W_q=\frac{1}{\mu-\lambda}-\frac{1}{\mu}=\frac{\lambda}{\mu(\mu-\lambda)}Wq=μ−λ1−μ1=μ(μ−λ)λ。逗留时间包括等待时间和服务时间,用平均逗留时间减掉平均服务时间就是平均等待时间。
- Little公式:Ls=λWs,Lq=λWqL_s=\lambda W_s,L_q=\lambda W_qLs=λWs,Lq=λWq,这个公式是根据上面的四个公式导出的。
上面这些公式并不需要掌握,只需了解,能够查到即可
一些时长和时刻的关系
- 服务时刻(i) = max{到达时刻(i);离开时刻(i-1)}。取最大值表示,哪一个晚,服务时刻就等于哪一个。
- 离开时刻(i) = 服务时刻(i) + 服务时长(i)。这是显然的
- 逗留时长(i) = 离开时刻(i) - 到达时刻(i)。实际上这里应该是逗留时长。
多服务台下的等待机制(M/M/S/∞S>1M/M/S/\infty\qquad S>1M/M/S/∞S>1)
- 服务能力和服务强度:SμS\muSμ,ρ=λsμ\rho=\frac{\lambda}{s\mu}ρ=sμλ
- 服务台都空闲的概率:p0=[∑k=0S−1(Sρ)kk!+(Sρ)SρS!(1−ρ)]−1p_0=\begin{bmatrix}\sum^{S-1}_{k=0}\frac{(S\rho)^k}{k!}+\frac{(S\rho)^S\rho}{S!(1-\rho)}\end{bmatrix}^{-1}p0=[∑k=0S−1k!(Sρ)k+S!(1−ρ)(Sρ)Sρ]−1
- 平均队长:Ls=Sρ+(Sρ)SρS!(1−ρ)2p0L_s=S\rho+\frac{(S\rho)^S\rho}{S!(1-\rho)^2}p_0Ls=Sρ+S!(1−ρ)2(Sρ)Sρp0。
- 平均逗留时间:Ws=LsλW_s=\frac{L_s}{\lambda}Ws=λLs
- 平均等待时间:Wq=Ws−1μW_q=W_s-\frac{1}{\mu}Wq=Ws−μ1
- 平均等待队长:Lq=λWqL_q=\lambda W_qLq=λWq
服务时间的关系
- 服务时刻(i) = max{到达时刻(i),min{服务台空闲时刻}}。取最小值表示服务台最先空下来的时刻,取最大值表示,到达时刻和服务台的空闲时刻的较晚的那一个作为服务时刻。这是现实是相符合的,对于服务台,总是会先使用先空下来的那一个服务台。
- 所使用服务台(i) = k,其中k 使服务台空闲时刻(k) = min
- 离开时刻(i) = 服务时刻(i) + 服务时长(i)
- 服务台空闲时刻(k) = 离开时刻(i)
- 逗留时长(i) = 离开时刻(i) - 到达时刻(i)
其他模型
关于其他模型的详细介绍,日后查阅资料再继续补充
损失制模型:M/M/S/SM/M/S/SM/M/S/S,顾客到达服从泊松分布,服务台服务时间服从负指数分布,系统容量为SSS,当SSS个服务台被占用后,顾客自动离开,不再等待。
混合制模型:M/M/S/KM/M/S/KM/M/S/K,顾客到达服从泊松分布,服务台服务时间服从负指数分布,系统容量为KKK,当KKK个服务台被占用后,顾客自动离开,不再等待。
闭合制模型:M/M/S/K/KM/M/S/K/KM/M/S/K/K,顾客到达服从泊松分布,服务台服务时间服从负指数分布,系统容量为KKK,当KKK个服务台被占用后,顾客自动离开,不再等待,潜在顾客数为KKK。
模拟案例
描述:模拟一个问题,输入过程服从参数为1的指数分布,服务时间服从参数为0.9的指数分布
% 模拟顾客总数
n = 100000; % 到达率和服务率
mu = 1; muA = 0.9;% tarr:到达时刻,tsrv:服务时长,tlea:离开时刻,twat:等待时长,tsta:服务时刻
% 到达时刻
tarr = cumsum(exprnd(mu,1,n));% 服务时长,exprnd生成服从参数为muA的指数分布的随机数向量,维度为1*n
tsrv = exprnd(muA,1,n);% 初始化服务时刻,离开时刻,等待时长。这是模拟结束后所需要的数据。
tsta = zeros(1,n);
tlea = zeros(1,n);
twat = zeros(1,n);% 计算首位顾客的服务时刻,离开时刻,等待时长twtime。
tsta(1) = tarr(1);
tlea(1) = tsta(1) + tsrv(1);
twtime(1) = tlea(1) - tarr(1);% 计算后面顾客的鼓舞时刻,离开时刻,等待时长。
for i = 2:ntsta(i) = max(tarr(i),tlea(i-1));tlea(i) = tsta(i) + tsrv(i);twat(i) = tlea(i) - tarr(i);
end% 画出等待时间的柱状图
hist(twat)
% 计算平均等待时间
sum(twat)/n
描述:模拟一个问题,输入过程服从参数为1的指数分布,服务时间服从参数为1.8的指数分布。两个服务台。这里的平均服务时间为1.8,前面的平均服务时间为0.9,所以,前面的服务率是这里的两倍。
% 模拟的总人数
n = 100000;% 到达率mu,平均服务时间muB
mu = 1; muB = 1.8;% 初始化到达时间。生成一个1*n的向量,该向量所包含的随机数服从参数为mu的指数分布
tarr = cumsum(exprnd(mu,1,n));% 初始化服务时间。生成一个1*n的向量,该向量所包含的随机数服从参数为muB的指数分布
tsrv = exprnd(muB,1,n);% 初始化服务时刻(服务开始时间),离开时刻,等待时长
tsta = zeros(1,n);
tlea = zeros(1,n);
twat = zeros(1,n);% 初始化服务台结束服务的时刻
last = [0 0];% 从第一个到达顾客开始模拟
for i = 1:n% 取最先结束服务的服务台,minemp是借书服务的时刻,k是服务台的索引[minemp, k] = min(last);% 取服务时刻tsta(i) = max(tarr(i),minemp);% 离开时刻等于服务时刻+服务时长tlea(i) = tsta(i) + tsrv(i);% 服务台结束服务的时刻等于离开时刻last(k) = tlea(i);% 逗留时长twat(i) = tlea(i) - tarr(i);
endhist(twat)
% 计算平均等待时间
sum(twat)/n
这两个模拟过程主要的就是在计算服务开始的时刻,离开时刻,等待时长。当我们得到这些数据后,再需要一些优化的指标,就可以对这一个排队系统进行优化。但是仅通过上面的这些内容,帮助我们理解这个排队过程已经足够了。
案例分析
这是对题目进行抽象之后得到的一个图,这里就从这里开始,分析一下程序的实现。在实际建模过程中,比较重要的还是将问题进行抽象的过程,而程序实现都是比较容易的。
function [tlea, twat, qlen] = mms(tarr, type, mus)
% MMS Stochastic simulation for M/M/c queue
%
% [tlea, twat, qlen] = mms(tarr, type, mus)
% tarr = t_arrive,到达时间
% type = 用户类型,主要是用于区别mub和mur的
% mus = serere rate of servers,每个服务台的服务率,是一个向量
% tlea = leaving time of servers,离开时间
% twat = waiting time of servers,等待时间,t_wait
% qlen = length of the queue (length of the waiting line) for customers。队长
% narr = length(tarr); % number of customers,num_arrive
nsvr = length(mus); % number of servers,num_servers% last time at which a customer left a particular server。服务台的空闲时刻。
last = zeros(nsvr,1);% 将narr*1的零向量分别赋值给tsta,tlea,twat,qlen。实现了对这些存储数据的向量的初始化。
[tsta, tlea, twat, qlen] = deal(zeros(narr,1));% 初始化nsvr*narr的矩阵。其中(k,i)位置表示第i个顾客的服务时间,k表示第k个服务台
rndm = zeros(nsvr,narr); % rndm(k,i) = service time for i-th customer
% 对于每个服务台,随机生成该个服务台的服务时间,服务时间是服从参数为mus的指数分布。
for k = 1:nsvr; rndm(k,:) = exprnd(mus(k)*type); end% 对于每个顾客
for i = 1:narr% 计算服务时刻,即服务的开始时间[minemp, ksvr(i)] = min(last);tsta(i) = max(tarr(i), minemp); % 服务时长服从参数为mu的指数分布。tsvr(i) = rndm(ksvr(i),i);% 计算离开时刻。tlea(i) = tsta(i) + tsvr(i);% 第k个服务台的空闲时刻等于顾客的离开时刻last(ksvr(i)) = tlea(i);% 计算逗留时间,离开时刻减去到达时刻twat(i) = tlea(i) - tarr(i);% 第i个顾客的队长j = i - 1;while j>0 && tarr(i)<tlea(j)if ksvr(j)==ksvr(i); qlen(i) = qlen(i) + 1; endj = j - 1;end
end
主程序
% 3个服务台的数量
n1 = 2; n2 = 3; n3 = 3;% 到达率和服务率
mu1 = 12; mu2 = 9; mu3 = 16;
muR = 10; muB = 13; % 进行了四舍五入% 服务的人数,随机算出
nR = ceil(24*3600/muR); nB = ceil(24*3600/muB);
tArrR = cumsum(exprnd(muR,nR,1));
tArrB = cumsum(exprnd(muB,nB,1));
tArr = [tArrR; tArrB];
type = [0.8*ones(nR,1); 1.2*ones(nB,1)];% nR表示红色服务台,nB表示蓝色服务台
[tLeaR, tWatR, qLenR] = mms(tArrR, ones(nR,1), mu1*ones(n1,1));
[tLeaB, tWatB, qLenB] = mms(tArrB, ones(nB,1), mu2*ones(n2,1));% 合并后重新排序,作为接下来的输入
[tArrG, order] = sort([tLeaR; tLeaB]);
[tLeaG, tWatG, qLenG] = mms(tArrG, type(order), mu3*ones(n3,1));
tLeaG(order) = tLeaG;
tWatG(order) = tWatG;
qLenG(order) = qLenG;
% 得到了所有的数据figure('position',[50,50,1200,600])
subplot(2,3,1); hist(qLenR); ylabel('Frequency');
xlabel('length of the waiting line'); title('Red')
subplot(2,3,4); hist(tWatR); ylabel('Frequency');
xlabel('waiting time'); title('Red')subplot(2,3,2); hist(qLenB); ylabel('Frequency');
xlabel('length of the waiting line'); title('Blue')
subplot(2,3,5); hist(tWatB); ylabel('Frequency');
xlabel('waiting time'); title('Blue')subplot(2,3,3); hist(qLenG); ylabel('Frequency');
xlabel('length of the waiting line'); title('Green')
subplot(2,3,6); hist(tWatG); ylabel('Frequency');
xlabel('waiting time'); title('Green')
总结
排队论----学习反馈相关推荐
- 心跳信号分类-- 学习反馈TASK5
Detail 零基础入门数据挖掘 (心跳信号分类) 学习反馈TASK5 使用语言:python Tas1 – Task5 Task5 模型融合 模型融合是本次项目也是常规比赛后期一个重要的环节,可以分 ...
- Datawhale 零基础入门数据挖掘心跳信号分类学习反馈
Detail 零基础入门数据挖掘 (心跳信号分类) 学习反馈TASK1 使用语言:python Tas1 – Task5 Task1 赛题理解: 根据给定的数据集,建立模型,预测不同的心跳信号(以预测 ...
- Datawhale 零基础入门数据挖掘心跳信号分类学习反馈03
Detail 零基础入门数据挖掘 (心跳信号分类) 学习反馈TASK3 使用语言:python Tas1 – Task5 Task3_数据特征工程分析 主要是针对时间序列的心电图数据加上:特征time ...
- Datawhale 零基础入门数据挖掘心跳信号分类学习反馈04
Detail 零基础入门数据挖掘 (心跳信号分类) 学习反馈TASK3 使用语言:python Tas1 – Task5 Task4 建模与调参 本次学习的重点是贪心调参.网格搜索调参.贝叶斯调参共三 ...
- Datawhale 零基础入门数据挖掘心跳信号分类学习反馈02
Detail 零基础入门数据挖掘 (心跳信号分类) 学习反馈TASK2 使用语言:python Tas1 – Task5 Task2_数据探索性分析 涉及函数:总览+判断数据缺失和异常+分布 data ...
- 预测和评价----学习反馈
简介 评价和预测是建模中非常常见的问题,这里主要介绍三种评价方案和三种预测方法.即:加权平均.层次分析和模糊综合评价:拟合.时间序列和灰色预测. 加权平均是一种比较简单的方法,就像我们平常计算加权平均 ...
- 强化学习,路在何方?
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 来源:DeepRL实验室,转自:睿慕课 ▌一.深度强化学习的泡沫 201 ...
- 83篇文献-万字总结强化学习之路
深度强化学习实验室报道 作者:侯宇清,陈玉荣 编辑:DeepRL 深度强化学习是深度学习与强化学习相结合的产物,它集成了深度学习在视觉等感知问题上强大的理解能力,以及强化学习的决策能力,实现了端到端学 ...
- 万字总结83篇文献:深度强化学习之炒作、反思、回归本源
来源:深度强化学习实验室 本文约15000字,建议阅读10+分钟 本文为你深入浅出.全面系统总结强化学习的发展及未来展望. 深度强化学习是深度学习与强化学习相结合的产物,它集成了深度学习在视觉等感知问 ...
- 83篇文献、万字总结开启你的强化学习之路!
作者:侯宇清 陈玉荣 来源:深度强化学习实验室 本文约13000字,建议阅读15+分钟 本文将阐述深度强化学习的发展现状,并对未来进行展望. 标签:强化学习 深度强化学习是深度学习与强化学习相结合的产 ...
最新文章
- android调节声音大小
- 028_jQuery数据
- 卸载Macports,安装HomeBrew
- 【杂谈】一招,同时可视化18个开源框架的网络模型结构和权重
- 【Tensorflow】io 操作
- 【壁纸】(可商用) 70枚壁纸高清免费
- 学习笔记总结(VC)
- 附加作业:源自刘乾老师的问题
- Redhat安装tftp的方法
- MySQL水表查询系统_水费管理系统
- 公交查询系统 c语言,城市公交查询系统的设计任务书
- linux自带浏览器如何更新,在deepin上安装edge浏览器后更新系统报错的解决方案
- 信息学奥赛一本通 1967:【14NOIP普及组】螺旋矩阵 | 洛谷 P2239 [NOIP2014 普及组] 螺旋矩阵
- Flutter自定义布局套路
- ASP.NET C# 文件下载速度限制
- 基于java物流管理信息系统
- 《大前端进阶 Node.js》系列 必知必会必问(面试高频)
- 2021年衢州高考的成绩查询,2021年衢州中、高考重要消息来了!
- ReadProcessMemory Types of actual and formal var parameters must be identical
- 如何关闭ios模拟器