运筹说 第112期 | M/M/s等待制排队模型

通过上期学习,大家已经了解了排队论中的一些基本概念,以及生灭过程和Poisson过程。

那么本期小编将基于这些基本原理,为大家介绍M/M/s混合制排队模型,包括单服务台模型和多服务台模型,介绍模型的概念以及推导过程等内容。M/M/s等待制排队模型有两种机制,分别为单服务台模型M/M/1/∞和多服务台模型M/M/s/∞。 单服务台模型是指顾客的相继到达时间服从参数为λ的负指数分布,服务台数为1,服务时间服从参数为μ的负指数分布,系统空间无限,允许无限排队。多服务台模型是指顾客的相继到达时间服从参数为λ的负指数分布,服务台数为s且服务时间相互独立,服务时间服从参数为μ的负指数分布,系统空间无限,允许无限排队。

单服务台模型

01 队长的分布

设pn=P{N=n}(n=0,1,2,…)为系统达到平衡状态后队长N的概率分布,此时λn=λ,μn=μ。记ρ=λ/μ,且ρ<1,则

\sum_{n=0}^{\infty}{p_{n}}=1,故

其中, \sum_{n=0}^{\infty}{p_{n}}是一个等比数列,所以根据等比数列求和公式S=首项/(1-公比),这里首项为1,公比为ρ,求出

ρ是系统中至少有一个顾客的概率,也就是服务台处于忙的状态的概率,因而也称ρ为服务强度,它反映了系统繁忙的程度。只有ρ<1,即要求顾客平均到达率小于系统平均服务率,才能使系统达到统计平衡,才有

02 几个重要的数量指标

对单服务台等待制排队系统,通过平稳状态下队长的分布(即当系统达到统计平衡时处于状态n的概率为pn)与队长n相乘后加总,可以得到平均队长L

平均排队长Lq为

顾客在系统中的逗留时间为T,由于到达过程和服务时间分别服从参数为λ和μ负指数分布,具有无记忆性;因此T服从参数为μ-λ负指数分布

因此,平均逗留时间W为

可发现平均队长L与平均逗留时间W具有如下关系

同样,可发现平均排队长Lq与平均等待时间Wq。有如下关系

上述两式通常称为Little公式,是排队论中一个非常重要的公式。

03 忙期和闲期

由于忙期和闲期出现的概率分别为ρ和1-ρ,所以可认为在一段时间内两者总长度之比为ρ:(1-ρ)。又因为忙期和闲期是交替出现的,所以在足够长的时间内,它们出现的平均次数应该是相同的。于是,忙期平均长度 和闲期平均长度 之比也为ρ:(1-ρ),即

在到达为Poisson流时,从系统空闲时刻起,到下一个顾客到达时刻止(闲期)的时间间隔仍服从参数为λ的负指数分布,且与到达时间间隔相互独立。故平均闲期为1/λ,可求得平均忙期为

可见,一个顾客在系统内的平均逗留时间=平均忙期。因此,一个顾客在系统内的平均逗留时间应等于服务员平均连续忙的时间。

例题展示

例1:修理店只有一个修理工,顾客到达为Poisson流,平均4人/h。修理时间服从负指数分布,平均需要6min。试求: (1)修理店空闲概率; (2)店内恰有3个顾客的概率; (3)店里至少有1个顾客的概率; (4)店内平均顾客数; (5)每位顾客在店内的平均逗留时间; (6)等待服务的平均顾客数; (7)每位顾客平均等待服务时间; (8)顾客在店内等待时间超过10min的概率。

解:本题为M/M/1/∞问题,λ=4,μ=1/0.1=10,ρ=λ/μ=2/5

(1)修理店空闲概率

(2)店内恰有3个顾客的概率

(3)店里至少有1个顾客的概率

(4)店内平均顾客数

(5)每位顾客在店内的平均逗留时间

(6)等待服务的平均顾客数

(7)每位顾客平均等待服务时间

(8)顾客在店内等待时间超过10min的概率

多服务台模型

01 基本概念

设顾客单个到达,相继到达时间间隔服从参数为的负指数分布,系统中共有s个服务台,服务台的服务时间相互独立,且服从参数为μ的负指数分布。系统空间无限,允许无限排队。 多服务台模型与单服务台模型的区别为:单服务台模型中服务率与系统状态无关,均为μ,服务强度ρ=λ/μ<1;而多服务台模型中服务率与系统状态有关。 02 过程推导

记pn=P{N=n}(n=0,1,2,…)为系统达到平稳状态后队长N的概率分布,对个数为s的多服务台系统,有

引入

列出平衡方程

可推导出

解得平衡条件下系统中顾客数为n的概率:

\sum_{n=0}^{\infty}{p_{n}}=1,得

其中,

是一个等比数列(首项为\frac{\rho ^{s}}{s!} ,公比为 \frac{\rho}{s}),根据等比数列求和公式,求出

当n≥s时,再来的顾客就必须等待,则有

上式也被称为Erlang等待公式,它给出了顾客到达系统时需要等待的概率。对多服务台等待制排队系统,由已得到的平稳分布可得到平均排队长Lq

记系统中正在接受服务的顾客平均数为 \bar{s},显然也是正在忙的服务台平均数,故

平均在忙的服务台个数不依赖于服务台个数s,可得到平均队长L

对多服务台系统,Little公式依然成立,即有

例题展示

例2:急诊病人相继到达时间间隔服从负指数分布,平均每0.5h来一个;医生处理一个病人的时间也服从负指数分布,平均需要20min/人。现已有一个医生,考虑是否需要再增加一个医生?

解:本题可以看作为M/M/s/∞问题,λ=2,μ=3,ρ=λ/μ=2/3,s=1,2

由上表中的结果可知,从减少病人等待时间,提供及时处理来看,需要增加医生。以上就是M/M/s等待制排队模型的全部内容了,通过这一节的学习,大家可以尝试对现实生活中的一些实际问题进行练习了!

作者 | 林若唯 唐京茹

责编 | 王一静

审核 | 徐小峰

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/543779.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

PoE 技术

1 PoE 技术产生背景 随着 WLAN 、 VoIP 、网络视频监控等新业务的飞速发展,大量的无线 LAN 访问点、 IP 电话、 IP 网络摄像头等基于 IP 的终端出现在工业现场。这些设备通常数量众多、位置特殊 、 布线复杂、设备取电困难,其实施部署不仅消耗大量人力物力,…

【数据结构与算法】搜索算法(深度优先搜索 DFS和广度优先搜索 BFS)以及典型算法例题

目录 搜索算法&#xff08;深度优先搜索DFS和广度优先搜索BFS&#xff09;以及典型算法例题深度优先搜索 &#xff08;Depth First Search 简称 DFS&#xff09;DFS 的设计步骤深度优先搜索&#xff08;DFS&#xff09;算法例题例题一&#xff1a;N皇后问题例题二&#xff1a;路…

FreeRTOS学习 -- FreeRTOSConfig.h介绍

一、FreeRTOSConfig.h文件 FreeRTOS 的系统配置文件为 FreeRTOSConfig.h&#xff0c;在此配置文件中可以完成 FreeRTOS 的裁剪和配置。 FreeRTOS 的配置基本是通过在 FreeRTOSConfig.h 中使用“#define”这样的语句来定义宏定义实现的。在 FreeRTOS 的官方 demo 中&#xff0…

CentOS7离线升级OpenSSH_8.8p1

一、环境 centos7.9,升级openssh到8.8p1最新版本 二、下载升级包 # openssl和zlib为相关依赖 wget https://cdn.openbsd.org/pub/OpenBSD/OpenSSH/portable/openssh-8.8p1.tar.gz wget https://www.openssl.org/source/openssl-1.1.1j.tar.gz wget http://www.zlib.net/zl…

mysql dll文件的缺失和Can‘t connect to MySQL server on ‘localhost‘ (10061)

个人笔记&#xff08;整理不易&#xff0c;有帮助&#xff0c;收藏点赞评论&#xff0c;爱你们&#xff01;&#xff01;&#xff01;你的支持是我写作的动力&#xff09; 笔记目录&#xff1a;学习笔记目录_pytest和unittest、airtest_weixin_42717928的博客-CSDN博客 个人随笔…

数学:人工智能学习之路上的“拦路虎”及其背后的奥秘

在人工智能的浪潮席卷全球的今天&#xff0c;越来越多的人开始涉足这一领域&#xff0c;以期掌握其核心技术&#xff0c;为未来的科技发展贡献力量。然而&#xff0c;在学习的道路上&#xff0c;许多人却遇到了一个不小的挑战——数学。为何数学会成为学习人工智能的“拦路虎”…

js学习总结

这里写目录标题 前情提要JavaScript书写位置1. 内部javaScript (不常用)2. 外部javaScript (常用)3.内联javaScript (常用) js中的输入和输出输出语法1. document.write()2. alert()3. console.log() 输入语法prompt() 前情提要 1. 在javaScript中的 分号 是可以省略的JavaScr…

rocketmq面试

broker主从复制机制 同步复制&#xff1a; 等Master和Slave均写成功后&#xff0c;才反馈给客户端写成功状态&#xff1b; 如果Master出故障&#xff0c; Slave上有全部的备份数据&#xff0c;容易恢复&#xff0c;但是同步复制会增大数据写入延迟&#xff0c;降低系统吞吐量。…

SMS垃圾短信识别项目

注意&#xff1a;本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 &#xff08;[www.aideeplearning.cn]&#xff09; 项目背景 随着数字通信的快速发展&#xff0c;垃圾短信成为了一个普遍而烦人的问题。这些不请自来的消息不仅打扰了我们的日常生活&#xff0c;…

视频基础学习六——视频编码基础三(h264框架配合图文+具体抓包分析 万字)

系列文章目录 视频基础学习一——色立体、三原色以及像素 视频基础学习二——图像深度与格式&#xff08;RGB与YUV&#xff09; 视频基础学习三——视频帧率、码率与分辨率 视频基础学习四——视频编码基础一&#xff08;冗余信息&#xff09; 视频基础学习五——视频编码基础…

Redis漏洞利用

未授权 可以利用超级弱口令工具来判断redis是否能未授权登录 telnet #尝试登录info #查看redis信息 RCE方法 写shell 需要写权限需要知道web网站路径 config set dir /var/www/html config set dbfilename redis.php set test "<?php phpinfo(); ?>" sa…

低成本,高效能:探索物联网新宠LoRa

LoRa是什么&#xff1f; LoRa是一种物联网无线传输技术&#xff0c;利用调制解调器实现低功耗远距离数据传输。其基本工作原理是通过基站发送数据到特定终端设备&#xff0c;实现双向数据传输。 LoRa无线传输技术是一种为低功耗和低成本设计的无线技术&#xff0c;用于实现远距…

mybatis的使用技巧7——mysql中in,exists,join的用法和区别

在实际项目开发中&#xff0c;sql查询中的连表查询和子查询用的是最多的&#xff0c;但是很多人对于in&#xff0c;exists&#xff0c;join的用法认识不足&#xff0c;随意运用&#xff0c;这种情况如果在大数据量查询时&#xff0c;会存在很大的隐患。 一.子查询&#xff08;…

transformer入门知识解析——新手必看

对应课程&#xff1a;Transformer简明教程, 从理论到代码实现到项目实战, NLP进阶必知必会._哔哩哔哩_bilibili 1.初识transformer结构 transformer的结构&#xff1a; 编码器解码器的内部结构&#xff1a; Self Attention 表示自注意力机制 Feed Forward 表示全连接层 2.计算…

45.HarmonyOS鸿蒙系统 App(ArkUI)创建列表(List)

列表是一种复杂的容器&#xff0c;当列表项达到一定数量&#xff0c;内容超过屏幕大小时&#xff0c;可以自动提供滚动功能。它适合用于呈现同类数据类型或数据类型集&#xff0c;例如图片和文本。在列表中显示数据集合是许多应用程序中的常见要求&#xff08;如通讯录、音乐列…

springBoot+vue编程中使用mybatis-plus遇到的问题

mybatis-plus中遇到的问题Code Companion Servlet.service() for servlet [dispatcherServlet] in context with path [] threw exception [Request processing failed; nested exception is org.apache.ibatis.binding.BindingException: Invalid bound statement (not found)…

如何正确使用数字化仪前端信号调理?(一)

一、前言 板卡式的数字转换器和类似测量仪器&#xff0c;比如图1所示的德思特TS-M4i系列&#xff0c;都需要为各种各样的特性信号与内部模数转换器&#xff08;ADC&#xff09;的固定输入范围做匹配。 图1&#xff1a;德思特TS-M4i系列高速数字化仪&#xff0c;包括2或4通道版…

大模型项目整体规划、技术选型和案例分析经验分享

1 项目整体规划 1.1 明确场景 toB or toC&#xff08;面向企业还是面向消费者&#xff09; toB&#xff08;面向企业&#xff09;&#xff1a;指的是产品或服务主要面向其他企业或组织。这类产品通常需要解决特定的商业问题&#xff0c;强调效率和集成性&#xff0c;并且可能需…

机器学习-随机森林温度预测模型优化

文章目录 前言旧模型训练新模型训练参数查看组合参数训练学习模型评估 前言 在机器学习-随机森林算法预测温度一文中&#xff0c;通过增大模型训练数据集和训练特征的方式去优化模型的性能&#xff0c;本文将记录第三方种优化方式&#xff0c;通过调整随机森林创建模型参数的方…

10.哀家要长脑子了!

1. 704. 二分查找 - 力扣&#xff08;LeetCode&#xff09; 哎哟 我去 我还以为你都搞懂了 呵呵 当时问题出现在右边界初始化 左闭右开 右边界是取不到的 int left 0, right nums.size() ; while(left < right) { int mid left (right - left) / 2; if( target > …