运筹学之随机运筹技术

Shihong Sun

已于 2024-02-26 09:53:58 修改

阅读量628

点赞数 20

分类专栏：管理科学基础文章标签：算法人工智能机器学习

于 2024-02-26 00:40:31 首次发布

本文链接：https://blog.csdn.net/m0_61038364/article/details/136288392

版权

管理科学基础专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1 排队系分析

1.1 基本概念

当顾客数量超过服务机构的容量时，便会出现排队现象。如果服务设施较少或服务效率太低，便会加剧拥挤；如果增加服务设施，会增加成本。

排队系统的基本组成：输入过程、排队规则、服务机构。
输入过程：旅客的到达率，一般呈现泊松流到达，负指数分布。
排队规则：损失制，即所有服务设施被占用，顾客就自行离去； 等待制，最常见，若所有服务设施被占用，就等着直到服务；混合制，允许排队，但排队长度有限制。
服务机构：服务台数量，一个或者多个；服务规律，代表服务时间，一般也是负指数。

1.2 需要求解什么

符号表示不同的排队系统

（1）X/Y/Z

X表示顾客到达时间间隔的分布；
Y表示服务时间的分布；
Z表示服务台数；
对于各种分布，M表示负指数分布， $E_{k}$ 表示k阶爱尔朗分布，D表示定长分布，G表示一般分布。

（2）X/Y/Z/A/B/C

在上述基础上增加了三个参数；
A代表系统的容量限制；
B代表顾客源的数目；
C代表服务规则，一般指先到先服务。

（3）需要求解什么

系统运行指标（都是均值表示）：
队长 $L_{s}$ ：系统中的顾客总数，排队的+正在接受服务的；
排队长 $L_{q}$ ：正在等候排队的顾客数；
逗留时间 $W_{s}$ ：一个顾客在系统中的停留时间，排队等待时间+服务时间
等待时间 $W_{q}$ ：一个顾客在系统中的排队时间

1.3 到达与服务规律

（1）泊松流与负指数分布

这里我们完整介绍一下泊松分布和负指数分布的关系，以及他们在排队系统中的应用。

——————泊松流——————

$P\begin{Bmatrix} N=n \end{Bmatrix}=\frac{(\lambda )^{n}}{n!}e^{-\lambda }$ 代表随机变量N的概率分布。代表一个事件在一段时间内发生的次数。

$\lambda$ 代表一段时间内发生的平均事件数。
进一步，t代表有几个单位时间， $\lambda$ 代表一个单位时间发生的事件数，就可以乘起来，对应上述的“一段时间”。

$P\begin{Bmatrix} N(t)=n \end{Bmatrix}=\frac{(\lambda t)^{n}}{n!}e^{-\lambda t}$ 代表t时间内到达排队系统的顾客数n的概率。大概是这样的：

换句话说，t时间段内到达n个顾客的概率 $P_{n}(t)$

可以看到最高的地方其实就是到达的顾客数的均值，或者说是期望值，就是 $\lambda t$ 。这代表 $\lambda$ 是单位时间到达的顾客数量，也就是到达率。
泊松分布的均值和方差都是 $\lambda$ ，或者说是 $\lambda t$ 。

——————负指数分布——————

负指数分布和泊松分布说的其实是一个意思。

如果下一个顾客要间隔时间 t ，就等同于 t 之内没有任何顾客来。由泊松分布，t时间段内没有顾客来的概率为 $P_{0}(t)=e^{-\lambda t}$ ，则t时间段内有顾客来的概率是 $P(T\leqslant t)=1-e^{-\lambda t}$ 。
这个概率就是顾客的到达时间T的分布。
该负指数分布的均值 $E(T)=\frac{1}{\lambda }$ ，方差 $D(T)=\frac{1}{\lambda^2 }$ 。（根据负指数分布计算得到）

可以说，若时间段内事件发生的数量符合泊松分布，那么两件事情之间的时间间隔符合负指数分布，泊松更关注的是单位时间到达的数量，负指数更关注两个事件之间的间隔时间。因此顾客的到达一般说是泊松流到达，服务时间一般说是负指数分布。

这里有一个非常重要的元素， $\lambda$ 。其在泊松分布的到达顾客分布中，代表单位时间内到达的顾客数量。

还有一个重要的元素， $\mu$ 。在服务时间的分布中，设参数 $\mu$ ，其实就是 $\lambda$ ，只不过是区分了到达规律和服务规律，也就是说单位时间服务 $\mu$ 个顾客。其均值是 $\frac{1}{\mu }$ ，代表平均服务时间。

（2） $\chi ^{2}$ 检验

$\chi ^{2}$ 检验可以检验任何统计分布是否满足指定的模型

提出假设符合某个分布函数；
将真实的样本按照区间划分；
计算每个区间上样本的真实频数和理论频数；
计算真实和理论的差距，找置信度查表可以计算出是否属于这个分布函数。

1.4 基本模型

1.4.1 M/M/1模型

——————推导——————

圆圈里面的数字代表系统中有n个顾客， $P_{n}$ 代表有n个顾客的概率。
$\lambda P_{(n-1)}$ 可以理解为处于状态n-1，且又来了一位顾客的概率。
$\lambda$ 为什么代表来了一位顾客的概率，因为单位时间内来0.5个顾客，也就是来顾客的概率是0.5
由此在中间的点给出公式： $\lambda P_{n-1}+\mu P_{n+1}=\lambda P_{n}+\mu P_{n}$ ；
对于起点，流入也等于流出： $\lambda P_{0}=\mu P_{1}$
联立，得到： $\left\{\begin{matrix} P_{0}=1-\rho \\ P_{n}=\rho ^{n}P_{0}=(1-\rho )\rho ^{n} \end{matrix}\right.$ ，其中， $\rho =\frac{\lambda }{\mu }$ 。

$\rho =\frac{\lambda }{\mu }$ ，说明它是到达率与服务率的比值， $\rho =1-P_{0}$ 说明系统忙着的概率，因此 $\rho$ 代表了系统的服务强度。

——————运行指标（也叫里特公式）——————

平均队长 $L_{s}$ ： $\sum_{n=0}^{\infty }nP_{n}= \frac{\rho}{1-\rho}=\frac{\lambda }{\mu -\lambda }$ ；
平均排队长 $L_{q}$ ： $\sum_{n=1}^{\infty }(n-1)P_{n}= L_{s}-\rho =\frac{\rho ^{2} }{1-\rho }$ ；某个服务台的人数-服务台数=排队数
平均逗留时间 $W_{s}$ ：一个顾客在系统中的停留时间： $\frac{1}{\mu -\lambda }$
平均等待时间 $W_{q}$ ：一个顾客在系统中的排队时间： $\frac{\rho }{\mu -\lambda }$

——————拓展——————

（1）系统容量有限的M/M/1模型（M/M/1/N/∞模型）

系统的状态只有N+1种，即n=0,1,...,N+1；
当n<N时，顾客到达率是 $\lambda$ 。当n=N时，顾客的到达率为0；
与上述推导同理，给出各种运行指标。

（2）顾客源有限的M/M/1模型（M/M//1/∞/m模型）

1.4.2 M/M/C模型

该模型与M/M1模型的区别，M/M/1模型的服务率就是 $\mu$ ，而M/M/C模型的服务率与系统状态有关，当 $n<C$ 时为 $n\mu$ ，当 $n\geqslant C$ 时为 $c\mu$ 。
服务强度 $\rho =\frac{\lambda }{C\mu }$ 。
经推导，得到各项运行指标。

1.4.3 M/G/1模型（一般服务时间）

这里给出一个公式（P-K公式）：

表示只要知道服务时间 $\nu$ 的期望和方差，不管 $\nu$ 是什么分布都可以计算系统运行指标；
对于M/G/1模型，M/D/1模型、M/ $E_{k}$ /1模型都适用。
其实，对于M/M/C、M/M1模型同样适用。

最后，排队系统优化的思想主要是：①设计一个排队系统的最佳服务率和最佳服务数，②给定一个排队系统如何运营。

对于服务率，增加服务率，单位时间服务的人变多，会增加单位时间的成本，但顾客等待时间变短了，因此要给公式对服务率求导。

对于服务台数，增加服务台数，服务台单位时间的成本变多，但顾客等待时间变短了，因此要给公式对服务台数求导。