排队论模型的monteCarlo法仿真

在我们的生活中，排队的现象几乎处处可见。看似毫无规则的排队模型其实里面蕴藏者很大的学问。比如说在一般的排队问题中，人们到达某个地方的时间间隔近似服从指数分布。而这篇博文的目的就是为了找出蕴藏在排队论中的一般规律，用monteCarlo法找到我们想要的结果。

一.问题的提出

​ 在某个银行的窗口只有一个服务窗口，工作人员逐个接待顾客。当顾客的数目比较多的时候需要排队等待。此时我们可以假设第$i$个顾客和第$i-1$个顾客到来的间隔时间$x_i\sim E(0.1)$，即是服从参数为$0.1$的指数分布。而第$i$个顾客的服务时间服$y_i$从均值为$10$，方差为$2$的正态分布(单位为$min$，少于1$min$按1$min$算。)排队依靠先到先得的原则，不限制队伍长度，每天的工作时间为$8$小时($480min$)。模拟求出一年内平均的日接待客户的个数和日平均等待时间。

二.问题的分析

​ 让我门对一天之内的排队过程进行一个细致的分析。做出以下的符号假设：

​ 若设$C_i$:第$i$个顾客的到达时刻，那么任意两个顾客之间的到达时间间隔就服从泊松分布：
$$\begin{gathered} C_i=C_{i-1}+x_i \\ x\sim E(0.1) \end{gathered}$$
​ 其中第一个顾客到来之前没有人来，所以$C_0=0$。

​ 再设$B_i$:第$i$个顾客来办理业务的时刻，注意因为可能需要排队，所以$B_i$可能不等于$C_i$。

​ 然后再设$E_i$:第$i$个顾客办理完业务的时刻。所以有：
$$\begin{gathered} E_i=B_i+y_i \\ {y}_i\sim N(10,2)(y_i=1,if{y}_i\le 1) \end{gathered}$$
​ 其中第$i$个顾客办理业务必须得在自己来了之后等上一个人弄完，否则就无法办理业务。说明：
B i = m a x { E i − 1 , C i } B_i = max\{E_{i-1},C_i\} Bi​=max{Ei−1​,Ci​}
​ 对于第一个人来说到了就可以马上办理业务：$B_1=C_1$。

​ 执行以上的迭代知到$B_i\ge 480$为止。求出此时的$i$作为平均等待人数。

​ 此时的平均等待时间为:
$$T_i=\frac{480min}{i}$$

​ 因此我们可以仿真365天每天的结果用monteCarlo方法求出平均等待时间和平均等待人数。
$$\begin{gathered} \overline{T}=\frac{1}{365}\sum _{j=1}^{365}{T}_j \\ \overline{i}=\frac{1}{365}\sum _{j=1}^{365}{i}_j \end{gathered}$$

三.代码实现

%基于排队论模型的montecarlo方法应用
clc,clear;
days = 365;%一年有365天
peopleNumbers = zeros(1,days);
waitTime = zeros(1,days);
for j = 1:days
    x(1) = exprnd(10);%x(i):第i-1个顾客和第i个顾客到达时间的间隙
    c0 = 0;%c(i)：第i个顾客到达的时间
    c(1) = c0+x(1);
    b(1) = c(1);%b(i):第i个顾客开始服务的时间
    y(1) = normrnd(10,2);%y(i):第i个顾客持续服务的时间
    e(1) = b(1)+y(1);%e(i):第i个顾客结束服务的时间
    i = 1;
    while b(i)<=480%一天工作8小时
       i = i+1;
       x(i) = exprnd(10);
       y(i) = normrnd(10,2);
       if y(i) <= 1
           y(i) = 1;
       end
       c(i) = c(i-1)+x(i);
       b(i) = max(c(i),e(i-1));
       e(i) = y(i) + b(i);
    end
    peopleNumbers(j) = i - 1;
    waitTime(j) = 480/peopleNumbers(j);
end
hold on
grid on
for j = 1:days
    peopleNumbersAll(j) = sum(peopleNumbers(1:j))/j;
    waitTimeAll(j) = sum(waitTime(1:j))/j;
end
plot(1:days,peopleNumbersAll,'r-');
plot(1:days,waitTimeAll,'b-');
xlabel('时间/天');
ylabel('日均等待时间/等待人数');
legend('日均等待人数','日均等待时间');
disp('这一年内的平均等待人数：');
disp(sum(peopleNumbers)/days);
disp('这一年内人们的平均等待时间：');
disp(sum(waitTime)/days);
hold off

四.结果

%这一年内的平均等待人数：
 %  42.8027

%这一年内人们的平均等待时间：
%   11.3253

每天的等待人数和等待时间如下：

用大数定律求得的平均等待时间的进化过程为：