排队论学习笔记

前言

本文章主要记录了个人的学习情况，参考了通信网络基础（李建东、盛敏）和其他互联网资料（文章图片素材来来自于网络)。
学习目的：理解M/M/1排队论（不涉及泊松和指数分布的具体推导）

M/M/1型排队系统

字母含义（不重要😂）

"A/B/C/D(缺省)"分别对应“到达过程的特征 / 服务时间的的概率分布 / 服务员数量 / 系统容量（缺省，默认为无穷大） ”
第一个M代表 无记忆的泊松过程
第二个M代表 指数分布  （此位置上的G（一般分布）和D（确定分布））
第三个数字1代表 一个服务员

服务过程为泊松过程

泊松分布：单位时间内有n个客户到达的概率（ $\lambda$是代表客户的平均到达速率）
$$P_n=\frac{{\lambda }^n}{n!}{e}^{-\lambda }（1）$$

泊松过程：时间t内有X个客户到达的概率
$$P_n(t)=\frac{(\lambda t{)}^n}{n!}{e}^{-\lambda t}（2）$$

服务时间的概率分布为指数分布

相继到达的客户之间的时间间隔T的分布情况（换句话说，相继到达的客户之间的时间间隔$⟺$时间T内有0个客户到达。）
$$F(t)=P(T\le t)在时间t内有客户到达的概率$$

$$P_0(t)=\frac{(\lambda t{)}^0}{0!}{e}^{-\lambda t}在时间t内没有客户到达的概率$$

$$F(t)=P(T\le t)=1-P_0(t)=1-e^{-\lambda t}（3）$$
对分布函数求导即可得到概率密度函数
$$p(t)=\lambda e^{-\lambda t}（4）$$

可以看出泊松过程描述了时间t内有X个客户到达的概率，而指数分布描述了相继到达的客户之间的时间间隔T的概率。

关键参数推导1🤔

$$\lambda 是平均到达速率，\mu 是平均服务速率$$
由于指数分布的无记忆性，仅从概率分析的角度上看，我们可以把系统中的客户数量当作系统状态。当有客户达到（离开）系统就转移到下一个（上一个）状态。

系统在稳定状态下转移符合$\lambda p_i=\mu p_{i+1}$(两个方向的速率一致)， 带入可得
$$\begin{gathered} p_1=\frac{\lambda }{\mu }{p}_0=\rho p_0 \\ {p}_2={(\frac{\lambda }{\mu })}^2{p}_0={\rho }^2{p}_0 \\ .... \\ {p}_n={(\frac{\lambda }{\mu })}^n{p}_0={\rho }^n{p}_0 \end{gathered}$$

现在的主要问题就是$p_0$怎么求？通过“$p_0+p_1+p_2...+p_n$总和1”这个条件可以得到下面的公式：
$$\sum _{n=0}^{\infty }{p}_n=\sum _{n=0}^{\infty }{\rho }^n{p}_0=1$$
上面的求和是等比公式的求和，经过简单计算得出$p_0=1-\rho$。

关键参数推导2🤔

每个客户的平均时延T（等待时间+处理时间）：
$$\begin{gathered} 首先确定店内客户总人数N，N=\sum _{n=0}^{\infty }n{p}_n=(1-\rho )\sum _{n=0}^{\infty }n{\rho }^n=\frac{\rho }{1-\rho } \\ 通过little定理可以算出：T=\frac{N}{\lambda }=\frac{1}{\mu -\lambda } \end{gathered}$$

每个用户的平均等待时间W
$$\begin{gathered} W=每个客户的平均时延T-处理时间\frac{1}{\mu } \\ W=T-\frac{1}{\mu }=\frac{\rho }{\mu -\lambda } \end{gathered}$$

队列中等待的平均客户数量$W_q$
$$由little可得W_q=\lambda W=\frac{{\rho }^2}{\mu -\lambda }$$