排队论 · 深度手册

分类：经典模型 ｜难度：★★☆ 进阶｜编号：queuing

一、这是什么（一句话用途）

服务系统容量 / 等待时间优化(窗口 / 客服 / 算力)

二、核心思想

排队论用随机过程刻画"到达—等待—服务"系统：顾客按某种随机节奏到来（到达率 $\lambda$ ），服务台按某种速率服务（服务率 $\mu$ ），当到达快于服务就会形成队列。通过建立生灭过程求稳态概率，就能算出平均队列长度、平均等待时间、系统繁忙度等关键指标，从而回答"开几个窗口能让平均等待小于 5 分钟"这类容量规划问题。记号 $M/M/c$ 中三个位置分别代表到达分布/服务分布/服务台数（M 指指数分布、记忆less）。

三、数学原理与推导

以 M/M/1（到达 Poisson、服务指数、1 服务台）为例。设 $\rho=\lambda/\mu$ 为利用率，须 $\rho<1$ 系统才稳定。由生灭过程稳态方程 $\lambda P_{n-1}=\mu P_n$ 递推得：

$P_n=(1-\rho)\rho^n$

平均队长 $L=\sum_{n=0}^\infty n P_n=\frac{\rho}{1-\rho}$ 。由 Little 定律 $L=\lambda W$ （ $W$ 为平均逗留时间）：

$W=\frac{1}{\mu-\lambda},\qquad L_q=\frac{\rho^2}{1-\rho},\qquad W_q=\frac{\rho}{\mu-\lambda}$

对 $c$ 个服务台的 M/M/c，需用 Erlang C 公式，稳态依赖 $\rho/c<1$ 。 $\rho\to1$ 时各项趋于无穷（系统"爆炸"），是容量决策的关键阈值。

四、建模 / 求解步骤

确定到达 / 服务分布(M/M/1 等)
算 ρ=λ/μ
求 L,Lq,W,Wq
判断稳定性(ρ<1)
做容量决策

五、关键公式速查

M/M/1: L=ρ/(1−ρ), W=1/(μ−λ)

六、典型示例

银行窗口数设计使平均等待 < 5 分钟。

完整算例（数字演示，照着算一遍）

场景：单窗口 M/M/1，到达 λ=4人/分，服务 μ=5人/分。

指标：ρ=λ/μ=0.8；平均队长 L=ρ/(1−ρ)=4；平均等待 W=1/(μ−λ)=1 分。

结论：ρ<1 系统稳定，ρ→1 队长爆炸。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","queuing.csv"))
lam = 1/df["arrival_gap"].mean()       # 到达率
mu = 1/df["service_time"].mean()       # 服务率
rho = lam/mu
L = rho/(1-rho); W = 1/(mu-lam)
print("到达率λ=%.3f 服务率μ=%.3f"%(lam,mu))
print("利用率ρ=%.3f 平均队长L=%.2f 平均逗留W=%.2f"%(rho,L,W))

配套文件：py_queuing.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 排队论 M/M/1 示例（MATLAB/Octave）
df = readtable('..\datasets\queuing.csv');
lam = 1/mean(table2array(df(:,2)));
mu = 1/mean(table2array(df(:,3)));
rho = lam/mu; L=rho/(1-rho); W=1/(mu-lam);
fprintf('ρ=%.3f L=%.2f W=%.2f\n', rho, L, W);

配套文件：m_queuing.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

40 名顾客的到达间隔与服务时长采样。用于 M/M/1 估计利用率、平均队长与逗留时间。

字段：cust, arrival_gap, service_time
行数：40 行
下载：queuing.csv

十、常见误区与避坑清单

分布假设要合理
ρ≥1 系统爆炸
多服务台用 M/M/c

十一、结果怎么解读

ρ 越接近 1 越拥堵；看 Wq 决策。

十二、常与谁搭配

与蒙特卡洛仿真结合。

十三、论文写作技巧（怎么把它写进论文）

把 排队论 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

这类是数学建模的「经典武器」。写作时先建实际问题的数学抽象（状态、转移、随机性），再引入排队论作为求解 / 仿真工具，强调它比纯解析更贴近现实不确定性。

2. 结果怎么写（图表与指标）

结果可用仿真曲线、状态转移图、收敛 / 稳定分布图呈现；蒙特卡洛给直方图与置信区间，马尔可夫给转移矩阵与稳态分布。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 排队论 进行服务系统容量 / 等待时间优化(窗口 / 客服 / 算力)。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt 排队论 to 服务系统容量 / 等待时间优化(窗口 / 客服 / 算力). Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

说明随机种子的可复现性；区分「均值结果」与「单次实现」，论文应报统计平均而非偶发轨迹。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

为刻画异质网络上的传染病扩散，本文采用排队论进行 10,000 次蒙特卡洛仿真，估计基本再生数 R0 的 95% 置信区间为 [2.1, 2.6]，较确定性 ODE 更接近真实不确定性。

To capture epidemic spread over heterogeneous networks, we use 排队论 with 10,000 Monte-Carlo runs, estimating the 95% CI of R0 as [2.1, 2.6], which is closer to the true uncertainty than a deterministic ODE.

十四、相关手册（延伸阅读）

蒙特卡洛模拟 · 优化类

十五、本手册导航

上一篇：差分方程模型 · 经典模型
下一篇：主成分回归 · 经典模型
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。