M/M/1佇列和M/M/s佇列的條件
(1)佇列長度沒有限制。
(2)顧客到達的時間間隔和服務時間均服從指數分佈。
(3)服務檯數量分別為1和s。
推導過程中會用到的三個比較重要的知識
(1)在推導平均排隊長度的時候,需要構造微分形式,並交換微分符號和求和符號。
(2)在推導等待時間的機率分佈時,需要用到Gamma分佈(或Erlang分佈)的機率密度函式。
(3)要熟悉常見的幾個無窮級數。
M/M/1佇列
M/M/1佇列的示意圖如下:
由Birth-and-Death Process得到:
:Number of busy servers;
:Peroid of time that a server is busy。
這兩個引數的實際意義可以透過下圖理解:
每個狀態的機率分佈:
四大引數,以及平均等待時間
的分佈:
其中,平均等待時間
服從引數為
的指數分佈。
M/M/s佇列
M/M/s佇列的示意圖如下,注意前s個狀態的轉出速度是
:
同樣由Birth-and-Death Process得到:
透過
可以推匯出
,具體的推導過程和推導要點如下:
狀態的機率分佈由
得到,在此不再贅述。
下面列出
四大引數的計算方法,由Little‘s Law可以知道,這四大引數“知一求四”,因此只需推導其中的一個就可以。
我們從
開始推導。這是因為當系統中的人數(系統狀態)小於s的時候,佇列裡不會有人(人都直接到server那裡去了)。由於
是分段的,從
開始推導比較方便。
平均等待時間
的分佈:
其中,平均等待時間
的分佈可以拆成兩個部分:系統中人數大於等於server數量的機率(即需要排隊的機率)×在需要排隊的條件下等待時間
的分佈。前者可以透過
計算,後者服從引數為
的指數分佈。
推導時用到的一個無窮級數