非马尔可夫的经典排队模型.pptVIP

* 相位法综述2 如果希望得到变异系数1的分布，则用超指数分布（并联的相位） 例如一个2个并联相位的服务窗： ?1 ?2 ?1 ?2 1 2 * 相位法综述2 M/H2/1的状态流图 使用ki表示系统中有k个顾客，而正在服务的顾客所在的是i (i=1,2)号相位 0 11 12 21 22 ?1?2 ??2 ? ? ?2?1 ?1?1 ?2?2 ?1 ?2 ??1 * 相位法综述3 为了继续拓宽相位法的适用范围，我们可以看看把相位串并组合后的结果。如果每个串连相位的服务率也可以不同的话，就可以产生更复杂的分布。 r1?1 ri?2 ?1 ?i 1 1 rR?2 1 ?R r1?1 ri?2 2 2 rR?2 2 r1?1 ri?2 r1 rR?2 ri rR * 相位法综述4 已经证明，任何一种分布，都可以把这种分布拆分成串联-并联的相位组合。 使用这种发法。首先，描述系统状态必须包括3个量： 系统中的顾客数 下一个到达的顾客所在的相位 正在接受服务的顾客所在的相位 然后我们可以画出状态流图（往往非常复杂的图） 然后通过研究分析，写出平稳方程（往往非常罗嗦的公式） 最后，使用计算机求解我们需要的结果 这种方法的求解排队模型，结果虽然不是像前面学习过的一样可以预先得出，但这的确是一种理论上可行的方法。 * 第三节 M/G/1排队模型 嵌入式马氏链的来源 在任何时候，如果总结马氏链的”历史”,必须使用二维的状态[N(t),X0(t)]，其中N(t)是t时刻系统中的顾客数， X0(t)是t时刻正在服务的顾客已经服务了的时间。 我们希望还是采用一维变量N(t)来描述系统状态，并且希望去掉X0(t)这个连续变量。因此，我们不要关注时间轴上的每一个点，而是选择一系列我们需要的点。 我们选择的就是“顾客离开时刻”这一系列时间点，在这些点上X0(t)=0。而N(t)则是在刚服务完的顾客离开时，留在排队系统中的顾客数 * M/G/1排队模型 单服务窗等待制排队模型 顾客到达间隔时间——负指数分布 顾客服务时间——任意分布 tn-1 tn tn+1 tn+2 Xn：第n个顾客刚离开系统的瞬间，系统内留有的顾客数 Xn Xn＋1 Tn：第n＋1个顾客的服务时间 Yn：第n＋1个顾客的服务期间到达的顾客数 Yn?0 空 Xn0 Xn=0 * M/G/1排队模型 系统状态Xn 可以看到Xn的变化与Xn-1，Xn-2，…没有关系，因此{Xn}的变化具有无记忆性，是一个嵌入式马尔可夫链，而且发现此嵌入式马氏链的分布就是系统内顾客数的分布。 下面开始分析嵌入式马氏链的转移矩阵 假定 * M/G/1排队模型 一步转移概率： 一步转移矩阵： * M/G/1排队模型 Tn为第n＋1个顾客的服务时间，{Tn}是独立同分布的随机变量序列，记其公共分布函数为G(t)=P(Tn?t) 求aj，即一个服务时间期间到达j个顾客的概率 接下来可以根据求平稳分布的公式求解平稳分布的母函数： 这就是Pollaczek-Khinchin方程(P-K方程),其中G*(s)是Tn的概率密度函数的拉普拉斯变换。 * M/G/1排队模型 目标参量 可以看到，各个目标参量都与业务量?和顾客服务时间分布的方差和均值有关。在到达率和平均服务时间相同的情况下，方差越大性能越差 * M/G/1排队模型 某修理店只有一个工人，每小时平均来4个顾客；该修理工检查顾客容器的损坏情况后立即修好或提出修理的意见，平均需6分钟。顾客按泊松流到达，但服务时间是正态分布，方差??2=1/8 。试求Lq，Ls，Wq，Ws。 * * 第五章 非马尔可夫排队模型 * 非马尔可夫排队模型 排队系统中的顾客数变化不具有马尔可夫性 顾客服务时间分布、服务时间分布其中之一或两者都不是负指数分布的（时间分布不具有无记忆性），则此排队模型为非马尔可夫排队模型 例如 一条流水线，每2分钟到达一个半成品，加工一个半成品的时间服从负指数分布，D/M/1 电话网中，20％的用户需要拨号上网，上网时间为平均30分钟的负指数分布，如何设计交换机？M/H2/m/m * 第一节 M/Ek/1排队模型 顾客到达间隔时间——负指数分布 顾客服务时间——k阶爱尔兰分布 单个服务窗 等待制排队模型 不具有无记忆性 采用相位法解决 * 爱尔兰分布与负指数分布的密切关系 ? 2? 2? 服务时间为：一个负指数分布 服务时间为：两个独立负指数分布时间的和 * 类似的我们可以表示k阶爱尔兰分布的服务时间 k? k? k? k? 顾客服务时间是k阶爱尔兰分布，相当于k个同参数的负指数分布的时间阶段之和，称每一个负指数分布的时间阶段为一个相位。 * 因此，如果一个顾客正在接受服务，他可能处于k个相位