排队论模型的monteCarlo法仿真
作者:互联网
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 i i个顾客和第 i − 1 i-1 i−1个顾客到来的间隔时间 x i ∼ E ( 0.1 ) x_i \sim E(0.1) xi∼E(0.1),即是服从参数为 0.1 0.1 0.1的指数分布。而第 i i i个顾客的服务时间服 y i y_i yi从均值为 10 10 10,方差为 2 2 2的正态分布(单位为 m i n min min,少于1 m i n min min按1 m i n min 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 8 8小时( 480 m i n 480min 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
C_i
Ci:第
i
i
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:
C
i
=
C
i
−
1
+
x
i
x
∼
E
(
0.1
)
C_i = C_{i-1}+x_i\\ x\sim E(0.1)
Ci=Ci−1+xix∼E(0.1)
其中第一个顾客到来之前没有人来,所以
C
0
=
0
C_0 = 0
C0=0。
再设 B i B_i Bi:第 i i 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 B_i Bi可能不等于 C i C_i Ci。
然后再设
E
i
E_i
Ei:第
i
i
i个顾客办理完业务的时刻。所以有:
E
i
=
B
i
+
y
i
y
i
∼
N
(
10
,
2
)
(
y
i
=
1
,
i
f
y
i
≤
1
)
E_i = B_i+y_i\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \qquad y_i \sim N(10,2)(y_i = 1,\ if \quad y_i \leq 1)
Ei=Bi+yi yi∼N(10,2)(yi=1, ifyi≤1)
其中第
i
i
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
B_1 = C_1
B1=C1。
执行以上的迭代知到 B i ≥ 480 B_i\geq480 Bi≥480为止。求出此时的 i i i作为平均等待人数。
此时的平均等待时间为:
T
i
=
480
m
i
n
i
T_i = \frac{480 min}{i}
Ti=i480min
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。
T
‾
=
1
365
∑
j
=
1
365
T
j
i
‾
=
1
365
∑
j
=
1
365
i
j
\overline T = \frac{1}{365}\sum_{j = 1}^{365}T_j\\ \overline i = \frac{1}{365}\sum_{j = 1}^{365}i_j
T=3651j=1∑365Tji=3651j=1∑365ij
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:
标签:仿真,10,min,0.1,排队,monteCarlo,顾客,365 来源: https://blog.csdn.net/shengzimao/article/details/110283779