M/M/c 排队模型

一、直观理解：多个相同窗口并联服务

M/M/c 在泊松到达、指数服务假设下，有 $c$ 个并联服务台、单一队列（或等价的联合管理）。顾客排一队，有空闲窗口就接受服务。它直接回答“开几个窗口才能把平均等待压到目标以下”。

二、适用场景与优缺点

类型	说明
适用场景	银行、食堂、呼叫中心等多座席；需解析比较 $c$；到达/服务近似马尔可夫。
核心优点	有公式可算 $P_0,W_q$ 等；便于容量规划；可与 M/M/1 对照“合并队列”的好处。
局限与缺点	公式比 M/M/1 繁；指数假设限制；有限等候室、止步、优先级需扩展（M/M/c/K 等）。

三、核心原理

$\rho=\lambda/(c\mu)<1$。空闲概率

$$P_0=\left[\sum_{k=0}^{c-1}\frac{(c\rho)^k}{k!}+\frac{(c\rho)^c}{c!(1-\rho)}\right]^{-1}$$

排队等待概率（Erlang C）

$$P(W_q>0)=\frac{(c\rho)^c}{c!(1-\rho)}P_0$$ $$L_q=\frac{P(W_q>0)\rho}{1-\rho},\quad W_q=\frac{L_q}{\lambda},\quad W=W_q+\frac{1}{\mu},\quad L=\lambda W$$

四、实践要点

• 目标常是 $W_q$ 或 $P(W_q>t)$ 服务水平；
• 逐个增大 $c$ 直到达标；
• 比较“一队多窗”与“多队多窗”；
• $\rho$ 仍须小于 1。

五、MATLAB 示例

%% M/M/c 指标计算
lambda = 5;    % 每分钟
mu = 1.2;      % 每窗每分钟
c = 5;
rho = lambda/(c*mu);
assert(rho < 1, "过载");

k = 0:c-1;
P0 = 1 / ( sum((c*rho).^k ./ factorial(k)) + (c*rho)^c/(factorial(c)*(1-rho)) );
Pwait = (c*rho)^c / (factorial(c)*(1-rho)) * P0;
Lq = Pwait * rho / (1-rho);
Wq = Lq / lambda;
W = Wq + 1/mu;
L = lambda * W;

fprintf("c=%d, rho=%.3f, P0=%.4f, Pwait=%.4f\n", c, rho, P0, Pwait);
fprintf("Lq=%.4f, Wq=%.4f, W=%.4f, L=%.4f\n", Lq, Wq, W, L);

%% 寻找满足 Wq <= 0.5 分钟的最小 c
c_list = 1:10;
Wq_list = nan(size(c_list));
for i = 1:numel(c_list)
    cc = c_list(i);
    if lambda >= cc*mu, continue; end
    r = lambda/(cc*mu);
    kk = 0:cc-1;
    p0 = 1/(sum((cc*r).^kk./factorial(kk))+(cc*r)^cc/(factorial(cc)*(1-r)));
    pw = (cc*r)^cc/(factorial(cc)*(1-r))*p0;
    Wq_list(i) = (pw*r/(1-r))/lambda;
end
figure;
plot(c_list, Wq_list, "-o", "LineWidth", 1.5);
yline(0.5, "--r");
xlabel("窗口数 c"); ylabel("W_q");
title("M/M/c 容量规划"); grid on;

六、如何解释结果

报告 $\lambda,\mu,c$、利用率、平均等待与等待概率，给出达标的最小 $c$ 及成本权衡。说明公式假设并联且共享队列。

七、常见误区

1. 用 $c$ 个 M/M/1 简单相加代替 M/M/c

分队列效率通常更差。

2. $\lambda>c\mu$ 仍算稳态

3. 忽略“等待概率”只看平均

服务水平常看尾部。

4. 座席不同质仍套同质公式

附：建模流程中的落地清单（M/M/c）

要把方法真正写进论文，建议补齐以下模块，而不是只贴一个最终数字。

1. 问题对齐与假设

说明题目中的输入/输出如何映射到本方法，并显式列出关键假设。假设越清楚，后面的敏感性分析越有对象。

2. 关键关系

Erlang C 给出等待概率，再得 $L_q,W_q$；用于最小开窗数规划。

3. 补充实现片段

lam=5;mu=1.2;c=5; rho=lam/(c*mu); fprintf('rho=%.3f (need <1)\n',rho);

4. 报告要素

$c,\rho,P(W_q>0),W_q$、达标最小 $c$。

5. 不适用情形

用 $c$ 个独立 M/M/1 代替共享队列。

6. 与验证章节的衔接

至少做一项：参数扰动、与基线方法对照、极限情形检查。把“方法正文”和“全局方法论（第15门类）”连起来，结论才站得住。

附：结果解读示例与常见审稿问题

结果解读示例

假设已经得到主要数值输出。写作时应把数字翻译回题目语言，例如：

• “在基准参数下指标为 A；当关键参数变化 ±10% 时，指标波动约 B%，方案排序未变。”
• “算法在 R 次独立重复中有 S 次收敛到同一结构解，说明结论对初始化不敏感。”
• “与简化基线相比，本方法在验证集误差降低 Δ，但计算时间增加，权衡后仍采用。”

如果只有表格没有句子，评委很难判断你是否真正理解结果。

参数与数据的最小敏感性

即使篇幅有限，也建议给出一个小表：选取 1–3 个最关键参数，各取偏低/基准/偏高三档，报告输出变化。这比大段空泛的“模型具有较强鲁棒性”更有说服力。

可复现信息

在附录或正文脚注中记录：软件版本、随机种子、关键容差、数据截取时间范围。另一人按文档应能得到同量级结果。

审稿式自问

1. 方法假设在题目数据上是否可检查？
2. 若最敏感参数估计错误 20%，结论是否翻盘？
3. 是否存在更简单方法达到相近效果？
4. 图表是否都能用一句话概括？
5. 局限是否写得具体，而不是套话？

把上述自问的答案写进论文，方法章节会明显更“像完成了建模”，而不是“像完成了公式摘录”。

八、小结

M/M/c 给出多服务台马尔可夫排队的稳态性能，是窗口数量规划的标准解析工具。结合 Erlang C 与目标服务水平，可以在开窗成本与顾客等待之间做出定量权衡。