M/M/1 排队模型

一、直观理解：一个窗口，泊松到达，指数服务

M/M/1 是最经典的排队模型：顾客到达服从泊松过程（间隔指数），服务时间指数分布，单服务台，队列无限，FCFS。符号中的三个 M/M/1 分别表示到达、服务的无记忆（Markov）性与服务台数。

它回答：平均要等多久？队伍多长？窗口有多忙？只要到达率 $\lambda$ 小于服务率 $\mu$，系统就有稳态。

二、适用场景与优缺点

类型	说明
适用场景	单窗口服务；到达近似泊松；可用指数近似服务；需要快速解析估计。
核心优点	闭式公式完整；参数少；可作仿真与多窗口对照基线。
局限与缺点	指数服务变异大，可能高估等待；无限队列、单台假设常不符；非稳态时段需另处理。

三、核心原理

令 $\rho=\lambda/\mu<1$。稳态：

$$P_0=1-\rho,\quad P_n=\rho^n(1-\rho)$$ $$L=\frac{\rho}{1-\rho},\quad L_q=\frac{\rho^2}{1-\rho},\quad W=\frac{1}{\mu-\lambda},\quad W_q=\frac{\lambda}{\mu(\mu-\lambda)}$$

Little 法则：$L=\lambda W$，$L_q=\lambda W_q$。

四、实践要点

• 先估计 $\lambda,\mu$ 并检查 $\rho$；
• 报告 $W,W_q,L$ 与忙期利用率 $\rho$；
• 用仿真或数据验证指数假设；
• $\rho$ 接近 1 时等待爆炸，是管理关键。

五、MATLAB 示例

%% M/M/1 指标
lambda = 0.8;   % 每分钟到达
mu = 1.0;       % 每分钟服务能力
assert(lambda < mu, "需要 rho<1");
rho = lambda/mu;
L = rho/(1-rho);
Lq = rho^2/(1-rho);
W = 1/(mu-lambda);
Wq = lambda/(mu*(mu-lambda));

fprintf("rho=%.3f\nL=%.4f, Lq=%.4f\nW=%.4f, Wq=%.4f\n", rho,L,Lq,W,Wq);

% 队长分布
n = 0:15;
Pn = (1-rho)*rho.^n;
figure;
bar(n, Pn);
xlabel("系统中人数 n"); ylabel("P_n");
title("M/M/1 稳态队长分布"); grid on;

% 利用率扫描
lams = linspace(0.1, 0.95, 50)*mu;
Wscan = 1./(mu - lams);
figure; plot(lams/mu, Wscan, "LineWidth", 1.5);
xlabel("\\rho"); ylabel("W");
title("利用率升高导致等待急剧上升"); grid on;

六、如何解释结果

把 $W$ 译成“平均逗留约 x 分钟”，结合 $\rho$ 说明窗口忙闲。若 $\rho>0.85$，讨论增容或分流。说明公式依赖指数与稳态假设。

七、常见误区

1. $\lambda\ge\mu$ 仍套稳态公式

2. 用样本平均服务时间当 $\mu$ 却不检查分布

3. 混淆 $W$ 与 $W_q$

4. 把瞬时高峰当稳态

附：建模流程中的落地清单（M/M/1）

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

$\rho=\lambda/\mu<1$，$W=1/(\mu-\lambda)$，$L=\rho/(1-\rho)$。

3. 补充实现片段

lam=0.8;mu=1; rho=lam/mu; fprintf('W=%.4f L=%.4f\n',1/(mu-lam),rho/(1-rho));

4. 报告要素

$\lambda,\mu,\rho,W,W_q,L$ 与假设检查。

5. 不适用情形

$\lambda\ge\mu$ 仍套稳态；混淆 $W$ 与 $W_q$。

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/1 用 $\lambda,\mu$ 给出单服务台排队的完整稳态指标，揭示利用率接近 1 时等待发散的本质。它是排队论的入口，也是校准离散事件仿真的标准尺子。