1. 课程导入与排队现象建模

银行网点的取号机、呼叫中心的等待队列、云服务的请求调度，看起来是三种完全不同的业务，但它们在数学结构上高度同构：顾客（或请求）按某种随机规律到达，系统按某种随机规律提供服务，当服务能力不足时形成等待，而等待空间或并发能力又受到容量约束。排队论与随机仿真要回答的核心问题正是：在给定到达强度、服务能力和容量限制下，系统会表现出怎样的等待、拥塞与拒绝行为，以及应当配置多少资源才合理。

本课程围绕“建模—仿真—容量分析”这条主线展开。第一章不急于推导公式，而是先把真实场景抽象成可计算的模型要素，明确后续所有章节共同使用的语言与符号，并说明随机仿真在整个分析链条中承担的角色。

从真实场景到四个建模要素

任何排队系统都可以用四个要素刻画，缺一不可：

• 到达过程：顾客何时到来。最常用的是泊松到达，即相邻到达间隔服从指数分布，用到达率 λ 表示单位时间平均到达数。例如某呼叫中心上午高峰平均每分钟接入 4 个电话，可先假设 λ = 4 通/分钟。
• 服务过程：每个顾客需要多长时间被服务。常用指数分布或一般分布描述，用服务率 μ 表示单个服务台单位时间平均可服务的顾客数。若一名客服平均每通电话处理 6 分钟，则 μ = 10 通/小时。
• 排队规则：谁先被服务。最常见是先到先服务（FCFS），也有后到先服务、优先级服务、随机服务等。云服务中常按请求优先级或超时时间调度。
• 容量约束：系统最多容纳多少顾客，包括正在服务和等待的。容量有限时，满员后的新到达会被拒绝（阻塞），这正是容量分析的关键。

把这四要素组合起来，就得到经典的 Kendall 记号 A/S/c/K：A 表示到达间隔分布，S 表示服务时间分布，c 为服务台数量，K 为系统容量。例如 M/M/1/∞ 表示泊松到达、指数服务、单服务台、无限等待空间；M/M/c/K 则表示多服务台且容量有限。M 代表马尔可夫性（无记忆的指数分布），这是后续解析计算的基础假设。

随机性为什么必须用仿真来处理

如果到达和服务都是确定的，排队问题就退化为简单的算术。但现实中到达时刻是随机的，服务时长也波动，平均值相同的两个系统可能因波动大小不同而表现出完全不同的拥塞程度。解析公式（如 M/M/1 的平均等待时间）只在特定假设下成立；一旦遇到非指数服务、优先级规则、多级串联、容量有限且需要统计阻塞率等情形，闭式解往往不存在或极其复杂。

随机仿真通过生成大量随机样本，让系统在计算机中“运行”成千上万次，统计平均等待时间、队列长度、阻塞率、服务台利用率等指标。它的价值在于：能处理解析方法难以覆盖的复杂规则，并能给出指标的分布与置信区间，而不只是一个点估计。但仿真也有代价——结果本身带随机误差，必须通过足够长的运行时间和多次重复来保证可信度，这正是后续章节要专门处理的问题。

本节知识结构总览

下图把本章的核心概念组织成一张结构关系图：左侧是三类真实场景，中间是统一的四要素抽象，右侧是建模后可供分析与仿真的系统描述，底部则标出本课程后续展开的两条分析路径。

一个可动手的建模示例

假设我们要评估某云服务接口的容量。观测到工作日高峰请求平均每秒到达 20 个（λ = 20 请求/秒），单个实例平均处理一个请求耗时 40 毫秒（μ = 25 请求/秒），当前部署 1 个实例，请求队列长度上限为 50。按 Kendall 记号，这可以初步抽象为 M/M/1/51（容量含正在处理的 1 个）。

先做一个粗略判断：服务强度 ρ = λ/μ = 20/25 = 0.8。单台实例的平均利用率已达 80%，虽然小于 1 说明系统长期可稳定，但排队会明显。若用 M/M/1 无限容量公式估算平均排队等待时间，约为 ρ/(μ−λ) = 0.8/5 = 0.16 秒；然而容量只有 51，满员时新请求会被拒绝，真实等待会因阻塞而低于该值，同时产生不可忽视的拒绝率。这个“等待下降但拒绝上升”的权衡，正是容量分析要量化的对象，也是解析公式难以直接给出的，需要借助仿真统计阻塞率与有效吞吐。

本课程的学习路径

后续内容将沿着“先把模型建对，再把仿真跑对，最后把容量算对”的顺序推进：先掌握随机变量、泊松过程与指数分布等概率基础，学会用分布刻画到达与服务；再进入离散事件仿真，理解事件调度、随机数生成、仿真时钟推进的实现机制；随后处理仿真实验设计中的预热期、重复次数、置信区间与方差缩减；最后回到容量分析，比较不同服务台数、容量与调度规则下的等待、阻塞与成本，形成可落地的容量决策。第一章建立的这套四要素语言与 Kendall 记号，将贯穿始终。