2. 随机过程基础与排队系统性能指标

排队系统的随机仿真，本质上是在计算机里“重演”一个随机到达、随机服务的系统。要让仿真结果可信，首先必须把随机性用数学模型描述清楚，其次要明确我们究竟用哪些指标衡量系统表现。本节围绕这两件事展开：先复习泊松过程、指数分布与更新过程这三个核心随机模型，再定义平均等待时间、队长、吞吐量、拒绝率、资源利用率等关键指标，并说明它们之间的内在联系。

一、三个核心随机模型

泊松过程描述“事件在时间轴上随机发生”的计数规律。设 N(t) 为 [0,t] 内到达的顾客数，若满足独立增量、平稳增量且 N(t) 服从参数为 λt 的泊松分布，则称到达过程为泊松过程，λ 为单位时间平均到达率。它有两个在仿真中极其重要的性质：其一，相邻到达间隔相互独立且服从参数为 λ 的指数分布；其二，在任意时刻往后看，剩余等待时间仍服从同参数指数分布（无记忆性）。这两条性质直接决定了离散事件仿真中“下一次到达时刻 = 当前时刻 + 指数随机数”的生成方式。

指数分布是泊松过程的“间隔分布”，密度为 f(t)=λe^-λt（t≥0），均值为 1/λ，方差为 1/λ²。它的无记忆性意味着：已经等待了 10 分钟的服务台，下一个顾客还需等待的时间分布与刚空闲时完全相同。这一性质使指数分布成为排队论中最易解析的假设，但也意味着它无法刻画“服务时间高度集中”或“有明显下限”的场景。仿真中常用逆变换法生成：取 U~Uniform(0,1)，则 X = -ln(U)/λ 服从指数分布。

更新过程是泊松过程的推广：间隔时间 X₁, X₂, … 独立同分布，但不必是指数分布。此时计数过程 N(t) 称为更新过程，其到达率随时间趋于 1/E[X]，但不再是常数。实际系统中，服务时间往往更接近“均值附近波动”的分布（如爱尔朗分布、对数正态分布），此时用更新过程建模比强行套用泊松假设更合理。仿真实现上，只需把“生成指数间隔”替换为“从目标分布抽样”，其余事件调度逻辑不变。

二、关键性能指标及其定义

排队系统的性能指标可分为“时间类”“数量类”“流量类”和“效率类”四组，它们从不同侧面描述同一个系统。

• 平均等待时间 W_q：顾客在队列中排队（不含服务）的平均时长，是用户体验最直接的指标。
• 系统时间 W：顾客从到达到离开的总时长，W = W_q + E[S]，其中 E[S] 为平均服务时间。
• 平均队长 L_q：队列中等待的顾客数的时间平均值；系统内顾客数 L 则包含正在服务的顾客。
• 吞吐量 X：单位时间内系统成功完成服务的顾客数，稳态下等于有效到达率。
• 拒绝率 P_loss：因缓冲区满或等待超时而被拒绝的顾客比例，直接反映系统容量是否充足。
• 资源利用率 ρ：服务台忙碌时间占总时间的比例，单服务台时 ρ = λE[S]（有效到达率乘以平均服务时间）。

这些指标并非彼此独立。最著名的是利特尔法则（Little's Law）：L = λ_eff·W，L_q = λ_eff·W_q，其中 λ_eff 为实际进入系统的有效到达率。它不依赖具体分布，只要系统处于稳态就成立，因此是校验仿真结果一致性的有力工具。另一个重要关系是利用率与拥塞的非线性：当 ρ 从 0.7 升到 0.9 时，M/M/1 系统的平均队长会从约 2.3 人急升到约 9 人，等待时间近似按 ρ/(1-ρ) 放大。这说明“利用率越高越好”是危险的直觉——接近 1 的利用率意味着任何波动都会引发长队列。

三、从模型到指标：一个可执行的仿真片段

下面用一段伪代码把上述模型与指标串起来。假设单服务台、容量 K=5、到达率 λ=0.8 人/分钟、服务时间服从均值 1 分钟的指数分布（即 μ=1），仿真 10000 分钟，统计各指标。参数为教学示例假设值。

初始化：t=0, 队列=[], 服务台空闲, 累计等待=0, 完成数=0, 拒绝数=0, 到达数=0
生成首个到达时刻 tA = -ln(U1)/λ
while t < 10000:
    若 tA < 下一服务完成时刻:
        t = tA; 到达数 += 1
        若 队列长度 < K: 入队，记录到达时刻
        否则: 拒绝数 += 1
        tA = t + (-ln(U2)/λ)
    否则:
        t = 服务完成时刻; 完成数 += 1
        若 队列非空: 出队，累计等待 += (t - 到达时刻)
                     安排下一次服务完成 = t + (-ln(U3)/μ)
        否则: 服务台空闲
输出：Wq = 累计等待/完成数；X = 完成数/10000；
      Ploss = 拒绝数/到达数；ρ = 服务总时长/10000

运行后若得到 Wq≈1.2 分钟、Lq≈0.9 人、X≈0.78 人/分钟、P_loss≈0.02、ρ≈0.78，可用利特尔法则校验：λ_eff·W_q = 0.78×1.2 ≈ 0.94，与 Lq≈0.9 基本吻合（差异来自统计波动与有限仿真时长）。若两者偏差超过 10%，通常说明仿真未进入稳态、统计区间选取不当，或事件调度存在逻辑错误，应优先排查而不是直接采信结果。

四、指标之间的取舍

实际容量分析中，指标往往互相牵制。提高利用率可以降低单位服务成本，但会推高等待时间与队长；增大缓冲区能降低拒绝率，却可能让顾客在长队列中等待更久，反而恶化 W_q；提高吞吐量若以牺牲服务质量为代价，长期看会流失需求。因此，仿真输出的不应是单一数字，而是一组指标随参数（服务台数量、容量 K、到达率 λ）变化的曲线，供决策者在“成本—体验—容量”之间做权衡。理解每个指标的定义与相互关系，正是读懂这些曲线的前提。