3. 经典排队模型（M/M/1、M/M/c、M/M/c/K）解析与容量直觉

在随机仿真中，解析模型的价值不在于替代仿真，而在于提供一个“可信的锚点”。当我们用 M/M/1、M/M/c、M/M/c/K 推导出稳态指标后，仿真结果若与之偏差过大，往往说明模型假设、随机数流或统计区间出了问题。本节围绕三个经典模型的稳态分布与性能公式展开，重点建立“服务强度 ρ 如何非线性地放大等待”的容量直觉。

一、统一记号与建模假设

三个模型共享同一套假设：到达为泊松过程（到达率 λ），服务时间为独立同分布的指数分布（单服务台服务率 μ），顾客按先到先服务排队，队列容量与顾客源视为无限（M/M/c/K 除外）。定义服务强度 ρ = λ/(cμ)，其中 c 为服务台数量。对 M/M/1 与 M/M/c，稳定条件为 ρ < 1；对 M/M/c/K，即使 ρ ≥ 1 系统也不会发散，因为容量 K 强制截断了状态空间。

需要特别强调参照约定：本节所有“系统内人数”均指正在服务和正在排队的人数之和，记作 n；排队人数为 n − c（当 n > c 时）。这一约定在后续公式与图示中保持一致。

二、M/M/1：几何分布的稳态与 1/(1−ρ) 放大效应

M/M/1 的稳态分布是几何分布：P(n) = (1−ρ)ρⁿ，n = 0,1,2,…。由此可直接得到平均系统人数 L = ρ/(1−ρ)，平均排队人数 Lq = ρ²/(1−ρ)。用 Little 公式 L = λW 与 Lq = λWq，得到平均逗留时间 W = 1/(μ−λ)，平均等待时间 Wq = ρ/(μ−λ)。

这组公式最值得记住的不是形式，而是 ρ 趋近 1 时的爆炸性。以 μ = 10 单/小时为例：当 λ = 5（ρ = 0.5）时，Wq = 0.5/(10−5) = 0.1 小时 = 6 分钟；当 λ = 8（ρ = 0.8）时，Wq = 0.8/2 = 0.4 小时 = 24 分钟；当 λ = 9（ρ = 0.9）时，Wq = 0.9/1 = 0.9 小时 = 54 分钟。负载从 80% 提到 90%，等待时间放大了 2.25 倍。这就是容量规划中“留余量”的数学根源。

三、M/M/c：多服务台带来的池化收益

M/M/c 的稳态分布需要先算 P₀：

P0 = [ Σ(k=0..c-1) (cρ)^k / k!  +  (cρ)^c / (c!(1−ρ)) ]^(−1)
P(n) = P0 · (cρ)^n / n!          , n ≤ c
P(n) = P0 · c^c ρ^n / c!         , n > c

排队概率由 Erlang C 公式给出：C(c, ρ) = P(排队) = [ (cρ)^c / (c!(1−ρ)) ] · P₀。于是 Lq = C(c,ρ)·ρ/(1−ρ)，Wq = Lq/λ。与 M/M/1 对比可见：在相同 ρ 下，c 越大，Erlang C 越小，等待越短。这就是“服务台池化”效应——把 c 个独立的 M/M/1 合并为一个 M/M/c，总容量不变，但等待显著下降，因为空闲服务台可以被任意队列共享。

示例：λ = 8，μ = 5，若用 2 个独立 M/M/1（各 λ=4，ρ=0.8），每个 Wq = 0.8/(5−4) = 0.8 小时；若合并为 M/M/2（ρ = 8/10 = 0.8），Erlang C 计算得 C ≈ 0.711，Lq ≈ 0.711×0.8/0.2 ≈ 2.84，Wq ≈ 2.84/8 ≈ 0.356 小时。池化把等待从 48 分钟降到约 21 分钟。注意这是按公式计算的示例值，实际仿真会因随机波动略有差异。

四、M/M/c/K：有限容量下的阻塞与截断

当系统最多容纳 K 人（K ≥ c），到达时若已有 K 人则被拒绝（阻塞）。稳态分布为截断形式：P(n) = P₀·(cρ)^n/n!（n ≤ c），P(n) = P₀·c^c ρ^n/c!（c < n ≤ K），P₀ 由归一化求得。关键指标是阻塞概率 P_K = P(K)，它直接决定有效到达率 λ_eff = λ(1−P_K)。此时实际吞吐为 λ_eff，平均人数与等待需用 λ_eff 代入 Little 公式，否则会系统性高估。

M/M/c/K 的容量直觉与无限容量模型不同：当 ρ ≥ 1 时系统不会发散，而是稳定在“高阻塞”状态，P_K 随 K 增大而趋近 1。因此对有限容量系统，调参目标往往不是压低等待，而是在阻塞率与资源占用之间取平衡。

五、把解析基准用于仿真验证

建立解析基准后，验证流程应围绕“同参数、同统计口径”展开。以 M/M/1（λ=8，μ=10）为例，解析值 Wq = 0.4 小时。仿真时需注意三点：其一，预热期要足够长，建议丢弃前 10% 的观测以消除初始空系统偏差；其二，统计量应使用样本均值并给出置信区间，例如重复 30 次独立运行，取 Wq 均值的 95% 置信区间，若解析值落在区间内则可接受；其三，随机数流要独立，避免到达与服务共用同一流导致相关性。

对 M/M/c，验证重点应放在 Erlang C 与池化效应上：分别仿真 c 个独立队列与 1 个共享队列，比较 Wq，确认共享队列显著更优。对 M/M/c/K，则必须同时核对阻塞概率 P_K 与有效吞吐 λ_eff，因为只比对等待时间会掩盖阻塞造成的吞吐损失。下表给出一个可直接套用的验证记录结构（示例参数，非实测结果）：

最后提醒一个常见误区：M/M/c 的 ρ 定义分母是 cμ，而不是 μ。若误用单台服务率计算，会把 ρ 高估 c 倍，导致稳定条件判断错误。仿真前先用解析公式手算一遍 ρ、L、Wq，再与仿真对照，是成本最低、收益最高的校验习惯。