4. 离散事件仿真原理与排队系统仿真框架

排队系统的本质是“状态在随机时刻发生跳变”的过程：顾客到达、开始服务、服务结束、顾客离开，这些动作并非连续发生，而是在离散的时间点上改变系统状态。离散事件仿真（Discrete Event Simulation, DES）正是围绕这一特征构建的：它不按固定步长推进时间，而是让仿真时钟从一个事件时刻直接跳到下一个事件时刻，从而跳过大量“无事发生”的空闲区间。理解事件调度、仿真时钟、状态变量与统计计数器这四个核心机制，是设计通用排队仿真引擎的前提。

四个核心机制及其相互关系

仿真时钟是引擎的“当前时间”变量，记为 t_now。它只在处理事件时被更新，更新方式是直接赋值为下一个待处理事件的发生时刻，而不是 t_now += Δt。这一“时间跳跃”特性决定了 DES 的计算效率：仿真 8 小时（28800 秒）的银行网点，若平均每 30 秒发生一个事件，只需处理约千级事件，而非按秒推进的 28800 次循环。

事件调度依赖事件表（Future Event List, FEL）。事件表按发生时刻升序排列，引擎每次取出表头事件执行，执行过程中可能产生新事件并插入表中。事件通常用三元组表示：(发生时刻, 事件类型, 关联实体)。例如 (t=125.4, "到达", 顾客#7)。为保证同一时刻多个事件的处理顺序确定，可引入优先级字段，如“离开”优先于“到达”，避免资源释放与占用在同一时刻产生歧义。

状态变量描述系统在某一时刻的完整快照，排队系统中最典型的是：服务员状态（空闲/忙碌）、队列长度、队列中顾客的到达时刻列表、当前正在服务的顾客剩余服务时间等。状态变量必须足以支撑“下一事件如何改变系统”的判断，例如服务员空闲且队列非空时，应立即触发“开始服务”事件。

统计计数器在事件处理过程中累积指标：累计排队人数的时间积分、累计等待时间、服务人数、最大队列长度等。关键在于“时间加权”统计——队列长度在两次事件之间保持不变，因此面积累加应写成 area += queue_len * (t_now - t_last)，再在仿真结束时除以总时长得到平均队列长度。若只在事件点采样求算术平均，会系统性偏离真实时间平均值。

通用引擎的模块划分

把上述机制组织成可复用的引擎，通常划分为五个模块：事件表管理（插入、取最小、判空）、时钟推进（取表头并赋值）、事件分派器（按事件类型调用对应处理函数）、状态容器（保存服务员、队列等实体）、统计收集器（在事件前后记录时间戳并累积）。事件处理函数是唯一允许修改状态的地方，这种“单点修改”约束能显著降低调试难度。

一个最小可用的主循环伪代码如下，其中 t_last 用于时间加权统计：

初始化：t_now = 0, t_last = 0
插入首个“到达”事件到 FEL
while FEL 非空 and t_now < T_end:
    evt = FEL.pop_min()
    t_now = evt.time
    统计器.累积(t_now - t_last)   # 用旧状态填充时间区间
    t_last = t_now
    dispatch(evt)                 # 到达 / 开始服务 / 离开
统计器.收尾(T_end - t_last)

注意 累积 必须发生在状态更新之前，否则会把“事件之后”的状态错误地算进“事件之前”的时间区间。这是初学者最常见的统计偏差来源。

教学示例：单服务员队列的事件推演

设某窗口到达间隔服从均值 10 秒的指数分布，服务时间服从均值 8 秒的指数分布，仿真时长 100 秒。假设随机数生成得到前几个到达时刻为 6.2、17.5、25.1、40.3，服务时间为 5.4、9.1、7.6。推演过程如下：

由表可见，队列面积只在“队长非零”的区间增长，等待时间在“出队开始服务”时结算。仿真结束后，平均等待时间 = 等待时间总和 ÷ 服务人数，平均队长 = 队列面积 ÷ 100。这些数值属于示例推演，用于说明机制，不代表任何真实系统的性能结论。

最后需要强调可复现性：所有随机抽样都应来自可设定种子的随机数流，且到达流与服务流使用独立子流，避免修改服务时间分布时扰动到达序列。引擎输出应至少包含平均等待时间、平均队长、服务员利用率与服务人数，并记录仿真时长与种子，便于结果复核与对比实验。