链上镖师 / Chain Biaoshi
COR|批量可选服务队列：MAP到达下的成本优化
把相关到达、批量必需服务、部分群体加入可选服务和服务率调参放进同一个有限缓冲队列模型
这篇论文研究有限缓冲批量服务队列中，顾客在完成必需服务后按二项规律部分加入可选服务，并在MAP相关到达下推导稳态概率、敏感性和服务率成本优化方案。
- 01：研究对象是单服务台、有限容量、批量敏感必需服务与批量可选服务组成的排队系统。
- 02：到达过程采用Markovian Arrival Process，适合描述突发和相关到达的数据流。
- 03：论文用嵌入马尔可夫链与补充变量法推导不同观察时点的联合稳态概率。
- 04：数值实验比较PH型、非PH型服务时间、可选服务加入概率函数和多种元启发式优化算法。
研究背景
许多服务系统同时存在必需服务和可选服务。医疗中心、智能购物车、员工培训、运输系统和物联网网关中，一批任务先接受标准处理，随后只有部分任务进入更深一层的附加处理。论文把这种“批量进入、部分继续、再批量服务”的结构作为建模起点。
物联网智能农业网关示例中，传感器数据先按批量进入必需分析，再由部分数据包进入作物胁迫或虫害预测等可选分析。来源：Figure 1
论文强调MAP到达过程的必要性。现实系统中的到达并不总是独立平稳，计算机网络、通信网络和传感器数据常带有相关性、强弱状态切换与突发性。MAP用相位状态控制到达强度，让有限缓冲批量服务模型能够覆盖更复杂的运营场景。
- 必需服务采用一般批量服务规则GBS(b1,b2)，队列人数低于下阈值时服务台保持空闲。
- 完成必需服务后，每个顾客以批量规模相关概率选择可选服务，加入人数服从二项分布。
- 可选服务也按批量执行，服务时间同样允许随批量规模变化。
核心问题
已有研究分别处理过批量服务、可选服务、有限缓冲和MAP到达。论文指出，相关到达与批量敏感必需服务、部分群体加入可选服务、批量敏感可选服务组合在一起时，稳态分布和运营指标仍缺少统一分析框架。
论文的核心模型是MAP/GES(b1,b2)r,GOS(1,r)k/1/N队列：一个有限缓冲单服务台系统，同时追踪队列长度、服务状态、服务批量、到达相位和可选服务加入结果。
作者把当前模型和文献中的特殊情形进行对照，说明该框架能退化到多类既有批量服务与可选服务队列。来源：Table 6
缓冲容量
N
必需服务批量阈值
b1到b2
方法框架
论文采用嵌入马尔可夫链技术和补充变量法。嵌入点设置在到达、必需服务完成、可选服务完成和任意时点，进而推导联合概率向量。这样可以同时计算队列长度、服务台忙闲、必需服务批量、可选服务批量和到达相位。
1设定MAP矩阵D0、D1，并给出到达相位的稳态分布和基础到达率。
2按GBS(b1,b2)描述必需服务批量，按二项分布描述进入可选服务的人数。
3构造服务完成嵌入点的转移概率矩阵TPM。
4用PH型直接计算矩阵项，用非PH型通过均匀化和Padé近似处理一般服务时间。
5由稳态联合概率计算Lq、Ls、Wq、Ws、Pidle、Plost、服务台内容量和成本函数。
稳态概率向量按空闲、必需服务、可选服务等状态分块，为后续TPM和性能指标计算提供索引结构。来源：Table 1
P3展示嵌入链转移概率矩阵中的关键分块，作者称该半马尔可夫过程构造及复杂TPM是论文的重要贡献。来源：P3
模型框架把必需服务完成后的离开和进入可选服务两类路径连接到同一稳态分析流程。来源：Figure 2
案例或实验设置
数值部分先用Banerjee and Lata (2024)中的参数进行验证，联合状态概率和性能指标均能匹配到两位小数。随后，作者分别设置PH型和非PH型服务时间，考察缓冲容量N变化对排队长度、等待时间、服务台内容量、空闲概率和丢失概率的影响。
验证结果中，当前模型得到Lq=5.09264、Ls=8.95398、Wq=1.17077、Ws=2.05848，与Banerjee and Lata (2024)的结果接近。来源：Table 2
PH型实验设置b1=3、b2=5、ρr,0=0.01，并比较固定服务率、随批量下降和随批量上升三类服务率情形。来源：Table 3
非PH型实验设置b1=4、b2=6、ρr,0=0.001，并组合Weibull与Pareto服务时间分布。来源：Table 4
敏感性分析进一步把单个顾客从必需服务批量进入可选服务的概率ςr设为六种函数，包括常数、线性递增、线性递减、递增凹函数、递减凸函数和饱和型函数；到达过程则比较PCA、NCA、指数、Erlang(2)和超指数到达，且保持有效到达率λ=30。
结果分析
PH型实验显示，当服务率随批量规模增加而提高时，固定N下的Lq、Wq等拥堵指标低于另外两类服务率设置。论文由此说明，批量越大处理越高效的服务机制能够降低拥堵，同时改善顾客丢失和资源利用表现。
PH型服务时间下，Case 3在固定N处的平均队列长度更低，支持批量规模提升服务效率的策略。来源：Figure 3
非PH型服务时间下，Plost随N增加而下降；论文指出若目标为Plost < 0.01，两类非PH案例均需要N不小于12。来源：Figure 14
敏感性分析中，线性递增的可选服务加入概率f2在多类到达过程下表现出较低Lq和Plost。来源：Figure 15
E2到达下，Pidle较低且EI、EB较高，说明更规则的到达让服务台保持更稳定的工作状态。来源：Figure 20
管理启示
对容量设计而言，论文给出的管理含义很直接：非PH型服务时间下，多项指标在N超过15后出现饱和效应，继续扩大缓冲容量的边际收益变小。服务水平目标可以通过Plost曲线设定，例如Plost < 0.01对应N至少为12。
成本优化比较中，DE得到最低总成本106.3397，并给出对应的ES与OS批量服务率组合。来源：Table 5
收敛曲线显示，DE比PSO、TLBO和GSA更快达到更低成本区域。来源：Figure 36
这篇论文给出的实践建议可以概括为三点：缓冲容量和批量服务率要联合设计；可选服务加入概率应随批量规模做策略化设置；服务率优化适合用DE等无导数元启发式方法处理。
✓物联网网关可把突发传感器数据视为MAP到达，并用批量必需分析加可选深度分析控制资源消耗。
✓医疗、培训和运输场景可用同一模型评估顾客进入附加服务后的等待、丢失和服务台负载。
✓当批量越大越容易提升处理效率时，自动化和专门化人员配置能直接改善拥堵指标。
论文：Batch-size-sensitive queueing analysis with binomial group joining in bulk optional service system under MAP with metaheuristic cost optimization
作者：Priti Lata，A. Banerjee，U.C. Gupta
期刊：Computers and Operations Research
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
