基于矩阵分析方法的对具有异质服务特性的PH/PH(a,b)/1队列的性能分析与元启发式成本优化

《Mathematics and Computers in Simulation》：Performance analysis and metaheuristic cost optimization of a PH/PH(a,b)/1 queue with heterogeneous service using matrix-analytic methods

　　摘要：本文研究了一种与电信服务基础设施相关的排队模型，其中客户到达遵循相位型分布。服务由单个服务器提供，该服务器以批次处理客户请求，且批次大小有最小值‘a’和最大值‘b’的限制。每批的处理时间因批次大小而异，采用相位型分布进行建模，以准确反映现实世界中的变化情况。该系统被构建为准生灭过程，并利用矩阵分析方法来推导系统中客户数量以及到达和服务过程相位的稳态联合分布。从经济角度而言，该模型通过整合队列长度和服务器利用率等性能指标，为成本分析提供支持。此外，还采用了元启发式软优化方法来最小化运营成本，从而实现资源的有效利用。在电信网络背景下，这一框架可应用于优化数据传输或呼叫处理中的批量处理，进而提升服务质量并降低终端用户的延迟。

背景框架与研究动机：批量服务排队系统的理论基础源自Bailey的开创性研究[1]。他的研究侧重于批量而非逐个处理客户，旨在解决那些通过一次性处理多个请求就能提升服务质量的现实问题。Miller[2]进一步发展了这一创新概念，通过构建复杂的数学模型，提供了详尽的分析框架，为后续研究奠定了基础。

排队模型描述：本节介绍了所提出的排队模型的结构，并阐述了其基本假设和符号表示。该模型考虑了一个单服务器系统，其中客户到达遵循平均到达率为λ的相位型分布。连续到达之间的时间间隔用数学框架(ξ,T)表示，其中向量T0满足Te+T0=0的关系。设δ为不可约生成元(T+T0ξ)的不变向量。

稳定性条件：本节确定了排队系统达到稳态所需的充分必要条件，以确保在给定的运行参数下队列长度保持稳定，不会无限增长。

定理1：此处分析的PH/PH(a,b)/1排队系统，若其生成矩阵如公式(4)所示，则当且仅当λ
证明：定义i?={b(i?1)+1,?,bi},i≥1。通过这种分组方式，相关系统的生成元变为q?。

稳态概率向量：本节利用矩阵分析方法推导出稳态概率向量。该向量记为x=(x?,x0,x1,…)，是生成元q的解，需满足xq=0且xe=1。下面我们来探讨x各分量的含义：•x?的维度为ma，表示系统处于空闲状态且到达过程处于m个相位中某一相位的稳态概率向量；•x0的维度为mn，表示服务器处于忙碌状态且无客户正在被服务的稳态概率向量。

系统性能指标：本节给出了所提系统的关键性能指标及其解析表达式。主要的性能指标及其对应公式如下：1. 服务器空闲概率：系统空闲的概率，即没有客户正在被服务的时间内所占的比例。pidle=x?ema；2. 服务器忙碌概率：表示服务器实际处理客户的时间所占的比例。pbusy=x0emn+x?1(i?r?)。

数值示例：本节通过数值示例对理论结果进行验证。我们研究了在不同流量条件下，不同的服务速率模式如何影响系统行为。通过这些数值分析，旨在揭示不同服务配置之间的权衡关系，以及它们对队列长度、等待时间和服务器利用率等关键性能指标的影响。

成本优化：本节建立了成本优化问题，并运用元启发式技术来确定最优的系统参数。优化是现代排队理论的核心，它将分析建模与实际设计相结合。在电信、制造、医疗保健和云计算等复杂服务系统中，选择最优参数对于提高效率和经济性至关重要。核心挑战在于在服务质量、资源利用率和运营成本之间找到平衡点。

示例2的观察结果：图14、图15、图16、图17、图18、图19、图20、图21、图22展示了总成本随服务速率μi的变化情况。这些曲线表面光滑且呈凸形，表明成本函数具有非线性特征，并存在最小值。曲面上的低谷区域代表全局最优解。对于所有到达过程（m、e2和he2），都观察到了类似的规律。随着到达率λ的增加，成本曲线变得更加陡峭。

基于成本优化的批次大小阈值分配问题：本节利用与示例2相同的成本函数和成本参数，来解决基于成本优化的批次大小阈值分配问题。ph/ph(a,b)/1队列的到达过程保持不变，而服务时间分布则假设为erlang（e3）类型，且所有批次大小的服务速率μr都分为三个连续阶段。通过改变最小批次大小a的值，从2到5，对不同的批次大小阈值组合(a,b)进行了系统评估。

结论：本研究针对具有异质服务过程和取决于批次大小的服务速率的ph/ph(a,b)/1队列，提出了一个建模与优化框架，这一框架的灵感来源于现代通信系统中的实际批量服务行为。该模型利用相位型分布来描述突发性的客户到达和服务情况，能够很好地反映5g基站的上行链路流量特征。通过矩阵分析方法构建，并将其视为准生灭过程，该模型可高效地用于相关分析。

作者贡献说明：a. maurya：撰写——初稿、验证、软件开发、方法论、研究工作、正式分析；a. banerjee：撰写——审阅与编辑、监督、概念设计；priti lata：撰写——审阅与编辑、研究工作。a. maurya|a. banerjee|priti lata 证明：定义i?={b(i?1)+1,?,bi},i≥1。通过这种分组方式，相关系统的生成元变为Q?。 稳态概率向量：本节利用矩阵分析方法推导出稳态概率向量。该向量记为x=(x?,x0,x1,…)，是生成元Q的解，需满足xQ=0且xe=1。下面我们来探讨x各分量的含义：•x?的维度为ma，表示系统处于空闲状态且到达过程处于m个相位中某一相位的稳态概率向量；•x0的维度为mn，表示服务器处于忙碌状态且无客户正在被服务的稳态概率向量。 系统性能指标：本节给出了所提系统的关键性能指标及其解析表达式。主要的性能指标及其对应公式如下：1. 服务器空闲概率：系统空闲的概率，即没有客户正在被服务的时间内所占的比例。pidle=x?ema；2. 服务器忙碌概率：表示服务器实际处理客户的时间所占的比例。pbusy=x0emn+x?1(I?R?)。 数值示例：本节通过数值示例对理论结果进行验证。我们研究了在不同流量条件下，不同的服务速率模式如何影响系统行为。通过这些数值分析，旨在揭示不同服务配置之间的权衡关系，以及它们对队列长度、等待时间和服务器利用率等关键性能指标的影响。 成本优化：本节建立了成本优化问题，并运用元启发式技术来确定最优的系统参数。优化是现代排队理论的核心，它将分析建模与实际设计相结合。在电信、制造、医疗保健和云计算等复杂服务系统中，选择最优参数对于提高效率和经济性至关重要。核心挑战在于在服务质量、资源利用率和运营成本之间找到平衡点。 示例2的观察结果：图14、图15、图16、图17、图18、图19、图20、图21、图22展示了总成本随服务速率μi的变化情况。这些曲线表面光滑且呈凸形，表明成本函数具有非线性特征，并存在最小值。曲面上的低谷区域代表全局最优解。对于所有到达过程（m、e2和he2），都观察到了类似的规律。随着到达率λ的增加，成本曲线变得更加陡峭。 基于成本优化的批次大小阈值分配问题：本节利用与示例2相同的成本函数和成本参数，来解决基于成本优化的批次大小阈值分配问题。ph ph(a,b) 1队列的到达过程保持不变，而服务时间分布则假设为erlang（e3）类型，且所有批次大小的服务速率μr都分为三个连续阶段。通过改变最小批次大小a的值，从2到5，对不同的批次大小阈值组合(a,b)进行了系统评估。 结论：本研究针对具有异质服务过程和取决于批次大小的服务速率的ph ph(a,b) 1队列，提出了一个建模与优化框架，这一框架的灵感来源于现代通信系统中的实际批量服务行为。该模型利用相位型分布来描述突发性的客户到达和服务情况，能够很好地反映5g基站的上行链路流量特征。通过矩阵分析方法构建，并将其视为准生灭过程，该模型可高效地用于相关分析。 作者贡献说明：a. maurya：撰写——初稿、验证、软件开发、方法论、研究工作、正式分析；a. banerjee：撰写——审阅与编辑、监督、概念设计；priti lata：撰写——审阅与编辑、研究工作。a. maurya|a. banerjee|priti>
证明：定义i?={b(i?1)+1,?,bi},i≥1。通过这种分组方式，相关系统的生成元变为q?。

稳态概率向量：本节利用矩阵分析方法推导出稳态概率向量。该向量记为x=(x?,x0,x1,…)，是生成元q的解，需满足xq=0且xe=1。下面我们来探讨x各分量的含义：•x?的维度为ma，表示系统处于空闲状态且到达过程处于m个相位中某一相位的稳态概率向量；•x0的维度为mn，表示服务器处于忙碌状态且无客户正在被服务的稳态概率向量。

系统性能指标：本节给出了所提系统的关键性能指标及其解析表达式。主要的性能指标及其对应公式如下：1. 服务器空闲概率：系统空闲的概率，即没有客户正在被服务的时间内所占的比例。pidle=x?ema；2. 服务器忙碌概率：表示服务器实际处理客户的时间所占的比例。pbusy=x0emn+x?1(i?r?)。

数值示例：本节通过数值示例对理论结果进行验证。我们研究了在不同流量条件下，不同的服务速率模式如何影响系统行为。通过这些数值分析，旨在揭示不同服务配置之间的权衡关系，以及它们对队列长度、等待时间和服务器利用率等关键性能指标的影响。

成本优化：本节建立了成本优化问题，并运用元启发式技术来确定最优的系统参数。优化是现代排队理论的核心，它将分析建模与实际设计相结合。在电信、制造、医疗保健和云计算等复杂服务系统中，选择最优参数对于提高效率和经济性至关重要。核心挑战在于在服务质量、资源利用率和运营成本之间找到平衡点。

示例2的观察结果：图14、图15、图16、图17、图18、图19、图20、图21、图22展示了总成本随服务速率μi的变化情况。这些曲线表面光滑且呈凸形，表明成本函数具有非线性特征，并存在最小值。曲面上的低谷区域代表全局最优解。对于所有到达过程（m、e2和he2），都观察到了类似的规律。随着到达率λ的增加，成本曲线变得更加陡峭。

基于成本优化的批次大小阈值分配问题：本节利用与示例2相同的成本函数和成本参数，来解决基于成本优化的批次大小阈值分配问题。ph/ph(a,b)/1队列的到达过程保持不变，而服务时间分布则假设为erlang（e3）类型，且所有批次大小的服务速率μr都分为三个连续阶段。通过改变最小批次大小a的值，从2到5，对不同的批次大小阈值组合(a,b)进行了系统评估。

结论：本研究针对具有异质服务过程和取决于批次大小的服务速率的ph/ph(a,b)/1队列，提出了一个建模与优化框架，这一框架的灵感来源于现代通信系统中的实际批量服务行为。该模型利用相位型分布来描述突发性的客户到达和服务情况，能够很好地反映5g基站的上行链路流量特征。通过矩阵分析方法构建，并将其视为准生灭过程，该模型可高效地用于相关分析。

作者贡献说明：a. maurya：撰写——初稿、验证、软件开发、方法论、研究工作、正式分析；a. banerjee：撰写——审阅与编辑、监督、概念设计；priti lata：撰写——审阅与编辑、研究工作。a. maurya|a. banerjee|priti lata>