带中断休假与不耐烦顾客的M/M/1/DV（Differentiated Vacation，差异化休假）排队系统的最优服务率——基于粒子群优化（PSO, Particle Swarm Optimization）方法

《Computation》：Optimal Service Rate for M/M/1/DV Queues with Interrupted Vacations and Impatient Customers Using Particle Swarm Optimization

　　

摘要：本文研究一类具有差异化休假（differentiated vacations）、基于阈值的休假中断机制以及顾客不耐烦行为（含balking与reneging）的M/M/1/DV排队系统。研究人员采用递归解析方法推导了闭式稳态概率及关键性能指标，包括平均队列长度和顾客损失率。为满足成本效率运营需求，研究人员构建了经济成本函数，并利用粒子群优化（Particle Swarm Optimization, PSO）确定最优服务率μ。在R语言中进行的数值实验表明，不同成本结构下最优服务率μ的取值范围为2.71至3.48，对应的最小期望总成本为183.23至199.04。结果进一步揭示成本函数具有凸性且存在明显全局最小值，较早的休假中断（较小的中断阈值N1和N2）可显著减少系统拥塞与顾客损失。该方法为医疗保健、电信及云计算等服务器可用性间歇且顾客耐心有限的领域提供了系统设计与管理依据。

论文解读：带中断休假与不耐烦顾客的M/M/1/DV排队系统的最优服务率——基于粒子群优化方法

本文发表于《Computation》期刊。现有排队论研究中，服务器休假（server vacation）、差异化休假（differentiated vacations，指服务器具有两类不同长度/性质的休假，如Type?1长休假与Type?2短休假）、休假中断（vacation interruption，当排队长度达到预设阈值N₁或N₂时提前终止休假恢复服务）以及顾客不耐烦行为（customer impatience，含balking——到达顾客看到系统非空时以一定概率拒绝加入队列；reneging——已在队列中的顾客若等待超时则以指数定时器α放弃队列）多被孤立研究。现代服务系统（5G基站、无服务器云平台、急诊科）却同时具备上述特征：服务器间歇可用、动态负载波动、顾客具延迟敏感性。已有文献缺乏将差异化双类型休假、双阈值中断策略与完全顾客不耐烦（balking+reneging）整合的统一分析框架，且此类模型因转移率非线性依赖于队长而破坏经典积形式（product?form）解。因此，研究人员开展了此研究，建立M/M/1/DV（单服务器、泊松到达率λ、指数服务率μ、无限缓冲、FCFS）排队模型，融合Type?1与Type?2差异化指数休假、分别以N₁和N₂为中断阈值的休假中断机制、顾客balking概率(1?p)与reneging率α，通过连续时间马尔可夫链（CTMC）递归求稳态分布，构建含服务费C_s、休假费C_v、中断费C_i、逗留费C_h、弃客惩罚费C_l的期望总成本函数E[C(μ)]，用粒子群优化（PSO）求最优μ，数值验证并得到管理启示：较小N₁、N₂降低拥塞与损失，成本函数凸且PSO可有效寻优，λ增大会提高最优μ，短休假（大γ₁、γ₂）提升服务器可用率从而降低最优成本。

主要关键技术方法：

研究人员构建含三工作模态（忙B、Type?1休假V₁、Type?2休假V₂）与顾客数n的二维CTMC {N(t),J(t)}，写出全局平衡方程并递归求解得到闭式稳态概率P_n,B、P_0,V1、P_n,V1(n< />₁)、P_N1,V1、P_0,V2、P_n,V2(n< />₂)、P_N2,V2，引入辅助求和A、B、D、E、F、G及归一化常数Z。由稳态概率计算服务器忙概率P_B、休假概率P_V、系统平均顾客数L、平均排队长L_q、平均reneging率R_r=α·Σ_n≥2(n?1)P_n,B、平均balking率R_b=λ(1?p)P_V1+λ(1?p)P_V2、总损失率R_loss=R_r+R_b。期望总成本E[C(μ)]=C_sμ+C_vP_V+C_i(γ₁P_N1,V1+γ₂P_N2,V2)+C_hL_q+C_lR_loss，以μ为决策变量用标准PSO（种群规模40、最大迭代100、惯性权重w=0.7、个体/社会加速系数c₁=c₂=1.5、R语言pso包）最小化E[C(μ)]，截断级数确保尾概率可忽略，固定随机种子保证可重复。

研究结果：

1. Introduction（引言）

研究人员指出平衡运营效率、能耗与顾客留存是具间歇服务器与顾客不耐烦的随机服务系统核心难题，现有模型未整合差异化休假、双阈值中断与顾客不耐烦，本文填补该空白并建立统一M/M/1/DV模型，给出四大贡献：统一框架、递归稳态分析、显式性能指标、基于PSO的成本优化。

2. Literature Review（文献综述）

回顾休假排队奠基工作（Takagi、Doshi、Tian & Zhang等），差异化休假扩展（Ibe & Isijola）、休假中断机制（Li & Tian矩阵几何法、双阈值策略）、含balking/reneging休假队列（Phung?Duc、Laxmi & Jyothsna等），以及PSO等在休假队列优化中的应用（Bouchentouf & Guendouzi、Shekhar等），明确本研究的理论缺口。

3. Model Description（模型描述）

详述M/M/1/DV模型假设：λ为泊松到达率；μ为指数服务率，FCFS，无限缓冲；顾客balking概率1?p（加入概率p），reneging服从参数α的指数分布；Type?1休假始于忙期结束且系统变空，指数参数γ₁，中断阈值N₁，自然结束后若队空则进Type?2休假（参数γ₂，中断阈值N₂），否则恢复服务；Type?2休假结束若达N₂恢复服务，否则重启Type?2休假。所有随机变量独立，保证马尔可夫性。

4. Potential Applications of the Model（模型潜在应用）

举例5G基站（Type?1深休眠/Type?2浅休眠对应N₁、N₂阈值，balking为切换邻区，reneging为超时掉线）、无服务器平台（容器销毁/预热对应两型休假，balking为跨区域路由，reneging为HTTP超时）、急诊科（长/短休息对应两型休假，balking为转院，reneging为未治离院），说明参数可操作调节。

5. Steady?State Analysis（稳态分析）

定义状态空间Ω={(n,B),(n,V₁),(n,V₂),n≥0}，给出全局平衡方程组(2)–(12)。定理1给出稳定性条件λp< />_k=(λp/(μ+kα))、辅助和A～G及归一化常数Z=ΣP，证明级数收敛（比值判别法，因λp/μ<1故r_k→0）。Remark说明部分和为有限值，无穷级数收敛保证分布存在。

6. Performance Measures（性能指标）

由稳态概率导出：P_B=Σ_n≥1P_n,B，P_V=P_0,V1+Σ_n=1^N₁?1P_n,V1+P_N1,V1+P_0,V2+Σ_n=1^N₂?1P_n,V2+P_N2,V2，L=Σn(P_n,B+P_n,V1+P_n,V2)，L_q=Σ_n≥2(n?1)P_n,B（仅忙态有排队），R_r=α·Σ_n≥2(n?1)P_n,B，R_b=λ(1?p)(P_0,V1+P_0,V2)+λ(1?p)Σ_n=1^N₁?1P_n,V1+λ(1?p)Σ_n=1^N₂?1P_n,V2，R_loss=R_r+R_b。

7. Cost Model and Optimization Study（成本模型与优化）

总成本E[C(μ)]=C_sμ+C_vP_V+C_i(γ₁P_N1,V1+γ₂P_N2,V2)+C_hL_q+C_lR_loss，优化问题为min_μ>λpE[C(μ)]。因E[C(μ)]高度非线性且无闭式极值，采用PSO：初始化粒子位置μ_i与速度v_i，依适应度更新个体最佳pbest与全局最佳gbest，按v_i^(t+1)=wv_i^(t)+c₁r₁(pbest_i?μ_i^(t))+c₂r₂(gbest?μ_i^(t))，μ_i^(t+1)=μ_i^(t)+v_i^(t+1)迭代至收敛，输出最优μ^*。

8. Numerical Analysis（数值分析）

默认参数λ=2.5,p=0.8,μ=3.0,α=0.2,γ₁=1.0,γ₂=1.5,N₁=3,N₂=2。表3显示γ₁、γ₂增大（休假变短）使P_V减小、P_B增大，P_V对γ₁更敏感。图5示L随λ增大而升，同λ下较大N₂延迟中断致L更大。图6示流失率R_loss随μ增大显著降，同μ下较大N₂致更高流失。图7示α增大使L降而R_loss升，二者交于α≈0.35处L=R_loss，为拥塞—流失权衡点。图8示balking概率(1?p)增大会降L_q，λ增大会升L_q。表4与图9–13示五组成本集下E[C(μ)]呈凸形，全局最小μ^*∈[2.71,3.48]，最小E[C]∈[183.23,199.04]，PSO在20–30代内收敛。灵敏度分析（表5–11）：λ↑→μ^*↑、E[C]_min↑；γ₁、γ₂↑→μ^*略↑、E[C]_min↓（边际递减）；N₁↑（延迟Type?1中断）→μ^*略↓、E[C]_min↑；N₂↑（延迟Type?2中断）→μ^*微↑、E[C]_min略↓（趋于饱和）；α↑→μ^*↓、E[C]_min↑（更多弃客）；balking概率(1?p)↑→有效到达率降→μ^*↓、E[C]_min↓。

9. Conclusions and Future Research（结论与展望）

研究人员建立并求解了融合差异化双型休假、双阈值中断及顾客balking/reneging的M/M/1/DV排队模型，通过递归法获闭式稳态分布与性能指标，用PSO得凸成本函数下最优服务率。较小中断阈值N₁、N₂可减少拥塞与顾客损失；最优μ对λ正向敏感，对休假参数与不耐烦参数具预期响应。模型适用于医疗、通信、云计算等场景。未来方向含推广至相位型/一般服务分布（矩阵解析或补变量法）、多服务器系统、带故障重试队列、多休假类型及多目标优化（经济成本—能耗—QoS）。

讨论与结论翻译：

本研究提出了一个综合分析M/M/1队列系统并融合差异化休假（Type?1与Type?2）、基于阈值的休假中断及表现为balking与reneging的顾客不耐烦行为的理论框架。借助原创递归技术导出了精确的闭式稳态概率，从而能显式计算主要性能指标并构建总期望成本函数。利用成本函数关于服务率μ的单变量凸性，高效采用粒子群优化确定了最优服务率。所提模型及其优化工具为在现实休假政策下权衡服务能力建设投入与顾客流失风险提供了严谨依据。数值实验揭示了重要管理洞见：存在对长短休假时长比敏感的最优中断阈值，且最优服务率与中断阈值间呈非单调关系——这一反直觉发现具重要运行意义。模型可直接应用于医疗保健机构、电信网络、云计算平台及其他服务器间歇可用且顾客耐心有限的的服务系统。未来研究含放宽指数假设（相位型或一般分布）、扩展至多服务器系统、带故障重试队列、多休假类型及同时考虑经济成本、能耗与服务质量的多元目标优化，以进一步强化该模型对当代服务系统的理论与实用价值。