系统仿真 - 利用率和平均等待时间和长度
System Simulation - Utilization and average waiting time and length
我在 Pycharm 的一家得来速餐厅创建了一个模拟项目，该餐厅只有一个订单 window，只有一名员工。这是单个 运行 模拟的结果：
Drive Thru Simulation
我如何找到员工在此时间间隔内的利用率？我如何找到这段时间的平均等待时间和平均线路长度？
利用率为 (total_simulation_time - total_idle_time) / total_simulation_time)，其中 total_idle_time 是服务器空闲的所有时间段的总和。服务器在模拟开始和第一个客户到达之间，以及在客户到达和队列中没有等待的任何时间（开始服务时间 == 相同客户 ID 的到达时间）和时间之间处于空闲状态先前客户离开的时间。
队列中的等待时间是客户开始服务时间与该客户到达时间之间的差值。然后可以通过 Little's Law 确定平均线路长度，因为您必须知道用于构建模拟的到达率。
现在是坏消息。排队系统因 serial dependence of the observations has on statistical estimates of their behaviors. To get even moderately precise estimates of the steady-state behavior you may need run lengths ranging up to hundreds of thousands of customers, depending on the traffic intensity (arrival rate / service rate) of your system. You can't just treat the observations as independent and identically distributed 的影响而臭名昭著，这是大多数人都熟悉的统计数据的基本假设。
我在 Pycharm 的一家得来速餐厅创建了一个模拟项目，该餐厅只有一个订单 window，只有一名员工。这是单个 运行 模拟的结果： Drive Thru Simulation
我如何找到员工在此时间间隔内的利用率？我如何找到这段时间的平均等待时间和平均线路长度？
利用率为 (total_simulation_time - total_idle_time) / total_simulation_time)，其中 total_idle_time 是服务器空闲的所有时间段的总和。服务器在模拟开始和第一个客户到达之间，以及在客户到达和队列中没有等待的任何时间（开始服务时间 == 相同客户 ID 的到达时间）和时间之间处于空闲状态先前客户离开的时间。
队列中的等待时间是客户开始服务时间与该客户到达时间之间的差值。然后可以通过 Little's Law 确定平均线路长度，因为您必须知道用于构建模拟的到达率。
现在是坏消息。排队系统因 serial dependence of the observations has on statistical estimates of their behaviors. To get even moderately precise estimates of the steady-state behavior you may need run lengths ranging up to hundreds of thousands of customers, depending on the traffic intensity (arrival rate / service rate) of your system. You can't just treat the observations as independent and identically distributed 的影响而臭名昭著，这是大多数人都熟悉的统计数据的基本假设。