单服务台排队系统仿真研究报告
排队系统仿真matlab实验报告
M/M/1排队系统实验报告一、实验目的本次实验要求实现M/M/1单窗口无限排队系统的系统仿真，利用事件调度法实现离散事件系统仿真，并统计平均队列长度以及平均等待时间等值，以与理论分析结果进行对比。
二、实验原理根据排队论的知识我们知道，排队系统的分类是根据该系统中的顾客到达模式、服务模式、服务员数量以及服务规则等因素决定的。
1、 顾客到达模式设到达过程是一个参数为λ的Poisson 过程，则长度为t 的时间内到达k 个呼叫的概率 服从Poisson 分布，即e t kk k t t p λλ-=!)()(，⋅⋅⋅⋅⋅⋅⋅⋅⋅=,2,1,0k ，其中λ>0为一常数，表示了平均到达率或Poisson 呼叫流的强度。
2、 服务模式设每个呼叫的持续时间为i τ，服从参数为μ的负指数分布，即其分布函数为{}1,0t P X t e t μ-<=-≥3、 服务规则先进先服务的规则（FIFO ）4、 理论分析结果在该M/M/1系统中，设λρμ=，则稳态时的平均等待队长为1Q ρλρ=-，顾客的平均等待时间为T ρμλ=-。
三、实验内容M/M/1排队系统：实现了当顾客到达分布服从负指数分布，系统服务时间也服从负指数分布，单服务台系统，单队排队，按FIFO （先入先出队列）方式服务。
四、采用的语言MatLab 语言源代码：clear;clc;%M/M/1排队系统仿真SimTotal=input('请输入仿真顾客总数SimTotal='); %仿真顾客总数；Lambda=0.4; %到达率Lambda；Mu=0.9; %服务率Mu；t_Arrive=zeros(1,SimTotal);t_Leave=zeros(1,SimTotal);ArriveNum=zeros(1,SimTotal);LeaveNum=zeros(1,SimTotal);Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间t_Arrive(1)=Interval_Arrive(1);%顾客到达时间ArriveNum(1)=1;for i=2:SimTotalt_Arrive(i)=t_Arrive(i-1)+Interval_Arrive(i);ArriveNum(i)=i;endt_Leave(1)=t_Arrive(1)+Interval_Serve(1);%顾客离开时间LeaveNum(1)=1;for i=2:SimTotalif t_Leave(i-1)<t_Arrive(i)t_Leave(i)=t_Arrive(i)+Interval_Serve(i);elset_Leave(i)=t_Leave(i-1)+Interval_Serve(i);endLeaveNum(i)=i;endt_Wait=t_Leave-t_Arrive; %各顾客在系统中的等待时间t_Wait_avg=mean(t_Wait);t_Queue=t_Wait-Interval_Serve;%各顾客在系统中的排队时间t_Queue_avg=mean(t_Queue);Timepoint=[t_Arrive,t_Leave];%系统中顾客数随时间的变化Timepoint=sort(Timepoint);ArriveFlag=zeros(size(Timepoint));%到达时间标志CusNum=zeros(size(Timepoint));temp=2;CusNum(1)=1;for i=2:length(Timepoint)if (temp<=length(t_Arrive))&&(Timepoint(i)==t_Arrive(temp)) CusNum(i)=CusNum(i-1)+1;temp=temp+1;ArriveFlag(i)=1;elseCusNum(i)=CusNum(i-1)-1;endend%系统中平均顾客数计算Time_interval=zeros(size(Timepoint));Time_interval(1)=t_Arrive(1);for i=2:length(Timepoint)Time_interval(i)=Timepoint(i)-Timepoint(i-1);endCusNum_fromStart=[0 CusNum];CusNum_avg=sum(CusNum_fromStart.*[Time_interval 0] )/Timepoint(end);QueLength=zeros(size(CusNum));for i=1:length(CusNum)if CusNum(i)>=2QueLength(i)=CusNum(i)-1;elseQueLength(i)=0;endendQueLength_avg=sum([0 QueLength].*[Time_interval 0] )/Timepoint(end);%系统平均等待队长%仿真图figure(1);set(1,'position',[0,0,1000,700]);subplot(2,2,1);title('各顾客到达时间和离去时间');stairs([0 ArriveNum],[0 t_Arrive],'b');hold on;stairs([0 LeaveNum],[0 t_Leave],'y');legend('到达时间','离去时间');hold off;subplot(2,2,2);stairs(Timepoint,CusNum,'b')title('系统等待队长分布');xlabel('时间');ylabel('队长');subplot(2,2,3);title('各顾客在系统中的排队时间和等待时间');stairs([0 ArriveNum],[0 t_Queue],'b');hold on;stairs([0 LeaveNum],[0 t_Wait],'y');hold off;legend('排队时间','等待时间');%仿真值与理论值比较disp(['理论平均等待时间t_Wait_avg=',num2str(1/(Mu-Lambda))]);disp(['理论平均排队时间t_Wait_avg=',num2str(Lambda/(Mu*(Mu-Lambda)))]);disp(['理论系统中平均顾客数=',num2str(Lambda/(Mu-Lambda))]);disp(['理论系统中平均等待队长=',num2str(Lambda*Lambda/(Mu*(Mu-Lambda)))]);disp(['仿真平均等待时间t_Wait_avg=',num2str(t_Wait_avg)])disp(['仿真平均排队时间t_Queue_avg=',num2str(t_Queue_avg)])disp(['仿真系统中平均顾客数=',num2str(CusNum_avg)]);disp(['仿真系统中平均等待队长=',num2str(QueLength_avg)]);五、数据结构1.仿真设计算法（主要函数）利用负指数分布与泊松过程的关系，产生符合泊松过程的顾客流，产生符合负指数分布的随机变量作为每个顾客的服务时间：Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔，结果与调用exprnd(1/Lambda，m)函数产生的结果相同Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间间隔t_Arrive(1)=Interval_Arrive(1);%顾客到达时间时间计算t_Wait=t_Leave-t_Arrive;%各顾客在系统中的等待时间t_Queue=t_Wait-Interval_Serve; %各顾客在系统中的排队时间由事件来触发仿真时钟的不断推进。
matlab单服务台排队系统实验报告
matlab单服务台排队系统实验报告matlab 单服务台排队系统实验报告⼀、实验⽬的本次实验要求实现M/M/1单窗⼝⽆限排队系统的系统仿真，利⽤事件调度法实现离散事件系统仿真，并统计平均队列长度以及平均等待时间等值，以与理论分析结果进⾏对⽐。
⼆、实验原理根据排队论的知识我们知道，排队系统的分类是根据该系统中的顾客到达模式、服务模式、服务员数量以及服务规则等因素决定的。
1、顾客到达模式设到达过程是⼀个参数为λ的Poisson 过程，则长度为t 的时间内到达k 个呼叫的概率服从Poisson 分布，即etkk k t t p λλ-=!)()(，=,2,1,0k ，其中λ>0为⼀常数，表⽰了平均到达率或Poisson 呼叫流的强度。
2、服务模式设每个呼叫的持续时间为i τ，服从参数为µ的负指数分布，即其分布函数为{}1,0t P X t e t µ-<=-≥3、服务规则先进先服务的规则（FIFO ） 4、理论分析结果在该M/M/1系统中，设λρµ=，则稳态时的平均等待队长为1Q ρλρ=-，顾客的平均等待时间为T ρµλ=-。
三、实验内容M/M/1排队系统：实现了当顾客到达分布服从负指数分布，系统服务时间也服从负指数分布，单服务台系统，单队排队，按FIFO ⽅式服务。
四、采⽤的语⾔MatLab 语⾔源代码：clear; clc;%M/M/1排队系统仿真SimTotal=input('请输⼊仿真顾客总数SimTotal='); %仿真顾客总数；Lambda=0.4; %到达率Lambda；Mu=0.9; %服务率Mu；t_Arrive=zeros(1,SimTotal);t_Leave=zeros(1,SimTotal);ArriveNum=zeros(1,SimTotal);LeaveNum=zeros(1,SimTotal);Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间t_Arrive(1)=Interval_Arrive(1);%顾客到达时间ArriveNum(1)=1;for i=2:SimTotalt_Arrive(i)=t_Arrive(i-1)+Interval_Arrive(i);ArriveNum(i)=i;endt_Leave(1)=t_Arrive(1)+Interval_Serve(1);%顾客离开时间LeaveNum(1)=1;for i=2:SimTotalif t_Leave(i-1)t_Leave(i)=t_Arrive(i)+Interval_Serve(i);elset_Leave(i)=t_Leave(i-1)+Interval_Serve(i);endLeaveNum(i)=i;endt_Wait=t_Leave-t_Arrive; %各顾客在系统中的等待时间t_Wait_avg=mean(t_Wait);t_Queue=t_Wait-Interval_Serve;%各顾客在系统中的排队时间t_Queue_avg=mean(t_Queue);Timepoint=[t_Arrive,t_Leave];%系统中顾客数随时间的变化Timepoint=sort(Timepoint);ArriveFlag=zeros(size(Timepoint));%到达时间标志CusNum=zeros(size(Timepoint));temp=2;CusNum(1)=1;for i=2:length(Timepoint)if (temp<=length(t_Arrive))&&(Timepoint(i)==t_Arrive(temp)) CusNum(i)=CusNum(i-1)+1;temp=temp+1;ArriveFlag(i)=1;CusNum(i)=CusNum(i-1)-1;endend%系统中平均顾客数计算Time_interval=zeros(size(Timepoint));Time_interval(1)=t_Arrive(1);for i=2:length(Timepoint)Time_interval(i)=Timepoint(i)-Timepoint(i-1);endCusNum_fromStart=[0 CusNum];CusNum_avg=sum(CusNum_fromStart.*[Time_interval 0] )/Timepoint(end);QueLength=zeros(size(CusNum));for i=1:length(CusNum)if CusNum(i)>=2QueLength(i)=CusNum(i)-1;elseQueLength(i)=0;endendQueLength_avg=sum([0 QueLength].*[Time_interval 0] )/Timepoint(end);%系统平均等待队长%仿真图figure(1);set(1,'position',[0,0,1000,700]);subplot(2,2,1);title('各顾客到达时间和离去时间');stairs([0 ArriveNum],[0 t_Arrive],'b');hold on;stairs([0 LeaveNum],[0 t_Leave],'y');legend('到达时间','离去时间');hold off;subplot(2,2,2);stairs(Timepoint,CusNum,'b')title('系统等待队长分布');xlabel('时间');ylabel('队长');subplot(2,2,3);title('各顾客在系统中的排队时间和等待时间');stairs([0 ArriveNum],[0 t_Queue],'b');stairs([0 LeaveNum],[0 t_Wait],'y');hold off;legend('排队时间','等待时间');%仿真值与理论值⽐较disp(['理论平均等待时间t_Wait_avg=',num2str(1/(Mu-Lambda))]);disp(['理论平均排队时间t_Wait_avg=',num2str(Lambda/(Mu*(Mu-Lambda)))]);disp(['理论系统中平均顾客数=',num2str(Lambda/(Mu-Lambda))]);disp(['理论系统中平均等待队长=',num2str(Lambda*Lambda/(Mu*(Mu-Lambda)))]);disp(['仿真平均等待时间t_Wait_avg=',num2str(t_Wait_avg)])disp(['仿真平均排队时间t_Queue_avg=',num2str(t_Queue_avg)])disp(['仿真系统中平均顾客数=',num2str(CusNum_avg)]);disp(['仿真系统中平均等待队长=',num2str(QueLength_avg)]);五、数据结构1.仿真设计算法（主要函数）利⽤负指数分布与泊松过程的关系，产⽣符合泊松过程的顾客流，产⽣符合负指数分布的随机变量作为每个顾客的服务时间：Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔，结果与调⽤exprnd(1/Lambda，m)函数产⽣的结果相同Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间间隔t_Arrive(1)=Interval_Arrive(1);%顾客到达时间时间计算t_Wait=t_Leave-t_Arrive;%各顾客在系统中的等待时间t_Queue=t_Wait-Interval_Serve; %各顾客在系统中的排队时间由事件来触发仿真时钟的不断推进。
实验2单服务台单队列排队系统仿真
实验2排队系统仿真一、学习目的1．了解仿真的特点2．学习如何建构模型3．熟悉eM-Plant基本的对象和操作4．掌握排队系统的特点与仿真的实现方法二、问题描述该银行服务窗口为每个到达的顾客服务的时间是随机的，表2.4是顾客服务时间纪录的统计结果表2.4 每个顾客服务时间的概率分布对于上述这样一个单服务待排队系统，仿真分析30天，分析该系统中顾客的到达、等待和被服务情况，以及银行工作人员的服务和空闲情况。
三、系统建模3.1 仿真目标通过对银行排队系统的仿真，研究银行系统的服务水平和改善银行服务水平的方法，为银行提高顾客满意度，优化顾客服务流程服务。
3.2．系统建模3.2.1 系统调研1. 系统结构: 银行服务大厅的布局, 涉及的服务设备2. 系统的工艺参数: 到达-取号-等待-服务-离开3. 系统的动态参数: 顾客的到达时间间隔, 工作人员的服务时间4. 逻辑参数: 排队规则, 先到先服务5. 系统的状态参数: 排队队列是否为空, 如果不为空队长是多少, 服务台是否为空6. 系统的输入输出变量:输入变量确定其分布和特征值,顾客的到达时间间隔的概率分布表和每个顾客被服务时间的概率分布. 输出变量根据仿真目标设定. 包括队列的平均队长、最大队长、仿真结束时队长、总服务人员、每个顾客的平均服务时间、顾客平均排队等待服务时间、业务员利用率等。
3.2.2系统假设1．取号机前无排队，取号时间为02．顾客排队符合先进先出的排队规则3．一个服务台一次只能对一个顾客服务4．所有顾客只有一种单一服务5．仿真时间为1个工作日（8小时）6．等候区的长度为无限长3.2.3系统建模系统模型：3.2.4 仿真模型1．实体：银行系统中的实体是人（主动体）2．属性：到达时间间隔、接受服务的时间、接受服务类型3．事件：顾客到达、开始取号、取号结束、进入队列、出队列、接受服务、服务完成、离开银行。
4．活动：到达、取号、排队、服务、离开5．资源：取号机、排队的座椅、服务柜台4 系统仿真4.1 eM-plant 界面与主要控件介绍1. 实体：eM-Plant 中包括3类实体：entity ，container ，transporter 。
单服务台排队系统仿真报告
单服务台排队系统仿真报告一、模型准备1、 顾客到达特性在该系统中，顾客的到达规模（成批到达还是单个到达）是单个到达，假设顾客到达率Ai 服从均值为 的指数分布，即2、 顾客服务时间顾客服务时间为Si ，服从指数分布，假设均值为，即二、 仿真模型设计1、 元素定义（Define ）本系统的元素定义如表1所示。
2、 元素可视化设置（Display ）本系统中各个元素的显示特征定义设置如图2所示：m in 5=A βAs Ae Af ββ/)(-=)0(≥A min 4=s βSA Se Sf ββ/)(-=)0(≥S图2 各元素的显示特征（1）Part元素可视化设置在元素选择窗口选择customer元素，鼠标右键点击Display，跳出Display 对话框（图3），设置它的Text（图4）、Icon（图5）。
图3 Display对话框图4 Display Text对话框图5 Display Icon对话框（2）Buffer元素可视化设置在元素选择窗口选择paidui元素，鼠标右键点击Display，跳出Display对话框（图3），设置它的Text、Icon、Rectangle（图6）。
图6 Display Rectangle对话框（3）Machine元素可视化设置在元素选择窗口选择Fuwuyuan元素，鼠标右键点击Display，跳出Display 对话框（图3），设置它的Text、Icon、Part Queue（图7）。
图7 Display Part Queue对话框（4）Variable元素可视化设置在元素选择窗口选择Jifen0元素，鼠标右键点击Display，跳出Display对话框（图3），设置它的Text 、Value（图8）。
图8 Display Value对话框（5）Timeseries元素可视化设置在元素选择窗口选择duichang元素，鼠标右键点击Display，跳出Display 对话框（图3），设置它的Text、Timeseries（图9）。
排队理论实验报告
实验报告（一）
2、参数设置
病人到达速率服从指数分布exponential (0,0.4762,1)（6）分析数据：空闲率：empty：27.2%，释放率：releasing：72.8%
2、参数设置
与模型1的参数设置类似
3、模型运行进入相对稳定状态（仿真时间依然为1000）
模型如下：
4、数据统计
空闲率：empty：97.9%，释放率：releasing：2.1%
得出病人排队的平均时间：0.027 平均队长：0.012
与模型1和2的参数设置类似。
4、数据统计
暂存区1空闲率：empty：71.2% 释放率：releasing：28.8% 暂存区2：空闲率：empty：92.5% 释放率：releasing：7.5% 暂存区3：空闲率：empty：99% 释放率：releasing：1%
的闲置率：38.4% 处理率：61.6%
处理器2的闲置率：78.2% 处理率：21.8%
处理器3的闲置率：96.8% 处理率：3.2%
得出最终处理器的平均处理能力为：（61.6%+21.8%+3.2%）/3 = 28.9%
、结论，从以上数据来看，相对于第二个多服务台模型（模型参数设置都一样），病人的平均队长和平均等待时间略有升高，每个处理器的处理能力各不相同，有的高，有的低，这与之前。
单服务台排队系统仿真
单服务台排队系统仿真单服务台排队系统是指在一个服务台只有一个服务员的情况下，客户需要按顺序等待服务的系统。
本文将介绍一个针对单服务台排队系统的仿真模型。
在设计仿真模型之前，我们需要确定一些重要的参数。
首先是服务时间，即每个客户接受服务所需要的时间。
服务时间可以通过实际观察数据或者估算得出。
其次是到达间隔时间，即每个客户到达的时间间隔。
到达间隔时间可以通过实际观察数据或者使用随机数生成器进行模拟。
首先，我们需要创建一个事件队列来模拟客户的到达和离开。
事件队列是一个按照发生时间顺序排序的队列，每个事件都包含两个属性：时间和类型。
接下来，我们创建一个时钟来记录仿真进行的时间。
初始时，时钟指向第一个到达事件的时间。
然后，我们从事件队列中取出第一个事件，并更新时钟指向该事件的时间。
如果当前事件类型是到达事件，我们需要进行如下操作：首先，模拟下一个客户到达的时间，并将该事件添加到事件队列中。
然后，判断当前是否有客户正在接受服务。
如果没有，我们将当前事件类型设置为离开事件，并模拟该客户的服务时间和离开时间，并将该离开事件添加到事件队列中。
如果有客户正在接受服务，我们将当前事件类型设置为到达事件。
如果当前事件类型是离开事件，我们需要进行如下操作：首先，更新服务台的空闲状态。
然后，判断是否还有等待服务的客户。
如果有，我们将当前事件类型设置为离开事件，并模拟下一个客户的服务时间和离开时间，并将该离开事件添加到事件队列中。
如果没有等待服务的客户，我们将当前事件类型设置为到达事件。
重复上述步骤，直到事件队列中没有事件为止。
最后，我们可以根据仿真的结果，比如客户的等待时间、服务时间和系统繁忙率等指标，来评估和优化该排队系统的性能。
通过以上的模型，我们可以对单服务台排队系统进行仿真，并评估其性能。
我们可以通过改变服务时间、到达间隔时间等参数，来探究不同情况下系统的表现和优化方案。
同时，我们还可以根据仿真结果，对系统进行调整和改进，以提高客户的满意度和服务效率。
服务台单队列排队系统仿真
服务台单队列排队系统仿真1. 引言排队是我们日常生活中常见的现象之一。
每当我们去银行、超市、餐厅等地方，总会看到人们在服务台前排长队等待接受服务。
而排队系统的效率直接影响到我们的等待时间和满意度。
为了改善排队系统的效率，许多地方引入了服务台单队列排队系统。
这种系统中，所有顾客都将排在同一个队伍中，然后按照先后顺序依次接受服务。
这种系统相比于多个队列排队系统，能够有效减少空闲时间和服务延迟。
为了对服务台单队列排队系统进行评估和优化，我们可以使用仿真技术来模拟系统的运行情况，并对其进行分析。
2. 仿真模型设计在服务台单队列排队系统的仿真模型中，我们需要考虑到以下几个方面的因素：2.1 顾客到达规律在实际排队系统中，顾客的到达时间往往是随机的，我们可以使用随机数生成器来模拟此过程。
通过设定到达时间的概率分布函数，我们可以生成一系列随机数来模拟顾客的到达间隔。
2.2 服务时间每个顾客在服务台的服务时间也是随机的。
同样地，我们可以使用随机数生成器来模拟服务时间。
通过设定服务时间的概率分布函数，我们可以生成一系列随机数来模拟顾客在服务台的停留时间。
2.3 服务台数量为了简化仿真模型，我们假设只有一个服务台。
在实际情况中，可以根据实际需求增加服务台数量，以提高系统的整体效率。
2.4 排队规则在服务台单队列排队系统中，顾客按照先后顺序依次接受服务。
当一个顾客结束服务后，下一个顾客将开始接受服务。
为了模拟这个过程，我们可以使用队列数据结构来管理顾客的排队顺序。
3. 仿真过程在进行仿真过程时，我们可以按照以下步骤进行操作：3.1 初始化仿真参数根据实际情况，我们可以设定好仿真的时间段、顾客到达规律和服务时间的概率分布函数等参数。
3.2 创建顾客队列根据顾客到达规律，我们可以按照一定的间隔时间将顾客加入到队列中。
3.3 顾客进入服务台当顾客队列不为空时，服务台将接受当前队列中的第一个顾客，并开始对其进行服务。
3.4 更新服务时间和队列在服务过程中，服务单位时间递减，直到达到零时，服务结束，当前顾客离开服务台，下一个顾客开始接受服务。
单服务排队系统的仿真
Ë ¿ ¹ Í µ ½ ´ ï
Å ¶ Ó ½ á ¹
Å ¶ Ó ¹ æ Ô ò
· þ Î ñ ¹ æ Ô ò
þ Î · ñ » ú ¹
ë È À ¥
¼ 1 Å ¶ Í Ó Ï µ Í ³ Ê ¾ Ò â Í ¼
理发馆排队系统仿真
• • • • • • • •
一．仿真问题 理发馆一天的工作情况如下： 理发馆有1名理发员，同一时刻只能为1位顾客理发。 当顾客进门时，只要理发员状态为闲，就可坐下理发，否则需排队 等候。 一旦顾客理发完离去，排在对头的顾客便可开始理发。 若理发馆每天营业T分钟，求： 一天内顾客在理发馆内平均逗留的时间； 顾客排队等候理发的队列长度平均值； 二．基本要求 1） 模拟理发馆一天的工作过程：必须采用事件驱动的离散模型； 2） 每个顾客到达和下个顾客到达的时间间隔是随机的； 3） 每个顾客进门时都将生成两个随机数： 1>durtime:进门顾客理发所需服务时间（简称理发时间） 2>intertime:下个顾客将到达的时间间隔（简称间隔时间）
理发员状态为0 队列非空
N
Y 调用顾客服务函数
顾客服务状态为1 且离开事件为当 前仿真钟时间
N
Y
调用顾客离去函数
返回
仿真程序设计中注意的几点：
1.实际服务系统顾客到达时间间隔和服务所需时 间服从指数分布的均值不同的话，导致结果差异。 2.随机数的产生。 3.程序设计中需注意各事件之间的逻辑关系。 4.系统接收各服务事件对系统状态的改变。
临时实体顾客的抽象数据设计：
struct customer { int NO; int intime; int durtime; int intertime; int starttime; int leavetime; int serve_flag; } //编号 //进入理发店时间 //顾客理发所需要的服务时间 //下个顾客将要达到的时间间隔 //开始理发时间 //离开理发店的时间 //是否在理发
2022年AnyLogic排队系统仿真实验报告
《物流系统建模与仿真》AnyLogic排队系统仿真实验报告一、实验目旳通过学习操作Anylogic仿真软件，学会使用Anylogic对单线排队系统进行仿真旳实验，理解该仿真系统旳运营流程，熟悉对其旳基本操作，理解排队方案中存在旳局限性，并懂得如何借助Anylogic对仿真成果旳优化，改善排队方案，达届时间和效率上旳最，结合实际状况解决实际问题。
二、实验时间和地点时间：-第1学期地点：管理系学生宿舍三、实验内容借助Anylogic仿真软件建立一种简朴旳离散事件系统——单线排队系统，并在仿真旳过程中，结识涉及实体、属性、事件、活动和进程等功能要素，运用Anylogic仿真软件模拟实际生活中旳排队现象，并对排队现象进行仿真分析及成果优化。
四、实验原理1、轻变换抽象层次和视点直到它完美地合用于需要解决旳问题；2、如果觉得系统动态学旳抽象层对解决问题绰绰有余，使用整合汇集表；3、如果系统能以流程（操作顺序、实体、资源）旳形式显示出来，使用离散事件建模；4、如果对具体旳对象行为更感爱好，使用基于主体旳建模；5、可以将不同旳措施用于一种模型。
五、实验环节六、实验成果与优化七、思考与实验体会第一次做这个实验旳时候，从下载软件到安装就已经感觉到了实验旳困难限度，明显感觉到了很大旳压力。
在一切安装完毕之后不懂得如何下手，从哪一步做起。
然后就翻看教师给旳材料、ppt文档看了半天也不懂得怎么弄，寝室人也不懂得怎么做，后来想起来教师说旳朱立建同窗做好了，我们有问题可以找她帮忙，于是，我就开始询问朱立建，在朱立建同窗旳热心协助下，给我耐心认真旳解说，每一步都很具体，看她给我掩饰实验环节，一步步旳看明白，慢慢旳明白了实验旳大体过程，然后自己根据朱立建旳解说把前面旳程序做了一下，建立排队模型，设定期间，插入旁边旳功能图标，设定参数等，根据教师发旳排队照片，一步步地进行，最后点击运营，发既有某些错误，然后根据错误批示慢慢旳找出了错误旳地方，然后重新设立参数。
MM1排队系统仿真matlab实验报告
M/M/1排队系统实验报告一、实验目的本次实验要求实现M/M/1单窗口无限排队系统的系统仿真，利用事件调度法实现离散事件系统仿真，并统计平均队列长度以及平均等待时间等值，以与理论分析结果进行对比。
二、实验原理根据排队论的知识我们知道，排队系统的分类是根据该系统中的顾客到达模式、服务模式、服务员数量以及服务规则等因素决定的。
1、 顾客到达模式设到达过程是一个参数为λ的Poisson 过程，则长度为t 的时间内到达k 个呼叫的概率 服从Poisson 分布，即etkk k t t p λλ-=!)()(，⋅⋅⋅⋅⋅⋅⋅⋅⋅=,2,1,0k ，其中λ>0为一常数，表示了平均到达率或Poisson 呼叫流的强度。
2、 服务模式设每个呼叫的持续时间为i τ，服从参数为μ的负指数分布，即其分布函数为{}1,0t P X t e t μ-<=-≥3、 服务规则先进先服务的规则（FIFO ） 4、 理论分析结果在该M/M/1系统中，设λρμ=，则稳态时的平均等待队长为1Q ρλρ=-，顾客的平均等待时间为T ρμλ=-。
三、实验内容M/M/1排队系统：实现了当顾客到达分布服从负指数分布，系统服务时间也服从负指数分布，单服务台系统，单队排队，按FIFO （先入先出队列）方式服务。
四、采用的语言MatLab 语言 源代码：clear; clc;%M/M/1排队系统仿真SimTotal=input('请输入仿真顾客总数SimTotal='); %仿真顾客总数；Lambda=0.4; %到达率Lambda；Mu=0.9; %服务率Mu；t_Arrive=zeros(1,SimTotal);t_Leave=zeros(1,SimTotal);ArriveNum=zeros(1,SimTotal);LeaveNum=zeros(1,SimTotal);Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间t_Arrive(1)=Interval_Arrive(1);%顾客到达时间ArriveNum(1)=1;for i=2:SimTotalt_Arrive(i)=t_Arrive(i-1)+Interval_Arrive(i);ArriveNum(i)=i;endt_Leave(1)=t_Arrive(1)+Interval_Serve(1);%顾客离开时间LeaveNum(1)=1;for i=2:SimTotalif t_Leave(i-1)<t_Arrive(i)t_Leave(i)=t_Arrive(i)+Interval_Serve(i);elset_Leave(i)=t_Leave(i-1)+Interval_Serve(i);endLeaveNum(i)=i;endt_Wait=t_Leave-t_Arrive; %各顾客在系统中的等待时间t_Wait_avg=mean(t_Wait);t_Queue=t_Wait-Interval_Serve;%各顾客在系统中的排队时间t_Queue_avg=mean(t_Queue);Timepoint=[t_Arrive,t_Leave];%系统中顾客数随时间的变化Timepoint=sort(Timepoint);ArriveFlag=zeros(size(Timepoint));%到达时间标志CusNum=zeros(size(Timepoint));temp=2;CusNum(1)=1;for i=2:length(Timepoint)if (temp<=length(t_Arrive))&&(Timepoint(i)==t_Arrive(temp)) CusNum(i)=CusNum(i-1)+1;temp=temp+1;ArriveFlag(i)=1;CusNum(i)=CusNum(i-1)-1;endend%系统中平均顾客数计算Time_interval=zeros(size(Timepoint));Time_interval(1)=t_Arrive(1);for i=2:length(Timepoint)Time_interval(i)=Timepoint(i)-Timepoint(i-1);endCusNum_fromStart=[0 CusNum];CusNum_avg=sum(CusNum_fromStart.*[Time_interval 0] )/Timepoint(end);QueLength=zeros(size(CusNum));for i=1:length(CusNum)if CusNum(i)>=2QueLength(i)=CusNum(i)-1;elseQueLength(i)=0;endendQueLength_avg=sum([0 QueLength].*[Time_interval 0] )/Timepoint(end);%系统平均等待队长%仿真图figure(1);set(1,'position',[0,0,1000,700]);subplot(2,2,1);title('各顾客到达时间和离去时间');stairs([0 ArriveNum],[0 t_Arrive],'b');hold on;stairs([0 LeaveNum],[0 t_Leave],'y');legend('到达时间','离去时间');hold off;subplot(2,2,2);stairs(Timepoint,CusNum,'b')title('系统等待队长分布');xlabel('时间');ylabel('队长');subplot(2,2,3);title('各顾客在系统中的排队时间和等待时间');stairs([0 ArriveNum],[0 t_Queue],'b');stairs([0 LeaveNum],[0 t_Wait],'y');hold off;legend('排队时间','等待时间');%仿真值与理论值比较disp(['理论平均等待时间t_Wait_avg=',num2str(1/(Mu-Lambda))]);disp(['理论平均排队时间t_Wait_avg=',num2str(Lambda/(Mu*(Mu-Lambda)))]);disp(['理论系统中平均顾客数=',num2str(Lambda/(Mu-Lambda))]);disp(['理论系统中平均等待队长=',num2str(Lambda*Lambda/(Mu*(Mu-Lambda)))]);disp(['仿真平均等待时间t_Wait_avg=',num2str(t_Wait_avg)])disp(['仿真平均排队时间t_Queue_avg=',num2str(t_Queue_avg)])disp(['仿真系统中平均顾客数=',num2str(CusNum_avg)]);disp(['仿真系统中平均等待队长=',num2str(QueLength_avg)]);五、数据结构1.仿真设计算法（主要函数）利用负指数分布与泊松过程的关系，产生符合泊松过程的顾客流，产生符合负指数分布的随机变量作为每个顾客的服务时间：Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔，结果与调用exprnd(1/Lambda，m)函数产生的结果相同Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间间隔t_Arrive(1)=Interval_Arrive(1);%顾客到达时间时间计算t_Wait=t_Leave-t_Arrive;%各顾客在系统中的等待时间t_Queue=t_Wait-Interval_Serve; %各顾客在系统中的排队时间由事件来触发仿真时钟的不断推进。
单服务台排队系统离散事件系统仿真实验
单服务台排队系统离散事件系统仿真实验离散事件系统仿真实验通过单服务台排队系统的方针，理解和掌握对离散事件的仿真建模方法，以便对其他系统进行建模，并对其系统分析，应用到实际系统，对实际系统进行理论指导。
1．排队系统的通常理论一般的排队系统都有三个基本组成部分：（1）抵达模式：指动态实体（顾客）按怎样的规律抵达，描绘实体抵达的统计数据特性。
通常假设顾客总体就是无穷的。
（2）服务机构：指同一时刻有多少服务设备可以接纳动态实体，它们的服务需要多少时间。
它也具有一定的分布特性。
通常，假定系统的容量（包括正在服务的人数加上在等待线等待的人数）是无限的。
（3）排队规则：所指对下一个实体服务的挑选原则。
通用型的排队规则包含先进先出（fifo），后进先出（lifo），随机服务（siro）等。
2．对于离散系统有三种常用的仿真策略：事件调度法、活动扫描法、进程交互法。
（1）事件调度法（eventscheduling）：基本思想：离散事件系统中最基本的概念是事件，事件发生引起系统状态的变化，用事件的观点去分析真实系统。
通过定义事件或每个事件出现系统状态的变化，按时间顺序确认并继续执行每个事件出现时有关逻辑关系。
（2）活动扫描法：基本思想：系统存有成分共同组成，而成分又涵盖活动。
活动的出现必须满足用户某些条件，且每一个主动成分均有一个相应的活动例程。
仿真过程中，活动的发生时间也作为条件之一，而且较之其他条件具有更高的优先权。
（3）进程可视化法：基本思想：将模型中的主动成分历经系统所发生的事件及活动，按时间发生的顺序进行女团，从而构成进程表中。
系统仿真钟的大力推进使用两张进程表中，一就是当前事件表中，二就是将来事件表中。
3．本实验采用的单服务台模型（1）抵达模式：顾客源就是无穷的，顾客单个抵达，相互单一制，一定时间的抵达数顺从指数（2）排队规则：单队，且对队列长度没有限制，先到先服务的fifo规则。
（3）服务机构：单服务台，各顾客的服务时间相互独立，服从相同的指数分布。
单服务台排队系统计算机仿真与输出分析
仿真结果与理论计算接近，故认为此次仿真可信。
３ 仿真数据输出分析采用终止型仿真固定样本长度法对上例仿真数据输出进行分析（独立运行上例20次，每次长度为200，初始条件是初始队长0，服务台状态为闲，采用独立的随机数），结果如表2所示。
d均值为15.66366，方差为11.25959；Q均值为3.137034，方差为0.633061；d和Q在置信水平为0.1时（t19,0.95=1.729）的置信区间为：d置信区间为：15.66366±t19,0.95=15.66±1.30；Q置信区间为：3.137034±t19,0.95=3.14±0.31。
表２ 仿真数据输出分析结果采用稳态型仿真重复删除法对上例仿真数据输出进行分吴佳惠（1994-），女，河南安阳人，本科。
研究方向：计算机仿真。
（2）每次运行长度为100，独立运行10次，仿真结果如表4所示。
d均值为15.65449，方差为31.67994；Q均值为2.955315，方差为1.006902；d和Q在置信水平为0.1时（t9,0.95=1.833）的估计置信区间为：d区间为15.65449±t9,0.95=15.65±3.26；Q区间为2.955315±t9,0.95=2.96±0.58。
（3）每次运行长度为100，独立运行20次，仿真结果如表5所示。
d均值为15.449，方差为30.64427；Q均值为3.126617，方差为1.513342；d和Q的在置信水平为0.1时（t19,0.95=1.729）表５ 每次运行长度为１００、独立运行２０次的仿真结果由此可知，随着仿真次数的增加，置信区间的宽度在减小，这是因为随着仿真次数的增加，实验结果的随机性影响慢慢减小。
４ 结 语采用高级语言编写单服务台排队系统仿真程序，采用事件调度法对不同仿真运行长度顾客进行仿真，并统计每个顾客的平均等待时间与平均队长，与系统性能的稳态理论值进行对比，仿真结果与理论计算接近。
MM排队系统仿真maab实验报告
M/M/1排队系统实验报告一、实验目的本次实验要求实现M/M/1单窗口无限排队系统的系统仿真，利用事件调度法实现离散事件系统仿真，并统计平均队列长度以及平均等待时间等值，以与理论分析结果进行对比。
二、实验原理根据排队论的知识我们知道，排队系统的分类是根据该系统中的顾客到达模式、服务模式、服务员数量以及服务规则等因素决定的。
1、 顾客到达模式设到达过程是一个参数为λ的Poisson 过程，则长度为t 的时间内到达k 个呼叫的概率 服从Poisson 分布，即e t kk k t t p λλ-=!)()(，⋅⋅⋅⋅⋅⋅⋅⋅⋅=,2,1,0k ，其中λ>0为一常数，表示了平均到达率或Poisson 呼叫流的强度。
2、 服务模式设每个呼叫的持续时间为i τ，服从参数为μ的负指数分布，即其分布函数为{}1,0t P X t e t μ-<=-≥3、 服务规则先进先服务的规则（FIFO ）4、 理论分析结果在该M/M/1系统中，设λρμ=，则稳态时的平均等待队长为1Q ρλρ=-，顾客的平均等待时间为T ρμλ=-。
三、实验内容M/M/1排队系统：实现了当顾客到达分布服从负指数分布，系统服务时间也服从负指数分布，单服务台系统，单队排队，按FIFO （先入先出队列）方式服务。
四、采用的语言MatLab 语言源代码：clear;clc;%M/M/1排队系统仿真SimTotal=input('请输入仿真顾客总数SimTotal='); %仿真顾客总数；Lambda=0.4; %到达率Lambda；Mu=0.9; %服务率Mu；t_Arrive=zeros(1,SimTotal);t_Leave=zeros(1,SimTotal);ArriveNum=zeros(1,SimTotal);LeaveNum=zeros(1,SimTotal);Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间t_Arrive(1)=Interval_Arrive(1);%顾客到达时间ArriveNum(1)=1;for i=2:SimTotalt_Arrive(i)=t_Arrive(i-1)+Interval_Arrive(i);ArriveNum(i)=i;endt_Leave(1)=t_Arrive(1)+Interval_Serve(1);%顾客离开时间LeaveNum(1)=1;for i=2:SimTotalif t_Leave(i-1)<t_Arrive(i)t_Leave(i)=t_Arrive(i)+Interval_Serve(i);elset_Leave(i)=t_Leave(i-1)+Interval_Serve(i);endLeaveNum(i)=i;endt_Wait=t_Leave-t_Arrive; %各顾客在系统中的等待时间t_Wait_avg=mean(t_Wait);t_Queue=t_Wait-Interval_Serve;%各顾客在系统中的排队时间t_Queue_avg=mean(t_Queue);Timepoint=[t_Arrive,t_Leave];%系统中顾客数随时间的变化Timepoint=sort(Timepoint);ArriveFlag=zeros(size(Timepoint));%到达时间标志CusNum=zeros(size(Timepoint));temp=2;CusNum(1)=1;for i=2:length(Timepoint)if (temp<=length(t_Arrive))&&(Timepoint(i)==t_Arrive(temp)) CusNum(i)=CusNum(i-1)+1;temp=temp+1;ArriveFlag(i)=1;elseCusNum(i)=CusNum(i-1)-1;endend%系统中平均顾客数计算Time_interval=zeros(size(Timepoint));Time_interval(1)=t_Arrive(1);for i=2:length(Timepoint)Time_interval(i)=Timepoint(i)-Timepoint(i-1);endCusNum_fromStart=[0 CusNum];CusNum_avg=sum(CusNum_fromStart.*[Time_interval 0] )/Timepoint(end);QueLength=zeros(size(CusNum));for i=1:length(CusNum)if CusNum(i)>=2QueLength(i)=CusNum(i)-1;elseQueLength(i)=0;endendQueLength_avg=sum([0 QueLength].*[Time_interval 0] )/Timepoint(end);%系统平均等待队长%仿真图figure(1);set(1,'position',[0,0,1000,700]);subplot(2,2,1);title('各顾客到达时间和离去时间');stairs([0 ArriveNum],[0 t_Arrive],'b');hold on;stairs([0 LeaveNum],[0 t_Leave],'y');legend('到达时间','离去时间');hold off;subplot(2,2,2);stairs(Timepoint,CusNum,'b')title('系统等待队长分布');xlabel('时间');ylabel('队长');subplot(2,2,3);title('各顾客在系统中的排队时间和等待时间');stairs([0 ArriveNum],[0 t_Queue],'b');hold on;stairs([0 LeaveNum],[0 t_Wait],'y');hold off;legend('排队时间','等待时间');%仿真值与理论值比较disp(['理论平均等待时间t_Wait_avg=',num2str(1/(Mu-Lambda))]);disp(['理论平均排队时间t_Wait_avg=',num2str(Lambda/(Mu*(Mu-Lambda)))]);disp(['理论系统中平均顾客数=',num2str(Lambda/(Mu-Lambda))]);disp(['理论系统中平均等待队长=',num2str(Lambda*Lambda/(Mu*(Mu-Lambda)))]);disp(['仿真平均等待时间t_Wait_avg=',num2str(t_Wait_avg)])disp(['仿真平均排队时间t_Queue_avg=',num2str(t_Queue_avg)])disp(['仿真系统中平均顾客数=',num2str(CusNum_avg)]);disp(['仿真系统中平均等待队长=',num2str(QueLength_avg)]);五、数据结构1.仿真设计算法（主要函数）利用负指数分布与泊松过程的关系，产生符合泊松过程的顾客流，产生符合负指数分布的随机变量作为每个顾客的服务时间：Interval_Arrive=-log(rand(1,SimTotal))/Lambda;%到达时间间隔，结果与调用exprnd(1/Lambda，m)函数产生的结果相同Interval_Serve=-log(rand(1,SimTotal))/Mu;%服务时间间隔t_Arrive(1)=Interval_Arrive(1);%顾客到达时间时间计算t_Wait=t_Leave-t_Arrive;%各顾客在系统中的等待时间t_Queue=t_Wait-Interval_Serve; %各顾客在系统中的排队时间由事件来触发仿真时钟的不断推进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
物流系统建模与仿真09级自动化学院物流工程1班20085435 詹乐思20095277 安静20095278 陈红玲20095289 陈均剑20095290 翟瑞20095291 胡旺单服务台排队系统仿真研究报告——选重庆大学A区门口中国银行分行某一服务窗口为单服务台排队系统研究对象一、系统基本背景社会的进步越来越快，人们的生活节奏也随之越来越快。
在科技的发展，新技术的普及下, 我国的银行业以计算机和信息技术、互联网技术为前提, 通过大量资金和科技的投入, 不断地开发出新产品和新业务。
另外有网上银行、支付宝等新业务的出现, 大大提高了工作效率。
然而现代的金融服务并不是都可以靠刷卡来解决, 许多技术还不完善, 这些新技术也并不适合所有顾客群,去银行办理业务的顾客仍然经常性地出现排队现象。
顾客等待时间过长, 造成顾客满意度下降, 矛盾较为突出, 因此本报告试利用单服务台排队论的方法, 定性定量地对具有排队等候现象的银行服务系统进行统计调查与分析研究,希望能帮助改进银行工作效率, 优化系统的运营。
本报告研究对象为中国银行重庆大学处分行某一服务窗口，数据取自银行内唯一非现金业务柜台。
研究对象的选取虽然不是最典型的，但是综合考虑了研究地域范围和小组成员作业时间有限，另有其他方案由于各种原因无法进行，故选择离学校较近的有代表性的中国银行中的服务窗口作为最终方案。
中国银行简介：中国银行是中国历史最为悠久的银行之一，在大家对银行的概念中有着一定地位。
中国银行主营传统商业银行业务，包括公司金融业务、个人金融业务和金融市场业务。
公司业务以信贷产品为基础，致力于为客户提供个性化、创新的金融服务和融资、财务解决方案。
个人金融业务主要针对个人客户的金融需求，提供包括储蓄存款、消费信贷和银行卡在内的服务。
作为中国金融行业的百年品牌，中国银行在稳健经营的同时，积极进取，不断创新，创造了国内银行业的许多第一，在国际结算、外汇资金和贸易融资等领域得到业界和客户的广泛认可和赞誉。
二、系统描述该银行工作时间为上午8：30至下午16：30（周一至周日），另周末不办理对公业务，属于每天8小时工作制。
系统调查对象为银行内唯一非现金业务柜台，可知到达的顾客中，需要办理非现金业务的顾客在正常现金业务柜台忙碌的情况下可以选择该服务台。
在队列中，等待服务的顾客和服务台构成了一个排队系统。
由于银行前台出纳员逐个接待顾客，当顾客较多的时候就会出现排队等待的现象。
其中，顾客的到达是随机的，每两个先后到达的顾客的到达间隔时间是不确定的。
本排队系统用顾客的数目、到达模式、服务模式、系统容量和排队规则来描述。
为探求此排队系统的规律, 首先需确定顾客流在一定时间内到达的概率分布函数。
抵达本银行服务窗口的顾客流量大体上服从Poisson 分布, 顾客流抵达银行便按先后顺序排队, 进入单服务窗口，即排队论中的M/M/1系统。
所谓M/M/1排队系统是指这样的一种排队模型: 顾客的到达为Poisson 流, 银行对每位顾客的服务时间独立同负指数分布,顾客按先到先服务( FCFS) 规则排队, 当顾客到达时, 若服务台正在忙碌, 则顾客排成一个队列等待服务。
在实际工作中，客户存取款、转账汇款、缴费、理财、开销户等业务是随机发生的，客户办理业务的种类不同，服务时间必然有所差别。
本组构思的概念模型如下：三、问题分析（顾客到达内容调查表）共九个表，下面只列出表一举例，所有的表见附表一。
四、调查表格及其概率计算共九个表，下面只列出表一举例，所有的表见附表二。
表1顾客到达间隔时间的概率分布4 0.038 1.00每个顾客被服务时间的概率分布服务时间/min 概率密度累积概率3 0.185 0.1856 0.074 0.2594 0.148 0.4077 0.074 0.4812 0.259 0.741 0.074 0.8149 0.037 0.8515 0.148 1.000五、建模及其分析根据上面的表格中的数据计算，取其平均值并化整以方便仿真数据，这里举表1的例子稍加讨论：1）顾客到达间隔时间的平均值：4.3min，即262s；2）根据顾客到达间隔时间的平均值算得其方差和标准差：3.7，1.92；3）接受服务时间的平均值：3.7min，即222s；4）根据接受服务时间的平均值算得其方差和标准差：3.6,，1.89。
可知，服务时间比顾客到达时间略小，故能够形成排队。
通过统计检验的方法,检验顾客到达规律服从Poisson分布, 服务时间服从指数分布, 从而确定为M/M/ 1 模型。
下面使用Flexsim6.0版软件建立模型，其中发生器代表顾客到达率的一个表示，传送带代表顾客排队的情况（传送带上有货物停滞代表服务过程有排队的现象），处理器代表银行服务柜台，吸收器代表顾客业务的接收。
模型3D图见下图所示：六、结果分析以及与教材P19~23系统参数进行比较分析下面的表格为仿真30次、每次2小时仿真长度的仿真结果：服务窗口队列情况服务人员工作情况教材中30次的仿真情况可知，该系统在每天8h的工作时间内，平均队长不超过2，最大队长只有8，每个顾客的平均被服务时间小于4min，而顾客的平均排队纯等待时间大多数抽样都小于2min，只有个别抽样接近5min。
可见，该系统的服务状况良好，顾客基本得到及时的服务。
从业务员的工作量看，一个业务员每天大约要处理100多（输出结果的抽样小于115）位顾客的银行业务，其利用率，也就是其处理业务时间与总工作时间的比在63.1%-82.5%之间。
我们运用Flexsim软件仿真的结果为，该系统在每天8点至10点的2h工作时间内，平均队长为2.47，不超过3，最大队长只有7，每个顾客的平均被服务时间为5.5min,顾客的平均纯排队等待时间为11min。
可见，该系统的服务状况一般，平均纯等待时间较长。
从业务员的工作量看，早上这两个小时大约要处理21位顾客的银行业务，其平均利用率比较高，为96.3%。
从参数间对比可知本调查中服务台效率和教材中大不一样，根据分析，我们认为原因有以下几点:首先因为我们时间有限，采集数据不是一整天，而只是早上8点至10点两个小时，所以并不能代表一整天的数据，所以仿真的结果必然有差。
其次是顾客数量问题，每个地区的人口密度不同，那么肯定顾客数量不同，这对排队长度以及排队时间都有影响。
其次每个银行的服务效率都不尽相同，教材上例子的银行与我们所选取的银行不同，当然服务率也是有差别的，而且我们选取的是非现金业务交易服务台，由于此服务台本身的特殊性，顾客比其他的服务台数量要少。
对比来看，本小组仿真的系统虽然业务员利用率高，但是服务台对每个顾客的平均服务时间为5.5min，而每个顾客到达的平均间隔为4.4min，经过两个小时的积累，最大队长就已经达到了6，最大排队等待时间达到了20多分钟，照这样的速率，那么一天8小时，到后面的顾客排队时间越来越长，顾客会失去耐心。
七、系统改善本小组认为可以通过一些方法来改善系统：1、细分窗口。
银行排队等待产生的原因在于银行业所提供的服务不能满足顾客的需求所导致的结果，解决这个问题除了开辟更多的服务窗口之外，更要注重服务内容的增加，即针对不同的客户，对服务内容进行进一步的细分，并对细分后的服务项目提供专门的服务窗口，以此来增加提供服务的数量。
例如现在的开户业务以及一些大额储蓄业务通常都是在一般的储蓄窗口进行的，但是这些业务所占用的时间又较长，使得顾客等待时间增加，因此可以考虑在此类业务比较多的银行开设专门的开户窗口或大额储蓄窗口，将这些处理时间较长的业务分离出来，以缩减客户等待时间。
2、提高服务台的工作效率。
根据排队论理论指出，如果银行平均服务率低于顾客平均到达率，会使得排队越来越长而只能等到高峰期过后才能得到缓解。
因此，降低服务时间提高个人银行排队系统的效率，使得排队系统能够应付更多的顾客，从而降低顾客的等待时间，进而吸引客户并能增加未来业务利润。
银行应更有效的利用客户闲置时间开展工作：比如大堂经理可询问每位顾客业务需求，指导填写单据等3、分流客户。
1）在最普通，也是最经常为顾客提供服务的储蓄窗口的员工应尽量避免处理其他业务，用最快捷、最有效的方式为顾客提供服务，减少顾客排队的时间；2）可以对团体客户或者存款数额较大的顾客设立预约服务，并开设一个专门的预约窗口，将这些占用时间较多的服务从业务高峰期中划分出来单独处理。
4、电子银行国内金融服务供给总体不足，且呈现结构性矛盾，银行客户排队现象由来已久，原因之一就是电子银行及其他自助设备不足，民众办理业务往往只能求助柜台服务，不能很好的分流客户。
而电子银行具有突破时空限制、高效率、低成本等传统服务方式难以比拟的优势，大力推广电子银行业务，能有效降低银行营运成本、分流柜台业务、解决银行排队问题，是解决银行排队问题的根本出路。
积极引导客户使用网上银行、手机银行、电话银行、自动柜员机等电子银行，减轻柜台排队压力。
把部分存取少量现金的客户分流到自助设备；增加电子银行业务比重；增加ATM机的投放，同时将ATM机每天取款限额上调；积极进行业务创新，比如个人支票业务，有效减少客户提取现金而去排队的麻烦；突破传统银行国际结算业务柜台申请的限制，推出网上贸易结算系统。
针对不同层次客户群的服务需求，提供不同的电子银行产品；通过不断提升电子银行普及率，充分发挥电子银行产品对传统银行柜台业务的“替代效应”；实行电子银行产品首用辅导制，积极引导客户通过电话银行、网上银行、手机银行、ATM等渠道进行自助缴费和自动转账，最大限度地发挥电子银行业务的客户分流作用。
附表一：附表二：。