📊 statistics

A Fractional M/M/1 Queue Governed by Stretched Non-Local Time Operators

Cet article introduit une généralisation non markovienne de la file d'attente M/M/1 utilisant des opérateurs temporels non locaux étendus, démontrant que bien que la distribution en régime permanent demeure géométrique sous les conditions de stabilité standards, les paramètres fractionnaires modifient de manière significative les taux de convergence transitoire et la dynamique de mémoire longue.

Auteurs originaux : Mehmet Sıddık Çadırcı

Publié 2026-02-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mehmet Sıddık Çadırcı

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un café très fréquenté avec un seul barista. C'est la file d'attente M/M/1 classique, un modèle mathématique utilisé pour comprendre les files d'attente, les temps d'attente et la congestion. Dans la version « classique » de cette histoire, le temps s'écoule comme une rivière calme et régulière. Si un client arrive, la probabilité qu'un autre arrive est la même chaque seconde, peu importe ce qui s'est passé cinq minutes auparavant. Le système n'a pas de mémoire ; il vit entièrement dans l'instant présent.

Cependant, le monde réel n'est pas toujours une rivière fluide. Parfois, le temps semble « collant » ou « étiré ». Peut-être que le barista est distrait, ou que les clients arrivent par rafales imprévisibles qui semblent s'attarder. C'est là qu'intervient l'article de Mehmet Sıddık Çadırcı.

Voici une explication des idées centrales de l'article utilisant des analogies simples :

1. Le nouveau chronomètre « collant »

Les auteurs proposent une nouvelle version de la file d'attente du café. Au lieu d'une rivière fluide, ils imaginent que le temps est régi par un « opérateur de temps non local étiré ».

L'analogie : Imaginez la file d'attente classique comme un train circulant sur une voie parfaite à une vitesse constante. Le nouveau modèle est comme ce même train, mais qui circulerait maintenant dans une substance épaisse et collante comme du miel.
Ce que cela fait : Dans ce « miel », le temps ne passe pas de manière uniforme. Le système se souvient du passé. Si une longue file s'est formée plus tôt, cette « mémoire » affecte la façon dont la file se comporte en ce moment même. L'article remplace le calcul standard de la « vitesse de changement » (la dérivée) par un outil plus complexe appelé opérateur fractionnaire étiré. Cet outil permet au modèle de capturer la « mémoire longue » et la « persistance ».

2. La fonction magique : Le Kilbas-Saigo

Pour résoudre les mathématiques de cette file d'attente collante et pleine de mémoire, les auteurs utilisent un outil mathématique spécial appelé fonction de Kilbas-Saigo.

L'analogie : Dans le modèle classique, les mathématiques utilisent des courbes exponentielles simples (comme une balle qui roule le long d'une colline et s'arrête). Dans ce nouveau modèle, la balle roule le long d'une colline qui change de forme au fur et à mesure de sa progression. La fonction de Kilbas-Saigo est la forme spécifique de cette colline changeante.
Pourquoi c'est important : Cette fonction est une « super-version » des outils mathématiques plus anciens (comme la fonction de Mittag-Leffler). Elle permet au modèle de décrire une plus grande variété de comportements de « relaxation » — la rapidité avec laquelle la file se stabilise après une affluence.

3. Le voyageur temporel « fantôme »

L'une des découvertes les plus fascinantes est la relation entre cette nouvelle file d'attente et l'ancienne. L'article prouve que le comportement de cette file d'attente complexe, dotée de mémoire, n'est en fait qu'une file d'attente classique fonctionnant sur un horloge aléatoire et déformée.

L'analogie : Imaginez deux cafés identiques.
- Café A (Classique) : Le temps s'écoule normalement.
- Café B (Fractionnaire) : Le barista est le même, les clients sont les mêmes, mais l'horloge au mur est cassée. Elle accélère et ralentit de manière aléatoire selon une règle spécifique.
- Le résultat : Si vous observez le Café B, on dirait que la file avance plus lentement ou se comporte bizarrement, mais si vous pouviez « rembobiner » l'horloge cassée du Café B pour correspondre au temps normal du Café A, les deux files seraient exactement les mêmes.
L'affirmation : L'article prouve mathématiquement que la file fractionnaire est simplement une file classique évaluée à un « temps aléatoire non décroissant ».

4. La grande surprise : Le résultat final ne change pas

On pourrait penser que si le temps est collant et que la mémoire est lourde, l'état final de la file serait totalement différent. L'article montre que ce n'est pas le cas.

L'analogie : Que vous marchiez vers le magasin à un pas vif ou que vous progressiez dans une boue profonde, si vous partez du même endroit et suivez le même chemin, vous arriverez finalement à la même destination.
L'affirmation : Tant que le magasin n'est pas submergé (le taux d'arrivée est inférieur au taux de service), la distribution d'état stable finale du nombre de clients dans la file est exactement la même que celle du modèle classique. Le « temps collant » modifie la vitesse à laquelle le système y parvient, mais pas l'endroit où il finit.

5. La vraie différence : Le voyage, pas la destination

Bien que la destination finale soit la même, le voyage est très différent.

L'analogie : Dans le modèle classique, si la file s'allonge, elle revient à la normale très rapidement (de manière exponentielle). Dans le nouveau modèle « collant », la file rétrécit beaucoup plus lentement. Elles possèdent des « queues longues ».
L'affirmation : Les paramètres $\alpha$ $α$ et $\gamma$ $γ$ (qui contrôlent la « collantité » et l'« étirement » du temps) affectent considérablement le régime transitoire (la période temporaire avant la stabilisation).
- Petit $\alpha$ ou grand $\gamma$ : Le système met beaucoup plus de temps à se calmer. Il conserve la « mémoire » d'une période d'affluence pendant longtemps.
- Grand $\alpha$ : Le système se comporte davantage comme le modèle classique à mouvement rapide.

Résumé

L'article introduit une façon plus flexible de modéliser les files d'attente qui tient compte de la « mémoire » et de la « collantité » du temps.

Il change les règles du temps : Il remplace le temps standard par une version « étirée » qui se souvient du passé.
Il utilise un nouvel outil mathématique : La fonction de Kilbas-Saigo pour décrire comment le système se relaxe.
Il se connecte à l'ancien : Il montre que ce nouveau système est simplement un ancien système fonctionnant sur une horloge étrange et aléatoire.
Il garde la même fin : La moyenne à long terme du nombre de personnes dans la file est la même que celle du modèle classique.
Il ralentit le début : La principale différence est que le système met beaucoup plus de temps à se stabiliser après une affluence, créant des « queues lourdes » où la file dure plus longtemps que prévu avant de revenir à la normale.

Les auteurs ont validé cela par des simulations informatiques (Monte Carlo), montant qu'en ajustant les paramètres de « collantité », ils pouvaient modéliser des systèmes qui se relaxent beaucoup plus lentement que ce que les modèles traditionnels permettent.

Résumé Technique : Une file d'attente M/M/1 fractionnaire régie par des opérateurs de temps non locaux étirés

Énoncé du Problème
La file d'attente M/M/1 classique est un système markovien régi par des équations de Kolmogorov de type avance linéaires avec des dérivées temporelles ordinaires. Bien qu'efficace pour les systèmes aux temps entre événements sans mémoire, ce cadre ne parvient pas à capturer les effets temporels non locaux, la persistance et la relaxation anormale souvent observés dans les systèmes réels complexes. Les généralisations fractionnaires existantes reposent généralement sur la dérivée de Caputo standard, qui introduit une mémoire mais manque de la flexibilité nécessaire pour modéliser des comportements de mise à l'échelle temporelle plus complexes. Cet article comble la lacune consistant à intégrer systématiquement des opérateurs de temps non locaux étendus dans l'analyse transitoire des modèles de files d'attente afin de mieux caractériser la dynamique des queues à longue mémoire.

Méthodologie
Les auteurs proposent une généralisation non markovienne de la file d'attente M/M/1 en remplaçant la dérivée temporelle de premier ordre standard dans les équations de Kolmogorov par un opérateur fractionnaire étiré étendu, noté $D^{(\alpha, \gamma)}_t$ . Cet opérateur est défini comme $t^{-\gamma} {}^C D^\alpha_t$ , où ${}^C D^\alpha_t$ est la dérivée fractionnaire de Caputo d'ordre $0 < \alpha < 1$ , et $\gamma \ge 0$ est un paramètre d'étirement satisfaisant $\alpha + \gamma \le 1$ .

L'analyse procède selon les étapes suivantes :

Formulation du Modèle : Les probabilités d'état $p_n(t)$ sont régies par un système d'équations différentielles-différentielles fractionnaires où la dérivée temporelle est substituée par $D^{(\alpha, \gamma)}_t$ .
Solution Analytique : Les auteurs emploient des techniques de transformée de Laplace pour résoudre les équations directrices. La structure de la solution repose sur la fonction de Kilbas–Saigo ( $E_{a,m,l}$ ), une fonction spéciale qui généralise la famille de Mittag-Leffler et sert de fonction propre pour l'opérateur fractionnaire étiré.
Représentation Stochastique : Une interprétation par changement de temps est construite, démontrant que le processus de file d'attente fractionnaire $\{N_{\alpha,\gamma}(t)\}$ est distributionnellement équivalent à un processus M/M/1 classique évalué à un temps aléatoire non décroissant $A_{\alpha,\gamma}(t)$ . Ce temps aléatoire est l'inverse d'un sous unique associé à l'opérateur étiré.
Validation Numérique : Des simulations de Monte Carlo sont conduites en utilisant un schéma de simulation à temps variable ; les trajectoires M/M/1 classiques sont générées via un algorithme piloté par les événements et évaluées à des temps opérationnels aléatoires dérivés de la dynamique fractionnaire étirée pour estimer les métriques de performance transitoires.

Principales Contributions
Cet article présente quatre contributions majeures :

Proposition d'un Modèle Étendu : Il introduit un modèle de file d'attente M/M/1 fractionnaire incorporant un opérateur de temps non local avec un paramètre d'étirement supplémentaire ( $\gamma$ ), permettant un spectre plus riche de comportements de décroissance que les modèles fractionnaires standards.
Dérivation Analytique : Il dérive des probabilités d'état transitoires explicites exprimées en termes de la fonction de Kilbas–Saigo, fournissant une représentation en forme close de l'évolution du système.
Régimes Limites : Il définit rigoureusement les cas limites qui récupèrent à la fois la file d'attente M/M/1 classique (lorsque $\alpha \to 1, \gamma \to 0$ ) et la file d'attente M/M/1 fractionnaire temporelle standard (lorsque $\gamma \to 0$ ), assurant la cohérence avec la littérature existante.
Interprétation Stochastique : Il établit un lien probabiliste entre la file d'attente fractionnaire et un processus classique par changement de temps, clarifiant le mécanisme d'introduction de la mémoire.

Résultats

Comportement Transitoire : Les paramètres fractionnaires $(\alpha, \gamma)$ modifient significativement le régime transitoire. Plus précisément, le système présente une relaxation non exponentielle et une convergence plus lente vers l'équilibre par rapport au cas classique. La probabilité que le système soit vide ( $p_0(t)$ ) et la longueur moyenne de la file ( $m(t)$ ) convergent vers les valeurs de régime permanent plus lentement à mesure que les effets de mémoire (contrôlés par $\alpha$ et $\gamma$ ) augmentent.
Distribution en Régime Permanent : Sous la condition de stabilité standard $\rho = \lambda/\mu < 1$ , l'article prouve que la distribution en régime permanent reste géométrique et coïncide exactement avec celle de la file M/M/1 classique ( $\pi_n = (1-\rho)\rho^n$ ). Les paramètres fractionnaires étirés affectent le taux de convergence mais ne modifient pas la mesure invariante du système.
Dynamique des Queues : Les exemples numériques indiquent que la dynamique fractionnaire entraîne une dispersion plus large de la distribution de la longueur de la file à des temps intermédiaires, soulignant les effets de persistance causés par l'opérateur de temps non local.

Signification et Revendications
L'article prétend fournir un cadre flexible et mathématiquement cohérent pour modéliser les systèmes de files d'attente avec mémoire et effets temporels non locaux. En utilisant la fonction de Kilbas–Saigo, le modèle comble le fossé entre la dynamique classique et la dynamique fractionnaire complexe, offrant un outil pour capturer les dynamiques de queues à longue mémoire que les modèles markoviens ou les modèles fractionnaires simples ne peuvent capturer. Les auteurs soulignent que, bien que la distribution stationnaire soit invariante sous ces changements de temps, les métriques de performance transitoires sont hautement sensibles aux paramètres fractionnaires, rendant ce modèle particulièrement pertinent pour les systèmes où la vitesse de convergence et les modèles de congestion transitoire sont critiques. Le travail valide que le cadre étendu préserve la structure de naissance-mort linéaire de la file d'attente tout en introduisant la mémoire par l'évolution temporelle.