📊 statistics

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

本文通过使用扩展的非局部时间算子，引入了一种 M/M/1 排队系统的非马尔可夫推广，证明了在标准稳定性条件下，尽管稳态分布仍保持几何分布特性，但分数阶参数会显著改变瞬态收敛速率和长记忆尾部动态。

原作者： Mehmet Sıddık Çadırcı

发布于 2026-02-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Mehmet Sıddık Çadırcı

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个忙碌的咖啡馆，只有一名咖啡师。这是经典的 M/M/1 排队模型，是一个用于理解排队、等待时间和拥堵的数学模型。在“经典”版本的故事中，时间像一条平滑、稳定的河流。如果有一位顾客到达，下一位顾客到达的概率在每一秒都是相同的，无论五分钟前发生了什么。这个系统没有记忆；它完全生活在当下。

然而，现实世界并不总是像平滑的河流一样。有时，时间会感觉是“粘稠”或“被拉伸”的。也许咖啡师分心了，或者顾客以看似持续不断的不可预测爆发式方式到达。这正是 Mehmet Sıddık Çadırcı 的论文所探讨的内容。

以下是使用简单类比对该论文核心思想的解释：

1. 新的“粘性”时钟

作者提出了一个新版本的咖啡馆排队模型。他们不再将时间视为平滑的河流，而是想象时间受控于一个**“拉伸的非局部时间算子（stretched non-local time operator）”**。

类比： 将经典排队模型想象成在一条完美轨道上以恒定速度行驶的火车。而这个新模型就像是同一列火车，但现在它正通过一种像蜂蜜一样厚重、粘稠的物质。
作用： 在这种“蜂蜜”中，时间的流逝是不均匀的。系统会记住过去。如果早些时候形成了长队，这种“记忆”会影响现在的排队行为。论文用一种更复杂的工具——拉伸分数算子（stretched fractional operator），取代了标准的“变化速率”（导数）的数学计算。这个工具使模型能够捕捉“长记忆”和“持久性”。

2. 魔力函数：Kilbas-Saigo 函数

为了解决这个具有粘性和记忆的排队问题的数学运算，作者使用了一种特殊的数学工具，称为 Kilbas-Saigo 函数。

类比： 在经典模型中，数学使用的是简单的指数曲线（就像一个球滚下山坡并停止）。而在这种新模型中，球滚下的山坡形状会随着移动而改变。Kilbas-Saigo 函数就是那座不断变化的斜坡的具体形状。
重要性： 这个函数是旧数学工具（如 Mittag-Leffler 函数）的“超级版本”。它允许模型描述更广泛的“弛豫（relaxation）”行为——即队伍在高峰期过后恢复平静的速度。

3. “幽灵”时间旅行者

一个最迷人的发现是这种新型复杂、充满记忆的排队模型与旧模型之间的关系。论文证明了这种复杂的、具有记忆的排队行为，实际上只是一个运行在随机、扭曲时钟上的经典排队模型。

类比： 想象两家完全相同的咖啡馆。
- 店铺 A（经典）： 时间正常跳动。
- 店铺 B（分数阶）： 咖啡师是一样的，顾客也是一样的，但墙上的时钟坏了。时钟会根据特定的规则随机加速或减速。
- 结果： 如果你观察店铺 B，你会觉得队伍移动得很慢或表现得异常；但如果你能将店铺 B 的坏掉的时钟“倒回”到匹配店铺 A 的正常时间，这两条队伍看起来会完全一样。
论点： 论文从数学上证明，分数阶排队模型本质上就是在“非递减随机时间”下评估的经典排队模型。

4. 大惊喜：最终结果并未改变

你可能会认为，如果时间是粘稠的且记忆沉重，那么队伍的最终状态会完全不同。论文表明事实并非如此。

类比： 无论你是快步走还是在深泥中跋涉，只要你从同一点出发并沿着同一条路径，你最终都会到达同一个目的地。
论点： 只要店铺没有被压垮（到达率低于服务率），队伍的*最终稳态分布（steady-state distribution）*与经典模型完全相同。这种“粘性时间”改变了系统到达终点的速度*，但没有改变它最终到达的位置*。

5. 真正的区别：过程而非终点

虽然最终目的地相同，但**过程（旅程）**却大不相同。

类比： 在经典模型中，如果队伍变长，它会非常迅速地（呈指数级地）缩减回正常水平。而在这种新的“粘性”模型中，队伍缩减的速度要慢得多。它们具有“长尾效应”。
论点： 参数 $\alpha$ $α$ 和 $\gamma$ $γ$ （控制“粘性”和“拉伸”时间的参数）显著影响瞬态过程（transient regime）（即系统趋于稳定之前的临时阶段）。
- 较小的 $\alpha$ 或较大的 $\gamma$ ： 系统需要更长时间才能恢复平静。它会对繁忙时期的“记忆”保持很长时间。
- 较大的 $\alpha$ ： 系统表现得更接近于那种快速移动的经典模型。

总结

这篇论文引入了一种更灵活的方式来模拟等待队列，考虑了时间中的“记忆”和“粘性”。

它改变了时间的规则： 它用一个“拉伸”的版本取代了标准时间，这个版本会记住过去。
它使用了一个新的数学工具： 使用 Kilbas-Saigo 函数来描述系统的弛豫过程。
它与旧模型建立了联系： 它表明这个新系统只是一个运行在奇特随机时钟上的旧系统。
它保持了相同的结局： 队伍中的长期平均人数与经典模型保持一致。
它放慢了开端： 主要区别在于，系统在高峰期过后需要更长时间才能恢复常态，从而产生了比传统模型预期的更长的“长尾”现象。

作者通过计算机模拟（蒙特卡洛模拟）验证了这一点，展示了通过调整“粘性”参数，他们可以模拟出比传统模型恢复速度慢得多的系统。

技术摘要：受拉伸非局部时间算子控制的分数阶 M/M/1 排队模型

问题陈述
经典的 M/M/1 排队模型是一个由线性 Kolmogorov 前向方程和常微分时间导数控制的马尔可夫系统。虽然该框架对于具有无记忆性质的事件间隔时间非常有效，但它无法捕捉复杂现实系统中观察到的非局部时间效应、持久性和反常弛豫现象。现有的分数阶泛化通常依赖于标准的 Caputo 导数，这虽然引入了记忆性，但缺乏建模更复杂时间尺度行为的灵活性。本文旨在解决如何系统性地将扩展的非局部时间算子集成到排队模型瞬态分析中的空白，以更好地表征长记忆尾部动力学。

方法论
作者提出了一种非马尔可夫化的 M/M/1 排队模型泛化方法，通过将 Kolmogorov 前向方程中的标准一阶时间导数替换为扩展拉伸分数阶算子 $D^{(\alpha, \gamma)}_t$ 。该算子定义为 $t^{-\gamma} {}^C D^\alpha_t$ ，其中 ${}^C D^\alpha_t$ 是阶数为 $0 < \alpha < 1$ 的 Caputo 分数阶导数， $\gamma \ge 0$ 是满足 $\alpha + \gamma \le 1$ 的拉伸参数。

分析过程分为以下步骤：

模型构建： 系统状态概率 $p_n(t)$ 由分数阶差分-微分方程控制，其中时间导数被替换为 $D^{(\alpha, \gamma)}_t$ 。
解析解： 作者采用拉普拉斯变换技术来求解控制方程。解的结构依赖于 Kilbas–Saigo 函数（ $E_{a,m,l}$ ），这是一种推广了 Mittag-Leffler 系列的特殊函数，也是该拉伸分数阶算子的特征函数。
随机表示： 构建了一个时间变化（time-change）解释，证明分数阶排队过程 $\{N_{\alpha,\gamma}(t)\}$ 在分布上等价于在非递减随机时间 $A_{\alpha,\gamma}(t)$ 下评估的经典 M/M/1 过程。该随机时间是与拉伸算子相关的子渗流过程（subordinator）的逆过程。
数值验证： 使用随时间变化的变化模拟方案进行蒙特卡洛模拟。通过事件驱动算法生成经典 M/M/1 路径，并在由拉伸分数阶动力学导出的随机运行时间下对其进行评估，以估计瞬态性能指标。

核心贡献
本文提出了四个主要贡献：

扩展模型提议： 引入了一种包含具有额外拉伸参数（ $\gamma$ ）的非局部时间算子的分数阶 M/M/1 模型，从而比标准分数阶模型能够提供更丰富的衰减行为谱。
解析推导： 推导出了以 Kilbas–Saigo 函数表示的显式瞬态状态概率，为系统的演化提供了闭式表示。
极限情形： 严格定义了极限情况，使其在 $\alpha \to 1, \gamma \to 0$ 时回归标准经典 M/M/1 排队模型，在 $\gamma \to 0$ 时回归标准时间分数阶 M/M/1 排队模型，确保了与现有文献的一致性。
随机解释： 建立了分数阶排队与时间变化后的经典过程之间的概率联系，阐明了引入记忆的机制。

结果

瞬态行为： 分数阶参数 $(\alpha, \gamma)$ 显著改变了瞬态过程。具体而言，与经典情况相比，系统表现出非指数弛豫以及向平衡态收敛速度更慢的特性。系统为空的概率（ $p_0(t)$ ）和平均队列长度（ $m(t)$ ）随着记忆效应（由 $\alpha$ 和 $\gamma$ 控制）的增加，向稳态值收敛的速度变慢。
稳态分布： 在标准稳定性条件 $\rho = \lambda/\mu < 1$ 下，本文证明了稳态分布仍然是几何分布，并且与经典 M/M/1 排队模型的稳态分布（ $\pi_n = (1-\rho)\rho^n$ ）完全一致。拉伸分数阶参数影响的是收敛速率，但不会改变系统的不变测度。
尾部动力学： 数值示例表明，分数阶动力学导致在中间时刻队列长度分布的分布范围更广，凸显了由非局部时间算子引起的持久性效应。

意义与主张
本文声称提供了一个灵活且数学一致的框架，用于建模具有记忆性和非局部时间效应的排队系统。通过利用 Kilbas–Saigo 函数，该模型弥合了经典动力学与复杂分数阶动力学之间的鸿沟，提供了一种捕捉标准马尔可夫或简单分数阶模型无法捕捉的长记忆尾部动力学的工具。作者强调，虽然稳态分布在这些时间变化下保持不变，但瞬态性能指标对分数阶参数高度敏感，这使得该模型对于那些对收敛速度和瞬态拥塞模式至关重要的系统特别具有相关性。该工作验证了扩展框架在引入通过时间演化产生的记忆性的同时，保留了排队的线性生灭（birth-death）结构。