排队论

先看最上面那条时间轴：竖线明显是一丛一丛的，中间又有大片空白。可参数明明是"平均每分钟 1.2 个人"——完全均匀的到达。这就是泊松过程最容易被误解的地方："随机且均匀"产生的图案看起来一点也不均匀。人眼很不擅长这件事，总把随机的成团当成"有规律"。（同一个误判在天灾、疾病和事故的"聚集"报道里反复出现。）中间那排柱子是每分钟实际来了几个人：有的分钟 0 个，有的分钟 4 个，这才是泊松分布的样子。注意第四行读数：每分钟人数的均值和方差几乎相等——这是泊松分布的招牌特征，也是实践中判断"到达是不是泊松"的第一个检验。下面的直方图是相邻到达的间隔，和指数曲线贴得很紧，变异系数接近 1。指数分布的无记忆性在这里有一个很实在的推论：不管你已经等了多久，再等下一个人的期望时间都是 1/λ。已经空等了三分钟，并不意味着"下一个马上就到"。

这条曲线是排队论里最该记住的一张图：Lq = ρ²/(1−ρ)。把利用率从 50% 提到 80%，队长从 0.5 变成 3.2；再从 80% 提到 90%，队长从 3.2 变成 8.1；从 90% 提到 95%，队长跳到 18。最后这 5 个百分点的"效率提升"，让平均排队人数翻了一倍多。这就是为什么医院急诊、机场安检、服务器集群的设计利用率一般都压在 70%–85%——不是不想榨干产能，而是 1/(1−ρ) 这条曲线在后面等着。下面那张队长随时间变化的图同样重要。即使平均队长只有 3.2 人，某些时刻也会堆到十几个。排队系统的痛点从来不是均值，是那些尖峰：客户记住的是最长的那次等待，不是平均的那次。把利用率拖到 0.95 再看，尖峰会高得离谱，而且系统要花很久才回落——高利用率不只让平均变差，还让"从拥堵中恢复"变慢。（模拟值在 ρ 很高时会略低于理论值，因为有限的模拟时长还没来得及采到那些极长的拥堵段。）

两种排法的总服务能力完全一样，利用率也一样，结果差了好几倍。c=3 时，一条队三个窗口的平均等待是 1.62，三条独立的队各一个窗口是 5.67——慢了 3.5 倍。c=4 时差 4.9 倍，c=6 时差 8.2 倍。窗口越多，合并排队的优势越大。原因很简单：分开排队时，完全可能出现"一个窗口前排了五个人，隔壁窗口空着"的浪费；合并成一条队，只要还有人在等，就不可能有窗口闲着。这个现象叫资源池化，在银行、机场、超市已经全面普及，在服务器负载均衡、共享单车调度、医院床位统筹里是同一件事。注意最后一行读数：即使窗口很多，"需要等一下"的概率仍然不低（c=3、ρ=0.85 时是 0.73）。合并排队降的是等待时长，不是等待概率——你还是要排，只是排得快多了。（这也解释了为什么大家对"一条蛇形队"的体验更好：队看起来更长，但动得更快，而且绝对公平。）

把服务时间分布换来换去，盯住最后两行读数：它们永远相等。ρ=0.8、c=2 时：指数分布下 L=4.47、λW=4.47；固定时长下 L=3.02、λW=3.02；重尾分布下 L=11.26、λW=11.26。L 本身变了将近四倍，L=λW 却一位小数都不差。这就是 Little 定律。它不要求到达是泊松的、不要求服务时间是指数的、不要求先来先服务，甚至不要求系统内部是什么结构——只要系统是稳定的，这条恒等式就成立。在建模里它有一个特别实用的用法：三个量里测两个，第三个就免费得到了。想知道平均逗留时间但没法跟踪每个人？数一数系统里平均有多少人、每分钟进来多少人，一除就是。（"在制品数 = 吞吐率 × 生产周期"、"平均库存 = 出货速度 × 库存周转天数"说的都是这一句。）另一件同样重要的事：换个服务时间分布，L 从 3.02 变到 11.26。平均服务时间一点没变，只是方差变了。排队系统对方差的敏感程度，远超过对均值的敏感程度——想缩短队伍，让服务时间更稳定，往往比让它更快更有效。