排队论：爱尔朗(Erlang)模型的诞生与现代应用全景
排队现象几乎存在于我们生活的每一个角落：从繁忙的银行柜台，到拥堵的交通路口，再到网络服务器的请求排队，无不体现出资源有限与需求随机到达之间的矛盾。如何科学地分析和管理这种等待过程，成为提升系统效率和用户体验的核心难题。排队论作为研究随机到达与服务过程的数学理论，诞生于20世纪初，开创者是丹麦数学家阿格纳·克努特·爱尔朗（Agner Krarup Erlang）。他以解决电话通信系统中呼叫阻塞问题为契机，首次将概率论应用于实际工程，提出了经典的Erlang公式，开创了排队论这一跨学科领域。爱尔朗的工作不仅为通信网络设计提供了理论基础，也为交通、服务、计算机等领域的资源调度和性能优化奠定了坚实基础。随着信息技术和大数据的发展，排队论不断拓展和深化，成为现代社会优化运营不可或缺的理论工具。
“The theory of probabilities and telephone conversations.”
— Agner Krarup Erlang, 1909
——这句开创性论文标题不仅揭示了爱尔朗理论的主题，也奠定了排队论作为概率论实际应用的经典地位。
目录
一、引言：排队论的现实意义与数学魅力
二、阿格纳·克努特·爱尔朗：生平与时代背景
三、排队论的诞生：爱尔朗模型的创立与贡献
四、排队论的发展历程
五、排队论的广泛应用
六、现代排队论的热点与前沿
七、总结与展望：排队论的未来之路
一、引言：排队论的现实意义与数学魅力
在我们的生活中，“排队”早已司空见惯。医院挂号长龙、银行等候叫号、交通拥堵、网站加载缓慢……这些看似琐碎的等待背后，实则蕴含着复杂的资源分配与随机行为问题。排队论（Queuing Theory）正是一门专门研究这类等待-服务现象的数学理论，它以概率论为工具，揭示出系统运行中的瓶颈、平衡与最优化原则。
这门学科的开创者，是20世纪初丹麦的数学家兼工程师阿格纳·克努特·爱尔朗（Agner Krarup Erlang）。他在为哥本哈根电话公司解决线路阻塞问题时，首次构建了数学模型，奠定了排队论的理论基础。自此之后，排队论迅速拓展，涵盖从通信网络、制造系统到交通物流、计算机服务等多个场景，成为运筹学、系统工程和人工智能中的关键模块。
本文将从爱尔朗的生平与贡献谈起，梳理排队论的经典模型与数理结构，追溯其百年发展脉络，并展望其在智能化时代的演进与挑战。
二、阿格纳·克努特·爱尔朗：生平与时代背景
阿格纳·克努特·爱尔朗（Agner Krarup Erlang，1878–1929）是丹麦著名的数学家与工程师，被誉为排队论的奠基人。他出生在丹麦的洛斯托普（Lønborg），一个平凡的农村家庭。幼年时期的爱尔朗即展现出卓越的逻辑思维能力与对数学的浓厚兴趣。他以优异的成绩进入哥本哈根大学数学系学习，1898年获得硕士学位，师从丹麦著名数学家Julius Petersen。
毕业后，他曾在中学短暂任教，随后于1908年进入哥本哈根电话公司（Danish Telephone Exchange），担任工程师。在那里，他面对一个当时极具挑战性的工程问题：如何合理配置电话线路数量，以满足用户呼叫需求，避免频繁出现“占线”问题，又不至于资源浪费。那个年代，电话通信正处于快速发展阶段，大量用户的涌入对系统容量提出了前所未有的挑战。然而，传统方法多依赖经验法则，缺乏严谨的理论支撑。
爱尔朗以惊人的数学天赋，率先将概率论和数理统计工具引入到电话工程问题中。他将电话呼叫建模为泊松过程，将电话通话持续时间抽象为指数分布，通过推导出排队系统的阻塞概率公式，建立了著名的 Erlang B 模型 和 Erlang C 模型，至今仍广泛应用于电信、客服中心、计算机网络等领域。他提出的通信流量单位“Erlang”，成为衡量呼叫负载与网络容量的标准单位，在全球通信行业沿用至今。
不仅如此，爱尔朗发表了多篇重要论文，其中《解决几个与自动电话交换机有关的问题》（1909）被认为是世界上最早将概率论应用于工程系统的典范之作。他的研究方法为后来排队论、随机过程乃至整个运筹学体系提供了理论雏形，开启了“从应用中抽象，从抽象中归纳”的方法论之路。
1929年，爱尔朗因肺结核早逝，年仅51岁。他生前从未在大学担任教职，也未接受过广泛的国际学术荣誉，甚至他的工作在生前一度被学界忽视。但后世回望，他所奠定的理论基础却已成为工业工程、信息科学、交通运输等多学科交叉领域的核心支柱。爱尔朗的贡献不仅在于解决实际问题，更在于创造了一个连接现实与数学之间的桥梁，他的思想和方法仍在全球成千上万的系统优化中发挥效能。
三、排队论的诞生：爱尔朗模型的创立与贡献
3.1 通信系统中的实际问题起源
20世纪初，电话作为一种新兴通信方式在欧美快速普及。丹麦哥本哈根的电话局面对一个极具挑战性的现实问题：当用户数量迅速增长、呼叫频繁时，电话线路资源变得紧张，在高峰时段，许多用户呼叫失败，导致客户体验不佳，也对企业声誉与收益构成威胁。
彼时，电话公司往往依据经验配置线路：多加几条线，以降低阻塞，但这显然既不经济，也不科学。**是否存在一种理论工具，能够根据用户呼叫行为和服务资源数量，精确计算出“阻塞概率”或“等待概率”，从而实现资源最优配置？**这个问题，正是排队论的起点。
3.2 阿古纳·爱尔朗：数学与工程的桥梁
阿古纳·爱尔朗（Agner Krarup Erlang），一位丹麦数学家、电信工程师，时任哥本哈根电话公司工程部技术顾问。他关注到：电话呼叫并非规律到达，而是随机出现，服务时间也非恒定，而是有波动。因此，用传统确定性方法根本无法精准建模。爱尔朗首次尝试用概率论与统计方法，将电话通信抽象为一个随机服务系统，即后来的“排队模型”。
他假设呼叫用户的到达过程是泊松过程，服务时间服从指数分布，且存在有限个服务线路。当所有线路都被占用时，新来的呼叫要么被阻塞（无法接通），要么在系统中等待。基于这个思路，他提出了两个具有里程碑意义的模型，并得出两种经典公式，分别适用于两种不同服务情境。
3.3 泊松过程与状态转移的引入
爱尔朗的创新在于，他引入泊松过程描述电话呼叫的随机到达，认为单位时间内有固定概率发生一次呼叫事件，多个事件的发生相互独立。这种模型非常贴合实际电话呼叫数据，远比线性拟合更真实。
同时，他运用马尔可夫链状态转移思想，将电话系统每一时刻的“服务状态”分为 0 条线路被占、1 条被占、……直到全部线路占满等多个状态，并建立了状态之间的转移概率方程，进而推导出系统在稳态下每种状态的概率分布。该分析模型的核心思想，正是后来的M/M/m排队模型原型。
3.4 Erlang B公式（无等待系统）
最早应用于电话交换机设计，Erlang B 模型假设系统中无等待队列，即若所有线路都忙，新来的呼叫将被直接拒绝（阻塞）。该系统的核心性能指标是：阻塞概率，即新呼叫无法接入的概率。公式如下：
其中：
- \(E = \lambda / \mu\)：单位时间内的交通强度（以“Erlang”为单位），是平均到达率与服务率之比；
- \(m\)：服务器（线路）数。
该公式体现了一个核心理念：即使用户到达具有不确定性，只要交通强度与服务器数量已知，就能定量预测系统失败率。
3.5 Erlang C公式（有等待系统）
考虑另一种情境：如果系统允许客户等待，那么不再是阻塞问题，而是“需要等待”的概率，以及“平均等待时间”问题。这就是Erlang C模型的研究对象，假设：
- 到达过程仍为泊松；
- 服务时间为指数分布；
- 有 m 个服务台；
- 等待队列无限大，服务先来先服务。
Erlang C 公式为：
它给出了顾客需要等待的概率 \(P_{w}\)，可进一步计算平均等待时间：
这些公式为呼叫中心、人力调度、服务系统设计等问题提供了定量依据。
3.6 爱尔朗的历史意义与方法论革命
爱尔朗的贡献，不只是提出两个计算公式，更重要的是：
- 他率先将随机过程理论用于工程系统设计；
- 提出服务系统建模范式，启发后人建立广泛的排队模型；
- 所创“Erlang”单位成为通信流量标准计量单位。
可以说，爱尔朗开启了排队论这门“概率化的运筹学分支”，为后来的交通系统、制造业、物流、银行、计算机网络等服务与等候系统提供了方法论基础。
时至今日，Erlang B/C 公式仍广泛用于：
- 通信系统容量设计；
- 客服中心座席规划；
- 医院急诊科人力配置；
- 云服务节点容器调度；
- 机场安检排队优化等领域。
爱尔朗虽只发表过不到10篇技术论文，但凭借这套模型，他开创了排队论的大门，也让概率论从纯理论走向工程实践，成为近现代运筹学发展的关键一环。
四、排队论的发展历程
排队论自爱尔朗最初的电话交换研究起，已经历了百余年的理论拓展与实践融合过程，逐步形成一套精致而广泛应用的数学体系。其发展历程可大致分为以下三个阶段：
4.1 Pollaczek 与 Khinchin 的推广：迈向一般服务时间模型
爱尔朗之后的一个重要突破来自于波兰数学家 Félix Pollaczek 和苏联概率学家 Aleksandr Khinchin。他们提出了著名的 M/G/1 模型，即：
- M（Markovian）：顾客到达服从泊松过程；
- G（General）：服务时间服从任意分布；
- 1：单服务器。
Pollaczek-Khinchin公式给出了系统平均等待时间的计算公式，是非指数服务时间情形下分析的核心工具：
其中 \(\lambda\) 是到达率，\(E \left[\right. S^{2} \left]\right.\) 是服务时间的二阶矩，$\rho = \lambda E \left[\right. S \left]\right.为系统负载率。
此推广开启了排队系统向非记忆性服务之外拓展的大门，显著提高了模型适用性，也促进了服务系统工程的精细化建模。
4.2 Kendall 符号的统一与规范化：排队理论的标准语言
英国数学家 David G. Kendall 在 1953 年提出一套简洁直观的排队系统分类符号，将复杂多样的模型加以统一表示，极大地推动了理论研究与工程实践的对接。该符号形式为：
其中：
- \(A\)：到达过程（如 M 表泊松，G 表一般分布）；
- \(S\)：服务时间分布；
- \(c\)：服务台数；
- \(K\)：系统容量；
- \(N\)：顾客源规模；
- \(D\)：排队规则（如 FIFO、LIFO、优先级）。
Kendall 符号体系已经成为今天排队论的标准术语，有效推动了跨学科模型的结构化交流与方法复用。
4.3 多服务器、多阶段与网络排队模型的深化拓展
进入信息化时代，服务系统变得更加复杂，排队模型也从单一节点演化为多节点、多服务策略、多阶段结构：
- 多服务器系统（如 M/M/c、M/G/c）：广泛用于医院、银行、电商客服中心；
- 优先级排队：引入顾客分级机制，提升高价值客户服务体验；
- 反馈型系统：服务后可能返回排队列（如技术支持中的“复诊”场景）；
- 分批服务与批量到达模型：对应制造业、仓储物流中的批处理流程；
- 网络排队模型（如 Jackson 网络）：模拟复杂多站点的通信网络、制造系统。
在理论工具方面，矩母函数、生成函数、马尔科夫链、随机过程与仿真技术被广泛应用于这些复杂模型的分析与求解，推动排队论走向更加精细、灵活、可定制的智能化分析阶段。
五、排队论的广泛应用
排队论不仅是数学和运筹学的重要分支，更是一门具有极高实践价值的应用科学。它所建立的模型和理论工具，广泛嵌入到各类服务与运营系统中，帮助我们理解和优化资源分配、服务流程和用户体验。
5.1 通信网络与互联网
在通信系统中，无论是传统电话交换系统，还是现代的4G/5G蜂窝网络、光纤宽带和数据中心，排队论都是容量规划和性能分析的核心工具。例如，在数据包交换系统中，排队模型用于分析路由器中数据包的排队延迟与丢包概率，辅助确定缓冲区大小。在移动通信中，M/M/c模型常用于建模基站服务容量，从而指导频谱资源分配和呼叫阻塞率控制。如今的网络拥塞控制算法（如TCP流量控制）也间接借鉴排队论原理进行流速调节，确保网络传输稳定可靠。
5.2 交通运输与城市管理
城市交通系统中的红绿灯优化、道路通行能力分析、高速公路收费站设计等，均可借助排队模型描述车流的动态行为。例如，交叉路口常使用M/D/1模型分析汽车到达和放行的效率，以最小化平均等待时间和尾气排放。此外，在机场运营管理中，飞机在滑行道、跑道起降等关键资源上的排队行为，也可通过多阶段排队网络模型优化调度策略，提升航班准点率与资源利用效率。
5.3 服务业：银行、医疗、呼叫中心
在服务行业中，排队论被广泛用于排班优化和设施配置。银行可依据客户高峰时段的到达率，使用M/M/c模型决定窗口数目；医院可利用G/G/1模型分析病人就诊过程，从而减少候诊时间、缓解医生压力。在呼叫中心，排队模型不仅用于安排客服人数，还可与预测模型结合，动态调节值班班次，提升服务水平并降低运营成本。排队分析也为“预约制度”的优化提供理论支持。
5.4 计算机系统与云计算资源管理
排队论是操作系统设计中调度算法（如先来先服务FCFS、最短作业优先SJF）的理论基础。它也用于分析CPU和I/O设备利用率、任务等待时间等性能指标。在云计算平台中，如Amazon AWS或阿里云，排队模型帮助评估和调节虚拟机的创建与分配策略，支持资源的“弹性伸缩”。同时，负载均衡器中的排队系统还能动态监控和转移请求，避免服务器过载，提升整体响应能力。
排队论作为连接数学模型与现实场景的桥梁，已经渗透到现代社会的方方面面，不仅提升了系统效率，也推动了以用户为中心的服务设计理念。未来，随着AI、大数据的融合，排队论将在更复杂、不确定性更强的系统中发挥更大作用。
六、现代排队论的热点与前沿
6.1 大数据驱动的动态排队分析
随着物联网（IoT）、传感器网络和实时监测技术的发展，排队系统的数据获取从“事后采集”转向“实时流入”。在医院急诊、机场安检、共享单车调度等场景中，系统可通过实时数据流（如人流量、等待时间、使用频次等）动态捕捉排队行为。借助大数据平台，可实现队列状态实时监控、异常检测和预测性调度。例如，某些城市公交系统已引入基于大数据的智能调度平台，依据乘客动态调整车次与容量，有效降低高峰期拥堵。
6.2 智能排队与机器学习融合
在传统排队模型的基础上，越来越多系统引入机器学习技术，通过对历史数据的训练和回归分析，识别客户到达模式、服务时长分布、异常波动规律，并据此自动优化排队策略。例如，呼叫中心利用强化学习模型决定接听策略、技术客服调度；电商物流平台通过预测未来订单峰值来提前调配人力和资源，从而缓解仓储与配送的排队瓶颈。此外，深度学习模型可辅助构建复杂系统的多队列、多优先级分层结构，提升多目标系统的综合性能。
6.3 排队论在人工智能中的应用
随着 AI 系统日益复杂，其任务调度问题愈加突出。无论是 GPU 资源的调度分配，还是自动驾驶系统对多任务指令的先后响应，都需构建精细化的排队管理机制。云计算平台中，AI 模型训练任务通常涉及长时间、高并发、资源敏感的计算请求，采用排队模型可合理安排训练作业顺序与资源利用率。此外，在多智能体协作系统（如自动仓库、配送机器人）中，排队论还被用于路径冲突解决、交互延迟控制与集群调度等问题，成为 AI 系统性能优化的重要工具。
七、总结与展望：排队论的未来之路
排队论起源于爱尔朗为解决电话呼叫阻塞问题所提出的模型，历经一个多世纪的发展，已经从最初的通信系统分析工具演变为应用广泛的数学理论支柱。无论是在交通运输、医疗服务、制造业还是云计算系统中，排队理论都在帮助优化资源配置、减少等待、提升效率方面发挥着核心作用。
面向未来，排队论正迈入智能化时代。一方面，大数据技术的快速发展使排队系统得以实时动态建模，实现更精确的预测与响应；另一方面，人工智能与机器学习的深度融合，使得排队控制策略可以实现自适应与强化优化。在智慧城市、智能交通、远程医疗、工业互联网等新兴领域，排队论不仅提升了系统的性能与韧性，更成为支撑智能基础设施运行的关键理论工具。
可以预见，排队论将在新质生产力体系中持续发挥价值，成为未来社会高效运转的隐形引擎。
参考文献与拓展阅读
- Erlang, A.K. “The Theory of Probabilities and Telephone Conversations,” Nyt Tidsskrift for Matematik, 1909.
- Kleinrock, L. “Queueing Systems, Volume 1: Theory,” Wiley-Interscience, 1975.
- Gross, D., Shortle, J.F., Thompson, J.M., Harris, C.M. “Fundamentals of Queueing Theory,” Wiley, 4th Ed., 2008.
- Medhi, J. “Stochastic Models in Queueing Theory,” Academic Press, 2002.
浙公网安备 33010602011771号