Discrete-Event Simulation

系统不是“连续流动”，而是在事件发生的瞬间跳到下一个状态

离散事件仿真把注意力放在“状态改变的时刻”：客户到达、机器空闲、任务完成、资源释放。 中间没有事件时，系统其实什么都不用算，这正是它高效又直观的地方。

事件驱动 排队等待 资源占用 吞吐与瓶颈
进入交互实验

DES 的直觉

只在事件发生时更新系统状态，所以它特别适合排队、制造、物流、医院、呼叫中心等流程系统。

状态 队列里有多少人、服务器是否忙碌、当前仿真时间是多少。
事件 到达、开始服务、完成服务、资源释放，都会推动系统跳变。
资源 柜台、机器、医生、车位等有限资源会决定拥堵和等待。
输出 等待时间、利用率、吞吐量、排队长度，都是最后读出来的结果。
理论速览

系统在事件之间“静止”，在事件瞬间“跳变”

离散事件仿真（Discrete-Event Simulation，DES）研究的是这样一类系统：状态只在某些离散时刻发生变化， 而在两次变化之间保持不变。所以真正需要计算的时间点非常少，仿真时钟是“跳”过去的，而不是“走”过去的。

01 状态

State · 系统此刻长什么样

队列长度、每台服务台是忙还是闲、已完成客户数、累计等待时间。这些量只在事件发生的那一刻才会被改写，其余时间原样冻结。

02 事件

Event · 推动跳变的触发器

到达、开始服务、服务完成、资源释放、班次结束。事件是状态改变的唯一原因，也是仿真日志里一行行记录的内容。

03 时钟

Clock · 会跳的仿真时间

仿真时钟不是每秒 +1，而是直接跳到“下一个最早事件的时刻”。无事发生的空档期，系统完全不计算，这是 DES 效率的来源。

04 随机性

Randomness · 为什么结果每次不同

到达间隔与服务时长由随机数发生器抽样。同一条流水线跑两遍，得到的平均等待时间不会完全一样，所以需要多次重复实验来给出区间估计。

05 资源

Resource · 有限的能力边界

服务台、机器、床位、车位都是有限的。资源数量一旦固定，系统能承受的到达强度也就有了上限，超过它队列会无限增长。

06 统计

Statistics · 最终要回答的问题

平均等待时间、平均队长、资源利用率、吞吐量、超时比例。仿真的产出不是一张截图，而是一组带置信区间的统计量。

形式化：DEVS 用七元组描述离散事件系统

1976 年，Bernard P. Zeigler 提出了 DEVS（Discrete Event System Specification）， 用集合论的方式把“离散事件系统”这件事讲清楚，让仿真模型的语义第一次变得严格、可组合、可验证。

其中：X 是输入事件集合，S 是状态集合，Y 是输出事件集合， δ_int 是内部状态转移（自己内部定时器到点），δ_ext 是外部状态转移（收到外部输入事件）， λ 是输出函数，ta 是时间推进函数——它告诉系统“当前状态还能维持多久”。

本页下方的排队实验，其实就是这个七元组的一个具体实例：X 是到达事件，S 是（队列长度, 各服务台剩余时间）， δ_ext 处理到达，δ_int 处理服务完成，ta 决定下一个事件发生在什么时候。

历史脉络

从电话交换机到数字孪生，DES 用了一百年

离散事件仿真不是凭空出现的学科。它从排队论出发，被编程语言武装，最后被形式化理论统一。

  1. 1909–1917

    Erlang 与排队论的起点

    丹麦电话工程师 A. K. Erlang 在研究电话交换机拥塞时，提出了以他命名的 Erlang 分布与等待公式。这是人类第一次用数学描述“等待”这件事，也是 DES 最早的思想源头。

  2. 1953

    Kendall 记号：M/M/c 的由来

    D. G. Kendall 引入 A/B/c 记号来描述排队系统（后来扩展为 A/B/c/K/m/Z）。今天写的 M/M/1、M/M/c，第一个 M 指到达过程服从马尔可夫（泊松）性质，第二个 M 指服务时间服从指数分布。

  3. 1961

    GPSS 诞生，Little 定律被证明

    IBM 的 Geoffrey Gordon 发布通用仿真系统 GPSS，第一次让“用代码描述排队流程”变得可行；同年，John D. C. Little 严格证明了 L = λW，也就是后来无处不在的 Little 定律。

  4. 1963

    SIMSCRIPT 把仿真语言推向通用化

    兰德公司的 Harry Markowitz（后来获得诺贝尔经济学奖）主导开发 SIMSCRIPT，把仿真专用语法和通用编程语言结合起来，让模型可以描述更复杂的逻辑分支与优先级。

  5. 1976

    DEVS 形式化框架

    Bernard P. Zeigler 提出 DEVS，用七元组统一定义离散事件系统。它让“模型”第一次有了严格的数学语义，也让多个子模型可以像积木一样组合、复用与验证。

  6. 1982–1993

    SIMAN 与 Arena：DES 走进工业界

    C. Dennis Pegden 发布 SIMAN，随后演化为 Arena。图形化、拖拽式的建模方式，让制造、物流、医院等行业不需要自己写底层事件循环，也能搭建流程仿真模型。

  7. 2000

    AnyLogic 与多方法建模

    把离散事件、系统动力学、多智能体放进同一个模型，DES 不再孤立，开始与连续仿真、个体行为建模融合，用来处理更贴近现实的混合系统。

  8. 2010s → 现在

    数字孪生与云端仿真

    DES 成为数字孪生的核心引擎之一：实时接入产线、机场、医院的数据，在线推演“如果现在增加一个柜台会怎样”“哪一步是瓶颈”。本页的交互实验，就是这套思想的最小版本。

理解方法

DES 的核心是“时间跳到下一个关键事件”

不是一秒一秒傻算，而是直接跳到“下一位客户到达”或“下一个服务完成”的时刻。这会让流程仿真非常高效。

1

定义实体和资源

先明确谁会流动、谁在等待、哪些资源有限，例如顾客、任务、柜台、机器。

2

定义事件

到达、开始服务、结束服务、离开系统，这些事件是状态改变的唯一触发器。

3

把时间跳到下一个事件

系统不需要在无事发生的时间段里做计算，而是直接跳转到下一次状态改变。

4

统计流程表现

排队长度、资源利用率、平均等待时间和吞吐量，都是仿真结束后最重要的输出。

这页的教学实验

我们用多服务台排队系统来演示 DES。你会看到：当到达速度略快于处理速度时，队列会突然失控，这就是流程瓶颈最直观的样子。

交互实验室

调快到达、调慢服务，看看系统在哪一刻开始拥堵

这是一个事件驱动的排队系统。每次点击“推进一个事件”，系统时间都会直接跳到下一个关键时刻，而不是一点点前进。

排队系统现场
左侧是到达入口，中间是等待队列，右侧是服务台。你会直观看到客户什么时候开始排队、什么时候系统恢复顺畅。
等待中 服务中 已完成
队列长度曲线
只要到达强度稍微高过系统处理能力，队列曲线就会持续抬升，这是流程瓶颈的直观证据。
最近事件日志
DES 的本质就是事件序列。这里列出的每一项，都是系统状态真正发生改变的瞬间。

点击“推进一个事件”后，这里会出现到达、开始服务和完成服务的时间线。

模型公式如何随事件变化
这里把离散事件仿真的核心规则写成可计算公式。每推进一个事件，KaTeX 会同步刷新为当前状态。
t = 0.0 分 ρ = 0.00 c = 2 台
1. 下一事件由谁先到决定
2. 到达间隔与服务时长
3. 系统负荷与服务强度
4. 状态更新规则

系统尚未开始运行。点击“推进一个事件”后，这里会显示当前仿真时钟下的公式数值。

公式原理

把 DES 拆成十一条公式，一条一条看明白

前六条描述“系统怎么动”，后五条描述“动完之后怎么评估”。它们构成了排队类离散事件仿真的完整数学骨架。

状态在事件之间保持常数

这是 DES 最根本的一条假设。第 n 个事件发生后，系统状态冻结，直到第 n+1 个事件到来才改写。整张仿真图就是一条阶梯曲线。

下一事件时刻：谁先发生就跳给谁

系统只维护“下一次到达”和“下一次完成”两个候选时刻，取最小值作为新的仿真时钟。这就是事件调度法（event scheduling）的全部核心。

泊松到达与指数间隔

如果到达完全随机、彼此独立且强度恒定，那么在长度 t 的时间窗内到达 k 个客户的概率服从泊松分布，而相邻两次到达的间隔服从均值为 1/λ 的指数分布。

服务时长分布

指数服务的特征是“短任务多、长任务少”，并且具有无记忆性：已经服务了 3 分钟，剩下的时间期望依然是 1/μ。这既让模型好算，也解释了为什么排队系统里总会出现一些“特别慢”的客户。

服务强度 ρ：系统忙不忙

ρ 是到达速率与总服务能力的比值。ρ 小于 1 时系统长期稳定；ρ 等于或大于 1 时，队列会以正概率无限增长——这不是仿真算错了，而是系统本身撑不住。

Erlang-C：到达后要排队的概率

这是 M/M/c 排队系统的经典结果，由 Erlang 在电话交换机研究中提出。它给出“一个新来的客户发现所有服务台都忙、必须等待”的概率。

平均等待时间与平均队长

注意分母 cμ − λ：当到达速率 λ 逼近总服务能力 cμ 时，这个分母趋近于 0，等待时间会急剧上升。这就是“ρ 逼近 1 时系统突然崩掉”的数学解释。

Little 定律：三个量互相绑定

Little 定律不依赖具体分布，只要系统稳定就成立。它意味着：想降低队长，要么降低到达率，要么降低等待时间——没有第三条路。这也是排队分析中最常用的自检公式。

Kingman 近似：非指数分布怎么办

现实中到达和服务往往不是指数分布。Kingman 近似公式用变异系数 c_a、c_s 修正了 M/M/1 的结果，能快速估算 G/G/1 系统的等待时间，常用于早期方案筛选。

资源利用率怎么统计

利用率不是“感觉忙不忙”，而是把每台设备处于忙碌状态的时长累加起来，除以（设备数 × 总仿真时长）。它是判断“要不要加机器”的第一手依据。

为什么要重复多次、给出置信区间

因为随机性存在，单次运行的平均等待时间只是一个样本。规范做法是用不同的随机数种子重复 n 次独立运行，再用 t 分布给出置信区间，才能说“平均等待时间大约是 6 ± 0.8 分钟”。

关于“预热期”

系统刚开始仿真时，队列通常是空的，这一段属于暂态。如果统计时把它算进去，平均等待时间会被系统性低估。 标准做法是丢弃前一段预热期（warm-up period）的数据，只对稳态区间做统计，或者直接用足够多的重复实验取平均。

公式可视化

参数一动，曲线立刻跟着变

下面两张图会跟着上方实验面板的滑块实时刷新：左边是到达间隔与服务时长的分布形状，右边是平均等待时间随到达间隔变化的“爆炸曲线”。

指数分布长什么样
橙色是到达间隔的分布，蓝色是服务时长的分布。均值越小，曲线越陡——事件来得越密集。

虚线标记的是各自的均值。注意曲线在 0 附近最高：这意味着“很短的时间间隔”出现得最频繁，而“特别长的间隔”虽然少见，但一定会有。

等待时间随到达间隔的爆炸曲线
横轴是平均到达间隔，纵轴是理论平均排队等待时间。竖线是当前参数位置，红色区域是 ρ ≥ 1 的不稳定区。
服务强度 ρ —
平均排队等待 Wq —
平均排队长度 Lq —

以上三个量按 M/M/c 排队模型的理论公式实时计算，属于“理想化参考值”。页面上方的事件仿真带有随机波动，数值不会完全一致，但趋势应当吻合。

什么时候用

当系统由流程、资源和等待共同决定表现时

医院挂号、呼叫中心、工厂排产、物流分拣、收费站、机场安检，都很适合用离散事件仿真来理解瓶颈。

①

系统以事件推进

如果状态主要在到达、完成、切换这些时刻改变，而不是连续平滑变化，那么 DES 很自然。

②

资源是有限的

服务器、机器、工位、车辆、床位等有限资源，会自然产生等待和拥堵，这正是 DES 的主战场。

③

你需要定位瓶颈

如果你要回答“加一个柜台有没有用”“哪一步最堵”“等待会不会爆炸”，DES 非常直接。

方法边界

DES 很强，但它不是万能钥匙

清楚知道一个方法“什么时候不适用”，比知道它怎么用更重要。

不适合

连续变化的物理量

温度、压力、速度、液位这类连续演化的量，用微分方程或系统动力学更合适。硬用 DES 会需要极小的步长，得不偿失。

不适合

强空间耦合的流体与颗粒

需要精细刻画每个粒子的运动与碰撞时，应使用 CFD、离散元（DEM）等专用方法，DES 只能做粗粒度的排队近似。

要小心

数据不足时的分布假设

把所有到达都假设成泊松、所有服务都假设成指数，是最常见的建模偷懒。真实数据可能有高峰、有班次、有相关性，需要先做分布拟合与假设检验。

要小心

单次运行就下结论

一次仿真的结果只是随机过程中的一个样本。不做重复实验、不给置信区间、不考虑预热期，很容易得出误导性的结论。

一句话自检

如果你的系统可以用“实体在流程里流动、在资源前排队、由事件推动状态跳变”来描述， 那 DES 大概率是合适的选择；如果状态本身是连续演化的，请优先考虑连续系统仿真。

横向对比

它和其他仿真方法有什么不同

方法 时间推进方式 典型问题 主要输出
离散事件仿真 DES 跳到下一个事件时刻 排队、生产、物流、医院、呼叫中心 等待时间、队长、利用率、吞吐量
连续系统仿真 固定时间步长或数值积分 温度、压力、人口、库存连续变化 状态轨迹曲线、稳态与振荡特性
蒙特卡洛仿真 无时间概念，重复抽样 积分、风险评估、概率估计 概率分布、期望值、分位数
基于智能体的仿真 ABM 通常按固定步长推进 个体互动、涌现行为、传播扩散 宏观模式、群体分布、相变现象

实际工程中，这几种方法经常混用：比如 AnyLogic 允许在同一个模型里，用 DES 描述产线流程、用 ABM 描述工人行为、用系统动力学描述库存总量。