摘要

本文将排队论（Queueing Theory）和马尔可夫链模型应用于大学食堂就餐场景，研究最优队列选择策略。通过对某高校3个食堂、12个窗口的为期60天观测（累计12,000次排队事件），发现排队时间不仅取决于队列长度，还受到服务时间方差、顾客到达模式和窗口类型的显著影响。研究建立了”食堂排队马尔可夫决策模型”（Cafeteria Queue Markov Decision Model, CQMDM），并通过模拟验证了其有效性。结果表明，在信息不对称条件下（无法观察窗口内菜品准备状态），基于历史数据的贝叶斯选择策略可将平均等待时间从8.3分钟降至5.7分钟，减少31%。

1. 引言

大学食堂是大学生日常生活中最频繁的公共消费场景。在午餐高峰期（11:30-12:30），某高校学生食堂的平均客流量可达3000人次/小时，而服务窗口仅20个。如何选择最优队列，成为每个学生都必须面对的日常决策问题。直观策略”选最短的队”看似合理，但实际经验表明，这一策略并非最优——短队列可能对应着服务较慢的窗口（如炒菜窗口 vs. 快餐窗口），或即将售罄的菜品（需要等待补菜）。

排队论（Kendall, 1953）为分析这一问题提供了数学工具。传统排队论假设顾客到达服从泊松过程、服务时间服从指数分布，但实际食堂场景中，这些假设经常被违反。本文旨在建立一个更贴近现实的食堂排队模型，并探索最优策略。

2. 理论框架

2.1 马尔可夫队列模型

将食堂排队系统建模为M/G/c队列：到达过程为泊松（Markovian），服务时间分布为一般（General），c个服务窗口。系统状态由队列长度向量L = (l₁, l₂, …, l_c)定义。顾客的目标是选择窗口i以最小化期望等待时间E[W_i]。

2.2 服务时间异质性

实际观测发现，不同窗口的服务时间分布差异显著：

（1）快餐窗口（如面条、米饭套餐）：服务时间近似确定，均值μ ≈ 45 s，标准差σ ≈ 8 s；

（2）炒菜窗口：服务时间高度可变，μ ≈ 90 s，σ ≈ 25 s（取决于菜品复杂度）；

（3）特色小吃窗口：服务时间最长，μ ≈ 120 s，σ ≈ 35 s（手工操作）。

2.3 最优策略

定义”信息集”I为顾客在决策时可观测的信息。完全信息策略（知道每个窗口的服务时间分布）下，最优选择为：

i* = argminᵢ (lᵢ × μᵢ + σᵢ²/2μᵢ)

第二项σᵢ²/2μᵢ为修正项，反映服务时间方差对等待时间的影响。在信息不对称条件下（仅知道队列长度），顾客需要使用贝叶斯更新：P(窗口类型|队列长度) ∝ P(队列长度|窗口类型) × P(窗口类型)。

3. 实验方法

3.1 观测设计

在某高校3个食堂（第一食堂、第二食堂、第三食堂）的12个窗口进行为期60天的系统观测（2024年3月-5月）。观测时段为午餐高峰（11:30-12:30）和晚餐高峰（17:30-18:30）。

3.2 数据收集

使用隐蔽摄像（经伦理审批）记录每个窗口的队列长度、服务时间、顾客到达时间、离开时间。同时记录窗口类型（快餐/炒菜/特色）和当日菜单。共收集12,000次排队事件。

3.3 模拟实验

使用Python的SimPy库进行离散事件模拟。模拟参数基于实际观测数据。比较5种策略：

（1）最短队列策略（SQ）：选择当前队列最短的窗口；

（2）最快服务策略（FS）：已知服务时间分布下选择最快窗口；

（3）贝叶斯更新策略（BU）：基于历史数据更新对窗口类型的判断；

（4）随机选择策略（RS）：随机选择窗口；

（5）跟随策略（FW）：选择队列中最”看起来有经验”的学生所排的队伍。

3.4 统计分析

使用ANOVA比较不同策略的等待时间。使用配对t检验比较实际观测与模拟结果。α = 0.05。

4. 结果

4.1 观测数据

平均等待时间：第一食堂（8.3 ± 3.2 min）> 第二食堂（6.7 ± 2.8 min）> 第三食堂（5.1 ± 2.1 min）。差异与食堂规模正相关（第一食堂窗口最多，但客流量最大）。

4.2 策略比较

模拟结果显示（基于10,000次重复实验）：

最短队列策略（SQ）：平均等待时间6.8 min（SD = 2.1 min）。

最快服务策略（FS）：平均等待时间4.2 min（SD = 1.3 min）。但此策略需要知道服务时间分布，在实际中不可行。

贝叶斯更新策略（BU）：平均等待时间5.7 min（SD = 1.8 min）。仅使用队列长度信息，通过10天的学习期达到接近最优的性能。

随机选择策略（RS）：平均等待时间8.9 min（SD = 3.5 min）。

跟随策略（FW）：平均等待时间7.6 min（SD = 2.7 min）。

贝叶斯策略比最短队列策略减少等待时间16%（t(9999) = 28.4, p < 0.001），比随机选择策略减少36%。

4.3 学习曲线

贝叶斯策略在前10天（学习期）的平均等待时间为7.2 min，之后稳定在5.7 min。这表明学生可以通过经验积累改善队列选择能力，但提升空间有限。

4.4 信息不对称的代价

完全信息策略（FS）与贝叶斯策略（BU）的差距（4.2 vs. 5.7 min）代表了”信息不对称的代价”。如果食堂提供实时等待时间显示（如APP推送），这一差距可以缩小至0.5 min。

4.5 不同菜品的等待时间差异

进一步分析显示，不同菜品类型的等待时间差异显著。面食类（面条、米粉）平均等待时间最短（4.2 ± 1.5 min），因为可以批量准备。炒菜类平均等待时间最长（10.5 ± 3.2 min），因为需要现炒。自助餐类（称重计费）等待时间中等（6.8 ± 2.1 min），但选择时间更长（平均3.5 min）。如果顾客目标是”最快吃到饭”，应选择面食窗口；如果目标是”最优性价比”，则需要综合考虑等待时间、价格和口味。

4.6 结伴效应

当学生结伴（2-4人）排队时，行为模式发生变化。结伴群体更倾向于选择更长的队列（因为可以聊天打发时间），且对等待时间的容忍度更高（平均容忍时间为12 min vs. 独自排队时的8 min）。此外，结伴群体更可能选择炒菜窗口（可以共享多道菜），而独自排队的学生更倾向快餐窗口。这些社会因素在排队模型中通常被忽略，但对实际行为有显著影响。

4.7 天气效应

雨天（降水>5 mm）时，食堂客流量增加约25%（因为外卖订单减少），平均等待时间增加约40%。极端高温天（>35°C）时，冷面/凉菜窗口的等待时间增加60%，而其他窗口变化不大。这表明天气通过影响菜品偏好间接影响排队动态。

5. 讨论

5.8 技术干预的效果评估

本文的模拟显示，如果食堂引入简单的技术干预（如窗口LED屏显示”预计等待5分钟”），可以将贝叶斯策略的等待时间从5.7 min进一步降至5.2 min。如果引入更复杂的系统（如手机APP实时推送各窗口等待时间），可以降至4.8 min。这些技术干预的成本相对较低（每个窗口约500元LED屏），但效益显著（全校学生每天节省约2000人×1 min = 33小时）。从成本效益分析角度，食堂排队信息系统是一项值得投资的基础设施。

5.1 主要发现

本文证明，食堂排队存在显著的策略优化空间。最短队列策略并非最优，因为忽略了服务时间的异质性。贝叶斯更新策略通过积累历史经验，可以在仅观察队列长度的条件下实现接近最优的性能。

5.2 应用建议

对于食堂管理者：建议安装实时等待时间显示系统（如电子屏或APP），将信息不对称代价从1.5 min降至0.5 min。对于学生：建议观察窗口类型（快餐窗口通常更快），而非仅看队列长度。此外，避开高峰期（11:30-12:00）可将等待时间减少约40%。

5.3 与交通流理论的类比

食堂排队与道路交通流有深刻的类比。最短队列策略类似于驾驶员选择最短车道，但忽略了车道的”通行能力”（服务时间）。智能交通系统（ITS）通过实时信息减少交通拥堵，类似地，食堂信息系统可以减少排队时间。

5.4 局限性

观测仅限于单一高校，结果的外部效度有限。未考虑顾客的社会偏好（如与熟人一起排队）和菜品偏好（宁愿等待也要吃特定菜品）。模拟假设顾客独立决策，未考虑博弈效应（如所有人都采用贝叶斯策略时，系统均衡可能改变）。

5.5 博弈论视角

食堂排队是一个非合作博弈：每个顾客独立选择窗口，以最小化自身等待时间。当所有顾客都采用最短队列策略时，系统达到纳什均衡，但这一均衡并非社会最优（囚徒困境）。如果所有顾客采用贝叶斯策略，系统均衡下的平均等待时间可以从6.8 min降至5.7 min。然而，个体没有动力偏离最短队列策略，因为在他人采用最短队列策略的情况下，个体偏离可能导致自身等待时间增加。这一”协调失败”需要通过外部机制（如信息公示）来解决。

5.6 未来研究方向

未来研究可以探索：动态定价策略（如高峰期涨价以减少需求）；预约系统（如提前APP下单）；以及智能推荐系统（基于个人偏好和实时等待时间推荐最优窗口）。此外，将排队模型扩展至其他场景（如银行、医院、机场）也具有重要意义。

5.7 跨文化比较

不同国家的食堂文化可能影响排队行为。在美国，自助餐厅（buffet）更为普遍，顾客可以自由选择菜品，排队时间较短（平均3-5 min）。在日本，食堂通常有明确的排队规则和标识，秩序井然。在中国，食堂排队往往更为混乱，”插队”现象更常见（本研究观测到约5%的插队事件）。这些文化差异需要在排队模型中予以考虑。未来可以进行跨国比较研究，量化文化因素对排队效率的影响。

6. 结论

本文通过排队论和马尔可夫链模型，分析了大学食堂的最优队列选择策略。关键发现：最短队列策略并非最优，贝叶斯更新策略可减少等待时间16%。信息不对称的代价约为1.5 min。这些发现不仅具有理论意义，也为食堂管理提供了实际建议：通过信息透明化（实时等待时间显示）可以显著提升顾客体验。毕竟，在大学食堂，时间不仅是金钱——更是午休的宝贵分钟。

参考文献

Kendall, D. G. (1953). Stochastic processes occurring in the theory of queues and their analysis by the method of the imbedded Markov chain. The Annals of Mathematical Statistics, 24(3), 338-354.

Naor, P. (1969). The regulation of queue size by levying tolls. Econometrica, 37(1), 15-24.