STUDIE VAN WACHTLIJNMODELLEN VOOR KLANTEN MET...
Transcript of STUDIE VAN WACHTLIJNMODELLEN VOOR KLANTEN MET...
UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE
ACADEMIEJAAR 2009 – 2010
STUDIE VAN WACHTLIJNMODELLEN VOOR KLANTEN MET DEADLINES
Masterproef voorgedragen tot het bekomen van de graad van
Master in de Toegepaste Economische Wetenschappen: Handelsingenieur
SOETKIN VERKEST
onder leiding van
Prof. H. BRUNEEL
UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE
ACADEMIEJAAR 2009 – 2010
STUDIE VAN WACHTLIJNMODELLEN VOOR KLANTEN MET DEADLINES
Masterproef voorgedragen tot het bekomen van de graad van
Master in de Toegepaste Economische Wetenschappen: Handelsingenieur
SOETKIN VERKEST
onder leiding van
Prof. H. BRUNEEL
i
Permission Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of
gereproduceerd worden, mits bronvermelding.
Soetkin Verkest
ii
Time is what we want most,
but... what we use worst.
(Penn, 1682)
Woord vooraf Tijdens mijn studies handelsingenieur heb ik al heel wat bijgeleerd over het reilen en
zeilen in en rond bedrijven. Bedrijven bestaan uit verschillende afdelingen die elk hun
verantwoordelijkheid hebben. Denk maar aan de afdelingen aankoop, logistiek,
financiën, marketing & verkoop. Grote bedrijven zijn vaak slechts een schakel in de weg
van grondstof naar eindproduct. Binnen deze bedrijfscontext gaat mijn interesse vooral
uit naar de analyse van processen en systemen. Het optimaliseren en integreren van
processen en systemen binnen de supply chain en zelfs binnen één bedrijfsschakel zijn
taken waar altijd verbetering mogelijk is. Voor mijn masterproef wou ik dan ook graag
een onderwerp dat hiertoe kon bijdragen.
Aangezien “tijd” in deze maatschappij steeds
meer als een schaarse factor wordt beschouwd,
vond ik het onderwerp “Studie van
wachtlijnmodellen voor klanten met deadlines”
een interessante titel voor mijn masterproef. Het
leek me boeiend om wachtlijnsystemen, een fenomeen waar we dagelijks mee
geconfronteerd worden, van naderbij te bestuderen. Om me meer in de materie in te
werken, heb ik vorig jaar als keuzevak de cursus “Wachtlijntheorie” bij prof. Bruneel
gevolgd (Bruneel, 2009).
Verder wil ik via deze weg iedereen bedanken die mij bij het tot stand brengen van deze
masterproef geholpen heeft. Eerst en vooral wil ik Tom Maertens bedanken voor de vele
hulp die hij mij aangeboden heeft bij het schrijven van dit werk. Ik wil hierbij ook mijn
promotor Prof. Dr. Ir. H. Bruneel bedanken voor het vertrouwen dat hij in mij heeft
gesteld. Daarnaast wil ik ook nog enkele mensen bedanken die mij gesteund hebben
tijdens het maken van deze masterproef, met name mijn ouders, mijn vriend en mijn
kotgenoten.
iii
Inhoudsopgave
Hoofdstuk 1 ............................................................................................................................... 1
Inleiding ..................................................................................................................................... 1
1.1 Algemeen wachtlijnsysteem ..................................................................................... 1
1.2 Wachtlijnsystemen voor klanten met deadlines ..................................................... 2
1.3 De psychologie van “het wachten”............................................................................ 3
1.4 Toepassingen .............................................................................................................. 3
1.5 Overzicht ..................................................................................................................... 4
Hoofdstuk 2 ............................................................................................................................... 5
Literatuurstudie ........................................................................................................................ 5
2.1 Modellen voor klanten met deadlines ...................................................................... 5
2.2 Discrete-tijd wachtlijnsysteem ................................................................................. 6
2.3 Hedendaagse telecommunicatienetwerken ............................................................ 7
Hoofdstuk 3 ............................................................................................................................. 10
Mathematisch model ............................................................................................................... 10
3.1 Structuur van het wachtlijnsysteem ....................................................................... 10
3.2 Aankomstproces....................................................................................................... 11
3.3 Bedieningsproces ..................................................................................................... 12
3.4 Wachtlijndiscipline .................................................................................................. 12
3.5 Deadlines .................................................................................................................. 12
3.6 Verkorte notatie discrete-tijd wachtlijnsysteem ................................................... 13
3.7 Prestatiematen ......................................................................................................... 14
Hoofdstuk 4 ............................................................................................................................. 15
Analyse van de systeembezetting........................................................................................... 15
4.1 Systeemvergelijking ................................................................................................. 15
4.2 Regimegedrag systeembezetting ............................................................................ 17
4.3 Bepaling onbekende constante ...................................................................... 21
iv
Hoofdstuk 5 ............................................................................................................................. 23
Momenten van de systeembezetting ...................................................................................... 23
5.1 Gemiddelde waarde van de systeembezetting ...................................................... 23
5.1.1 Eerste methode ............................................................................................... 23
5.1.2 Tweede methode ............................................................................................ 25
5.2 Variantie van de systeembezetting ........................................................................ 26
Hoofdstuk 6 ............................................................................................................................. 30
Analyse van het verliesproces ................................................................................................ 30
6.1 Verliesproces ............................................................................................................ 30
6.2 Verliesdebiet ............................................................................................................. 32
6.3 Verlieskans ............................................................................................................... 33
Hoofdstuk 7 ............................................................................................................................. 34
Numerieke voorbeelden ......................................................................................................... 34
7.1 Binomiaal aankomstproces ..................................................................................... 34
7.2 ATM-technologie ...................................................................................................... 35
7.3 ATM-schakelelement ............................................................................................... 36
7.4 Verwachtingswaarde van de systeembezetting .................................................... 37
7.5 Variantie van de systeembezetting ......................................................................... 41
7.6 Verlieskans ............................................................................................................... 45
7.7 Stelling van Little ..................................................................................................... 47
Hoofdstuk 8 ............................................................................................................................. 51
De bedrijfscontext ................................................................................................................... 51
Hoofdstuk 9 ............................................................................................................................. 54
Besluit ...................................................................................................................................... 54
Bibliografie .............................................................................................................................. 56
v
Lijst van figuren 1.1 Elementaire structuur van een wachtlijnsysteem . . . . . . . . . . . . . . . . . . 1
2.1 Eenvoudig voorbeeld synchrone transmissietijd . . . . . . . . . . . . . . . . . . 6
2.2 Voorspelling wereldwijd gebruik internetverkeer 2006-2012 . . . . . . . . . 7
3.1 Structuur van het wachtlijnsysteem . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Kans dat de deadline van klant A op het einde van een slot niet verloopt . . 12
3.3 GI/1/1 Wachtlijnsysteem met verschoven geometrische deadline . . . . . . 13
4.1 Toevalsgrootheden en op de tijdsas: illustratie . . . . . . . . . . . . . . . 16
6.1 Toevalsveranderlijke op de tijdsas: illustratie . . . . . . . . . . . . . . . . . . 31
7.1 Een NxN-schakelelement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.2 Vereisten van een toepassing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.3 Verwachtingswaarden van de systeembezetting t.o.v de
aankomstintensiteit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.4 Verwachtingswaarden van de systeembezetting t.o.v. de
aankomstintensiteit bij en . . . . . . . . . . . . . . . . . . . . . . . 39
7.5 Verwachtingswaarden van de systeembezetting t.o.v. de kans dat een
klant zijn deadline niet verloopt (σ) . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.6 Variantie van de systeembezetting t.o.v. de aankomstintensiteit . . . . . . . . 42
7.7 Variantie van de systeembezetting t.o.v. de kans dat een klant zijn
deadline niet verloopt (σ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.8 Verlieskans bij een wachtlijnsysteem met deadlines t.o.v. de
aankomstintensiteit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.9 Verlieskans t.o.v. de kans dat een klant zijn deadline niet verloopt (σ) . . . . 46
7.10 Gemiddelde vertragingstijd t.o.v. de aankomstintensiteit . . . . . . . . . . . . 48
7.11 Gemiddelde vertragingstijd t.o.v. de kans dat de deadline van een
klant niet verloopt (σ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.1 Voorbeeld van een supply chain keten . . . . . . . . . . . . . . . . . . . . . . . . 51
vi
Lijst van tabellen 5.1 Afgeleiden F(z) en Ai(z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1
Hoofdstuk 1
Inleiding
1.1 Algemeen wachtlijnsysteem
Wachtlijnen zijn een bekend fenomeen in het dagelijkse leven. Iedereen kent de lange
rijen van klanten die wachten op “bediening” bij de slager, de bakker, de bank, de ingang
van een concertzaal of het treinloket. Het begrip “klanten” is in de wachtlijntheorie een
algemene benaming voor entiteiten die in een wachtlijnsysteem binnenkomen en die
bediening nodig hebben. De “inrichting” die de bediening aan deze klanten verstrekt,
wordt in de wachtlijntheorie gewoonlijk als bedieningseenheid aangeduid.
De term “wachtlijn” verwijst naar de plaats waar klanten hun beurt kunnen afwachten
vooraleer ze bediend worden. Een “wachtlijnsysteem” duidt op het geheel van de
bedieningseenheid en de bijhorende wachtlijn.
Figuur 1.1: Elementaire structuur van een wachtlijnsysteem
Een wachtlijn ontstaat wanneer, met de middelen waarover het systeem beschikt, er
meer klanten in het systeem binnenkomen dan dat het systeem kan verwerken. Deze
overbezetting van het systeem is meestal tijdelijk, waardoor het systeem alle wachtende
klanten na verloop van tijd toch kan bedienen.
2
Klanten bieden zich bij het wachtlijnsysteem, voorgesteld in Figuur 1.1, aan om één of
andere vorm van bediening te krijgen. De bedieningseenheid van het wachtlijnsysteem
bestaat uit één of meerdere bedieningsstations die tegelijkertijd kunnen werken. Een
bedieningsstation is een eenheid die één klant tegelijk de gevraagde diensten kan
verstrekken. De wachtlijn waarin klanten terechtkomen als de bedieningseenheid volzet
is, bestaat uit een aantal wachtplaatsen. Elke wachtplaats biedt ruimte voor één
wachtende klant.
Bij het aankomen van klanten in een klassiek wachtlijnsysteem kunnen zich drie
verschillende situaties voordoen. Ten eerste kan een klant aankomen bij een
wachtlijnsysteem en is er nog een bedieningsstation vrij. De klant zal onmiddellijk
bediend worden. Ten tweede kan een klant aankomen bij een wachtlijnsysteem en
vaststellen dat er geen bedieningsstation vrij is. De klant zal moeten wachten. Als laatste
kan het voorkomen dat een klant niet wordt geaccepteerd in het wachtlijnsysteem
omdat de wachtlijn reeds volzet is. Hierbij gaat de klant verloren.
1.2 Wachtlijnsystemen voor klanten met deadlines
In klassieke wachtlijnsystemen kunnen klanten het systeem pas verlaten indien ze
volledig bediend zijn. In deze masterproef bestuderen we wachtlijnsystemen waarbij
klanten het systeem kunnen verlaten vooraleer ze (volledig) bediend zijn. In deze
masterproef worden namelijk wachtlijnsystemen bestudeerd waarbij de aankomende
klanten ieder een deadline hebben, met andere woorden, iedere klant heeft een
maximum toelaatbare verblijftijd in het wachtlijnsysteem. Wanneer de deadline van een
klant verstrijkt vóór de klant bediend kan worden, moet deze klant het systeem verlaten.
Deze masterproef wil een antwoord bieden op twee onderzoeksvragen. Ten eerste zal
worden nagegaan welke de invloed is van deadlines op wachtlijnsystemen. Belangrijke
prestatiematen daarbij zijn de systeembezetting en het verliesproces. De verschillen en
gelijkenissen met reeds bestudeerde wachtlijnsystemen zullen hier ook gemaakt
worden. Als tweede doelstelling wordt de complexiteit van de wiskundige analyse
nagegaan bij wachtlijnsystemen met deadlines.
3
1.3 De psychologie van “het wachten”
Wachtlijnen kunnen voor de klant zichtbaar of onzichtbaar zijn. Deze twee soorten
wachtlijnen lokken bij de klant een andere “wachtreactie” uit. Het onderstaande geval is
een voorbeeld van een zichtbare wachtlijn waar de klant een deadline heeft tot het begin
van de bediening.
Indien een klant aankomt bij de bank, zal hij/zij eerst kijken hoeveel klanten voor hem
bediend moeten worden. Indien deze geschatte wachttijd minder is dan de tijd die hij/zij
wil wachten vooraleer hij/zij bediend wordt, zal de klant aanschuiven. Indien deze
geschatte wachttijd meer is dan de tijd die deze klant wil wachten, zal de klant meestal
onmiddellijk vertrekken en niet wachten. Eenmaal klanten besloten hebben om aan te
schuiven, gaan ze de rij niet rap verlaten. Naarmate ze dichter bij het bedieningsloket
komen, hebben ze meer geduld en zullen ze gemakkelijker langere bedieningstijden van
klanten die voor hen zijn, tolereren.
Dit geldt echter ook bij klanten met een deadline tot het einde van de bediening. Een
voorbeeld hiervan is terug te vinden bij het downloaden van bestanden. Indien
bestanden in het begin traag binnenkomen, zal de gebruiker waarschijnlijk afhaken.
Indien bestanden eerst rap en erna trager binnenkomen, zal de gebruiker meer geduld
hebben omdat het bestand al voor een deel gedownload is.
Klanten die echter te maken hebben met een onzichtbare wachtlijn zullen meestal niet
meteen het systeem verlaten. Denk maar aan een persoon die belt naar de klantendienst
van een bedrijf. Indien de klant niet meteen binnengeraakt in het callcenter, zal hij/zij
niet meteen opgeven. Na verloop van tijd kan de klant wel ontmoedigd geraken en
afhaken. Deze “wachtreactie” is dus verschillend met de wachtreactie van een klant
waarvoor de wachtlijn wel zichtbaar is, zoals het bovenstaande voorbeeld van de klant
die naar de bank gaat. Dit verschil in reactie bij zichtbare of onzichtbare wachtlijnen
komt enkel voor indien de klanten mensen zijn. Bij pakketten (bijvoorbeeld bits) is hier,
logischerwijs, echter geen verschil.
1.4 Toepassingen
Een wachtlijnsysteem met deadlines kan binnen de bedrijfscontext als model voor tal
van praktische toepassingen gebruikt worden. Denk maar aan het stockeren van
4
bederfbare producten in winkels of distributiecentra. Deze producten mogen niet langer
verkocht worden indien hun houdbaarheidsdatum verstreken is. De houdbaarheids-
datum stelt in dit geval de deadline van de productenverkoop voor.
Naast goederenstromen, die het proces voorstellen van grondstof tot finaal product, zijn
er in bedrijven ook heel wat informatiestromen. Deze zorgen ervoor dat data met
betrekking tot bepaalde producten, productieprocessen, aankopen, verkopen of
marketingacties zo snel mogelijk verstuurd worden naar de betrokken afdeling. Deze
informatiestromen moeten steeds up-to-date zijn, zodanig dat alle afdelingen alles
kunnen opvolgen en zodat ze kunnen inspelen op veranderingen. Informatiestromen
zijn eveneens onderhevig aan deadlines. Enkele voorbeelden zijn real-time toepassingen
en berekeningen, statistische procescontrole en geautomatiseerde fabricage (Movaghar,
On queueing with customer impatience until the beginning of service, 1998). Een
voorbeeld van statistische procescontrole is terug te vinden bij de fabricage van
goederen. Indien foutmeldingen bij een productieproces namelijk niet op tijd worden
doorgegeven aan de operator van een machine, zal de machine na verloop van tijd
blokkeren en gaat er winst verloren. De rol van het internet als hedendaags
telecommunicatienetwerk is bij deze informatiestromen van cruciaal belang. Wanneer
de tijdsvertraging bij de doorstroom van gegevens te hoog oploopt, kan het gebeuren dat
het niet meer zinvol is dat deze gegevens alsnog bij de eindgebruiker terecht komen.
Het optimaliseren van deze wachtlijnsystemen zorgt ervoor dat bedrijven competitief
kunnen blijven binnen hun sector. In deze inleiding gaan we hier niet verder op in.
1.5 Overzicht
In hoofdstuk 2 wordt een beknopte literatuurstudie gegeven met betrekking tot
dergelijke wachtlijnsystemen. Hoofdstuk 3 geeft een korte beschrijving van het
mathematisch model dat in de daaropvolgende hoofdstukken geanalyseerd zal worden.
In hoofdstukken 4 en 5 wordt de systeembezetting onderzocht. In hoofdstuk 6 gaan we
nader in op het berekenen van de verlieskans. Numerieke voorbeelden waarbij enkele
prestatiematen bestudeerd worden, zijn terug te vinden in hoofdstuk 7. In hoofdstuk 8
bespreken we wachtlijnsystemen in de bedrijfscontext en in hoofdstuk 9 trekken we
enkele conclusies.
5
Hoofdstuk 2
Literatuurstudie
2.1 Modellen voor klanten met deadlines
In deze masterproef bestuderen we wachtlijnsystemen waarbij klanten het systeem
kunnen verlaten vooraleer ze (volledig) bediend zijn. De literatuur met betrekking tot
dit onderwerp is beperkt. Toch zijn er heel wat toepassingen te vinden. In de literatuur
wordt vaak verwezen naar het begrip “impatient customers”, hier vrij vertaald als
ongeduldige klanten. Een ongeduldige klant heeft een deadline wanneer hij het
wachtlijnsysteem binnenkomt. Indien de klant niet bediend wordt vooraleer zijn
deadline verloopt, verlaat hij het systeem.
Barrer was één van de eersten die een wachtlijnsysteem met deadlines bestudeerde. Hij
ging hierbij uit van een wachtlijnmodel met Markoviaanse aankomst- en
bedieningsprocessen, één bedieningsstation en een first-come-first-served (FCFS)
wachtlijndiscipline. De bestudeerde deadline had een deterministische verdeling
(Barrer, 1957).
In heel wat modellen wordt de deadline algemeen (General) beschouwd. Via numerieke
voorbeelden wordt dan gekeken naar de verschillen tussen specifieke verdelingen voor
deadlines. De deterministisch verdeelde deadline is in deze numerieke voorbeelden het
meest besproken. Enkele voorbeelden zijn terug te vinden in (Cohen, 1968) en (Barrer,
1957). Bij een deterministische verdeling bestaat de deadline van elke klant uit een vast
aantal slots. Naast de deterministisch verdeelde deadline worden in de literatuur ook
nog andere verdelingen onderzocht zoals bijvoorbeeld de exponentiële verdeling uit de
continue tijd (Ancker & Gafarian, 1963).
In de literatuur wordt er een onderscheid gemaakt tussen een deadline tot het begin van
de bediening en een deadline tot het einde van de bediening. In het eerste geval kunnen
klanten die bediend worden niet meer uit het wachtlijnsysteem verwijderd worden
indien hun deadline verstrijkt tijdens de bediening. Zij kunnen enkel het
6
wachtlijnsysteem verlaten indien hun deadline verstreken is vooraleer de werkelijke
bediening begonnen is (Movaghar, On queueing with customer impatience until the
beginning of service, 1998). In het tweede geval loopt de deadline tot het einde van de
bediening en kan de klant op elk moment het wachtlijnsysteem verlaten (Movaghar, On
queueing with customer impatience until the end of service, 2005). De
wachtlijnmodellen die in deze twee werkstukken van Movaghar bestudeerd worden, zijn
van continue aard.
2.2 Discrete-tijd wachtlijnsysteem
Zoals reeds hierboven vermeld, gaan we in deze masterproef uit van een discrete-tijd
wachtlijnsysteem. De discrete tijdsschaal veronderstelt dat de tijd opgesplitst is in
intervallen van een vaste lengte. Deze intervallen worden slots genoemd. Bediening kan
enkel aanvangen op slotgrenzen, waardoor de bediening van een aangekomen klant ten
vroegste kan starten bij het begin van het slot na zijn aankomstslot. De bedieningstijd
wordt eveneens uitgedrukt in een geheel aantal slots, waardoor klanten het systeem
enkel kunnen verlaten op slotgrenzen.
Figuur 2.1: Eenvoudig voorbeeld synchrone transmissietijd
De transmissie van een klant in de discrete tijd begint en eindigt dus steeds op een
slotgrens. Dit wordt geïllustreerd aan de hand van Figuur 2.1. Een klant komt toe op
tijdstip A. Indien er op dat moment geen andere klanten in de wachtlijn zijn, start de
bediening van deze klant op tijdstip B. Als de bedieningstijd gelijk is aan één slot, verlaat
de klant het systeem op tijdstip C. In de continue tijd kan de bediening van deze klant,
indien er zich geen andere klanten in de wachtlijn bevinden, onmiddellijk beginnen op
tijdstip A. Als de slots echter voldoende klein zijn, kan het discrete-tijd wachtlijnsysteem
ook gebruikt worden als een benadering van gelijkaardige modellen in de continue tijd.
7
De discrete tijdsschaal krijgt steeds meer aandacht van de telecommunicatiesector,
zeker nu de transmissie van informatie steeds sneller en in grotere hoeveelheden
verloopt. Heel wat elementen in dit domein zijn immers gebaseerd op synchrone
transmissie. Denk maar aan de centrale verwerkingseenheid in computersystemen en
de communicatiekanalen die spraak, data of videobeelden versturen. Deze real-time
informatiestromen worden steeds belangrijker voor bedrijven. In het volgende
onderdeel gaan we kort in op deze hedendaagse telecommunicatienetwerken.
2.3 Hedendaagse telecommunicatienetwerken
In telefoonnetwerken kunnen wachtlijnen ontstaan bij telefoonoproepen die op een
vrije lijn in de centrale wachten. Indien klanten te lang moeten wachten om connectie te
krijgen, geraken ze ontmoedigd en hangen ze op. Dit is een klassiek voorbeeld waarbij
twee punten met elkaar verbonden worden. Met de blijvende stijging van het
internetgebruik en de opkomst van 3G smartphones en het mobiel internet, staat de
digitale telecommunicatiewereld voor een nieuwe uitdaging. Communicatiepatronen
evolueren van netwerken waar twee gebruikers persoonlijk met elkaar verbonden zijn
naar multidirectionele netwerken waar verschillende gebruikers met elkaar kunnen
communiceren. Denk maar aan MySpace, Facebook, Youtube and Skype. Deze sociale
netwerken zijn voorbeelden van platformen waar gebruikers onderling meningen, links,
video’s, foto’s en andere multimedia delen. Volgens schattingen zullen er in 2011 meer
dan twee miljard mensen actief gebruik maken van het internet.
Figuur 2.2: Voorspelling wereldwijd gebruik internetverkeer 2006-2012
8
Op Figuur 2.2 is te zien dat in 2012 de verschillende vormen van online video (internet
video to TV, internet video to PC en peer-to-peer netwerken) bijna 90% van het IP-
verkeer zullen innemen (Van den Dam, Nelson, & Lozinski, 2008).
De hedendaagse digitale telecommunicatienetwerken zullen in de toekomst rekening
moeten houden met deze stijgende vraag. Ze zullen er dus voor moeten zorgen dat de
netwerkcapaciteit voldoende groot is om piekmomenten te overbruggen. Gebruikers
kunnen video-bestanden verkrijgen via streaming (Youtube) of via downloaden
(iTunes). Bij streaming moet het bestand niet eerst gedownload worden en kan de
gebruiker bijna onmiddellijk het bestand afspelen. Het mediabestand zal hierdoor wel
nooit volledig bij de gebruiker aanwezig zijn. Bij downloaden kan de gebruiker het
bestand pas afspelen als het volledig binnengehaald is. De tijd die nodig is om
multimediabestanden te streamen of te downloaden is afhankelijk van de totale
capaciteit van de server en het aantal gebruikers die tegelijkertijd deze capaciteit
moeten delen. Indien dit, volgens de gebruiker te traag gaat, zullen klanten afhaken. We
merken hier dus opnieuw het wachtlijnprobleem waarbij klanten deadlines hebben.
In de paper “het online ter beschikking stellen van TV diensten” (Hoβfeld, Leibnitz, &
Remiche, 2007) wordt deze problematiek nader onderzocht. In deze paper gaat men het
effect op de server na van klanten die tijdens de bediening afhaken. Eerst geeft men een
korte uitleg over de online TV diensten die men zal onderzoeken. In een tweede deel
wordt een M/M/1n-model in de continue tijd opgebouwd. De karakteristieken van dit
model zijn: een Poisson-aankomstproces, exponentiële bedieningstijden en één
bedieningseenheid die tot n klanten tegelijk kan bedienen. De bandbreedtebeperking
van de klant zelf is eveneens in rekening gebracht. De wachtlijn voor klanten wordt
oneindig groot beschouwd. Men gaat uit van een exponentieel verdeelde deadline. Dit
model bestudeert men in het derde deel verder aan de hand van numerieke
voorbeelden, waarbij men gegevens van de website OnlineTVRecorder.com gebruikt.
Men besluit dat de kans dat een gebruiker niet afhaakt tijdens het downloaden tot op
een bepaald punt exponentieel toeneemt bij een proportionele stijging van de capaciteit
van de server. De bedoeling van deze paper is nu om dit resultaat te gebruiken om
verdeelnetwerken te ontwerpen met een hogere betrouwbaarheid naar de gebruikers
toe.
9
In de literatuur zijn nog heel wat toepassingen van klanten met deadlines terug te
vinden waar telecommunicatienetwerken worden bestudeerd. Een ander voorbeeld
waar men het effect van “ongeduldige klanten” nagaat, is te vinden in (Garnett, 1998). In
deze thesis onderzoekt Garnett de invloed van “ongeduldige klanten” op de efficiëntie
en het service level in callcenters. Efficiëntie wijst hier naar het minimaliseren van de
kosten, terwijl service level refereert naar de snelheid en dus de kwaliteit waarmee
callcenters hun klanten kunnen bedienen. De studie focust zich op het continue M/M/N
model met exponentiële deadline. Zowel modellen met een eindige als oneindige
opslagcapaciteit worden bestudeerd. In een latere studie (Garnett, Mandelbaum, &
Reiman, 2002) gaat men hier verder op in en leidt men vuistregels af voor de
personeelsplanning van grote callcenters, met als doelstelling de som van
personeelskosten, wacht- en verlatingskosten van klanten te minimaliseren. Ze
ontwikkelden met andere woorden een model waar men tracht een optimaal evenwicht
te vinden tussen de efficiëntie en het service level in een callcenter. Gebaseerd op deze
en andere werken, bestudeerde Zeltyn ook nog het M/M/N model met algemene
deadlines (Zeltyn, 2004). Onderzoek met betrekking tot de personeelsplanning bij
callcenters is nog steeds aan de gang. Recent kwam nog een paper uit waar men
bovenop het M/M/N model met algemene deadlines, eveneens rekening hield met een
kostenbeperking (Mandelbaum & Zeltyn, 2009).
Nadat we in dit hoofdstuk kort hebben toegelicht wat er reeds te vinden is in de
literatuur, zullen we in het volgende hoofdstuk het wachtlijnmodel beschrijven dat in
deze masterproef onderzocht zal worden.
10
Hoofdstuk 3
Mathematisch model
In dit hoofdstuk beschrijven we het wachtlijnmodel dat we in het vervolg van deze
masterproef zullen analyseren.
3.1 Structuur van het wachtlijnsysteem
We beschouwen een discrete-tijd wachtlijnsysteem met een oneindige opslagcapaciteit
en één bedieningsstation. Dit wachtlijnsysteem wordt voorgesteld in Figuur 3.1.
Figuur 3.1: Structuur van het wachtlijnsysteem
De discrete-tijdsschaal veronderstelt dat de tijd opgesplitst is in intervallen van gelijke
lengte, slots genaamd.
Wachtlijnen worden gebruikt voor de tijdelijke opslag van klanten die wachten op
bediening. Een oneindige opslagcapaciteit van een wachtlijn betekent dat klanten
onbeperkt in het wachtlijnsysteem kunnen aankomen zonder dat klanten verloren gaan
vanwege een vol wachtlijnsysteem. Een oneindige wachtlijn bestaat in werkelijkheid
niet, maar is een realistische benadering voor een systeem met een grote, eindige
wachtlijn die zelden volledig bezet is.
Het bedieningsstation zorgt voor de bediening van een klant. Wachtlijnsystemen
bevatten één bedieningseenheid die uit één of meerdere bedieningsstations bestaan. In
deze masterproef beschouwen we een wachtlijnsysteem met één bedieningsstation.
11
3.2 Aankomstproces
Het aankomstproces beschrijft de mate waarin en de manier waarop klanten aankomen
in het systeem. Aangezien dit proces van een onzekere en onvoorspelbare aard is,
drukken we het proces uit op een stochastische wijze. In deze masterproef
veronderstellen we een ongecorreleerd aankomstproces. Het aantal aankomsten tijdens
slot wordt aangeduid door . De zijn onafhankelijk en identisch gedistribueerd
van slot tot slot. De massafunctie van wordt gedefinieerd als , i.e.,
(3.1)
De distributie van kan eveneens gekarakteriseerd worden aan de hand van een
probabiliteitsgenererende functie (pgf). Deze wordt gedefinieerd als . Hierbij is z
een complexe veranderlijke. De pgf stelt de z-getransformeerde van de
massafunctie voor,
(3.2)
De aankomstintensiteit geeft het gemiddeld aantal aankomsten per slot weer. Deze
bekomen we via de momentgenererende eigenschap: door de pgf eenmaal af te
leiden en z gelijk te stellen aan 1. De aankomstintensiteit wordt aangeduid door de
parameter λ :
= E’(1).
(3.3)
In de numerieke voorbeelden zal het aankomstproces nader gespecificeerd worden
zodanig dat we de invloed van de verschillende systeemparameters op de
prestatiematen kunnen nagaan.
12
3.3 Bedieningsproces
We vertrekken van een systeem met één bedieningsstation zonder onderbrekingen. Er
kan dus slechts één klant per keer bediend worden. De tijdsas is ingedeeld in slots en de
transmissietijd van één klant bedraagt één slot. De bediening kan enkel aanvangen (en
eindigen) op slotgrenzen. Nieuw aankomende klanten worden dus verondersteld ten
vroegste bij het begin van het slot volgend op het aankomstslot bediend te kunnen
worden.
3.4 Wachtlijndiscipline
De term wachtlijndiscipline wordt gebruikt om de volgorde aan te duiden waarin
klanten bediend worden. De wachtlijndiscipline die we in dit wachtlijnmodel hanteren is
First-Come-First-Served (FCFS). De klant die eerst aankomt in het systeem, zal eerst
bediend worden. Naast deze heb je in de literatuur nog tal van andere
wachtlijndisciplines. Enkele voorbeelden zijn Last-Come-First-Served (LCFS),
prioriteitsdiscipline (PR), random selection for service (RSS) en processor sharing (PS).
3.5 Deadlines
Zoals reeds vermeld in de inleiding heeft elke klant een deadline: elke klant die zich in
de wachtlijn bevindt heeft op het einde van ieder slot, zonder hierbij te kijken naar de
toestand van de server, een kans σ om in de wachtlijn te blijven en een kans om
de wachtlijn te verlaten zonder bediend geweest te zijn. Merk op dat aankomende
klanten het systeem niet kunnen verlaten op het einde van hun aankomstslot. Dit wordt
geïllustreerd aan de hand van Figuur 3.2.
Figuur 3.2: Kans dat de deadline van klant A op het einde van een slot niet verloopt
13
We hebben dus een verschoven geometrische deadline. De massafunctie geeft de
kans weer dat de deadline van één klant gelijk is aan n slots:
(3.4)
De bijhorende probabiliteitsgenererende functie wordt hieronder weergegeven:
(3.5)
Aangezien de wachtlijn oneindig groot wordt verondersteld, kunnen eenheden enkel
verloren gaan indien hun deadline verloopt.
3.6 Verkorte notatie discrete-tijd wachtlijnsysteem
Het wachtlijnsysteem dat in deze masterproef bestudeerd wordt, wordt nog eens
geïllustreerd in onderstaande Figuur 3.2.
Figuur 3.3: GI/1/1 Wachtlijnsysteem met verschoven geometrische deadline
We maken hierbij gebruik van de “Kendall-notatie” A’–B–m–K. Deze verkorte notatie
wordt gebruikt om een type wachtlijnsysteem te specificeren. De symbolen A’ en B
verwijzen naar de distributie van de aankomsten en de bediening. We beschouwen
hierbij een algemene discrete aankomstdistributie waarbij de toevalsgrootheden
onderling onafhankelijk zijn. De “Kendall-notatie” kort dit af als GI (general
independent). Aangezien de bedieningstijd van één klant gelijk is aan één slot, kunnen
14
we constateren dat het bedieningsproces een deterministische distributie heeft, wat
afgekort wordt als 1. Het symbool m duidt het aantal parallelle uitgangskanalen aan.
Zoals hierboven reeds vermeld is, bevat dit wachtlijnsysteem slechts één
uitgangskanaal. Het symbool K refereert naar de opslagcapaciteit van het
wachtlijnsysteem. Indien deze grootheid oneindig groot is, wordt K niet opgegeven, wat
hier het geval is. Samengevat geeft dit een GI–1–1 wachtlijnsysteem met verschoven
geometrische deadline.
3.7 Prestatiematen
De grootheden die van belang zijn bij het bestuderen van een dergelijk systeem zijn:
Systeembezetting: het aantal klanten die zich in het systeem bevinden,
Vertragingstijd: de tijd die een klant in het wachtlijnsysteem doorbrengt,
Verliesproces: het aantal klanten die het systeem verlaten vooraleer ze bediend
zijn.
Aangezien het in- en uitgangsproces beschreven is door middel van een discreet
toevalsproces, zijn de hierboven vermelde grootheden ook discrete toevalsgrootheden.
De systeembezetting wordt beschreven in hoofdstuk 4 en 5. De gemiddelde
vertragingstijd wordt in hoofdstuk 7 kort toegelicht aan de hand van de stelling van
Little. Het verliesproces wordt beschreven in hoofdstuk 6.
Kort samengevat vertrekken we bij dit model vanuit een wachtlijnsysteem met een
oneindige wachtlijn, met één uitgangskanaal, een algemeen ongecorreleerd
ingangsproces en bedieningstijden die deterministisch gelijk zijn aan één slot. De
klanten zijn onderhevig aan deadlines, waardoor het mogelijk is dat een klant onbediend
het wachtlijnsysteem verlaat.
15
Hoofdstuk 4
Analyse van de systeembezetting
In dit hoofdstuk wordt het regimegedrag van de systeembezetting bij het begin van een
slot bestudeerd. De systeembezetting geeft het aantal klanten weer die zich in het
systeem bevinden. Eerst stellen we de systeemvergelijking van de systeembezetting op.
Vervolgens zetten we deze systeemvergelijking om naar probabiliteitsgenererende
functies. Daarbij veronderstellen we dat het systeem naar een evenwichtstoestand
evolueert. Deze evenwichtstoestand is alleen bereikbaar als het systeem voldoet aan de
evenwichtsvoorwaarde die zegt dat het gemiddeld aantal inkomende klanten gelijk moet
zijn aan het gemiddeld aantal uitgaande klanten. Tenslotte bepalen we een numerieke
procedure om de onbekende constante te berekenen. In hoofdstuk 5 leiden we de
eerste twee momenten van de systeembezetting af met de daarbij horende variantie. In
hoofdstuk 7 bestuderen we het effect van de systeemparameters op de gemiddelde
systeembezetting en de variantie van de systeembezetting.
4.1 Systeemvergelijking
We duiden de systeembezetting bij het begin van slot k aan met . De
probabiliteitsgenererende functie van is gedefinieerd als:
(4.1)
De systeembezetting evolueert van slot k naar slot volgens:
(4.2)
16
Deze toevalsgrootheden worden op de tijdsas voorgesteld in onderstaande Figuur 4.1.
Figuur 4.1: Toevalsgrootheden en op de tijdsas: illustratie
De toevalsgrootheid neemt de waarde 1 aan als de klant in het systeem blijft op het
einde van slot en de waarde 0 als de klant het systeem verlaat op het einde van het
slot. Elke klant die zich in de wachtlijn bevindt, heeft een deadline die op het einde van
slot k met kans verstrijkt. In dat geval verlaat de klant het systeem zonder
bediend te zijn. Anderzijds heeft elke klant een kans σ om, op het einde van slot k, in het
systeem te blijven. De massafunctie wordt dus gedefinieerd als:
(4.3)
De zijn onafhankelijke Bernoulli-toevalsgrootheden met parameter σ. Aangezien de
onafhankelijk en identisch verdeeld zijn, kunnen we de gemeenschappelijke
probabiliteitsgenererende functie definiëren:
(4.4)
De notatie , die deel uitmaakt van de systeemvergelijking, wordt gebruikt om
de grootheid aan te duiden. Van alle klanten die zich bij het begin van
slot in het systeem bevinden , als er tenminste klanten aanwezig zijn op het einde
van het voorgaande slot, gaat er één naar het bedieningsstation. Elke overige klant blijft
in het systeem met kans σ en verlaat het systeem met kans De term
geeft dan het aantal klanten weer die in het systeem zijn op het einde van
slot . Deze term is gelijk aan 0 indien er zich bij de aanvang van slot geen klanten in
de wachtlijn bevinden of doordat de deadline van alle klanten in de wachtlijn verstrijkt.
17
Daarnaast komen in slot ook nieuwe klanten toe. Zij worden in de systeemvergelijking
weergegeven door de discrete toevalsveranderlijke . De rij vormt, bij
onderstelling, een rij van onafhankelijk gelijk verdeelde toevalsgrootheden met
algemene massafunctie en genererende functie . Deze werden reeds in het
vorige hoofdstuk (vergelijking 3.1) beschreven, i.e.,
(4.5)
4.2 Regimegedrag systeembezetting
Uitgaande van de systeemvergelijking (4.2) en de gekende distributies van en kan
de distributie van de systeembezetting bepaald worden. Daarvoor zetten we de
systeemvergelijking om naar pgfs:
(4.6)
of wegens de statistische onafhankelijkheid van het aankomstproces van slot tot slot,
(4.7)
De eerste factor van (4.7) wordt hieronder verder berekend met behulp van de wet voor
de totale verwachtingswaarde:
Met leidt dit verder tot:
18
(4.8)
De tweede factor van vergelijking (4.7) is de genererende functie die het
ingangsproces weergeeft. Door het samenvoegen van voorgaande berekeningen,
bekomen we:
(4.9)
Indien we de tijdsparameter onbeperkt laten toenemen in vergelijking (4.9),
convergeren de genererende functies en beiden naar de limietfunctie
. Op die manier vinden we de volgende functionele vergelijking voor de pgf van de
systeembezetting bij het begin van een willekeurig slot in stochastisch regime:
(4.10)
Om verdere berekeningen leesbaarder te maken wordt gedefinieerd als:
Hierdoor kunnen we vergelijking (4.10) herschrijven als:
(4.11)
19
Deze functionele vergelijking is eigenlijk niets anders dan een relatie tussen en
. We gebruiken nu deze relatie om impliciet te bepalen, via een iteratieve
procedure. Hiervoor definiëren we eerst :
(4.12)
Gebruik makend van de definitie van kunnen we nu herschrijven als:
(4.13)
In vergelijking (4.13) werken we volledig uit, weergegeven in het rood:
(4.14)
In vergelijking (4.14) werken we nu volledig uit, weergegeven in het groen:
+
(4.15)
20
In vergelijking (4.15) kan nu volledig uitgeschreven worden. Via deze
iteratieve procedure bekomen we dan uiteindelijk het volgende resultaat:
(4.16) Voor geldt verder dat:
(4.17)
(4.16) wordt dan:
(4.18)
Rekening houdend met het feit dat de limiet voor 1 gaande naar oneindig van naar
1 gaat doordat σ tussen 0 en 1 ligt, i.e.,
(4.19)
21
We krijgen uiteindelijk, samen met het invullen van de normeringsvoorwaarde
, het volgend resultaat:
(4.20)
Vanuit deze vergelijking, waarbij afgezonderd is in het linkerlid, is het nu mogelijk
om de onbekende constante te berekenen. In hoofdstuk 5 zullen we deze
vergelijking verder gebruiken als vertrekpunt voor het berekenen van de eerste twee
momenten van de systeembezetting.
4.3 Bepaling onbekende constante
Door in vergelijking (4.20) gelijk te stellen aan 0, bekomen we voor :
(4.21)
We stellen echter vast dat de term naar 1 convergeert voor een grote waarde van ,
want
(4.22)
en dus voor grote waarden van i. Als gevolg hiervan zal de term
eveneens naar 1 convergeren voor een grote waarde van . Stel voor dat
, dan wordt :
(4.23)
(4.24)
22
Hierdoor hoeven we het product van de termen voor lopende van 0 tot
enkel te laten lopen tot de waarde aangezien dit toch geen effect zal hebben op het
resultaat en de berekening enkel bemoeilijkt wordt.
geeft de kans weer op een ledig systeem. Deze is afhankelijk van het
aankomstproces en de waarde voor σ. Aangezien de term deel uitmaakt van de
systeembezetting, zullen we vergelijking (4.24) in hoofdstuk 7 nodig hebben bij de
numerieke voorbeelden.
23
Hoofdstuk 5
Momenten van de systeembezetting
In dit hoofdstuk worden de eerste twee momenten van de systeembezetting berekend,
waaruit we de gemiddelde systeembezetting en de variantie van de systeembezetting
bepalen. In hoofdstuk 7 zullen we deze formules gebruiken bij de numerieke
voorbeelden.
5.1 Gemiddelde waarde van de systeembezetting
5.1.1 Eerste methode
De gemiddelde systeembezetting kan op twee manieren berekend worden. Eerst
berekenen we de gemiddelde systeembezetting aan de hand van de functionele
vergelijking (4.11). We zonderen daarvoor af:
(5.1)
Vervolgens vervangen we door :
(5.2)
Indien we in vergelijking (5.2) gelijk stellen aan 1, zijn zowel de noemer als de teller 0.
Met behulp van de regel van de l’Hôpital bekomen we uiteindelijk het volgend resultaat:
(5.3)
24
Indien we in deze vergelijking z gelijk stellen aan 1 bekomen we:
(5.4) Door gebruik te maken van de definitie van , i.e.,
(5.5)
Kunnen we vergelijking (5.4), rekening houdend met en , als volgt
schrijven:
(5.6)
Als we afzonderen, bekomen we een formule voor de gemiddelde
systeembezetting:
(5.7)
Dit is een eenvoudige manier om de gemiddelde systeembezetting te berekenen. Via
deze manier is het echter wel niet mogelijk om de variantie van de systeembezetting te
berekenen.
25
5.1.2 Tweede methode
Ten tweede kan de gemiddelde systeembezetting berekend worden, vertrekkende
van vergelijking (4.11), die we hieronder nog eens neerschrijven:
(5.8)
Na enig rekenwerk leidt dit tot de volgende afgeleide:
(5.9)
Later in dit hoofdstuk zullen we verder bouwen op deze formule om de variantie van de
systeembezetting te berekenen. Uit vergelijking (5.9) kan verder de gemiddelde
systeembezetting berekend worden, door in deze vergelijking te stellen:
(5.10) Zoals verwacht zijn vergelijkingen (5.7) en (5.10) gelijk aan elkaar.
26
5.2 Variantie van de systeembezetting
De variantie van de systeembezetting kunnen we berekenen via volgende formule:
(5.11)
De laatste twee termen kunnen we aan de hand van vergelijking (5.7) gemakkelijk
berekenen. De eerste term is de tweede afgeleide van , voor . De berekening
van deze term is nogal complex en wordt hieronder weergegeven.
Om de tweede afgeleide van te berekenen vertrekken we vanuit (5.9),i.e.,
We leiden deze vergelijking nogmaals af:
(5.12)
27
Vervolgens stellen we z gelijk aan 1 in vergelijking (5.10):
(5.13)
Voor de functies en geldt dat:
Tabel 5.1: Afgeleiden F(z) en Ai(z)
28
Met behulp van Tabel (5.1) kan vergelijking (5.13) vereenvoudigd worden tot de
volgende uitdrukking:
(5.14)
De term kunnen we als volgt uitwerken:
(5.15)
De term kan op een gelijke manier uitgewerkt worden:
(5.16)
29
Dit geeft de volgende vergelijking voor :
(5.17)
De variantie van de systeembezetting bekomen we uiteindelijk door:
(5.18) Mits enige vereenvoudiging wordt dit:
(5.19)
30
Hoofdstuk 6
Analyse van het verliesproces
6.1 Verliesproces
Om het verliesproces te bestuderen, bekijken we eerst wanneer klanten op het eind van
een slot in het systeem blijven en wanneer ze het systeem verlaten. Van alle klanten die
zich bij het begin van slot in het systeem bevinden, als er tenminste klanten aanwezig
zijn, gaat er één naar het bedieningsstation. Elke overige klant die zich bij het begin van
slot in het systeem bevindt, heeft een deadline die op het einde van het slot met kans
verstrijkt waarbij de klant het systeem verlaat zonder bediening. Elke klant
heeft dus een kans σ dat zijn deadline nog niet verstrijkt op het einde van slot en σ
geeft dus de kans weer dat de klant in het systeem blijft. We definiëren als een
toevalsgrootheid die weergeeft of een klant het systeem verlaat op het einde van een
slot. De toevalsgrootheid neemt de waarde 1 aan als de klant het systeem verlaat en
de waarde 0 als de klant in het systeem blijft. Merk op dat deze toevalsgrootheid het
complement voorstelt van de toevalsgrootheid (zie supra 4.1). De massafunctie
wordt gedefinieerd als:
(6.1)
De zijn onafhankelijke Bernoulli-toevalsgrootheden met parameter .
Aangezien de onafhankelijk en identisch verdeeld zijn, kunnen we een
gemeenschappelijke pgf definiëren:
(6.2)
31
Om het verliesproces te bepalen, stellen we de toevalsgrootheid op. De
toevalsgrootheid geeft het aantal klanten weer dat verloren gaat in slot :
(6.3)
De toevalsveranderlijke wordt visueel op de tijdsas voorgesteld in Figuur 6.1. De
andere toevalsveranderlijken uit Figuur 6.1 zijn in hoofdstuk 4 gedefinieerd.
Figuur 6.1: Toevalsveranderlijke op de tijdsas: illustratie.
De term geeft het totaal aantal klanten weer die in het systeem waren in
het begin van slot k en waarvan hun deadline verstrijkt op het einde van slot . Deze
term is gelijk aan 0 indien er zich bij de aanvang van slot geen klanten in de wachtlijn
bevinden of indien de deadline van alle klanten in de wachtlijn verstrijkt.
Hieronder wordt weergegeven hoe de probabiliteitsgenererende functie L(z) wordt
bekomen:
(6.4)
32
Met wordt dit:
(6.5)
Deze vergelijking geeft het regimegedrag weer van het aantal klanten dat verloren gaat
op het einde van een willekeurig slot. Alle factoren uit deze vergelijking zijn gekend.
6.2 Verliesdebiet
Het verliesdebiet geeft het gemiddeld aantal klanten weer die verloren gaan in een
willekeurig slot in regime. Het wordt berekend aan de hand van de volgende formule:
(6.6) Door eenmaal af te leiden, vinden we:
(6.7) Als we in deze uitdrukking gelijk stellen aan 1, leidt dit tot:
(6.8) Indien we in deze berekening invullen, geeft dit:
(6.9)
33
6.3 Verlieskans
De verlieskans geeft de fractie weer van het aantal klanten die verloren gaan in een slot.
De verlieskans geeft dus de verhouding van het verliesdebiet op de aankomstintensiteit
weer:
(6.10)
Op het eerste zicht lijkt het dat de parameter σ geen invloed heeft op de verlieskans. Dit
is echter maar schijn. Via de constante is dit namelijk wel het geval. De verlieskans
varieert echter indien verschillende waarden van λ en σ optreden. We zullen dit in het
volgende hoofdstuk aan de hand van numerieke voorbeelden illustreren.
34
Hoofdstuk 7
Numerieke voorbeelden
In dit hoofdstuk worden de resultaten uit de vorige hoofdstukken toegepast.
7.1 Binomiaal aankomstproces
We beschouwen een binomiale aankomstdistributie met parameters N en . Deze
distributie wordt gekenmerkt door de massafunctie,
(7.1) en de probabiliteitsgenererende functie,
(7.2)
Figuur 7.1: Een NxN-schakelelement
Deze distributie beschrijft het aankomstproces in een uitgangswachtlijn van een ATM-
schakelelement met N ingangslijnen en N uitgangslijnen (Figuur 7.1). In dit onderdeel
leggen we eerst kort uit wat ATM in het algemeen is. Daarna lichten we één ATM-
schakelelement toe, dat zich in een ATM-netwerk bevindt. Binnen de ATM-technologie
spreekt men niet over klanten, maar over cellen. In deze masterproef nemen we deze
terminologie enkel over bij de uitleg van de ATM-technologie en het ATM-
35
schakelelement. Om consistent te blijven met de berekeningen in de rest van deze
masterproef, zullen we bij de bespreking van de gemiddelde systeembezetting, de
variantie van de systeembezetting, de verlieskans en de gemiddelde vertragingstijd,
terug gebruik maken van het begrip “klant”.
7.2 ATM-technologie
ATM-technologie is een techniek om breedbandnetwerken te implementeren.
Breedbandnetwerken zijn communicatielijnen die tegelijkertijd verschillende
multimedia-toepassingen kunnen ondersteunen. Een ATM-netwerk bestaat uit
verschillende ATM-schakelelementen die met elkaar verbonden zijn. Het aantal poorten
van een schakelelement is beperkt. ATM wordt hierdoor niet gebruikt tussen
eindstations (individuele gebruikers), maar voor verkeer tussen centrales onderling.
Voor de verspreiding van ATM-verkeer op grote schaal, maakt men onder andere
gebruik van het welgekende ADSL.
Figuur 7.2: Vereisten van een toepassing
36
Zoals te zien is op Figuur 7.2 kunnen toepassingen met verschillende vereisten,
uitgedrukt in duurtijd (seconden) en snelheid (bits per seconde), ondersteund worden
door ATM. “High quality video” vereist de langste continue stroom van gegevens over
het netwerk aan een snelheid van ongeveer 1 Gbps (Gigabits per seconde). “High quality
video” is een real-time multimedia toepassing. Real-time multimedia vereist een hoge
bandbreedte waar er bij het transporteren slechts een kleine vertraging wordt
toegelaten. De tijd die een cel dus krijgt om van bron tot bestemming te geraken wordt
beperkt door een deadline, die de maximale tijd weergeeft. Een cel die na deze deadline
op zijn bestemming komt, is waardeloos. Er zijn twee oplossingen: ofwel moet er aan de
verbinding een voldoende grote bandbreedte toegekend worden zodanig dat de
tijdslimiet zeker gehaald wordt en de vertraging voldoende klein is; ofwel moet men
gebruik maken van priorititeitsdisciplines waarbij cellen op basis van hun deadline
voorrang krijgen ten opzichte van andere cellen (Ferdi).
7.3 ATM-schakelelement
Een specifiek onderdeel van een ATM-netwerk is een ATM-schakelelement. Een
schakelelement heeft een aantal ingangslijnen en een aantal uitgangslijnen. Cellen
komen bij elke ingang aan met een snelheid van maximum één cel per slot. De
aankomsten aan de ingangslijnen worden gegenereerd door i.i.d. Bernoulli-processen
met aankomstintensiteit λ. Inkomende cellen worden dan gerouteerd naar de
uitgangslijn die overeenstemt met hun bestemming, op een onafhankelijke en uniforme
wijze. Het schakelelement zorgt er dus voor dat de cellen die aankomen worden
doorgestuurd naar de juiste uitgang. Aangezien er in hetzelfde slot, door de
aanwezigheid van verschillende ingangen, meerdere cellen kunnen aankomen voor
eenzelfde uitgangslijn, kan er een conflict ontstaan. Cellen zullen in een bufferruimte
voor de uitgang moeten wachten. Alle uitgangsbuffers gedragen zich onderling identiek
doordat inkomende cellen, zoals reeds vermeld, op een onafhankelijke en uniforme
wijze naar deze buffers gerouteerd worden. In dit hoofdstuk zal slechts één
uitgangsbuffer, weergegeven door de rechthoek met stippellijn op Figuur (7.1),
geanalyseerd worden. Het mathematisch model dat beschreven werd in hoofdstuk 3
wordt op deze uitgangsbuffer toegepast. Aankomende cellen kunnen tijdelijk opgeslagen
worden in deze buffer. De wachtlijndiscipline in deze buffer is First-In-First-Out (FIFO).
37
Aankomende cellen in deze uitgangsbuffer worden gegenereerd volgens een binomiaal
aankomstproces. We beschouwen een 16x16-schakelelement.
In het vervolg van dit hoofdstuk wordt het effect van deadlines onderzocht op enkele
performantiematen. Achtereenvolgens worden de gemiddelde waarden van de
systeembezetting, de variantie van de systeembezetting, de verlieskans en de
gemiddelde vertragingstijd besproken. Hierbij zullen we ook de verschillen bekijken
tussen wachtlijnen waarbij klanten geen deadline hebben en tussen wachtlijnen waar
klanten wel een deadline hebben. Dit gebeurt aan de hand van grafieken. Deze grafieken
werden bepaald via een numerieke methode, waarbij voor iedere waarde van de x-as in
de figuur een y-waarde moest gevonden worden.
7.4 Verwachtingswaarde van de systeembezetting
De verwachtingswaarde van de systeembezetting werd in hoofdstuk 5 gedefinieerd als
het gemiddeld aantal klanten die zich in het systeem bevinden bij het begin van een slot.
De formule die de gemiddelde systeembezetting weergeeft, is:
(7.3)
De gemiddelde systeembezetting wordt dus bepaald door de parameters λ, σ en .
De aankomstdistributie heeft niet alleen een invloed op via de aankomstintensiteit
λ, maar ook via . Indien we namelijk van naderbij bekijken:
(7.4)
dan merken we op dat de aankomstverdeling verborgen zit in de term . In het
vervolg van dit onderdeel zullen we de invloed van de aankomstintensiteit en van de
parameter op de gemiddelde systeembezetting nagaan.
In Figuur 7.3 wordt de verwachtingswaarde van de systeembezetting weergegeven in
functie van de aankomstintensiteit λ. In deze figuur zullen we verschillende waarden
van de parameter σ bekijken. We vergelijken wachtlijnsystemen met deadlines voor de
38
volgende waarden . Hiernaast vergelijken we ook met een
wachtlijnsysteem zonder deadline.
Figuur 7.3: Verwachtingswaarden van de systeembezetting t.o.v. de aankomstintensiteit
Figuur 7.3 toont duidelijk de invloed van een wachtlijnsysteem waarbij klanten een
deadline hebben. In een model waar klanten het systeem niet kunnen verlaten
(grafieklijn 6) kan, naarmate de aankomstintensiteit naar 1 gaat, de server enorm
overladen geraken. Het systeem wordt instabiel en de wachtlijn blijft maar groeien.
Indien de aankomstintensiteit gelijk is aan één, gaat de gemiddelde systeembezetting
zelfs naar oneindig. Wanneer klanten het systeem wel kunnen verlaten vooraleer ze
bediend worden, gaat de gemiddelde systeembezetting niet naar oneindig. Dit schaadt
echter wel het service level van de klanten waarvan hun deadline verlopen is. Ze zijn
immers niet bediend. Hierdoor vermindert de systeembezetting wel, waardoor andere
klanten die zich nog in de wachtlijn bevinden, rapper bediend kunnen worden. Bij
λ
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
Wachtlijnsysteem zonder deadline (6)
39
wachtlijnsystemen voor klanten met deadlines moet men dus rekening houden met de
trade-off tussen efficiëntie en service level. De efficiëntie wijst hier op de tijd dat het
systeem nodig heeft om al het onuitgevoerd werk uit te voeren. Het service level wijst
hier op het verliesproces. We gaan hier verder op in bij het onderdeel m.b.t. de
verlieskans.
Fig 7.4: Verwachtingswaarden van de systeembezetting t.o.v. de aankomstintensiteit bij en
De gemiddelde systeembezetting van een wachtlijnsysteem zonder deadlines is steeds,
onafhankelijk van de aankomstintensiteit, groter dan deze van een wachtlijnsysteem
met deadlines. Voor heel lage aankomstintensiteiten merken we dit verschil amper. Dit
komt omdat er weinig klanten in de wachtlijn moeten plaatsnemen. Vanaf een
aankomstintensiteit van 0.2, merken we dat de gemiddelde systeembezetting van een
wachtlijnsysteem zonder deadlines lichtjes aan exponentieel toeneemt naarmate de
aankomstintensiteit verhoogt.
Wachtlijnsystemen met deadline (1) (2)
λ
40
Bij de wachtlijnsystemen voor klanten met deadlines merken we op dat naarmate de
parameter σ groter wordt, de gemiddelde systeembezetting van de wachtlijnsystemen
met deadlines toeneemt. Indien we de parameter σ echter gelijk zouden stellen aan 0
(Figuur 7.4), zouden klanten het systeem na 1 slot verlaten. Indien ze dus niet
onmiddellijk bediend worden na het einde van hun aankomstslot, verlaten ze het
systeem zonder bediening. De grafiek, waarbij (grafieklijn 1), neemt lineair toe
naarmate de aankomstintensiteit toeneemt en de gemiddelde systeembezetting zal voor
gelijk zijn aan 1. Dit resultaat kunnen we ook uit Formule 7.3 halen. Indien in deze
formule , is . De toename van de gemiddelde systeembezetting is dus
identiek aan de toename van de gemiddelde systeembezetting, aangezien de
richtingscoëfficiënt van deze rechte gelijk is aan 1. Bij de waarde (grafieklijn 2)
merken we een lichte stijging. Klanten blijven immers met 10% kans in het systeem na
het verloop van een slot.
Figuur 7.5: Verwachtingswaarden van de systeembezetting t.o.v.
de kans dat een klant zijn deadline niet verloopt (σ)
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
σ
41
Bij een evenredige stijging van de waarde van sigma met sprongen van 0.2, merken we
dat de stijging van de gemiddelde systeembezetting meer dan evenredig toeneemt
(Figuur 7.3). De grafieken met waarden en liggen dichter bij elkaar dan
de grafieken met waarden en . Deze toename vergroot naarmate de
aankomstintensiteit toeneemt. Als de aankomstintensiteit toeneemt, merken we ook op
dat bij (grafieklijn 5) de curve lichtjes exponentieel toeneemt, net als bij een
wachtlijnsysteem zonder deadlines (grafieklijn 6), maar dan in mindere mate. Dit komt
omdat slechts bij 10% van de klanten de deadline verstrijkt vooraleer ze bediend zijn.
Op Figuur 7.5 is de gemiddelde systeembezetting weergegeven ten opzichte van
parameter σ die de kans weergeeft dat de deadline van een klant niet verloopt. Deze
grafiek is opgemaakt voor verschillende waarden van de aankomstintensiteit, namelijk:
. Als de kans dat de klant zijn deadline niet verloopt klein is
( ), zal de waarschijnlijkheid dat de klant het systeem verlaat vooraleer hij
bediend is, groot zijn. Hierdoor gaan veel klanten verloren en blijft de gemiddelde
systeembezetting relatief laag. We kunnen dit systeem niet vergelijken met een systeem
zonder deadline aangezien klanten hier immers een kans hebben om in het
systeem te blijven. Het is bij deze wachtlijnsystemen dus onmogelijk om de waarde
sigma te laten variëren.
7.5 Variantie van de systeembezetting
De variantie van de systeembezetting werd in hoofdstuk 5 aan de hand van de volgende
formule gedefinieerd:
(7.5)
42
Deze is dus afhankelijk van de parameters σ, λ, en De laatste term, , is
het tweede moment van het aankomstproces. Deze term geeft de onregelmatigheid in
het aankomstproces weer. Hieronder bespreken we nu enkele grafieken die de variantie
van de systeembezetting weergeven in functie van de aankomstintensiteit λ en de
parameter σ die de kans weergeeft dat een klant in het systeem blijft.
In Figuur 7.6 wordt de variantie van de systeembezetting in functie van de
aankomstintensiteit λ weergegeven. In deze figuur zullen we verschillende waarden van
de parameter σ bekijken. We vergelijken wachtlijnsystemen met deadlines voor de
volgende waarden . Hiernaast vergelijken we ook met een
wachtlijnsysteem zonder deadline.
Figuur 7.6: Variantie van de systeembezetting t.o.v. de aankomstintensiteit
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
Wachtlijnsysteem zonder deadline (6)
λ
43
Figuur 7.6 toont de invloed van een wachtlijnsysteem waarbij klanten een tijdslimiet
hebben. De variantie van de systeembezetting in een model waar klanten het systeem
niet kunnen verlaten (grafieklijn 6), is bij lage waarden van de aankomstintensiteit
kleiner dan bij wachtlijnsystemen met deadlines. Naarmate de aankomstintensiteit
toeneemt, neemt de variantie van de systeembezetting bij een wachtlijnsysteem zonder
deadlines exponentieel toe. Op een bepaald moment kruist deze grafiek alle andere
grafieken. Hierbij wordt grafieklijn 1, waar de waarde , eerst gekruist. Bij deze
grafiek is de variantie op de systeembezetting immers het kleinst aangezien de
gemiddelde systeembezetting amper de waarde 1 overschrijdt. Naarmate de
aankomstintensiteit naar 1 gaat, zal de server van een wachtlijnsysteem zonder deadline
enorm overladen geraken. Het systeem wordt instabiel en de wachtlijn blijft maar
groeien. Indien de aankomstintensiteit gelijk is aan één, gaat de variantie van de
systeembezetting zelfs naar oneindig. Dit concludeerden we eveneens bij de gemiddelde
systeembezetting van wachtlijnsystemen zonder deadlines. Doordat klanten het systeem
wel kunnen verlaten, gaat de variantie van de systeembezetting niet naar oneindig. Het
systeem blijft stabiel.
Bij de wachtlijnsystemen voor klanten met deadlines merken we op dat naarmate de
parameter σ groter wordt, de variantie van de systeembezetting van wachtlijnsystemen
met deadlines toeneemt. De conclusies hieromtrent zijn dezelfde als bij de gemiddelde
systeembezetting.
Bij een evenredige stijging van de waarde sigma met sprongen van 0.2, merken we dat
de stijging van de variantie van de systeembezetting meer dan evenredig toeneemt
(Figuur 7.6). De grafieken met waarden en liggen dichter bij elkaar dan
de grafieken met waarden en . Deze toename vergroot naarmate de
aankomstintensiteit toeneemt. Verder merken we ook op dat bij de curve
(grafieklijn 5) ook lichtjes exponentieel toeneemt naarmate de aankomstintensiteit λ
toeneemt, net zoals bij een wachtlijnsysteem zonder deadlines, maar dan in mindere
mate.
Op Figuur 7.7 is de variantie van de systeembezetting weergegeven ten opzichte van
parameter σ die de kans weergeeft dat de deadline van een klant niet verloopt. Deze
grafiek is opgemaakt voor verschillende waarden van de aankomstintensiteit, namelijk:
44
. We kunnen dit systeem niet vergelijken met een systeem
zonder deadline aangezien klanten hier immers een kans hebben om in het
systeem te blijven. We merken hier op dat de variantie bij de grafieken met lage
aankomstintensiteit ( ) maar heel lichtjes toeneemt naarmate de
parameter σ toeneemt. De beginwaarde van deze grafieken is bij een hogere
aankomstintensiteit wel steeds iets groter.
Fig 7.7: Variantie van de systeembezetting t.o.v. de kans dat een klant zijn deadline niet verloopt (σ)
Bij grafieklijn 4, waar , merken we een lichte exponentiële toename bij stijgende
σ. Bij grafieklijn 5, waar , is dit verschil nog veel duidelijker. We merken hier
zelfs op dat de variantie blijft toenemen naarmate σ naar 1 gaat. Dit stemt immers bijna
overeen met een wachtlijnsysteem waar klanten geen deadlines hebben. De kans dat een
σ
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
45
klant namelijk in het systeem blijft, is 90%. Dit verklaart het asymptotisch gedrag van
deze grafieken bij .
7.6 Verlieskans
De verlieskans werd in hoofdstuk 6 gedefinieerd als de fractie klanten die verloren gaan
in een slot. De verlieskans geeft de verhouding van het verliesdebiet op de
aankomstintensiteit weer:
(7.6)
Aangezien de gemiddelde aankomstintensiteit, ongeacht de aankomstdistributie, steeds
gelijk is aan λ, lijkt de aankomstverdeling verder niet direct een invloed te hebben op de
verlieskans van een wachtlijnsysteem met deadlines. Zoals reeds vermeld bij de
gemiddelde systeembezetting, heeft de aankomstverdeling via echter toch een
invloed op de verlieskans. De parameter σ heeft eveneens via de term een invloed
op de verlieskans. In het vervolg van dit onderdeel zullen we de invloed van de
aankomstintensiteit λ en van de parameter op de verlieskans nagaan.
Op Figuur 7.8 is de verlieskans uitgezet in functie van de aankomstintensiteit. We
merken hierbij op dat de verlieskans op alle grafieken, ongeacht de waarde van de
parameter σ, stijgt naarmate de aankomstintensiteit toeneemt. Wanneer de waarde van
de parameter toeneemt, daalt de verlieskans. Dit is logisch aangezien klanten bij een
hogere σ meer kans hebben dat hun deadline niet verloopt, waardoor er dus minder
klanten verloren gaan. Deze klanten hebben dan ook meer kans dat ze effectief bediend
worden. Bij de waarden en neemt de verlieskans degressief toe
naarmate de aankomstintensiteit toeneemt. Bij de waarde neemt de verlieskans
lineair toe naarmate de aankomstintensiteit toeneemt. Bij de waarden en
neemt de verlieskans progressief toe naarmate de aankomstintensiteit
toeneemt.
46
Figuur 7.8: Verlieskans bij een wachtlijnsysteem met deadlines t.o.v. de aankomstintensiteit
Figuur 7.9: Verlieskans t.o.v. de kans dat een klant zijn deadline niet verloopt (σ).
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
verlieskans
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
verlieskans
λ
47
Op Figuur 7.9 is de verlieskans weergegeven ten opzichte van de kans dat de deadline
van een klant niet verloopt. Alle grafieken, ongeacht de aankomstintensiteit, nemen
meer dan evenredig af naarmate de kans dat een klant zijn deadline niet verloopt,
toeneemt. Dit is ook logisch aangezien er hierdoor meer klanten effectief zullen bediend
worden. Bij is de verlieskans nul. Alle klanten blijven hier immers in het systeem
aangezien ze geen deadline hebben. Naarmate de verschillende grafieken een hogere
aankomstintensiteit hebben, zullen meer klanten verloren gaan, aangezien de wachtlijn
langer zal zijn en de deadlines van de klanten dezelfde distributie behouden.
7.7 Stelling van Little
Een van de meest fundamentele stellingen uit de wachtlijntheorie is de “Stelling van
Little”. Deze stelling geeft, indien het wachtlijnsysteem zich in regimetoestand bevindt,
een verband weer tussen de gemiddelde vertragingstijd van klanten in het systeem en
het gemiddeld aantal klanten aanwezig in het wachtlijnsysteem. Dit geldt voor ieder
willekeurig wachtlijnsysteem. Dit wil zeggen dat men geen rekening hoeft te houden met
de distributie van het in- en uitgangsproces, het aantal in- en uitgangskanalen, de
opslagcapaciteit, de wachtlijndiscipline van het systeem, enzoverder. Men moet er enkel
voor zorgen dat de volgende grootheden betekenisvol zijn: de aankomstintensiteit λ, de
gemiddelde systeembezetting en de gemiddelde vertragingstijd . Dit is het
geval indien deze grootheden een zekere mate van stationariteit vertonen, wat zeker
geldt voor een wachtlijnsysteem in regime.
De gemiddelde systeembezetting geeft het gemiddeld aantal klanten weer die zich
in het systeem bevinden. De gemiddelde aankomstintensiteit geeft het gemiddeld
aantal klanten aan die per slot in het systeem binnenkomen. In wachtlijnsystemen met
deadlines geldt de stelling van Little als je de vertragingstijd definieert als de verblijftijd
van een klant in het systeem. Zo wordt er ook rekening gehouden met klanten die hun
deadline niet halen, maar die wel een zekere tijd in het systeem verblijven. De stelling
van Little geldt bij deze wachtlijnsystemen niet als je de vertragingstijd van een klant
definieert als het aantal slots tussen het einde van z'n aankomstslot en het einde van het
slot waarin de klant effectief bediend wordt. In dat geval reken je dus de klanten die hun
deadline niet halen, niet mee in de vertragingstijd. Je rekent hier enkel de klanten die
effectief bediend zijn mee. De gemiddelde vertragingstijd moet dus gelijk zijn aan
48
de gemiddelde verblijftijd van een klant, ongeacht of hij wel/niet bediend is. De stelling
van Little wordt dan als volgt gedefinieerd:
(7.7) Hieruit kunnen we de gemiddelde vertragingstijd afleiden:
(7.8)
Als laatste zullen we nog even de gemiddelde vertragingstijd ten opzichte van de
parameters λ en σ bekijken.
Figuur 7.10: Gemiddelde vertragingstijd t.o.v. de aankomstintensiteit
Op Figuur 7.10 is de gemiddelde vertragingstijd uitgezet in functie van de
aankomstintensiteit. Om te kunnen vergelijken met een wachtlijnsysteem zonder
λ
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
Wachtlijnsysteem zonder deadline (6)
49
deadlines, wordt ook de gemiddelde vertragingstijd voor dit wachtlijnsysteem getoond.
De waarde voor de wachtlijnsystemen met deadlines is voor de verschillende
grafieken gelijk aan: 0.1, 0.3, 0.5, 0.7 en 0.9. We kunnen hierbij concluderen dat de
gemiddelde vertragingstijd toeneemt naarmate de waarde σ toeneemt. Dit komt omdat
klanten bij een hogere σ een grotere kans hebben dat hun deadline niet verloopt. Ze
hebben hier dus meer kans om in het systeem te blijven.
Op Figuur 7.11 zien we de gemiddelde vertragingstijd ten opzichte van de kans dat een
klant zijn deadline niet verloopt (parameter σ). Deze grafiek is opgemaakt voor
verschillende waarden van de aankomstintensiteit, namelijk: .
Fig 7.11: Gemiddelde vertragingstijd t.o.v. de kans dat de deadline van een klant niet verloopt (σ).
Bij een lage waarde σ, is de kans dat een klant zijn deadline niet verloopt, relatief klein.
De kans dat de klant dus in het systeem blijft, is eveneens relatief klein. Bij deze lage
waarden merken we, ongeacht de aankomstintensiteit, een gemiddelde vertragingstijd
σ
Wachtlijnsystemen met deadline (1) (2) (3) (4) (5)
50
van iets maar dan 1. Naarmate σ toeneemt, merken we meer verschil tussen de
verschillende grafieklijnen. Grafieklijnen 1 en 2, met een lage aankomstintensiteit, zijn
lichtjes stijgend waardoor de gemiddelde vertragingstijd bij hogere σ amper toeneemt.
Dit is ook logisch aangezien er zich bij een lage aankomstintensiteit minder rap
wachtlijnen zullen vormen dan bij een hoge aankomstintensiteit. Klanten worden hier
dus rapper bediend dan bij wachtlijnsystemen met hoge gemiddelde
aankomstintensiteiten. Dit is te merken in grafieklijn 5. Naarmate de kans dat een
deadline niet verloopt (σ) toeneemt bij wachtlijnsystemen met hoge gemiddelde
aankomstintensiteit, blijven klanten langer in het systeem. Door de hoge σ zullen ze het
systeem ook niet rap verlaten door een verlopen deadline. De grootte van de wachtlijn
neemt toe, waardoor eveneens de gemiddelde vertragingstijd van een klant toeneemt.
Dit kunnen we eveneens uit de bovenstaande stelling van Little besluiten.
51
Hoofdstuk 8
De bedrijfscontext
In dit hoofdstuk zullen we het algemeen belang van wachtlijnsystemen binnen de
bedrijfscontext nader verklaren.
Binnen de bedrijfscontext kan het beheer van wachtlijnsystemen cruciaal zijn. Hierbij zal
vooral de afdeling supply chain management betrokken zijn. Het concept “supply chain”
is een verzamelnaam voor alle processen die een product doorloopt, vertrekkende van
de grondstoffen van het product tot wanneer het product bij de klant aangekomen is.
Het kan zelfs nog breder gezien worden indien het product nog diensten-na-verkoop
nodig heeft, zoals onderhoud. Binnen de supply chain bevinden zich dus meerdere
“spelers”, zoals te zien is op Figuur 8.1.
Figuur 8.1: Voorbeeld van een supply chain keten
Supply chain management houdt zich bezig met het optimaliseren en op elkaar
afstemmen van processen en systemen binnen de supply chain. Het gaat hierbij zowel
om goederenstromen (zoals het binnenkomen van grondstoffen), de productie en de
eindlevering, als om informatiestromen tussen de verschillende bedrijven binnen de
52
supply chain. Deze informatiestromen zorgen ervoor dat de gehele keten op elkaar
afgestemd is en niemand met een tekort of overschot zit.
De headliner “faster, better, cheaper” is in supply chain management heel belangrijk
(Chopra & Meindl, 2007). Deze wijst op de verschillende domeinen waar men zich als
bedrijf kan differentiëren ten opzichte van anderen. Hierbij zal vaak een trade-off
moeten gemaakt worden. Rappere bediening of betere kwaliteit voor de klant kosten
vaak meer, terwijl goedkopere bediening vaak gepaard gaat met een lagere kwaliteit en
een lagere bedieningssnelheid. Als bedrijf moet je uitblinken in één van de drie, anders
is het moeilijk om te overleven. Bedrijven die met elkaar samenwerken om uiteindelijk
een finaal product aan de klant te kunnen leveren, moeten consistent zijn in hun
strategische beslissingen. Een recent voorbeeld is te vinden bij de supermarktketens in
België. Colruyt, Aldi en Lidl differentiëren zich door de klant lage prijzen aan te bieden.
Delhaize differentieert zich door goede klantenservice te bieden. Carrefour had noch een
goedkope reputatie, noch een klantgerichte reputatie en moest hiervoor boeten. Het
geldt natuurlijk niet dat Colruyt, Aldi en Lidl geen goede kwaliteit bieden. Deze winkels
bieden dezelfde productkwaliteit aan, maar zij bieden hun klanten minder “frills” aan. Er
is geen muziek in de winkels, er hangen spaarlampen, diepvriezers zijn gesloten zodat
weinig energie verloren gaat, schappen zijn functioneel zodanig dat er zoveel mogelijk
producten op kunnen gestapeld worden… De klant kiest wat hij wil: lage prijzen of een
betere klantenservice. Dit fenomeen vind je in alle sectoren terug, denk maar aan de
vliegtuigmaatschappijen zoals Ryanair versus Brussels Airlines.
De supply chain is eigenlijk een wachtlijnsysteem. De productvraag bepaalt hoeveel
producten er moeten gemaakt worden. Aangezien men op voorhand niet kan weten
hoeveel producten de klanten in het totaal zullen kopen, moeten bedrijven dit
voorspellen. Wanneer men de productvraag voorspeld heeft, kan de productie beginnen.
Het productieproces bestaat uit een routing, waarbij de onderdelen verschillende
machines (nodes genaamd) moeten doorlopen. De onderdelen die samen finaal een
product vormen, worden vóór elke machine beschouwd als de “aankomende klanten”.
Deze onderdelen verschillen van node tot node tot er uiteindelijk een finaal product is.
De machines zijn de bedieningsstations. De bedieningsstijden van machines zijn
verschillend en hangen af van productklasse tot productklasse. Bij onvoorziene
machinebreuken treedt er eveneens variabiliteit op in de bedieningstijd, door de
53
reparatietijd die de machines nodig hebben, vooraleer ze terug kunnen werken. Het doel
van supply chain management is nu om de doorlooptijd van de producten te reduceren
doorheen het productieproces. Hierbij is het vooral belangrijk om knelpunten op te
sporen en aan te pakken. Knelpunten zijn plaatsen waar lange rijen producten wachten
op bediening (Govil & Fu, 1999).
Het beheer van wachtlijnsystemen binnen bedrijfsprocessen zal voornamelijk een
invloed hebben op de strategische factor “faster”. Hoe sneller producten/klanten
bedieningsprocessen kunnen doorlopen, hoe hoger de kwaliteit zal zijn. Het prijskaartje
dat aan deze snellere verwerking vasthangt, zal echter wel hoger zijn. De trade-off die
moet gemaakt worden, is hier dus terug zichtbaar en zal moeten samenhangen met de
rest van de strategische beslissingen binnen een bedrijf. Indien je als bedrijf gekend
staat voor je snelheid (denk maar aan Telenet) zul je hier veel belang aan moeten
hechten. Indien je echter gekend staat als de goedkoopste, zal de klant al eerder willen
wachten. Iemand met een gewone internetverbinding, zal langer willen wachten tot
bestanden gedownload zijn dan iemand met een supersnelle kabel.
Bedrijven moeten voldoen aan de vraag. Indien dit onmogelijk is, lopen klanten immers
naar concurrerende bedrijven. Om aan de vraag te voldoen, is het voor bedrijven van
groot belang dat ze het gedrag van wachtlijnsystemen (zoals de routing van het gehele
productieproces) kunnen voorspellen. Op deze manier is een bedrijf in staat om
welbepaalde parameters (zoals het aantal machines die parallel verschillende
onderdelen omzetten naar finale producten) zodanig te kiezen, dat het systeem voldoet
aan de vraag.
We kunnen dus besluiten dat supply chain management een directe impact heeft op de
strategische keuzes van een bedrijf. Door wachtlijnsystemen binnen de supply chain
goed te analyseren en in lijn te brengen met de bedrijfsstrategie, kunnen bedrijven hun
competitief voordeel behouden.
54
Hoofdstuk 9
Besluit
In deze masterproef werden wachtlijnsystemen bestudeerd waarbij de aankomende
entiteiten ieder een deadline hebben. Iedere entiteit heeft dus een maximum toelaatbare
verblijftijd in het wachtlijnsysteem. Wanneer de deadline van een klant verstrijkt vóór
de klant bediend kan worden, moet deze klant het systeem verlaten.
De invloed van deadlines op wachtlijnsystemen werd bestudeerd aan de hand van
probabiliteitsgenererende functies. Met behulp van deze functies werden belangrijke
prestatiematen berekend. Het analytisch model dat in deze masterproef werd opgesteld,
is echter wel een vereenvoudiging van de werkelijkheid. Toch is het mogelijk om
kwalitatieve besluiten te trekken. De analyse leidt namelijk tot gesloten formules voor
de verwachtingswaarde van de systeembezetting, de variantie van de systeembezetting
en de verlieskans. Met behulp van deze formules werd de performantie van een concrete
toepassing uit de telecommunicatie onderzocht, met name een NxN-schakelelement met
Bernoulli-aankomsten.
Ondanks het feit dat het analytisch model dat in deze masterproef bestudeerd werd een
sterke vereenvoudiging is van de werkelijkheid, was de wiskundige analyse toch
complex. Bij de berekening van de verwachtingswaarde en de variantie van de
systeembezetting, kwamen formules voor waarin de factoren van sommatie- en
multiplicatietekens tot oneindig doorliepen. Naarmate dit model meer naar de
werkelijkheid zal gemodelleerd worden, zal deze complexiteit wellicht eveneens
toenemen.
In de toekomst kunnen nog veel uitbreidingen beschouwd worden. Zo zou het mogelijk
zijn om andere deadlineverdelingen te beschouwen en deze met elkaar te vergelijken. Er
kunnen uiteraard ook andere aankomstprocessen of uitgangsprocessen beschouwd
worden. Men kan hierbij in de bedieningseenheid, in plaats van één bedieningsstation,
meerdere bedieningsstations naast elkaar plaatsen. Hiernaast kan men ook overgaan
naar een eindig wachtlijnsysteem of kan men een andere wachtlijndiscipline
55
beschouwen. Deze masterproef is slechts een vertrekpunt voor de analyse van
wachtlijnsystemen voor klanten met deadlines in de discrete tijd.
56
Bibliografie Ancker, C. J., & Gafarian, A. V. (1963). Some queueing problems with balkin and reneging.
Operations Research (11), p. 88-100.
Barrer, Y. D. (1957). Queueing with impatient customers and ordered service.
Operations Research (5), p. 650-656.
Bruneel, H. (2009). Wachtlijntheorie. Cursus faculteit Toegepaste Wetenschappen,
Universiteit Gent, Vakgroep Telecommunicatie en Informatieverwerking.
Chopra, S., & Meindl, P. (2007). Supply chain management. Pearson Education.
Cohen, J. W. (1968). Single server queue with uniformlybounded virtual waiting time.
Journal of Applied Probability (5), p. 93-122.
Ferdi, P. (sd). Info over ATM. Opgeroepen op april 26, 2010, van Website van Katholieke
Universiteit Leuven:
http://www.econ.kuleuven.ac.be/tew/academic/infosys/members/PUT/papers/ATM
%20-%20een%20inleiding.doc.
Garnett, O. (1998). Designing a telephone call center with impatient customers.
Research thesis, Israel institute of technology, Operations research and systems analysis,
Israel, Haifa.
Garnett, O., Mandelbaum, A., & Reiman, M. (2002). Designing a call center with impatient
customers. Research.
Govil, K. M., & Fu, C. M. (1999). Queueing theory in manufacturing: a survey. Journal of
manufacturing systems , 18 (3), 214-240.
Hoβfeld, T., Leibnitz, K., & Remiche, M.-A. (2007). Modeling of an online TV recording
service. ACM sigmetrics, Performance evaluation review , 35 (2).
Mandelbaum, A., & Zeltyn, S. (2009). Staffing many-server queues with impatient
customers: constraint satisfaction in call centers. Operations Research , 57 (5), p. 1189-
1205.
Movaghar, A. (1998). On queueing with customer impatience until the beginning of
service. Queueing Systems (29), p. 337-350.
Movaghar, A. (2006). On queueing with customer impatience until the end of service.
Stochastic Models , 22 (1), p. 149-173.
Penn, W. (1682). Some fruits of solitude in reflections and maxims.
57
Van den Dam, R., Nelson, E., & Lozinski, Z. (2008). The changing face of communication.
Opgeroepen op april 15, 2010, van Website van IBM Global Business Services:
http://www-935.ibm.com/services/us/gbs/bus/html/gbs-telcos-
socialnetworking.html?cntxt=a1005266
Zeltyn, S. (2004). Call centers with impatient customers: eact analysis and many-server
asymptotics of the M/M/n+G queue. Reserach thesis, Israel institute of Technology.