Capacity Rationing in Multiserver, Nonpreemptive Priority Queues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: Many service and manufacturing systems use both capacity rationing (CR) and priority to differentiate among their customers. We model these as a two-class nonpreemptive priority [Formula: see text] queueing model and the practice of CR; an arriving low-priority customer can directly enter service only when the number of idle servers is higher than the CR level, k. For these systems, we separately discuss two important features that are common in practice but ignored in the literature; supply is narrowly matched with demand, and service rates are heterogeneous, reflecting different customer types. Methodology and results: When the service times of both classes are identical, our asymptotic results indicate that for a system with a large number of servers, the nondegenerative CR level does not exceed [Formula: see text]. When the service times of classes differ, we derive exact solutions for different performance measures of interest using queueing and Markov chain decomposition. We numerically demonstrate the impact of system parameters on these performance measures and provide insights on the CR level. Management implications: We show that as predicted by the asymptotic analysis, an [Formula: see text] CR level can significantly reduce the waits of high-priority customers with little effect on low-priority customers’ waiting. We establish that this insight is robust to heterogeneous service times across classes and other system parameters, such as the number of servers and the arrival rates of the classes. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2021.0106 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle