Congestion-Based Repair Policy for a Failure-Prone Service System With Strategic Customers
Notice bibliographique
Résumé
This study examines the decision-making interaction between a service provider adopting a congestion-based repair policy and strategic customers in a failure-prone M/M/1 queueing system. The server’s lifetime is exponentially distributed, and a repair starts immediately upon the server’s breakdown. The repair rate is adjustable: the service provider employs a high repair rate (with a high cost) if the number of waiting customers reaches a threshold; otherwise, a low repair rate (with a low cost) is adopted. We model the interaction as a two-stage Stackelberg game: the provider (leader) sets the price, repair threshold, and information policy before customers (followers) decide whether to join. Using backward induction, we characterize the resulting Stackelberg equilibrium. Under fully unobservable and almost unobservable cases, both follow-the-crowd (FTC) and avoid-the-crowd (ATC) behaviors are found to coexist in the customer’s equilibrium joining strategy. Two special models, the classic repair model (when the threshold approaches 0) and the delayed repair model (when the low repair rate approaches 0), are discussed extensively. The classic repair policy maximizes throughput but incurs the highest costs, while delayed repair minimizes costs at the expense of throughput. The proposed congestion-based repair strategy balances these tradeoffs, achieving intermediate throughput and cost levels. Notably, it can increase profits by up to 34.4% compared with classic repair, with its effectiveness amplified under high-cost scenarios. By comparing the unobservable case with the almost unobservable counterpart, we demonstrate that hiding server state information when prices are low and disclosing server information when prices are high can increase profit for the service provider, but at the expense of reducing social welfare.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».