Thesis (Ph.D)--Industrial and Systems Engineering, Georgia Institute of Technology, 2009. / Committee Co-Chair: Hayriye Ayhan; Committee Co-Chair: Sigrun Andradottir; Committee Member: David M. Goldsman; Committee Member: Douglas G. Down; Committee Member: Robert D. Foley. Part of the SMARTech Electronic Thesis and Dissertation Collection.

Thesis (M.SC.) - Carleton University, 2007. / Includes bibliographical references (p. 65-66). Also available in electronic format on the Internet.

Thesis (Ph. D.)--University of Wisconsin, 1967. / Typescript. Vita. eContent provider-neutral record in process. Description based on print version record. Includes bibliographical references.

Thesis (Ph. D.)--University of Wisconsin--Madison, 1983. / Typescript. Vita. eContent provider-neutral record in process. Description based on print version record. Includes bibliographical references.

Thesis (Ph. D.)(Industrial Engineering)--University of Pretoria, 2005. / Includes summary. Includes bibliographical references. Available on the Internet via the World Wide Web.

Pierre A. Humblet. / "May 1982" / Bibliography: leaf 5. / "Contract NSF-ECS -79-19880"

Η αναμονή σε μία ουρά με σκοπό την εξυπηρέτησή μας για κάποιο ζήτημα είναι ένα φαινόμενο που όλοι έχουμε βιώσει στην ζωή μας, το οποίο είναι ιδιαίτερα συνηθισμένο στις ανεπτυγμένες τεχνολογικά κοινωνίες. Η αναμονή σε αυτές τις ουρές (αεροδρόμια, τράπεζες, τηλεφωνικά κέντρα κτλ), είναι μια δυσάρεστη κατάσταση τόσο για αυτούς που λαμβάνουν όσο και για αυτούς που παρέχουν την εξυπηρέτηση. Λόγω της μεγαλύτερης ζήτησης από την υποδομή για εξυπηρέτηση υπάρχει η κατάσταση της αναμονής την οποία προσπαθούμε να ελαττώσουμε κάνοντας χρήση λεπτομερών μαθηματικών αναλύσεων, απαντώντας στα δύο βασικά ερωτήματα που μας απασχολούν: 1) Πόσο περιμένει ο πελάτης και 2) Πόσοι περιμένουν στην ουρά. Η θεωρία ουρών μας παρέχει το κατάλληλο υπόβαθρο για να μελετήσουμε τις ουρές και τις καταστάσεις τους. Μέσα σε αυτό το υπόβαθρο περιλαμβάνεται και η σημειογραφία ενός μοντέλου ουράς, καθώς και οι μαθηματικές εκφράσεις οι οποίες είναι απαραίτητες για την ανάλυση αυτού του μοντέλου. Ακόμα μας παρέχει και πολλά καθημερινά παραδείγματα τα οποία μοντελοποιούνται με την χρήση των μαθηματικών τύπων. Για τα πολύπλοκα όμως μοντέλα τα οποία απαιτούν συνεχείς υπολογισμούς και καταγραφή αποτελεσμάτων χρειαζόμαστε την βοήθεια της τεχνολογίας των υπολογιστών και της πληροφορικής. Η πληροφορική μας παρέχει τη δυνατότητα με την χρήση προγραμμάτων λογιστικού φύλλου και προσομοιώσεων να μελετήσουμε τέτοια συστήματα ουρών, ώστε να μπορέσουμε να τα αναπαραστήσουμε ψηφιακά και να συλλέξουμε αποτελέσματα με λιγότερο ρίσκο. Έτσι με την χρήση των παραπάνω εργαλείων σε συνδυασμό με τη θεωρία ουρών και τις γεννήτριες τυχαίων αριθμών επιχειρούμε την κατασκευή τέτοιων συστημάτων ουράς με σκοπό την σύγκρισή τους με βάση τα χαρακτηριστικά που έχουν τα συστήματα αυτά. Στο πρώτο μέρος της παρούσας εργασίας μελετάμε κάποια θεωρητικά παραδείγματα ώστε να μπορέσουμε να υποστηρίξουμε και να καταλάβουμε τις μαθηματικές εκφράσεις και την λογική της θεωρίας ουρών, ενώ στο δεύτερο μέρος της εργασίας με την χρήση του Microsoft Excel (ως λογισμικό λογιστικού φύλλου) και του Palisade @Risk (add-on για την προσομοίωση) μοντελοποιούμε και συγκρίνουμε διάφορα μοντέλα ουρών που αφορούν το σύστημα εξυπηρέτησης μιας υπηρεσίας. / Waiting in a queue for our service for any issue is a phenomenon that we have all experienced in our lives, which is particularly common in advanced technological societies. Waiting in these queues (airports, banks, call centers etc), is an uncomfortable situation for both those receiving and those providing the service. Due to the higher demand from infrastructure to service, there is a state of waiting we are trying to reduce it by using detailed mathematical analysis and answering the two key questions that concern us: 1) How long the customer waits and 2) How many people are waiting in the line. The queuing theory provides us with a suitable background to study the queues and their states. This background includes the notation of a model of a queue, and the mathematical expressions that are necessary for the analysis of this model. Also it provides us with many everyday life examples which are modeled using the mathematical formulas. But for the complex models that require constant calculations and recording of the results we need the help of computer technology and informatics. Computer science allows us to use spreadsheet and simulation programs to study such systems queues, so that we can digitally reconstruct them and gather results with less risk. So by using these tools in conjunction with the queuing theory and random number generators we attempt to build such queuing systems in order to compare them according to their distinct characteristics. In the first part of this paper we study some theoretical examples so that we can support and understand the mathematical expressions and logic behind queuing theory, while in the second part using the Microsoft Excel (a spreadsheet software) and Palisade @ Risk (add-on for the simulation) we try to construct and compare various models of queues based on the service of a queuing system.

An overview of the computer networks currently being developed is presented. Three types of network design are distinguished - packet switching, line switching and Newhall loops. Reference is made to several models developed during the design of these networks, but only those concerned with packet switching are described in detail. A gueueing model emerges as a feasible alternative to the more expensive simulation models. This model is developed to include the basic logic of the message switching centres (nodes) and used as the backbone to a heuristic procedure that considers limited capacity buffers and blocking at the nodes. Key words and phrases: Data transmission, computer nets, packet switching, switching centre, interactive computation, resource sharing, queueing network, Markovian queue, steady state. / Science, Faculty of / Computer Science, Department of / Graduate

Master of Science

Surface mining is the most common mining method worldwide, and open pit mining accounts for more than 60% of all surface output. Haulage costs account for as much as 60% of the total operating cost for these types of mines, so it is desirable to maintain an efficient haulage system. As the size of the haulage fleet being used increases, shovel productivity increases and truck productivity decreases, so an effective fleet size must be chosen that will effectively utilize all pieces of equipment. One method of fleet selection involves the application of queuing theory to the haul cycle. Queuing theory was developed to model systems that provide service for randomly arising demands and predict the behavior of such systems. A queuing system is one in which customers arrive for service, wait for service if it is not immediately available, and move on to the next server or exit the system once they have been serviced. Most mining haul routes consist of four main components: loading, loaded hauling, dumping, and unloaded hauling to return to the loader. These components can be modeled together as servers in one cyclic queuing network, or independently as individual service channels. Data from a large open pit gold mine are analyzed and applied to a multichannel queuing model representative of the loading process of the haul cycle.  The outputs of the model are compared against the actual truck data to evaluate the validity of the queuing model developed. / Master of Science