就餐回放
观察学生从进入食堂到就餐离场的完整过程
当前仿真时间11:50:00
拖动旋转 · 滚轮缩放 · 点击人物查看记录
回放说明
场地与人物为示意，人数来自全部模拟记录。
第一步
选择就餐方案
选择一种安排，按实际情况调整参数。
第二步
运行过程
第三步
仿真结果
本次就餐结果
排队人数变化
曲线说明
比较方案与出发间隔
方案筛选
让班级交错出发，找到适合现有窗口与座位的安排。
班级排程
把错峰安排到每个班
比较三种目标，生成可直接回放的放行表。
当前参数已改变，请重新生成放行方案。
从一张更好的放行表开始
人数与资源沿用当前仿真设置。
按年级间隔筛选
年级间隔：0—4 分钟
每隔 1 分钟取一个候选；保留年级顺序和放行限制。
筛选方法与适用条件
人数、通用窗口总数、座位与服务速度不变，只改变年级放行间隔。
每个候选运行 10 轮，再用另外 30 轮复核。候选同时比较完整用时、排队与年级差，保留各有取舍的方案；结果只适用于输入假设，不代表现实最优。
参数已改变，下方为上次筛选结果。请重新筛选以更新候选。
候选方案将显示在这里
筛选后可以逐个复核，再载入仿真观察。
使用说明
比较三种就餐安排，再确定相邻班组的出发间隔。
完成一次实验
-
选择方案
选择一种预设，按实际情况调整人数、班级、窗口、座位和出发间隔。
-
运行过程
播放三维过程，观察学生排队、取餐、端盘步行和入座。
-
仿真结果
查看平均排队时间与各年级结果，导出记录；也可展开比较三种方案与出发间隔。
当前场景的依据
高一580人、高二530人、高三500人，共1610人，作为三年级高中就餐示例。 16个窗口、480个座位和放行时刻用于实验比较，可在设置中修改。
按每组约50人划分为33组。人数、打饭速度和布局用于方案比较，可按实际记录修改。
计算方法与指标
模型按事件发生顺序计算：班级放行 → 步行到达 → 预计取餐完成最早的窗口排队 → 取餐 → 等座用餐 → 返程。
完整用时 = 等待出发 + 集合步行 + 排队 + 取餐 + 等座 + 端盘步行 + 用餐 + 返程
完整用时从各年级最早允许放行起算，按时完成以配置的返程截止时刻判断。P95 排队为 95% 分位；年级差为各年级平均完整用时的最大值减最小值，不能单独代表公平。
每轮 A / B 使用相同种子生成随机需求。差值为 B − A；95% 区间描述模型内随机波动，不包含输入参数不准确的误差。
示例布局采用两侧窗口、中间座位、前后进出；具体尺寸与两端人流比例为示意。3D 与 2D 回放同一份计算记录。人物抽样显示，人数指标按全量记录统计；示意面积不能用于计算现实密度。
离散事件仿真参考 ↗公开资料与项目来源
公开学校方案显示，已有按年级分时以及按班级分批的就餐安排。本研究用示例场景直接比较三种规则。
模型与 3D 基础来自用户提供的 v1.5 项目，经过本地复跑与复核。Three.js 使用 MIT 许可。
更多资料核验与许可说明见配套研究包中的 research、PROVENANCE.txt 与 licenses 目录。
研究笔记
记录这一轮的问题、修改和结果。
本轮记录
记录仅保存在当前浏览器，建议导出备份。
三个学生，一个窗口
三人同时到达，每人取餐 10 秒。开始服务分别在第 0、10、20 秒；排队分别为 0、10、20 秒。
平均排队 = (0 + 10 + 20) ÷ 3 = 10 秒
如果三人改为第 0、10、20 秒依次到达，每人的现场排队都为零；但从共同允许时刻算起，完成取餐仍在第 10、20、30 秒。为什么排队少了，却没有更早完成？
例子的适用范围
此处忽略步行与用餐，可用配套 Python 教学模型验证；主仿真还包含通用窗口、座位与返程。
研究自查：五个问题
- 为什么要同时看排队时间和完整用时？
- 同一随机种子怎样让两种方案的比较更公平？
- 某年级等待变少，是否可能让另一年级更晚完成？
- 如果食堂统一送餐，当前模型哪里不再适用？
- 哪些工作是你亲自完成的，哪些由教师、参考项目或 AI 协助？