В работе исследуется двухканальная система массового обслуживания (СМО) без накопителя применительно к двум однотипным системам обслуживания. Первая система функционирует по классической схеме с постоянным временем обслуживания, тогда как вторая оснащена киберфизическим контроллером (CPS), адаптирующим управляемый параметр обслуживания u в зависимости от текущего числа заявок n в системе. Закон адаптации задаётся выражением u(n) = min{u0·(1 + β·n); umax}, а время обслуживания представляется как сумма постоянной и переменной составляющих: T(n) = Tconst + Tvar/(1 + β·n). Базовые параметры заданы как модельный расчётный сценарий, достаточный для сопоставления двух политик управления без привязки к конкретному объекту. Сравнительный анализ выполнен методом дискретно-событийной имитации на языке Python с использованием библиотеки SimPy. Проведено 50 независимых прогонов на каждый из 30 сценариев при сетке λ ∈ {55, 60, 65, 70, 75, 80} заявок/ч и β ∈ {0,05; 0,10; 0,15; 0,20; 0,25}, всего 1500 прогонов. Показано, что адаптивная система превосходит классическую во всех исследованных сценариях: прирост выходного потока составляет от 1,1 % при малой нагрузке до 5,8 % при высокой. Установлено, что наибольший эффект проявляется при высокой загрузке, когда вероятность блокировки входного потока возрастает. Выявлена оптимальная зона β ∈ [0,15; 0,20] при λ ≥ 70 заявок/ч, обеспечивающая прирост 3,5-4,8 % при сохранении заданных ограничений модели. Полученные результаты подтверждают применимость состояния-зависимого управления для повышения пропускной способности двухканальных систем без изменения их структуры.
This paper investigates a two-channel queueing system without a buffer applied to two equivalent service systems. System 1 operates according to a classical scheme with a constant service time, whereas System 2 is equipped with a cyber-physical controller (CPS) that adapts a controllable service parameter u based on the current number of jobs n in the system. The adaptation law is defined as u(n) = min{u0·(1 + β·n); umax}, and the service time is represented as the sum of constant and variable components: T(n) = Tconst + Tvar/(1 + β·n). Baseline parameters are specified as a model calculation scenario sufficient for comparing two control policies without reference to a specific physical object. The comparative analysis was performed by discrete-event simulation in Python using the SimPy library. The experiment included 50 independent runs for each of 30 scenarios with λ ∈ {55, 60, 65, 70, 75, 80} requests/h and β ∈ {0.05, 0.10, 0.15, 0.20, 0.25}, totalling 1,500 runs. The results show that the adaptive system outperforms the classical one in all investigated scenarios: throughput gain ranges from 1.1% under low load to 5.8% under high load. The greatest effect is observed at higher load levels, where the probability of input-flow blocking increases. The optimal zone β ∈ [0.15; 0.20] at λ ≥ 70 requests/h yields a 3.5-4.8% gain while satisfying the specified model constraints. These results confirm the applicability of state-dependent control for increasing the throughput of two-channel systems without changing their structure.