本文介绍在anylogic中对来自同一信源、经同一服务模块处理的多类智能体（如6类患者），实现**按类型分组统计队列平均等待时间**的实用方法，涵盖分流建模、时间测量与数据聚合三大核心步骤。
在AnyLogic中，当所有患者（Agent）均源自同一个Source、共用同一个Service模块，但需按类型（如patientType = 1~6）分别统计其在队列中的平均等待时间时，直接依赖单一Service块内置的“Waiting time in queue”统计项是不够的——它仅输出全局均值，无法自动按类型切片。此时，最可靠且易于理解的工程实践是基于类型进行逻辑分流，而非强行在单一流程中做条件聚合。
✅ 推荐方案：类型驱动的并行子流程（推荐初学者使用）
-
在Source后插入SelectOutputN（如SelectOutput5，可扩展至6路）
在其“Condition”字段中，为每条出口设置类型判断逻辑，例如：agent.patientType == 1 // 出口1 → 类型1患者 agent.patientType == 2 // 出口2 → 类型2患者 ... agent.patientType == 6 // 出口6 → 类型6患者
? 提示：确保patientType已在Agent类中正确定义为int或enum，并在Source的“Agent type”或“On startup”中正确赋值（如调用您图1中的分类函数）。
-
为每类患者配置独立子流程
每条出口后接：- Queue（可命名如 queue_type1）
- TimeMeasureStart（放置于Queue入口前）
- Service（复用同一资源，如machine，无需复制）
- TimeMeasureEnd（放置于Service出口后）
这样，每个TimeMeasureStart/End对会自动记录该类型患者的端到端服务等待时间（即Queue中排队时长 + Service内实际服务前等待时长，等价于标准“waiting time in queue”）。
-
启用并读取各类型统计结果
每个TimeMeasureEnd默认生成一个timeMeasureEnd_x.statistics()对象，其中：- timeMeasureEnd_1.statistics().mean() → 类型1平均等待时间
- timeMeasureEnd_2.statistics().mean() → 类型2平均等待时间
…以此类推。
可在实验（Experiment）的“After simulation run”中汇总输出：traceln("Type 1 mean wait: " + timeMeasureEnd_1.statistics().mean()); traceln("Type 2 mean wait: " + timeMeasureEnd_2.statistics().mean()); // 或写入Excel、数据库等
⚠️ 注意事项与进阶提示
- 资源复用无冲突：多个Service块可指向同一ResourcePool（如machine），AnyLogic自动协调资源占用，不会导致重复分配。
- 避免冗余建模：若仅需统计、不需可视化分流，也可用Enter+Exit配合collector收集事件时间戳，但代码复杂度显著升高，易出错。
- 验证分流完整性：在SelectOutputN的“Otherwise”出口连接Sink并启用traceln("Unrouted agent: " + agent.patientType)，防止类型未覆盖导致流程中断。
- 性能考量：本方案内存开销极小（仅增加6个轻量级统计对象），远优于运行时遍历collection或dataset做条件过滤。
通过该结构化分流设计，您不仅能精准获取6类患者的平均队列等待时间，还可自然延伸分析各类型的最大等待、95%分位数、等待时间分布直方图等高级指标——所有统计均由AnyLogic底层高效完成，无需手动编码累加或同步。
