Skip to content
بازگشت به نتایج جست‌وجو

شبیه‌سازی رویداد گسسته مبتنی بر عامل — شبیه‌سازی ترکیبی با ترکیب عامل‌های خودمختار و صف‌های رویداد

معرفی‌شده توسط
Hybridization formalized by multiple authors; Siebers & Aickelin, Lagergren & Buckley among key contributors
سال
2000s
نوع
Hybrid simulation paradigm
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

شبیه‌سازی رویداد گسسته مبتنی بر عامل (AB-DES) یک پارادایم مدل‌سازی ترکیبی است که رفتار عامل خودمختار را با یک موتور اجرایی رویداد-محور پیوند می‌زند. این روش ناهمگونی تصمیم‌گیری موجودیت‌های منفرد را در عین حفظ کنترل دقیق و زمان‌بندی‌شده جریان شبیه‌سازی رویداد گسسته، به تصویر می‌کشد و آن را برای سیستم‌های پیچیده‌ای که هم عاملیت فردی و هم توالی فرآیند اهمیت دارند، مناسب می‌سازد.

شهود پشت روش

برخی سیستم‌ها برای مدل‌سازی مبتنی بر عامل یا شبیه‌سازی رویداد گسسته به تنهایی بیش از حد پیچیده هستند. به عنوان مثال، یک بیمارستان دارای بیماران و کارکنانی است که انتخاب‌های خودمختارانه انجام می‌دهند (رفتار عامل)، اما همچنین دارای توالی دقیق رویدادهای خدماتی — تریاژ، درمان، ترخیص — است که باید به دقت ردیابی شود (رویدادهای گسسته). AB-DES به مدل‌سازان اجازه می‌دهد تا هر دو را نمایش دهند: عامل‌ها ویژگی‌های شخصی و قوانین تصمیم‌گیری را حمل می‌کنند، در حالی که صف رویداد، انتقال‌های حالت را به ترتیب زمانی برنامه‌ریزی و پردازش می‌کند. این رویکرد ترکیبی، رفتار جمعی نوظهور و گلوگاه‌های فرآیند را به طور همزمان به تصویر می‌کشد و بینش‌های غنی‌تری نسبت به هر یک از پارادایم‌ها به تنهایی ارائه می‌دهد.

تاریخ

شبیه‌سازی رویداد گسسته در دهه ۱۹۶۰ با تاچر و گوردون آغاز شد. مدل‌سازی مبتنی بر عامل در دهه ۱۹۹۰ از طریق شلینگ، آکسلرود و اپستاین ظهور کرد. رویکردهای ترکیبی AB-DES به طور رسمی در دهه ۲۰۰۰ مورد بررسی قرار گرفتند، زیرا محققان تشخیص دادند که سیستم‌های اجتماعی-فنی پیچیده به هر دو پارادایم نیاز دارند. کاربردهای مراقبت‌های بهداشتی و لجستیک، پذیرش اولیه را به پیش بردند و این رویکرد اکنون توسط پلتفرم‌های شبیه‌سازی اصلی از جمله AnyLogic پشتیبانی می‌شود.

چه زمانی استفاده شود

از AB-DES زمانی استفاده کنید که سیستم شامل هر دو بازیگر خودمختار ناهمگون است که تصمیمات فردی می‌گیرند و فرآیندهای متوالی به خوبی تعریف شده با زمان‌بندی دقیق. این روش به ویژه برای مسیرهای مراقبت‌های بهداشتی، لجستیک زنجیره تامین، واکنش اضطراری و سیستم‌های تولیدی که رفتار کارگر یا مشتری متفاوت است اما مراحل فرآیند ثابت هستند، مناسب است. از AB-DES زمانی استفاده نکنید که سیستم همگن و فرآیند-محور است و ناهمگونی عامل معنی‌داری ندارد (DES استاندارد کافی است)، یا زمانی که تعاملات صرفاً نوظهور هستند و توالی رویداد-محور وجود ندارد (ABM خالص کافی است). از آن زمانی اجتناب کنید که داده‌های مربوط به رفتار عامل و زمان‌بندی رویداد هر دو در دسترس نیستند، زیرا مدل تحت محدودیت خواهد بود.

محدودیت‌ها و ملاحظات

  • پیچیدگی طراحی و پیاده‌سازی مدل به طور قابل توجهی بالاتر از ABM خالص یا DES خالص است.
  • نیاز به داده‌های کالیبراسیون برای هر دو پارامتر رفتار عامل و توزیع‌های زمان‌بندی رویداد دارد که ممکن است به دست آوردن آن‌ها دشوار باشد.
  • هزینه محاسباتی می‌تواند برای جمعیت‌های بزرگ عامل با دانه بندی رویداد دقیق بالا باشد.
  • تأیید و اعتبارسنجی نیاز به تخصص در هر دو پارادایم شبیه‌سازی دارد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • هم ناهمگونی فردی (رفتار عامل) و هم توالی فرآیند (زمان‌بندی رویداد) را در یک مدل منسجم واحد به تصویر می‌کشد.
  • تحلیل «چه می‌شود اگر» غنی‌تری را نسبت به ABM یا DES به تنهایی با تغییر هم قوانین رفتاری و هم پارامترهای فرآیند امکان‌پذیر می‌سازد.
  • به طور طبیعی سیستم‌هایی را که در آن‌ها تصمیم‌گیری انسانی با فرآیندهای سازمانی تعامل دارد، نمایش می‌دهد.
  • از اجرای موازی و توزیع‌شده برای سناریوهای در مقیاس بزرگ پشتیبانی می‌کند.
  • در حوزه‌های دنیای واقعی از جمله مراقبت‌های بهداشتی، لجستیک و مدیریت اضطراری اعتبارسنجی شده است.

کاربردها

  • مدل‌سازی جریان بیمار در بیمارستان که در آن رفتار کارکنان و صف‌های درمان با هم تعامل دارند.
  • تحلیل اختلال زنجیره تامین با ترکیب تصمیم‌گیری تامین‌کننده با برنامه‌های رویداد حمل و نقل.
  • برنامه‌ریزی تخلیه اضطراری با عامل‌های عابر پیاده ناهمگون و خروجی‌های رویداد-محور.
  • شبیه‌سازی سلول تولیدی با ناهمگونی مهارت کارگر و صف‌های رویداد ماشین.
  • سیستم‌های حمل و نقل شهری با رفتار راننده و کنترل رویداد سیگنال.
  • ارزیابی سیاست در خدمات اجتماعی که در آن تصمیمات مددکار اجتماعی با قرارهای برنامه‌ریزی‌شده تعامل دارند.

چگونه کار می‌کند

چگونه کار می‌کند

1

مرز سیستم را تعریف کنید: مشخص کنید کدام موجودیت‌ها به عنوان عامل (با ویژگی‌ها، حالت و قوانین تصمیم‌گیری) و کدام فرآیندها به عنوان رویدادهای گسسته (تغییرات حالت آنی که در یک تقویم رویداد جهانی برنامه‌ریزی شده‌اند) مدل‌سازی خواهند شد. روشن کنید که شبیه‌سازی باید به چه سوالاتی پاسخ دهد.

2

معماری دو لایه را طراحی کنید. لایه عامل، انواع عامل، ویژگی‌ها، رفتارها و پروتکل‌های تعامل را مشخص می‌کند. لایه رویداد، انواع رویداد، شرایط تحریک‌کننده و ساختار تقویم رویداد جهانی را مشخص می‌کند. نحوه تولید، مصرف و واکنش عامل‌ها به رویدادها را تعریف کنید.

3

منطق تصمیم‌گیری عامل را مشخص کنید: مجموعه‌ای از قوانین، توابع مطلوبیت، یا اکتشافات رفتاری که نحوه انتخاب اقدامات توسط هر عامل را هنگام وقوع یک رویداد یا در فواصل زمانی برنامه‌ریزی‌شده، کنترل می‌کنند. ناهمگونی عامل در اینجا کدگذاری می‌شود و به عامل‌های مختلف از یک نوع اجازه می‌دهد بر اساس حالت داخلی خود، متفاوت رفتار کنند.

4

تقویم رویداد جهانی را با رویدادهای اولیه مقداردهی اولیه کنید. در هر گام شبیه‌سازی، موتور، اولین رویداد را استخراج می‌کند، زمان شبیه‌سازی را به برچسب زمانی آن رویداد پیش می‌برد، عامل(های) متاثر را شناسایی می‌کند و قوانین تصمیم‌گیری عامل مربوطه را فراخوانی می‌کند. عامل‌ها ممکن است در نتیجه، رویدادهای جدیدی را برنامه‌ریزی کنند.

5

شبیه‌سازی را برای تعداد مورد نظر تکرارها یا تا زمانی که یک معیار توقف برآورده شود، اجرا کنید. داده‌های مسیر را جمع‌آوری کنید: تاریخچه رویدادها، جدول‌های زمانی حالت عامل و آمار تجمیعی. از تکرارهای مستقل متعدد برای به دست آوردن تخمین‌های خروجی پایدار آماری استفاده کنید.

6

داده‌های خروجی را با استفاده از روش‌های آماری تحلیل کنید: میانگین‌ها و فواصل اطمینان را در طول تکرارها محاسبه کنید، تحلیل حساسیت را روی پارامترهای کلیدی انجام دهید، جریان عامل را از طریق شبکه رویداد بصری‌سازی کنید و سناریوهای سیاست جایگزین را مقایسه کنید. مدل را قبل از نتیجه‌گیری با داده‌های دنیای واقعی اعتبارسنجی کنید.

دام‌های رایج

  • اشتباه گرفتن زمان شبیه‌سازی با زمان واقعی: برچسب‌های زمانی رویداد باید به دقت مدیریت شوند تا از ناسازگاری‌های منطقی جلوگیری شود.
  • مهندسی بیش از حد قوانین عامل زمانی که فرضیات رفتاری ساده‌تر کافی است، که منجر به مدل‌های مبهم و کالیبره نشده می‌شود.
  • نادیده گرفتن دوره‌های گرمایش: خروجی اولیه شبیه‌سازی، مصنوعات مقداردهی اولیه را به جای رفتار حالت پایدار منعکس می‌کند.
  • اجرای تعداد بسیار کمی تکرار و اشتباه گرفتن خروجی یک اجرا با یک نتیجه نماینده.

پرسش‌های متداول

AB-DES چه تفاوتی با مدل‌سازی مبتنی بر عامل خالص دارد؟

ABM خالص زمان را در گام‌های ثابت پیش می‌برد و بر رفتار جمعی نوظهور تمرکز دارد. AB-DES از یک تقویم رویداد جهانی برای پیشبرد زمان تنها زمانی که رویدادها رخ می‌دهند استفاده می‌کند، که برای فرآیندهای پراکنده کارآمدتر است و زمان‌بندی دقیق تغییرات حالت را حفظ می‌کند — این امر زمانی که توالی اهمیت دارد، حیاتی است.

چه ابزارهای نرم‌افزاری از AB-DES پشتیبانی می‌کنند؟

AnyLogic پرکاربردترین پلتفرم تجاری است که به طور بومی از هر سه پارادایم (ABM، DES، SD) در یک مدل واحد پشتیبانی می‌کند. Repast Simphony و MASON را می‌توان برای گنجاندن صف‌های رویداد گسترش داد، اگرچه به توسعه سفارشی بیشتری نیاز دارند.

چند تکرار لازم است؟

پاسخ جهانی وجود ندارد، اما رویه رایج این است که یک مطالعه آزمایشی شامل ۱۰ تا ۳۰ تکرار انجام شود، واریانس خروجی تخمین زده شود و اندازه نمونه مورد نیاز برای عرض فاصله اطمینان مطلوب محاسبه شود. مدل‌های تصادفی معمولاً حداقل ۳۰ تکرار برای استنتاج قابل اعتماد نیاز دارند.

چه زمانی باید DES خالص را به جای AB-DES انتخاب کنم؟

زمانی DES خالص را انتخاب کنید که موجودیت‌ها را بتوان همگن در نظر گرفت (همه بیماران، همه مشتریان، همه قطعات به طور یکسان رفتار می‌کنند) و منطق تصمیم‌گیری فردی مورد نیاز نیست. AB-DES پیچیدگی‌ای را اضافه می‌کند که تنها زمانی توجیه می‌شود که ناهمگونی رفتاری به طور معنی‌داری بر نتایج سطح سیستم تأثیر بگذارد.

آیا AB-DES برای پشتیبانی از تصمیم‌گیری در زمان واقعی مناسب است؟

به طور کلی خیر — مدل‌های AB-DES به صورت آفلاین کالیبره و اعتبارسنجی می‌شوند. برخی از مدل‌های AB-DES سریع و ساده‌شده می‌توانند به اندازه کافی سریع برای آزمایش سناریو در زمان نزدیک به واقعی اجرا شوند، اما مدل‌های در مقیاس کامل معمولاً برای برنامه‌ریزی و تحلیل سیاست استفاده می‌شوند تا کنترل عملیاتی زنده.

روش‌های مرتبط

منابع

  1. Lagergren, J. H., & Buckley, E. (2010). A hybrid approach to simulation: Combining agent-based and discrete event simulation. Proceedings of the 2010 Winter Simulation Conference, pp. 170–181. IEEE.

    باز کردن مرجع انتشار
    کپی شد.
  2. Agent-based model. Wikipedia.

    باز کردن مرجع انتشار
    کپی شد.