Skip to content
بازگشت به نتایج جست‌وجو

شبیه‌سازی رویداد گسسته (DES)

معرفی‌شده توسط
Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
سال
1960s (formalized); modern computational form from 1970s onward
نوع
Stochastic process simulation

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 (DES) یک پارادایم مدل‌سازی محاسباتی است که در آن وضعیت یک سیستم تنها در دنباله‌ای قابل شمارش از نقاط زمانی - رویدادها - تغییر می‌کند. بین رویدادها هیچ تغییری رخ نمی‌دهد، بنابراین ساعت شبیه‌سازی مستقیماً از یک رویداد به رویداد بعدی می‌پرد.

DES که از طریق کتاب‌های درسی بنیادین بنکس، کارسون، نلسون و نیکول و لاو در دهه‌های ۱۹۶۰ تا ۲۰۰۰ تدوین شد، به ابزار استانداردی برای تجزیه و تحلیل سیستم‌های صف، جریان بیماران در مراقبت‌های بهداشتی، خطوط تولید و شبکه‌های لجستیکی که در آن‌ها موجودیت‌ها در طول زمان از منابع عبور می‌کنند، تبدیل شده است.

شهود پشت روش

یک بخش اورژانس بیمارستان را تصور کنید: بیماران می‌آیند، منتظر پرستار می‌مانند، درمان دریافت می‌کنند و مرخص می‌شوند. زندگی واقعی هر میلی‌ثانیه به‌روز نمی‌شود - بلکه تنها زمانی تغییر می‌کند که اتفاقی رخ دهد: بیمار وارد شود، پرستاری آزاد شود یا بیماری مرخص شود. DES دقیقاً همین منطق را ثبت می‌کند. شبیه‌سازی فهرستی مرتب از رویدادهای آینده را حفظ می‌کند و آن‌ها را یکی پس از دیگری پردازش می‌کند، و ساعت مجازی را به زمان هر رویداد می‌رساند به جای اینکه هر میلی‌ثانیه را طی کند. این امر حتی برای سیستم‌های پیچیده آن را سریع می‌کند و به تحلیلگران اجازه می‌دهد تا بدون دست زدن به سیستم واقعی، بپرسند «اگر یک پرستار دیگر اضافه کنیم چه؟» یا «اگر تعداد مراجعین در روزهای دوشنبه دو برابر شود چه؟».

تاریخ

بنیان‌های DES در اواخر دهه ۱۹۵۰ و اوایل دهه ۱۹۶۰ توسط محققانی از جمله K.D. Tocher و R.W. Conway که اولین زبان‌های شبیه‌سازی عمومی (GSP, GPSS) را توسعه دادند، پایه‌گذاری شد. پارادایم زمان‌بندی رویداد - حفظ لیستی از رویدادهای آینده مرتب شده بر اساس زمان - تا دهه ۱۹۷۰ استاندارد شد. کتاب درسی Banks, Carson, Nelson and Nicol (اولین ویرایش ۱۹۸۴، اکنون در ویرایش پنجم، ۲۰۱۰) و جلد همراه Law (اولین ویرایش ۱۹۸۲، اکنون در ویرایش پنجم، ۲۰۱۵) روش‌شناسی، رویه‌های تحلیل خروجی و تکنیک‌های مدل‌سازی ورودی را که عملکردهای مدرن را تعریف می‌کنند، تثبیت کردند. DES به سرعت در تحقیق در عملیات، مهندسی صنایع و مدیریت بهداشت و درمان گسترش یافت و امروزه هم در کتابخانه‌های منبع باز (SimPy, simmer) و هم در پلتفرم‌های تجاری پیاده‌سازی شده است.

چه زمانی استفاده شود

DES هر زمان که سیستمی را بتوان به عنوان موجودیت‌های گسسته‌ای که از طریق منابع با زمان‌های ورود و خدمت تصادفی حرکت می‌کنند، توصیف کرد، مناسب است. این انتخاب مناسب برای سیستم‌های صف، جریان بخش اورژانس و بخش‌های بیمارستان، تجزیه و تحلیل توان عملیاتی تولید و زنجیره تأمین، تعیین تعداد کارکنان مراکز تماس و مسیریابی لجستیک است - هر جا که تحلیلگر نیاز به ارزیابی ظرفیت، گلوگاه‌ها یا سناریوهای «چه می‌شود اگر» بدون آزمایش سیستم واقعی داشته باشد. هیچ فرض نرمالیتی مورد نیاز نیست. تعداد تکرارها باید کافی باشد (معمولاً حداقل ۳۰، یا ≥۱۰۰۰ برای فواصل اطمینان باریک) - با تکرارهای کم، نتایج DES غیرقابل اعتماد هستند و ممکن است یک مدل صف تحلیلی ترجیح داده شود. ورودی‌های توزیعی (توزیع زمان ورود و خدمت) باید از داده‌های تاریخی تخمین زده شوند؛ زمانی که داده‌ای وجود ندارد، استنتاج خبره یا اجرای آزمایشی مورد نیاز است.

محدودیت‌ها و ملاحظات

  • عدم قطعیت ورودی: نتایج تنها به اندازه توزیع‌های ورود و خدمت برازش شده قابل اعتماد هستند.
  • سوگیری دوره گرم کردن: نادیده گرفتن دوره گرم کردن، تخمین‌های حالت پایدار را متورم یا منقبض می‌کند.
  • تکرارها: تکرارهای کم (کمتر از حدود ۳۰) فواصل اطمینان وسیعی تولید می‌کنند که مقایسه سناریوها را غیرقابل اعتماد می‌سازد.
  • هزینه محاسباتی: مدل‌های پیچیده با موجودیت‌ها و منابع زیاد ممکن است به زمان اجرای قابل توجهی برای دستیابی به فواصل اطمینان باریک نیاز داشته باشند.
  • اعتبارسنجی مدل به داده‌های تاریخی برای تأیید نیاز دارد؛ فرآیندهای با نقشه‌برداری ضعیف منجر به خروجی‌های گمراه‌کننده می‌شوند.

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

نقاط قوت

  • پردازش‌های پیچیده و غیرخطی - رقابت منابع، مسیریابی متغیر، صف‌های اولویت - را که مدل‌های صف تحلیلی نمی‌توانند نمایش دهند، مدیریت می‌کند.
  • فواصل اطمینان واقع‌بینانه را از طریق تکرارهای مستقل تولید می‌کند و عدم قطعیت را صریح می‌سازد.
  • از آزمایش‌های «چه می‌شود اگر» و مقایسه سناریوها بدون ایجاد اختلال در سیستم واقعی پشتیبانی می‌کند.
  • هیچ فرض توزیعی بر روی خروجی‌ها وجود ندارد؛ هر توزیع ورودی را می‌توان تطبیق داد.
  • در طیف گسترده‌ای از حوزه‌ها - مراقبت‌های بهداشتی، تولید، لجستیک، عملیات خدماتی - بدون تغییر پارادایم اصلی، قابل اجرا است.

کاربردها

  • جریان بیماران در بخش اورژانس: ارزیابی سطوح کارکنان، سیاست‌های تریاژ و ظرفیت تخت برای کاهش زمان انتظار.
  • توان عملیاتی تولید: شناسایی ایستگاه‌های کاری گلوگاه، تعیین اندازه بافرها و برنامه‌ریزی شیفت‌های کاری.
  • زنجیره تأمین و لجستیک: مدل‌سازی عملیات انبار، مسیریابی تحویل و تکمیل موجودی تحت تقاضای تصادفی.
  • تعیین تعداد کارکنان مراکز تماس: تعیین تعداد نمایندگان و قوانین مسیریابی برای دستیابی به توافق‌نامه‌های سطح خدمات.
  • عملیات فرودگاه و بندر: شبیه‌سازی تخصیص گیت، خدمات زمینی و توان عملیاتی بار.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیلگر فرآیند واقعی را ترسیم می‌کند: موجودیت‌ها (بیماران، کارها، وسایل نقلیه)، منابع (پرستاران، ماشین‌ها، کامیون‌ها)، صف‌ها و منطق مسیریابی. این مدل مفهومی طرح کلی برای همه چیزهای بعدی است - نقشه‌های فرآیند مبهم، شبیه‌سازی‌های غیرقابل اعتماد تولید می‌کنند.

2

زمان‌های بین ورود و مدت زمان خدمت به توزیع‌های احتمال - معمولاً نمایی، ارلنگ، لگاریتمی-نرمال یا تجربی - با استفاده از داده‌های تاریخی و آزمون‌های نیکویی برازش، برازش می‌شوند. ورودی توزیعی منبع اصلی عدم قطعیت در DES است؛ اگر داده‌ها کمیاب باشند، تحلیل حساسیت در خانواده‌های توزیع محتمل ضروری است.

3

تقویم رویداد (لیست رویدادهای آینده) مقداردهی اولیه می‌شود. هر نوع رویداد (ورود، شروع خدمت، پایان خدمت، خروج) با انتقال‌های حالتی که ایجاد می‌کند، کدگذاری می‌شود. یک جریان اعداد تصادفی هر عنصر تصادفی را هدایت می‌کند و جریان‌های جداگانه به فرآیندهای ورود و خدمت اختصاص داده می‌شوند تا تکنیک‌های کاهش واریانس مانند اعداد تصادفی مشترک بعداً قابل اعمال باشند.

4

شبیه‌سازی برای یک دوره گرم کردن قبل از جمع‌آوری آمار اجرا می‌شود. در زمان صفر، سیستم معمولاً خالی است - یک شرط اولیه مصنوعی که تخمین‌های حالت پایدار را سوگیری می‌کند. دوره گرم کردن (که با روش ولش یا مشابه تخمین زده می‌شود) به سیستم اجازه می‌دهد تا قبل از شروع اندازه‌گیری به تعادل آماری برسد.

5

تکرارهای مستقل متعددی اجرا می‌شوند که هر کدام از یک دانه تصادفی متفاوت استفاده می‌کنند. تکرارها، نه مشاهدات در یک اجرای واحد، واحدهای تحلیل آماری هستند. حداقل ۳۰ تکرار برای تخمین قابل اعتماد فاصله اطمینان توصیه می‌شود؛ تعداد مورد نیاز را می‌توان با یک رویه آزمایشی متوالی تعیین کرد.

6

آماره‌های خلاصه - میانگین زمان انتظار، توان عملیاتی، بهره‌وری منابع - در سراسر تکرارها محاسبه شده و با فواصل اطمینان ۹۵٪ گزارش می‌شوند. اگر فاصله اطمینان خیلی وسیع باشد، تکرارهای بیشتری یا تکنیک‌های کاهش واریانس اعمال می‌شوند. مقایسه‌های سناریو از دانه‌های تصادفی یکسان (اعداد تصادفی مشترک) برای کاهش نویز بین سناریوها استفاده می‌کنند.

دام‌های رایج

  • اجرای کمتر از ۱۰۰۰ تکرار زمانی که فواصل اطمینان باریک مورد نیاز است - از یک رویه آزمایشی متوالی برای تعیین حداقل تعداد مورد نیاز استفاده کنید.
  • حذف یا کوچک‌سازی دوره گرم کردن - معیارهای حالت پایدار جمع‌آوری شده از یک سیستم خالی در زمان صفر برای بهره‌وری به سمت پایین و برای زمان‌های انتظار به سمت بالا سوگیری دارند.
  • استفاده از یک اجرای طولانی به جای تکرارهای مستقل متعدد - مشاهدات درون اجرا خودهمبسته هستند و نمی‌توانند به عنوان نقاط داده مستقل برای تخمین فاصله اطمینان در نظر گرفته شوند.
  • برازش خانواده توزیع اشتباه به زمان‌های ورود یا خدمت - همیشه آزمون‌های رسمی نیکویی برازش را انجام دهید و توزیع برازش شده را قبل از پذیرش با داده‌های تجربی بررسی کنید.
  • اشتباه گرفتن DES با شبیه‌سازی پیوسته - DES برای سیستم‌هایی که تغییرات حالت آن‌ها مبتنی بر رویداد است، مناسب است؛ برای جریان‌ها و انباشت‌های که به طور مداوم تکامل می‌یابند، دینامیک سیستم پارادایم صحیح است.

پرسش‌های متداول

به چند تکرار نیاز دارم؟

حداقل ۳۰ تکرار مستقل نقطه شروع رایجی برای تحلیل مقدماتی است، اما فواصل اطمینان باریک برای تصمیم‌گیری معمولاً به ۱۰۰ تا ۱۰۰۰ یا بیشتر نیاز دارند. از یک رویه آزمایشی متوالی استفاده کنید: یک دسته اولیه ۱۰ تا ۳۰ تکرار را اجرا کنید، واریانس را تخمین بزنید، سپس تکرارهای اضافی مورد نیاز برای دستیابی به نیم‌عرض هدف خود را محاسبه کنید.

چگونه دوره گرم کردن را تعیین کنم؟

روش گرافیکی ولش رایج‌ترین رویکرد است: یک میانگین متحرک از معیار عملکرد را در طول زمان رسم کنید و نقطه‌ای را که در آن تثبیت می‌شود، شناسایی کنید. به طور متناوب، از آزمون مک‌کلنبورگ-وایت استفاده کنید یا به سادگی مدل را به اندازه کافی طولانی اجرا کنید تا دوره گرم کردن کمتر از ۱۰٪ طول کل اجرا را نشان دهد. حذف دوره گرم کردن، تخمین‌های حالت پایدار را سوگیری می‌کند.

چه زمانی باید از DES به جای مدل صف تحلیلی استفاده کنم؟

مدل‌های صف تحلیلی (M/M/c و انواع آن) نتایج فرم بسته دقیق یا تقریبی برای سیستم‌های ساده و ایده‌آل ارائه می‌دهند. زمانی از DES استفاده کنید که فرآیند دارای مسیریابی پیچیده، انواع مختلف منابع رقیب، زمان‌های خدمت غیرنمایی، ورود دسته‌ای یا نرخ‌های ورود متغیر با زمان باشد - موقعیت‌هایی که راه‌حل‌های تحلیلی در دسترس نیستند یا نیاز به مفروضات ساده‌کننده غیرواقعی دارند.

اگر داده‌های تاریخی برای برازش توزیع‌ها ندارم چه؟

استنتاج خبره (به عنوان مثال، حداقل، بیشترین احتمال، حداکثر تخمین‌ها برای برازش یک توزیع مثلثی) یک راه‌حل جایگزین پذیرفته شده برای مدل‌های مقدماتی است. تحلیل‌های حساسیت را در خانواده‌های توزیع محتمل انجام دهید تا بفهمید چگونه عدم قطعیت ورودی به عدم قطعیت خروجی منتشر می‌شود. با بالغ شدن مدل، داده‌های واقعی را جمع‌آوری کنید.

روش‌های مرتبط

منابع

  1. Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.

    شابک: 978-0136062127
    کپی شد.
  2. Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.

    شابک: 978-0073401324
    کپی شد.