پویاییشناسی سیستم تصادفی — شبیهسازی احتمالی جریان-موجودی
- معرفیشده توسط
- Jay W. Forrester (base SD); stochastic extensions developed through 1980s–2000s by multiple researchers
- سال
- 1980s–2000s
- نوع
- Continuous stochastic simulation
- خانواده
- Simulation / optimization
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
پویاییشناسی سیستم تصادفی (SSD) با جایگزینی مقادیر ثابت پارامترها و معادلات جریان قطعی با توزیعهای احتمال و نمونهگیری تصادفی، پویاییشناسی سیستم متعارف را گسترش میدهد. اجرای تکراری متعدد مدل جریان-موجودی، مسیرهای احتمالی — نوارهای اطمینان به جای خطوط منفرد — را تولید میکند که امکان سنجش دقیق عدم قطعیت و تحلیل ریسک را در سیستمهای بازخورد پیچیده مانند مدلهای همهگیری، زنجیرههای تأمین و سناریوهای سیاستگذاری انرژی فراهم میآورد.
شهود پشت روش
پویاییشناسی سیستم استاندارد در هر اجرا یک مسیر ارائه میدهد — یک پیشبینی واحد برای چگونگی تکامل موجودی، جمعیت یا بیماری. اما پارامترهای واقعی هرگز دقیقاً شناخته نمیشوند: نرخهای عفونت متغیرند، پیشبینیهای تقاضا خطا دارند و تأخیرهای سیاستگذاری نامشخص هستند. پویاییشناسی سیستم تصادفی با نمونهگیری پارامترها از توزیعهای احتمال و اجرای شبیهسازی صدها یا هزاران بار، این موضوع را تصدیق میکند. هر اجرا به دلیل ورود تصادفیبودن در هر گام زمانی از طریق نرخهای تصادفی یا در سطح اجرا از طریق پارامترهای نمونهگیری شده، مسیر متفاوتی تولید میکند. همپوشانی تمام اجراها نشان میدهد که کدام نتایج محتمل، کدام ریسکهای نادر و کدام جنبههای رفتار سیستم صرفنظر از عدم قطعیت، پایدار هستند. نتیجه یک خط روی نمودار نیست، بلکه مخروطی از آیندههای قابل قبول است — نمایشی بسیار صادقانهتر از آنچه مدل میتواند و نمیتواند به شما بگوید.
تاریخ
پویاییشناسی سیستم توسط جی. دبلیو. فورستر در MIT (Industrial Dynamics, 1961) پایهگذاری شد. گسترشهای تصادفی به تدریج با درک محققان از اینکه مسیرهای قطعی در صورت نامشخص بودن پارامترها میتوانند گمراهکننده باشند، پدیدار شدند. کارهای دهههای 1980 و 1990 — از جمله مطالعات در اپیدمیولوژی و بومشناسی با استفاده از معادلات دیفرانسیل تصادفی تعبیه شده در مدلهای پارتیشنی — SSD را به عنوان یک روش شناخته شده تثبیت کردند. کتاب Business Dynamics (2000) اثر جان استرمن، مونت کارلو و تحلیل حساسیت را به عنوان رویههای استاندارد در پویاییشناسی سیستم مستند کرد. دهههای بعدی شاهد کاربرد گسترده SSD در سیاستگذاری بهداشت عمومی، مدلسازی آب و هوا و مدیریت ریسک زنجیره تأمین بود.
چه زمانی استفاده شود
هنگامی که سیستمی با زمان پیوسته و مبتنی بر بازخورد را مدلسازی میکنید و عدم قطعیت پارامتر یا تصادفیبودن ذاتی به اندازهای بزرگ است که بر نتایج تأثیر میگذارد — به عنوان مثال، پیشبینیهای همهگیری، مدلهای انرژی یا محیطزیستی بلندمدت، یا تستهای استرس زنجیره تأمین که در آن ریسکهای دم باید کمی شوند — از پویاییشناسی سیستم تصادفی استفاده کنید. این ارتقاء مناسب از SD قطعی است هر زمان که ذینفعان به جای پیشبینیهای واحد، به نوارهای اطمینان نیاز داشته باشند. زمانی که سیستم عمدتاً رویداد-محور و گسسته است (شبیهسازی رویداد گسسته ارجح است)، زمانی که عدم قطعیت ناچیز است و تحلیل سناریوی قطعی کافی است، یا زمانی که ساختار مدل خود آنقدر نامشخص است که افزودن پارامترهای تصادفی دقت کاذبی را در اطراف یک مدل از نظر ساختاری نادرست ایجاد میکند، از آن استفاده نکنید.
محدودیتها و ملاحظات
- هزینه محاسباتی به صورت خطی با تکرارها افزایش مییابد؛ مدلهای بزرگ با پارامترهای نامشخص متعدد ممکن است برای همگرایی صدکهای دم به صدها هزار اجرا نیاز داشته باشند.
- مشخص کردن توزیعهای ورودی نیازمند داده یا دانش خبره است؛ توزیعهای کالیبره نشده نادرست، نوارهای اطمینان گمراهکنندهای تولید میکنند که اطمینان کاذب را منتقل میکنند.
- فرض زمان پیوسته همچنان پابرجاست: رویدادهای گسسته ذاتی (مرگهای فردی، تراکنشها) به عنوان جریانهای پیوسته تقریب زده میشوند و باعث خطای تجمیع بهویژه در اندازههای کوچک جمعیت میشوند.
- خروجی تصادفی نسبت به یک مسیر واحد برای مخاطبان غیر فنی دشوارتر است؛ تجسم و آمار خلاصه باید با دقت انتخاب شوند.
- عدم قطعیت ساختاری را در بر نمیگیرد — اگر ساختار حلقه بازخورد خود اشتباه باشد، هیچ مقدار از تصادفیبودن پارامتر، مدل را اصلاح نمیکند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- خروجی احتمالی کامل — نوارهای اطمینان، احتمالات دم، و آستانههای ریسک — به جای مسیرهای قطعی واحد ارائه میدهد.
- شفافیت علّی و ساختار حلقه بازخورد پویاییشناسی سیستم را حفظ میکند، بنابراین نتایج همچنان از نظر حلقههای تقویتکننده و متعادلکننده قابل تفسیر هستند.
- میتواند هم عدم قطعیت پارامتر (یک بار در هر اجرا نمونهگیری شده) و هم تصادفیبودن ذاتی (در هر گام زمانی کشیده شده) را نشان دهد و هم عدم قطعیت معرفتی و هم عدم قطعیت تصادفی را پوشش دهد.
- با نمونهگیری هایپرکیوب لاتین و نمونهگیری اهمیت سازگار است و امکان سنجش دقیق عدم قطعیت را حتی با پارامترهای نامشخص متعدد فراهم میکند.
- مستقیماً به سؤالات احتمالی مرتبط با سیاستگذاری پاسخ میدهد: 'احتمال اینکه تقاضا در عرض پنج سال از ظرفیت فراتر رود چقدر است؟'
کاربردها
- مدلسازی احتمالی همهگیری: پیشبینی زمان و شدت اوج عفونت تحت نرخهای انتقال نامشخص و اثرات مداخله.
- تحلیل ریسک زنجیره تأمین: کمیسازی احتمال اتمام بافرهای موجودی تحت تقاضای تصادفی و تغییرپذیری زمان تحویل.
- سیاستگذاری بلندمدت انرژی و آب و هوا: تولید نوارهای اطمینان برای مسیرهای انتشار یا دما تحت نرخهای نامشخص پذیرش فناوری.
- برنامهریزی ظرفیت مراقبتهای بهداشتی: تخمین توزیع روزهای بستری مورد نیاز تحت بروز نامشخص بیماری و پارامترهای طول مدت اقامت.
- مدیریت بومشناسی و شیلات: مدلسازی بقای جمعیت و خطر انقراض تحت شرایط محیطی تصادفی.
- تست استرس مالی: شبیهسازی دامنه نتایج ترازنامه شرکت یا بخش تحت شوکهای اقتصاد کلان نامشخص.
چگونه کار میکند
چگونه کار میکند
با یک نمودار جریان-موجودی استاندارد پویاییشناسی سیستم شروع کنید: موجودیها (تجمعات)، جریانها (نرخهای تغییر)، متغیرهای کمکی و حلقههای بازخورد را شناسایی کنید. ساختار علّی و مرز مدل را دقیقاً به همان روش پویاییشناسی سیستم قطعی تعریف کنید. این گام کیفی تعیین میکند که کدام منابع عدم قطعیت در دامنه مدل قرار دارند و اساس فکری تحلیل است.
برای هر پارامتر نامشخص یا نرخ جریان، یک توزیع احتمال بر اساس دادههای تجربی، تخمینهای منتشر شده یا استنتاج خبره مشخص کنید — به عنوان مثال، یک توزیع لگنرمال برای نرخ تماس یا یک توزیع مثلثی برای زمان تأخیر. برای پدیدههای ذاتاً تصادفی (رویدادهای جمعیتی، شوکهای تصادفی)، معادلات جریان حاوی جملات نویز را که در هر گام زمانی شبیهسازی کشیده میشوند، فرموله کنید و یک معادله دیفرانسیل تصادفی (SDE) یا یک نرخ تصادفی گسسته تولید کنید.
یک مجموعه کامل از مقادیر پارامتر برای هر تکرار با نمونهگیری از توزیعهای مشخص شده، بکشید. این کار میتواند از طریق نمونهگیری تصادفی ساده (مونت کارلو)، نمونهگیری طبقهبندی شده هایپرکیوب لاتین برای بهبود پوشش، یا نمونهگیری اهمیت برای تحلیل رویداد نادر انجام شود. بردار پارامتر نمونهگیری شده را ثبت کنید تا هر تکرار بتواند به ورودیهای خود ردیابی شود.
معادلات جریان-موجودی را برای هر نمونه پارامتر با استفاده از یک حلکننده عددی (اویلر، رونگه-کوتا) با گام زمانی به اندازه کافی کوچک برای پایداری عددی، به سمت جلو در زمان انتگرال بگیرید. اگر معادلات جریان حاوی جملات نویز درون اجرا باشند، در هر گام زمانی یک مقدار تصادفی جدید بکشید. برای N تکرار — معمولاً بسته به ابعاد عدم قطعیت و دقت مورد نیاز، 500 تا 10,000 — تکرار کنید.
مسیرهای سری زمانی را از تمام تکرارها جمعآوری کنید. برای هر موجودی یا متغیر خروجی، نوارهای صدک (مثلاً 5، 25، 50، 75، 95) را در هر نقطه زمانی در سراسر تکرارها محاسبه کنید. به جای پیشبینیهای نقطهای، میانه و فواصل اطمینان را گزارش دهید. احتمال اینکه سیستم به یک آستانه بحرانی برسد (مثلاً اوج همهگیری از ظرفیت بیمارستان فراتر رود) را به عنوان کسری از اجراهایی که این رویداد رخ میدهد، محاسبه کنید.
مدل تصادفی را با بررسی اینکه مسیر میانه با رفتار تاریخی مشاهده شده مطابقت دارد و نوارهای عدم قطعیت با توجه به دادهها قابل قبول هستند، اعتبارسنجی کنید. تحلیل حساسیت را انجام دهید — عرض یا شکل توزیعهای ورودی را تغییر دهید و مشاهده کنید که نوارهای خروجی چگونه تغییر میکنند — تا مشخص شود کدام عدم قطعیتها بیشترین تأثیر را بر نتایج دارند. از تحلیل سناریو برای مقایسه گزینههای سیاستگذاری تحت توزیع کامل آیندهها به جای یک بهترین حدس واحد استفاده کنید.
دامهای رایج
- استفاده از تکرارهای کم برای تخمین صدک: مقادیر دم (صدکهای 5 و 95) به مراتب بیشتر از میانه به اجرا نیاز دارند؛ قاعده سرانگشتی حداقل 1000 اجرا برای پایداری صدک 95 است، و برای صدک 99 بیشتر است.
- درهمآمیختن عدم قطعیت پارامتر با عدم قطعیت ساختاری: افزودن توزیعهای احتمال به پارامترهای یک مدل نادرست مشخص شده، تخمینهای دقیقی از چیز اشتباه ارائه میدهد — همیشه ساختار مدل را قبل از کمیسازی عدم قطعیت پارامتر اعتبارسنجی کنید.
- انتخاب گام زمانی شبیهسازی که نسبت به سریعترین دینامیکها بیش از حد بزرگ است و باعث ناپایداری عددی میشود که به جای عدم قطعیت واقعی، خود را به عنوان تغییرپذیری مدل نشان میدهد.
- نادیده گرفتن همبستگی بین پارامترهای نامشخص: در نظر گرفتن ورودیهای همبسته به عنوان مستقل، دامنه عدم قطعیت ظاهری را افزایش میدهد و میتواند ترکیبات پارامتری غیرممکن از نظر فیزیکی تولید کند.
پرسشهای متداول
تفاوت پویاییشناسی سیستم تصادفی و تحلیل حساسیت ساده بر روی یک مدل قطعی چیست؟
تحلیل حساسیت قطعی، یک پارامتر (یا تعداد کمی) را در اطراف یک تخمین نقطهای تغییر میدهد و تغییرات خروجی را مشاهده میکند. SSD تمام پارامترهای نامشخص را به طور همزمان از توزیع مشترک آنها نمونهگیری میکند و عدم قطعیت کامل را در هر گام زمانی شبیهسازی منتشر میکند و به جای مجموعهای از اغتشاشات تک پارامتری، توزیعی از مسیرها تولید میکند. بنابراین SSD اثرات متقابل بین پارامترها را در بر میگیرد و نوارهای اطمینان معتبر آماری ارائه میدهد؛ تحلیل حساسیت بینش جهتدار در مورد اینکه کدام پارامترها بیشترین اهمیت را دارند، ارائه میدهد.
به چند تکرار نیاز دارم؟
برای پایداری میانه و دامنه بین چارکی، معمولاً 500 تکرار کافی است. برای صدکهای 95، معمولاً 2000 تا 5000 اجرا توصیه میشود. برای احتمالات رویداد نادر نزدیک به صدک 99، ممکن است به 10000 اجرا یا بیشتر نیاز باشد. نمونهگیری هایپرکیوب لاتین میتواند با اطمینان از پوشش بهتر فضای ورودی، تعداد تکرارهای مورد نیاز را دو تا پنج برابر نسبت به مونت کارلو ساده کاهش دهد.
چه زمانی باید از پویاییشناسی سیستم تصادفی به جای مدلسازی مبتنی بر عامل استفاده کنم؟
SSD را زمانی انتخاب کنید که سیستم در سطح تجمعی و جریان پیوسته — جمعیتها، موجودیها، ذخایر انرژی — به درستی توصیف شود و ناهمگونی فردی سؤال اصلی تحقیق نباشد. مدلسازی مبتنی بر عامل زمانی ترجیح داده میشود که تفاوتهای سطح فردی، شبکههای اجتماعی، یا تعاملات صریح مکانی پدیدههای مورد علاقه را هدایت کنند. برای جمعیتهای همگن در اندازههای متوسط تا بزرگ، SSD از نظر محاسباتی ارزانتر است و خروجی احتمالی معادل تولید میکند.
آیا میتوان از پویاییشناسی سیستم تصادفی برای بهینهسازی استفاده کرد؟
بله، اما به طور غیرمستقیم. پارامترهای سیاستگذاری (مانند نرخ واکسیناسیون، نقاط سفارش مجدد موجودی) را میتوان به طور سیستماتیک در سراسر تکرارها تغییر داد تا تنظیماتی که هزینه مورد انتظار را به حداقل میرساند یا استحکام را در سراسر توزیع نتایج به حداکثر میرساند، شناسایی کرد. برای بهینهسازی رسمی، پویاییشناسی سیستم تصادفی اغلب با الگوریتمهای بهینهسازی شبیهسازی مانند جستجوی تصادفی یا روشهای سطح پاسخ ترکیب میشود.
چگونه یک مدل پویاییشناسی سیستم تصادفی را اعتبارسنجی کنم؟
اعتبارسنجی در دو سطح انجام میشود: آزمونهای ساختاری تأیید میکنند که معادلات جریان-موجودی و حلقههای بازخورد از نظر مکانیکی در شرایط شدید صحیح هستند؛ آزمونهای رفتاری تأیید میکنند که توزیع مسیرهای شبیهسازی شده از نظر آماری با دادههای تاریخی مشاهده شده سازگار است — بررسی کنید که مقادیر مشاهده شده با فرکانس مناسب در نوارهای اطمینان شبیهسازی شده قرار میگیرند. توزیعهای پارامتر نیز باید به طور مستقل از دادههای تجربی یا ادبیات منتشر شده توجیه شوند، نه اینکه صرفاً برای مطابقت با خروجی کالیبره شوند.
روشهای مرتبط
منابع
Sterman, J.D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. Irwin McGraw-Hill.
شابک: 978-0072389159کپی شد.Rahmandad, H., Sterman, J.D. (2008). Heterogeneity and network structure in the dynamics of diffusion: Comparing agent-based and differential equation models. Management Science, 54(5), 998-1014.
باز کردن مرجع DOIکپی شد.