Skip to content
Kembali ke hasil pencarian

Simulasi Antrean Berbasis Agen

Diperkenalkan oleh
Macal, C. M. & North, M. J. (hybrid formalization); queueing theory rooted in Erlang (1909)
Tahun
2000s
Jenis
Hybrid simulation — agent-based + queueing
Keluarga
Simulation / optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Simulasi Antrean Berbasis Agen (AB-QS) menggabungkan pemodelan berbasis agen dengan teori antrean untuk mensimulasikan sistem di mana entitas otonom yang membuat keputusan berinteraksi melalui jalur tunggu dan titik layanan.

Setiap entitas (pasien, pelanggan, pekerjaan) dimodelkan sebagai agen independen dengan status dan aturan perilakunya sendiri, memungkinkan dinamika yang lebih kaya dan lebih realistis daripada model antrean klasik saja.

Intuisi di balik metode

Model antrean klasik mengasumsikan pelanggan homogen dan tingkat layanan tetap. Dalam kenyataannya, pelanggan berperilaku berbeda — beberapa menolak, beberapa mengabaikan, beberapa memiliki prioritas. AB-QS memperlakukan setiap entitas sebagai agen otonom dengan aturannya sendiri (misalnya, pasien yang pergi jika waktu tunggu melebihi 30 menit). Pendekatan bottom-up ini memungkinkan perilaku tingkat sistem yang muncul — pola kemacetan, penundaan beruntun, pelanggaran keadilan — muncul secara alami dari interaksi individu, daripada dipaksakan sebagai asumsi global.

Sejarah

Teori antrean berasal dari pekerjaan Erlang pada pertukaran telepon tahun 1909, sementara pemodelan berbasis agen muncul pada tahun 1990-an dari ilmu kompleksitas (Schelling, Axelrod, Epstein). Kombinasi mereka mendapatkan daya tarik pada tahun 2000-an karena perangkat lunak simulasi (AnyLogic, NetLogo) membuat pemodelan hibrida menjadi praktis. Riset operasi perawatan kesehatan adalah pengadopsi awal, menggunakan AB-QS untuk memodelkan aliran departemen darurat dan heterogenitas pasien yang tidak dapat ditangkap oleh model Markovian klasik.

Kapan digunakan

Gunakan AB-QS ketika sistem memiliki entitas heterogen dengan aturan perilaku yang berbeda (menolak, mengabaikan, prioritas) yang tidak dapat ditangkap oleh asumsi antrean homogen, atau ketika fenomena yang muncul (kemacetan beruntun, keruntuhan keadilan) menjadi perhatian. Ideal untuk alur pasien perawatan kesehatan, jalur keamanan bandara, penempatan staf pusat panggilan, dan analisis hambatan rantai pasokan. JANGAN gunakan ketika semua entitas identik secara statistik dan rumus antrean analitik sederhana (M/M/1, M/M/c) sudah cukup — kompleksitas tambahan tidak dapat dibenarkan. Juga hindari ketika data tentang parameter perilaku agen (distribusi kesabaran, preferensi perutean) tidak tersedia, karena aturan perilaku yang tidak terkalibrasi dapat menghasilkan hasil yang menyesatkan.

Batasan dan pertimbangan

  • Membutuhkan spesifikasi rinci aturan perilaku agen, yang menuntut keahlian domain dan data kalibrasi empiris.
  • Secara komputasi mahal dibandingkan dengan rumus antrean analitik; sistem skala besar mungkin memerlukan komputasi berkinerja tinggi.
  • Validasi model menantang — sulit untuk mengkonfirmasi bahwa perilaku yang muncul cocok dengan dinamika dunia nyata tanpa data observasional yang ekstensif.
  • Hasil bergantung pada jumlah replikasi dan manajemen seed acak; desain eksperimental yang buruk meningkatkan varians.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menangkap perilaku entitas heterogen (menolak, mengabaikan, prioritas) yang tidak dapat direpresentasikan oleh model antrean klasik.
  • Mengungkap fenomena tingkat sistem yang muncul dari interaksi agen lokal tanpa mengasumsikan persamaan global.
  • Mendukung pengujian kebijakan 'bagaimana jika' dengan secara langsung memodifikasi aturan agen dan konfigurasi antrean.
  • Menskalakan secara alami ke sistem multi-tahap, multi-antrean dengan perutean kompleks dan loop umpan balik.
  • Menghasilkan keluaran tingkat entitas yang kaya yang memungkinkan analisis keadilan dan kesetaraan di seluruh subkelompok agen.

Penerapan

  • Pemodelan aliran pasien di departemen darurat dengan keparahan pasien heterogen dan perilaku mengabaikan.
  • Optimasi jalur keamanan bandara dengan memperhitungkan variabilitas pelancong dan perutean adaptif.
  • Perencanaan tenaga kerja pusat panggilan dengan diferensiasi keterampilan tingkat agen dan pemodelan kesabaran pelanggan.
  • Identifikasi hambatan rantai pasokan dalam antrean produksi multi-tahap dengan kerusakan mesin.
  • Simulasi persimpangan lalu lintas perkotaan dengan adaptasi perilaku pengemudi terhadap kemacetan.
  • Logistik distribusi vaksin dengan segmen populasi kelas prioritas dan batasan jendela waktu.

Cara kerjanya

Cara kerjanya

1

Definisikan tipe agen yang mewakili entitas dalam sistem (misalnya, pelanggan, server, sumber daya). Tentukan atribut setiap agen (tingkat kedatangan, ambang batas kesabaran, kelas prioritas) dan lingkungan (jumlah antrean, server, aturan perutean). Spesifikasi populasi ini menggantikan asumsi homogenitas model M/M/c klasik.

2

Modelkan infrastruktur antrean: disiplin antrean (FIFO, prioritas, pekerjaan terpendek lebih dulu), jumlah server, distribusi waktu layanan (eksponensial, Erlang, empiris), dan logika perutean antar tahap layanan. Antrean diperlakukan sebagai sumber daya bersama yang diperebutkan oleh agen, dengan kapasitas eksplisit dan aturan luapan.

3

Program aturan keputusan agen yang mengatur bagaimana agen merespons keadaan antrean: menolak (menolak masuk jika panjang antrean melebihi ambang batas), mengabaikan (pergi setelah menunggu terlalu lama), berpindah antrean (berpindah ke antrean yang lebih pendek), dan perutean adaptif. Aturan perilaku ini membedakan AB-QS dari model antrean yang murni stokastik.

4

Jalankan simulasi selama cakrawala waktu yang ditentukan. Mesin memajukan jam global, memproses peristiwa kedatangan dan keberangkatan, memicu aturan perilaku agen di setiap titik keputusan, dan memperbarui keadaan antrean. Beberapa replikasi dengan seed acak yang berbeda dijalankan untuk mendapatkan perkiraan yang stabil secara statistik.

5

Agregasikan keluaran per-replikasi di seluruh replikasi: rata-rata dan varians waktu tunggu, distribusi panjang antrean, utilisasi server, throughput, dan hasil tingkat agen (fraksi menolak/mengabaikan). Interval kepercayaan dihitung; sensitivitas terhadap parameter perilaku dinilai dengan memvariasikan aturan agen.

Kesalahan umum

  • Mengasumsikan parameter perilaku agen (misalnya, distribusi kesabaran) tanpa data empiris menghasilkan hasil yang tampak masuk akal tetapi tidak dapat diandalkan.
  • Mengabaikan bias periode pemanasan: keadaan simulasi awal (antrean kosong) mendistorsi statistik keadaan tunak jika tidak dibuang.
  • Mencampuradukkan kompleksitas model dengan validitas model — menambahkan lebih banyak aturan agen tidak meningkatkan akurasi tanpa bukti validasi yang sesuai.
  • Menjalankan terlalu sedikit replikasi dan melaporkan perkiraan titik tanpa interval kepercayaan meremehkan ketidakpastian keluaran.

Pertanyaan yang sering diajukan

Bagaimana AB-QS berbeda dari simulasi kejadian diskrit standar?

DES standar memodelkan sistem dari perspektif proses global dan memperlakukan entitas sebagai pasif. AB-QS memberikan setiap entitas kemampuan membuat keputusan otonom — agen secara aktif merespons keadaan antrean (menolak, mengabaikan), yang dapat menghasilkan dinamika sistem yang berbeda secara kualitatif.

Berapa banyak replikasi yang dibutuhkan?

Minimal 30 replikasi adalah aturan praktis umum untuk perkiraan awal. Untuk interval kepercayaan yang stabil pada kejadian langka (misalnya, kemacetan ekstrem), mungkin diperlukan 100–1000 replikasi. Gunakan studi percontohan untuk memperkirakan varians dan menentukan ukuran sampel yang diperlukan melalui kriteria lebar interval kepercayaan.

Bisakah AB-QS digunakan untuk optimasi, bukan hanya analisis?

Ya. AB-QS sering digabungkan dengan metaheuristik (algoritma genetik, simulated annealing) atau metode respons-permukaan untuk mengoptimalkan parameter konfigurasi antrean (jumlah server, aturan penjadwalan) sambil menghormati batasan perilaku agen. Ini terkadang disebut optimasi berbasis simulasi.

Perangkat lunak apa yang mendukung simulasi antrean berbasis agen?

AnyLogic adalah platform yang paling banyak digunakan, dengan dukungan asli untuk pustaka berbasis agen dan antrean dalam satu model. Arena, Simul8, dan SIMIO mendukung antrean, sementara NetLogo dan Mesa (Python) mendukung pemodelan berbasis agen; menggabungkan kedua paradigma biasanya memerlukan AnyLogic atau kode kustom.

Kapan saya harus memilih rumus M/M/c klasik daripada AB-QS?

Gunakan rumus antrean analitik ketika entitas homogen, kedatangan Poisson, waktu layanan eksponensial, dan Anda memerlukan perkiraan keadaan tunak yang cepat. AB-QS dibenarkan ketika asumsi tersebut gagal — perilaku heterogen, layanan non-Markovian, atau analisis transien (non-keadaan tunak).

Metode terkait

Sumber

  1. Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of Simulation, 4(3), 151–162.

    Buka referensi DOI
    Disalin.
  2. Agent-based model. Wikipedia.

    Buka referensi publikasi
    Disalin.