Simulazione a Eventi Discreti (DES)
- Introdotto da
- Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
- Anno
- 1960s (formalized); modern computational form from 1970s onward
- Tipo
- Stochastic process simulation
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La Simulazione a Eventi Discreti (DES) è un paradigma di modellazione computazionale in cui lo stato di un sistema cambia solo in una sequenza numerabile di istanti temporali — gli eventi.
Tra un evento e l'altro nulla cambia, quindi l'orologio della simulazione salta direttamente da un evento all'altro. Formalizzata attraverso i testi fondamentali di Banks, Carson, Nelson e Nicol e di Law tra gli anni '60 e 2000, la DES è diventata lo strumento standard per l'analisi di sistemi di code, flussi di pazienti in ambito sanitario, linee di produzione e reti logistiche in cui entità si muovono attraverso risorse nel tempo.
L’intuizione alla base del metodo
Immaginate un pronto soccorso ospedaliero: i pazienti arrivano, aspettano un infermiere, ricevono cure e se ne vanno. La vita reale non si aggiorna ogni millisecondo — cambia solo quando succede qualcosa: arriva un paziente, un infermiere si rende disponibile, o un paziente viene dimesso. La DES cattura esattamente questa logica. La simulazione mantiene un elenco ordinato di eventi futuri e li elabora uno per uno, facendo avanzare un orologio virtuale all'istante di ciascun evento anziché scorrere ogni singolo millisecondo. Ciò la rende veloce anche per sistemi complessi e consente agli analisti di porre domande come 'e se aggiungessimo un infermiere in più?' o 'e se gli arrivi raddoppiassero il lunedì?' senza toccare il sistema reale.
Storia
Le fondamenta della DES furono poste tra la fine degli anni '50 e l'inizio degli anni '60 da ricercatori tra cui K.D. Tocher e R.W. Conway, che svilupparono i primi linguaggi di simulazione general-purpose (GSP, GPSS). Il paradigma di pianificazione degli eventi — mantenimento di una lista di eventi futuri ordinata per tempo — divenne standard negli anni '70. Il libro di testo di Banks, Carson, Nelson e Nicol (prima edizione 1984, ora alla quinta edizione, 2010) e il volume complementare di Law (prima edizione 1982, ora alla quinta edizione, 2015) consolidarono la metodologia, le procedure di analisi dell'output e le tecniche di modellazione dell'input che definiscono la pratica moderna. La DES si diffuse rapidamente attraverso la ricerca operativa, l'ingegneria industriale e la gestione sanitaria, ed è oggi implementata sia in librerie open-source (SimPy, simmer) che in piattaforme commerciali.
Quando usarlo
La DES è adatta ogni qualvolta un sistema possa essere descritto come entità discrete che si muovono attraverso risorse governate da tempi stocastici di arrivo e servizio. È la scelta appropriata per sistemi di code, flusso di pronto soccorso e reparti ospedalieri, analisi di throughput di produzione e catena di approvvigionamento, dotazione di personale nei call center e instradamento logistico — ovunque l'analista necessiti di valutare capacità, colli di bottiglia o scenari 'what-if' senza sperimentare sul sistema reale. Non è richiesta alcuna assunzione di normalità. Il numero di repliche deve essere sufficiente (tipicamente almeno 30, o ≥1000 per intervalli di confidenza stretti) — con troppo poche repliche i risultati della DES sono inaffidabili e un modello di code analitico potrebbe essere preferibile. Gli input distribuiti (distribuzioni dei tempi di arrivo e servizio) devono essere stimati da dati storici; quando non esistono dati, sono necessarie l'elicitazione di esperti o esecuzioni pilota.
Limiti e considerazioni
- Incertezza dell'input: i risultati sono affidabili solo quanto le distribuzioni di arrivo e servizio adattate.
- Distorsione del riscaldamento: ignorare il periodo di riscaldamento gonfia o sgonfia le stime dello stato stazionario.
- Repliche: troppo poche repliche (meno di circa 30) producono intervalli di confidenza ampi che rendono inaffidabili i confronti di scenari.
- Costo computazionale: modelli complessi con molte entità e risorse possono richiedere tempi di esecuzione sostanziali per ottenere intervalli di confidenza stretti.
- La validazione del modello richiede dati storici per la verifica; processi mappati in modo errato portano a output fuorvianti.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Gestisce processi complessi e non lineari — contesa di risorse, instradamento variabile, code prioritarie — che i modelli di code analitici non possono rappresentare.
- Produce intervalli di confidenza realistici attraverso repliche indipendenti, rendendo esplicita l'incertezza.
- Supporta la sperimentazione 'what-if' e il confronto di scenari senza interrompere il sistema reale.
- Nessuna assunzione distributiva sugli output; qualsiasi distribuzione di input può essere accomodata.
- Applicabile in un'ampia gamma di domini — sanità, produzione, logistica, operazioni di servizio — senza cambiare il paradigma centrale.
Applicazioni
- Flusso di pazienti nel pronto soccorso: valutazione dei livelli di personale, delle politiche di triage e della capacità dei letti per ridurre i tempi di attesa.
- Throughput di produzione: identificazione delle postazioni di lavoro critiche, dimensionamento dei buffer e pianificazione dei turni.
- Catena di approvvigionamento e logistica: modellazione delle operazioni di magazzino, dell'instradamento delle consegne e del rifornimento delle scorte in condizioni di domanda stocastica.
- Dotazione di personale nei call center: determinazione del numero di agenti e delle regole di instradamento per soddisfare gli accordi sul livello di servizio.
- Operazioni aeroportuali e portuali: simulazione dell'assegnazione dei gate, della gestione a terra e del throughput delle merci.
Come funziona
Come funziona
L'analista mappa il processo reale: entità (pazienti, lavori, veicoli), risorse (infermieri, macchine, camion), code e logica di instradamento. Questo modello concettuale è il progetto per tutto ciò che segue — mappe di processo vaghe producono simulazioni inaffidabili.
I tempi intercorrenti tra arrivi e durate del servizio vengono adattati a distribuzioni di probabilità — tipicamente esponenziale, Erlang, log-normale o empirica — utilizzando dati storici e test di bontà dell'adattamento. L'input distribuito è la principale fonte di incertezza nella DES; se i dati scarseggiano, le analisi di sensibilità su famiglie di distribuzioni plausibili sono essenziali.
Viene inizializzato il calendario degli eventi (lista degli eventi futuri). Ogni tipo di evento (arrivo, inizio servizio, fine servizio, partenza) è codificato con le transizioni di stato che provoca. Un flusso di numeri casuali guida ogni elemento stocastico, e flussi separati vengono assegnati ai processi di arrivo e servizio in modo che tecniche di riduzione della varianza come numeri casuali comuni possano essere applicate in seguito.
La simulazione viene eseguita per un periodo di riscaldamento prima che vengano raccolte le statistiche. Al tempo zero il sistema è solitamente vuoto — una condizione iniziale artificiale che distorce le stime dello stato stazionario. Il periodo di riscaldamento (stimato con il metodo di Welch o simile) consente al sistema di raggiungere l'equilibrio statistico prima che inizi la misurazione.
Vengono eseguiteplurime repliche indipendenti, ciascuna utilizzando un diverso seme casuale. Le repliche, non le osservazioni all'interno di una singola esecuzione, sono le unità di analisi statistica. Si raccomandano almeno 30 repliche per una stima affidabile dell'intervallo di confidenza; il numero richiesto può essere determinato da una procedura pilota sequenziale.
Statistiche riassuntive — tempo medio di attesa, throughput, utilizzo delle risorse — vengono calcolate attraverso le repliche e riportate con intervalli di confidenza al 95%. Se l'intervallo di confidenza è troppo ampio, vengono applicate più repliche o tecniche di riduzione della varianza. I confronti di scenari utilizzano gli stessi semi casuali (numeri casuali comuni) per ridurre il rumore tra scenari.
Errori comuni
- Eseguire meno di 1000 repliche quando sono necessari intervalli di confidenza stretti — utilizzare una procedura pilota sequenziale per determinare il numero minimo richiesto.
- Omettere o sottodimensionare il periodo di riscaldamento — le metriche di stato stazionario raccolte da un sistema vuoto al tempo zero sono distorte verso il basso per l'utilizzo e verso l'alto per i tempi di attesa.
- Utilizzare una singola esecuzione lunga invece di repliche indipendenti multiple — le osservazioni all'interno di un'esecuzione sono autocorrela te e non possono essere trattate come punti dati indipendenti per la stima dell'intervallo di confidenza.
- Adattare la famiglia di distribuzioni errata ai tempi di arrivo o servizio — eseguire sempre test formali di bontà dell'adattamento e ispezionare la distribuzione adattata rispetto ai dati empirici prima di accettarla.
- Confondere la DES con la simulazione continua — la DES è appropriata per sistemi in cui i cambiamenti di stato sono guidati da eventi; per stock e flussi in continua evoluzione, la dinamica dei sistemi è il paradigma corretto.
Domande frequenti
Quante repliche sono necessarie?
Un minimo di 30 repliche indipendenti è un punto di partenza comune per l'analisi preliminare, ma intervalli di confidenza stretti per il processo decisionale richiedono tipicamente 100-1000 o più. Utilizzare una procedura pilota sequenziale: eseguire un lotto iniziale di 10-30 repliche, stimare la varianza, quindi calcolare le repliche aggiuntive necessarie per raggiungere la semilarghezza desiderata.
Come si determina il periodo di riscaldamento?
Il metodo grafico di Welch è l'approccio più utilizzato: tracciare una media mobile della metrica di performance nel tempo e identificare il punto in cui si stabilizza. In alternativa, utilizzare il test di Mecklenburg-White o semplicemente eseguire il modello abbastanza a lungo affinché il riscaldamento rappresenti meno del 10% della lunghezza totale dell'esecuzione. Omettere il riscaldamento distorce le stime dello stato stazionario.
Quando dovrei usare la DES invece di un modello di code analitico?
I modelli di code analitici (M/M/c e varianti) forniscono risultati esatti o approssimati in forma chiusa per sistemi semplici e idealizzati. Utilizzare la DES quando il processo ha instradamento complesso, tipi di risorse multiple in competizione, tempi di servizio non esponenziali, arrivi in batch o tassi di arrivo variabili nel tempo — situazioni in cui le soluzioni analitiche non sono disponibili o richiedono assunzioni semplificative irrealistiche.
Cosa fare se non ho dati storici per adattare le distribuzioni?
L'elicitazione di esperti (ad esempio, stime minime, più probabili, massime per adattare una distribuzione triangolare) è un'alternativa accettata per modelli preliminari. Condurre analisi di sensibilità su famiglie di distribuzioni plausibili per comprendere come l'incertezza dell'input si propaghi all'incertezza dell'output. Raccogliere dati reali man mano che il modello matura.
Metodi correlati
Fonti
Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.
ISBN: 978-0136062127Copiato.Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.
ISBN: 978-0073401324Copiato.