Skip to content
検索結果に戻る

離散事象シミュレーション(DES)

提唱者
Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
年
1960s (formalized); modern computational form from 1970s onward
種類
Stochastic process simulation

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

離散事象シミュレーション(DES)は、システムの状態がイベントと呼ばれる計数可能な時点の系列でのみ変化する計算モデリングパラダイムである。イベント間では何も変化しないため、シミュレーションクロックはイベントから次のイベントへと直接ジャンプする。1960年代から2000年代にかけて、Banks、Carson、Nelson、NicolおよびLawによる基礎的な教科書を通じて形式化されたDESは、エンティティが時間とともにリソースを移動する待ち行列システム、医療患者フロー、製造ライン、および物流ネットワークの分析のための標準ツールとなっている。

手法の背後にある直感

病院の救急外来を想像してみよう。患者が到着し、看護師を待ち、治療を受け、退院する。現実世界は毎ミリ秒更新されるわけではない。何かが起こったときだけ変化する。患者の到着、看護師の空き、患者の退院などだ。DESはまさにこのロジックを捉える。シミュレーションは将来のイベントのソート済みリストを維持し、それらを一つずつ処理し、毎ミリ秒を逐一処理するのではなく、仮想クロックを各イベント時刻に進める。これにより、複雑なシステムでも高速に動作し、アナリストは実際のシステムに触れることなく、「看護師をもう一人追加したらどうなるか?」とか「月曜日の到着が倍増したらどうなるか?」といった問いを投げかけることができる。

歴史学

DESの基礎は、K.D. TocherやR.W. Conwayなどの研究者によって1950年代後半から1960年代初頭にかけて築かれ、彼らは最初の汎用シミュレーション言語(GSP、GPSS)を開発した。イベントスケジューリングパラダイム(時間でソートされた将来イベントリストの維持)は、1970年代までに標準となった。Banks、Carson、Nelson、Nicolの教科書(初版1984年、第5版2010年)とLawの共著書(初版1982年、第5版2015年)は、現代の実践を定義する方法論、出力分析手順、および入力モデリング技術を統合した。DESはオペレーションズリサーチ、産業工学、ヘルスケアマネジメントを通じて急速に普及し、今日ではオープンソースライブラリ(SimPy、simmer)と商用プラットフォームの両方に実装されている。

使うべき場面

システムが、確率的な到着時間とサービス時間によって管理されるリソースを通過する離散エンティティとして記述できる場合はいつでもDESが適合する。待ち行列システム、救急外来および病院病棟のフロー、製造およびサプライチェーンのスループット分析、コールセンターの人員配置、および物流ルーティングなど、アナリストが実際のシステムで実験することなく、容量、ボトルネック、または「もし〜だったら」シナリオを評価する必要があるあらゆる場所で適切な選択肢となる。正規性の仮定は不要である。レプリケーションの数は十分でなければならない(通常、少なくとも30回、または狭い信頼区間では1000回以上)。レプリケーションが少なすぎるとDESの結果は信頼性が低くなり、解析的な待ち行列モデルが好ましい場合がある。分布入力(到着およびサービス時間の分布)は、履歴データから推定する必要がある。データが存在しない場合は、専門家の意見聴取またはパイロット実行が必要である。

限界と注意点

  • 入力の不確実性:結果は、適合された到着およびサービス分布の信頼性と同じ程度である。
  • ウォームアップバイアス:ウォームアップ期間を無視すると、定常状態推定値が過大評価または過小評価される。
  • レプリケーション:レプリケーションが少なすぎる(約30回未満)と、シナリオ比較を信頼できないものにする広い信頼区間が生成される。
  • 計算コスト:多数のエンティティとリソースを持つ複雑なモデルでは、狭い信頼区間を達成するためにかなりの実行時間が必要になる場合がある。
  • モデル検証には検証のための履歴データが必要。不適切にマッピングされたプロセスは誤解を招く出力を生む。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 解析的な待ち行列モデルでは表現できない、リソース競合、可変ルーティング、優先度付きキューなどの複雑で非線形なプロセスを処理する。
  • 独立したレプリケーションを通じて現実的な信頼区間を生成し、不確実性を明確にする。
  • 実際のシステムを中断することなく、「もし〜だったら」という実験やシナリオ比較をサポートする。
  • 出力に関する分布の仮定がなく、任意の入力分布に対応可能。
  • コアパラダイムを変更することなく、ヘルスケア、製造、物流、サービスオペレーションなど、幅広いドメインに適用可能。

応用

  • 救急外来患者フロー:待ち時間を短縮するために、人員配置レベル、トリアージポリシー、およびベッド容量を評価する。
  • 製造スループット:ボトルネックとなるワークステーションを特定し、バッファのサイズを決定し、シフトスケジュールを計画する。
  • サプライチェーンと物流:確率的な需要の下での倉庫業務、配送ルーティング、および在庫補充をモデル化する。
  • コールセンターの人員配置:サービスレベル契約を満たすために、エージェント数とルーティングルールを決定する。
  • 空港および港湾業務:ゲート割り当て、地上ハンドリング、および貨物スループットをシミュレートする。

使い方

使い方

1

アナリストは実際のプロセスをマッピングする。エンティティ(患者、ジョブ、車両)、リソース(看護師、機械、トラック)、キュー、ルーティングロジックなどだ。この概念モデルは、その後のすべてものの設計図となる。曖昧なプロセス図は信頼性の低いシミュレーションを生み出す。

2

到着間隔時間とサービス時間は、履歴データと適合度検定を使用して、確率分布(通常は指数分布、アーラン分布、対数正規分布、または経験分布)に適合させる。分布入力はDESにおける不確実性の主な源である。データが不足している場合は、妥当な分布ファミリー全体での感度分析が不可欠である。

3

イベントカレンダー(将来イベントリスト)を初期化する。各イベントタイプ(到着、サービス開始、サービス終了、出発)は、それが引き起こす状態遷移とともにコード化される。乱数ストリームが各確率的要素を駆動し、共通乱数などの分散削減技術を後で適用できるように、到着プロセスとサービスプロセスには個別のストリームが割り当てられる。

4

統計を収集する前に、ウォームアップ期間のためにシミュレーションを実行する。時刻ゼロでは、システムは通常空である。これは定常状態推定値を偏らせる人工的な初期条件である。ウォームアップ期間(Welchの方法などで推定)により、測定が開始される前にシステムが統計的平衡に達する。

5

それぞれ異なる乱数シードを使用して、複数の独立したレプリケーションを実行する。統計分析の単位は、単一の実行内の観測ではなく、レプリケーションである。信頼区間の推定には、少なくとも30回のレプリケーションが推奨される。必要な回数は、逐次パイロット手順によって決定できる。

6

平均待ち時間、スループット、リソース利用率などの要約統計量をレプリケーション全体で計算し、95%信頼区間とともに報告する。信頼区間が広すぎる場合は、より多くのレプリケーションまたは分散削減技術を適用する。シナリオ比較では、シナリオ間のノイズを減らすために同じ乱数シード(共通乱数)を使用する。

よくある落とし穴

  • 狭い信頼区間が必要な場合に1000回未満のレプリケーションを実行すること。目標の半幅を達成するために必要な最小回数を決定するには、逐次パイロット手順を使用する。
  • ウォームアップ期間の省略または過小評価。時刻ゼロの空のシステムから収集された定常状態メトリックは、利用率では下向き、待ち時間では上向きに偏る。
  • 複数の独立したレプリケーションの代わりに単一の長い実行を使用すること。実行内の観測値は自己相関しており、信頼区間推定のための独立したデータポイントとして扱えない。
  • 到着時間またはサービス時間に誤った分布ファミリーを適合させること。受け入れる前に、必ず正式な適合度検定を実行し、適合された分布を経験データと比較して検査する。
  • DESと連続シミュレーションの混同。DESは、状態変化がイベント駆動型であるシステムに適している。連続的に進化するストックとフローについては、システムダイナミクスが適切なパラダイムである。

よくある質問

レプリケーションはいくつ必要ですか?

予備分析の一般的な出発点として、少なくとも30回の独立したレプリケーションが用いられるが、意思決定のための狭い信頼区間には通常100〜1000回以上が必要である。逐次パイロット手順を使用する:初期バッチとして10〜30回のレプリケーションを実行し、分散を推定し、目標の半幅を達成するために必要な追加レプリケーションを計算する。

ウォームアップ期間はどのように決定しますか?

Welchのグラフィカル法が最も広く使用されているアプローチである。パフォーマンスメトリックの移動平均を時間経過とともにプロットし、それが安定する時点を特定する。あるいは、Mecklenburg-Whiteテストを使用するか、単にウォームアップが総実行時間の10%未満を占めるまでモデルを十分に長く実行する。ウォームアップを省略すると、定常状態推定値が偏る。

解析的な待ち行列モデルではなく、DESを使用すべきなのはいつですか?

解析的な待ち行列モデル(M/M/cおよびそのバリアント)は、単純で理想化されたシステムに対して正確または近似的な閉形式の結果を与える。プロセスが複雑なルーティング、複数の競合するリソースタイプ、非指数サービス時間、バッチ到着、または時間変動する到着率を持つ場合、つまり解析解が入手できないか、非現実的な単純化仮定が必要な状況ではDESを使用する。

履歴データがなく、分布を適合できない場合はどうすればよいですか?

専門家の意見聴取(例:三角形分布に適合させるための最小値、最頻値、最大値の推定)は、予備モデルの受け入れ可能な代替策である。妥当な分布ファミリー全体での感度分析を実施して、入力の不確実性が出力の不確実性にどのように伝播するかを理解する。モデルが成熟するにつれて実際のデータを収集する。

関連する手法

参考文献

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

    ISBN:978-0136062127
    コピーしました。
  2. Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.

    ISBN:978-0073401324
    コピーしました。