Skip to content
กลับไปยังผลการค้นหา

การจำลองเหตุการณ์แบบไม่ต่อเนื่อง (Discrete-Event Simulation - DES)

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

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การจำลองเหตุการณ์แบบไม่ต่อเนื่อง (DES) เป็นกระบวนทัศน์การสร้างแบบจำลองเชิงคำนวณ ซึ่งสถานะของระบบจะเปลี่ยนแปลงเฉพาะ ณ จุดเวลาที่นับได้ ซึ่งก็คือเหตุการณ์ต่างๆ ระหว่างเหตุการณ์จะไม่มีอะไรเปลี่ยนแปลง ดังนั้นนาฬิกาจำลองจะกระโดดจากเหตุการณ์หนึ่งไปยังอีกเหตุการณ์หนึ่งโดยตรง DES ซึ่งได้รับการทำให้เป็นรูปธรรมผ่านตำราพื้นฐานของ Banks, Carson, Nelson และ Nicol และของ Law ในช่วงทศวรรษ 1960–2000 ได้กลายเป็นเครื่องมือมาตรฐานสำหรับการวิเคราะห์ระบบคิว, การไหลของผู้ป่วยในสถานพยาบาล, สายการผลิตในโรงงาน และเครือข่ายโลจิสติกส์ ซึ่งหน่วยต่างๆ เคลื่อนที่ผ่านทรัพยากรเมื่อเวลาผ่านไป

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพแผนกฉุกเฉินของโรงพยาบาล: ผู้ป่วยมาถึง รอพยาบาล รับการรักษา และจากไป ในความเป็นจริง ระบบไม่ได้อัปเดตทุกมิลลิวินาที แต่จะเปลี่ยนแปลงเฉพาะเมื่อมีบางสิ่งเกิดขึ้นเท่านั้น เช่น ผู้ป่วยมาถึง พยาบาลว่าง หรือผู้ป่วยได้รับการจำหน่าย DES จับภาพตรรกะนี้ได้อย่างแม่นยำ การจำลองจะเก็บรายการเหตุการณ์ในอนาคตที่เรียงลำดับไว้และประมวลผลทีละรายการ โดยเลื่อนนาฬิกาเสมือนไปยังเวลาของแต่ละเหตุการณ์ แทนที่จะประมวลผลทุกมิลลิวินาที สิ่งนี้ทำให้การจำลองทำงานได้อย่างรวดเร็วแม้สำหรับระบบที่ซับซ้อน และช่วยให้นักวิเคราะห์สามารถถามคำถามเช่น 'จะเกิดอะไรขึ้นหากเราเพิ่มพยาบาลอีกหนึ่งคน?' หรือ 'จะเกิดอะไรขึ้นหากจำนวนผู้มาถึงเป็นสองเท่าในวันจันทร์?' โดยไม่ต้องแตะต้องระบบจริง

ประวัติศาสตร์

รากฐานของ DES ถูกวางไว้ในช่วงปลายทศวรรษ 1950 และต้นทศวรรษ 1960 โดยนักวิจัยรวมถึง K.D. Tocher และ R.W. Conway ซึ่งได้พัฒนาภาษาจำลองอเนกประสงค์รุ่นแรก (GSP, GPSS) กระบวนทัศน์การจัดตารางเหตุการณ์ (event-scheduling paradigm) — การเก็บรายการเหตุการณ์ในอนาคตที่เรียงตามเวลา — กลายเป็นมาตรฐานในช่วงทศวรรษ 1970 ตำราของ Banks, Carson, Nelson และ Nicol (ฉบับพิมพ์ครั้งแรกปี 1984 ปัจจุบันเป็นฉบับที่ห้า ปี 2010) และหนังสือคู่กันของ Law (ฉบับพิมพ์ครั้งแรกปี 1982 ปัจจุบันเป็นฉบับที่ห้า ปี 2015) ได้รวบรวมระเบียบวิธี ขั้นตอนการวิเคราะห์ผลลัพธ์ และเทคนิคการสร้างแบบจำลองข้อมูลนำเข้าที่กำหนดแนวปฏิบัติในปัจจุบัน DES ได้แพร่กระจายอย่างรวดเร็วผ่านสาขาวิจัยดำเนินงาน (operations research), วิศวกรรมอุตสาหการ (industrial engineering) และการจัดการการดูแลสุขภาพ (healthcare management) และปัจจุบันมีการนำไปใช้ทั้งในไลบรารีโอเพนซอร์ส (SimPy, simmer) และแพลตฟอร์มเชิงพาณิชย์

ควรใช้เมื่อใด

DES เหมาะสมเมื่อระบบสามารถอธิบายได้ว่าเป็นหน่วยต่างๆ ที่เคลื่อนที่ผ่านทรัพยากรภายใต้กฎเกณฑ์ของเวลามาถึงและเวลาบริการแบบสุ่ม เป็นตัวเลือกที่เหมาะสมสำหรับระบบคิว, การไหลของผู้ป่วยในแผนกฉุกเฉินและหอผู้ป่วย, การวิเคราะห์ปริมาณงานในสายการผลิตและห่วงโซ่อุปทาน, การจัดกำลังเจ้าหน้าที่ศูนย์บริการทางโทรศัพท์ และการกำหนดเส้นทางการขนส่ง — ทุกที่ที่นักวิเคราะห์ต้องการประเมินกำลังการผลิต, คอขวด, หรือสถานการณ์ 'จะเกิดอะไรขึ้น' โดยไม่ต้องทดลองกับระบบจริง ไม่จำเป็นต้องมีข้อสมมติฐานเกี่ยวกับภาวะปกติ จำนวนการจำลองซ้ำต้องเพียงพอ (โดยทั่วไปอย่างน้อย 30 ครั้ง หรือ ≥1000 ครั้งสำหรับช่วงความเชื่อมั่นที่แคบ) — หากจำนวนการจำลองซ้ำน้อยเกินไป ผลลัพธ์ของ DES จะไม่น่าเชื่อถือ และแบบจำลองคิวเชิงวิเคราะห์อาจเหมาะสมกว่า ข้อมูลนำเข้าเชิงทฤษฎี (การแจกแจงเวลามาถึงและเวลาบริการ) ต้องประมาณค่าจากข้อมูลในอดีต เมื่อไม่มีข้อมูล จะต้องใช้วิธีการสอบถามผู้เชี่ยวชาญ (expert elicitation) หรือการรันนำร่อง (pilot runs)

ข้อจำกัดและข้อควรพิจารณา

  • ความไม่แน่นอนของข้อมูลนำเข้า: ผลลัพธ์จะน่าเชื่อถือเพียงใดขึ้นอยู่กับการแจกแจงเวลามาถึงและเวลาบริการที่ปรับให้เหมาะสม
  • ความเอนเอียงของระยะเวลาก่อนการเก็บสถิติ: การละเลยระยะเวลาก่อนการเก็บสถิติจะทำให้ค่าประมาณสภาวะคงตัวสูงเกินไปหรือต่ำเกินไป
  • จำนวนการจำลองซ้ำ: จำนวนการจำลองซ้ำน้อยเกินไป (น้อยกว่าประมาณ 30 ครั้ง) จะให้ช่วงความเชื่อมั่นที่กว้าง ทำให้การเปรียบเทียบสถานการณ์ไม่น่าเชื่อถือ
  • ต้นทุนในการคำนวณ: แบบจำลองที่ซับซ้อนซึ่งมีหน่วยและทรัพยากรจำนวนมากอาจต้องใช้เวลาในการรันนานเพื่อให้ได้ช่วงความเชื่อมั่นที่แคบ
  • การตรวจสอบความถูกต้องของแบบจำลอง (Model validation) ต้องใช้ข้อมูลในอดีตสำหรับการยืนยัน (verification); กระบวนการที่สร้างแผนผังไม่ดีจะนำไปสู่ผลลัพธ์ที่ทำให้เข้าใจผิด

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จัดการกับกระบวนการที่ซับซ้อนและไม่เป็นเชิงเส้น — การแข่งขันแย่งชิงทรัพยากร, การกำหนดเส้นทางที่แปรผัน, คิวที่มีลำดับความสำคัญ — ซึ่งแบบจำลองคิวเชิงวิเคราะห์ไม่สามารถแสดงได้
  • ให้ช่วงความเชื่อมั่นที่สมจริงผ่านการจำลองซ้ำอิสระ ทำให้ความไม่แน่นอนชัดเจน
  • รองรับการทดลอง 'จะเกิดอะไรขึ้น' และการเปรียบเทียบสถานการณ์โดยไม่รบกวนระบบจริง
  • ไม่มีข้อสมมติฐานเกี่ยวกับการแจกแจงของผลลัพธ์ สามารถรองรับการแจกแจงของข้อมูลนำเข้าได้ทุกรูปแบบ
  • สามารถนำไปใช้ได้ในหลากหลายสาขา — การดูแลสุขภาพ, การผลิต, โลจิสติกส์, การดำเนินงานบริการ — โดยไม่ต้องเปลี่ยนแปลงกระบวนทัศน์หลัก

การประยุกต์ใช้

  • การไหลของผู้ป่วยในแผนกฉุกเฉิน: การประเมินระดับพนักงาน, นโยบายการคัดแยกผู้ป่วย, และกำลังการผลิตเตียง เพื่อลดเวลารอคอย
  • ปริมาณงานในโรงงาน: การระบุสถานีงานที่เป็นคอขวด, การกำหนดขนาดบัฟเฟอร์, และการวางแผนตารางการทำงาน
  • ห่วงโซ่อุปทานและโลจิสติกส์: การสร้างแบบจำลองการดำเนินงานคลังสินค้า, การกำหนดเส้นทางการจัดส่ง, และการเติมสินค้าคงคลังภายใต้ความต้องการแบบสุ่ม
  • การจัดกำลังเจ้าหน้าที่ศูนย์บริการทางโทรศัพท์: การกำหนดจำนวนเจ้าหน้าที่และกฎการกำหนดเส้นทางเพื่อให้เป็นไปตามข้อตกลงระดับบริการ (service-level agreements)
  • การดำเนินงานสนามบินและท่าเรือ: การจำลองการจัดสรรประตูขึ้นเครื่อง, การจัดการภาคพื้นดิน, และปริมาณงานสินค้า

วิธีการทำงาน

วิธีการทำงาน

1

นักวิเคราะห์จะสร้างแผนผังกระบวนการจริง: หน่วย (ผู้ป่วย, งาน, ยานพาหนะ), ทรัพยากร (พยาบาล, เครื่องจักร, รถบรรทุก), คิว และตรรกะการกำหนดเส้นทาง แบบจำลองแนวคิดนี้เป็นพิมพ์เขียวสำหรับทุกสิ่งที่ตามมา แผนผังกระบวนการที่ไม่ชัดเจนจะนำไปสู่การจำลองที่ไม่น่าเชื่อถือ

2

ช่วงเวลาระหว่างการมาถึงและระยะเวลาการให้บริการจะถูกปรับให้เข้ากับทฤษฎีความน่าจะเป็น (โดยทั่วไปคือเอกซ์โพเนนเชียล, เออร์ลัง, ลอการิทึมปกติ หรือเชิงประจักษ์) โดยใช้ข้อมูลในอดีตและการทดสอบความเหมาะสม (goodness-of-fit tests) ข้อมูลนำเข้าเชิงทฤษฎีเป็นแหล่งความไม่แน่นอนหลักในการจำลองเหตุการณ์แบบไม่ต่อเนื่อง (DES) หากข้อมูลมีน้อย การวิเคราะห์ความไวต่อปัจจัยต่างๆ (sensitivity analyses) ทั่วทั้งตระกูลทฤษฎีที่เป็นไปได้จึงมีความสำคัญ

3

ปฏิทินเหตุการณ์ (รายการเหตุการณ์ในอนาคต) จะถูกเริ่มต้น ประเภทของเหตุการณ์แต่ละประเภท (การมาถึง, การเริ่มบริการ, การสิ้นสุดบริการ, การออกจากระบบ) จะถูกเขียนโค้ดพร้อมกับการเปลี่ยนแปลงสถานะที่เกิดขึ้น กระแสตัวเลขสุ่มจะขับเคลื่อนองค์ประกอบเชิงสุ่มแต่ละอย่าง และจะมีการกำหนดกระแสที่แยกจากกันสำหรับกระบวนการมาถึงและบริการ เพื่อให้เทคนิคการลดความแปรปรวน เช่น ตัวเลขสุ่มร่วม (common random numbers) สามารถนำไปใช้ได้ในภายหลัง

4

การจำลองจะถูกรันในช่วงระยะเวลาก่อนการเก็บสถิติ (warm-up period) โดยปกติแล้วระบบจะว่างเปล่าเมื่อเวลาเป็นศูนย์ ซึ่งเป็นเงื่อนไขเริ่มต้นที่ไม่เป็นธรรมชาติซึ่งทำให้ค่าประมาณสภาวะคงตัว (steady-state estimates) เกิดความเอนเอียง ระยะเวลาก่อนการเก็บสถิติ (ประเมินโดยวิธีของ Welch หรือวิธีที่คล้ายกัน) จะช่วยให้ระบบเข้าสู่สมดุลทางสถิติก่อนที่จะเริ่มการวัดผล

5

จะมีการรันการจำลองซ้ำหลายครั้ง โดยแต่ละครั้งจะใช้เมล็ดพันธุ์สุ่ม (random seed) ที่แตกต่างกัน การจำลองซ้ำ (replications) ไม่ใช่การสังเกตภายในหนึ่งการรัน จะเป็นหน่วยของการวิเคราะห์ทางสถิติ แนะนำให้ทำการจำลองซ้ำอย่างน้อย 30 ครั้งเพื่อให้ได้ช่วงความเชื่อมั่นที่น่าเชื่อถือ จำนวนที่ต้องการสามารถกำหนดได้โดยขั้นตอนนำร่องตามลำดับ (sequential pilot procedure)

6

สถิติสรุป (เช่น เวลาเฉลี่ยในการรอ, ปริมาณงาน, การใช้ทรัพยากร) จะถูกคำนวณจากการจำลองซ้ำและรายงานพร้อมช่วงความเชื่อมั่น 95% หากช่วงความเชื่อมั่นกว้างเกินไป จะต้องทำการจำลองซ้ำมากขึ้นหรือใช้เทคนิคการลดความแปรปรวน การเปรียบเทียบสถานการณ์จะใช้เมล็ดพันธุ์สุ่มเดียวกัน (ตัวเลขสุ่มร่วม) เพื่อลดความผันผวนระหว่างสถานการณ์

ข้อผิดพลาดที่พบบ่อย

  • การรันการจำลองน้อยกว่า 1000 ครั้งเมื่อต้องการช่วงความเชื่อมั่นที่แคบ — ใช้ขั้นตอนนำร่องตามลำดับเพื่อกำหนดจำนวนขั้นต่ำที่ต้องการ
  • การละเว้นหรือกำหนดขนาดระยะเวลาก่อนการเก็บสถิติไม่ถูกต้อง — การวัดค่าสภาวะคงตัวที่เก็บจากระบบที่ว่างเปล่า ณ เวลาศูนย์จะมีความเอนเอียงไปทางค่าต่ำสำหรับอัตราการใช้ประโยชน์และค่าสูงสำหรับเวลารอ
  • การใช้การรันยาวครั้งเดียวแทนการจำลองซ้ำอิสระหลายครั้ง — การสังเกตภายในหนึ่งการรันมีความสัมพันธ์กันเอง (autocorrelated) และไม่สามารถถือเป็นข้อมูลอิสระสำหรับการประมาณค่าช่วงความเชื่อมั่นได้
  • การปรับครอบครัวการแจกแจงที่ไม่ถูกต้องสำหรับเวลามาถึงหรือเวลาบริการ — ต้องทำการทดสอบความเหมาะสมอย่างเป็นทางการ (formal goodness-of-fit tests) และตรวจสอบการแจกแจงที่ปรับให้เหมาะสมกับข้อมูลเชิงประจักษ์ก่อนยอมรับ
  • การสับสนระหว่าง DES กับการจำลองแบบต่อเนื่อง — DES เหมาะสำหรับระบบที่การเปลี่ยนแปลงสถานะถูกขับเคลื่อนด้วยเหตุการณ์ สำหรับการไหลของสต็อกและโฟลว์ที่เปลี่ยนแปลงอย่างต่อเนื่อง การจำลองพลวัตของระบบ (system dynamics) เป็นกระบวนทัศน์ที่ถูกต้อง

คำถามที่พบบ่อย

ต้องทำการจำลองซ้ำกี่ครั้ง?

จุดเริ่มต้นทั่วไปสำหรับการวิเคราะห์เบื้องต้นคือการจำลองซ้ำอิสระอย่างน้อย 30 ครั้ง แต่ช่วงความเชื่อมั่นที่แคบสำหรับการตัดสินใจมักต้องการ 100–1000 ครั้งหรือมากกว่านั้น ใช้ขั้นตอนนำร่องตามลำดับ: ทำการจำลองซ้ำชุดแรก 10–30 ครั้ง, ประมาณค่าความแปรปรวน, จากนั้นคำนวณจำนวนการจำลองซ้ำเพิ่มเติมที่จำเป็นเพื่อให้ได้ความกว้างครึ่งหนึ่งตามเป้าหมายของคุณ

จะกำหนดระยะเวลาก่อนการเก็บสถิติได้อย่างไร?

วิธีแบบกราฟของ Welch เป็นวิธีที่ใช้กันอย่างแพร่หลายที่สุด: พล็อตค่าเฉลี่ยเคลื่อนที่ของตัวชี้วัดประสิทธิภาพเทียบกับเวลา และระบุจุดที่ค่าเฉลี่ยคงที่ หรืออีกทางหนึ่ง ใช้การทดสอบ Mecklenburg-White หรือเพียงแค่รันแบบจำลองนานพอที่ระยะเวลาก่อนการเก็บสถิติคิดเป็นน้อยกว่า 10% ของความยาวการรันทั้งหมด การละเว้นระยะเวลาก่อนการเก็บสถิติจะทำให้ค่าประมาณสภาวะคงตัวเกิดความเอนเอียง

เมื่อใดที่ควรใช้ DES แทนแบบจำลองคิวเชิงวิเคราะห์?

แบบจำลองคิวเชิงวิเคราะห์ (M/M/c และรูปแบบต่างๆ) ให้ผลลัพธ์แบบปิด (closed-form) ที่แม่นยำหรือประมาณค่าสำหรับระบบที่เรียบง่ายและเป็นอุดมคติ ใช้ DES เมื่อกระบวนการมีการกำหนดเส้นทางที่ซับซ้อน, ประเภททรัพยากรที่แข่งขันกันหลายประเภท, เวลาบริการที่ไม่ใช่แบบเอกซ์โพเนนเชียล, การมาถึงเป็นกลุ่ม, หรืออัตราการมาถึงที่แปรผันตามเวลา — สถานการณ์ที่ไม่มีคำตอบเชิงวิเคราะห์ หรือต้องใช้ข้อสมมติฐานที่ทำให้ง่ายขึ้นซึ่งไม่สมจริง

จะทำอย่างไรหากไม่มีข้อมูลในอดีตสำหรับการปรับทฤษฎี?

การสอบถามผู้เชี่ยวชาญ (เช่น ค่าต่ำสุด, ค่าที่เป็นไปได้มากที่สุด, ค่าสูงสุด เพื่อปรับทฤษฎีสามเหลี่ยม) เป็นทางเลือกที่ยอมรับได้สำหรับแบบจำลองเบื้องต้น ทำการวิเคราะห์ความไวต่อปัจจัยต่างๆ ทั่วทั้งตระกูลทฤษฎีที่เป็นไปได้ เพื่อทำความเข้าใจว่าความไม่แน่นอนของข้อมูลนำเข้าแพร่กระจายไปยังความไม่แน่นอนของผลลัพธ์อย่างไร รวบรวมข้อมูลจริงเมื่อแบบจำลองมีความสมบูรณ์มากขึ้น

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    ISBN: 978-0073401324
    คัดลอกแล้ว