Что такое имитационная модель: Имитационное моделирование — это… Что такое Имитационное моделирование?

Содержание

Имитационное моделирование — это… Что такое Имитационное моделирование?

Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели.

В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов[1].

Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

Применение имитационного моделирования

К имитационному моделированию прибегают, когда :

  • дорого или невозможно экспериментировать на реальном объекте;
  • невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
  • необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора (англ.  simulation modeling) исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием. Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства

[источник не указан 212 дней]. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний[источник не указан 212 дней].

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950-х — 1960-х годах.

Можно выделить две разновидности имитации:

Виды имитационного моделирования

Три подхода имитационного моделирования Подходы имитационного моделирования на шкале абстракции
  • Агентное моделирование — относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
  • Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.
  • Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Области применения

Свободные системы имитационного моделирования

См. также

Примечания

  1. Муха В. С. Вычислительные методы и компьютерная алгебра: учеб.-метод. пособие. — 2-е изд., испр. и доп. — Минск: БГУИР, 2010.- 148 с.: ил, ISBN 978-985-488-522-3, УДК 519.6 (075.8), ББК 22.19я73, М92

Литература

  • Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. — 7-е изд. — М.: «Вильямс», 2007. — С. 697-737. — ISBN 0-13-032374-8
  • Строгалев В. П., Толкачева И. О. Имитационное моделирование. — МГТУ им. Баумана, 2008. — С. 697-737. — ISBN 978-5-7038-3021-5

Ссылки

Имитационное моделирование — это.

.. Что такое Имитационное моделирование?

Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов

[1].

Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

Применение имитационного моделирования

К имитационному моделированию прибегают, когда :

  • дорого или невозможно экспериментировать на реальном объекте;
  • невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
  • необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора (англ.  simulation modeling) исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием. Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства[источник не указан 212 дней]. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний[источник не указан 212 дней].

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950-х — 1960-х годах.

Можно выделить две разновидности имитации:

Виды имитационного моделирования

Три подхода имитационного моделирования Подходы имитационного моделирования на шкале абстракции
  • Агентное моделирование — относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
  • Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.
  • Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Области применения

Свободные системы имитационного моделирования

См. также

Примечания

  1. Муха В. С. Вычислительные методы и компьютерная алгебра: учеб.-метод. пособие. — 2-е изд., испр. и доп. — Минск: БГУИР, 2010.- 148 с.: ил, ISBN 978-985-488-522-3, УДК 519.6 (075.8), ББК 22.19я73, М92

Литература

  • Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. — 7-е изд. — М.: «Вильямс», 2007. — С. 697-737. — ISBN 0-13-032374-8
  • Строгалев В. П., Толкачева И. О. Имитационное моделирование. — МГТУ им. Баумана, 2008. — С. 697-737. — ISBN 978-5-7038-3021-5

Ссылки

Имитационное моделирование — это.

.. Что такое Имитационное моделирование?

Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Имитационное моделирование — это частный случай математического моделирования. Существует класс объектов, для которых по различным причинам не разработаны аналитические модели, либо не разработаны методы решения полученной модели. В этом случае аналитическая модель заменяется имитатором или имитационной моделью.

Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов[1].

Имитационная модель — логико-математическое описание объекта, которое может быть использовано для экспериментирования на компьютере в целях проектирования, анализа и оценки функционирования объекта.

Применение имитационного моделирования

К имитационному моделированию прибегают, когда :

  • дорого или невозможно экспериментировать на реальном объекте;
  • невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
  • необходимо сымитировать поведение системы во времени.

Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора (англ.  simulation modeling) исследуемой предметной области для проведения различных экспериментов.

Имитационное моделирование позволяет имитировать поведение системы во времени. Причём плюсом является то, что временем в модели можно управлять: замедлять в случае с быстропротекающими процессами и ускорять для моделирования систем с медленной изменчивостью. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. С наступлением эпохи персональных компьютеров производство сложных и уникальных изделий, как правило, сопровождается компьютерным трёхмерным имитационным моделированием. Эта точная и относительно быстрая технология позволяет накопить все необходимые знания, оборудование и полуфабрикаты для будущего изделия до начала производства[источник не указан 212 дней]. Компьютерное 3D моделирование теперь не редкость даже для небольших компаний[источник не указан 212 дней].

Имитация, как метод решения нетривиальных задач, получила начальное развитие в связи с созданием ЭВМ в 1950-х — 1960-х годах.

Можно выделить две разновидности имитации:

Виды имитационного моделирования

Три подхода имитационного моделирования Подходы имитационного моделирования на шкале абстракции
  • Агентное моделирование — относительно новое (1990-е-2000-е гг.) направление в имитационном моделировании, которое используется для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами (как в других парадигмах моделирования), а наоборот, когда эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Цель агентных моделей — получить представление об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Агент — некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться.
  • Дискретно-событийное моделирование — подход к моделированию, предлагающий абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие как: «ожидание», «обработка заказа», «движение с грузом», «разгрузка» и другие. Дискретно-событийное моделирование наиболее развито и имеет огромную сферу приложений — от логистики и систем массового обслуживания до транспортных и производственных систем. Этот вид моделирования наиболее подходит для моделирования производственных процессов. Основан Джеффри Гордоном в 1960-х годах.
  • Системная динамика — парадигма моделирования, где для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени, а затем созданная на основе этих диаграмм модель имитируется на компьютере. По сути, такой вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно-следственных связей между объектами и явлениями. С помощью системной динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии. Метод основан Джеем Форрестером в 1950 годах.

Области применения

Свободные системы имитационного моделирования

См. также

Примечания

  1. Муха В. С. Вычислительные методы и компьютерная алгебра: учеб.-метод. пособие. — 2-е изд., испр. и доп. — Минск: БГУИР, 2010.- 148 с.: ил, ISBN 978-985-488-522-3, УДК 519.6 (075.8), ББК 22.19я73, М92

Литература

  • Хемди А. Таха Глава 18. Имитационное моделирование // Введение в исследование операций = Operations Research: An Introduction. — 7-е изд. — М.: «Вильямс», 2007. — С. 697-737. — ISBN 0-13-032374-8
  • Строгалев В. П., Толкачева И. О. Имитационное моделирование. — МГТУ им. Баумана, 2008. — С. 697-737. — ISBN 978-5-7038-3021-5

Ссылки

Имитационные модели — Информационное моделирование

Понятие имитационного моделирования
Имитационное моделирование (от англ. simulation) — это распространенная разновидность аналогового моделирования, реализуемого с помощью набора математических инструментальных средств, специальных имитирующих компьютерных программ и технологий программирования, позволяющих посредством процессов-аналогов провести целенаправленное исследование структуры и функций реального сложного процесса в памяти компьютера в режиме «имитации», выполнить оптимизацию некоторых его параметров.
Имитационной моделью называется специальный программный комплекс, который позволяет имитировать деятельность какого- либо сложного объекта. Он запускает в компьютере параллельные взаимодействующие вычислительные процессы, которые являются по своим временным параметрам (с точностью до масштабов времени и пространства) аналогами исследуемых процессов.
Следует отметить, что любое моделирование имеет в своей методологической основе элементы имитации реальности с помощью какой-либо символики (математики) или аналогов. Поэтому иногда в российских вузах имитационным моделированием стали называть целенаправленные серии многовариантных расчетов, выполняемых на компьютере с применением экономико-математических моделей и методов. Однако с точки зрения компьютерных технологий такое моделирование (modelling) — это обычные вычисления, выполняемые с помощью расчетных программ или табличного процессора Excel.
Математические расчеты (в том числе табличные) можно производить и без ЭВМ: используя калькулятор, логарифмическую линейку, правила арифметических действий и вспомогательные таблицы. Но имитационное моделирование — это чисто компьютерная работа, которую невозможно выполнить подручными средствами.
Поэтому часто для этого вида моделирования используется синоним компьютерное моделирование.
Имитационную модель нужно создавать. Для этого необходимо специальное программное обеспечение. Специфика такой системы определяется технологией работы, набором языковых средств, сервисных программ и приемов моделирования.
Имитационная модель должна отражать большое число параметров, логику и закономерности поведения моделируемого объекта во времени и в пространстве. Моделирование объектов экономики связано с понятием финансовой динамики объекта.
С точки зрения специалиста имитационное моделирование контролируемого процесса или управляемого объекта -это высокоуровневая информационная технология, которая обеспечивает два вида действий, выполняемых с помощью компьютера:
1) работы по созданию или модификации имитационной модели;
2) эксплуатацию имитационной модели и интерпретацию результатов.
Имитационное (компьютерное) моделирование экономических процессов обычно применяется в двух случаях:
для управления сложным бизнес-процессом, когда имитационная модель управляемого экономического объекта используется в качестве инструментального средства в контуре адаптивной системы управления, создаваемой на основе информационных (компьютерных) технологий;
при проведении экспериментов с дискретно-непрерывньми моделями сложных экономических объектов для получения и отслеживания их динамики в экстренных ситуациях, связанных с рисками, натурное моделирование которых нежелательно или невозможно.
Имитационные модели являются наиболее общими математическими моделями. В силу этого иногда все модели называют имитационными:
— аналитические модели, «имитирующие» только физические законы;
— статистические модели;
— имитационные модели.

Что такое имитационная модель?

Модель — это представление объекта, концепции или системы. Моделирование показывает ожидаемую работу системы на основе модели системы. Модель может быть физической или абстрактной, и оба типа могут быть статическими или динамическими, то есть они остаются неизменными или изменяются со временем.

Примером статической физической модели является модель палочки молекулы воды, с двумя маленькими водородными «шариками», заклеенными короткими палочками по обе стороны от кислородного «шарика». Эта модель не меняется со временем. Другая физическая модель — это резервуар с водой с песком, который показывает влияние ветра и движения воды. В этой динамической модели песок и вода показывают закономерности, которые зависят от интенсивности и направления ветра со временем. В большинстве имитационных моделей присутствует элемент динамизма.

При создании имитационной модели выделяются три элемента: части системы, взаимодействие между частями, а также количество и характер входных данных. Модель по существу создается для каждого из них, с учетом важных аспектов, а второстепенные аспекты игнорируются. Затем разрабатывается имитационная модель для всей системы.

Например, для моделирования заводского рабочего процесса одна машина может быть смоделирована как элемент, который занимает определенное количество времени для создания конкретной детали, в то время как другая машина занимает другое количество времени. Время перемещения деталей между машинами может игнорироваться для машин, которые находятся близко друг к другу. Число, скорость и время поступления сырья и рабочих заданий на завод моделируются. На основании всего этого моделирование определяет, соответствует ли продукция завода требованиям.

Все чаще компьютеры используются для моделирования. Некоторые симуляции могут выполняться с помощью стандартных программ симуляции, а другие требуют написания специального программного обеспечения. Модели для деталей, взаимодействие деталей и входные данные передаются в программу. Затем программа запускает имитационную модель и выдает результаты с течением времени, часто показывая эти результаты в графическом виде. С компьютерами можно пытаться моделировать тысячи или миллионы элементов и охватывать большие промежутки времени. Моделирование эволюции планет или продвинутые военные маневры являются некоторыми примерами.

Традиционно имитационная модель носила математический характер. Например, сырье, поступающее на завод, будет приблизительно соответствовать поступлению через определенные промежутки времени. Компьютеры теперь могут выполнять более реалистичное моделирование с помощью сценария, в котором происходят события, похожие на реальную ситуацию или даже точную запись реальной ситуации.

ДРУГИЕ ЯЗЫКИ

1.

4.6. Имитационное моделирование. Моделирование бизнес-процессов с BPwin 4.0

1.4.6. Имитационное моделирование

Перед современными предприятиями часто встает задача оптимизации технологических процессов. Метод функционального моделирования позволяет обследовать существующие бизнес-процессы, выявить их недостатки и построить идеальную модель деятельности предприятия. Построение функциональной модели осуществляется от общего к частному — сначала описывается общая схема деятельности предприятия, затем шаг за шагом все более и более подробно описываются конкретные технологические процессы. Такой подход весьма эффективен, однако на уровне наибольшей детализации, когда рассматриваются конкретные технологические операции, для оптимизации этих операций функциональной модели может оказаться недостаточно. В этом случае целесообразно использовать имитационное моделирование.

Имитационное моделирование — это метод, позволяющий строить модели, учитывающие время выполнения функций. Полученную модель можно «проиграть» во времени и получить статистику происходящих процессов так, как это было бы в реальности. В имитационной модели изменения процессов и данных ассоциируются с событиями. «Проигрывание» модели заключается в последовательном переходе от одного события к другому.

Одним из наиболее эффективных инструментов имитационного моделирования является система Arena фирмы System Modeling Corporation (http://www.sm.com). Arena позволяет строить имитационные модели, проигрывать их и анализировать результаты такого проигрывания. Имитационное моделирование — это универсальное средство для оптимизации процессов, поэтому модели с помощью Arena могут быть построены для самых разных сфер деятельности — производственных технологических операций, складского учета, банковской деятельности, обслуживания клиентов в ресторане и т. д. и т. п. В настоящей книге описана версия Arena BE 3.6.1.

Имитационная модель Arena включает следующие основные элементы: источники и стоки (Create и Dispose), процессы (Process) и очереди (Queue). Источники — это элементы, от которых в модель поступает информация или объекты. Скорость поступления данных или объектов от источника обычно задается статистической функцией. Сток — это устройство для приема информации или объектов. Понятие очереди близко к понятию хранилища данных — это место, где объекты ожидают обработки. Времена обработки объектов (производительность) в разных процессах могут быть разными. В результате перед некоторыми процессами могут накапливаться объекты, ожидающие своей очереди. Часто целью имитационного моделирования является минимизация количества объектов в очередях. Тип очереди в имитационной модели может быть конкретизирован. Очередь может быть похожа на стек — пришедшие последними в очередь объекты первыми отправляются на дальнейшую обработку (LIFO: last-in-first-out). Альтернативой стеку может быть последовательная обработка, когда первыми на дальнейшую обработку отправляются объекты, пришедшие первыми (FIFO: first-in-first-out). Могут быть заданы и более сложные алгоритмы обработки очереди. Процессы — это аналог работ в функциональной модели. В имитационной модели может быть задана производительность процессов.

Простейшая имитационная модель, созданная в Arena, показана на рис. 1.4.40.

Рис. 1.4.40. Простейшая имитационная модель

Для построения моделей Arena имеет набор средств, которые включают палитру инструментов, набор гидов и др. Для создания модели сначала нужно щелкнуть по кнопке New на панели инструментов. Слева появляется палитра инструментов (рис. 1.4.41), которая содержит два типа модулей.

Рис. 1.4.41. Палитра инструментов Arena

Модули типа Flowchart (в том числе Create, Dispose и Process) служат для отображения потоков объектов и могут быть перенесены на рабочее пространство модели drag&drop. Модули типа Data (например, Queue) не могут быть размещены в рабочем пространстве модели и служат для настройки параметров модели. Окно редактирования параметров появляется в нижней части модели, когда фокус установлен на модуле типа Data.

Перенесем из панели инструментов в рабочее пространство модели по одному модулю Create, Dispose и Process. Связи между модулями устанавливаются автоматически (хотя могут быть и переопределены вручную). Модуль Create является источником сущностей в системе. Так, например, если описывается изготовление изделий, то модуль Create может описывать поступление заготовок на конвейер. Модуль Process отвечает за обработку сущностей. Например, он может имитировать станок, обрабатывающий заготовки. Модуль Dispose является стоком сущностей из системы. Он может моделировать снятие готовых изделий с конвейера.

Для задания свойств модулю типа Flowchart необходимо дважды щелкнуть по нему и в появившемся диалоге задать значения параметров. Для задания свойств модулю Resourse (типа Data) необходимо щелкнуть по нему один раз на панели инструментов и в нижнем окне внести значения параметров (например, Busy/Hour = 15, Idle/Hour = 15 и Per Use = 2.5). Для контроля проигрывания модели необходимо внести в модель модуль Simulate и задать параметры этого модуля (например, Run Length = 40, Hours/Day = 8).

Для проигрывания модели необходимо перейти в меню Run/Go. После проигрывания модели автоматически генерируются отчеты в формате Crystal Reports (рис. 1.4.42).

Рис. 1.4.42. Отчет по результатам проигрывания модели

Модель в Arena может быть гораздо более сложной, чем представленная на рис. 1.4.40. Она может включать сотни модулей различных типов. Модули, обрабатывающие сущности (подобные модулю Server из примера), могут иметь различные состояния, например «ожидание» или «работа». Каждому состоянию можно поставить в соответствие определенное изображение и тем самым анимировать имитационную модель. В поставку Arena входит набор примеров. Один из примеров (файл Mortgage Extention l.doe) приведен на рис. 1.4.43.

Рис. 1.4.43. Модель обработки документа

Модель показывает систему обработки документа (закладной). Сначала документ регистрирует секретарша (иконка слева в нижней части рисунка, затем просматривает клерк (иконка справа). Затем клерк либо принимает документ, либо возвращает. Очередь документов показывается в виде набора иконок сверху от процесса Review Application и в виде графика в правой нижней части рисунка. Иконки, отображающие секретаря и клерка, могут быть разными в зависимости от состояния (занят — ожидает), следовательно, модель может быть анимирована.

Создавать имитационные модели без предварительного анализа бизнес-процессов не всегда представляется возможным. Действительно, не поняв сути бизнес-процессов предприятия, бессмысленно пытаться оптимизировать конкретные технологические процессы. Поэтому функциональные модели и имитационные модели не заменяют, а дополняют друг друга, при этом они могут быть тесно взаимосвязаны. Имитационная модель дает больше информации для анализа системы, в свою очередь, результаты такого анализа могут стать причиной модификации модели процессов. Наиболее целесообразно сначала создать функциональную модель, а затем на ее основе строить модель имитационную. Для поддержки такой технологии инструментальное средство функционального моделирования BPwin 4. 0 имеет возможность IDEF3 в имитационную модель Arena (версии 3.6 и выше). Для преобразования диаграммы IDEF3 в модель Arena необходимо, чтобы BPwin 4.0 и Arena одновременно были запущены. В BPwin 4.0 следует открыть диаграмму IDEF3 и затем выбрать меню File/Export/Arena. Далее экспорт производится автоматически.

Поскольку имитационная модель имеет гораздо больше параметров, чем диаграмма IDEF3, в BPwin 4.0 имеется возможность задать эти параметры с помощью свойств, определяемых пользователем (UDP). В поставку BPwin 4.0 входят примеры моделей с предварительно внесенными UDP для экспорта в Arena (каталог Program Files/Computer Associates /BPwin 4.0/Samples/Arena/) и модель ArenaBEUDPs.bpl, в которой определены все необходимые для экспорта UDP и которую можно использовать в качестве шаблона для создания новых моделей. В том же каталоге находится файл BPwin IDEF3 to Arena BE mappings.doc, содержащий описание UDP, необходимых для построения имитационной модели.

Рис. 1.4.44. Диаграмма IDEF3пример для иллюстрации экспорта в Arena

На рис 1.4.44 показан пример функциональной модели, а на рис. 1.4.45 -результат экспорта этой модели в Arena.

Рис. 1.4.45. Имитационная модель Arena -результат импорта из BPwin

К сожалению, поставляемые с BPwin примеры после экспорта в Arena не могут быть сразу же «проиграны». В свойствах модели содержатся ошибки. Arena не допускает использования символа & в названии работы и в качестве разделителя дробной части для действительных чисел используется не запятая, а точка. Ресурсы объектов модели могут быть исправлены с помощью диалога Resource (рис. 1.4.46), после чего успешно «проиграны».

Рис. 1.4.46. Диалог Resource для редактирования ресурсов объектов имитационной модели Arena

Совместное использование CASE-инструмента построения функциональной модели BPwin и системы имитационного моделирования Arena позволяет наиболее эффективно оптимизировать технологические процессы практически в любой сфере деятельности.

Имитационные модели — Энциклопедия по экономике

Форма воссоздания предметного и социального содержания профессиональной деятельности, моделирования систем отношений, характерных для данного вида практики. И.д. представляет собой деятельность участников на имитационной модели, воссоздающей динамику и условия хозяйственной деятельности. Различают И.д. учебные, исследовательские, управленческие и др. В настоящее время И.д. получают широкое распространение, в том числе с применением ЭВМ, при решении практических задач управления и подготовки кадров по организации производства, материально-техническому снабжению, логистике и т.д.  [c.88]
При большом числе плановых задач по определению оптимального способа организации работ и использования оборудования применяют имитационные модели, воспроизводящие экономические и производственные условия с помощью ЭВМ. Из методов статического моделирования применяют метод Монте-Карло, сетевые модели и др.  [c.128]

На практике возникает большое число задач, где необходимо определить оптимальный способ организации работ и использования оборудования. В этом случае применяют имитационные модели, заключающиеся в имитации экономических и производственных условий на ЭВМ путем воспроизведения элементарных явлений и актов процесса в последовательности, содержащей реальные связи и взаимосвязи. Из методов статистического моделирования используются метод Монте-Карло, сетевые модели и др. Содержание и методика использования конкретных моделей рассматривается далее.  [c.19]


Таким образом, эпюру транспортных расходов с точки зрения переработки содержащейся в ней информации можно назвать имитационной моделью определения затрат на перевозку труб к месту работ. После этого можно перейти к решению второй частной задачи оптимизации транспортной схемы строительства магистрального трубопровода — выбору оптимального варианта внешнего транспортного обеспечения.  [c.142]

При организации последней стадии — выдачи проектных решений— можно широко применить ЭВМ для оптимизации технических расчетов, использовать множительную технику и имитационные модели, макетное проектирование, обеспечивающие быстрое получение рациональных решений генеральных планов,  [c. 100]

ИМИТАЦИОННАЯ МОДЕЛЬ УПРАВЛЕНИЯ КОММЕРЧЕСКИМ БАНКОМ КАК СПЕЦИФИЧЕСКИМ ПРЕДПРИЯТИЕМ  [c.162]

Основная суть деятельности банка заключается в преобразовании финансовых потоков с целью получения прибыли. В соответствии с этим схема построения имитационной модели банка, основанной на движении финансовых потоков, налицо. Финансовый поток — это совокупность всех поступлений и платежей денежных средств в процессе функционирования банка, дифференцирующаяся по стоимости, структуре и экономическому содержанию, ограниченная объемами, сроками и величиной анализируемого интервала времени.  [c.162]

Имитационная модель банка, основанная на финансовых потоках, обеспечивает подвижную, динамичную картину формирования портфеля пассивов и активов банка. Структуру активов можно рассмотреть за весь требуемый период времени. Каждому активу ставится в соответствие поток его доходов.  [c.163]

Система управления имитационной моделью банка должна удовлетворять следующим требованиям, а именно — должна быть  [c. 164]


Одним из достоинств построения и использования имитационных моделей является возможный просмотр предварительных итогов экономической деятельности организации за короткий период времени, т.е. не требуется ждать месяцами или годами данный результат.  [c.165]

Очевидно, что существует класс экономических задач Q, в которых присутствуют вероятностные и неопределенные факторы всех типов (квадрант 1 -2-3-4), каждый из которых оказывает весьма существенное влияние на решение исходной задачи. Этот тип задач наиболее трудно формализовать, гак как необходимо не только избавиться от всех неопределенных параметров таким образом, чтобы не исказить суть исходной задачи, но и провести большой объем вычислений. Поэтому, мы считаем, что в таких ситуациях целесообразно использовать метод имитационного моделирования, поскольку имитационные модели позволяют анализировать задачи в условиях большой размерности и неполноты априорной информации, они отличаются доступностью методологии, а использование ЭВМ позволяет достаточно быстро и эффективно обрабатывать полученные результаты.  [c.49]

Описание деловой игры состоит из описания имитационной модели конкретной производственной системы, а также игровой модели деятельности участника игры, т. е. ролевых предписаний и правил игры.  [c.304]

Таким образом, использование имитационной модели начинается еще до того, как будут проведены имитационные эксперименты.  [c.250]

Мы рассказали о некоторых методах проверки имитационных моделей. В настоящее время этот этап имитации еще находится в периоде своего становления, появляются и будут постоянно появляться новые идеи и методы проверки пригодности моделей, так что советуем заинтересовавшемуся читателю внимательно следить за литературой в этой области. Сейчас же мы хотим подчеркнуть, что производить эту проверку необходимо — иначе результаты исследования будут неубедительны.  [c.280]

Модели, предназначенные специально для проведения имитационных экспериментов, часто называют имитационными моделями. Поскольку имитационный эксперимент можно проводить с любой математической моделью, этот термин только подчеркивает сложность таких моделей и невозможность проведения их оптимизационного или теоретического исследования.  [c.288]

Идеальное моделирование 23 Идентификация модели 41 Иерархическая структура 148 Изокванты 55, 97 Имитационные модели 288  [c.301]

Что представляет собой имитационная модель  [c.150]

Имитационная модель в отличие от аналитической представляет собой не законченную систему уравнений, а развернутую схему с детально описанной структурой и поведением изучаемого объекта. Для имитационного моделирования характерно воспроизведение явлений, описываемых моделью, с сохранением их логической структуры, последовательности чередования во времени, взаимосвязей между параметрами и переменными исследуемой системы.  [c.150]

Имитационные модели предназначены для получения информации о моделируемой системе и выработки в последующем соответствующих оценок, пригодных для формирования решений. В качестве примера рассмотрим имитационную систему согласования производства и потребления в многоотраслевой экономике (рис.5.10).  [c.150]

Имитационная деловая игра представляет собой дальнейшее развитие имитационной системы и включает в себя наряду с основными элементами (имитационной моделью и средствами анализа и обработки результатов имитации) специальные инструктивные и другие средства, регламентирующие воздействия экспертов-экспериментаторов, которые принимают решения и заинтересованны в достижении наилучших результатов функционирования моделируемой системы в будущем.  [c.151]

Игрокам должна предоставляться возможность осуществлять в произвольные моменты времени запрос информации из широкого класса данных. При создании игровой имитационной модели при-  [c.151]

Игровые имитационные модели могут строиться для объектов любого уровня от участка цеха до народного хозяйства в целом. Создание хорошей модели требует больших затрат времени (до нескольких лет) и обходится недешево, прогнозирование с ее помощью, т.е. проведение игры, также требует серьезных усилий, так как число участников игры может доходить до нескольких сотен. Однако, эти затраты оправданы, ибо такие модели позволяют получить прогноз там, где никакой другой метод не работает.  [c.152]

В чем особенность имитационных моделей (ИМ)  [c.152]

Поскольку ИМ могут учитывать и неформализованные связи и характеристики прогнозируемой системы (объекта), они способны наиболее адекватно отобразить ее развитие. Но именно описание таких неформализованных характеристик и представляет основную трудность при построении имитационных моделей.  [c.152]

В то же время разработка и программирование для ЭВМ имитационных моделей сопряжены обычно с весьма большими затратами труда и времени, так как каждая из них по-своему уникальна.  [c.152]

В настоящее время материальной основой человеко-машинных диалоговых имитационных систем являются ЭВМ третьего поколения. Потенциальные возможности вычислительных машин этого типа реализуются на основе рационального сочетания различных методов анализа математических моделей, включенных в имитационную систему. Как уже говорилось, основным методом исследования в человеко-машинной системе является имитация, позволяющая изучать сложные математические модели объекта исследования. В соответствии с этим в блоке математических моделей выделяется основная, наиболее подробная модель, которая используется для проведения имитационных экспериментов. Модели такого типа, которые впредь будет называть моделями имитационного уровня, часто называют также имитационными моделями . Надо отметить, что последний термин представляется довольно неудачным, поскольку имитационный эксперимент можно провести с любой математической моделью и в то же время хотя бы простейшие свойства модели любой степени сложности можно получить с помощью аналитических методов.  [c.294]

Одним из недостатков эконометрических моделей является тот факт, что эконометрический анализ часто приходится проводить на скудных или даже недоброкачественных данных, поэтому все больше завоевывают признание имитационные модели, призванные частично восполнить этот пробел. В процессе имитационного моделирования некоторые факторы остаются фиксированными, а другие заданным образом изменяются, т.е. появляется возможность проведения контролируемых машинных экспериментов. Поиск решения осуществляется путем проигрывания на ЭВМ различных вариантов моделирования хозяйственной ситуации, удовлетворяющих ряду выбранных критериев эффективности.  [c.328]

На нижнем уровне могут быть использованы простейшие имитационные модели для эксплуатируемых (и возможно для неоткрытых)  [c.207]

Модель имитационная — модель, имеющая n-е число параметров, значениями которых варьируют по определенной схеме с целью поиска наиболее приемлемого их сочетания. В ходе имитационного моделирования анализируются возможные значения тех или иных результатных индикаторов, выбираются наиболее приемлемые варианты действий, задаются желаемые коридоры варьирования ключевых параметров модели.  [c.305]

К дескриптивным моделям относятся собственно бухгалтерская отчетность, ее представление в виде относительных показателей в процессе вертикального и горизонтального анализов отчетности, система аналитических коэффициентов. Среди наиболее распространенных и сравнительно несложных в реализации предикативных моделей можно назвать расчет точки критического объема продаж, построение прогностических финансовых отчетов, модели динамического и ситуационного анализа, имитационные модели. Сущность построения нормативных моделей сводится к установлению нормативов по каждой статье расходов (прямые расходы материалов, прямые расходы труда, накладные расходы и т. д.), по технологическим процессам, видам изделий, центрам ответственности и к анализу отклонений фактических данных от этих нормативов. В процессе такого анализа широко используются несложные модели жестко детерминированного факторного анализа. Достаточно подробный обзор аналитических методов и моделей читатель может найти в книге [Ковалев, 2001].  [c.236]

Ставится задача выявления и исследования факторов развития хозяйствующего субъекта и установления степени их влияния на различные результатные показатели, например прибыль. Для этого используется имитационная модель, предназначенная для перспективного анализа формирования и распределения доходов предприятия. В укрупненном виде модель представляет собой многомерную таблицу важнейших показателей деятельности объекта в динамике. В подлежащем таблицы находятся взаимоувязанные показатели либо в номенклатуре статей формы № 2, либо в более детализированном виде. В сказуемом таблицы находятся результаты прогнозных расчетов по схеме что будет, если. .. . Иными словами, в режиме имитации в модель вводятся прогнозные значения факторов в различных  [c.135]

Таблица 4.1 Иллюстрация имитационной модели Прибыль
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ. Все описанные выше модели подразумевают применение имитации в широком смысле, поскольку все являются заменителями реальности. Тем не менее как метод моделирования, ИМИТАЦИЯ конкретно обозначает процесс создания модели и ее экспериментальное применение для определения изменений реальной ситуации. Как указывает Н. Пол Лумба Главная идея имитации состоит в использовании некоего устройства для имитации реальной системы для того, чтобы исследовать и понять ее свойства, поведение и характерист-ки . Аэродинамическая труба — пример физически осязаемой имитационной модели, используемой для проверки характеристик разрабатываемых самолетов и автомобилей. Специалисты по производству и финансам могут разработать модели, позволяющие имитировать ожидаемый прирост производительности и прибылей в результате применения новой технологии или изменения состава рабочей силы. Специалист по маркетингу может создать модели для имитации ожидаемого объема сбыта в связи с изменением цен или рекламы продукции. В этом и последующих курсах по бизнесу вы можете отшлифовать свое умение принимать решения в ходе одной из сложных компьютеризированных имитационных деловых игр.  [c.232]

Итак, имитация — это часто весьма практичный способ подстановки модели на место реальной системы или натурного прототипа. Как пишут Клод МакМиллан и Ричард Ф. Гонзалес Эксперименты на реальных или прототипных системах стоят дорого и продолжаются долго, а релевантные переменные не всегда поддаются регулированию 2-. Экспериментируя на модели системы, можно установить, как она будет реагировать на определенные изменения или события, в то время когда отсутствует возможность наблюдать эту систему в реальности. Если результаты экспериментирования с использованием имитационной модели свидетельствуют о том, что модификация ведет к улучшению, руководитель может с большей уверенностью принимать решение об осуществлении изменения в реальной системе.  [c.233]

Источники маркетинговой информации. Публикации СМИ, официозы и справочники, бюллетени, научная и публицистическая литература, внутривузовские издания, регистры и т.п. Публикации фирм («закон цветка»). Бюро вырезок. Использование рекламной информации. Использование информации, содержащейся в Интернете. Покупка информации на коммерческих началах. Учет и отчетность (государственная, внутрифирменная статистическая и бухгалтерская). Обмен информацией в вертикальных и горизонтальных маркетинговых системах. Торговые корреспонденты. Мониторинги. Торговые панели. Разовые обследования предприятий, выборочные и сплошные (омнибусы). Трековые исследования (отслеживания динамики). Опросы. Панели потребителей. Непосредственное наблюдение. Экспертные оценки. Эксперимент (полевой и,лабораторный), пробный маркетинг и имитационные модели. Слухи. Экономический шпионаж. Роль интуиции в оценке информации.  [c.149]

В настоящее время при планировании капитальных вложений начинают применяться имитационные модели, которые позволяют наиболее эффективно использовать ресурсы1.  [c.72]

Принцип разработки имитационной модели состоит в последовательном переходе от меньшего числа факторов (двигаясь от следствия к причине) к большему по мере отладки модели и усложнения ее до урсвня, обеспечивающего достижимую адекватность реальной действительности. Чаще всего такого рода моделирование реализуется с помощью ЭЦВМ, но в ряде случаев применимы и аналоговые вычислительные устройства.  [c.310]

В приведенном примере рассмотрены лишь основные моменты изложенной методики. Как и в любых прогнозных расчетах, в ней может быть сделано много допущений, а сама методика представляет собой один из примеров имитационного моделирования. Очевидно, что какого-то одного, заранее предопределенного и однозначно исчисляемого результата быть не может, а качество прогноза зависит от количества прогнозируемых показателей, точности экспертных оценок, количества вариантов моделирования, имеющегося программного обеспечения. В частности, имитационные модели наиболее успешно реализуются в среде электронных таблиц типа Ex el.  [c.520]

Имитационные модели — обзор

Использование имитации

Имитационные модели используются различными взаимосвязанными способами в исследованиях, политике и образовательном контексте. В простейшем случае симуляции могут объяснить систему и изучить, как система будет выглядеть в будущем или в прошлом, или во многих возможных будущих или прошлых. Они также поддерживают принятие решений человеком, особенно в системах, которые слишком сложны для понимания одним человеком. Процесс симуляции также может помочь прояснить новую информацию, прояснив, что разработчик модели знает и чего не знает.Наконец, моделирование все чаще используется в образовании и развлечениях.

Моделирование — это один из способов понять и объяснить процессы, лежащие в основе данного шаблона в системе, или потенциальные шаблоны, связанные с процессами в системе. В то время как некоторые критики симуляции рассматривают ее просто как способ кодирования существующих знаний, способность симуляции связывать воедино данные и теорию о нескольких компонентах системы фактически позволяет ей генерировать лучшие объяснения. Моделирование глобальной климатической системы или транспортных сетей, например, объединяет исследования и данные из нескольких научных и политических областей, чтобы лучше понять, как работают эти системы.

Моделирование используется для прогнозирования аспектов будущего состояния системы, когда моделирование может адекватно отразить некоторые из лежащих в его основе процессов. Имитационные модели регулярно используются для прогнозирования сложных свойств человеческих систем, таких как население, города или экономика. Например, в городских условиях разработчики моделей могут использовать социально-экономические прогнозы, чтобы ответить на такие вопросы, как сколько школ построить в городе или где проложить транспорт и инфраструктуру, чтобы свести к минимуму будущий экологический ущерб.

Моделирование также является средством воссоздания прошлых событий способом, аналогичным предсказанию будущих. Такое использование моделирования особенно полезно для понимания того, как менялись культуры или цивилизации прошлого, или в таких случаях, как классические майя в современной Центральной Америке или народы анасази на современном юго-западе Соединенных Штатов, рухнули или исчезли.

Прогнозирование и ретроспективное прогнозирование часто подразумевают, что симуляции предназначены для определения единственного прошлого или будущего результата, но симуляция часто используется для создания различных сценариев или правдоподобных историй возможных будущих или прошлых событий, которые меняются в зависимости от изменений входных данных или структуры модели. Сценарии использовались, например, для оценки воздействия различных ирригационных схем на проект строительства плотины и для изучения воздействия колебаний будущего изменения климата на глобальный уровень моря и сельское хозяйство.

Моделирование может дополнить или заменить экспертные знания при принятии решений. Такое использование моделирования широко распространено в промышленности и торговле, например, там, где оно используется для планирования выпуска продукции или выбора материалов в производстве. Также растет число симуляций, предназначенных для того, чтобы различные представители общественности и политики могли принимать более обоснованные решения в таких ситуациях, как реагирование на пандемии болезней или размещение атомных электростанций.

Чтобы построить симуляцию, разработчик модели должен хорошо разбираться в моделируемой системе. В то же время процесс создания имитационной модели также помогает моделисту упорядочить и интегрировать текущие знания. Моделирование также может выявить пробелы в текущих знаниях и тем самым помочь расставить приоритеты в исследованиях. Наконец, симуляция также обеспечивает и опирается на такие подходы, как качественные интервью или опрос экспертов, для кодирования личных знаний таким образом, чтобы сделать их доступными для других.

Моделирование долгое время использовалось в образовательных и развлекательных целях, и рост симуляции в целом расширил и эти области применения. Моделирование уже давно используется в вооруженных силах, промышленности и медицине для обучения людей в ситуациях, где реальные действия сложны, опасны и дороги (например, управление самолетами, участие в боевых действиях и проведение операций соответственно). Моделирование также используется в школах и университетах в качестве «виртуальной лаборатории» для моделирования процессов городского планирования или изменений климата.С ростом использования мобильных технологий, таких как смартфоны, и иммерсивных технологий, таких как гарнитуры виртуальной реальности, моделирование находит все большее применение.

Использование моделирования – программа имитационного моделирования AnyLogic

Использование моделирования на примере: имитационное моделирование для эффективного обслуживания клиентов

Этот конкретный пример также может быть применим к более общей проблеме управления человеческими и техническими ресурсами, когда компании естественным образом стремятся снизить стоимость недоиспользуемых ресурсов, технических экспертов или оборудования, например.

Поиск оптимального количества персонала для обеспечения заданного качества обслуживания клиентов, посещающих банк.

Во-первых, для банка уровень обслуживания определялся как средний размер очереди. Затем были выбраны соответствующие системные показатели, чтобы задать параметры имитационной модели: количество и частота приходов клиентов, время, которое кассир тратит на обслуживание клиента, а также естественные вариации, которые могут возникать во всех этих параметрах, в частности, во время обеда. спешки и сложные запросы.

Затем была создана блок-схема, соответствующая структуре и процессам отдела. В имитационных моделях необходимо учитывать только те факторы, которые влияют на анализируемую проблему. Например, наличие офисных услуг для корпоративных счетов или кредитного отдела не влияет на услуги для физических лиц, поскольку они физически и функционально разделены.

Наконец, после ввода данных модели можно было запустить моделирование и наблюдать за его работой во времени, что позволяло уточнять и анализировать результаты. Если средний размер очереди превышал указанный предел, количество доступного персонала увеличивалось и проводился новый эксперимент. Это может происходить автоматически, пока не будет найдено оптимальное решение.


В целом, несколько сценариев могут быть исследованы очень быстро с использованием различных параметров. Их можно проверять и опрашивать во время работы и сравнивать друг с другом. Таким образом, результаты моделирования и симуляции внушают уверенность и ясность как аналитикам, инженерам, так и менеджерам.

Что такое моделирование? Что это значит? (Определение и примеры)

Моделирование — это модель, которая имитирует работу существующей или предлагаемой системы, предоставляя данные для принятия решений, позволяя тестировать различные сценарии или изменения процесса. Это может быть связано с технологиями виртуальной реальности для более захватывающего опыта.

Моделирование можно использовать для настройки производительности, оптимизации процесса, повышения безопасности, тестирования теорий, обучения персонала и даже для развлечения в видеоиграх! Системы научного моделирования позволяют пользователю получить представление о влиянии различных условий и способов действий.

Моделирование также можно использовать, когда реальная система недоступна или слишком опасна для оценки, или когда система все еще находится на стадии проектирования или теории.

Ключом к любому моделированию является информация, которая используется для построения модели моделирования, а протоколы проверки и проверки моделей все еще исследуются и уточняются, особенно в отношении компьютерного моделирования.

Моделирование работает за счет использования интуитивно понятного программного обеспечения для моделирования для создания визуального макета процесса.Эта визуальная симуляция должна включать детали времени, правил, ресурсов и ограничений, чтобы точно отражать реальный процесс.

Это может быть применено к ряду сценариев, например, вы можете смоделировать супермаркет и вероятное поведение покупателей, когда они перемещаются по магазину, когда он становится более загруженным. Это может помочь в принятии решений, включая требования к персоналу, планировку цеха и потребности в цепочке поставок.

Другим примером может служить производственная среда, в которой можно смоделировать различные части линии, чтобы оценить, как их процессы взаимодействуют с другими.Это может дать представление о том, как будет работать вся система, чтобы разработать инновационные методы повышения производительности.

Использование моделирования дает ряд преимуществ, в том числе:

1. Меньше финансового риска

Моделирование дешевле, чем эксперименты в реальной жизни. Потенциальные затраты на тестирование теорий реальных систем могут включать расходы, связанные с переходом на непроверенный процесс, наймом персонала или даже покупкой нового оборудования.Моделирование позволяет проверять теории и избегать дорогостоящих ошибок в реальной жизни.

2. Точное повторное тестирование

Моделирование позволяет вам раз за разом проверять различные теории и инновации в одних и тех же обстоятельствах. Это означает, что вы можете тщательно тестировать и сравнивать различные идеи без отклонений.

3. Изучите долгосрочные последствия

Можно создать симуляцию, чтобы вы могли заглянуть в будущее, точно смоделировав влияние многих лет использования всего за несколько секунд.Это позволяет вам видеть как краткосрочные, так и долгосрочные последствия, чтобы вы могли уверенно принимать обоснованные инвестиционные решения сейчас, которые могут принести выгоду в будущем.

4. Получить информацию для улучшения процессов

Преимущества моделирования проявляются не только в конце проекта. Улучшения могут быть интегрированы в течение всего процесса путем тестирования различных теорий.

5. Оценка случайных событий

Моделирование также можно использовать для оценки случайных событий, таких как неожиданное отсутствие персонала или проблемы с цепочкой поставок.

6. Проверка нестандартных дистрибутивов

Моделирование может учитывать изменяющиеся и нестандартные распределения вместо того, чтобы повторять только заданные параметры. Например, при моделировании супермаркета вы можете ввести разные типы покупателей, которые будут перемещаться по магазину с разной скоростью. Молодая деловая женщина, берущая в руки сэндвич, будет двигаться по магазину не так, как пожилая пара или мать, идущая в еженедельный магазин с двумя детьми на буксире. Принимая во внимание такие изменяющиеся параметры, моделирование может более точно имитировать реальный мир.

7. Поощряет глубокое мышление

Даже процесс моделирования и определения различных параметров может предложить решения. Глубоко размышляя о процессе или процедуре, можно найти решения или инновации, даже не используя окончательное моделирование.

8. Повышение вовлеченности заинтересованных сторон

Визуальное моделирование также может повысить заинтересованность партнеров, сотрудников и заинтересованных сторон. Вы можете наглядно продемонстрировать результаты любых изменений процесса и то, как они были достигнуты, улучшив взаимодействие с заинтересованными сторонами или даже активировав презентацию на основе моделирования.

Несмотря на то, что использование моделирования имеет множество преимуществ, все же существуют некоторые ограничения по сравнению с другими аналогичными методами и технологиями, такими как цифровой двойник.

Цифровой двойник расширяет возможности моделирования, включая обратную связь в реальном времени и поток информации между виртуальной симуляцией и реальным активом или активами. Разница в том, что симуляция носит теоретический характер, а цифровой двойник — реальность.

Из-за этого симуляции имеют ограничения, когда дело доходит до оценки реальных ситуаций реального мира по мере их возникновения.

Моделирование используется для оценки влияния изменений процесса, новых процедур и капиталовложений в оборудование. Инженеры могут использовать моделирование для оценки производительности существующей системы или прогнозирования производительности планируемой системы, сравнивая альтернативные решения и конструкции.

Моделирование используется в качестве альтернативы проверке теорий и изменений в реальном мире, что может быть дорогостоящим. Моделирование может измерять такие факторы, как время системного цикла, пропускная способность при различных нагрузках, использование ресурсов, узкие места и критические точки, потребности в хранении, потребности в персонале, эффективность систем планирования и контроля.

Можно смоделировать любую систему или процесс, в котором есть поток событий. Как правило, если вы можете нарисовать блок-схему процесса, вы можете его смоделировать. Однако моделирование наиболее эффективно применительно к процессам или оборудованию, которые изменяются с течением времени, имеют переменные факторы или случайные входные данные. Например, в нашем супермаркете ранее были переменные и случайные факторы из-за времени использования покупателями, требований и запасов.

Использование моделирования для моделирования сложных и изменчивых динамических систем может дать информацию, которую трудно получить с помощью других методов.

Хотя симуляцию можно использовать для управления процессами, процедурами и активами, шведский философ Ник Бостром развил понятие симуляции в своей статье 2003 года «Живете ли вы в компьютерной симуляции?» Он утверждает, что, добавляя искусственное сознание к симуляциям, вы может стирать границы между реальностью и симуляцией, из-за чего трудно сказать, живешь ли ты в реальности или в симуляции. Эта гипотеза симуляции утверждает, что если вы осознаете, что ваша «реальность» на самом деле не была «реальной», ваши воспоминания могут быть отредактированы симуляцией, чтобы вы снова пребывали в блаженном неведении о том, что вы на самом деле не настоящий человек в реальном мире!

Отойдя от сфер постчеловеческой симуляции, давайте вернемся к некоторым типам симуляции «реального мира»…

Моделирование можно разделить на три основных типа, а именно:

1.Дискретное моделирование событий

Например, моделирование системы во времени;

  • заводские операции (штамповка, токарная обработка, фрезерование)
  • анализ трафика (дороги, сети, очереди)

2. Динамическое моделирование

Например, моделирование системы, движущейся в пространстве;

  • кинематика станка
  • эргономика человека
  • аэродинамические испытания
  • виртуальное прототипирование

3.Моделирование процесса

Например, моделирование физических взаимодействий между двумя или более системами;

  • моделирование продукции в процессе эксплуатации
  • моделирование продукции в производстве
  • прогноз погоды

Существует множество примеров моделирования в промышленности, сфере развлечений, образования и т. д. Вот несколько примечательных примеров:

Автомобилестроение

Моделирование позволяет воспроизвести характеристики реального автомобиля в виртуальной среде, чтобы водитель чувствовал себя так, как будто он сидит в реальном автомобиле.Можно имитировать различные сценарии, чтобы водитель получил полное погружение. Симуляторы такого типа могут помочь в обучении как новых, так и опытных водителей, предлагая маршрут для обучения навыкам вождения, который может снизить затраты на техническое обслуживание и топливо и обеспечить безопасность самих водителей.

Биомеханика

Моделирование может быть применено к биомеханике для создания моделей анатомических структур человека или животных с целью изучения их функций и разработки медицинских процедур и устройств.Моделирование биомеханики также можно использовать для изучения спортивных результатов, моделирования хирургических процедур и оценки нагрузок на суставы. Дополнительным примером является нейромеханическое моделирование, которое объединяет моделирование нейронной сети с биомеханикой для проверки гипотез в виртуальной среде.

Городское и городское планирование

Моделирование можно использовать для проектирования новых городов и городской среды, а также для проверки того, как существующие городские районы могут развиваться в результате политических решений. Это включает в себя городскую инфраструктуру и транспортный поток среди других потенциальных моделей.

Проектирование цифрового жизненного цикла

Моделирование может помочь в разработке продукта, позволяя создавать цифровые прототипы и тестировать продукты с более высокими характеристиками и более коротким временем выхода на рынок, а также оценивать жизненный цикл готового продукта.

Подготовка к стихийным бедствиям

Моделирование может воспроизводить чрезвычайные ситуации, чтобы помочь в обеспечении готовности к стихийным бедствиям. Это включает в себя обучение и разработку мер реагирования на такие события, как стихийные бедствия, пандемии или террористические атаки.Реакции можно отслеживать и оценивать с помощью моделирования, выявляя потенциальные проблемы и области, в которых может потребоваться дополнительная подготовка спасателей, а также гарантируя, что любые ошибки будут сделаны в безопасной среде перед любым реальным событием.  

Экономика и финансы

Экономика, макроэкономика и финансы также выигрывают от моделирования. Математическая модель экономики может, например, быть проверена с использованием исторических данных в качестве прокси для фактической экономики.Это можно использовать для оценки инфляции, безработицы, торгового баланса и бюджетов. В других местах симуляции могут воспроизводить фондовую биржу или использоваться для проверки финансовых моделей. Банки также используют моделирование для воспроизведения систем платежей и расчетов по ценным бумагам.

Инженерные системы

Моделирование широко используется в инженерных системах для имитации работы и функций оборудования, процессов и процедур. Инженерное моделирование может сочетать математические модели и компьютерное моделирование для проектирования или улучшения существующих процессов.

Эргономика

Simulation можно использовать для анализа виртуальных продуктов и рабочих сред, включающих антропометрическое виртуальное представление человека, также известное как манекен или цифровая модель человека (DHM). Эти DHM могут имитировать производительность и возможности человека в моделируемой среде. Этот тип симуляции имеет самые разные применения: от сборочных линий до управления стихийными бедствиями и от видеоигр до сбора мусора.

Симулятор полета

Авиасимуляторы уже много лет используются для обучения новых пилотов в безопасных условиях.Это не только позволяет безопасно оценивать пилотов, но также может проверять отказы приборов и другие проблемы, не рискуя пилотом, инструктором или самолетом. Вы также можете легко повторить одни и те же сценарии, такие как заход на посадку на взлетно-посадочной полосе, в других условиях, не говоря уже об экономии топлива и других затрат по сравнению с фактическим временем полета.

Моделирование морского корабля

Подобно моделированию полета, также можно имитировать работу на корабле или подводной лодке.Симуляторы могут включать те, которые имитируют мостик, машинные отделения, грузовые отсеки, средства связи или дистанционно управляемые транспортные средства. Они используются в учебных заведениях, колледжах и военно-морских силах.

Военное применение

Военные симуляторы, иногда называемые «военными играми», могут использоваться для проверки военных планов в виртуальной среде с использованием компьютерных моделей. Они также могут включать социальные и политические факторы и используются правительствами и военными организациями по всему миру.

Сетевые системы

Моделирование применялось к сетевым и распределенным системам для тестирования новых алгоритмов и протоколов перед их внедрением в действующие системы. Их можно применять к приложениям, включая сети доставки контента, умные города и Интернет вещей.

Управление проектами

Моделирование может использоваться для анализа управления проектами и в целях обучения. Будь то обучение менеджеров или анализ результатов различных решений, моделирование часто проводится с помощью программных средств.

Робототехника

Моделирование робототехники используется для имитации ситуаций, которые невозможно воссоздать и протестировать в реальной жизни из-за времени, стоимости или других факторов. Затем результаты этих тестов можно оценить и перенести на реальных роботов.

Производственные системы

Производственные системы можно моделировать с помощью таких методов, как моделирование дискретных событий, для оценки производственных процессов, времени сборки, настройки оборудования и т. д.

Продажи

Продажи можно смоделировать, чтобы изучить поток транзакций и заказов клиентов, а также затраты, рабочее время и многое другое.

Спутники и космос

Космический центр Кеннеди использовал моделирование для подготовки инженеров космических челноков к операциям по запуску. Это позволит увидеть, как люди взаимодействуют с имитацией шаттла и наземным вспомогательным оборудованием. Моделирование также используется для испытаний спутниковой навигации.

Спорт

Статистика широко используется как часть спортивного моделирования для прогнозирования исхода событий и результатов отдельных спортсменов. Спортивное моделирование также можно использовать для прогнозирования результатов игр и событий, а также для лиг фэнтези-спорта. Модели биомеханики также могут использоваться для помощи в тренировках, оценки уровней утомления и их влияния на производительность и многого другого.

Погода

Прогнозирование погоды использует моделирование на основе прошлых данных для прогнозирования экстремальных погодных условий, таких как ураганы или циклоны.

Моделирование используется для целого ряда приложений в различных отраслях промышленности, что позволяет сэкономить время и деньги, а также дает возможность проверить теории и идеи перед их реализацией в реальном мире. Хотя родственные методы, такие как цифровой двойник, могут обеспечить дополнительные преимущества благодаря двустороннему потоку информации, который это позволяет, моделирование по-прежнему имеет очень много применений.

Будь то тестирование теорий, оценка эффективности процедур или определение жизненного цикла моделирования активов, это полезный инструмент для многих предприятий и организаций.

Что такое имитационное моделирование (и как оно работает)?

Содержание
Моделирование в САПР
Кто использует имитационное моделирование?
Основные преимущества имитационного моделирования
Проблемы моделирования

С момента создания патентной системы США в 1790 году и до 1880 года Патентное ведомство требовало, чтобы каждая заявка на патент представлялась с масштабной моделью изобретения. Модели, обычно сделанные из дерева высококвалифицированными плотниками, дали патентным экспертам что-то осязаемое, что можно было использовать при оценке новизны каждой патентной идеи.

Требование модели было давно отменено, но моделирование продолжает играть важную роль в исследованиях, разработках и инновациях. Автопроизводители, архитекторы и авиаконструкторы уже давно используют мелкомасштабные модели своих идей — отчасти для того, чтобы почувствовать, как они будут выглядеть в «реальной жизни», но также и для маркетинговых исследований и инженерных испытаний, таких как испытания аэродинамики в воздухе. аэродинамические трубы.

Однако физические модели имеют недостатки. На их изготовление часто уходит много времени и денег — важное соображение, когда выход на рынок с инновацией первым может означать разницу между коммерческим успехом и провалом. Кроме того, некоторые модели, которые неизбежно меньше и легче, могут вести себя при тестировании не так, как их полноразмерные аналоги, что приводит к получению неверных данных и конструкции, которая не соответствует ожиданиям.

К счастью, достижения в области программного обеспечения для автоматизированного проектирования (САПР) и повышения производительности компьютерного оборудования позволили использовать виртуальные модели.Объекты можно не только проектировать на компьютере и отображать визуально с помощью трехмерного графического рендеринга, но и тестировать их в смоделированных физических условиях с использованием того же программного обеспечения САПР, в котором они были разработаны.


Моделирование в САПР

Традиционное использование программного обеспечения САПР при разработке систем касалось только размера и формы объекта, будь то крошечная деталь машины или гигантский корабль, самолет или здание. Но пользователи программного обеспечения САПР, признавая ценность моделирования, начали требовать возможности тестировать свои виртуальные объекты в виртуальной среде, и разработчики программного обеспечения САПР с радостью согласились.

Чтобы протестировать виртуальный объект в условиях, максимально приближенных к реальному миру, недостаточно просто знать размер и форму объекта. Вам также необходимо знать его физические свойства и уметь представлять эти свойства в компьютерной модели. Кроме того, вам необходимо знать, как эти свойства влияют на производительность тестируемого объекта. Обычно это делается с помощью уравнений, то есть математической модели поведения системы, соответствующей форме, размеру и свойствам материала системы.

Например, при тестировании виртуального самолета важно знать, как воздух, обтекающий крыло, создает подъемную силу. У нас есть хорошо зарекомендовавший себя набор математических уравнений для обработки физики аэродинамических профилей, и они могут быть включены в CAD-представление системы. Кроме того, материалы, используемые в крыле, важны, потому что они определяют, насколько тяжело крыло и как оно изгибается и изгибается под нагрузкой и в различных ситуациях, таких как взлет, посадка и турбулентность.Таким образом, в модель также должны быть включены физические свойства, такие как коэффициент трения и различные параметры, определяющие прочность конструкции крыла.

Важным подходом к имитационному моделированию в САПР является использование конечно-элементного моделирования (МКЭ). Физические явления часто описываются сложными уравнениями, которые непрактично или невозможно решить для каждой точки объекта. FEM решает эту проблему, разделяя объект на небольшие трехмерные фрагменты; Программное обеспечение САПР позволяет создавать сетки , процесс создания трехмерной сетки внутри объекта для определения подразделений.

Создание сетки с помощью 3D Precise Mesh

При наличии математической модели и создания сетки тестирование модели можно проводить с помощью различных смоделированных экспериментов в нескольких виртуальных сценариях. Кроме того, дизайн можно настроить и повторно запустить моделирование, что часто нецелесообразно делать с реальной системой.

Кто использует имитационное моделирование?

Имитационное моделирование используется во всех инженерных дисциплинах и в различных отраслях промышленности, а также в научных кругах. Вот несколько примеров:

  • Электрохимия : Исследователи аккумуляторных технологий следующего поколения используют моделирование для разработки новых микро- и наноразмерных материалов для увеличения емкости аккумуляторов, сокращения времени зарядки, увеличения общего срока службы аккумуляторов (циклов заряда-разряда) и повышения безопасности аккумуляторов.
  • Телекоммуникации : Разработчики телекоммуникационного оборудования 5G используют моделирование для всего: от проектирования антенн базовых станций для максимальной дальности до определения размещения базовых станций для максимального покрытия и решения проблем, связанных с предоставлением услуг в движущихся поездах и автобусах.Разработчики также тестируют новые коммуникационные протоколы, моделируя базовые станции, мобильные устройства и алгоритмы в различных коммуникационных сценариях.
  • Геология : Понимая математические взаимосвязи между различными типами почв, горных пород и подземных структур, геологи и сейсмологи могут использовать моделирование для прогнозирования воздействия различных типов землетрясений на степень сотрясения поверхности, которое может произойти.
  • Оптика : Инженеры могут моделировать оптические свойства материалов, включая так называемые метаматериалы, которые имеют наноразмерные конструкции поверхности, изменяющие их свойства, для разработки и тестирования новых линз и других оптических инструментов для самых разных применений.

Важно отметить, что имитационное моделирование не ограничивается проектированием и тестированием физических объектов, хотя эти приложения подходят для моделирования в программном обеспечении САПР. Бизнес-процессы также можно моделировать и симулировать для проверки их производительности. Используя моделирование и симуляцию, бизнес может получить ответы на такие вопросы, как:

  • Сколько сотрудников службы технической поддержки мне нужно? Нужно ли мне временно добавить персонал для запуска крупного продукта?
  • Если я добавлю экспедитора в свою команду логистики, как это повлияет на эффективность выполнения заказов?
  • Если мы добавим производственную линию, сможет ли наша производственная инфраструктура справиться с дополнительным спросом, или мне нужно будет добавить производственную линию и персонал? Что, если вместо этого я отдам производство на аутсорсинг?
  • Если я автоматизирую производственный процесс, сможет ли склад принять дополнительные продукты?

Ключевые преимущества моделирования

Имитационное моделирование — как в инженерных, так и в бизнес-дисциплинах — может обеспечить многочисленные преимущества для организации, которая его использует. Основные преимущества:

  • Более короткие циклы проектирования и тестирования : Возможность изменять и повторно тестировать виртуальный проект означает, что вам не нужно тратить время (или деньги) на создание и тестирование нескольких итераций прототипа. Вы можете выбрать проект, который удовлетворяет требованиям симуляции, прежде чем строить фактический прототип.
  • Больше (и более реалистично) тестовых сценариев : С физическими прототипами не всегда возможно протестировать все возможные рабочие условия.Однако при моделировании нет практических ограничений на рабочие сценарии, которые можно моделировать и тестировать.

Таким образом, имитационное моделирование имеет преимущества перед более традиционными подходами, такими как анализ данных, прогнозирование и оптимизация. Эти подходы носят гораздо более теоретический характер и основаны на различных предположениях о том, как будет вести себя объект. При моделировании вам не нужно так много предположений — с правильной математической моделью вы можете попробовать разные сценарии и точно знать, каким будет поведение.

Проблемы моделирования Однако имитационное моделирование

не лишено проблем. Если вы не понимаете ограничений своей модели, у вас может возникнуть ложное чувство безопасности, что все результаты вашего моделирования надежны на 100%. Это может иметь катастрофические последствия. Вот некоторые распространенные проблемы с симуляцией:

Достоверность математической модели : Некоторые модели, такие как аэродинамический профиль, упомянутый ранее, имеют четко определенные уравнения, описывающие их поведение.В других ситуациях дизайнеры открывают новые горизонты и не имеют достаточного объема фундаментальных исследований для построения математической модели. В этом случае уравнения могут основываться больше на догадках и ограниченном количестве эмпирических данных, а не на обобщенных физических соотношениях. В этой ситуации достоверность модели может быть поставлена ​​под сомнение, а результаты моделирования могут пострадать от снижения надежности.

Мусор на входе, мусор на выходе: Использование неправильных параметров, очевидно, приведет к плохим результатам.Также в некоторых случаях физический параметр представляет собой не одно число, а диапазон значений с определенным распределением. Эта изменчивость должна быть должным образом учтена в модели.

Компромиссы :  Для сложных систем, особенно тех, которые моделируются с помощью FEM, проектировщики часто должны принимать решения относительно компромисса между точностью и временем или вычислительной мощностью. Чрезвычайно подробные модели могут потребовать гораздо больше времени и вычислительной мощности для моделирования, чем это доступно.Тем не менее, облачные вычисления предоставляют дополнительную вычислительную мощность по разумной цене для задач моделирования.

Как компании преодолевают эти трудности? Помимо проблемы вычислительной мощности, надежность результатов моделирования зависит от надлежащей проверки и аккредитации модели. К счастью, растет объем знаний о том, как правильно создавать имитационные модели и проводить проверку моделей, и специалисты по имитационному моделированию могут помочь убедиться, что данная модель определена достаточно подробно, чтобы максимально точно соответствовать реальности.

Поскольку CAD и другие программные пакеты для моделирования снижаются в цене и становятся проще в использовании, имитационное моделирование становится важным инструментом в коммерческих предприятиях. Если ваша организация еще не использует имитационное моделирование в каком-либо аспекте своей деятельности, скорее всего, это произойдет в ближайшее время.

4 типа имитационных моделей, которые можно использовать в вашем бизнесе

В предыдущем посте мы определили имитацию как «воспроизведение реального процесса или события в среде, которая изолирована или отключена от своего реального аналога.

Основная идея состоит в том, чтобы увидеть, как реальная система может взаимодействовать с набором новых условий или правил. Эти условия/правила могут включать новую модель внедрения (например, переход на бережливое производство) или проблемы (такие как задержка отгрузки, резкий рост покупательского трафика и т. д.).

Вы можете выбирать из широкого спектра имитационных моделей. Ваш выбор зависит от характера вашей реальной системы, ваших требований и предполагаемых бизнес-результатов.

В этой статье мы рассмотрим 4 основных типа имитационных моделей.

Ведущие Типы имитационных моделей

1. Монте-Карло / Моделирование анализа рисков

Проще говоря, имитационное моделирование Монте-Карло — это метод анализа рисков. Предприятия используют его перед реализацией крупного проекта или изменения процесса, например, производственной сборочной линии.

Построенный на математических моделях анализ методом Монте-Карло использует эмпирические данные о входных и выходных данных реальной системы (например, потребление ресурсов и выход продукции). Затем он выявляет неопределенности и потенциальные риски посредством распределения вероятностей.

Преимущество моделирования на основе Монте-Карло заключается в том, что оно обеспечивает осведомленность и полное понимание потенциальных угроз для вашей прибыли и времени выхода на рынок.

Моделирование по методу Монте-Карло можно реализовать практически в любой отрасли или области, включая нефть и газ, производство, машиностроение, управление цепочками поставок и многие другие.

2. Моделирование и симуляция на основе агентов

Моделирование на основе агентов — это модель, которая исследует влияние «агента» на «систему» ​​или «окружающую среду».Проще говоря, просто подумайте о влиянии нового лазерного резака или другого заводского оборудования на общую производственную линию.

«Агентом» в агентных моделях могут быть люди, оборудование и практически все что угодно. Моделирование включает в себя «поведение» агента, которое служит правилами того, как эти агенты должны действовать в системе. Затем вы смотрите, как система реагирует на эти правила.

Однако вы должны основывать свои правила на реальных данных, иначе вы не получите точных выводов.В некотором смысле он служит средством изучения предлагаемых изменений и выявления потенциальных рисков и возможностей.


Наши эксперты по имитационному моделированию помогут
Вы сократите расходы и найдёте риски

Свяжитесь с нами


. Например, типичный процесс технической поддержки предполагает, что конечный пользователь звонит вам, ваша система принимает и назначает вызов, а ваш агент принимает вызов.

Вы должны использовать имитационную модель дискретных событий для изучения этого процесса технической поддержки. Вы можете использовать имитационные модели с дискретными событиями для изучения многих типов систем (например, здравоохранения, производства и т. д.) и различных результатов.

Например, Медицинский центр штата Небраска использовал модели моделирования дискретных событий, чтобы понять, как можно устранить узкие места в рабочем процессе, повысить эффективность использования операционных и сократить расстояние и время, необходимое для перемещения пациента/хирурга.

4. Решения для моделирования системной динамики

Это очень абстрактная форма имитационного моделирования. В отличие от моделирования на основе агентов и дискретно-событийного моделирования, системная динамика не включает конкретных сведений о системе. Таким образом, для производственного предприятия эта модель не будет учитывать данные об оборудовании и рабочей силе.

Скорее, предприятия будут использовать модели системной динамики для имитации долгосрочного стратегического представления всей системы.

Другими словами, приоритетом является получение информации о всей системе на агрегированном уровне в ответ на действие — т.е.например, сокращение капитальных затрат, прекращение производства и т. д.


Подробнее о том, как использовать моделирование для сокращения затрат и увеличения прибыли:


результат служит определенной цели. Выбор правильной модели для ваших нужд — что для некоторых является проблемой — это только первый шаг, вам также потребуется определенный набор инструментов и знаний.

В MOSIMTEC мы помогаем компаниям снижать дорогостоящие риски и достигать ключевых бизнес-результатов, предоставляя опыт имитационного моделирования и необходимые им инструменты. Позвоните нам сегодня .

1. Имитационные модели: зачем? ВОЗ? Когда?


Имитационные модели стали важным инструментом ботанической эпидемиологии. Для этого есть много причин, но мы выделяем три из наиболее важных: (1) они позволяют исследовать гипотезы и, как таковые, стали бесценным средством направления исследований; (2) это уникальные подходы к интеграции (в буквальном смысле этого слова) эпидемиологических знаний в форме экспериментальных результатов; и (3) они позволяют связать эпидемиологию с другими областями исследований, например, от агрофизиологии до экологии и от социальных наук до управления природными ресурсами.Этот модуль и эта вводная глава предназначены для потенциальных пользователей имитационных моделей. Он ни в коем случае не претендует на всеобъемлющее описание уже существующих очень разнообразных инструментов моделирования, а фокусируется на механистических, динамических моделях. Точно так же он не предназначен для охвата всего спектра приложений; однако для заинтересованных читателей мы предоставляем ссылки, которые можно использовать в качестве возможной отправной точки.

Зачем использовать имитационные модели?

Имитационные модели предназначены для ответа на вопросы, которые возникают у ученых, в динамической, количественной и часто наглядной форме.Большая часть эпидемиологических исследований и их приложений, в частности, включает большое количество компонентов, действующих лиц и факторов.

Объединение их в единую структуру может показаться сложной задачей, особенно для новичков, и может привести к путанице даже у опытных ученых, особенно если цели такого упражнения четко не определены. Это часто приводило к тому, что деятельность по моделированию становилась самоцелью, а не одним из многих инструментов, которые эпидемиологи болезней растений могут использовать для анализа и предоставления ответов на проблемы со здоровьем сельскохозяйственных культур.

Таким образом, имитационные модели должны решать конкретные вопросы (Zadoks and Rabbinge, 1985), чтобы не стать эгоцентричными и часто неспособными предложить новые идеи. Инсайты могут быть самыми разными. Они могут быть ограничены (очень важной) целью лучшего определения границ и компонентов рассматриваемой проблемы, выявления ключевых факторов, определяющих поведение патосистем, определения вариантов лечения заболевания и количественной оценки их потенциальной эффективности или предоставления основу для будущих исследований, например, e.г., количественная оценка эффектов компонентов сопротивления при частичном сопротивлении.

Еще одно полезное применение имитационного моделирования заключается в том, что на сегодняшний день оно по-прежнему представляет собой единственный способ численной интеграции доступной информации, часто полученной в результате экспериментов по процессам, лежащим в основе эпидемий болезней растений. Этот тип приложения имеет важное значение, поскольку позволяет визуализировать пробелы в знаниях.

Имитационные модели позволяют мобилизовать имеющиеся (в основном количественные) знания о системе и исследовать ее поведение.Это свойство имитационного моделирования вытекает из связи между уровнями интеграции в биологических системах (Rabbinge and De Wit, 1989), т. е. того факта, что имитационные модели основаны на принципе, согласно которому поведение системы на одном уровне интеграции скажем, поле) есть отражение процессов, протекающих на следующем, более низком уровне биологической интеграции (например, растения, больные или здоровые), которые формируют популяцию, присутствующую в поле. Другими словами, моделирование позволяет масштабировать, то есть интегрировать процессы, происходящие на заданном уровне иерархии внутри системы (например,напр., «зараженный участок листа») на более высокую ступень иерархии этой системы (напр., «происходит эпидемия»). В результате имитационное моделирование является уникальным научным подходом, поскольку позволяет исследовать возможные варианты будущего. Конечно, имитационное моделирование является ключевым подходом, используемым в настоящее время для изучения последствий изменения климата для земных систем, включая эпидемии болезней растений. Однако существует большое количество других применений экстраполяционной способности имитационного моделирования. Это уже признали пионеры в этой области, которые уже давно проводили эксперименты на основе моделирования в ботанической эпидемиологии (Teng, 1985).

Однако критически важным для данного подхода является определение цели моделирования до начала работы по моделированию. Это означает, что нужно выбирать среди многих приложений моделирования. Определение цели моделирования во многом влечет за собой основной вопрос оценки модели — будет ли оцениваться ожидаемая модель? Каким путем? Имеются ли данные, подходящие для оценки модели? Оценка модели — это отдельная научная область (Teng, 1981), но прежде всего это философская научная проблема: модели, включая имитационные модели, состоят только из тщательно отобранных компонентов системы; а система есть упрощение (моделируемой) реальности.

Таким образом, (симуляционные) модели могут быть признаны ошибочными только в некоторой степени. Понятие «валидации», примененное к моделям (а также к теориям в целом, Поппер, 1963), может подразумевать, что модель «истинна», тогда как единственная истина — это реальность, а модели — лишь упрощения. Таким образом, во многих отношениях ученые могут быть более заинтересованы в разработке простых моделей с разреженным числом параметров, которые можно легко оценить, будь то с точки зрения присущей им непротиворечивости (модель работает так, как задумал исследователь) или с точки зрения их результаты (результаты модели разумно соответствуют имеющимся наблюдениям).Тенг (1981) приводит важные рассуждения о философских основах оценки моделей.

Еще одна причина, по которой исследователи отдают предпочтение моделям с разреженным параметром, возникает, когда модели предназначены для прикладных целей: в таком случае часто выбирают модель, для работы которой требуется мало информации, чтобы она была доступна для наибольшего числа пользователей. , в самом широком диапазоне контекстов.

Из вышеприведенных замечаний следует, что, как и в экспериментальных исследованиях, зачастую предпочтение отдается простейшей модели, позволяющей исследователю (1) лучше понять поведение системы и (2) четко отвечать на поставленные вопросы, а не сложным структурам.Последние трудно оценить, они сложны по характерному для них поведению и зачастую их очень трудно использовать для практических целей защиты растений. Таким образом, простая, ясная и легко распространяемая модель отражает то, что рассматриваемый вопрос был четко сформулирован.

Кто является пользователем имитационных моделей?

Разработка имитационных моделей не требует знаний в области математики и программирования. Но для этого требуется (1) хорошее понимание рассматриваемой системы, (2) некоторые базовые знания исчисления и, опять же, (3) хорошая формулировка рассматриваемого научного вопроса.

Для ботанических эпидемиологов критически важными шагами, таким образом, являются (1) четкое определение целей имитационного моделирования, (2) хорошее описание системы, которую необходимо решить (это будет рассмотрено в следующей главе) с числовой информацией следующего — более низкий уровень интеграции (например, моноциклические процессы эпидемий) и (3) сопоставить две вышеуказанные точки с независимыми доступными данными, относящимися к моделируемому уровню интеграции (например, эпидемия), чтобы позволить оценка разработанной модели.

Когда использовать имитационные модели?
Использование моделирования становится очевидным, как только считается, что ряд факторов влияет на поведение системы. Многие подходы, особенно статистические, доступны для анализа взаимодействий в (биологических) системах. Имитационное моделирование представляет собой уникальный подход, поскольку оно позволяет одновременно обрабатывать ряд таких факторов и «видеть» их влияние на поведение системы, например, на ход эпидемии.В дополнение к причинам «почему», перечисленным выше, одним из ключевых результатов имитационного моделирования является лучшее понимание того, какие компоненты системы (растение-патоген) действительно важны в ее поведении, а какие предположительно менее важны.

В патологии растений, особенно в ботанической эпидемиологии, а также при анализе превращения эпидемий в потери урожая всегда имеют дело с динамическими процессами. Имитационное моделирование является мощным подходом к решению таких процессов. С течением времени некоторые компоненты системы будут оказывать возрастающее или уменьшающееся влияние на поведение рассматриваемой системы (например, динамика эпидемии или наращивание урожая — и, следовательно, потери урожая — со временем). Предвидеть такие переключения, особенно в сочетании с факторами, которые считаются важными для свойств рассматриваемой системы (например, факторами окружающей среды или техногенными факторами), чрезвычайно сложно. Имитационное моделирование предоставляет уникальный способ визуализации, понимания и количественной оценки такой динамики.
Наконец, имитационные модели также могут быть хорошими образовательными инструментами: они могут обеспечить интуитивно понятный практический анализ систем (заболеваний растений).

Резюме

  • У имитационных моделей есть ряд приложений. В частности, имитационные модели:
    • позволяют исследовать поведение систем «растение-патоген»;
    • при этом они позволяют мобилизовать экспериментальные данные;
    • позволяют исследовать чувствительность систем растение-патоген к некоторым их (указанным) компонентам;
    • позволяют исследовать «фьючерсы», т. е.т. е. проанализировать, как рассматриваемая система может вести себя в еще недокументированных условиях.
  • Разработка имитационных моделей не требует от знаний в области математики и программирования. Но это требует (1) хорошего понимания рассматриваемой системы, (2) некоторых базовых знаний в области исчисления и (3) хорошей формулировки рассматриваемого научного вопроса.
  • Имитационное моделирование — это мощный подход к изучению динамических процессов.Со временем некоторые компоненты системы могут оказывать более сильное или более слабое влияние на поведение системы (например, динамика эпидемии или наращивание урожайности и, следовательно, потери урожая). Такие вопросы могут быть эффективно решены с помощью имитационного моделирования.
  • Имитационные модели являются хорошим средством обучения: они могут обеспечить интуитивно понятный практический анализ систем (растение-патоген).

Ссылки

Поппер, К. Р. 1963. Предположения и опровержения: рост научных знаний.Рутледж, Лондон.

Раббендж Р. и Де Вит К.Т. 1989. Системы, модели и моделирование. Страницы 3-15 в: Моделирование и управление системами в защите растений. Рэббиндж, Р., Уорд, С.А., и Ван Лаар, Х.Х., ред. Пудок, Вагенинген, 420 стр.

Тэн, П.С. 1981. Валидация компьютерных моделей эпидемий болезней растений: обзор философии и методологии. Zeitschrift für Pflanzenkrankheiten und Pflanzenschutz 88:49-63.

Тэн, П.С. 1985. Сравнение подходов к имитационному моделированию эпидемии.Ежегодный обзор фитопатологии 23:351-379.

Zadoks, J.C., and Rabbinge, R. 1985. Моделирование с определенной целью. Страницы 231-244 в: Успехи в патологии растений, Vol. 3. Математическое моделирование болезней сельскохозяйственных культур. К.А. Гиллиган, изд. Академик Пресс, Лондон.

​ ​

Примеры имитационных моделей

Примеры имитационных моделей V. Примеры имитационных моделей

A. Введение в моделирование арены [SS]

Моделирование является одним из самых мощных инструментов анализа, доступных тем, кто отвечает за проектирование и эксплуатацию сложных процессов или систем. В условиях растущей конкуренции моделирование стало очень мощным инструментом планирования, проектирования и управления системами. Он больше не рассматривается как крайняя мера, а сегодня рассматривается как незаменимая методология решения проблем для инженеров, проектировщиков и менеджеров [7].

В этой статье представлены некоторые важные функции программного обеспечения ARENA 3.0. Это поможет новичку понять основные понятия, необходимые для построения простой модели. Это, в свою очередь, могло бы стать трамплином для создания сложных моделей реального мира.

Простая имитационная модель

Рассмотрим простую имитационную модель. Предположим, у нас есть одноканальная система очередей (линий ожидания), такая как касса в аптеке. Время между приходом клиентов равномерно распределено от 1 до 10 минут. Это достигается с помощью вращающегося циферблата (например, тех, которые используются в некоторых настольных играх). Время, необходимое для обслуживания заявки, должно быть равномерно распределено от 1 до 6 минут. Одна матрица может использоваться для определения времени обслуживания.В системе есть две случайные величины, и если необходимо произвести большое количество показаний, необходим компьютер для генерации случайных величин и ведения бухгалтерского учета. Чтобы адекватно моделировать системы реального мира, мы также должны иметь возможность генерировать реалистичные поведенческие характеристики. Например, время между прибытиями и сгенерированное время обслуживания должны допускать нечто иное, чем равномерное распределение, округленное до ближайшего целого числа [7].

Выбор распределения

Чтобы проверить совместимость набора наблюдаемых частот с некоторой теоретической частотой, мы должны сначала определить теоретическое распределение, которое мы хотим попробовать.Если мы имеем дело с дискретной переменной, мы фиксируем частоту появления каждого отдельного значения. Если переменная непрерывна, мы разбиваем диапазон значений на равный интервал или класс. Тогда относительная частота в каждом интервале представляет собой наблюдаемую частоту в каждом классе, деленную на общее количество точек данных [7].

После того, как мы получили относительное частотное распределение, выбор возможного вероятностного распределения, из которого оно может быть получено, становится делом суждения и опыта [7].

Некоторыми примерами непрерывных распределений являются равномерное, треугольное, отрицательное экспоненциальное, эрланговское, гамма, распределение Вейбулла, нормальное, логнормальное и бета. Некоторыми примерами дискретных распределений являются дискретное равномерное, биномиальное, геометрическое и пуассоновское [7].

Испытание на пригодность

После того, как мы выбрали распределение (на основе визуального осмотра и теоретических соображений), нам необходимо оценить качество нашего соответствия. Это можно сделать с помощью формальных статистических тестов или с помощью простого графического метода, при котором теоретическое распределение отображается на гистограмме данных, а для определения качества подбора выполняется визуальная оценка.2) и тесты Колмогрова-Смирнова [7].

Основные концепции моделирования

В среде ARENA3.0 слово «сущность» является общим термином, используемым для обозначения любого лица, объекта или вещи, движение которых в системе вызывает изменение состояния системы. Каждый объект обладает некоторыми уникальными характеристиками, называемыми атрибутами . Например, на заводе задание может иметь атрибуты, определяющие номер детали, дату выполнения и приоритет задания. Термин переменных относится к набору изменяемых значений, характеризующих компоненты системы в целом.Пример переменной: TNOW. Он задает текущее значение моделируемого времени [8].

В среде моделирования ARENA3.0 существует принципиальное различие между Model и Experiment . Модель представляет собой функциональное описание компонентов системы и их взаимодействия. Эксперимент определяет экспериментальные условия, при которых модель проверяется для получения определенных выходных данных. Программа моделирования ARENA3.0 генерирует как модель, так и соответствующие эксперименты [8].

Процессы моделируются в SIMAN с помощью блок-схемы. Блок-схема представляет собой блок-схему, изображающую процесс, через который перемещаются объекты в системе. Блок-схема строится как последовательность блоков, формы и названия которых указывают на их общую функцию. Экспериментальный раздел программы состоит из элементов, которые задаются интерактивно в среде моделирования Arena [8].

Блоки
В следующем разделе кратко описаны различные блоки, используемые командой моделирования.

CREATE: Это один из нескольких механизмов, с помощью которых сущность (продукт) может войти в модель. Обычно он используется для моделирования процессов прибытия, в которых объекты последовательно входят в модель в соответствии с заданным шаблоном. Операндами блока Create являются Размер пакета , указывающий количество объектов, одновременно поступающих в модель, Время смещения , указывающее время между началом моделирования и прибытием первого объекта, Интервал , указывающий задержку между поступлениями в последующих точках после первой. Операнд Maximum Batches определяет максимальное количество точек прибытия [8].

QUEUE: Предоставляет пространство ожидания для сущностей, чьи движения по модели были приостановлены на основе состояния системы. Пример — рабочая деталь Ожидание очереди обработки на занятой машине. Операндами блока очереди являются Queue ID , указывающий имя очереди, Capacity очереди и метка Balk , которая используется для направления объекта в альтернативный блок, отличный от блока захвата [8].

SEIZE: Используется вместе с блоком очереди и используется для моделирования задержек состояния. Когда ресурс становится бездействующим, объект из предыдущего блока очереди входит в блок захвата и захватывает ресурс. Состояние ресурса теперь меняется с простоя на занято. Операнды блока захвата включают приоритет для выделения объектов, ожидающих одного и того же ресурса. Приоритет отдается тем сущностям, которые ждали дольше всех. Идентификатор ресурса , указывающий ресурс, запрошенный ожидающим объектом, и количество единиц ресурса, запрошенного объектом [8].

ЗАДЕРЖКА: После того, как объекту были выделены необходимые ресурсы, он обычно выполняет трудоемкие действия, такие как настройка, обработка, проверка и т. д. В ARENA3.0 такие задержки можно моделировать с помощью блока DELAY. Операндами блока задержки являются продолжительность задержки и идентификатор хранилища , который предоставляет статистику о количестве сущностей, находящихся в одном или нескольких блоках DELAY [8].

RELEASE: Когда действие, требующее ресурсов, завершено, объект, владеющий ресурсами, обычно освобождает их, чтобы они могли быть выделены объектам, либо ожидающим в настоящее время, либо еще не прибывшим в блоки QUEUE-SEIZE.Операнды блока захвата: Идентификатор ресурса , указывающий на только что освобожденный ресурс, и Количество объектов , которые необходимо освободить одновременно [8].

COUNT: Используется для подсчета количества событий, например, поступления деталей в систему, выхода из системы или отправки на доработку. Операнды блока Count включают идентификатор счетчика (имя счетчика) и приращение счетчика , для которого предполагается значение по умолчанию, равное единице [8].

DISPOSE: Предоставляет механизм моделирования ухода сущностей из системы. Блок dispose имеет единственную точку входа, без операндов и без точек выхода. Все сущности, входящие в блок dispose, исключаются из модели [8].

ГРУППА : Обычно используется для группировки набора объектов, имеющих определенный набор характеристик. Репрезентативная сущность создается, перемещается по модели и ведет себя так, как если бы она была единой сущностью.Наиболее важным операндом группового блока является число для группы . Это обычно используется для моделирования производственного сценария, в котором набор деталей, соответствующих конкретному продукту, необходимо сгруппировать, прежде чем их можно будет собрать на машине [8].

SPLIT: Объекты, которые были сгруппированы, должны быть разделены или разгруппированы перед их удалением. Разделенный блок используется для того же. Уходящие сущности имеют исходные значения атрибутов, которые у них были при формировании множества сущностей [8].

ASSIGN: Всякий раз, когда атрибуты и переменные используются в модели, им необходимо присваивать значения во время выполнения модели. Это стало возможным благодаря блоку assign. Операнд блока: Переменная или Атрибут = Значение . Каждый раз, когда объект проходит через блок ASSIGN, значение справа от знака равенства копируется в переменную или атрибут в левой части уравнения. Например, при прохождении сущностей через блок CREATE им может быть назначен тип задания 1,2,3 с определенной вероятностью принадлежности сущности к каждому типу [8].

ФИЛИАЛ: Используется для направления объектов в разные разделы модели в зависимости от истинности или ложности условия. Операнды ответвительного блока следующие:

  1. Максимальное количество ответвлений (обычно 1).
  2. С (указывает вероятность и метку, на которую нужно направить сущность).
  3. Else (указывает метку, на которую должен быть направлен объект, если условие else становится истинным).
  4. Всегда (независимо от условия, при котором сущность должна быть отправлена ​​на конкретную метку).
Как описано ранее, эксперимент определяет экспериментальные условия, при которых модель проверяется для получения определенных выходных данных. Продолжительность симуляции, количество повторений симуляции, характеристики ресурсов и очередей и т. д. — все это зависит от экспериментальных условий. Используя специальные записи данных, называемые элементами, разрабатывается эксперимент.Обычно предпочтительнее войти в эксперимент перед входом в модель. Сначала определяя объекты, такие как ресурсы, в эксперименте, затем можно выбрать раскрывающийся список при графическом входе в модель [8].

Элементы
В следующем разделе кратко описаны различные элементы, используемые группой моделирования при разработке проекта.

PROJECT: Используется для описания проекта моделирования, используемого ARENA3.0 в маркировке сводного отчета SIMAN.Программа автоматически генерирует этот отчет в конце каждой репликации, если это определено условиями эксперимента. Операнды элемента включают Название проекта, Имя аналитика, Дата, Сводный отчет (да/нет). В первые два поля можно ввести максимум 24 символа [8].

QUEUES: Определяет информацию об очередях моделей. Операнды элемента очереди: , число (определять не нужно), имя очереди, критерий ранжирования.Используются следующие критерии:

  1. FIFO (First-in, First-out): Объекты ожидают в очереди в том порядке, в котором они прибыли.
  2. LIFO (последний вошел, первый вышел): Объекты ранжируются в порядке, обратном их поступлению в очередь.
  3. LVF (идентификатор атрибута): очередь упорядочена по возрастанию значений указанного атрибута со связями, нарушенными правилом FIFO.
  4. HVF (идентификатор атрибута): Очередь упорядочена по убыванию значений указанного атрибута со связями, нарушенными правилом FIFO [8].
РЕСУРСЫ: Определяет информацию о ресурсах моделей. Операнды включают Число (определять не нужно), Имя ресурса, Емкость, , которое определяет количество идентичных и взаимозаменяемых единиц, изначально существующих для ресурса. По умолчанию 1 [8].

СЧЕТЧИКИ: Этот элемент предоставляет описательную информацию о счетчиках, включенных в раздел модели. Операнды, включенные в элемент: Число (определять не нужно), Имя счетчика, Предел. Последний операнд указывает определенное значение, превышение которого приводит к завершению программы [8].

REPLICATE: Определяет Количество повторений , для которых должно выполняться моделирование, Время начала первого повторения и Длина повторения, которое определяет продолжительность каждого повторения моделирования [8].

АТРИБУТЫ: и ПЕРЕМЕННЫЕ: Эти элементы предоставляют общую информацию о символических именах и свойствах атрибутов и переменных. Операнды элементов включают Номер (необязательно), Имя (индекс), Начальные значения. Второй операнд используется для указания массива с определенными значениями индекса. Каждый элемент в массиве имеет уникальное значение индекса, которое хранится в общем имени массива. Третья переменная используется для инициализации переменной до определенного значения [8].

СТАНЦИИ: Определяет информацию о станциях, используемых в модели. Операнды включают номер (опционально), имя станции [8].

НАБОРЫ: Определяет группу похожих элементов, на которые можно ссылаться по общему имени и индексу набора. Элементы, составляющие множество, называются членами множества. Типичные наборы могут содержать группы ресурсов, очередей, станций, изображений, счетчиков, подсчетов, выражений и т. д. Операндами элемента являются Число (необязательно), Имя Набора и Членов набора. На последний операнд можно ссылаться по имени набора. Группа моделирования использовала функцию MemIdx (имя набора, имя члена) для создания модели производства. Эта функция возвращает порядковый номер определенного элемента в наборе. Имя элемента было первой станцией, на которой сущность вошла в модель [8].

SCHEDULES: Используется для изменения емкости ресурса с течением времени. Ресурс следует расписанию, зависящему от времени, как указано в элементе. Например, ресурс простаивает в течение первых 30 минут запуска моделирования.В течение этого периода он имеет емкость 0. В течение следующих 30 минут выполнения ресурс может иметь емкость 1. Операнды элемента включают Идентификатор , который подается в блок ресурсов по расписанию и Ресурс Емкость и Продолжительность емкости, , которая указывает мощность ресурса в течение определенного периода времени [8].

ПОСЛЕДОВАТЕЛЬНОСТИ: Определяет последовательность, в которой сущность посещает станции.Операнды включают Номер (необязательно), Имя последовательности, Идентификатор станции и Назначения (длительность задержки, назначение изображения или типа задания и т. д.) на каждой станции [8].

Инструменты проверки Arena3.0, используемые группой моделирования

  1. КОНТРОЛЛЕР ЗАПУСКА: Позволяет пользователю пошагово выполнять модель, полностью управляя ею с помощью клавиатуры или мыши.Объект можно перемещать через один или несколько блоков, его значение можно проверить с помощью простых команд. Выполнение также может быть приостановлено в критических точках или когда указанные переменные достигают определенных значений. Контроллер выполнения также предоставляет доступ к исходным операторам моделей, которые могут быть перечислены во время выполнения [8].
  2. АНИМАЦИЯ: Успешная проверка зависит от способности понять сложные взаимодействия между многими компонентами модели. Из всех методов, доступных для помощи в процессе проверки, анимация, без сомнения, является единственным и самым мощным доступным средством.Только анимация может представить динамически движущуюся картину множества взаимодействий, происходящих в симуляции. Анимация отображает одну и ту же информацию для всех компонентов модели одновременно [8].
В этой статье представлен краткий обзор того, как группа моделирования использовала инструмент моделирования ARENA3.0 для разработки моделей. Это позволит новичку узнать о различных блоках и элементах, используемых командой, и послужит руководством для понимания производственных процессов.Мы предлагаем тем людям, которые не имеют никакого отношения к моделированию, прочитать эту статью перед презентацией группы моделирования [8].

Вернуться к оглавлению

  B. Производственная модель компьютера [LR]

Производственная модель компьютера отличается от модели автомобиля деталями, компоновкой и входными данными. Менее подробная, чем модель производства автомобилей, с точки зрения определения отдельных операций на этапе сборки, модель компьютерного производства имитирует пять основных этапов сборки и тестирования компьютеров.Этими процессами являются:

  1. Сборка
  2. Электрические испытания
  3. Загрузка программного обеспечения
  4. Окончательные испытания и проверка
  5. Упаковка
Вместо одной линии потока, как в модели автомобиля, компоновка компьютерной модели состоит из двух повторяющихся параллельные линии, каждая из которых состоит из пяти основных этапов, как показано на следующем рисунке: Параллельные линии в компьютерном производстве Модель

Каждая линия аналогична рабочей ячейке в том смысле, что материал непрерывно проходит через каждую стадию с минимальными производственными запасами. На каждой ячейке производится полный продукт, в котором используется оборудование для каждой стадии производственного процесса.

Как описано на веб-сайте производственной группы, типичное производственное предприятие состоит из четырех основных компонентов:

  • Получение
  • Производство Обработка
  • Упаковка и
  • Доставка
Эти компоненты включены в модель компьютерного производства в следующим образом:

Получение
Заказы разного размера поступают с интервалами и обрабатываются в порядке поступления.Для упрощения все запрошенные компьютеры в определенном порядке имеют одинаковую конфигурацию. Конфигурация состоит из типа процессора, количества плат и типа монитора. Модель определяет три типа процессоров, два типа плат и два типа мониторов. Эти атрибуты вероятностно назначаются каждому заказу с 12 возможными конфигурациями. Заказы отправляются на наименее загруженную линию, но ожидают исполнения до тех пор, пока стадия сборки не освободится. Модель предполагает, что все сырье для стадии сборки легкодоступно и его достаточно для выполнения каждого заказа.Логика обработки ордеров в Арене показана ниже.

Логика обработки заказов в компьютерном производстве Модель

Производство и упаковка
Как упоминалось ранее, схема производства состоит из двух повторяющихся параллельных линий. Заказы подаются на каждую линию, которая состоит из пяти этапов. Время обработки для каждого этапа: сборка — 12 минут, проверка электропроводки — 5 минут, загрузка программного обеспечения — 15 минут, окончательное испытание и проверка — 5 минут, упаковка — 5 минут.Коэффициент использования этапа сборки определяется характером поступающих заказов: размером каждого заказа и временем между заказами. Очереди и потенциальные узкие места могут возникать на этапах сборки и загрузки программного обеспечения, где время обработки велико. Эти проблемы можно решить, увеличив мощность ресурсов, например, добавив третий этап сборки или загрузив программное обеспечение для нескольких компьютеров одновременно. Упаковка включает в себя выбор соответствующего монитора для заказа и отправку пакетов в зону доставки.

Доставка
Хотя компьютерная модель специально не моделирует деятельность по доставке, модель достаточно гибкая, чтобы включить этот компонент позднее. Одним из соображений может быть объединение операций по упаковке и отгрузке в одной области.

Исходные данные для модели производства компьютеров не были получены из фактически существующих данных от какого-либо конкретного производителя компьютеров. Вместо этого были сделаны обоснованные предположения о размерах заказов и времени обработки.Хотя одним из принципов разработки любой имитационной модели является получение фактических данных, это требование было отменено, чтобы показать простую производственную модель, в которой используются параллельные производственные ячейки, а также то, как размеры, поступление и количество заказов влияют на коэффициент использования сборки.

Назад к содержанию

  C. Модель производства автомобилей [AB]

Автомобиль, пожалуй, самое важное изобретение 20-го века, уступающее только электричеству.Он изменил жизнь человека невообразимым до его изобретения образом. «Мир путешествует на колесах» — модное слово 20-го века. Производство этих автомобилей — одновременно увлекательная и сложная задача. Команда моделирования смоделировала процесс производства универсалов, седанов и кабриолетов на автомобильном заводе Toyota.

Ниже приводится пошаговая процедура производства автомобилей в «Производственной системе Toyota»:

  1. Производственный процесс начинается со сборки шасси.Шасси – это скелет автомобиля. Это деталь, на которой построен автомобиль.
  2. Ось и шины устанавливаются на шасси в сборе.
  3. На следующем этапе двигатель устанавливается на шасси. Двигатель – это силовая часть автомобиля. Мощность, вырабатываемая двигателем, используется для движения автомобиля. Двигатели преимущественно внутреннего сгорания.
  4. Коробка передач устанавливается на шасси. Коробка передач — это компонент, который используется для изменения скорости, подаваемой на колеса.
  5. Следующий этап включает установку радиатора в двигатель. Радиатор помогает охлаждать двигатель, передавая избыточное тепло окружающей среде за счет теплопроводности.
  6. На следующем этапе сиденья устанавливаются на автомобиль.
  7. Затем устанавливается аккумулятор и выполняются электрические соединения. Электрические соединения соединяют различные компоненты автомобиля с аккумуляторной батареей.
  8. Затем кузов автомобиля устанавливается на шасси.
  9. Ветровое стекло, двери и дворники устанавливаются на автомобиль вместе с капотом.
  10. Выполнены последние штрихи по машине.
  11. Затем автомобиль отправляется на осмотр и испытания, после чего его доставляют на стоянку и готовят к отправке.
Ниже представлена ​​блок-схема, описывающая производственный процесс. U-Flow в автомобилестроении

Студенческая версия модели ограничивала количество используемых блоков. Задача состояла в том, чтобы использовать ограниченное количество доступных блоков, не упрощая процесс. Для этой цели использовались наборы вместе с атрибутами , такими как «Время работы» и «Время работы». Ниже приводится краткое описание атрибутов, переменных, наборов и счетчиков, используемых в модели.

Атрибуты

  1. Рабочее время: Если задание, прибывающее на рабочую станцию, представляет собой Hardtop или Wagon, оно задерживается на время, указанное в атрибуте рабочего времени блока задержки.
  2. Optime (время работы): Если задание, прибывающее на рабочую станцию, представляет собой седан, оно задерживается на время, указанное в атрибуте Op time блока задержки.
  3. Setindex: Соответствует конкретной рабочей станции в наборе станций.
  4. Timein (время выполнения): Обозначает время поступления задания в систему.
  5. Тип работы (тип работы): Обозначает, что тип работы — хардтоп, универсал или седан.
Наборы
  1. Набор очередей: Обозначает все очереди на главной сборочной линии, которые последовательно посещаются заданием.
  2. Набор станций: Соответствует всем станциям на главной сборочной линии, которые последовательно посещаются заданием.
  3. Resourceset: Обозначает все ресурсы на главной сборочной линии, которые последовательно используются в работе.
Счетчики
  1. Вагоны: Количество произведенных вагонов
  2. Хардтопы: количество произведенных хардтопов
  3. Седаны: Количество выпущенных седанов
  4. Всего автомобилей: Общее количество произведенных автомобилей
Переменные
Каждое задание задерживается на рабочей станции на определенное время.Это получается путем подбора исторических данных во входном анализаторе. В случае производственной модели продолжительность задержки является ЛОГНОРМАЛЬНОЙ со средним значением и стандартным отклонением. Поскольку существует три разных типа заданий с разными задержками, определен массив переменных с константами для распределения. Каждая константа в массиве означает часть операнда для определенного задания в блоке задержки. Определены следующие три константы:
  1. Среднее
  2. С
  3. Станд.

Назад к содержанию

  Д.Транспортная модель [AT]

Для любой организации, имеющей несколько производственных предприятий и огромный и обширный рынок, транспорт остается неотъемлемой частью ее общей системы. Транспортная модель, разработанная группой моделирования, служит ориентиром для изучения того, как автомобили, произведенные на конкретном предприятии, транспортируются в различные места.

Ниже приводится краткая процедура того, как происходит эта транспортировка:

  1. Сначала все машины скапливаются на огромной стоянке, которая также служит погрузочной площадкой для грузовиков, перевозящих эти машины.
  2. Когда указанное количество автомобилей будет доступно, они будут загружены на грузовики в соответствии с грузоподъемностью грузовиков.
  3. Эти грузовики затем транспортируют автомобили в указанное место назначения, например, в док, где все эти грузовики затем передаются дистрибьютору.
  4. В доке машины выгружаются из грузовиков, а затем загружаются на корабль.
  5. После того, как судно загружено до предела, его направляют к месту назначения, которым могут быть другие страны или внутри страны, но в разные штаты.
На приведенной ниже блок-схеме показано, как происходит движение автомобилей с момента их изготовления до момента их доставки в конечный пункт назначения. Перевозка готовых автомобилей

Атрибуты, переменные, последовательности и т. д., которые используются в модели, объясняются ниже:

Атрибуты: Time-In — единственный атрибут, используемый в модели, который определяет, в какое время автомобиль вошел в систему, как долго он находился в системе.

Добавить комментарий

Ваш адрес email не будет опубликован.