Resumen capitulo 9

Resumen capitulo 9

Simulation: The Practice of Model Development and Use

Stewart Robinson

Warwick Business School

Camilo Moncayo – Mario Useche

La Naturaleza de los Modelos de Simulación 

La naturaleza de un modelo de simulación y su salida afecta a los medios por los cuales se obtienen resultados precisos de un modelo. Para los propósitos de esta discusión, se supone que la salida de la simulación es estocástica, es decir, el modelo contiene sucesos aleatorios. Aunque es posible tener un modelo de simulación que no contiene ningún evento al azar, no es una práctica común.

9.2.1 Terminating and non-terminating simulations

Un modelo de simulación puede ser clasificado en dos tipos: de terminación y no terminación. Para la terminación de una simulación hay un punto final natural que determina la longitud de una carrera. El punto final se puede definir en un número de maneras, por ejemplo:

• The model reaches an empty condition, e.g. a bank that closes at the end of a day.
• The completion of the time period under investigation, e.g. the end of the busy lunch period in a supermarket.

• The completion of a trace of input data, e.g. the completion of a production schedule.
  
  

9.2.2 de salida transitoria

En la mayoría de los casos, la salida de una simulación de terminación es transitoria. Salida transitoria significa que la distribución de la salida está constantemente cambiando. Tomemos, por ejemplo, una simulación de un banco. Una de las respuestas de interés es el número de clientes atendidos en cada hora del día. Además de esto, para cualquier período de tiempo el número de clientes atendidos es poco probable que sea idéntica en cualquier día dado. Esto es puramente como una consecuencia de la variación aleatoria en el sistema.

La distribución de clientes atendidos en la hora de 11:00 a 12:00 se presenta por f (11:00 - 12:00). Demuestra que 11:00-12:00 en cualquier día en el número de clientes atendidos podría estar entre aproximadamente 60 y aproximadamente 100. Durante muchos días, el número medio de clientes servidos 11:00-12:00 será de unos 80. Del mismo modo, para cada hora del día hay una distribución del número de clientes atendidos. Debido a que los datos de salida son transitorios, la distribución varía para cada hora del día. Por supuesto, las distribuciones no necesariamente tiene que ser normal.

9.2.3 El estado de equilibrio de salida

Para los que no terminan la salida de las simulaciones a menudo alcanza un estado estacionario. El estado estacionario no significa que la salida no está variando, pero que la salida es variable de acuerdo con alguna distribución fija (la distribución de estado estable). Tomemos el ejemplo de una simulación de una planta de producción. El rendimiento varía de día en día debido a las averías. Sin embargo, la capacidad de rendimiento (el nivel de rendimiento media) permanece constante. En el estado de equilibrio el nivel de variabilidad sobre la que significa también se mantiene constante ya que la distribución en estado estacionario es constante. A partir del día 10 en adelante, el rendimiento es variable en torno a una media constante de acuerdo a la distribución en estado estacionario, f (estado estacionario). Durante los primeros 9 días el valor de respuesta es mucho menor que sugiere que no está siguiendo la distribución de estado estacionario. ¿Cuál es la razón de esto? Piensa en un modelo típico de una planta de producción. Al comienzo de una ejecución de simulación que no hay piezas en el sistema.

9.2.4 Otros Tipos de Salidas

Transitoria y de estado estacionario no son los únicos tipos de salida que se producen a partir de modelos de simulación. Law y Kelton (2000) identifican un tercer tipo, el estado de equilibrio del ciclo. Piense en una simulación de una planta de producción en dos turnos de trabajo. El turno de noche tiene un menor número de operadores y por lo que trabaja a un ritmo más lento, en esta circunstancia el rendimiento registrado por los ciclos de simulación entre dos estados estacionarios. Un efecto similar podría ocurrir en una operación de servicio de 24 horas, como un centro de gestión de llamadas para los servicios de emergencia. La velocidad a la que las llamadas son recibidas varía con la hora del día. Como resultado, una respuesta de simulación, tales como las llamadas manejadas cambios a medida que progresa el día. Suponiendo que el patrón de llamada es similar en cada día, la salida de la simulación se realiza un ciclo a través de la misma serie de estados estacionarios. Por supuesto, el patrón puede ser más compleja, con un efecto día de la semana también. En este caso hay dos ciclos superpuestos unos sobre otros, todos los días uno y un ciclo semanal.

9.5 relativas a la discriminación de inicialización: Warm-up

Esta sección describe dos métodos para tratar con el sesgo de inicialización: un período de calentamiento y el establecimiento de las condiciones iniciales. La tercera opción de utilizar mixtos condiciones iniciales y calentamiento también se discute, así como las ventajas y desventajas de los diferentes métodos.

9.5.1 La determinación del período de calentamiento

Si un período de calentamiento se va a emplear la pregunta clave es ¿cuál debería ser la duración del período de calentamiento? La respuesta simple es que el período de calentamiento debe ser lo suficientemente largo para garantizar el modelo se encuentra en condiciones realistas. Para una simulación que no termina esto normalmente significa que el transitorio inicial ha pasado y la salida del modelo se encuentra en estado estacionario. La dificultad en esta respuesta consiste en determinar si el modelo está en una condición realista.

Una serie de métodos que se han propuesto para la identificación de sesgo de inicialización y la determinación del período de calentamiento. Estos se pueden clasificar en cinco tipos.

-Gráficos métodos: involucrar a la inspección visual de las series temporales de los datos de salida.

-Heurística enfoques: aplicar reglas simples con pocas suposiciones subyacentes.

-Métodos estadísticos: se basan en los principios de la estadística para determinar el período de calentamiento.

De inicialización de las pruebas de sesgo: identificar si existe algún sesgo en los datos de inicialización. Estrictamente estos no son métodos para identificar el período de calentamiento, pero se pueden usar en combinación con métodos de calentamiento para determinar si están funcionando con eficacia.

-Híbridos métodos: se trata de implicar una combinación de métodos gráficos o heurística con un test de sesgo de la inicialización.

De series de tiempo de inspección

El método más simple para identificar el período de calentamiento es inspeccionar un tiempo-serie de la salida de la simulación, es decir, la respuesta central (s) del modelo de simulación. El problema con la inspección de un tiempo-serie de una sola pasada, es que los datos pueden ser muy ruidoso y por lo tanto es difícil de detectar cualquier sesgo de inicialización. Mejor es, por lo tanto, cuando una serie de repeticiones se ejecutan y los promedios de los medios de repeticiones para cada ejercicio se trazan en una serie temporal. Al menos cinco réplicas se deben realizar, aunque se puede requerir más de los datos con mucho ruido. Los más repeticiones que se realizan más de la serie temporal se suaviza.

9.5.2 Establecimiento de las condiciones iniciales

Una alternativa al uso de un período de calentamiento es establecer las condiciones iniciales del modelo. Normalmente, esto significa poner el trabajo en curso, tales como piezas o clientes, en el modelo en el inicio de una carrera.

Hay dos formas en que las condiciones iniciales apropiadas pueden ser identificadas. El primero es observar el sistema real. En algunos casos, los datos sobre el estado actual del sistema real puede ser descargado directamente desde los sistemas de control automático (esto es una necesidad si el modelo se va a utilizar para ayudar en tiempo real la toma de decisiones). Obviamente, este método sólo se puede usar si el sistema real existe. El segundo enfoque es ejecutar el modelo de simulación para un período de calentamiento y registrar el estado del modelo, utilizando esto para definir la condición inicial del modelo para futuras ejecuciones.

9.5.3 Mezcla de condiciones iniciales y calentamiento

En algunos casos, es útil emplear una mezcla de un período de calentamiento y de las condiciones iniciales. El objetivo es reducir la longitud del período de calentamiento requerido. Por ejemplo, en una simulación que contiene un modelo de un depósito (o cualquier gran inventario) se necesitaría mucho tiempo para el inventario de almacén para crecer a un nivel realista si ninguna condición inicial se establece. Por lo tanto, tiene sentido establecer una condición inicial para el inventario. Sin embargo, a menos que las condiciones iniciales se establecen para el resto del modelo, entonces un período de calentamiento es, probablemente, todavía se requiere.

9.5.4 Las condiciones iniciales en comparación con el calentamiento

Ambas simulaciones de terminación y no termina-puede comenzar en un estado poco realista y así lo exigen las condiciones iniciales que se fijarán y / o un período de calentamiento que se ejecute. Para no terminan simulaciones el objetivo es garantizar que el transitorio inicial se elimina de los datos de salida. Para simulaciones de terminación el objetivo es asegurar que los resultados no están sesgados por un estado apropiado de partida. Para muchas simulaciones de operaciones de servicio se trata de una cuestión relativamente sencilla, ya que el estado vacía es una condición inicial realista. La principal ventaja de utilizar las condiciones iniciales es que se ahorra tiempo ya que un período de calentamiento no tiene que ser ejecutado. Esta vez puede ser importante si el modelo tiene que ser ejecutado varias veces durante la experimentación. Los principales problemas con la configuración de las condiciones iniciales se especifican las condiciones adecuadas y el tiempo necesario para escribir el código adicional para establecer esas condiciones.

9.6 Selección del número de repeticiones

y el run-length Esta sección describe los métodos para determinar el número de repeticiones que se deben realizar con un modelo y para la selección de una adecuada gestión de longitud para un largo plazo. El objetivo en ambos casos es para asegurar que los datos suficientes de salida se han obtenido a partir de la simulación con el fin de estimar el rendimiento del modelo con suficiente precisión. Como parte de la discusión sobre múltiples réplicas también hay una breve explicación de la reducción de la varianza. La sección concluye con una discusión sobre los méritos relativos de la utilización de múltiples repeticiones y largos recorridos.