Виды имитационного моделирования
Рис.1. 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 ее 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.
Метод Монте-Карло как основа имитационного моделирования
Метод Монте-Карло (другое название— метод статистических
испытаний) предназначен для изучения процессов с учётом случайного фак-
тора. Случайным фактором может быть случайное значение какой-либо ве-
личины (например, время прихода клиента, количество свободных мест в
подъехавшем к остановке автобусе, рост покупателя в магазине готового
платья и т. п.) или случайное событие (например, факт болезни сотрудника,
наличие нужного товара в магазине, прибытие в аэропорт самолёта и т. п.).
В теории вероятностей и математической статистике разработаны аналитические методы исследования такого рода процессов с помощью формул, если известны законы распределения вероятностей, т. е. если они могут быть заданы приближёнными аналитическими выражениями. Но это не всегда возможно. Например, если в зависимости от случайного события изменяется направление процесса, то такую системы проанализировать аналитически (с помощью формул) может оказаться затруднительно. В этом случае следовало бы рассчитать все возможные варианты протекания процесса, а их может оказаться много сотен и тысяч. Поэтому даже если такие расчёты в принципе возможны, полученные результаты могут стать необозримыми и практически бесполезными. Именно для этого случая целесообразно применять метод Монте-Карло.
Суть метода Монте-Карло заключается в том, что в модель туда, где
проявляет себя неопределённость, вводят датчики случайных чисел. В результате с их помощью в нескольких местах модели производится розыгрыш случайной величины или случайного события, в зависимости от которых меняется ход или параметры исследуемого случайного процесса. В этом случае можно провести серию испытаний при различных ситуациях и затем попробовать выявить закономерности процесса. Это может оказаться существенно проще, чем аналитическая аппроксимация элементов исследуемого процесса, так как часто такая аппроксимация требует специальных исследований и не всегда возможна.
Случайности в разных частях модели причудливо сочетаются друг с
другом, поэтому получаемая модель обычно имеет большое число возможных ветвлений. Это приводит к сравнительно простой модели сравнительно сложного процесса, когда появляется возможность учесть самые разнообразные факторы весьма простыми средствами. Кроме случайностей, в модели могут присутствовать и детерминированные фрагменты процесса с жёстко заданными причинно-следственными связями.
При сложности исследуемого процесса простота его модели связана с тем, что нет необходимости вручную специально просчитывать все возможные варианты—— эту работу выполняет программа. В процессе счёта фиксируются все события, величины, параметры, которые затем подвергаются статистической обработке и отображаются тем или иным образом.