Modellazione per simulazione

Modellazione per simulazione (ingl. simulation modeling) — è un metodo di ricerca in cui il sistema reale viene sostituito da un suo modello che riproduce con sufficiente precisione la struttura e il comportamento del sistema. In senso generale, per modello di simulazione si intende un sistema software (modello computerizzato) con cui è possibile condurre esperimenti computazionali: «eseguire» il modello al computer con diversi insiemi di parametri in ingresso e analizzare i risultati ottenuti.

L'obiettivo di tale modellazione è comprendere le proprietà del sistema in esame o valutare le conseguenze di diverse strategie di funzionamento senza condurre esperimenti diretti sull'oggetto reale. Il metodo è considerato un caso particolare della modellazione matematica, che presuppone che la soluzione analitica (in forma di formula) del problema sia o sconosciuta o troppo complessa da ottenere. Il modello di simulazione riproduce lo svolgimento dei processi nel tempo, spesso con il contributo di fattori casuali, e consente di ottenere stime numeriche delle caratteristiche del sistema tramite l'elaborazione statistica dei risultati di molteplici esecuzioni del modello.

Proprietà principali e teoremi

La modellazione per simulazione, a differenza di quella analitica, produce il risultato sotto forma di un insieme di realizzazioni numeriche e non di una formula esplicita. Pertanto, per ottenere informazioni affidabili sul sistema in esame, è necessario condurre una serie di esperimenti con il modello ed elaborare i risultati statisticamente.

Fondamenti statistici

• Legge dei grandi numeri: La proprietà fondamentale alla base del metodo. In base a questa legge, all'aumentare del numero di esecuzioni indipendenti del modello (numero di realizzazioni casuali), i valori medi delle caratteristiche in uscita tendono ai loro valori attesi teorici.
• Teorema centrale del limite: Questo risultato consente di valutare la precisione dei risultati della simulazione. Afferma che la deviazione del valore medio ottenuto nel corso di $N$ esecuzioni indipendenti dal valore medio reale è approssimativamente proporzionale a $1/\sqrt{N}$. Ciò rende possibile costruire intervalli di confidenza per le stime ottenute.
• Legge di Little: Nella teoria delle code, questa legge ($\bar{L}=\lambda \bar{W}$) mette in relazione il numero medio di richieste nel sistema ($\bar{L}$), l'intensità del loro arrivo ($\lambda$) e il tempo medio di permanenza nel sistema ($\bar{W}$). Essa costituisce uno strumento importante per la verifica (controllo della correttezza) dei modelli di simulazione delle code.

Principali paradigmi di modellazione

Nella modellazione per simulazione si distinguono diversi approcci, che differiscono per livello di astrazione e tipo di processo considerato.

• Modellazione a eventi discreti (ingl. Discrete-Event Simulation, DES): Si concentra sugli eventi che modificano lo stato del sistema in istanti di tempo discreti (ad esempio, l'arrivo di un cliente o il completamento del servizio). È il paradigma dominante nella ricerca operativa per l'analisi dei sistemi di accodamento, delle catene logistiche e delle linee di produzione.
• Dinamica dei sistemi (ingl. System Dynamics, SD): Opera con variabili aggregate e modella la dinamica continua dei sistemi risolvendo sistemi di equazioni differenziali. È adatta all'analisi di sistemi socioeconomici complessi.
• Modellazione ad agenti (ingl. Agent-Based Modeling, ABM): Considera il sistema come un insieme di oggetti autonomi (agenti), ognuno dei quali agisce secondo regole definite. Il comportamento globale del sistema emerge come risultato dell'interazione di molteplici agenti. Viene utilizzata per la modellazione di sistemi sociali, epidemie e mercati.

Nella pratica moderna si utilizzano spesso strumenti multiparadigma (ad esempio, AnyLogic), che consentono di combinare questi approcci in un unico modello.

Esempi

Esempio 1: Sistema di accodamento M/M/1

Consideriamo un sistema con un unico canale di servizio, un flusso di richieste poissoniano con intensità $\lambda$ e un tempo di servizio esponenziale con intensità $\mu$ ($\lambda <\mu$). Analiticamente è noto che la lunghezza media della coda in regime stazionario è pari a $L={\rho }^2/(1-\rho )$, dove $\rho =\lambda /\mu$. Il modello di simulazione di tale sistema, dopo l'esecuzione di un numero sufficiente di richieste, mostrerà un valore medio empirico della lunghezza della coda vicino a quello teorico. Ad esempio, con $\lambda =2$ e $\mu =3$ il valore teorico è $L=4$. Il risultato della simulazione può fornire $\bar{L}\approx 3.98$, il che conferma la correttezza del modello.

Esempio 2: Metodo Monte Carlo per il calcolo del numero π

Il metodo Monte Carlo è un caso particolare della modellazione per simulazione. Per stimare il numero π si può inscrivere un quarto di cerchio di raggio 1 in un quadrato unitario. Successivamente in questo quadrato viene «lanciato» in modo casuale un gran numero di $N$ punti. Il rapporto tra il numero di punti caduti nel quarto di cerchio ($K$) e il numero totale di punti $N$ sarà approssimativamente uguale al rapporto delle rispettive aree: $K/N\approx (\pi \cdot 1^2/4)/1^2=\pi /4$. Da ciò, $\pi \approx 4K/N$. Questo approccio è ampiamente utilizzato per la soluzione di problemi integrali multidimensionali e nell'analisi probabilistica.

Applicazione nella ricerca operativa

La modellazione per simulazione è uno degli strumenti chiave della ricerca operativa, specialmente quando il sistema è troppo complesso per una soluzione analitica. Tradizionalmente era considerata il «metodo dell'ultima risorsa», tuttavia lo sviluppo delle tecnologie informatiche ne ha fatto uno strumento standard e potente per la soluzione di problemi quali:

• Produzione e logistica: analisi delle linee di produzione, gestione delle scorte, progettazione di magazzini e reti di trasporto.
• Settore dei servizi: ottimizzazione del funzionamento di call center, ospedali (modellazione dei flussi di pazienti), banche.
• Economia e finanza: analisi dei processi aziendali, valutazione dei rischi, modellazione dell'andamento dei prezzi delle attività finanziarie.
• Gemelli digitali (ingl. Digital Twin): direzione moderna in cui viene creato un modello di simulazione costantemente aggiornato di uno specifico oggetto fisico (macchinario, automobile, edificio), con cui i dati dell'oggetto reale vengono sincronizzati in tempo reale. Ciò consente di prevedere il comportamento e ottimizzare la gestione in tempo reale.

Vedi anche

• Modellazione a eventi discreti
• Modellazione ad agenti
• Dinamica dei sistemi
• Metodo Monte Carlo
• Ricerca operativa
• Esperimento computerizzato

Note

</references>