Simuleringsmodellering

Simuleringsmodellering (eng. simulation modeling) — är en forskningsmetod där ett verkligt system ersätts av en modell som tillräckligt noggrant återger systemets struktur och beteende. I allmänhet avses med en simuleringsmodell ett programvarusystem (datormodell) med hjälp av vilket man kan utföra beräkningsexperiment: "köra" modellen på datorn med olika uppsättningar av ingångsparametrar och analysera de erhållna resultaten.

Syftet med sådan modellering är att förstå egenskaperna hos det undersökta systemet eller att bedöma konsekvenserna av olika strategier för dess funktion utan att direkt experimentera på det verkliga objektet. Metoden räknas som ett specialfall av matematisk modellering, vilket förutsätter att en analytisk (formelbaserad) lösning på problemet antingen är okänd eller alltför komplex att erhålla. Simuleringsmodellen återger förloppet av processer i tid, ofta med inslag av slumpmässiga faktorer, och möjliggör numeriska skattningar av systemets egenskaper genom statistisk bearbetning av resultaten från upprepade körningar av modellen.

Viktiga egenskaper och satser

Simuleringsmodellering ger till skillnad från analytisk modellering ett resultat i form av en uppsättning numeriska realisationer snarare än en explicit formel. För att erhålla tillförlitlig information om det undersökta systemet krävs därför en serie experiment med modellen och statistisk bearbetning av resultaten.

Statistiska grunder

• Stora talens lag: Den viktigaste egenskapen som utgör grunden för metoden. Enligt denna lag strävar, vid ökat antal oberoende körningar av modellen (antal slumpmässiga realisationer), medelvärden av utgångsegenskaper mot sina teoretiska matematiska väntevärden.
• Centrala gränsvärdesatsen: Detta resultat möjliggör bedömning av noggrannheten hos simuleringsresultaten. Den säger att avvikelsen för medelvärdet erhållet under $N$ oberoende körningar från det sanna medelvärdet är ungefär proportionell mot $1/\sqrt{N}$. Detta gör det möjligt att konstruera konfidensintervall för de erhållna skattningarna.
• Littles lag: Inom köteori kopplar denna lag ($\bar{L}=\lambda \bar{W}$) samman det genomsnittliga antalet ärenden i systemet ($\bar{L}$), intensiteten av deras ankomst ($\lambda$) och den genomsnittliga vistelsetiden i systemet ($\bar{W}$). Den fungerar som ett viktigt verktyg för verifiering (kontroll av korrekthet) av simuleringsmodeller för köer.

Huvudsakliga modelleringsparadigmer

Inom simuleringsmodellering urskiljer man flera angreppssätt som skiljer sig åt vad gäller abstraktionsnivå och typ av process som behandlas.

• Discrete-Event Simulation, DES - Diskret händelsebaserad simulering: Fokuserar på händelser som förändrar systemets tillstånd vid diskreta tidpunkter (till exempel ankomst av en kund eller avslutat servicetillfälle). Detta är det dominerande paradigmet inom operationsanalys för analys av kösystem, logistikkedjor och produktionslinjer.
• System Dynamics, SD - Systemdynamik: Arbetar med aggregerade variabler och modellerar kontinuerlig dynamik i system genom att lösa system av differentialekvationer. Lämpar sig för analys av komplexa socioekonomiska system.
• Agent-Based Modeling, ABM - Agentbaserad modellering: Betraktar systemet som en samling autonoma objekt (agenter), där var och en agerar enligt givna regler. Systemets globala beteende uppstår som ett resultat av interaktionen mellan ett stort antal agenter. Används för modellering av sociala system, epidemier och marknader.

I modern praxis används ofta multiparadigmatiska verktyg (till exempel AnyLogic) som möjliggör kombination av dessa angreppssätt i en och samma modell.

Exempel

Exempel 1: Kösystemet M/M/1

Betrakta ett system med en servicekanal, Poissonflöde av ärenden med intensitet $\lambda$ och exponentiell servicetid med intensitet $\mu$ ($\lambda <\mu$). Analytiskt är det känt att den genomsnittliga kölängden i stationärt tillstånd är lika med $L={\rho }^2/(1-\rho )$, där $\rho =\lambda /\mu$. En simuleringsmodell av ett sådant system visar, efter körning av tillräckligt många ärenden, ett empiriskt medelvärde för kölängden som ligger nära det teoretiska. Till exempel, vid $\lambda =2$ och $\mu =3$ är det teoretiska värdet $L=4$. Simuleringsresultatet kan ge $\bar{L}\approx 3.98$, vilket bekräftar modellens korrekthet.

Exempel 2: Monte Carlo-metoden för beräkning av talet π

Monte Carlo-metoden är ett specialfall av simuleringsmodellering. För att skatta talet π kan man inskriva en kvartscirkel med radien 1 i en enhetskub. Därefter "kastas" slumpmässigt ett stort antal $N$ punkter in i denna kvadrat. Kvoten mellan antalet punkter som hamnar inom kvartscirekeln ($K$) och det totala antalet punkter $N$ kommer att vara ungefär lika med kvoten mellan deras areor: $K/N\approx (\pi \cdot 1^2/4)/1^2=\pi /4$. Härav följer att $\pi \approx 4K/N$. Detta angreppssätt används i stor utsträckning för lösning av flerdimensionella integralproblem och inom sannolikhetsbaserad analys.

Tillämpning inom operationsanalys

Simuleringsmodellering är ett av de viktigaste verktygen inom operationsanalys, särskilt när ett system är alltför komplext för en analytisk lösning. Traditionellt betraktades det som en "sista utvägens metod", men utvecklingen av datorteknik har gjort det till ett standardiserat och kraftfullt verktyg för att lösa sådana uppgifter som:

• Produktion och logistik: analys av produktionslinjer, lagerhantering, utformning av lager och transportnät.
• Tjänstesektorn: optimering av callcenter, sjukhus (modellering av patientflöden), banker.
• Ekonomi och finans: analys av affärsprocesser, riskbedömning, modellering av prisrörelser på finansiella tillgångar.
• Digital Twin - Digital tvilling: ett modernt område där en ständigt uppdaterad simuleringsmodell skapas av ett specifikt fysiskt objekt (maskin, bil, byggnad), med vilket data från det verkliga objektet synkroniseras kontinuerligt. Detta möjliggör realtidsprognoser av beteende och optimering av styrning.

Se även

• Diskret händelsebaserad simulering
• Agentbaserad modellering
• Systemdynamik
• Monte Carlo-metoden
• Operationsanalys
• Datorexperiment

Källor

</references>