4.4: Загальні елементи дизайну

Елементи, спільні для всіх експериментів з моделювання, розглянуті в наступних розділах. До них відносяться параметри моделі та їх значення, показники продуктивності та потоки випадкових чисел.

4.4.1 Параметри моделі та їх значення

Параметри моделі відповідають змінним керування системою або операційним правилам, значення яких можуть бути змінені для задоволення цілей рішення, визначених на першому кроці процесу моделювання. Значення параметрів моделі можуть бути кількісними, такими як розмір буфера, або якісними, наприклад, яку політику маршрутизації використовувати.

Часто в традиційному експериментальному проектуванні та аналізі обмеження часу та витрат призводять до використання лише двох-трьох значень кожного параметра моделі. Моделювання дає можливість перевірити стільки значень, скільки дозволяють час і обчислювальні ресурси. Наприклад, можуть бути змодельовані різні розміри міжстанційного буфера. Дуже великий розмір може представляти нескінченний буфер. Буфер розмір одного або двох буде мінімальним. Можна оцінити проміжні розміри буфера, такі як п'ять і десять.

Які значення використовуються, можуть залежати від результатів попередніх моделювань. Наприклад, результати початкового моделювання можуть свідчити про те, що необхідний розмір буфера в діапазоні від 10 до 20. Додаткові симуляції будуть запущені для розмірів буфера від 10 до 20.

Параметри моделі повинні бути визначені та вказані їх значення.

4.4.2 Заходи щодо ефективності

Показники ефективності - це величини, що використовуються для оцінки поведінки системи. Вони визначені відповідно до принципу 9 глави 1: «Моделювання експериментальних результатів відповідає унікальним системним вимогам до інформації». Таким чином, кожен експеримент з моделювання може мати різні показники продуктивності.

Можливі показники продуктивності для експериментів з двома станціями в серії моделі можуть бути наступними:

1. Кількість елементів, які чекають у кожному буфері.
2. Відсоток часу, коли кожна робоча станція зайнята.
3. Відсоток часу простою кожної робочої станції.
4. Час, який елемент витрачає в системі (час виконання).
5. Загальна кількість елементів, оброблених робочою станцією.

Зверніть увагу, що значення змінних стану використовуються як заходи продуктивності разом з часом, прийнятим суб'єктами в одному, декількох або всіх етапах обробки. Також бажаний підрахунок кількості суб'єктів, які завершують обробку. Такі заходи продуктивності характерні для багатьох експериментів з моделювання.

Повинні бути визначені показники ефективності, включаючи те, як обчислюється кожен.

4.4.3 Потоки випадкових зразків

Однією з цілей імітаційного експерименту є порівняння сценаріїв. Припустимо, що статистично значущої різниці між двома сценаріями не виявлено. Це може статися через те, що сценарії не викликають чітких відмінностей у продуктивності системи. Друга і небажана можливість полягає в тому, що дисперсія спостережень, зроблених під час моделювання, занадто висока, щоб реальні відмінності в системних спостереженнях могли бути підтверджені статистично.

Припустимо, ми хотіли оцінити зміну роботи робочої станції А на двох станціях в послідовній моделі, де діапазон часу роботи скорочується до рівномірно розподіленого між 7 і 11 секундами від рівномірно розподіленого між 5 і 13 секундами. Одні й ті ж прибуття можуть бути використані для моделювання обох сценаріїв. Таким чином, порівняння може бути здійснено щодо того ж набору сутностей, що обробляються робочою станцією. Загалом, такий підхід називають методом загальних випадкових чисел, оскільки моделювання двох сценаріїв мають однакову загальну схему прибуття. Кожен раз між прибуттями визначали шляхом взяття випадкової вибірки з експоненціального розподілу, що моделює цю величину. Про те, як це робиться, піде мова в наступному розділі.

Щоб краще зрозуміти вплив загальних випадкових чисел, розглянемо, що відбувається, коли вони не використовуються. У моделюванні першого сценарію був би інший набір заїздів, ніж у моделюванні другого сценарію. Спостережувані відмінності у значеннях вимірювання продуктивності між двома сценаріями можуть бути пов'язані з відмінностями в прибутті або справжніми відмінностями між сценаріями. Таким чином, дисперсія, пов'язана з сумарною статистикою відмінностей у значеннях, таких як середній час виконання, швидше за все, буде вище, ніж якби використовувалися загальні випадкові числа. Ця більша дисперсія може призвести до того, що не вдалося виявити справжню різницю між сценаріями стосовно даного показника продуктивності, наприклад, часу виконання, навіть якщо така різниця існувала.

Метод загальних випадкових чисел вимагає різних потоків вибірки для кожної кількості, змодельованої розподілом ймовірностей. Хоча це не гарантує зменшення дисперсії різниці, досвід показав, що скорочення часто відбувається. На практиці для більшості мов моделювання це означає, що потік зразків, пов'язаних з кожною кількістю, змодельованою розподілом ймовірностей, повинен мати окрему назву.

Закон (2007) докладніше про загальний підхід випадкових чисел, а також інші методи проектування експерименту для контролю дисперсії. Банки, Карсон, Нельсон та Ніколь (2009) також обговорюють ці методи.

Величини, змодельовані розподілами ймовірностей у моделі, повинні бути ідентифіковані та однозначно названі методом загальних випадкових чисел.