来自系列:理解离散事件仿真
坎贝尔,MathWorks
学习如何离散事件模拟使用随机过程,在这方面的系统是随机的,在这个MATLAB®坎贝尔的技术谈判。随机过程对离散事件仿真尤为重要,因为它们是一种方法,您可以用于近似您无法或选择不为模型的系统的细节。视频探讨了为什么选择不同的随机分布以及为什么你会混合确定主义和非确定性。它探讨了概率术语的仔细安置,使您能够进行有意义的分析,而不会超越模型。
让我们在离散事件仿真的背景下讨论随机过程。随机过程是系统的各个方面是随机化的。由于没有明确的结果,关于过程如何随着时间的推移而发展,它们通常被称为“非确定性”。随机过程对离散事件模拟尤为重要,作为近似我们无法或选择不为模型的系统的细节的方法。如果我们完全忽略这些细节并将我们的模型的所有参数定义为常量,则模拟将是微不足道的。
为了说明这一概念,考虑乘客登机飞机的离散事件模拟。实现这一目标的一种方法是将过道塑造为一个系列的队列和服务器,在这种情况下,在这种情况下乘客,直到他们到达分配的座位。当他们到达正确的行时,乘客在将他们进入座位之前占据顶上的垃圾箱里的随身携带。所有您所要做的就是定义每个乘客完成这些任务所需的时间,以模拟飞机到完全板所需的时间。
对这个过程的一阶近似假设是,每个乘客都需要相同的时间来完成装行李和进入座位的任务。但我们都知道,从个人经验来看,情况并非如此;有些人就是比别人慢。因此,模拟应该模拟任务持续时间的可变性,以提供更有意义的结果。问题是怎样做才是最好的。当一个人坐在自己的座位上时,我们不可能模拟出他行为的每一个细微差别。但是,我们可以通过随机分配每个乘客在服务器上花费的时间来接近现实。
当然,我们必须在模型上加上一些约束条件,这样随机化的值才合理。我们可以通过定义一个实体在服务器上花费的时间的概率分布来实现这一点。分布就是某一特定数字被选中的概率。一种策略是使用均匀分布,即在指定范围内的每个值都有相同的概率。在我们的例子中,我们可以说乘客需要2到10秒才能坐到座位上。
但如果你实际测量乘客完成这项任务所花的时间,你可能会发现,更多的乘客会聚集在这个范围的中间某个特定值附近,而更少的人会聚集在极端值附近。这是一个常见的统计结果,这就是为什么你经常在模型中看到高斯分布或正态分布。然而,在客运量的情况下,高斯分布可能不是最好的选择。由于任务不可能花费少于零秒的时间,泊松分布或威布尔分布可能更有意义。但无论你选择哪种分布都取决于你试图描述的现象。
现在在采用离散事件模拟中的概率方面并非全部或全无都无所有。您可以选择模型的确定性,并依赖于填补其余的概率。通常,您想专注于包括不符合概率分布的系统细节。例如,进入飞机上座位所需的时间很大程度上取决于是否坐着的乘客是碍诗方式。如果该人必须起床腾出空间,座位过程的持续时间会显着增加。因此,在这种情况下,您真的需要采用特定于情况的概率而不是单个毯子规则。
这是这种混合确定主义和非确定性的技术,使离散事件模拟如此有价值。明智地放置概率术语使您可以进行有意义的分析,而不会超越模型。
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。