让我们来讨论随机过程在离散事件仿真的背景下。一个随机过程是一个系统的哪些方面是随机的。由于没有明确的结果,过程将如何演变随着时间的推移,他们通常被称为“不确定性”。Stochastic processes are particularly important to discrete-event simulation as a method of approximating the details of a system that we either can’t or choose not to model. If we neglect these details altogether and define all the parameters of our model as constants, the simulation would be trivial and uninformative.
为了说明这个概念,考虑一个离散事件模拟飞机的乘客登机。实现这一目标的一个方法是模型队列和服务器的通道为一系列的实体,在这种情况下,乘客,穿过,直到他们达到他们的分配座位。当他们到达正确的行,乘客把他们的随身行李舱顶行李箱前工作进入他们的座位。所有你要做的就是定义每个乘客所需的时间来完成这些任务,以模拟需要多长时间飞机完全董事会。
这个过程的一阶近似是假定每一个乘客需要相同的时间完成这个任务的充填的洗发露和进入他们的座位。从我的个人经历,但我们都知道,事实并非如此;有些人就是比别人慢。模拟应模型变化任务持续时间提供更多有意义的结果。现在的问题是如何最好地做这件事。我们不可能模型的每一个细枝末节都一个人的行为,因为他们让位于他们的座位。但是,我们可以通过随机化时间接近现实中的每个乘客花服务器。
当然,我们必须把一些约束模型的随机值是合理的。我们可以做到这一点通过定义一个概率分布为一个实体的时间花在服务器。只是一个特定的几率分布数量被选中。一个策略是使用相同的均匀分布几率被放置在每个值在规定的范围内。在我们的例子中,我们可以说它需要10秒和2之间运送乘客的座位。
但是如果你实际测量乘客在完成这个任务的时候,你可能会发现更多的人聚集在一个特定的值在这个范围内,虽然少了发现的极端。这是一种常见的统计结果,这就是为什么你经常看到高斯分布或正态分布模型中使用。然而,在乘客加载的情况下,一个高斯分布可能不是最好的选择。因为它是不可能的任务要小于0秒,泊松或威布尔分布可能更有意义。但不管分配你选择将取决于你试图描述的现象。
现在不是全有或全无的时候采用离散事件模拟的概率。你选择多少确定性模型和依靠概率来填写。一般来说,你要关注包括系统细节,不符合一个概率分布。例如,所需的时间进入一个座位在飞机上在很大程度上依赖于一个坐着的乘客是否。如果这个人已经起身去房间,座位过程的持续时间显著增加。所以在这种情况下,你会真的想使用概率的具体情况而不是一个毯子规则。
这种技术的混合决定论和非确定性使离散事件模拟如此有价值。明智的位置的概率条件使您没有过于复杂模型进行有意义的分析。
