Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 1/12

MODELIRANJE ULAZNIH PODATAKA

Handbook of simulation (1998), editor J. Banks, Chapter 3, „Input data analisys“, S. Vincent

Modeliranje ulaznih podataka odnosi se na

(1) Prikupljanje podataka iz realnog sistema
(2) Identifikacija raspodela verovatnoća ulaznih podataka
(3) Izbor parametara raspodela
(4) Evaluacija saglasnosti raspodela verovatnoća

• Osnovno pitanje je na koji način modelirati procese i pojedine veličine

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 2/12

• Na prethodno pitanje nije lako dati odgovor, ali prethodna slika upućuje na aspekte
problema
• Kada je reč o korišćenju realnih, istorijskih, podataka – dakle empirijskih, tipični
problemi koji prate njihovu primenu su sledeći (Vincent, 1998):
Redosled podataka se razlikuje on onog kakav je realizovan
Način grupisanja podataka (klase podataka)
Podaci prikupljeni nedovoljno precizno
Greške u prikupljenim podacima
Podaci o procesima ali bez informacija koji ih određuju (napr. vremena opravke ali
bez tipa otkaza)
Podaci prikupljeni na različitim realnim procesima (podaci koji se odnose na periode
sa minimalnim, odnosno vršnim opterećenjem)
• Jedan od problema direktnog korišćenja empirijskih podataka je i taj da simulirane
vrednosti, prirodno, ne mogu izići iz opsega koji se nalazi u uzorku, a to može
predstavljati potencijalni problem. Shodno tome, dobro je koristiti teorijske raspodele
saglasne sa podacima iz uzorka, a u opredeljenju za tip raspodele mogu pomoći
informacije date u nastavku
• Generalno gledano, treba uvek imati u vidu da kvalitet izlaznih rezultata simulacije ne
može biti bolji od kvaliteta ulaza - GIGO: Garbage-In-Garbage-Out
Ulazi simulacije ukoliko podaci nisu raspoloživi
• Opšti „inžinjerski podaci“: podaci proizvođača opreme, teh ička uputstva, pravilnici,
standardi...

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 3/12

• Ekspertsko mišljenje
• Fizička i druga ograničenja vrednosti podataka
• Priroda procesa
• Uniform, triangular i beta raspodela se veoma često koriste

Fizičko značenje pojedinih raspodela verovatnoća (Banks et al.

(2005), „Discrete sistem simulation“)

• Binomna – Modelira broj uspešnih u n pokušaja, kada su pokušaji nezavisni sa istom

verovatnoćom uspeha, p; na primer; broj neispravnih čipova u grupi od n čipova.
• Negativna binomna (uključuje i geometrijsku) – Broj pokušaja da bi se dostiglo k
uspešnih; na primer, broj čipova koje treba kontrolisati da bi se našla 4 neispravna.
• Puason – Modelira broj nezavisnih događaja koji se pojavljuju u fiksnom
vremenskom intervalu; na primer, broj vozila koja dolaze na front pretovara u toku
jednog časa, broj oštećenih kutija koje se nalaze na 20 paleta.
• Normalna – Modeliranje raspodele procesa koji predstavlja zbir komponenti
procesa; na primer, vreme formiranja palete koje je zbir vremena postavljanja pojedinih
kutija.
• Lognormalna – Modeliranje raspodele procesa koji predstavlja proizvod
komponenti procesa; na primer, kamata koja se računa po principu „kamate na
kamatu“.

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 4/12

• Eksponencijalna – Modeluje vreme između nezavisnih događaja, ili vremena rada

kada ona ne zavise međusobno; na primer, vremena dolazaka klijenata koji ne zavise
jedan od drugog. Veoma je varijabilna; ponekad se preterano koristi jer obezbeđuje
kreiranje analitički rešivih modela. Podsetimo se da ukoliko vreme između dogadjaja ima
eksponencijalnu raspodelu, broj događaja u fiksnom intervalu ima Puasonovu raspodelu.
• Gama – Izuzetno fleksibilna raspodela koja se koristi za modeliranje nenegativnih
slučajnih promenljivih (dodavanjem konstante može se odvojiti od nule).
• Beta – Izuzetno fleksibilna raspodela koja se koristi za modeliranje ograničenih
slučajnih promenljivih. Dodavanjem konstante može se „odvojiti“ od nule, a
multiplikovanjem konstantom moguće je definisati opseg veći od [0, 1].
• Erlang – Modeluje procese koji predstavljaju zbir nekoliko eksponencijalnih; na
primer, ako je reč o računarskoj mreži kod koje postoji server i dva backup računara,
kojima su vremena do otkaza eksponencijalno raspoređena, tada, u slučaju da otkaz
mreže podrazumeva pad sva tri računara, raspodela vremena do otkaza mreže ima
Erlangovu raspodelu.
• Weibull – Modeluje vreme do otkaza komponenti; eksponencijalna raspodela
predstavlja specijalan slučaj Weibull-ove.
• Diskretna na kontinualnoj ravnomernoj – Modeluje potpunu neizvesnost: Svi
događaji su jednako verovatni. Često se neprikladno koristi u slučajevima kada podaci
o sistemu ne postoje, ali je pitanje opravdanosti takvog pristupa uvek prisutno.
• Trouglasta – Modeluje procese kod kojih su poznate minimalna, maksimalna i
najverovatnija vrednost; na primer, minimalno, najverovatnije i maksimalno vreme

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 5/12

trajanja neke operacije. U mnogim slučajevima koristi se kao poboljšanje u odnosu na

primenu ravnomerne raspodele.
• Empirijska – Rekonstruiše raspodelu podataka prikupljenih u realnom sistemu;
koristi se u slučajevima kad se ne može prihvatiti saglasnost podataka sa nekom
teorijskom raspodelom.

ANALIZA IZLAZNIH PODATAKA SIMULACIJE

• “Analiza izlaza označava proces ispitivanja podataka generisanih simulacijom. Svrha
analize je ili u predviđanju performansi sistema ili pak u poređenju alternativnih
koncepcija simulacionog modela.” (Banks et al., 2005, p. 383).
• “Nažalost, simulacija se često posmatra samo kao vežba u programiranju“. Šta više,
kod alata (Flexsim, Arena) koji omogućuju kreiranje modela preko korisničkog interfejsa
to se svodi na vežbu razvoja modela koji je sam sebi cilj, a ponekad (kod korišćenja
Flexsim-a) čak i na kreiranje animacije ili „crtanog filma“. Međutim, simulacija je (ili treba
da jeste) u svojoj suštini eksperiment na uzorku koji se realzuje korišćenjem
računarskog modela, pa je kao i za rezultate svakog eksperimenta neophodno koristiti
odgovarajuće statističke metode kako bi se odredio smisao i rezultat tog eksperimenta.
• Neka su Y1, Y2, Y3, …Ym izlazi slučajnog procesa nakon jedne simulacije (jedne
replikacije - tj. jednog ponavljanja simulacionog eksperimenta).
• Neka su, takođe, y11, y12, …, y1m realizacije Yi’s rezultat simulacionog eksperimenta od
m realizacija koje su posledica korišćenja slučajnnih brojeva u11, u12, …, u1m.

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 6/12

• Razmotrimo sada rezultate n replikacija modela. Realizovane slučajne promenljive Yi’s

su:

• Cilj analize izlaznih podataka u stvari je da se korišćenjem observacija yji (i = 1, 2, …m; j

= 1, 2, …, n) izvuku zaključci o slučajnim promenljivima Y1, Y2, …, Ym. Treba naglasiti
da je ovaj cilj uvek isti, nezavisno od toga šta slučajne promenljive Y predstavljaju.
• Tipovi odluka:
1. Koliko podataka generisati da bi se dobili statistički prihvatljivi rezultati?
2. Kako analizirati podatke koji su rezultat simulacionog eksperimenta na modelu?
3. Kako porediti koncepte/operativne uslove eksperimenta?
• Takođe, jedan od problema ili potencijalnih zamki analize podataka dobijenih
simulacijom mogu biti i nedovoljno dobro definisani ciljevi, odnosno promenljive koje su
odabrane da bi se utvrdila neka karakteristika sistema. U tom kontekstu, Sanches
(2001), navodi sledeći primer:

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 7/12

“Razmotrimo menadžerku banke koja naručuje simulacionu studiju, zabrinuta zbog

vremena čekanja klijenata. Međutim, analiza samo ovog vremena ne daje odgovor na
razloge zabrinutosti”
Za razmatranje ovog problema treba analizirati:
– Očekivano vreme boravka klijenta u sistemu
– Očekivano vreme čekanja klijenta
– Verovatnoću da će vreme čekanja klijenta prevazići 10 min,
– Varijansu vremena čekanja
– Varijansu vremena opsluge
– Verovatnoću opsluge u intervalu 1 – 3 min
– ...
Sanchez, S., “ABC’s of Output Analysis”, Proceedings of the 2001 Winter Simulation Conference, B.A. Peters, J.
S. Smith, D. J. Medeiros, and M. W. Roher, eds., December 2001.

Vremenski definisana i simulacija sa stacionarnim režimom

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 8/12

• Vremenski definisana simulacija je ona kod koje se u modelu definišu specifični

uslovi početka i završetka rada, kao posledice prirode funkcionisanja realnog sistema.
Primeri:
– Otvaranje i zatvaranje prodavnice
– Proizvodnja serije određene veličine
– Građevinski projekat koji se završava sa izgradnjom objekta
– Dolazak na radno mesto sa početkom radnog vremena i odlazak sa radnog mesta sa
završetkom radnog vremena
– ...

• Vremenski nedefinisana, ili simulacija stacionarnog stanja je ona kod koje ne

postoje prirodni uslovi koji determinišu početak i završetak. Prema tome, kod modela
ovog tipa, zainteresovani smo za utvrđivanje performansi u dužem periodu, u uslovima
stacionarnog, „normalnog“ režima rada sistema. U sistemima i procesima ovog tipa,
polazni, odnosno inicijalni podaci, po pravilu nisu od interesa za analizu i šta više, mogu
uticati na stvaranje pogrešne slike o radu realnog sistema.
• U sistemima ovog tipa postaje značajno pitanje definisanja dužine vremenskog
intervala posle koga se rezultati simulacije mogu smatrati stacionarnim.
• U tom kontekstu, za razumevanje suštine problema, neophodno je upoznati se sa
pojmom prelaznih raspodela (transient distributions)
Prelazne raspodele

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 9/12

• Ako Fi(y | I) → F(y) kada i→∞ za sve y pri početnim uslovima I, onda se F(y) naziva
stacionarnom raspodelom verovatnoća izlaznih procesa Y1, Y2, ….
• Razmotrimo izlazne slučajne procese Y1, Y2, …. i neka je Fi(y | I) = P (Yi ≤ y | I), za
i=1,2,... gde je vrednost promenljive y realan broj i gde l predstavlja početne uslove pri
pokretanju simulacije u trenutku t=0
• Fi(y | I) se naziva prelazna raspodela izlaznog procesa u trenutku i za inicijalne uslove l

Primeri (Sistemi koji neprekidno funkcionišu u dužem periodu):

– Skladišni sistem i praćenje nivoa zaliha (po pokretanju modela sistem je prazan ili
pak zalihe mogu biti na predefinisanom nivou)
– Rad lučkog terminala otvorenog 24h
– Hitne službe

Milorad Vidović - Simulacija logističkih sistema

Modeliranje ulaza, analiza izlaza i period „zagrevanja“ u simulaciji 10/12

• U praksi se međutim gotovo uvek moraju definisati inicijalni uslovi rada modela
(početni broj paleta u skladištu, dolazak ili nedolazak klijenta u početnom – nultom
trenutku,...).
• Treba naglasiti da je opredeljenje za tip simulacije (vremenski definisana ili ne) više
vezano za stav analitičara i željene izlaze, nego je to posledica karakteristika sistema.
Tako na primer, ako se posmatra skladište ili recimo cross-dock koji radi u dve smene
(7 – 21h), a period vršnog opterećenja je u ranim popodnevnim satima, vremenski
definisana simulacija bi se koristila za praćenje rada u toku dana, ali se za simulaciju
rada u vršnom periodu koristi drugi koncept u kome se za period stacionarsti uzima baš
taj vršni period i parametri koji ga karakterišu.
• Alternative za prevazilaženja problema prelaznog stanja
1. Pokretanje simulacije iz stanja bliskom stacionarnom („regularnom“)
2. Korišćenje perioda zagrevanja “warm-up period” nakon koga se statistike resetuju
3. Simulirati proces dovoljno dugo da se uticaj početnog stanja izgubi “wash out”
• Najjednostavniji metod procene dovoljnosti dužine „perioda zagrevanja“ modela ili
dužine simulacije je da se pokrene više nezavisnih ponavljanja simulacije. Ukoliko je
pak potrebni „period zagrevanja“ previše dugačak, treba razmotriti pokretanje samo
jedne simulacije u dovoljno dugom periodu, jer se, logično, kroz period zagrevanja tada
prolazi samo jednom. Generalno, problem pristupa sa jednim ponavljanjem
simulacionog eksperimenta je da su individualne observacije u okviru takvog
eksperimenta obično korelativne.
•
Milorad Vidović - Simulacija logističkih sistema