Одной из реальных проблем, с которой сталкивается аналитик симуляции, является проверка модели. Имитационная модель действительна только в том случае, если модель является точным представлением фактической системы, в противном случае она недействительна.
Валидация и верификация — это два шага в любом проекте симуляции для валидации модели.
-
Валидация — это процесс сравнения двух результатов. В этом процессе нам нужно сравнить представление концептуальной модели с реальной системой. Если сравнение верно, то оно действительно, иначе недействительно.
-
Проверка — это процесс сравнения двух или более результатов для обеспечения их точности. В этом процессе мы должны сравнить реализацию модели и связанные с ней данные с концептуальным описанием и спецификациями разработчика.
Валидация — это процесс сравнения двух результатов. В этом процессе нам нужно сравнить представление концептуальной модели с реальной системой. Если сравнение верно, то оно действительно, иначе недействительно.
Проверка — это процесс сравнения двух или более результатов для обеспечения их точности. В этом процессе мы должны сравнить реализацию модели и связанные с ней данные с концептуальным описанием и спецификациями разработчика.
Методы проверки и валидации
Существуют различные методы, используемые для проверки и валидации имитационной модели. Ниже приведены некоторые из распространенных методов —
Методы выполнения проверки имитационной модели
Ниже приведены способы выполнения проверки имитационной модели:
-
Используя навыки программирования, чтобы написать и отладить программу в подпрограммах.
-
Используя политику «Структурированного прохождения», в которой более одного человека должны читать программу.
-
Отслеживая промежуточные результаты и сравнивая их с наблюдаемыми результатами.
-
Проверяя вывод имитационной модели, используя различные входные комбинации.
-
Сравнивая окончательный результат моделирования с аналитическими результатами.
Используя навыки программирования, чтобы написать и отладить программу в подпрограммах.
Используя политику «Структурированного прохождения», в которой более одного человека должны читать программу.
Отслеживая промежуточные результаты и сравнивая их с наблюдаемыми результатами.
Проверяя вывод имитационной модели, используя различные входные комбинации.
Сравнивая окончательный результат моделирования с аналитическими результатами.
Методы проведения валидации имитационной модели
Шаг 1 — Разработка модели с высокой достоверностью. Это может быть достигнуто с помощью следующих шагов —
- Модель должна быть обсуждена с системными экспертами при проектировании.
- Модель должна взаимодействовать с клиентом на протяжении всего процесса.
- Вывод должен контролироваться системными экспертами.
Шаг 2 — Проверьте модель на допущениях данных. Это может быть достигнуто путем применения данных предположения в модель и количественного тестирования. Чувствительный анализ также может быть выполнен для наблюдения за эффектом изменения результата, когда во входных данных вносятся существенные изменения.
Шаг 3 — Определите репрезентативный результат имитационной модели. Это может быть достигнуто с помощью следующих шагов —
-
Определите, насколько близки выходные данные симуляции к реальному выходу системы.
-
Сравнение может быть выполнено с использованием теста Тьюринга. Представляет данные в системном формате, который могут объяснить только эксперты.
-
Статистический метод может использоваться для сравнения выходных данных модели с реальными выходными данными системы.
Определите, насколько близки выходные данные симуляции к реальному выходу системы.
Сравнение может быть выполнено с использованием теста Тьюринга. Представляет данные в системном формате, который могут объяснить только эксперты.
Статистический метод может использоваться для сравнения выходных данных модели с реальными выходными данными системы.
Сравнение данных модели с реальными данными
После разработки модели мы должны сравнить ее выходные данные с реальными системными данными. Ниже приведены два подхода для выполнения этого сравнения.
Проверка существующей системы
В этом подходе мы используем входные данные модели в реальном мире для сравнения ее выходных данных с входными данными реальной системы в реальном мире. Этот процесс проверки является простым, однако при его выполнении могут возникнуть некоторые трудности, например, если выходные данные нужно сравнить со средней продолжительностью, временем ожидания, временем простоя и т. Д., Его можно сравнить с помощью статистических тестов и проверки гипотез. Некоторые из статистических тестов — это критерий хи-квадрат, критерий Колмогорова-Смирнова, критерий Крамера-Мизеса и критерий Моментов.
Проверка первой модели
Представьте, что мы должны описать предлагаемую систему, которой нет ни в настоящее время, ни в прошлом. Таким образом, нет исторических данных, с которыми можно сравнить его производительность. Следовательно, мы должны использовать гипотетическую систему, основанную на предположениях. Следующие полезные указатели помогут сделать его эффективным.
Срок действия подсистемы. Сама модель может не иметь какой-либо существующей системы для сравнения, но она может состоять из известной подсистемы. Каждый из этих срок действия может быть проверен отдельно.
Внутренняя достоверность — модель с высокой степенью внутренней дисперсии будет отклонена как стохастическая система с высокой дисперсией, поскольку ее внутренние процессы будут скрывать изменения в выходных данных из-за изменений входных данных.
Анализ чувствительности — он предоставляет информацию о чувствительном параметре в системе, которому мы должны уделять больше внимания.
Валидность лица — когда модель работает по противоположной логике, ее следует отклонить, даже если она ведет себя как настоящая система.