Учебники

Проверка и валидация

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.

Верификация и валидация

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.