TKI153104

Simulasi Sistem Industri

Diskrit-acara Simulasi
Ulasan
• Suatu sistem mendefinisikan menjadi koleksi entitas, misalnya,
orang atau mesin, yang bertindak dan berinteraksi bersama-sama
menuju pencapaian suatu tujuan yang logis
• Contoh: jika seseorang ingin mempelajari bank untuk menentukan
jumlah teller yang diperlukan untuk menyediakan layanan yang
memadai bagi pelanggan yang ingin hanya untuk menguangkan cek
atau melakukan deposit tabungan, sistem dapat didefinisikan bahwa
sebagian dari bank yang terdiri dari teller dan pelanggan mengantri
atau dilayani. Jika, di sisi lain, petugas pinjaman dan keselamatan
kotak deposit yang harus dimasukkan, definisi sistem harus diperluas
dengan cara yang jelas.
• Kami mendefinisikan keadaan sistem untuk menjadi bahwa
koleksi dengan tujuan penelitian.
• Dalam sebuah studi dari bank, contoh kemungkinan variabel negara
adalah jumlah teller yang sibuk, jumlah pelanggan di bank, dan
waktu kedatangan setiap pelanggan di bank.
Ulasan
• Jenis sistem
• berlainan
• variabel negara mengubah seketika pada titik-titik terpisah dalam
waktu
• Bank Model: perubahan Negara hanya terjadi ketika seorang
pelanggan tiba atau berangkat
• Kontinu
• variabel negara berubah terus menerus sebagai fungsi waktu
• Pesawat penerbangan: variabel Negara seperti posisi, perubahan
kecepatan terus menerus
• Banyak sistem yang sebagian diskrit, sebagian terus menerus
 model terus menerus dan Discrete-event

Jarak Jumlah
berwisata dari cust.
dengan pesawat di antrian

Waktu Waktu

(A) Continuous-event (B) Discrete-event

Sistem
DISKRIT-ACARA SIMULASI
• simulasi kejadian diskrit : Pemodelan sistem seperti itu
berkembang dari waktu ke waktu oleh representasi di mana
variabel state berubah seketika pada titik-titik terpisah dalam
waktu
• Lebih tepatnya, negara dapat berubah hanya yg jumlahnya dpt
dihitung jumlah titik dalam waktu
• Titik-titik ini dalam waktu yang ketika peristiwa terjadi
• Peristiwa : Terjadinya Seketika itu mungkin mengubah keadaan
dari sistem
• Kadang-kadang kreatif tentang apa yang “acara” adalah ... misalnya,
akhir simulasi, membuat keputusan tentang operasi sistem ini
• Secara prinsip dapat dilakukan dengan tangan, tetapi biasanya
dilakukan pada komputer
 Diskrit-acara Simulasi (lanjutan.)

• Contoh: antrian Single-Server

• Memperkirakan diharapkan delay rata-rata dalam antrian (line,
tidak layanan)
• variabel negara
• Status server (menganggur, sibuk) - dibutuhkan untuk memutuskan
apa yang harus dilakukan dengan kedatangan
• panjang saat antrian - tahu di mana untuk menyimpan kedatangan

Meluncur 7 dari 51
yang harus menunggu di baris
• Waktu kedatangan setiap pelanggan sekarang dalam antrian -
dibutuhkan untuk menghitung waktu dalam antrian ketika layanan
dimulai
• Acara
• Kedatangan pelanggan baru
• Layanan selesai (dan keberangkatan) dari pelanggan
• Mungkin - akhir acara-simulasi ( “palsu” acara) - apakah ini
merupakan acara tergantung pada bagaimana simulasi
Menghentikan (keputusan modeling)
Waktu-Muka Mekanisme
• jam simulasi: Variabel yang membuat nilai sekarang dari
(simulasi) waktu dalam model
• Harus memutuskan, konsisten tentang, unit waktu
• Biasanya tidak ada hubungan antara waktu simulasi dan (real)
waktu yang dibutuhkan untuk menjalankan model pada
komputer
• Dua pendekatan untuk waktu muka
• Next-event waktu muka (Biasanya digunakan)
• Fixed-increment waktu muka (jarang digunakan)
• Umumnya memperkenalkan beberapa jumlah kesalahan pemodelan
dalam hal ketika peristiwa harus terjadi vs melakukan terjadi
• Memaksa tradeoff antara akurasi Model dan efisiensi komputasi
Waktu-Muka Mekanisme (lanjutan.)

• Lebih next-event waktu muka

• Menginisialisasi jam simulasi untuk 0
• Tentukan kali terjadinya peristiwa masa depan - daftar acara
• Jam maju ke depan (paling dekat) acara, yang dieksekusi
• eksekusi acara mungkin melibatkan memperbarui daftar acara
• Lanjutkan sampai aturan menghentikan puas (harus secara
eksplisit dinyatakan)
• Jam “melompat” dari satu waktu acara ke depan, dan tidak “ada”
untuk kali antara kejadian yang beruntun ... masa non-aktif
diabaikan
Waktu-Muka Mekanisme (lanjutan.)

• Next-event waktu muka untuk antrian tunggal-server

tsaya = Waktu kedatangan sayath pelanggan (t0 = 0)
SEBUAHsaya = tsaya - tsaya-1 = Interarrival waktu antara (saya-1) st dan
sayath pelanggan (biasanya diasumsikan variabel acak dari beberapa
distribusi probabilitas)
Ssaya = Kebutuhan pelayanan-waktu sayapelanggan th (variabel acak
lain)
Dsaya = Keterlambatan dalam antrian sayapelanggan th
Csaya = tsaya + Dsaya + Ssaya = waktu sayapelanggan th melengkapi layanan
dan berangkat
ej = Waktu terjadinya jth event (dari jenis apa pun), j = 1, 2, 3, ...
• Kemungkinan jejak peristiwa (narasi rinci dalam teks)
Komponen dan Organisasi Model
Discrete-Event Simulasi
• Setiap model simulasi harus disesuaikan dengan sistem target
• Tapi ada beberapa komponen umum, organisasi umum
• sistem negara - variabel untuk menggambarkan negara
• jam simulasi - nilai saat waktu simulasi
• daftar acara - kali kejadian masa depan (sesuai kebutuhan)
• counter statistik - untuk mengumpulkan jumlah output
• inisialisasi rutin - menginisialisasi model pada waktu 0
• timing rutin- menentukan waktu acara berikutnya, jenis; jam muka
• rutinitas acara - melaksanakan logika untuk setiap jenis acara
• rutinitas perpustakaan - rutinitas utilitas untuk menghasilkan acak
variates, dll.
• generator laporan - untuk meringkas, laporan hasil di akhir
• Program utama - ikatan rutinitas bersama-sama, mengeksekusi mereka
dalam urutan yang benar
Komponen dan Organisasi Model
Discrete-Event Simulasi
(lanjutan.)
Komponen dan Organisasi Model
Discrete-Event Simulasi (lanjutan.)

• Lebih lanjut tentang entitas

• Objek yang menyusun model simulasi
• Biasanya termasuk pelanggan, bagian, pesan, dll ... mungkin
termasuk sumber daya seperti server
• Ditandai dengan nilai data disebut atribut
• Untuk setiap entitas penduduk dalam model ada record (baris)
dalam daftar, Dengan atribut menjadi kolom
• Pendekatan pemodelan
• Event-penjadwalan - seperti dijelaskan di atas, dikodekan dalam
bahasa tujuan umum
• Proses - berfokus pada entitas dan mereka “pengalaman,”
biasanya membutuhkan software simulasi tujuan khusus
SIMULASI SISTEM ANTRIAN SATU-
SERVER
• Akan menunjukkan bagaimana untuk mensimulasikan versi
tertentu dari single-server antrian sistem
• Meskipun sederhana, berisi banyak fitur yang ditemukan di
semua model simulasi
Pernyataan masalah
• Ingat tunggal-server antrian model
• Menganggap interarrival kali adalah independen dan
terdistribusi secara identik (IID) variabel random
• Asumsikan kali layanan yang IID, dan independen dari
interarrival waktu
• disiplin antrian FIFO

Meluncur 15 dari 51
• Mulai kosong dan menganggur pada waktu 0
• pelanggan pertama tiba setelah interarrival waktu, tidak
pada waktu 0
• Menghentikan aturan: Ketika npelanggan th telah
menyelesaikan keterlambatan dalam antrian (yaitu,
memasuki layanan) ... n akan ditetapkan sebagai masukan
Pernyataan masalah (lanjutan.)

• Kuantitas harus diperkirakan

• Diharapkan delay rata-rata dalam antrian (Waktu pelayanan
tidak termasuk) dari n pelanggan menyelesaikan keterlambatan
mereka
• Mengapa “diharapkan?”
• Diharapkan rata-rata jumlah pelanggan dalam antrian (Tidak
termasuk dalam pelayanan)
• SEBUAH kontinyu-waktu rata-rata
• Area di bawah Q(t) = Panjang antrian pada saat t, dibagi dengan T(n)
= Waktu simulasi berakhir ... melihat buku untuk pembenaran dan
rincian
• pemanfaatan diharapkan (proporsi waktu sibuk) dari server
• Lain terus-waktu rata-rata
• Area di bawah B(t) = Fungsi server sibuk (1 jika sibuk, 0 jika
menganggur pada waktu t), dibagi dengan T(n) ... pembenaran dan
detail dalam buku
• Banyak orang lain yang mungkin (maxima, minima, waktu atau
nomor dalam sistem, proporsi, quantiles, varians ...)
• Penting: Diskrit-waktu vs. waktu kontinu statistika
intuitif Penjelasan
• Mengingat (untuk saat ini) waktu antar (semua waktu dalam
menit):
0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
• Mengingat kali layanan:
2.0, 0.7, 0.2, 1.1, 3.7, 0.6, ...
• n = 6 keterlambatan dalam antrian yang diinginkan
• “Tangan” simulasi:
• sistem, variabel negara, jam, daftar acara, counter statistik ...
semua tampilan setelah pelaksanaan setiap peristiwa
• Gunakan daftar antar kedatangan, kali pelayanan kepada “drive”
simulasi
• Berhenti ketika jumlah penundaan hit n = 6, ukuran kinerja
keluaran menghitung
 intuitif Penjelasan (lanjutan)

Status
yang
ditampil
kan
adalah
setelah
semua
perubah
an yang
telah
dibuat
dalam
setiap
kasus ...
interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...

Di bawah Q (t) (antrian)

intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...

Q9t) = 0,5 + 2 (2,4-2,1)

B (t) = 1,7 + 1 (2,4-2,1)
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...
intuitif Penjelasan (lanjutan)

interarrival kali: 0,4, 1,2, 0,5, 1,7, 0,2, 1,6, 0,2, 1,4, 1,9, ...
kali layanan: 2,0, 0,7, 0,2, 1,1, 3,7, 0,6, ...

Akhir ukuran kinerja keluaran:

Rata-rata keterlambatan dalam antrian = 5,7 / 6 = 0.95 min./cust.
Waktu rata-rata jumlah dalam antrian = 9,9 / 8,6 = 1,15 custs.
utilisasi server = 7,7 / 8,6 = 0,90 (berdimensi) / 90%
Organisasi Program dan Logika
• Program C untuk melakukan model ini
• jenis acara: 1 untuk kedatangan, 2 untuk keberangkatan
• Modules untuk inisialisasi, waktu, peristiwa, perpustakaan,
laporan, utama
• Perubahan dari simulasi tangan:
• Menghentikan aturan: n = 1000 (bukan 6)
• interarrival dan kali layanan “ditarik” dari distribusi eksponensial
(berarti b = 1 untuk interarrivals, 0,5 untuk kali layanan)

• fungsi kepadatan

• fungsi distribusi kumulatif

Organisasi Program dan Logika (lanjutan.)

• Cara untuk “menarik” (atau menghasilkan) observasi (variate)

Dari distribusi eksponensial?
• Usul:
• Asumsikan sempurna acak-number generator yang menghasilkan
IID variates dari distribusi seragam kontinu pada [0, 1] ...
dilambangkan U (0, 1) distribusi
• algoritma:
1. Menghasilkan nomor acak U
2. Kembali X = - b ln U
• Bukti bahwa algoritma adalah benar:
Aturan Menghentikan
Alternatif
• Menghentikan simulasi di (persis) waktu 8 jam (= 480 menit),
daripada setiap kali n keterlambatan dalam antrian selesai
• Sebelum, nilai akhir dari simulasi jam adalah variabel acak
• Sekarang, jumlah penundaan selesai akan menjadi variabel acak
• Memperkenalkan buatan “end-simulasi” Acara (tipe 3)
• Jadwalkan pada inisialisasi
• rutin acara adalah generator laporan
• Pastikan untuk memperbarui statistik terus-waktu untuk
mengakhiri
Menentukan Acara dan Variabel
• Untuk model yang kompleks, itu mungkin tidak jelas apa
peristiwa yang
• Event-grafik metode (Schruben 1983, dan surat-surat
selanjutnya) memberikan metode graph-teori formal struktur
acara menganalisis
• Dapat menganalisis apa yang perlu diinisialisasi, kemungkinan
menggabungkan acara untuk menyederhanakan model
• paket perangkat lunak (SIGMA) untuk membangun,
menjalankan model simulasi melalui representasi acara-grafik
SIMULASI SISTEM PERSEDIAAN
Pernyataan masalah
• persediaan produk tunggal
• Putuskan berapa banyak item untuk memiliki dalam persediaan
untuk selanjutnya
n= 120 bulan; awalnya (waktu 0) memiliki 60 item di tangan
• Tuntutan terhadap persediaan
• Terjadi dengan waktu antar-demand ~ eksponensial dengan mean
0,1 bulan
• Permintaan size = 1, 2, 3, 4 dengan resp. probabilitas 1/6, 1/3, 1/3,
1/6
• tinjauan persediaan, pemesanan ulang - stasioner (s. S) Kebijakan
pada setiap awal bulan, tingkat tinjauan persediaan = saya
• Jika saya  s, Tidak memesan (smerupakan masukan konstan); tidak
ada biaya pemesanan
• Jika saya < s, memesan Z = S - saya item (S merupakan masukan
konstan, agar “hingga” S); biaya pemesanan = 32 + 3Z; pengiriman
lag ~ U (0,5, 1) bulan
Pernyataan masalah (lanjutan.)

• Permintaan lebih dari saat ini persediaan (fisik) yang

backlogged jadi (akuntansi) persediaan bisa <0
• Membiarkan saya(t) Menjadi (akuntansi) tingkat persediaan
pada saat t (+, 0, -)
saya+(t) = Max {saya(t), 0} = jumlah item fisik di tangan saat t
saya -(t) = Max {-saya(t), 0} = jumlah item dalam backlog pada saat t
• memegang biaya: Menimbulkan $ 1 per item per bulan dalam
persediaan (positif)
Waktu rata-rata (per bulan) memegang biaya =
• kekurangan biaya: Menimbulkan $ 5 per item per bulan di
backlog
Waktu rata-rata (per bulan) biaya backlog =

• Rata-rata total biaya per bulan: Tambah pemesanan,

memegang, biaya kekurangan per bulan
• Coba berbeda (s. S) Kombinasi untuk mencoba untuk mengurangi
Organisasi Program dan Logika
• variabel negara: Tingkat persediaan, jumlah order yang luar
biasa, waktu yang terakhir acara (terbaru)
• Acara:
1. Kedatangan perintah dari pemasok Mengapa pemesanan yang
2. Permintaan untuk produk jenis acara
3 dan 4?
3. Akhir simulasi setelah n = 120 bulan
4. Persediaan evaluasi (mungkin memesan) pada awal bulan
• variates acak dibutuhkan
• kali Interdemand: eksponensial, seperti dalam model antrian
• Pengiriman tertinggal ~ U (0,5, 1): 0,5 + (1 - 0,5)U, di mana U ~ U
(0, 1)
• Permintaan ukuran: Berpisah [0, 1] ke dalam subinterval lebar 1/6,
1/3, 1/3, 1/6; menghasilkanU~ U (0, 1); melihat mana sub
intervalUjatuh; kembaliX = 1, 2, 3, atau 4, masing-masing
PENDEKATAN ALTERNATIF
PEMODELAN DAN PENGKODEAN
Simulasi
• Paralel dan didistribusikan simulasi
• Berbagai macam arsitektur paralel dan terdistribusi
• Memecah model simulasi dalam beberapa cara, menjalankan
bagian yang berbeda secara bersamaan pada prosesor paralel
yang berbeda
• Berbagai cara untuk memecah Model
• Dengan fungsi pendukung - generasi nomor acak, variate generasi,
acara-manajemen daftar, acara rutinitas, dll
• Menguraikan model itu sendiri; menetapkan bagian yang berbeda
dari model ke model prosesor yang berbeda - pesan-lewat untuk
menjaga sinkronisasi, atau lupa sinkronisasi dan melakukan
“rollbacks” jika perlu ... “waktu virtual”
• simulasi berbasis web
• mesin simulasi Tengah, submit “pekerjaan” melalui web
• Wide-lingkup paralel / simulasi didistribusikan
LANGKAH-LANGKAH DALAM
STUDI SUARA SIMULASI
JENIS LAIN SIMULASI
• simulasi kontinyu
• Biasanya, memecahkan set persamaan diferensial secara numerik
dari waktu ke waktu
• Mungkin melibatkan unsur stokastik
• Beberapa perangkat lunak khusus yang tersedia; beberapa
kejadian diskrit software simulasi akan melakukan simulasi terus
menerus juga
• Dikombinasikan simulasi diskrit-kontinu
• variabel kontinu dijelaskan oleh persamaan diferensial
• peristiwa diskrit dapat terjadi yang mempengaruhi variabel terus
berubah
• Beberapa perangkat lunak simulasi kejadian diskrit akan
melakukan gabungan simulasi diskrit-kontinu serta
Jenis lain dari Simulasi (lanjutan.)

• simulasi Monte Carlo

• Tidak ada waktu elemen (biasanya)
• Berbagai masalah matematika
• Contoh: Mengevaluasi “sulit” terpisahkan
• Membiarkan X ~ U (Sebuah. b), dan biarkan Y = (b - Sebuah) g(X)
• Kemudian

• Algoritma: Menghasilkan X ~ U (Sebuah. b), Biarkan Y = (b - Sebuah)

g(X); ulangi; rata-rataY'S. Rata-rata ini akan menjadi estimator berisi
tentangsaya
KEUNTUNGAN, KERUGIAN, dan
perangkap SIMULASI
• Keuntungan
• Simulasi memungkinkan fleksibilitas yang besar dalam
pemodelan sistem yang kompleks, sehingga model simulasi bisa
sangat valid
• Mudah untuk membandingkan alternatif
• Mengontrol kondisi percobaan
• Dapat mempelajari sistem dengan kerangka waktu yang sangat
lama
• kekurangan
• simulasi stokastik hanya menghasilkan estimasi - dengan
kebisingan
• model simulasi bisa mahal untuk mengembangkan
• Simulasi biasanya menghasilkan volume besar output -
kebutuhan untuk meringkas, statistik menganalisis dengan tepat
• Kesalahan
• Kegagalan untuk mengidentifikasi tujuan jelas di depan
• Dalam tingkat yang sesuai detail (kedua-duanya)
• desain yang tidak memadai dan analisis simulasi eksperimen
• pendidikan yang tidak memadai, pelatihan