Simulation modeling — 仿真建模

仿真建模（英语：simulation modeling）是一种研究方法，它用一个能足够精确地再现实体系统的结构和行为的模型来替代该系统。通常，仿真模型是指一个软件系统（计算机模型），通过它可以在不同的输入参数集下在计算机上「运行」模型，并分析所得结果，从而进行计算实验。

这种建模的目标是理解所研究系统的特性，或在不直接对真实对象进行实验的情况下，评估其不同运作策略的后果。该方法被认为是数学建模的一种特例，适用于问题的解析（公式）解未知或过于复杂难以获得的情况。仿真模型再现了过程随时间的演变，通常包含随机因素，并通过对模型多次运行结果的统计处理，来获得系统特性的数值评估。

关键属性与定理

与解析建模不同，仿真建模的结果是一组数值实现，而非显式公式。因此，为了获得关于所研究系统的可靠信息，需要对模型进行一系列实验，并对结果进行统计处理。

统计学基础

• 大数定律：该方法的基础性关键属性。根据此定律，随着模型独立运行次数（随机实现次数）的增加，输出特征的平均值会趋向于其理论数学期望。
• 中心极限定理：该定理可以用来评估仿真结果的精度。它指出，在 $N$ 次独立运行中获得的平均值与真实平均值之间的偏差，大约与 $1/\sqrt{N}$ 成正比。这使得为所获评估值构建置信区间成为可能。
• 利特尔定律：在排队论中，该定律（$\bar{L}=\lambda \bar{W}$）建立了系统中请求的平均数量（$\bar{L}$）、请求到达率（$\lambda$）和请求在系统中的平均停留时间（$\bar{W}$）之间的关系。它是验证（检查正确性）排队仿真模型的重要工具。

主要建模范式

仿真建模中有几种不同的方法，它们在抽象层次和所考虑的过程类型上有所区别。

• 离散事件仿真（英语：Discrete-Event Simulation, DES）：专注于在离散时间点改变系统状态的事件（例如，客户到达或服务结束）。这是运筹学中用于分析排队系统、物流链和生产线的主导范式。
• 系统动力学（英语：System Dynamics, SD）：处理聚合变量，通过求解微分方程组来模拟系统的连续动态。适用于分析复杂的社会经济系统。
• 基于智能体的建模（英语：Agent-Based Modeling, ABM）：将系统视为自主对象（智能体）的集合，每个智能体都按照既定规则行动。系统的全局行为是众多智能体相互作用的结果。用于模拟社会系统、流行病和市场。

在现代实践中，常使用多范式工具（例如 AnyLogic），以便在单个模型中结合这些方法。

示例

示例 1：M/M/1 排队系统

考虑一个单服务通道系统，其请求到达流为泊松分布，强度为 $\lambda$，服务时间为指数分布，强度为 $\mu$（$\lambda <\mu$）。从解析上已知，稳态下的平均队长为 $L={\rho }^2/(1-\rho )$，其中 $\rho =\lambda /\mu$。

对此类系统进行仿真建模，在运行足够数量的请求后，将显示出与理论值相近的经验平均队长。例如，当 $\lambda =2$ 且 $\mu =3$ 时，理论值为 $L=4$。仿真结果可能得出 $\bar{L}\approx 3.98$，这证实了模型的正确性。

示例 2：使用蒙特卡洛方法计算 π

蒙特卡洛方法是仿真建模的一个特例。为了估算π的值，可以在一个单位正方形内作一个半径为 1 的四分之一圆。然后，向该正方形内随机「投掷」大量的点（$N$ 个）。落在四分之一圆内的点数（$K$）与总点数 $N$ 的比值，将约等于它们的面积之比：$K/N\approx (\pi \cdot 1^2/4)/1^2=\pi /4$。因此，$\pi \approx 4K/N$。这种方法广泛用于解决多维积分问题和概率分析。

在运筹学中的应用

仿真建模是运筹学的关键工具之一，尤其是在系统过于复杂以致难以进行解析求解时。传统上，它被认为是「最后的手段」，但计算技术的发展使其成为解决以下任务的标准而强大的工具：

• 生产与物流：分析生产线、库存管理、仓库和运输网络设计。
• 服务业：优化呼叫中心、医院（模拟患者流量）、银行的运营。
• 经济与金融：分析业务流程、风险评估、金融资产价格变动建模。
• 数字孪生（英语：Digital Twin）：一个现代方向，即为某个特定物理对象（如机床、汽车、建筑物）创建一个持续更新的仿真模型，该模型与真实对象同步接收数据。这使得可以实时预测其行为并优化管理。