Ensayo 3

Simulación Hibrida y enfoque Simulación-Optimización.

Presentado Por:

Camilo Alejandro Neira Guzmán

Pontificia Universidad Javeriana Cali

 Octubre de 2018

Tabla de Contenidos
1. ENSAYO

2. REFERENCIAS BIBLIOGRÁFICAS
1 ENSAYO
La simulación híbrida (HS) tiene muchos tipos. Por ejemplo, hay modelos híbridos que se
basan en dos o más modelos de simulación, como el enlace de simulación de eventos
discretos (DES) con modelos de dinámica de sistemas (SD) o basados en agentes (ABS).
Otro ejemplo de un estudio híbrido es la aplicación combinada de simulación con técnicas
analíticas del dominio más amplio de Investigación de Operaciones, así como disciplinas
como Ingeniería de Sistemas y Computación Aplicada (Powell y Mustafee 2014); esto se
conoce como enfoque de modelado de sistemas híbridos. Muchos investigadores han
argumentado que la simulación híbrida proporciona una mejor comprensión del sistema
en cuestión, ya que permite a los modeladores evaluar sus problemas inherentes desde
diferentes dimensiones (Zulkepli y Eldabi 2015); de manera similar, la investigación que se
extiende a los estudios tradicionales o híbridos para incluir teorías, métodos y prácticas
específicas de otras disciplinas se beneficiará al recurrir al conocimiento que
tradicionalmente se ha aplicado este campo (Mustafee et al., 2015). Por lo tanto, y con la
complejidad cada vez mayor del mundo moderno, la simulación híbrida y el enfoque de
modelado de sistemas híbridos se están convirtiendo en un campo importante dentro del
mundo de la simulación. A pesar del esfuerzo continuo en los intentos de simulación
híbrida, todavía hay tres desafíos principales: primero, no existe una definición clara y
coherente para ello, por ejemplo, híbrido, combinado y mixto (Lynch et al 2014),
simulación híbrida versus estudio híbrido de M&S (Mustafee et al., 2015). En segundo
lugar, hay una falta de un punto de vista filosófico específico que defina HS como un
enfoque independiente (Shanthikumar y Sargent 1983). Posiblemente esto se deba a la
naturaleza misma de la hibridación en la que los modelos se basan en la mezcla de varios
paradigmas, lo que hace que sea difícil alojarlos dentro de uno. El tercer desafío, que es
posiblemente el resultado de lo anterior, es que la mayoría de los intentos son ad hoc y
pragmáticos sin una metodología clara (Zulkepli y Eldabi 2015).

Es evidente que la creciente popularidad de la simulación híbrida ha resaltado la

necesidad de enfoques más formales a lo largo del proceso de modelado, comenzando
con la fase de modelado conceptual y pasando por las fases de implementación,
verificación y validación, experimentación y documentación. Estas fases o pasos son
relativamente bien entendidos para los modelos independientes de simulación de eventos
discretos (DES), pero se vuelven mucho más complejos y desafiantes cuando DES se
combina con otros métodos de simulación.
Simulación híbrida en salud: la salud ha sido un área de aplicación particularmente
fructífera para el modelado de simulación híbrida. Muchos investigadores han
argumentado la necesidad de combinar DES y dinámica de sistemas (SD) en el contexto de
los sistemas de atención médica, que se caracterizan por la complejidad, la interconexión
y la variabilidad. Ya en 2003, Brailsford, Churilov y Liew (2003) argumentan que los
"departamentos de emergencias" sufren una variedad de problemas diferentes que
requieren tratamiento con una combinación de DES y SD. Los departamentos de
emergencia (ED) son sistemas de colas estocásticos por excelencia: es imposible evitar el
impacto de la variación individual del paciente, y no es de extrañar que se hayan
desarrollado tantos modelos de DES para tratar de mejorar el flujo del paciente y lograr el
objetivo de 4 horas tiempo de procesamiento. Sin embargo, los problemas reales de la
gestión de un ED se encuentran en el sistema más amplio fuera incluso de sí mismo, tanto
en sentido ascendente (por ejemplo, cómo funciona el servicio de ambulancia, y cómo las
métricas de rendimiento para los equipos de ambulancia pueden entrar en conflicto con
las métricas de rendimiento del ED) y en sentido descendente (Disponibilidad de camas,
diagnóstico y otros recursos en el hospital). Un modelo de DES podría muy bien
"optimizar" el flujo dentro del propio ED, pero no puede tomar en cuenta adecuadamente
estos otros factores sin convertirse en un mega-modelo de todo el hospital y la comunidad
a la que sirve. Muchos de los modelos híbridos en la literatura de modelos de atención
médica se encuentran en la categoría Proceso-Ambiente, reconociendo que si bien un
enfoque de sistemas completos es esencial para capturar la dinámica de
retroalimentación en sistemas grandes y complejos, la importancia de los sistemas
individuales. La variabilidad del paciente no puede ser ignorada.

Validación en los sistemas dinámicos: la validación de modelos SD se ha reconocido como

un área polémica durante décadas. Se consideraban a los modelos SD como "laboratorios
de aprendizaje" para obtener comprensión y visión, en lugar de modelos numéricos a los
cuales los métodos estadísticos estándar y otros para comparar resultados de modelos
con datos observados podían ser aplicados. La verdadera pregunta que deberíamos
hacernos es si este modelo es útil. Sabemos que está mal (todos los modelos están mal),
¿pero sus defectos evitan que se use para lograr algún propósito, para alguien? Por lo
tanto, la validación de los modelos SD generalmente implica muchas habilidades "más
simples", como establecer la validez aparente e involucrar a las partes interesadas en
todas las etapas del proceso de desarrollo del modelo, así como los aspectos más técnicos
pero posiblemente menos útiles, como verificar la consistencia dimensional o realizar
pruebas de valores extremos. .
Validación de modelos basados en agentes: los modelos basados en agentes,
especialmente aquellos que modelan el comportamiento humano (como lo hacen muchas
aplicaciones de atención médica), enfrentan desafíos similares. Dichos modelos a menudo
tienen mucho en común con los modelos SD, ya que incorporan y / o codifican las
suposiciones y creencias del modelador sobre la causalidad, las relaciones a nivel micro
entre los elementos del modelo y las reglas de comportamiento psicológico, que a
menudo nunca pueden validarse estadísticamente a nivel individual. En muchos modelos
basados en agentes, el objetivo es esencialmente inventar reglas de comportamiento
suficientemente razonables a nivel de agente, de modo que cuando el modelo se ejecuta,
el comportamiento emergente a nivel de población replica los datos observados. Un buen
ejemplo de esto es el modelo de anillo de boda de Billari et al. (2007), que se propone
modelar la decisión de una persona sobre cuándo (y con quién) casarse, basándose en
suposiciones plausibles sobre la presión social y otros factores. La salida del modelo se
compara con los datos administrativos reales sobre la edad en el primer matrimonio. Los
parámetros de micro-nivel en un ABM se pueden modificar para lograr el mejor ajuste a
los datos observados a nivel macro: este es un enfoque conceptual similar para la
calibración de modelos SD, donde un modelo se "sintoniza" para que se ajuste a uno o
más Variables de salida conocidas. Filosóficamente, esto es casi el opuesto diametral de la
validación, ya que está manipulando el modelo para lograr el resultado deseado.

Validación de modelos híbridos: si la validación de modelos SD o ABS independientes es

lo suficientemente complicado, todo se vuelve infinitamente más cuando el modelo SD o
ABS se combina como un híbrido con otro tipo de simulación. Viana (2014) y Viana et al
(2014) abordan este tema en relación con una aplicación de atención médica específica, la
enfermedad de transmisión sexual clamidia. Un modelo epidémico de la propagación de la
infección en una población se combina con un modelo DES de la clínica del hospital en el
que los pacientes reciben tratamiento. En este caso, los dos modelos son totalmente
independientes: se desarrollaron en diferentes paquetes de software y están vinculados
por una interfaz de Excel. La salida de la SD (nuevos casos de clamidia) se transformó en la
entrada para el DES (llegadas a clínicas). La salida del DES (pacientes no tratados) se
transformó en la entrada para el SD (nivel general de infección en la comunidad), y el ciclo
se repite. Los dos modelos se pueden ejecutar de forma independiente, y se validaron por
separado utilizando métodos estándar para DES y, de hecho, para SD, ya que este modelo
en particular es un modelo compartimentado de flujo de inventario (susceptible-
infectado-recuperado) para el cual las ecuaciones de respaldo están bien establecidas.

Está claro de manera intuitiva que, en realidad, las partes de DES y SD de este sistema
están vinculadas: bajo rendimiento clínico, es decir, un gran número de pacientes
(infectados) que se van sin recibir tratamiento porque los tiempos de espera son
demasiado largos, tendrán un impacto en el nivel de infección en la comunidad y, en
última instancia, generará más casos de clamidia, que se presentan en la clínica y
empeoran la situación. Sin embargo, esta suposición completamente plausible omite otros
vínculos entre el hospital y los sistemas de salud de la comunidad y es probablemente
imposible de validar en la práctica. Viana et al (2014) compararon el modelo híbrido con el
DES independiente y concluyeron que dio resultados más creíbles, ya que al menos
reconoció que los dos sistemas de salud están conectados y se afectan entre sí.

¿Cuándo se utiliza por primera vez el término "simulación híbrida", aparece en forma
publicada y cómo se define? ¿Cómo se relaciona la simulación híbrida con la “simulación
combinada”, la simulación estratégica frente a la táctica, el modelado analítico y de
formas cerradas o la resolución de problemas de múltiples modelos? Las respuestas a
tales preguntas no se pueden proporcionar fácilmente, y algunos dirían que ni las
respuestas ni las preguntas son importantes. El fundamento es que las lecciones
aprendidas de una comprensión más completa y completa de las raíces podrían permitir
un encuadre más claro de los desafíos actuales y una evaluación más precisa de las
posibilidades futuras.

Lo que es evidente es que el HS existía desde principios de los años sesenta. Hubo muchos
intentos de HS usando diferentes términos para dar significancia a lo mismo, o los mismos
términos para expresar diferentes enfoques. Sin embargo, no había ningún interés en
seguirlo con la misma energía que muchos otros métodos / enfoques en modelos de
simulación debido a la falta de sofisticación de los modeladores y la falta de claridad de
las necesidades. El nuevo milenio fue testigo de un rápido aumento en la complejidad de
los niveles de los sistemas modelados que rejuvenecieron la necesidad de HS. Si bien hay
suficiente capacidad de computación e interoperabilidad, encontramos que los problemas
metodológicos, en términos de desarrollo de paradigmas, conceptualización y validación
de modelos, están claramente atrasados y requieren más investigación para alcanzar la
complejidad de la tecnología y los problemas. Estos pueden considerarse como los
principales retos de investigación futuros en la simulación híbrida.
2 REFERENCIAS BIBLIOGRÁFICAS
Zulkepli, J., and T. Eldabi. 2015. “Towards a Framework for Conceptual Model
Hybridization in Healthcare.” In Proceedings of the 2015 Winter Simulation Conference,
edited by L. Yilmaz, H. K. Chan, I. C. Moon, T. Roeder, C. M. Macal, and M. D. Rossetti,
1597-1608. Piscataway, NJ: IEEE

Powell, J., and N. Mustafee. 2014. "Soft or Approaches in Problem Formulation Stage of a
Hybrid M&S Study." In Proceedings of the 2014 Winter Simulation Conference, edited by
A. Tolk, S. Y. Diallo, I. O. Ryzhov, L. Yilmaz, S. Buckley, and J. A. Miller. 1664-1675.
Piscataway, New Jersey: IEEE.

Mustafee, N., S. C. Brailsford, S. Diallo, J. Padilla, J. H. Powell, and A. Tolk. 2015. "Hybrid
Simulation Studies and Hybrid Simulation Systems: Definitions, Challenges, and Benefits."
In Proceedings of 2015 Winter Simulation Conference, edited by L. Yilmaz, H. K. Chan, I. C.
Moon, T. M. Roeder, C. M. Macal, and M. D. Rossetti. 1678-1692. Piscataway, New Jersey:
IEEE.

Lynch, C., J. Padilla, S. Diallo, J. Sokolowski, and C. Banks. 2014. "A Multi-Paradigm
Modeling Framework for Modeling and Simulating Problem Situations." In Proceedings of
the 2014 Winter Simulation Conference, edited by A. Tolk, S. Y. Diallo, I. O. Ryzhov, L.
Yilmaz, S. Buckley, and J. A. Miller. 1688-1699. Piscataway, New Jersey: IEEE.

Viana, J. 2014. “Reflections on Two Approaches to Hybrid Simulation in Healthcare.” In

Proceedings of the 2014 Winter Simulation Conference, edited by A. Tolk, S. Y. Diallo, I. O.
Ryzhov, L. Yilmaz, S. Buckley, and J. A. Miller, 1585-1596. Piscataway, New Jersey: IEEE.

Billari F. C., A. Prskawetz, B. Aparicio Diaz, and T. Fent. 2007. “The "Wedding-Ring": An
Agent-based Marriage Model Based on Social Interaction.” Demographic Research
17(3):59-82