Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LECTURA
LECTURA
com
A. Alan B. Pritsker Pritsker Corporation PO Box 2413 West Lafayette, IN 47906 Alan Pritsker es
presidente de Pritsker Corporation, una empresa que resultó de la fusión de Pritsker & Associates,
una empresa de software y servicios especializada en resolver problemas de diseño con
simulación, y FACTROL, una empresa de software de control de planta.
Pritsker fue uno de los fundadores de ambas empresas e, inicialmente, operaban por separado
para satisfacer las necesidades de los clientes.
Sin embargo, con el fin de brindar un mejor servicio y hacer frente al floreciente crecimiento de la
simulación, se han integrado en una empresa más grande.
Alan Pritsker fue una de las primeras personas en trabajar en simulación por computadora.
Sus estudiantes fueron clave para su desarrollo y sus esfuerzos dieron como resultado el
establecimiento de la Universidad de Purdue como el centro de la actividad de simulación.
Estudiamos el antiguo sistema, recopilamos datos, entendemos los primeros principios sobre el
sistema, revisamos los procedimientos en uso antes de comenzar a modelar y probamos las
soluciones propuestas contra las operaciones actuales o los diseños de referencia.
Nos esforzamos para que se utilicen nuestros modelos y se implementen nuestras mejores
alternativas.
Nos quedamos con un problema hasta que se implementa una solución.
La visión del modelo puede ser diferente y podría depender del objetivo del tomador de
decisiones que se relaciona con las funciones de comprensión, análisis, estimación o
control.
Los modelos de simulación contienen una gran cantidad de información y representan
diferentes cosas para diferentes tomadores de decisiones.
4. ¿DÓNDE SE UTILIZA LA SIMULACIÓN? Los sistemas de interés para el simulacionista son
extremadamente diversos. Realizamos actividades de diseño y análisis en los movimientos
más pequeños y en los sistemas más grandes.
Las disciplinas que utilizan el modelado y la simulación incluyen la ingeniería, los negocios,
las matemáticas y la estadística, la antropología, la sociología, la psicología, la medicina, la
física, etc. Apenas hay un campo que no haga uso del modelado y la simulación. La
industria no solo utiliza el modelado y la simulación, sino que el gobierno sigue siendo un
firme partidario del campo. En 1989, el Departamento de Defensa y el Departamento de
Energía incluyeron el modelado y la simulación como una de las veintidós tecnologías
críticas en los Estados Unidos. Era el único campo orientado a la técnica que figuraba en la
lista.
¿Cómo pueden tantos campos utilizar la misma tecnología?
La respuesta es que proporcionamos una perspectiva sobre el modelado que es amplia y
flexible.
Los lenguajes incluyen la capacidad de modelar objetos, eventos, procesos, actividades,
ecuaciones diferenciales, de diferencia o algebraicas, y una combinación de las anteriores.
Como se mencionó anteriormente, los modelos son fáciles de modificar y ampliar. Los
lenguajes permiten y promueven múltiples niveles de modelos.
Las capacidades de modelado jerárquico permiten que un modelo llame a otro o llame a
un programa especializado para resolver un conjunto específico de ecuaciones.
Por ejemplo, es fácil incrustar un procedimiento de solución de programación lineal en un
modelo de simulación como un evento para proporcionar valores de variables de decisión.
En los modelos de simulación, no son necesarios supuestos de linealidad ni se presumen
hipótesis de estacionariedad.
Para los lenguajes de simulación de propósito general, es responsabilidad del usuario tener
un conocimiento detallado del sistema que se está modelando.
Para lenguajes de propósito especial, es responsabilidad del usuario asegurarse de que las
características especiales sean apropiadas para los elementos del sistema que se está
modelando. Debido a la diversidad de los sistemas que se estudian desde el punto de vista
de la simulación, cada profesional de la simulación debe aprender un lenguaje de
simulación en detalle.
En mi experiencia, es necesario utilizar un lenguaje de simulación para modelar grandes
sistemas complejos, y es a partir de dichos modelos que se obtiene un entendimiento y un
nivel de comprensión detallado respecto al modelado. Después de usar un idioma, es
relativamente fácil aprender un segundo. Un curso en el que se utilice un lenguaje de
simulación para construir y analizar modelos debe impartirse desde la perspectiva del
concepto de modelado.
La sintaxis, la semántica y la estructura de datos del lenguaje son importantes, pero es la
perspectiva del modelado y los conceptos del lenguaje lo que debe enfatizarse.
Comprender la perspectiva y los conceptos de un lenguaje de simulación requiere una
amplia aplicación.
5. TRES ÁREAS DE INVESTIGACIÓN
5.1. Clasificación de modelos para respaldar el análisis de resultados El análisis de los
resultados de la simulación es un tema desconcertante. En la práctica, parece que un
análisis es muy fácil o extremadamente difícil.
A veces esta dicotomía es difícil de entender. Se han hecho grandes avances en la
obtención de resultados teóricos para el análisis de resultados y la reducción de la
varianza. Sin embargo, los resultados no se utilizan a menudo. Las razones de esto son que
los resultados no son fáciles de aplicar, la experimentación exhaustiva en los sectores
industrial y gubernamental generalmente no es posible debido a limitaciones de tiempo, la
cantidad de trampas asociadas con las aplicaciones de los resultados desalienta su uso y la
cantidad de variables y las medidas de rendimiento en un modelo dificultan la aplicación
de los resultados. Como alternativa, ha habido una mayor exploración de medios gráficos
para ver los resultados de una simulación. Mediante el uso de animaciones, diagramas,
histogramas, gráficos circulares y gráficos de rango, la esperanza es que un problema
complejo se pueda convertir en un problema más simple donde la respuesta se perciba
directamente. Esto no ha resuelto el problema.
Lo que se necesita son técnicas estadísticas robustas que puedan aplicarse a diversos
sistemas.
Actualmente, los resultados de la simulación se ven como un proceso estocástico para el
cual tenemos registros de muestra de las observaciones del proceso. En la mayoría de los
casos, el conocimiento de la estructura del modelo no se utiliza como entrada para una
técnica de análisis de salida. Una excepción es la técnica regenerativa.
Una clasificación de tipos de modelos que admita la capacidad de utilizar la información
del modelo podría ayudar a mejorar las técnicas de análisis estadístico.
5.2. Modelos deterministas Una pregunta importante en la construcción de un modelo que
involucra variación aleatoria se refiere a la fuente de la aleatoriedad.
Una fuente de aleatoriedad son los tiempos de actividad, es decir, el tiempo para realizar
una función.
Dos razones para la aleatoriedad de los tiempos de actividad es la falta de información
sobre:
1) los tipos de operaciones que se realizan y
2) los detalles de cómo un recurso realiza la función.
Si una actividad se descompone en subactividades, la variabilidad del tiempo para realizar
la subactividad tiende a ser menor.
Se plantean preguntas de investigación sobre el funcionamiento y análisis de modelos que
no tienen variación aleatoria. Si los parámetros permanecen constantes, se puede usar una
ejecución para evaluar un escenario. Si se supone que los parámetros del modelo toman
distintos valores en diferentes momentos dentro de un escenario, entonces es necesario
responder las siguientes preguntas de investigación: • ¿Existe la necesidad de un lenguaje
de modelado diferente? • ¿Qué capacidades de recopilación de datos y análisis de
resultados se requieren? ¿Es posible analizar las periodicidades en el modelo para estimar
el desempeño? ¿Se puede utilizar un enfoque de transformación? ¿Se puede analizar el
modelo en dos tipos de intervalos: parámetros constantes y transiciones a nuevos valores
de parámetros? ¿Qué procedimientos están disponibles para detectar el comienzo y el
final de tales intervalos?
La investigación sobre modelos deterministas está siendo impulsada por consideraciones
prácticas. Las discusiones con los ingenieros de aplicaciones indican que aproximadamente
el treinta por ciento de los modelos de simulación que se utilizan en la industria no
incluyen variaciones aleatorias.
Estos modelos son complejos, multivariables y emplean algoritmos complejos.
Básicamente, son evaluadores de procedimientos. En cierto sentido, son similares a los
modelos para evaluar los métodos de programación, distribución y logística. Es interesante
notar que gran parte del trabajo actual en programación y enrutamiento por parte de
programadores matemáticos podría clasificarse como análisis de simulación determinista.
G.3. Caos Recientemente he estado leyendo sobre Caos. Como simulacionista, muchos de
los conceptos de la Teoría del Caos me dan una sensación cómoda. Otros, sin embargo,
tocan un acorde disonante. La teoría del caos tiende a tratar los fenómenos naturales. Es
un enfoque holístico para el estudio de la turbulencia, las nubes y otros sistemas no
lineales.
Para los investigadores del caos, las matemáticas se han convertido en una ciencia
experimental, con la computadora reemplazando laboratorios llenos de tubos de ensayo y
microscopios. Las imágenes gráficas son la clave. Kuhn afirma: "En condiciones normales,
La mayoría de las veces ignoramos el espacio de solución y las características de una
respuesta. Trabajamos en muchos campos y requerimos de un equipo interdisciplinario
para comprender los fenómenos observados del sistema con el que estamos tratando.
Utilizamos muchas construcciones de modelado diferentes para capturar la esencia de
objetos, eventos, procesos y actividades.
Entremezclamos estos modelos con modelos algebraicos, diferenciales y de ecuaciones en
diferencias. Los resultados gráficos se utilizan ampliamente para: comprender los modelos;
verificar las salidas; validar que los modelos se relacionen con los fenómenos observados;
y proporcionar un medio para mejorar las operaciones.
Los investigadores del caos también se ocupan de los sistemas deterministas cuya salida
tiene la apariencia de una variación aleatoria. Los modelos desarrollados para tales
situaciones incluyen efectos no lineales y producen un comportamiento dinámico
aperiódico. Excepto por el comportamiento aperiódico, este aspecto de la Teoría del Caos
corresponde a nuestra investigación de análisis de modelos deterministas.
Tres aspectos de la Teoría del Caos que son diferentes son:
1) la falta de comportamiento estacionario en los modelos no lineales;
2) el efecto mariposa que produce grandes impactos para cambios aislados aparentemente
pequeños; y
3) el concepto de que el comportamiento del sistema no se puede construir o estimar
ensamblando modelos de subsistemas.
Estos merecen una cuidadosa atención por parte de la comunidad de simulación. Para el
investigador de simulación, normalmente se supone que el comportamiento
estacionario no existe en períodos transitorios pero sí en períodos de estado estable. El
período transitorio se considera como el tiempo hasta que se alcanza el estado estable o
el tiempo durante el cual se debe realizar un análisis para un sistema de terminación. La
posibilidad de que un modelo pueda continuar operando y nunca alcanzar un punto de
regeneración está en el corazón de la mayoría de los análisis estadísticos de la
investigación de resultados de simulación. Si no se asume la estacionariedad, ¿qué
impacto hay en los procedimientos de modelado y análisis? Si el comportamiento no
estacionario existe en la naturaleza, ¿deberíamos esperarlo en los sistemas hechos por el
hombre? Con respecto al efecto mariposa, los simulacionistas sí observan grandes cambios
en el comportamiento de pequeñas perturbaciones. Esto ocurre cuando las tasas de
llegada se acercan a las tasas de servicio o, de forma más drástica, cuando se produce un
bloqueo de recursos. Afortunadamente, cuando se trata de un sistema creado por el
hombre, podemos cambiar el sistema o su diseño. De este modo, hasta cierto punto
tratamos con un caos controlado. La tercera área de preocupación en la teoría del caos se
relaciona con la predicción del rendimiento del sistema a partir de modelos que describen
los componentes del sistema.
Para los modelos de simulación, se dedica mucho tiempo a modelar las interfaces y el
flujo de información entre los componentes, así como las interacciones de los
componentes físicos. Si es necesario ir más allá del modelado de interfaces a un enfoque
holístico, como sugiere la teoría del caos, es otro tema que vale la pena explorar.
6. CHAT.T.~.NGES Los retos a los que nos enfrentamos son apasionantes. Necesitamos
transferir los fenómenos observados obtenidos de la resolución de problemas a las
instituciones académicas. Las historias de casos necesitan ser escritas. Es necesario
desarrollar problemas de prueba para promover el desarrollo de pruebas estadísticas que
sean fáciles de aplicar. Es necesario desarrollar una clasificación de sistemas para
proporcionar información sobre la necesidad de lenguajes de nivel superior, análisis
estadístico basado en el conocimiento y modelos de subsistema estándar.
Las bases de datos deben llenarse con instancias de comportamiento observado y con
medidas de rendimiento de los elementos del sistema.
Se requiere un mayor énfasis en el desempeño total del proyecto, incluido el costo del
ciclo de vida.
7. CONCLUSIÓN A medida que nos acercamos a la última década del siglo XX, el campo de
la simulación tiene mucho que agradecer. Primero, el 99.9 % de nosotros todavía estamos
vivos. Somos un campo dinámico en crecimiento con mucha diversidad. La simulación es la
técnica de investigación de operaciones e ingeniería industrial más utilizada. Hemos
establecido la necesidad de simulación, demostrado que funciona y producido las
herramientas para apoyar la resolución de problemas mediante simulación. Hemos
comercializado el campo y demostrado, sin duda, los beneficios que se pueden obtener del
modelado, análisis y resolución de problemas mediante simulación. En 1947, Winston
Churchill en un discurso ante la Cámara de los Comunes presentó la siguiente visión de la
democracia