Modelo de simulación de investigación de operaciones: cómo optimizar las operaciones de tu negocio

La simulación es una técnica que describe un proceso mediante el desarrollo de un
modelo de ese proceso, y luego realizar experimentos en el modelo
para predecir el comportamiento del proceso a lo largo del tiempo.

«Los modelos son abstracciones creadas para comprender un problema antes de implementar una solución». – Anónimo

Un ejemplo de simulación está en juegos de computadora (por ejemplo, ajedrez, combate de campo
Juegos de guerra, etc.). Si la secuencia de eventos en tales juegos fuera predeterminada,
El jugador aprendería rápidamente la secuencia y se aburriría. Una solución
sería tener una gran cantidad de juegos almacenados en el programa, pero
Esto podría ocupar una cantidad excesiva de espacio de memoria. La solución habitual
es para que el programa de juego elija sus propios movimientos al azar. En la mayoría de los juegos,
El número total de combinaciones posibles de eventos o movimientos es tan astronómicamente
Grande que este método resulte en que cada juego sea único. Algún otro
Ejemplos de un entorno simulado son las espectáculos de planetario y los entornos
en un museo.

Los experimentos realizados con modelos de simulación pueden tener muchos objetivos, como evaluar alternativas de diseño para algún nuevo sistema operativo, examinando los efectos de los cambios en un sistema existente, etc.

La simulación comienza cuando todo lo demás falla, es decir, es un «método
del último recurso «.

La simulación es una técnica de resolución de problemas basada en
Experimentación realizada en un modelo de situación del mundo real.

La simulación es una técnica numérica para realizar experimentos
en una computadora digital, que involucra ciertos tipos de matemáticas
y relaciones lógicas necesarias para describir el comportamiento y la estructura
de un sistema complejo del mundo real durante un período prolongado de tiempo.

¿Qué es un modelo de simulación en investigacion de operaciones?

Un modelo matemático simula un fenómeno a través de variables y relaciones matemáticas.

• Solución analítica (numérica)
  El modelo matemático proporciona una solución numérica a un problema. Encuentra la mejor solución óptima. Desafortunadamente, la mayoría de los sistemas del mundo real son demasiado complejos para encontrar una solución analítica o el modelo requiere un alto costo computacional (complejidad espacial o temporal).

Nota. Para reducir la complejidad computacional, también puede usar un método numérico que ofrece aproximación de la solución en tiempos menores y/o utilizando menos recursos. Sin embargo, la aproximación no siempre es aceptable.

• Solución analítica (numérica)
  El modelo matemático proporciona una solución numérica a un problema. Encuentra la mejor solución óptima. Desafortunadamente, la mayoría de los sistemas del mundo real son demasiado complejos para encontrar una solución analítica o el modelo requiere un alto costo computacional (complejidad espacial o temporal).

Ejemplo. Un modelo de simulación reproduce el funcionamiento de una oficina de correos para estimar la cola. El flujo de clientes, contadores abiertos, tiempo y frecuencia de prácticas, etc.

Nota. La simulación puede conducir a errores muy grandes si no se realiza con la metodología adecuada, ya que se basa en resultados estadísticos simulados de la realidad. El concepto es muy simple. Si el modelo no refleja la realidad lo suficientemente bien, conduce a elecciones incorrectas.

Hay dos formas de clasificar los modelos de simulación matemática.

• Solución analítica (numérica)
  El modelo matemático proporciona una solución numérica a un problema. Encuentra la mejor solución óptima. Desafortunadamente, la mayoría de los sistemas del mundo real son demasiado complejos para encontrar una solución analítica o el modelo requiere un alto costo computacional (complejidad espacial o temporal).

¿Cómo se hace un modelo de simulación?

Desde el inicio del sistema de patentes de EE. UU. En 1790 hasta 1880, la oficina de patentes requirió que cada solicitud de patente se presentara con un modelo de escala de la invención. Los modelos, generalmente hechos de madera por carpinteros altamente calificados, les dieron a los examinadores de patentes algo tangible para usar al evaluar la novedad de cada idea de patente.

El requisito del modelo fue derogado hace mucho tiempo, pero el modelado ha seguido desempeñando un papel importante en la investigación, el desarrollo y la innovación. Los fabricantes de automóviles, los arquitectos y los diseñadores de aviones han utilizado durante mucho tiempo modelos a pequeña escala de sus ideas, en particular para tener una idea de cómo se verían en la «vida real», pero también para la investigación de mercado y las pruebas de ingeniería, como las pruebas de aerodinámica en Túneles de viento.

Sin embargo, los modelos físicos tienen inconvenientes. A menudo llevan mucho tiempo y son costosos de hacer, una consideración importante al ser el primero en comercializar con una innovación puede significar la diferencia entre el éxito comercial y el fracaso. Además, algunos modelos, necesariamente más pequeños y más ligeros, pueden no comportarse lo mismo en las pruebas que sus contrapartes de tamaño completo, lo que resulta en malos datos y diseños que no funcionan con las expectativas.

Afortunadamente, los avances en el software de diseño asistido por computadora (CAD) y el rendimiento de hardware de la computadora han permitido el uso de modelos virtuales. Los objetos no solo se pueden diseñar en una computadora y se muestran visualmente utilizando la representación de gráficos tridimensionales, sino que se pueden probar en condiciones físicas simuladas utilizando el mismo software CAD en el que fueron diseñados.

¿Qué es el modelo de simulación?

El modelado de simulación es el proceso de creación y análisis de un prototipo digital de un modelo físico para predecir su rendimiento en el mundo real. SimulationModeling se utiliza para ayudar a los diseñadores e ingenieros a comprender si, bajo qué condiciones, y en qué forma podría fallar una parte y qué cargas puede soportar. El modelado de simulación también puede ayudar a predecir el flujo de fluido y los patrones de transferencia de calor.
Analiza las condiciones de trabajo aproximadas aplicando el software de simulación.

El modelado de simulación permite a los diseñadores e ingenieros evitar la construcción repetida de múltiples prototipos físicos para analizar diseños para piezas nuevas o existentes. Antes de crear el prototipo físico, los usuarios pueden investigar muchos prototipos digitales. Usando la técnica, pueden:

• Optimizar la geometría para el peso y la fuerza
• Seleccione materiales que cumplan con los requisitos de peso, resistencia y presupuesto
• Simular la falla de la pieza e identificar las condiciones de carga que les causan
• Use una herramienta CAD 2D o 3D para desarrollar un modelo virtual, también conocido como prototipo digital, para representar un diseño.
• Genere una malla 2D o 3D para los cálculos de análisis. Los algoritmos automáticos pueden crear mallas de elementos finitos, o los usuarios pueden crear mallas estructuradas para mantener el control sobre la calidad del elemento.
• Definir datos de análisis de elementos finitos (cargas, restricciones o materiales) basados ​​en el tipo de análisis (térmico, estructural o fluido). Aplique las condiciones de contorno al modelo para representar cómo se restringirá la pieza durante el uso.
• Realice un análisis de elementos finitos, revise los resultados y realice juicios de ingeniería basados ​​en resultados.

¿Qué es la simulación y para qué sirve?

Simulación, en la industria, la ciencia y la educación, una técnica de investigación o enseñanza que reproduce eventos y procesos reales en condiciones de prueba. Desarrollar una simulación es a menudo un proceso matemático altamente complejo. Inicialmente, se especifican un conjunto de reglas, relaciones y procedimientos operativos, junto con otras variables. La interacción de estos fenómenos crea nuevas situaciones, incluso nuevas reglas, que evolucionan aún más a medida que avanza la simulación. Los implementos de simulación van desde reproducciones de situaciones complejas de papel y lápiz y juego de tableros hasta sistemas interactivos complejos asistidos por computadora.

Las técnicas de simulación para la experimentación permiten a los investigadores realizar experimentos o demostraciones exóticas de «laboratorio seco» o demostraciones sin usar materiales raros o equipos costosos. En la industria automotriz, los diseños de automóviles propuestos experimentan pruebas simuladas de túnel de viento en simulaciones por computadora, ahorrando así cientos de horas anteriormente dedicadas a la construcción y las pruebas prototipos. La compresión del tiempo es otra característica de ahorro de costos de la tecnología de simulación. Los eventos que pueden llevar desde horas hasta eones en tiempo real se pueden simular en unos minutos. Los investigadores médicos, por ejemplo, a menudo deben aislar los órganos y mantenerlos vivos por medios artificiales, cultivar cultivos, inyectar productos químicos y esperar resultados. Sin embargo, cuando las funciones normales de un órgano seleccionado se pueden simular con precisión, los investigadores pueden observar en unos minutos los efectos de una amplia gama de eventos en ese funcionamiento. Del mismo modo, los astrónomos que utilizan simulaciones por computadora de movimientos galácticos pueden demostrar eventos que tardan millones de años en completarse, como la colisión de dos galaxias, para probar la validez de las descripciones teóricas.

Como técnica de instrucción, la simulación permite a los estudiantes tratar de manera realista con asuntos de preocupación vital, pero sin consecuencias terribles si toman decisiones equivocadas. La técnica ha demostrado ser especialmente útil en capacitación médica, como, por ejemplo, en la Facultad de Medicina de la Universidad de Alberta, donde la computadora simula a los pacientes en estado crítico que morirán sin la atención adecuada. Se les pide a los aspirantes a médicos que hagan diagnósticos rápidos y prescriban tratamientos en un esfuerzo por mantener vivo al paciente. Los alumnos del piloto de aeronaves también están expuestos a situaciones de emergencia realistas por medio de dispositivos de simulación sofisticados como el entrenador de enlaces (SeeFlight Simulator).

¿Que se entiende por simulación modelo y sistema?

A
El sistema es una representación simplificada de la realidad. El «sistema» es una palabra común, a menudo utilizada con un significado suelto. Mientras que en el mundo real, un «sistema» puede parecer a veces una serie interminable de elementos conectados, nos referimos aquí a un sistema como (1) una serie de elementos seleccionados y elegidos (esta es una primera simplificación y, por lo tanto, una suposición implícita ), con (2) límites especificados (una segunda simplificación y suposición implícita) y (3) características de tiempo predeterminadas (con una tercera simplificación y suposición implícita).

Estas simplificaciones sobre el espacio y el tiempo son importantes: requieren reflexiones y, por lo tanto, la experiencia en la realidad en cuestión. Un sistema ‘simple’ podría, por ejemplo, ser una cafetería cercana. Esta cafetería tiene clientes que realizan pedidos y personal que los procesan. Puede haber a veces muy pocos clientes, mientras que en otros, el lugar está muy ocupado (por ejemplo, porque la cafetería está cerca de la universidad y tiene Wi-Fi gratuito, que los estudiantes usan mientras disfrutan de un café y chatan con su amigos). Entonces, para los clientes, y el personal tampoco es neutral. Entonces es útil mirar nuestro sistema de café en una serie de secciones de tiempo (pasos de tiempo) que hacen un día. Quizás un paso de tiempo apropiado de una hora es adecuado: es más que suficiente para encapsular largas horas cuando realmente sucede poco, pero es suficiente para capturar eventos en la hora pico. Sin embargo, puede suceder mucho en una hora sobre una taza de café, cuando el lugar está ocupado, la gente se encuentra, se realizan muchos pedidos, se reciben muchos mensajes. Quizás, un paso de tiempo de 30 minutos, o incluso 15 minutos podría ser mejor. Entonces, aunque muchos segmentos de 15 minutos casi vacíos podrían ser una pérdida de tiempo de computación, y conducir a resultados que pueden ser aburridos para algunas partes del día, esto podría garantizar que los eventos importantes no se pierdan a la hora pico. Sin embargo, muchas cosas aún pueden suceder durante un período de 15 minutos. ¿Podría ser más seguro un paso de tiempo de 5 minutos? Obviamente, esta no es una pregunta fácil.

En cualquier caso, se debe tomar una decisión, y depende del modelador hacerlo. Cada sistema, como el sistema de café, tiene un
constante de tiempo, que simplemente podemos definir por el momento como el retraso sobre el cual el sistema puede cambiar fuertemente, o, en la frases de análisis de sistemas: sobre el cual el
El estado del sistema puede cambiar. Una forma de elegir empíricamente una constante de tiempo se basa en la experiencia y el conocimiento del sistema en cuestión. Tenga en cuenta que en el sistema de café, no todos los elementos están encerrados dentro de la cafetería, que son importantes para el sistema de café: por ejemplo, tiene Wi-Fi gratuito. Por lo tanto, podemos llamarlo un sistema semi-abierto. Los sistemas biológicos, sistemas fitopatológicos en particular, son
Semi-abre: reciben y transmiten información, componentes, biomasa o energía desde y hacia su entorno.

A
El modelo es un programa informático que describe la mecánica del sistema considerado. La codificación de un modelo se puede hacer de muchas maneras. Aquí, utilizamos el programa Stella®, que nos permite centrarnos solo en los componentes de un sistema, la estructura del sistema, las relaciones entre los componentes y el comportamiento del sistema modelado, en lugar del código del programa en sí. Aquí, nos referimos a modelos de simulación dinámica. En cada paso de tiempo, el estado del sistema cambia: en el sistema de café, los clientes van y vienen, se realizan pedidos, el café está borracho, se pagan los recibos, se reciben mensajes, se comparten noticias, a veces se derrama el café ordenadores. En cada paso de tiempo, el modelo actualiza el estado del sistema y está listo para tener en cuenta los eventos del siguiente paso de tiempo sobre la base del nuevo estado que acaba de adquirir.

¿Cómo hacer un modelo de simulación?

Un modelo de simulación es un modelo matemático que calcula el impacto de los insumos y decisiones inciertas que tomamos sobre los resultados que nos importan, como ganancias y pérdidas, rendimientos de inversión, consecuencias ambientales y similares. Tal modelo se puede crear escribiendo código en un lenguaje de programación, declaraciones en un lenguaje de modelado de simulación o fórmulas en una hoja de cálculo de Microsoft Excel. Independientemente de cómo se exprese, un modelo de simulación incluirá:

• Salidas del modelo que dependen de las entradas: llamaremos a estas funciones inciertas

Es esencial darse cuenta de que los resultados del modelo que dependen de entradas inciertas son inciertas en sí mismas, por lo tanto, hablamos de variables inciertas y funciones inciertas. Cuando realizamos una simulación con este modelo, probaremos muchos valores numéricos diferentes para las variables inciertas, y obtendremos muchos valores numéricos diferentes para las funciones inciertas. Utilizaremos estadísticas para analizar y resumir todos los valores para las funciones inciertas (y, si lo desea, las variables inciertas).

Una hoja de cálculo de Excel puede ser una herramienta simple pero poderosa para crear su modelo, especialmente cuando se combina con el software de simulación de Monte Carlo como Risk Solver. Si su modelo está escrito en un lenguaje de programación, los kits de herramientas de simulación de Monte Carlo como la de la plataforma de solucionadores de Frontline proporcionan ayudas potentes.

Un modelo de ejemplo en Excel puede verse así, donde la celda B6 contiene una fórmula = Psitriangular (E9, G9, F9) a los valores de muestra para el costo de la unidad variable incierta, y la celda B10 contiene una fórmula = Psimean (B9) para obtener la media Valor de la ganancia neta en todas las pruebas de la simulación.

¿Qué es un modelo de simulación?

Muchos relatos filosóficos de los modelos científicos no pueden distinguir entre un modelo de simulación y otras formas de modelos. Este fracaso es desafortunado porque hay diferencias importantes relacionadas con su metodología y epistemología que favorecen su comprensión filosófica. La afirmación central presentada aquí es que los modelos de simulación son unidades de análisis ricas y complejas por derecho propio, que se apartan de formas conocidas de modelos científicos de manera significativa, y que una comprensión adecuada del tipo de simulaciones de modelo es fundamental para sus filosóficos evaluación. Sostengo que los modelos de simulación se pueden distinguir de otras formas de modelos por las muchas estructuras algorítmicas, relaciones de representación y nuevas conexiones semánticas involucradas en su arquitectura. En este artículo, reconstruyo una arquitectura general para un modelo de simulación, una que captura fielmente las complejidades involucradas en la mayoría de la investigación científica con simulaciones por computadora. Además, sostengo que se debe implementar una nueva metodología capaz de ajustar dicha arquitectura en una simulación informática completamente funcional y computacional. Discuto esta metodología, lo que yo llamo refundición, y argumento por su novedad filosófica. Si estos esfuerzos se dirigen hacia la interpretación correcta de los modelos de simulación, entonces se puede mostrar que las simulaciones por computadora arrojan nueva luz sobre la filosofía de la ciencia. Para ilustrar el potencial de mi interpretación de los modelos de simulación, discuto brevemente las explicaciones basadas en la simulación como un enfoque novedoso para las preguntas sobre la explicación científica.

En los últimos años, los filósofos han centrado su atención en las simulaciones por computadora y su valor epistemológico en el modelado científico y la práctica científica. Cuando se enfrentan a estos problemas, los autores emplean una de varias estrategias: comparan el poder epistemológico de las simulaciones informáticas con la experimentación de laboratorio (Morgan 2003; Parker 2009; Symons y Alvarado 2019; Ionescu 2018; Boge 2019); Analizan diferentes formas de inferencia de conocimiento de simulaciones (Winsberg 2001; Beisbart 2012); Consideran amplias discusiones sobre la noción de datos simulados como diferentes en tipo de datos experimentales y observacionales (Barberousse y Marion 2013; Humphreys 2013); O muestran cómo se encuentran las simulaciones por computadora en el centro de cambios metodológicos, conceptuales e industriales en la investigación científica (Lenhard 2014).

Hay muchas discusiones perspicaces en la literatura filosófica sobre la epistemología de las simulaciones por computadora. Sin embargo, la mayor parte de esta literatura requiere simulaciones por computadora para consistir en la implementación de algún tipo de modelo especial que se ejecuta en la computadora física. Esto deja un vacío conceptual con respecto a la naturaleza específica de tales modelos especiales y las implicaciones filosóficas en relación con ellos. Aunque se pueden encontrar esfuerzos serios en la literatura, más prominentemente Humphreys (1990, 2004), Hartmann (1996), Winsberg (1999) y más recientemente Durán (2018), parece haber una discrepancia entre la forma en que los filósofos conceptualizan estos modelos y las complejidades asociadas a la práctica de simular.

El objetivo principal de este artículo es articular la riqueza y la complejidad de los modelos de simulación, es decir, el tipo de modelos en base a simulaciones por computadora. Con este fin, examino la arquitectura general para los modelos de simulación con el objetivo de reconocer prácticas, estructuras y relaciones comúnmente encontradas en la práctica computacional y que difieren de otras formas de modelado (ver Symons y Alvarado 2019; Durán 2018). En particular, sostengo que los modelos de simulación requieren nuevas técnicas posiblemente sin precedentes para su diseño y construcción. Llamo a estas técnicas refundidas, y las entiendo como formas de hacer compatible una multiplicidad de modelos en un solo modelo de simulación para su implementación como una simulación informática completamente funcional. Para mostrar su novedad, contraste con la refrescante con las formas de submodelado y multimodelado.

¿Cómo hacer una simulación de Promodel paso a paso?

Las simulaciones de Monte-Carlo han evolucionado mucho desde su primera aplicación en la década de 1940, cuando los científicos que trabajaron en la bomba atómica calcularon las probabilidades de que un átomo de uranio de fisión causa una reacción de fisión a otra. En este artículo, descubriremos cómo crear una simulación de Monte-Carlo utilizando una fórmula técnica conocida y una experiencia de experiencia en Minitab.

Desde entonces, cuando el uranio era raro y cuando no era posible proceder por prueba y error, las simulaciones de Monte-Carlo se utilizan para calcular probabilidades confiables a partir de datos simulados. Hoy, los datos simulados se utilizan regularmente en una gran cantidad de escenarios, desde materiales hasta el cierre impermeable del empaque de dispositivos médicos, incluida la producción de acero. Se pueden usar en casos en que los recursos son limitados, o en situaciones en las que recopilar datos reales sería demasiado costoso o demasiado difícil. Gracias a la herramienta de simulación de Monte-Carlo disponible en Engage y en el espacio de trabajo, puede llevar a cabo las siguientes operaciones:

• Simular el rango de posibles resultados para facilitar la toma de decisiones
• Proporcionar resultados financieros o estimar los plazos para un proyecto
• Comprender la variabilidad de un proceso o sistema
• Detectar problemas con un proceso o sistema
• Gestionar los riesgos comprendiendo la relación costo/ganancias

Dependiendo del número de factores involucrados, las simulaciones pueden ser muy complejas. Sin embargo, en la base, todas las simulaciones de Monte-Carlo tienen cuatro pasos simples:

• Simular el rango de posibles resultados para facilitar la toma de decisiones
• Proporcionar resultados financieros o estimar los plazos para un proyecto
• Comprender la variabilidad de un proceso o sistema
• Detectar problemas con un proceso o sistema
• Gestionar los riesgos comprendiendo la relación costo/ganancias

Artículos Relacionados:

• Modelos de investigación de operaciones: métodos y técnicas para optimizar los procesos de negocio
• Modelos de investigación de operaciones para la construcción de eficiencia
• Modelo matemático para la investigación de operaciones: cómo optimizar y analizar datos para mejorar los resultados de tu negocio
• Metodos de investigacion de operaciones: Aprende los metodos mas eficientes para optimizar tus procesos