Kesikli Olay Simülasyonu (KOS)
Discrete-Event Simulation (DES) · Ayrıca şöyle bilinir: DES, event-driven simulation, Ayrık Olay Simülasyonu (DES)
Kesikli Olay Simülasyonu (KOS), bir sistemin durumunun yalnızca sayılabilir bir zaman noktaları dizisinde - olaylarda - değiştiği hesaplamalı bir modelleme paradigmasıdır. Olaylar arasında hiçbir şey değişmez, bu nedenle simülasyon saati doğrudan bir olaydan diğerine atlar. Banks, Carson, Nelson ve Nicol ile Law'ın 1960'lar-2000'lerdeki temel ders kitapları aracılığıyla biçimlendirilen KOS, kuyruk sistemlerini, sağlık hizmetleri hasta akışlarını, üretim hatlarını ve varlıkların zaman içinde kaynaklar arasında hareket ettiği lojistik ağları analiz etmek için standart araç haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+22 tane daha
Ne zaman kullanılır
KOS, bir sistem ayrık varlıkların stokastik geliş ve hizmet süreleriyle yönetilen kaynaklar arasında hareket ettiği şeklinde tanımlanabildiği her yerde uygundur. Kuyruk sistemleri, acil servis ve hastane koğuş akışı, üretim ve tedarik zinciri verim analizi, çağrı merkezi personel planlaması ve lojistik yönlendirme - analistin gerçek sistem üzerinde deney yapmadan kapasiteyi, darboğazları veya 'ne olursa' senaryolarını değerlendirmesi gereken her yerde uygun bir seçimdir. Normal varsayımı gerekmez. Çoğaltma sayısı yeterli olmalıdır (tipik olarak en az 30 veya dar güven aralıkları için ≥1000) — çok az çoğaltma ile KOS sonuçları güvenilmezdir ve analitik bir kuyruk modeli tercih edilebilir. Dağılımsal girdiler (geliş ve hizmet süresi dağılımları) tarihsel verilerden tahmin edilmelidir; veri olmadığında, uzman görüşü veya pilot çalıştırmalar gereklidir.
Güçlü yönler & sınırlılıklar
- Analitik kuyruk modellerinin temsil edemediği karmaşık, doğrusal olmayan süreçleri (kaynak rekabeti, değişken yönlendirme, öncelikli kuyruklar) ele alır.
- Bağımsız çoğaltmalar yoluyla gerçekçi güven aralıkları üretir, belirsizliği açık hale getirir.
- Gerçek sistemi aksatmadan 'ne olursa' deneylerini ve senaryo karşılaştırmalarını destekler.
- Çıktılar üzerinde dağılımsal varsayım yoktur; herhangi bir girdi dağılımı uyarlanabilir.
- Çekirdek paradigmayı değiştirmeden geniş bir alan yelpazesine (sağlık hizmetleri, üretim, lojistik, hizmet operasyonları) uygulanabilir.
- Girdi belirsizliği: sonuçlar yalnızca uyarlanmış geliş ve hizmet dağılımları kadar güvenilirdir.
- Isınma yanlılığı: ısınma süresini göz ardı etmek kararlı durum tahminlerini şişirir veya indirir.
- Çoğaltmalar: çok az çoğaltma (yaklaşık 30'dan az) senaryo karşılaştırmalarını güvenilmez hale getiren geniş güven aralıkları üretir.
- Hesaplama maliyeti: çok sayıda varlık ve kaynağa sahip karmaşık modeller, dar güven aralıkları elde etmek için önemli ölçüde çalışma süresi gerektirebilir.
- Model doğrulama, doğrulama için tarihsel veri gerektirir; kötü haritalanmış süreçler yanıltıcı çıktılara yol açar.
SSS
Kaç çoğaltmaya ihtiyacım var?
Ön analiz için yaygın bir başlangıç noktası olarak minimum 30 bağımsız çoğaltma gereklidir, ancak karar verme için dar güven aralıkları tipik olarak 100-1000 veya daha fazlasını gerektirir. Sıralı bir pilot prosedür kullanın: ilk 10-30 çoğaltma grubunu çalıştırın, varyansı tahmin edin, ardından hedef yarı genişliğinizi elde etmek için gereken ek çoğaltmaları hesaplayın.
Isınma süresini nasıl belirlerim?
Welch'in grafik yöntemi en yaygın kullanılan yaklaşımdır: performans metriğinin zaman içindeki hareketli ortalamasını çizin ve dengelendiği noktayı belirleyin. Alternatif olarak, Mecklenburg-White testini kullanın veya ısınmanın toplam çalışma süresinin %10'undan azını temsil ettiği kadar uzun süre modeli çalıştırın. Isınmayı göz ardı etmek kararlı durum tahminlerini yanlı hale getirir.
Ne zaman analitik bir kuyruk modeli yerine KOS kullanmalıyım?
Analitik kuyruk modelleri (M/M/c ve varyantları), basit, idealize edilmiş sistemler için kesin veya yaklaşık kapalı form sonuçlar verir. KOS'u, süreç karmaşık yönlendirmeye, birden fazla rakip kaynak türüne, üstel olmayan hizmet sürelerine, yığın gelişlere veya zamanla değişen geliş oranlarına sahip olduğunda kullanın — analitik çözümlerin mevcut olmadığı veya gerçekçi olmayan basitleştirici varsayımlar gerektiren durumlar.
Dağılımları uydurmak için tarihsel verim yoksa ne yapmalıyım?
Uzman görüşü (örneğin, üçgen dağılımı uydurmak için minimum, en olası, maksimum tahminler) ön modeller için kabul edilmiş bir yedektir. Girdi belirsizliğinin çıktı belirsizliğine nasıl yayıldığını anlamak için olası dağılım aileleri boyunca duyarlılık analizleri yapın. Model olgunlaştıkça gerçek verileri toplayın.
Kaynaklar
- Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson. ISBN: 978-0136062127
- Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill. ISBN: 978-0073401324
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Discrete-Event Simulation (DES). ScholarGate. https://scholargate.app/tr/simulation/discrete-event-simulation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Birey Tabanlı Modelleme (BTM)Simülasyon↔ karşılaştır
- Latin Hypercube SamplingSimülasyon↔ karşılaştır
- Monte Carlo SimülasyonuKarar verme↔ karşılaştır
- Sistem DinamiğiSimülasyon↔ karşılaştır