Resumen Simulacion.pdf

DIRECCIÓN DE CIENCIAS BÁSICAS Y TECNOLOGÍA. CARRERA: Ingeniería en Computación. ASIGNATURA: Simulación por computadora TEMA: Resumen DOCENTE: Martin Navarrete Vanegas ESTUDIANTE: Ma. Celeste Guevara Gutiérrez.  Qué es la simulación...

DIRECCIÓN DE CIENCIAS BÁSICAS Y TECNOLOGÍA. CARRERA: Ingeniería en Computación. ASIGNATURA: Simulación por computadora TEMA: Resumen DOCENTE: Martin Navarrete Vanegas ESTUDIANTE: Ma. Celeste Guevara Gutiérrez.  Qué es la simulación La simulación es el proceso de diseñar un modelo de un sistema real y de desarrollar experiencias con él con la finalidad de comprender el comportamiento del sistema o evaluar nuevas estrategias para el funcionamiento del sistema, dentro de los límites impuestos por cierto criterio o por un conjunto de ellos Clasificación de los sistemas de simulación Los sistemas de simulación se pueden clasificar de varias maneras, según los elementos involucrados, la evolución temporal y las variables que intervienen. Entre ellos encontramos: Persona-persona: Estudia reacciones sociales. De sistema: Reproduce sistemas físicos/químicos/biológicos bajo condiciones controladas. Persona-ordenador: Interacción entre persona y ordenador. Por ordenador: No requiere interacción humana, solo entrada y salida. Montecarlo: Basado en aleatoriedad y probabilidad, sin intervención temporal. Simulaciones continuas: Modeladas por ecuaciones diferenciales/algebraicas. Eventos discretos: Cambios en el estado del sistema ocurren en momentos específicos. En función de su evolución temporal: Estáticos: dan representación del sistema en un momento dado, no interviene el tiempo, la técnica de Montecarlo sería adecuada para un estudio de este estilo. Dinámicos: representan la evolución de las variables de estado a lo largo del tiempo. En función del tipo de variables que intervienen, podemos establecer la siguiente clasificación: Deterministas: no interviene el azar en ninguna variable del sistema. Tocásticos: interviene el azar o elementos que no controlamos. establecer una clasificación en función de la evolución de las variables de estado: Discretos: las variables de estado varían únicamente en determinados instantes de tiempo. Continuos: las variables de estado varían continuamente a lo largo del tiempo. Periodo de Carga frente a Periodo Estacionario En la simulación de sistemas, existen dos fases clave que definen el comportamiento global: el periodo de carga y el periodo estacionario. Estas dos fases son el periodo de carga (o transitorio) y el estado estacionario. El estado estacionario es aquel en el que el sistema se extiende a lo largo del tiempo. Es aquel espacio de tiempo en el que el sistema aún no ha llegado al estado estacionario, y en el que oscila entre diferentes valores, sin todavía una definición clara. Generación de números aleatorios. La generación de números pseudo-aleatorios es fundamental en el ámbito de la simulación, ya que proporciona a los modelos la variabilidad necesaria para simular condiciones aleatorias y extrapolar resultados al sistema real que se estudia. Sin una generación efectiva de estos números, los modelos carecerían de un medio para crear las diversas distribuciones de probabilidad que determinan el comportamiento de los diferentes elementos del sistema, lo que haría inviable la realización de la simulación. Cuando aplicar simulación La simulación no se aplicará para resolver cualquier problema, sino que lo primero que debe evaluar es si existen otras herramientas o recursos para poder afrontar el problema con garantías de éxito, y con unos costes computacionales y de tiempo menores. En principio, las normas que nos dicen cuando es interesante aplicar simulación se pueden resumir en los siguientes puntos: O existe una formulación completa del problema, o no hay métodos analíticos para poder resolverlo. Son necesarias unas hipótesis simplificadoras para resolver los métodos analíticos planteados, que desvirtúan completamente las soluciones obtenidas y su interpretación. Los métodos analíticos son muy difíciles de llevar a cabo, a pesar de que existen, y no requieren de hipótesis simplificadoras. Queremos observar la historia de la evolución del modelo, y no solo el resultado de su comportamiento en el estado estacionario, o queremos estudiar el periodo de carga o transitorio del sistema. Queremos tener un sistema que no solo nos proporcione respuestas, sino también que nos permita modificar dinámicamente algunos de los factores que  determinan el comportamiento del modelo. Desventajas de un estudio de simulación La simulación presenta los siguientes inconvenientes: Es costoso en horas de desarrollo. Hay que destinar un tiempo a la verificación del programa construido. Asimismo, habrá un tiempo para poder validar los resultados del modelo, y calibrarlo. Para obtener respuestas es necesario gastar horas de computadora. Es preciso disponer de personal con conocimientos estadísticos para poder recoger e interpretar la información. Hay que conocer y explicar con detalle el modelo, no es factible el esquema de una caja negra, para que las personas que al final tienen que tomar las decisiones confíen en el modelo. Estos inconvenientes suelen estar relacionados con la falta de tiempo que hay para los proyectos de simulación, debido a que sus respuestas son fundamentales para sacar adelante un determinado proyecto con una configuración u otra Fases en un estudio de simulación Todo estudio de simulación ha de intentar definir un modelo a partir de un sistema acotado a partir de las hipótesis por usar, La definición de las hipótesis que quedan dentro o fuera de un estudio de simulación son una pieza clave o Formulación del problema ✓ En esta fase se define el problema o problemas que se pretenden estudiar. Incluye sus objetivos. o Planificación del estudio ✓ Una vez que ya se tienen claros los problemas que hay que analizar y los objetivos que se desean obtener, se ha de planificar el proyecto de simulación. o Recogida de datos ✓ Hay que identificar, recoger y analizar los datos necesarios para desarrollar el estudio de simulación. o Implementar el modelo ✓ A partir de los datos obtenidos, su naturaleza y su estructura, es necesario desarrollar un modelo de simulación que permita obtener los resultados que se desean. o Validación del modelo de simulación ✓ Hay que comprobar que, efectivamente, el modelo de simulación que se ha  construido, el programa, responde adecuadamente a sus expectativas de funcionamiento. Esta fase correspondería a la verificación de que el algoritmo empleado funcione de forma correcta. o Ejecuciones de prueba ✓ Una vez que el algoritmo ya está suficientemente probado, hay que empezar la fase de validación, en la que se comprobará no solo el funcionamiento correcto del programa, sino también la naturaleza correcta de los datos resultantes de este. Por eso hay que construir un conjunto de ejecuciones de prueba que permitan realizar esta validación. o Validación del Modelo ✓ En esta etapa, se verifica la precisión del modelo comparando los datos obtenidos con los datos esperados. Generalmente, se requiere la colaboración de expertos en el sistema modelado para asegurar la validez de los resultados. o Diseño de los Experimentos ✓ Después de validar los datos del modelo de simulación, se procede a diseñar los experimentos que permitirán responder a las preguntas planteadas inicialmente en la formulación del problema. o Ejecución de los Experimentos ✓ La ejecución de los experimentos de simulación puede llevar un tiempo considerable, por lo que es importante planificar adecuadamente esta fase. Un diseño experimental efectivo debe incluir un número adecuado de repeticiones (réplicas), por lo que la duración total de los experimentos puede no ser conocida de antemano. o Análisis de Resultados ✓ Una vez obtenidos los resultados de los experimentos, es necesario realizar un análisis detallado. En esta fase, puede ser necesario diseñar nuevos experimentos para responder completamente a las preguntas planteadas. Elementos de un modelo de simulación En cualquier modelo de simulación, hay elementos comunes que son fundamentales para su construcción. Estos elementos ayudan a que el modelo sea lo más fiel posible a la realidad del sistema que se está simulando. Estos elementos varían significativamente su comportamiento de un modelo a otro, pero normalmente siempre se debe a la parametrización que reciben en cada caso. Los elementos más importantes son:  Entidad Actividad Proceso Recursos 3.1. Entidad Una entidad es un elemento del sistema que normalmente fluye por él y que tiene una vida finita dentro del modelo. 3.2. Actividad Las actividades no son nada más que las diferentes operaciones que las entidades reciben a través de las entidades permanentes o máquinas del sistema, Estas actividades son las que determinan el comportamiento del modelo de simulación. Las actividades más comunes que podemos encontrar son: Generación: permite generar nuevas entidades e introducirlas dentro del modelo. Destrucción: permite destruir las entidades que han sido generadas y que ya han terminado todas las actividades que debían realizar. Split: permite crear entidades nuevas a partir de la entrada de una entidad en la actividad. Join: permite unir diferentes entidades que convergen en la actividad. Demora: demora en el tiempo de simulación la circulación de la entidad de actividad en actividad. Pedir recurso: permite solicitar un determinado recurso, para poder continuar con las siguientes tareas. Liberar recurso: permite liberar un recurso que ha sido necesario para desarrollar una serie de tareas, y que ya no es necesario. 3.3. Proceso: Un proceso se define como la serie de actividades que una entidad específica debe llevar a cabo dentro del modelo. 3.4. Recurso: Un recurso es algo esencial para realizar una actividad dentro del marco de un proceso. Estrategias de simulación discreta: En la simulación discreta, existen diversas estrategias para abordar el modelado de un sistema. Las tres principales son: 1. Interacción de procesos (Process Interaction): Esta estrategia se enfoca en los distintos procesos que una entidad atraviesa a lo largo de su ciclo de vida dentro del modelo de simulación. A partir de ellas se describe todo el modelo. Aunque esta descripción basada en procesos resulta intuitiva, el código necesario para implementarla puede ser complejo. Además, el movimiento de las entidades está limitado por factores temporales y espaciales, como la simultaneidad de actividades que requieren el mismo recurso. 2. Exploración de actividades (Activity Scanning): Este enfoque se basa en examinar el conjunto de actividades por realizar, identificando la naturaleza de cada una. Utiliza incrementos de tiempo fijos para explorar la lista de actividades y verificar cuáles se pueden ejecutar. Sin embargo, la necesidad de un incremento temporal fijo puede ser una desventaja si no es lo suficientemente pequeño, lo que podría provocar que eventos que deberían ocurrir en momentos distintos aparezcan simultáneamente. 3. Programación de eventos (Event Scheduling): En esta estrategia, los eventos son las acciones instantáneas que pueden cambiar el estado del modelo. La lista de eventos, ordenada por tiempo y, si es necesario, por prioridad, es fundamental para esta estrategia. El motor de simulación es el componente software clave en este enfoque. La definición y tratamiento de eventos son cruciales para dotar al modelo de sus características específicas. Análisis y obtención de datos: Antes de realizar un estudio de simulación, es esencial analizar cómo se presentarán los datos necesarios para implementar las diferentes distribuciones en el modelo. La obtención de estos datos puede ser laboriosa y complicada, ya que a menudo la información necesaria está dispersa entre varias personas. Concepto de réplica: La réplica es un concepto clave en los experimentos de simulación debido a la naturaleza aleatoria de los resultados. Calcular intervalos de confianza para las variables de salida a partir de las réplicas permite verificar si el comportamiento de una variable es el esperado tanto en el modelo como en el sistema real. En caso de que las variables presenten ciclos, los métodos regenerativos pueden tratar cada ciclo como una réplica. Técnicas de reducción de la varianza: Se busca minimizar la variabilidad generada por los números aleatorios en los resultados de las variables respuesta. Entre las técnicas utilizadas se encuentran: Números aleatorios comunes: Usar la misma secuencia de números aleatorios para evaluar diferentes configuraciones permite compararlas bajo las mismas condiciones. Variables antitéticas: Consiste en utilizar valores antitéticos en dos ejecuciones, es decir, si una secuencia de números aleatorios es (a, b, c,...), la secuencia antitética sería (1-a, 1-b, 1-c,...). Variables de control: Permiten monitorizar y comparar las variables respuesta a lo largo del experimento, facilitando la introducción de modificaciones para reducir las diferencias observadas. Diseño de experimentos en simulación: Para un buen análisis de experimentos en simulación, es importante seguir tres principios: 1. Aleatorización: Asignar aleatoriamente los factores no controlados del experimento. 2. Repetición del experimento (réplicas): Reduce la variabilidad entre las respuestas. 3. Homogeneidad estadística de las respuestas: Realizar experimentos bajo condiciones homogéneas para facilitar la comparación de diferentes alternativas. Los diseños factoriales son una herramienta útil para lograr esta similitud. Diseños factoriales: El enfoque clásico consiste en modificar un factor a la vez mientras se mantienen constantes los otros factores. Por ejemplo, con tres factores, se fija dos factores y se varía el tercero en todos sus niveles para encontrar el óptimo, luego se repite el proceso para los demás factores. Simulación de inteligencia artificial La simulación y la inteligencia artificial están transformando diversos campos, incluyendo la optimización y el análisis de equipos industriales. En el ámbito industrial, la simulación se utiliza para mejorar el rendimiento y la eficiencia de máquinas, prever su rendimiento, analizar la confiabilidad y productividad, y detectar cuellos de botella en la producción. Equipos como turbomáquinas, motores eléctricos, transformadores e intercambiadores de calor se benefician significativamente de estas técnicas. Por otro lado, la inteligencia artificial está revolucionando múltiples áreas mediante el desarrollo de tecnologías avanzadas como el procesamiento del lenguaje natural y aplicaciones innovadoras. Entre sus aplicaciones destacadas se incluyen los asistentes virtuales, el análisis de sentimientos y la creación de simulaciones de entornos virtuales realistas, abriendo nuevas posibilidades y mejorando la interacción entre humanos y sistemas tecnológicos.