Weryfikacja poprawności

Jednym z prawdziwych problemów, z którymi boryka się analityk symulacji, jest walidacja modelu. Model symulacyjny jest ważny tylko wtedy, gdy model jest dokładną reprezentacją rzeczywistego systemu, w przeciwnym razie jest nieważny.

Walidacja i weryfikacja to dwa kroki w każdym projekcie symulacyjnym, mające na celu walidację modelu.

• Validationto proces porównywania dwóch wyników. W tym procesie musimy porównać reprezentację modelu konceptualnego z rzeczywistym systemem. Jeśli porównanie jest prawdziwe, to jest poprawne, w przeciwnym razie nieważne.

• Verificationto proces porównywania dwóch lub więcej wyników w celu zapewnienia ich dokładności. W tym procesie musimy porównać implementację modelu i powiązane z nim dane z opisem koncepcyjnym i specyfikacjami dewelopera.

Techniki weryfikacji i walidacji

Istnieją różne techniki służące do przeprowadzania weryfikacji i walidacji modelu symulacyjnego. Oto niektóre z typowych technik -

Techniki wykonywania weryfikacji modelu symulacyjnego

Poniżej przedstawiono sposoby przeprowadzania weryfikacji modelu symulacyjnego -

• Wykorzystując umiejętności programowania do pisania i debugowania programu w podprogramach.

• Korzystając z zasad „Strukturalny przewodnik”, w których więcej niż jedna osoba ma czytać program.

• Śledzenie wyników pośrednich i porównywanie ich z obserwowanymi wynikami.

• Sprawdzając wynik modelu symulacyjnego przy użyciu różnych kombinacji danych wejściowych.

• Porównując ostateczny wynik symulacji z wynikami analitycznymi.

Techniki przeprowadzania walidacji modelu symulacyjnego

Step 1- Zaprojektuj model o wysokiej trafności. Można to osiągnąć, wykonując następujące czynności -

• Model należy omówić z ekspertami systemowymi podczas projektowania.
• Model musi współdziałać z klientem przez cały proces.
• Wyjście musi być nadzorowane przez ekspertów systemowych.

Step 2- Przetestuj model na podstawie założeń. Można to osiągnąć poprzez zastosowanie danych założeń do modelu i testowanie go ilościowo. Wrażliwą analizę można również przeprowadzić w celu zaobserwowania wpływu zmiany wyniku w przypadku wprowadzenia znaczących zmian w danych wejściowych.

Step 3- Określić reprezentatywny wynik modelu symulacyjnego. Można to osiągnąć, wykonując następujące czynności -

• Określ, jak blisko jest wynik symulacji z rzeczywistym wyjściem systemu.

• Porównanie można przeprowadzić za pomocą testu Turinga. Prezentuje dane w formacie systemowym, co może być wyjaśnione tylko przez ekspertów.

• Do porównania wyników modelu z rzeczywistymi wynikami systemu można zastosować metodę statystyczną.

Porównanie danych modelu z danymi rzeczywistymi

Po opracowaniu modelu musimy przeprowadzić porównanie jego danych wyjściowych z rzeczywistymi danymi systemu. Poniżej przedstawiono dwa podejścia do wykonania tego porównania.

Walidacja istniejącego systemu

W tym podejściu używamy rzeczywistych danych wejściowych modelu, aby porównać jego dane wyjściowe z danymi wejściowymi ze świata rzeczywistego rzeczywistego systemu. Ten proces walidacji jest prosty, jednak może powodować pewne trudności podczas przeprowadzania, na przykład jeśli wynik ma być porównany ze średnią długością, czasem oczekiwania, czasem bezczynności itp., Można go porównać za pomocą testów statystycznych i testowania hipotez. Niektóre z testów statystycznych to test chi-kwadrat, test Kołmogorowa-Smirnowa, test Cramera-von Misesa i test momentów.

Walidacja modelu po raz pierwszy

Rozważmy, że musimy opisać proponowany system, który obecnie nie istnieje ani nie istniał w przeszłości. Dlatego nie ma dostępnych danych historycznych, z którymi można by porównać jego wyniki. Dlatego musimy zastosować hipotetyczny system oparty na założeniach. Przestrzeganie przydatnych wskazówek pomoże uczynić go wydajnym.

• Subsystem Validity- Sam model może nie mieć żadnego istniejącego systemu, z którym można by go porównać, ale może składać się ze znanego podsystemu. Każdą z tych trafności można przetestować oddzielnie.

• Internal Validity - Model o wysokim stopniu wariancji wewnętrznej zostanie odrzucony jako system stochastyczny o dużej wariancji ze względu na procesy wewnętrzne, który będzie ukrywał zmiany w wyniku wynikające ze zmian wejściowych.

• Sensitivity Analysis - Dostarcza informacji o wrażliwym parametrze w systemie, na który musimy zwrócić większą uwagę.

• Face Validity - Gdy model działa na przeciwnych logikach, to należy go odrzucić, nawet jeśli zachowuje się jak rzeczywisty system.