Проверка и валидация
Одна из реальных проблем, с которыми сталкивается аналитик моделирования, - это проверка модели. Имитационная модель действительна только в том случае, если модель является точным представлением реальной системы, иначе она недействительна.
Валидация и верификация - это два шага в любом проекте моделирования для валидации модели.
Validationэто процесс сравнения двух результатов. В этом процессе нам нужно сравнить представление концептуальной модели с реальной системой. Если сравнение верно, то оно действительно, иначе недействительно.
Verificationэто процесс сравнения двух или более результатов для обеспечения его точности. В этом процессе мы должны сравнить реализацию модели и связанные с ней данные с концептуальным описанием и спецификациями разработчика.
Методы верификации и валидации
Существуют различные методы, используемые для проверки и подтверждения имитационной модели. Ниже приведены некоторые из распространенных методов -
Методы проверки имитационной модели
Ниже приведены способы выполнения проверки имитационной модели.
Используя навыки программирования для написания и отладки программы в подпрограммах.
Используя политику «Структурированного просмотра», при которой программу должны читать несколько человек.
Отслеживая промежуточные результаты и сравнивая их с наблюдаемыми результатами.
Путем проверки выходных данных имитационной модели с использованием различных комбинаций входных данных.
Путем сравнения окончательного результата моделирования с аналитическими результатами.
Методы проверки имитационной модели
Step 1- Разработайте модель с высокой достоверностью. Это может быть достигнуто с помощью следующих шагов -
- Модель необходимо обсудить с системными экспертами при проектировании.
- Модель должна взаимодействовать с клиентом на протяжении всего процесса.
- Вывод должен контролироваться системными экспертами.
Step 2- Протестируйте модель на данных допущений. Это может быть достигнуто путем применения данных предположения в модели и ее количественного тестирования. Чувствительный анализ также может быть выполнен для наблюдения за эффектом изменения результата, когда во входные данные вносятся существенные изменения.
Step 3- Определите репрезентативные выходные данные имитационной модели. Это может быть достигнуто с помощью следующих шагов -
Определите, насколько близки выходные данные моделирования к выходным данным реальной системы.
Сравнение можно провести с помощью теста Тьюринга. Он представляет данные в системном формате, пояснить который могут только специалисты.
Статистический метод может использоваться для сравнения выходных данных модели с выходными данными реальной системы.
Сравнение модельных данных с реальными данными
После разработки модели необходимо провести сравнение ее выходных данных с реальными данными системы. Ниже приведены два подхода к проведению этого сравнения.
Проверка существующей системы
В этом подходе мы используем реальные входные данные модели для сравнения ее выходных данных с реальными входными данными реальной системы. Этот процесс проверки несложен, однако при его выполнении могут возникнуть некоторые трудности, например, если выходные данные нужно сравнить со средней продолжительностью, временем ожидания, временем простоя и т. Д., Его можно сравнить с помощью статистических тестов и проверки гипотез. Некоторые из статистических тестов - это тест хи-квадрат, тест Колмогорова-Смирнова, тест Крамера-фон Мизеса и тест моментов.
Проверка модели в первый раз
Представьте, что мы должны описать предлагаемую систему, которой не существует ни в настоящее время, ни в прошлом. Следовательно, нет исторических данных, с которыми можно было бы сравнить его производительность. Следовательно, мы должны использовать гипотетическую систему, основанную на предположениях. Следующие полезные указатели помогут сделать его эффективным.
Subsystem Validity- Сама модель может не иметь какой-либо существующей системы для сравнения, но может состоять из известной подсистемы. Каждое из этих утверждений можно проверить отдельно.
Internal Validity - Модель с высокой степенью внутренней дисперсии будет отклонена как стохастическая система с высокой дисперсией из-за своих внутренних процессов, которые будут скрывать изменения на выходе из-за изменений на входе.
Sensitivity Analysis - Он предоставляет информацию о чувствительном параметре в системе, которому нужно уделять повышенное внимание.
Face Validity - Когда модель работает по противоположной логике, ее следует отвергнуть, даже если она ведет себя как реальная система.