domingo, 3 de junio de 2012


LABORATORIO No.6 DE SIMULACION

 Presentado Por: Jorge Andrés Prada.

Presentado A: Profesor Cesar Aceros.
 

PRACTICA 6 DE LABORATORIO
Resúmenes de papers - Winter Simulation Conference 2010
OBJETIVO:

Hacer un resumen de un paper de su interes en la Tabla de contenido de la WSC-2010 (Winter Simulation Conference).

PROCEDIMIENTO:

1) Busque un paper que le parezca interesante (TOC). O en la página de IEEE (ACA).

2) Consiga el paper.


3) Consigne su trabajo de resumen en el blog.
 

DESARROLLO

El paper seleccionado  es de la  IEEE: VERIFICATION AND VALIDATION OF SIMULATION MODELS; Autor: Robert G. Sargent.

 RESUMEN PAPER
VERIFICATION AND VALIDATION OF SIMULATION MODELS
Autor: Robert G. Sargent.


VERIFICACIÓN Y VALIDACIÓN DE MODELOS DE SIMULACIÓN

Los modelos de simulación cada vez se utilizan para resolver problemas y para ayudar en la toma de decisiones. Los desarrolladores y los usuarios de estos modelos, los que toman las decisiones con la información obtenida de los resultados de estos modelos, y los individuos afectados por las decisiones basadas en estos modelos están todos preocupados, con el hecho de si un modelo y sus resultados son "correctos". Esta preocupación se dirige a través de la verificación del modelo y la validación. La verificación del modelo se define a menudo como "garantizar que el programa informático del modelo computarizado y su aplicación es correcta ", y es la definición adoptada aquí. La validación del modelo es por lo general definida como el significado de "comprobación de un modelo computarizado dentro de su ámbito de aplicación que posee un rango satisfactorio de precisión coherente con la aplicación prevista del modelo” y es la definición utilizada aquí. Un modelo a veces se convierte acreditado mediante la acreditación del modelo.

La acreditación del modelo determina si un modelo satisface los criterios de acreditación del modelo especificado de acuerdo a un proceso especificado. Un tema relacionado es la credibilidad del modelo. La credibilidad del modelo se refiere al desarrollo en los usuarios de la confianza necesaria para poder utilizar un modelo y en la información derivada de ese modelo. Un modelo debe ser desarrollado para un propósito específico (o aplicación) y su validez determinada con respecto a tal propósito. Si el propósito de un modelo es responder a una variedad de preguntas, la validez del modelo tiene que ser determinado con respecto a cada pregunta. Numerosos conjuntos de condiciones experimentales suelen ser necesarias para definir el dominio de aplicabilidad de un modelo destinado. Un modelo puede ser válido para un conjunto de condiciones experimentales y no válido en el otro. Un modelo se considera válido para un conjunto de condiciones experimentales si la precisión del modelo está dentro de su rango aceptable, que es la cantidad de precisión requerida para la finalidad prevista modelo.

La suma de precisión requerida debería ser especificada, antes de comenzar el modelo o muy temprano en el desarrollo del  proceso de modelo. Si las variables de interés son variables aleatorias, entonces las propiedades y funciones de las variables aleatorias, tales como medias y las varianzas son por lo general lo que es de interés primordial y es lo que se utiliza en la determinación de la validez del modelo. Varias versiones de un modelo normalmente se desarrollan antes de obtener un modelo satisfactorio válido.

Hay cuatro enfoques básicos de toma de decisiones para decidir si un modelo de simulación es válido. Cada uno los métodos requiere el equipo de desarrollo del  modelo para llevar a cabo la verificación y validación como parte del proceso de desarrollo del modelo, un enfoque, muy frecuentemente  utilizado, es para el equipo de desarrollo de modelo en sí mismo, hacer la decisión así como si un modelo de simulación es válido. Una decisión subjetiva se realiza basándose en los resultados de las diferentes pruebas y evaluaciones realizadas como parte del proceso de desarrollo del modelo. Sin embargo, normalmente es preferible utilizar uno de los siguientes dos enfoques, dependiendo de la situación, el primero es si el tamaño del equipo de simulación de desarrollo del modelo es pequeño, un  enfoque mejor que el anterior mencionado es tener al usuario del modelo muy involucrado con el equipo de desarrollo del modelo para decidir la validez del modelo de simulación. En este enfoque, el enfoque de determinar la validez del modelo de simulación se mueve desde los desarrolladores del modelo a los usuarios de este mismo. Además, este enfoque ayuda a la credibilidad del modelo. Otro enfoque, generalmente llamado "verificación y validación independiente", utiliza una tercera parte (independiente) para decidir si el modelo de simulación es válido. La tercera parte es independiente de ambos, el equipo de desarrollo de del modelo de simulación y el modelo del promotor o usuario.

La validación del modelo conceptual se define como la determinación de que las teorías y las suposiciones subyacentes al modelo conceptual son consistentes con las de las teorías del sistema y que la representación del modelo del sistema es "razonable" para la finalidad prevista del modelo de simulación. La verificación de la especificación se define como el asegurar que el diseño del software y las especificaciones para la programación y la aplicación del modelo conceptual sobre el sistema del computador especificado no es satisfactorio. La verificación de la implementación se define como el asegurar que el modelo de simulación se ha ejecutado de acuerdo con la especificación del modelo de simulación. La validación operacional se define como la determinación de que el comportamiento del modelo de salida tiene la suficiente precisión  para la finalidad prevista para el modelo sobre el dominio de aplicabilidad destinada al modelo.

La verificación y validación de modelos son fundamentales en el desarrollo de un modelo de simulación. Desafortunadamente, no hay un conjunto de pruebas específicas que pueden ser fácilmente aplicados para determinar la "corrección" de un modelo. Además, no existe ningún algoritmo para determinar cuáles son las técnicas o procedimientos a utilizar. Cada proyecto de simulación presenta un desafío nuevo y único para el equipo de desarrollo del modelo.

RESUMEN CAPITULO 10 ROBINSON ET ALL.


RESUMEN CAPITULO 10 ROBINSON ET ALL.

Presentado Por: Luis Carlos Niño y Jorge Andrés Prada.

Presentado A: Profesor Cesar Aceros

CAPITULO 10. BUSCANDO EL ESPACIO DE SOLUCIONES


Introducción.
El propósito de este capítulo es discutir procedimiento para buscar el espacio de soluciones y el significado de cuales escenarios pueden ser comparados.

10.2. La naturaleza de los experimentos de simulación.
Los experimentos de simulación puede ser tomados de varias formas, son descritas como interactivas y experimentación por lotes, y comparación de alternativas y experimentación de búsqueda. El primer par describe el porqué de la realización de las corridas y el segundo para describe el significado por al cual los escenarios para la experimentación son determinados.

10.2.1. Interactivas y experimentación por lotes.
La experimentación interactiva involucra la observación de la corrida de simulación y la realización de cambios para ver el efecto en el modelo. Los experimentos por lotes son realizados por medio el ajuste de factores experimentales y dejando el modelo para correr la simulación con una longitud predefinida y para un conjunto de réplicas.

10.2.2. Comparación de alternativas y  experimentación de búsqueda.
Cuando se comparan las alternativas, hay un número limitado de escenarios para ser comparado. Estos escenarios frecuentemente son conocidos al inicio del estudio de simulación. En experimentos de búsqueda no hay escenarios predefinidos en lugar uno o más factores experimentales son variados hasta que se alcance un nivel óptimo.

10.3. Análisis de los resultados de un solo escenario.
Los experimentos de simulación son realizados con el objetivo de determinar el rendimiento del modelo, el cual es medido por los valores de sus respuestas.

10.3.1. Puntos estimados.
El nivel promedio de una respuesta es comúnmente conocido como su media. Sí una simulación pudiera ser corrida en un tiempo infinito, entonces debería ser posible obtener un valor exacto de la media de cada respuesta.

Las corridas largas tienen un número de ventajas sobre las múltiples réplicas, una de las más notables es el ahorro de tiempo, esto debería ser útil para construir los intervalos de confianza de los datos de salida. A continuación se mencionan varios métodos propuestos:

·         Método de las medias por lotes

·         Método de las medias superpuestas

·         Método regenerativo

·         Método de series de tiempo estandarizadas

·         Método de estimación espectral

·         Método auto-regresivo

10.3.2. Medidas de variabilidad.

Un valor promedio no da una completa imagen del rendimiento del modelo. En la mayoría de los sistemas de operación un bajo nivel de variabilidad es lo deseado debido a que es una forma fácil de ajustar recursos al nivel de demanda.

10.4. Comparación de alternativas.

Cuando se comparan escenarios alternativos el usuario del modelo debe determinar sí una alternativa es mejor que otra. Este no es el simple caso de comparar los valores medios de las respuestas para ver cuál es la mejor.

10.4.1. Comparación de dos escenarios.

Asumiendo que se están usando números aleatorios en el modelo, un intervalo de confianza para la diferencia entre los resultados de los dos escenarios puede ser calculado usando la aproximación de la prueba t-student pareada.

10.4.2. Comparación de muchos escenarios.

Los intervalos de confianza de la prueba t-student pareada puede ser extendida para más de dos escenarios y por consiguiente realizar la comparación por medio de la desigualdad de Bonferroni.

10.4.3. Escogiendo el mejor escenario.

Sí vamos más allá de la comparación de los escenarios, hay un interés obvio en identificar del mejor de un grupo de escenarios. Una forma simple es por  medio de la revisión del resultado de la media para cada escenario. Otra forma de determinar el mejor de un grupo de escenarios es utilizando métodos estadísticos.

10.5. Experimentación de búsqueda.

Porque hay una posibilidad de tener muchos escenarios (factores/niveles de combinación) en una experimentos de búsqueda, muy frecuente no es posible simular cada uno de los escenarios en el tiempo disponible para determinar cuál de ellos se encuentra cerca del valor deseado. Por consiguiente, los métodos se necesitan  para encontrar una mejora de la eficiencia del proceso de experimentación. A continuación se mencionan varios métodos propuestos:

·         Diseño experimental: identifica los factores experimentales que son más probables para realizar mejoras significativas.

·         Metamodelos: ajustan un modelo a la salida de simulación.

·         Optimización: realiza un búsqueda eficiente de los factores/combinación de niveles, intentando identificar la combinación óptima.

10.5.1. Aproximaciones informales para los experimentos de búsqueda.

No obstante que hay un cuerpo significativo de la teoría de búsqueda, se sugiere que los experimentos de simulación son realizados de modo informal. La falta del uso de métodos formales probablemente resulta de la necesidad de aplicar estadística no elemental. Las búsquedas informales para experimentación de búsqueda se dividen en 3 grupos:

·         Identificación de factores experimentales importantes

·         Desarrollando un entendimiento del espacio de soluciones

·         Búsqueda eficiente de las combinaciones de factor/nivel

10.5.2. Diseño experimental.

El diseño experimental actúa como una forma de identificar los factores experimentales más importantes, esto es, los factores por la cual los cambios son más probables de obtenre el resultado deseado.

10.5.3. Metamodelado.

Un metamodelo es un modelo de un modelo, en nuestro caso un modelo de la salida de simulación. Porque el metamodelo es normalmente un modelo analítico y corre mucho más rápido que la simulación.

10.5.4 Optimización.

Simulación de optimización es un área en la cual muchos investigadores se han enfocado recientemente. En una simulación de optimización el objetico es encontrar la combinación de factor/nivel que de la mejor respuesta, que es el valor máximo o mínimo.

10.6. Análisis de sensibilidad.

En un análisis de sensibilidad las consecuencias de los cambios de las entradas de un modelo son evaluadas. En este contexto las entradas de los modelos son interpretadas más generalmente que factores experimentales e incluyen todos los datos del modelo.

RESUMEN CAPITULO 9 ROBINSON ET ALL.


RESUMEN CAPITULO 9 ROBINSON ET ALL.


Presentado Por: Luis Carlos Niño y Jorge Andrés Prada.

Presentado A: Profesor Cesar Aceros

CAPITULO 9. OBTENIENDO RESULTADOS EXACTOS

9.2.1. Simulaciones con terminación y sin terminación.
Un modelo de simulación puede ser clasificado en dos tipos: con terminación y sin terminación. Para la simulación con terminación hay un punto de terminación natural que determina la longitud de la corrida y puede ser definido de la siguiente forma:
· El modelo alcanza una condición de vacío.
· La finalización de un periodo de tiempo bajo investigación.
· La finalización del rastro de los datos de entrada.
En cuanto a la simulación sin terminación no tiene un punto natural de finalización.
9.2.2. Salida transitoria.
En la mayoría de los casos la salida de una simulación con terminación es transitoria. La salida transitoria significa que la distribución de las salida está en constante cambio.
9.2.3. Salida en estado estable.
Para las simulaciones sin terminación la salida frecuentemente alcanza un estado estable. Estado estable no significa que la salida no varía, sino que varía de acuerdo a alguna distribución fija.
9.2.4. Otros tipos de salida.
El transitorio y el estado estable no son los únicos tipos de salida que existen en los modelos de simulación. Law y Kelton (2000) identificaron un tercer tipo el estado estable cíclico. Piense en la simulación de una planta de producción con dos turnos, en el turno de la noche tiene pocos operadores y por ende la tasa de producción es menor.
Robinson et al. (2002) describe un cuarto tipo de salida, el estado estable cambiante. En algunos modelos la salida cambia del estado estable a otro a lo largo del tiempo.
9.5. Tratando con sesgo de inicialización: calentamiento y condiciones iníciales.
Esta sección describe dos métodos para tratar con sesgos de inicialización: un periodo de calentamiento y ajuste de condiciones iníciales.
9.5.1. Determinando el periodo de calentamiento.
La pregunta clave es cuanto debería ser la longitud del periodo de calentamiento? La respuesta sería debe ser de longitud suficiente para asegurar que el modelo esté en una condición real. Para una simulación sin terminación normalmente significa que el transitorio inicial ha pasado y la salida del modelo está en estado estable.
A continuación se mencionan cinco métodos propuestos para identificar el sesgo de inicialización y determinar el período de calentamiento. A continuación se mencionan:
· Métodos gráficos: involucra la inspección visual de series de tiempo de los datos de salida
· Aproximaciones heurísticas: aplica reglas simples con pocas suposiciones.
· Métodos estadísticos: utiliza principios estadísticos para determinar el período de calentamiento.
· Prueba de sesgo de inicialización: identifica sí existe cualquier sesgo de inicialización en los datos.
· Métodos híbridos: involucran combinaciones de graficas o métodos heurísticos con una prueba se sesgo de inicialización.
9.5.2. Ajustando las condiciones iníciales.
Una alternativa para usar un periodo de calentamiento es ajustar las condiciones iníciales del modelo. Existen dos formas para identificar las condiciones iníciales.
· Observar el sistema real.
· Correr el modelo de simulación para un período de calentamiento y grabar el estado del modelo, usando esto para definir las condiciones iníciales del modelo para futuras corridas.
9.5.3. Mezcla de condiciones iníciales y período de calentamiento.
En algunos casos es útil usar una mezcla de período de calentamiento y condiciones iníciales. El objetivo es reducir la longitud del período de calentamiento requerido.
9.5.4. Condiciones iníciales vs período de calentamiento.
Para simulaciones con terminación y sin terminación se podría iniciar en un estado irreal y por consiguiente requiere condiciones iníciales para ajustar un período de calentamiento de la corrida. Para simulaciones sin terminación el objetivo es asegura que el transitorio inicial es removido de la salida. Y para simulaciones con terminación el objetivo es asegurar que los resultados no tengan sesgo por un inapropiado inicio de estado.
9.6. Seleccionando el número de replicas y la longitud de la corrida.
Esta selección se realiza con el objetivo de asegurar que los datos de salida son suficientes para estimar el modelo con suficiente exactitud.
9.6.1. Realización de múltiples réplicas.
Una réplica es una corrida de simulación que usa corrientes específicas de números aleatorios. Las réplicas son realizadas con el objetivo de producir múltiples muestras para obtener una mejor estimación del modelo.
9.6.2. Reducción de la varianza.
Uno de los objetivos es obtener una estimación exacta del rendimiento del modelo mientras se reduce el número de réplicas requerido. Esto es de gran ayuda para mejorar el tiempo del experimento.
Los métodos más comunes para la reducción de la varianza son:
· Números aleatorios
· Variables opuestas
9.6.3. Realizando una corrida larga simple.
Robinson (1995) describe un método gráfico para determinar la longitud de la corrida de una corrida larga con el objetivo de asegurar que los resultados son lo suficientemente exactos.
9.6.4. Múltiples réplicas vs corridas largas.
Para simulaciones con terminación no hay más opción que realizar múltiples réplicas. Para simulaciones sin terminación se puede elegir entre las dos opciones. La ventaja de realizar múltiples réplicas es que los intervalos de confianza son fácilmente calculados mientras que con una corrida larga el período de calentamiento solo se corre una vez para cada escenario lo cual reduce el tiempo de la corrida.


RESUMEN PAPER

 “CONCEPTUAL MODELING FOR SIMULATION: ISSUE AND RESEARCH REQUIREMENTS”

Autor: Stewart Robinson


Presentado Por: Jorge Andrés Prada.

 Presentado A: Profesor Cesar Aceros



Modelado conceptual para la simulación: problemas y requerimientos de investigación

El modelado conceptual es la abstracción de un modelo de un sistema real o propuesto. Este proceso de abstracción implica un cierto nivel de simplificación de la realidad, el modelado conceptual efectivo requiere que la abstracción sea una simplificación adecuada, el modelado conceptual es, probablemente, el aspecto más importante en el proceso de elaboración y de utilización de modelos de simulación. El diseño del modelo impacta en todos los aspectos de un estudio de simulación, en particular, los requisitos de los datos, la velocidad con que puede ser el modelo desarrollado, la validez del modelo, la velocidad de la experimentación y la confianza que se coloca en los resultados del modelo.

Un modelo bien diseñado mejora significativamente la probabilidad de un resultado exitoso de un estudio de simulación. Aunque el modelado conceptual eficaz es vital, es también la etapa más difícil y menos comprendida en el proceso de modelado de procesos. Hay pocos libros escritos sobre el tema. Es difícil encontrar un libro que dedica más de un puñado de páginas para el diseño del modelo conceptual.

Aquí se pretende esbozar las cuestiones clave en el modelo conceptual para la simulación. El objetivo es identificar los problemas y en la medida en que han sido abordados, una agenda de investigación para el modelado conceptual podría surgir. Los temas a discutir son la definición del modelo conceptual, los requisitos del modelo conceptual, cómo desarrollar un modelo conceptual, la representación del modelo conceptual y comunicación, la validación del modelo conceptual, la enseñanza del modelado conceptual y otros temas en el modelado conceptual.

La noción de modelado conceptual es vaga y está mal definida, con diferentes interpretaciones en cuanto a su significado. Balci en 1994 describe tres partes de un estudio de simulación bajo un número de procesos como son la formulación del problema, la investigación de técnicas de solución, la investigación del sistema, la formulación del modelo, y la representación del modelo y la programación.

Nance en el año 1994 separa las ideas del modelo conceptual y el modelo comunicativo. El modelo conceptual existe en la mente de un modelador, el modelo comunicativo es una representación explícita del modelo conceptual. También especifica que el modelo conceptual es independiente del modelo de ejecución.  El principal debate sobre el modelado conceptual y su definición se ha llevado a cabo entre los modeladores de simulación militar. El modelo conceptual es en gran medida independiente del diseño de software y las decisiones de implementación. Pace, en el año 2000  identifica la información proporcionada por un modelo conceptual como un conjunto de supuestos, algoritmos, características, relaciones y datos. Un modelo de dominio orientado que proporciona una detallada representación del dominio del problema y un modelo de diseño orientado describe en detalle los requisitos del modelo y se utiliza para diseñar el código del modelo.

En resumen, algunas de las principales facetas del modelado conceptual y la definición de un modelo conceptual, son el modelado conceptual que se trata de pasar de una situación problemática, a través de los requisitos del modelo a una definición de lo que va a ser modelado y como va a serlo. El modelo conceptual es iterativo y repetitivo, con el modelo que se revisa continuamente a lo largo de un estudio de modelación, el modelo conceptual es una representación simplificada del sistema real, el modelo conceptual es independiente del modelo de código o software, mientras que el diseño del modelo incluye tanto el modelo conceptual y el diseño del código, la perspectiva del cliente y la del modelador son ambas importantes en el modelado conceptual. Se concluye que el modelo más simple no es siempre lo mejor, porque los modelos tienen que ser capaces de evolucionar así como los requisitos cambian. El modelo más simple no siempre es el más fácil para embellecer. Davies y colegas en el año 2003 señalan que los modelos más simples requieren suposiciones más amplias acerca de cómo un sistema funciona y que existe un peligro en la fijación de los límites del sistema demasiado estrechos en el caso de que una faceta importante sea olvidada.

En la búsqueda de asesoramiento de los modeladores de simulación y de los investigadores operacionales sobre cómo desarrollar modelos, tres enfoques básicos se encuentran: los principios de modelado, los métodos de simplificación y  los marcos de modelado. Proporcionar un conjunto de principios guías para el modelado es un enfoque para asesorar a los modeladores de simulación sobre cómo desarrollar modelos (conceptuales).

La simplificación consiste en eliminar el alcance y detallar desde un modelo o los componentes de representación más simples, mientras que se mantiene un nivel suficiente de precisión. Hay un buen número de debates sobre la simplificación, tanto en la simulación y en el contexto más amplio de modelado. Morris en 1967 identifica algunos de los métodos para los modelos de simplificación como la de hacer variables en constantes, eliminando las variables, utilizando las relaciones lineales, el fortalecimiento de las suposiciones y las restricciones, y la reducción de la aleatoriedad. Para los modelos de simulación, Zeigler en 1976 ha sugerido cuatro métodos de simplificación como quitar los componentes sin importancia del modelo, usar variables aleatorias que representen las partes del modelo, y el engrosamiento de la gama de variables en el modelo, y la agrupación de los componentes del modelo.

En total se cree que la investigación en el modelado conceptual puede proporcionar beneficios tanto para los principiantes como los expertos modeladores de simulación. Los modeladores principiantes pueden obtener beneficios sustanciales como la obtención de habilidades de modelado más rápidas, por lo tanto evitan algunos errores de modelado. Los expertos se beneficiarían de tener un proceso más formal para la orientación de su modelo, dependiendo menos de la intuición esperanzada y más en una práctica guiada.
RESUMEN PAPER

“TOWARD A STANDARD PROCESS: THE USE OF UML FOR DESIGNING SIMULATION MODELS”
Autores: Hendrik Richter; Lothar Marz.

Presentado Por: Jorge Andrés Prada.

Presentado A: Profesor Cesar Aceros

HACIA UN PROCESO ESTANDAR: EL USO DE UML PARA EL DISEÑO DE MODELOS DE SIMULACION

 La Simulación de eventos discretos se utiliza con frecuencia para evaluar y optimizar los procesos de producción. En ocasiones, estas simulaciones pueden ser realizadas por los programas estándar utilizando una caja de herramientas paradigma. Si, por otro lado, un escenario más complejo está para ser descrito que ciertas cajas de herramientas no son lo potentemente suficientes,  uno tiene que confiar en los programas de simulación con arquitectura abierta. Por lo tanto, los más complejos proyectos de simulación deben ser considerados esencialmente como una tarea de ingeniería de  software.

Recientemente, un nuevo enfoque de la ingeniería de software ha sido desarrollado y establecido, el llamado "proceso unificado" y sus principales características son un proceso iterativo y de desarrollo incremental en lugar de un ciclo de vida en cascada, la promoción de un componente basado en la arquitectura, y el uso de un lenguaje de modelación gráfico, el Lenguaje de Modelado Unificado (UML). Por esto, tratamos de adoptar este enfoque para especificar los modelos de simulación. Mediante el uso de UML, todas las características esenciales de la estructura y las dinámicas del modelo de simulación que se construirá pueden ser descritas. Por lo tanto, antes de que la implementación empiece, los requisitos sobre el modelo de simulación pueden ser formulados fácilmente. Además, los usuarios, así como también los desarrolladores obtienen una especificación y una documentación paralela al proceso de construcción del modelo de simulación. El diseño y la construcción de un modelo de simulación se asocian a menudo con la ingeniería de software.

El desarrollo de software procede  de la planificación y el análisis a través del diseño, la implementación y evaluación. Mientras tanto, el UML es un estándar industrial para el análisis orientado a objetos y el desarrollo de software. Es un modelo principalmente gráfico del objeto en estudio para el cual una solución de software se va a desarrollar. A través de UML se obtiene, para el desarrollo del proceso integral, una descripción de los requisitos y las características de rendimiento del modelo de simulación en cuanto a su estructura y dinámica. A tal fin, los diferentes tipos de diagramas UML pueden ser empleados. Así, las interacciones al usuario (a través del uso de casos), la estructura (a través de diagramas de clases), así como la dinámica (A través de diagramas de interacción y diagramas de estado) de un modelo de simulación puede ser descrito en una manera comprensible. Además, por diagramas UML obtenemos requisitos detallados en un modelo de simulación. Así, el usuario, así como también el desarrollador tienen un lenguaje común para la comunicación. El UML puede servir no sólo como un puente entre usuarios y desarrolladores, sino también entre la especificación y el código.

Esto es particularmente útil en proyectos de simulación grandes, en donde el éxito depende en gran medida en la búsqueda de bases comunes para todos los participantes. Describiendo los modelos de simulación, como con el software en general, se requiere para permitir diferentes puntos de vista. Muy crucial para el entendimiento es la interacción con los usuarios, la estructura estática, y el comportamiento dinámico. Se ha demostrado que cierta documentación basada en UML es más correcta que el comentario sobre el código solo.

Al utilizar el lenguaje de modelado UML, la documentación se construye en paralelo al proceso de desarrollo. Además, como una documentación de los principios que subyacen en el modelo de simulación permite la construcción de componentes reutilizables. Se puede observar que la metodología propuesta tiene un número de ventajas, como en particular el establecimiento de una norma general para el modelado y documentación de modelos de simulación al igual que la independencia del software de simulación utilizado, es decir, la forma en que el modelo está codificado, también la definición de una metodología para el desarrollo de la simulación de modelos mediante el uso de modelamiento orientado a objetos y la documentación, además la visualización de conceptos, estructuras y dinámicas de un modelo de simulación a través de UML y la identificación de componentes reutilizables en los modelos de simulación, así como también la construcción de un marco para la gestión de proyectos para estudios de simulación.

La documentación del algoritmo se realiza en el lenguaje de modelado UML utilizando el paquete de software Rational Rose. En general, hay dos tipos de clases: Las clases de gestión y las clases de funciones. El trabajo de clases de gestión es coordinar y llamar a las clases de funciones. Se programarán los pasos del algoritmo y determinara a qué clase de función es llamada. Las clases de funciones realizan tareas diferentes, por ejemplo, el cálculo de la aptitud o hacer la recombinación.
En el curso de la construcción de un modelo de simulación, la arquitectura básica debe ser diseñada en estructura y dinámica en un primer momento. Entonces, el modelo puede ser construido en detalle, siguiendo un proceso iterativo. Por último, se debe mencionar que, para cada clase, atributo u operación, una documentación separada, puede ser insertada la cual puede ser como detallada como los comentarios sobre el código.

LABORATORIO No.5 DE SIMULACION

Presentado Por: Jorge Andrés Prada.

Presentado A: Profesor Cesar Aceros

LABORATORIO No.5:
 

“Identificando el Modelo Conceptual del paper: web based optimal route selection and simulation for Urban Traffic Congestion”
 

OBJETIVO GENERAL:


Identificar los elementos de modelamiento conceptual de un documento para una simulación.



PROCEDIMIENTO:

1) Baje el archivo (link) del paper de Jayashree Surendrababu y colaboradores.

2) Usando los elementos revisados en la clase del lunes. Identifique los componentes del modelamiento conceptual de la simulación propuesta.

3) Consigne su trabajo en el blog.
 

DESARROLLO

Se descargó el paper y se realizó la identificación de los elementos de modelamiento conceptual:
 

1. Objetivo.

La solución de ruta óptima y congestión de tráfico urbano  basada en la web busca mejorar la seguridad vial, reducir el nivel de contaminación y  ahorrar tiempo a los usuarios.
 

2. Entradas.
 

§  Mediciones de niveles de congestión de tráfico mediante captura por video con un circuito cerrado de televisión, se analiza detección de movimiento y conteo de vehículos.

§  Ubicación actual y el destino deseado que se reciben del usuario y la investigación que se inicia en el nodo vecino con la distancia más corta.


§  Los factores que influyen  en la decisión de tráfico óptimo como la densidad del tráfico, la presencia de accidentes, la construcción, las reuniones políticas y las ocasiones especiales, el tiempo mínimo de viaje, la velocidad promedio, la longitud de la carretera, las inundaciones.


3. Resultados.
 

§  Proporciona al usuario la ruta óptima (la ruta más corta con la menor densidad de tráfico), la densidad del tráfico simulado para el futuro.

§  El sistema proporciona las decisiones de control de tráfico basados ​​en las características de tráfico y la densidad de tráfico.


§  Una interfaz gráfica para el usuario final desarrollada. Esta interfaz gráfica también muestra la densidad de tráfico entre dos zonas futurísticas.


4. Contenido.

§  El sistema de monitoreo de tráfico consta de cinco partes. Las cuales son: la detección de movimiento, la filtración, el etiquetado, el rastreo, y el conteo de vehículos.

§  El sistema de Información Geográfica (SIG) es utilizado para almacenar, mantener y analizar los datos de transporte y tráfico.

§  El portal basado en la red consiste de seguir los procesos de selección de ruta óptima. Se inicia con la búsqueda de la densidad del tránsito entre los dos lugares. Entonces, la ruta más corta entre dos puntos dados se encuentra por el análisis de redes.

§  El etiquetado, el rastreo, el monitoreo de tráfico, y el cálculo de la densidad de tráfico son otros algoritmos para el monitoreo de tráfico.

5. Suposiciones.

§  La simulación está basada en “Seguir al líder”, se fundamenta en que conductor aumenta o disminuye su velocidad de acuerdo a la distancia y velocidad del vehículo que se encuentre delante, con el fin de mantener la distancia reglamentaria y evitar colisiones con el vehículo que se encuentra siguiendo.

§  Para la detección, se supone que los cambios en  los píxeles reflejan el movimiento si la diferencia o cambio de su valor excede un umbral pre-establecido.



6. Simplificaciones.

§  Las simplificaciones obedecen a estimaciones de la densidad de tráfico realizadas con Matlab.


Selección de ruta óptima basada en la red y simulación de la congestión del tránsito urbano.

La solución basada en la red ayuda a mejorar la seguridad vial, reducir el nivel de contaminación y  ahorrar tiempo. El sistema de Información Geográfica (SIG) es utilizado para almacenar, mantener y analizar los datos de transporte y tráfico. El portal basado en la red consiste de seguir los procesos de selección de ruta óptima. Se inicia con la búsqueda de la densidad del tránsito entre los dos lugares. Entonces, la ruta más corta entre dos puntos dados se encuentra por el análisis de redes. El sistema proporciona las decisiones de control de tráfico basados ​​en las características de tráfico y la densidad de tráfico. Los factores que influyen  en la decisión de tráfico óptimo es la densidad del tráfico, la presencia de accidentes, la construcción, las reuniones políticas y las ocasiones especiales, el tiempo mínimo de viaje, la velocidad promedio, la longitud de la carretera, las inundaciones y demás. El algoritmo del camino más corto tiene las siguientes medidas, la primera es la ubicación actual y el destino deseado que se reciben del usuario y la investigación que se inicia en el nodo vecino con la distancia más corta.

Para la implementación de aplicaciones de bases de datos SIG en Internet, la arquitectura de tres capas es utilizada. Esta arquitectura utiliza la plataforma-independiente  Java applet como el frontal para el cliente. El applet de Java se puede ejecutar en cualquier navegador web habilitado para Java, sin importar el sistema operativo utilizado. El lado del cliente es un mapa interactivo applet. El servidor proporciona al usuario la ruta óptima, la densidad del tráfico simulado para el futuro. La información se obtiene de la base de datos SIG.

La técnica de visión por computador se aplica a las imágenes en la escena de tráfico para medir el nivel de la congestión del tráfico de la carretera en la escena. Esta información ayuda a los viajeros a planificar la ruta para evitar el tráfico. Hay dos pasos en el seguimiento del tráfico como son la detección de vehículos en el video, analizarlo marco por marco y la búsqueda de la densidad del tráfico. Para el control de la señal y el manejo del tráfico efectivo, la estimación de la densidad de tráfico es esencial. La densidad de tráfico se calcula de forma automática usando Matlab Simulink. La sustracción de fondo adaptiva y el filtro de Kalman se utilizan para detectar y rastrear vehículos o la carretera. El sistema de monitoreo de tráfico consta de cinco partes. Las cuales son: la detección de movimiento, la filtración, el etiquetado, el rastreo, y el conteo de vehículos

El sistema de monitoreo de tráfico incluye la adquisición de vídeo que consiste de una cámara CCTV de interfaz apropiada para conectarla al procesador, y el procesador que consiste de un computador, así como también el análisis de video, ya que algunas de las herramientas son utilizadas para analizar el vídeo capturado y sacar conclusiones. Esta se utiliza para contar el número de objetos en movimiento en el vídeo. Matlab ofrece una plataforma fácil de manejar los vídeos.

El Algoritmo para el seguimiento del tráfico comprende la detección de movimiento que se realiza mediante el método de diferencia adaptativa, que es la detección de cambio, basado en la resta de una imagen de fondo. El modelo de fondo se crea mediante un modelado de mezcla de Gauss. Desde que el fondo varía con el cambio en las condiciones de iluminación, el fondo tiene que ser actualizado. La varianza del nuevo píxel con el píxel en el modelo de fondo ayuda a encontrar si el objeto pertenece a primer o segundo plano. El valor de color de cada pixel se compara con el modelo de fondo. Entonces los objetos en el primer plano se detectan y son etiquetados con el análisis de componentes conectados.

El etiquetado, el rastreo, el monitoreo de tráfico, y el cálculo de la densidad de tráfico son otros algoritmos para el monitoreo de tráfico.

Por lo tanto, para crear una aplicación SIG completa, JDBC proporciona la capacidad de acceder, modificar y visualizar la información tabular, según sea necesario. Para que Internet, permita una aplicación SIG, JDBC proporciona la capacidad de acceder a una base de datos en un servidor y mostrar los resultados en el cliente.
JDBC utiliza cuatro tipos de controladores para conectarse a las bases de datos, como son el controlador de tipo 1, 2, 3 y 4. Por lo tanto la densidad del tráfico entre los dos lugares de interés a través de las tres carreteras se había encontrado con Matlab-Simulink. Usando ArcGIS, la ruta más corta con la menor densidad de tráfico se había calculado y había sido facilitada para ser mostrado como un mapa de salida. Una interfaz gráfica para el usuario final ha sido desarrollada para la misma .Nuestra interfaz gráfica también muestra la densidad de tráfico entre dos zonas futurísticas. Hemos hallado por lo tanto que este sistema puede ser implementado en toda la ciudad, así como la forma en que se había hecho ya en Canadá y los Estados Unidos. Esto evita la obstrucción del tráfico en las carreteras. Habíamos encontrado también que este sistema es más ventajoso que el uso de GPS para calcular la densidad de tráfico, por el elevado coste del GPS y la dificultad práctica en la instalación de GPS en todos los vehículos.