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.