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.
No hay comentarios:
Publicar un comentario