Simulation à événements discretsMéthodes d’ingénierie

Événements discrets et approche multi-agents

L’autre type de simulation — des systèmes qui sautent à des événements discrets et des agents qui suivent des règles simples. Des files d’attente validées face à la théorie des files, une ligne de fabrication et son goulot d’étranglement, et des embouteillages qui émergent de rien : le paradigme événementiel et multi-agents, pas les équations différentielles.

DjiniousLabModélisation et simulation

Un diagramme spatio-temporel de trafic avec des bandes sombres d’ondes de bouchon se propageant vers l’arrière à travers des flux de voitures rapides

Erreur simulation M/M/1 vs théorie des files: 2.5%Erreur simulation M/M/1 vs théorie des files
Résidu de la loi de Little: 0.0Résidu de la loi de Little
pic de capacité de trafic (diagramme fondamental): 1.96×pic de capacité de trafic (diagramme fondamental)
bouchons fantômes issus de règles locales: émergentbouchons fantômes issus de règles locales
notebooks de conception: 10notebooks de conception
exigences RÉUSSIES: 5 / 5exigences RÉUSSIES

Tout système n’est pas une équation différentielle.

Une file d’attente, une ligne d’usine, une route pleine de voitures, une épidémie — ces systèmes n’évoluent pas comme des champs continus. Ils sautent : un client arrive, une machine termine, une voiture freine, quelqu’un est infecté. C’est la simulation à événements discrets et multi-agents, le paradigme derrière SimEvents, Arena et AnyLogic — et toute une classe de modélisation que le reste du portefeuille, tout en équations différentielles, ne touche jamais. Ce programme la construit des deux façons : des files d’attente ancrées dans la théorie sous forme close, et un comportement émergent qui naît de rien d’autre que des règles locales.

D’abord, reproduire un résultat qu’on peut prouver sur le papier.

La file M/M/1 — arrivées aléatoires, un serveur, service aléatoire — a une réponse exacte sous forme close en théorie des files. Le programme la construit comme une boucle d’événements écrite à la main (avancer au prochain événement, mettre à jour, répéter) et obtient une longueur moyenne de file à moins de 2,5 % de la valeur analytique L = ρ/(1−ρ), retrouvant au passage la distribution stationnaire géométrique. La loi de Little (L = λ·W) tient avec un résidu nul quelle que soit la charge. Cet accord avec la théorie est ce qui légitime tout ce que la simulation fait là où aucune formule n’existe.

Longueur moyenne de file M/M/1 simulée suivant la courbe analytique de théorie des files à mesure que la charge augmente — L’ancrage de validation : la longueur moyenne de la file M/M/1 en boucle d’événements suit la courbe analytique de théorie des files sur toute la charge, explosant lorsque l’utilisation → 1. Faire correspondre la théorie là où elle existe, puis faire confiance à la simulation là où elle n’existe pas.

Une ligne va aussi vite que sa station la plus lente — et pas plus vite.

Mettez des postes de travail en série avec des tampons entre eux, et le débit de la ligne est entièrement conditionné par le poste goulot d’étranglement ; ajouter de la capacité ailleurs ne fait rien, et l’en-cours s’accumule juste en amont de la contrainte. La simulation reproduit exactement le résultat de la théorie des contraintes — le débit suit le taux du goulot d’étranglement à moins de 0,4 % près — et montre où l’inventaire s’accumule. C’est la logique quotidienne de la conception d’usines et de logistique.

Le débit d’une ligne de fabrication en tandem plafonnant au taux de service du poste goulot d’étranglement — Le goulot d’étranglement : le débit d’une ligne en tandem est plafonné par son poste le plus lent — accélérer n’importe quel autre poste ne change rien. Le modèle à événements discrets reproduit le résultat de la théorie des contraintes et montre l’en-cours s’accumuler juste en amont de la contrainte.

Faites tourner un système près de sa pleine utilisation, et l’attente explose.

Il est tentant de charger un serveur à 95 % pour l’efficacité. La formule de Kingman — et la simulation — montrent pourquoi c’est un piège : le temps d’attente croît sans limite à mesure que l’utilisation approche 1, et il croît avec la variabilité même à charge moyenne fixe. Un système occupé 95 % du temps n’est pas 5 % plus lent qu’un système à 90 % ; il peut être plusieurs fois plus lent. C’est la variabilité, pas seulement la charge moyenne, qui pilote les files d’attente — la leçon derrière chaque décision de planification de capacité.

Temps d’attente moyen augmentant fortement et divergeant à mesure que l’utilisation approche 1 — La loi de Kingman : l’attente moyenne grimpe doucement, puis explose à mesure que l’utilisation approche 1 — et à charge fixe, elle croît encore avec la variabilité. Pourquoi on ne fait jamais tourner un système à 99 % d’occupation, quantifié par simulation et concordant avec l’approximation analytique VUT.

Un diagramme spatio-temporel de trafic montrant des ondes de bouchon se propageant vers l’arrière à travers des voitures rapides — La vedette — l’émergence : une route d’agents-voitures suivant trois règles simples (accélérer, freiner selon l’écart, ralentir aléatoirement) forme spontanément des ondes de bouchon en accordéon qui se propagent vers l’arrière dans le trafic, sans accident ni obstacle. Les bandes sombres sont des bouchons fantômes. Un comportement qu’aucun agent seul ne contient, émergeant de leur ensemble.

La même idée modélise une épidémie.

Remplacez les voitures par des personnes et le freinage par l’infection, et le paradigme multi-agents modélise une épidémie : chaque individu contacte les autres au hasard, l’infection se propage, les infectés guérissent. Aucune équation différentielle n’est imposée — les courbes familières susceptibles/infectés/guéris émergent de la population d’agents, et balayer le taux de contact retrouve le seuil épidémique R₀ = 1 à partir duquel les épidémies décollent. De la circulation à la contagion, le même paradigme de simulation.

Une épidémie SIR multi-agents — susceptibles en baisse, infectés en pic, guéris en hausse — Épidémiologie multi-agents : les courbes de susceptibles, infectés et guéris émergent d’agents individuels se contactant au hasard — aucune EDO compartimentale imposée. Le même paradigme que le modèle de trafic, appliqué à la contagion ; le balayage du taux de contact retrouve le seuil R₀ = 1.

Chaque chiffre redérivé à la validation.

Le notebook de V&V reconstruit chaque modèle depuis zéro et redérive les exigences face à la théorie, affichant un tableau RÉUSSI/ÉCHEC.

Résultat

Simulation M/M/1 vs L analytique : 2,5 %
Résidu de la loi de Little : 0,0
Débit en tandem vs goulot d’étranglement : 0,4 %
Émergence des bouchons (variance) : 11,4
Pic de capacité du diagramme fondamental : 1,96×

Exigence

Simulation M/M/1 vs L analytique : R-01 < 5 %
Résidu de la loi de Little : R-02 < 0,05
Débit en tandem vs goulot d’étranglement : R-03 < 0,1
Émergence des bouchons (variance) : R-04 > 1
Pic de capacité du diagramme fondamental : R-05 > 1,1

Un paradigme différent, validé là où c’est possible.

Le livrable est dix notebooks et le dossier — boucles d’événements et automates cellulaires, pas un réseau acausal, donc pas de bloc personnalisé ni de canevas. Les notebooks de files d’attente supposent des arrivées et un service markoviens (exponentiels) afin d’être vérifiables face à la théorie sous forme close ; les règles d’automate cellulaire et d’agents sont idéalisées ; les résultats sont des exécutions longues et uniques plutôt que des ensembles avec intervalles de confiance, et il n’y a pas de mécanisme pour les événements rares ou la détection de régime stationnaire. Ce que le programme prouve, c’est le paradigme lui-même — que la plateforme modélise des systèmes événementiels et multi-agents, pas seulement des équations différentielles — ancré à la théorie des files là où des réponses exactes existent, et montrant une émergence authentique là où ce n’est pas le cas.

Continuer à explorer

Tous les cas d’usage

Le Rust généré pour le pas de vote 2oo3, tracé jusqu’à REQ-SF-001, à côté du certificat Lean pour le limiteur de pente avec ses théorèmes wfAll, structEqExact et d’équivalence de pas.

Commande embarquée critique pour la sécuritéNeuf fonctions de sécurité, de l’exigence YAML au Rust embarqué certifiéLe projet de référence du voteur fait passer neuf fonctions de sécurité — vote, verrouillage, limitation de pente, surveillance de déclenchement, verrouillages de sécurité et une jauge de débit avec une frontière en virgule flottante — à travers les treize jalons, et rejoue chacune sur un Cortex-M4F émulé.

DjiniousSafe

Un graphique de notebook DjiniousLab du pendule sur chariot se redressant de la position pendante à la verticale et étant rattrapé par le contrôleur à t = 7,2 s, avec le tracé de la force de commande

Commande et apprentissage par renforcementCommande et RL du pendule inversé sur chariotLe benchmark canonique de la commande sous-actionnée, traité de bout en bout — dynamique non linéaire, un LQR qui stabilise le pendule inversé, une mise en mouvement par énergie, une politique d’apprentissage par renforcement sans modèle, et un jalon de robustesse par Monte-Carlo.

DjiniousLab

Des fronts d’onde électromagnétiques concentriques rayonnant vers l’extérieur depuis une source ponctuelle sur une grille

ÉlectromagnétismeÉlectromagnétisme (FDTD)Résoudre les équations de Maxwell sur une grille — les champs électrique et magnétique progressant en léapfrog dans l’espace et le temps. Un solveur FDTD autonome reproduit les phénomènes ondulatoires canoniques : rayonnement, réfraction, diffraction, diffusion et résonance de cavité. Le pendant en électromagnétisme du solveur de champ CFD.