Simulazione a eventi discretiMetodi di ingegneria

A eventi discreti e ad agenti

L’altro tipo di simulazione — sistemi che saltano a eventi discreti e agenti che seguono regole semplici. Code validate rispetto alla teoria delle code, una linea di produzione e il suo collo di bottiglia, e ingorghi stradali che emergono dal nulla: il paradigma event-driven e ad agenti, non le equazioni differenziali.

DjiniousLabModellazione e simulazione

Un diagramma spazio-tempo del traffico con bande scure di onde di ingorgo che si propagano all’indietro attraverso flussi di auto veloci

Errore simulazione M/M/1 vs teoria delle code: 2.5%Errore simulazione M/M/1 vs teoria delle code
Residuo della legge di Little: 0.0Residuo della legge di Little
picco di capacità del traffico (diagramma fondamentale): 1.96×picco di capacità del traffico (diagramma fondamentale)
ingorghi fantasma da regole locali: emergenteingorghi fantasma da regole locali
notebook di progetto: 10notebook di progetto
requisiti PASS: 5 / 5requisiti PASS

Non ogni sistema è un’equazione differenziale.

Una coda, una linea di fabbrica, una strada piena di auto, un’epidemia — questi non evolvono come campi continui. Saltano: un cliente arriva, una macchina finisce, un’auto frena, qualcuno si infetta. Questa è la simulazione a eventi discreti e ad agenti, il paradigma dietro SimEvents, Arena e AnyLogic — e un’intera classe di modellazione che il resto del portfolio, tutto equazioni differenziali, non tocca mai. Questo programma la costruisce in entrambi i modi: code fondate sulla teoria in forma chiusa, e comportamento emergente che nasce da nient’altro che regole locali.

Prima, riproduci un risultato che puoi dimostrare sulla carta.

La coda M/M/1 — arrivi casuali, un server, servizio casuale — ha una risposta esatta in forma chiusa dalla teoria delle code. Il programma la costruisce come un event loop scritto a mano (avanza all’evento successivo, aggiorna, ripeti) e porta la lunghezza media della coda entro il 2,5% del valore analitico L = ρ/(1−ρ), recuperando lungo la strada la distribuzione stazionaria geometrica. La legge di Little (L = λ·W) tiene con residuo nullo per ogni livello di carico. Questo accordo con la teoria è ciò che autorizza tutto quello che la simulazione fa dove non esiste alcuna formula.

La lunghezza media simulata della coda M/M/1 che segue la curva analitica della teoria delle code al crescere del carico — L’ancora di validazione: la lunghezza media della coda M/M/1 a event loop segue la curva in forma chiusa della teoria delle code al variare del carico, esplodendo quando l’utilizzo → 1. Fai combaciare la teoria dove esiste, poi fidati della simulazione dove non esiste.

Una linea corre alla velocità della sua stazione più lenta — e non più veloce.

Metti postazioni di lavoro in serie con buffer tra di esse e il throughput della linea è determinato interamente dalla stazione collo di bottiglia; aggiungere capacità altrove non fa nulla, e il work-in-process si accumula appena a monte del vincolo. La simulazione riproduce esattamente il risultato della Teoria dei Vincoli — il throughput segue il tasso del collo di bottiglia entro lo 0,4% — e mostra dove si accumula la scorta. Questa è la logica quotidiana della progettazione di fabbriche e logistica.

Il throughput di una linea di produzione in tandem che si stabilizza al tasso di servizio della stazione collo di bottiglia — Il collo di bottiglia: il throughput di una linea in tandem è limitato dalla sua stazione più lenta — velocizzare qualsiasi altra stazione non sposta nulla. Il modello a eventi discreti riproduce il risultato della Teoria dei Vincoli e mostra il WIP che si accumula appena a monte del vincolo.

Fai girare un sistema vicino alla piena utilizzazione e l’attesa esplode.

È tentante caricare un server al 95% per efficienza. La formula di Kingman — e la simulazione — mostrano perché è una trappola: il tempo di attesa cresce senza limite man mano che l’utilizzo si avvicina a 1, e cresce con la variabilità anche a carico medio fisso. Un sistema occupato il 95% del tempo non è il 5% più lento di uno all’90%; può essere più lento di diverse volte. È la variabilità, non solo il carico medio, a guidare le code — la lezione dietro ogni decisione di pianificazione della capacità.

Il tempo di attesa medio che cresce ripidamente e diverge man mano che l’utilizzo si avvicina a uno — La legge di Kingman: l’attesa media sale dolcemente, poi esplode man mano che l’utilizzo si avvicina a 1 — e a carico fisso cresce comunque con la variabilità. Perché non fai mai girare un sistema occupato al 99%, quantificato dalla simulazione e in accordo con l’approssimazione analitica VUT.

Un diagramma spazio-tempo del traffico che mostra onde di ingorgo che si propagano all’indietro attraverso auto veloci — Il protagonista — l’emergenza: una strada di agenti-auto che seguono tre semplici regole (accelera, frena in base allo spazio, rallenta a caso) forma spontaneamente onde di ingorgo stop-and-go che si propagano all’indietro nel traffico, senza alcun incidente o ostacolo. Le bande scure sono ingorghi fantasma. Un comportamento che nessun singolo agente contiene, ma che nasce da tutti loro insieme.

La stessa idea modella un’epidemia.

Sostituisci le auto con le persone e la frenata con l’infezione, e il paradigma ad agenti modella un focolaio: ogni individuo contatta altri a caso, l’infezione si diffonde, gli infetti guariscono. Nessuna equazione differenziale è imposta — le familiari curve di suscettibili/infetti/guariti emergono dalla popolazione di agenti, e la scansione del tasso di contatto recupera la soglia epidemica R₀ = 1 oltre cui i focolai decollano. Dal traffico al contagio, lo stesso paradigma di simulazione.

Un’epidemia SIR ad agenti — suscettibili in calo, infetti al picco, guariti in aumento — Epidemiologia ad agenti: curve di suscettibili, infetti e guariti che emergono da singoli agenti che si contattano a caso — nessuna ODE compartimentale imposta. Lo stesso paradigma del modello di traffico, puntato sul contagio; la scansione del tasso di contatto recupera la soglia R₀ = 1.

Ogni numero ricavato di nuovo all’approvazione finale.

Il notebook di V&V ricostruisce ogni modello da zero e ricava di nuovo i requisiti rispetto alla teoria, stampando un quadro PASS/FAIL.

Risultato

Simulazione M/M/1 vs L analitico: 2,5%
Residuo della legge di Little: 0,0
Throughput in tandem vs collo di bottiglia: 0,4%
Emergenza dell’ingorgo (varianza): 11,4
Picco di capacità del diagramma fondamentale: 1,96×

Requisito

Simulazione M/M/1 vs L analitico: R-01 < 5%
Residuo della legge di Little: R-02 < 0,05
Throughput in tandem vs collo di bottiglia: R-03 < 0,1
Emergenza dell’ingorgo (varianza): R-04 > 1
Picco di capacità del diagramma fondamentale: R-05 > 1,1

Un paradigma diverso, validato dove è possibile.

Il deliverable è dieci notebook e il dossier — event loop e automi cellulari, non una rete acausale, quindi non c’è alcun blocco personalizzato né canvas. I notebook sulle code assumono arrivi e servizio markoviani (esponenziali) in modo da poter essere verificati rispetto alla teoria in forma chiusa; le regole dell’automa cellulare e degli agenti sono idealizzate; i risultati sono singole esecuzioni lunghe piuttosto che insiemi con intervalli di confidenza, e non c’è alcun meccanismo per eventi rari o rilevamento di stato stazionario. Ciò che il programma dimostra è il paradigma stesso — che la piattaforma modella sistemi a eventi discreti e ad agenti, non solo equazioni differenziali — ancorato alla teoria delle code dove esistono risposte esatte e mostrando emergenza genuina dove non esistono.

Continua a esplorare

Tutti i casi d’uso

Rust generato per lo step del voter 2oo3, tracciato a REQ-SF-001, accanto al certificato Lean per il limitatore di velocità con i suoi teoremi wfAll, structEqExact e di step-equivalence.

Controllo embedded safety-criticalNove funzioni di sicurezza, dal requisito YAML al Rust embedded certificatoIl progetto di riferimento del voter porta nove funzioni di sicurezza — voto, latching, limitazione di slew rate, monitoraggio del trip, interblocchi e un misuratore di flusso con un confine in virgola mobile — attraverso tutti e tredici i gate, e riproduce ognuna su un Cortex-M4F emulato.

DjiniousSafe

Un grafico del notebook di DjiniousLab del cart-pole che oscilla dalla posizione pendente a quella verticale ed è catturato dal controllore a t = 7,2 s, con la traccia della forza di controllo

Controllo e apprendimento per rinforzoControllo del cart-pole e RLIl benchmark canonico del controllo sottoattuato, affrontato end-to-end — dinamica non lineare, un LQR che stabilizza il pendolo invertito, un avviamento a oscillazione energetica, una policy di apprendimento per rinforzo model-free, e un gate di robustezza Monte Carlo.

DjiniousLab

Fronti d’onda elettromagnetici concentrici che si irradiano verso l’esterno da una sorgente puntiforme su una griglia

ElettromagnetismoElettromagnetismo (FDTD)Risolvere le equazioni di Maxwell su una griglia — i campi elettrico e magnetico che si susseguono a salti nello spazio e nel tempo. Un risolutore FDTD autonomo riproduce i fenomeni ondulatori canonici: irradiazione, rifrazione, diffrazione, diffusione e risonanza di cavità. Il fratello a campo del CFD, in elettromagnetismo.