本文分享了由Vitor Lemos編寫的關于AnyLogic的使用實踐技巧，希望能為正在學習或使用AnyLogic的用戶提供幫助。post/the-simulation-model-life-cycle-part-5-experimentation

作者：Jaco-Ben Vosloo

更新：Apr 6, 2022

閱讀時間：12 min

本系列文旨在對仿真項目的生命周期進行說明，并給出一些最佳實踐和實用建議。

仿真模型的生命周期

8. 1.定義問題
   2.處理數據
   3.構建模型
   4.校核和驗證
   5.實驗
   6.分析結果
   7.調查結果報告
   
   

這篇文章是關于仿真模型生命周期的 7 部分系列文章的第 5 部分。

注意：在后面的步驟中可能會“返回”前面的步驟中執行一些活動，但并不需要重做整個步驟。 上面列出的步驟是典型項目遵循的一般步驟。在所有步驟中，您都可以后退并重新訪問之前的步驟，但在完成至少 80%-90% 的步驟之前，您不太可能跳過一個步驟或向前移動。

5）實驗

實驗可以說是仿真模型生命周期中比較有難度的一個步驟。我有時覺得這更像是一門藝術，而不是一門科學。想要從一開始就只考慮正確實驗是非常難的，更不用說以正確的方式執行它們。本文并不是一篇創建良好實驗的全面指南，更像是正確掌握基本知識的快速入門指南。

我們都知道，我們不能為了給出想要或期望的答案而設計實驗，讓我們看一些實踐來幫助我們創建有意義的實驗。 下面，我們將深入研究之前的示例，其中包含一些在 AnyLogic 中設置實驗的最佳實踐。

1. 測試定義目標的場景

在仿真階段，您需要將重點放在模型的原始目標上，如仿真模型生命周期的part 1（定義問題）中所定義的。否則，你可能會因為一些有趣的想法和假設轉移重心，雖然這些想法和假設具有增值作用，但不是模型或項目的主要目標。

因此，需要創建不同的場景來測試目標的不同部分，以及一次性測試整個目標的組合場景。聽起來比實際場景要容易得多！慢慢來，把你的場景組織好。如果您遵循了part 2和part 3中的最佳實踐，那么您的場景應該只是一個簡單的Excel或其他一些基本數據文件，您可以導入并在模型中運行，而無需任何麻煩。

根據我們的零售商示例，我們的場景非常簡單：

• 單隊列場景：在所有服務臺前面有一個客戶隊列
• 多隊列場景：每個服務臺前面都有單獨的隊列

在我們的兩個場景文件中，唯一的區別是隊列的數量這一個參數。

或許難以置信，但現實生活中的例子通常也是這樣的，場景之間的唯一區別通常就是單個參數的變化。

1. 對模型進行壓力測試，以找到邊界條件

壓力測試所花費的時間在很大程度上取決于可用時間、模型輸出的置信度以及決策的重要性。

基本上，你可以這么問自己：“出錯的代價是什么，而要保證自己是正確的代價是什么？”

在這個階段中，你會創建一些場景，有時是離譜的，但這些場景是為了推進模型的極限，以確定解決方案空間。當然，也要小心不要測試一些離譜的輸入，例如模型中沒有隊列。這種類型的測試是為了查看模型是否中斷，最好在執行單元測試的part 3中完成。這里的重點應該是測試在什么條件下第 1 點的假設和發現是有效的。

例如：

• 將所有顧客將服務時間設為恒定的1分鐘
• 將所有顧客將服務時間設為恒定的100分鐘
• 讓所有顧客彼此間隔1分鐘到達

這里的目的是測試您得出的結論是否仍然有效，以及在哪些條件下它們無效或只是有所不同。這也可以幫助您識別邏輯中可能存在的錯誤。如果結果無法解釋，則可能是存在錯誤，或者您只需要添加更好的輸出數據，以便提供足夠的上下文和洞察力來解釋結果。

1. 使用不同隨機種子的多次運行

這是從實驗中獲得有效仿真結果的絕對必要條件。您必須使用不同的隨機流運行多個復制實驗，以獲得輸出的分布。通常通過創建蒙特卡洛實驗來實現，在該實驗中，您只需收集特定的模型輸出，同時在多個運行中改變種子。

如果您只對每個場景運行一次迭代，即使兩個場景都具有相同的隨機種子，您也不知道這些結果在可能性的宇宙中位于何處。

注：向您推薦一篇文章“在AnyLogic 中如何設置隨機性？”幫助您理解和使用AnyLogic的隨機功能。

示例：假設您創建了一個仿真模型，可以模擬紐約市一年中任何一天的平均溫度，并要求您給出冬季和夏季溫度之間的預期差值。如果你只仿真夏季的某一天，并將其與冬季的某一天進行比較，由于純粹的隨機性，你可能最終模擬出最冷的夏季和最溫暖的冬季，這將給你一個小于10。F的增量。

那我們可以假設冬季和夏季溫度之間的差異幾乎可以忽略不計嗎？

請注意，如果沒有數千天數據，你至少需要模擬100天才能得到一個具有代表性的平均值。。。。然后您會得到夏季和冬季的平均溫差約為40。F。

這就引出了我們的第二點：平均值。你可能聽說過一句格言，如果你的頭在冰箱里，腳在烤箱里，平均來說，你處于一個非常舒適的溫度。

你們不僅需要多次運行才能得到一個有代表性的平均值，而且還需要以此來獲得可能結果的分布。你需要知道最小值、最大值、標準差以及任何其他適用于特定項目的值。通常，在直方圖中顯示測量結果可以很好地直觀地表示各種運行中的輸出。

在我們的零售商示例中：如果客戶的平均等待時間為10分鐘，最長為2小時，我們還需要問問自己，模型或輸入數據中是否存在缺陷，或者這只是過程的本質嗎？

注意：由于我們之前是以客戶的歷史服務時間進行仿真，因此在實驗階段進行多次復制運行是沒有意義的，因為我們將一遍又一遍地模擬相同的服務時間......因此，每次運行都會得到相同的結果。我們需要向場景文件中添加新參數，并在模型中使用它們來模擬服務時間的分布。

1. 輸出要求

在前一點的基礎上，你的實驗輸出結果需要包含足夠的信息，以便你不僅可以給出結果，而且能夠證明和解釋結果。為此，您需要以下幾點：

• 單個場景的匯總結果
• 每個復制場景的詳細結果

詳細結果將與單次運行實驗中輸出的結果相同，并且摘要將只是每個場景的多次運行的摘要。通常，只有當您在模型中看到較大的標準差或顯著的最小值或最大值，并且懷疑其中一個復制可能遇到錯誤時，您才會查看詳細數據。由于輸出文件中提供了每個復制的單獨結果，因此我們可以在一些外部工具（例如Excel）中輕松計算匯總統計數據。但是，當我們可以讓模型為我們做這件事時，為什么還要為每個場景比較計算這個呢。

示例

現在，我們已經了解了良好實驗的基礎，讓我們繼續執行part 4中的示例，并將這些操作實現到模型中。

注意：在本例中，我們將繼續使用在part 3中設置的自定義實驗對象。AnyLogic確實提供了一些用于靈敏度、蒙特卡洛、參數變化和其他實驗的預定義實驗選項，但對于一些更為復雜和長期的仿真模型，我并不喜歡使用它們，具體有以下幾個原因：

• 要求我為客戶導出不同的模型，一個用于單次運行，一個用于靈敏度分析，一個用于蒙特卡洛實驗等。通過自定義實驗選項，我仍然可以在單個模型導出中使用所有實驗功能。
• 如何建模運行的控制較少。 如果您有不同的 Excel 或其他將數據讀入數據庫的輸入文件，這可能是一個問題。
• 自定義實驗已設置為用于單元測試，因此無需額外工作。

該示例分為三個部分，第一部分側重于我們需要對模型和場景文件進行的一些升級，以便我們可以為每個場景設置和保存一些細節。 第二部分是關于保存輸出并一個接一個地運行多個場景。 最后一部分的重點是我們現在如何使用第 1 部分和第 2 部分中的更新來一個接一個地運行多個場景，保存輸出并從模型中下載它。

第1部分-升級場景文件、場景對象和模型

1. 在場景文件中添加新列

這些新列將定義一些之前未通過場景對象設置的模型行為。

我發現最好在場景文件中添加一個命名為“ModelSetup”的新表，在這里我有一個包含多個列的單行，用于存儲模型運行的設置。同時，我還添加了一列場景名稱，然后在運行多個場景時可以將其輸出到結果文件。

下面是對每個新字段的快速解釋：

• scenario_name：場景的名稱，最好是唯一的，因為它將在輸出文件中使用。
• multiple_queue_setup：如果為True，則模型將使用多隊列設置。如果為False，則模型將對所有服務臺使用單個隊列。
• use_historic_service_time：如果為True，則模型將使用與歷史客戶的歷史服務時間。如果為False，則將使用以下字段中的參數從隨機三角形分布中提取每個客戶的服務時間：
• min_service_time：服務時間為三角分布的最小服務時間
• likely_service_time：服務時間為三角分布的可能服務時間
• max_service_time：服務時間為三角分布的最大服務時間

在 Excel 文件內的新工作表中創建這些字段后。 您可以將新工作表作為新數據庫表導入模型。 現在，此數據可在場景創建中使用。

1. 將字段添加到場景對象，并從場景創建中對其進行初始化

現在，我們需要將場景文件中的相同字段添加到場景對象中，以便模型可以使用它們。

我們還需要在我們創建的“getScenarioFromDB”場景加載器函數中填充這些字段`

請注意以下事項：

• 從內部數據庫獲取值時，我會使用非緩存的值
• 如果您需要使用AnyLogic內部數據庫，您必須知道在使用緩存值時正在做什么。
• 默認情況下使用緩存值，因此在指定要返回的列之前，需要將額外的初始參數添加為False。
• 閱讀“AnyLogic中數據庫應用的小陷阱（Part 1）——數據刷新”了解更多信息。
• 在本例中，場景變量是公共的，因此不使用getter和setter
• 最好的編碼和建模實踐是始終保持所有非最終變量的私有性，并使用getter和setter。
• 如果您發現創建getter和setter很麻煩，您可以考慮在模型中使用project Lombok，它可以自動完成這項工作。

注：Project Lombok 是一個 java 庫，可自動插入您的編輯器和構建工具。

1. 使用新參數創建客戶服務時間

既然參數在場景對象中可用，我們可以在模型邏輯中使用它們來設置模型。

第一步（也就是a）在場景文件中添加新列）是使用場景對象內的設置，該設置定義是否使用歷史數據或三角形分布。

下一步是使用場景變量來定義我們是使用單個隊列還是多個隊列。

現在模型正在使用新的設置變量，我們可以將更多仿真結果保存到輸出文件中。

第2部分-保存結果

a） 詳細結果

在part 4中，我們只將單個仿真輸出保存到文本文件中。文本文件是main中的一個對象，因此如果我們有多個仿真運行，每個復制場景都將覆蓋前一復制的數據。

在part 4中將客戶等待時間保存到文本文件

為了讓所有模型的顧客等待時間寫入一個文本文件，我們需要將文本文件對象存儲在仿真對象上，并使用參數傳遞給模型。現在，所有迭代都將寫入同一個文本文件，所有結果都將在同一個文件中。幸運的是，文本文件也是線程安全的，所以如果我們為實驗進行多線程處理，結果仍然會正確保存。 （更多關于多線程的信息將在以后的文章中介紹；-)）

但是，我們如何區分某次迭代和下一次迭代呢？或者某個場景和下一個場景？

在文本文件中，我們添加了兩個新列，場景名稱和種子，并使用制表符分隔所有列（因此代碼中有“/t”）。僅供參考：選項卡可以在Excel中輕松打開單獨的文本文件，每個選項卡表示一個新列。

在part 5中，使用參數將模型輸出保存到文本文件

但是種子參數從哪里來？

在仿真中識別種子通常是一個大問題，不時會在Stack Overflow上發布。。。

舉個例子：

如何獲得蒙特卡洛實驗中每次仿真運行的種子值？

如何輸出由 AnyLogics 隨機種子（獨特的仿真運行）RNG 生成的種子？

在這個例子中，我將我們的自定義實驗對象從part 4升級到現在，還包括種子和文本文件作為“startRound”函數的輸入；

種子現在可以提供給定制實驗，也就是說我們在創建定制實驗時可以完全控制它。

您還將注意到另一個名為Results的參數，該參數在代碼中進一步使用。

b） 總結結果

通常我們對每次復制實驗的單個結果關注不多，而是對多次運行的匯總統計信息更加關注。為了實現這一點，我們創建了一個名為Results的新Java類。每次復制都會將結果保存在此對象中，并在其中存儲統計信息，我們可以將摘要統計信息寫入下一個文本文件。

下面的結果文件幾乎概括了所有模型中我會使用的最基本的形式。

使用這種方法，會將所有統計信息都存儲在這一個對象中，所以您無需將數百個對象從面板拖放到main或仿真頁面。

第3部分-將所有內容放在一起

現在，我們已經對模型和結果類進行了更新，我們可以在仿真首頁上設置一個新功能，讓我們可以選擇多個Excel文件，將它們一次導入到DB中，并讓它們所代表的場景在設置完成后執行并保存所有結果。

1.我們創建了一個按鈕，允許用戶使用以下代碼選擇多個excel文件：

FileDialog fileDialog = new FileDialog(new Frame(), "Select all input files", FileDialog.LOAD );

fileDialog.setMultipleMode(true);

fileDialog.setFile( "*.xlsx" );

fileDialog.setVisible( true );

File[] files = fileDialog.getFiles();

for (File file:files) {

filesToLoad.add(file.getAbsolutePath());

}

2.然后，我們允許用戶設置復制的數量

3.然后創建按順序運行所有場景的按鈕，為不同場景運行之間的每個對應迭代設置相同的種子。此函數還將傳遞txt文件以獲取每個模型運行的詳細結果。它還為每個場景傳遞一個新的結果對象，并將其保存到具有相應場景名稱的映射中。

一旦執行了所有場景，它將從結果映射中獲取結果，并將摘要統計信息寫入一個名為“summaryResults”的新txt文件

下面是場景比較功能的簡短視頻

如果我們在Excel中打開摘要文件，我們會得到一個摘要表，如下所示。

結語

在本文中，我們研究了仿真模型生命周期的實驗階段，以及如何在模型內正確設置實驗。我們研究了一些利用自定義實驗的高級方法，允許我們完全控制場景比較和敏感性分析實驗。與前一篇文章相比，這無疑增加了復雜性，但是這是值得的，尤其是當您在構建復雜模型時，需要完全控制實驗執行。

在下一篇文章中，我們將稍作休息，看看一些分析結果的最佳實踐。