本文分享了由Vitor Lemos编写的关于AnyLogic的使用实践技巧，希望能为正在学习或使用AnyLogic的用户提供帮助。post/the-simulation-model-life-cycle-part-5-experimentation

作者：Jaco-Ben Vosloo

更新：Apr 6, 2022

阅读时间：12 min

本系列文旨在对仿真项目的生命周期进行说明，并给出一些最佳实践和实用建议。

仿真模型的生命周期

8. 1.定义问题
   2.处理数据
   3.构建模型
   4.校核和验证
   5.实验
   6.分析结果
   7.调查结果报告
   
   

这篇文章是关于仿真模型生命周期的 7 部分系列文章的第 5 部分。

注意：在后面的步骤中可能会“返回”前面的步骤中执行一些活动，但并不需要重做整个步骤。 上面列出的步骤是典型项目遵循的一般步骤。在所有步骤中，您都可以后退并重新访问之前的步骤，但在完成至少 80%-90% 的步骤之前，您不太可能跳过一个步骤或向前移动。

5）实验

实验可以说是仿真模型生命周期中比较有难度的一个步骤。我有时觉得这更像是一门艺术，而不是一门科学。想要从一开始就只考虑正确实验是非常难的，更不用说以正确的方式执行它们。本文并不是一篇创建良好实验的全面指南，更像是正确掌握基本知识的快速入门指南。

我们都知道，我们不能为了给出想要或期望的答案而设计实验，让我们看一些实践来帮助我们创建有意义的实验。 下面，我们将深入研究之前的示例，其中包含一些在 AnyLogic 中设置实验的最佳实践。

1. 测试定义目标的场景

在仿真阶段，您需要将重点放在模型的原始目标上，如仿真模型生命周期的part 1（定义问题）中所定义的。否则，你可能会因为一些有趣的想法和假设转移重心，虽然这些想法和假设具有增值作用，但不是模型或项目的主要目标。

因此，需要创建不同的场景来测试目标的不同部分，以及一次性测试整个目标的组合场景。听起来比实际场景要容易得多！慢慢来，把你的场景组织好。如果您遵循了part 2和part 3中的最佳实践，那么您的场景应该只是一个简单的Excel或其他一些基本数据文件，您可以导入并在模型中运行，而无需任何麻烦。

根据我们的零售商示例，我们的场景非常简单：

• 单队列场景：在所有服务台前面有一个客户队列
• 多队列场景：每个服务台前面都有单独的队列

在我们的两个场景文件中，唯一的区别是队列的数量这一个参数。

或许难以置信，但现实生活中的例子通常也是这样的，场景之间的唯一区别通常就是单个参数的变化。

1. 对模型进行压力测试，以找到边界条件

压力测试所花费的时间在很大程度上取决于可用时间、模型输出的置信度以及决策的重要性。

基本上，你可以这么问自己：“出错的代价是什么，而要保证自己是正确的代价是什么？”

在这个阶段中，你会创建一些场景，有时是离谱的，但这些场景是为了推进模型的极限，以确定解决方案空间。当然，也要小心不要测试一些离谱的输入，例如模型中没有队列。这种类型的测试是为了查看模型是否中断，最好在执行单元测试的part 3中完成。这里的重点应该是测试在什么条件下第 1 点的假设和发现是有效的。

例如：

• 将所有顾客将服务时间设为恒定的1分钟
• 将所有顾客将服务时间设为恒定的100分钟
• 让所有顾客彼此间隔1分钟到达

这里的目的是测试您得出的结论是否仍然有效，以及在哪些条件下它们无效或只是有所不同。这也可以帮助您识别逻辑中可能存在的错误。如果结果无法解释，则可能是存在错误，或者您只需要添加更好的输出数据，以便提供足够的上下文和洞察力来解释结果。

1. 使用不同随机种子的多次运行

这是从实验中获得有效仿真结果的绝对必要条件。您必须使用不同的随机流运行多个复制实验，以获得输出的分布。通常通过创建蒙特卡洛实验来实现，在该实验中，您只需收集特定的模型输出，同时在多个运行中改变种子。

如果您只对每个场景运行一次迭代，即使两个场景都具有相同的随机种子，您也不知道这些结果在可能性的宇宙中位于何处。

注：向您推荐一篇文章“在AnyLogic 中如何设置随机性？”帮助您理解和使用AnyLogic的随机功能。

示例：假设您创建了一个仿真模型，可以模拟纽约市一年中任何一天的平均温度，并要求您给出冬季和夏季温度之间的预期差值。如果你只仿真夏季的某一天，并将其与冬季的某一天进行比较，由于纯粹的随机性，你可能最终模拟出最冷的夏季和最温暖的冬季，这将给你一个小于10。F的增量。

那我们可以假设冬季和夏季温度之间的差异几乎可以忽略不计吗？

请注意，如果没有数千天数据，你至少需要模拟100天才能得到一个具有代表性的平均值。。。。然后您会得到夏季和冬季的平均温差约为40。F。

这就引出了我们的第二点：平均值。你可能听说过一句格言，如果你的头在冰箱里，脚在烤箱里，平均来说，你处于一个非常舒适的温度。

你们不仅需要多次运行才能得到一个有代表性的平均值，而且还需要以此来获得可能结果的分布。你需要知道最小值、最大值、标准差以及任何其他适用于特定项目的值。通常，在直方图中显示测量结果可以很好地直观地表示各种运行中的输出。

在我们的零售商示例中：如果客户的平均等待时间为10分钟，最长为2小时，我们还需要问问自己，模型或输入数据中是否存在缺陷，或者这只是过程的本质吗？

注意：由于我们之前是以客户的历史服务时间进行仿真，因此在实验阶段进行多次复制运行是没有意义的，因为我们将一遍又一遍地模拟相同的服务时间......因此，每次运行都会得到相同的结果。我们需要向场景文件中添加新参数，并在模型中使用它们来模拟服务时间的分布。

1. 输出要求

在前一点的基础上，你的实验输出结果需要包含足够的信息，以便你不仅可以给出结果，而且能够证明和解释结果。为此，您需要以下几点：

• 单个场景的汇总结果
• 每个复制场景的详细结果

详细结果将与单次运行实验中输出的结果相同，并且摘要将只是每个场景的多次运行的摘要。通常，只有当您在模型中看到较大的标准差或显著的最小值或最大值，并且怀疑其中一个复制可能遇到错误时，您才会查看详细数据。由于输出文件中提供了每个复制的单独结果，因此我们可以在一些外部工具（例如Excel）中轻松计算汇总统计数据。但是，当我们可以让模型为我们做这件事时，为什么还要为每个场景比较计算这个呢。

示例

现在，我们已经了解了良好实验的基础，让我们继续执行part 4中的示例，并将这些操作实现到模型中。

注意：在本例中，我们将继续使用在part 3中设置的自定义实验对象。AnyLogic确实提供了一些用于灵敏度、蒙特卡洛、参数变化和其他实验的预定义实验选项，但对于一些更为复杂和长期的仿真模型，我并不喜欢使用它们，具体有以下几个原因：

• 要求我为客户导出不同的模型，一个用于单次运行，一个用于灵敏度分析，一个用于蒙特卡洛实验等。通过自定义实验选项，我仍然可以在单个模型导出中使用所有实验功能。
• 如何建模运行的控制较少。 如果您有不同的 Excel 或其他将数据读入数据库的输入文件，这可能是一个问题。
• 自定义实验已设置为用于单元测试，因此无需额外工作。

该示例分为三个部分，第一部分侧重于我们需要对模型和场景文件进行的一些升级，以便我们可以为每个场景设置和保存一些细节。 第二部分是关于保存输出并一个接一个地运行多个场景。 最后一部分的重点是我们现在如何使用第 1 部分和第 2 部分中的更新来一个接一个地运行多个场景，保存输出并从模型中下载它。

第1部分-升级场景文件、场景对象和模型

1. 在场景文件中添加新列

这些新列将定义一些之前未通过场景对象设置的模型行为。

我发现最好在场景文件中添加一个命名为“ModelSetup”的新表，在这里我有一个包含多个列的单行，用于存储模型运行的设置。同时，我还添加了一列场景名称，然后在运行多个场景时可以将其输出到结果文件。

下面是对每个新字段的快速解释：

• scenario_name：场景的名称，最好是唯一的，因为它将在输出文件中使用。
• multiple_queue_setup：如果为True，则模型将使用多队列设置。如果为False，则模型将对所有服务台使用单个队列。
• use_historic_service_time：如果为True，则模型将使用与历史客户的历史服务时间。如果为False，则将使用以下字段中的参数从随机三角形分布中提取每个客户的服务时间：
• min_service_time：服务时间为三角分布的最小服务时间
• likely_service_time：服务时间为三角分布的可能服务时间
• max_service_time：服务时间为三角分布的最大服务时间

在 Excel 文件内的新工作表中创建这些字段后。 您可以将新工作表作为新数据库表导入模型。 现在，此数据可在场景创建中使用。

1. 将字段添加到场景对象，并从场景创建中对其进行初始化

现在，我们需要将场景文件中的相同字段添加到场景对象中，以便模型可以使用它们。

我们还需要在我们创建的“getScenarioFromDB”场景加载器函数中填充这些字段`

请注意以下事项：

• 从内部数据库获取值时，我会使用非缓存的值
• 如果您需要使用AnyLogic内部数据库，您必须知道在使用缓存值时正在做什么。
• 默认情况下使用缓存值，因此在指定要返回的列之前，需要将额外的初始参数添加为False。
• 阅读“AnyLogic中数据库应用的小陷阱（Part 1）——数据刷新”了解更多信息。
• 在本例中，场景变量是公共的，因此不使用getter和setter
• 最好的编码和建模实践是始终保持所有非最终变量的私有性，并使用getter和setter。
• 如果您发现创建getter和setter很麻烦，您可以考虑在模型中使用project Lombok，它可以自动完成这项工作。

注：Project Lombok 是一个 java 库，可自动插入您的编辑器和构建工具。

1. 使用新参数创建客户服务时间

既然参数在场景对象中可用，我们可以在模型逻辑中使用它们来设置模型。

第一步（也就是a）在场景文件中添加新列）是使用场景对象内的设置，该设置定义是否使用历史数据或三角形分布。

下一步是使用场景变量来定义我们是使用单个队列还是多个队列。

现在模型正在使用新的设置变量，我们可以将更多仿真结果保存到输出文件中。

第2部分-保存结果

a） 详细结果

在part 4中，我们只将单个仿真输出保存到文本文件中。文本文件是main中的一个对象，因此如果我们有多个仿真运行，每个复制场景都将覆盖前一复制的数据。

在part 4中将客户等待时间保存到文本文件

为了让所有模型的顾客等待时间写入一个文本文件，我们需要将文本文件对象存储在仿真对象上，并使用参数传递给模型。现在，所有迭代都将写入同一个文本文件，所有结果都将在同一个文件中。幸运的是，文本文件也是线程安全的，所以如果我们为实验进行多线程处理，结果仍然会正确保存。 （更多关于多线程的信息将在以后的文章中介绍；-)）

但是，我们如何区分某次迭代和下一次迭代呢？或者某个场景和下一个场景？

在文本文件中，我们添加了两个新列，场景名称和种子，并使用制表符分隔所有列（因此代码中有“/t”）。仅供参考：选项卡可以在Excel中轻松打开单独的文本文件，每个选项卡表示一个新列。

在part 5中，使用参数将模型输出保存到文本文件

但是种子参数从哪里来？

在仿真中识别种子通常是一个大问题，不时会在Stack Overflow上发布。。。

举个例子：

如何获得蒙特卡洛实验中每次仿真运行的种子值？

如何输出由 AnyLogics 随机种子（独特的仿真运行）RNG 生成的种子？

在这个例子中，我将我们的自定义实验对象从part 4升级到现在，还包括种子和文本文件作为“startRound”函数的输入；

种子现在可以提供给定制实验，也就是说我们在创建定制实验时可以完全控制它。

您还将注意到另一个名为Results的参数，该参数在代码中进一步使用。

b） 总结结果

通常我们对每次复制实验的单个结果关注不多，而是对多次运行的汇总统计信息更加关注。为了实现这一点，我们创建了一个名为Results的新Java类。每次复制都会将结果保存在此对象中，并在其中存储统计信息，我们可以将摘要统计信息写入下一个文本文件。

下面的结果文件几乎概括了所有模型中我会使用的最基本的形式。

使用这种方法，会将所有统计信息都存储在这一个对象中，所以您无需将数百个对象从面板拖放到main或仿真页面。

第3部分-将所有内容放在一起

现在，我们已经对模型和结果类进行了更新，我们可以在仿真首页上设置一个新功能，让我们可以选择多个Excel文件，将它们一次导入到DB中，并让它们所代表的场景在设置完成后执行并保存所有结果。

1.我们创建了一个按钮，允许用户使用以下代码选择多个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，我们允许用户设置复制的数量

3.然后创建按顺序运行所有场景的按钮，为不同场景运行之间的每个对应迭代设置相同的种子。此函数还将传递txt文件以获取每个模型运行的详细结果。它还为每个场景传递一个新的结果对象，并将其保存到具有相应场景名称的映射中。

一旦执行了所有场景，它将从结果映射中获取结果，并将摘要统计信息写入一个名为“summaryResults”的新txt文件

下面是场景比较功能的简短视频

如果我们在Excel中打开摘要文件，我们会得到一个摘要表，如下所示。

结语

在本文中，我们研究了仿真模型生命周期的实验阶段，以及如何在模型内正确设置实验。我们研究了一些利用自定义实验的高级方法，允许我们完全控制场景比较和敏感性分析实验。与前一篇文章相比，这无疑增加了复杂性，但是这是值得的，尤其是当您在构建复杂模型时，需要完全控制实验执行。

在下一篇文章中，我们将稍作休息，看看一些分析结果的最佳实践。