配送业务可占供应链总成本的 70%。一家大型可口可乐装瓶商通过使用先进的建模技术，每年节省了 1 280 万美元的运营成本。这显示了仿真优化如何有效地应对此类挑战。
传统的优化方法难以应对现实生活中的复杂情况。交货窗口、不同的行驶速度和不可预测的交通模式都带来了巨大的挑战。基于仿真的优化方法可以在实施前测试多种方案，从而解决这些问题。装瓶商的案例很好地证明了这一点。他们拥有 18 个配送中心，每天为近 20,000 名客户提供服务。他们的客户-配送中心映射只有在模拟后才能真正优化。这样做的好处不仅仅是节约成本。这些方法有助于更清晰地定义复杂系统中 "优化 "的含义。模拟与优化的讨论并不是要选择其中一个。二者共同作用是为了确认优化后的解决方案在实际情况中的表现符合预期。
本文将探讨仿真如何确认优化结果。您将了解到重塑装瓶操作并在十年内实现 6600 万美元净现值的方法。
静态优化模型给复杂系统的效率造成了假象。问题来了：如果一个系统没有经过动态测试，它还能被称为 "优化 "吗？传统优化的解决方案在纸面上看似完美，但在实际应用中却显示出理论与实践之间的巨大差距。
与动态方法相比，静态优化所需的计算资源更少，因此对操作问题很有吸引力。然而，它无法捕捉系统如何随时间演变，而这在实际应用中至关重要。这种与时间无关的特性意味着静态模型会遗漏关键的动态行为，从而造成一种 "最优假象"，即解决方案在理论上看似有效，但在实践中却表现不佳。
考虑到医院病人流建模，静态方法很难准确地反映现实。由于病人到达和服务时间的变化，医院系统本身就是动态和非线性的。静态优化忽略了医院病房之间的时间依赖性，导致对资源利用率和瓶颈的预测不准确。研究表明，静态模型无法解释病人流经相互关联的医院科室时的动态行为，从而大大限制了其实用性。
虽然医疗运营中的静态优化看起来计算效率很高，但却无法捕捉到病人流的时间变化特性。研究表明，将病人入院情况作为静态预测（使用单个时间点的信息）的效果要比包含病人数量轨迹的动态时间序列方法差。出现这种差异的原因是静态模型没有考虑协变量的变化，即由于季节性变化或流行病等突发事件，特征的基本分布会随时间发生变化。
静态优化方法往往会导致资源分配决策出现突然的、不切实际的变化，因为不同时间步骤之间的解决方案并不连贯。研究人员指出，正确的流量算法必须考虑到达率变化、服务时间变化、顶点容量和分布概率，才能准确模拟医院等运营系统。静态优化结果与实际系统行为之间的脱节表明了与时间无关的模型在运行环境中的根本局限性。
动态测试关注的是系统在运行过程中如何对输入做出响应。这可以提供静态分析无法提供的洞察力。系统必须可运行，以便进行动态测试，从而在现实条件下进行详细评估。
现实世界系统中的复杂优化方案需要动态测试，因为
基于仿真的优化通过将实时数据与预测建模相结合来应对这些挑战。与纯粹的优化不同，仿真让用户看到系统如何对不同的输入做出响应。这有助于加深对运行动态的理解。优化建模告诉你在特定情况下该怎么做。仿真则可以帮助用户了解系统在多种情况下的反应。
仿真和优化相互配合，而不是相互对立。公司可以先使用仿真来广泛了解系统行为，然后再使用优化建模来获得具体答案。这种组合方法能带来更好的决策。
动态测试的最大优势在于发现静态分析可能遗漏的缺陷。对运行中的系统进行测试有助于发现运行时错误、内存泄漏、性能瓶颈和其他影响运行和用户体验的关键缺陷。在通过动态测试和仿真之前，任何系统都不能称为 "优化 "系统。
仿真优化将预测建模与决策科学相结合，为具有随机因素的复杂系统找到最佳选择。这种方法超越了传统方法，将分析和决策结合在一起，以解决地面复杂性和不确定性问题。
随机因素在随机优化问题中起着至关重要的作用。与确定性方法不同，这些方法使用随机过程来寻找解决方案。要知道，随机优化不能保证在有限的时间内完全肯定地找到最佳答案。运行时间越长，找到理想解决方案的几率就越大。
随机优化在这些地面应用中大放异彩：
有几种关键技术支持随机模拟优化。针对特定问题的策略（称为启发式）与元启发式--适用于多种问题的灵活方法--同时发挥作用。轨迹法（如塔布搜索）可能会使用随机决策。基于群体的方法，如遗传算法、灰狼优化和粒子群优化，则依赖于各种随机过程。
采样平均近似法（SAA）通过采样建立近似解，帮助解决基于模拟的优化问题。随机近似方法使用逐步接近最佳答案的序列。当评估目标函数变得棘手或昂贵时，这些方法就能很好地解决问题。
调度属于优化中最难计算的问题（数学上称为 NP-Hard）。任何实用算法都无法完美解决这一问题。基于仿真的调度方法利用计算机仿真而不是数学约束来创建模拟工作流的调度，从而解决了这一难题。
基于模拟的调度大大改善了作业车间环境。科学家们创建了将离散事件仿真（DES）与多代理系统（MAS）相结合的分散式调度系统。这在他们测试的所有生产计划方案中都提高了生产率。该系统创建了代表资源和工作的代理群组，以及它们的操作和转换。这使得基于规则的动态决策成为可能。
路由问题也可以从模拟方法中获益。科学家们使用基于模拟的优化方法来解决城市中的配送问题，同时尊重客户的时间窗口。在解决有时间限制的车辆路由问题时，他们的方法包含了现实的交通模式。结果表明，不同的旅行时间会改变路线方案。
基于仿真的优化模型将乘客的随机行为考虑在内，从而改进了公共交通网络的设计。这些系统将详细的出行需求模拟与多目标网络优化算法相结合。这样就能更真实地模拟乘客的行为，尤其是他们在网络条件发生变化时的实时选择。
基于模拟的规划和调度的强大之处在于将当前的系统状态与未来的需求联系起来。决策者可以预测结果并制定更好的计划[11]。模拟以最高速度运行，收集详细的事件日志，显示计划任务、活动和资源分配。这为系统运行提供了指导，并随着条件的变化而更新。
质量验证是可靠的仿真优化模型的生命线。它能确保模型输出真实反映地面系统行为。未经适当验证的模型只是有趣的计算，而不是可靠的决策工具。
面验证是一种主观审查，由系统专家检查模型及其行为是否合理。这种方法利用人类智慧和专家判断，在部署前审查模型的合理性。
在面验证过程中，领域专家会仔细检查这些要素：
专家需要查看流程图、图形模型或加入结构化演练。在这些会议上，开发人员会对概念模型进行详细解释。然后，专家们根据自己的经验分享关于模拟是否按预期运行的反馈意见。
面对面验证虽然简单，却是至关重要的第一步。它有助于获得利益相关者的支持，而利益相关者的支持可以决定模拟项目的成败。研究表明，面对面验证 "可能很重要，因为它与接受程度相关联，而且通常需要获得认同，如果得不到认同，培训就会脱轨"。
值得一提的是，面效是必要的，但仅靠面效是不够的。模拟的表面效度可能很高，但在实践中却毫无用处；或者表面效度很低，但作为培训工具却很有效。
操作验证表明仿真模型的输出行为是否足够准确，以满足其在各个领域的预期用途[15]。大多数严格的验证测试都发生在这一阶段。
运行验证的主要方法是根据系统的可观测性进行改变：
对仿真模型的高度信任需要在多个不同的测试条件下对模型和系统输出行为进行比较。缺乏可观测性的系统更难获得高置信度。
模型输出行为的图形显示是操作验证的重要工具。当系统数据存在时，这些显示可作为参考分布。它们还有助于通过开发人员、主题专家和利益相关者的审查来确定模型的有效性。
可用的系统数据允许"区间假设检验 "等统计技术提供客观的验证措施。这有助于确认与地面数据相比，模型输出是否符合可接受的范围。
灵敏度分析改变输入和内部参数值，以了解其对模型行为或输出的影响。该技术可显示模型是否与真实系统具有相同的关系。
您可以通过两种方式进行敏感性分析：
显示敏感性的参数会导致模型行为发生重大变化，因此需要在部署模型前进行准确调整。这种分析有助于确定哪些参数在开发过程中需要重点关注。
有两种类型的敏感性分析：
许多实际应用都使用拉丁超立方采样（LHS），它能以较少的模拟次数有效覆盖多维参数空间。这种技术将单变量随机变量的范围分割成区间，并在模拟中使用这些区间值。
输入变量的相关性会严重影响灵敏度分析。分析不相关的变量在数学上似乎更简洁，但却很少能反映现实。相关性往往显示出复杂的自然关系，而数字模型无法直接捕捉到这些关系。
模型可信度是基于仿真的优化工作取得成功的命脉。没有经过证实的可信度的模型仍然是理论练习，而不是实用的决策工具。正如验证和确认专家 James Elele 所指出的，"可信的仿真不太可能提供错误的结果......[并]提供对 M&S 输出/结果的信心"。
数据验证是模型可信度的基础。团队往往会忽略这一关键步骤。数据有效性问题是导致验证尝试失败的最大问题。我们收集数据有三个重要目的：建立概念模型、证明模型正确以及使用验证过的模型进行实验。
数据验证涉及几个关键领域：
这些要点说明了为什么正确的抽样设计如此重要。我们可以将审查模型可信度的模拟研究分为特定研究模拟或更广泛的方法验证。针对特定研究的模拟希望验证对现有数据集的分析。方法论验证则考察建模方法在不同情况下的工作原理。
复杂的分层模型需要复杂的取样。简单的步骤包括(1) 使用数据生成模型创建独特的数据集，(2) 使用统计模型计算所需参数，(3) 使用蒙特卡罗方法总结性能。通过这种方法，研究人员可以将统计估计值的不同属性与真实参数值进行匹配。
比较模拟结果和观察结果可以直接证明模型的可信度。研究小组可以使用以下几种方法：
科学家必须在比较时决定是将预测值与观察值进行回归（PO），还是将观察值与预测值进行回归（OP）。研究表明，OP 方法更具数学意义，尽管两种方法给出的 r² 值相似。
衡量模拟结果与观察结果之间的一致性需要多个指标。仅凭高 r² 值并不能说明一切。斜率和截距分析可揭示模型的一致性和偏差。对生态建模论文的审查发现，204 篇论文中有 61 篇对模型进行了审查。在进行回归分析的论文中，只有一半正确计算了回归系数，并将其与预期的 1:1 线相匹配。
通过模拟得出的模型可信度需要彻底的验证过程。将输出结果与现实生活中的数据进行仔细比较，是基于仿真的优化过程中至关重要的一步。
有条不紊地平衡数学严谨性与实际实施之间的关系，才能创建出行之有效的仿真驱动优化框架。这些集成框架同时使用了仿真和优化模型的优点。它们能找到在现实条件下行之有效的最佳解决方案。
完善的验证惯例可在整个开发过程中建立模型的可信度。一个完整的验证惯例需要三个重要组成部分：(1) 正面验证，(2) 至少一种附加验证技术，以及 (3) 明确讨论优化模型如何实现其目的。
面验证是最初的检查点，由领域专家评估模型是否合理。这一步骤可获得利益相关者的支持，这对项目的成功至关重要。然后，概念模型验证确认模型的理论和假设是正确的，其结构在逻辑上说明了问题。
计算机模型验证确保概念模型能够正确运行。这一技术步骤考察编码的准确性和计算的完整性。结构化演练和正确性证明等静态测试与基于执行检查的动态测试共同验证一切。
操作验证通过确定模型的输出行为是否足够准确来实现其目的，从而结束整个过程。将模拟结果与实际数据进行比较是这一阶段验证的核心。
与传统的顺序验证不同，现代方法允许模拟开发和参数验证同时进行。这种合并方法使用约束优化来估计训练数据集中的未知参数。现在，我们可以在精确了解所有参数之前建立模型。
基于仿真的优化将优化技术与仿真建模相结合。这有助于解决目标函数难以评估或评估成本高昂的问题。闭环反馈系统将优化与仿真组件连接起来，使这种整合发挥作用。
现实生活中的应用通常采用滚动式方法。系统会定期解决一系列静态子问题，而不是试图一次性优化所有问题。复杂的随机系统可以通过这种方式进行分段管理。
优化-模拟循环通过这些协调步骤进行工作：
数据库连接优化和仿真组件。原始计划、优化后的解决方案和仿真结果都会保留在这里。这样就能通过多次迭代实现持续改进。
时间驱动仿真框架以固定步骤移动 "当前时间"，适用于对时间敏感的应用。也有事件驱动的替代方法，但时间驱动方法能更好地测试不同的重新优化间隔。
现代系统现在使用人工智能来改进仿真优化。神经网络通过使用大型数据集来预测结果，从而准确处理复杂情况。混合优化方法结合了遗传算法和基于梯度的方法等技术，以发挥各自的优势。
与传统的调度规则相比，使用这些框架的制造系统显示出系统性的改进。它们减少了迟到作业，缩短了工期。与传统的基于模拟的优化方法相比，使用这些框架的供应链应用至少提高了 6% 的经济价值。
仿真优化通过业务成果展示了其真正价值。案例研究证明了基于仿真的决策如何为各种规模的公司创造可衡量的效益。
数字孪生技术与仿真相结合，创造出强大的系统，帮助制造业做出决策。制造顾问建立了一个数字孪生模型，该模型融合了生产系统的实时数据。该模型可预测未来性能并发现潜在问题。团队复制了生产流程并分解了生产计划。他们检查了计划是否能在满足交货期限的同时发挥作用。
通过对模拟模型进行深度强化学习，团队取得了突破性进展。这样就创建了一个能够管理生产线移动并防止瓶颈的系统。仿真与人工智能的结合通过更好的生产计划节省了成本。
另一个项目利用仿真技术研究半导体制造中的预测性维护。该模型跟踪了 83 个工具组和 32 个操作员组。每个产品都经过 200 多个工艺步骤。通过仿真优化，制造商的生产效率提高了 10-30%。
美国能源部报告称，预测性维护计划取得了令人瞩目的成果。公司消除了 70%-75% 的故障，投资回报率达到 10 倍。他们的维护成本降低了 25%-30%，停机时间减少了 35%-45%。这些数字显示了基于模拟的优化是如何带来重大运营改进的。
银行使用模拟来评估和管理信贷风险情景。蒙特卡洛模拟是一种创建随机变量的关键方法。它模拟不确定的信用事件，如违约几率、回收率和市场条件。通过多次测试，银行可以清楚地了解可能出现的信贷损失。
压力测试使信贷组合经历极端情况，如经济衰退或市场冲击。这有助于银行发现薄弱环节，检查是否有足够的资本，并改善风险管理。
信贷风险模拟首先测试单笔贷款的事件。然后将结果结合起来，研究对整个贷款组合的影响。这有助于银行发现集中风险，找到分散风险的方法，并使其投资组合运作得更好。
这一过程有四个主要步骤。银行定义投资组合和风险因素，设定模型和参数，创建情景和结果，研究结果及其含义。这种结构化方法有助于金融机构计算可能的损失。从预测破产到做出更好的投资选择，金融机构都在使用这种方法。
在仿真与优化之间做出选择并不意味着要选择一种更优越的方法。选择取决于将正确的工具与特定的问题特征相匹配。这两种方法使用类似的计算技术，但解决的问题不同，产生的解决方案类型也不同。
当您需要一个明确的 "最佳 "答案来解决一个定义明确的问题时，纯优化方法就会大显身手。事实证明，原始优化方法在支持战术和战略规划决策方面都很有价值，因为它能给出单一的最佳解决方案。这种方法在这些条件下效果最佳：
优化适用于调度、库存管理和运输流程计算，因为在这些方面，简化流程最为重要。由于输入数据和参数必须精确已知，因此该方法非常适合操作时限。
当不确定性和系统动态发生作用时，仿真就变得至关重要。该方法在这些情况下具有优势：
模拟不同于优化的 "黑箱 "方法。它不提供单一答案，而是创建需要解释的数据。这种方法更容易建模，因为它对输入的假设较少。
这些方法配合使用效果最佳。公司在使用优化方法确定具体答案之前，通常会先使用模拟来广泛了解系统行为。这种组合方法既能提供探索性的见解，又能提出有用的建议。
随着技术的成熟和计算能力的增强，基于仿真的优化技术将继续加速发展。三大发展重塑了企业确认和优化复杂系统的方式。
人工智能通过嵌入精确处理海量数据集的预测功能，彻底改变了仿真优化。人工智能驱动的仿真在从新数据中学习时，会实时调整并完善预测。神经网络功能通过利用大型数据集来准确处理复杂场景，从而增强仿真能力。这些网络能够发现模式并动态调整仿真，因此在需求预测和预测性维护方面非常有效。
人工智能/ML 与仿真优化技术相结合，有助于各行业做出更明智、更快速的决策。事实证明，机器学习是解决工业 4.0 环境中各种预测问题的重要工具。
数字孪生技术通过创建用于实时监控和分析的物理系统虚拟副本来改变行业。这些孪生系统可帮助企业预测故障并优化流程，而无需昂贵的物理原型。物联网（IoT）通过传感器、GPS 跟踪器和 RFID 标签的连续数据流，将这种能力放大，并直接输入到模拟中。
现在，这些模型能更好地响应实际情况，并动态呈现现实生活中的系统。企业可以通过集成数据框架建立反映实际运营情况的孪生系统，从而实现主动管理和快速适应不断变化的条件。
云计算为仿真优化的计算需求提供了理想的解决方案。用户可以临时扩展到数千个处理器，运行原本需要数月时间才能完成的并行仿真。企业只需支付短时间密集计算所需的处理能力。
基于云的仿真具有以下几大优势
云平台通过提供不受硬件限制的可扩展性，使各种规模的企业都能负担得起先进的仿真技术。仿真技术的民主化与人工智能功能相结合，代表了优化确认的下一个前沿领域。
我们对基于仿真的优化的深入研究表明了优化系统必须经过仿真测试的原因。静态优化会产生一种虚假的效率感，而动态仿真则能揭示在不断变化的条件下的地面性能。标题问："如果不进行仿真，如何知道某样东西是否优化了？答案很简单--你不知道。系统需要模拟来确认优化是否超越理论。
各种规模的公司都有过惨痛的教训。以我们开头提到的可口可乐装瓶商为例。他们通过模拟验证优化，每年降低成本 1280 万美元。他们的故事表明，这些综合方法所创造的价值远非任何一种方法所能比拟。
面验证、操作验证和敏感性分析为模型建立了做出正确决策所需的可信度。具有这些验证步骤的仿真框架可将抽象的优化模型转化为可靠的预测工具。随机优化方法可以解决静态模型无法很好处理的地面复杂问题，如客户可用性窗口、流量变化和需求变化。
模拟和优化之间的争论忽略了一点--这两种技术结合起来效果更好。纯粹的优化在有明确的约束条件和固定的关系时会大放异彩。而当随机性和系统动态发生作用时，模拟就变得至关重要。未来属于综合方法。人工智能驱动的仿真、数字双胞胎和云计算将顺利结合，在实施前确认优化解决方案。
模拟验证可将理论优化转化为实际现实。在实际运行中不断变化的多变条件下，任何系统都必须表现出卓越的性能，否则就不能称之为 "优化"。优化的真正检验标准不是数学上的完美，而是不确定条件下的实际性能--只有仿真才能证明这一点。
Q1.为什么模拟在优化中很重要？
模拟在优化中至关重要，因为它允许在真实世界条件下测试解决方案。它有助于验证优化后的解决方案在实施时是否真的能达到预期效果，并考虑到静态模型无法捕捉的可变性和不确定性。
Q2.模拟与优化的主要区别是什么？
优化为一个定义明确的问题提供了一个明确的 "最佳 "答案，而模拟则是探索不同情况下的系统行为。优化最适用于固定的约束条件和目标，而模拟则是处理不确定性和动态系统的理想选择。
Q3.人工智能如何增强基于仿真的优化？
将人工智能集成到仿真模型中可以不断适应和学习新数据。它能在复杂场景中进行更准确的预测，提高模式识别能力，并帮助在需求预测和预测性维护等领域做出更智能、更快速的决策。
Q4.什么是数字孪生，它与仿真优化有什么关系？
数字孪生是物理系统的虚拟复制品，用于实时监控和分析。在仿真优化中，数字孪生使企业能够预测问题并优化流程，而无需昂贵的物理原型，利用来自物联网设备的实时数据创建真实世界系统的动态表示。
Q5.云计算如何有利于基于仿真的优化？
云计算为计算密集型仿真提供了可扩展的处理能力。它允许用户快速运行并行仿真，消除了高昂的前期基础设施成本，实现了实时数据处理，并加强了分布式团队之间的协作。这使得各种规模的企业都能更方便、更经济地进行高级仿真。