Имитационное моделирование сложных систем в AnyLogic

Профиль аудитории:

Курс предназначен для бизнес-аналитиков, специалистов по моделированию и оптимизации, инженеров, логистов, менеджеров и data-scientists, которые хотят применять методы имитационного моделирования для анализа, оптимизации и принятия решений в сложных системах (производство, логистика, здравоохранение, социальные и финансовые процессы).

Предварительные требования:

• Базовые знания статистики и теории вероятностей (понимание понятий «случайная величина», «распределение», «доверительный интервал»).
• Приветствуется, но не обязательно, базовое владение любым языком программирования.

По окончании курса слушатели смогут:

• Самостоятельно выбирать и применять подходящие типы имитационных моделей (дискретно-событийные, агентные, системная динамика) под конкретные задачи.
• Эффективно собирать и анализировать исходные данные, выполнять концептуализацию и разработку имитационных моделей в среде AnyLogic.
• Проводить полноценные эксперименты (Parameter Variation, Monte-Carlo, Sensitivity, Optimization), интерпретировать и визуализировать полученные результаты.
• Создавать гибридные модели, объединяя различные подходы (DES, ABM, SD) в единую комплексную систему, и применять такие модели для анализа сложных сценариев.
• Корректно проводить процедуры верификации и валидации своих моделей и обосновывать результаты имитационного моделирования перед заказчиками и руководством.

Модуль 1: Введение в имитационное моделирование

• Что такое сложная система? Зачем нужно моделирование?
• Основные понятия: модель, имитация, система, сущность, атрибут, ресурс, очередь, событие, процесс, состояние, время.
• Области применения: производство, логистика, здравоохранение, телеком, финансы, социальные системы, оборона.
• Преимущества и ограничения ИМ. Краткий обзор истории.
• Практика: обсуждение реальных систем, где ИМ полезно.

Модуль 2: Типы имитационных моделей

• Дискретно-событийное моделирование (DES)
• Агентное моделирование (ABM)
• Системная динамика (SD)
• Гибридные модели: когда и зачем комбинировать?
• Сравнение типов, критерии выбора.
• Практика: определение подхода для заданных кейсов.

Модуль 3: Жизненный цикл моделирования

• Постановка задачи, концептуализация, формализация
• Верификация, валидация, эксперименты, документирование и внедрение.
• Практика: план проекта для выбранного кейса.

Модуль 4: Концептуализация и сбор данных

• Методы сбора, анализ входных распределений, визуализация концепта.
• Практика: анализ данных и разработка концептуальной диаграммы.

Модуль 5: Дискретно-событийное моделирование (DES) — основы

• Элементы DES, логика времени, управление ресурсами.
• Практика: построение и верификация базовой модели.

Модуль 6: Дискретно-событийное моделирование (DES) — продвинутое

• Моделирование сложной логики
• Транспортировка и погрузка/разгрузка
• Группировка и разгруппировка сущностей
• Использование переменных, выражений, функций.
• Создание пользовательских элементов.
• Практика:Построение модели с несколькими этапами

Модуль 7: Агентное моделирование (ABM)

• Архитектура ABM
• Разработка поведения агентов
• Пространственное моделирование
• Визуализация в ABM.
• Практика: построение простой ABM-модели.

Модуль 8: Системная динамика (SD)

• Основные элементы SD
• Обратные связи
• Построение диаграмм
• Формализация уравнений: Основы.
• Анализ поведения системы во времени.
• Практика: Построение простой SD модели

Модуль 9: Имитационные эксперименты и статистика (NEW)

• Типы экспериментов в AnyLogic Experiment Framework: Parameter Variation, Monte-Carlo, Sensitivity, Optimization.
• Планирование серий прогонов, сбор репликаций, доверительные интервалы.
• Анализ выходных метрик, визуализация сценариев.
• Практика: настройка Parameter Variation и запуск оптимизационного эксперимента для DES модели.

Модуль 10: Верификация, валидация и аккредитация (VVA)

• Методики Verification, Validation, Accreditation.
• Этика имитационного моделирования, прозрачность предположений.

Модуль 11: Инструменты имитационного моделирования (обзор)

• Классификация, краткий обзор платформ, критерии выбора.

Модуль 12: Итоговый гибридный проект (Capstone) (NEW)

• Построение комплексной модели, объединяющей DES, ABM и SD для выбранной системы.
• Применение Experiment Framework для сценарных сравнений и оптимизации.
• Подготовка отчёта и защита результата.