Holarch

Przewodnik · Analiza

Symulacja Monte Carlo w inżynierii systemów: od szacunków punktowych do prawdopodobieństw

Posłuchaj tego przewodnika 19 min

Symulacja Monte Carlo w inżynierii systemów zastępuje jedno najlepsze oszacowanie rozkładem wyników. Ten przewodnik omawia dobór rozkładów wejść, wykonanie wystarczającej liczby próbek, odczyt percentyli i prawdopodobieństwa spełnienia wymagania, korelację oraz typowe błędy na przykładzie przelotu obrazowania małego satelity obserwacji Ziemi.

Na tej stronie
  1. Dlaczego szacunki punktowe wprowadzają w błąd
  2. Niepewne wejścia jako rozkłady
  3. Wykonywanie wielu próbek
  4. Odczyt wyników
  5. Ile przebiegów wystarczy
  6. Korelacja i jej wpływ
  7. Typowe błędy
  8. Przykład: przelot obrazowania EO-1
    1. Szacunki punktowe
    2. Wynik Monte Carlo
    3. Ten sam przykład z korelacją
  9. Wypróbuj w Holarch
  10. Co dalej

Dlaczego szacunki punktowe wprowadzają w błąd

Większość szacunków inżynierskich podaje się jako jedną liczbę: kampania integracji trwa 14 tygodni, ładunek użyteczny pobiera 38 W, stacja naziemna przetwarza przelot w 45 minut. Każda z tych liczb jest zwykle wartością najbardziej prawdopodobną, a suma wartości najbardziej prawdopodobnych nic nie mówi o tym, jak często zostanie przekroczona, z dwóch powodów.

  • Asymetryczne wejścia. Rzeczywiste czasy zadań rzadko są symetryczne. Zadanie, które najprawdopodobniej trwa 6 minut, może skończyć się w 4, ale może też trwać 9, gdy coś pójdzie nie tak. Średnia takiego zadania leży powyżej jego wartości najbardziej prawdopodobnej, a suma średnich powyżej sumy wartości najbardziej prawdopodobnych.
  • Obciążenie przy łączeniu ścieżek. Tam, gdzie ścieżki równoległe się łączą, praca czeka na najwolniejszą. Wartość oczekiwana maksimum kilku niepewnych ścieżek jest większa niż maksimum ich wartości oczekiwanych, ponieważ każda spóźniona ścieżka opóźnia całość.

To samo dotyczy budżetów. Budżet masy lub mocy zbudowany z wartości nominalnych ukrywa szansę, że kilka pozycji wypadnie wysoko jednocześnie, a harmonogram zbudowany z nominalnych czasów ukrywa szansę, że ścieżka krytyczna się wydłuży. Pojedyncza liczba nie powie, jak bardzo prawdopodobne jest jej dotrzymanie. Rozkład tak.

Symulacja Monte Carlo to najprostszy sposób, by uzyskać ten rozkład: opisz każde niepewne wejście rozkładem prawdopodobieństwa, wylosuj jedną wartość dla każdego wejścia, oblicz wynik i powtórz to wiele razy. Zbiór wyników przybliża rozkład wyjścia, a z niego odczytuje się średnie, percentyle i prawdopodobieństwo spełnienia wymagania. W ujęciu ISO/IEC/IEEE 15288 jest to narzędzie procesu analizy systemu, a jego wynik jest często dowodem przy weryfikacji przez analizę, jedną z czterech metod w macierzy weryfikacji wymagań.

Niepewne wejścia jako rozkłady

Rozkład wyraża to, co wiadomo o wejściu. Wybierz najprostszy, który pasuje do posiadanych informacji; trzy kształty wystarczają do większości prac w inżynierii systemów. Przykłady pochodzą z omówionego niżej przelotu obrazowania satelity.

RozkładParametryKiedy go użyćPrzykład
JednostajnyMinimum i maksimumZnasz granice i nic nie faworyzuje jednej wartości nad innąKodowanie i zapis jednego pasa zdjęć trwa od 20 do 40 sekund, zależnie od treści sceny
TrójkątnyMinimum, wartość najbardziej prawdopodobna, maksimumEksperci potrafią podać zakres i wartość najbardziej prawdopodobną, często przesuniętą w stronę dłuższego końcaWysłanie planu obrazowania trwa od 4 do 9 minut, najprawdopodobniej 6
NormalnyŚrednia i odchylenie standardoweSumuje się wiele małych niezależnych efektów albo dane pomiarowe pokazują symetryczny rozrzutPrzetwarzanie produktów obrazowych trwa 45 minut z odchyleniem standardowym 10
  • Rozkład jednostajny jest uczciwy, gdy znasz tylko granice, ale nadaje skrajnym wartościom taką samą wagę jak środkowym.
  • Rozkład trójkątny to typowy wybór dla trzypunktowych szacunków inżynierów. Jego średnia wynosi (min + wartość najbardziej prawdopodobna + max) / 3, więc długi górny ogon przesuwa średnią powyżej wartości najbardziej prawdopodobnej: 4, 6 i 9 minut dają średnią 6,33.
  • Rozkład normalny ma nieograniczone ogony. Dla czasów, mas i innych wielkości, które nie mogą być ujemne, utrzymuj odchylenie standardowe małe względem średniej albo użyj rozkładu z dolną granicą.
  • Inne kształty mają swoje szczególne zastosowania: logarytmiczno-normalny dla wielkości będących iloczynem czynników, wykładniczy dla czasów między zdarzeniami losowymi, Weibulla dla czasów do uszkodzenia, beta dla ułamków między 0 a 1.

Pozostaw stałe to, co nie jest niepewne. Model, w którym zmienia się każde wejście, trudniej przejrzeć, a ukrywa on te nieliczne wejścia, które decydują o wyniku.

Wykonywanie wielu próbek

Jeden przebieg Monte Carlo to jeden możliwy wynik: każde niepewne wejście dostaje losową wartość ze swojego rozkładu, każda decyzja jest losowana z jej prawdopodobieństwem, a model oblicza wynik tak, jakby był to rzeczywisty przypadek. Badanie powtarza to setki lub tysiące razy z niezależnymi losowaniami. Dwie praktyczne zasady:

  • Ustal ziarno losowe, gdy wynik staje się dowodem. To samo ziarno odtwarza te same przebiegi, więc recenzent może powtórzyć badanie, a każdy pojedynczy przebieg można odtworzyć, aby zobaczyć, co się w nim stało.
  • Trzymaj logikę modelu w modelu. Rozgałęzienia z prawdopodobieństwami, pętle z liczbą powtórzeń i limity zasobów należą do tego samego przepływu, który wykonuje symulacja, a nie do osobnego arkusza, który rozjeżdża się z projektem. Przepływem jest zwykle scenariusz operacyjny z analizy funkcjonalnej z dodanymi czasami trwania.

Odczyt wyników

Badanie daje listę wyników, po jednym na przebieg. Odczytaj ją na cztery sposoby.

  • Histogram. Kształt wyników: gdzie wypada większość przebiegów, czy rozkład jest asymetryczny i jak długie są ogony.
  • Średnia i odchylenie standardowe. Przydatne podsumowania, z przedziałem ufności średniej, który zawęża się wraz z dodawaniem przebiegów. Sama średnia nic nie mówi o ryzyku.
  • Percentyle. P50 to mediana: połowa przebiegów kończy się poniżej niej. P90 lub P95 to wartość zobowiązania: wynik osiągany w 90% lub 95% przypadków. Harmonogramy i budżety często przyjmuje się na poziomie P80 lub P90, a nie średniej.
  • Prawdopodobieństwo spełnienia wymagania. Udział przebiegów, które spełniają próg, na przykład „łączny czas najwyżej 100 minut”. Odczytuje się je z krzywej prawdopodobieństwa skumulowanego (krzywej S), która dla każdej wartości x pokazuje udział przebiegów z wynikiem najwyżej x. Wymaganie sformułowane z prawdopodobieństwem („w co najmniej 90% przypadków”) sprawdza się bezpośrednio względem tej liczby.

W ten sam sposób można odczytać zapas: różnica między progiem a średnią to zapas przeciętnie; różnica między progiem a wartością P90 lub P95 to zapas przy poziomie ufności, na który się zobowiązujesz.

Ile przebiegów wystarczy

Wynik Monte Carlo sam jest oszacowaniem, a jego precyzja rośnie z pierwiastkiem kwadratowym z liczby przebiegów. Dla prawdopodobieństwa p oszacowanego z N przebiegów błąd standardowy wynosi około √(p(1 − p) / N). W pobliżu 0% lub 100% prosty przedział ±2 błędy standardowe sprawdza się słabo, dlatego tabela używa przedziału Wilsona, który pozostaje w granicach od 0 do 100%.

Przebiegi (N)Przebiegi spełniające próg (p ≈ 97,6%)Błąd standardowyPrzedział 95%
100981,5 punktu procentowego93,0% do 99,4%
2001951,1 punktu procentowego94,3% do 98,9%
1,0009760,5 punktu procentowego96,5% do 98,4%
2,0001,9510,3 punktu procentowego96,8% do 98,1%
10,0009,7560,15 punktu procentowego97,2% do 97,8%

Praktyczny test: badanie ma wystarczająco dużo przebiegów, gdy przedział ufności liczby, na podstawie której podejmujesz decyzję, nie przecina już linii decyzji. W przykładzie poniżej wymaganie żąda 90%; już 100 przebiegów daje przedział, który pozostaje powyżej 90%, więc werdykt zapada wcześnie. Gdyby oszacowanie wynosiło 91% z przedziałem od 88% do 94%, potrzeba by więcej przebiegów. Średnie stabilizują się szybko; percentyle w ogonach (P95, P99) i małe prawdopodobieństwa niepowodzenia wymagają znacznie więcej przebiegów, bo trafia tam niewiele przebiegów.

Korelacja i jej wpływ

Losowanie każdego wejścia niezależnie zakłada, że długa transmisja w dół nic nie mówi o następującym po niej przetwarzaniu. Często to nieprawda: duża ilość danych spowalnia jedno i drugie, zimny statek kosmiczny spowalnia kilka kroków rozgrzewania, ciężka konstrukcja wymaga cięższego mechanizmu. Wejścia o wspólnej przyczynie są skorelowane.

Dodatnia korelacja nie zmienia średniej sumy, ale poszerza rozrzut: wysokie wartości pojawiają się razem i niskie wartości pojawiają się razem, zamiast się znosić. Ogony przesuwają się na zewnątrz, a wraz z nimi wartość P90 lub P95, na której opiera się zobowiązanie. Pominięcie rzeczywistej dodatniej korelacji zaniża więc ryzyko.

Sposoby postępowania:

  • Zamodeluj wspólną przyczynę jawnie: losuj ilość danych raz na przebieg i wyprowadzaj z niej oba czasy.
  • Losuj skorelowane wejścia ze wspólnej liczby losowej, aby zmieniały się razem w każdym przebiegu.
  • Co najmniej wykonaj badanie raz z niezależnymi wejściami i raz w pełni skorelowanymi i podaj oba wyniki: prawda leży między nimi.

Typowe błędy

BłądDlaczego wprowadza w błądZamiast tego
Pozorna precyzjaPodanie „P(meet) = 97,56%” na podstawie zgadywanych zakresów wejść sugeruje pewność, której wejścia nie mająZaokrąglaj do tego, na co pozwalają wejścia, podawaj przedział ufności i wskazuj, skąd pochodzą zakresy
Wejścia uznane za niezależne, choć takie nie sąWspólne przyczyny są pomijane, rozrzut jest zbyt wąski, a ogony zbyt krótkieZamodeluj wspólną przyczynę albo ogranicz wynik badaniem niezależnym i skorelowanym
Pomijanie ogonówPodawanie tylko średniej ukrywa, jak często wymaganie nie jest spełnionePodawaj P50 oraz P90 lub P95 i prawdopodobieństwo spełnienia każdego progu
Symetryczne zakresy dla asymetrycznych wielkościRozkład normalny wokół wartości najbardziej prawdopodobnej usuwa długi górny ogonUżyj kształtu trójkątnego lub logarytmiczno-normalnego, gdy przekroczenia są większe niż niedoszacowania
Zbyt mało przebiegówWerdykt zmienia się, gdy badanie powtórzy się z innym ziarnemDodawaj przebiegi, aż przedział przestanie przecinać linię decyzji
Model różny od projektuKopia przepływu w arkuszu rozjeżdża się z rzeczywistą sekwencją, jej ścieżkami równoległymi i decyzjamiSymuluj przepływ przechowywany w modelu, aby zmiana projektu docierała do analizy

Przykład: przelot obrazowania EO-1

EO-1 to CubeSat 6U, który fotografuje pola uprawne, fikcyjna misja z przykładowego projektu MBSE. Jego specyfikacja wymagań systemowych zawiera wymaganie czasowe weryfikowane przez analizę:

6.5 Planning Cycle Time. Misja musi ukończyć każdy cykl planowania, od przesłania listy celów do dostarczenia produktów, w ciągu 100 minut.

Plan weryfikacji dla 6.5 brzmi: symulacja Monte Carlo przelotu obrazowania osiąga 100 minut z prawdopodobieństwem co najmniej 90%. Measure MOE-7 Planning Cycle Time specyfikuje to wymaganie, z progiem 100 minut i celem 80 minut.

Harmonogram operacyjny to akcja OPS Run Nominal Imaging Pass. Stacja naziemna wysyła plan obrazowania, statek kosmiczny go dekoduje i ładuje, a następnie obraca się ku pierwszemu celowi, podczas gdy kamera się rozgrzewa. Fotografuje cztery cele, każdy jako pas, który jest rejestrowany, a następnie kodowany. Jeśli w zasięgu jest kontakt z ziemią (75% przelotów), transmituje dane; w przeciwnym razie przechowuje je do następnego przelotu. Na koniec akumulator ładuje się w świetle słonecznym, a stacja naziemna odbiera transmisję i przetwarza produkty obrazowe.

CzynnośćMiejsce w przepływieCzas trwaniaNajbardziej prawdopodobny (min)Średnia (min)
OPS.1 Transmit Imaging PlanPoczątekTrójkątny, od 4 do 9 minut, szczyt 666.33
OPS.2 Receive Imaging PlanNastępnieStały, 1 minuta11
OPS.3 Load Command ScheduleNastępnieStały, 2 minuty22
OPS.4 Rotate to TargetRównolegle z OPS.5Normalny, średnia 3, odchylenie standardowe 0,5 minuty33
OPS.5 Prepare CameraRównolegle z OPS.4Stały, 5 minut55
OPS.6 Capture Image StripPętla, 4 celeNormalny, średnia 40, odchylenie standardowe 6 sekund0,67 na cel0,67 na cel
OPS.7 Encode and Store ImagePętla, 4 celeJednostajny, od 20 do 40 sekund0,50 na cel0,50 na cel
OPS.8 Transmit Image DataKontakt w zasięgu (75%)Normalny, średnia 8, odchylenie standardowe 1,5 minuty88
OPS.9 Hold Data OnboardBrak kontaktu (25%)Stały, 1 minuta11
OPS.10 Recharge Battery in SunlightRównolegle z OPS.11 i OPS.12Stały, 35 minut3535
OPS.11 Receive DownlinkNastępnie OPS.12Stały, 9 minut99
OPS.12 Process Image ProductsPo OPS.11Normalny, średnia 45, odchylenie standardowe 10 minut4545

Szacunki punktowe

  • Wartości najbardziej prawdopodobne, przy bardziej prawdopodobnej gałęzi z kontaktem: 6 + 1 + 2 + max(3, 5) + 4 × (0,67 + 0,50) + 8 + max(35, 9 + 45) = 80,7 minuty. Względem progu 100 minut wygląda to na prawie 20 minut zapasu.
  • Wartości średnie, z gałęziami ważonymi ich prawdopodobieństwem (0,75 × 8 + 0,25 × 1 = 6,25): 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + max(35, 54) = 79,25 minuty.

Obie liczby mówią, że przelot mieści się z zapasem. Żadna nie mówi, jak często się nie mieści, a właśnie o to pyta wymaganie.

Wynik Monte Carlo

Badanie tego samego przepływu losuje w każdym przebiegu każdy czas trwania i decyzję o kontakcie, a ścieżki równoległe ścigają się ze sobą. Tabela podaje kontrolę na milionie przebiegów obliczoną osobno w Pythonie oraz badanie Holarch na 2000 przebiegów pokazane na zrzutach ekranu poniżej. Używają różnych generatorów liczb losowych, więc różnią się o błąd próbkowania (dla 2000 przebiegów około 0,25 minuty dla średniej, 0,5 minuty dla P95 i 0,35 punktu procentowego dla prawdopodobieństwa).

WyjściePython, 1 000 000 przebiegówHolarch, 2000 przebiegów, ziarno 2026
Średni czas łączny79,35 minuty79,35 minuty
Odchylenie standardowe10,35 minuty10,16 minuty
P5 / P50 / P9562,4 / 79,3 / 96,6 minuty62,4 / 79,4 / 96,0 minuty
P9092,8 minuty92,4 minuty
P(łącznie ≤ 80 minut), cel MOE-752.7%52.4%
P(łącznie ≤ 100 minut), wymaganie 6.597.6%97,8% (1955 z 2000; przedział 95% od 97,0% do 98,3%)

Co mówią liczby:

  • Wymaganie jest spełnione. Około 97,6% przelotów kończy się w ciągu 100 minut, znacznie powyżej wymaganych 90%, a przedział z 2000 przebiegów pozostaje powyżej 90% z dużym zapasem.
  • Zapas jest mniejszy, niż się wydaje. Zapas dla średniej wynosi około 20,6 minuty, ale wartość P95 to około 96,6 minuty, więc przy ufności 95% zostają tylko około 3,4 minuty. Mniej więcej jeden przelot na czterdzieści przekracza próg. W prawie wszystkich tych przebiegach OPS.12 Process Image Products trwało ponad godzinę (średnio 67 minut wobec swojej średniej 45), a w 95% z nich gałąź z kontaktem dodała 8-minutową transmisję.
  • Cel to rzut monetą. 80-minutowy cel MOE-7 leży niemal dokładnie na medianie: jest osiągany tylko w około połowie przelotów. Szacunek 80,7 minuty z wartości najbardziej prawdopodobnych całkowicie to ukrywa.
  • Obciążenie przy łączeniu ścieżek jest tu małe. Średnia 79,35 minuty jest tylko o 0,1 minuty wyższa od szacunku z wartości średnich, ponieważ łańcuch naziemny (OPS.11 i OPS.12, średnio 54 minuty) jest krótszy od 35-minutowego ładowania tylko w około 3% przebiegów. W przepływie, którego ścieżki równoległe mają bardziej zbliżoną długość, różnica rośnie.

Badanie wskazuje też dźwignię. OPS.12 Process Image Products odpowiada za większość rozrzutu (odchylenie standardowe 10 minut wobec około 3 minut z decyzji o kontakcie i 1 minuty ze wszystkiego innego), więc skrócenie czasu przetwarzania przesuwa ogon; przyspieszenie kroków statku kosmicznego niewiele daje.

Ten sam przykład z korelacją

Transmisja i przetwarzanie zależą od tego, ile danych obrazowych wytworzył przelot: więcej danych oznacza dłuższą transmisję i dłuższe przetwarzanie. Losowanie OPS.8 i OPS.12 z jednej wspólnej liczby losowej na przebieg (8 + 1,5z oraz 45 + 10z minut dla tego samego standardowego normalnego z), tak by długiej transmisji towarzyszyło długie przetwarzanie, pozostawia oba rozkłady bez zmian i daje:

WyjścieNiezależne (Python / Holarch)OPS.8 i OPS.12 skorelowane (Python / Holarch)
Średnia79,35 / 79,35 minuty79,35 / 79,04 minuty
Odchylenie standardowe10,35 / 10,16 minuty11,35 / 11,44 minuty
P9596,6 / 96,0 minuty98,5 / 99,0 minuty
P(łącznie ≤ 100 minut)97.6% / 97.8%96.1% / 96.2%

Średnia się nie zmienia, a rozrzut rośnie o około jedną dziesiątą. Wartość P95 przesuwa się o około dwie minuty, co zmniejsza zapas przy ufności 95% z około 3,4 minuty do około 1,5. Wymaganie nadal jest spełnione przy 90%, ale surowsze zobowiązanie, na przykład 100 minut w 95% przelotów, byłoby teraz na granicy. Przy zobowiązaniu na poziomie P95 bezpieczniej planować według przypadku skorelowanego.

Pobierz przykład: badanie niepewności przelotu obrazowania EO-1 jako skoroszyt Excela (wejścia z rozkładami, wyniki niezależne i skorelowane z percentylami i P(meet) oraz tabela liczby przebiegów) albo te same dane jako CSV: wejścia i rozkłady przelotu obrazowania oraz wyniki Monte Carlo, percentyle i P(meet). Użyj go jako szablonu do raportowania własnego badania.

Wypróbuj w Holarch

W Holarch symulacja Monte Carlo działa na przepływie akcji modelu: ten sam Diagram Action, który opisuje operację, jest symulowanym modelem. Czas trwania każdej Action to stała liczba lub rozkład z jednostką, na przykład =triang.dist(4, 9, 6) minut (minimum, maksimum, szczyt), =norm.dist(40, 6) sekund lub =uniform.dist(20, 40) sekund. Dostępnych jest dziesięć rozkładów, w tym beta, logarytmiczno-normalny, wykładniczy i Weibulla. Szczegóły w dokumentacji Symulacja.

Przelot obrazowania jako Diagram Action z ukrytymi wejściami/wyjściami i zasobami: pętla wykonuje się cztery razy, OR rozstrzyga o kontakcie, a ostatnie rozgałęzienie równoległe czeka na wolniejsze z ładowania i przetwarzania naziemnego.
  1. Utwórz projekt CubeSat poleceniem Zarządzaj projektami → Pliki projektu ▾ → Nowy projekt demonstracyjny → CubeSat (inżynieria systemów z przewodnikiem). Zawiera on już OPS Run Nominal Imaging Pass z czasami trwania z tabeli, wymaganie 6.5 i Measure MOE-7.
  2. Otwórz Diagram Action tej akcji i wybierz ▶ Symuluj ▾ → Monte Carlo. Ustaw Przebiegi na 2000, Ziarno losowe na 2026, a Zmieniaj stałe czasy trwania na Brak (demo domyślnie dodaje ±10% do stałych czasów trwania; badanie tutaj pozostawia je stałe) i naciśnij ▶ Uruchom Monte Carlo.
  3. Odczytaj Statystyki, Rozkład czasu trwania i Prawdopodobieństwo skumulowane (krzywa S) na karcie Rozkład. Wpisz 100 w polu x krzywej S, aby odczytać P(X ≤ 100 min).
Rozkład czasu trwania i krzywa S dla 2000 przebiegów z ziarnem 2026. Odczyt podaje prawdopodobieństwo zakończenia w ciągu 100 minut.
  1. Otwórz kartę Czynniki, aby zobaczyć, które akcje zajmują czas we wszystkich przebiegach i jakie kombinacje gałęzi wystąpiły.
  2. Kliknij Sprawdź względem Requirement… i wybierz Measure MOE-7 Planning Cycle Time. Wypełnia to kryterium (≤ 100 minut, na podstawie progu i kierunku poprawy) i wymaganie 6.5; pozostaw wymagane prawdopodobieństwo 90%. Tabela podaje P(meet) z przedziałem ufności, zapas i werdykt. Przełącz Użyj na Cel, aby sprawdzić 80-minutowy cel, który nie jest spełniony przy około 52%.
Sprawdzenie wymagania: P(meet) jest znacznie powyżej wymaganych 90%, więc wynik to Pass.
  1. Zarejestruj wynik… pokazuje podgląd zmian: Wartość prognozowana MOE-7 staje się średnią, a Test Case weryfikujący 6.5 otrzymuje status Passed i tekst wyniku. Zastosuj je jako jeden krok cofania.

Edytor czasu trwania w Holarch losuje każdy rozkład niezależnie. Powyższe porównanie skorelowane używało czasów trwania sterowanych przez skrypty, które odczytują jedną wspólną wartość na przebieg; edytor czasu trwania jeszcze tego nie oferuje. Aby ograniczyć wpływ korelacji z obu stron we własnym modelu, porównaj badanie niezależne z w pełni skorelowanym obliczeniem wykonanym poza narzędziem. Symulowana jest też energia akumulatora w trakcie przelotu: minimalna i końcowa ilość zasobu Battery Charge to wyjścia Monte Carlo, które akceptuje sprawdzenie wymagania. Budżety masy i mocy z rezerwami i zapasami prowadzi się w Budżetach i TPM, a to samo myślenie dotyczy niepewnych wartości w analizie kompromisów: ranking, który odwraca się w zakresie wejść, nie jest jeszcze decyzją.

Co dalej

  • Symulacja: przebiegi Discrete Event i Monte Carlo, panele i sprawdzenie wymagania.
  • Budżety i TPM: sumowania z rezerwami, alokacje, zapasy i miary wydajności.
  • Diagramy Action: przepływ, konstrukcje, zasoby i skrypty, które odczytuje symulacja.