Holarch

Kılavuz · Analiz

Sistem mühendisliğinde Monte Carlo simülasyonu: nokta tahminlerinden olasılıklara

Bu kılavuzu dinleyin 19 dk

Sistem mühendisliğinde Monte Carlo simülasyonu, tek bir en iyi tahminin yerine sonuçların bir dağılımını koyar. Bu kılavuz girdi dağılımlarının seçilmesini, yeterli örnek çalıştırılmasını, yüzdeliklerin ve bir gereksinimi karşılama olasılığının okunmasını, korelasyonu ve yaygın hataları, küçük bir Dünya gözlem uydusunun görüntüleme geçişi üzerinde çözümleyerek ele alır.

Bu sayfada
  1. Nokta tahminleri neden yanıltır
  2. Dağılım olarak belirsiz girdiler
  3. Çok sayıda örnek çalıştırmak
  4. Sonuçları okumak
  5. Kaç çalıştırma yeterlidir
  6. Korelasyon ve etkisi
  7. Yaygın hatalar
  8. Çözümlü örnek: EO-1 görüntüleme geçişi
    1. Nokta tahminleri
    2. Monte Carlo sonucu
    3. Korelasyonlu aynı örnek
  9. Holarch'ta deneyin
  10. Sonra nereye gidilir

Nokta tahminleri neden yanıltır

Mühendislik tahminlerinin çoğu tek bir sayı olarak verilir: entegrasyon kampanyası 14 hafta sürer, faydalı yük 38 W çeker, yer istasyonu bir geçişi 45 dakikada işler. Her sayı genellikle en olası değerdir ve en olası değerleri toplamak, ne sıklıkla aşıldığı hakkında hiçbir şey söylemeyen bir toplam verir; bunun iki nedeni vardır.

  • Çarpık girdiler. Gerçek görev süreleri nadiren simetriktir. En olası süresi 6 dakika olan bir görev 4 dakikada bitebilir ama bir şeyler ters gittiğinde 9 dakika da sürebilir. Böyle bir görevin ortalaması en olası değerinin üstündedir ve ortalamaların toplamı en olası değerlerin toplamının üstündedir.
  • Birleşme yanlılığı. Paralel yolların birleştiği yerde iş en yavaş olanı bekler. Birkaç belirsiz yolun beklenen maksimumu, beklenen değerlerinin maksimumundan büyüktür; çünkü geç kalan herhangi bir yol bütünü geciktirir.

Aynısı bütçeler için de geçerlidir. Nominal değerlerden kurulan bir kütle veya güç bütçesi, birkaç kalemin aynı anda yüksek çıkma olasılığını gizler; nominal sürelerden kurulan bir zaman çizelgesi de kritik yolun uzama olasılığını gizler. Tek bir sayı, tutma olasılığının ne olduğunu söyleyemez. Bir dağılım söyleyebilir.

Monte Carlo simülasyonu bu dağılımı elde etmenin en basit yoludur: her belirsiz girdiyi bir olasılık dağılımı olarak tanımlayın, her girdi için bir değer çekin, sonucu hesaplayın ve bunu birçok kez tekrarlayın. Sonuçların toplamı çıktının dağılımına yaklaşır; ondan ortalamaları, yüzdelikleri ve bir gereksinimi karşılama olasılığını okursunuz. ISO/IEC/IEEE 15288 terimleriyle sistem analizi sürecinin bir aracıdır ve sonucu çoğu zaman analizle doğrulamanın kanıtıdır; bu, bir gereksinim doğrulama matrisindeki dört yöntemden biridir.

Dağılım olarak belirsiz girdiler

Bir dağılım, bir girdi hakkında bildiklerinizi ifade eder. Elinizdeki bilgiye uyan en basit dağılımı seçin; üç şekil sistem mühendisliği çalışmalarının çoğunu karşılar. Örnekler aşağıda çözümlenen uydu görüntüleme geçişinden gelir.

DağılımParametrelerNe zaman kullanılırÖrnek
DüzgünMinimum ve maksimumSınırları biliyorsunuz ve hiçbir şey bir değeri diğerine üstün kılmıyorBir görüntü şeridini kodlamak ve saklamak, sahne içeriğine bağlı olarak 20 ila 40 saniye sürer
ÜçgenMinimum, en olası, maksimumUzmanlar bir aralık ve en olası bir değer verebilir; bu genellikle uzun tarafa doğru çarpıktırGörüntüleme planını göndermek 4 ila 9 dakika, en olası 6 dakika sürer
NormalOrtalama ve standart sapmaBirçok küçük bağımsız etki toplanır veya ölçülen veriler simetrik bir yayılım gösterirGörüntü ürünlerini işlemek 10 dakikalık standart sapmayla 45 dakika sürer
  • Düzgün dağılım, yalnızca sınırları bildiğinizde dürüsttür, ancak uç değerlere orta kadar ağırlık verir.
  • Üçgen dağılım, mühendislerden alınan üç noktalı tahminler için olağan seçimdir. Ortalaması (min + en olası + maks) / 3'tür; bu yüzden uzun bir üst kuyruk ortalamayı en olası değerin üstüne taşır: 4, 6 ve 9 dakika 6,33 ortalama verir.
  • Normal dağılımın kuyrukları sınırsızdır. Süreler, kütleler ve negatif olamayan diğer nicelikler için standart sapmayı ortalamaya göre küçük tutun veya alt sınırı olan bir dağılım kullanın.
  • Diğer şekillerin belirli kullanımları vardır: faktörlerin çarpımı olan nicelikler için lognormal, rastgele olaylar arasındaki süreler için üstel, arıza süreleri için Weibull, 0 ile 1 arasındaki kesirler için beta.

Belirsiz olmayanı sabit tutun. Her girdinin değiştiği bir model daha zor incelenir ve sonucu belirleyen birkaç girdiyi gizler.

Çok sayıda örnek çalıştırmak

Bir Monte Carlo çalıştırması olası bir sonuçtur: her belirsiz girdi dağılımından rastgele bir değer alır, her karar kendi olasılığıyla çekilir ve model sonucu bu gerçek durummuş gibi hesaplar. Bir çalışma bunu bağımsız çekimlerle yüzlerce veya binlerce kez tekrarlar. İki pratik kural:

  • Sonuç kanıt hâline geldiğinde rastgele tohumu sabitleyin. Aynı tohum aynı çalıştırmaları yeniden üretir; böylece bir inceleyici çalışmayı tekrarlayabilir ve herhangi bir tek çalıştırma içinde ne olduğunu görmek için yeniden oynatılabilir.
  • Model mantığını modelde tutun. Olasılıklı dallar, sayılı döngüler ve kaynak sınırları, tasarımdan sapan ayrı bir elektronik tabloda değil, simülasyonun çalıştırdığı aynı akışta yer alır. Akış genellikle işlevsel analizdeki operasyonel senaryodur ve sürelerle zenginleştirilmiştir.

Sonuçları okumak

Bir çalışma, her çalıştırma için bir tane olmak üzere bir sonuç listesi üretir. Bunu dört şekilde okuyun.

  • Histogram. Sonuçların şekli: çalıştırmaların çoğunun nereye düştüğü, dağılımın çarpık olup olmadığı ve kuyrukların ne kadar uzun olduğu.
  • Ortalama ve standart sapma. Çalıştırma eklendikçe daralan, ortalama üzerinde bir güven aralığıyla birlikte faydalı özetler. Ortalama tek başına risk hakkında hiçbir şey söylemez.
  • Yüzdelikler. P50 medyandır: çalıştırmaların yarısı onun altında biter. P90 veya P95 bir taahhüt değeridir: durumların %90'ında veya %95'inde karşıladığınız sonuç. Takvimler ve bütçeler çoğu zaman ortalamada değil P80 veya P90'da taahhüt edilir.
  • Bir gereksinimi karşılama olasılığı. Bir eşiği karşılayan çalıştırmaların payı, örneğin “toplam süre en fazla 100 dakika”. Bunu, her x değeri için sonucu en fazla x olan çalıştırmaların payını çizen kümülatif olasılık eğrisinden (S eğrisi) okuyun. Bir olasılıkla ifade edilen bir gereksinim (“durumların en az %90'ında”) doğrudan bu sayıya karşı denetlenir.

Pay da aynı şekilde okunabilir: eşik ile ortalama arasındaki fark ortalamadaki paydır; eşik ile P90 veya P95 değeri arasındaki fark, taahhüt ettiğiniz güven düzeyinde sahip olduğunuz paydır.

Kaç çalıştırma yeterlidir

Bir Monte Carlo sonucu kendisi de bir tahmindir ve kesinliği çalıştırma sayısının karekökü ile artar. N çalıştırmadan tahmin edilen bir p olasılığı için standart hata yaklaşık √(p(1 − p) / N)'dir. %0 veya %100 yakınında basit ±2 standart hata aralığı zayıftır; bu yüzden tablo, %0 ile %100 arasında kalan Wilson aralığını kullanır.

Çalıştırma (N)Eşiği karşılayan çalıştırmalar (p ≈ %97,6)Standart hata%95 aralık
100981,5 yüzde puanı%93,0 ile %99,4 arası
2001951,1 yüzde puanı%94,3 ile %98,9 arası
1,0009760,5 yüzde puanı%96,5 ile %98,4 arası
2,0001,9510,3 yüzde puanı%96,8 ile %98,1 arası
10,0009,7560,15 yüzde puanı%97,2 ile %97,8 arası

Pratik test: karar verdiğiniz sayının güven aralığı artık karar çizgisini kesmediğinde çalışmada yeterli çalıştırma vardır. Aşağıdaki örnekte gereksinim %90 ister; 100 çalıştırma bile %90'ın üstünde kalan bir aralık verir, bu yüzden karar erkenden kesinleşir. Tahmin %88 ile %94 arasında bir aralıkla %91 olsaydı, daha fazla çalıştırma gerekirdi. Ortalamalar çabuk oturur; kuyruklardaki yüzdelikler (P95, P99) ve küçük arıza olasılıkları çok daha fazla çalıştırma gerektirir, çünkü oraya yalnızca birkaç çalıştırma düşer.

Korelasyon ve etkisi

Her girdiyi bağımsız çekmek, uzun bir aşağı bağlantının ardından gelen işleme hakkında hiçbir şey söylemediğini varsayar. Çoğu zaman bu yanlıştır: büyük bir veri hacmi ikisini de yavaşlatır, soğuk bir uzay aracı birkaç ısınma adımını yavaşlatır, ağır bir yapı daha ağır bir mekanizma gerektirir. Ortak bir nedeni paylaşan girdiler korelasyonludur.

Pozitif korelasyon bir toplamın ortalamasını değiştirmez ama yayılımı genişletir: yüksek değerler birbirini götürmek yerine birlikte gelir, düşük değerler de birlikte gelir. Kuyruklar dışarı kayar ve bir taahhüdün dayandığı P90 veya P95 değeri de onlarla birlikte kayar. Bu nedenle gerçek bir pozitif korelasyonu yok saymak riski olduğundan küçük gösterir.

Ele alma yolları:

  • Ortak nedeni açıkça modelleyin: veri hacmini her çalıştırmada bir kez çekin ve iki süreyi de ondan türetin.
  • Korelasyonlu girdileri ortak bir rastgele sayıdan çekin; böylece her çalıştırmada birlikte hareket ederler.
  • En azından çalışmayı bir kez bağımsız, bir kez tam korelasyonlu çalıştırın ve ikisini de raporlayın: gerçek ikisinin arasındadır.

Yaygın hatalar

HataNeden yanıltırBunun yerine
Sahte kesinlikTahmin edilmiş girdi aralıklarından “P(meet) = %97,56” raporlamak, girdilerin sahip olmadığı bir kesinlik izlenimi verirGirdilerin desteklediği düzeye yuvarlayın, güven aralığını verin ve aralıkların nereden geldiğini belirtin
Bağımsız olmayan bağımsız girdilerOrtak nedenler yok sayılır, yayılım çok dar ve kuyruklar çok kısa olurOrtak nedeni modelleyin veya sonucu bir bağımsız ve bir korelasyonlu çalışmayla sınırlayın
Kuyrukları yok saymakYalnızca ortalamayı raporlamak, gereksinimin ne sıklıkla karşılanmadığını gizlerP50 ile P90 veya P95'i ve her eşiği karşılama olasılığını raporlayın
Çarpık nicelikler için simetrik aralıklarEn olası değer etrafındaki normal bir dağılım uzun üst kuyruğu ortadan kaldırırAşımlar eksik kalmalardan büyük olduğunda üçgen veya lognormal bir şekil kullanın
Çok az çalıştırmaÇalışma başka bir tohumla tekrarlandığında karar değişirAralık artık karar çizgisini kesmeyene kadar çalıştırma ekleyin
Tasarımdan farklı bir modelAkışın elektronik tablo kopyası gerçek sıradan, paralel yollarından ve kararlarından saparModelde tutulan akışı simüle edin; böylece bir tasarım değişikliği analize ulaşır

Çözümlü örnek: EO-1 görüntüleme geçişi

EO-1, tarım arazilerini görüntüleyen 6U bir CubeSat'tir; MBSE örnek projesinin kurgusal görevidir. Sistem gereksinimleri spesifikasyonu, analizle doğrulanan bir zamanlama gereksinimi içerir:

6.5 Planning Cycle Time. Görev, hedef listesinin yukarı bağlantısından ürün teslimine kadar her planlama döngüsünü 100 dakika içinde tamamlamalıdır.

6.5'in doğrulama planı şöyledir: görüntüleme geçişinin bir Monte Carlo simülasyonu 100 dakikayı en az %90 olasılıkla karşılar. Measure MOE-7 Planning Cycle Time, 100 dakikalık bir eşik ve 80 dakikalık bir hedefle gereksinimi belirtir.

Operasyonel zaman çizelgesi OPS Run Nominal Imaging Pass eylemidir. Yer istasyonu görüntüleme planını gönderir, uzay aracı planı çözer ve yükler, ardından kamera ısınırken ilk hedefe döner. Her biri yakalanıp sonra kodlanan bir şerit olan dört hedefi görüntüler. Görüş alanında bir yer teması varsa (geçişlerin %75'i) veriyi iletir; yoksa veriyi bir sonraki geçiş için tutar. Son olarak, yer aşağı bağlantıyı alıp görüntü ürünlerini işlerken batarya güneş ışığında şarj olur.

EylemAkıştaki yeriSüreEn olası (dk)Ortalama (dk)
OPS.1 Transmit Imaging PlanBaşlangıçÜçgen, 4 ila 9 dakika, tepe 666.33
OPS.2 Receive Imaging PlanArdındanSabit, 1 dakika11
OPS.3 Load Command ScheduleArdındanSabit, 2 dakika22
OPS.4 Rotate to TargetOPS.5 ile paralelNormal, ortalama 3, standart sapma 0,5 dakika33
OPS.5 Prepare CameraOPS.4 ile paralelSabit, 5 dakika55
OPS.6 Capture Image StripDöngü, 4 hedefNormal, ortalama 40, standart sapma 6 saniyehedef başına 0,67hedef başına 0,67
OPS.7 Encode and Store ImageDöngü, 4 hedefDüzgün, 20 ila 40 saniyehedef başına 0,50hedef başına 0,50
OPS.8 Transmit Image DataTemas görüş alanında (%75)Normal, ortalama 8, standart sapma 1,5 dakika88
OPS.9 Hold Data OnboardTemas yok (%25)Sabit, 1 dakika11
OPS.10 Recharge Battery in SunlightOPS.11 ve OPS.12 ile paralelSabit, 35 dakika3535
OPS.11 Receive DownlinkArdından OPS.12Sabit, 9 dakika99
OPS.12 Process Image ProductsOPS.11'den sonraNormal, ortalama 45, standart sapma 10 dakika4545

Nokta tahminleri

  • En olası değerler, daha olası temas dalı alınarak: 6 + 1 + 2 + max(3, 5) + 4 × (0,67 + 0,50) + 8 + max(35, 9 + 45) = 80,7 dakika. 100 dakikalık eşiğe göre bu, neredeyse 20 dakikalık bir pay gibi görünür.
  • Ortalama değerler, iki dal olasılıklarıyla ağırlıklandırılarak (0,75 × 8 + 0,25 × 1 = 6,25): 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + max(35, 54) = 79,25 dakika.

İki sayı da geçişin rahatça sığdığını söyler. Hiçbiri ne sıklıkla sığmadığını söylemez; gereksinim de tam olarak bunu sorar.

Monte Carlo sonucu

Aynı akışın bir çalışması her çalıştırmada her süreyi ve temas kararını çeker ve paralel yolları yarıştırır. Tablo, Python'da ayrıca hesaplanan bir milyon çalıştırmalık bir denetimi ve aşağıdaki ekran görüntülerinde gösterilen 2.000 çalıştırmalık Holarch çalışmasını verir. Farklı rastgele sayı üreteçleri kullandıkları için örnekleme hatası kadar farklılık gösterirler (2.000 çalıştırma için ortalamada yaklaşık 0,25 dakika, P95'te 0,5 dakika ve bir olasılıkta 0,35 yüzde puanı).

ÇıktıPython, 1.000.000 çalıştırmaHolarch, 2.000 çalıştırma, tohum 2026
Ortalama toplam süre79,35 dakika79,35 dakika
Standart sapma10,35 dakika10,16 dakika
P5 / P50 / P9562,4 / 79,3 / 96,6 dakika62,4 / 79,4 / 96,0 dakika
P9092,8 dakika92,4 dakika
P(toplam ≤ 80 dakika), MOE-7 hedefi52.7%52.4%
P(toplam ≤ 100 dakika), gereksinim 6.597.6%%97,8 (2.000'de 1.955; %95 aralık %97,0 ile %98,3 arası)

Sayıların söyledikleri:

  • Gereksinim karşılanır. Geçişlerin yaklaşık %97,6'sı 100 dakika içinde biter; bu, gereken %90'ın çok üstündedir ve 2.000 çalıştırmadan elde edilen aralık %90'ın geniş bir farkla üstünde kalır.
  • Pay göründüğünden küçüktür. Ortalamadaki pay yaklaşık 20,6 dakikadır, ancak P95 değeri yaklaşık 96,6 dakikadır; bu yüzden %95 güvenle yalnızca yaklaşık 3,4 dakika kalır. Kabaca kırk geçişten biri eşiği kaçırır. Bu çalıştırmaların neredeyse hepsinde OPS.12 Process Image Products bir saatten uzun sürmüştür (ortalaması 45 iken ortalama 67 dakika) ve bunların %95'inde temas dalı 8 dakikalık aşağı bağlantıyı eklemiştir.
  • Hedef yazı turadır. MOE-7'nin 80 dakikalık hedefi neredeyse tam olarak medyandadır: geçişlerin yalnızca yaklaşık yarısında karşılanır. 80,7 dakikalık en olası tahmin bunu tamamen gizler.
  • Birleşme yanlılığı burada küçüktür. 79,35 dakikalık ortalama, ortalama değer tahmininin yalnızca 0,1 dakika üstündedir; çünkü yer zinciri (OPS.11 ve OPS.12, ortalama 54 dakika) çalıştırmaların yalnızca yaklaşık %3'ünde 35 dakikalık şarjdan kısadır. Paralel yolları birbirine daha yakın uzunlukta olan bir akışta bu fark büyür.

Çalışma kaldıracı da gösterir. Yayılımın çoğunu OPS.12 Process Image Products taşır (temas kararından gelen yaklaşık 3 dakika ve diğer her şeyden gelen 1 dakikaya karşı 10 dakikalık bir standart sapma); bu yüzden işleme süresini daraltmak kuyruğu kaydırır, uzay aracı adımlarını hızlandırmak ise pek az şey değiştirir.

Korelasyonlu aynı örnek

Aşağı bağlantı ve işleme, geçişin ne kadar görüntü verisi ürettiğine bağlıdır: daha fazla veri, daha uzun bir iletim ve daha uzun bir işleme anlamına gelir. OPS.8 ve OPS.12'yi her çalıştırmada tek bir ortak rastgele sayıdan çekmek (aynı standart normal z için 8 + 1,5z ve 45 + 10z dakika), böylece uzun bir aşağı bağlantının uzun bir işlemeyle gelmesi, iki dağılımı da olduğu gibi bırakır ve şunu verir:

ÇıktıBağımsız (Python / Holarch)OPS.8 ve OPS.12 korelasyonlu (Python / Holarch)
Ortalama79,35 / 79,35 dakika79,35 / 79,04 dakika
Standart sapma10,35 / 10,16 dakika11,35 / 11,44 dakika
P9596,6 / 96,0 dakika98,5 / 99,0 dakika
P(toplam ≤ 100 dakika)97.6% / 97.8%96.1% / 96.2%

Ortalama değişmez ve yayılım yaklaşık onda bir büyür. P95 değeri yaklaşık iki dakika dışarı kayar; bu, %95 güvendeki payı yaklaşık 3,4 dakikadan yaklaşık 1,5 dakikaya düşürür. Gereksinim %90'da hâlâ karşılanır, ancak geçişlerin %95'inde 100 dakika gibi daha sıkı bir taahhüt artık sınırda kalır. P95'te bir taahhüt için planlamada korelasyonlu durum daha güvenli olandır.

Örneği indirin: Excel çalışma kitabı olarak EO-1 görüntüleme geçişi belirsizlik çalışması (dağılımlarıyla girdiler, yüzdelikler ve P(meet) ile bağımsız ve korelasyonlu sonuçlar ve çalıştırma sayısı tablosu) veya aynı veriler CSV olarak: görüntüleme geçişi girdileri ve dağılımları ve Monte Carlo sonuçları, yüzdelikler ve P(meet). Kendi çalışmanızı raporlamak için şablon olarak kullanın.

Holarch'ta deneyin

Holarch'ta Monte Carlo, modelin eylem akışı üzerinde çalışır: operasyonu tanımlayan aynı Action Diyagramı simüle edilen modeldir. Her Action'ın Süre değeri sabit bir sayı veya birimli bir dağılımdır, örneğin =triang.dist(4, 9, 6) dakika (minimum, maksimum, tepe), =norm.dist(40, 6) saniye veya =uniform.dist(20, 40) saniye. Aralarında beta, lognormal, üstel ve Weibull'un bulunduğu on dağılım kullanılabilir. Ayrıntılar için bkz. Simülasyon.

G/Ç ve kaynaklar gizlenmiş hâlde Action Diyagramı olarak görüntüleme geçişi: döngü dört kez çalışır, OR teması belirler ve son paralel, şarj ile yer işlemesinden daha yavaş olanını bekler.
  1. CubeSat projesini Projeleri yönet → Proje dosyaları ▾ → Yeni demo proje → CubeSat (Rehberli sistem mühendisliği) ile oluşturun. Proje, tablodaki sürelerle OPS Run Nominal Imaging Pass'i, 6.5 gereksinimini ve Measure MOE-7'yi zaten içerir.
  2. Eylemin Action Diyagramını açın ve ▶ Simüle et ▾ → Monte Carlo seçin. Çalıştırmalar değerini 2000, Rastgele tohum değerini 2026 ve Sabit süreleri değiştir değerini Yok olarak ayarlayın (demo varsayılan olarak sabit sürelere ±%10 ekler; buradaki çalışma onları sabit tutar) ve ▶ Monte Carlo çalıştır düğmesine basın.
  3. Dağılım sekmesinde İstatistikler, Süre dağılımı ve Kümülatif olasılık (S eğrisi) bölümlerini okuyun. P(X ≤ 100 min) değerini okumak için S eğrisinin x alanına 100 girin.
Tohum 2026 ile 2.000 çalıştırma için süre dağılımı ve S eğrisi. Okuma, 100 dakika içinde bitme olasılığını verir.
  1. Tüm çalıştırmalarda zamanı hangi eylemlerin aldığını ve hangi dal birleşimlerinin oluştuğunu görmek için Etkenler sekmesini açın.
  2. Gereksinime göre denetle… düğmesine tıklayın ve Measure MOE-7 Planning Cycle Time öğesini seçin. Ölçütü (eşiğinden ve iyileşme yönünden ≤ 100 dakika) ve 6.5 gereksinimini doldurur; gereken %90 olasılığı koruyun. Tablo, güven aralığıyla birlikte P(meet) değerini, payı ve kararı verir. Yaklaşık %52 ile karşılanmayan 80 dakikalık hedefi denetlemek için Kullan seçimini Hedef olarak değiştirin.
Gereksinim denetimi: P(meet) gereken %90'ın çok üstündedir, bu yüzden sonuç Pass olur.
  1. Sonucu kaydet… değişiklikleri önizler: MOE-7'nin Projected Value değeri ortalama olur ve 6.5'i doğrulayan bir Test Case, Passed durumunu ve sonuç metnini alır. Bunları tek bir geri alma adımı olarak uygulayın.

Holarch'ın Süre düzenleyicisi her dağılımı bağımsız çeker. Yukarıdaki korelasyonlu karşılaştırma, her çalıştırmada tek bir ortak değer okuyan betik kancalarıyla yönlendirilen süreler kullandı; Süre düzenleyicisi bunu henüz sunmuyor. Kendi modelinizde korelasyonu sınırlamak için bağımsız çalışmayı araç dışında yapılan tam korelasyonlu bir hesaplamayla karşılaştırın. Geçiş boyunca batarya enerjisi de simüle edilir: Battery Charge kaynağının minimum ve son miktarı, gereksinim denetiminin kabul ettiği Monte Carlo çıktılarıdır. Rezerv ve paylarla kütle ve güç bütçeleri Bütçeler ve TPM'ler içinde tutulur ve aynı düşünce bir ödünleşim çalışmasındaki belirsiz değerler için de geçerlidir: girdi aralıkları içinde tersine dönen bir sıralama henüz bir karar değildir.

Sonra nereye gidilir

  • Simülasyon: Ayrık olay ve Monte Carlo çalıştırmaları, paneller ve gereksinim denetimi.
  • Bütçeler ve TPM'ler: rezervli toplamalar, tahsisler, paylar ve performans ölçüleri.
  • Action Diyagramları: bir simülasyonun okuduğu akış, yapılar, kaynaklar ve betikler.