شبيه‌سازي فازي در شرايط عدم‌اطمينان

Fuzzy Simulation in Uncertain Circumstances

اين نوشتار، تركيب نظريه مجموعه‌‌هاي فازي با شبيه‌سازي گسسته ‌ـ پيشامد را مطرح كرده و آن را براي مدل‎سازيِ مدت‌زمان نامطمينِ فعاليت در شبيه‌سازي يك سيستم واقعي، به‌كار مي‌گيرد. هدف اين مقاله، ارزيابي سودمندي شبيه‌سازي فازي براي مدل‎سازيِ مدت‌زمان نامطمين فعاليت است؛ به‌ويژه زماني‌كه داده نمونه‌اي موجود نبوده يا داده‌هاي موجود كافي نباشند. در اين پژوهش، براي توصيف مدت‌زمان‌ نامطمين فعاليت‌ها از اعداد فازي استفاده شده كه بيانگر ابهام، عدم دقت و ذهنيت‌گرايي در تخمين آنهاست. ابتدا يك مدل شبيه‌سازي برمبناي رويكرد كلاسيك (مبتني بر توابع توزيع احتمال) طراحي شده و سپس با استفاده از مدت‌زمان‌هاي تخميني خبرگان، به‌صورت مدل فازي درمي‌آيد. چند مدل شبيه‌سازي نيز برمبناي تعدادي از توابع توزيع احتمال رايج، طراحي شده و نتايج آنها با نتيجه مدل شبيه‌سازي فازي مقايسه مي‌شود. نتايج نشان مي‌دهد كه اول خروجي‌هاي شبيه‌سازي فازي، تنها با يك مرتبه اجراي شبيه‌سازي گسسته ـ پيشامد فازي قابل حصول است و دوم اينكه بازه خروجي‌هاي شبيه‌سازي فازي، نتايج حاصل از چندين مرتبه اجراي مدل‌هاي مبتني بر توابع توزيع احتمال را در بردارد. بنابراين، شبيه‌سازي فازي، رويكرد پذيرفتني براي نمايش سيستم واقعي به‌شمار مي‌آيد؛ به‌ويژه در شرايط عدم‌اطمينان كه داده نمونه‌اي وجود نداشته يا داده‌هاي موجود ناكافي و غيرقابل اتكا هستند.

This article proposes composition of fuzzy sets theory with discrete-event simulation and puts it into application in order to model uncertain activity duration in simulating a real-world system. The purpose of this paper is to assess the usefulness of fuzzy simulation for modeling uncertain activity duration, especially when insufficient or no sample data is available. In this research, fuzzy numbers are used to describe uncertain activity durations which is reflecting vagueness, imprecision and subjectivity in the estimation of them. Initially, a simulation model is designed on the basis of classic (probability distribution-based) approach and then by using activity durations estimated by experts, this model is changed to a fuzzy one. Based on a number of common probability distributions, Some simulation models are designed and their results are compared with those of fuzzy simulation model. The results indicates that, firstly, fuzzy simulation outputs are achieved through only one cycle of fuzzy discrete-event simulation and secondly, the range of fuzzy simulation outputs entails the results of multiple cycles of probability distribution-based simulation experiments. Therefore, the fuzzy simulation is an acceptable approach to present the real system; especially in uncertain circumstances that no sample data is available or there is some insufficient or unreliable data.