Gordon (1978) define simulação de um sistema como uma técnica de resolver problemas por meio da observação do desempenho no tempo de um modelo deste sistema, o que envolve não apenas a observação do comportamento que emana deste sistema através do tempo como também a observação de inúmeros resultados em um determinado momento temporal (assim seriam considerados diversos pontos de observação do desempenho).
Assim a simulação é uma ferramenta que concebe, projeta e utiliza um modelo para desenvolver experimentos que permitam analisar o sistema real sem a necessidade de alterar a sua rotina e mesmo assim extrair dele informações sobre seu comportamento e propor soluções ou novas abordagens para suas partes.
É possível identificar o atrelamento entre a simulação e o processo de modelagem, sendo que ambos muitas vezes se confundem. Contudo, um modelo é uma representação da realidade que deve ser tão próximo quanto necessário desta para observar um comportamento desejado ou solucionar um problema. Modelos são comuns para analisar sistemas complexos, pois são representações simplificadas de um sistema estudado (ALTIOK; MELAMED, 2007) e se fazem necessários para avaliar o desempenho em condições ordinárias ou extremas sem a intervenção no sistema real, para prever o comportamento de um sistema ainda não existente e avaliar cenários com diferentes configurações e políticas.
94
Para cumprir seu papel como um artifício da reflexão sobre um problema, um modelo deve seguir preceitos (PIDD, 1999) como ser o mais simples possível, ser gradualmente sofisticado (iniciando-se simples), ser limitados e coerentes ao conhecimento do sistema real e aos dados existentes e utilizar analogias e subdivisões para facilitar o entendimento do usuário.
3.1.2.1 TAXONOMIA DE MODELOS
Um modelo assume essencialmente duas formas, ele pode ser físico ou matemático (abstrato). Modelos físicos são as construções de uma simplificação ou objetos em escala que representa fisicamente algo a ser analisado e são exemplos de modelos físicos as maquetes de edificações que os representam em escala e de forma simplificada (modelos estáticos) ou tanques de provas e túneis de vento (modelos dinâmicos) para teste de protótipos de embarcações e aviões, respectivamente. Modelos matemáticos são representações de sistemas por meio de um conjunto de equações que procura representar facetas significativas de um sistema e suas interações (GORDON, 1978). A Figura 2.1 representa esta estrutura básica:
Figura 3.2: Estrutura conceitual de modelos
Fonte: Gordon (1978); Botter (2014)
Considerando primordialmente os modelos matemáticos – que em geral são as principais ferramentas de tomada de decisão em logística – o processo de modelagem segue uma estrutura padrão (HILLIER; LIEBERMAN, 2001):
Modelos
Físicos Matemáticos
Estáticos Dinâmicos Estáticos Dinâmicos
Numéricos Analíticos Numéricos
95
1. Definição do problema e aquisição de dados relevantes;
2. Formulação de modelo matemático que represente o problema;
3. Desenvolvimento de um procedimento computacional que encontre soluções para o problema modelado;
4. Teste e refinamento do modelo conforme necessidade;
5. Preparação do modelo para implementação e uso no sistema real; e 6. Implementação.
Expandindo a taxonomia de modelos de Gordon, para aprofundar o entendimento do amplo espectro de problemas passíveis de análise por simulação, Kelton et al. (2007) discutem que modelos de simulação podem ser estáticos (quando o problema analisado se dá em um único estante no tempo) ou dinâmicos (o problema se altera no tempo); contínuos (a mudança no estado do sistema ocorre continuamente tempo) ou discretos (as alterações ocorrem em intervalos de tempo determinados por eventos que ocorrem no sistema); e determinísticos (sem variáveis aleatórias de entrada) ou estocásticos (incluem variáveis que se comportam conforme uma dada curva estatística).
3.1.2.2 SIMULAÇÃO VS OTIMIZAÇÃO: JUSTIFICATIVA DE USO
Simulação e otimização fazem parte de um amplo grupo de ferramentas visando a medida de desempenho de um modelo, mas que buscam isto utilizando caminhos distintos e repousam sob limitações próprias de cada ferramenta (ALTIOK; MELAMED, 2007).
Modelos de otimização buscam a solução de um problema matemático e a criação de sistemas de equações que consigam determinar o desempenho ótimo de um modelo dado suas restrições o que em geral resulta na formulação de um algoritmo ou heurística que permite encontrar a solução ótima ou a melhor possível (no caso de heurísticas) para diferentes combinações de restrições de um determinado sistema. Por buscar a solução ótima, ele é preferível sempre que possível e é utilizado constantemente na análise de problemas logísticos, contudo, quando estes são combinatórios de grande
96
porte ou cuja estrutura resulta em comportamentos não claramente definidos (e.g. sistemas não lineares), são de difícil análise por otimização (WINSTON, 2003; ALTIOK; MELAMED, 2007).
Por considerar que o problema tem uma solução ótima, um modelo de otimização subentende que as relações e limitações do problema são claras o suficiente para a formulação de suas variáveis de decisão (que serão alteradas) buscando o resultado desejado (função objetivo) e respeitando as restrições do problema que forma as relações entre as variáveis.
Cunha (2012) define que são limitações de modelos de otimização a especificação do objetivo do modelo, pois quando o problema busca vários objetivos (e.g. minimizar custos e maximizar o atendimento ao cliente), as ferramentas de otimização são desafiadas. Outra dificuldade é o manejo de problemas cuja relação entre as variáveis não é linear, assim como não considera problemas dinâmicos no tempo ou que incluem ciclos de realimentação em sua estrutura.
A simulação por outro lado busca executar um modelo desenhado para representar o sistema e replicar esta execução de forma criar uma série de resultados do seu comportamento cuja análise é possível por meio da interpretação quantitativa (e.g. estatística) ou qualitativa de seus dados. Sua estrutura permite ao modelador analisar o impacto de mudanças no sistema em um número restrito de variáveis, mas com representação mais precisa do sistema analisado.
Harrington et al. (1992) sugerem uma análise simples do problema (a decisão a ser tomada) para definir qual o tipo de ferramenta que melhor se encaixa em seu problema:
97
Figura 3.2 Seleção de Ferramenta/Metodologia
Fonte: Harrington et al. (1992)