SimPy 简化了复杂模型

核心提示： 三人不欢：一些结果（以及它们意味着什么）当我最初考虑食品杂货店模型时，我认为模拟可以解答几个直接问题，SimPy 简化了复杂模型(7)，例如，我想象店主可能会选择购买改进的扫描仪（减少 ITEMTIME ），最不幸的顾客（在这些特定的运行期间）的等待时间从 6 分钟增加到了 21 分钟，如

三人不欢：一些结果（以及它们意味着什么）

当我最初考虑食品杂货店模型时，我认为模拟可以解答几个直接问题。例如，我想象店主可能会选择购买改进的扫描仪（减少 ITEMTIME ），或者选择雇佣更多职员（增加 AISLES ）。我想只要在每个方案下运行这个模拟（假设雇员和技术成本给定的情况下），并确定上面两种选择哪种更能减少成本。

只有运行了模拟后，我才意识到可能会出现比预料的更有趣的事情。查看收集的所有数据，我意识到我不知道要尝试优化的是什么。 什么。例如，减少 平均付款时间和减少 最差情况的时间，哪个更重要？哪些方面会提高总体顾客满意度？另外，如何比较顾客在付款之前所用的等待时间以及扫描所购商品所花的时间？以我个人的经验，我会在等待的队列中感到不耐烦，但在扫描我的商品时，我不会感到很麻烦（即使这会花一些时间）。

当然，我没有经营食品杂货店，所以我不知道所有这些问题的答案。但这个模拟确实让我准确地决定什么是折衷方案；而且它很简单，足以稍作调整就可适用于许多行为（包括那些还未显式地参数化的行为 — 例如，“一整天中顾客 真的会一直不断地来吗？”）。

我只要演示最后一个示例，就可以说明该模型的价值。我在上面曾写道复杂系统的行为难以概念化。我认为这里的示例可以证明这一事实。在可用的通道从 6 条减少到 5 条（其它参数不变）时，您认为会出现什么情况？最初我想会 稍微增加最糟糕情况下的付款时间。而事实并非如此：

清单 7. 通道数变化前后运行的两个样本

% python Market.py
Waiting time average: 0.5 (std dev 0.9, maximum 4.5)
Waiting time average: 0.3 (std dev 0.6, maximum 3.7)
Waiting time average: 0.4 (std dev 0.8, maximum 5.6)
Waiting time average: 0.4 (std dev 0.8, maximum 5.2)
Waiting time average: 0.4 (std dev 0.8, maximum 5.8)
Waiting time average: 0.3 (std dev 0.6, maximum 5.2)
Waiting time average: 0.5 (std dev 1.1, maximum 5.2)
Waiting time average: 0.5 (std dev 1.0, maximum 5.4)
AISLES: 6　 ITEM TIME: 0.1
% python Market.py
Waiting time average: 2.1 (std dev 2.3, maximum 9.5)
Waiting time average: 1.8 (std dev 2.3, maximum 10.9)
Waiting time average: 1.3 (std dev 1.7, maximum 7.3)
Waiting time average: 1.7 (std dev 2.1, maximum 9.5)
Waiting time average: 4.2 (std dev 5.6, maximum 21.3)
Waiting time average: 1.6 (std dev 2.6, maximum 12.0)
Waiting time average: 1.3 (std dev 1.6, maximum 7.5)
Waiting time average: 1.5 (std dev 2.1, maximum 11.2)
AISLES: 5　 ITEM TIME: 0.1

减少一条付款通道不是使平均等待时间增加 1/5 或类似的情况，而是使它增加了大约 4 倍。而且，最不幸的顾客（在这些特定的运行期间）的等待时间从 6 分钟增加到了 21 分钟。如果我是经理，我认为了解这个极限情况对顾客满意度而言是极其重要的。谁会早已知道这一点呢？