Vensim 是一款工業(yè)級仿真軟件，用于提高實際系統(tǒng)的性能。Vensim 豐富的功能集強調模型質量、數據連接、靈活的分發(fā)和先進的算法。適合從學生到專業(yè)人士的所有人的配置。
● 高品質、尺寸一致性和 Reality Checks?
● 連接數據和復雜的校準方法
● SyntheSim 中的連續(xù)模擬即時輸出
● 靈活的模型發(fā)布
● 模型分析，包括優(yōu)化和蒙特卡羅模擬
● 因果追蹤?
● 訂閱
● 優(yōu)化
● 資源分配算法
因果追蹤?
訂閱
優(yōu)化
按優(yōu)先級分配
在構建模型和分析現(xiàn)有模型的過程中，發(fā)現(xiàn)哪些事物導致其他事物發(fā)生變化非常有用。從一個方向看，您可以發(fā)現(xiàn)哪些變量導致特定變量發(fā)生變化。從另一個方向看，您可以發(fā)現(xiàn)特定變量更改（或使用）了哪些變量。所研究的變量稱為“工作臺變量”。
模型行為可能很難快速分析，尤其是在嘗試準確發(fā)現(xiàn)哪些變量和反饋循環(huán)正在對特定變量貢獻某些行為組成部分時。考慮下面的模型。該模型包含許多相互作用的反饋循環(huán)，這些循環(huán)會產生變量 Backlog 的振蕩行為。為什么 Backlog 會出現(xiàn)波動？
通常，一個模型結構需要一遍又一遍地重復。例如，零售店可能會在許多不同的地區(qū)復制，或者工廠的生產過程可能會重復多次。重復結構的一種方法是創(chuàng)建和調試一個結構，然后根據需要多次復制該結構。然而，這可能會導致復雜的圖表以及恒定值和結構數量的硬連線。重復結構的更好方法是使用下標。創(chuàng)建下標并將其添加到一個原始結構中，從而創(chuàng)建與下標元素一樣多的結構。現(xiàn)在可以輕松更改結構的數量和所有結構的數值。圖表也更加整潔。
零售店（例如鞋類零售商）可能在三個地點設有商店。可以為一家商店構建一個模型，其中包含員工、庫存、銷售等結構。模型正確模擬后，就會創(chuàng)建一個名為“位置”的下標，其中下標元素為波士頓、紐約和舊金山。將下標 Location 添加到 one store 結構中，修改常量以反映每個位置的值，現(xiàn)在 one 模型包含三個結構。
在包含勞動力的公司中，下標 [worktype] 可能代表公司中工人的類型，下標 [location] 可能代表辦公室或工廠的物理位置。所以等式
下標可以允許構建代表同一物理過程的許多不同部分的單一庫存。例如，人口老齡化鏈由多個股票構成，其中人們老化并進入下一個股票，如下所示：
下標有幾個專門用于操作方程的特殊函數。SUM 函數對標有感嘆號 (!) 的下標的所有值求和。其他函數包括乘積、最大值和最小值。
模型完整性的驗證部分取決于將模型行為與“現(xiàn)實世界”中收集的時間序列數據進行比較。當模型結構完整并且模擬正確時，可以繼續(xù)模型校準以使模型適合該觀察到的數據。動態(tài)模型通常對常數參數的值非常敏感。如果您想要校準參數以使模型行為與觀察到的數據相匹配，您可能需要嘗試數千種不同參數值的組合。Vensim 校準使此過程自動化。您指定要擬合的數據系列以及要調整的參數，然后 Vensim 會自動調整參數以獲得模型行為和數據之間的最佳匹配。要調整的參數數量或要擬合的數據系列的數量沒有限制。
在上個世紀，美國家庭對電力的轉換遵循擴散模式，以低音擴散模型為代表。一旦結構完成并產生所需的行為模式，我們就可以校準模型以適應美國商務部的歷史數據。第一次模擬運行（第一次運行）顯示與歷史數據（歷史）相比增長太早且太快。用戶選擇具有未知或不確定值的參數并選擇歷史數據系列，然后Vensim優(yōu)化引擎搜索最適合數據的參數值，并顯示參數值和最佳模擬運行（校準）。
Vensim 的優(yōu)化引擎可以搜索大量參數值，尋找最佳解決方案。您定義要調整的收益變量。高效的鮑威爾爬山算法搜索參數空間，尋找最大的累積收益。搜索的收益變量或策略參數的數量沒有限制。優(yōu)化模擬可提供高級靈敏度分析。
公司必須管理庫存和銷售供應鏈才能實現(xiàn)公司利潤最大化。庫存太少會導致銷售損失（并降低利潤），但庫存太多會增加庫存成本，也會導致利潤降低。用戶選擇收益變量（在本例中為累積利潤），然后選擇策略參數（開始補貨的最小庫存值和停止補貨的最大庫存值）。Vensim 優(yōu)化引擎搜索給出最佳回報值（最高累積利潤）的策略參數值，并打印出這些值和最佳模擬運行。
在具有不可觀察變量的動態(tài)系統(tǒng)中，希望但不可能始終知道所有變量的狀態(tài)。但是，如果某些變量的值已知，您可以很好地估計其他變量的值。例如，業(yè)務模型可能由勞動力/庫存系統(tǒng)組成。目標是在給定可用測量的情況下確定勞動力、庫存和其他模型變量的時間概況。Vensim 在卡爾曼濾波器處于活動狀態(tài)時對模型進行仿真，并根據模型簡單仿真數據（下圖中的 simple.vdf）和測量庫存數據 (data.vdf) 對輸出做出智能選擇。結果輸出卡爾曼濾波。
有幾種標準的分配建模方法，但每種公式都至少有一個重要缺陷。例如，一種方法是根據簡單的公式為每個供應商分配需求的一小部分“f”：
f i = (a i / sum(a i )) * 需求
在哪里
f i = 供應商 i 贏得的需求比例（換句話說，供應商 i 的市場份額）
a i = 供應商 i 的產品的吸引力（如果價格是產品之間的唯一差異，a i 可能是 1/價格i）sum(a i ) 是所有吸引力的總和。
這個公式有許多理想的特性，但它沒有受到一個限制：一個微小的供應商有可能占領整個市場。例如，假設需求是文字處理軟件的全球總需求。進一步假設只有兩個競爭對手：微軟和 JoeBob's。微軟是世界巨頭；喬鮑勃的兩個十幾歲的兄弟（喬和鮑勃）在父母的廚房里經營。如果喬和鮑勃設法編寫出比微軟更好（更有吸引力）的產品（以前已經做過——記住 Intuit），那么上述公式將立即將大部分市場授予喬鮑勃。
我們可以通過兩種方式解決這個問題。一種方法是在吸引力數字中納入可見度衡量標準。在這種情況下，JoeBob 的產品可能是最好的，但由于缺乏口碑和廣告，其吸引力會很小。但如果他們通過雜志上的評論而迅速獲得宣傳呢？為了正確地做到這一點，我們必須在吸引力中考慮喬鮑勃超負荷的電話等的影響。
正如這個例子所表明的，分配問題比看起來更棘手。
現(xiàn)實分配邏輯的要求
ALLOC P 函數由 William T. Wood 發(fā)明，旨在應對尋找滿足所有所需屬性的算法的挑戰(zhàn)。為了確保真實性和靈活性，有五個所需的屬性：
● 在任何情況下，向接收部門交付的貨物總和必須等于從供應部門交付的數量。
● 所有交付（分配）必須是積極的。
● 任何行業(yè)都不應收到超過其訂單的訂單。
● 在供應充足的情況下，每個部門都應該準確收到其訂購的產品。
● 在短缺的情況下，獨特的低優(yōu)先級部門應該得到很少或根本沒有；如果有一個獨特的高優(yōu)先級行業(yè)且需求量大，那么它幾乎應該獲得一切，將其競爭對手拒之門外。
在市場份額雙重計劃中，同樣的五個要求是：
● 在任何情況下，所有供應商的銷售額之和必須等于總需求。
● 所有銷售額和市場份額必須為正。
● 任何供應商都不能銷售超過其容量的產品。
● 在需求極度過剩的情況下，每個供應商都應該出售其全部產能。
● 在需求有限的情況下，特別缺乏吸引力的供應商應該很少銷售或根本不銷售。如果有一個具有獨特吸引力且產能高的供應商，它應該贏得幾乎整個市場，將其競爭對手拒之門外。
Wood 算法的靈感來自幾何學，因此最好以圖形方式理解它。假設有兩個供應商 A 和 B，產能分別為 10 和 20 個小部件。我們用一個矩形來表示每個供應商的產能，因此該圖類似于條形圖，只不過每個供應商的產能是用 其矩形的面積 而不是高度來表示的。使用面積而不是高度的原因很快就會變得顯而易見。
對于我們的第一個示例，我們從寬度為 2 個吸引力單位的矩形開始。正如我們所說，選擇每個供應商矩形的高度以使矩形的面積等于供應商的容量。供應商 A 的容量為 10，因此其矩形的高度為 10/2，即每個吸引力單位有 5 個分配單位。供應商 B 的容量為 20，因此其高度為 10。每個供應商矩形的中心位于 X 軸上供應商產品的吸引力值處：更具吸引力的供應商（與其供應能力無關）被放置在 X 軸上。正確的。供應商 A 和 B 的吸引力分別為 10 和 6，因此它們的矩形放置在吸引力軸上，如圖 1 所示。
Vensim 使用 ALLOCATION BY PRIORITY 函數通過該算法分配資源。
首先，您創(chuàng)建一個變量（例如 mp）來保存市場優(yōu)先級，然后輸入 MARKETP 函數的參數：
如果變量具有多個下標，則必須使用最后進行分配的下標。例如，假設您按州將市場份額分配給不同的公司。你可能有：
滬公網安備31011502400918