5.3 SimEvents离散事件仿真

5.3 SimEvents离散事件仿真

本节摘要：测试线上的电机是"一个个通过工位"的实体，不是连续变化的曲线——这类问题没有微分方程，时钟直接从事件跳到事件。SimEvents 用实体、队列、服务器、调度四类积木表达这种世界。本节用一条电机下线测试线做完整案例：建模、找瓶颈、评估两个改善方案。读完本节，你会认出自己工作里哪些问题属于事件流，以及何时该从连续仿真切到事件仿真。

换一个世界：没有时间步的仿真

前面四章的仿真里，时间像流水一样连续推进，求解器守着每一个时刻。测试线的世界不是这样：电机 9 点 00 分上料、9 点 17 分进入空载测试、9 点 31 分离开——有意义的只是事件时刻，两个事件之间什么都没发生。硬用连续仿真表达这种世界，就像用微积分记一笔一笔的账：能算，但完全拧巴。

SimEvents 的时间观是跳到下一个事件：时钟停在事件 A，处理完，直接跳到下一个事件时刻 B。仿真的核心对象是实体（Entity，电机下线测试里就是一台台电机）与处理它们的设施：队列排队等候、服务器占用一段服务时间、调度与路由决定谁先谁后去哪里。产出的指标天然就是管理语言：各队列长度、各工位利用率、实体逗留时间、吞吐量。

案例全程：下线测试线的节拍诊断

测试线四道工序：上线检查（均值 2 分钟）、空载测试（均值 8 分钟，方差大）、带载测试（均值 10 分钟）、下线打包（均值 3 分钟）。电机按 12 分钟一台上料。管理层的抱怨是"产线说不清哪里慢"。用 SimEvents 搭线：实体生成器按 12 分钟节拍发料，四个单服务器串联，每个服务器前带队列，仿真一个班次八小时，重复跑二十次取统计。

结果会说话：上线、带载、下线的队列几乎恒空，空载测试前的队列长度在班次中段稳定攀升，逗留时间的直方图出现长尾。瓶颈清晰指向空载测试——它的服务时间均值 8 分钟看似低于 12 分钟的节拍，但方差大，偶尔一次 25 分钟的长测试就让后续电机堆积，而堆积消化得很慢。这是离散事件世界的经典陷阱：看均值够用，看方差要命。

% 测试线模型的批量实验脚本
load_system('test_line_se');
scenarios = struct( ...
  'name',  {'现状', '方案一 双工位', '方案二 缩短并预筛'}, ...
  'n_servers', {[1 1 1 1], [1 2 1 1], [1 1 1 1]}, ...
  'mean_fat',  {[8 10],   [8 10],     [5 10]});
for k = 1:numel(scenarios)
  apply_scenario('test_line_se', scenarios(k));   % 按场景改服务器数与均值
  stats(k) = sim('test_line_se', 'StopTime', 8*3600);
  fprintf('%s：平均逗留 %.1f 分钟，吞吐 %.2f 台每分钟\n', ...
    scenarios(k).name, stats(k).avg_dwell/60, stats(k).throughput);
end
% 重复 20 次取置信区间：离散事件结果有随机性，单次运行不算数
​

图：测试线瓶颈诊断与方案对比

两个改善方案的量化

方案一给空载测试加一个并行服务器（双工位）。仿真结果：队列长尾消失，平均逗留时间下降约四成，吞吐小涨。方案二不改工位，改为在上线检查里加一道快速预筛，把空载测试的均值从 8 分钟压到 5 分钟。结果：堆积概率大幅下降，吞吐提升约一成半。两案对比还带来一个管理洞见：方案一提升的是"堆积后的消化能力"，方案二削减的是"堆积的发生概率"——预筛几乎总比加工位便宜，这是排队论的日常智慧。

实验方法上有一条铁律不同于连续仿真：离散事件模型含随机源，单次运行的结果是抽样不是结论。每个场景至少重复二十次，报均值加置信区间；重复次数不够就下结论，与连续仿真里不做收敛检查同罪。

什么时候切换到事件仿真

判断标准一句话：研究对象是"流动的个体"还是"连续演化的量"。个体流动（产线、物流、维修站、网络包）用事件仿真；量连续演化（转速、温度、电压）用框图。两者也有交集：测试台上单台电机的测试过程本身是连续的，但"一台接一台"的组织层面是事件流——SimEvents 支持在实体服务过程中嵌入 Simulink 模型，事件层调度、连续层执行，两层各用各的时钟。这种嵌套用在"产线节拍受单站物理过程影响"的场合，比如带载测试时长本身取决于电机瞬态响应的统计分布。

⚠️ 常见坑：把实体属性当信号用。实体属性是"跟着个体走的行李"，不是随时可读的状态量；想在连续层读"当前队列长度"，要用队列的统计端口而不是翻实体属性。

常见问题

问：服务时间与到达间隔的分布怎么定？随便设个均值行吗？

分布形状与均值同等重要。定分布前先问数据：有实测记录就拟合经验分布；只有均值与方差就选个形状合理的理论分布（服务时间常用对数正态，到达间隔常用指数或爱尔兰）；完全没数据，至少做敏感性分析——均值加减两成各跑一轮，结论方向不变才敢用。本节的空载测试案例已经演示了"形状比均值致命"：均值一样的两个分布，方差大的那个能把产线拖垮。随便设均值等于把诊断结论建立在沙子上。

问：仿出来的指标怎么向管理层报告才有说服力？

三个要素缺一不可：点估计（平均逗留多少分钟）、区间（置信区间宽度，说明结论的稳定性）、对比基准（相对现状改善几成，而不是绝对值单打独斗）。再加一张逗留时间直方图——管理层对"长尾"的直觉理解远好于对均值的理解。所有数字标注重复次数与置信水平，让"这是统计结论不是精确预言"写在明面上。

本节要点回顾

• 时间观切换：事件世界时钟直接跳变，实体、队列、服务器、调度是四类基本积木；
• 均值够用、方差要命：瓶颈常藏在服务时间方差里，逗留长尾是它的指纹；
• 两案对比的洞见：加工位治堆积之后，预筛治堆积之前，后者通常更便宜；
• 重复二十次：随机模型必须报置信区间，单次运行不是结论；
• 切换判据：研究对象是流动个体还是连续演化量，嵌套模型处理两层并存；
• 实体属性不是信号：队列长度读统计端口，别翻行李。

三种范式扩展到此集齐。模型能表达的多了，管好它们的需求也来了——第 6 章转向数据与脚本。