redução de modelos de simulação de eventos discretos na sua ...

soluções precisas, se o sistema a ser modelado for extremamente complexo, as soluções
podem se tornar complicadas e, em muitos casos, têm de ser utilizadas hipóteses
simplificadoras para que se resolva o modelo analiticamente. Isto pode levar à perda da
validade do modelo, visto que o mesmo não conseguiu representar, satisfatoriamente, a
realidade.
Os modelos de simulação, por sua vez, são implementados através do auxílio de
um computador. Assim, como um modelo analítico pode ser representado por um
conjunto de equações, um modelo de simulação pode ser representado através de uma
linguagem de programação. Para tal, ao contrário dos modelos analíticos, os modelos de
simulação são executados, ao invés de solucionados. As desvantagens dos modelos de
simulação são: podem ser difíceis de se construir e podem levar a resultados menos
precisos do que os modelos analíticos. Em contrapartida, são modelos excelentes para
representar sistemas que possuem um número muito grande de variáveis e com dinâmica
muito complexa (caso em que a aplicação de modelos analíticos possui restrições).
Um modelo de simulação é construído a partir dos objetivos da simulação
(também denominados de requisitos de simulação). Estes podem ser traduzidos pelas
medidas de desempenho do sistema, que são as variáveis de saída de interesse de um
modelo de simulação. Deste modo, considerando um exemplo de um modelo de
simulação de uma linha de montagem, este pode ter como objetivo a produtividade e a
utilização da mão-de-obra. Portanto, as medidas de desempenho são a produção horária
que sai da linha e as taxas de utilização de cada recurso humano na mesma.
A simulação computacional pode ser classificada basicamente em três categorias:
simulação monte carlo, simulação contínua e simulação de eventos discretos, de
acordo com a taxonomia proposta por NANCE [93]. A simulação monte carlo é aquela
onde um problema, notadamente não probabilístico, é solucionado através de um processo
4