“因为仿真可以预测未来，我开始收到从未来发过来的推文，这把我吓坏了，因为我意识到twitter在很多年后还存在”。-Barry Nelson
大家好！今天和大家分享一篇JOS文献《仿真技术发展的前十年和后十年预测》，考虑文章的篇幅，只做高度概况。读者可以阅读原作获得更为详细的信息。同时和大家分享BarryNelson博士2017年的WSC主题演讲内容。希望对您有启发。谢谢！
《仿真技术发展的前十年和后十年预测》JOS
专家团成员：Russel Cheng,Charles Macal,Barry Nelson,Markus Rabe,ChristineCurrie,John Fowler，Loo Hay Lee
概略：（2016年）仿真学刊（JOS）迎来了10周年庆，该期刊是英国运筹研究学会出版的，该学会是迄今为止世界上最早建立的学术团体，主要服务于运筹学学科，也是世界最大的运筹学团体，它的成员来自于66个国家，有2700名成员。这次专家评论组的成员四名来自于仿真研究领域的领军人物，三名来自于JOS编辑。主要讨论前十年仿真研究领域的最主要成果，以及未来十年在仿真领域存在的主要问题，可能取得哪些方面的成就。
摘录如下：
JOS介绍部分（略）JOS和WSC（美国冬季仿真大会）属于同一级别、聚焦于系统仿真研究的国际团体。
在之前的10年，JOS的关注领域有了扩大，目前，JOS期刊的仿真题材包括新技术，工具，离散事件系统仿真、基于智能主体的仿真、系统动力学仿真的研究方法和应用技术。期刊鼓励发表那些拓展仿真过程的应用宽度和深度的文献，包括建模和分析方法论，也包括在各个行业广泛运用仿真的案例和论文，包括制造行业，服务，国防，医疗和商业。我们尤其对那些‘非主流’，对仿真社区而言是比较有趣和激发思考的话题是比较欢迎的。
为了庆祝JOS十年生日，主办方计划了四个比较重要的活动内容。
活动一：发行前面十年在仿真领域最为重要的10篇论文，由JOS的创始主编，Brunel大学教授Simon Taylor和Loughborough大学的Stewart Robinson教授推荐（您可以在JOS主页上阅读）。
活动二：在2016年的每一期JOS期刊上，邀请一位仿真社区的领导者发表论文。比如，第一篇是西北大学的Barry Nelson教授撰写，第二篇是Argonne国家实验室的Charles Macal博士撰写。第三篇是佐治亚麦逊大学的Chun-Hung Chen教授撰写，第四篇是Dortmund技术学院的Markus Rabe教授撰写。
活动三：在仿真研讨会（SW16）上组织一次专家小组会议。（*Simulation Workshop是每2年由OR Society，INFORMS仿真社团，建模与仿真社团SCS举办的国际性仿真大会）。
活动四：本文中提到的专家小组会议，在美国2016冬季仿真大会举行。
专家们回答的问题如下：
1. 在前面十年，仿真社区最重要的技术进步有哪些？
2. 仿真社区仍旧需要解决的重大问题有哪些？
3. 在未来十年，仿真社区会取得哪些成果？
| 前十年，仿真社区最重要的技术进步有哪些？？ |
|
| Russel Cheng |
l Agent Based（人类行为）； l 多平台的工具（通过英特网交互，大数据连接能力，数据驱动的仿真模型）； l 概念模型（Conceptual Modeling）； l 结合系统动力学的混合建模； l CGI(电脑生成的影像技术)； |
| Charles Macal |
l Agent Based Modeling（ABM）； l ABM模型的标准； |
| Barry Nelson |
l 仿真的分析方法论（AM）:输入分析，仿真实验设计，输出分析等； l 仿真优化技术（*Ranking&Selection，统计学习，优化算法）； l 并行仿真； |
| Markus Rabe |
l Arbeitsgemeinschaft Simulation（ASIM）和VDI指导方针3633.1 (VDI 2014)； l ASIM的数据搜集方法； l 德国汽车制造商协会VDA的Unified Simulation Building Block； l 校对和验证技术的程序（V&V）； |
| 仿真社区仍旧需要解决的重大问题？？ |
|
| Russel Cheng |
l 开发人力资源方面的方法论（可以广泛部署并向组织证明仿真技术是任何运行良好的组织中不可或缺的工具）； |
| Charles Macal |
l ABM中的行为建模，行为经济学，行为运营管理，仿真分析方法，混合建模，大规模的ABM运用技术等）； l Causative agent； |
| Barry Nelson |
l 仿真优化中的随机约束； |
| Markus Rabe |
l 完善VDI指导方针中的V&V部分； l 仿真和优化技术的结合； l 更加简单和专业的仿真工具（速度指标）； l 多种技术的整合解决方案（整合离散事件仿真，连续仿真，非仿真的计算方法），快速获得整合的数据，快速的草案分析； l 仿真对象的标准化和开源社区的贡献是一样的。 |
| 在未来十年，仿真社区会取得哪些成果？？？ |
|
| Russel Cheng |
l parallel programming和GPGPU,支持大规模的实时仿真决策； |
| Charles Macal |
l ABM中行为变化模型； |
| Barry Nelson |
l 仿真分析学科形成（利用仿真生成的数据来决策）； l 并行仿真； l 风险误差分析，预测和控制等决策，而非传统用于设计用途的仿真； |
| Markus Rabe |
l 生产和物流仿真领域的仿真优化技术（simHeuristic，仿真启发算法）； l V&V程序和指导规范； l 快速仿真的工具出现； l 仿真社区和工业客户对加强3D的需求并不突出； |
*Barry Nelson的Ranking &Selection算法已经在Simio软件中得到率先实施(KN算法)，Simio还引入了方案排序选择的最新研究算法（见Simio的GSP大规模选择算法等）。
最近正好在youtube上将BARRY NELSON博士的2017年冬季仿真大会主旨演讲听了一边，内容非常令人兴奋，气势如虹，我也稍微对他的讲话做一些摘录（《WSC2067，我们的机会在哪里？》）：
WSC2067，我们的机会在哪里？
1）1967年第一界仿真大会（使用GPSS）,感谢BOB SEARGENT和其他先驱者们，尤其是Geofery Gordon，GPSS仿真软件的创始人，冬季仿真大会的祖师爷。我们要向GPSS致敬，没有它我们可能今天在开的就不是系统仿真大会了，而是“机器学习大会”了。此处应有掌声！
2）“机器学习”是一只800 TB重量级大猩猩。
3)我相信，50年后，我们还会在一起，因为冬季仿真大会有伟大的组织，出色的话题，伟大的合作方，和巨大的“相关性”。
4）大会有那些大胡子的老人组成的“管理委员会”，他们的目标是把相关方组织起来，一切都维持正轨。每年会有一个会议委员会，他们每年都变化，他们的工作是表现得激进，新潮，创新，试图将会议脱离正轨。他们之间的这种关系维持了冬季仿真大会。
5）会议合作的多样性令人吃惊，并不仅仅是学院合作，也不仅仅是仿真实践者，有四大力量维持会议的开展，分别是：分析方法论团体（数学疯子），仿真应用实践者，软件代码销售商和建模方法论团体（建模疯子）。
6）1976年的仿真大会是在三藩市的“夏之爱”运动之后开展的，实际上，会议的核心举办者本人也是夏之爱运动的嬉皮士（文化基因？）。
7）伟大的“相关性”并不是与生俱来的，随着应用方法论的发展，相关性会变化。所以大家还保持伟大的相关性，很不容易。
8）为什么我们没有非常平稳的技术转移，把我们研究内容和实践相结合？
9）世界变化的速度要比冬季仿真大会变化的更快！
10）在以前，公司里通常把仿真看成是一种小众的技术能力，也许是锦上添花的技术，但绝对不是必不可少的。
11）今天我们可以运行数以千计的CPU，存储和搜索海量的数据，我们更期望获得实时或者是近似实时的决策支持，对于运营而言是完全是基于算法的。
12）数据无处不在，“去搜集数据”其实已经是一个过时的说法，我们要做的是如何更好地利用已有数据。
13）今天，分析能力已经成为企业中一个核心技能，生存必需。
14）我想你们takeaway的信息是：要保持相关，我们必须以更及时的方式、更好地回答困难的问题。所以基调是BETTER,HARDER,TIMELY.
15）所有的模型都是错误的，但是有些模型更为错误。
16）实际问题是：模型要错误到什么地步，以至于它们对决策没有任何用处。
17）我们要回答：我们的模型的错误程度到底如何？传统的想法是采用公共随机数（CRN）,新的方法是“模型风险”，即推断模型的粒度（详细见BARRY论文）。
18）这是我一直讲的仿真框架，仿真=输入+逻辑，剩下的部分属于艺术。
19）系统仿真是机器学习麼？最为不同的差异在哪里？差异在于X，机器学习是基于现有的X，而仿真是关于如果我们改变X，系统会变得怎样？我们需要模拟（尚不存在的）新的X，新的设定下系统的表现。仿真的艺术部分仍旧极其重要，就是x什么样的变化会带来什么样的输入/输出的变化。
20）我们更加关心的并不是那些可以观察到的输入和输出，镶嵌在那些数据中的是模型的控制变量x。我们增值部分就是聚焦在变化所带来影响的仿真模拟上，并完全识别不确定性。
21）因为仿真可以预测未来，我开始收到从未来发过来的推文，这把我吓坏了，因为我意识到twitter在很多年后还存在。
22）第二个挑战是simulation，the GLITTER or the GLUE.很多社会的最为挑战的问题都是巨大的“系统问题的系统”。比如卫生医疗，全球恐怖活动，收入不平等，地球变暖，粮食供应，我们作为仿真学科的人在解决这些难题上是什么角色？一个包罗万象和细节的模型注定会失败，但是一个简单的形式化的模型提供的观点也并不正确。“模型的模型”看上去是需要的。Glitter即一个单独闪耀的模型，还是Glue，即各种技术粘合在一起的解决方案（结合离散事件系统，连续态，智能主体和混合模拟）。值得争论的是，目前看来，系统仿真是限制最小的分析范式。这对于我们来说是好消息，因为我们处于中心地位。
23）冬季仿真大会有一个非常好的Optimization分会，但绝大多数优化问题都是针对“设计”问题进行优化，我们并不擅长政策优化和系统控制（基于状态的优化），即我的系统状态变化了，我要怎么即时反馈以便最优。
24）我们典型的旧思维：建立一个尺度、同一个时间标度的、大而全的仿真模型。我特别建议大家听一下Zigler大牛演讲《Why should we develop simulation models in pairs》。我感觉是讲的多尺度的仿真模型。
25）计算量当然有关系！你不能把所有东西都扔进一个模型，还一定能够计算出结果。我们要知道哪些必须纳入模型。
26）我们占支配地位的建模方法并不能很好的scale-up，不能适应大型，数据驱动的，参数化的、多尺度的仿真，你现在可以观看我是如何割自己喉咙的。
27）DRAG AND DROP TILL YOU DRAG AND DROP:拖放模块并不是解决方案，Python也并不是解决方案。
28）要解决“系统性的系统问题”，我们需要更多的“数据驱动”的输入和结构，通过更多的“关系”构建模型，而不是通过“模型”来建立“关系”，这些关系来自于数据，或者来自企业管理系统，从更多信息源获取“关系”，而不是全靠建模者的智慧。
29）模型必须很容易地被构建，更新和探索。我们建立模型的方法好像是它们从来不会变化。实际上它们一直在变化中，如果模型要有实用价值的话。
30）佐治亚技术学院的XX教授最近在教我“Reference Model”，和分析模型不同，参考模型不参与分析问题，但是它对解决“系统问题的系统”非常有帮助。
31）Symbiotic model（共生模型）：仿真模型和真实系统同时运行。
32）当我们建立大型模型时，我们无须确保每个细节都正确。重要的是要知道我们必须确保正确的部分是哪些，理论可以提供很多这方面的指导。
33）BIG IS BAD, SMALL IS BEAUTIFUL.
34）大数据：我们并不关心数据的数量，更多是关心“协变量(Co-Variates)“的空间交集。如果我要做出精细的条件描述，我需要许多数据观察很多不同的条件，这也正是机器学习在做的事。我们仿真人很多时候，是处于‘没有条件”的一端，比如长时间运行下的绩效状态。对于设计来说是OK的。但是对于“运营”来说是不可饶恕的。运营是关于“动态“，关于某个特定条件下产生的问题会影响到我的绩效，如何解决？我觉得我们如果要让人们认真地对待仿真，那么要对仿真产生的数据认真对待（请参考Susan M. Sanchez 2016冬季仿真大会的DATA FARMING主旨演讲内容）。
35）仿真其中一个目的是：从一个并不存在的系统中，获得详细的、相关的、动态的观察数据，填充到数据库中，挖掘需要的解决方案。即响应大会号召：仿真无时不在无处不在。
36）如果我们不再关注仿真所产生的特定的决策，我们想通过运行仿真后搜集更多也许有帮助的数据，那么我们会想出什么样的实验设计方案？
37）仿真基于“预测的设计”。根据预测的设计，来做各种应对方案的仿真。
38）数据密集的计算是必要的（必须投资的），因为结果对于我们来说是极其重要的。
39）仿真就其本质而言，它的关注点是产生正确的数据（也包括动画在内）。而不是分析一个通用的模型。
40）在很大程度上，系统仿真是新的计算机文化下发展起来的“反元素”，是支持目的是实际研究和不是理论研究的那些领域的新工具；目的是为了研究复杂而不是简单系统。“反元素”好词汇！这很激进，这和我想象的仿真很贴近，我们愿意借用其他学科的任何工具，糅合到我们的工具上，使它有用。我们一直是这样激进的。情况对我们非常有利，“普适计算”,随时可获的数据，科学管理的总体接受度，都对我们有利。
41）我们可以成为那种人提供稳健的、可信的解决方案，全面地抵消风险，成为仿真社区最困难问题的支柱，在没有真实数据前产生数据分析，为实际应用提供理论，为理论提供实践。
42）如果过分关注可视化，并将动画等同于仿真，可能产生的最大问题是在构建大型规模的模型时会出现问题（多尺度仿真的重要性！）。
关于系统仿真的原理，重要性，主流仿真软件原理介绍请参见冬季仿真大会文献《INSIDE DISCRETE-EVENT SIMULATION SOFTWARE ，HOW IT WORKS AND WHY IT MATTERS 》 http://simulation.su/uploads/files/default/2016-schriber-brunner-smith.pdf
作者介绍
周峥先生（1976-），江苏无锡人。长期耕耘复杂系统建模与分析技术研究和推广，持续发表关于系统建模与仿真应用的论文、文章，随感，译文。他于2012年创立了科技咨询公司“无锡迅合信息科技有限公司”，致力于复杂系统建模和基于仿真的计划调度技术的推广和工业项目咨询。最近几年也致力于LOCALSOLVER数学优化求解技术的工业应用探索！