发帖
雷达卡
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！）。关注我们的公众平台MySimio获取最前沿的系统仿真资讯！
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
京公网安备 11010802022788号
