کارگاه آموزش مقدماتی شبیه سازی با انی‌لاجیک در دانشکده مدیریت دانشگاه تهران برگزار می‌شود
زمان برگزاری این دوره در روزهای ۴ و ۱۱ اسفند ماه ۱۴۰۱ به مدت ۱۲ ساعت می‌باشد
لینک ثبت نام شرکت در دوره:
https://evnd.co/xjybB
در صورت داشتن سوال به آیدی زیر پیام دهید
@smrayazi

@UT_Simulation_Lab

لیست شرکت های مشتری استفاده کننده از نرم افزار Anylogic
@UT_Simulation_Lab

آزمایشگاه شبیه‌سازی دانشکده مدیریت دانشگاه تهران برگزار می کند.
وبینار آموزشی شبیه‌سازی و نرم افزار انی‌لاجیک در روز ۲۶ بهمن ماه ساعت ۱۰:۳۰ تا ۱۲:۳۰  برگزار می‌شود. شرکت در این دوره رایگان می باشد.
لینک ثبت نام شرکت در این دوره
https://evnd.co/acWZv
@UT_Simulation_Lab

هم‌اکنون وبینار آغاز شد.

کارگاه آموزش مقدماتی شبیه سازی با انی‌لاجیک در دانشکده مدیریت دانشگاه تهران برگزار می‌شود
زمان برگزاری این دوره در روزهای ۴ و ۱۱ اسفند ماه ۱۴۰۱ به مدت ۱۲ ساعت می‌باشد
لینک ثبت نام شرکت در دوره:
https://evnd.co/xjybB
در صورت داشتن سوال به آیدی زیر پیام دهید
@smrayazi

@UT_Simulation_Lab

برای استفاده از نرم افزار سه فرمت وجود داره که نسخه personal learning edition رایگان است که از سایت اصلی Anylogic  قابل دانلود هست
https://www.anylogic.com/downloads/
در مورد فرمت دوم که مربوط به اکانت های دانشگاهی و محققین هست که باید توسط دانشگاه ها خریداری بشه
فرمت سوم هم که فرمت مخصوص کمپانی ها است که امکانات بیشتری از دو نسخه قبلی داره که توسط شرکت ها خریداری می‌شود
خوشبختانه برای فرمت سوم کرک نرم افزار در ایران موجوده و از سایت های ایرانی قابل دانلود است

شبیه سازی ترکیبی در نرم افزار انی‌لاجیک

@UT_Simulation_Lab

تاریخچه شبیه‌سازی کامپیوتری به جنگ جهانی دوم برمی‌گردد، زمانی که دو ریاضیدان جان فون نویمان و استانیسلاو اولام با مشکل گیج‌کننده رفتار نوترون‌ها مواجه شدند. آزمایش ضربه و آزمایش بسیار پرهزینه بود و مشکل برای تجزیه‌وتحلیل بسیار پیچیده بود. ازاین‌رو، تکنیک چرخ رولت توسط ریاضیدانان پیشنهاد شد. داده‌های اساسی در مورد وقوع رویدادهای مختلف شناخته‌شده بودند که در آن‌ها احتمالات رویدادهای جداگانه در تجزیه‌وتحلیل گام‌به‌گام ادغام شدند تا نتیجه کل توالی رویدادها را پیش‌بینی کنند. با موفقیت چشمگیر تکنیک‌های مسئله نوترون، به‌زودی محبوب شد و کاربردهای زیادی در تجارت و صنعت پیدا کرد.
https://uh.edu/~lcr3600/simulation/historical.html

@UT_Simulation_Lab

فهرست علومی که به‌طور گسترده از شبیه‌سازی کامپیوتری استفاده می‌کنند، شامل اخترفیزیک، فیزیک ذرات، علم مواد، مهندسی، مکانیک سیالات، علم آب‌وهوا، زیست‌شناسی تکاملی، بوم‌شناسی، اقتصاد، مدیریت، نظریه تصمیم‌گیری، پزشکی، جامعه‌شناسی، اپیدمیولوژی و بسیاری دیگر است.
https://plato.stanford.edu/entries/simulations-science/#WhaComSim

@UT_Simulation_Lab

شبیه‌سازی مونت‌کارلو که به روش مونت‌کارلو یا شبیه‌سازی احتمال چندگانه نیز معروف است، یک تکنیک ریاضی است که برای تخمین نتایج احتمالی یک رویداد نامشخص استفاده می‌شود. این روش توسط جان فون نویمان و استانیسلاو اولام برای بهبود تصمیم‌گیری در شرایط نامشخص ابداع شد. این نام از کازینویی معروف در موناکو گرفته شد، زیرا عنصر شانس هسته اصلی رویکرد مدل‌سازی شبیه به بازی رولت است. از زمان معرفی، شبیه‌سازی مونت‌کارلو تأثیر ریسک را در بسیاری از سناریوهای واقعی، مانند هوش مصنوعی، قیمت سهام، پیش‌بینی فروش، مدیریت پروژه و قیمت‌گذاری ارزیابی کرده است.
برخلاف مدل پیش‌بینی معمولی، شبیه‌سازی مونت‌کارلو مجموعه‌ای از نتایج را بر اساس محدوده تخمینی مقادیر در مقابل مجموعه‌ای از مقادیر ورودی ثابت پیش‌بینی می‌کند؛ به‌عبارت‌دیگر، این روش با استفاده از یک توزیع احتمال، مانند توزیع یکنواخت یا نرمال، برای هر متغیری که دارای عدم قطعیت ذاتی است، مدلی از نتایج ممکن می‌سازد. سپس، نتایج را بارها با استفاده از مجموعه متفاوتی از اعداد تصادفی بین مقادیر حداقل و حداکثر، دوباره محاسبه می‌کند.
https://www.ibm.com/topics/monte-carlo-simulation

شبیه‌سازی مونت‌کارلو نیز به دلیل دقت آن‌ها برای پیش‌بینی‌های بلندمدت استفاده می‌شود. با افزایش تعداد ورودی‌ها، تعداد پیش‌بینی‌ها نیز افزایش می‌یابد و به شما این امکان را می‌دهد که نتایج را به‌موقع با دقت بیشتری پیش‌بینی کنید. هنگامی‌که یک شبیه‌سازی مونت‌کارلو کامل می‌شود، طیفی از نتایج ممکن را با احتمال وقوع هر نتیجه به دست می‌دهد. یک مثال ساده از شبیه‌سازی مونت‌کارلو، محاسبه احتمال انداختن دو تاس استاندارد است. 36 ترکیب تاس ریخته شده وجود دارد. بر این اساس، شما می‌توانید به‌صورت دستی احتمال یک نتیجه خاص را محاسبه کنید. با استفاده از شبیه‌سازی مونت‌کارلو، می‌توانید تاس انداختن را 10000 بار (یا بیشتر) شبیه‌سازی کنید تا به پیش‌بینی‌های دقیق‌تری برسید.
@UT_Simulation_Lab

پویایی سیستم در MIT در دهه 1950 متولد شد و توسط پروفسور بازنشسته Jay W. Forrester توسعه یافت. این روش شبیه‌سازی به ما کمک می‌کند تا تغییرات را درک، طراحی و مدیریت کنیم. پویایی سیستم با استفاده از داده‌ها و فناوری، روابط بین تمام بخش‌های یک سیستم و اینکه چگونه این روابط بر رفتار سیستم در طول زمان تأثیر می‌گذارد، مدل می‌کند.
پویایی سیستم در سراسر جهان تدریس می‌شود و توسط شرکت‌ها، سازمان‌های غیرانتفاعی، مدارس و دولت‌ها برای مدیریت چالش‌های پیچیده در حوزه‌هایی مانند تغییرات سازمانی، تغییرات آب و هوایی، فیزیولوژی، استراتژی، بهبود فرآیند، پایداری محیطی و اجتماعی، سیاست‌های تغییرات آب و هوایی، سوخت جایگزین وسایل نقلیه، سلامت عمومی جهانی و سیاست‌های مالی استفاده می‌شود.
https://mitsloan.mit.edu/faculty/academic-groups/system-dynamics/about-us

@UT_Simulation_Lab

کیث داگلاس توچر ابتدا رویدادهای گسسته را به‌عنوان انتزاع مناسب برای مشخص کردن مدل‌های زیربنایی تکنیک‌هایی که او و دیگران در اواسط دهه 1950 اتخاذ می‌کردند، درک کرد. به گفته Hollocks، ایده اصلی Tocher سیستمی متشکل از اجزای منفرد یا «ماشین‌ها» بود که باگذشت زمان از طریق «حالت‌هایی» که فقط در «پیشامدهای» گسسته تغییر می‌کنند، پیش می‌رود. تاریخچه شبیه‌سازی رویداد گسسته (اکنون با استفاده از خصوصیات Tocher) با نمونه‌برداری مونت‌کارلو و شناسایی محدودیت‌های تحلیل صف تحلیلی آغاز شد.
این روش برای اولین بار در زمینه‌ی تحقیقات عملیاتی برای شبیه‌سازی سیستم‌های صف مورداستفاده قرار گرفت. از آن زمان تاکنون درزمینه‌های مختلف مانند تولید، مدیریت زنجیره تأمین، فرآیندهای تجاری، شبکه‌های کامپیوتری و عملیات نظامی مورداستفاده قرارگرفته است.

https://link.springer.com/book/10.1007/978-3-031-11085-6

@UT_Simulation_Lab

شبیه‌سازی پیشامد گسسته عملکرد یک سیستم را به عنوان یک توالی (گسسته) از پیشامدها در زمان مدل می‌کند. هر پیشامد در یک لحظه خاص در زمان رخ می دهد و تغییر حالت را در سیستم نشان می دهد. بسته به ماهیت فرآیند هدف، شبیه‌سازی پیشامد گسسته می تواند قطعی یا تصادفی باشد. شبیه‌سازی پیشامد گسسته به این صورت کار می‌کند که فرآیند موردنظر را به‌صورت گسسته مدل‌سازی کرده و سپس با استفاده از نرم‌افزارهای مختلف، شبیه‌سازی را انجام می‌دهد. در این روش، زمان به‌صورت گسسته مدل‌سازی شده و در هر گام، فرآیند بررسی می‌شود. با توجه به نتایج به‌دست‌آمده، می‌توان تغییرات لازم را در فرآیند اعمال کرد و بهینه‌سازی کرد.
@UT_Simulation_Lab

صفحه ی آزمایشگاه شبیه سازی در آپارات راه اندازی شد😃
https://www.aparat.com/v/pqwP0
@UT_Simulation_Lab

مدل‌سازی عامل بنیان یک رویکرد مدل‌سازی محاسباتی است که نهادهای فردی به نام عامل‌ها را به‌عنوان تصمیم‌گیرندگان مستقل نشان می‌دهد. این عوامل با یکدیگر و با محیط خود در تعامل هستند و تعامل آن‌ها باعث ایجاد رفتارهای نوظهور می‌شود. تاریخچه مدل‌سازی عامل بنیان را می‌توان به اوایل دهه 1950 ردیابی کرد، زمانی که جان فون نویمان و استانیسلاو اولام اولین اتوماتای سلولی را توسعه دادند. در دهه 1970، مدل‌سازی عامل بنیان در علوم اجتماعی برای مدل‌سازی پدیده‌هایی مانند جریان ترافیک، بازارهای اقتصادی و شبکه‌های اجتماعی مورداستفاده قرار گرفت. یکی از اولین و تأثیرگذارترین مدل‌سازی مبتنی بر عامل‌ها مدل تفکیک شلینگ بود که در سال 1971 توسط توماس شلینگ توسعه یافت. در دهه‌های 1980 و 1990، مدل‌سازی عامل بنیان به‌طور فزاینده‌ای در علوم اجتماعی محبوب شد. در دهه 2000، مدل‌سازی عامل بنیان شروع به استفاده در زمینه‌های دیگر، مانند زیست‌شناسی، اکولوژی و مهندسی کرد. امروزه مدل‌سازی عامل بنیان ابزاری پرکاربرد برای مدل‌سازی سیستم‌های پیچیده است.
https://link.springer.com/book/10.1057/9781137453648

@UT_Simulation_Lab

مکال و نورتون مدل‌سازی و شبیه‌سازی عامل بنیان را به‌عنوان ریشه در بررسی سیستم‌های پیچیده (والدراپ، 1993؛ فلیک، 2000)، سیستم‌های انطباقی پیچیده (هلند، 1992؛ لنسینگ، 2003) و حیات مصنوعی (لنگتون، 1995) معرفی کرده‌اند.
مدل‌سازی مبتنی بر عامل‌ها برای مطالعه طیف گسترده‌ای از پدیده‌ها، ازجمله جریان ترافیک، بازارهای اقتصادی، شبکه‌های اجتماعی، تغییرات آب‌وهوا و گسترش بیماری‌ها مورداستفاده قرارگرفته‌اند. مدل‌سازی مبتنی بر عامل‌ها به‌ویژه برای مدل‌سازی سیستم‌هایی مفید هستند که مطالعه آن‌ها با استفاده از روش‌های دیگر دشوار است، مانند دستگاه‌هایی که بسیار پیچیده هستند یا رفتار انسانی را در برمی‌گیرند.
@UT_Simulation_Lab

نرم‌افزارهای متعددی برای مدل‌سازی وجود دارد. انتخاب روش مدل‌سازی و شبیه‌سازی با توجه به فرضیات و ماهیت مسائل موجود انتخاب می‌شود. در شکل حاضر برخی از نرم‌افزارها پرکاربرد و شناخته‌شده‌ی شبیه‌سازی در سه دسته‌بندی معرفی‌شده‌اند که شامل: شبیه‌سازی پویایی سیستم (SD)، شبیه‌سازی پیشامد گسسته (DES) و شبیه‌سازی عامل بنیان(ABS) است.
نرم‌افزارهای شبیه‌سازی پویایی سیستم (SD) به ترتیب شامل: AnyLogic، Vensim، Powersim و Simul8 هستند.
نرم‌افزارهای شبیه‌سازی پیشامد گسسته (DES) به ترتیب شامل: AnyLogic، Arena، Flexsim، SimCAD، Simio و Enterprise Dynamics هستند.
نرم‌افزارهای شبیه‌سازی عامل بنیان(ABS) به ترتیب شامل: Flexsim، AnyLogic و NetLOGO هستند.
@UT_Simulation_Lab

ابزار شبیه‌سازی در زمینه‌ی فرآیندهای کسب‌وکار و سیستم‌ها برای مدل‌سازی و تحلیل جریان کار در یک سازمان یا سیستم‌های پیچیده و زنجیره تأمین استفاده می‌شوند. این ابزار می‌تواند برای شناسایی گلوگاه‌ها، بهبود کارایی و تصمیم‌گیری بهتر در مورد نحوه تخصیص منابع استفاده شود.
شبیه‌سازی برای پشتیبانی تصمیم‌گیری جهت کمک به مدیران در تصمیم‌گیری بهتر می‌تواند مورداستفاده قرار بگیرد. از این ابزارها می‌توان برای تجزیه‌وتحلیل داده‌ها، تولید گزارش و شبیه‌سازهای آموزشی برای آموزش کارمندان در زمینه وظایف مختلف مانند کارکرد ماشین‌آلات یا ارائه خدمات به مشتریان استفاده کرد تا محیط‌های واقعی و امن برای آموزش ایجاد کرد.
این نمونه شبیه سازی فرودگاه در نرم افزار Anylogic است.