3. Часто дает только приблизительные ответы. Моделирование дискретных событий основывается на использовании генераторов случайных чисел для обеспечения работы модели. Поскольку на входе имеем случайный элемент, некоторая неопределенность также будет связана с выходом модели. Для получения значимых результатов нужно будет использовать методы статистики, как инструмент для интерпретации результатов. Все выходы имитационной модели являются только оценками истинного поведения системы. Важно признать этот факт и трактовать результаты моделирования как приблизительные, и использовать статистическое тестирование для получения адекватных выводов.

4. Не всегда можно проверить модель на адекватность. Процесс проверки на адекватность позволяет сделать вывод, что компьютерная модель довольно точно представляет реальную систему. Когда система еще не существует, это может стать серьезной проблемой.

5. Излишнее доверие. Еще одна проблема, которая может возникнуть в ходе имитационного моделирования, – это стремление пользователей воспринимать результаты моделирования как истину в последней инстанции. Моделирование – это инструмент, используемый людьми, подверженный любым ошибкам, которые может совершить человек. Отчеты о результатах должны всегда подвергаться строгому контролю со стороны конечного пользователя. Следует использовать не только статистическое тестирование, но и здравый смысл в качестве механизма для принятия окончательного решения. Если выходные данные не соответствуют ожиданиям экспертов и здравому смыслу, их нужно проанализировать более внимательно.

Обычно для изучения инженерной и бизнес-среды используются несколько видов имитационного моделирования (ИМ). К ним относятся: непрерывное ИМ, метод Монте-Карло, дискретно-событийное ИМ и агентное моделирование.

Непрерывное имитационное моделирование связано с использованием набора уравнений, представляющих реальную систему непрерывно с течением времени. Эта система может состоять из алгебраических уравнений, теоретико-игровых моделей, статистических или дифференциальных уравнений, настроенных таким образом, чтобы непрерывно меняться. Примером непрерывного моделирования является модель системы газопровода.

Другим примером непрерывного моделирования является модель конкуренции между двумя популяциями. Биологические модели этого типа известны как модель «хищник – жертва». Окружающая среда состоит из двух популяций, которые взаимодействуют друг с другом. Хищники зависят от добычи как источника питания. Если количество хищников растет слишком быстро, то добыча будет уменьшаться, хищники будут голодать – их количество станет уменьшаться. Если количество хищников уменьшится, число потенциальных жертв увеличится и т.д. Эта взаимосвязь может быть проанализирована с помощью непрерывного моделирования с использованием частных производных.

Рост населения страны, рост городов, предсказание возникновения ураганов, прогнозирование погоды, распространение инфекционных заболеваний – все это примеры систем, которые являются подходящими кандидатами для разработки непрерывных имитационных моделей. Термин «системная динамика», впервые использованный Джеем Форрестером в 1950-х годах, также используется для описания непрерывного имитационного моделирования. Системная динамика описывает поведение системы через анализ взаимосвязанных, взаимодействующих циклов обратной связи, каждый из которых может прямо или косвенно воздействовать на другие циклы.

Непрерывное моделирование обычно разрабатывается с использованием специального математического программного обеспечения, такого как MATLAB или Mathematica, специализированного программного обеспечения для моделирования, такого как Simulink, или разрабатывается с использованием традиционных языков программирования, таких как Visual Basic или C++.