Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida
1. INTRODUÇÃO À MODELAGEM & SIMULAÇÃO
1.1. CONCEITOS E DEFINIÇÕES
Banks (1998) define simulação como uma imitação
das operações de um processo real ao longo do
tempo. Simular consiste na geração de uma “história”
artificial que represente um problema real, na
observação e inferência desta “história” sob condições
específicas e por fim, na tomada de decisões a partir
dos resultados obtidos.
1.1.1. Por que Simular?
A palavra “simulação” possui diversos significados;
destes, apresentamos alguns, extraídos do Houaiss:
1. Falta de correspondência com a verdade,
dissimulação, fingimento, disfarce;
2. Imitação do funcionamento de um processo por
meio do funcionamento de outro;
3. Teste, experiência, ensaio.
Obviamente, para este livro, “simulação” tem um
significado mais técnico e específico do que estes
relacionados. Mesmo considerando que não estamos
discutindo o termo em se sentido lato (ou seja, amplo),
há ainda certo desencontro em torno dessa “palavra
mágica”.
Cabe aqui uma primeira classificação. O termo
“simulação” pode ser classificado em duas grandes
categorias: a simulação computacional e a simulação
não computacional. A simulação computacional, objeto
de estudo deste livro, é aquela que necessita de um
computador para ser realizada. A simulação não
computacional, como o próprio nome diz, é aquela que
não necessita de um computador para ser realizada;
Simulação de Processos Inteligentes:
 Contínuos
 Discretos
 Combinados
por exemplo, um projetista utilizando um protótipo em
escala reduzida de uma aeronave em um túnel de
vento. O objetivo do projetista é simular qual seria o
comportamento da aeronave real a partir do
comportamento exibido pelo protótipo no túnel de
vento.
Portanto, quando nos referirmos à palavra “simulação”,
estaremos nos referindo especificamente à simulação
computacional.
Usualmente os textos clássicos de simulação fornecem
uma série de definições do que é simulação. Para não
tornarmos as coisas muito repetitivas, faremos o
inverso: discutiremos o que a simulação não é,
baseados no que o senso comum acha sobre o termo:
A Simulação Não é uma “Bola de Cristal”
A simulação não pode prever o futuro. Se pudesse,
provavelmente nós não estaríamos discutindo sobre ela
– estaríamos simulando, por exemplo, as corridas do
Jockey Club para apostarmos no cavalo vencedor do
próximo páreo. O que a simulação pode prever, com
certa confiança, é o comportamento de um sistema
baseado em dados de entradas específicos e
respeitado um conjunto de premissas.
A Simulação Não é um Modelo Matemático
Embora possamos utilizar fórmulas matemáticas em
um modelo de simulação, não existe uma “expressão
analítica fechada” ou um conjunto de equações que,
fornecidos os valores de entrada, fornecem resultados
sobre o comportamento do sistema a partir de uma
forma analítica direta. Enfim, a simulação não pode ser
1
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida
reduzida a um simples cálculo ou a uma fórmula
matemática.
A Simulação Não é uma Ferramenta Estritamente de
Otimização
A simulação é, na verdade, uma ferramenta de análise
de cenários. É possível combina-la com algoritmos de
otimização.
A Simulação Não Substitui o Pensamento Inteligente
Segundo o princípio SINSFIT (Simulation Is No
Substitute For Intelligent Thinking ), pregado por alguns
autores renomados da área, a simulação não pode
substituir o ser humano no processo de tomada de
decisão.
A Simulação Não é uma Técnica de Último Recurso
No passado, a simulação era considerada uma técnica
de último recurso, que deveria ser utilizada quando
“todas as técnicas possíveis falhassem”. Atualmente,
no entanto, a simulação é uma das técnicas mais
utilizadas na Pesquisa Operacional e na Ciência da
Administração, como podem comprovar várias
pesquisas realizadas em campo (LAW e KELTON,
1991).
A Simulação Não é uma Panaceia
Corroborada pelo pensamento de Harrel e Tumay
(1995), a simulação se aplica a uma classe de
problemas bem específicos aos quais se adapta bem.
1.1.2. Simulação de Sistemas
O Que É Sistema?
Existem ainda vários termos relacionados à simulação,
e, para complicar um pouco mais, vários tipos de
simulação. Quando pensamos na simulação ou em
simular algo, queremos obviamente simular algum
sistema. Mas o que é um sistema? Segundo Forrester
(1968), sistema é um agrupamento de partes que
operam juntas, visando um objetivo em comum.
Conforme a definição de Forrester, um sistema sempre
pressupõe uma interação causa e feito entre as partes
que o compõem. Para que tais partes e, principalmente,
para que as interações entre essas partes sejam
identificadas, o objetivo do sistema deve ser conhecido
com clareza.
Na Figura 1 vemos um sistema que é composto por
uma queijeira (A), um queijo (B) e uma faca (C). Um
rato rodeando esse sistema faz ou não parte dele? A
resposta depende do que pretendemos analisar. Se
estivermos preocupados apenas com a mecânica do
sistema, ou seja, o corte do queijo sobre a queijeira,
podemos eliminar o rato desse sistema, pois ele não
afetará o corte do queijo; no entanto, se pretendemos
estudar o desenvolvimento de bactérias no queijo, tanto
a queijeira quanto a faca quanto o rato podem ser
igualmente importantes e devem ser considerados
como parte do sistema. Naturalmente, alguma pessoa
deverá fazer parte desse sistema, já que todo esse
processo deve se dar de forma manual (afinal, alguém
deve cortar o queijo...).
Figura 1 - Sistema Prato-Queijo-Faca
Usualmente, quando imaginamos um sistema, quase
sempre associamos nosso pensamento a um sistema
real, que existe fisicamente. Ora, poderíamos também
simular um sistema hipotético, que não existe na
realidade. Embora o processo de validação seja mais
difícil para um sistema não existente, é viável e comum,
na prática, a construção de modelos de simulação de
sistemas hipotéticos ou imaginários.
O Que É Modelo?
Mas o que é um modelo? E, mais especificamente, o
que é um modelo de simulação?
Dado um sistema (ou pelo menos como nós
entendemos esse sistema), podemos construir uma
representação simplificada das diversas interações
entre as partes desse sistema.
Um modelo é, assim, uma abstração da realidade, que
se aproxima do verdadeiro comportamento do sistema,
mas sempre mais simples do que o sistema real. Por
outro lado, se o modelo construído apresenta uma
complexidade maior do que a do próprio sistema, não
temos um modelo, mas sim um problema. Isso porque
a intenção principal da modelagem é capturar o que
realmente é importante no sistema para a finalidade em
2
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida
questão. Se o modelo for tão ou mais complicado do
que a realidade, para que um modelo?
Por exemplo, em um sistema formado por uma linha de
montagem de automóveis, com máquinas e
operadores, é irrelevante saber a cor do sapato do
operário se estamos preocupados com a quantidade de
automóveis produzida no mês.
Figura 2 – Modelos de Simulação
1.1.3. Modelos Simbólicos vs Modelos
Matemáticos
Modelos Simbólicos, Icônicos ou Diagramáticos
Um modelo denominado simbólico (ou icônico ou
diagramático) é composto por símbolos gráficos que
representam um sistema de maneira estática, por
exemplo, uma “foto” (sem se considerar o seu
comportamento no tempo). Um fluxograma de processo
pode ser considerado como um modelo simbólico. As
grandes limitações desse tipo de modelo, além de sua
representação estática do sistema, são a falta de
elementos quantitativos (medidas de desempenho do
sistema, por exemplo) e a dificuldade de se
representarem muitos detalhes de um mesmo sistema.
O modelo simbólico é utilizado principalmente na
documentação de projetos e como ferramenta de
comunicação. A Figura 3 ilustra o modelo simbólico
representado por um fluxograma do processo de
atendimento de chamadas telefônicas realizado pelas
unidades de resgate do Corpo de Bombeiros.
Figura 3 – Fluxograma para Atendimento de Chamada dos
Bombeiros
Modelos Matemáticos ou Analíticos
Os modelos matemáticos (ou analíticos) podem ser
identificados como um conjunto de fórmulas
matemáticas, como os modelos de programação linear
ou os modelos analíticos da Teoria das Filas. Na sua
maioria, esses modelos são de natureza estática (o que
não é o caso da Teoria das Filas) e não apresentam
soluções analíticas para sistemas complexos, devendo-
se utilizar hipóteses simplificadoras. Por outro lado,
devido à sua natureza, a solução é rápida e exata
(quando existe solução analítica). Considere, por
exemplo, um sistema de fila única, com disciplina FIFO
(First In, First Out), como o representado na Figura 4.
Os tempos entre chegadas sucessivas de pessoas no
sistema são exponencialmente distribuídos, e os
tempos de atendimento na mesa (ou servidor) também
seguem uma distribuição exponencial. Sendo ρ a razão
entre a taxa média de pessoas que chegam ao sistema
e a taxa média de pessoas atendidas no servidor, sabe-
se, pela Teoria das Filas, que o número médio de
pessoas aguardando em fila,Lf, pode ser estimado pela
seguinte expressão:
2
Lf  (1)
1 
Onde:
3
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida
 Lf – número de indivíduos na fila
 ρ – taxa de ocupação do sistema de fila
Figura 4 – Modelo Analítico de um Sistema de Filas
Para o sistema da Figura 4, portanto, representamos o
comportamento de um parâmetro importante do
sistema, o número médio de pessoas em fila, através
de um modelo matemático. O que ocorreria com o
número médio de pessoas na fila, por exemplo, se a
disciplina de atendimento não fosse mais FIFO, e sim,
ao contrário, uma disciplina que priorizasse a idade das
pessoas (os mais velhos são atendidos primeiro)?
Neste caso, a Teoria de Filas não fornece um modelo
matemático pronto, e, muito provavelmente, teremos
que construir um modelo de simulação.
1.1.4. Modelos de Simulação
Os sistemas reais geralmente apresentam uma maior
complexidade, devido, principalmente, à sua natureza
dinâmica (que muda seu estado ao longo do tempo) e
à sua natureza aleatória (que é regida por variáveis
aleatórias). Um modelo de simulação consegue
capturar com mais fidelidade essas características,
procurando repetir em um computador o mesmo
comportamento que o sistema apresentaria quando
submetido às mesmas condições de contorno.
O modelo de simulação é utilizado particularmente
como uma ferramenta para se obter respostas a
sentenças do tipo: “O que ocorre se...”, por exemplo:
 O que ocorre se adicionarmos um terceiro
turno de produção?
 O que ocorre se houver um “pico de
demanda de 30%”?
 O que ocorre se reduzirmos nossa equipe
de manutenção em duas pessoas?
 O que ocorre se adquirirmos um novo
equipamento?
Note que a lista de alternativas para esse tipo de
pergunta pode ser infinita, o que leva à conclusão de
que um modelo de simulação pode ser capaz de
analisar diversos aspectos do sistema, ou melhor,
todos os aspectos do sistema de interesse. Por outro
lado, nem tudo é um mar de rosas: construir modelos
de simulação pode se tornar uma tarefa difícil, pela
própria natureza do processo; consequentemente,
leva-se mais tempo para a obtenção do resultado
desejado.
Simulação de Monte Carlo
A Simulação de Monte Carlo utiliza geradores de
números aleatórios para simular sistemas físicos ou
matemáticos, nos quais não se considera o tempo
explicitamente como uma variável. Essa simulação é
particularmente útil para a solução de problemas
matemáticos complexos que surgem no Cálculo
Integral, por exemplo.
Simulação Contínua de Eventos Discretos
A Simulação Contínua e a Simulação de Eventos
Discretos levam em consideração as mudanças de
estado do sistema ao longo do tempo. A Simulação
Contínua é utilizada para modelar sistemas cujo estado
varia continuamente no tempo. Considere, por
exemplo, uma xícara de chá quente colocada à
temperatura ambiente (Fig. 5). O fenômeno do
resfriamento do chá é contínuo no tempo, e o seu
estudo pode ser mais bem conduzido por uma
Simulação Contínua. A Simulação Contínua utiliza-se
de equações diferenciais para o cálculo das mudanças
das variáveis de estado ao longo do tempo. Por outro
lado, a Simulação de Eventos Discretos é utilizada para
modelar sistemas que mudam o seu estado em
momentos discretos no tempo, a partir da ocorrência de
eventos. A preparação da xícara de chá do exemplo
anterior envolve três eventos (Fig. 5): (A) colocação da
água quente na xícara, (B) colocação do chá na água
quente e (C) disponibilização do chá. Note que cada
evento ocorre em instantes determinados no tempo. A
Simulação de Eventos Discretos, como o próprio nome
diz, é orientada por eventos: o relógio de simulação
sempre indica um instante em que um evento acontece
(colocação da água, colocação do chá e
disponibilização do chá).
4
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida

Posto 1 Posto 2 Posto 3

Posto 4 Posto 5

Figura 6 – Diagrama de Blocos para um Linha de Montagem

As setas podem ser entendidas como esteiras rolantes,

que permitem que o sistema seja balanceado ajustando
a velocidade de cada uma delas.

Células automatizadas;

As células de trabalho também possuem um sistema de

Figura 5 – Diferença entre Simulação de Eventos Discretos e fila, porém simples. Neste caso, há uma fila de
Simulação Contínua
trabalhos que podem apresentar diferenças entre si.
O problema não se refere às múltiplas filas, mas
1.2. APLICAÇÕES DA SIMULAÇÃO
principalmente ao setup e a diversificação dos
trabalhos.
O campo de aplicação da simulação é muito amplo.
Simplificadamente, podemos dividir as áreas de
Problemas de programação da produção;
aplicação em dois grandes setores: manufatura e
serviços.
O Planejamento, Programação e Controle da Produção
(PPCP) é um processo dinâmico que deve se adequar
1.2.1. Manufatura
a quaisquer alterações na demanda do mercado.
Como o Planejamento da Capacidade, o Planejamento
A área de manufatura, depois da área militar, é o
Agregado, o Plano-Mestre de Produção e o MRP
segundo maior campo de aplicação da simulação. A
dependem da demanda, pode-se simular cenários para
simulação pode ser aplicada em vários segmentos da
diferentes comportamentos da demanda.
manufatura, tais como:

Análise de estoques e “Kanban”

Sistemas de movimentação e armazenagem de
materiais
A produção puxada faz uso de métodos e técnicas
dinâmicas no que tange a gestão da produção. Os
Esteiras transportadoras, AGVS, AS/RS, power and
cartões “kanban” permitem que os recursos de
free conveyors (para um mais detalhes sobre sistemas
produção fluam ao longo da cadeia produtiva de forma
de movimentação de materiais, ver Groover, 2000,
segura e na quantidade exata evitando desperdícios.
Capítulos 9, 10 e 11);
A simulação pode ser aplicada, ainda, num
subsegmento da manufatura denominado “logística
Linhas de montagem;
interna”, como os projetos de sistemas de expedição,
cross-docking e movimentação interna de armazéns.
As linhas de montagem funcionam como um sistema de
filas em série, onde λ é a taxa de chegada ao sistema
1.2.2. Serviços
e μ é a taxa de atendimento do sistema.
No caso de vários postos de atendimento em linha, a
Alguns bons exemplos de aplicações da simulação na
taxa de atendimento de um posto tende a ser a taxa de
área de serviços estão em:
chegada do posto sucessor.
Caso haja um posto gargalo, este limitará a produção
Aeroportos e Portos
de toda a linha.
É um campo que possibilita alta aplicabilidade da
simulação. A título de ilustração, em um aeroporto é

5
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida

possível fazer uma simulação para dimensionar o

número de postos de check-in necessários ou mesmo
para dimensionar um sistema completo de transporte
de bagagens. Em uma operação portuária, por
exemplo, é possível verificar se o número de
equipamentos de movimentação de materiais e
homens é suficiente para carregar e descarregar um
determinado número de navios em um certo tempo
estipulado;
Parques de Diversões
Outro segmento de serviços ligado ao entretenimento.
Nesse caso, uma simulação pode ser útil na verificação
dos tempos de espera em atrações, na distribuição
física das atrações no parque etc.;
Restaurantes e Cadeias de Fast-Food.

Bancos O segmento de bares e restaurantes também pode se

Nesse caso, a simulação pode ser utilizada para
verificar qual é a melhor política de abertura e
fechamento de caixas, o número de caixas automáticos
necessários, estudar problemas de layout, determinar o
tempo máximo de espera em fila etc.;
Cadeias Logísticas.
Nesse segmento, a simulação pode ser utilizada para
determinar qual deve ser a melhor política de
estocagem, transporte e distribuição, desde a origem
das matérias-primas, passando pela fabricação até o
consumidor final;
Call Centers ou Centrais de Atendimento.
Esse é outro segmento em que a simulação pode ser
plenamente aplicada. A simulação em um call center
poderá determinar qual a melhor configuração de uma
ilha de atendimento, qual o número ideal de postos de
atendimento necessários em uma determinada hora do
dia para garantir um certo nível de serviço, quais
equipamentos de automação de call centers devem ser
utilizados etc.;
Escritórios ou BPR (Business Process Reengineering).
beneficiar da tecnologia de simulação, utilizando-a para
verificar seus tempos de espera, de utilização de
mesas, capacidade da cozinha etc.;
Supermercados
Os supermercados são um segmento interessante para
aplicar a simulação, pois é possível decidir qual a
melhor política de abertura de caixas, a relação entre
caixas rápidos e normais, o tamanho ideal do
estacionamento etc.;
1.3. SOFTWARES DE SIMULAÇÃO
1.3.1. Softwares de Linguagem de Programação
Linguagem de Programação é uma linguagem escrita e
formal que especifica um conjunto de instruções e
regras usadas para gerar programas (software). Um
software pode ser desenvolvido para rodar em um
computador, dispositivo móvel ou em qualquer
equipamento que permita sua execução. Existem
várias linguagens e elas servem para muitos
propósitos. Alguns óbvios, como criar um software,
outros menos, como controlar um carro ou uma
torradeira.

A simulação pode ser aplicada para determinar qual

seria o melhor fluxo de processo em um escritório, uma
repartição pública ou um cartório. Muitas vezes, esse
segmento é também denominado Business Process ou
BP, em analogia aos processos de manufatura
aplicados aos negócios;

Hospitais

A área da saúde é um segmento em que a simulação

pode e vem sendo frequentemente aplicada, para
estudar o comportamento de UTIs, o dimensionamento
de ambulâncias, testes de políticas de transplantes de Figura 7 – Linguagens de Programação: C, Javascript, R e Phyton
órgãos etc.;
6
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida

Compiladores de Linguagem

Na computação, a compilação é o processo que reúne

o código fonte e o transforma em algo que faça mais
sentido para o computador. Do ponto de vista do código
fonte, toda linguagem de programação é compilada.
O produto final do processo de compilação de uma
linguagem diz muito sobre seu design. Linguagens
como C e C++ são compiladas estaticamente, e seus
códigos fontes são transformados diretamente em
linguagem de máquina.

Interpretadores de Linguagem

Enquanto as linguagens mais modernas como Java, C#

e Python têm seus códigos fontes transformados em
uma linguagem intermediária (específica de cada
linguagem), que será interpretada pela máquina virtual
da linguagem quando o programa for executado.
Este processo de interpretação da linguagem
intermediária durante a execução do programa,
consiste na tradução dos comandos da linguagem
intermediária para linguagem de máquina. Sendo
assim, em tempo de execução, o código intermediário
pode ser encarado como um “código fonte” que será
compilado dinamicamente pelo interpretador da
linguagem em código de máquina.
Figura 8 – Linguagens de Simulação: Dynamo – para eventos
contínuos; Simula – para eventos discretos e Simscript – para
eventos combinados (contínuos e discretos)
1.3.3. Softwares de Simulação
É possível encontrar no mercado softwares específicos
para a simulação de processos.
Os mesmos reúnem uma gama de funções capazes de
facilitar todo o processo de simulação, indo desde de a
modelagem do problema até a interface gráfica dos
resultados.

1.3.2. Softwares de Linguagem de Simulação

Modelos de simulação são geralmente muito

complicados, tendo várias interações dentro de
elementos de sistema e muitas destas alterações
transformam dinamicamente durante a execução do
programa. Assim, começou a se desenvolver
linguagens especiais que promovem a tradução mais
fácil do que as linguagens genéricas.
A simulação de sistemas pode envolver vários níveis de
complexidade e assim softwares específicos têm sido
desenvolvidos para diferentes casos.
As linguagens de simulação e os pacotes de simulação
discreta são ferramentas muito úteis para a simulação
de sistemas discretos. Alguns pacotes também incluem
recursos para modelar sistemas de variáveis contínuas
ou com um mix de variáveis contínuas e discretas.
As linguagens de simulação economizam tempo de
desenvolvimento, utilizam-se de recursos para avançar
o tempo, programar eventos, manipular entidades,
Figura 9 – 3 Softwares Importantes na Simulação de Processos
gerar valores aleatórios coletar dados estatísticos e Inteligentes
gerar relatórios.

7
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida
1.4. ETAPAS DO PROCESSO DE SIMULAÇÃO
Após definirmos que para a análise de um dado sistema
a simulação é mais adequada, deve-se seguir certos
passos, a fim de que o estudo de simulação seja bem-
sucedido. Esses passos ou processos são conhecidos
na literatura como “metodologias de simulação” ou
“ciclos de vida de um modelo de simulação” (LAW;
MCCOMAS, 1991).
A construção de um programa de computador, que,
para muitos leigos, é a própria simulação, é apenas
uma dentre as inúmeras atividades de um estudo de
simulação.
Basicamente, o desenvolvimento de um modelo de
simulação compõe-se de três grandes etapas:
1. Concepção ou formulação do modelo;
2. Implementação do modelo;
3. Análise dos resultados do modelo.
Figura 10 – Etapas do Processo de Simulação
1.4.1. Etapa 1 – Concepção
Na primeira etapa (ou fase), “concepção”, o analista de
simulação deve entender claramente o sistema a ser
simulado e os seus objetivos, através da discussão do
problema com especialistas. Deve-se decidir com
clareza qual será o escopo do modelo, suas hipóteses
e o seu nível de detalhamento. Os dados de entrada
também são coletados nesta fase. Não se pode negar
a importância de se ter dados adequados para
alimentar o modelo, sendo que a expressão GIGO
(garbage-in, garbage-out), muito aplicada na
Engenharia de Software, também é aplicável aos
modelos de simulação. No entanto, é importante
ressaltar que o modelo é que deve dirigir a coleta de
dados, e não o contrário (PIDD, 2000). Finalizada a
etapa de concepção, o modelo que está na mente do
analista (modelo abstrato) deve ser representado de
acordo com alguma técnica de representação de
modelos de simulação, a fim de torná-lo um modelo
conceitual, de modo que outras pessoas envolvidas no
projeto possam entendê-lo.
1.4.2. Etapa 2 – Implementação
Na segunda etapa, “implementação”, o modelo
conceitual é convertido em um modelo computacional
através da utilização de alguma linguagem de
simulação ou de um simulador comercial. Pode-se,
ainda, codificar o modelo de simulação em uma
linguagem de programação geral, como C ou Pascal,
mas isso é altamente desaconselhável, devido ao
tempo que será despendido na programação de
diversas rotinas, já existentes em simuladores
comerciais. Com o avanço tecnológico dos simuladores
atuais, a etapa de implementação (ou codificação) já
não consome tanto tempo quanto no passado (alguns
autores sugerem que a implementação é responsável
pelo consumo de 20% a 30% do tempo total de um
estudo típico de simulação). O modelo computacional
implementado deve ser comparado com o modelo
conceitual, com a finalidade de avaliar se a sua
operação atende ao que foi estabelecido na etapa de
concepção. Para a validação computacional, alguns
resultados devem ser gerados, observando se o
modelo é uma representação precisa da realidade
(dentro dos objetivos já estipulados). O assunto
“verificação e validação” de modelos de simulação é
bastante extenso.
1.4.3. Etapa 3 – Análise
Na terceira etapa, “análise”, o modelo computacional
está pronto para a realização dos experimentos, dando
origem ao modelo experimental ou modelo operacional.
Nesta etapa, são efetuadas várias “rodadas” do
modelo, e os resultados da simulação são analisados e
documentados. A partir dos resultados, conclusões e
recomendações sobre o sistema podem ser geradas.
Caso necessário (se o resultado da simulação não for
satisfatório), o modelo pode ser modificado, e esse ciclo
é reiniciado
Modelo Detalhado de Simulação
8
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida

Determinação
dos Objetivos
Concepção ou
e Construção do Coleta de
Formulação do
Planejamento Modelo Dados
Modelo
Global do
Projeto

Análise dos
Codificação do Validação do Implementação
Resultados do
Modelo Modelo do Modelo
Modelo

Figura 11 – Etapas do Processo de Simulação. Adaptado de Santos, 1999.

Importante salientar que dependendo do sistema a ser

simulado, algumas etapas podem mudar de posição e
até mesmo serem suprimidas do modelo.

1.5. BIBLIOGRAFIA E REFERÊNCIAS

[1] CHWIF & MEDINA – Modelagem e Simulação

de Eventos Discretos – Teoria e Aplicações. 4ª
Edição. Elsevier: Rio de Janeiro, 2015.
[2] BANKS, Jerry – Handbook of Simulation.
Principles, Methodology, Advances, Applications and
Practice. John Wiley & Sons, 1998
[3] SANTOS, M.P. Introdução à Simulação
Discreta. Universidade do Estado do Rio de Janeiro.
1999. Disponível em:
<http://www.mpsantos.com.br/simul/arquivos/simul.pdf
>. Acesso em:19/10/2015.
[4] SILVA, L. C. Simulação de Processos.
Universidade Estadual do Espírito Santo. 2005.
Disponível em:http://www.agais.com/simula.htm.
Acesso em: 19/10/2015.
[5] GROOVER, Mikell P. Automation, production
systems and computer integrate Manufacturing. 2.
ed. Upple Saddle River: Prentice-Hall, 2000.
[6] LAW, Averill M.; KELTON, David W -
Simulation, modeling & analysis. 2. ed. Nova York:
McGraw-Hill, 1991.
[7] LAW, Averill; MCCOMAS, Michael. Secrets of
successful simulation studies. Proceedings of 1991
Winter Simulation Conference, p. 21-27, 1991.
[8] PIDD, Michael. Tools for thinking: modelling
in management science. 4. ed. Chichester: John Wiley
& Sons, 2000.
[9] HARREL, Charles R.; TUMAY, Kerim -
Simulation made easy: a manager’s guide. Norcross:
Engineering and Management Press, 1995.

9
Modelagem & Simulação de Processos Inteligentes
Profº Túlio de Almeida

ANOTAÇÕES

10