# 시뮬레이션 모델링 (Simulation Modeling)

## 1. 개요
시뮬레이션 모델링이란 현실 세계의 복잡한 시스템이나 프로세스, 특히 단순한 수학적 공식으로는 예측하기 어려운 **복잡계(Complex Systems)**를 수학적, 논리적 모델로 추상화하여 컴퓨터 상에서 모사하고, 다양한 시나리오를 실험함으로써 시스템의 동작을 분석하고 최적의 대안을 도출하는 기법이다.

현실의 시스템을 직접 수정하거나 실험하는 것은 비용이 많이 들고 위험하며, 때로는 물리적으로 불가능한 경우가 많다. 따라서 시뮬레이션 모델링은 가상의 환경에서 변수를 조정하며 결과값을 예측함으로써 의사결정의 리스크를 최소화하는 것을 목적으로 한다.

## 2. 시뮬레이션 모델의 유형
시뮬레이션은 시간의 흐름을 어떻게 처리하는지, 그리고 시스템의 상태 변화가 어떤 방식으로 일어나는지에 따라 크게 네 가지 유형으로 구분된다.

| 유형 | 정의 | 주요 특징 | 대표 사례 |
| :--- | :--- | :--- | :--- |
| **이산 사건 시뮬레이션 (DES)** | 상태 변화가 특정 시점(Event)에만 발생하는 모델 | 이벤트 중심의 시간 흐름, 큐(Queue) 기반 처리 | 은행 창구 대기열, 공장 생산 라인 |
| **연속 시뮬레이션 (Continuous)** | 시간이 연속적으로 흐르며 상태가 계속 변화하는 모델 | 미분 방정식 기반, 시간에 따른 연속적 변화 추적 | 화학 반응 공정, 인구 성장 모델, 유체 역학 |
| **에이전트 기반 모델링 (ABM)** | 독립적인 개체(Agent)들의 상호작용으로 전체 패턴이 생성되는 모델 | 상향식(Bottom-up) 접근, 개체별 자율적 규칙 부여 | 감염병 확산, 소비자 행동 분석, 군집 이동 |
| **시스템 다이내믹스 (SD)** | 전체적인 흐름과 피드백 루프를 통해 시스템의 동태를 분석하는 모델 | 스톡(Stock)과 플로우(Flow) 개념, 환류(Feedback) 구조 | 국가 경제 성장, 기후 변화 모델, 시장 점유율 예측 |

### [모델 선택 기준 결정 트리]
```mermaid
graph TD
    Start([시작]) --> Q1{상태 변화가<br/>연속적인가?}
    Q1 -- Yes --> Continuous[연속 시뮬레이션]
    Q1 -- No --> Q2{전체적인 흐름과<br/>피드백 루프가 중심인가?}
    Q2 -- Yes --> SD[시스템 다이내믹스]
    Q2 -- No --> Q3{개별 개체들의<br/>상호작용이 중심인가?}
    Q3 -- Yes --> ABM[에이전트 기반 모델링]
    Q3 -- No --> DES[이산 사건 시뮬레이션]
```

## 3. 모델링 프로세스 (단계별 절차)
성공적인 시뮬레이션을 위해서는 체계적인 워크플로우를 따르는 것이 중요하다.

1. **문제 정의 (Problem Formulation):** 해결하고자 하는 목표를 명확히 하고, 시스템의 경계와 제약 조건을 설정한다.
2. **개념적 모델 구축 (Conceptual Modeling):** 현실 시스템을 논리적 흐름도나 다이어그램으로 추상화한다.
3. **모델 구현 (Model Implementation):** 시뮬레이션 소프트웨어나 프로그래밍 언어를 사용하여 실제 모델을 구축한다.
4. **검증 및 타당성 확인 (Verification & Validation):** 모델이 설계대로 작동하는지, 현실을 정확히 반영하는지 확인한다.
5. **실험 설계 및 실행 (Experimental Design):** 입력 변수(Scenario)를 설정하고 반복 실행하여 데이터를 수집한다.
6. **결과 분석 및 적용 (Analysis & Application):** 통계적 분석을 통해 결론을 도출하고 실제 시스템에 적용한다.

### [검증(Verification) vs 타당성 확인(Validation)]
두 개념은 혼용되기 쉬우나, 시뮬레이션 공학에서는 엄격히 구분한다.
*   **검증 (Verification):** "모델을 올바르게 만들었는가?"에 집중한다. 즉, 작성한 코드나 논리가 설계 명세서(Conceptual Model)와 일치하는지, 버그는 없는지를 확인하는 과정이다. (Internal Consistency)
*   **타당성 확인 (Validation):** "올바른 모델을 만들었는가?"에 집중한다. 즉, 시뮬레이션 결과값이 실제 현실 세계의 데이터나 관찰 결과와 통계적으로 일치하는지를 확인하는 과정이다. (External Accuracy)

## 4. 핵심 구성 요소 및 원리
시뮬레이션 모델을 구성하는 기본 요소와 작동 원리는 다음과 같다.

### 4.1 기본 구성 요소
*   **엔티티 (Entity):** 시스템 내에서 이동하거나 처리되는 대상 (예: 고객, 부품, 데이터 패킷).
*   **상태 (State):** 특정 시점에서 시스템의 조건을 나타내는 변수 (예: 서버의 가동/정지 상태, 대기열의 길이).
*   **이벤트 (Event):** 시스템의 상태를 변화시키는 사건 (예: 고객 도착, 처리 완료).
*   **큐 (Queue):** 엔티티가 서비스를 받기 위해 대기하는 장소.
*   **자원 (Resource):** 엔티티를 처리하는 수단 (예: 상담원, 기계, CPU).

### 4.2 확률 분포와 난수 생성
현실의 불확실성을 모사하기 위해 **몬테카를로 방법(Monte Carlo Method)**을 사용한다. 이는 무작위 추출(Random Sampling)을 반복하여 수치적 결과를 얻는 방법이다.
*   **예시:** 특정 제품의 불량률을 예측할 때, 수만 번의 가상 생산 시뮬레이션을 수행하여 불량이 발생하는 빈도를 측정함으로써 실제 불량률을 추정하는 방식.

입력 값으로 고정된 수치가 아닌 확률 분포(Probability Distribution)를 적용하여 난수를 생성함으로써 다양한 가능성을 시뮬레이션한다.
*   **지수 분포 (Exponential Distribution):** 사건 발생 간격(Inter-arrival time) 모델링에 주로 사용된다.
*   **포아송 분포 (Poisson Distribution):** 정해진 단위 시간 동안 발생하는 사건의 횟수를 모델링하는 데 사용되며, 지수 분포와 수학적으로 밀접한 관계(상보적 관계)를 가진다.
*   **정규 분포 (Normal Distribution):** 처리 시간이나 오차 범위 모델링에 사용된다.

## 5. 주요 활용 분야 및 사례
시뮬레이션 모델링은 복잡성이 높은 거의 모든 산업 분야에서 활용된다.

*   **제조/물류:** 공정 병목 지점(Bottleneck) 발견, 창고 배치 최적화, SCM(공급망 관리) 리스크 분석.
*   **교통/도시:** 신호 체계 변경에 따른 교통 흐름 변화, 대중교통 노선 최적화.
*   **보건/의료:** 응급실 환자 대기 시간 감소 전략, 전염병 확산 경로 및 정점 예측.
*   **금융:** 포트폴리오 리스크 평가, 옵션 가격 결정 모델링.

### [Python SimPy 예제: 간단한 대기열 시뮬레이션]
`SimPy`는 Python의 대표적인 이산 사건 시뮬레이션 라이브러리이다.

```python
import simpy
import random

# 설정: 고객이 도착하는 간격과 서비스에 걸리는 시간
ARRIVAL_TIME = 5  # 평균 도착 간격
SERVICE_TIME = 4  # 평균 서비스 시간

def customer(env, name, counter):
    print(f"{name} 도착 시간: {env.now:.2f}")
    with counter.request() as request:
        yield request  # 창구가 빌 때까지 대기
        print(f"{name} 서비스 시작 시간: {env.now:.2f}")
        # expovariate는 람다(λ, 단위 시간당 발생 횟수)를 인자로 받으므로 
        # 평균 시간의 역수인 1.0 / SERVICE_TIME을 입력함
        yield env.timeout(random.expovariate(1.0 / SERVICE_TIME))
        print(f"{name} 서비스 종료 시간: {env.now:.2f}")

def setup(env):
    counter = simpy.Resource(env, capacity=1) # 창구 1개
    i = 0
    while True:
        # 도착 간격 역시 평균의 역수인 람다값을 사용하여 지수 분포 생성
        yield env.timeout(random.expovariate(1.0 / ARRIVAL_TIME))
        i += 1
        env.process(customer(env, f"고객 {i}", counter))

# 시뮬레이션 실행
env = simpy.Environment()
env.process(setup(env))
env.run(until=20) # 20분 동안 시뮬레이션 진행
```

### [주요 시뮬레이션 소프트웨어 도구]
| 도구명 | 특징 | 주요 용도 |
| :--- | :--- | :--- |
| **AnyLogic** | DES, ABM, System Dynamics 세 가지 방식을 모두 지원 | 범용 산업 시뮬레이션 |
| **Arena** | GUI 기반의 강력한 이산 사건 시뮬레이션 도구 | 제조 공정, 물류 최적화 |
| **NetLogo** | 에이전트 기반 모델링에 특화된 교육용/연구용 도구 | 사회 과학, 생태계 모델링 |
| **MATLAB/Simulink** | 블록 다이어그램 기반의 연속 시스템 모델링 | 제어 공학, 물리 시스템 |
| **SimPy** | Python 기반의 오픈소스 라이브러리 | 데이터 과학 통합 모델링 |
| **Vensim / Stella** | 시스템 다이내믹스 모델링 및 시각화 특화 | 정책 분석, 전략적 모델링 |
| **FlexSim** | 3D 시각화 기반의 물류 및 제조 시뮬레이션 | 공장 레이아웃, 물류 센터 최적화 |

## 6. 한계점 및 고려사항
시뮬레이션은 강력한 도구이지만, 다음과 같은 한계점을 인지하고 설계해야 한다.

1. **추상화 오류 (Abstraction Error):** 모델을 단순화하는 과정에서 핵심 변수를 누락하거나 잘못 정의할 경우, 결과값이 현실과 크게 동떨어질 수 있다. "모든 모델은 틀렸지만, 일부는 유용하다"는 원칙을 기억해야 한다.
2. **계산 복잡도 (Computational Complexity):** 에이전트의 수나 이벤트의 빈도가 기하급수적으로 증가하면 계산 시간이 과도하게 늘어나 실시간 분석이 어려울 수 있다.
3. **입력 데이터의 신뢰성 (GIGO - Garbage In, Garbage Out):** 입력값으로 사용하는 확률 분포나 파라미터가 부정확하면 출력 결과 역시 신뢰할 수 없다. 따라서 정밀한 데이터 수집과 통계적 피팅(Fitting) 과정이 필수적이다.
4. **확정적 결과의 오해:** 시뮬레이션은 확률적 결과를 제공하므로, 단 한 번의 실행 결과로 결론을 내리지 말고 충분한 횟수의 반복 실험(Replication)을 통해 신뢰 구간을 확보해야 한다.