Monte Carlo复现中重置simmer环境并生成新timeout随机值的方法

云原生阿岚

2026-7-26

问题：Simmer蒙特卡洛复现中复用环境时随机timeout值重复的问题

我希望对simmer模拟进行Monte Carlo复现，想了解是否可以不在复现循环中调用simmer::simmer()，同时确保每次迭代都能生成新的simmer::timeout()随机值。

我的大致设置如下：

env <- setup_sim(input_params)
results <- run_sim(env, n_mc = 100)

其中setup_sim()是初始化simmer环境并添加资源和轨迹的函数，我希望将环境创建与模拟执行分离，因为通过编程定义环境的耗时并不短。

随后我调用run_sim()执行模拟，每次重置simmer环境：

run_sim <- function(.env, run_until = Inf, n_mc = 1, use_parallel = FALSE) {
  # Run simulation
  start_time <- Sys.time()

  print('Simulating...')
  if (use_parallel == TRUE & n_mc > 1) {
    envs <- parallel::mclapply(1:n_mc, function(i) {
      .env |>
        simmer::reset() |>
        simmer::run(until = run_until) |>
        simmer::wrap()
      })
    } else {
      envs <- purrr::map(
        seq.int(1, n_mc),
        function(i) {
          .env |>
            simmer::reset() |>
            simmer::run(
              until = run_until,
              progress = simmer_progress
              )
        },
        .progress = pb_bar_options
        )
      }

  duration <- Sys.time() - start_time
  print('Simulation complete. ')
  print(duration)

  envs
}

但我注意到，即使timeout的随机数是通过函数调用生成的，其值在各次复现中并未改变：

... |>
    simmer::timeout(
        \() {
          step_nbr <- simmer::get_attribute(env, keys = 'step_nbr')
          cycle_time <- get_cycle_time_wrapper(
            step_nbr,
            simmer::get_selected(env),
            rand_seed = sample.int(100000, 1)
            ) *
            simmer::get_attribute(env, keys = 'TimeMultiplier')

          cycle_time
        }
        ) |>
...

其中get_cycle_time_wrapper()是从查找表中随机抽样的函数。

请问在当前设置下，是否有办法确保每次复现都能生成新的随机样本，还是必须重新创建simmer环境？

解决方案

核心问题原因

你遇到的问题根源有两个：

默认情况下simmer::reset()不会重置simmer环境内置的随机数生成器（RNG）状态，导致每次运行时随机序列会延续上一次的结果；
你在timeout的匿名函数中使用了全局R的sample.int()，而非simmer专属的随机函数，这会脱离simmer的RNG管理，容易出现重复随机值的情况。

具体解决步骤

重置simmer环境时同时重置RNG
在调用reset()时添加reset_rng = TRUE参数，确保每次蒙特卡洛迭代都会重置simmer的随机数状态：

# 串行循环中修改
.env |>
  simmer::reset(reset_rng = TRUE) |>
  simmer::run(until = run_until, progress = simmer_progress)

# 并行循环中同样修改
.env |>
  simmer::reset(reset_rng = TRUE) |>
  simmer::run(until = run_until) |>
  simmer::wrap()

改用simmer内置的随机函数
替换你代码中全局的sample.int()等随机函数，使用simmer提供的simmer::sample()（或其他simmer专属随机函数，如simmer::rnorm()、simmer::runif()），这些函数会绑定当前simmer环境的RNG，确保每次运行都能生成新的随机值。
调整你的timeout代码：
```
... |>
  simmer::timeout(
    \() {
      step_nbr <- simmer::get_attribute(env, keys = 'step_nbr')
      # 使用simmer::sample替代全局sample.int
      rand_seed <- simmer::sample(1:100000, size = 1)
      cycle_time <- get_cycle_time_wrapper(
        step_nbr,
        simmer::get_selected(env),
        rand_seed = rand_seed
      ) * simmer::get_attribute(env, keys = 'TimeMultiplier')

      cycle_time
    }
  ) |>
...
```
如果get_cycle_time_wrapper()内部也有随机抽样逻辑，同样建议替换为simmer的随机函数，确保全程使用simmer的RNG管理。

并行场景下的额外注意
使用mclapply时，每个子进程会复制原始环境的状态，包括RNG状态。虽然已经设置了reset_rng = TRUE，但为了保险，可以在每个并行任务中显式设置不同的初始种子：

envs <- parallel::mclapply(1:n_mc, function(i) {
  .env |>
    simmer::reset(reset_rng = TRUE) |>
    # 手动设置不同的种子，增强随机性
    simmer::set_seed(i * 100) |>
    simmer::run(until = run_until) |>
    simmer::wrap()
})

是否需要重新创建环境？

不需要重新创建simmer环境！通过上述调整，你可以复用同一个初始化好的环境，每次迭代仅重置环境状态和RNG，就能得到不同的随机timeout值，完全满足蒙特卡洛复现的需求，同时保留环境初始化的性能优势。

内容的提问来源于stack exchange，提问作者Aorus

Monte Carlo复现中重置simmer环境并生成新timeout随机值的方法

解决方案 #

核心问题原因 #

具体解决步骤 #

是否需要重新创建环境？ #

解决方案

核心问题原因

具体解决步骤

是否需要重新创建环境？