Simulação de eventos discretos

A simulação de eventos discretos (DES) modela a operação de um sistema como uma sequência discreta de eventos que ocorrem em instantes específicos no tempo, onde o relógio da simulação avança diretamente para a ocorrência do próximo evento, em vez de progredir em incrementos de tempo fixos. Esta abordagem é particularmente adequada para sistemas que apresentam mudanças de estado esporádicas, como chegadas ou falhas, e depende de uma fila de eventos para armazenar e gerenciar eventos pendentes, normalmente implementada com filas prioritárias para garantir que o evento agendado mais cedo seja processado primeiro.[24] O mecanismo principal envolve a manutenção de uma lista de eventos futuros ordenados por carimbo de data/hora, permitindo ao simulador pular com eficiência os períodos de inatividade entre os eventos.[25]

Um algoritmo chave no DES é o avanço do tempo do próximo evento, que atualiza o tempo de simulação atual tcurrentt_{\text{current}}tcurrent​ para o horário programado do evento iminente calculando tnext=min⁡(ti)t_{\text{next}} = \min(t_i)tnext​=min(ti​) para todos os eventos pendentes iii na fila.[25] Ao avançar o tempo, o evento é executado, atualizando as variáveis ​​de estado do sistema, e quaisquer eventos futuros resultantes são agendados ou cancelados conforme necessário.[26] A modelagem de fluxo de entidades amplia isso representando entidades dinâmicas, como peças ou clientes, que atravessam uma rede de processos, com eventos desencadeando movimentos e interações, comumente aplicados a linhas de produção onde as entidades fluem através de estações como filas e máquinas.[27]

Ferramentas de software proeminentes para DES incluem Arena, uma plataforma comercial da Rockwell Automation que suporta modelagem hierárquica para fluxos de entidades complexas; AnyLogic, que integra módulos DES com recursos multimétodos para simulações versáteis; e Simul8, uma ferramenta intuitiva lançada em 1994 que popularizou DES acessível para não especialistas.[28][29]

O DES é amplamente utilizado em sistemas de filas, como call centers onde são modeladas chegadas de clientes e conclusão de serviços; operações logísticas, incluindo processos de separação e expedição em armazém; e indústrias de serviços, como saúde, para análise de fluxo de pacientes.[27][30] Nesses domínios, a equação de agendamento de eventos tnext=min⁡(ti)t_{\text{next}} = \min(t_i)tnext​=min(ti​) garante o tempo preciso das interações, permitindo a avaliação de métricas de desempenho como tempos de espera.[31]

As principais vantagens do DES decorrem de sua eficiência no tratamento de ocorrências de eventos esparsos, evitando cálculos desnecessários durante períodos ociosos e, portanto, dimensionando bem para simulações de longa duração.[32] A validação do modelo normalmente envolve análise estatística de execuções replicadas para calcular intervalos de confiança em resultados importantes, como rendimento, fornecendo limites para estimativas como taxas médias de produção com níveis de confiança de 95%.[33] Isto contrasta com a simulação contínua, que é melhor para sistemas que requerem modelagem de dinâmica suave e contínua.[34]

Simulação Contínua

A simulação contínua envolve a modelagem de sistemas dinâmicos onde as variáveis ​​de estado evoluem suavemente ao longo do tempo, normalmente representadas por equações diferenciais ordinárias (EDOs) ou equações diferenciais parciais (EDPs) que descrevem mudanças contínuas em processos físicos ou de engenharia.[35] Esta abordagem contrasta com métodos discretos, concentrando-se na progressão fluida dos estados do sistema sem saltos abruptos, usando integração numérica para aproximar soluções em computadores digitais, apesar de sua discrição inerente.[35] O método principal envolve discretizar o tempo em etapas fixas ou variáveis ​​e resolver iterativamente as equações governantes, permitindo previsões do comportamento do sistema sob diversas entradas e parâmetros.[36]

As principais técnicas numéricas para simulação contínua incluem métodos explícitos como o método de Euler, que aproxima o próximo estado usando um simples passo adiante, e variantes de ordem superior, como os métodos Runge-Kutta, que melhoram a precisão avaliando derivadas múltiplas vezes em cada etapa.[36] Para sistemas não rígidos, esses integradores explícitos são suficientes, mas equações rígidas - caracterizadas por escalas de tempo amplamente variadas que exigem pequenos passos para estabilidade - exigem solucionadores implícitos, como fórmulas de diferenciação retroativa ou Runge-Kutta implícito, para manter a eficiência e a estabilidade numérica sem computação excessiva. Uma representação fundamental é o problema EDO de valor inicial:

onde yyy denota variáveis ​​de estado, ttt é tempo, uuu representa entradas e a equação é resolvida iterativamente a partir das condições iniciais y0y_0y0​.[35] A precisão é controlada por meio de parâmetros como tolerâncias de erro locais, que adaptam tamanhos de passo para equilibrar precisão e velocidade, muitas vezes alcançando erros relativos abaixo de 10−610^{-6}10−6 em problemas bem condicionados.[36]

Softwares proeminentes para simulação contínua incluem MATLAB/Simulink, que suporta modelagem baseada em diagramas de blocos e integração de ODEs/PDEs, e Dymola, uma ferramenta baseada em Modelica para sistemas físicos de múltiplos domínios. Essas ferramentas facilitam aplicações em processos físicos, como dinâmica de fluidos por meio de PDEs Navier-Stokes para simulação de fluxo ou cinética química modelada por EDOs de taxa de reação.[35] Os desafios surgem da intensidade computacional das integrações de alta fidelidade, especialmente para aplicações em tempo real onde a latência deve permanecer abaixo de milissegundos, limitando a escalabilidade sem hardware avançado.[35]

A partir de 2025, os avanços na aceleração da GPU abordaram essas limitações para PDEs em grande escala, com ferramentas como o Ansys Fluent 2025 R1 permitindo tempos de resolução até 14x mais rápidos para simulações de combustão usando o modelo FGM e 13x para simulações de fluxo multifásico usando o método VOF em oito GPUs NVIDIA A100 em comparação com linhas de base da CPU (lançado em 20 de fevereiro de 2025), aprimorando os recursos de gêmeo digital em tempo real.

Simulação Híbrida e Baseada em Agente

A simulação baseada em agentes envolve modelar sistemas como coleções de agentes autônomos que interagem de acordo com regras simples, levando a comportamentos emergentes complexos no nível macro. Nesta abordagem, cada agente opera de forma independente, tomando decisões baseadas em informações locais e interações com vizinhos, sem controle centralizado. Esta metodologia bottom-up contrasta com modelos top-down baseados em equações, enfatizando a dinâmica descentralizada e a heterogeneidade entre os agentes. O trabalho seminal nesta área inclui o modelo Sugarscape, que demonstra como fenómenos sociais como distribuição de riqueza e transmissão cultural surgem de comportamentos de agentes individuais num ambiente com recursos escassos.[40][41]

Um exemplo clássico de emergência em modelos baseados em agentes é o comportamento de aglomeração, onde regras simples para alinhamento, coesão e separação entre agentes produzem movimentos coordenados de grupo. O modelo Boids de Craig Reynolds, introduzido em 1987, simula o bando de pássaros através destes três comportamentos de direção, ilustrando como os padrões globais emergem das interações locais sem programação explícita do resultado coletivo. Da mesma forma, o modelo Vicsek de 1995 captura transições de fase em sistemas de partículas autopropulsadas, onde as regras de alinhamento levam a flocagem ordenada acima de um limite de ruído crítico, destacando o papel dos elementos estocásticos na oscilação entre estados desordenados e coerentes. Ferramentas de software populares para implementar tais modelos incluem NetLogo, uma linguagem de programação multiagente projetada para simulações educacionais e exploratórias de fenômenos emergentes, e Repast, um kit de ferramentas extensível baseado em Java para modelagem de ciências sociais em larga escala baseada em agentes.

Os conceitos-chave na modelagem baseada em agentes incluem tomada de decisão estocástica e regras de interação que impulsionam a emergência. Os agentes geralmente empregam a maximização da utilidade para avaliar opções, onde a utilidade do agente iii é calculada como uma soma ponderada sobre os estados vizinhos, como ui=∑jrij⋅stateju_i = \sum_j r_{ij} \cdot \text{state}jui​=∑j​rij​⋅statej​, com rijr{ij}rij​ representando recompensas de interação ou preferências entre os agentes iii e jjj. Esta formulação, semelhante aos modelos de utilidade aleatória, incorpora a aleatoriedade através de termos de ruído para refletir a racionalidade limitada e a variabilidade nas escolhas. Elementos estocásticos, como transições probabilísticas em estados de agentes, permitem ainda mais a simulação de incerteza e heterogeneidade, permitindo que os modelos capturem diversos atributos de agentes, como tolerâncias de risco variadas ou padrões de mobilidade.[45]

A simulação híbrida amplia as abordagens baseadas em agentes, integrando dinâmicas de eventos discretos e de tempo contínuo, permitindo representações mais realistas de sistemas com mudanças abruptas e evoluções suaves. Em modelos híbridos, eventos discretos – como decisões ou gatilhos de agentes – podem interromper fluxos contínuos, como processos físicos governados por equações diferenciais. O padrão Functional Mock-up Interface (FMI) facilita essa co-simulação definindo interfaces para troca de modelos entre ferramentas, suportando tanto a troca de modelos para solucionadores contínuos quanto a co-simulação para execução mista discreta-contínua. Por exemplo, o FMI permite que as interações dos agentes orientadas por eventos sejam sincronizadas com modelos contínuos de plantas em sistemas ciberfísicos, melhorando a precisão em cenários que envolvem ciclos de feedback. Extensões recentes ao FMI abordam a revisão de etapas e a condução híbrida de eventos temporais para lidar com interações não lineares de forma mais robusta.[46][47][48]

Simulação Eletrônica e de Circuitos

O software de simulação eletrônica e de circuitos concentra-se principalmente na modelagem do comportamento de circuitos elétricos, incluindo sistemas analógicos, digitais e de sinais mistos, para prever o desempenho sem prototipagem física. Em sua essência, este domínio depende do SPICE (Programa de Simulação com Ênfase em Circuitos Integrados), uma ferramenta fundamental desenvolvida na Universidade da Califórnia, Berkeley, em 1970, por Laurence Nagel, sob a direção de Donald Pederson.[52] O SPICE permite a análise detalhada das respostas do circuito a vários estímulos, enfatizando o design de circuitos integrados, mas aplicável à eletrônica mais ampla. Ele suporta tipos de análise importantes, como análise de ponto de operação CC não linear, análise CA de pequenos sinais para comportamento no domínio da frequência e análise transitória não linear para dinâmica no domínio do tempo, permitindo que os engenheiros simulem tensão, corrente e potência em estado estacionário ou condições dinâmicas.

O método fundamental em simuladores baseados em SPICE é a formulação de tensão de nó, derivada da lei das correntes de Kirchhoff (KCL), que expressa equações de circuito em forma de matriz. Esta abordagem divide o circuito em nós e resolve tensões de nós desconhecidas equilibrando as correntes em cada nó, levando a um sistema de equações lineares representado como Gv = iG \mathbf {v} = \mathbf {i} Gv = i, onde GGG é a matriz de condutância que encapsula as admitâncias dos elementos, v\mathbf{v}v é o vetor de tensões de nó, e i\mathbf{i}i é o vetor de fontes de corrente independentes. Para elementos não lineares como diodos ou transistores, as equações são resolvidas iterativamente usando técnicas como Newton-Raphson, atualizando a matriz de condutância em cada etapa para lidar com modelos de dispositivos com precisão. Simulações transitórias avançam o tempo em etapas discretas, integrando equações diferenciais de comportamentos de capacitores e indutores, enquanto a análise CA lineariza o circuito em torno de um ponto operacional para calcular respostas de frequência por meio de aritmética complexa.

Implementações de software proeminentes incluem LTspice, um simulador gratuito compatível com SPICE da Analog Devices otimizado para análise de circuitos analógicos, apresentando captura esquemática, visualização de formas de onda e modelos integrados para simulações transientes, CA, ruído e digitais. O OrCAD, desenvolvido pela Cadence, integra o PSpice para simulação avançada de sinais analógicos e mistos em um ambiente de projeto de PCB, suportando análises transitórias, CA e CC junto com Monte Carlo e avaliações de pior caso para avaliar a variabilidade. Essas ferramentas facilitam aplicações como verificação de projeto de PCB, onde simulações confirmam o roteamento de sinal e a integridade da distribuição de energia, e simulação de sinal de RF, modelando comportamentos de alta frequência, como correspondência de impedância e efeitos de linha de transmissão em sistemas sem fio.

Um grande desafio na simulação eletrônica de alta velocidade surge de efeitos parasitas, como capacitâncias e indutâncias não intencionais em traços e interconexões de PCB, que degradam a integridade do sinal ao introduzir diafonia, reflexões e atrasos em frequências acima de 1 GHz.[60] A modelagem precisa requer a extração desses parasitas pós-layout usando solucionadores de campo integrados em simuladores, à medida que eles se tornam dominantes em projetos como módulos 5G ou interfaces de dados de alta velocidade, muitas vezes necessitando de refinamento iterativo para atender às margens de tempo e ruído.

A partir de 2025, as tendências na simulação eletrônica se estendem à modelagem de circuitos quânticos, com ferramentas como o Qiskit da IBM incorporando extensões como Aer para simulação de alta fidelidade de portas quânticas e comportamentos de qubit ruidosos, permitindo a verificação de eletrônica quântica clássica híbrida para aplicações emergentes em criptografia e otimização. Os simuladores de vetor de estado e matriz de densidade do Qiskit suportam até 44 qubits em clusters de GPU, unindo métodos SPICE clássicos com física de dispositivos quânticos para abordar a escalabilidade em circuitos supercondutores ou de armadilha de íons.

Simulação Mecânica e de Fabricação

O software de simulação mecânica e de fabricação emprega análise de elementos finitos (FEA) para modelar tensão e deformação em sistemas mecânicos, permitindo que os engenheiros prevejam o comportamento do material sob várias cargas durante os processos de fabricação.[64] Na conformação de chapas metálicas, essas ferramentas simulam a deformação para prever fenômenos como retorno elástico, onde as peças ricocheteiam elasticamente após o descarregamento, permitindo ajustes de projeto para minimizar desvios dos formatos pretendidos.[65] Para fundição de metal, as simulações analisam o fluxo de fluido do metal fundido nos moldes e a subsequente solidificação, ajudando a identificar problemas potenciais, como enchimento incompleto ou gradientes térmicos que podem levar a fraquezas estruturais.[66]

Os principais métodos nessas simulações incluem formulações Lagrangianas, onde a malha segue pontos materiais para rastrear a deformação em sólidos, e formulações Eulerianas, que usam uma malha fixa para lidar com grandes fluxos semelhantes a fluidos, muitas vezes combinados em abordagens arbitrárias Lagrangiana-Euleriana (ALE) para cenários híbridos como processos de formação. Em regimes elásticos, as relações tensão-deformação são governadas pela lei de Hooke, expressa como σ=Eε\sigma = E \varepsilonσ=Eε, onde σ\sigmaσ é tensão, EEE é o módulo de Young e ε\varepsilonε é deformação, fornecendo um modelo linear fundamental para cálculos FEA iniciais antes de incorporar efeitos não lineares.

Software proeminente inclui LS-DYNA, que se destaca em dinâmica explícita para testes de colisão e formação de chapas metálicas, simulando impactos de alta velocidade e deformações plásticas com alta fidelidade.[69] Para fundição, a MAGMAsoft otimiza os parâmetros do processo modelando enchimento, solidificação e resfriamento para reduzir defeitos como porosidade.[70] Essas ferramentas integram-se perfeitamente aos sistemas CAD, importando modelos geométricos para agilizar os fluxos de trabalho do projeto à simulação sem perda de dados.[71]

As aplicações concentram-se na previsão de defeitos, como enrugamento ou rasgo em operações de estampagem, onde as simulações orientam as modificações na geometria da ferramenta para melhorar a qualidade da peça.[72] Em moldes, as simulações de porosidade prevêem o aprisionamento de gás ou vazios de contração durante a solidificação, validadas em relação a protótipos físicos por meio de técnicas como inspeção por raios X para confirmar a precisão do modelo.[73] Até 2025, os avanços na simulação em tempo real para fabricação aditiva, incluindo FEA de simulação em circuito e aprendizado de máquina com base na física, permitirão o monitoramento de tensões e distorções térmicas no processo, melhorando a qualidade de construção sem interromper a produção.[74][75]

Simulação de Rede e Protocolo

O software de simulação de rede e protocolo modela o comportamento de redes de computadores no nível de pacote, permitindo a análise de interações de protocolo, transmissão de dados e desempenho do sistema sem hardware físico. Essas ferramentas simulam elementos centrais, como pilhas TCP/IP, onde os pacotes são gerados, roteados e processados ​​de acordo com regras de protocolo, incluindo mecanismos para evitar congestionamento, como dimensionamento de janelas e tempos limite de retransmissão.[76] Simulações de roteamento replicam algoritmos como OSPF ou BGP, permitindo avaliação de seleção de caminho, balanceamento de carga e tolerância a falhas em topologias dinâmicas.[77] Os modelos de filas são essenciais para estudar o congestionamento, representando buffers em roteadores ou switches onde os pacotes que chegam aguardam se a fila estiver cheia, levando a atrasos ou quedas.[78]

Um método primário nessas simulações é a simulação de eventos discretos, que avança o tempo apenas quando ocorre um evento relacionado ao pacote, como chegada, transmissão ou confirmação, tornando-a eficiente para modelar o tráfego de rede assíncrono.[76] Essa abordagem lida com eventos de pacotes mantendo uma fila de eventos ordenada por carimbo de data/hora, processando cada um em sequência para atualizar estados de rede, como utilização de link ou ocupação de buffer. Para análise de filas, a lei de Little fornece um relacionamento fundamental, afirmando que o número médio de itens em um sistema de filas LLL é igual à taxa de chegada λ\lambdaλ vezes o tempo médio gasto no sistema WWW, ou

Esta equação, derivada de suposições de estado estacionário, quantifica os impactos do congestionamento na taxa de transferência e no atraso em redes simuladas.[78] No controle de congestionamento TCP, por exemplo, ajuda a prever comprimentos de buffer sob cargas variadas, informando o ajuste de algoritmos como aqueles nas variantes Reno ou Cubic.

As primeiras simulações de rede na década de 1980 apoiaram o projeto e a avaliação de infraestruturas fundamentais, como a NSFNET, uma espinha dorsal acadêmica que utiliza protocolos TCP/IP que sucedeu à ARPANET, com modelos que avaliam a escalabilidade e a confiabilidade sob tráfego crescente.[79] Exemplos proeminentes de código aberto hoje incluem ns-3, um simulador de eventos discretos escrito em C++ que suporta TCP/IP detalhado e modelagem de protocolo sem fio para pesquisa, e OMNeT++, uma estrutura modular extensível para componentes de rede personalizados por meio de sua linguagem de topologia NED. Ambas as ferramentas facilitam o rastreamento em nível de pacote, permitindo a visualização de fluxos e condições de erro.

As aplicações abrangem a otimização sem fio, como a simulação de acesso ao canal Wi-Fi sob os padrões IEEE 802.11 para minimizar a interferência e melhorar a reutilização espacial, e testar arquiteturas 5G/6G, incluindo formação de feixe mmWave e fatiamento de rede para comunicações ultraconfiáveis ​​de baixa latência.[82] As principais métricas de desempenho avaliadas incluem latência ponta a ponta, medindo o atraso dos pacotes da origem ao destino, e taxa de transferência, quantificando taxas de dados sustentadas em Mbps sob carga, muitas vezes revelando compensações, como aumento da latência durante picos de congestionamento.[83] Por exemplo, o ns-3 tem sido usado em simulações de redes 5G, incluindo configurações de RAN virtualizadas, para avaliar métricas de desempenho, como latência e taxa de transferência, em cenários de alta mobilidade.[84]

A partir de 2025, os avanços incorporam simulações de computação de ponta, modelagem de processamento distribuído em periferias de rede para reduzir a latência central e técnicas baseadas em IA, onde o aprendizado de máquina otimiza o roteamento ou prevê padrões de tráfego em simuladores, como módulos ns-3 estendidos.[82] Essas integrações permitem a alocação de recursos baseada em aprendizado de reforço para 6G, simulando agentes de IA que se adaptam a ambientes de borda dinâmicos para maior eficiência.[85]

Simulação de PLC e Automação

O software de simulação para controladores lógicos programáveis ​​(CLPs) e automação industrial emula principalmente os comportamentos de hardware e software de sistemas CLP para testar entradas/saídas (E/S), temporizadores e contadores sem hardware físico, permitindo verificação segura e econômica da lógica de controle.[86] Essa emulação replica operações PLC do mundo real, permitindo que os engenheiros simulem fiação elétrica, sinais de sensores e respostas de atuadores em ambientes virtuais.[87] Essas ferramentas suportam a programação lógica ladder, um padrão de linguagem gráfica para controle industrial, facilitando o projeto e a depuração de sequências de automação.[88]

Os métodos principais na simulação de PLC giram em torno do ciclo de varredura, um processo repetitivo onde o simulador lê as entradas, executa o programa definido pelo usuário (processando lógica como temporizadores e contadores) e atualiza as saídas para imitar o controle em tempo real. Para sequências complexas, são empregadas máquinas de estado, modelando fluxos de controle como estados finitos com transições acionadas por condições, o que melhora a modularidade e o tratamento de erros em implementações de lógica ladder. Essas abordagens geralmente integram técnicas de simulação de eventos discretos para modelar etapas do processo, como ativações de transportadores ou intertravamentos de máquinas.[91] Exemplos proeminentes incluem Siemens S7-PLCSIM Advanced, que fornece emulação precisa de firmware para testar funções completas de PLC, e Factory I/O, um simulador de fábrica 3D que se conecta a várias marcas de PLC para treinamento e validação imersivos. A integração com interfaces homem-máquina (HMIs) é comum, permitindo que PLCs simulados interajam com HMIs virtuais para testes de interação do operador, conforme suportado em ferramentas como simulações do Siemens TIA Portal.[94]

As aplicações de PLC e simulação de automação concentram-se na validação do chão de fábrica, onde o comissionamento virtual verifica o desempenho do sistema antes da implantação, reduzindo o tempo de inatividade e os custos de comissionamento em ambientes industriais.[95] O diagnóstico de falhas é outro uso importante, com simuladores que permitem a injeção de erros para testar rotinas de diagnóstico e identificar problemas na lógica de controle, melhorando a confiabilidade em processos automatizados.[96] Essas ferramentas aderem a padrões como IEC 61131-3, que define linguagens de programação como lógica ladder e diagramas de blocos de funções para garantir portabilidade e consistência entre fornecedores de PLC.[88] Até 2025, os avanços nas simulações ciberfísicas terão avançado a integração da Indústria 4.0, incorporando gêmeos digitais e troca de dados em tempo real para manutenção preditiva e automação adaptativa na fabricação inteligente.[97][98]

Simulação Biológica e Médica

O software de simulação biológica e médica permite a modelagem de sistemas vivos complexos, desde processos celulares até dinâmicas de saúde em nível populacional, auxiliando na pesquisa, no desenvolvimento de medicamentos e na tomada de decisões clínicas. Essas ferramentas integram estruturas matemáticas para replicar fenômenos fisiológicos, incorporando a variabilidade inerente aos sistemas biológicos para prever resultados sob diversas condições. Ao simular cenários que são desafiadores do ponto de vista ético ou prático para estudar in vivo, esse software acelera descobertas em áreas como farmacocinética e epidemiologia.[99]

Os modelos compartimentais constituem a base para a simulação da cinética de medicamentos, dividindo o corpo em compartimentos interconectados para rastrear os processos de absorção, distribuição, metabolismo e eliminação (ADME). Por exemplo, os modelos farmacocinéticos de base fisiológica (PBPK) utilizam compartimentos específicos de órgãos ligados pelo fluxo sanguíneo para prever as concentrações de medicamentos ao longo do tempo, apoiando estratégias de dosagem personalizadas. Os modelos baseados em agentes, por outro lado, simulam a propagação de doenças representando indivíduos como agentes autônomos interagindo em ambientes virtuais, capturando comportamentos heterogêneos e efeitos espaciais que impulsionam epidemias.[100][101]

Para explicar a variabilidade estocástica em processos biológicos, como colisões moleculares aleatórias ou eventos de infecção, métodos que empregam equações diferenciais estocásticas (SDEs) são amplamente adotados; estes estendem modelos determinísticos incorporando termos de ruído, permitindo simulações de resultados probabilísticos em sinalização celular ou dinâmica populacional. Um exemplo seminal é o modelo Suscetível-Infectado-Recuperado (SIR) para previsão epidemiológica, governado pela equação diferencial para a população suscetível:

onde SSS é o número de indivíduos suscetíveis, III os infectados, NNN a população total e β\betaβ a taxa de transmissão; esta estrutura, originalmente desenvolvida em 1927, sustenta muitas simulações modernas de surtos. Historicamente, as equações predador-presa Lotka-Volterra de 1925–1926 estabeleceram princípios fundamentais para a modelagem ecológica em biologia, descrevendo a dinâmica oscilatória entre espécies por meio de equações diferenciais acopladas que influenciaram aplicações médicas subsequentes, como interações hospedeiro-patógeno.

O software representativo inclui CellBlender, um complemento do Blender para simulações estocásticas de reação-difusão em ambientes celulares 3D, facilitando modelos de vias bioquímicas e aglomeração molecular. O OpenSim suporta simulações biomecânicas modelando sistemas músculo-esqueléticos para analisar o movimento e a mecânica dos tecidos, auxiliando na reabilitação e no design de próteses. Nas aplicações, os ensaios clínicos virtuais aproveitam estas ferramentas para testar intervenções em coortes sintéticas de pacientes, reduzindo custos e riscos éticos; a partir de 2025, as integrações com AlphaFold, incluindo AlphaFold3 para previsões multimoléculas, melhoram as simulações de interações medicamento-alvo, permitindo a triagem rápida da dinâmica molecular em contextos terapêuticos.[104][105][106][107][108][109]

Um desafio importante nas simulações médicas que envolvem dados de pacientes é garantir a privacidade, uma vez que a aprendizagem federada e as técnicas de privacidade diferencial são essenciais para proteger informações confidenciais de saúde e, ao mesmo tempo, permitir o treinamento de modelos em conjuntos de dados distribuídos. As abordagens baseadas em agentes fazem uma breve referência à dinâmica populacional nestes contextos, modelando variações a nível individual sem se aprofundarem em metodologias gerais.[110]

Simulação Financeira e Econômica

O software de simulação financeira e econômica permite a modelagem de sistemas monetários complexos, interações de mercado e incertezas para apoiar a avaliação de riscos, a análise de cenários e a tomada de decisões em finanças e economia. Estas ferramentas simulam resultados probabilísticos para preços de ativos, desempenho de carteiras e indicadores económicos, permitindo aos utilizadores avaliar potenciais impactos de variáveis ​​como taxas de juro, volatilidade e mudanças de política sob diversas condições. Ao incorporar elementos estocásticos, essas simulações fornecem informações quantitativas sobre a dinâmica do mercado, ajudando as instituições a mitigar riscos e a otimizar estratégias.[111]

Uma aplicação central da simulação em finanças são os métodos de Monte Carlo para avaliação de risco de carteira, que geram milhares de cenários aleatórios com base em distribuições de insumos para estimar métricas como Valor em Risco (VaR) e déficit esperado. Esta abordagem tem em conta correlações entre ativos e efeitos não lineares, oferecendo uma forma robusta de quantificar riscos de cauda em carteiras diversificadas. A modelagem baseada em agentes complementa isso simulando participantes heterogêneos do mercado — como comerciantes, instituições e reguladores — com comportamentos e interações individuais para capturar fenômenos emergentes como bolhas, quebras e choques de liquidez nos mercados financeiros.[112][113]

Os principais métodos nestas simulações baseiam-se em processos estocásticos para modelar a evolução dos preços dos ativos, com o movimento browniano geométrico servindo como modelo fundamental, assumindo retornos log-normais. A equação diferencial estocástica para o movimento browniano geométrico é dada por

onde SSS é o preço do ativo, μ\muμ é a taxa de deriva, σ\sigmaσ é a volatilidade, dtdtdt é o incremento de tempo e dWdWdW é o incremento do processo de Wiener. Este processo sustenta simulações para preços de opções e derivativos dependentes da trajetória, permitindo a projeção de trajetórias futuras de preços por meio de técnicas de integração numérica, como a discretização de Euler-Maruyama.[114]

Ferramentas de software proeminentes incluem @Risk, um complemento do Excel que integra simulação de Monte Carlo para análise de risco em planilhas, suportando distribuições de variáveis ​​como retornos e correlações para modelar o VaR do portfólio. QuantLib, uma biblioteca C++ de código aberto, fornece classes extensíveis para precificação de instrumentos e simulação de processos estocásticos, incluindo implementações de movimento geométrico browniano para derivativos e gerenciamento de risco. Historicamente, o modelo Black-Scholes de 1973 revolucionou o preço de opções com sua solução de forma fechada sob suposições geométricas de movimento browniano, posteriormente estendida por meio de simulações para lidar com características dependentes do caminho, como opções americanas, por meio de métodos de Monte Carlo de mínimos quadrados.

https://ors.od.nih.gov/OD/OQM/cms/Pages/default.aspxhttps://uh.edu/~lcr3600/simulation/guide.htmlhttp://home.ubalt.edu/ntsbarsh/simulation/sim.htmhttps://ww w.scmgalaxy.com/tutorials/top-10-simulation-software-tools-in-2025-features-pros-cons-comparison/https://www.simul8.com/software/pricinghttps://secwww.jhuap l.edu/techdigest/content/techdigest/pdf/V16-N01/16-01-Menner.pdfhttps://www.utrgv.edu/nsfmbse/resources/modeling--simulation-workshop-v1-pdf.pdfhttps://www. cs.mcgill.ca/~hv/classes/MS/MSconcepts.pdfhttps://www.sciencedirect.com/topics/computer-science/simulation-systemhttps://www.simscale.com/blog/difference-be tween-cad-and-cae/https://www.cds.caltech.edu/~murray/books/AM08/pdf/am08-modeling_28Sep12.pdfhttps://www.computer.org/resources/software-engineering-models https://www.lanl.gov/media/publications/actinide-research-quarterly/1123-hitting-the-jackpot-the-birth-of-the-monte-carlo-methodhttps://uh.edu/~lcr3600/simu lação/historical.htmlhttps://www.cs.fsu.edu/~mascagni/MC_Basics.pdfhttps://eprints.cs.vt.edu/archive/00000363/01/TR-93-21.pdfhttps://www.mn.uio.no/ifi/engl ish/about/ole-johan-dahl/bibliography/the-birth-of-object-orientation-the-simula-languages.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S03784754 74800030https://surface.syr.edu/cgi/viewcontent.cgi?article=1099&context=eecshttps://fmi-standard.org/assets/releases/FMI_for_ModelExchange_and_CoSimulation _v2.0.pdfhttps://www.simio.com/optimizing-manufacturing-capacity-using-digital-twin-technology-post-covid-19/https://ansyshelp.ansys.com/public//Views/Secur ed/corp/v252/en/pdf/Methods_for_Parametric_Design_Optimization.pdfhttps://www.cs.wm.edu/~esmirni/Teaching/cs526/section5.1.pdfhttps://www.dmi.unict.it/messi na/didat/DES_17_18/leemis_chapter5.pdfhttps://huichen-cs.github.io/course/CSCI570/notes/lecture10_nes.pdfhttps://www.cs.mcgill.ca/~hv/classes/MS/discreteEven t.pdfhttps://www.simul8.com/discrete-event-simulationhttps://www.anylogic.com/use-of-simulation/discrete-event-simulation/https://www.simul8.com/about/https ://www.researchgate.net/publication/221525182_Applications_of_Discrete-Event_Simulation_to_Support_Manufacturing_Logistics_Decision-Making_A_Surveyhttps://c alhoun.nps.edu/server/api/core/bitstreams/c0b1a6ec-36ae-42ce-aa55-c8dfc068aefa/contenthttps://www.tandfonline.com/doi/full/10.1586/14737167.2016.1165608http s://apps.dtic.mil/sti/tr/pdf/ADA248170.pdfhttps://engineering.purdue.edu/~ee368/Spring-2018-files/simulation.pdfhttps://www.sciencedirect.com/science/article /pii/B0122272404000186https://www.intechopen.com/chapters/84738https://www.mathworks.com/help/simscape/ug/making-optimal-solver-choices-for-physical-simulat ion.htmlhttps://www.sciencedirect.com/science/article/pii/B012227240400160Xhttps://www.ansys.com/blog/whats-new-ansys-fluent-2025-r1https://direct.mit.edu/b ooks/monograph/2503/Growing-Artificial-SocietiesSocial-Science-fromhttps://onlinelibrary.wiley.com/doi/10.1002/%28SICI%291099-0526%28199905/06%294:5%253C41: :AID-CPLX9%253E3.0.CO%3B2-Fhttps://www.red3d.com/cwr/papers/1987/SIGGRAPH87.pdfhttps://ccl.northwestern.edu/papers/netlogo-iccs2004.pdfhttps://repast.github. io/https://pmc.ncbi.nlm.nih.gov/articles/PMC5391997/https://fmi-standard.org/docs/3.0.2/https://simulationresearch.lbl.gov/wetter/download/2015-BromanEtAl_H ybridCosimulation_HSCC.pdfhttps://ieeexplore.ieee.org/document/7385981https://pmc.ncbi.nlm.nih.gov/articles/PMC8490969/https://www.cdc.gov/pcd/issues/2016/1 5_0561.htmhttps://www.nature.com/articles/s41599-024-03611-3https://ethw.org/Milestones:SPICE_%28Simulation_Program_with_Integrated_Circuit_Emphasis%29%2C_1 969-1970https://www2.eecs.berkeley.edu/Pubs/TechRpts/1973/22871.htmlhttps://spinningnumbers.org/a/node-voltage.htmlhttps://www.khanacademy.org/science/electr engenharia ical/ee-circuit-análise-tópico/ee-dc-circuit-análise/a/ee-node-voltage-methodhttps://www.analog.com/en/resources/design-tools-and-calculators/l tspice-simulator.htmlhttps://www.cadence.com/en_US/home/tools/pcb-design-and-análise/orcad.htmlhttps://www.allpcb.com/blog/pcb-design/pcb-design-software-f or-rf-applications-what-features-are-essential.htmlhttps://resources.pcb.cadence.com/blog/2019-a-rf-circuit-análise-simulação-across-frequency-spectrumsht tps://www.ansys.com/blog/parasitic-extraction-high-speed-chip-designhttp://ieeexplore.ieee.org/document/6756518/https://arxiv.org/pdf/2508.12245https://fiqci .fi/publications/2025-04-01-LUMI-quantum-simulations-qiskit-aerhttps://pmc.ncbi.nlm.nih.gov/articles/PMC11395829/https://www.ansys.com/products/structures/a formação de nsyshttps://www.sciencedirect.com/science/article/pii/S2351978919312193https://www.sciencedirect.com/science/article/pii/0045782593901068https://www .finiteelements.org/hookeslaw.htmlhttps://www.ansys.com/products/structures/ansys-ls-dynahttps://www.magmasoft.com/en/solutions/magmasoft/https://plm.sw.sie mens.com/en-US/nx/cad-online/mcad-software/cad-simulation/https://www.sciencedirect.com/science/article/abs/pii/S2214785320315728https://www.sciencedirect.co

https://ors.od.nih.gov/OD/OQM/cms/Pages/default.aspx

https://uh.edu/~lcr3600/simulation/guide.html

http://home.ubalt.edu/ntsbarsh/simulation/sim.htm

https://www.scmgalaxy.com/tutorials/top-10-simulation-software-tools-in-2025-features-pros-cons-comparison/

https://www.simul8.com/software/pricing

https://secwww.jhuapl.edu/techdigest/content/techdigest/pdf/V16-N01/16-01-Menner.pdf

https://www.utrgv.edu/nsfmbse/resources/modeling--simulation-workshop-v1-pdf.pdf

https://www.cs.mcgill.ca/~hv/classes/MS/MSconcepts.pdf

https://www.sciencedirect.com/topics/computer-science/simulation-system

https://www.simscale.com/blog/difference-between-cad-and-cae/

https://www.cds.caltech.edu/~murray/books/AM08/pdf/am08-modeling_28Sep12.pdf

https://www.computer.org/resources/software-engineering-models

https://www.lanl.gov/media/publications/actinide-research-quarterly/1123-hitting-the-jackpot-the-birth-of-the-monte-carlo-method

https://uh.edu/~lcr3600/simulation/historical.html

https://www.cs.fsu.edu/~mascagni/MC_Basics.pdf

https://eprints.cs.vt.edu/archive/00000363/01/TR-93-21.pdf

https://www.mn.uio.no/ifi/english/about/ole-johan-dahl/bibliography/the-birth-of-object-orientation-the-simula-languages.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0378475474800030

https://surface.syr.edu/cgi/viewcontent.cgi?article=1099&context=eecs

https://fmi-standard.org/assets/releases/FMI_for_ModelExchange_and_CoSimulation_v2.0.pdf

https://www.simio.com/optimizing-manufacturing-capacity-using-digital-twin-technology-post-covid-19/

https://ansyshelp.ansys.com/public//Views/Secured/corp/v252/en/pdf/Methods_for_Parametric_Design_Optimization.pdf

https://www.cs.wm.edu/~esmirni/Teaching/cs526/section5.1.pdf

https://www.dmi.unict.it/messina/didat/DES_17_18/leemis_chapter5.pdf

https://huichen-cs.github.io/course/CSCI570/notes/lecture10_nes.pdf

https://www.cs.mcgill.ca/~hv/classes/MS/discreteEvent.pdf

https://www.simul8.com/discrete-event-simulation

https://www.anylogic.com/use-of-simulation/discrete-event-simulation/

https://www.simul8.com/about/

https://www.researchgate.net/publication/221525182_Applications_of_Discrete-Event_Simulation_to_Support_Manufacturing_Logistics_Decision-Making_A_Survey

https://calhoun.nps.edu/server/api/core/bitstreams/c0b1a6ec-36ae-42ce-aa55-c8dfc068aefa/content

https://www.tandfonline.com/doi/full/10.1586/14737167.2016.1165608

https://apps.dtic.mil/sti/tr/pdf/ADA248170.pdf

https://engineering.purdue.edu/~ee368/Spring-2018-files/simulation.pdf

https://www.sciencedirect.com/science/article/pii/B0122272404000186

https://www.intechopen.com/chapters/84738

https://www.mathworks.com/help/simscape/ug/making-optimal-solver-choices-for-physical-simulation.html

https://www.sciencedirect.com/science/article/pii/B012227240400160X

https://www.ansys.com/blog/whats-new-ansys-fluent-2025-r1

https://direct.mit.edu/books/monograph/2503/Growing-Artificial-SocietiesSocial-Science-from

https://onlinelibrary.wiley.com/doi/10.1002/%28SICI%291099-0526%28199905/06%294:5%253C41::AID-CPLX9%253E3.0.CO%3B2-F

https://www.red3d.com/cwr/papers/1987/SIGGRAPH87.pdf

https://ccl.northwestern.edu/papers/netlogo-iccs2004.pdf

https://repast.github.io/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5391997/

https://fmi-standard.org/docs/3.0.2/

https://simulationresearch.lbl.gov/wetter/download/2015-BromanEtAl_HybridCosimulation_HSCC.pdf

https://ieeexplore.ieee.org/document/7385981

https://pmc.ncbi.nlm.nih.gov/articles/PMC8490969/

https://www.cdc.gov/pcd/issues/2016/15_0561.htm

https://www.nature.com/articles/s41599-024-03611-3

https://ethw.org/Milestones:SPICE_%28Simulation_Program_with_Integrated_Circuit_Emphasis%29%2C_1969-1970

https://www2.eecs.berkeley.edu/Pubs/TechRpts/1973/22871.html

https://spinningnumbers.org/a/node-voltage.html

https://www.khanacademy.org/science/electrical-engineering/ee-circuit-análise-topic/ee-dc-circuit-análise/a/ee-node-voltage-method

https://www.analog.com/en/resources/design-tools-and-calculators/ltspice-simulator.html

https://www.cadence.com/en_US/home/tools/pcb-design-and-análise/orcad.html

https://www.allpcb.com/blog/pcb-design/pcb-design-software-for-rf-applications-what-features-are-essential.html

https://resources.pcb.cadence.com/blog/2019-a-rf-circuit-análise-simulação-across-frequency-spectrums

https://www.ansys.com/blog/parasitic-extraction-high-speed-chip-design

http://ieeexplore.ieee.org/document/6756518/

https://arxiv.org/pdf/2508.12245

https://fiqci.fi/publications/2025-04-01-LUMI-quantum-simulations-qiskit-aer

https://pmc.ncbi.nlm.nih.gov/articles/PMC11395829/

https://www.ansys.com/products/structures/ansys-forming

https://www.sciencedirect.com/science/article/pii/S2351978919312193

https://www.sciencedirect.com/science/article/pii/0045782593901068

https://www.finiteelements.org/hookeslaw.html

https://www.ansys.com/products/structures/ansys-ls-dyna

https://www.magmasoft.com/en/solutions/magmasoft/

https://plm.sw.siemens.com/en-US/nx/cad-online/mcad-software/cad-simulation/

https://www.sciencedirect.com/science/article/abs/pii/S2214785320315728

https://www.sciencedirect.com/science/article/pii/S2238785424002114

https://www.sciencedirect.com/science/article/abs/pii/S2214860424006778

https://www.nature.com/articles/s44172-025-00501-7

https://www.nsnam.org/docs/ns-3-overview.pdf

https://www.eecs.harvard.edu/~htk/publication/2002-cnj-wang-kung.pdf

https://www.mdpi.com/2079-9292/14/2/263

https://www.merit.edu/wp-content/uploads/2024/10/Merit-Network_NSFNET-A-Partnership-for-High-Speed-Networking.pdf

https://www.nsnam.org/about/what-is-ns-3/

https://omnetpp.org/

https://arxiv.org/pdf/2005.08281

https://ieeexplore.ieee.org/document/6959222/

https://free5gc.org/blog/20251008/20251008/

https://www.sciencedirect.com/science/article/abs/pii/S1389128623003791

https://www.mathworks.com/discovery/plc-simulation.html

https://www.famictech.com/en/Products/Automation-Studio/Educational-Edition/Technologies/PLC-Simulation

https://webstore.iec.ch/en/publication/4552

https://instrumentationtools.com/understanding-the-scan-cycle-of-siemens-plc/

https://control.com/technical-articles/state-machine-programming-in-ladder-logic/

https://publications.lib.chalmers.se/records/fulltext/195493/195493.pdf

https://www.siemens.com/global/en/products/automation/systems/industrial/plc/s7-plcsim-advanced.html

https://factoryio.com/

https://support.industry.siemens.com/cs/attachments/109748099/109748099_HMI_PLCSIM_DOC_en.pdf

https://www.visualcomponents.com/blog/plc-validation-manufacturing/

https://www.empoweredautomation.com/automation-plc-how-it-transforms-industrial-processes

https://www.tandfonline.com/doi/full/10.1080/0951192X.2025.2563261

https://control.com/technical-articles/factory-i-o-a-modern-plc-simulation-tool-to-learn-the-fundamentals/

https://pmc.ncbi.nlm.nih.gov/articles/PMC4397580/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5125732/

https://pmc.ncbi.nlm.nih.gov/articles/PMC6300276/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5493609/

https://royalsocietypublishing.org/doi/10.1098/rspa.1927.0118

https://mcell.org/

https://simtk.org/projects/opensim

https://mmsholdings.com/ai-technology/keruscloud-clinical-trial-simulation/

https://alphafold.ebi.ac.uk/

https://www.nature.com/articles/s41586-024-07487-w

https://www.biorxiv.org/content/10.1101/2025.09.12.675912v1

https://pmc.ncbi.nlm.nih.gov/articles/PMC10565529/

https://www.columbia.edu/~mh2078/QRM/MC_RiskManage.pdf

https://pages.stern.nyu.edu/~adamodar/pdfiles/papers/VAR.pdf

https://www.financialresearch.gov/working-papers/files/OFRwp2014-05_BookstaberPaddrikTivnan_Agent-basedModelforFinancialVulnerability_revised.pdf

https://sie.scholasticahq.com/article/4598-geometric-brownian-motion-option-pricing-and-simulation-some-spreadsheet-based-exercises-in-financial-modeling.pdf

https://lumivero.com/product/risk/

https://www.quantlib.org/

https://www.math.uchicago.edu/~may/VIGRE/VIGRE2010/REUPapers/Turner.pdf

https://www.sas.com/en_gb/insights/articles/risk-fraud/stress-test-scenarios-for-banks.html

https://www.quantconnect.com/

https://www.mathworks.com/discovery/basel-III.html

https://www.bis.org/bcbs/basel3.htm

Simulação de eventos discretos

A simulação de eventos discretos (DES) modela a operação de um sistema como uma sequência discreta de eventos que ocorrem em instantes específicos no tempo, onde o relógio da simulação avança diretamente para a ocorrência do próximo evento, em vez de progredir em incrementos de tempo fixos. Esta abordagem é particularmente adequada para sistemas que apresentam mudanças de estado esporádicas, como chegadas ou falhas, e depende de uma fila de eventos para armazenar e gerenciar eventos pendentes, normalmente implementada com filas prioritárias para garantir que o evento agendado mais cedo seja processado primeiro.[24] O mecanismo principal envolve a manutenção de uma lista de eventos futuros ordenados por carimbo de data/hora, permitindo ao simulador pular com eficiência os períodos de inatividade entre os eventos.[25]

Um algoritmo chave no DES é o avanço do tempo do próximo evento, que atualiza o tempo de simulação atual tcurrentt_{\text{current}}tcurrent​ para o horário programado do evento iminente calculando tnext=min⁡(ti)t_{\text{next}} = \min(t_i)tnext​=min(ti​) para todos os eventos pendentes iii na fila.[25] Ao avançar o tempo, o evento é executado, atualizando as variáveis ​​de estado do sistema, e quaisquer eventos futuros resultantes são agendados ou cancelados conforme necessário.[26] A modelagem de fluxo de entidades amplia isso representando entidades dinâmicas, como peças ou clientes, que atravessam uma rede de processos, com eventos desencadeando movimentos e interações, comumente aplicados a linhas de produção onde as entidades fluem através de estações como filas e máquinas.[27]

Ferramentas de software proeminentes para DES incluem Arena, uma plataforma comercial da Rockwell Automation que suporta modelagem hierárquica para fluxos de entidades complexas; AnyLogic, que integra módulos DES com recursos multimétodos para simulações versáteis; e Simul8, uma ferramenta intuitiva lançada em 1994 que popularizou DES acessível para não especialistas.[28][29]

O DES é amplamente utilizado em sistemas de filas, como call centers onde são modeladas chegadas de clientes e conclusão de serviços; operações logísticas, incluindo processos de separação e expedição em armazém; e indústrias de serviços, como saúde, para análise de fluxo de pacientes.[27][30] Nesses domínios, a equação de agendamento de eventos tnext=min⁡(ti)t_{\text{next}} = \min(t_i)tnext​=min(ti​) garante o tempo preciso das interações, permitindo a avaliação de métricas de desempenho como tempos de espera.[31]

As principais vantagens do DES decorrem de sua eficiência no tratamento de ocorrências de eventos esparsos, evitando cálculos desnecessários durante períodos ociosos e, portanto, dimensionando bem para simulações de longa duração.[32] A validação do modelo normalmente envolve análise estatística de execuções replicadas para calcular intervalos de confiança em resultados importantes, como rendimento, fornecendo limites para estimativas como taxas médias de produção com níveis de confiança de 95%.[33] Isto contrasta com a simulação contínua, que é melhor para sistemas que requerem modelagem de dinâmica suave e contínua.[34]

Simulação Contínua

A simulação contínua envolve a modelagem de sistemas dinâmicos onde as variáveis ​​de estado evoluem suavemente ao longo do tempo, normalmente representadas por equações diferenciais ordinárias (EDOs) ou equações diferenciais parciais (EDPs) que descrevem mudanças contínuas em processos físicos ou de engenharia.[35] Esta abordagem contrasta com métodos discretos, concentrando-se na progressão fluida dos estados do sistema sem saltos abruptos, usando integração numérica para aproximar soluções em computadores digitais, apesar de sua discrição inerente.[35] O método principal envolve discretizar o tempo em etapas fixas ou variáveis ​​e resolver iterativamente as equações governantes, permitindo previsões do comportamento do sistema sob diversas entradas e parâmetros.[36]

As principais técnicas numéricas para simulação contínua incluem métodos explícitos como o método de Euler, que aproxima o próximo estado usando um simples passo adiante, e variantes de ordem superior, como os métodos Runge-Kutta, que melhoram a precisão avaliando derivadas múltiplas vezes em cada etapa.[36] Para sistemas não rígidos, esses integradores explícitos são suficientes, mas equações rígidas - caracterizadas por escalas de tempo amplamente variadas que exigem pequenos passos para estabilidade - exigem solucionadores implícitos, como fórmulas de diferenciação retroativa ou Runge-Kutta implícito, para manter a eficiência e a estabilidade numérica sem computação excessiva. Uma representação fundamental é o problema EDO de valor inicial:

onde yyy denota variáveis ​​de estado, ttt é tempo, uuu representa entradas e a equação é resolvida iterativamente a partir das condições iniciais y0y_0y0​.[35] A precisão é controlada por meio de parâmetros como tolerâncias de erro locais, que adaptam tamanhos de passo para equilibrar precisão e velocidade, muitas vezes alcançando erros relativos abaixo de 10−610^{-6}10−6 em problemas bem condicionados.[36]

Softwares proeminentes para simulação contínua incluem MATLAB/Simulink, que suporta modelagem baseada em diagramas de blocos e integração de ODEs/PDEs, e Dymola, uma ferramenta baseada em Modelica para sistemas físicos de múltiplos domínios. Essas ferramentas facilitam aplicações em processos físicos, como dinâmica de fluidos por meio de PDEs Navier-Stokes para simulação de fluxo ou cinética química modelada por EDOs de taxa de reação.[35] Os desafios surgem da intensidade computacional das integrações de alta fidelidade, especialmente para aplicações em tempo real onde a latência deve permanecer abaixo de milissegundos, limitando a escalabilidade sem hardware avançado.[35]

A partir de 2025, os avanços na aceleração da GPU abordaram essas limitações para PDEs em grande escala, com ferramentas como o Ansys Fluent 2025 R1 permitindo tempos de resolução até 14x mais rápidos para simulações de combustão usando o modelo FGM e 13x para simulações de fluxo multifásico usando o método VOF em oito GPUs NVIDIA A100 em comparação com linhas de base da CPU (lançado em 20 de fevereiro de 2025), aprimorando os recursos de gêmeo digital em tempo real.

Simulação Híbrida e Baseada em Agente

A simulação baseada em agentes envolve modelar sistemas como coleções de agentes autônomos que interagem de acordo com regras simples, levando a comportamentos emergentes complexos no nível macro. Nesta abordagem, cada agente opera de forma independente, tomando decisões baseadas em informações locais e interações com vizinhos, sem controle centralizado. Esta metodologia bottom-up contrasta com modelos top-down baseados em equações, enfatizando a dinâmica descentralizada e a heterogeneidade entre os agentes. O trabalho seminal nesta área inclui o modelo Sugarscape, que demonstra como fenómenos sociais como distribuição de riqueza e transmissão cultural surgem de comportamentos de agentes individuais num ambiente com recursos escassos.[40][41]

Um exemplo clássico de emergência em modelos baseados em agentes é o comportamento de aglomeração, onde regras simples para alinhamento, coesão e separação entre agentes produzem movimentos coordenados de grupo. O modelo Boids de Craig Reynolds, introduzido em 1987, simula o bando de pássaros através destes três comportamentos de direção, ilustrando como os padrões globais emergem das interações locais sem programação explícita do resultado coletivo. Da mesma forma, o modelo Vicsek de 1995 captura transições de fase em sistemas de partículas autopropulsadas, onde as regras de alinhamento levam a flocagem ordenada acima de um limite de ruído crítico, destacando o papel dos elementos estocásticos na oscilação entre estados desordenados e coerentes. Ferramentas de software populares para implementar tais modelos incluem NetLogo, uma linguagem de programação multiagente projetada para simulações educacionais e exploratórias de fenômenos emergentes, e Repast, um kit de ferramentas extensível baseado em Java para modelagem de ciências sociais em larga escala baseada em agentes.

Os conceitos-chave na modelagem baseada em agentes incluem tomada de decisão estocástica e regras de interação que impulsionam a emergência. Os agentes geralmente empregam a maximização da utilidade para avaliar opções, onde a utilidade do agente iii é calculada como uma soma ponderada sobre os estados vizinhos, como ui=∑jrij⋅stateju_i = \sum_j r_{ij} \cdot \text{state}jui​=∑j​rij​⋅statej​, com rijr{ij}rij​ representando recompensas de interação ou preferências entre os agentes iii e jjj. Esta formulação, semelhante aos modelos de utilidade aleatória, incorpora a aleatoriedade através de termos de ruído para refletir a racionalidade limitada e a variabilidade nas escolhas. Elementos estocásticos, como transições probabilísticas em estados de agentes, permitem ainda mais a simulação de incerteza e heterogeneidade, permitindo que os modelos capturem diversos atributos de agentes, como tolerâncias de risco variadas ou padrões de mobilidade.[45]

A simulação híbrida amplia as abordagens baseadas em agentes, integrando dinâmicas de eventos discretos e de tempo contínuo, permitindo representações mais realistas de sistemas com mudanças abruptas e evoluções suaves. Em modelos híbridos, eventos discretos – como decisões ou gatilhos de agentes – podem interromper fluxos contínuos, como processos físicos governados por equações diferenciais. O padrão Functional Mock-up Interface (FMI) facilita essa co-simulação definindo interfaces para troca de modelos entre ferramentas, suportando tanto a troca de modelos para solucionadores contínuos quanto a co-simulação para execução mista discreta-contínua. Por exemplo, o FMI permite que as interações dos agentes orientadas por eventos sejam sincronizadas com modelos contínuos de plantas em sistemas ciberfísicos, melhorando a precisão em cenários que envolvem ciclos de feedback. Extensões recentes ao FMI abordam a revisão de etapas e a condução híbrida de eventos temporais para lidar com interações não lineares de forma mais robusta.[46][47][48]

Simulação Eletrônica e de Circuitos

O software de simulação eletrônica e de circuitos concentra-se principalmente na modelagem do comportamento de circuitos elétricos, incluindo sistemas analógicos, digitais e de sinais mistos, para prever o desempenho sem prototipagem física. Em sua essência, este domínio depende do SPICE (Programa de Simulação com Ênfase em Circuitos Integrados), uma ferramenta fundamental desenvolvida na Universidade da Califórnia, Berkeley, em 1970, por Laurence Nagel, sob a direção de Donald Pederson.[52] O SPICE permite a análise detalhada das respostas do circuito a vários estímulos, enfatizando o design de circuitos integrados, mas aplicável à eletrônica mais ampla. Ele suporta tipos de análise importantes, como análise de ponto de operação CC não linear, análise CA de pequenos sinais para comportamento no domínio da frequência e análise transitória não linear para dinâmica no domínio do tempo, permitindo que os engenheiros simulem tensão, corrente e potência em estado estacionário ou condições dinâmicas.

O método fundamental em simuladores baseados em SPICE é a formulação de tensão de nó, derivada da lei das correntes de Kirchhoff (KCL), que expressa equações de circuito em forma de matriz. Esta abordagem divide o circuito em nós e resolve tensões de nós desconhecidas equilibrando as correntes em cada nó, levando a um sistema de equações lineares representado como Gv = iG \mathbf {v} = \mathbf {i} Gv = i, onde GGG é a matriz de condutância que encapsula as admitâncias dos elementos, v\mathbf{v}v é o vetor de tensões de nó, e i\mathbf{i}i é o vetor de fontes de corrente independentes. Para elementos não lineares como diodos ou transistores, as equações são resolvidas iterativamente usando técnicas como Newton-Raphson, atualizando a matriz de condutância em cada etapa para lidar com modelos de dispositivos com precisão. Simulações transitórias avançam o tempo em etapas discretas, integrando equações diferenciais de comportamentos de capacitores e indutores, enquanto a análise CA lineariza o circuito em torno de um ponto operacional para calcular respostas de frequência por meio de aritmética complexa.

Implementações de software proeminentes incluem LTspice, um simulador gratuito compatível com SPICE da Analog Devices otimizado para análise de circuitos analógicos, apresentando captura esquemática, visualização de formas de onda e modelos integrados para simulações transientes, CA, ruído e digitais. O OrCAD, desenvolvido pela Cadence, integra o PSpice para simulação avançada de sinais analógicos e mistos em um ambiente de projeto de PCB, suportando análises transitórias, CA e CC junto com Monte Carlo e avaliações de pior caso para avaliar a variabilidade. Essas ferramentas facilitam aplicações como verificação de projeto de PCB, onde simulações confirmam o roteamento de sinal e a integridade da distribuição de energia, e simulação de sinal de RF, modelando comportamentos de alta frequência, como correspondência de impedância e efeitos de linha de transmissão em sistemas sem fio.

Um grande desafio na simulação eletrônica de alta velocidade surge de efeitos parasitas, como capacitâncias e indutâncias não intencionais em traços e interconexões de PCB, que degradam a integridade do sinal ao introduzir diafonia, reflexões e atrasos em frequências acima de 1 GHz.[60] A modelagem precisa requer a extração desses parasitas pós-layout usando solucionadores de campo integrados em simuladores, à medida que eles se tornam dominantes em projetos como módulos 5G ou interfaces de dados de alta velocidade, muitas vezes necessitando de refinamento iterativo para atender às margens de tempo e ruído.

A partir de 2025, as tendências na simulação eletrônica se estendem à modelagem de circuitos quânticos, com ferramentas como o Qiskit da IBM incorporando extensões como Aer para simulação de alta fidelidade de portas quânticas e comportamentos de qubit ruidosos, permitindo a verificação de eletrônica quântica clássica híbrida para aplicações emergentes em criptografia e otimização. Os simuladores de vetor de estado e matriz de densidade do Qiskit suportam até 44 qubits em clusters de GPU, unindo métodos SPICE clássicos com física de dispositivos quânticos para abordar a escalabilidade em circuitos supercondutores ou de armadilha de íons.

Simulação Mecânica e de Fabricação

O software de simulação mecânica e de fabricação emprega análise de elementos finitos (FEA) para modelar tensão e deformação em sistemas mecânicos, permitindo que os engenheiros prevejam o comportamento do material sob várias cargas durante os processos de fabricação.[64] Na conformação de chapas metálicas, essas ferramentas simulam a deformação para prever fenômenos como retorno elástico, onde as peças ricocheteiam elasticamente após o descarregamento, permitindo ajustes de projeto para minimizar desvios dos formatos pretendidos.[65] Para fundição de metal, as simulações analisam o fluxo de fluido do metal fundido nos moldes e a subsequente solidificação, ajudando a identificar problemas potenciais, como enchimento incompleto ou gradientes térmicos que podem levar a fraquezas estruturais.[66]

Os principais métodos nessas simulações incluem formulações Lagrangianas, onde a malha segue pontos materiais para rastrear a deformação em sólidos, e formulações Eulerianas, que usam uma malha fixa para lidar com grandes fluxos semelhantes a fluidos, muitas vezes combinados em abordagens arbitrárias Lagrangiana-Euleriana (ALE) para cenários híbridos como processos de formação. Em regimes elásticos, as relações tensão-deformação são governadas pela lei de Hooke, expressa como σ=Eε\sigma = E \varepsilonσ=Eε, onde σ\sigmaσ é tensão, EEE é o módulo de Young e ε\varepsilonε é deformação, fornecendo um modelo linear fundamental para cálculos FEA iniciais antes de incorporar efeitos não lineares.

Software proeminente inclui LS-DYNA, que se destaca em dinâmica explícita para testes de colisão e formação de chapas metálicas, simulando impactos de alta velocidade e deformações plásticas com alta fidelidade.[69] Para fundição, a MAGMAsoft otimiza os parâmetros do processo modelando enchimento, solidificação e resfriamento para reduzir defeitos como porosidade.[70] Essas ferramentas integram-se perfeitamente aos sistemas CAD, importando modelos geométricos para agilizar os fluxos de trabalho do projeto à simulação sem perda de dados.[71]

As aplicações concentram-se na previsão de defeitos, como enrugamento ou rasgo em operações de estampagem, onde as simulações orientam as modificações na geometria da ferramenta para melhorar a qualidade da peça.[72] Em moldes, as simulações de porosidade prevêem o aprisionamento de gás ou vazios de contração durante a solidificação, validadas em relação a protótipos físicos por meio de técnicas como inspeção por raios X para confirmar a precisão do modelo.[73] Até 2025, os avanços na simulação em tempo real para fabricação aditiva, incluindo FEA de simulação em circuito e aprendizado de máquina com base na física, permitirão o monitoramento de tensões e distorções térmicas no processo, melhorando a qualidade de construção sem interromper a produção.[74][75]

Simulação de Rede e Protocolo

O software de simulação de rede e protocolo modela o comportamento de redes de computadores no nível de pacote, permitindo a análise de interações de protocolo, transmissão de dados e desempenho do sistema sem hardware físico. Essas ferramentas simulam elementos centrais, como pilhas TCP/IP, onde os pacotes são gerados, roteados e processados ​​de acordo com regras de protocolo, incluindo mecanismos para evitar congestionamento, como dimensionamento de janelas e tempos limite de retransmissão.[76] Simulações de roteamento replicam algoritmos como OSPF ou BGP, permitindo avaliação de seleção de caminho, balanceamento de carga e tolerância a falhas em topologias dinâmicas.[77] Os modelos de filas são essenciais para estudar o congestionamento, representando buffers em roteadores ou switches onde os pacotes que chegam aguardam se a fila estiver cheia, levando a atrasos ou quedas.[78]

Um método primário nessas simulações é a simulação de eventos discretos, que avança o tempo apenas quando ocorre um evento relacionado ao pacote, como chegada, transmissão ou confirmação, tornando-a eficiente para modelar o tráfego de rede assíncrono.[76] Essa abordagem lida com eventos de pacotes mantendo uma fila de eventos ordenada por carimbo de data/hora, processando cada um em sequência para atualizar estados de rede, como utilização de link ou ocupação de buffer. Para análise de filas, a lei de Little fornece um relacionamento fundamental, afirmando que o número médio de itens em um sistema de filas LLL é igual à taxa de chegada λ\lambdaλ vezes o tempo médio gasto no sistema WWW, ou

Esta equação, derivada de suposições de estado estacionário, quantifica os impactos do congestionamento na taxa de transferência e no atraso em redes simuladas.[78] No controle de congestionamento TCP, por exemplo, ajuda a prever comprimentos de buffer sob cargas variadas, informando o ajuste de algoritmos como aqueles nas variantes Reno ou Cubic.

As primeiras simulações de rede na década de 1980 apoiaram o projeto e a avaliação de infraestruturas fundamentais, como a NSFNET, uma espinha dorsal acadêmica que utiliza protocolos TCP/IP que sucedeu à ARPANET, com modelos que avaliam a escalabilidade e a confiabilidade sob tráfego crescente.[79] Exemplos proeminentes de código aberto hoje incluem ns-3, um simulador de eventos discretos escrito em C++ que suporta TCP/IP detalhado e modelagem de protocolo sem fio para pesquisa, e OMNeT++, uma estrutura modular extensível para componentes de rede personalizados por meio de sua linguagem de topologia NED. Ambas as ferramentas facilitam o rastreamento em nível de pacote, permitindo a visualização de fluxos e condições de erro.

As aplicações abrangem a otimização sem fio, como a simulação de acesso ao canal Wi-Fi sob os padrões IEEE 802.11 para minimizar a interferência e melhorar a reutilização espacial, e testar arquiteturas 5G/6G, incluindo formação de feixe mmWave e fatiamento de rede para comunicações ultraconfiáveis ​​de baixa latência.[82] As principais métricas de desempenho avaliadas incluem latência ponta a ponta, medindo o atraso dos pacotes da origem ao destino, e taxa de transferência, quantificando taxas de dados sustentadas em Mbps sob carga, muitas vezes revelando compensações, como aumento da latência durante picos de congestionamento.[83] Por exemplo, o ns-3 tem sido usado em simulações de redes 5G, incluindo configurações de RAN virtualizadas, para avaliar métricas de desempenho, como latência e taxa de transferência, em cenários de alta mobilidade.[84]

A partir de 2025, os avanços incorporam simulações de computação de ponta, modelagem de processamento distribuído em periferias de rede para reduzir a latência central e técnicas baseadas em IA, onde o aprendizado de máquina otimiza o roteamento ou prevê padrões de tráfego em simuladores, como módulos ns-3 estendidos.[82] Essas integrações permitem a alocação de recursos baseada em aprendizado de reforço para 6G, simulando agentes de IA que se adaptam a ambientes de borda dinâmicos para maior eficiência.[85]

Simulação de PLC e Automação

O software de simulação para controladores lógicos programáveis ​​(CLPs) e automação industrial emula principalmente os comportamentos de hardware e software de sistemas CLP para testar entradas/saídas (E/S), temporizadores e contadores sem hardware físico, permitindo verificação segura e econômica da lógica de controle.[86] Essa emulação replica operações PLC do mundo real, permitindo que os engenheiros simulem fiação elétrica, sinais de sensores e respostas de atuadores em ambientes virtuais.[87] Essas ferramentas suportam a programação lógica ladder, um padrão de linguagem gráfica para controle industrial, facilitando o projeto e a depuração de sequências de automação.[88]

Os métodos principais na simulação de PLC giram em torno do ciclo de varredura, um processo repetitivo onde o simulador lê as entradas, executa o programa definido pelo usuário (processando lógica como temporizadores e contadores) e atualiza as saídas para imitar o controle em tempo real. Para sequências complexas, são empregadas máquinas de estado, modelando fluxos de controle como estados finitos com transições acionadas por condições, o que melhora a modularidade e o tratamento de erros em implementações de lógica ladder. Essas abordagens geralmente integram técnicas de simulação de eventos discretos para modelar etapas do processo, como ativações de transportadores ou intertravamentos de máquinas.[91] Exemplos proeminentes incluem Siemens S7-PLCSIM Advanced, que fornece emulação precisa de firmware para testar funções completas de PLC, e Factory I/O, um simulador de fábrica 3D que se conecta a várias marcas de PLC para treinamento e validação imersivos. A integração com interfaces homem-máquina (HMIs) é comum, permitindo que PLCs simulados interajam com HMIs virtuais para testes de interação do operador, conforme suportado em ferramentas como simulações do Siemens TIA Portal.[94]

As aplicações de PLC e simulação de automação concentram-se na validação do chão de fábrica, onde o comissionamento virtual verifica o desempenho do sistema antes da implantação, reduzindo o tempo de inatividade e os custos de comissionamento em ambientes industriais.[95] O diagnóstico de falhas é outro uso importante, com simuladores que permitem a injeção de erros para testar rotinas de diagnóstico e identificar problemas na lógica de controle, melhorando a confiabilidade em processos automatizados.[96] Essas ferramentas aderem a padrões como IEC 61131-3, que define linguagens de programação como lógica ladder e diagramas de blocos de funções para garantir portabilidade e consistência entre fornecedores de PLC.[88] Até 2025, os avanços nas simulações ciberfísicas terão avançado a integração da Indústria 4.0, incorporando gêmeos digitais e troca de dados em tempo real para manutenção preditiva e automação adaptativa na fabricação inteligente.[97][98]

Simulação Biológica e Médica

O software de simulação biológica e médica permite a modelagem de sistemas vivos complexos, desde processos celulares até dinâmicas de saúde em nível populacional, auxiliando na pesquisa, no desenvolvimento de medicamentos e na tomada de decisões clínicas. Essas ferramentas integram estruturas matemáticas para replicar fenômenos fisiológicos, incorporando a variabilidade inerente aos sistemas biológicos para prever resultados sob diversas condições. Ao simular cenários que são desafiadores do ponto de vista ético ou prático para estudar in vivo, esse software acelera descobertas em áreas como farmacocinética e epidemiologia.[99]

Os modelos compartimentais constituem a base para a simulação da cinética de medicamentos, dividindo o corpo em compartimentos interconectados para rastrear os processos de absorção, distribuição, metabolismo e eliminação (ADME). Por exemplo, os modelos farmacocinéticos de base fisiológica (PBPK) utilizam compartimentos específicos de órgãos ligados pelo fluxo sanguíneo para prever as concentrações de medicamentos ao longo do tempo, apoiando estratégias de dosagem personalizadas. Os modelos baseados em agentes, por outro lado, simulam a propagação de doenças representando indivíduos como agentes autônomos interagindo em ambientes virtuais, capturando comportamentos heterogêneos e efeitos espaciais que impulsionam epidemias.[100][101]

Para explicar a variabilidade estocástica em processos biológicos, como colisões moleculares aleatórias ou eventos de infecção, métodos que empregam equações diferenciais estocásticas (SDEs) são amplamente adotados; estes estendem modelos determinísticos incorporando termos de ruído, permitindo simulações de resultados probabilísticos em sinalização celular ou dinâmica populacional. Um exemplo seminal é o modelo Suscetível-Infectado-Recuperado (SIR) para previsão epidemiológica, governado pela equação diferencial para a população suscetível:

onde SSS é o número de indivíduos suscetíveis, III os infectados, NNN a população total e β\betaβ a taxa de transmissão; esta estrutura, originalmente desenvolvida em 1927, sustenta muitas simulações modernas de surtos. Historicamente, as equações predador-presa Lotka-Volterra de 1925–1926 estabeleceram princípios fundamentais para a modelagem ecológica em biologia, descrevendo a dinâmica oscilatória entre espécies por meio de equações diferenciais acopladas que influenciaram aplicações médicas subsequentes, como interações hospedeiro-patógeno.

O software representativo inclui CellBlender, um complemento do Blender para simulações estocásticas de reação-difusão em ambientes celulares 3D, facilitando modelos de vias bioquímicas e aglomeração molecular. O OpenSim suporta simulações biomecânicas modelando sistemas músculo-esqueléticos para analisar o movimento e a mecânica dos tecidos, auxiliando na reabilitação e no design de próteses. Nas aplicações, os ensaios clínicos virtuais aproveitam estas ferramentas para testar intervenções em coortes sintéticas de pacientes, reduzindo custos e riscos éticos; a partir de 2025, as integrações com AlphaFold, incluindo AlphaFold3 para previsões multimoléculas, melhoram as simulações de interações medicamento-alvo, permitindo a triagem rápida da dinâmica molecular em contextos terapêuticos.[104][105][106][107][108][109]

Um desafio importante nas simulações médicas que envolvem dados de pacientes é garantir a privacidade, uma vez que a aprendizagem federada e as técnicas de privacidade diferencial são essenciais para proteger informações confidenciais de saúde e, ao mesmo tempo, permitir o treinamento de modelos em conjuntos de dados distribuídos. As abordagens baseadas em agentes fazem uma breve referência à dinâmica populacional nestes contextos, modelando variações a nível individual sem se aprofundarem em metodologias gerais.[110]

Simulação Financeira e Econômica

O software de simulação financeira e econômica permite a modelagem de sistemas monetários complexos, interações de mercado e incertezas para apoiar a avaliação de riscos, a análise de cenários e a tomada de decisões em finanças e economia. Estas ferramentas simulam resultados probabilísticos para preços de ativos, desempenho de carteiras e indicadores económicos, permitindo aos utilizadores avaliar potenciais impactos de variáveis ​​como taxas de juro, volatilidade e mudanças de política sob diversas condições. Ao incorporar elementos estocásticos, essas simulações fornecem informações quantitativas sobre a dinâmica do mercado, ajudando as instituições a mitigar riscos e a otimizar estratégias.[111]

Uma aplicação central da simulação em finanças são os métodos de Monte Carlo para avaliação de risco de carteira, que geram milhares de cenários aleatórios com base em distribuições de insumos para estimar métricas como Valor em Risco (VaR) e déficit esperado. Esta abordagem tem em conta correlações entre ativos e efeitos não lineares, oferecendo uma forma robusta de quantificar riscos de cauda em carteiras diversificadas. A modelagem baseada em agentes complementa isso simulando participantes heterogêneos do mercado — como comerciantes, instituições e reguladores — com comportamentos e interações individuais para capturar fenômenos emergentes como bolhas, quebras e choques de liquidez nos mercados financeiros.[112][113]

Os principais métodos nestas simulações baseiam-se em processos estocásticos para modelar a evolução dos preços dos ativos, com o movimento browniano geométrico servindo como modelo fundamental, assumindo retornos log-normais. A equação diferencial estocástica para o movimento browniano geométrico é dada por

onde SSS é o preço do ativo, μ\muμ é a taxa de deriva, σ\sigmaσ é a volatilidade, dtdtdt é o incremento de tempo e dWdWdW é o incremento do processo de Wiener. Este processo sustenta simulações para preços de opções e derivativos dependentes da trajetória, permitindo a projeção de trajetórias futuras de preços por meio de técnicas de integração numérica, como a discretização de Euler-Maruyama.[114]

Ferramentas de software proeminentes incluem @Risk, um complemento do Excel que integra simulação de Monte Carlo para análise de risco em planilhas, suportando distribuições de variáveis ​​como retornos e correlações para modelar o VaR do portfólio. QuantLib, uma biblioteca C++ de código aberto, fornece classes extensíveis para precificação de instrumentos e simulação de processos estocásticos, incluindo implementações de movimento geométrico browniano para derivativos e gerenciamento de risco. Historicamente, o modelo Black-Scholes de 1973 revolucionou o preço de opções com sua solução de forma fechada sob suposições geométricas de movimento browniano, posteriormente estendida por meio de simulações para lidar com características dependentes do caminho, como opções americanas, por meio de métodos de Monte Carlo de mínimos quadrados.

https://ors.od.nih.gov/OD/OQM/cms/Pages/default.aspxhttps://uh.edu/~lcr3600/simulation/guide.htmlhttp://home.ubalt.edu/ntsbarsh/simulation/sim.htmhttps://ww w.scmgalaxy.com/tutorials/top-10-simulation-software-tools-in-2025-features-pros-cons-comparison/https://www.simul8.com/software/pricinghttps://secwww.jhuap l.edu/techdigest/content/techdigest/pdf/V16-N01/16-01-Menner.pdfhttps://www.utrgv.edu/nsfmbse/resources/modeling--simulation-workshop-v1-pdf.pdfhttps://www. cs.mcgill.ca/~hv/classes/MS/MSconcepts.pdfhttps://www.sciencedirect.com/topics/computer-science/simulation-systemhttps://www.simscale.com/blog/difference-be tween-cad-and-cae/https://www.cds.caltech.edu/~murray/books/AM08/pdf/am08-modeling_28Sep12.pdfhttps://www.computer.org/resources/software-engineering-models https://www.lanl.gov/media/publications/actinide-research-quarterly/1123-hitting-the-jackpot-the-birth-of-the-monte-carlo-methodhttps://uh.edu/~lcr3600/simu lação/historical.htmlhttps://www.cs.fsu.edu/~mascagni/MC_Basics.pdfhttps://eprints.cs.vt.edu/archive/00000363/01/TR-93-21.pdfhttps://www.mn.uio.no/ifi/engl ish/about/ole-johan-dahl/bibliography/the-birth-of-object-orientation-the-simula-languages.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S03784754 74800030https://surface.syr.edu/cgi/viewcontent.cgi?article=1099&context=eecshttps://fmi-standard.org/assets/releases/FMI_for_ModelExchange_and_CoSimulation _v2.0.pdfhttps://www.simio.com/optimizing-manufacturing-capacity-using-digital-twin-technology-post-covid-19/https://ansyshelp.ansys.com/public//Views/Secur ed/corp/v252/en/pdf/Methods_for_Parametric_Design_Optimization.pdfhttps://www.cs.wm.edu/~esmirni/Teaching/cs526/section5.1.pdfhttps://www.dmi.unict.it/messi na/didat/DES_17_18/leemis_chapter5.pdfhttps://huichen-cs.github.io/course/CSCI570/notes/lecture10_nes.pdfhttps://www.cs.mcgill.ca/~hv/classes/MS/discreteEven t.pdfhttps://www.simul8.com/discrete-event-simulationhttps://www.anylogic.com/use-of-simulation/discrete-event-simulation/https://www.simul8.com/about/https ://www.researchgate.net/publication/221525182_Applications_of_Discrete-Event_Simulation_to_Support_Manufacturing_Logistics_Decision-Making_A_Surveyhttps://c alhoun.nps.edu/server/api/core/bitstreams/c0b1a6ec-36ae-42ce-aa55-c8dfc068aefa/contenthttps://www.tandfonline.com/doi/full/10.1586/14737167.2016.1165608http s://apps.dtic.mil/sti/tr/pdf/ADA248170.pdfhttps://engineering.purdue.edu/~ee368/Spring-2018-files/simulation.pdfhttps://www.sciencedirect.com/science/article /pii/B0122272404000186https://www.intechopen.com/chapters/84738https://www.mathworks.com/help/simscape/ug/making-optimal-solver-choices-for-physical-simulat ion.htmlhttps://www.sciencedirect.com/science/article/pii/B012227240400160Xhttps://www.ansys.com/blog/whats-new-ansys-fluent-2025-r1https://direct.mit.edu/b ooks/monograph/2503/Growing-Artificial-SocietiesSocial-Science-fromhttps://onlinelibrary.wiley.com/doi/10.1002/%28SICI%291099-0526%28199905/06%294:5%253C41: :AID-CPLX9%253E3.0.CO%3B2-Fhttps://www.red3d.com/cwr/papers/1987/SIGGRAPH87.pdfhttps://ccl.northwestern.edu/papers/netlogo-iccs2004.pdfhttps://repast.github. io/https://pmc.ncbi.nlm.nih.gov/articles/PMC5391997/https://fmi-standard.org/docs/3.0.2/https://simulationresearch.lbl.gov/wetter/download/2015-BromanEtAl_H ybridCosimulation_HSCC.pdfhttps://ieeexplore.ieee.org/document/7385981https://pmc.ncbi.nlm.nih.gov/articles/PMC8490969/https://www.cdc.gov/pcd/issues/2016/1 5_0561.htmhttps://www.nature.com/articles/s41599-024-03611-3https://ethw.org/Milestones:SPICE_%28Simulation_Program_with_Integrated_Circuit_Emphasis%29%2C_1 969-1970https://www2.eecs.berkeley.edu/Pubs/TechRpts/1973/22871.htmlhttps://spinningnumbers.org/a/node-voltage.htmlhttps://www.khanacademy.org/science/electr engenharia ical/ee-circuit-análise-tópico/ee-dc-circuit-análise/a/ee-node-voltage-methodhttps://www.analog.com/en/resources/design-tools-and-calculators/l tspice-simulator.htmlhttps://www.cadence.com/en_US/home/tools/pcb-design-and-análise/orcad.htmlhttps://www.allpcb.com/blog/pcb-design/pcb-design-software-f or-rf-applications-what-features-are-essential.htmlhttps://resources.pcb.cadence.com/blog/2019-a-rf-circuit-análise-simulação-across-frequency-spectrumsht tps://www.ansys.com/blog/parasitic-extraction-high-speed-chip-designhttp://ieeexplore.ieee.org/document/6756518/https://arxiv.org/pdf/2508.12245https://fiqci .fi/publications/2025-04-01-LUMI-quantum-simulations-qiskit-aerhttps://pmc.ncbi.nlm.nih.gov/articles/PMC11395829/https://www.ansys.com/products/structures/a formação de nsyshttps://www.sciencedirect.com/science/article/pii/S2351978919312193https://www.sciencedirect.com/science/article/pii/0045782593901068https://www .finiteelements.org/hookeslaw.htmlhttps://www.ansys.com/products/structures/ansys-ls-dynahttps://www.magmasoft.com/en/solutions/magmasoft/https://plm.sw.sie mens.com/en-US/nx/cad-online/mcad-software/cad-simulation/https://www.sciencedirect.com/science/article/abs/pii/S2214785320315728https://www.sciencedirect.co

https://ors.od.nih.gov/OD/OQM/cms/Pages/default.aspx

https://uh.edu/~lcr3600/simulation/guide.html

http://home.ubalt.edu/ntsbarsh/simulation/sim.htm

https://www.scmgalaxy.com/tutorials/top-10-simulation-software-tools-in-2025-features-pros-cons-comparison/

https://www.simul8.com/software/pricing

https://secwww.jhuapl.edu/techdigest/content/techdigest/pdf/V16-N01/16-01-Menner.pdf

https://www.utrgv.edu/nsfmbse/resources/modeling--simulation-workshop-v1-pdf.pdf

https://www.cs.mcgill.ca/~hv/classes/MS/MSconcepts.pdf

https://www.sciencedirect.com/topics/computer-science/simulation-system

https://www.simscale.com/blog/difference-between-cad-and-cae/

https://www.cds.caltech.edu/~murray/books/AM08/pdf/am08-modeling_28Sep12.pdf

https://www.computer.org/resources/software-engineering-models

https://www.lanl.gov/media/publications/actinide-research-quarterly/1123-hitting-the-jackpot-the-birth-of-the-monte-carlo-method

https://uh.edu/~lcr3600/simulation/historical.html

https://www.cs.fsu.edu/~mascagni/MC_Basics.pdf

https://eprints.cs.vt.edu/archive/00000363/01/TR-93-21.pdf

https://www.mn.uio.no/ifi/english/about/ole-johan-dahl/bibliography/the-birth-of-object-orientation-the-simula-languages.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0378475474800030

https://surface.syr.edu/cgi/viewcontent.cgi?article=1099&context=eecs

https://fmi-standard.org/assets/releases/FMI_for_ModelExchange_and_CoSimulation_v2.0.pdf

https://www.simio.com/optimizing-manufacturing-capacity-using-digital-twin-technology-post-covid-19/

https://ansyshelp.ansys.com/public//Views/Secured/corp/v252/en/pdf/Methods_for_Parametric_Design_Optimization.pdf

https://www.cs.wm.edu/~esmirni/Teaching/cs526/section5.1.pdf

https://www.dmi.unict.it/messina/didat/DES_17_18/leemis_chapter5.pdf

https://huichen-cs.github.io/course/CSCI570/notes/lecture10_nes.pdf

https://www.cs.mcgill.ca/~hv/classes/MS/discreteEvent.pdf

https://www.simul8.com/discrete-event-simulation

https://www.anylogic.com/use-of-simulation/discrete-event-simulation/

https://www.simul8.com/about/

https://www.researchgate.net/publication/221525182_Applications_of_Discrete-Event_Simulation_to_Support_Manufacturing_Logistics_Decision-Making_A_Survey

https://calhoun.nps.edu/server/api/core/bitstreams/c0b1a6ec-36ae-42ce-aa55-c8dfc068aefa/content

https://www.tandfonline.com/doi/full/10.1586/14737167.2016.1165608

https://apps.dtic.mil/sti/tr/pdf/ADA248170.pdf

https://engineering.purdue.edu/~ee368/Spring-2018-files/simulation.pdf

https://www.sciencedirect.com/science/article/pii/B0122272404000186

https://www.intechopen.com/chapters/84738

https://www.mathworks.com/help/simscape/ug/making-optimal-solver-choices-for-physical-simulation.html

https://www.sciencedirect.com/science/article/pii/B012227240400160X

https://www.ansys.com/blog/whats-new-ansys-fluent-2025-r1

https://direct.mit.edu/books/monograph/2503/Growing-Artificial-SocietiesSocial-Science-from

https://onlinelibrary.wiley.com/doi/10.1002/%28SICI%291099-0526%28199905/06%294:5%253C41::AID-CPLX9%253E3.0.CO%3B2-F

https://www.red3d.com/cwr/papers/1987/SIGGRAPH87.pdf

https://ccl.northwestern.edu/papers/netlogo-iccs2004.pdf

https://repast.github.io/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5391997/

https://fmi-standard.org/docs/3.0.2/

https://simulationresearch.lbl.gov/wetter/download/2015-BromanEtAl_HybridCosimulation_HSCC.pdf

https://ieeexplore.ieee.org/document/7385981

https://pmc.ncbi.nlm.nih.gov/articles/PMC8490969/

https://www.cdc.gov/pcd/issues/2016/15_0561.htm

https://www.nature.com/articles/s41599-024-03611-3

https://ethw.org/Milestones:SPICE_%28Simulation_Program_with_Integrated_Circuit_Emphasis%29%2C_1969-1970

https://www2.eecs.berkeley.edu/Pubs/TechRpts/1973/22871.html

https://spinningnumbers.org/a/node-voltage.html

https://www.khanacademy.org/science/electrical-engineering/ee-circuit-análise-topic/ee-dc-circuit-análise/a/ee-node-voltage-method

https://www.analog.com/en/resources/design-tools-and-calculators/ltspice-simulator.html

https://www.cadence.com/en_US/home/tools/pcb-design-and-análise/orcad.html

https://www.allpcb.com/blog/pcb-design/pcb-design-software-for-rf-applications-what-features-are-essential.html

https://resources.pcb.cadence.com/blog/2019-a-rf-circuit-análise-simulação-across-frequency-spectrums

https://www.ansys.com/blog/parasitic-extraction-high-speed-chip-design

http://ieeexplore.ieee.org/document/6756518/

https://arxiv.org/pdf/2508.12245

https://fiqci.fi/publications/2025-04-01-LUMI-quantum-simulations-qiskit-aer

https://pmc.ncbi.nlm.nih.gov/articles/PMC11395829/

https://www.ansys.com/products/structures/ansys-forming

https://www.sciencedirect.com/science/article/pii/S2351978919312193

https://www.sciencedirect.com/science/article/pii/0045782593901068

https://www.finiteelements.org/hookeslaw.html

https://www.ansys.com/products/structures/ansys-ls-dyna

https://www.magmasoft.com/en/solutions/magmasoft/

https://plm.sw.siemens.com/en-US/nx/cad-online/mcad-software/cad-simulation/

https://www.sciencedirect.com/science/article/abs/pii/S2214785320315728

https://www.sciencedirect.com/science/article/pii/S2238785424002114

https://www.sciencedirect.com/science/article/abs/pii/S2214860424006778

https://www.nature.com/articles/s44172-025-00501-7

https://www.nsnam.org/docs/ns-3-overview.pdf

https://www.eecs.harvard.edu/~htk/publication/2002-cnj-wang-kung.pdf

https://www.mdpi.com/2079-9292/14/2/263

https://www.merit.edu/wp-content/uploads/2024/10/Merit-Network_NSFNET-A-Partnership-for-High-Speed-Networking.pdf

https://www.nsnam.org/about/what-is-ns-3/

https://omnetpp.org/

https://arxiv.org/pdf/2005.08281

https://ieeexplore.ieee.org/document/6959222/

https://free5gc.org/blog/20251008/20251008/

https://www.sciencedirect.com/science/article/abs/pii/S1389128623003791

https://www.mathworks.com/discovery/plc-simulation.html

https://www.famictech.com/en/Products/Automation-Studio/Educational-Edition/Technologies/PLC-Simulation

https://webstore.iec.ch/en/publication/4552

https://instrumentationtools.com/understanding-the-scan-cycle-of-siemens-plc/

https://control.com/technical-articles/state-machine-programming-in-ladder-logic/

https://publications.lib.chalmers.se/records/fulltext/195493/195493.pdf

https://www.siemens.com/global/en/products/automation/systems/industrial/plc/s7-plcsim-advanced.html

https://factoryio.com/

https://support.industry.siemens.com/cs/attachments/109748099/109748099_HMI_PLCSIM_DOC_en.pdf

https://www.visualcomponents.com/blog/plc-validation-manufacturing/

https://www.empoweredautomation.com/automation-plc-how-it-transforms-industrial-processes

https://www.tandfonline.com/doi/full/10.1080/0951192X.2025.2563261

https://control.com/technical-articles/factory-i-o-a-modern-plc-simulation-tool-to-learn-the-fundamentals/

https://pmc.ncbi.nlm.nih.gov/articles/PMC4397580/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5125732/

https://pmc.ncbi.nlm.nih.gov/articles/PMC6300276/

https://pmc.ncbi.nlm.nih.gov/articles/PMC5493609/

https://royalsocietypublishing.org/doi/10.1098/rspa.1927.0118

https://mcell.org/

https://simtk.org/projects/opensim

https://mmsholdings.com/ai-technology/keruscloud-clinical-trial-simulation/

https://alphafold.ebi.ac.uk/

https://www.nature.com/articles/s41586-024-07487-w

https://www.biorxiv.org/content/10.1101/2025.09.12.675912v1

https://pmc.ncbi.nlm.nih.gov/articles/PMC10565529/

https://www.columbia.edu/~mh2078/QRM/MC_RiskManage.pdf

https://pages.stern.nyu.edu/~adamodar/pdfiles/papers/VAR.pdf

https://www.financialresearch.gov/working-papers/files/OFRwp2014-05_BookstaberPaddrikTivnan_Agent-basedModelforFinancialVulnerability_revised.pdf

https://sie.scholasticahq.com/article/4598-geometric-brownian-motion-option-pricing-and-simulation-some-spreadsheet-based-exercises-in-financial-modeling.pdf

https://lumivero.com/product/risk/

https://www.quantlib.org/

https://www.math.uchicago.edu/~may/VIGRE/VIGRE2010/REUPapers/Turner.pdf

https://www.sas.com/en_gb/insights/articles/risk-fraud/stress-test-scenarios-for-banks.html

https://www.quantconnect.com/

https://www.mathworks.com/discovery/basel-III.html

https://www.bis.org/bcbs/basel3.htm