什么是混合仿真？
一句话：单一仿真范式各有盲区——把智能体建模（ABM）、离散事件仿真（DES）与系统动力学（SD）融合进同一个模型，让复杂系统的微观行为与宏观动态被统一刻画，这就是混合仿真方法（Hybrid Simulation Methods, HSMs）。这一页讲清楚它的定义、它与单一范式方法的边界、问题层级与组合选择、工作流程与耦合协议细节，以及应用与典型案例。
01 · 定义
混合仿真方法（HSMs）是在同一个模型中有机融合两种及以上建模范式——通常为智能体建模（ABM）、离散事件仿真（DES）与系统动力学（SD）——使各范式在其最擅长的抽象层级上工作，并通过明确的耦合接口交换信息，从而统一刻画复杂系统微观行为与宏观动态的建模与仿真方法。
为什么需要它
仿真建模长期面对一个权衡：DES 精于刻画排队、流程与随机离散事件，却难以表达累积与反馈；SD 擅长存量流量与反馈回路，却把个体异质性抹平；ABM 能呈现个体交互涌现出的宏观模式，但单独使用时宏观结构往往靠不住。现实问题——一支供应链、一家医院、一个应急体系——从来不会只按一种范式运转。HSMs 的思路是把两难拆开：让每个部分用它本来的语言说话，再用实时耦合换取整体的完整性。
中文名称与缩写
文献中常见「混合仿真」「混合建模与仿真」「多方法仿真」（multi-method simulation）等称呼；早期脉络里有「离散-连续混合仿真」。本站统一使用「混合仿真」，英文 Hybrid Simulation；涉及方法体系时使用缩写 HSMs（hybrid simulation methods），与本人综述论文保持一致。
三种范式，一眼看懂
下面三条动线分别是三种范式的「工作方式」：ABM 里异质个体在移动与交互，涌现出宏观模式；DES 里离散作业按事件推进、排队进入处理器；SD 里存量与流量构成循环反馈。
耦合是怎么发生的：一支供应链
上游企业主体的策略与学习用 ABM 刻画，中游订单履约的排队与随机到达用 DES 模拟，下游市场价格与库存的反馈累积用 SD 捕捉。三者之间传递的是明确的变量：智能体的订单进入 DES 队列，DES 的履约产出改变 SD 的库存存量，SD 的价格又反过来影响智能体决策。接口设计是 HSMs 真正的技术含量所在。
- n = 242系统分析的 HSMs 相关文献总量（1980–2024）
- 57.14%"ABM+DES" 组合占比，主导文献——多用双向交互机制连接微观个体行为与宏观系统动态
- 3.27%"ABM+SD" 组合占比——连接微观与宏观的基础科学问题的有力路径，被显著低估
- 53.72%实施了系统性验证策略的研究比例——验证仍是领域短板
Jia, F., Zhu, H., Jia, F., et al. (2026). A Systematic Review and Prospect of Hybrid Simulation Methods and Applications from 1980 to 2024. Archives of Computational Methods in Engineering. doi:10.1007/s11831-026-10607-6
02 · 边界
一个装了三种模板的大软件——混合是建模方法论，不是软件功能。
一种「跨范式融合」的建模方法论：范式选择、接口设计与时间尺度对齐都有讲究。
把三种范式各建一个模型再人工对结果。
同一模型内部实时耦合：范式之间在运行中持续交换信息，共同推进同一个实验。
为了「用上最新工具」的技术堆砌——混合本身有成本。
当单一范式的假设明显失真时，用可控的复杂度换取对系统的完整刻画。
一个常被混淆的对照是数字孪生：孪生强调与真实系统持续双向连接的虚拟映射，是「一种系统形态」；混合仿真强调多范式在模型内部的融合，是「一种建模方法」。孪生模型的内核完全可以由 HSMs 构建——两者是方法与形态的关系，而非同义词。
另一个边界是多模型对比：分别建一个 DES 模型和一个 SD 模型再比较结果，是范式对比研究；只有当它们在同一个模型里实时耦合、协同推进同一个实验时，才叫混合仿真。
| 方法 | 核心抽象 | 最擅长 | 盲区 |
|---|---|---|---|
| 离散事件仿真 DES | 实体、队列、事件调度 | 流程、排队、资源竞争与随机性 | 累积效应与反馈回路表达力弱 |
| 系统动力学 SD | 存量、流量、反馈回路 | 宏观动态、政策情景与长期演化 | 个体异质性与离散随机被抹平 |
| 智能体建模 ABM | 异质个体、交互规则、涌现 | 个体策略、学习适应与涌现现象 | 宏观结构缺乏约束，校准成本高 |
| 解析 / 优化模型 | 数学结构、目标与约束 | 最优解、灵敏度与可证明的性质 | 复杂动态与随机行为难以内嵌 |
| 混合仿真 HSMs | 多范式 + 明确接口 | 微观行为与宏观动态统一刻画 | 接口设计、时间尺度对齐与 V&V 复杂度上升 |
03 · 选型框架
选型的起点不是工具，而是你的问题落在哪一层：只关心系统整体的动态与反馈？还是必须刻画个体行为与交互？抑或要把微观涌现与宏观约束连接起来？层级确定后，组合与交互机制基本就确定了。下面的选择框架来自我的综述论文（Figure 6）。
| 组合 | 主要研究对象 | 模型聚焦 | 应用领域 | 复杂度 |
|---|---|---|---|---|
| DES+SD | 系统整体动态行为与离散事件 | 整体动态与反馈机制（连续反馈回路） | 经济、环境等需要分析动态与反馈的领域 | 低（无需模拟个体行为） |
| ABM+DES | 个体行为/交互及其产生的事件 | 行为规则与交互机制（离散事件-智能体对齐） | 社会、交通等需要模拟个体交互的领域 | 较高（个体行为模拟，规模大时陡增） |
| ABM+SD | 微观个体行为与宏观系统结构 | 微观涌现与宏观约束（跨层级反馈） | 公共卫生、生态管理等需连接微观-宏观并评估政策传导的领域 | 高（需协调两种范式并定义跨层级接口） |
综述的一个核心发现值得单独说："ABM+DES" 以 57.14% 的占比主导文献，但这更多反映方法便利而非理论最优；"ABM+SD" 仅占 3.27%，却是解决「微观-宏观」连接这类基础科学问题的有力路径——值得在未来的研究中得到更多关注与探索。
04 · 工作流程
问题界定与抽象层级选择
先回答「问题的哪些侧面需要微观精度、哪些侧面宏观动态足矣」。抽象层级的选择决定范式组合，是整个建模中最重要的决策——也是上面选型框架的输入。
范式组合与混合架构设计
为每个子系统选择范式（如个体策略→ABM、流程执行→DES、市场反馈→SD），并设计三种典型架构：顺序式（阶段接力、单向传递）、嵌套式（一种范式内嵌于另一种）、并行式（各范式共用一个主控时钟、在同步点双向交换）——三种架构的工程细节见手册的「对照与衔接」页。
接口与时间尺度对齐
明确范式之间交换哪些变量、以什么方向和频率交换；DES 的事件时间与 SD 的连续步长需要对齐策略，这是 HSMs 区别于单范式建模的核心技术环节。
数据采集与参数标定
不同范式需要不同粒度的数据：ABM 需要个体属性与行为规则依据，DES 需要到达与服务的分布，SD 需要存量初值与结构关系。数据缺口要在建模前显式承认。
模型实现
选择支持多范式的平台或自建耦合框架；把概念模型转为可运行代码，固化接口契约，保证范式模块可独立替换。
校核与验证（V&V）
校核（verification）确认「模型按设计运行」：先单独校核各范式模块，再校核接口；验证（validation）确认「模型与现实足够一致」：对照历史数据、极限测试与极端情景。混合模型的 V&V 必须覆盖范式交互部分——综述显示只有 53.72% 的研究做到了系统验证，这是最容易被糊弄过去的地方。
实验设计与结果分析
设计情景与因子（含跨范式耦合变量的因子），运行重复实验，分析输出分布而非单次结果；对结论给出适用边界，而不是越过数据说话。
05 · 耦合协议细节
上一节的第 3 步把「接口」讲成了原则，这一节把它落到工程：三对衔接协议各给出数据结构、同步点与校准方法。它们是任何混合模型都绕不开的施工图。
| 衔接 | 下行 · 数据结构 | 上行 · 数据结构 | 同步点 |
|---|---|---|---|
| SD ⇄ DES | 需求率、产能目标 → DES 的到达率与服务分布参数 | 吞吐量、延迟、队列长度 → 时间加权聚合为 SD 流入的修正项 | DES 事件钟自由推进；实绩每满一个沟通步长 Δt 回卷为速率，下行参数在 Δt 边界更新 |
| SD ⇄ ABM | 价格、政策、利率 → 个体决策规则的参数 | 采纳率、流动率等行为统计 → 聚合为宏观流入率 | ABM 离散 tick 与 SD 固定 dt 取整数倍关系；聚合窗口恰为一个 dt |
| DES ⇄ ABM | 智能体发出的订单/任务对象（属性、优先级、时间戳）→ DES 流程 | 完成时间、成本、失败标记 → 写回个体记忆，影响下一次决策 | 共享事件钟；智能体在 tick 边界决策，订单即时插入 DES 队列，完成事件在下一 tick 边界回写 |
SD ⇄ DES 的校准：实绩回代
两个模块各自先用历史数据校准，然后校接口：以历史需求序列驱动 DES，把上卷后的吞吐与真实吞吐比对——这是接口处的「实绩回代」。重点检查相位：上卷聚合天然带延迟，若聚合窗口设置不当，SD 层会对 DES 层的实绩做出「迟到」的反应，整条反馈链出现系统性错位。
SD ⇄ ABM 的校准：警惕涌现漂移
微观规则用个体面板或调查数据校准，聚合流入对照宏观序列校准。最大风险是「涌现漂移」：个体参数的微小改动使宏观形态剧变——这既是混合模型的价值，也是它的陷阱。务必做敏感性分析，报告结果区间而非单点，并写明哪些宏观形态是校准钉死的、哪些是模型自己涌现的。
DES ⇄ ABM 的校准：以订单生命周期为核对单元
行为规则依据实验或面板数据，流程参数依据运营数据（到达分布、服务分布）。联合校准不要按模块各对各地做，而以「订单生命周期」为核对单元：从智能体做出决策到流程执行完毕，全程追踪时间戳与状态变化——任何一段对不上，都能定位是规则问题还是流程问题。
时间同步的三种策略
同步点选在哪里，决定了接口的性格。工程上三种基本策略——区别只在「交换发生在哪些时刻」：
| 策略 | 机制 | 适用 | 代价 |
|---|---|---|---|
| 事件驱动 | DES 每发生一个事件即触发一次跨层交换 | 事件稀疏、时序精度要求高 | 交换次数随事件率波动——事件密集时接口可能被打爆 |
| 固定窗口 · Time Bucket | 每 TB 交换一次，TB 取 SD 步长；下行参数在 TB 边界更新，上行实绩按 TB 聚合 | SD–DES 混合的默认方案，稳定可控 | 聚合引入固有延迟——窗口设置不当，SD 层会对 DES 实绩「迟到」 |
| 自适应 | 基准窗口之上动态加密：事件密集处缩短交换间隔，平静处拉长 | 事件率剧烈波动的系统 | 需要额外的触发逻辑与参数整定，调试成本最高 |
每 TB 交换一次，TB 取 SD 步长的整数倍（图中为 2 倍）。窗口须足够大以降低开销、足够小以捕捉状态变化，且同一 TB 内不得出现两个连续事件。Alzraiee et al. (2012) 的经典方案。
固定窗口方案有一条常被忽略的硬约束（Alzraiee, Zayed & Moselhi, 2012）：TB 必须足够大以降低交换开销、足够小以捕捉状态变化；且同一 TB 内不得出现两个连续事件——否则第二个事件的影响会被平均掉。违反后者的模型不是精度差，而是系统性地算错。
接口数据结构精要
三对协议的下行与上行，最终都要落到同一种中间结构：带时间戳的二维交接表——每行是「时刻 t + 一组状态变量」。上行方向按聚合窗口汇总成表；下行方向读取时用插值取值（lookup(t)）：参数表给出的不是阶梯，而是随时间平滑变化的速率曲线。上行聚合、下行插值，这一对操作就是跨层数据交换的全部算法骨架。
三个接口陷阱，都在实现期才暴露：其一，量纲不一致——上行「件/小时」对接下行「件/天」，误差被时钟节奏放大；其二，数值类型与精度——浮点截断在长反馈链里累积成可见漂移；其三，命名映射——两侧对同一变量的命名与口径不同，交接表字段必须配一份明确的映射字典。
接口一致性校验：四级阶梯
接口校准（上文三段）之外，还应搭一梯四级的一致性校验，由便宜到昂贵逐级爬升：
- 变量级——交接表的字段、量纲、取值范围逐项核对（映射字典对照）
- 行为级——冻结下行参数，单独驱动一层，核对响应曲线形态符合预期
- 极端级——把上行输入推到边界（零需求、瞬间峰值），接口不产生NaN、不发散、不静默钳位
- 历史级——全链路回放历史数据，上下行往返一圈后仍能闭合
ABM 验证方法可直接迁移到接口层：Collins, Koehler & Lynch (2024) 系统综述了九种支持 ABM 验证的方法，其中 docking（与另一模型对接比对）、causal analysis（因果链核对）、bootstrapping（残差自助检验）与可视化追踪，恰好对应上表的行为级与历史级。
三对协议共享同一道关卡：时间同步。变步长的事件钟（DES）、固定 dt 的连续时钟（SD）与离散周期（ABM）必须经由明确的时间推进协议对齐。实践中最常见的错误不是选错范式，而是聚合粒度不匹配——上行统计的聚合窗口与下行参数的更新频率不一致，信息就在接口处系统性失真。
06 · 应用领域
供应链网络与物流系统
企业主体的策略互动用 ABM，仓储运输的排队与订单履行用 DES，市场需求与价格反馈用 SD——一支供应链天然横跨三个抽象层级，是 HSMs 最典型的用武之地。库存波动、牛鞭效应、网络韧性等问题都能在统一模型中研究。
医院与公共卫生系统
运筹学界在此积累了大量混合建模实践。
灾害响应与疏散
多层级耦合是应急问题的本性。
生产系统与能源市场
从产线到电网，抽象层级天然分层。
大语言模型 × 混合仿真
LLM 正被用于辅助范式选择、代码生成、参数校准与模型验证，把建模者从重复劳动中解放出来；更前沿的方向是让 LLM 直接扮演模型中的智能体决策者。HSMs 的「理论优化」阶段正在到来——这也是本站作者当前的研究切入点之一。
07 · 典型案例拆解
上一节讲的是「谁干什么」，这一节讲「怎么协同运转」：各跟随一个实体穿过三种范式，看接口上的变量如何一步步驱动整个系统。
案例一 · 一张订单的一生
物流与供应链 · ABM+DES+SD 全谱系。主角：零售商智能体发出的一张补货订单。
T0零售商智能体在 tick 边界检查库存：低于再订货点——决策规则触发，生成一张订单对象（数量、优先级、时间戳），交给 DES 执行。
T1订单进入制造商的履约队列：分拣、包装、发货。到达与服务的随机性由分布刻画，提前期在事件推进中自然产生，而不是被假设。
T2发货完成事件在下一 tick 边界写回智能体记忆：实际提前期更新了它对这家供应商的感知，影响下一次的订货量与供应商选择。
T3每日边界：当日全部订单的吞吐与延迟上卷为速率，修正 SD 层的市场库存存量与价格反馈——个体的杂音被聚合成宏观的节拍。
T4更新后的价格在下一个周期下行给所有智能体——每个个体的决策参数都变了，新一轮订货开始。跨层反馈闭环完成。
同一支供应链的四个时刻——决策、排队、聚合、反馈——没有任何单一范式能同时讲全这四个故事。它对应选型框架中的 ABM+DES 组合，SD 的加入让它成为三层全谱系的教科书案例。
案例二 · 一位患者的急诊之旅
医疗运营 · DES 主干 + SD 边界 + ABM 嵌入。主角：一位因发热前往急诊的患者。
入口到达流是泊松过程（DES），但到达率不是常数——SD 层的「区域流感疫情存量」在调制它：疫情存量越高，急诊到达率被上调得越多。
主干分诊、候诊、检查、床位——患者的整条旅程是 DES 队列网络；床位是最关键的竞争资源，占用与释放都由事件驱动。
嵌入是否收住院由医生智能体的判断规则决定——考虑病情、床位占用与个人经验的异质规则，恰好嵌在 DES 流程的决策点上。
出口治疗结果与占床时长聚合上卷，更新 SD 层的慢病人群存量与床位容量；容量投资决策（SD）反过来决定下一阶段 DES 模型里有多少张床位。
这是典型的「主干-边界-嵌入」结构：DES 当主干流程，SD 提供边界条件与长期约束，ABM 嵌在关键决策点。它对应选型框架中的 DES+SD 组合的进阶形态——也是医疗运营文献里最常见混合架构。
08 · 工具入门
系统动力学
Vensim · Stella
何时选它：问题以存量、流量与反馈回路为主，个体差异可以忽略——政策情景、长期演化分析。
离散事件仿真
Arena · FlexSim · Simio
何时选它：排队、流程与资源竞争是主角——服务运营、产线、物流。难点在分布拟合与实验设计，不在软件。
智能体建模
NetLogo · Mesa (Python)
何时选它：个体异质性与交互是问题的灵魂——扩散、博弈、涌现。成本在规则设计与校准，务必留出数据。
三种范式同平台
AnyLogic · JaamSim
何时选它：做混合仿真就从这里起步——三种范式同一平台，接口与时间同步有内建支持，范式模块可独立替换。
第一步，用你熟悉的单一范式建一个小模型（比如一个排队系统或一个人口存量）；第二步，选一个与你的问题相邻的范式，把它作为第二子结构加进来，重点练接口——交换什么变量、以什么节奏；第三步，把 V&V 当成一等公民：先分别校核两个模块，再校核耦合处。不要从多范式大模型起步——那是翻车最快的方式。
09 · 常见问题
什么时候不该用混合仿真？
三种情况值得停手：一、单一范式足以回答问题——没有反馈回路的纯排队问题用 DES 就够，没有个体差异的政策模拟用 SD 就够；二、数据不足以支撑多范式标定——每个范式都要喂数据，缺口不会因为模型更复杂而消失；三、周期与维护能力有限——混合模型的接口与验证成本是长期负担。判断方法：先问「单一范式到底哪里失真」，答不上具体失真点，就不要混合。
学习曲线多陡？
诚实地说：比单一范式陡，但不是陡在软件——多范式平台（如 AnyLogic）已经把建模操作变简单了。陡在三点：跨范式的抽象思维（同一系统在三种语言下的表达）、接口设计（耦合架构与时间尺度对齐）、跨范式 V&V 的判断力。建议按上面「入门路径」走：单范式小模型 → 加第二范式 → 练接口与验证，全程用真实小问题驱动。
和数字孪生到底差在哪？
一句话：数字孪生是「系统形态」——与真实系统持续双向连接的虚拟映射；混合仿真是「建模方法」——多范式在模型内部的融合。两者不在一个比较维度上。它们的关系是上下游：孪生模型的内核完全可以由 HSMs 构建，HSMs 也能为孪生提供标定与验证手段。如果你在写论文，别把两者当同义词使用。
10 · 延伸阅读
本页的定义、边界与选型框架所依据的核心文献列在下面；由同一语料整理出的跨地区合著网络、它的完整统计表，以及覆盖应用与工程实现的书单，另见「全球协作网络」一页。
奠基
- Borshchev, A., & Filippov, A. (2004). From System Dynamics and Discrete Event to Practical Agent Based Modeling: Reasons, Techniques, Tools. The 22nd International Conference of the System Dynamics Society. ——多方法建模的开山之作，直接回答「为什么要混合、怎么混合」。
综述
- Jia, F., Zhu, H., Jia, F., et al. (2026). A Systematic Review and Prospect of Hybrid Simulation Methods and Applications from 1980 to 2024. Archives of Computational Methods in Engineering. doi:10.1007/s11831-026-10607-6——本站作者所著；对 HSMs 演进与选型框架的系统梳理。
- Brailsford, S. C., Eldabi, T., Kunc, M., Mustafee, N., & Osorio, A. F. (2019). Hybrid simulation modelling in operational research: A state-of-the-art review. European Journal of Operational Research, 278(3), 721–737. doi:10.1016/j.ejor.2018.10.025——运筹学领域混合仿真的权威综述。
范式对比
- Tako, A. A., & Robinson, S. (2012). The application of discrete event simulation and system dynamics in the logistics and supply chain context. Decision Support Systems, 52(4), 802–815. doi:10.1016/j.dss.2011.11.015——物流与供应链场景下 DES 与 SD 的系统对比；其结论挑战了「SD 管战略、DES 管运营」这一常见印象。
注：本页定义与流程表述由本站作者整理，术语与上述文献经逐条核对；发现表述问题欢迎指正。