В то время как планировщики производства в 1960-е годы поняли, что мощность компьютеров позволяет им просчитать зависимый спрос (MRF), исследователи в университетах и отраслях промышленности осознали, что эта мощность легко позволяет моделировать взаимодействие отдельных операций на предприятии (прибытие заказа, производственный цикл, загрузка и отправка продукции), а также вводить усовершенствованные правила планирования и управления. Прием моделирования дискретных событий быстро снискал себе сторонников и стал использоваться для исследования операций более активно, чем технология непрерывного системного моделирования, которую Форрестер использовал для изучения отраслевой динамики. Однако любая техника будет работать только в случае, если будут использованы правильные инструменты. К примеру, на http://www.ua.all.biz/vse-dlya-manikyura-i-pedikyura-bgg1082735, вы можете найти качественные и удобные инструменты для работы в салонах красоты. Широкий ассортимент позволит выбрать именно то, что вас интересует по приемлемой цене. Инструменты отличаются высокой функциональностью и прослужат вам длительное время.
В тоже время, были разработаны языки для моделирования дискретных событий, такие как общая система имитационного моделирования (General Purpose Simulation System, GPSS) компании IBM (см. Гордона31). К началу 1970-х годов Дон Бауэрсокс и его коллеги из Мичиганского университета построили крупномасштабный, специализированный LREPS-симулятор для логистики. Алан Прицкер с сотрудниками создали GASP IV, а позднее — систему Factor/AIM для моделирования производственных систем и правил планирования на основе сочетания моделирования дискретных событий и непрерывного моделирования.
Имитационное моделирование позволяет моделировать операции гораздо детальнее, чем любые другие средства, поскольку допускает наличие любых логических взаимосвязей между переменными. Впрочем, расчет оптимальных планов ему, конечно же, не по силам. Это моделирование помогает протестировать результаты работы любого правила планирования или приема оптимизации, встроенного в модель. Большинство имитационных моделей относится к типу Монте-Карло — это значит, что происходящее в модели в некоторой степени зависит от случайных взаимодействий между событиями. Результаты такого моделирования должны тщательно анализироваться статистически по итогам многих циклов работы модели.