Метод Дельфи

Метод Дельфи - это метод прогноза, при котором в процессе исследования исключается непосредственное общение между членами группы и проводится индивидуальный опрос экспертов с использованием анкет для выяснения их мнения относительно будущих гипо­тетических событий.

Название свое этот метод получил от названия знаменитого в античном мире оракула Дельфийского храма (дельфийский оракул).

Основные особенности метода Дельфи следующие:

1. Полный отказ от личных контактов между экспертами, опрашиваемыми по конкретной проблеме.

2. Обеспечение экспертов необходимой информацией, включая и обмен между ними после каждого тура опроса.

3. Обеспечение анонимности, аргументации и критики оценок. Цель метода Дельфи - это получение прогнозов или перечень потенциальных последствий решения какой-либо проблемы, обладающий гораздо большей степенью надежности, чем анализ, проведенный одним специалистом.

Методика определения к-та «состояние – срок» включающий 5 этапов:

1. Теоретические исследования - ------

2. Поисковые работы – 3месяца

3. Технические разработки – 2 месяца

4. Конструирование – 2 месяца

5. П роизводство готовой продукции 1месяц

Общий срок для получения готовой продукции – 8 месяцев

Имитация

Имитация (лат. imitatio) — подражание кому-нибудь, чему-нибудь, воспроизведение.

В экономике под имитацией понимается создание модели реаль­ных хозяйственных ситуаций и манипулирование этой моделью в целях получения выводов о действительном мире.

Методы имитации базируются на принципах теории массового обслуживания, которая является одной из ветвей теории исследова­ния операций.

Сущность теории исследования операций можно определить просто - это точная количественная оценка соизмерения затрат (капитала, текущих издержек) и ожидаемых доходов (валового дохода, прибыли).

Метод имитации, как любой другой метод, имеет определенные границы применения. Самое трудное в этом методе - это написать хорошую программу для имитации на ЭВМ. Также трудно получить данные для модели, чтобы они были применимы к реальным ситуациям. Здесь общая проблема заключается в том, что установить связь между двумя явлениями (например, между производством и реализацией) - это еще не главное. А главное, чтобы эта связь могла быть повторена для всех аналогичных явлений. Для воспроизведения реальной действительности важно иметь широ­кий диапазон случаев и важно сравнить вероятности для различных случаев. Эта проблема может быть разрешена методом Монте-Карло.

Метод Монте-Карло

Метод Монте-Карло назван по имени города, известного своими игорными домами. Метод Монте-Карло - это метод имитации для приближенного воспроизводства реальных явлений. Он объединяет анализ чувствительности и анализ распределений вероятностей входящих переменных.

Метод Монте-Карло позволяет построить модель при минимуме данных, а также максимизировать значение данных, используемых в модели. Он может быть применен для решения почти всех задач при условии, что альтернативы могут быть выражены количественно. Построение модели начинается с определения функциональных зависимостей в реальной системе. После этого метод Монте-Карло позволяет получить количественное решение, ис­пользуя теорию вероятности и таблицы случайных чисел. Метод Монте-Карло широко применяется во всех случаях имитирования на ЭВМ.

Применение этого метода покажем на самом простом условном примере.

Пример. Необходимо обслужить покупателей какого-либо товара, имеющего постоянный спрос. Магазин работает круглосуточно, т. е. всё 24 часа в сутки. Приход покупателей за товаром носит случайный характер. Покупатели обслуживаются только последовательно, т.е. один покупатель — одно обслуживание. Характеристики поступивших требований на обслуживание покупателей следующие:

1) интервал между поступлениями требований составлял 1 час в 40 случаях из 100,2 часа в 60 случаях из 100;

2) продолжительность обслуживания также есть величина случайная и составляет 0,5 часа в 20 случаях из 100,1,0часав80 случаях из 100.

Исходя из вышеприведенных показателей, имеем:

1) среднее значение интервала между поступлением требований:

1ч х 0,4+2ч х 0,6=1,64;

2) среднее время обслуживания: 0,5ч х 0,2 + 1,0ч х 0,8 = 0,9ч;

3) среднее время бездеятельности: 1,6 - 0,9 = 0,7ч.

Конечной целью данной задачи является получение ответа на во­прос: «Каково среднее время ожидания?»

Для получения ответа на заданный вопрос строим имитирующую модель, в которой интервалы между прибытием посетителей и временем обслуживания представлены последовательностью случайных чисел. Для интервалов между прибытием выбираем случайную последовательность: 0,1,2,3,4,5,6,7,8,9.

Если выбрано число 0, 1, 2, 3, то продолжительность интервала между поступлением двух требований составляет 1 час. Если же выбрано число 4, 5, 6, 7, 8, 9, то продолжительность интервала равна 2 часам. Аналогично определяем время обслуживания, которое наступает после окончания интервала прибытия. Для этого выбираем второе случайное число. Если выбрано число 0,1,2,3,4,5,6,7, то время обслуживания составит 0,5 часа. Если же выбраны числа 8 или 9, то время обслуживания составит 1 час.

Решение этой задачи приведено в табл. 6. Предполагается, что первый покупатель прибывает в 00 часов (см. гр. 4 табл. 6).

Извлеченные произвольные числа приведены в гр. 2 и в 6 табл. 6. Эти случайные числа позволяют соответственно моделировать прибытие и обслуживание требований в системе.

Данные, приведенные в табл. 6, показывают, что для 10 товаров, приведенных в таблице, суммарное время ожидания составляет 1 час (0,2 + 0,3 + 0,3 + 0,2), или в среднем на покупку одного товара приходится 0,1 часа (1/10).

Таблица 6

Решение задачи обслуживания с применением метода Монте-Карло

№	Первая случайная цифра	Интервал до прибытия, час	Время прибытия	Время начала обслуживания (выводится по данным выборки или анализа)	Вторая случайная цифра	Время обслуживания, час	Время окончания обслуживания (гр.5+гр7)	Время ожидания, час (гр.5+гр.70	Время просторя, час (гр.5-цифра в предшествующем ряду гр.8)
1	-	-	0	0	2	0,5	0,5	0	0
2	1	1	1	1	8	1	2,0	0	0,5
3	9	2	3	3,2	6	0,5	3,7	0,2	1,2
4	8	2	5	5,0	7	0,5	5,5	0	1,3
5	8	2	7	7,3	9	1	8,3	0,3	1,8
6	2	1	8	8,3	4	0,5	8,8	0	0
7	0	1	9	9,0	1	0,5	9,5	0	0,2
8	7	2	11	11,3	3	0,5	11,8	0,3	1,8
9	4	2	13	13	4	0,5	13,5	0	1,2
10	9	2	15	15,2	9	1	16,2	0,2	1,4

Приведенный выше пример является самым простым примером, который показывает сущность метода Монте-Карло в том виде, в каком он используется в исследовании операций.

Пример не дает ответа на многие вопросы, например на вопрос:

«Какое необходимо количество испытаний, чтобы определить время ожидания с достаточной точностью?».

Модель Монте-Карло не так формализована, как другие имитирующие модели, и является по отношению к ним более гибкой.

Причинами этого являются:

1. При моделировании по методу Монте-Карло нет необходимости определять, что именно оптимизируется.

2. Отсутствует необходимость упрощать реальность для обеспечения решения, так как применение ЭВМ позволяет реализовать модели сложных систем.

3. В программе для ЭВМ можно предусмотреть опережения и задержки во времени.