Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Voprosy_k_ekzamenu_EMM_2014.docx
Скачиваний:
0
Добавлен:
01.07.2025
Размер:
34.44 Кб
Скачать
  1. Роль и значение эмм в управлении логистической компанией.

  1. Виды практических задач логистики, решаемых экономико-математичес­кими методами.

  2. Аналитические методы и технологии в управлении современной логистической компанией.

  3. Задачи выбора в логистике: проблема, типы задач и методы их решения

  4. Автоматизация решения задач принятия решений в логистике. Компьютерная математика: инструменты и технологии

  5. Виды моделей и примеры их применения в логистике.

  6. Общая (принципиальная) схема алгоритма математического моделирования.

  7. Способы представления математических моделей и установление причинно-следственных связей.

  8. Модель Парето в задачах о номенклатуре товаров.

  9. АВС-алгоритм оценки прибыльности товаров.

  10. Производственная функция (модель производственных ресурсов).

  11. Логистическая модель роста.

  12. Классификация методов прогнозирования.

  1. Метод наименьших квадратов (мнк) в задачах прогнозирования.

Для прогнозирования необходимо выбрать модель и определить её параметры.

Для этого применяют разные методы АППРОКСИМАЦИИ результатов наблюдений

1.Интерполяция – экстраполяция

Интерполяция – способ построения полиномиальной модели

Экстраполяция – прогнозирование по полученной модели на заданный период упреждения ΔX

Модели интерполяции:

1) ЛИНЕЙНАЯ: узлы (точки наблюдения) соединяются прямыми линиями

2) НЕЛИНЕЙНАЯ: узлы соединяются полиномами

СПЛАЙН – аппроксимация удобна для моделирования и поиска оптимальных решений в области наблюдений (измерений) [X1…Xn]

Наибольшее распространение получили линейные интерполяционные модели

ИНТЕРПОЛЯЦИОННЫЙ МНОГОЧЛЕН НЬЮТОНА

Для построения полинома используются все точки наблюдения

Интерполяционные модели хорошо описывают процессы в интервале наблюдения [X1…Xn].

Однако они очень ненадежны при прогнозировании с большим упреждением.

Экстраполяция на ΔX > (Xn-Xn-1) очень опасна!

2) СГЛАЖИВАНИЕ МЕТОДОМ НАИМЕНЬШИХ КВАДРАТОВ (МНК)

СГЛАЖИВАНИЕ - выявление тенденции (тренда) с вычислением параметров модели, обеспечивающей исключение случайных флуктуаций (шумов, погрешностей измерений и наблюдений)

Результаты наблюдений отличаются от модельных значений по причине:

- ошибок измерений (погрешностей)

- наличия внешних случайных возмущений (шумов)

Назначение МНК: Для определения параметров математической модели по результатам наблюдений (измерений).

Модель - задается

Результат – эмпирическая модель

Суть МНК : Поиск параметров модели aj при которых достигается минимум суммы квадратов отклонений фактических значений функции yi от теоретических (модельных) (,)jyxa􀀄

ЗАДАЧА МНК решается в 4 этапа:

1)Данные - Подготовка исходных данных и построение графика по фактическим (эмпирическим) данным

2) Модель - Выбор модели

- модель выбирается на основании опыта, аналогий, физической сути процесса, либо по графику, построенному по фактическим данным

3) Параметры модели - Вычисление параметров модели

4) Адекватность модели - Проверка адекватности модели с помощью критериев адекватности

АЛГОРИТМ МНК : Алгоритм поиска параметров модели aj связан с решением задачи на экстремум без ограничений:

Для решения задачи нужно:

1) Вычислить частные производные от F по aj и приравнять их 0

0,1,jFjma∂==∂

2) Решить полученную систему линейных алгебраических уравнений относительно коэффициентов aj .

Модель (,)jyxa􀀄должна быть дифференцируемой!

Система уравнений решается аналитически методом Гаусса или Крамера.

Либо численно на ЭВМ

  1. Нормальный закон распределения. Оценка параметров и примеры применения в логистике

  2. Логистическая модель тренда спроса на товары.

  3. Коэффициент корреляции: назначение, свойства и определение.

  4. Корреляционное отношение: назначение, свойства и определение.

  5. Назначение и методы сглаживания опытных данных

  6. Метод скользящего среднего: назначение и алгоритм.

  7. Метод экспоненциального сглаживания: назначение и алгоритм.

  8. Интервальный прогноз: линейная модель тренда.

  9. Адаптивные модели прогнозирования.

  10. Математическое программирование в логистике: классификация задач и общее математическое представление задачи оптимизации.

  11. Несбалансированная транспортная задача: постановка и алгоритм.

  12. Модель хозяйственного риска в задаче об оптимальном запасе товаров.

  13. Модель хозяйственного риска в задаче оптимизации времени доставки товара.

  14. Задача о назначениях.

  15. Задача о загрузке транспортного средства неделимыми грузами.

  16. Задача коммивояжёра: постановка и общий алгоритм решения.

  17. Задача о кратчайшем пути в сети поставок.

  18. Модели и схемы транспортно-распределительных цепей и сетей.

  19. Модель и алгоритм решения задачи о дислокации 1-го склада на плоскости.

  20. Задачи о дислокации складов в распределительной сети.

  21. Расчёт затрат в задачах дислокации складов.

  22. Метод отношения предпочтений в задачах оценки коммерческой значимости товаров (решений).

  23. Экспертные методы: метод парных сравнений.

  24. Случайные величины и случайные события в логистических системах.

  25. Законы и параметры распределения случайной величины.

  26. Особенности и сущность моделирования методом статистических испытаний.

  27. Генераторы случайных чисел. Метод Монте-Карло.

  28. Имитационное моделирование времени доставки грузов «точно в срок» при международных перевозках.

  29. Надёжность как комплексное свойство систем. Основное уравнение надёжности

  30. Отказ и безотказность. Показатели безотказности систем

  31. Структурная (схемная) надёжность. Методы резервирования цепей поставок

  32. Вероятность безотказной работы системы, состоящей из параллельно соединённых элементов

  33. Вероятность безотказной работы системы, состоящей из последовательно соединённых элементов