Управленческие решения / mat_Gelrud / тема17

Процедура 1. Просматриваем последовательно дни с t=1 до t=Т. Если подошел срок исполнения заказа на пополнение, то объем наличных запасов увеличиваем на Q.

Процедура 2. Генерируем для дня t коммерческий спрос в объеме q, предполагая для него некоторое распределение вероятностей (используем генератор случайных чисел или другие методы, обеспечивающие получение случайных величин заданного распределения).

Процедура 3. Сокращаем объем наличных запасов на величину q. Сравниваем остаток с уровнем s. Если остаток меньше либо равен s, устанавливаем срок исполнения заказа на пополнение на t+ L. Переходим к процедуре 1.

В результате эксплуатации данной имитационной модели могут быть получены количественные показатели, характеризующие средний ежедневный объем наличных запасов, число случаев неудовлетворенного спроса, количество дней, когда оформлялся заказ на пополнение и т.п.

Пусть Q=2, s=1, L=2. Предположим, что спрос q может принимать значения 1 или 3 с вероятностями 0.5. Начальные условия для первого дня: наличные запасы равны 2, заказа на пополнение нет.

Проимитируем данную систему управления запасами на 20-дневном интервале, генерируя случайный спрос с помощью бросания монеты: орел – q =1, решка – q =3.

Результаты занесем в табл.17.2

Таблица 17.2.

День	Запасы на утро	спрос	На какой день пополняем?	Удовлетворение спроса в %
1	2	3	На 3	66.7
2	0	3		0
3	0+2	3	На 5	66.7
4	0	3		0
5	0+2	1	На 7	100
6	1	1		100
7	0+2	1	На 9	100
8	1	3		33.3
9	0+2	1	На 11	100
10	1	1		100
11	0+2	1	На 13	100
12	1	3		33.3
13	0+2	3	На 15	66.7
14	0	1		0
15	0+2	1	На 17	100
16	1	3		33.3
17	0+2	1	На 19	100
18	1	1		100
19	0+2	1	На 21	100
20	1	3		33.3

Можно вычислить теперь средний процент удовлетворения спроса:

(0*3+33.3*4+66.7*3+100*10)/20=66.66,

средний ежедневный объем наличных запасов:

(0*3+7*1+10*2)/20=1.35.

Модель несколько усложнится, если избыток спроса (по отношению к уровню запасов) прибавляется к спросу в последующий интервал времени.

До сих пор рассматривались лишь такие имитационные модели, которые в определенной степени аппроксимируют реальные ситуации. Их назначение – имитирование условий функционирования опера­ционных систем с целью определения последствий принятия тех или иных управляющих решений. К данному классу моделей тесно при­мыкают имитационные модели, с помощью которых пытаются решать задачи поиска цели и целенаправленного поведения. В этих моделях обнаруживаются элементы так называемого искусственного интел­лекта.

К числу широко известных примеров машинных программ, в кото­рых заложены элементы искусственного интеллекта, относятся про­граммы игры в шахматы и шашки. Имели место случаи, когда такого рода программы находили применение и в связи с решением задач организационного управления. Среди этих приложений можно выде­лить самостоятельную группу, в которой основным объектом иссле­дования являются бихевиориальные качества руководителя. Мерой эффективности модели бихевиориальной ориентации является ее способность генерировать решения, согласующиеся с управляющими решениями, которые вырабатывает личность, чье поведение модель имитирует.

Другая группа моделей нацелена на решение сложных комбинаторных задач, аналогичных задачам, рассмотренным в Теме 13. Методы, в которых используются модели данного класса, иногда называют эвристическими. В частности, ряд моделей эвристического характера был разработан в связи с решением комплексных задач календарного планирования. Приведенный ниже пример поможет читателю уловить основную идею метода эвристического программирования.

Пусть с помощью имитационной модели пытаются построить такой график размещения заказов на предприятии с мелкосерийным произ­водством, при котором имеющееся оборудование используется с максимальной эффективностью. Машинное имитирование начинается с пробного размещения нескольких заказов. Затем определяется следующий заказ, подлежащий включению в разрабатываемый гра­фик, и рассматриваются различные ограничения, определяются даты исполнения и подбирается оборудование требуемой производитель­ности. В результате такого анализа ЭВМ может пересмотреть график размещения некоторых предыдущих заказов. Короче говоря, в машин­ной модели заложена стратегия «продвижения вперед с учетом ретро­спективных данных». Такая модель является самообучающейся. Она опирается на метод «проб и ошибок» и после серии последова­тельных тестов приводит к одному из допустимых графиков разме­щения заказов. Если формирующие стратегию предписания разрабо­таны достаточно тщательно, этот график, как правило, оказывается вполне удовлетворительным. Нередко получаемый график является почти оптимальным; при этом степень оптимальности оценивается с учетом конкретного критерия эффективности, который по построе­нию содержит элементы эвристики, заложенные в самой стратегии.

Методы имитационного моделирования на ЭВМ находят также применение в операционных играх. Широкое распространение полу­чили так называемые деловые игры, в которых принимают участие несколько команд игроков; при этом каждая команда представляет «свою фирму». Участвующая в игре команда принимает решения относительно цен, объемов производства, организации рекламы и т. д. ЭВМ выполняет двойную задачу: она ведет учет всех шагов участ­вующих в игре сторон и одновременно оценивает экономические последствия принятия тех или иных управляющих решений играю­щих фирм.

В последнее время деловые игры нашли широкое применение в области подготовки кадров административных работников. Они используются также при анализе динамических характеристик боль­ших систем, функционирующих в условиях конкуренции с другими функциональными системами, каждая из которых придерживается своей «стратегии поведения».

171