- •Введение
- •Часть 1
- •Часть 1. Поиск решений на электронных таблицах
- •Быстрое начало
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Краткий экскурс в теорию
- •Часть 1. Поиск решений на электронных таблицах
- •Поиск решения
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Максимальное Время
- •Число Итераций
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Анализ отчетов
- •Часть 1. Поиск решений на электронных таблицах
- •Отчет по результатам
- •Часть 1. Поиск решений на электронных таблицах
- •Отчет по устойчивости
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Отчет по пределам
- •Часть 1. Поиск решений на электронных таблицах
- •Примеры структуризации задач для исследования систем менеджмента
- •Использование сверхурочных работ
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 1. Поиск решений на электронных таблицах
- •Задачи логического выбора
- •Часть 1. Поиск решений на электронных таблицах
- •1.2. Оптимизация объемов производства изделий
- •1.3. Оптимизация размещения объемов субподрядных работ
- •1.4. Оптимизация размещения рекламы
- •Часть 1. Поиск решений на электронных таблицах
- •1.5. Оценка номенклатуры изделий
- •1.6. Оценка развития производства
- •1.7. Оптимизация ассортимента молочного завода
- •1.8. Составление плана загрузки станков
- •Часть 1. Поиск решений на электронных таблицах
- •1.9. Использование сверхурочных работ
- •1.10. Выбор варианта раскроя
- •2. Задачи смеси
- •2.1. Задача о сплавах
- •Часть 1. Поиск решений на электронных таблицах
- •2.2. Составление кормовой смеси
- •2.3. Производство удобрений
- •Часть 1. Поиск решений на электронных таблицах
- •3. Задачи дисбаланса
- •Часть 1. Поиск решений на электронных таблицах
- •3.5. Минимизация дисбаланса в транспортной системе
- •Часть 1. Поиск решений на электронных таблицах
- •4. Составление «скользящих» графиков
- •Часть 1. Поиск решений на электронных таблицах
- •4.2. Оптимизация использования рабочих
- •5. Задачи оптимизации инвестиций
- •5.1. Оптимизация распределения инвестиций в долгосрочные проекты
- •5.2. Использование инвестиций для реализации контракта
- •5.3. Инвестирование с учетом инфляционных ожиданий
- •Часть 1. Поиск решений на электронных таблицах
- •6.1. Выбор организационно-технических мероприятий -по модернизации производства
- •6.2. Размещение госзаказа по производству изделий
- •Часть 1. Поиск решений на электронных таблицах
- •6.4. Назначение торговых агентов
- •6.5. Выбор варианта хранения нефти
- •Часть 1. Поиск решений на электронных таблицах
- •6.6. Выбор варианта реконструкции предприятия
- •6.7. Выбор плана развития объединения
- •6.8. Распределение капиталовложений
- •Часть 1. Поиск решений на электронных таблицах
- •Часть 2
- •Имитационное моделирование
- •В задачах поиска управленческих
- •Решений
- •Часть 2. Имитационное моделирование
- •Сетевая структура модели
- •Описание элементов модели
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Запуск модели
- •Остановка модели
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Структуры файлов результатов
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Гистограммы
- •Часть 2. Имитационное моделирование
- •Описание модели примера 2
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Датчики случайных чисел
- •Часть 2. Имитационное моделирование
- •Функции
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Запуск и остановка поиска
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Часть 2. Имитационное моделирование
- •Задания по имитационному моделированию систем производственного и операционного менеджмента
- •Участка
- •Задание 3 Модель мойки автомобилей
- •Задание 6
- •Задание 7*
- •Задание 16 Задача о запасных деталях
- •Задание 17* Модель станции технического обслуживания (сто)
- •Задание 19*
- •Задание 20
- •Задание 28
- •Литература
- •Содержание
- •Часть 1. Поиск управленческих решений
- •Часть 2. Имитационное моделирование
Часть 2. Имитационное моделирование
Оптимизация на имитационных моделях
139
Рис. 2.41. Главное окно OptQuest (исходное состояние)
-
указать — максимизировать или минимизировать целевую фун кцию модели;
-
если необходимо, ввести дополнительные ограничения для из меняемых переменных.
Выбор изменяемых переменных (Edit —> Variables) приведет к открытию окна рис. 2.42.
Двойной щелчок мыши в поле Select (рис. 2.42) изменяет статус переменной: Yes — переменная выбрана для изменения OptQuest, No — нет.
В поле Name отображаются имена переменных MS-модели. В полях Lower Bound и Upper Bound указываются соответственно возможная нижняя и верхняя границы для соответствующей переменной. Для облегчения поиска можно указать предполагаемые значения изменяемой переменной в колонке Suggested Value. Если предполагаемые значения выходят за границы или не удовлетворяют ограничениям, то они игнорируются. Тип переменной (Integer/Real) переносится в таблицу рис. 2.42 из MS-модели автоматически.
Установка параметров оптимизации (Edit —> Settings) в окне рис. 2.41 связана с определением вида оптимизации (поиск максимума или минимума целевой функции) и установкой количества прогонов модели (обычно выбирается один). Если выбирается большее количество запусков, то значение целевой функции усредняется по ко-, личеству запусков (см. рис. 2.48).
Ограничения (Edit —> Constraints) в окне рис. 2.41 устанавливаются только для входных переменных. OptQuest позволяет пользователю задавать произвольное число ограничений в виде линейной комбинации изменяемых переменных. Если предположить, что изменяемые переменные — это Xi (для i = 1, ..., п), то любое ограничение может быть записано в следующей форме: al*Xl + а2*Х2 + ... + ап*Хп # Ь, где ai и b — константы, а знак '#' заменяет одно из следующих отношений: '=', ':=', '= =' (отношения равенства) или '<=', '<','>=','>' (отношения порядка).
В нашем примере одна изменяемая переменная — число контролеров Nk. Мы задаем для нее единственное ограничение: Nk <= 6. Для этого случая окно ограничений будет выглядеть следующим образом (рис. 2.43).
В этом окне представлен весь список переменных нашей имитационной модели. Из них мы должны выбрать только те переменные, которые для имитационной модели являются входными. Значения таких переменных не должны вычисляться или изменяться внутри MS-модели. Только OptQuest в процессе оптимизации может варьировать значениями этих переменных, ориентируясь на достижение оптимального значения целевой функции. В нашей)модели такой входной переменной является только одна — это переменная Nk, остальные зависят от нее (прямо или косвенно).
140
141
Оптимизация
на
имитационных
моделях
Меню Опций (Options) рис. 2.41 позволяет установить время оптимизации и выбрать вариант алгоритма оптимизации.
Опция «Ускоритель нейронных сетей» (Neural Network Accelerator) разработана, чтобы улучшить мощность поиска OptQuest'a. При использовании нейронной сети OptQuest собирает информацию о получаемых значениях целевой функции при различных значениях изменяемых переменных. Затем эта информация используется для обучения нейронной сети в процессе поиска. OptQuest автоматически определяет как много данных требуется и как часто нужно повторять обучение, основываясь на том, что время проведения имитации модели и время оптимизации ограничено пользователем.
В меню опции «Ускоритель нейронных сетей» 4 пункта:
-
No Neural Network (Без нейронной сети). Этот механизм поиска на каждом шаге оптимизации (Simulation) формирует новые значения входных переменных и отправляет их в имитационную MS-модель для формирования оценки целевой функции objective. Использование этого механизма предпочтительно для имитационных моделей с ма лым количеством изменяемых переменных.
-
Conservative Neural Network (Консервативная нейронная сеть). Этот алгоритм поиска связан с использованием консервативного пра вила для того, чтобы отбрасывать потенциально плохие решения. Ис- спользование этого пункта целесообразно, если на имитацию отведе но относительно мало времени.
3. Aggressive Neural Network (Агрессивная нейронная сеть). Эта опция предпочтительна для большинства моделей и указана по умолчанию.
4. Extremely Aggressive Neural Network (Экстремально агрессивная нейронная сеть). Выбор этого пункта сильно ускоряет поиск, увели чивая риск потерять некоторые хорошие решения. Рекомендуется для моделей, имитация которых очень продолжительна и в которых до статочно приближенного решения.