- •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
Запуск и остановка поиска
Этим целям служит пункт меню Run рис. 2.41: когда все готово к оптимизации, нажмите Start, для остановки поиска — Stop (или клавишу Esc).
Процесс оптимизации (поиск решения)
В динамике процесса поиска в главном окне системы OptQuest отображается состояние этого процесса (см. рис. 2.44).
Рис. 2.44. Главное окно OptQuest в динамике поиска
Статус поиска (Status) отображается в левом верхнем углу окна (на рис. 2.44 статус определяет время до окончания поиска). Имя файла оптимизации (Optimization file) отображается в правом верхнем углу окна (в нашем случае TV.OPT).
На белой полосе в центре окна отображается текущее состояние процесса поиска. Ниже приводится перечень таких состояний.
Ready — исходное состояние готовности начать процесс оптимизации.
Running a Test Simulation —■ OptQuest запускает тестовую имитацию, чтобы установить параметры поиска.
Building Initial Population — OptQuest генерирует начальную популяцию возможных решений.
Optimizing — идет поиск. Возможно, Micro Saint выполняет запуск имитационной модели или OptQuest решает, какие значения входных переменных сгенерировать следующими.
Neural Network Accelerator Engaged — если вы включили ускорение нейронной сети, OptQuest периодически обучает эту сеть.
Diversifying — OptQuest определил, что популяция решений получит преимущество, если будет применена специальная диверсифика-ционная стратегия при создании новых решений. Диверсификацион-ная процедура включает новые решения в популяцию перед тем, как поиск будет продолжен.
Evaluating Diversified Population — OptQuest оценивает последнюю диверсифицированную популяцию.
Ниже белой полосы состояния поиска размещается таблица, которая содержит:
• номер очередного запуска процесса имитации с новым вариантом значений входных переменных (Simulation);
142
Часть 2. Имитационное моделирование
Оптимизация на имитационных моделях
143
-
-
значения входных переменных, используемые при этом запуске (в нашем случае это одна переменная — Nk).
Результаты поиска (значение целевой функции) располагаются в файле OPTQUEST.RES. Его можно просмотреть и проанализировать средствами системы Micro Saint как обычный файл результатов этой системы.
Результаты оптимизации
Simulation j_Objs-f-liv • • ' _ j_ 6.00616 \ 2 2 I 0.673794 Г 6
После завершения оптимизации главное окно OptQuest отображает трассу просмотренных вариантов решения оптимизационной задачи (рис. 2.45) и выделяет лучший из них.
Рис. 2.45. Главное окно OptQuest после завершения оптимизации
Для просмотра результатов оптимизации в меню опций (Options) используются специальные средства интерпретации результатов в виде графика (Graph), просмотра переменных (View Variables) или данных времени исполнения (Run Data).
Для рассматриваемого примера использование формы графика приводит к выводу окна рис. 2.46.
По оси абсцисс отложена последовательность шагов процесса поиска решения (Simulation) с запуском соответствующей MS-модели. График Current показывает текущие результаты, a Best — процесс улучшения текущих результатов.
По оси ординат откладываются значения целевой функции (objective). Эта ось может использовать два типа разметки: линейную (Linear/Linear) и логарифмическую (Log/Linear). Первая удобна при значи-
Рис. 2.46. График результатов оптимизации
тельной разнице в результатах оптимизации, вторая — при небольших отличиях между результатами. Выбор типа разметки открывается в меню Туре.
Для рассматриваемого примера поиск начался со значения Nk = — 2, рекомендованного в таблице выбора (рис. 2.42) в качестве начального значения. При этом по результатам первой попытки (Simulation = 1) целевая функция определилась значением 6,00616. Вторая попытка (Simulation = 2) определялась значением Nk = 6, предложенным алгоритмом поиска (нами был выбран алгоритм No Neural Network — без нейронной сети). Имитация системы на втором шаге поиска привела к определению objective значением 0,673794, что существенно улучшило результат. Третья попытка использовала в качестве пробного значения входной переменной Nk = 4, что опять-таки улучшило результат (objective = 0,510690). Четвертая попытка практически не изменила результат третьей, пятая была связана (как легко догадаться) с дальнейшим снижением Nk (скорее всего Nk = 1), что привело к резкому возрастанию длины очереди перед контролем и соответственно к резкому возрастанию значения целевой функции (objective «50). Это вызвало резкое ухудшение уже найденного приближения к оптимуму, поэтому кривая Best не отреагировала на этот вариант, шестой и седьмой шаги были связаны с возвращением в окрестности уже использованных значений Nk = 4-5, что также не улучшило результата поиска.
Просмотр результатов в окне View Variables связан с использованием диаграммы соотношений между значениями входных изменяемых переменных. Поскольку в нашем примере такая переменная только одна, окно для анализа результатов для рассмотренного примера оказывается малоинформаnивным (рис. 2.47).
144