Методическая помощь бизнес-аналитику в изучении особенностей решения оптимизационных задач при имитационном моделировании

Автор: Дагмирзаев О.А.

Журнал: Экономика и бизнес: теория и практика @economyandbusiness

Статья в выпуске: 9 (91), 2022 года.

Бесплатный доступ

Методы оптимизации, которые связаны: а) с обычными математическими задачами, основанными на линейных и нелинейных моделях; б) с вероятностными системами, использующими имитационные модели, принципиально отличаются друг от друга. В статье изучаются особенности решения оптимизационных задач при имитационном моделировании на модели упрощенного варианта задачи управления запасами, в которой спрос на продукцию имеет вероятностный характер. Статистические эксперименты на имитационной модели подтвердили известные положения, которые характеризуют результаты моделирования: а) не являются стабильными из-за наличия выборочной ошибки; б) представлены не только точечными, но и интервальными оценками; в) интерпретируются с помощью статистических тестов. Исследования показали, что оптимизация с использованием имитационного моделирования, на самом деле, не является особенно надежным методом исследования. Дело в том, что на точность результатов моделирования влияет как продолжительность периода моделирования, так и количество прогонов имитационной модели в ходе статистического эксперимента.

Еще

Имитационное моделирование, задача оптимизации, статистический эксперимент, выборочная ошибка, точечная и интервальная оценки, доверительные интервалы, задача управления запасами

Короткий адрес: https://sciup.org/170195428

IDR: 170195428   |   DOI: 10.24412/2411-0450-2022-9-48-54

Текст научной статьи Методическая помощь бизнес-аналитику в изучении особенностей решения оптимизационных задач при имитационном моделировании

Существует четкое различие между оптимизацией на основе обычных математических моделей и оптимизацией с использованием имитационных моделей.

В обычной математической модели задача оптимизации выражается с помощью явных математических функций, зависящих от управляемых переменных. В подобных моделях после постановки оптимизационной задачи и её решения находятся искомые значения управляемых переменных, соответствующие экстремуму целевой функции модели [1, с. 10].

Имитационная модель строится вне рамок оптимизационного процесса. Т.е. процедура построения самой имитационной модели не имеет никакого отношения к постановке и решению оптимизационной задачи. Готовую имитационную модель, как правило, используют для получения оценочных характеристик показателей функционирования системы при заданных значениях управляемых переменных. Это означает, что в имитационных моделях значения управляемых переменных (если их рассматривать вне процедуры оптимизации) считаются как часть входных данных [2, с. 354].

При решении оптимизационной задачи с применением имитационного моделирования, на самом деле, осуществляется постановка статистического эксперимента. Попробуем изложить методику данного процесса.

Необходимые результаты моделирования получаются путем целенаправленного изменения значений управляемых переменных. Но, дело в особенностях процедуры: при одних и тех же значениях управляемых переменных реализуются многократные прогоны имитационной модели для получения совокупности данных, элементы которых представляют собой текущие значения выходных показателей. На основе множества данных вычисляются оценочные характеристики результативных показателей (их средние значения и среднеквадратические отклонения). Далее осуществляется переход к следующим значениям управляемых переменных и процедура повторяется.

Полученные оценочные характеристики и используются для выполнения оптимизационных процедур. Следует помнить, что в имитационном моделировании для сравнения усредненных оценок, которые получены при любых комбинациях управляемых переменных, должны использоваться соответствующие статистические тесты [2, с. 355].

Процесс оптимизации с применением имитационных моделей усложняется из-за присутствия выборочной ошибки. Например, разброс оценок результатов моделирования может быть связан выборочной ошибкой, а не изменением значений управляемых переменных. Невозможность различить эти две причины разброса выходных данных затрудняет сравнение результатов моделирования при различных комбинациях управляемых переменных.

Полностью избавиться от выборочной ошибки нельзя, но ее влияние можно уменьшить путем увеличения количества прогонов имитационной модели. Доказано, что при выполнении N прогонов имитационной модели для каждой комбинации значений управляемых переменных выборочная ошибка уменьшается в 1 / VV раз [2, с. 355].

Чтобы объяснить специфику решения оптимизационной задачи с использованием имитационной модели, рассмотрим задачу управления запасами, в которой спрос на продукцию имеет вероятностную природу.

Выяснили, что известные методики построения и эксплуатации математических моделей задач управления запасами адресованы для обучающихся и специалистов с повышенной математической подготовкой [3, с. 184]. Мы сформулировали упрощенную версию модели задачи управления запасами, чтобы уделить максимум внимания на процедуры оптимизации вероятностной системы с применением имитационного моделирования. Надеемся, что подобный подход поможет бизнес-аналитикам с базовым прикладным обра- зованием разобраться в сути методологии решения оптимизационных задач при имитационном моделировании.

Специфика задачи управления запасами .

  • -    Текущий спрос на продукцию заранее не известен.

  • -    Когда количество произведенной продукции превысит спрос, то образуется запас (излишки) с затратами на хранение.

  • -    Когда текущий спрос превышает количество произведенной продукции, то будут издержки из-за дефицита, поскольку будут штрафные санкции за не поставленную продукцию.

Целью моделирования системы управления запасами является определение оптимального значения объема производства продукции, которое минимизирует суммарные затраты, связанные с функционированием системы. Суммарные затраты определяются как сумма двух видов показателей:

  • а)    затрат на хранения запасов (излишек);

  • б)    затрат из-за нехватки запасов (из-за дефицита готовой продукции).

Для проектирования модели системы управления запасами нами заимствованы исходные данные задачи, которая приведена в электронном ресурсе [4].

Постановка задачи .

Предприятие занимается производством определенного вида штучной продукции. Сначала необходимо построить имитационную модель функционирования предприятия в течение определенного времени, называемого продолжительностью периода моделирования. В нашем случае, упомянутый параметр равен 15-и месяцам.

Исходные данные:

  • а)    затраты на хранение единицы продукции – 60$;

  • б)    затраты для покрытия дефицита единицы продукции – 160 $ ;

  • в)    начальный уровень запаса продукции – 5 штук;

  • г)    объем производства продукции за месяц – 40 штук.

Спрос на продукцию является случайной величиной с нормальным распределением: со средним значением – 40 штук за месяц и со среднеквадратическим отклонением – 5 штук за месяц.

Алгоритм расчета .

Остаток на складе по истечении первого месяца равен:

  • а)    начальному уровню запаса продукции плюс объему производства продукции за месяц с вычетом текущего спроса (когда текущий спрос меньше суммы начального уровня запаса и объема производства за месяц);

  • б)    нулю, в других случаях.

Остаток на складе по истечении любого месяца (кроме первого) равен:

  • а)    объему производства продукции за месяц плюс остаток от предыдущего месяца с вычетом текущего спроса (когда текущий спрос меньше суммы объема производства и остатка от предыдущего месяца);

  • б)    нулю, в других случаях.

Суммарные затраты рассчитываются в зависимости от наличия остатка , либо неудовлетворенного спроса .

Первичные расчеты выполнялись на табличном процессоре MS Excel. Фактический спрос на продукцию смоделирован с применением программы табличного процессора для генерирования случайных чисел с нормальным законом распределения. Т.е., данные по ежемесячному спросу на продукцию предварительно сгенерированы и занесены в электронную таблицу. Запас продукции и суммарные затраты вычислены с использованием изложенного выше алгоритма.

В таблице 1 приведены итоговые результаты моделирования. К сведению: полученные результаты соответствуют только для конкретной реализации данных по спросу на продукцию. Для других реализаций данных по спросу результаты по запасу продукции и суммарным затратам будут иные.

Таблица 1

Моделируемые месяцы

Спрос на продукцию, шт.

Запас продукции, шт.

Суммарные затраты, $

1

27

18

1080

2

40

18

1080

3

37

21

1260

4

48

13

780

5

50

3

180

6

42

1

60

7

41

0

0

8

37

3

180

9

43

0

0

10

35

5

300

11

47

0

320

12

27

13

780

13

37

16

960

14

32

24

1440

15

38

26

1560

Итоговые результаты за период моделирования .

Общие затраты, $9980

Средние затраты, $665

Минимальные затраты, $0

Максимальные затраты, $1560

Средний объем запаса, шт.11

Минимальный объем запаса, шт.0

Максимальный объем запаса, шт. 26

Для выполнения многократных прогонов имитационной модели у табличного процессора MS Excel нет возможности. Поэтому, далее полностью переходим к С++ программам, разработанные и апробированные нами на базе платформы Visual Studio 2022.

Вводим понятие «прогон имитационной модели». Под этим понятием мы воспринимаем имитацию функционирования предприятия в течение продолжительности периода моделирования, равное 15-и месяцам.

В таблице 2 приведены результаты одного прогона имитационной модели при различных значениях объема производства продукции. В данном эксперименте использована та же реализация значений спроса на продукцию, которая использована в таблице 1. На рисунке отображено графическое представление данных таблицы 2.

Таблица 2

Объем производства продукции, шт

Общие затраты, $

20

44160

25

32340

30

20820

35

12480

40

9980

45

45060

50

81060

55

117060

60

153060

65

189060

70

225060

75

261060

80

297060

Рисунок. Графическое представление данных таблицы 2.

В таблице 3 приведены результаты (средние значения суммарных затрат и их среднеквадратические отклонения) ста прогонов имитационной модели при значениях объема производства продукции из интервала от 20 до 80 штук с шагом изме- нения 5 штук. Подчеркиваем, что для каждого прогона имитационной модели была использована сгенерированная по специальному алгоритму оригинальная реализация значений спроса на продукцию за период моделирования.

Таблица 3

Объем производства продукции, шт

Суммарные затраты, $

среднее значение

среднеквадратическое отклонение (СКО)

20

48525

3531

25

35798

3071

30

24444

3338

35

13251

2751

40

8938

3761

45

36536

10333

50

74372

10322

55

107855

10479

60

145142

11889

65

181466

10322

70

215311

9929

75

251747

10789

80

286859

10338

В левой части таблицы 4 приведены результаты другого ста прогонов имитационной модели при значениях объема производства продукции из интервала от 20 до 80 штук с шагом изменения 5 штук (как и в таблице 3).

Различные значения статистических характеристик (средних значений и средне- квадратических отклонений) суммарных затрат в таблицах 3 и 4 являются наглядным подтверждением того, что в имитационном моделировании при повторных экспериментах невозможно получить одинаковые результаты (в нашем случае, из-за вероятностной природы спроса на продукцию).

Таблица 4

Объем производства продукции, шт

Суммарные затраты, $

Нижняя граница доверительного интервала

Среднее значение суммарных затрат, $

Верхняя граница доверительного интервала

среднее значение

СКО

20

48249

3326

47699

48249

48799

25

36420

2628

35986

36420

36854

30

24131

2900

23652

24131

24610

35

12312

2506

11898

12312

12726

40

8055

3613

7458

8055

8652

45

36923

9637

35330

36923

38516

50

72060

10504

70323

72060

73797

55

109527

10730

107753

109527

111301

60

144670

10387

142953

144670

146387

65

180841

9187

179322

180841

182360

70

217052

10198

215366

217052

218738

75

252707

9885

251073

252707

254341

80

288907

10657

287145

288907

290669

Важно, чтобы результаты имитационного моделирования были выражены в виде доверительных интервалов, которые показывают величину отклонения фактического результата моделирования от точного значения. Дело в том, что полученные результаты моделирования являются только точечными (оценочными) значениями. Подобные результаты с достаточным основанием можно было бы использовать только при очень больших объемах наблюдений (в нашем случае, при большом количестве моделируемых месяцев функционирования предприятия).

Чем меньше объем выборки, тем меньше доверия к результатам. В таком случае важно не только получить требуемое точечное значение показателя, но и определить, насколько эта оценка близка к истинному значению параметра, т.е. важно оценить величину ошибки с помощью доверительных интервалов.

Таким образом, необходима не только точечная, но и интервальная оценка параметров [5, с. 137]. Под интервальной оценкой понимается определение доверительного интервала значений, в котором с заданной вероятностью будет находиться искомый параметр. Доверительный интервал характеризуется нижней и верхней границами.

В правой части таблицы 4 приведены нижняя и верхняя границы доверительного интервала среднего значения суммарных затрат, вычисленные при значениях доверительной вероятности 95% и уровне значимости 5%.

Интервальная оценка результатов имитационного моделирования показывает, что минимальное среднее значение суммарных затрат – 8055$ из диапазона 7458$…8652$ обеспечивается при ежеме- сячном объеме производства продукции 40 штук. Важный вывод: нижняя и верхняя границы выявленного диапазона минимального среднего значения не пересекаются с соседними подобными граничными значениями.

Для повышения доверия к полученным результатам необходимо повторно промоделировать функционирование системы, но с другими параметрами:

  • а)    выбрать более узкий интервал значений объема производства продукции, охватывающий текущее оптимальное значение 40 штук;

  • б)    шаг изменения объема производства продукции должен равняться возможному минимальному значению.

В таблице 5 приведены результаты ста прогонов имитационной модели при каждом значении объема производства продукции из интервала от 35 штук до 45 штук с единичным шагом изменения.

Таблица 5

Объем производства продукции, шт.

Суммарные затраты, $

Нижняя граница доверительного интервала

Средние значения суммарных затрат, $

Верхняя граница доверительного интервала

среднее значение

СКО

35

12801

2800

36

11075

2309

37

9207

2368

8816

9207

9598

38

8243

2826

7776

8243

8710

39

7922

3578

7330

7922

8514

40

8731

4078

8057

8731

9405

41

13068

7004

42

17655

8286

43

23572

9273

44

30319

8331

45

37023

11532

Интервальная оценка результатов имитационного моделирования показывает, что минимальное среднее значение суммарных затрат – 7922$ из диапазона 7330$…8514$ обеспечивается при ежемесячном объеме производства продукции 39 штук. Нижняя и верхняя границы диапазона минимального среднего значения суммарных затрат пересекаются с границами доверительных интервалов соседних минимальных средних значений (7776$...8710$ и 8057$...9405$). Вывод: между средними значениями суммарных затрат, которые соответствуют объемам производства продукции за месяц 38, 39 и 40 штук, статистически значимых различий нет (при доверительной вероятности 95% и уровне значимости 5%).

Выводы. Применение имитационного моделирования для решения оптимизационных задач усложняется спецификой использования имитационных моделей, поскольку результаты использования подобных моделей: а) подвержены статистическим ошибкам; б) должны интерпретироваться только с помощью соответствующих статистических тестов. Изложенные особенности имитационного моделирования создают трудности для получения независимых и устойчивых наблюдений. Можно сделать вывод, что в общем случае оптимизация с помощью имитационного моделирования не являет ся особо надежным методом исследова ния.

Список литературы Методическая помощь бизнес-аналитику в изучении особенностей решения оптимизационных задач при имитационном моделировании

  • Банди Б. Методы оптимизации. Вводный курс: Пер. С англ. - М.: Радио и связь, 1988. - 128 с.
  • Таха Х. Введение в исследование операций: В 2-х книгах. Кн. 2. Пер. С англ. - М.: Мир, 1985. - 496 с.
  • Имитационное моделирование: учебник и практикум для академического бакалавриата / Л.Ф. Вьюненко, М.В. Михайлов, Т.Н. Первозванская: под ред. Л.Ф. Вьюненко. - М.: Изд-во Юрайт, 2016. - 283 с.
  • [Электронный ресурс]. - Режим доступа: Лабораторная работа 10 производственная модель управления запасами.
  • Бурумкулов Ф.Х., Мировская Е.А. Основы теории вероятностей и математической статистики: Учеб. пособие. - М.: Изд-во стандартов, 1981. - 164 с.
Статья научная