Этапы исследования операций

Усложнение производства, техники и организационной структу­ры общества приводит к тому, что принятие решений и эффективное руководство все больше и больше нуждаются в широкой, точной и быстрой информации, количественной оценке и прогнозе результатов, последствий принятых решений. Назначение методов исследования операций - объективно разобраться в каждом явлении, численно оце­нить предлагаемые целенаправленные действия и, возможно, пред­ложить варианты решений, отличные от тех, которые рассматривали хозяйственные или другие руководители.

Несмотря на многообразие задач, возникающих в экономике (задача оптимального планирования инвестиций, формирование минимальной потребительской корзины, организация рекламной деятельности, составление штатного расписания, определение специализации предприятия и т.д.), при их решении можно выделить некоторую общую последовательность этапов, через которые проходит любое операционное исследование:

1. Постановка задачи

2. Идентификация переменных

3. Построение математической модели

4. Анализ модели, или решение задачи с помощью выбранного метода

5. Анализ решения

6. Проверка адекватности модели

7. Реализация полученного решения.

Краткое описание каждого этапа

1.,2. Постановка задачи является одним из наиболее важных эта­пов исследования операций. При постановке зада­чи исследования операций необходимо определить цель, преследуемую субъектом управления (ЛПР) и установить, значение каких характеристик (управляемых переменных) исследуемой системы (процесса) можно варьировать, а изменение значений каких перемен­ных (неуправляемых) не зависит от решений ЛПР. Кроме того, на данном этапе необходимо определить требования, условия и ограничения на исследуемую операцию. На этом же этапе должны быть решены проблемы информационного обеспечения будущей модели ИО.

3. Построение модели. На этом этапе необходимо выбрать модель, наиболее подходящую для адекватного описания ИО. При построении модели должны быть установлены количественные соотношения для выражения целевой функции (ЦФ) и ограничений в виде функций от управляемых переменных. Наиболее важным типом моделей ИО являются математические модели (ММ). В основе их построения лежит допущение о том, что все переменные, ограничения, их связывающие, а также целевая функция количественно измеримы. Поэтому если X_j, j = 1, n представляют собой n уп­равляемых переменных, а условия функционирования исследуемой системы (ИС) характеризуются m ограничениями, то ММ может быть записана в следующем виде:

(x₁, x₂ … x_n)  max, min – целевая функция

g_i(x₁, x₂ … x_n) ≤ b_i, i = 1, m – ограничения

4. Анализ модели обычно производится с помощью методов математического программирования.

5. Анализ решения или анализ на чувствительность – это процесс, реализуемый после того, как оптимальное решение задачи получено. В рамках такого анализа выявляется чувствительность оптимального решения к определенным изменениям исходной модели, т.е. фактически рассматривается совокупность моделей, что придает исследуемой операции определенную динамичность.

6. Решение, полученное при помощи анализа модели, не может, однако, не­посредственно быть рекомендовало для практической реализации. Ма­тематическая модель, как и любая другая модель, лишь частично ото­бражает действительность, акцентирует отдельные ее аспекты. Адек­ватность модели исследуемой операции и, следовательно, качество полученного результата можно проверить, сопоставлял результаты, установленные без использования модели, с результатами, вытекающими из анализа модели.

7. Работы по исследованию операций имеют смысл, если они завер­шаются внедрением результатов исследования в практику. Важность задач координации научной и производственной деятельности и труд­ности, связанные с внедрением научных рекомендаций в производство, заставляют рассматривать эти вопросы как отдельный этап в иссле­довании операций. При этом следует помнить, что задача исследова­теля операции - подготовить решение, а не принять его. Руководи­тель, ответственный за решение, должен учитывать помимо рекомен­даций исследователя операций, основанных на количественных оцен­ках, и другие факторы, не поддающиеся формализации.

В исследовании операций используется разнообразный математи­ческий аппарат. Чаще других методов для анализа моделей операций и подготовки решений используются методы математического програм­мирования, комбинаторного анализа и статистического моделирования.

Математическое программирование - область математики, разраба­тывающая теорию и численные методы решения многомерных экстремаль­ных задач с ограничениями, т.е. задач на экстремум функции многих переменных с ограничениями на область изменения этих переменных.

Задача математического программирования (ЗМП) имеет вид:



(1)

g_i(x₁, x₂ … x_n) ≤ b_i, i = 1, m – ограничения

В зависимости от свойств функций  и g_i математическое про­граммирование можно рассматривать как ряд самостоятельных дисциплин, занимающихся изучением и разработкой методов ре­шения определенных классов задач.

Прежде всего, задачи математического программирования делятся на задачи линейного и нелинейного программирования. При этом если все функции  и g_i линейные, то соответствующая задача является задачей линейного программирования. Если же хотя бы одна из указанных функций нелинейная, то соответ­ствующая задача является задачей нелинейного программиро­вания.

Наиболее изученным разделом математического программи­рования является линейное программирование. Для решения задач линейного программирования разработан целый ряд эффективных методов, алгоритмов и программ.

Среди задач нелинейного программирования наиболее глу­боко изучены задачи выпуклого программирования. Это задачи, в результате решения которых определяется минимум выпуклой (или максимум вогнутой) функции, заданной на выпуклом зам­кнутом множестве.

В свою очередь, среди задач выпуклого программирования более подробно исследованы задачи квадратичного программи­рования. В результате решения таких задач требуется в общем случае найти максимум (или минимум) квадратичной функции при условии, что ее переменные удовлетворяют некоторой системе линейных неравенств или линейных уравнений, либо некоторой системе, содержащей как линейные неравенства, так и линей­ные уравнения.

Отдельными классами задач математического программи­рования являются задачи целочисленного, параметрического и дробно-линейного программирования.

В задачах целочисленного программирования неизвестные могут принимать только целочисленные значения.

В задачах параметрического программирования целевая функция или функции, определяющие область возможных изме­нений переменных, либо то и другое зависят от некоторых пара­метров.

В задачах дробно-линейного программирования целевая функция представляет собой отношение двух линейных функ­ций, а функции, определяющие область возможных изменений переменных, также являются линейными.

Выделяют отдельные классы задач стохастического и дина­мического программирования.

Если в целевой функции или в функциях, определяющих об­ласть возможных изменений переменных, содержатся случай­ные величины, то такая задача относится к задаче стохастиче­ского программирования.

Задача, процесс нахождения решения которой является мно­гоэтапным, относится к задаче динамического программирова­ния.

Рассмотрим несколько примеров проведения операционного исследования.

Пример 1.1. Фабрика выпускает продукцию двух видов: П₁ и П₂. Продукция обоих видов поступает в оптовую продажу. Для производства этой продукции используются три исходных продукта - A, B, C. Максимально возможные суточные запасы этих продуктов составляют 6, 8 и 5 т соответственно. Расходы сырья A, B, C на 1 тыс. изделий П₁ и П₂ приведены в табл. 1.1

Таблица 1.1

Изучение рынка сбыта показало, что суточный спрос на изделия П₂ никогда не превышает спроса изделия П₁ более чем на 1 тыс. шт. Кроме того, установлено, что спрос на изделия П₂ никогда не превышает 2 тыс. шт. в сутки.

Оптовые цены 1 тыс. шт. изделий П₁ равны 3 тыс. руб., 1 тыс. шт. П₂ - 2 тыс. шт.

Какое количество изделий (в тыс. шт.) каждого вида должна производить фабрика, чтобы доход от реализации продукции был максимальным?

Построение математической модели следует начать с идентификации переменных (искомых величин). После этого целевая функция и ограничения выражаются через соответствующие переменные.

В рассматриваемом примере имеем следующее:

Переменные. Так как нужно определить объемы производства каждого вида продукции, переменными являются:

X₁ - суточный объем производства изделия П₁ в тыс. шт.;

X₂ - суточный объем производства изделия П₂ в тыс. шт.

Целевая функция. Так как стоимость 1 тыс. изделий П₁ равна 3 тыс. руб., суточный доход от ее продажи составит 3X₁ тыс. руб. Аналогично доход от реализации X₂ тыс. шт. П₂ составит 2X₂ тыс. руб. в сутки. При допущении независимости объемов сбыта каждого из изделий общий доход равен сумме двух слагаемых - дохода от продажи изделий П₁ и дохода от продажи изделий П₂.

Обозначив доход (в тыс. руб.) через , можно дать следующую математическую формулировку целевой функции: определить (допустимые) значения X₁ и X₂ , максимизирующие величину общего дохода:

,

Ограничения. При решении рассматриваемой задачи должны быть учтены ограничения на расход исходных продуктов A, B и С и спрос на изготовляемую продукцию, что можно записать так:

Это приводит к трем ограничениям:

X₁ + 2X₂ 6 (для А),

2X₁ + X₂ 8 (для В),

X₁ + 0.8X₂ 5 (для С).

Ограничения на величину спроса на продукцию имеют вид:

X₂ - X₁ 1 (соотношение величин спроса на изделия П₁ и П₂),

X₂ 2 (максимальная величина спроса на изделия П₂).

Вводятся также условия неотрицательности переменных, т. е. ограничения на их знак:

X₁ 0 (объем производства П₁),

X₂ 0 (объем производства П₂).

Эти ограничения заключаются в том, что объемы производства продукции не могут принимать отрицательных значений.

Следовательно, математическая модель записывается следующим образом.

Определить суточные объемы производства (Х₁ и Х₂) изделий П₁ и П₂ в тыс. шт., при которых достигается

(целевая функция)

п ри

Х₁ + 2Х₂ 6

2X₁ + X₂ 8

X₁ + 0.8X₂ 5 ограничения (1.1)

-X₁ + Х₂ 1

X₂ 2

X₁ 0 , X₂ 0

Пример 1.2. Металлургическому заводу требуется уголь с содержанием фосфора не более 0.03% и с долей зольных примесей не более 3.25%. Завод закупает три сорта угля А, В, С с известным содержанием примесей. В какой пропорции нужно смешивать исходные продукты А, В, С, чтобы смесь удовлетворяла ограничениям на содержание примесей и имела минимальную цену?

Содержание примесей и цена исходных продуктов приведены в табл. 1.2.

Таблица 1.2

Построим математическую модель.

О бозначим:

Х₁ - количество угля сорта А в тонне смеси

Х₂ - количество угля сорта В в тонне смеси переменные

Х₃ - количество угля сорта С в тонне смеси модели

- стоимость 1 т смеси -целевая функция,

0.06Х₁ + 0.04Х₂ + 0.02Х₃ 0.03 (%) - ограничение на содержание фосфора в смеси,

2Х₁ + 4Х₂ + 3Х₃ 3.25 (%) - ограничение на содержание зольных примесей,

Х₁ + Х₂ + Х₃ = 1 (т) - ограничение на состав 1 т смеси.

Окончательно, математическая модель имеет вид.

Определить количество угля сортов А, В, С (Х₁, Х₂, Х₃) в тонне смеси, при которых достигается

при

0.06Х₁ + 0.04Х₂ + 0.02Х₃ 0.03

2Х₁ + 4Х₂ + 3Х₃ 3.25 (1.2)

Х₁ + Х₂ + Х₃ = 1

Х_1,2,3 0.

Пример1.3. (задача составления кормовой смеси или задача о диете).

Бройлерное хозяйство птицеводческой фермы насчитывает 20 000 цыплят, которые выращиваются до 8-недельного возраста и после соответствующей обработки поступают в продажу. Недельный расход корма в среднем (за 8 недель) составляет 500г = 0.5 кг.

Для того, чтобы цыплята достигли к 8-й неделе необходимого веса, кормовой рацион должен удовлетворять определенным требованиям по питательности. Этим требованиям могут соответствовать смеси различных видов кормов, или ингредиентов.

В табл. 3 приведены данные, характеризующие содержание (по весу) питательных веществ в каждом из ингредиентов и удельную стоимость каждого ингредиента. Смесь должна содержать:

н е менее 0.8% кальция

не менее 22% белка от общего веса смеси

не более 5% клетчатки

Требуется определить количество (в кг) каждого из трех ингредиентов, образующих смесь минимальной стоимости, при соблюдении требований к общему расходу кормовой смеси и ее питательности.

Таблица 1.3

Математическая формулировка задачи.

Введем следующие обозначения:

Х₁ - содержание известняка в смеси (кг);

Х₂ - содержание зерна в смеси (кг);

Х₃ - содержание соевых бобов в смеси (кг);

Общий вес смеси, еженедельно расходуемый на кормление цыплят:

20 000  0.5 = 10 000 кг.

Ограничения, связанные с содержанием кальция, белка и клетчатки в кормовом рационе, имеют вид:

0.38Х₁ + 0.001Х₂ + 0.002Х₃ 0.008  10 000,

0.09Х₂ + 0.50Х₃ 0.22  10 000,

0.02Х₂ + 0.08Х₃ 0.05  10 000.

Окончательный вид математической формулировки задачи:

при ограничениях

Х₁ + Х₂ + Х₃ = 10 000

0.38Х₁ + 0.001Х₂ + 0.002Х₃ 80

0.09Х₂ + 0.50Х₃ 2200 (1.3)

0.02Х₂ + 0.08Х₃ 500

Х_j 0, j = 1, 2, 3.

Пример 1.4 (задача о раскрое или минимизации отходов (обрезков)). Продукция бумажной фирмы выпускается в виде бумажных рулонов стандартной ширины – по 2 метра. По специальным заказам потребителей фирма поставляет рулоны и других размеров, для чего производится разрезание стандартных рулонов. Типичные заказы на рулоны нестандартных размеров приведены в табл. 1.4.

Таблица 1.4.

Требуется найти такие сочетания различных вариантов разрезания стандартных рулонов, чтобы поступившие заказы полностью удовлетворить с минимальными потерями (отходами). Рассмотрим все возможные варианты раскроя стандартного рулона, соответствующие данные сведем в табл. 1.5.

Определим переменные: Х_j – количество стандартных рулонов, разрезаемых по варианту j, j=1,2,…,6.

Ограничения непосредственно связаны с требованием обеспечить изготовление требуемого количества нестандартных рулонов. Используя данные табл. 1.5, получим:

Таблица 1.5

2Х2+2Х3+4Х4+Х5=150 – количество рулонов шириной 0,5 м,

Х1+Х2+2Х5=200 – количество рулонов шириной 0,7м,

Х1+Х3+2Х6=300 – количество рулонов шириной 0,9м.

Выражение для суммарной величины потерь бумаги (отходы) (в м) имеет вид

0,4Х1+0,3Х2+0,1Х3+0,1Х5+0,2Х6

Таким образом, математическая модель в общем виде имеет вид

=0.4X₁+0.3X₂+0.1X₃+0.1X₅+0.2X₆

при ограничениях:

2X₂+2X₃+4X₄+X₅=150

X₁+X₂+2X₅=200

X₁+X₃+2X₆=300

; X_j – целые; j=1,...,6.