Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология
Образование Политология Производство Психология Стандартизация Технологии


Построение имитационной модели управления запасами.



На этом примере мы увидим, чем отличается оптимизационная модель исследования операций (рассмотренная ранее) от имитационной модели. В первую очередь имитационная модель позволяет нам моделировать случайные величины и события.

Очень важна постановка задачи. Не корректно сформулированные начальные условия могут привести к совершенно противоположным результатам.

Содержательное описание объекта моделирования

Имеется склад какой либо продукции, например, мешков цемента. Объем ежедневной продажи цемента (ежедневный спрос) является случайной величиной. При снижении запаса мешков до определенного уровня подается заказ на пополнение склада на фиксированную величину. Время выполнения этого заказа так же является случайной величиной. Известна стоимость подачи заказа (издержки на доставку), стоимость хранения одной единицы продукции. Известны потери от каждой упущенной продажи, если появился дефицит цемента (спрос больше дневного запаса). Будем считать, что все заказы подаются и начинают выполняться в начале рабочего дня. На период выполнения заказа все повторные заказы не производятся.

Необходимо построить модель работы склада в течение 10 дней и оценить его дневные издержки. Определить параметры управления запасами с целью минимизации издержек.

Формализованное описание объекта моделирования.

Исходные данные (и конкретные значения для контрольного примера):

· Qi - запас на начало i – го дня (начальный запас - 10 единиц).

· Yi - запас на конец i – го дня (остаток).

· U – уровень подачи заказа (при наличии на складе не более 5 единиц подается заказ на пополнение склада).

· Xi – дефицит продукции (нехватка продукции для обеспечения дневного спроса).

· Сs - стоимость подачи заказов (10 рублей/заказ).

· Сh - стоимость хранения (5 рублей/единицу в день).

· Сb – потери на одну упущенную продажу (80 рублей).

· q - объем заказа (начальный уровень 10 единиц).

· Di - ежедневный спрос (дискретная случайная величина). Имеются результаты наблюдения (статистические данные) величины ежедневного спроса D в течение одного года (300 рабочих дней). Эти результаты представлены во втором столбце таблицы в виде частоты появления события f1.

· I – решение об организации заказа ( да – 1, нет – 0).

· t - время выполнения заказа (случайная величина). Результаты наблюдения этого времени (статистические данные) в течение года (50 заказов) приведены во второй таблице.

· N – общее число заказов за Т дней ( Ni – заказ в i-ый день равен 0 или1).

· Т – количество дней работы склада – 10 дней.

· Z – издержки работы склада за один день.

 

Целевая функция:

, где Z1 - издержки на пополнение склада, Z2 - затраты на хранение, Z3- стоимость упущенных продаж.

 

Z1= Сs Ni/Т Z2= СhS Yi/Т Z3=S Xi

 

Будем строить модель десяти дней работы склада и проведем оценку его издержек за один день Z.

По каждому случайному событию формируется отдельная таблица.

По частотам вычисляются вероятности появления событий, по вероятностям – кумулятивные вероятности. Зная кумулятивные вероятности, устанавливается соответствие между случайными числами и значениями случайной величины.

 

Таблица 17

Спрос в день Di Частота f1 Вероятность P(D) Интегральная вероятность Диапазон случайных чисел R1
0,05 0,05 0,00—0,049
0,10 0,15 0,05—0,149
0,20 0,35 0,15—0,349
0,40 0,75 0,35—0,749
0,15 0,90 0,75—0,899
0.10 1.00 0,90-0,999
Сумма      

 

 

Таблица 18

Время выполнения заказа, дни t Частотаf2 Вероятность P(t) Интегральная вероятность Диапазон случайных чисел R2
0,2 0,2 0—0,19
0,5 0,7 0,2—0,69
0,3 1,0 0,7—0,99
Сумма      

 

 

Математическая модель.

Построение математической модели, одной частной реализации, будем осуществлять в виде таблицы (Таблица 19).

 

 

Таблица 19

День i Qi Ri Спрос Di Запас на конец дня Yi Повторный заказ да/нет I Ri Время выпол­нения t Дефицит Xi
0,06        
0,63        
0,57        
0,94 Да (1)
0,52 Выполн.      
0,69        
0,32 Да (1) 0,2  
0,30        
0,48 Выполн.      
0,88        
Сумма          

 

Начальный запас Q1=10 единиц. С использованием датчика случайных чисел выбираем случайное число для спроса в 1-й день R1= 0,06, что соответствует по таблице спро­су D1=1. Поэтому запас на конец 1-го дня равен Y1=Q1 - D1= 9. Это число и запишем в запас на начало 2-го дня Q2=9.

Случайное число для спроса D2 во 2-й день R1= 0,63, что соот­ветствует по таблице спросу D2=3. Поэтому запас на конец 2-го дня равен Y2=Q2 – D2= 6. Это число и запишем в запас на начало 3-го дня Q3=6. и т.д.

Запас на начало 4-го дня Q4 < U ( 3 < 5). Поэтому подаем за­каз на пополнение склада – I=1 (да). Здесь необходимо смоделировать второе случайное событие, каково время исполнения заказа? Выбираем случайное число R2=0, что соответствует по табли­це времени выполнения заказа t=1 день, то есть заказ вы­полняется весь 4-й день, и в начале 5-го дня мы получим q=10 единиц. Спрос в 4-й день был D4=5 единиц, а начальный запас Q4= 3. Поэтому упущенные продажи запишем в столбец «Дефицит» X4= D4- Q4 =2.

Запас на начало 7-го дня Q7 < U ( 4 < 5). Поэтому подаем за­каз на пополнение склада - I=1 (да). Выбираем случайное число R2=2, что соответствует по табли­це времени выполнения заказа t=2 дня, то есть заказ выпол­няется в течение 7-го и 8-го дней, и в начале 9-го дня мы получим Q9 =10 единиц. В начале 8-го дня мы не принимаем решения на подачу заявки на пополнение склада, так как не выполнена была предыдущая заявка. И т.д.

Исследование модели.

Вычисляем среднее число заказов ( общее число заказов/общее число дней) Nср=∑Ni/Т=2/10 = 0,2 заказа/день.

Вычисляем средний запас товара на складе на 1 днь Yср=∑Yi/ Т = 41/10 = 4,1 единицы/день.

Вычисляем среднее число упущенных продаж в день Xср= ∑Xi/Т (общее число упу­щенных продаж/общее число дней) = 2/10 = 0,2 прода­жи/день.

Общие издержки (средние в день) равны затратам на подачу заказов, плюс затраты на хранение, плюс штраф за дефицит.

Z1= Сs ∙ Nср , Z2= Сh ∙ Yср , Z3= Сb ∙ Xср

Z= Сs ∙ Nср + Сh ∙ Yср+ Сb ∙ Xср =

=10∙0,2 + + 5∙4,1 + 80∙0,2 = 38,5 рублей/день.

 

Далее осуществляются реализации модели, составляем таблицу результатов:

Таблица 20

Реализация  
Общие издержки (руб./день) 38,5                  

 

По данным реализаций вычисляем (вероятностные характеристики) математическое ожидание величины издержек. Если эта случайная величина равномерно распределена (а мы именно такое распределение приняли для случайного события), то математическое ожидание издержек есть средняя величина результатов реализации. М(Z) =(Zmin +Zmax)/2.

Изменяя уровень и объем заказа, и повторяя процедуру реализации модели мы можем оптимизировать издержки.

На этом примере видно, что для успешной разработки имитационной модели какого либо процесса необходимо весь процесс разделить на отдельные операции и обозначить связи между ними. Особенно это важно для сложных процессов и систем, таких, как, например, управление производством. Для такого формализованного описания процессов служит формализованный язык построения процессных схем.

 

Пример имитационной модели системы массового обслуживания

Содержательное описание объекта моделирования и постановка задачи.

Рассматривается процесс приема пациентов в поликлинике. Восьми пациентам назначено определенное время приема – с 9.30 до 12.00. То есть каждому пациенту выделено конкретное количество минут приема. Однако пациенты могут приходить вовремя, опаздывать или приходить на прием раньше срока. Это событие является случайным и соответственно время прихода пациента - случайная величина. Из прошлого опыта известны вероятности отклонения времени прихода пациентов от назначенного (вероятность опоздания или прихода раньше срока). Предполагается, что пациенты обслуживаются в порядке записи. Кроме того, обслуживание пациентов так же является случайным событием (количество минут обслуживания – случайная величина). Статистические данные по времени обслуживания (вероятности отклонения времени обслуживания от запланированного) так же известны из прошлого опыта. Необходимо определить, когда закончится прием пациентов (построив имитационную модель).

 

Формализованное описание объекта моделирования.

Исходные данные (и конкретные значения для контрольного примера):

Ti – назначенное время прихода пациента (Таблица 21).

ti - предполагаемое время обслуживания пациента (Таблица 21).

Xi – отклонение времени прихода пациента от назначенного (приход пациента раньше, вовремя или позже назначенного срока) (Таблица 22).

Yi - отклонение времени обслуживания пациента от запланированного (Таблица 23).

 

Таблица 21

Пациент Время, назначенное пациентам Ti Предполагаемое время обслуживания, мин. ti
А 9.30
В 9.45
С 10.15
D 10.30
Е 10.45
F 11.15
G 11.30
Н 11.45

 

 

Из прошлого опыта известно:

Таблица 22

Отклонение времени прихода пациентов Xi Вероятность P(Xi) Интегральная вероятность Диапазон случайных чисел R1
на 20 мин раньше 0,20 0,20 00—19
на 10 мин раньше 0,10 0,30 20—29
вовремя 0,40 0,70 30—69
на 10 мин позже 0,25 0,95 70—94
на 20 мин позже 0,05 1,00 95—99

Таблица 23

Отклонение времени обслуживания пациентов Yi Вероятность P(Yi) Интегральная вероятность Диапазон случайных чисел R2
на 20% времени меньше 0,15 0,15 00—14
по плану 0,50 0,65 15—64
на 20% времени больше 0,25 0,90 65-89
на 40% времени больше 0,10 1,00 90—99

 

Построение математической модели.

Таблица 24

Паци- ент Время, назначенное пациентам Ti Приход Обслуживание
R1 Время R2 Время обслуж. мин. Начало Окончание
А 9.30 9.30 9.30 9.42
В 9.45 9.45 9.45 10.09
С 10.15 10.15 10.15 10.30
D 10.30 10.10 10.30 10.40
Е 10.45 11.05 11.05 11.35
F 11.15 11.15 11.35 11.56
G 11.30 11.30 11.56 12.11
Н 11.45 11.25 12.11 12.29

 

По случайным числам из 2-го и 4-го столбцов определяем приход пациентов и время обслуживания соответственно. Случайные числа будем брать из таблицы 25.

 

Исследования модели.

Прием окончится на пол часа позже запланированного на 19 минут. В данном случае варьируемыми переменными является только время назначенное пациентам. Исследовать мы можем только разумность этого назначения. Различными прогонами модели мы сможем определить возможность равномерного назначения приема пациентов.

 

Точность модели.

Нам надо оценить число реализаций с точностью окончания приема до 5 минут. Общее время приема 2,5 часа, точность – 1/12 часа. Тогда N=900.

 

 


Таблица случайных чисел

Таблица 25

  б
05'
4 4
. 24
4 5


 

ТЕМА 6






Читайте также:

Последнее изменение этой страницы: 2016-03-16; Просмотров: 161; Нарушение авторского права страницы


lektsia.com 2007 - 2017 год. Все права принадлежат их авторам! (0.096 с.) Главная | Обратная связь