Стохастические модели описывают случайные процессы или ситуации, при этом подразумевается, что случайность тех или иных явлений выражается в терминах вероятности. Так же, как и детерминированные, стохастические модели бывают дискретные и непрерывные.
Непрерывно-стохастические модели
Основной схемой формализованного описания систем, для которых характерны
1) непрерывный характер изменения времени и
2) наличие случайностей в поведении,
служит аппарат систем массового обслуживания. То есть это план математических схем, разработанных для формализации процессов функционирования систем, которые являются процессами обслуживания. Именно для таких систем характерны стохастический характер функционирования (случайное появление заявок на обслуживание), завершение обслуживания в случайные моменты времени, наличие входного и выходного потока заявок, наличие приборов обслуживания, поток событий, существование очереди на обслуживание, определение некоторого порядка обслуживания и т.п.
Как видно из описания моделей такого рода, непрерывно-стахостические модели нам не подходят.
Дискретно-стохастические модели
Данный тип моделей подходит для тех объектов, которые обладают следующими характеристиками:
время в них дискретно
они проявляют статически закономерное случайное поведение.
По данному определению наша модель полностью подходит под описание дискретно-стохастических моделей: по условию время у нас дискретно и мы сделали вывод, что в модели присутствуют случайности. Модели систем такого рода могут быть построены на основе двух схем формализованного описания:
Конечно-разностные уравнения, среди переменных которых используют функции, задающие случайные процессы
Вероятностные автоматы
“Вероятностным автоматом называется дискретный прелбразователь информации, имеющий более одного состояния, функционирование которого в каждом такте зависит только от состояния памяти в нем и может быть описано статически” 3
Задание вероятностных автоматов осуществляется таблично или с помощью графов, но их использование на практике возможно лишь путем реализации имитационной модели на ЭВМ (за исключением небольших и несложных моделях, при которых возможны и аналитические расчеты).
Проверим возможность применения вероятностных автоматов к нашей модели:
Случайности в нашей модели есть, но представляется ли возможным вычислить закон распределения?
1.В случае случайной цены?
Да, это равномерное распределение и вероятности всех состояний при определении цены равны.
В случае случайного распределения непроданной продукции?
Это опять равномерное распределение и вероятности найти можно.
Посмотрим, какие входные состояния может принимать система...Оказывается таких состояний бесконечно много, следовательно, вероятностный автомат построить нельзя. А если сделать ограничения на объем выпуска? Это множество будет конечным и вероятностный автомат можно будет построить, но полученная модель, как и в случае предположения о детерминированности системы, будет плохо отражать реальность. Поэтому откажемся от построения вероятностного автомата.
Наиболее удобным в случае дискретно-стохастической схемы формализованного описания представляется решение задачи с помощью конечно-разностных уравнений.
Непрерывно стохастические модели (Q -схемы)
Особенность непрерывно стохастической модели будем рассматривать на примере систем массового обслуживания (СМО) в качестве типовых математических моделей. При этом используемая система формализуется как некая система обслуживания. Характерным для таких объектов является случайное появление требований (заявок) на обслуживание и завершение обслуживания в случайные моменты времени. Т.е. характер функционирования устройств носит стохастический порядок.
Основные понятия теории массового обслуживания.
В любом элементарном акте обслуживания можно выделить две основные составляющие:
1) Ожидание обслуживания
2) Собственно, обслуживание
Некоторые виды обслуживания некоторого оборудования:
ОА – обслуживающий аппарат
К – канал
Прибор обслуживания (i-ый) состроит из:
Потоком событий называется последовательность событий происходящих одно за другим в какие-то случайные моменты времени.
Поток событий называется однородным , если он характеризуется только моментами поступления этих событий (вызывающие моменты) и задается временной последовательностью: ,
Поток называется неоднородным , если он задается следующей совокупностью , где t n – вызывающий моменты, f n – набор признаков события(наличие приоритета, принадлежность к тому или иному типу заявки).
Если интервал времени между сообщениями независимыми между собой являются случайными величинами, то такой поток называется потоком с ограниченным последействием.
Поток событий называется ординарным , если вероятность того, что на малый интервал времени примыкающий к моменту времени t попадает более одного события, пренебрежительно мала по сравнению с вероятностью того что на этот же интервал попадает ровно одно событие.
Поток называется стационарным , если вероятность появления того или иного числа событий на некотором интервале времени зависит лишь от длины интервала и не зависит от того, где на оси времени взят этот участок.
Для ординарного потока среднее число сообщений наступивших на участке примыкающих к некоторому моменту времени t будет равно .
Тогда среднее число сообщений наступивших на участке времени составит: 
- интенсивность ординарного потока
.
Для стационарного потока – его интенсивность не зависит от времени и представляет собой постоянное значение равное среднему числу событий наступающих в единицу времени.
Поток заявок (), т.е. интервалы времени между моментами появления заявок на входе канала (это подмножество неуправляемых переменных)
Поток обслуживания () - т.е. интервалы времени между началом и окончанием обслуживанием заявок, принадлежат подмножеству управляемых заявок.
Заявки обслуженные каналом или заявки покинувшие прибор необслуженными, образуют выходной поток. Процесс функционирования i-ого прибора можно представить как процесс изменения состояний его элементов во времени.
Переход в новое состояние для i-ого прибора означает изменение количества заявок, которые находятся в накопителе или канале:
Где – состояние накопителя , если он = 0, то накопитель пуст (нет заявок), если количество заявок совпадает с емкостью накопителя, то накопитель полон; - состояние канала (0 – свободен или 1 - занят).
В практике моделирования элементарные Q-схемы обычно объединяют, при этом, если каналы различных приборов обслуживания соединены параллельно, то имеет место многоканальное обслуживание . А если последовательно – многофазное обслуживание . Таким образом для задания Q-схемы необходимо использовать оператор сопряжения R, отражающий взаимосвязь элементов структуры. Различаются разомкнутые и замкнутые Q-схемы.
Разомкнутые – выходной поток заявок не может поступить к какому либо элементу, т.е. отсутствует обратная связь
Замкнутые – есть обратная связь.
Собственными внутренними параметрами Q-схемы будут являться:
- количество фаз
- количество каналов в каждой фазе
- количество накопителей каждой фазы
- ёмкость накопителя.
В зависимости от ёмкости накопителя в теории массового обслуживания применяют следующую терминологию: если емкость равна нулю (т.е. накопитель отсутствует, а есть только канал), то система с потерями . Если ёмкость стремится к бесконечности, то система с ожиданием , т.е. очередь заявок неограниченна.
Система смешанного типа.
Для задания Q-схемы так же необходимо описать алгоритм её функционирования, который определяет набор правил поведения заявок в системе в различных ситуациях. Неоднородность заявок, отражающая процессы в той или иной реальной системе, учитывается с помощью введения классов приоритетов.
Весь набор возможных алгоритмов поведения заявок в Q-схеме можно представить в виде оператора:
Q = (W, U, R, H, Z, A)
Где W - подмножество входных потоков;
U - подмножество потока обслуживания;
R - оператор сопряжения элементов структуры;
H - подмножество собственных параметров;
Z - множество состояний системы;
A - оператор алгоритмов поведения и обслуживания заявок;
Для получения соотношений связывающих характеристики, которые определяют функционирование Q-схемы, вводят некоторые допущения относительно входных потоков, функций распределения, длительности обслуживания запросов, дисциплин обслуживания.
Для математического описания функционирования устройств, процесс функционирования которого развивается в случайном порядке, могут быть применены математические модели для описания так называемых Марковских случайных процессов .
Случайный процесс называется Марковским, если он обладает следующим свойством – для каждого момента времени вероятность любого состояния системы в будущем (т.е. в какой-то момент времени ) зависит только от состояния системы в настоящем и не зависит от того, когда и каким образом система пришла в это состояние. Иначе, в Марковском случайном процессе будущее его развитие зависит только от его настоящего состояния и не зависит от исторического процесса.
/* реально таких систем, конечно, не существует. Но существуют механизмы, которые позволяют свести к этим процессам.*/
Для Марковских процессов обычно составляют уравнения Колмогорова.
В общем виде уравнения Колмогорова выглядят следующим образом:
где - вектор, определяющий некоторый набор коэффициентов присущих системе
Для стационарного соотношения:
,
что дает возможность для стационарной зависимости получить
А затем связать выходные характеристики через набор коэффициентов соответствующих системе:
Последнее соотношение представляет собой зависимость выходных параметров от некоторых внутренних параметров модели, и имеют название базисной модели .
В результате всего нам нужно найти:
Которая будет называться интерфейсной моделью .
Следовательно, математическая модель системы строится как совокупность базисной и интерфейсной модели, что позволяет использовать одни и те же базисные модели, для различных задач проектирования осуществляя настройку на соответствующую задачу посредством изменения только интерфейсной модели. Для Q-схем математическая модель должна обеспечивать вычисление времени реакции и определения производительности системы.
Пример: пусть есть некоторая система S, имеющая конечный набор состояний (будем рассматривать для 4 состояний).
Получаем ориентированный граф:
Плотности вероятностей для множества состояний.
Найдем вероятность, т.е. вероятность того что в момент t система будет находиться в состоянии .
Придадим t малое приращение и найдем, что в момент времени система будет находится в состоянии .
Это может быть реализовано двумя способами:
Вероятность первого способа найдем как произведение вероятности на условную вероятность того, что будучи в состоянии система за время не перейдет из него в состояние. Это условная вероятность с точностью до бесконечно малых величин высших порядков будет равна:
Аналогично вероятность второго способа равна вероятности того что в следующий момент t была в состоянии умноженную на условную вероятность перехода в состояния, т.е.:
=> 
Мы вывели уравнение Колмогорова для первого состояния.
Интегрирование данной системы дает искомые вероятности системы как ф-ции времени. Начальные условия берутся в зависимости от того какого было начальное состояние системы. Например, если в момент времени t = 0, система находилась в состоянии, то начальное условие будет .
Кроме того, необходимо добавлять условие нормировки (сумма вероятностей = 1).
Уравнение Колмогорова строится по следующему правилу: в левой части каждого уравнения стоит производная вероятности состояния, а правая часть содержит столько членов сколько стрелок связано с данным состоянием. Если стрелка направлена из состояния, то соответствующий член имеет знак "-", в состояние – "+". Каждый член равен произведению плотности вероятности перехода (интенсивности) соответствующий данной срелке, умноженной на вероятность того состояния, из которого исходит стрелка.
Лабораторная работа №1.
Определить среднее относительное время пребывания системы в предельном стационарном состоянии. Интенсивности переходов из состояния в состояние задаются в виде матрицы размером ≤ 10.
Отчет: название, цель, теоретическая часть и расчеты.
Рассмотрим многоканальную систему массового обслуживания с отказами.
Будем нумеровать состояние системы по числу занятых каналов. Т.е. по числу заявок в системе.
Обзовем состояния:
Все каналы свободны
Занят один канал, остальные свободны
Занято k каналов, остальные свободны
Заняты все n каналов
Граф состояний:
Разметим граф, т.е. расставим интенсивности соответствующих событий.
По стрелкам с лева на право система переводит один и тот же поток с интенсивностью .
Определим интенсивность потоков событий, переводящих систему справа на лево.
Пусть система находится в . Тогда, когда закончится обслуживание заявки занимающей этот канал, система перейдет в => поток, переводящий систему в другое состояние, будет иметь интенсивность перехода m . Если занято 2 канала, а не один, то интенсивность перехода составит 2m .
Уравнения Колмогорова:
Предельные вероятности состояний p 0 и p n характеризуют установившийся режим работы системы массового обслуживания при t ® ¥.
Среднее число заявок, приходящих в систему за среднее время обслуживания одной заявки.
Зная все вероятности состояний p 0 , … , p n , можно найти характеристики СМО:
- вероятность отказа – вероятность того, что все n каналов заняты
- относительная пропускная способность – вероятность того, что заявка будет принята к обслуживанию
- среднее число заявок, обслуженных в единицу времени
Полученные соотношения могут рассматриваться как базисная модель оценки характеристик производительности системы. Входящий в эту модель параметр , является усредненной характеристикой пользователя. Параметр m является функцией технических характеристик компьютера и решаемых задач.
Эта связь может быть установлена с помощью соотношений, называемых интерфейсной моделью. Если время ввода/вывода информации по каждой задачи мало по сравнению со временем решения задачи, то логично принять, что время решения равно 1 / m и равно отношению среднего числа операций, выполненных процессором при решении одной задачи к среднему быстродействию процессора.
Самостоятельно: Метод вложенных цепей Маркова
Требования к отчету: название, цель, краткие теоретические сведения (писать то что не знаешь), пример, текст программы.
Немарковские случайные процессы, сводящиеся к марковским.
Реальные процессы весьма часто обладают последействием и поэтому не являются Марковским. Иногда при исследовании таких процессов удается воспользоваться методами, разработанными для Марковских цепей. Наиболее распространенными являются:
1. Метод разложения случайного процесса на фазы (метод псевдо состояний)
2. Метод вложенных цепей
Моделирование – построение моделей для исследования и изучения объектов, процессов, явлений.
стохастическое моделирование отображает вероятностные процессы и события. В этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики.
один подход к классификации математических моделей подразделяет их на детерминированные истохастические (вероятностные). В детерминированных моделях входные параметры поддаются измерению однозначно и с любой степенью точности, т.е. являются детерминированными величинами. Соответственно, процесс эволюции такой системы детерминирован. В стохастических моделях значения входных параметров известны лишь с определенной степенью вероятности, т.е. эти параметры являются стохастическими; соответственно, случайным будет и процесс эволюции системы. При этом, выходные параметры стохастической модели могут быть как величинами вероятностными, так и однозначно определяемыми.
В зависимости от характера исследуемых реальных процессов и систем математические модели могут быть:
детерминированные,
стохастические.
В детерминированных моделях предполагается отсутствие всяких случайных воздействий, элементы модели (переменные, математические связи) достаточно точно установленные, поведение системы можно точно определить. При построении детерминированных моделей чаще всего используются алгебраические уравнения, интегральные уравнения, матричная алгебра.
Стохастическая модель учитывает случайный характер процессов в исследуемых объектах и системах, который описывается методами теории вероятности и математической статистики.
Типовые схемы. Приведенные математические соотношения представляют собой математические схемы общего вида и позволяют описать широкий класс систем. Однако в практике моделирования объектов в области системотехники и системного анализа на первоначальных этапах исследования системы рациональнее использовать типовые математические схемы.
В качестве детерминированных моделей, когда при исследовании случайные факторы не учитываются, для представления систем, функционирующих в непрерывном времени, используются дифференциальные, интегральные, интегродифференциальные и другие уравнения, а для представления систем, функционирующих в дискретном времени, конечные автоматы и конечно-разностные схемы.
В качестве стохастических моделей (при учете случайных факторов) для представления систем с дискретным временем используются вероятностные автоматы, а для представления системы с непрерывным временем – системы массового обслуживания и т. д.
Перечисленные типовые математические схемы, естественно, не могут претендовать на возможность описания на их базе всех процессов, происходящих в больших системах. Для таких систем в ряде случаев более перспективным является применение агрегативных моделей. Агрегативные модели (системы) позволяют описать широкий круг объектов исследования с отображением системного характера этих объектов. Именно при агрегативном описании сложный объект (система) расчленяется на конечное число частей (подсистем), сохраняя при этом связи, обеспечивающие взаимодействие частей.
Таким образом, при построении математических моделей процессов функционирования систем можно выделить следующие основные подходы:
непрерывно-детерминированный (например, дифференциальные уравнения);
дискретно-детерминированный (конечные автоматы);
дискретно-стохастический (вероятностные автоматы);
непрерывно-стохастический (системы массового обслуживания);
обобщенный, или универсальный (агрегативные системы).
20. Модель популяции .
Модель – это мысленно представляемая или материально реализованная система, которая, отображая или воспроизводя объект исследования, способна замещать его так, что ее изучение дает новую информацию о нем. Рассмотрим примеры динамических систем - модели популяций. Популяция (от лат.populatio- население) - термин, используемый в различных разделах биологии, а также в генетике, демографии и медицине.
Популяция - это человеческое, животное или растительное население некоторой местности, способной к более-менее устойчивому самовоспроизводству, относительно обособленное (обычно географически) от других групп.
Описание популяций, а также происходящих в них и с ними процессов, возможно путем создания и исследования динамических моделей.
Пример 1. Модель Мальтуса.
Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением х = ах , где α - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функцияx(t) = х 0 е*.
Если рождаемость превосходит смертность (α > 0), размер популяция неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объема популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста:
где x s - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению
Пример 2. Модель «хищник - жертва».
Модель взаимодействия «хищник - жертва» независимо предложили в 1925 - 1927 гг. Лотка и Вольтерра. Два дифференциальных уравнения моделируют временную динамику численности двух биологических популяций жертвы и хищника. Предполагается, что жертвы размножаются с постоянной скоростью а их численность убывает вследствие поедания хищниками. Хищники же размножаются со скоростью, пропорциональной количеству пищи и умирают естественным образом.
Допустим, что на некоторой территории обитают два вида животных: кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов -х, число лис -у. Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Вольтерра - Лотки:
х =(α -су)х;
Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов.
Особенности стохастического моделирования.
Особенности стохастического мод-ия: стохастическое моделирование – моделирование случайных воздействий.
Стохастическое моделирования (СМ) - м оделирование случайных процессов и случайных событий.
Суть СМ – многократное повторение модельных экспериментов с целью получения статистики о свойствах системы, получения данных о свойствах случайных событий и величин.
Цель – в результате СМ для параметров объектов должна быть получена оценка мат ожидания, дисперсии и закона распределения случайной величины.
Понятие случайного события и случайной величины.
Случайным событием называется любой факт, который в результате опыта может произойти или не произойти. Случайные события могут быть: Достоверными (событие, которое происходит в каждом опыте). Невозможными (событие, которое в результате опыта произойти не может).
Числовая величина, принимающая то или иное значение в результате реализации опыта случайным образом, называется случайной величиной .
Характеристики случайных величин и случайных событий.
Характеристики случайного события:
Частота появления события - вероятность появления того или иного события при неограниченном количестве опытов.
Характеристики случайной величины:
Математическое ожидание - число, вокруг которого сосредоточены значения случайной величины.
Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.
Плотности распределения вероятности - вид функции, которой определяет закон распределения случайных величин.
Моделирование случайных событий.
Исходные данные:
Вероятность события Pa;
Требуется построить модель события A, которое происходит с вероятностью Pa.
Алгоритм моделирования:
Используется датчик случайных чисел с равномерным законом распределения от 0 до 1:
Randomize(RND) x i . 0<=x i <=1
Если выполняется Xi<=Pa то событие A произошло. В противном случае произошло событие не A.
Моделирование полной группы случайных событий.
Группа несовместимых событий называется полной, если при испытаниях только одно событие произойдет обязательно (алгоритм).
Примеры стохастических моделей.
Модели для прогнозирования изменений состояния автотр. предприятия .
Литература: , .
3. Имитационное моделирование
Понятие имитационного моделирования.
Суть ИМ – компьютерный эксперимент – исследования свойств объекта путем экспериментирования с его компьютерной моделью.
Актуальность имитационного моделирования.
1)моделирование сложных систем (когда аналитически использовать объект невозможно)
2)моделирование действия случайных факторов (необходимо многократное повторение)
3)отсутствие математической модели (при исследовании неизвестных явлений).
4)необходимость получения результатов к определенному сроку (скорее всего самая главная причина)
Примеры задач имитационного моделирования: модели систем массового обслуживания, модели случайных событий, клеточные автоматы, модели сложных систем и т.д.
1. Модели систем массового обслуживания
Схема СМО
Цель СМО : определение оптимальных параметров системы
Пример: очередь в супермаркете
На обслуживание могут поступать заявки с более высоким приоритетом. Пример: бензоколонка (скорая, полиция).
2. Модели случайных событий
Случайным называют событие, которое в результате испытания может наступить, а может и не наступить. Исчерпывающей характеристикой случайного события является вероятность его наступления. Примеры: объемы выпускаемой продукции предприятием каждый день; котировки валют в обменных пунктах; интервал времени до появления очередного клиента, длительность проведения технического обслуживания автомобиля.
3. Клеточные автоматы
Клеточный автомат – система, представляющая собой совокупность одинаковых клеток. Все клетки образуют, так называемую, решетку клеточного автомата. Каждая клетка является конечным автоматом, состояния которого определяются состояниями соседних клеток и ее собственным состоянием. Впервые, идея таких автоматов отмечена в работах Неймана в 1940-х годах.
Пример: игра «Жизнь». Была в 1970 году Джоном Конвэем.
До сих пор мы рассматривали модели с детерминированной топологией сети. При моделировании сложного проекта нередко наиболее гибкими и полезными оказываются сетевые модели со стохастической структурой. Стохастическую сеть определяют как сеть, содержащую альтернативные узлы (состояния), при этом дуги (работы) характеризуются не только вероятностным распределением продолжительности, но и вероятностью их выполнения.
Стохастическая сетевая модель с множеством возможных исходов, являясь дальнейшим развитием традиционных сетей, дает возможность полнее отобразить процесс разработки и создания сложного проекта. Применяемый для анализа стохастических сетевых моделей математический аппарат позволяет вычислять вероятности различных альтернативных исходов, оценивать время их возможной реализации.
Стохастическая сетевая модель есть конечный граф G=(W,А), где W– есть множество детерминированных и альтернативных вершин, отождествляемых с событиями, а технологическая матрица А={p ij } задает множество ориентированных дуг, отождествляемых с работами (или связями). Для стохастических сетей 0£ p ij £ 1, причем p ij =1 определяет работу (i,j) аналогично принятым в традиционных сетях определениям, а
0 < p ij < 1 соответствует альтернативному событию i, из которого с вероятностью p ij «выходит» работа (i,j). Другими словами p ij – вероятность того, что работа (i,j) будет выполнена при условии, что узел i выполнен.
Пусть j(t ij) – плотность распределения времени выполнения работы (i,j). М[х] – математическое ожидание случайной величины х.
Вводится условная производящая функция моментов случайной величины t ij как М ij (s)=М[е st ij ], т е.
М ij (s)= ò е st ij j(t ij)dt ij (для непрерывной случайной величины),
å е st ij j(t ij) (для дискретной случайной величины).
В частности, М ij (s)=М[е sа ] = е sа при t ij =а=const, М ij (0)=1.
Для каждой дуги (i,j) определяется Y–функция как
Y ij (s) = p ij М ij (s).
Исходная сеть преобразуется в эквивалентную, используя три базисных преобразования:
· последовательные дуги,
· параллельные дуги,
Для последовательных дуг (рис.7)
Y ik (s) = Y ij (s)Y jk (s).
Для параллельных дуг (рис.8)
Y ij (s) = Y a (s) +Y b (s).
Для петель вида (рис. 9)
Y ij (s) = Y b (s)/.
Комбинируя базисные преобразования, любую сеть можно преобразовать в эквивалентную сеть, состоящую из одной дуги (Е-дуги).
Цель временного анализа стохастической сети состоит в вычислении математического ожидания и дисперсии времени выполнения сети (или любого ее фрагмента) и вероятности выполнения заключительного (или любого другого события) сети.
Здесь используется теория замкнутых потоковых графов, где введенная выше Y–функция трактуется как соответствующий коэффициент пропускания дуги. Для применения результатов этой теории к открытой сети с искомым параметром Y Е (s) вводится дополнительная дуга с параметром Y А (s), соединяющая конечное событие (сток) с начальным (источником).
Затем используется топологическое уравнение для замкнутых графов, известное как правило Мейсона, следующего вида:
1 – åТ(L 1) + åТ(L 2) – åТ(L 3) +…+ (-1) m åT(L m) + … =0, (10)
где åT(L m) – сумма эквивалентных коэффициентов пропускания для всех возможных петель m–го порядка.
Эквивалентный коэффициент пропускания для петли m–го порядка равен произведению коэффициентов пропускания m не связанных между собой петель первого порядка, т.е.
T(L m)=Õ m k=1 T k .
Непосредственно из правила Мейсона следует, что 1–Y А (s)Y Е (s)=0 или Y А (s)=1/Y Е (s). Используя данный результат, в топологическом уравнении (10) Y А (s) заменяется на 1/Y Е (s) и затем оно решается относительно Y Е (s), тем самым получается эквивалентная Y–функция для исходной стохастической сети.
Поскольку Y Е (s) = p Е М Е (s), а М Е (0)=1, то p Е =Y Е (0), откуда следует, что
М Е (s)= Y Е (s)/p Е =Y Е (s) /Y Е (0). (11)
После получения аналитического выражения для М Е (s), вычисляют первую и вторую частную производную по s функции М Е (s) в точке s=0, т.е.
m 1E =¶/¶s[М Е (s)] s=0 (12)
m 2E =¶ 2 /¶s 2 [М Е (s)] s=0 (13)
Первый момент m 1E относительно начала координат есть математическое ожидание времени выполнения сети (преобразованной в эквивалентную ей Е-дугу), а дисперсия времени выполнения сети равна разности между вторым моментом m 2E и квадратом первого, т.е.
s 2 = m 2E – (m 1E) 2 . (14)
Таким образом, описанный выше аппарат позволяет вычислять временные параметры любых интересующих пользователя событий стохастической сети, а также определять вероятность их наступления.
Используя полученную информацию, можно с помощью неравенства Чебышева оценивать вероятность любых доверительных интервалов времени окончания проекта при произвольных законах распределения времени выполнения отдельных операций. Если время выполнения каждой операции имеет нормальное распределение, то результирующее время также нормально распределено. В этом случае можно получить вероятностные оценки времени выполнения проекта, используя интегральную теорему Муавра-Лапласа. Кроме того, при достаточно большом числе работ в сети и выполнении некоторых условий (в частности, независимость работ) можно использовать предельную теорему Ляпунова и считать результирующее время выполнения проекта нормально распределенной случайной величиной с характеристиками, вычисленными по выше описанной методике.
Таким образом, стохастическая сетевая модель включает все случайные отклонения и неопределенность, возникающие непосредственно во время выполнения каждой отдельной работы.
3.4. Формализация общей постановки задачи планирования работ при управлении проектами и описание универсальной сетевой модели и задач временного анализа, решаемых на ее основе
В результате анализа и синтеза вышерассмотренных моделей предложена универсальная математическая модель, при этом классические, обобщенные и стохастические сетевые модели являются ее частными случаями.
Данная модель (названная циклическая стохастическая сетевая модель - ЦССМ ) является более гибким и адекватным инструментом для описания процесса управления разработкой сложного проекта.
ЦССМ представляет собой конечный, ориентированный, циклический граф G(W,A), состоящий из множества событий W и дуг (i,j)(события i, jОW), определяемых матрицей смежности А={p ij }. 0Ј p ij Ј1, причем p ij =1 задает детерминированную дугу (i,j), а 0< p ij <1 определяет альтернативное событие i, которое с вероятностью p ij связано дугой с событием j. Множество дуг подразделяется на дуги-работы и дуги-связи. Первые реализуют определенный объем производственной деятельности во времени, второй тип дуг отражает исключительно логические связи между последними. Событиями могут быть как начала и окончания выполняемых работ, так некоторые их промежуточные состояния.
Обозначим через Т i время свершения i-го события, тогда соотношение между сроками свершения событий, связанных дугой (i,j), задается неравенством:
Т j – Т i і y ij , (15)
где y ij в общем случае случайная величина, распределенная по некоторому закону в интервале от – Ґ до 0 или от 0 до +Ґ.
Кроме того, возможны абсолютные ограничения на момент реализации события i:
l i Ј Т i ЈL i . (16)
Соотношения (15)-(16) являются обобщением соответствующих неравенств при описании обобщенных сетевых моделей, где параметр y ij и матрица смежности А носят детерминированный характер.
Рассмотрим смысловую нагрузку соотношения (15) при вероятностном характере параметра y ij .
Если (i,j) есть дуга-работа (или ее часть), то положительно распределенная случайная величина y ij задает распределение минимальной продолжительности этой работы (связанной с максимальным насыщением ее определяющим ресурсом). В работе показано, что распределение величины y ij является унимодальным и асимметричным, а данным требованиям удовлетворяет бета-распределение, таким образом, минимальная продолжительность работы есть случайная величина y ij =t min (i,j), распределенная по закону бета-распределения на отрезке [а, b] с плотностью
j(t)=С(t – a) p-1 (b – t) q-1 , (17)
где С определяется из условия
Если же случайная величина y ij в (15), соответствующая дуге-работе (i,j), распределена в интервале от – Ґ до 0, то –y ij =t max (j,i) задает распределение длины максимального временного интервала, на протяжении которого работа (i,j) должна быть начата и окончена даже при минимальном насыщении ее определяющим ресурсом. Для этой величины получили ее распределение аналогичного вида (17). Зная распределение случайной величины y ij для каждой работы (i,j), по соответствующим формулам вычисляются ее математическое ожидание и дисперсия.
Введение в (15) отрицательно распределенных величин y ij для дуг-работ (i,j) существенно расширяет возможности описания временных характеристик работ, делая широко используемую вероятностную модель лишь одним из частных случаев.
Для дуг-связей (i,j) величина y ij задает распределение временной зависимости между событиями i и j, причем положительно распределенная величина y ij определяет взаимосвязь типа «не ранее» (событие j может наступить не раньше, чем через y ij дней после свершения события i), а отрицательно распределенная величина y ij определяет взаимосвязь типа «не позднее» (событие i может наступить не позже, чем через –y ij дней после свершения события j). В последнем случае такие связи называют «обратными».
Таким образом, здесь мы получили обобщение этих связей с учетом возможно вероятностного их характера.
Так как сроки свершения событий Т i определяются суммой продолжительностей работ, технологически им предшествующих, то при достаточно большом числе таких работ в соответствии с центральной предельной теоремой распределение случайной величины Т i стремится к нормальному с параметрами – математическое ожидание MТ i и дисперсия DТ i . Нормальное распределение имеет и параметр y ij , соответствующий «обратным» дугам, что также подтверждается статистическим анализом.
Абсолютные ограничения на сроки свершения событий, заданные (16), отражают соответствующие директивные, организационные и технологические ограничения на сроки выполнения работ или их частей, заданные в «абсолютной» (реальной или условной) шкале времени. Абсолютные ограничения также характеризуются типом «не ранее» или «не позднее» и принимает вид: Т i – Т 0 і l i , Т 0 – Т i і –L i . Таким образом, абсолютные ограничения вида (16) являются частным случаем ограничений вида (15) для определенных дуг-связей.
Введение стохастической матрицы смежности А в сочетании с обобщенными связями дает дополнительные возможности для описания процесса создания сложного проекта.
Пусть L(i,j) – некоторый путь, соединяющий события i и j:
L(i,j)={i=i 0 ®i 1 ®i 2 ®…®i v =j}. (18)
Этот путь детерминированный , если для всех kО справедливо pi k-1 i k =1, и стохастический , в противном случае. Таким образом, стохастический путь содержит хотя бы одну дугу, вероятность «исполнения» которой строго меньше 1.
Аналогично определяется детерминированный и стохастический контур К(i)={i=i 0 ®i 1 ®i 2 ®…®i v =i}. (такие события i называются «контурными»).
Если события i и j соединены путем L(i,j), то вероятность свершения события j при условии, что событие i произошло Р(j/i) есть произведение коэффициентов матрицы смежности А, соответствующих дугам связующего пути:
Р(j/i)=Х v k=1 p i k-1 i k . (19)
Если события i и j соединены несколькими путями, то выполняется эквивалентное GERT-преобразование данного фрагмента сети в соответствии с приведенными в работе формулами, вычисляется производящая функция Y ij (s) преобразованного фрагмента, и вероятность свершения события j при условии, что событие i произошло Р(j/i)= Y ij (0).
Первая производная функции Y ij (s)/ Y ij (0) по s в точке s=0 (первый момент m 1 (j/i)) определяет математическое ожидание М(j/i) времени свершения события j относительно времени свершения события i. Вторая производная функции Y ij (s)/ Y ij (0) по s в точке s=0 (второй момент m 2 (j/i)) позволяет вычислить дисперсию времени свершения события j относительно времени свершения события i по формуле
s 2 (j/i) =m 2 (j/i) – (m 1 (j/i)) 2 . (20)
Длина пути L(i,j) есть случайная величина, математическое ожидание которой МL(i,j) есть сумма математических ожиданий длин всех дуг, составляющих данный путь, а дисперсия DL(i,j) равна сумме дисперсий.
При этих условиях длина пути (контура) может принимать отрицательные значения, что интерпретируется следующим образом:
если L(i,j)<0 и дуга (j,i) имеет отрицательно распределенный параметр y ji , то событие j должно свершиться не позднее чем через –y ji дней после наступления события i. Параметр y ji носит вероятностный характер, что позволяет более гибко (по отношению к циклическим сетевым моделям) описывать логико-временные связи между событиями.
В качестве параметра дуги y ij можно рассматривать также любой характерный параметр, который обладает аддитивностью по дугам любого пути (например, стоимость работы), при этом с помощью эквивалентного GERT-преобразования получим математическое ожидание и дисперсию стоимости фрагмента сети или проекта в целом.
Задачи временного анализа ЦССМ (и алгоритмы их решения) так же, как и временной анализ классических, обобщенных или стохастических сетевых моделей, лежат в основе решения всех задач планирования и управления проектом. Они имеют самостоятельное значение при решении задач управления проектом без учета ограничений на ресурсы.
Задачи временного анализа также необходимы для генерирования различных вариантов плана при определенных значениях вектора наличия ресурсов с целью их последующего сопоставления, оценки качества вариантов плана и выбора направления его дальнейшего улучшения.
При решении задач оптимального планирования работ при управлении проектами алгоритмы временного анализа ЦССМ применяются как инструмент для вычисления необходимых параметров, используемых в соответствующих оптимизационных алгоритмах с целью обеспечения выполнения ограничений технологического характера.
Задача временного анализа ЦССМ сводится к нахождению случайного вектора Т=(Т 0 ,Т 1 ,…,Т n), где Т i есть время свершения i-го события, координаты которого удовлетворяют неравенствам (15),(16) и обращают в экстремум некоторую целевую функцию f(T).
Выделены три класса задач временного анализа :
· классические , в которых для вычисления {Т i } используются математические ожидания продолжительностей всех дуг;
· вероятностные, в которых на основании предельной теоремы Ляпунова или другими аналитическими средствами вычисляются математические ожидания сроков свершения i–х событий – {МТ i }, являющиеся аргументами целевой функции f(T);
· статистические , в которых для заданного уровня достоверности р по методике, описанной в работе, определяются р-квантильные оценки эмпирических распределений как сроков свершения i-х событий – {W p (Т i)}, так и производных от них величин, в том числе и значений целевой функции f(W p (T)), где W p (Т)={W p (Т 0),W p (Т 1),…,W p (Т n)}.
Вводится понятие непротиворечивости ЦССМ.
Циклическая стохастическая сетевая модель называется непротиворечивой, если найдется хотя бы один допустимый план, вычисленный для соответствующего класса задач временного анализа (классического, вероятностного или статистического), удовлетворяющий системе неравенств (15),(16).
Разберем эти три понятия.
Классическая непротиворечивость модели.
Вычисляются математические ожидания продолжительностей всех дуг, после чего образуется сеть с постоянными длинами дуг. Учитывая стохастический характер рассматриваемой модели и наличие обобщенных связей, в ЦССМ после проведенных выше вычислений могут иметь место стохастические и детерминированные контуры. Доказывается следующая теорема:
Теорема 1 . Для того, чтобы циклическая стохастическая модель, в которой продолжительности дуг вычислены по классической схеме, была непротиворечивой с заданной вероятностью a, необходимо и достаточно, чтобы длины всех детерминированных контуров были не положительны.
Вероятностная непротиворечивость модели .
Вычисляются аналитическим способом математическое ожидание МТ i и дисперсия s 2 Т i сроков свершения событий. Вычисленные подобным способом параметры на 15-20% отличаются по величине от вычисленных классическим способом (по математическим ожиданиям продолжительностей дуг).
Будем говорить о вероятностной непротиворечивости модели в среднем , если полученный таким образом набор удовлетворяет неравенствам (15)-(16), где в качестве значения y ij взято ее математическое ожидание. Доказана справедливость следующей теоремы:
Теорема 2 . Для того, чтобы циклическая стохастическая модель была вероятностно непротиворечивой в среднем, необходимо и достаточно, чтобы математические ожидания длин всех детерминированных контуров были не положительны.
В предположении, что Т i имеют нормальное распределение с параметрами: математическое ожидание – МТ i и дисперсия – s 2 Т i , введем более широкое понятие e-вероятностная непротиворечивость модели .
Будем говорить, что ЦССМ e-вероятностно непротиворечива, если существует e > 0, такое, что для всех Т i , удовлетворяющих неравенству
|Т i –МТ i | < e, справедливы соотношения (15)-(16). В работе доказано следующее:
Теорема 3 . Для того, чтобы циклическая альтернативная модель была e-вероятностно непротиворечивой, необходимо и достаточно, чтобы математические ожидания длин всех детерминированных контуров удовлетворяли соотношению МL(K(i)) Ј –4e.
Вероятностная непротиворечивость модели в среднем является частным случаем e-вероятностной непротиворечивости при e=0.
Статистическая непротиворечивость модели.
При статистическом методе расчета параметров сетевой модели мы имеем дело с их р-квантильными оценками значений, которые являются теоретико-вероятностными аналогами соответствующих показателей. Говорится, что циклическая стохастическая модель статистически непротиворечива с вероятностью р , если для каждого события i существуют р-квантильные оценки сроков свершения событий W p (Т i), удовлетворяющие неравенствам:
W p (Т j) – W p (Т i)і W p (y ij), (21)
l i ЈW p (Т i)ЈL i . (22)
Здесь соотношения (21)-(22) являются вероятностными аналогами (15)-(16), W p (y ij) есть р-квантильная оценка длины дуги (i,j). Доказано следующее:
Теорема 4 . Для того, чтобы циклическая альтернативная модель была статистически непротиворечивой с вероятностью р, необходимо и достаточно, чтобы р-квантильные оценки длин всех детерминированных контуров удовлетворяли соотношению W p (L(K(i))) Ј 0.
Алгоритмы расчета временных параметров ЦССМ.
Планы ранних и поздних сроков.
Для расчета ранних и поздних сроков свершения событий предлагается модифицированный алгоритм «Маятник». Идея модификации заключается в синтезе статистического метода расчета параметров, применяемого для вероятностных сетей, и алгоритма «Маятник», используемого в обобщенных сетях, и последующего применения его для ЦССМ.
 |
|||
 |
|||
 |
Рис.10. Принципиальная блок-схема алгоритма для расчета
р-квантильных оценок ранних сроков свершения событий
Блок 1 . Ввод исходных данных (коэффициентов матрицы А, параметров распределения y ij , уровня достоверности р).
Блок 2 . Вычисление необходимого числа «розыгрышей» N для обеспечения заданной точности результатов. Проделанные расчеты показали, что при р=0.95, e=0.05 получаем N»270.
Блок 3 . v:=v+1 (v – номер «розыгрыша»).
Блок 4 . Розыгрыш v-го варианта случайных величин y ij , каждой в соответствии с ее законом распределения, получение констант y ij (v) – длина дуги (i,j) при v-м розыгрыше.
Блок 5 . Розыгрыш для каждой альтернативной вершины i перехода в смежную вершину j (разыгрывается дискретная случайная величина р ij , представленная i-й строкой матрицы смежности А, 0< р ij <1 и е j р ij =1). Выбранная дуга помечается, остальные из графа исключаются. Если в полученном графе образовался контур К(i), содержащий хотя бы одну помеченную дугу, это есть стохастический контур, вычисляем его длину L (v) K(i) и опять для вершины i разыгрываем дискретную случайную величину р ij . В соответствие с доказанной в работе леммой 1 один и тот же стохастический контур при заданном уровне достоверности р может образоваться не более k раз, где k оценивается по соответствующей формуле. k-кратную длину контура прибавляем к длине дуги, которую мы «разыграли» на (k+1)-м шаге и переходим к анализу другого стохастического контура (если он есть). При этом могут образоваться противоречия в сети (положительные детерминированные контуры), тогда в соответствие с приведенными в работе формулами прибавляем d-кратную длину контура, оценивая тем самым время свершения «выходного» из контура события в среднем.
Блок 6 . Полученную детерминированную обобщенную сеть G (v) разбиваем на две сети G 1 (v) и G 2 (v) , так, чтобы ни G 1 (v) , ни G 2 (v) не содержали контуров. Вершины в сети G 1 (v) упорядочиваем по рангам и в соответствие с ними устанавливаем «правильную» нумерацию. Переносим эту нумерацию на сеть G 2 (v) и на исходную G (v) .
Блок 7 . Для всех вершин i сети G 1 (v) вычисляем ранние сроки свершения
Т i 0(v) :=мах j {Т i 0(v) , Т j 0(v) + y ij (v) }.
Блок 8 . Проделываем процедуры, аналогичные блоку 7, для вершин сети G 2 (v) .
Блок 9 . Если результаты блоков 7 и 8 хоть на одном показателе не совпадают, то возвращаемся к блоку 7 (таких возвратов не более, чем число обратных дуг в G 2 (v)), иначе блок 10.
Блок 10 . Если номер розыгрыша vЈN, то переходим к блоку 4, иначе к блоку 11.
Блок 11 . Из полученной совокупности {Т i 0(v) } для каждой вершины i строим вариационный ряд. Фиксируем такое значение Т i 0(x) , что N x /N=р, где N x – число членов вариационного ряда, меньших Т i 0(x) . Величина Т i 0(x) является искомым р-квантилем раннего срока свершения i-го события – W p (Т i 0). Аналогично, по вариационным рядам {y ij (v) } строим р-квантильные оценки длин дуг – W p (y ij).
На вход блока 6 поступает v-й вариант обобщенной сетевой модели G (v) , и, собственно, блоки 6 – 9 представляют собой укрупненную блок-схему алгоритма «Маятник» для вычисления ранних сроков свершения событий в ОСМ. Применяя соответствующий алгоритм для вычисления поздних сроков свершения событий в блоках 7 и 8, мы получаем Т i 1(v) – поздние сроки свершения событий для v-го варианта обобщенной сетевой модели, при этом блок 11 нам дает W p (Т i 1) – р-квантильные оценки поздних сроков свершения событий.
Планы минимальной продолжительности .
Продолжительность L(Т (v)) любого допустимого плана Т (v) ={Т i (v) } v-го варианта сети G (v) определяется по формуле:
L(Т (v))=мах ij |Т i (v) – Т j (v) |. (23)
Заменяя в блок-схеме на рис. 10 блоки 6 – 9 на блок нахождения минимума функции (23), получаем план минимальной продолжительности для сети G (v) (или «сжатый» план). Величина
L(Т* (v))=min мах ij |Т i (v) – Т j (v) | (24)
является критическим временем сети G (v) .
Используя в блоках 6-9 метод нахождения сжатого плана для ОСМ и пропуская полученные планы через блок 11, получаем вероятностные р-квантильные оценки сжатых планов.
Резервам времени для работы (i,j) соответствуют их р-квантильные аналоги, вычисляемые по формулам:
R п p (i,j)= W p (Т j 1) - W p (Т i 0) - W p (y ij) для полного резерва , (25)
R с p (i,j)= W p (Т j 0) - W p (Т i 0) - W p (y ij) для свободного резерва . (26)
По соответствующим формулам вычисляются р-квантильные коэффициенты напряженности работ W p (k н (i,j)), затем определяются р-квантильная критическая зона , р-квантильная зона резервов и р-квантильная промежуточная зона .
В качестве параметра дуги мы рассматривали время выполнения операции (работы). Можно рассматривать также любой характерный параметр, который обладает аддитивностью по дугам любого пути. Это может быть стоимость работы, количество потребного накапливаемого ресурса и т.п.
Следует отметить, что до настоящего времени широкое практическое применение нашли только методы детерминированного сетевого моделирования, некоторые эвристические методы оптимального распределения ресурсов и параметрические методы оценки затрат (преимущественно в сфере воздушных и космических полетов). Хотя точное решение стоимостных задач календарного планирования на основе классических сетевых моделей теоретически найдено (описано в), но его практическое использование сопряжено с трудностью получения фактических данных о зависимостях «время-стоимость».
Каждая из рассмотренных выше моделей имеет свою предметную область, по своему (более или менее полно) реализует базовые функции управления проектом, и только синтез анализируемых моделей и методов позволяет построить модель, адекватно отражающую процесс реализации сложного проекта в условиях неопределенности, и при этом получить приемлемое в решение сформулированной задачи.
Тема 4. ОПТИМИЗАЦИЯ ПОТРЕБЛЕНИЯ РЕСУРСОВ НА ОСНОВЕ СЕТЕВЫХ МОДЕЛЕЙ
Общие понятия.
Выше были рассмотрены сетевые модели без учета ограниченности ресурсов, т.е. задача наилучшего распределения ресурсов как таковая не ставилась. В рассмотренных нами методах использования сетевых моделей основное внимание уделялось срокам выполнения отдельных работ и выявлению наиболее важных (критических и подкритических) цепочек работ, от которых зависит своевременное окончание проекта (ввод объекта в эксплуатацию). Таким образом, характерной особенностью этих методов является классификация информации по степени ее важности с точки зрения завершения всего комплекса работ в установленный срок.
Количественной мерой важности информации являются резервы времени работ или коэффициенты напряженности
К ij =1 – R п ij /(T n 0 –Т кр (i,j)), (25)
где R п ij – полный резерв работы (i,j), T n 0 – критическое время выполнения проекта, Т кр (i,j) – продолжительность совпадающего с критическим путем отрезка максимального пути, содержащего работу (i,j). 0 £ К ij £ 1, причем, чем ближе К ij к 1, тем относительно меньше резерва в запасе у работы (i,j), следовательно, выше риск ее невыполнения в заданные сроки. Например, у работы (2,5) (рис.5) Т кр (2,5)=5, R п 25 =3, откуда К 25 =1 –3/(22 – 5)=0.82, а у работы (5,8) Т кр (5,8)=0, R п 58 =12, откуда К 58 =1 –12/(22 – 0)=0.45. Работы могут обладать одинаковыми полными резервами, но степень напряженности сроков их выполнения может быть различна. И наоборот, различным полным резервам могут соответствовать одинаковые коэффициенты напряженности. Имея информацию, классифицированную подобным образом, руководитель проекта в каждый момент времени может определить, на каком участке следует сосредоточить внимание (и ресурсы) для ликвидации намечающихся отклонений от заданного срока завершения всех работ.
Прежде чем наметить дальнейшие пути совершенствования методов сетевого планирования и управления, остановимся подробнее на некоторых основных недостатках, присущих методам, рассмотренным выше.
Давая временную оценку продолжительности какой-либо работы, мы предполагали использование для выполнения этой работы определенных ресурсов с определенной интенсивностью (интенсивность потребления ресурса – это количество ресурса, потребляемое в единицу времени).
В момент назначения временной оценки неизвестно, когда эта работа должна будет выполняться, какие другие работы проекта, потребляющие тот же вид ресурса, будут вестись одновременно. Более того, как правило, одни и те же ресурсы могут потребоваться одновременно на разных проектах. Поэтому не исключено, что суммарная потребность в том или ином ресурсе в отдельные моменты времени может превосходить их наличный уровень. В этих случаях придется или уменьшать интенсивность потребления ресурсов на отдельных работах, либо отложить выполнение ряда работ на более поздние сроки, зачастую за пределы полных резервов этих работ. Это приводит в процессе выполнения проекта к частым корректировкам исходного плана, иными словами, к неустойчивости плана.
Очевидно, если заранее при планировании процесса выполнения проекта учесть ограниченность ресурсов, то можно получить гораздо более надежный план.
Наличный уровень ресурсов и возможные сроки завершения проекта взаимосвязаны. Время завершения всего проекта будет зависеть от того, когда и какое количество ресурсов будет выделено на каждую работу, а это в значительной мере определяется их предполагаемым наличием в каждый момент времени.
Таким образом, возникает задача о распределении ресурсов в сетевой постановке.
Вообще говоря, любой процесс производственного планирования есть ни что иное, как решение задачи об эффективном использовании ресурсов.
Критерии эффективности могут быть различны, на этом важном моменте планирования (выборе и обосновании критерия) мы остановимся несколько ниже при рассмотрении конкретных задач.
Введем некоторые понятия и определения.
· Программой работ назовем определенное множество операций (работ), которое нужно выполнить для достижения одной или нескольких целей, причем выполнение работ программы подчинено единому руководящему центру. Можно говорить о программе работ по пусковому комплексу, программе работ участка, строительной организации, проектного института и т.п.
· Однотемной программой работ будем называть программу, состоящую из одного комплекса технологически взаимосвязанных работ, направленных на достижение одной (одноцелевая тема) или нескольких целей (многоцелевая тема).
· Многотемной программой работ будем называть программу, состоящую из нескольких комплексов работ, технологически взаимосвязанных внутри каждого комплекса. Каждый комплекс работ может иметь одну или несколько конечных целей. Работы, принадлежащие разным комплексам, технологически между собой не связаны. Принадлежность тем одной многотемной программе обуславливается единством управляющего центра и общностью резервуара ресурсов.
Рассмотрим сначала различные постановки задач распределения ресурсов для однотемной одноцелевой программы .
Исходя из двух возможных целевых установок при управлении проектом, описанным сетевой моделью, возможны два основных типа постановки задач. Первый тип ориентирован на жесткое соблюдение ограничений по ресурсам, тогда как второй тип предполагает строгое выполнение сроков завершения проекта.
Формулировка первого типа постановки задачи («калибровка»).
При заданных ограничениях в потреблении ресурсов найти такое их распределение с учетом технологической последовательности ведения работ, определенной топологией сетевого графика, которое обеспечивает завершение всей программы за минимальное время.
Формулировка второго типа постановки задачи («сглаживание»).
При соблюдении заданной продолжительности выполнения программы требуется так распределить ресурсы по отдельным работам, чтобы их потребление было оптимальным. Вопрос о выборе критерия оптимальности для этой постановки будет нами рассмотрен специально.
В силу разного механизма удовлетворения потребности в ресурсах их принято разделять на две группы: накапливаемые (складируемые) и ненакапливаемые (нескладируемые). Вторую группу ресурсов часто называют «ресурсы типа мощности».
К первой группе относятся ресурсы, которые по своему характеру допускают накопление с возможностью их последующего использования, например, денежные средства, различные материалы и конструкции и т.п. Ресурсные ограничения в этом случае могут быть заданы интегральной неубывающей функцией, показывающей в каждый момент времени суммарную величину поставок ресурса за весь предшествующий период.
Ко второй группе относятся ресурсы, накопление которых для последующего использования невозможно. Например, ресурсы рабочего и машинного времени. Простой рабочих и механизмов является безвозвратной потерей. Ресурсные ограничения для этой группы задаются функцией наличия ресурса в каждый момент времени.
