Teze doktorské disertační práce

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ

KATEDRA EKONOMIKY A ŘÍZENÍ VE STAVEBNICTVÍ

Teze doktorské disertační práce Modifikovaný dynamický model pro řešení technickoekonomických úloh s použitím rizik a nejistot

Doktorand: Školitel: Studijní program: Obor:

Ing. Petr Dlask Doc. Ing. Václav Beran, DrSc. KKOV: 3607V, Stavební inženýrství JKOV: 36-37-9, Ekonomika a řízení stavebnictví

Praha 2002

PDF created with FinePrint pdfFactory Pro trial version http://www.pdffactory.com

Obsah: 1. Cíle doktorské disertační práce .....................................................................................3 2.

Stav problematicky v ČR a ve světě..............................................................................3

2.1. 2.2. 2.3. 2.4. 2.5. 2.6. 2.7. 2.8. 2.9. 2.10.

Modelování ekonomicko-regionálních vztahů...............................................................................4 Sestavení modelu definovanými prvky .........................................................................................5 Rozšířené modelování KSIM ........................................................................................................7 Transportní model .........................................................................................................................7 Metody využívající adaptivní paměti .............................................................................................8 Systémová simulace .....................................................................................................................9 Skeptikův průvodce počítačovým modelováním.........................................................................12 Modelování s využitím softwarového nástroje ............................................................................13 Modelování a optimalizace podnikových procesů.......................................................................13 Predikce neuronových sítí v optimalizacích ................................................................................14

3.

Podstata řešené problematiky......................................................................................15

3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. 3.8.

Problematika zadání ...................................................................................................................15 Problematika interakcí.................................................................................................................15 Propočet ......................................................................................................................................16 Výsledky ......................................................................................................................................16 Analýza výsledků ........................................................................................................................17 Management modelu ..................................................................................................................17 Automatizace zásahů..................................................................................................................17 Nejistoty (rizika) řešení................................................................................................................17

4.

Výsledný přínos k řešené problematice.......................................................................18

5.

Literatura....................................................................................................................20

6.

Související literatura ...................................................................................................22

7.

Řešené a podporované výzkumné práce:.....................................................................24

8.

Související publikovaná literatura:..............................................................................25

9.

Abstract......................................................................................................................26

2


1. Cíle doktorské disertační práce Proniknutí a pochopení vnitřních mechanismů složitých úloh, vytváření nosných strategií rozvoje ve stavební výrobě a přípravě výstavbových projektů ve stavebnictví vůbec je základním cílem řešení. Model je podkladem pro vytváření a) informací o budoucím chování řízeného objektu (prognózy) (viz [1], [3], [6]) b) řídících zásahů do modelovaného procesu (viz [1], [22], [23]) Cílem je proto jasnější argumentace, vytváření znalostí o managementu a racionalitě jeho chování. Jinými slovy se jedná o podporu rozhodovacích mechanizmů v řídících strukturách na základě znalostí získaných z propočtů na modelu a aplikovatelných pro manažerské řídící zásahy. Neméně důležité jsou požadavky na identifikování významných (klíčových) míst (prvků modelu) pro lokalizaci řídícího zásahu, stejně jako identifikace rizik a nejistot spojených s problematikou tvorby úlohy. Nalezení požadovaného chování modelu je možné považovat za elementární (primární) cíl i když k jeho splnění je v některých případech zapotřebí vynaložit značných prostředků. Sestavením souboru opatření, kterými by model splňoval požadavky cílového vývoje s přihlédnutím k racionalitě výsledného efektu vede k vytvoření celého souboru zásahů a je nadřazeným cílem (záměrem) řešení. Skutečné chování modelu je vystaveno mnoha rizikovým faktorům. Navržené řešení prohlubuje výpočetní aparát a dále zavádí pojem parametrizace propočtu chápanou jako citlivostní analýzu vstupních dat. Znalost rizik a nejistot spolu s citlivostí dat, která mohou být modifikována (podrobena manažerským zásahům) je základním předpokladem k tomu, že úloha může být vůbec řízena. Souhrnně řečeno, cílem práce je dále prozkoumat možnosti řízení modelovaných technicko-ekonomických úloh (viz [A], [C]). 2. Stav problematicky v ČR a ve světě Ověřování budoucích realizačních a funkčních postupů (řeší již například [3]) sestavením modelového schématu je stále více se uplatňujícím trendem (aktuálním stále i v novějších procesech [15], [18]). V minulosti byly takové postupy limitovány do značné míry technickými prostředky (viz [6], [7], [19], [21]). Propočet optimalizace a její následná analýza vykazují řádově vyšší časovou náročnost. Pokud by se jednalo pouze o unikátní výpočet1, bylo by možné větší časovou náročnost akceptovat. Prostředí, ve kterém se technicko-ekonomické úlohy realizují, se však neustále mění. Dochází ke změnám výchozích podmínek, vstupních hodnot a někdy i celých struktur modelu. Jedná se ve velké míře o celé soubory výpočtů, které jsou následně vyhodnocovány. Porovnejme náročnost zpracovávaných výpočtů při využívání výkonu CPU. V Modifikovaném Dynamickém Modelu mohou probíhat následující výpočty: (1) (2) (3) (4) (5) (6) (7)

základní výpočet KSIM, výpočet s manažerskými zásahy, výpočet s externími vlivy, výpočet s intervencemi vazeb mezi prvky modelu, výpočet s rizikovými interakcemi mezi prvky modelu, parametrizovaný výpočet, optimalizační výpočet.

Varianty výpočtů jsou postupně setříděny podle jejich náročnosti na využití výkonu CPU. Pro vzájemnou ilustraci a porovnání stanovíme normový standard náročnosti na výkon CPU 1

Citované práce jsou vesměs formulovány k ověření řídící hypotézy, nikoliv k formulaci řídícího zásahu ve smyslu kap. 5.2 disertační práce.

3


(NSN=1) jako základní výpočet (1) metody KSIM bez všech externích vlivů, manažerských zásahů, intervencí vazeb, rizikových interakcí atd. Výpočet s manažerskými zásahy (2) zatěžuje výkon CPU obdobně jako základní výpočet (1) a jeho standard náročnosti na výkon CPU je 1,1xNSN. Výpočty s externími vlivy (3) a intervencemi (4) konkrétních vazeb mezi prvky jsou náročnější a jejich standard náročnosti závisí na počtu definovaných zásahů. Jeden definovaný externí vliv nebo intervence vazby zvyšuje standard náročnosti o 0,1xNSN. Účinky zatěžování ze strany externích vlivů a intervencí vazeb se v časové náročnosti vzájemně sčítají. Výpočet s rizikovými interakcemi (5) mezi prvky modelu je opět náročnějším výpočtem z hlediska využití CPU. Vyšší náročnost je dána interpretací rizika v projektu. Riziko je do projektu zaneseno prostřednictvím náhodných čísel. Generátory náhodných čísel zvyšují standard náročnosti tak, že jedna definovaná riziková interakce odpovídá hodnotě 10xNSN. Stejně jako u předchozích výpočtů závisí náročnost na počtu definovaných rizikových interakcí. Předposlední výpočet – parametrizace (6) – zvyšuje normový standard náročnosti na rozdíl od dosavadních výpočtů řádově. Parametrizovaný výpočet, který má zvolený krok výpočtu jako 1/10 intervalu mezi krajními hodnotami parametrizace, má standard náročnosti 1000xNSN. Hodnota nemusí být konečná. V důsledku promítnutí náročností dříve popsaných výpočtů se může ještě zvýšit. Nejnáročnější výpočet z hlediska využití CPU se jeví optimalizace (7). Velikost standardu náročnosti závisí na definici parametrů pro optimalizovanou úlohu – definice optimalizované funkce, definice a počet omezujících kritérií, nastavení přesnosti optimalizace apod. V porovnání s NSN je její náročnost 500xNSN. V případě modifikovaných výpočtů dojde analogicky k parametrizaci k jeho nárůstu. Simulační postupy rozpracované v odborných publikacích v ČR se otázkami realizace výpočtů (2) až (7) nezabývají vůbec nebo jen okrajově. Ve světovém měřítku se komplexní pohled v odborné literatuře neobjevuje. Dílčí pohledy jsou v [15] ve vztahu ke konkrétní výpočtové metodě použité v disertační práci a například v [22] ve vztahu k (1) a (7). 2.1. Modelování ekonomicko-regionálních vztahů Při získávání informací o řešení problematiky v zahraničních zdrojích bylo nalezeno více směrů, které řeší obdobné úlohy. Můžeme jmenovat například modelování ekonomickoregionálních vztahů2 (viz [13]). Model definovaný a zpracovaný firmou IndEco simuluje region, ve kterém jsou rozpoznávány ekonomické aktivity vyžadující spotřebu materiálů a energií3. Simulovaný cyklus je uzavřen produkcí odpadů, které tyto aktivity tvoří, a jejich návratem do území. Model je schopen simulovat ekonomické aktivity uvnitř makroekonomického prostředí. Současně může přispívat do diskuse o udržitelném rozvoji projektováním a konfigurací ekonomických zásahů v budoucnosti.

2

modelling environment-economy relationship Model je popisovaný a zobrazovaný na internetových odkazech firmy IndEco Strategic Consulting Inc. (http://indeco.com/www.nsf/papers/eeModel). 3

4


Obr. 1 Schéma modelu ekonomicko-regionálních vztahů

Jak uvádí obr. 1 ve sledovaném regionu jsou definovány jednotlivé ekonomické aktivity a mezi nimi vazby popisující toky vždy mezi dvěma sousedními aktivitami. Model byl při simulaci aplikován na provincii Ontario v základním případovém scénáři. Dále bylo sestaveno dalších 5 různě se lišících politicko-ekonomických scénářů. Závěr porovnával jednotlivé scénáře navzájem. 2.2. Sestavení modelu programovým vybavením Odlišným postupem modelování ekonomických aktivit se zabývají produkty, které nabízejí při sestavování modelu sadu dříve připravených nástrojů. Takové nástroje jsou vyvíjené pod označením Powersim Corporate Products (viz [14]). Společné označení Powersim Studio je dále diferencováno cílovou skupinou uživatelů. Můžeme jmenovat např.: -

Powersim Studio Academic Kit Powersim Studio Research Powersim Studio Executive

a další. Podle názvů jednotlivých modulů lze odvodit použití v oblasti výzkumných úkolů a teoretických rozborů4. Výsledným produktem je sestavení modelového schématu za použití grafických nástrojů definovaných v Powersim Studio. Jednotlivé uzly vyznačené na obrazcích představují součásti řešené úlohy. Mezi prvky jsou definovány vazby popsané matematickými vztahy. Systém je interaktivně napojen na grafické uživatelské rozhraní.

4

Kompletní seznam všech nabízených modulů je uveden na internetových odkazech firmy Powersim Corporate Products (http://www.powersim.com).

5


Obr. 2 Grafické zobrazení sestaveného modelu v Powersim Studio (a)

Obr. 3 Grafické zobrazení sestaveného modelu v Powersim Studio (b)

Modely mohou vytvářet scénáře odlišných manažerských strategií a dále s nimi experimentovat. Modely procesních úloh je možné v některých modulech napojit na data reálné procesu (např. skladové hospodářství) a simulace pak pracuje s aktuálními daty v reálném čase. Výsledky výpočtů jsou ukládány do databází pro následné vyhodnocování. Modul pro řešení výzkumných úkolů je navíc možné propojit s tabulkovým procesorem5. Jiný modul obsahuje nástroje pro řešení citlivostní analýzy a optimalizace. Výpočtové elementy

5

Propojení je vytvořeno pro tabulkový procesor Microsoft Excel.

6


jsou definované na počátku výpočtu a jejich následná intervence ve smyslu výpočtů v Modifikovaném Dynamickém Modelu (2) až (6) uvedených v kap. 2 není možná. 2.3. Rozšířené modelování KSIM Používáním výpočtové metody KSIM pro modelování změn v území se zabývají různá odvětví výzkumu. Autoři [15] aplikují model pro odhad budoucích změn ve využívání půdního fondu regionu. Pro výpočet však nepoužívají základní metodu KSIM uvedenou v [3]. Základnímu řešení modelu vytýkají nedostatky jako: » » » »

nemožnost zpracování diskontinuálních změn, jednorázově definovaný počet prvků modelu, nedostatky při subjektivním hodnocení vstupních proměnných, časové měřítko přírůstku dt není jasně definováno.

Rozšířená verze modelu [15] se nazývá GKSIM6 a odstraňuje nedostatky modelu v základní variantě uvedené v [3]. Modifikovaný Dynamický Model (MDM) zpracovaný v disertační práci některé tyto vlastnosti respektuje a některé eliminuje. V naprosté většině řešených úloh je krok časového měřítka jednotkový. Při požadavku jiného kroku (násobku) jednotkového měřítka je možné z vypočtených dat selektovat hodnoty odpovídající zadanému dt. Subjektivní hodnocení odpovídá nekvantifikovatelným (absolutním) vazbám, jak jsou popisovány v disertační práci v kap. 4. Obecně platí, že eliminace podjatého postupu při tvorbě struktury modelu je proces, který by měl supervizovat zadavatel zpracovávané úlohy. Při minimalizování počtu absolutních vazeb mezi prvky modelu se toto nebezpečí dále snižuje. S vlastnostmi jako jsou kontinuální vývoj standardů prvků a jejich jednorázově definovaný počet je nutné uvažovat při volbě tohoto druhu výpočtů pro konkrétní řešenou úlohu. Další směr vývoje Modifikovaného Dynamického Modelu předpokládá řešit právě tyto a další vlastnosti základního výpočtu KSIM. Výzkum uvedený v [15] je aplikován na situaci asijské oblasti v regionu Korea. Model prokazuje, že změny ve využívání půdního fondu regionu mohou vést k průběžnému celkovému růstu. Proto je vhodné analyzovat mechanismus změn a sestavit globální dlouhodobý model vývoje. 2.4. Transportní model Příklad odlišného přístupu k definici struktury modelu řešené úlohy je uveden v [16]. Postup je aplikován na problému úlohy řešící vztahy mezi dopravou a optimálním využívání přepravních kapacit7. Řešení je koncipováno do čtyřstupňového plánovacího procesu. Tyto čtyři po sobě jdoucí kroky jsou: 1. 2. 3. 4.

návrh trasové sítě, nastavení frekvencí a tvorba časových rozvrhů, rozpis dopravních prostředků, rozpis posádek dopravních prostředků.

Struktura modelu není tvořena maticovou interakcí popisovanou v kap. 3 a 4 disertační práce základní metody KSIM, ale je tvořena formulacemi popisujícími multiprodukční toky mezi proměnnými modelu. Formulace vztahů mají definované všechny kompatibilní úlohy pro všechny možné typy dopravních tras. Pro spuštění výpočtu musí být definované jednotlivé dopravní trasy, bez kterých by nebylo možné řešit následně část úlohy spojenou s náklady. Všechny trasy musí mít navíc definovány jejich minimální náklady pro iterační procedury navrhující pracovní dny a vícenáklady pro pokrývání kompatibilních dopravních 6 7

Generalized Kane’s Simulation (GKSIM) Mass Transit Crew Scheduling (MTCS) problem

7


tras. Základní zadání před výpočtem nákladové části se nazývá uvolněný model8. Základ pro řešící proceduru jsou omezující podmínky a proměnné iterace. Řešení začíná výpočtem uvolněného modelu. Další omezující podmínky, vícenákladové proměnné a vícenákladové omezující podmínky je možné přidávat do modelu během výpočtu podle potřeby. Optimalizovat lze pouze velmi malou část modelu. Ve skutečnosti se vyskytuje v rozsáhlém modelu tisíce různých cest a miliony kombinací volby pracovních dní. Explicitně není možné vyjádřit feasibilní řešení. Výše jmenované kroky řešení na sebe následně navazují. Navazující krok využívá vypočtená data předchozích kroků a dále je doplňuje a upřesňuje. Definice rozpisu posádek dopravních prostředků je hlavním krokem plánování transitních procesů v modelu. Celé řešení má ustanovenou vlastní terminologii, z které uveďme: -

Trasa – sekvenční spojení míst přes která vede cesta dopravního prostředku. Cesta – itinerářový zápis jediného dopravního prostředku na trase nebo část trasy, na které dopravní prostředek nezastavuje. Depo – místo parkování a servisu pro dopravní prostředek. Kompatibilní cesty – dvě cesty jsou vzájemné kompatibilní, když druhou může obsloužit první cesta zajištěná stejným dopravním prostředkem. Kompatibilní jízdy – dvě jízdy jsou vzájemně kompatibilní, když druhou může nahradit první jízda vykonaná stejným řidičem. …

Omezující kriteria pro uvolněný model jsou definována jako: -

Maximální doba přípravy – doba přípravy transportu (obvykle 30 minut). Polední přestávka – maximální doba přerušení dopravy pro vykonání oběda. Minimální polední přestávka – nejkratší doba přerušení dopravy pro vykonání oběda. Maximální polední přestávka – nejdelší doba přerušení dopravy pro vykonání oběda. …

Výzkum v této oblasti je zaměřen na nalezení heuristického řešení výpočtu modelu používající nové formulace a hledání procedur pro výpočet akceptovatelných limitů modelu. 2.5. Metody využívající adaptivní paměti V části zabývající se automatickými návrhy změn struktury modelu (viz kap. 9 disertační práce) jsou používány iterační metody výpočtu. Pro zpětný dopočet těchto změn by bylo možné použít také metody vycházející ze [17] a strategické oscilační metody9. Výzkum, který se problematikou zabývá, navrhuje pro vylepšení konstrukce těchto metod použít principy vyhledání trvalé atraktivity a hlavní podmíněné platnosti10. Tato přiblížení obsahují procesy adaptivní paměti naznačené v předchozích a často se opakujících informacích, které jsou vyhledávány v různě dlouhých časových intervalech historie. Dále jsou navrhovány postupy, zjišťující přiblížení empiricky a indikující rezervy v historickém vývoji paměti, která je za určitých podmínek vyloučena. Principy a strategie využívající popisované metody jsou významné z hlediska analýzy historického vývoje. Koncepty trvalé atraktivity hrají klíčovou roli při sestavování vhodných měřítek a struktury navrhovaných podmíněných řídících opatření. Potenciální hodnoty vkládané jako databázový základ do předchozích studií strategií adaptivní paměti ukazují 8

Relaxed Mass Transit Crew Scheduling (R-MTCS) problem Multi-Start and Strategic Oscillation Methods to Exploit Adaptive Memory 10 persistent attractiveness and marginal conditional validity 9

8


možnosti tvorby vyšších verzí metod vycházejících z více počátečních omezujících podmínek. 2.6. Systémová simulace Komplexní problematika modelování a simulací se zabývá tvorbou scénářů, které získávají z výpočtu modelu další doplňující informace jako výstupní data. Jiné analytické obory napomáhají ke zkvalitnění vstupních dat modelu a tím k jeho vyšší vypovídací schopnosti. Výzkum uvedený v [18] udává souhrnný výpis těchto oblastí: # 1. # 2. # 3. # 4. # 5. # 6.

Statistika a pravděpodobnost v simulacích Prvky popisující simulační modelování Techniky pro citlivostní analýzy Simulace na základě optimalizačních technik Metamodelování a úlohy řešení postupem “goal seeking“ Techniky analýzy “what-if“

Modifikovaný Dynamický Model (MDM) zpracovaný v disertační práci je schopen všechny uvedené oblasti postihnout. V některých směrech je třeba zkvalitnit ovládací rozhraní mezi uživatelem a výpočtovým modulem. Datově a výpočtově jsou však všechny popisované operace v Modifikovaném Dynamickém Modelu realizovatelné. Zpracovatelé všech investičních a realizačních projektů řeší vždy rozpor získání co nejvyššího výkonu při vyčerpání co nejmenšího množství zdrojů. Modelování a simulace systémů jsou vhodnou přípravou pro návrhy inženýrských opatření v následné skutečné realizaci. Výše uvedené scénáře je možné pomocí počítačové simulace efektivně využívat. Jsou vhodné jako nástroj pro lepší porozumění a optimalizaci výkonu systému. Dále slouží k potvrzení správnosti projekčních řešení. Obdobné a další závěry jsou uváděny v základních tezích disertační práce v kap. 2. Výzkum [18] dále upozorňuje na úsporu provozních i realizačních nákladů, způsobenou simulačním odhalením chybné struktury modelu. Simulační model vytváří virtuální prostředí11, ve kterém je možné ověřit v předrealizační fází projektů jejich kvality a funkčnost. Simulace jsou denně využívány časově dopředné prognóze pro vytváření řídících zásahů [23] v ekonomice, výrobě, čase, zdrojích v dopravních modelech, vojenských situacích, letecké dopravě atd. 2.6.1. Statistika a pravděpodobnost v simulacích Matematická statistika je v modelování používána v několika úrovních. Pro MDM12 se využívá při vyhodnocování dat určených k sestavení a ohodnocení interakcí mezi jednotlivými prvky modelu. Kvantifikovatelné vazby (viz kap.4 disertační práce) vycházejí při výpočtu často z historického vývoje dat. Při predikci hodnot lze použít některých prognózních metod. Po ukončení simulačního výpočtu je možné pravděpodobnostní postupy aplikovat na zjišťování budoucího vývoje vypočtených standardů jednotlivých částí modelu. K vyhodnocení většího množství dat z více výpočtů je dále vhodné použít známé postupy pro sestavení výskytů četností (histogramy), pravděpodobností, odchylek apod. Některé tabulkové procesory pro takové operace mají již vestavěné analytické nástroje.13 Rozsáhlou oblastí statistiky která je využívána v modulech MDM disertační práce je Generátor náhodných čísel14. Pro generátory náhodných čísel se vyskytuje celá řada 11

virtual environment for training Modifikovaný Dynamický Model (MDM) 13 Například tabulkový procesor Microsoft Excel používá jako doplněk interních vestavěných funkcí nastroj Analýza dat (Analysis tools), který umožňuje zpracovat základní i velmi podrobné statistické informace (Anova, Histogram, Korelace, Klouzavý průměr, Regrese ad.). 14 Random Number Generators 12

9


algoritmů v různých aplikacích a v různých programovacích jazycích15. Pro aplikace v modelování je často známá výchozí hodnota generátoru. Je pak možné podle algoritmu generátoru předikovat následně vytvořené náhodné číslo. V takovém případě se jedná o pseudonáhodný generátor náhodných čísel. V MDM jsou použity dvě funkce generující náhodná čísla. Pomocí nich jsou vnášeny do interakcí modelu rizika, představující nestabilitu v budoucím vývoji. Generátory produkují náhodná čísla s rovnoměrným rozložením nebo s normálním rozložením. Jsou v nich používány funkce z nadstavby Microsoft Excel – Visual Basic for Application. Systém generátorů je navržen jako otevřený a bude v dalším výzkumu vyvíjen a doplňován o další typy. 2.6.2. Prvky popisující simulační modelování Část výzkum [18] pokládá základní otázky týkající se modelování a simulací a současně na ně odpovídá. Proč používat modely? – Bezpečnost simulační modelů je 100%. Modely jsou používány v průmyslu, armádě, obchodě, kde skutečná realizace je velice finančně náročná. V některých případech není ani možná. Pro testování leteckého prototypu nebo nové atomové elektrárny je jednoznačná volba pro prvotní sestavení simulátoru. Kdy používat simulace? – Na příkladu realizace čerpací stanice je zřejmé, ve kterých případech je vhodné používat simulace. Nikdo nemůže dopředu odhadovat kolik vozů projede stanicí a jaká bude její vytíženost. Projekty takového typu jsou vhodné k simulacím. Jak se provádí simulace? – Každou simulaci je možné provádět manuálně. Častěji je však model implementován do počítače jako nově vyvinutá aplikace nebo sestavením pomocí speciálního programu. Jaké jsou typy simulací? – Simulace, ve které je mezi každými dvěma prvky možné vyčíslit konečný počet událostí (vazeb) se nazývají jako diskrétní. Model není diskrétní, pokud mezi některými prvky není možné vyčíslit konečný počet událostí (vazeb). Diskrétní modely se velmi často vyskytují v reálných projektech. U každého modelu je třeba určit jeho platnost, provést ověření a kalibraci. Při použití některého z programových vybavení na trhu se operace zjednodušují. Uveďme náhodně některé obchodní názvy: APROS, Arena, CSIM, NETWORK, Powersim, QUEST, REAL, SIMSCRIPT, SimBank, Javasim atd. Uvedené produkty často používají pro zobrazování vypočtených výsledků animací. Grafické animační výstupy jsou vhodným nástrojem pro správnou interpretaci výsledků. Pro doplnění termínů spojených se simulacemi z různých oborů uvádí [18] termíny sociální simulace16 (simulace v oblasti sociálních věd), simulace prostřednictvím Internetu17 (simulace prováděné v prostředí aplikací vyvinutých na platformě HTML, HTTP, CGI atd.) a paralelní simulace18 (používané v rozsáhlých projektech, kde je možné spustit souběžně simulace některých součástí modelu). 2.6.3. Techniky pro citlivostní analýzy Pro většinu diskrétních modelů neexistuje analytická podoba jejich řešení. Navíc pro pochopení funkčnosti a výkonů jsou simulace nebytné. Citlivostní analýza odpovídá na otázky typu: 15

například C++, Fortran, Visual Basic, Visual Basic for Application, Pascal Social Simulation 17 Web-based Simulation 18 Parallel Simulation 16

10


-

Jak se projevuje změna hodnoty sledovaného parametru v relaci na jiný parametr? Jak se projevuje změna parametru v relaci na změnu realizace? Jaká je vazba mezi změnou realizace a změnou parametru?

MDM řešený v disertační práci umožňuje provádět také parametrické studie, popsané v kap. 5.2.7. Výsledkem jsou grafická zobrazení změny standardů jednotlivých prvků v závislosti na změně zvoleného parametru. Jako parametr je zde zvolena konkrétní interakce, jejíž citlivost se uvedeným způsobem prokazuje resp. vyvrací. Jako další rozšířenou část citlivostní analýzy je možné provádět grafické zobrazení vzájemných objemových účinků dvou prvků nebo grafické zobrazení vzájemných diferencí prvků. Z uvedených grafů lze interpretovat nebezpečí nestabilního chování částí modelu. 2.6.4. Simulace na základě optimalizačních technik Diskrétní simulační model je prvotní nástroj pro vytvoření komplexního modelu znázorňovaného procesu. Aby vznikl efektivní a účinný model, musí být simulace propojena s optimalizační technikou. Metody vyjmenované v [18] uvádí obrázek č. 4. V MDM je použita optimalizační metoda vestavěného nástroje Microsoft Solver, která využívá postupy lineárního programování. Pro spuštění optimalizace musí být vygenerována v tabulce speciální struktura modelu, na které je možné libovolně definovat omezující kritéria a další parametry optimalizace. Zvolenou optimalizovanou funkci je možné minimalizovat maximalizovat nebo přiblížit požadované hodnotě. Při nalezení požadovaného řešení je nástroj schopen sestavit výsledkovou, citlivostní a limitní zprávu o výpočtu. Celý postup je podrobněji uveden v kap. 11 zpracované disertační práce. Cantrollable Input Parameters

Qualitative

Continuous

Discrete

Deterministic Search Techniques Response Surface techniques Simple Search Techniques

Com plete Enum eration Generic Techniques Random Selection

Pattern Search Techniques Conjugate Direction Search Hooke and Jeeves Type Techniques Parallel Target Search Simplex-based Techniques Probabilistic Search techniques Adaptive Search Random Search Evolutionary technique s Genetic Techniques Simulated Annealing

Com plete Enum eration Random selection Tabu Search Genetic Techniques Simulated Annealing

Stochastic Approximation Kiefer-Wolfow itz Type Techniques Robins-Monro Type techniques

Obr. 4 Klasifikace optimalizačních technik

11


2.6.5. Metamodelování a úlohy řešení postupem “goal seeking“ Ačkoli jsou simulační modely zjednodušením skutečnosti, představují stále velmi komplexní spojení mezi vstupy a výstupy modelu. V některých případech je používán zjednodušený analytický model jako pomocný nástroj při řešení simulačního modelu. Pomocný model bývá nazýván často jako metamodel. Metamodely jsou sestavovány například z uskutečněných experimentů. Oproti simulačním modelům bývají zjednodušeny například o části optimalizace nebo “what-if“ analýzy. Zpracovatel některých modelů a jejich simulačních analýz nemusí vždy vyžadovat optimalizaci. Někdy postačí pouze dopočet funkce do požadované hodnoty. Jedná se o tzv. “goal-seeking problem“. Stejnou úlohu je možné řešit také optimalizací. Nebude se jednat ani o minimalizaci nebo maximalizaci, ale o dopočet požadované hodnoty. MDM umožňuje použít nástroj “goal-seek“, který je vestavěný v aplikaci Microsoft Excel. Při jeho aplikaci musí být nástroj použit na stejnou strukturu modelu, jaká se generuje pro optimalizační výpočet. 2.6.6. Techniky analýzy “what-if“ Simulační modely mohou vykazovat chybné chování v případě chybných parametrů vstupních funkcí. “What-if“ analýza je potřebná pro zjištění jistoty změn vazeb na výsledné chování modelu. Každý model, který má být podroben takové analýze musí být schopen odděleně měnit jednotlivé vstupní parametry a zjišťovat dopady jejich změn. MDM má sestaveny vstupní data v interakční matici. Každou pozici této matice je možné odděleně pozměňovat a použít postupy “what-if“ analýzy. Obdoba takového postupu je parametrizace, která mění jedinou definovanou polohu v interakční matici a je popsána v kap. 5.2.7 disertační práce. 2.7. Skeptikův průvodce počítačovým modelováním Obdobné závěry jako jsou uvedeny v [18] jsou publikovány a dále rozváděny také v [19]. Během posledních 30ti let, ve kterých počítačové modelování zaznamenalo velký rozvoj, byly tyto modely použity k analyzování všeho od modelování sociálních a ekonomických procesů, přes řízení zásob ve firmách až k modelování výkonnosti národních ekonomik. Proti sobě stojí mentální a počítačové modely. První skupinou jsou modely, kterými interpretujeme své zkušenosti, měníme plány a vybíráme z několika možností. Rozhodnutí jsou omezována schopností jednotlivce komplexně posoudit důsledky svých rozhodnutí v omezeném čase a při špatné dostupnosti informací. Počítačové modely teoreticky nabízejí více než mentální modely a to z těchto důvodů: -

jsou explicitní, jejich předpoklady jsou uvedeny v psané dokumentaci a přístupné uživatelům, bezchybně zpracovávají logické důsledky modelářových předpokladů, jsou srozumitelné a schopné zahrnovat mnoho faktorů najednou.

Ve skutečnosti běžné počítačové modely nabízejí méně: -

jsou často tak špatně dokumentovány, že není možné zkoumat předpoklady, na nichž jsou založeny (jsou to tzv. “černé skříňky“), jsou tak komplikované, že uživatel není přesvědčen o jejich úplnosti nebo platnosti, nejsou schopny postihnout ty části problému, pro která neexistují číselná data.

Podle různých dělení jsou rozlišovány druhy modelů statické a dynamické, matematické nebo fyzikální, stochastické nebo deterministické. Jednou z nejužitečnějších klasifikací je rozdělení na simulační a optimalizační. MDM je schopen obě tato dělení

12


obsáhnout. V základním výpočtu se vždy jedná primárně o typický simulační model. Po generaci struktury výpočtu pro optimalizaci a definici optimalizované funkce hovoříme o modelu optimalizačním. Důležité je zvážit do jaké míry je informace o simulovaném stavu “co se stane když…“ cennější než znalost hledané optimální hodnoty. V dalším dělením, které je možné pro MDM použít je regulační model (ve smyslu kap. 5.2 disertační práce). 2.8. Modelování s využitím softwarového nástroje Autorka publikace [19] rekapituluje důvody používání modelových ověřování v podmínkách konkurenčního boje mezi firmami na trhu. Modelování v procesu řízení navazuje na plánování a hodnocení a představuje další ze základních controllingových činností. Modelování jako nástroj pro předvídání budoucnosti pomáhá kvantifikovat dopad realizace opatření do rozhodujících ekonomických veličin a snižuje tak riziko možných neočekávaných situací. Modelovat očekávaný stav však není možné bez využití softwarového nástroje. Jisté řešení nabízí aplikace Microsoft Excel, v níž je však pracné vytvářet různé varianty a modelování různých úrovní detailu. Nedostatky odstraňují nadstavby aplikace Microsoft Excel využívající možnosti Visual Basic for Application. MDM je navržen jako otevřený a další potřebné vlastnosti jako je v [19] zmiňovaná nutnost reakce na změny ve výrobkovém sortimentu je možné do výpočtu dle potřeby individuálně dopracovat. Smyslem modelování, při používání kvalitních softwarových nástrojů, je v návaznosti na činnosti plánování a hodnocení firmy optimalizace jejich rozhodujících procesů s cílem dosáhnout maximálního efektu při minimálním vynaložení zdrojů. 2.9. Modelování a optimalizace podnikových procesů Další oblastí, kterou se obecné modelování zabývá je modelování podnikových procesů popisovaných v [21]. Projektové definice procesů se liší v základních přístupech. Procesní organizování je vhodné pro často se opakující činnosti, například typicky u podniků se sériovou výrobou. Projektový přístup se aplikuje v případech unikátnosti realizovaného projektu (například rozsáhlé stavby). Samozřejmě existuje i řada podniků, kde se základní přístupy prolínají. Pro modelování podnikových procesů se nejčastěji používají následující typy schémat: -

organizační schéma (organigram – vyjadřuje popis podniku nebo jeho části ve smyslu nadřízenosti a podřízenosti, je hierarchicky uspořádán, viz obr. 5)

-

funkční schéma (popisuje jednotlivé procesy, podprocesy a činnosti), obvyklým prostředkem pro vyjádření funkčního schématu je vývojový diagram s obvyklými atributy - událost, činnost, logické rozhodnutí atd., viz obr. 6)

-

datový model (exaktně definuje doklad, který koluje mezi jednotlivými událostmi a popisuje činnost (funkci), která mezi těmito událostmi nastala)

13


Obr. 5 příklad organizačního schématu ekonomického úseku podniku

Obr. 6 schéma procesu průchodu dodavatelské faktury podnikem

Posledním typem schémat je procesní model, který v sobě slučuje všechny tři předchozí pohledy – organizační, funkční a datový. Procesní model se obvykle zpracovává v několika úrovních složitosti – od hlavních (klíčových) procesů podniku přes podprocesy až k jednotlivým činnostem. 2.10. Predikce neuronových sítí v optimalizacích Výzkum uvedený v [22] se zabývá použitím predikce neuronových sítí při využití v systému optimalizace simulací. Neuronové sítě se široce využívají pro předpovídání budoucnosti. Chování sítě je třeba jejím “tréninkem“ připravit pro používání. K tomu účelu slouží metody jako genetické algoritmy nebo tabulkové (databázové) vyhledávání. Modeláři tréninkových metod se zaměřují více na přesnost než na rychlost. Rychlost není důležitá v případech, kdy se neuronová síť používá ve stavu off-line. Situace se mění, když se tréninkové metody používají na síti ve stavu on-line, kde je již rychlost zpracování a odezvy na vnější podněty důležitá. To je také situace, kdy se neuronová síť používá pro optimalizace simulací. Uvedený výzkum popisuje tréninkové procedury schopné dosáhnout dostatečné hladiny přesnosti v limitovaném časovém úseku. Pro MDM nebyla prozatím neuronová síť aplikována. Všechny výpočty jsou realizovány explicitním vyjádřením vztahů metody KSIM, popřípadě její modifikované varianty. Vstupní interakční matice mezi jednotlivými prvky modelu je během výpočtu konstantní, pokud nemá výpočet definovány požadavky na její změnu (viz kap. 5 disertační práce).

14


3. Podstata řešené problematiky Analytická část týkající se podrobného popisu zadání a výpočtu řešených úloh není z důvodu rozsahu v tezích uváděna a zabývá se jí kap. 12 disertační práce. 3.1. Problematika zadání Již v samém počátku je třeba si uvědomit jaké informace o řešené úloze jsou k dispozici. Od znalostí je třeba odvinout i proceduru definování elementů modelu pokud nejsou prvky známy již při zadání. V takovém případě se situace zjednodušuje o volbu podstatných částí modelu a lze přejít přímo ke kroku objasnění struktury interakcí mezi těmito elementy.

Obr. 7 Schématické znázornění vazeb v modelu. Pozitivní interakce jsou označeny symbolem (+), negativní symbolem (-)

3.2. Problematika interakcí Po určení základních prvků modelu se musí řešitel zabývat otázkou správného určení struktury vazeb mezi prvky a správným ohodnocením intenzity interakcí mezi jednotlivými elementy. Hodnocení může být prováděno z hlediska experta znalého situace, popřípadě může být podepřeno samostatným propočtem. V této fázi dochází k převodu technických veličin měřících interakce mezi elementy na číselná vstupní data, která je schopen výpočet zpracovat. Pro technickou stupnici je třeba sestavit její ekvivalent v absolutních hodnotách a 15


z něho pak odečíst přímo hodnotu interakce, která se zadává pro výpočet pomocí dialogového okna uvedeného na obr. 8.

Obr. 8 Dialogové zadání interakcí prvků aij modelu

3.3. Propočet Následujícím krokem po sestavení interakčního schématu hodnocení vazeb mezi prvky je spuštění propočtu. Do výpočtu byla zapracována základní metoda KSIM nově upravená a doplněná o část ladění modelu a použití zásahů pro získání optimálních výsledků. Dále bylo do výpočtu zapracováno sledování změn chování modelu při parametrizaci kritických vazeb mezi elementy, za které se považují interakce největší měrou ovlivňující chování modelu. 3.4. Výsledky Výstupní informací získanou z propočtu jsou číselné hodnoty standardů jednotlivých prvků vypočtené v každé časové periodě. Z grafické interpretace výsledků je lépe patrné chování elementů a jejich příčinky pro rozvoj popřípadě kolaps modelu. Výsledné hodnoty jsou normovány ve stupnici <0,1>, takže lze přímo odečítat poměrné vlivy mezi prvky. Základním výstupem z propočtu jsou kromě standardů také diference standardů mezi periodami zobrazující změnu ve vývoji. Pravidlem zůstává, že každý výpočet (běžný, parametrizovaný, bez zásahů, se zásahy, s riziky a bez rizik), je schopen o sobě poskytnout souhrnnou zprávu v formě souhrnného grafického přehledu výsledných hodnot.

1. Nová byt.výst./přest. 2. Bytový fond celkem 3. Kupní síla obyvatel 4. Volná prac. místa 5. Stř. a velké podn.(>200) 6. Malé podn.subjekty 7. Infrastruktura

1 0,9 0,8

Standard

0,7 0,6 0,5 0,4 0,3

7. Infrastruktura 6. Malé podn.subjekty

0,2

5. Stř. a velké podn.(>200) 0,1

4. Volná prac. místa

0

3. Kupní síla obyvatel 1

2

3

4

5

6

2. Bytový fond celkem 7

8

9 10 11 Období

12

13

14

1. Nová byt.výst./přest. 15

16

17

18

19

20

Obr. 9 Výsledné standardy jednotlivých prvků

16


3.5. Analýza výsledků Shoda výsledných hodnot modelu a praxe indikuje správné pochopení vnitřních mechanismů modelu. Od této skutečnosti se odvíjí následně vhodné použití ladících a manažerských opatření pro dosažení optimálního vývoje úlohy. V případě nesprávné interpretace výsledků budou pravděpodobně i všechny manažerské zásahy a opatření do značné míry neefektivní a neúčinná, včetně jejich ekonomických důsledků. 3.6. Management modelu Po správné analýze výsledků přichází ke slovu sestavení souboru opatření pro dosažení akceptovatelného vývoje. Tohoto stavu je možné dosáhnout více postupy. Jejich účinnost je v konkrétních případech různá a proto je vhodné se zabývat i variantou kombinace manažerských zásahů (můžeme mluvit o čistých a smíšených manažerských strategiích). 3.7. Automatizace zásahů Stanovením kritérií pro uvažování jednotlivých druhů opatření (manažerských zásahů) se využití modelu a jeho případná optimalizace stává úlohou pro velmi výkonnou výpočetní techniku. Výkonný stolní počítač je v daném případě použit jako náhradní prostředek pro vývojové práce. Pro praktickou realizaci však je třeba nasadit výkonnější výpočetní techniku. Správná interpretace výsledků a správné rozhodnutí o akceptovatelnosti řešení ovšem nadále zůstává na řešitelském týmu, popřípadě individuálním řešiteli problému.

1

Vysoký standard 0,8 Vyšší standard

Standard

0,6 Střední standard Investice hotel Životní prostředí Doprava Počet obyvatel

0,4

Nižší standard

0,2

Nízký standard 0 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

Období

Obr. 10 Zapojení externích vlivů do modelu

3.8. Nejistoty (rizika) řešení Každý technicko-ekonomický propočet lze považovat za propočet s určitou mírou přesnosti. Vyšší přesnost výpočtu je dána schopností poskytnout propočtu údaje s co největší eliminací nejistot. Konkrétně již při sestavování interakcí úlohy je možné namísto “přesně” určených hodnot užít jistý interval, ve kterém by se měla přesná hodnota opravdu nalézat. Výsledkem několika stovek (tisíců) propočtů již není “přesný” průběh standardu, ale jakási oblast vymezená obalovou křivkou minimálních a maximálních hodnot. Tato oblast může být prohlášena za akceptovatelný prostor budoucího vývoje parametrů a prvků modelu.

17


G raf průběhu standardů 1,2

1

Změna trendu v důsledku nejistot

Pozitivní trend vývoje

St and ar d

0,8

0,6

0,4

Inv esti ce h ot el 0,2

Období nejistoty

Ž iv otní p ro s tředí Do prav a P oče t o b yv at el

0 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

Ob dob í

Obr. 11 Schéma zapojení rizik do výpočtu. Ve vyznačeném úseku vývoje je simulováno období nejistoty, ve kterém není přesně zřejmé jakým způsobem se bude model chovat

Můžeme proto tvrdit, že celý mechanismus navrhovaný v kapitole věnující se rizikům a nejistotám hledá právě feasibilní prostory pro budoucí řešení. Zároveň však také zjišťuje kritické oblasti pro nefeasibilní průchody modelované problematiky (prostory, kterým je třeba se při řešení úlohy vyhnout, aby byla přijatá řešení produktivní). Složité je právě rozhodnutí, co je ekonomicky (technicko-ekonomicky) racionálně přínosné. Dynamika manažerského zásahu musí rozlišit krátkodobé, střednědobé a dlouhodobé efekty, cíle, strategie, rizika apod. 4.

Výsledný přínos k řešené problematice

Výsledným přínosem práce je implikace řídící změny a technologické modifikace struktury úlohy. Platí že změna aij (nebo její skupiny) → změny výsledného efektu. Pro vyhledání relevantních pozic v matici A byla převzata [11] a doplněna teorie řídících virtuálních momentů pro nespojité úlohy. Mezi nejdůležitější přínosy patří modifikace modelu dle [3] a jeho rozšíření ve smyslu navrhované teorie. Byly vytvořeny ověřovací aplikační příklady zobrazující splnění cílů řešení uvedených v oddílu 1. Ověření rozšíření teoretických předpokladů bylo aplikováno na dopracování deterministického modelu [3] v práci [2]. Model v základní variantě [3] nebyl schopen reagovat na žádné řídící podněty. Po modifikaci lze zavádět do jeho fungování regulační a řídící zásahy, které napomáhají k dosažení požadovaného chování modelu. Jedná se o: » manažerské zásahy do struktury matice A, » externí řídící vlivy, » externí intervence vazeb. Modifikovaný dynamický model přispívá jako nástroj řízení k definování a konfiguraci řídících manažerských zásahů. Zabudovaný nástroj pro parametrizaci přináší možnost sledování dopadů změn základního modelu graficky. Technicko-ekonomické úlohy jsou charakteristické nestabilním chováním. Často dochází ke změnám v intenzitách spolupůsobení mezi jednotlivými prvky a tím se mění i celá struktura původního modelu. Vazby ve vstupní interakční matici aij nejsou konstantní, nýbrž je možné jejich chování modelovat v čase jako aij(t). Vědeckým přínosem je prokázání aplikovatelnosti řídících zásahů. Za další vědecký přínos práce považuji vytvoření propočtů, prokazujících modelování rizik v náročných interakcích dynamických vazeb. Model je 18


funkční a simuluje průběhy v čase i v nestabilním prostředí zatíženém riziky. Výsledkem jsou grafická znázornění narušených standardů prvků modelu. Při rizikové analýze se mohou objevit významná místa modelu, která zásadně ovlivňují jeho chování a na která je nutné směřovat případné manažerské zásahy. Dalším přínosem je možnost optimalizace modelu na základě definovaných omezujících kritérií. V době zpracování práce byl vývoj v tomto směru poněkud omezen dostupnými technickými prostředky. S vyšší výkonností výpočetní techniky se ukazují další možné směry řešení nalezení optimálního chování modelu. Nalezení regulačních a řídících zásahů vedoucích k dosažení definovaných cílů přináší vedle úspory času při zpracování a minimalizování náročnosti na dostupné zdroje také zásadní informaci, že existují řídící zásahy, pomocí nichž je možné daného cíle vůbec dosáhnout. Simulační průkaz dosažení daného cíle je v aplikované ekonomice často zásadní. Analytické rozbory a komfort programového produktu pak je podpůrným technickým prostředkem Modifikovaná verze dynamického modelu také přináší uživatelsky příznivější způsoby zadávání vstupních hodnot a generování výchozího stavu modelu. Vstupní data jsou komunikovány prostřednictvím dialogů se standardním ovládáním běžně používaných v aplikacích v prostředí Microsoft Windows. Pro zachování konzistence dat je samozřejmostí jejich dostupnost editačními funkcemi tabulkového procesoru. Dříve zpracované projekty je možné uložit do archivu, ze kterého jdou opět vyvolávat dle potřeby zpracovatele a dále je modifikovat.

19


5. Literatura [1] Russel, L. Ackoff, Maurice, W. Sasieni: Fundametals of Operations research, 1968, vyd. MIR, Moskva [2] Beran, V. a kolektiv: Strategie rozvoje území, promítnutí do zadání ÚPD, duben 1999, vyd. ČVUT Praha, Fakulta stavební [3] Holling, C., S.: Adaptive Environmetal Assessment and Management, (International Series on Applied Systems Analysis), 1978 [4] Beran, V. a kol.: Podmínky udržitelného rozvoje obcí a regionů, prosinec 1999, vyd. ČVUT Praha, Fakulta stavební, ISBN 80-01-02118-1 [5] Beran, V. a kol.: Strategie rozvoje II, obce a regiony, říjen 2000, vyd. ČVUT Praha, Fakulta stavební, ISBN 80-01-02260-9 [6] Forrester, Jay, W.: World Dynamics, Massachusetts Institute of Technology, Cambridge, Massachusetts, March, 1971 [7] Hájek, V., Haas, Š. Systémové plánování a řízení ve stavebnictví, vyd. SNTL – nakladatelství technické literatury, Praha 1981 [8] Beran, V., Dlask P., Heralová R.: Modelování v řízení 10 : Management navrhování staveb, 1. vyd., Praha : Čes. vys. uč. techn., 1997, 123 s., Učeb. texty: Praha, ČVUT, f. staveb., ISBN 80-01-01680-3, MDT 69.001.63:65.01(075.8), Signatura F 19615 [9] Beran, V., Dlask P., Heralová R.: Modelování v řízení 20, 1. vyd., Praha : Čes. vys. uč. techn., 1998, 121 s., Učeb. texty: Praha, ČVUT, f. staveb., ISBN 80-01-01883-0, MDT 519.86(075.8), MDT 65.01(075.8), Signatura F 19851 [10] Dlask, P.: ČVUT Praha, Technicko-ekonomické úlohy řešené za pomoci dynamického modelu se zapracováním rizik a nejistot – ČVUT – 2000 [10] – rukopis DDP [11] Vlček, J, Beran, V.: Automatizované systémy řízení, SNTL, 1989 [12] Beran, V., Poljak, S., Kollertová, J.: ASŘ – řízené navrhování, ČVUT Praha 1985 [13] Heeney, D.: Modeling environment-economy relationship, IndEco Strategic Consulting Inc., 1994 [14] Powersim Business Simulation Papers, publication Powersim Academic Software Products – Powersim Corporate Products [15] Hoshi Takashi19, Hoshino Satoshi20, Nomura Ichiro21: 19 20

Faculty of Engineering, Ibaraki University, Japan Faculty of Agriculture, Okayama University, Japan

20


Application of GKSIM Model for Estimating the Changes of Land Use and Land Cover, 1998 [16] Banihashemi, Mohamadreza: A New Model for the Mass Transit Crew Scheduling Problem, Research Associate, Civil and Engineering Department University of Maryland Haghani, Ali, A New Model for the Mass Transit Crew Scheduling Problem, Associate Professor, Civil and Engineering Department University of Maryland [17] Glover, Fred: Multi-Start and Strategic Oscillation Methods to Exploit Adaptive Memory, University of Colorado, 2001 [18] Arsham, Hosein: Systems Simulations: The Shortest Path from Learning to Applications, Supported by the National Science Foundation, 1995 – 2002 [19] Sterman, J., D. 22: Skeptikův průvodce počítačovým modelováním, překlad marek Šusta, Proverbs, a.s., 2001 [20] Lejhancová, J.: Modelování s využitím softwarového nástroje, GIST, s.r.o., Hradec Králové, 1999 [21] Löffelmann, J., Ing.: Modelování a optimalizace podnikových procesů I, 2001 [22] Laguna, M.23, Martí, R. 24: Neural Network Prediction in a System for Optimizing Simulations, 2001 [23] Beran, V. a kol: Dynamický harmonogram, Academia, Praha, 2002

21

Graduate School of Science and Engineering, Ibaraki University Professor of Management, Sloan School of Management, Cambridge 23 Graduate School of Business Administration, University of Colorado, USA 24 Department D’Estadistica I Investigació Operativa, Universitat de Valencia, Spain 22

21


6. Související literatura [A.1] Amini, M. B., Alidaee and Kochenberger, A Scatter Search Approach to Unconstrained Quadratic Binary Programs, new Method in Optimization, McGraw Hill, 1999 [A.2] Campos, V., Glover, F., Laguna, M., Marti, R., An Experimental Evaluation of a Scatter Search for Linear Ordering Problem, Universitat de Valencia and University of Colorado, 1999 [A.3] Glover, F., A Multiphase-dual Algorithm for the Zero-One Integer Programming Problem, Operations research, 1965 [A.4] Glover, F., Heuristic for Integer Programming Using Surrogate Constraints, Decision Science, 1977 [A.5] Glover, F., Parametric Branch a Bound, Omega Vol. 6, No 0, 1-9, 1978 [A.6] Amini, M. B., Alidaee and Kochenberger, A New Evolutionary Scatter Search Metaheurestic for Unconstrained Quadratic Binary Programming, Research report, University of Misissippi, 1999 [A.7] Glover, F., Laguna, M., Tabu Search, Kluwer Academic Publishers, 1997 [A.8] Laguna, M., Marti, R., Local Search and Path Relinking for the Linear Ordering Problem, research report, University of Colorado,1998 [A.9] Patterson, R., E., R., Pirkul, H., Memory Adaptive Reasoning and Greedy Assignment Techniques for the CMST, In Meta-Heuristic: Advances and Trends in Local Search Paradimgs for Optimization, Voss, S. Martello, S. Osman, I, Roucairol, C., Norwell, Massachusets: Kluwer Academy Publishers, 1999 [B.1] Clement, R, Wren, A., Greedy Genetic Algorithm, Optimizing Mutations and Bus Driver Scheduling, Proceedings of the Sixth International Workshop on Computer Aided Scheduling of Public Transport, 1993 [B.2] Mitra, G., Darby-Downman, K., CRU-SCHED A Computer Based Bus Crew Scheduling System Using Integer Programming, Computer Scheduling of Public Transport, Amsterdam, 1985 [B.3] Paixao, J., P., Algorithms for Large Scale Set-covering Problems, Ph.D. Thesis, Department of Management Science, Imperial College, London, 1984 [B.4] Paixao, J., P.,Transit Crew Scheduling on a Personal Workstation (MS/DOS), in: (ed.) Bradley, H., Operational Research ’90, Pergman Press, Oxford, 1990 [B.5] Smith, Barbara, M., Wren, A., A Bus Crew Scheduling System Using A Set-covering Formulation, Transportation research, Volume 22A, 1988 [C.1] Dagpunar, J., Principles of Random Variate Generation, Clarendon, 1988 [C.2] Knuth, D., The Art of Computer Programming, Vol. 2, Addison-Wesley, 1998 [C.3] L’Ecuyer, P., Uniform Random Number generation, In: Handbook on Simulation, Wiley, 1998 [C.4] Maurer, U., A universal statistical test for random bits generators, Cryptology, 1992 [C.5] Tsang, W.-W., A decision tree algorithm for squaring the histogram in random number generation, Ars Combinatoria, 1992 [C.6] Nikoukaran, J., Software selection for simulation in manufacturing, A review, Simulation Practise and Theory, 1999 22


[C.7] Arsham, H., Algorithms for Sensitivity Information in Discrete-Event Systems Simulation, Simulation Practice and Theory, 1998 [C.8] Fu, M., Hu, J.-Q., Conditional Monte Carlo, Gradient Estimation and Optimization Applications, Kluwer Academic Publishers, 1997 [C.9] Rubinstein, R., Shapiro, A., Discrete Event Systems, Sensitivity Analysis and Stochstic Optimization by the Score Function Method, Wiley, J., 1993 [C.10] Arsham, H, Techniques for Monte Carlo Optimizing, Monte Carlo Methods and Applications, 1998 [C.11] Arsham, H., Stochastic Optimization of Discrete Event Systems Simulation, Microelectronics and Reliability, 1996 [C.12] Arsham, H., Performance Extrapolation in Discrete-event Systems Simulation, Journal of Systems Science, 1996 [C.13] Arsham, H., Simulation Techniques for Estimation in Perturbed Stochastic Activity Networks, Simulation, 1992 [C.14] Arsham, H., What-if Analysis in Computer Simulation Models, A Comparative Survey with Some Extensions, Mathematical and Computer Modeling, 1990 [D.15] Löffelmann, J., Ing., Modelování a optimalizace podnikových procesů II. díl, 2001 [D.16] Opletal, P., Procesní modelování v praxi, II. část – Procesní a funkční řízení, 2001 [D.17] Crainer, S., Moderní management, Management Press, Praha, 2000 [D.18] Rowan, G., (editor): Nový obraz budoucnosti, Management Press, Praha, 1998 [D.19] Drucker, P., Řízení v době velkých změn, Management Press, Praha, 1998 [D.20] Čipera, J., Ing. MBA, Strategické řízení, Praha, 2001 [D.21] Lacko, B., Doc., Ing., CSc. 25, Projektové řízení – nástroj pro zvýšení konkurenční schopnosti, 2001 [D.22] Dolanský, V., Měkota, V., Němec, V., Projektový management, Grada, Praha 1996 [D.23] Rosenau, D. M., Řízení projektů, Computer Press, Praha, 2000 [D.24] Hačkajlová, L., Stavební ekonomika (Část III. Stavba jako výstavbový projekt), Stavební fakulta ČVUT, Praha, 1996 [D.25] Hilgermann, R., H., Cílový management, Grada, Praha, 1996 [D.26] Goldratt, M., E., Kritický řetězec, InterQuality, Praha, 1999

25

Fakulta strojního inženýrství VUT Brno

23


7. Řešené a podporované výzkumné práce: [A] Beran, V. a kol.: grant GA ČR č. 103/00/1484 Harmonizace metod v engineeringu, ČVUT Praha, Fakulta stavební, Katedra Ekonomiky a řízení ve stavebnictví, 2000 – 2001 [B] Kadlčáková, A. a kol.: Vyhledávací výzkum k náročným metodám výběru veřejných zakázek, IFG č. 3097398, ČVUT Praha, Fakulta stavební, Katedra Ekonomiky a řízení ve stavebnictví, 1997 [C] Beran, V. a kol.: Výzkumný záměr č. 6 MSM: 210000006, Fakulta stavební, Katedra Ekonomiky a řízení ve stavebnictví, [D] Beran, V. COST (Transfare Of The New technologies. The European Cooperation In The Science And Technical Research) – 1996 – ved. projektu Beran, Václav, Doc. Ing. [E] Beran, V.: grant IFG - Elektronická podpora revitalizace měst a měststkých částí II (The Economical Support and revitalisation of Towns and Town Parts II), (1995)

24


8. Související publikovaná literatura: [a] Dlask, P.: Optimalizace udržitelného rozvoje za pomoci dynamického modelu. In: Management udržitelného rozvoje životního cyklu regionů a jejich staveb. Praha: ČVUT, Fakulta stavební, Katedra ekonomiky a°řízení ve stavebnictví, 2000, s. 60-66. ISBN 80-0102281-1. [b] Dlask, P.: Modifikovaný dynamický model pro řešení technicko-ekonomických úloh s použitím rizik a nejistot. 1. vyd. Praha: ČVUT, Fakulta stavební, 2000. 75 s. ISBN 80-0102310-9. [c] Dlask, P.: Simulace a optimalizace v Engineeringu. 1. vyd. Praha: ČVUT, Fakulta stavební, Katedra ekonomiky a řízení ve stavebnictví, 2001. 90 s. ISBN 80-01-02514-4. [d] Dlask, P.: Technicko-ekonomické úlohy řešené za pomoci dynamického modelu. [Vnitřní zpráva]. Praha: ČVUT, 2000. 1. 1 s. [e] Beran, V. - Dlask, P. - Frková, J. - Heralová, R. - Tománková, J.: Sustainable Development Strategies of Regions. In: Proceedings of Workshop 2000. Prague : CTU, 2000, vol. B, p. 682. ISBN 80-01-02229-3. [f] Dlask, P.: Ekonomické výpočty s podporou dynamických simulací. In: Workshop 2001 DS sborník. Praha : ČVUT, Fakulta stavební, Katedra ekonomiky a řízení ve stavebnictví, 2001, díl 1, s. 25-29. ISBN 80-01-02433-4. [g] Beran, V., Dlask, P.: MMPR - Minimum z ekonomiky území, č. zakázky 119496, 2/97, Ekonomika území, VHČ [h] Beran, Václav, Doc., Ing.; Dlask, Petr, Ing.: The Implementation Of The New Urban Functions And Economics Within Regions – Management And New Technologies, Acta Polytechnica – 1996 [i] Beran, V., Dlask, P.: Management And New Technology – Papers, madrid 12.-14.6.1996, The Development Of New Competitive Technological Strategy

25


9. Abstract Modern procedures of technically economical problems solving are more and more used for verifying proposal solving. The Modified Dynamic Model (MDM) is one of these methods. The model is a tool for the manager’s decision. We can talk about the support of decision-making mechanism on base of a model calculation. This model can solve any technically economical problem, which we can create -

preliminary project phase, realization project phase, functional (utility) project phase, finalization (liquidation) project phase.

Model element interactions and starting conditions must be defined before running a solver model. In this phase, technical quantities that measure element interaction are being transmitted into entry data, which the program is able to work with. For technical scale, we have to establish its equivalent in absolute values in order to be able to obtain the interaction value. The method KSIM is included into calculation. In this method a part of model debugging and intervention usage to reach optimal results is newly added. As well as this, monitoring of changes in model functioning by parameterization of critical model element interaction was included in the calculation. Every problem, however, includes some uncertainty and risk. Every problem cannot exactly determine starting conditions and internal structure interactions. At this point, it is appropriate for solving the right Risk Modified Dynamic Model (RMDM), which eliminated defects of the basic variant of Modified Dynamic Model. Risk interactions are created by means of a random number generator. The generator needs several characteristics for its process. Risk and uncertainty exist in different time periods. The model has to be able to describe the risk in these periods. Results are the numerical standard values of individual elements calculated in every time period. From the graphical result interpretation the element functioning and its effect development or model crash is better noticeable. Next calculation result is beside standard also standard differentiation between periods that monitor development changes. The rule is that every calculation (standard, parameterization, with or without intervention, with or without risks) is able to provide a summary in the form of a complete graphical overview of final results. Basic version of dynamic model has no manager’s tools for the model regulation. Creation of the regulation tools like -

external interventions internal intervention of model structure management intervention

is a new contribution of MDM. External interventions are realized on final standard values of individual elements. Internal and management interventions operate within a model structure. Next contribution is a chance of optimization on base of constraints, which defined the user. Model can define its final behavior. Next contribution of the MDM is a user friendly input data. It is works with a standard Windows dialog and basic edit functions.

26


Ing. Petr Dlask

Teze doktorské disertační práce Modifikovaný dynamický model pro řešení technicko-ekonomických úloh s použitím rizik a nejistot

Školitel: Doc. Ing. Václav Beran, DrSc. Praha 2002


Teze doktorské disertační práce

Recommend Documents