Разработка и оценка пригодности модели

При создании корректной имитационной модели проекта в первую очередь рассматривается моделирование следующих элементов: приоритеты, выполнение срочных работ, разбиение на смены, простой, сверхурочные работы и кривые обучения.

В ходе создания модели необходимо, как минимум, определить:

Ÿ параметры модели – величины, которые исследователь может задавать произвольно, в отличие от переменных, которые могут принимать только значения, определенные типом данной модели;

Ÿ функциональные зависимости в модели – описания поведения переменных и параметров внутри компонентов модели или выражающие соотношения между компонентами;

Ÿ ограничения модели – устанавливаемые пределы изменения значений переменных: ограни-чения, которые вводятся разработчиком модели, называются искусственными, а ограничения, которые присущи значениям переменных в силу внутренних свойств модели, – естественными;

Ÿ экзогенные переменные модели – входные переменные, которые порождаются вне моде-лирующей системы или возникают в результате воздействия внешних причин;

Ÿ эндогенные переменные модели – переменные, которые порождаются внутри моделирующей системы или возникают в результате воздействия внутренних причин;

Ÿ поверхность реакции модели – функция, которая связывает эндогенные переменные модели с экзогенными.

Следует обратить особое внимание при имитационном моделировании работ над проектом на процедуру повторения измерений значений параметров. Поскольку временные параметры крайне неустойчивы, один прогон модели даст только один вариант развития бизнес-процессов.
На основе множества повторов измерений можно получить несколько вариантов сценария, что позволит получить более точные оценки и выделить наиболее уместные интервалы для фиксации показателей эффективности.

Результатом производственных процессов является достаточно большое количество различ-ных “продуктов”, разбитых на группы или же получаемых в непрерывном потоковом режиме. Типичными примерами служат выполнение заказов, работа отдела счетов к оплате или обработка заявок.

Такие операции, как разбиение на группы, объединение групп, сборка, разборка, монтаж, контроль качества и устранение брака, представляют собой типичные функции, реализуемые про-изводственными процессами. Для того чтобы точно смоделировать эти функции, модель должна отслеживать информацию об отдельных объектах потока и их атрибутах. Кроме того, в ходе создания модели важно учитывать правила построения очередей, а также моделирование простоя.

Цель моделирования производственных процессов, как правило, состоит в получении устойчивой схемы производственного процесса, поскольку последовательность выпускаемой продукции повторяется. Важной процедурной концепцией анализа эффективности является определение периода неустойчивой работы и устранение искажения, вносимого статистическими данными, собранными за такой период.

Распределительные процессы включают в себя транспортировку и доставку, в ходе которых происходит перемещение продукции или людей между различными точками в сети распре-деления. Фундаментальным отличием транспортировки от доставки является то, что потоковые объекты при транспортировке – это люди, а не товары.

Типичные процессы транспортировки можно найти в системах общественного транспорта.
На типичных процессах доставки основаны: сбыт произведенной продукции, доставка почты и товаров покупателю.

При моделировании распределительных процессов для отслеживания таких характеристик, как место назначения, размер или затраты, важно описать свойства потоковых объектов.
При моделировании перемещения иногда будет более правильным представлять ресурсы транспортировки как потоковые объекты.

Большинство распределительных процессов носит переходный характер. Поэтому длитель-ность моделирования должна быть достаточной, чтобы охватить весь цикл процесса. Кроме того, чтобы провести анализ показателей эффективности, прогон необходимо выполнить несколько раз.

Процессы обслуживания клиентов представляют собой одну из важнейших областей приме-нения имитационного моделирования, поскольку в типичном процессе обслуживания суммарное время ожидания может достигать 95 % общего времени обработки поступающих запросов на обслуживание.

Имитационное моделирование процессов обслуживания клиентов считается исключительно сложной задачей, так как в данном случае как потоковые объекты, так и ресурсы – это люди. Люди обладают гораздо более сложным и непредсказуемым поведением по сравнению с продуктами, документами, оборудованием или транспортными средствами. Например, клиенты, стоящие в очереди, могут вступать в пререкания, пролезть без очереди тем или иным способом или вообще уйти. Чтобы смоделировать подобные ситуации, требуется значительная гибкость программирования.

Как правило, время обслуживания непостоянно, а моменты появления клиентов случайны. Поэтому для корректного представления необходимо использовать вероятностные распре-деления.

Планирование и проведение эксперимента

Первое, что оказывается необходимым для реализации имитационной модели, – это умение организовать серию вариантных расчетов: эксперту важно представить себе характер изучаемого процесса, степень его “управляемости”, характер предельных возможностей (множеств достижимости), т.е. организовать многократно повторенный машинный эксперимент с моделью.

Для этой цели и созданы модели, имитирующие реальность, имитирующие изучаемый процесс. Эксперт с помощью этих моделей, с помощью серии специально организованных вариантных расчетов получает те знания, без которых выбрать альтернативный вариант своей стратегии он не может.

Эксперт – специалист, который за годы обучения и практической деятельности научился чрезвычайно эффективно решать задачи, относящиеся к конкретной предметной области

Системы автоматизации моделирования, разработанные в 60–70-е гг. ХХ в. (Simula, SLAM, НЕДИС и другие), были слишком сложны для широкого пользователя, прежде всего из-за сложности текстовой формы описания модели и отсутствия программных реализаций эффективных численных методов (в 1970-е гг. был единственный пакет GEAR, все современные численные пакеты датируются 1980-ми гг.).

В настоящее время для имитационного моделирования используются пакеты визуального моделирования. Эти пакеты позволяют вводить описание моделируемой системы в естественной для прикладной области и преимущественно графической форме (например, в буквальном смысле рисовать функциональную схему, размещать на ней блоки и соединять их связями), а также представлять результаты моделирования в наглядной форме, например, в виде диаграмм или анимационных картинок.

Системы визуального моделирования позволяют не заботиться о программной реализации модели как о последовательности исполняемых операторов, и тем самым создают на компьютере некоторую удобную среду, в которой можно создавать виртуальные, параллельно функциони-рующие системы и проводить эксперименты с ними. Графическая среда становится похожей на физический испытательный стенд, только вместо тяжелых металлических ящиков, кабелей и реальных измерительных приборов, осциллографов и самописцев пользователь имеет дело с их образами на экране дисплея. Образы можно перемещать, соединять и разъединять с помощью мыши. Кроме того, пользователь может видеть и оценивать результаты моделирования по ходу эксперимента и, при необходимости, активно в него вмешиваться.

Программная реализация виртуального стенда скрыта от пользователя. Для проведения экспериментов не требуется никаких особых знаний о компьютере, операционной системе и мате-матическом обеспечении. Еще одной важной особенностью современного пакета автоматизации моделирования является использование технологии объектно-ориентированного моделирования, что позволяет резко расширить границы применимости и повторного использования уже созданных и подтвердивших свою работоспособность моделей.

Успех новой технологии резко расширил круг пользователей визуальных пакетов модели-рования, что обострило вечную проблему достоверности получаемых решений. Графическая оболочка скрывает от пользователя сложную процедуру получения численного решения. В то же время, автоматический выбор нужного для решения конкретной задачи численного метода и настройка его параметров часто являются далеко не тривиальной задачей. В результате появляется опасность быстрого получения красиво оформленных, но неправильных результатов.

Ввод новых данных в имитационную модель – наиболее уязвимый процесс, так как он сопряжен со значительными временными затратами на формализацию и структурирование поступающих данных, а также требует высокой квалификации от оператора, вводящего данные, в частности, знаний предметной области и структуры имитационной модели.

Методы формализации и структурирования данных, поступающих на вход системы, призваны уменьшить влияние указанных факторов. Они определяются пользователем на уровне имитационной модели и позволяют обрабатывать исходные данные с различным уровнем автоматизации: от простого перетаскивания мышкой фрагментов неформализованного текста в соответствующие структуры формируемого объекта до их автоматического распознавания в исходном тексте по заданным признакам. Если на входе такого распознавания используется уже накопленный и актуализируемый банк данных, то система приобретает черты обучаемости и ее идентифицирующие возможности напрямую будут зависеть от содержимого банка данных.

Формализованные данные затем обрабатываются методами распознавания объектов и синтеза информации. Это методы уровня класса, содержащие наборы или правила выделения идентифици-рующих признаков, по которым система делает вывод о тождественности объекта, загружаемого в банк данных, одному из объектов, уже хранящихся в нем. Результатом идентификации будет:

– загрузка объекта в банк;

– отказ в такой загрузке;

– дополнение объекта с совпадающими идентифицирующими признаками недостающими данными из загружаемого объекта;

– блокирование загрузки других параметров или выполнение иных действий.

Пользователь также должен иметь возможность вручную осуществить привязку загружаемого объекта к объекту, уже имеющемуся в банке данных. Выборки могут формироваться в терминах языка запросов системы непосредственно либо в экранной форме. На основе выборок пользователь будет просматривать информацию в банке данных, создавать документальные отчеты в нужной ему форме или дополнительно обрабатывать данные при помощи одного из частных методов обработки и анализа.