131 51 18MB
Polish Pages 330 Year 1980
Władysław Radzikowski
matematyczne techniki zarządzania Państwowe Wydawnictwo Ekonomiczne
Państwowe Wydawnictwo Ekonomiczne Warszawa 1980
Opracowanie graficzne Andrzej Pilich Redaktor Alicja Rutkowska
© Copyright by Państwowe Wydawnictwo Ekonomiczne Warszawa 1980
ISBN 83-208-0045-5
Spis treści
Od A u to r a ...................................................................................... 7 W prowadzenie............................................................................... 10 Algebra m a cierzy .........................................................................26 Analiza przepływów m ięd zy g a łę z io w y c h ...........................36 Analiza strukturalna . .............................................. 44 Badania o p e r a c y jn e .................................................................. 49 « Gromadzenie danych liczbow ych........................................54 Posługiwanie się modelami matematycznymi . . . 57 Drzewo d ecyzyjn e.................................................................. 62 Metoda PATTERN.................................................................. 66 Deterministyczna odmiana metody programowania dyna micznego ......................................................................... . . . 71 Dynamiczny model analizy przepływów międzygałęziowych 83 E k o n o m e tr ia ............................................................................... 89 Ekonometryczne modele analizy kosztów . . . . 98 Funkcja produkcji.................................................................. 102 Matematyczna teoria g i e r ..................................................... 104 Gry dwuosobowe z sumąz e r o ....................................... 106 Gry dwuosobowe o sumied ow oln ej..................................112 Gry wieloosobowe . . ......... .......................................115 Metody badania rozwoju zjawisk w c z a sie ...........................116 Wyodrębnianie tendencji rozwojowej, wahań perio dycznych i lo s o w y c h ............................................................ 120 Adaptacyjne modele prognozowania krótkookresowego 128 Metody sieciowe d eterm in isty czn e........................................132 Metoda C P M ......................................................................... 136 Metoda P E R T ......................................................................... 140
5
Programowanie linipwe . . . . . . . . . 142 Metoda dupleks programowania liniowego . . . . 150 Programowanie liniowe b i n a r n e ........................................158 Programowanie liniowe parametryczne................................. 166 Programowanie liniowe w liczbach całkowitych . . . 181 Metoda L an d a -D o ig a............................................................185 Metoda Gomory’e g o ............................................................188 Programowanie liniowe — zadanie transportowe . . . 193 Zadanie produkcyjno-transportowe................................. 199 Programowanie nieliniowe k w a d r a t o w e ...................... 204 Programowanie s t o c h a s t y c z n e .......................................... 21 i Modele jednoetapow e............................................................214 Modele d w u e ta p o w e ............................................................217 Programowanie w y p u k łe ............................................................225 Stochastyczne metody sieciowe. Metoda GERT . . . 233 Stochastyczna odmiana metody programowania dynamicz . .. 242 nego ............................................................................... . .. . S y m u la c ja ...................................................................... ... Metody M o n te-C a rlo .................................... . . . . 261 Języki symulacyjne . . . . . . . .. ..268 Dynamika systemów zarządzania .. . . . . 274 Symulacyjne gry kierownicze ........................................ 277 Teoria korelacji i r e g r e s j i ..................................................... 281 Regresja l i n i o w a ........................................ ...... 290 Korelacja w i e l o r a k a ..................................................... ...... 293 Wielochodowe gry nieantagonistyczn e................................. 297 Wyznaczanie ekstremum funkcji jednej zmiennej . . . 306 Wyznaczanie ekstremum warunkowego funkcji jednej zmiennej . ................................................................ ... . . 311 Wyznaczanie ekstremum funkcji n zmiennych . .. 315 Wyznaczanie ekstremum warunkowego funkcji « zmien nych 320
Od Autora
Przedstawione w książce m etody matematyczne, staty styczne i sym ulacyjne (zwane dalej w skrócie metodami m atem atycznym i) traktow ane są jako matem atyczne techniki zarządzania 1 i analizowane z punktu widzenia ich przydatności do celów zarządzania. Tego rodzaju podejście nie jest w nauce o organizacji i zarządzaniu ani nowe, ani też odosobnione. Na przykład J. Ziele niewski przez techniki zarządzania rozumiał przede wszystkim matem atyczne metody optym alizacji decyzji, w sensie technik optymalizacji działania, spośród któ rych zwracał szczególną uwagę na 2: — techniki programowania liniowego, — techniki iteracyjne (matematyczne techniki rozwią zywania typowych zagadnień), — techniki rachunku macierzowego i grafów skiero wanych. Podobne podejście zastosowałem w pracy: Techniki za i W rezultacie takiego podejścia terminy „metody m atematyczne” i „ma tematyczne techniki zarządzania” przyjmujemy za synonim y i używamy zamiennie w zależności od kontekstu omawianych problemów. * J. Zieleniewski, Organizacja i zarządzanie, wyd. 5, Warszawa 1976, s. 486—491.
7
rządzania (PWE, Warszawa 1974). Obecna książka sta nowi pewnego rodzaju rozwinięcie Technik zarządzania, ale równocześnie różni się od tam tej pracy zarówno zakresem problemowym, jak i konstrukcją wykładu. Ograniczyłem się bowiem do przedstawienia wyłącznie w ybranych m atem atycznych technik zarządzania w szerszym niż poprzednio zakresie, rezygnując z oma wiania .innych technik (np. informatycznych), które bę dą przedmiotem rozważań w następnych książkach cyklu wydawniczego: M etody i techniki organizator skie. K ryterium wyboru technik m atem atycznych była ocena ich przydatności w organizacji i zarządzaniu, oparta na znanych powszechnie i wielokrotnie opisywanych przykładach zastosowania ich w praktyce oraz na moim własnym doświadczeniu zbieranym przez ponad 20 lat. Dzięki tej koncentracji tematycznej mogłem omówić nieco szczegółowiej w ybrane m atem atyczne techniki zarządzania. Zrezygnowałem przy tym świadomie z przedstawiania istniejących algorytmów realizacji po szczególnych metod matem atycznych, z w yjątkiem kilkunastu algorytmów szczególnie interesujących. Współcześnie dysponujem y bowiem dziesiątkami róż nych algorytmów realizujących jedną i tę samą m e todę, np. programowania liniowego. Zwróciłem nato m iast uwagę na dokładniejszy opis form alny poszcze gólnych metod matem atycznych, w tym szczególnie modeli m atem atycznych aproksym ujących (przybliża jących) poszczególne problemy zarządzania3 („co to je st”), oraz na ch arak tery sty k ę. dziedzin zastosowania tych m etod („do czego służy”). Podaję również przykła dy zastosowania m atem atycznych technik zarządzania w praktyce. Wiele innych m atem atycznych technik zarządzania * Przez „problem zarządzania” będziemy rozumieć jakikolwiek problem decyzyjny rozwiązywany przez zarządzającego.
8
omawiam w książce: M etody matematyczne i staty styczne w przedsiębiorstwie (wyd. 2, PWE, Warszawa 1976). Pozostałe techniki opisywane są w pracach in nych autorów, do których odsyłam Czytelników. Ni niejsza książka jest więc swego rodzaju przewodnikiem po obszernej problematyce matem atycznych technik za rządzania. Serdecznie dziękuję doc. dr hab. inż. E. Nawareckiemu za przejrzenie maszynopisu. Wnikliwe Jego uwagi po mogły m i ulepszyć kształt i treść książki. Władysław Radzikowski
Książkę tę poświęcam Mojej Żonie
Wprowadzenie
Klasyfikację matem atycznych technik zarządzania prze prowadzamy przede wszystkim z punktu widzenia ro dzaju sytuacji decyzyjnej, w której rozwiązywane są poszczególne problemy zarządzania, i charakteru tych problemów. Za A. Newell’em i H. A. Simonem przyj mujemy, że poszczególne problemy zarządzania mogą b y ć 1: — dobrze ustrukturalizowane (dobrze określone), czyli dające się sformułować ilościowo (w liczbach lub symbolach) i zmierzyć, — nie ustrukturalizowane (nie określone), czyli dające się przedstawić tylko jakościowo (w postaci opisu słownego) ze względu na brak ilościowych zależno ści pomiędzy elementami, — słabo ustrukturalizowane (słabo określone), czyli mieszane, zawierające zarówno elem enty jakościo we, jak i ilościowe, z przewagą elementów jakościo wych. Poszczególne problemy zarządzania rozwiązywane są 1 A. Newell, H. A. Simon, Heu ris tic Problem Solving: Th e N ew Advance in Operatio n Research, „Operation Reasearch” 1958, vol. 4.
w różnorodnych sytuacjach decyzyjnych. Za J. Mothesem rozpatryw ać będziemy następujące rodzaje znacz nie różniących się od siebie sytuacji decyzyjnych 2: — sytuacje deterministyczne, w których na skutki w pływ ają jedynie param etry całkowicie określone, — sytuacje losowe, których zmiany mogą być w pew nym sensie przewidziane, a więc gdy param etry m ają znane rozkłady prawdopodobieństwa; decyzję podejm uje się w sytuacji „(lub przestrzeni) losowej, — sytuacje niepewne, gdy wpływ na skutki m ają pa ram etry niepewne, których zmian nie można prze widzieć; decyzje podejm uje się w' sytuacji (lub przestrzeni) niepewnej, — sytuacje konfliktowe, charakteryzujące się tym, że param etry wpływające na skutki decyzji są lub mo gą być kontrolowane przez przeciwników; decyzje podejm uje się w sytuacji (lub przestrzeni) konflik towej. W konsekwencji tych założeń wyodrębniam y metody matem atyczne (matematyczne techniki zarządzania) sto sowane: 1) w sytuacjach determ inistycznych do rozwiązywania problemów dobrze ustrukturalizow anych; są to n a stępujące grupy metod matem atycznych (tablica 1): — m etody bilansowe, — metody ekstremalne, — deterministyczne metody optym alizacyjne oparte na statycznych modelach m atem atycznych3, * J. Mothes, S ytu acje niepewne a pode jm owan ie de cy zji w przemyśle, Warszawa 1972. * Z reguły będą to ab strakc yjn e modele m atem atyczne należące do tzw. modeli teoretycznych (nazywanych także modelami heurystycznymi). „Mianem modelu teoretycznego określa się zwykle model nominalny zbudowany jako hipotetyczna konstrukcja myślowa, będąca uproszczo nym obrazem badanego fragmentu rzeczywistości, opartym na elimina cji myślowej jego elementów (cech, relacji) nieistotnych dla danego celu lub w danym etapie badania. Zakres dokonanych eliminacji my ślowych i uproszczeń wyrażają założenia, czyli tzw. warunki począt kowe modelu; przy założeniu tych warunków (często mających cha
11
— determ inistyczne metody optym alizacyjne oparte na dynamicznych modelach matematycznych; 2) w sytuacjach losowych, niepewnych i konfliktowych do rozwiązywania problemów słabo ustrukturalizowanych; są to następujące grupy m etod m atem a tycznych (tablica 1): — niedeterm inistyczne metody optym alizacyjne oparte na modelach statycznych, — niedeterm inistyczne metody optym alizacyjne oparte na modelach dynamicznych, — metody stochastyczne, — metody symulacyjne, — metody badań operacyjnych. Rozpatrując poszczególne matem atyczne techniki za rządzania, rozróżniamy także modele, w których zmia ny wartości zmiennych decyzyjnych mogą być ciągłe lub dyskretne (nieciągłe, całkowitoliczbowe). Zgodnie z koncepcją przyjętą dla całego cyklu: Metody i techniki organizatorskie w kartach charakterystyk poszczególnych metod zamieszczono: — nazwę metody, — symbol metody, wskazujący grupę metod, do której dana metoda należy (zob. tablica 1), — klasę trudności, a mianowicie: I — metoda może być opanowana w w yniku k rót kotrwałego treningu (łatwa), II — do opanowania metody potrzebny jest dłuż szy trening i doświadczenie praktyczne (śred nio trudna), III — metoda jest stosowana efektywnie pod wa runkiem zdobycia odpowiednich wiadomości i umiejętności oraz przynajm niej kilkuletnie go doświadczenia praktycznego (trudna). rakter idealizacji stanu faktycznego i wartość fikcji heurystycznej) przedstawia się w modelu strukturę badanego fragmentu rzeczywistości i docieka się prawidłowości w nim zachodzących”, W ie lk a Efncyklopedi c Powszechna, PWN, Warszawa 1965, t. 7, s. 394.
12
— klasę zastosowań według kryterium : p — określania celów i zadań, pp — prognozowania, pr — programowania, pl - planowania, 0 — organizacji, ba — analizy organizacyjnej, oo — optymalizacji organizacyjnej, op — projektowania rozwiązań organizacyjnych, o w --- wdrażania rozwiązań organizacyjnych, od — organizacji działania, k — kontroli, analizy i oceny, m — motywowania, z — zarządzania (w sensie ogólnym), u — zastosowania uniwersalnego, — — — — — —
zastosowanie metody (rozwiązywane problemy), opis, schemat metody, efektywność i koszty metody, sposób nauczania lub posługiwania się metodą, literaturę, praktyczne przykłady stosowania metody.
Opisując przykłady praktycznego zastosowania poszcze gólnych metod matematycznych, kierowano się k ry te rium ich przydatności do realizacji poszczególnych funkcji zarządzania przedsiębiorstw em 4. W literaturze przedm iotu najwięcej miejsca poświęca się matem atycznym technikom zarządzania stosowanym do planowania działania, dużo mniej technikom przy datnym do kierowania bieżącym działaniem, najm niej zaś technikom wykorzystywanym do kontroli i oceny efektów działania. Dość w iernie oddaje to stan teorii i praktyki w tej dziedzinie. Stan ten można stosunkowo łatwo zmienić przez wprowadzenie technik zarządzania * Nie ogranicza to zbytnio ogólności rozważań ze względu na fakt, że
przedsiębiorstwo traktujemy jako organizację gospodarczą.
18
stosowanych dotychczas do modelowania problemów planowania także do: 1. Sterowania bieżącym działaniem, wykorzystując po szczególne techniki ex ante, czyli na bieżąco. Na przy kład bieżąca obserwacja realizacji jakiegoś przedsię wzięcia prowadzona za pomocą metod sieciowych umo żliwia szybkie stwierdzenie powstających zmian (np. opóźnień) i określenie ich wpływu na końcowy term in wykonania przedsięwzięcia. Pozwala również podejmo wać odpowiednio szybko decyzje korygujące przebieg realizacji przedsięwzięcia w razie pojawienia się nie przewidzianych trudności i zahamowań. Dzięki użyciu metod sieciowych łatwo uzyskujem y więcej inform acji, gdyż harm onogram y realizacji poszczególnych przed sięwzięć opracowuje się nie tylko w fazie planowania, ale także aktualizuje i zmienia w trakcie realizacji tych przedsięwzięć, a więc na bieżąco. 2. Kontroli i oceny efektów działania, w ykorzystując poszczególne techniki ex post, czyli po fakcie. Posłu giwanie się metodami m atem atycznym i do kontroli i oceny polega, ogólnie biorąc, na przeprowadzeniu obli czeń prognostycznych, programowych i planistycznych na podstawie rzeczywistych param etrów , a nie p ara metrów zakładanych w prognozach, program ach i pla nach. Na przykład jeżeli wiem y z ewidencji i sprawoz dawczości, jakie rzeczywiście uzyskano surowce i w ja kich ilościach, jakie rzeczywiście były nakłady pracy na 1 sztukę produkowanych wyrobów itp., to możemy opracować „retrospektyw ny” plan produkcji przedsię biorstwa i wykazać (przez porównanie planu „retro spektywnego” z rzeczywistymi wynikami), jak przed siębiorstwo napraw dę zagospodarowało posiadane za soby pracy, m ateriały i surowce, moce produkcyjne itp. W ydaje się, że większość prezentowanych w tej książ ce m atem atycznych technik zarządzania można stoso wać nie tylko na etapie planowania działania, ale także 19
kierowania bieżącym działaniem oraz kontroli i oceny efektów działania. Przydatność nowoczesnych technik matem atycznych w praktyce zarządzania jest ciągle jeszcze przedmiotem kontrow ersji i nie kończących się dyskusji. Zwolennicy stosowania tych technik twierdzą, że bez w ykorzysta nia takich działów m atem atyki, jak rachunek różnicz kowy, rachunek prawdopodobieństwa (i statystyka ma tematyczna), programowanie liniowe, teoria gier, pro gram owanie dynamiczne itp., nie można efektywnie zarządzać współczesnym przedsiębiorstwem, planować i kontrolować wyników jego działalności. Przeciwnicy są zdania, że chodzi tu ta j tylko o nową „modę”. Wska zują, że im głębiej bada się procesy podejmowania decyzji, tym lepiej dostrzega się, jak skomplikowane jest „doskonałe” (tzn. uwzględniające wszystkie impe ratyw y ekonomiczne, techniczne, socjalne, finansowe itp. składające się na politykę przedsiębiorstwa) po staw ienie problemów zarządzania, uchwycenie ich ele m entów i czynników niewymiernych, jak trudno zde finiować cele działania. Wiadomo jednak, że dyrektor musi podejmować decyzje, dlatego też tnie rozpatrując argum entacji za i przeciw matem atycznym technikom zarządzania, skoncentrujem y się na jego codziennych, praktycznych potrzebach w tej dziedzinie. Oczywiście potrzeby w zakresie korzystania z m ate matycznych technik zarządzania są iróżne, bo uw arun kowane odmienną wiedzą, doświadczeniem, uzdolnie niami, motywacją, stosunkiem do ryzyka itp. Wiadomo natom iast, że każdy zarządzający dysponuje s: — centralnym system em sterowania, na który składa się określona liczba pamięci zawierających różne rodzaje symbolizowanych informacji, powiązanych relacjam i porządkującym i lub skojarzeniowymi, —- określoną liczbą procedur przetwarzania informacji, * Proces de cyzy jn y, Warszawa 1973.
20
które umożliwiają operowanie inform acjam i znaj dującym i się w pamięciach, . — ściśle określonym układem reguł pozwalających łą czyć procesy przetw arzania inform acji w kompletne programy. A. Newell, D. Shaw i H. A. Simon za inform acje uw a żają zarówno dopływające do zarządzającego nowe wiadomości, jak też jego intuicję, rozsądek i doświad czenie. Chociaż czynniki te w ydają się ze sobą nie w ią z a n e , to jednak są form ą informacji, którą można zastosować w procesie decyzyjnym. Podejm ujący de cyzję zmierza (często podświadomie) do w yjaśnienia lub określenia współzależności między dostępnym i m u środkam i działania (alternatyw am i decyzji) a oczeki w anym i rezultatam i końcowymi, ocenia prawdopodob ne skutki swej decyzji na podstawie intuicji, rozsądku i doświadczenia. W praktyce oznacza to sięganie do zdobytej wiedzy i zgromadzonego doświadczenia. Jak dalece może on w ykorzystać swoje obserwacje z przesz łości do oceny i przewidywania przyszłości, tak dalece jego doświadczenie w pływ a na jakość decyzji 8. M ate matyczne techniki zarządzania mogą być przydatne za rządzającem u wtedy, gdy: 1) umożliwiają „panowanie” nad większą niż dotych czas liczbą inform acji i wzbogacają zasób inform a cji o nowe, dodatkowe relacje porządkujące lub skojarzeniowe, 2) uspraw niają i przyspieszają przetw arzanie inform a cji, a dzięki tem u ułatw iają zarządzającemu aktyw ne operowanie inform acjami zaw artym i w pamięci, 3) wzbogacają zasób reguł, za pomocą których zarzą dzający przetwarza inform acje w kompleksowe pro gram y działania. Praktyczna przydatność technik zarządzania dla dyrek tora przedsiębiorstwa to tylko jeden z w arunków ich • Tamże.
21
stosowania. Inne nie m niej istotne w arunki można sformułować następująco: 1. Zarządzający (np. dyrektor przedsiębiorstwa) ma możliwość dokonywania wyboru celu (szczegółowych zadań) lub działania (technicznych sposobów produk cji) albo zarówno celu, jak i działania, w związku z czym musi podejmować określone decyzje. W prak tyce często zarządzający przecenia własne możliwości dokonywania wyboru celu lub działania i próbuje po dejmować decyzję w spraw ach zastrzeżonych dla in nych ośrodków decyzyjnych. Jeszcze częściej spotyka my się z zachowaniem krańcowo przeciwnym, a mia nowicie zarządzający nie docenia własnych możliwości i obiektywnie istniejącej potrzeby podejmowania decy zji, np. dyrektor przedsiębiorstwa zasugerowany faktem braku swobody przy wyznaczaniu celów (tzn. szczegó łowych zadań przedsiębiorstwa), rezygnuje z możliwej i potrzebnej optymalizacji działania (tzn. z wyboru n aj lepszego zestawu technicznych sposobów realizacji usta lonych celów). 2. Swoboda podejmowania decyzji przez zarządzającego (np. dyrektora przedsiębiorstwa) jest ograniczona. W praktyce kierowania przedsiębiorstwami trudno by łoby znaleźć przykład całkowitej swobody decyzji. Najczęściej zarówno >na cel, jak ii na działanie „nołożone są” różnorodne ograniczenia organizacyjne, kadro we, surowcowe itp. 3. Co najm niej pewna część warunków ograniczających swobodę podejmowania decyzji przez zarządzającego jest wymierna, a więc może być kw antyfikowana , w znanych jednostkach miary, co w ynika w prost z w ymierności (co najm niej częściowej) celu i działania. W praktyce kierowania przedsiębiorstwami zarządza jący muszą uwzględniać nie tylko aspekty techniczne, ekonomiczne czy organizacyjne celu lub działania, ale również aspekty socjalne, hum anitarne i inne. Mate-^ 22
matyczne metody optymalizacji decyzji trudno byłoby z pozytywnym efektem zastosować np. do rozwiązy wania problemów czysto socjalnych. Większość w arun ków ograniczających swobodę podejmowania decyzji przez zarządzającego może być jednak kw antyfikow ana w znanych jednostkach miary. 4. Zarządzającemu zależy na wyborze decyzji najko rzystniejszej, czyli optym alnej, a m iarą optym alizacji decyzji jest albo m aksym alny stopień realizacji celu, albo maksymalna efektywność działania. Nie ma sensu stosowanie metod m atem atycznych do optymalizacji decyzji, jeżeli zarządzający nie jest zainteresowany w wyborze decyzji najkorzystniejszej, np. zakłada z góry nieoptymakiość decyzji, dążąc do ukrycia rezerw w zasobach produkcyjnych. P raktyka kierowania przed siębiorstwam i dowodzi jednak przekonująco, że wszel kiego rodzaju chomikarstwo, partykularyzm lub w y godnictwo jest — na dłuższą m etę — nieefektyw ne dla samego zarządzającego (nie mówiąc o szkodliwości ogólnogospodarczej i ogólnospołecznej takiego postępo wania). Na podstawie sformułowanych wyżej uwag ogólnych można następnie rozpatryw ać różne problem y szczegó łowe, m. in. dotyczące celów ekonomicznych i działań techniczno-organizacyjnych. W tym przypadku postę powanie nasze oparte jest na następujących zasadach: a) dla każdego działania można znaleźć najlepsze w y konanie, co osiąga się raczej przez systematyczną analizę niż dzięki intuicji, doświadczeniu, naślado w aniu innych itp. b) sposób analityczny rozwiązywania problemu polega na: — stwierdzeniu istnienia jakiegoś problemu i jego określeniu m erytorycznym i form alnym (mate matycznym), konieczne jest także ustalenie stanu faktycznego problemu (zgromadzenia danych) 23
i pogrupowanie faktów według ich znaczenia dla problemu (próba znalezienia przyczyn poszcze gólnych faktów), — opracowaniu modelu matematycznego aproksymującego (przybliżającego) dany problem decy zyjny, — znalezieniu rozwiązania problemu na podstawie opracowanego modelu, przy czym ważne jest dostarczenie podejmującemu decyzję wielu wa riantów rozwiązania i zapoznanie go ze zbiorem rozwiązań suboptymalnych, gdyż stw arza to wa runki do analizy w ielu możliwych w yników koń cowych decyzji i chroni przed jednostronnością, — sprawdzeniu modelu i rozwiązania, co jest ko nieczną weryfikacją zarówno definicji problemu, jak też hipotezy roboczej modelu; nie można również zapominać o konieczności sprawdzenia form alnej poprawności samego rozwiązania (odpowiednimi m etodam i numerycznymi), — opracowaniu system u reagowania na wszelkie zmiany, aby można było szybko podejmować decyzje korygujące; dużym uproszczeniem było by bowiem przyjęcie założenia, że w arunki, z których wychodzimy przy rozwiązywaniu pro blemu, nie będą ulegać zmiamom, c) podejmowanie decyzji na podstawie m ateriałów analitycznych przygotowanych w sposób przedsta wiony wyżej chroni zarządzającego przed szkodli wym w oluntaryzm em lub zwykłym optymizmem; również przy tzw. decyzjach pow tarzalnych potrzeb ne byłoby stosowanie odpowiednich metod anali tycznych. Wśród warunków stosowania m atem atycznych technik zarządzania w praktyce wymienia się często — i słusz nie — konieczność dysponowania właściwymi, obiek tyw nym i inform acjami oraz systemami przetwarzania 24
inform acji szybko, w odpowiednich term inach i nie wielkim kosztem. Zapewnienie tego rodzaju „możli wości inform acyjnych” napotyka różnorodne przeszko dy n atu ry psychologicznej (motywacja) i techniczno-organizacyjnej (organizacja zbierania i obiegu infor macji). Jest jednak uzasadnione twierdzenie, że — ogólnie rzecz ujm ując — optymalizacja decyzji gospo darczych za pomocą metod matem atycznych jest efek tyw na dopiero w w arunkach dostatecznej inform atyza cji gospodarki narodowej. Oznacza to właściwy obieg 'informacji w układzie funkcjonalnym gospodarki naro dowej, który jest niemożliwy bez odpowiedniej ilości środków autom atyzacji przetw arzania inform acji i uporządkowania źródeł informacji. Jak wiadomo, pro ces inform atyzacji naszej gospodarki narodowej został zapoczątkowany dopiero przed niewielu laty. ♦Przystą pienie do projektow ania i budowy Systemu Państw o wej Inform acji Statystycznej (SPIS) i innych rządo wych systemów inform atycznych zapowiada korzystną zmianę dotychczasowej sytuacji.
Ł
Algebra m acierzy Symbol: 1-BA Klasa trudności: I Klasa zastosowań: pi, op, k
Z asto so w an ie m etody (ro zw ią zy w a n e problem y)
Słowo „macierz” oznacza tyle samo co „porządek”, „uporządkowanie”. Zostało ono zdefiniowane na po czątku XIX wieku w pracach angielskich m atem aty ków — W. R. Hamiltona i J. J. Sylwestra. W ykorzystanie algebry macierzy w przygotowaniu decyzji d planowaniu ma już ponad pięćdziesięcioletnią tradycję. Po raz pierwszy zastosowaino ją do m iędzygałęziowego badania produkcji i podziału produktu społecznego w sporządzonym przez C entralny Urząd Statystyczny bilansie gospodarki narodowej ZSRR dla lat 1923/24. Opublikowane w 1926 r. m ateriały na ten tem at obejmowały bilanse naturalne 38 wyrobów prze mysłowych i rolniczych oraz tablice wartościowe za w ierające bilans produkcji i jej podziału w przekroju gałęziowym, bilanse mocy produkcyjnych i nakładów inwestycyjnych (w budownictwie), charakterystykę do chodu narodowego oraz macierz międzygałęziowego obrotu środkami produkcji w przemyśle. Mimo że for ma bilansu dla lat 1923/24 odbiegała od obecnie przy jętej, znacznie ułatw iającej czynności obliczeniowe, to zaw ierał on wszystkie dane niezbędne do przedstawie
n ia go w postaci matematycznego modelu macierzo wego. Uczeni radzieccy sformułowali w następnych latach podstawowe zasady m etodyczne badania powią zań międzygałęziowych i proporcji charakteryzujących gospodarkę narodową, opracowali sposoby ujęcia w uni w ersalnej . „tablicy .ekonomicznej” procesu produkcji i podziału produktu społecznego oraz określili istotę i znaczenie współczynników bezpośrednich nakładów m aterialnych. W latach trzydziestych pod kierownictwem W. Leontiefa prowadzono w Stanach Zjednoczonych teoretycz ne i praktyczne badania w dziedzinie modeli między gałęziowych. Zyskały one rozgłos pod nazwą analizy nakładów i w yników (input-output analysis).
Opis, schem at m etody
Jeżeli danych jest m X n wielkości a{j (liczb), uporząd kowanych według prostokątnego schem atu w ten spo sób, że wielkość atj znajduje się w i-tym wierszu i j-tej kolumnie, to takie uporządkowanie wielkości atj okre ślamy mianem macierzy i oznaczamy:
[aa] = A =
au a 2i
a l2
a ln
&22
®2n
Jhnl
a m2
...
^mn
Poszczególne wielkości atj nazywamy elementami ma cierzy. Dla operami rachunkow ych przeprowadzanych na macierzach duże znaczenie m ają liczby m wierszy i n kolumn macierzy, stanowiące jej charakterystykę. Na przykład przy m = n mówimy o macierzy kwadratowej stopnia n. 27
Dla każdej macierzy [a^] można skonstruować macierz transponowaoią do niej, czyli macierz [a#]: On
a 2i
^ln
®ml Otn2
(2)
&mn
Macierz, w której poszczególne elem enty uporządkowa ne są w postaci jednej kolum ny o m składowych, okre ślamy mianem m-wymiarowego wektora kolumnowego i oznaczamy:
b2 b =
(3)
Może to być j-ta kolumna macierzy i.w tedy dany wek tor kolumnowy oznaczamy jako [b*] = b*. Natomiast macierz, której poszczególne elem enty uporządkowane są w postaci jednego wiersza o n składowych, okre ślam y mianem n-wymiarowego wektora wierszowego i oznaczamy: c' = [C i c2 . . . C„].
(4)
Jeżeli jest to ż-ty wiersz macierzy, to dany w ektor wierszowy możemy oznaczyć jako [c/] = c/. Macierz kwadratową, której wszystkie elem enty a{j po za główną przekątną (i =£ j) są równe zero, nazywamy macierzą diagonalną. Elementy niezerowe macierzy diagonalnej mogą przyjmować różne wartości. Jeżeli wszystkie elementy niezerowe macierzy diagonalnej m ają wartość 1, czyli:
o o
0 1 O
o o 1
o o
0
0
0
1
1
1=
0“
(5)
to mówimy o macierzy jednostkowej. W yznacznik kwadratowej macierzy A, oznaczany jako I A | lub det A, to pew na liczba związana z tą macierzą kwadratową. Liczbę tę otrzym ujem y, ogólnie biorąc, przy zastosowaniu tzw. rozwinięcia Laplace’a, a mia nowicie: — przy rozwinięciu w edług i-tego wiersza: M I = a411
| + Oł2 1ilł2 | + . . . + Oin | Ałn | (i = 1 , 2 , . . . , n),
W
— przy rozwinięciu w edług j-tej kolumny: *1 A | = au | A\j | + a%) | Azj 1 4 " . . . 4 " anj | A nj | (j = 1, 2, . . . , n),
(?)
gdzie wyrażenie: a ii a u . . . ^i,*-i tti^+i . . . aln
t
®nl On2 • • • a n,j—1 a n,j+1 • • • ®nn
29
określane mianem dopełnieniar algebraicznego | A {j |, pow staje w w yniku pomnożenia przez znak plus lub m inus — w zależności od tego, jaka będzie wartość w yrażenia (—1)*+* — podwyznacznika Dtj, odpowiada jącego elementowi atj i otrzymanego z wyznacznika danej macierzy kw adratow ej stopnia n przez w ykreśle nie ż-tego wiersza oraz j-tej kolumny; widać to w y raźnie po praw ej stronie rów nania (8). W ykorzystując wprowadzone określenia wyznacznika i dopełnienia algebraicznego można zdefiniować dalsze pojęcia: 1) rządem macierzy A nazywam y stopień największej macierzy kw adratow ej zawartej w A, której w y znacznik jest różny od zera, 2) nieosobliwa macierz kwadratowa A to macierz, któ rej wyznacznik jest różny od zera. Jeżeli natomiast wyznacznik | A | = 0, to daną macierz kwadratową nazywam y macierzą osobliwą, 3) macierzą odwrotną nieosobliwej kw adratow ej m a cierzy A nazywamy taką macierz A-1, dla której: A -i =
.
(9)
IA | Dla każdej nieosobliwej macierzy A istnieje jedna i tylko jedna macierz odw rotna A-1 spełniająca relację: A A -i = A-1 A = 1.
(10)
Macierze osobliwe nie m ają macierzy odwrotnych, ze względu na | A j = 0. Mnożenie dwóch macierzy A i B jest określone (mo żliwe) tylko wtedy, gdy liczba kolumn macierzy A jest rów na liczbie wierszy macierzy B. W yjaśnia to tzw. schemat Falka [2] przedstawiony na rysunku 1. .30
Rysunek 1 S chem at Falka mnożenia macierzy przez macierz
P* =
M, m 2 M3 m 4 M5 m 6 m 7 m 8 m 9 M10 Mn Mn Mi Ci
0 10 0
C2 0 10
0 5
5 0
0 10 0 10
0 5
5 0
0 10 10
0
10
0 10
0
4. Z tablicy 2, po uwzględnieniu postaci macierzy C zapisanej w tablicy 3, możemy obliczyć podział nakła dów pracy według stanowisk Ri—R5 w poszczególnych jednostkach cyklu (tablica 5). Liczby zawarte w tabli cy 5 oznaczymy jako macierz C*. Za pomocą prostej operacji mnożenia macierzy przez macierz: C* p* — t (13) możemy obliczyć obciążenie poszczególnych stanowisk i?i— R 5 w 1980 r. w związku z produkcją wyrobu Pi (zob. tablica 6). 34
Tablica 5 Rl Rz
r3 s r4
Rs
2 2 15 0 7
2 6 5 6 0
26
19
T ab lica 6
Mie siące
M, m 2 m 3 m 4 m 5 m 6 m 7 m 8 m 9 m 19 Mn m 12
Mi
Ri
10 20 20 10
10
20
20 10
10
10
20
10
190
r2
10 60 20 30
10
60
20 30
10
60
20
60
390
r3
75 50 150 25
75
50 150 25
75
50 150
50
925
0 30
0
60
0 70 0
35
0
r4
r5
Z
0 60 35
0 30
0
60
0
60
300
0
35
0
70
0
315
70
130 190 260 95 130 190 260 95 130 180 260 180 2120
Analiza p rzep ływ ó w m iędzygałęziow ych Symbol: 2 - BA Klasa trudności: I Klasa zastosowań: pr, pl, k
Z asto so w an ie m etody (ro zw iązyw an e problem y)
Za pomocą tej metody można opisywać i badać nie tylko przepływy dóbr między gałęziami gospodarki n a rodowej, ale także między poszczególnymi branżami, podbranżami i grupam i wyrobów oraz jednostkam i’ organizacyjnymi gospodarki narodowej: zakładami pro dukcyjnymi, przedsiębiorstwami, kombinatami, zjedno czeniami, resortam i itp. Metoda była początkowo sto sowana głównie ex post przez urzędy statystyczne różnych krajów. W ostatnim dwudziestoleciu wyko rzystyw ana jest także do programowania i planowania działania. Opis, schem at m etody
Analiza nakładów i wyników stosowana do opisu i ba dania problemów zarządzania w skali gospodarki naro dowej nazywana jest analizą przepływów międzygałęziowyćh. Przedstawiam y poniżej najprostszy w ariant metody analizy przepływów międzygałęziowych. 1. Załóżmy, że gospodarka narodowa dzieli się na n gałęzi i-tych (i = 1, 2, . . . , n), z których każda w ytw a36
rza pewną produkcję globalną X t. Produkcja globalna X* dzieli się na: — produkcję końcową (i = 1, 2, . . ri) przeznaczoną na cele nieprodukcyjne, np. spożycie indywidualne i społeczne, wzrost zapasów, inwestycje itp., — bieżące spożycie produkcyjne w n gałęziach j-tych (j = 1, 2, ..., ti), oznaczone jako x xj (i, j = 1, 2, ..., n). Związki między wielkościami X i} y i oraz xi3- wyrażają równania: Xi = x n + x 12 -f .. . + x ln + y\ X 2 = ^21 4“ ^22 4“ . • . X 2n + y Xn
.
x n±H- x n 2 "ł- . . . "ł~ x nn ~ł~ y n
2. Jak widać z układu rów nań (1), w analizie przepły wów międzygałęzionych zakładamy proporcjonalną (li niową) zależność między bieżącym spożyciem produk cyjnym (x^ ) i produkcją globalną poszczególnych ga łęzi (X t). Związek ten wyraża się za pomocą współ czynników technicznych ali} będących współczynnikami nakładów bezpośrednich: (2).
Xj
z czego wynika: (3)
Xii = Qri]Xj.'
Po podstawieniu do praw ej strony rów nań z układu (1) wartości x ij z wzoru (3) i odpowiednim przekształceniu formalnym układu rów nań (1) otrzymamy: (Xi o11X 1) a2iXj + (X2 dn\X-y
an2X2
a 12X 2 — . . . a22X 2) ... . . . *ł" (Xn
alnX n — y x a2nX n = y 2 flnnX n)
yn
Równania te można napisać również w następującej postaci: (1
dn)Xi (1
d\2^-2
•• •
^ 2 2 )^ 2
d 2 ^ X i "h
^n2-^2
...
n-^n •••
"h (1
nXn
ttnn)Xn
V\ ^/2
Vn
albo w symbolice macierzowej: ( I - A ) X = Y,
(6)
gdzie: (I - A) — macierz strukturalna, I — macierz jednostkowa stopnia n, Y — wektor produkcji końcowej o składowych y i (i = 1, 2, . .., n), A — macierz współczynników technicznych (i, j = 1, 2, . .., n), X — wektor produkcji globalnej o składowych Xt (i = 1, 2, ..., n). 3. Zależności (6) pozwalają określić wielkość i stru k tu rę produkcji końcowej Y na podstawie danych doty czących wielkości produkcji globalnej X i współczyn ników technicznych atj. I odwrotnie: znając wielkość produkcji końcowej Y oraz współczynniki dxj możemy obliczyć wielkość produkcji globalnej X — w ykorzy stując przekształcony nieco wzór (6): X = (I - A)-1 Y,
(7)
gdzie: (I — A)-1 — macierz odwotna do macierzy stru k tu ral nej (I — A), stanowiąca macierz współ czynników pełnego, czyli „ciągnionego” nakładu, które uwzględniają nakłady bez pośrednie i pośrednie wszystkich gałęzi. 38
^
Analizę przepływów międzygałęziowych na podstawie wzorów (6) i (7) można prowadzić zarówno w jednostkach fizycznych, jak też w jednostkach pieniężnych. E fe k ty w n o ś ć i ko szty m etody
Analiza przepływów międzygałęziowych sprawdziła się już wielokrotnie w przeszłości jako wartościowe na rzędzie opisu i badania problemów zarządzania, zarów no na etapie programowania i planowania, jak też kon troli i oceny efektów działania. Kilkadziesiąt lat tem u najbardziej kosztowną opeiracją obliczeniową było od wracanie macierzy strukturalnej (I — A) do postaci (I — A)-1. Współczesne kom putery wyposażone są w tzw. biblioteczne program y odwracania macierzy i w ykonują tę operację obliczeniową stosunkowo szyb ko i tanio, nawet gdy stopień macierzy n jest duży. Metoda wymaga istnienia odpowiednio dużych zbiorów danych liczbowych (wartości współczynników a^). Sposób nauczania lub posług iw an ia się m etod ą
Jak w przypadku analizy strukturalnej.
LITERATURA
[1] Antosik K., Doświadczenia Głównego Urzędu Statystycznego w dziedzinie opracowywania bilansów przepływów między gałęziowych, referat na VIII Międzynarodowe Sympozjum Gospodarki Materiałowej, Warszawa 1973. [2] Czechowski T., Wstęp matematyczny do analizy przepływów międzygałęziowych, PWE, Warszawa 1958. [3] Czerwiński Z., Matematyka na usługach ekonomii, wyd. 4, PWN, Warszawa 1977, rozdział 3.1. [4] Sulmicki P., Przepływy między gałęziowe, PWG, Warszawa 1959.
39
Przykład zastosow ania m etody
Doświadczenie Głównego Urzędu Statystycznego w dziedżinie wykorzystania analizy przepływów międzygałę ziowych na szczeblu całej gospodarki narodowej (w po staci tzw. bilansów przepływów międzygałęziowych) opisuje K. Antosik [1]. 1. Bilans przepływów międzygałęziowych jako rozwi nięta forma bilansu tworzenia i podziału produktu globalnego i dochodu narodowego: — pozwala na szczegółową charakterystykę rzeczywi stego procesu rozszerzonej reprodukcji socjalistycz nej, przedstawia podstawowe proporcje ekonomiczne i międzygałęziowe współzależności występujące w gospodarce narodowej oraz umożliwia analizę po niesionych nakładów i osiągniętych wyników, — stanowi ważne narzędzie doskonalenia i rozwoju metodologii planowania gospodarki narodowej oraz stw arza szerokie możliwości zastosowania w plano waniu współczesnych metod matem atycznych i elek tronicznej techniki obliczeniowej, — wpływ a na doskonalenie i rozwój sprawozdawczości i statystyki ekonomicznej. 2. W Polsce zostały wypracowane dwa rodzaje badań przepływów międzygałęziowych. Pierw szy z nich po lega na przeprowadzeniu co kilka lat jednorazowego, 'specjalnego badania przepływów międzygałęziowych, umożliwiającego zestawienie szczegółowego bilansu przepływów międzygałęziowych. Natom iast drugi ro dzaj badań polega na opracowywaniu bilansów prze pływów międzygałęziowych o ograniczonej szczegóło wości na podstawie bieżącej sprawozdawczości, niektó rych materiałów badań jednorazowych i opracowań ekspertów. 3. Model bilansu ma formę szachownicy. W główce tablicy zastosowano klasyfikację podmiotową (na pod 40
t
stawie Klasyfikacji Gospodarki Narodowej), a w bocz ku tablicy — klasyfikację przedmiotową (opartą na System atycznym Wykazie W yrobów, Klasyfikacji Usług i Klasyfikacji Obiektów Budowlanych). W w yniku ta kich ustaleń przepływ x lJ oznacza zużycie dobra ma terialnego pochodzącego z gałęzi i-tej przez przedsię biorstwa zaliczane do gałęzi j-tej, a nie zużycie dobra i-tego na wyprodukowanie dobra j-tego. 4. W bilansie można wyróżnić cztery podstawowe czę ści. Część I przedstawia tzw. bieżące przepływ y dóbr ma terialnych pochodzenia krajowego i zagranicznego w ram ach sfery produkcji m aterialnej. Część II ujm uje przepływy dóbr m aterialnych związa ne z zaspokojeniem popytu końcowego (spożycie przez ludność dóbr m aterialnych z dochodów osobistych, spożycie pozostałe, nakłady na inwestycje zwiększające wartości środków trw ałych i rem onty kapitalne, zmia ny w stanach zapasów rzeczowych środków obrotowych i rezerw oraz eksport). Część III zawiera dane o tworzeniu produktu global nego (wielkość nakładów pracy uprzedmiotowionej ogółem i nakładów pracy żywej w poszczególnych ga łęziach produkcji m aterialnej) oraz dane o podziale pierwotnym produkcji czystej (dochodu narodowego). Część IV przeznaczona jest na inform acje o w tórnym podziale dochodu narodowego. Część ta nie jest wy pełniana. 5. Dane liczbowe zawarte w bilansie przepływów mię dzygałęziowych wyceniane są według faktycznych, bie żących cen istniejących w danym roku. Ze względu na sposób wyceny danych opracowywane są dwa wa rianty bilansu przepływów międzygałęziowych. Wariant I ujm uje dane w cenach *płaconych przez ostatecznych odbiorców. Dotyczą one zarówno dóbr 41
wyprodukowanych w kraju, jak i pochodzących z im portu. Wariant II zawiera dane w cenach uzyskiwanych przez producentów. Również i w tym przypadku obejmują one dobra wyprodukowane w kraju i pochodzące z im portu. Przepływ wi} (wariant I) różni się od przepływu x tj (w ariant II) o wartość m arży mł3- zrealizowanej na do stawach dóbr m aterialnych wyprodukowanych w ga łęzi i-tej bądź pochodzących z im portu „uzupełniają cego” produkcję tej gałęzi, a zużytych przez gałąź j-tą. Dobra m aterialne pochodzące z im portu zestawiane są w formie tablicy szachownicowej, opracowywanej w e dług tych samych zasad klasyfikacyjnych, co bilans przypływów międzygałęziowych. Dane o podziale wartości usług m aterialnych wykazy w ane są w odpowiednich wierszach bilansu przepły wów międzygałęziowych, najczęściej łącznie z danymi 0 podziale wartości wyrobów. 6. Bilans przepływów międzygałęziowych w gospodar ce narodowej Polski dla 1971 r. opracowano w ukła dzie 40 X 40 gałęzi w następujących wariantach: — w cenach płaconych przez ostatecznych odbiorców w w ersji bez wydzielania przepływów dóbr m ate rialnych pochodzących z importu, — w cenach uzyskiwanych przez producentów w w er sji bez wydzielania przepływów dóbr m aterialnych pochodzących z importu, — w cenach uzyskiwanych przez producentów w w er sji z wydzieleniem przepływów dóbr materialnych pochodzących z importu. Bilans uzupełniają szachownicowe tablice im portu 1 m arży oraz dane dotyczące m ajątku trwałego, m ająt ku obrotowego i zatrudnienia. 7. Opracowywany jest także bilans przepływów mię42
dzygałęziowych uwzględniający układ organizacyjny. Można w nim wyróżnić pięć części. Część I ujm uje na głównej przekątnej produkcję glo balną, im port i marżę. Część II przedstawia działy sfery produkcji m aterial nej, w ram ach działów — ważniejsze resorty, a w ra mach resortów — ważniejsze gałęzie. Część III jest taka sama jak w norm alnym bilansie przepływów międzygałęziowych, tj. zawiera popyt koń cowy (spożycie przez ludność dóbr m aterialnych z do chodów osobistych, pozostałe spożycie, nakłady inwe stycyjne zwiększające wartość środków trw ałych i n a kłady na rem onty kapitalne, zmiany w stanach zapa sów rzeczowych środków obrotowych i rezerw oraz eksport). Część IV prezentuje działy sfery produkcji m aterialnej, w ram ach działów — ważniejsze resorty, a w ram ach resortów — ważniejsze gałęzie; ma więc taki sam układ jak część II. Część V ujm uje na głównej przekątnej produkcję glo balną. Ponadto w bilansie wykazywane są dane doty czące importu, m ajątku trwałego i zawodowo czynnych. Dobra m aterialne pochodzące z im portu przedstawiono w takim układzie, jak w bilansie, ale tylko w odnie sieniu do części I, II i III. f
Analiza strukturalna Symbol: 3-BA Klasa trudności: II Klasa zastosowań: pr, pl, k
* Z asto so w an ie m etody (ro zw iązyw an e pro b lem y)
Analiza strukturalna może być efektywnie stosowana do rozwiązywania deterministycznych problemów za rządzania na etapie programowania i planowania, a także kontroli i oceny. W tym ostatnim przypadku za pomocą tej metody można obliczyć i ocenić rzeczy w isty wpływ (ciągnione konsekwencje) poszczególnych czynników produkcji na jej ostateczne efekty. O pis, sch em at m etody
Analiza nakładów i wyników przybiera różne nazwy v/ zależności od dziedziny zastosowań. W przypadku gdy za jej pomocą opisuje się strukturę pewnych ukła dów lub procesów, nosi ona nazwę analizy stru ktu ralnej. Analizę strukturalną przeprowadza się na podstawie drzewa nakładów, które pomaga określić całkowite nakłady jednego rodzaju na jednostkę produkcji dru giego. rodzaju przez zsumowanie jednostkowych nakła dów bezpośrednich ii nakładów pośrednich wszystkich ■rzędów (rysunek 1). 44
Rysunek 1 Schem at nakładów bezpośrednich i pośrednich energii elektrycznej na produkcję maszyn
(naWady pośrednie I I I rzędu)
(nakłody pośrednie II rzędu)
(nokłaęly pośrednie I rzędu)
(nakłady bezpośrednie)
(produkcja maszyn w tonoch)
Pn
*01
Pi
Sumowanie takie dokonywane metodami tradycyjnym i jest kłopotliwe i pracochłonne, gdy obejmuje wiele rodzajów produkcji i nakładów. Stosunkowo proste drzewo nakładów rozrasta się (wydłuża i rozgałęzia) w sposób nie ograniczony. Z drugiej jednak strony sumowanie tego rodzaju jest niezbędne zarówno w po szczególnych przedsiębiorstwach, jak i całej gospodarce narodowej, pozwala bowiem na opracowywanie planów zbilansowanych i w ewnętrznie zgodnych. Zastosowanie analizy strukturalnej upraszcza, ułatwia i przyspiesza niezbędne obliczenia, co chcemy pokazać na przykła dzie wziętym z przedsiębiorstwa przemysłowego. 1. Załóżmy, że między produktam i poszczególnych faz procesu technologicznego zachodzą powiązania przed stawione na rysunku 2, odzwierciedlające strukturę produkcji pewnego przedsiębiorstwa [2]: — w fazie I wytw arzane są części (detale) 1—4, — w fazie II z części-tych montowane są zespoły kon strukcyjne 5, 8 i 7, — w fazie III z poszczególnych zespołów i części mon tuje się wyroby gotowe 8, 9 i 10. 2. Macierz D tzw. współczynników bezpośredniego zużycia, przedstawiona w postaci tablicy 1, charakte 45
ryzuje ilościowo powiązania między produktam i po szczególnych faz procesu technologicznego. Na przy kład można z niej odczytać, że: Rysunek 2 Drzewo powiązań wyrobów i ich ele mentów składowych Części Zespoły konstrukcyjne Wyroby gotowe
— część 1 wchodzi bezpośrecłnio do zespołu 5 w ilości 1 szt., do zespołu 6 w ilości 1 szt. oraz do wyrobu gotowego 8 w ilości 2 szt.; — część 2 wchodzi bezpośrednio do zespołu 5 w ilości 2 szt. oraz do zespołu 7 w ilości 1 szt. T a b lic a 1 M a cie rz w sp ó łc zy n n ik ó w b e z p o ś r e d n ie g o z u i y c i a
Produkty | 1
2
3
4
5
6
7
8 9
10
1 2 3 4
0 U 0 0
0 0 0 0
0 0 0 0
0 0 0 0
1 2 0 0
1 0 1 0'
0 1 2 1
2 0 0 0
0 0 0 0
0 0 0 1
5 6 7
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
1 0 1
1 1 0
2 0 1
8 9 10
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
3. Jeżeli teraz macierz D odejmiemy od macierzy jed nostkowej I, tego samego stopnia co macierz D, to otrzym am y tzw. macierz strukturalną (I — D). 46
t
Macierz odwrotna 1 do macierzy (I — D), czyli macierz (l — D)-1, przedstawiona w tablicy 2, zawiera współ czynniki pełnego (ciągnionego) zużycia produktów po szczególnych faz technologicznych. Na przykład z tab licy 2 możemy odczytać, że do wyrobu gotowego 10 zużywa się 2 szt. części 1, 5 szt. części 2, 2 szt. części 3, 2 szt. części 4, 2 szt. zespołu 5 itp. T a b lic a 2 M a c ie rz w sp ó łc zy n n ik ó w ( c iq g n io n e g o ) z u ż y c i a ^
p e łn e g o
1
2
3
4
5
C
7
8
9
10
1 2 3 4
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
1 2 0 0
1 0 1 0
0 1 2 1
3 3 2 1
2 2 1 0
2 5 2 2
5 6 7
0 0 0
0 0 0
0 0 0
0 0 0
1 0 0
0 1 0
0 0 1
1 0 1
1 1 0
2 0 1
8 9 10
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
1 0 0
0 1 0
0 0 1
Korzyści z dysponowania macierzą (I D)-1 mogą być wielorakie: — po pomnożeniu jej praw ostronnie przez kolumno wy wektor produkcji sprzedawanej na zewnątrz przedsiębiorstwa uzyskam y w ektor tzw. produkcji globalnej, zawierający liczby sztuk wszystkich pro duktów poszczególnych faz procesu technologicz nego, — po pomnożeniu tego wektora lewostronnie przez wierszowy w ektor kosztów jednostkowych otrzy m amy wartość kosztów własnych produkcji itp. * Jedną z metod odwracania macierzy omówiono w pracy [3J.
47
E fe k ty w n o ś ć i ko szty m etody
W szystkie obliczenia konieczne do przeprowadzenia 1 analizy strukturalnej wykonywane są za pomocą kom putera szybko i tanio. Odpowiednie dane liczbowe z re guły zawarte są w dokumentacji techniczno-produk cyjnej i ekonomicznej przedsiębiorstwa. Sposób nauczania lub po sług iw ania się m eto dą
Znajomość różnych algorytmów odwracania macierzy nie jest , potrze,bna do matematycznego modelowania problemów zarządzania opisywanych i badanych za pomocą analizy strukturalnej, konieczna jest natomiast bardzo dobra orientacja w m erytorycznych (np. tech niczno-ekonomicznych) aspektach rozwiązywanych pro blemów. Podstawy algebry macierzy można sobie przy swoić w trakcie nauki w szkole średniej.
LITERATURA
[1] Czerwiński Z., Matematyka na usługach ekonomii, wyd. 4, PWN, Warszawa 1977, rozdział 3.1. [2] Matrizen und elektronische Rechenautomaten bei der Planung in Industriebetrieben, Zentralinstitut fur Automatisierung, Drezno 1964. [31 Radzikowski W., Metody matematyczne i statystyczne w przedsiębiorstwie, wyd. 2, PWE, Warszawa 1976, roz dział 8. [4] Tieriechow L., Metody ekonomiczno-matematyczne, PWE* Warszawa 1970, rozdziały I i II.
Badania operacyjne Symbol: 4 - BI Klasa trudności: II Klasa zastosowań: pp, pr, pl, op, k
Z asto so w an ie m eto dy (ro zw ią zy w a n e p roblem y) /
Badania operacyjne służą do rozwiązywania problemów zarządzania przede wszystkim w losowych, niepewnych i konfliktowych 1 sytuacjach decyzyjnych, kiedy to nie jest rzeczą łatw ą właściwie określić: — dane zjawisko, gdyż w przedsiębiorstwie istnieje wiele zjawisk i wielkości, których nie można od razu i po prostu ustalić (np. wielkości nierówno miernie w ystępujące w czasie czy powtarzające się periodycznie), — ciężar gatunkowy poszczególnych zjawisk, a więc ich rolę i znaczenie. Zastosowanie badań operacyjnych pozwala na możliwie najbardziej obiektywne odzwierciedlenie zachodzących w przedsiębiorstwie procesów i zjawisk, dzięki czemu stw arza obiektywne przesłanki podejmowania decyzji. W zasadzie większość problemów zarządzania można by próbować rozwiązywać metodam i badań operacyjnych. 1 Z tego względu w badaniach operacyjnych częściej wykorzystuje się metody statystyczne i rachunek prawdopodobieństwa, m etody progra mowania stochastycznego, stochastyczne metody sieciowe, teorię gier, metody sym ulacyjne itp., rzadziej natomiast metody optymalizacyjne programowania matematycznego (np. programowanie liniowe). 4 Matematyczne techniki zarządzania
49
W praktyce ustaliły się jednak pewne typow e dziedziny ich zastosowania. Badania operacyjne na ogół klasyfikuje się według po niższych typów modeli matematycznych: — model zapasów („ile” i „kiedy” produkować, kupo wać, magazynować itp.), — model alokacji, czyli rozmieszczenia („czego”, „ile” i „gdzie” produkować, przewozić itp.), — model oczekiwania (długość kolejek, harmonogramy przybyć, obsługa maszyn itp.), — model marszruty (transportowy) („w jaki sposób” najlepiej i najtaniej można „odwiedzić” kilka m iej scowości i wrócić do punktu wyjściowego), — model renowacji, czyli odnowienia („kiedy” wymie nić stare urządzenia na nowe itp.), — model konkurencji (najlepsza polityka zakupów i sprzedaży, rozmieszczenie produkcji w warunkach konkurencji itp.), albo też według dziedzin zastosowania, np.: a) obliczenie norm atywów wielkości odpadów w pro cesie produkcji na podstawie danych o rozmiarach odpadów produkcyjnych w okresie ubiegłym, b>) ustalenie najbardziej ekonomicznych metod staty stycznej kontroli jakości, c) określenie liczby inżynierów — organizatorów pro dukcji potrzebnych do wykonania projektowanego rozm iaru prac, d) operatywne kierowanie produkcją, kontrola i regu lowanie wielkości środków materiałowo-technicz nych, a mianowicie: — obliczenie obciążenia urządzeń zapewniającego ich pełne wykorzystanie, — określenie zapotrzebowania na produkowane w y roby na podstawie wyrywkowego badania zbytu, — kontrola zamówień (zleceń) na wykonywane de tale w celu ustalenia najmniejszych rozmiarów 50
zapasów niezbędnych do normalnego przebiegu procesu produkcji, — rozstrzyganie problemu celowości tworzenia za pasu produkcji w toku, stosowania pracy w go dzinach nadliczbowych lub wprowadzenia dodat kowej zmiany, — opracowanie planów zapewniających minim alne koszty produkcji, e) rem ont maszyn i urządzeń produkcyjnych, a więc określenie: — najbardziej ekonomicznego kosztorysu wykona nia zapobiegawczego rem ontu urządzeń, — ekonomicznie uzasadnionego stosunku liczbowego personelu remontowego do liczby urządzeń, — dostatecznie wczesne terminów zakończenia mon tażu lamp elektronowych, maszyn itp., — liczby części zam iennych w magazynie niezbęd nej do zapewnienia normalnego i ekonomicznego procesu produkcji. Opis, schem at m etody
Określenie badania operacyjne jest dosłownym tłum a czeniem angielskiego pojęcia Operutions Research. Naj lepiej byłoby przetłumaczyć je jako analiza operacji, chodzi bowiem o analizę i dokładne określenie (za po mocą metod matematycznych) zjawisk i procesów za chodzących w przedsiębiorstwie. Badania operacyjne m ają wybitnie wojskowy rodowód. W czasie drugiej w ojny światowej przy niektórych sztabach alianckich sił zbrojnych utworzono specjalne grupy zajmujące się badaniem operacji wojennych, np. niszczenia okrętów podwodnych przeciwnika, ochrony konwojów okrętów, obrony przeciwlotniczej. Na pod 51
staw ie badania doświadczeń nagromadzonych w toku działań wojennych i ich naukowej analizy grupy te dawały wskazówki co do odpowiedniego rozmieszcze nia sił i środków oraz wyboru najbardziej efektywnych metod prowadzenia operacji. Istota badań operacyjnych polega na gromadzeniu (za pomocą obserwacji lub badań) liczbowych m ateria łów inform acyjnych o pracach ważnych dla przedsię biorstwa i na tej podstawie szukaniu takich organiza cyjnych rozwiązań, które pozwolą osiągnąć w ynik optymalnie odpowiadający wybranem u kryterium. W tym celu stosuje się analizę matematyczną, szuka podstawowych zasad prowadzenia działań i dochodzi do wniosków o prawdopodobnych wynikach różnorod nych działań. Wnioski końcowe m ają najczęściej formę alternatywną, zamiast jednego „właściwego” wyniku końcowego. Metoda ta jest stosowana z największym pożytkiem przy problemach kom pleksowych, w których trzeba uwzględnić wiele czynników, a części składowe problemu można w sposób kw antytatyw ny mierzyć i opisać.
E fe k ty w n o ś ć i koszty m etody
W arunkiem uzyskania optym alnych rozwiązań i m aksy m alnych korzyści jest rozpatrywanie i rozwiązywanie zagadnień ekonomiczno-organizacyjnych w ujęciu mo żliwie najbardziej kompleksowym. Inaczej zdarzyć się może, że wprawdzie w jednej części przedsiębiorstwa osiągnie się zysk, ale w innej powstaną straty prze wyższające zysk. Koszty stosowania badań operacyj nych trudno nieraz określić. Są one jednak z reguły wysokie ze względu na indywidualne rozważanie każ dego problemu zarządzania w unikalnych, zwykle nie pow tarzalnych w arunkach. 52
Sposób nauczania lub posługiwania się metodą Stosowanie badań operacyjnych jest z natu ry rzeczy wynikiem pracy zespołu specjalistów o różnorodnej wiedzy i doświadczeniu zawodowym. Badania przepro wadza się zawsze w konkretnym przedsiębiorstwie, zjednoczeniu itp. Zespoły robocze badań operacyjnych muszę więc ustosunkować się do istniejącej sytuacji, która jest dziełem ludzi zatrudnionych w tych jednost kach organizacyjnych. Niestety, często ułożenie współ pracy między członkami zespołów przeprowadzających badania a pracownikami jest trudne. Kłopoty zaczynają się czasem jeszcze przed rozpoczęciem badań, a niekie dy już po ich zakończeniu. Bardzo często trudno roz poznać, co jest przyczyną powstałej sytuacji konflik towej, a co jej skutkiem. W arto więc pam iętać o pew nych zasadach współpracy z ludźmi, które obowiązują członków zespołów roboczych badań operacyjnych. 1. Należy upewnić się, czy proponowane usprawnienia organizacyjno-techniczne nie wywołują niekorzystnych w tórnych efektów emocjonalnych u pracowników ba danych jednostek organizacyjnych, co mogłoby zniwe czyć całą wartość i użyteczność tych usprawnień. Duże znaczenie ma wyprzedzająca działalność wyjaśniająca i m otywacyjna kierownictwa badanych jednostek orga nizacyjnych, która powinna zapobiegać powstawaniu niedomówień i nieporozumień wśród załogi. 2. Członkowie zespołów roboczych badań operacyjnych nie powinni zachowywać się jak kontrolerzy. lub pro kuratorzy. Wiadomo przecież powszechnie, jak duże obawy i opory załóg wzbudza wszystko, co w najm niej szym naw et stopniu przypom ina kontrolę. 3. Nie wolno członkom zespołów roboczych badań ope racyjnych nadużywać terminologii m atem atycznej lub informatycznej, czy też stosować żargonu niezrozumia łego dla „zwykłego człowieka” — pod groźbą u traty 53
kontaktu i współpracy z załogami badanych jednostek organizacyjnych. 4. Warto, aby specjaliści od badań operacyjnych pa miętali, że stosowanie matematycznych symboli nie może być w żadnym przypadku dowodem tn!ieomylnego m yślenia i prawidłowości wniosków końcowych. 5. Nie wolno zapominać, że badania operacyjne są tylko narzędziem pomocniczym, a nie jeszcze jednym elementem systemu inakazów ,i zakazów, które i tak obowiązują zarządzającego.
LITERATURA
[1] Ambroziak T., Spratek L., Wiak M., Wybrane problemy i metody prognozowania, OBRI, Warszawa 1973. [2] Chorobiński A., Metoda P ATT ERN: programowanie i pla nowanie prac badawczych, „Przegląd Organizacji” 1973, nr 3. [3] Gottner R , Badania operacyjne. Oczekiwania i zastosowa nia, PWE, Warszawa 1975. [4] Kaufman A., Faure R., Badania operacyjne na co dzień, PWE, Warszawa 1969. [5] Proces decyzyjny, OBRI-INFORNA, Warszawa 1973. [6] Radzikowski W., Metody matematyczne i statystyczne w przedsiębiorstwie, wyd. 2, PWE, Warszawa 1976. [7] Sadowski W., Teoria podejmowania decyzji, wyd. 6, PWE, Warszawa 1976. [8] Trocki M., Ocena elementów w metodzie PATTERN, „Prze gląd Organizacji” 1973, nr 6.
Gromadzenie danych liczbowych W badaniach operacyjnych ważną rolę odgrywa zbie ranie danych liczbowych o procesach będących przed miotem analizy. Brak wiarygodnych, kompletnych in form acji utrudnia bowiem podejmowanie decyzji kie rownikowi przedsiębiorstwa. Jest więc rzeczą ważną wiedzieć, jak szybko można zdobyć właściwe i dosta 54
tecznie dokładne dane liczbowe o działalności przed siębiorstwa. W bardzo wielu przypadkach w ystarcza jąco dokładne dane liczbowe otrzym ujem y za pomocą badań wyryw kow ych. Zbędne jest wówczas sięganie do wyczerpujących badań statystycznych. Właściwe przeprowadzenie badań wyrywkowych jest sztuką, któ rej trzeba i można się nauczyć. Nie będziemy szcze gółowo omawiać w tym miejscu metody badań wy rywkowych, ale podamy kilka podstawowych wskazó wek. Przypuśćmy, że interesuje nas sprawa wykorzystania czasu pracy robotników. Nie musim y przeglądać wszy stkich np. 40 000 kart pracy z całego roku, lecz wy starczy w ybranie 4000 spośród nich. Próba musi być pobrana w taki sposób, aby jej struktura była dokład nie taka sama, jak wszystkich kart. Najwłaściwszym sposobem postępowania, który pozwala w maksymalnie możliwym stopniu uniknąć systematycznie pow tarzają cych się błędów badania wyrywkowego, jest przypad kow y wybór próbki. Dokładność badania wyrywkowego można znacznie zwiększyć przy tych samych kosztach, jeżeli przestrze ga się zasady rozwarstwienia materiału badanego: Na przykład badając geograficzny rozkład sprzedaży okre ślonego wyrobu konsumpcyjnego (np. radioodbiorni ków), musimy osobno rozpatrywać tereny wiejskie i m iasta (na wsi różnice w konsumpcji są mniejsze niż W mieście), aby wyciągnąć właściwe wnioski co do dal szej produkcji (i sprzedaży) tego wyrobu. W celu zwiększenia dokładności badania wyrywkowego przy tych samych kosztach można stosować wielostop niowe plany badania, np. do statystycznej kontroli ja kości wyrobów. Plany wielostopniowe polegają na tym, że w partii wyrobów pobiera się kolejno w kilku eta pach próbki o tej samej liczebności n. Zależnie od liczby wybrakowanych sztuk znalezionych w próbce 55
pierwszego stopnia albo uznaje się partię za złą lub dobrą, albo pobiera drugą próbkę. Jeżeli i teraz nie nastąpi rozstrzygnięcie, to pobiera się trzecią próbkę" itp. aż do rozstrzygnięcia. Budowę odpowiednich reguł wnioskowania o param et rach pewnej zbiorowości statystycznej na podstawie zbadania jej części zajmuje się dział statystyki zwany teorią estym a cji2 lub teorią szacowania. Podamy przy kład charakteryzujący zastosowanie tej teorii w prak tyce. Porównujem y dwa procesy technologiczne produkcji wyrobu P w celu rozstrzygnięcia, który z nich daje produkt lepszej jakości. Zakładamy, że każda sztuka wyrobu P może być albo dobra, albo zła, a jakość produktu określa udział sztuk złych w całej zbioro wości. Przeprowadzenie wyczerpujących badań staty stycznych jest w tym przypadku niemożliwe, gdyż trzeba było zbadać dwie zbiorowości statystyczne nie skończone, a mianowicie zbiory wszystkich jednostek produktu P otrzymanych-przy zastosowaniu technologii pierwszej i drugiej. Niezbędne jest więc przeprowa dzenie badań wyrywkowych, np. zbadania dwóch dziesięcioelementowych próbek: pierwszą może stanowić 10 kolejnych sztuk produktu P wykonanych za pomocą technologii pierwszej (Pi), drugą — 10 kolejnych sztuk produktu P wykonanych za pomocą technologii dru giej (P2). Wyniki badania wyrywkowego (w tym przy padku chodzi o wyniki produkcji próbnej) przedstawio no w tablicy 1. Analiza wyników wskazuje, że drugi proces technolo giczny daje produkt P o lepszej jakości (20% sztuk złych) niż pierwszy (30% sztuk złych). Tego rodzaju hipotezę statystyczną trzeba zweryfikować np. przez zwiększenie liczebności próbki. Należy również zauwa1 Teorię estymacji i jej zastosowania praktyczne omówiono w pracy [7]*.
56
T ablic Numer sztuki
1 2 3 4 5 6 7 8 9 10
Wy nik i b a d a ń p r o d u k ji p r ó b n e ! Jakość sztuki Pi
dobra dobra zła dobra dobra zła zła dobra dobra dobra
Udział złych sztuk P,
w % 0 0 33 25 20 33 43 38 33 30
Jakość sztuki P t
Udział złych sztuk Pf
f zła dobra dobra dobra dobra dobra dobra zła dobra dobra
w% 100 50 33 25 20 17 15 25 22 20
Źródło: [7].
żyć, że liczebność próbki nie może być zbyt mała. Na przykład ograniczając się do zbadania tylko dwóch sztuk w każdej z obu próbek, wyżej ocenilibyśmy pierwszy proces technologiczny (0% sztuk złych), co jak się później okazuje byłoby wnioskiem fałszy wym. Umiejętne stosowanie metody badań wyrywkowych pozwala na gromadzenie m ateriałów liczbowych dosta tecznie dokładnych do celów badań operacyjnych. Dys ponowanie kompletnym, wyczerpującym m ateriałem statystycznym (wiarygodna ewidencja) ma oczywiście zawsze duże znaczenie.
Posługiwanie się modelami matem atycznym i Na podstawie zebranego i opracowanego m ateriału licz bowego możemy zbudować model matematyczny, który będzie odpowiadać badanym procesom przedsiębior stwa. 57
K onstruując ten model musimy korzystać z pewnych schematów. Jak długo jednak model obejmuje istotną treść badanego procesu, tak długo świadczy wartościo we usługi — nawet gdy nie uwzględnia i nie oddaje wiernie wszystkich szczegółów procesu. Uzyskany w y nik będzie zawsze dokładniejszy niż stosowane przy podejmowaniu decyzji „przewidywanie” lub decydowa nie się na „wyczucie”. W wielu przypadkach zupełnie wystarczy posługiwanie się znanymi ze statystyki ma tematycznej najprostszymi rozkładami prawdopodo bieństwa. O zmiennej X mówimy, że ma rozkład nor m a lny, jeżeli jej gęstość prawdopodobieństwa f (a;) jest określona wzorem:
a y 2n
(x — m)2 2o2
( 1)
gdzie: exp (x) — funkcja ex, e — podstawa logarytmów naturalnych (e = 2,71828 . ..), m — średnia, o — odchylenie standardowe. Rozkład normalny można zastosować w następującym procesie. W jednej ze stalowni produkuje się belki sta lowe o długości 12 m. Do ich wytworzenia potrzebne są wlewki staliwne o możliwie jednakowym ciężarze, które następnie są rozwalcowywane. Długości powsta jących w ten sposób belek rozkładają się w sposób normalny. Praktycznie oznacza to, że dokładnie orien tujem y się w długościach poszczególnych jednostek tej zbiorowości, jeżeli znamy średnią długość i odchylenia standardowe. W ystarczy to do optymalnego zaplano wania (zorganizowania) danego procesu i jego reali zacji. Z normalnymi lub logarytmiczno-normalnymi rozkła 58
d a m i3 mamy do czynienia wtedy, kiedy jakaś wielkość stale się zmienia i jest mierzalna (jak długość owych belek). Często spotykamy się jednak w przedsiębior stwie z procesami, przy których może być mowa tylko o liczeniu, a nie mierzeniu. Również w tej dziedzinie statystyka matematyczna dysponuje pożytecznymi „na rzędziami pracy”. Francuski m atem atyk Poisson opracował w 1837 r. wzór na rozkład częstości występowania rzadkich zja wisk: P (x — r) = —-— e~ \ x !
(2 )
gdzie: / = n •p x — liczba realizacji zdarzenia losowego o prawdopo dobieństwie p, r — liczba całkowita nie mniejsza od 0, p — prawdopodobieństwo jakiegoś zdarzenia, e — podstawa logarytmów naturalnych (e = 2,71828 ...), n — liczba doświadczeń. Wzór Poissona może być stosowany np. do określenia ilości (liczby sztuk) m ateriału (części) rzadko używane go przez brygadę remontową, jaką trzeba mieć stale w podręcznym magazynie, aby awaria mogła być na tychmiast zlikwidowana. Jednym z bardzo pożytecznych tego rodzaju uogólnień jest ujem ny rozkład dwum ianowy (binomialny) Pascala. O zmiennej losowej X , której funkcja rozkładu prawdo podobieństwa dana jest następującym wzorem: k v p q ’
(3)
s Bardzo często dla ułatwienia zamiast pierwotnych zmiennych rozpa truje się ich logarytmy.
gdzie: x k v p q
— — — — —
zmienna losowa, wartość przeciętna, w ariancja zaobserwowanego rozkładu, prawdopodobieństwo jakiegoś zdarzenia, prawdopodobieństwo, zdarzenia przeciwnego,
mówimy, że ma ujem ny rozkład dwumianowy. Rozkład ten jest stosowany m.in. do badania częstości wypad ków w przedsiębiorstwie. Wymienione rozkłady prawdopodobieństwa wystarczają w wielu przypadkach jako modele procesów przedsię biorstwa. Niekiedy jednak nie można za ich pomocą właściwie określić badanych procesów i przewidzieć w pływu określonych zjawisk. Trzeba w tedy posługiwać się innym i tego typu „narzędziami” matematycznymi. Na przykład w prognozowaniu stosuje się różnorodne funkcje matematyczne (rysunek 1), a mianowicie: — funkcja liniowa: y = a + bt, — funkcja paraboliczna: y = a + bt + ci2, — funkcje potęgowe: y — a + bta; y = a + bt + ct“, — funkcje wykładnicze: y = aeat; y = a + be(at_^ S), a — funkcje logistyczne: y = -------------- , 1 4- be~at — ln (* °) y ~ 1 + be-«‘ ’ gdzie: t — zmienna czasowa, e — podstawa logarytmów naturalnych (e = 2,71828 ...), a, b, c — pewne stałe param etry, a, /3 — wykładniki potęgi.
60
\
Rysunek 1 Przykłady różnych ty p ó w funkcji ekstrapołujących
y = a + bt
t
Ś
D rze w o decyzyjne W w yniku -badań nad procesami podejmowania decyzji (prowadzonych w latach pięćdziesiątych przez C. W. Churchmana, R. L. Ackoffa, E. D. Arnoffa i ich współ pracowników) powstała koncepcja drzewa powiazań. W zależności od funkcji, jaką spełnia, przyjm uje ono nazwę drzewa decyzji, drzewa celów itp. Na przykład w metodzie PATTERN prognozowania normatywnego istotnym elementem jest drzewo celów (zob. s. 66). Drzewo decyzyjne jako metoda prognozowania n o r - v matywnego im plikuje następujący model podstawo wy [5]: — osoba podejmująca decyzję w ybiera jeden kierunek działania spośród wielu możliwych, — działanie w obranym kierunku prowadzi do w ystą pienia jakiegoś zdarzenia, jednego spośród wielu możliwych, -— wystąpienie tego zdarzenia jest zmienną przypadko wą o określonym a priori prawdopodobieństwie, — zbiór takich możliwych zdarzeń losowych (zmien nych przypadkowych) i ich prawdopodobieństwa zależą od wybranego uprzednio kierunku dzia łania, — losowy skutek decyzji pociąga za sobą następną de cyzję itp., co prowadzi do wytworzenia się długiej serii; często więc sporządza się podobny do drzewa w ykres sieciowy, aby przedstawić ciąg decyzji, przy padków losowych i różnych ich kombinacji. K onstrukcję i interpretację drzewa decyzyjnego przed stawimy na przykładzie. Badane przedsiębiorstwo ma aktualnie sprzyjające warunki wejścia na nowy rynek. Kierownictwo musi więc najpierw zdecydować się na jedną spośród czterech następujących możliwości: 1) zaangażować się w produkcję na dużą skalę i po nieść koszty marketingu, 62
2) wejść na rynek z niewielką produkcją, 3) przeprowadzić badanie rynku i próbny m arketing, a następnie na podstawie uzyskanych wyników zde cydować, czy wejść na rynek i na jaką skalę, 4) zrezygnować z nadarzającej się okazji, nie wchodzić na rynek. Załóżmy, iż bieżąca wartość netto m ajątku przedsię biorstwa wynosi 10 min doi. Całkowita inwestycja związana z wejściem na rynek na małą skalę wymagać będzie 5 min doi., a na dużą skalę — 10 min doi. Wartość dochodów netto, które mogłyby być osiągnięte w związku z wejściem na nowy rynek, zależy od skali operacji przedsiębiorstwa i wielu innych okoliczności, na które przedsiębiorstwo nie ma wpływu. Załóżmy, że te okoliczności powodują poprawę lub pogorszenie wa runków rynkowych. W ynikające z tego przychody netto (według ich wartości w chwili obecnej) kształtują się jak w tablicy 2: Tablica 2 Wpływ okoliczności niezależnych od przedsiębiorstw a na jego dochody Warunki rynkowe
Skala operacji przedsiębiorstwa w min doi. mała
duża
Dobre
8
20
Złe
3
5
ŹFÓdło: 15].
Planiści obliczyli również, że badanie rynku, próbna działalność marketingowa itp., będą kosztować 250 tys. doi. Wynikiem tego będzie korzystna, obojętna lub nie korzystna prognoza rynkowa. Nie jest ona jednak cał kowicie dokładna. W zależności od wyników badania rynku i skali ope 63
racji prawdopodobieństwo, że w arunki rynkowe okażą się rzeczywiście dobre czy złe zostało ocenione tak, jak w tablicy 3: Tablica 3 Praw dopodobieństw o wystqpienia dobrych lub złych w arunków rynkowych Skala operacji
Wyniki badania rynku
korzystne obojętne niekorzystne korzystne obojętne niekorzystne
Duża Duża Duża Mała Mała Mała
Prawdopodob:ieństwo, że warunki rynli;owe będą: dobre
złe
0,8 0,6 0,3 0,7 0,5 0,2
0,2 0,4 0,7 0,3 0,5 0,8
Źródło: [5].
Oszacowano ponadto, że istnieje 30% szans na pomyślny wynik próbnego m arketingu, 40% na rezultat obojętny oraz 30% na niekorzystny. Zakładając, że przeprowa dzenie badania nie w płynie na finalne w arunki rynko we, można obliczyć prawdopodobieństwo dobrych i złych warunków rynkowych (nie znając rezultatu badania rynku) z powyższych danych. Wyniki przed stawiono w tablicy 4: Tablica 4 Praw dopodobieństw o wysłqpienia dobrych lub złych w arunków rynkowych Skala operacji
dobre
złe
Duża
0,57
0,43
Mała
0,47
0,53
Źródło: [5].
64
prawdopodobieństwo, że warunki rynkowe będą:
Celem przedsiębiorstwa jest maksymalizowanie długo^ terminowo zaplanowanego wzrostu na podstawie w ar tości netto m ajątku przedsiębiorstwa. Celowi temu (pod pew nym i w arunkami, które w rozpatrywanym przykładzie stanowią dopuszczalne założenia) odpowia da funkcja korzyści: U = lo g —£ 7 - , v1
(4)
gdzie: V ! — początkowa wartość m ajątku przedsiębiorstwa, V A — wartość ma jątku przedsiębiorstwa (netto) w chwi li obecnej, po podjęciu decyzji. Kierownictwo przedsiębiorstwa podejmuje decyzje, któ re maksymalizują spodziewaną wartość tej funkcji. Na rysunku 2 (na końcu książki) przedstawiamy drze wo decyzyjne dla podanego przykładu. Pokazujem y na aiim wszystkie kombinacje decyzji i zdarzeń losowych (wyników rynkowych); każdej kombinacji odpowiada jeden punkt końcowy z praw ej strony wykresu. De cyzje i zdarzenia losowe tworzące tę kombinację od zwierciedlone są przez różne połączenia i ścieżki wią żące punkty początkowe z odpowiednimi punktam i końcowymi. Wysokość położenia każdego punktu na wykresie wskazuje odpowiadającą mu korzystność. Osoba podejmująca decyzję postępuje następująco: w każdym pufikcie decyzyjnym w ybiera właściwą ścieżkę tak, aby „wspiąć się” jak najw yżej po osiąg nięciu punktu końcowego. Z rysunku 2 można odczytać optymalną strategię de cyzji: „przade wszystkim przeprowadź badania rynku i próbny marketing, a jeśli wyniki będą korzystne lub obojętne, wejdź na rynek na wielką skalę, jeśli nato miast okażą się niekorzystne — nie angażuj się abso lutnie w tę spraw ę”. Szczególnie godne uwagi jest to, że naw et jeśli wynik testowania jest tylko obojętny, 5 Matematyczne techniki zarządzania
65
przedsiębiorstwo już powinno wejść na rynek na dużą skalę, w^brew intuicyjnym odczuciom, naw et mimo ko nieczności podjęcia ryzyka i znacznych inwestycji. Realizacja celu omawianego przedsiębiorstwa, tj. dłu gofalowo zaplanowanego wzrostu, wymaga podjęcia ta kiego ryzyka.
M etod a PATTERW Metodę PATTERN (Planning Assistance Trough Technical Evaluation on Relevance Numbers — wspomaga nie planowania techniczną ewaluacją wskaźników względnej, ważności) przedstawimy w skrócie na pod stawie prac A. Chorobińskiego [2] i M. Trockiego [8], Do podstawowych elementów metody zalicza się: — scenariusz, — drzewo celów, — wskaźniki względnej ważności, — wskaźniki stanu i terminu, — wskaźniki wzajemnej użyteczności. Rysunek 3 PATTERN
66
P o d staw o w e elementy system u informacyjnego
Wraz z innym i elementami (np. komputerem) składają się one na system inform acyjny PATTERN przedsta wiony na rysunku 3. Omówimy obecnie każdy z wymienionych elementów. Scenariusz. W systemie PATTERN scenariusz stanowi podstawę prawidłowego określenia celów. Obejm uje on długoterminowe prognozy rozwoju społeczeństwa i go spodarki, zarówno typu m akro (ogólna sytuacja na świecie itp.), jak i mikro (np. wybrane problemy tech niczne). Drzewo celów. Wskazuje ono zależności logiczne i stru k turę celów. Drzewo celów „buduje się” od góry do dołu, tzn. od finalnego celu strategicznego do celów podporządkowanych. Natomiast w praktyce system realizuje się z dołu do góry: problem wyższego pozio mu może zostać rozwiązany dopiero po rozwiązaniu problemów niższego poziomu (zob. rysunek 4). Wskaźniki względnej ważności elementów drzewa ce lów. Wszystkie elementy drzewa celów ocenia się ilo ściowo przez ustalenie wskaźników ich względnej waż ności rih gdzie: i — num er poziomu drzewa celów (na rysunku 4 i = A, B, . . . , G), j — num er elementu drzewa celów, na poziomie ż-tym (na rysunku 4 wska zujemy, że na każdym z poziomów drzewa celów jest różna liczba elementów; np. przy i = D mam y j = 1, 2, . .., p). Na wartość wskaźników rló nakłada się pewne ograni czenia, a mianowicie 0 ^ ^ 1 oraz 2 r tj = 1. Wartość nadaje się wskaźnikom rtj w kilku fazach me todą delficką. Do oceny ważności elementów poszcze gólnych poziomów drzewa celów stosuje się różne kry teria. Załóżmy, że dla elementów poziomu 1 istnieje x = a, . . . , v kryteriów, których wagę (znaczenie) określa się jako qx = qa , q fi, ..., qv . Budujemy nastę pującą macierz wskaźników S jx udziału elementu j-tego 67
w spełnieniu warunków wynikających z kryterium x (tablica 5): Tablica 5 Kryte rium . X
Elementy poziomu t
Waga kryte rium
1
Qx
a
1. Pozostała ilość y — n — x ton pszenicy jest sprzedawana za h(y) = h(n — y) złotych, gdzie funkcja My) jest monotonicznie rosnąca (im więcej się sprze daje, tym większy uzyskuje się dochód). Jeżeli rolnik chce wyprzedać wszystką pszenicę po N kolejnych zbio rach, to jaką politykę sprzedaży i zasiewu powinien za stosować, aby zmaksymalizować swój całkowity dochód w rozważanym okresie. Rozwiązanie tego problemu mo żna znaleźć w pracy [1]. Jak łatwo zauważyć, podobny problem powstaje przy określaniu, jaka część dochodu narodowego powinna być przeznaczona na inwestycje. 2. Przyjm ijm y, że maksymalna pojemność statku wy nosi n ton, a jego ładunek ma się składać z pewnych ilości N różnych towarów. Wprowadźmy następujące oznaczenia: Ki — wartość sztuki i-tego towaru, w t — ciężar sztuki i-tego towaru, Xi — liczba sztuk i-tego towaru, który się ładuje. / Wyznaczenie ładunku o największej wartości polega na zmaksymalizowaniu funkcji liniowej: *
N
L n(t ) = ^ x,K, 1=1
(1)
przy następujących ograniczeniach: N
(Xi
= 0, 1, 2, ...).
(2)
1=1 Równanie rekurencyjne przyjm uje postać: f N(n) = max { x NK N + f N- i (n — nNW N)}, gdzie f N(ri) = max {L N(x)}. 72
(3)
Rozwiązanie problemu polega na wyznaczeniu wartości Kt, w u x t [2]. 3. Rozważmy jedną maszynę, która daje określony przychód co rok, wymaga pewnego nakładu na kon serwację i może być zastąpiona przez nowoczesną m a szynę w każdej chwili. Załóżmy, że przychód, koszt konserwacji i dopłata przy wymianie zależą od wieku maszyny w znany sposób. Przyjm ijm y dalej, że decy zje podejmowane są tylko w momentach t — 0, 1, 2, . . . i w każdej takiej chwili możemy bądź zachować starą maszynę (decyzja K), bądź nabyć nową (decyzja P). Niech teraz funkcja f(t) stanowi całkowity przychód w ciągu pewnego czasu, gdy na początku mamy ma szynę w wieku t i stosujem y politykę optymalną. Wprowadzamy czynnik dyskontujący a (jednostka przychodu o jeden okres później jest w arta a jednostek w chwili obecnej). Równanie funkcyjne będzie mieć w tym przypadku postać [2]: fm =
f(t)
„ „ \P ■ m o(0) - c(t) + a/(l)] m ax . r({) _ a(f) af( nł+1 = a(xt) + b(2/.)
(dla i = 1, 2, . . N ~ 1) (10)
oraz 0 < Xi < n,
(dla i = 1, 2, . . N).
(11)
Ostatni w arunek oznacza, że liczba maszyn przezna czonych do wykonywania pierwszej czynności nie może być ujem na i przekraczać liczby wszystkich maszyn będących w dyspozycji na początku każdego etapu pro cesu. Oznaczmy przez fn(ri) maksym alny całkowity dochód otrzym any po N etapach opisanego wyżej procesu, przy założeniu, że liczba maszyn będących w dyspozycji na początku tego procesu wynosiła n. Jeżeli proces jest złożony z jednego tylko etapu, to wyrażenie fi{n), okre ślające maksym alny dochód, można zapisać: fi(n) = max [g(x) + h(n — a:)]. 0 0
am nx n ^ ( j - 1, 2....... n)
(3.1)
— zad anie dualne programowania liniowego:
f(y) " yfii +
+ —+ ym&m min
y tau + y tatt + ... + y mami > ct ................................................................................
(4.i) (5.1)
yi°in + y*0*n + ••• y-mO-mn^ Cn y i> 0
(ł - 1, 2 , .. ., m )
(6.1)
143
(5)
y' > o.
(6)
Przez rozwiązanie dopuszczalne zadania wyjściowego programowania liniowego będziemy określać wektor x spełniający w arunki (2) i (3), natomiast przez rozwią zanie optymalne zadania wyjściowego (prymalnego) programowania liniowego — wektor x°, będący takim rozwiązaniem dopuszczalnym, dla którego funkcja (1) osiąga wartość maksimum. Analogicznie, przez rozwiązanie dopuszczalne zadania dualnego programowania liniowego oznaczać będziemy w ektor y' spełniający w arunki (5) i (6), natom iast przez rozwiązanie optymalne zadania dualnego — wektor y°, będący takim rozwiązaniem dopuszczalnym tego zada nia, dla którego funkcja (4) osiąga wartość minimum. W ektory b oraz y' są wektorami m-wymiarowymi (b 6 Rm, y' € Rm), natom iast wektory x i c są wekto ram i n-wymiarowymi (x e R n, c e Rn). Każda para dualnych zadań programowania liniowego i rozwiązania optym alne tych zadań m ają konkretną interpretację prakseologiczną. O. Lange [2] potraktow ał teorię programowania m ate matycznego jako część prakseologii, czyli nauki o ra cjonalnym działaniu. Zajm ując się jedną z podstawo wych zasad prakseologii, a mianowicie zasadą racjonal nego gospodarowania, O. Lange rozpatryw ał jej dwa ekw iw alentne w arianty: zasadę maksymalnego efektu (zwaną również zasadą maksymalnej wydajności) i za sadę minimalnego nakładu środków (zwaną także za sadą oszczędności środków). W konsekwencji O. Lange mówił o dwóch ekwiwalentnych zadaniach optymaliza cyjnych: 1) o zadaniu wyjściowym (prymalnym), w któ rym chodzi o wyznaczenie maksimum funkcji wyników przy danym nakładzie środków oraz 2) o zadaniu dual 144
nym, w którym chodzi o wyznaczenie minimum funkcji nakładów przy danym wyniku. Podstawowe znaczenie w teorii programowania linioL.wego ma twierdzenie o dualności: a) jeżeli zadania {Ax b |x ^ 0} i {y'A ^ c '|y ' ^ 0} m ają rozwiązania dopuszczalne, to istnieją również rozwiązania optymalne x° i y° oraz spełnione jest rów nanie c'x° = y°b,
(7)
b) jeżeli zadanie (A x ^ b | x ^ 0} ma rozwiązanie do puszczalne, to max c'x = + oo
(8)
osiągane jest wtedy i tylko wtedy, gdy zadanie {y'A ^ c' | y ^ 0} nie ma rozwiązań dopuszczalnych, c) jeżeli zadanie {y'A ^ c | y ^ 0), ma rozwiązanie dopuszczalne, to min y'b = — co
(9)
osiągane jest wtedy i tylko wtedy, gdy zad&nia {A x b I x ^ 0} nie ma rozwiązań dopuszczalnych. Dotychczas opracowano kilkadziesiąt efektywnych algo rytmów* m etody programowania liniowego, ale najczę ściej opisywany jest algorytm simpleksów Dantzinga 2 jako najbardziej poglądowy i „dydaktyczny”. E fe k ty w n o ś ć i koszty m eto d y
Podstawowe algorytm y metody programowania linio wego są od dawna realizowane komputerowo, co po zwala wyznaczać optymalne rozwiązania zadań (1)—(3) oraz (4)—(6) stosunkowo m ałym nakładem czasu i kosz tów. Dużym ograniczeniem efektywności tej metody jest podstawowe założenie o liniowej postaci wszyst * Zob. W. Sadowski [6], rozdział HI. 10 Matematyczne techniki zarządzania
145
kich funkcji nakładów i wyników, mało przystające do rzeczywistości gospodarczej. Metoda wymaga korzysta nia z dużych zbiorów danych liczbowych. Sposób nauczania lub p o słu giw an ia się m etodą
Do opisu i badania problemów zarządzania metodą pro gramowania liniowego nie jest konieczna znajomość licznych algorytmów tej metody. Podstaw y teoretyczne programowania liniowego wykładane są na studiach uniwersyteckich, technicznych i ekonomicznych. Ob szerne i bardziej kompleksowe modele programowania liniowego konstruowane są z reguły przez zespoły spe cjalistów.
LITERATURA
£1] Czerwiński Z., Matematyka na usługach ekonomii, wyd. 4, PWN, Warszawa 1977, rozdział 2.1. [2] Lange O., Optymalne decyzje. Zasady programowania, PWN, Warszawa 1964. [3] Metody matematyczne w organizacji i ekonomice przedsię biorstwa, praca zbiorowa, PWG, Warszawa 1960. [4] Optymalizacja planów, praca zbiorowa pod red. M. Lesza, PWE, Warszawa 1968. [5] Radzikowski W., Programowanie liniowe i nieliniowe 'dla ekonomistów, PWE, Warszawa 1971. [6] Sadowski W., Teoria podejmowania decyzji. Wstęp do badań operacyjnych, wyd. 6, PWE, Warszawa 1076.
Przykład zasto so w an ia m etody
1. Planowanie asortymentu produkcji („Ile i czego”) Problem. Przedsiębiorstwo dysponuje czynnikami pro dukcji (surowce, roboczogodziny, maszynogodziny itp.) w ograniczonych ilościach s1} s2, . . . , sm. W tych w arun 146
kach może ono produkować n wyrobów (produktów I końcowych) x lf x 2, . . x n. Jednostka wyprodukowanego 1 wyrobu Xj może przynieść zysk P). Powstaje pytanie, ' ile i jakich wyrobów wyprodukować przy danych ogra niczeniach czynników produkcji, aby osiągnąć maksy malny zysk? Opis formalny. Znaleźć takie wielkości x u x 2, . .. , x ny dla których: m m Z = £ XjPj -> max
(10)
•
i=l
przy następujących ograniczeniach: n
V x jaij < st i x, > 0 i
(i = 1, 2, . . m), (j = 1, 2, . .
n),
(11) (12)
gdzie: aa — wielkość zużycia czynników produkcji i na jed nostkę wyrobu j, st — dysponowana wielkość czynników produkcji i. 2. W ybór wariantu technologicznego („Ile i jaką m e todą”) Problem. Wyrób A można produkować na podstawie n rodzajów technologii (metod produkcji). Poszczególne w arianty technologiczne w lt w 2, . .. , w n w różnym stopniu zużywają czynniki produkcji slf s2, . . sm (su rowce, roboczogodziny, maszynogodziny itp.). Koszt jednostkowy wykonania wyrobu A jest różny dla każdego w ariantu technologicznego i wynosi k l t k 2 i___ _ kn. Należy w ybrać taki w ariant (lub kombinację w arian tów), aby zminimalizować koszty wykonania w yrobu A. 147
^
Opis formalny. Znaleźć takie wielkości w ly w 2, . .. . wn, dla których: n Q = ^ Wjkj -> min (13) i“ i
przy następujących ograniczeniach: n x jaij > st 2=1 > o
(i = 1, 2, . . ., m),
(14)
(j = 1, 2, . .
(15)
n),
gdzie aij i st jak w zadaniu 1. 3. Dobór mieszanki („Ile i z czego”) Problem. Plan produkcyjny na okres N przewiduje wytw arzanie pewnego stopu 0. Stop ten możemy pro dukować z posiadanych surowców elf e2, . . eky z któ rych każdy jest w różny sposób zanieczyszczony pier wiastkami ru r2, . . rw. Maksymalny stopień zanieczy szczenia stopu 0 pierwiastkiem r t wynosi Ri (i = 1, 2, .. w). Zastosowanie każdego z surowców ej daje pe wien efekt ekonomiczny Zj (j — 1, 2, . . k) na poziomie jednostkowym. Chodzi o taki dobór mieszanki (surow ców e^, aby zapewnić maksymalny efekt globalny przy nieprzekroczeniu dopuszczalnego stopnia zanieczyszcze nia stopniu 0 pierwiastkam i r t. Opis formalny. Znaleźć takie wielkości elf e2, . . ek, dla których: k
E = ^
ejZj —>■ max
(16)
j»i
przy następujących ograniczeniach: k
^ j=i
148
Cij6j < Rł
(i = 1, 2, ..
w),
(17)
e,
> o
(j = 1, 2........ Tc),
(18)
gdzie ctj oznacza współczynnik zanieczyszczenia surow ca ej pierwiastkiem r t. * 4. Terminowanie produkcji („Ile i kiedy”) Problem. Założone w planie rocznym n wyrobów z u z2t . . zn możemy produkować w każdym z 4 kwartałów. Ze względów technicznych i organizacyjnych zużycie czasu pracy na jednostkę wyrobu Zj w każdym z 4 kw artałów jest różne i wynosi (i = 1, 2, 3, 4). Ograniczenie zdolności produkcyjnej posiadanych m a szyn i urządzeń powoduje, iż w każdym kw artale urzą dzenia te (jednorodne i nawzajem zamienne) mogą przepracować co najwyżej Ui godzin. Różne koszty pro dukcji i koszty magazynowania wyrobu r,- w poszcze gólnych kw artałach powodują, że jednostkowy zysk Ci, jest również różny dla każdego kw artału. Należy tak podzielić produkcję n wyrobów między poszczególne kw artały, aby ogólny w ynik był maksymalny. Opis form alny. Znaleźć takie wielkości Z i}, dla których: n
E =
4
^ j“ l
z ^ j -> max
(19)
i=l
przy następujących ograniczeniach: ^ z .jU .^ U ,
(i = 1,2, 3, 4),
(20)
j=l
>0
1, 2, . . to; t = 1, 2, 3, 4).
(21)
Kombinacje tych czterech przykładowo wymienionych, prostych zadań prowadzą do zadań bardziej skompliko wanych, które praktycznie obejm ują wszystkie prawie zagadnienia techniczno-ekonomiczne i organizacyjne w ystępujące w przedsiębiorstwie przemysłowym. 149
M etod a dupleks program ow ania liniow ego Spośród wielu nowych algorytmów programowania li niowego na specjalną uwagę zasługuje metoda dupleks, opracowana przez szwajcarskiego m atem atyka H. P. Kunzi. Metoda ta jest szczególnie efektywna przy roz wiązaniu dużych zadań optymalizacyjnych programo wania liniowego, w których w ystępuje wielka liczba w arunków ubocznych. Metoda dupleks obejm uje dwa etapy postępowania. W etapie pierwszym wyznacza się ten w arunek ubocz ny: (L\X\ “f" a 2x 2 • • . "ł” b, (22) którem u odpowiada hiperpłaszczyzna zawierająca na pewno wierzchołek optym alny x° (rozwiązanie). W eta pie drugim bada się poszczególne wierzchołki hiperpłaszczyzny i znajduje wierzchołek optym alny x°, w y korzystując w tym celu np. metodę simpleks. Takie podejście radykalnie zmniejsza liczbę operacji oblicze niowych koniecznych do znalezienia rozwiązania (wierz chołka) optymalnego x°. Metodę tę w arto przedstawić nieco szczegółowiej ze względu na jej dużą praktyczną użyteczność. Etap I Załóżmy, że chcemy wyznaczyć maksimum funkcji wy ników: /(x) = 20 +
z j { - Xj)
(23)
poddanej ograniczeniom: n Xn+j = bt +
x i) > 0 i“ i
150
(i = !>2> • • •> n)>
(24)
oraz > 0
(j = 1, 2, . . n)
(25)
gdzie: m ij Z0 = V JCiXi, i=l
x t — zmienne rozwiązania bazowego, xj — pozostałe zmienne, ct — współczynniki w funkcji wyników, odpowiada jące zmiennym rozwiązania bazowego, Cj — pozostałe współczynniki w funkcji wyników, ci{j — współczynniki techniczne (np. zużycia dobra i-tego na jednostkę produktu j-tego), bt — dysponowana wielkość czynnika i-tego (ograni czenie). Szukając pierwszego rozwiązania zadania (23)—(25), należy przyjąć Xj = 0 (j = 1, 2, . .. , n), naw et jeżeli byłoby to ze względu na w arunek (24) niedopuszczalne. Szukaną hiperpłaszczyznę zawierającą na pewno punkt optym alny x° wyznacza się za pomocą wzoru: n
mm l< 0; a (s) ile i
b(s) a{f> < 0; — < /
1
ih
•
(29)
a (s)
ifc
Możliwe są przy tym następujące cztery przypadki: 1. Jeżeli o istnieje i zostaje osiągnięte dla i = p, to zmienną x zamieniamy na zmienną x w i kontynu ujem y proces obliczeniowy, powracając do kroku 1. W tym kroku ^ostaje spełniony co najm niej jeden na ruszony w arunek uboczny (na ogół więcej). Wartość funkcji (23) ulega jednak odpowiedniemu zmniejszeniu. 2. Jeżeli wszystkie 0 dla b(r) < 0 i 1 nie istnieje, to przy { — zj?)} > 0 nie istnieje skończone rozwiązanie zadania (23)—(25). 3. Jeżeli o nie istnieje, natomiast istnieje X oraz za chodzi przynajm niej jedna relacja: a(J> < 0),
(30)
to zmienną zastępujem y zmienną x g( >i kontynu ujemy proces przechodząc ponownie do kroku 1. 4. Jeżeli w poprzednim przypadku nie można spełnić w arunku (30) dla co najm niej jednego i, to wracamy do kroku 1, wyłączając jednak teraz j = k. Jeżeli nie istnieje żadne j, takie że { — z ^ } > 0 i istnieje X, ani takie, że przynajm niej dla jednego i zachodzi: b(s) < 0
oraz
a[JJ < 0,
(31)
to ograniczenia (24) są wzajemnie sprzeczne. W tablicy simpleks znajduje się w tedy co najm niej jeden wiersz, w którym b(s) < 0 oraz a (|} ^ 0 (j = 1, 2, .. ., ri). 153
Zbieżność metody dupleks wynika bezpośrednio ze zbieżności metody simpleks. Poniższy przykład liczbo wy jest dobrą ilustracją procesu obliczeniowego w me todzie dupleks. Przykład liczbowy Niech będzie dane następujące zadanie, które należy rozwiązać za pomocą metody dupleks: /(x) = l l x i + 10x2 -> max, x3 = 0,8 + 0,5Xi x 4 = 10,7 —4xt x 5 — 15,4 —6Xi x 6 = 13,4 — 6xi x 7 = 8,7 — 4xt x 8 = 10,0-— 5^! Xi > 0 ,
— l,3x2^ 0, — x 2 ^ 0, — x 2 ^ 0, + x2 > 0 , + x2 > 0 , + 3 x 2 ^ 0,
x 2 ^ 0.
(32)
(33)
(34)
W etapie pierwszym określamy — korzystając z wzo rów (26) i (27) — że r = 4 i fc = 1. Zmienne bazowe m ają obecnie następujące wartości: x3 = 2,14 — 0,13x4 — Xj = 2,67 — 0,25x4 — x s = — 0,65 + 1,50x4 + 0,50x2, x6 = 2,65 + 1,50^4 + x 7 =
-
x8 = —
l,43x2, 0,25x2, 2,50x2,1’'
2,00
+ l,0 0 x 4 +
2 , 0 0 x 2,
3,37
+ 0,13x 4 +
4,25x2.
Zmienne niebazowe x4, x 2 = 0, natom iast wartość funk cji wyników wynosi: /(x) = 29,4 - 2,75x4 - 7,25x2 = 29,4.
(32.1)
Okazuje się, że naruszone są cztery w arunki uboczne z (33), a mianowicie w arunki odpowiadające wierszom, w których zmienne swobodne m ają indeksy i = 5, i = = 6, i = 7 oraz i = 8. 154
Przechodzimy teraz do etapu drugiego. W kroku 1 w y znaczamy maksymalną wartość wyrażenia (27.1); otrzy mujemy k = 2. W kroku 2 stwierdzamy, że r = 3. Na stępnie określam y wartości zmiennych bazowych: x 2 = 1,5 —0,09x4 —0,70x3, x t = 2,3 —0,23x4 + l,75x3, x 5 = 0,1 + l,46x4 - 0,35x3, Xq = 1,1 + l,28x4 - l,75x3, x7 = 1,0 + 0,82x4 — l,40x3, x 8 = 3,0 + 0,88x4 — 2,98x3.
1
'
%
Zmienne niebazowe x4, x 3 = 0, a wszystkie warunki (33) i (34) są spełnione, czyli otrzymaliśmy rozwiązanie optymalne, w którym zmienne decyzyjne przybierają wartości Xj = 2,3 oraz x 2 = 1,5. Funkcja (32) ma w ar tość maksymalną: 11 • 2,3 + 10 • 1,5 = 40,3. 1. Układ w arunków ubocznych (33) można sformułować w sposób następujący: (1) (2) (3) (4) (5 ) (6)
— 0 ,5 x j + 1,3x 2 < 0,8, 4 ,0 X i + l,0x2 < 10,7, 6 , 0 x i + l,0x2 < 1 5 ,4 , 6,0x! — l,0x2 < 13,4, 4,0xj — l,0x2 < 8,7, 5,0x! — 3,0x2 < 10,0
przez wyeliminowanie zm iennych swobodnych x3—x 8 oraz przeniesienie wyrażeń bt (i = 1, 2, . . . , 6) na p ra wą stronę każdej nierówności. 2. Ilustrację geometryczną zadania (32), przedstawia rysunek 1. W arunki uboczne gowe (34) wyznaczają pewien wielokąt K nych rozwiązań dla x t i x 2. Na wielokącie zmaksymalizować wartość funkcji (32).
(34) i (35) (35) i brze dopuszczal tym trzeba
3. W ektor c = [ci c2] = [11 10] wskazuje zwiększania wartości funkcji (32).
kierunek
155
Rysunek 1 Interpretacja geom etryczna zada nia (32), (34) i (35)
156
4. W etapie pierwszym procesu obliczeniowego metody dupleks określiliśmy w arunek (2), wyznaczając pro stą © na rysunku 1, na której na pewno leży wierz chołek optymalny x°. Z w arunkiem tym związana jest zmienna swobodna x 4. W etapie drugim procesu obli czeniowego badaliśmy wartości funkcji (32) dlą dwóch wierzchołków leżących na prostej © : a. Pierwszy wierzchołek (rozwiązanie) otrzymaliśmy dla x t — 2,67 oraz x 2 = 0, co widać w układzie (33.1). Wierzchołek ten oznaczono na rysunku 1 jako punkt Pi (2,67; 0). Dla wierzchołka Pt funkcja (32) miała w ar tość 29,4 (2,67 • 11 + 0 • 10 = 29,4). Jednak punkt Pt leży poza wielokątem K dopuszczalnych rozwiązań dla x x i x 2. Widać to na rysunku 1, a potwierdzeniem tego są wartości ujemne zmiennych swobodnych x s—x 8 w układzie (33.1). b. Drugi wierzchołek (rozwiązanie) otrzymaliśmy dla Xi = 2,3 oraz x 2 = 1,5, co uwidoczniono w układzie (33.2). Wierzchołek tesn, oznaczony na rysunku 1 jako P2, daje wartość funkcji (32) równą 40,3 (2,3 • 11 + 1,5 • • 10 = 40,3). Wierzchołek P 2 (2,3; 1,5) należy do wielo kąta K dopuszczalnych rozwiązań dla x± i x 2, stanowi więc rozwiązanie dopuszczalne. Równocześnie jest on rozwiązaniem optymalnm zadania (34), gdyż wyznacza maksymalną wartość funkcji (32).
*
Program ow anie liniow e binarne Symbol: 12-BC Klasa trudności: li Klasa zastosowań: pr, pl, op
Z asto so w an ie m eto dy (ro zw ią zy w a n e p roblem y)
Programowanie liniowe binarne stosowane jest do roz wiązywania problemów zarządzania, których opis i ba danie w liczbach niecałkowitych jest w ogóle pozbawio ne sensu. W programowaniu liniowym binarnym przyj mujemy, że wartość zmiennej decyzyjnej x } — 1 za chodzi w przypadku np. realizacji j-tego przedsięwzię cia, natomiast x t = 0 w przypadku np. rezygnacji z re alizacji j-tego przedsięwzięcia. Pozwala to łatwo za pisać zbiór odpowiednich warunków ubocznych i funk cję wyników. es:
O pis, schem at m eto dy
Programowanie liniowe binarne, zwane także progra mowaniem liniowym zerojedynkow ym , jest szczegól nym przypadkiem programowania liniowego w liczbach całkowitych (zob. s. 181). Model zadania optymaliza cyjnego ma następującą postać: — wyznaczyć ekstrem um funkcji wyników: /(X ) = c 'x
158
(1)
— poddanej ograniczeniom: Ax R B,
(2 ) (3)
x e D c,
(4)
gdzie: R — oznacza relacje „ = Dc — zbiór liczb całkowitych.
lub
W arunki (3) i (4) orzekają, że poszczególne zmienne de cyzyjne (j = 1, 2, . . n) mogą przyjmować wartości tylko 0 lub 1. Efektywną metodą wyznaczania rozwiązań w zadaniach typu (1)—(4) jest m.in. metoda Landa-Doiga i jej od miana, tzw. metoda enum eracyjna, opisana przez J. K u charczyka [1]. W metodzie enumeracyjnej zakładamy, że rozwiązuje my zadanie optym alizacyjne aproksymowane (przybli żone) następującym modelem: Z =
c ix i
n ń 11’
(5 )
1 n
(6) = 0 lub 1 gdzie C] > 0
(j = 1, 2, . . . , n),
(7)
(j = 1, 2, .. ., n).
Do modelu (5)—(6) można sprowadzić — przez odpo wiednie przekształcenia form alne — każde zadanie pro gramowania liniowego binarnego, a także każde zadanie programowania liniowego w liczbach całkow itych1. 1 W przypadku sprawdzania zadań programowania liniowego w licz bach całkowitych do postaci (5)—(7) trzeba jeszcze podać górne granice wartości dla Xj.
159
Metoda enumeracyjna polega na [1]: — systematycznym badaniu wartości funkcji wyników (5) we wszystkich punktach binarnego obszaru roz wiązań dopuszczalnych, określonego przez warunki ‘(6) i (7), — stosowanie grupy testów pozwalających na skutecz ne „odcinanie” nieodpowiednich części binarnego obszaru rozwiązań dopuszczalnych. i
E fe k ty w n o ś ć i ko szty m etody
Stosowanie programowania liniowego binarnego wyma ga opracowania wielu w ariantów przedsięwzięć produk cyjnych, organizacyjnych, badawczych itp., spośród których jedne wybiera się do rozwiązania optymalnego (Xj = 1), inne zaś odrzuca (xf = 0). Na przykład spo rządzenie wariantów w ytwarzania produkcji (konieczne do zdefiniowania zmiennych decyzyjnych Xj zadania optymalizacyjnego) wymaga ustalenia obiektu planowa nia, którym może być grupa przedsiębiorstw rozpatry wana jako całość, poszczególne przedsiębiorstwa lub wydziały, odcinki czy agregaty w przedsiębiorstwach. Po określeniu obiektów planowania opracowuje się wa rianty kierunków rozwoju, a więc zmianę łącznej mocy przedsiębiorstwa, specjalizacji, technologii lub organi zacji pracy i produkcji, kombinowanie, różne sposoby przydzielenia do bazy surowcowej oraz wykorzystania zasobów (surowców, materiałów, pracy, sprzętu, energii itp.), różne term iny przeprowadzenia rekonstrukcji przedsiębiorstw itp. Możliwe są także połączenia tych kierunków rozwoju. Każdy z takich w ariantów przed siębiorstwa charakteryzują określone wskaźniki ekono miczne (wysokość nakładów bieżących i inw estycyj nych, pracochłonność itp.). Jak widać, przygotowanie niezbędnych wariantów roz wiązań techniczno-produkcyjnych i organizacyjnych 160
może być kosztowne i długotrwałe. Natomiast niezbęd ne obliczenia można przeprowadzić niewielkim kosztem, dzięki temu, że algorytm y programowania liniowego binarnego realizuje się za pomocą komputerów, korzy stając z tzw. bibliotecznych programów obliczeń num e rycznych. Efektywność liniowego programowania binar nego bywa znaczna; zob. m ’in. pracę M. Lesza [2]. Sposób nauczania fozh p osłu giw ania się m eto d ą
Wyodrębnienie sensownych, merytorycznie uzasadnio nych w ariantów rozwiązań wymaga bardzo dużej wie dzy fachowej i z reguły jest dziełem nie jednej osoby, ale grupy odpowiednich specjalistów. Konieczny zasób wiedzy form alnej (matematycznej) nie wykracza poza program wykładów z programowania liniowego. Zbęd ne jest studiowanie możliwych algorytmów liniowego programowania binarnego, które i tak realizowane są komputerowo.
LITERATURA
[1] Kucharczyk J., Implicit Enumeration Algorithm for Solving Zero-One Integer Linear Programs, „Zastosowanie Ma tematyki” 1972. [2] Lesz M., Matematyczne podstawy rekonstrukcji przemysłu, PWE, Warszawa 1967. [3] Problemy rozwoju i rekonstrukcji branży, KNiT, Warszawa 1966. [4] Radzikowski W., Zastosowanie simpleksowej metody pro gramowania liniowego, „Organizacja, Samorząd, Zarządza nie” 1961, nr 7.
11 Matematyczne techniki zarządzania
161
Przykład zastoso w an ia m etody
1. Problem lokalizacji Problem. Dany jest planowany „obrót” bjt z wydziału j do wydziału i oraz odległości cj{ między pomieszcze niem fabrycznym j a pomieszczeniem i. Należy tak roz lokować w budynkach fabrycznych n wydziałów (od działów) produkcyjnych przedsiębiorstwa, aby niezbęd ne przewozy surowców, półfabrykatów i wyrobów go towych między poszczególnymi wydziałami (oddziała mi) były jak najmniejsze. Opis formalny. Znaleźć takie [cJt] i [b^], dla których: sp CA' BA = min
(8)
przy ograniczeniach: J o )t = l
0 = 1 .2 ........n),
(9)
i=l
] h 0jl = l
( t = 1, 2,
n)
(10)
(przyporządkowanie jednego wydziału tylko do jednego pomieszczenia), = (j (ii) (zapewnienie rozwiązania w liczbach całkowitych), gdzie: sp C — suma elementów na głównej przekątnej ma cierzy [cjt], B — macierz [bJt], A — macierz [o#], z założeniem, że: 1, jeżeli wydział j znajduje się w pomieszczeniu i,
(
0 w pozostałych przypadkach.
162
2. Transport wewnątrzzakładowy (obwodowy) problem. Opracowując wzorcowy harmonogram tran s portu wewnątrzzakładowego (obwodowego), ustalono, że środek transportu (wózek elektryczny itp.) powinien „odwiedzić” n stanowisk pracy i w końcu wrócić do punktu wyjściowego. Koszt transportu z miejsca (sta nowiska) i do miejsca (stanowiska) j wynosi c^ (i, j = = 1 , 2 n; i ¥= j). Chodzi o ustalenie trasy najm niej kosztownej. Opis formalny. Znaleźć takie wielkości cy, dla których: n
n
i= l
j= l
= min
(dla i # j),
(12)
przy ograniczeniach: n (j = 1, 2........n), (13)
71
(i =' 1, 2........n) (każde stanowisko należy odwiedzić tylko raz), A*'AA* = W, 71 (? = 1, 2........n), t=i
(14)
71
(i = 1 , 2 , . . . , n) j= i
(nie mogą wystąpić cykle krótsze; środek transportu musi wrócić do punktu wyjściowego), (15) (zapewnienie rozwiązania w liczbach całkowitych), 163
gdzie: A — macierz niewiadomych oih A* — „przeszeregowana” (zmiana kolejności wyrazów) macierz niewiadomych oijt W — macierz „właściwego uszeregowania”. 3. Planowanie obciotżenia maszyn („ile, gdzie i kiedy”) Problem. Przedsiębiorstwo posiada m różnorodnych maszyn, na których w tym samym czasie m usi zostać podjęta produkcja n wyrobów i to w taki sposób, aby zapewnić możliwie ciągłe wykorzystanie maszyn oraz wykonać program produkcji możliwie jak najszybciej. Dane są czasy t jt, potrzebne do wykonania wyrobu i na maszynie j, a następnie (jeżeli to jest konieczne) kolejność obróbki wyrobu na poszczególnych maszy nach. Opis formalny. Przede wszystkim dzielimy czas na wy godne „okresy obliczeniowe” (1/4 godziny, 1/2 godziny, 1 godzina itp.) i wszystkie czasy tjt wyrażamy jako wielokrotność tych „okresów”. W ogóle rozpatrujem y T takich okresów. Dlatego definiujemy m • n • T zmiennych: 1, jeżeli maszyna j używana jest do om = produkcji wyrobu i w okresie t, 0 w pozostałych przypadkach. Następnie w ybieram y znaczenia (wagi) cjit > 0, gdzie: c ^ + i > cjit tego rodzaju, żeby różnice (ciM+1 — cjit) wy kazywały straty dla zakładu wynikające z „uwolnienia” (odciążenia) maszyny o jeden okres później. Zadanie brzm i wtedy: znaleźć takie wielkości ojit, dla których: m
n
T
j=l
i=l
t=l
(16)
164
. przy ograniczeniach: m (i = l, 2,
t = 1,2,
T)
(17)
j=1
(wyrób i może być w tym samym czasie jednocześnie obrabiany tylko na jednej maszynie), n
Y, °i“
t
min,
(i = 1 , 2 ,. . ., n), x > 0,
(1)
(2) (3)
1 Parametrami modelu są zawsze te jego elementy, które przyjmują taką samą wartość dla szeregu kolejnych operacji obliczeniowych (w modelach statystycznych) lub punktów czasowych (w modelach dynamicznych).
167
gdzie: Cj = dj + X d , X — badany param etr; l e < q , v > , djt d'. , atj, bt — stałe param etry (i = 1, 2, m; j — = 1,2, n). Zakładamy, że zadanie jest niezdegenerowane i ma pierwsze rozwiązanie bazowe. Stosując metodę simpleks rozwiązujem y zadanie dla X = q i albo istnieje rozwią zanie (przypadek A), albo go nie ma (przypadek B). Dla A Abv istniało rozwiązanie, musi być spełniony w arunek Zj ~ ^ < 0. Ponieważ ct jest liniową funkcją X, to można założyć, że Zj — Cj tworzy też liniową zależność od X. Niech Zj — Cj = a} + Xp5 ^ 0. Zachodzi to, gdy dla
P;o,
(4)
ai -
(5)
A Określamy, w jakich granicach musi zawierać się X, aby istniało rozwiązanie zadania; max ( — — ^ , P } < o, > > Pi /
(6 )
lub — oo, gdy §j ^ 0,
max iH/ ’ Pj>o, (V~ " Pi
(7)
lub + oo, gdy fij ^ 0. Dla skończonych w&rtości X wyznaczamy (metodą sim pleks programowania liniowego) kolejne rozwiązania zadania (1)— (3) dopóki oie osiągniemy X= q dla_A^A^A i r = I 168
Dla B Ponieważ mamy znaleźć rozwiązanie optym alne dla X = q, to wektor, który nie ma wejść do bazy, nie może być wprowadzony do niej, gdyż wszystkie jego składowe są niedodatnie. Niech pk będzie tym w ektorem to ak + X($k > 0 i x ik^.O. Zachodzą dwie sytuacje: 1) jeżeli (3k 0, to zagadnienie nie ma rozwiązań dla żadnego X, 2) jeżeli 0 jest spełnione dla: . dla
X e < q , X\ >
(8)
i żadne rozwiązanie nie jest skończone. Jeżeli wszystkie a} + X określone wzorem:
^ 0, to istnieje rozwiązanie
Rozwiązanie jest ważne dla X'1 ^ X ^ X^ Oznacza to, że: — można badać i rozwiązywać zagadnienie o jednoparam etrow ej funkcji celu stosując metodę sim pleks, — jeżeli jest dane rozwiązanie skończone, to można wyznaczyć zbiór rozwiązań charakterystycznych i odpowiednie wartości charakterystyczne dla wszy stkich możliwych wartości param etru, — rozwiązanie jest minimalne w domkniętym prze dziale param etrów; przedział ten jest spójny. E fe k ty w n o ś ć i koszty m eto d y
Koszty obliczeń metodą programowania liniowego pa rametrycznego są proporcjonalne do kosztów obliczeń programowania liniowego, co pozwala powtarzać je 169
wielokrotnie — szybko i tanio. Dużo trudniej jest ze brać odpowiednie dane liczbowe (nowe wartości para metrów) charakteryzujące rozwiązywany problem za rządzania w losowej i niepewnej sytuacji decyzyjnej. Analiza stabilności (wrażliwości) otrzymanych rozwią zań optym alnych w badaniach programowania liniowe go jest z reguły bardzo efektywna. *
Sposób nauczania lub p o sługiw ania się m eto d ą
Jak w przypadku metody programowania liniowego.
LITERATURA
[,1] Harasymowicz J., Piętka B., Rozwiązanie programu linio wego za pomocą algorytmu simplex na maszynie cyfrowej ICT (seria 1900), OBRI, Warszawa 1972. [2] Radzikowski W., Programowanie liniowe i nieliniowe w organizacji i zarządzaniu, Uniwersytet Warszawski, War szawa 1978. [3] Stopyra J., Programowanie parametryczne, Uniwersytet Warszawski, Warszawa 1978. [4] Szczur M. A., Analiza warunków stosowania programowania liniowego do optymalizacji struktury produkcji branży, Instytut Planowania, Warszawa 1975.
Przykład zastosow ania m etody
Najlepiej opracowane są metody badania możliwości i konsekwencji zmian wartości param etrów funkcji wy ników, czyli współczynników có (j = 1, 2, . .., n), oraz zmiany wartości param etrów bt (i = 1, 2, . .., m), czyli elementów wektora ograniczeń zasobów b. Na przykład 170
firmowe p ak iety 2 oprogramowania komputerów ICL pod nazwą XDL4 i XDL8 pozwalają na dokonanie od powiednich obliczeń także za pomocą polskich kompu terów serii ODRA 1300, co zilustrujem y przykładem opracowania nowego planu przedsiębiorstwa przemy słowego. 1. Zadanie opracowania NOWEGO PLANU przedsię biorstwa sprowadza się do zadania programowania li niowego, w którym dane są: — macierz współczynników o n kolumnach i m wier-, szach: \ _ t„ 1 _ A = [Gij] =
a21a22 0>mn
—- wektor ograniczeń o m składowych: ‘
“ bi " b2
b =
(11)
funkcja liniowa zwana funkcją wyników: 72
(j = 1,2, . .., n),
(12)
gdzie: Cj — współczynniki funkcji funk< wyników, Xj — zmienne decyzyjne. ! P r z y w y k o r z y s t a n iu p a k ie t ó w X D L 4 i X D L 8 o b li c z e n ia o p t y m a liz a c y j n e p r o w a d z o n e są m e to d ą s im p le k s z r ó w n o c z e s n y m w y z n a c z e n ie m r o z w ią z a ń w z a d a n ia c h d u a ln y c h (zob. s. 143).
Zadanie programowania liniowego oparte n a danych (10)—(12) można sformułować następująco: znaleźć takie rozwiązanie a?i x2 X=
(13) 3Cn
układu nierówności ^ a ^ R b i (i = 1,2, . . . , m; j = 1,2, . . n), i gdzie R oznacza równanie albo relację lub aby przy założeniu x, > 0
(j = 1 , 2 , . . . , )
(14)
(15)
funkcja wyników (12) osiągnęła wartość ekstrem alną (minimum lub maksimum). Wśród nierówności zapisanych w układzie (14) zazwy czaj znajdują się również relacje typu dj < Xj ^ qjf gdzie dj ^ 0 oznacza dolną, minimalną wielkość pro dukcji wyrobu Xj, natom iast gj < oo oznacza górną, m aksym alną wielkość produkcji wyrobu X] (j = 1, 2, .. ., n). Niekiedy w ystępuje również żądanie, aby zmien na Xj przybierała wartości całkowitoliczbowe, czego tutaj nie rozpatrujem y. 2. Program y komputerowe XDL4 i XDL8 pozwalają na przeprowadzenie prób realokacji zasobów (a więc i wykazania możliwości wykonania nowego planu pro dukcji w ram ach posiadanych zasobów) dzięki określo nym procedurom. NEXT B. Wprowadzenie nowej wersji w ektora b ogra niczeń zasobów. Może być kilka takich w ersji wartości składowych bt wektora b deklarowanych przez użyt kownika (zob. przykład poniżej). 172
DUAL SOLUTION. Rozwiązanie y = [yt] zadania dual nego wskazuje, o ile mogłaby wzrosnąć wartość funkcji wyników w przypadku zmiany dysponowanej ilości za sobu i-tego (i = 1, 2, . . m). Dla poszczególnych yi m am y przedział ważności At = = (bt + Abi, — Abi), gdzie Abt ^ 0 oraz Abt ^ 0. Zmienne yi określają wielkość „nacisku”, jaki wywiera na ograniczenie bt pewnego zasobu struktura związków przyjętych w modelu (13)—(15) w punkcie optym al nym. Rozwiązanie dualne v = [vó] dla zmiennych x t ograni czonych relacjam i gj (j = 1, 2, . . . , n) infor muje nas o tym, które z ograniczeń brzegowych jest istotne — dolne czy górne — i jaki jest „koszt” utrzy mywania produkcji wyrobu X } na poziomie dj lub gj. COST RANGING (II). Podanie granicy odchyleń dla współczynników funkcji wyników, przy których bieżące rozwiązanie pozostaje optymalne (analiza stabilności rozwiązania). Chodzi o jednoczesne zmiany układów współczynników funkcji wyników, oznaczone jako Ac. Dla każdego współczynnika c3- (j — 1, 2, . .. , n) mamy: Ac =
cj 0
dla dla
j e n, j 6 (n — n),
(16)
spełniający — w pewnych w arunkach [3] — układ nie równości: (cD + (oc)D) D_1aj — (Cj + ocj) ^ 0 dla (cD + (oc)D) D -idj - Cj < 0 dla
j e n,
j e (n - rc),
(17)
który w pełni opisuje obszar dopuszczalnych zmian współczynników funkcji wyników. W układzie tym D — macierz w yjęta z macierzy A = = [aij]> utworzona z kolumn dj odpowiadających zmien nym Xj składającym się na rozwiązanie; cD — w ektor 173
w yjęty z wektora c o współczynnikach c} odpowiadaj ąjących zmiennym x jy które tworzą rozwiązanie; D - 1 — macierz odwrotna do macierzy D ; oc — w ektor o składo wych acJt n e n — zbiór indeksów j odpowiadających tym współczynnikom funkcji wyników, których jedno czesne zmiany nas interesują. Wartości poszczególnych oc oblicza kom puter w trakcie wyznaczania optym al nego rozwiązania zadania (13)—(15). RHS RANGING (II). Określenie maksym alnych i mi nim alnych wartości ograniczeń zasobów, dla których bieżące rozwiązanie pozostanie optym alne (analiza sta bilności rozwiązania). W tym przypadku chodzi również o jednoczesne zmiany układu ograniczeń na poszczególne zasoby b* (i — 1, 2, . . . , m ).^ Niech m e m będzie zbiorem indeksów i odpowiadają cych tym ograniczeniom b{ dysponowanych zasobów, których równoczesne zmiany nas interesują. Dla tych zmian oznaczonych Ab mamy relację: Ab
°J 0
dla dla
je m ’ _ j e (m — m),
(18)
spełniającą — w pewnych w arunkach [3] — układ nie równości: diO + di ^5 0 di (ob + d) ^ 0
dla dla
ie m , — i e ( m — m),
(19)
(gdzie di oznacza i-ty wiersz macierzy D - 1 ), który w pełni opisuje obszar dopuszczalnych zmian. Wartości poszczególnych ob kom puter oblicza w trakcie wyzna czania optymalnego rozwiązania zadania (13)—(15). Procedury powyższe czynią z metod programowania liniowego użyteczne narzędzie planowania, co chcemy 174.
zilustrować przykładem 3 zaczerpniętym z pracy J. Ha rasymowicz i B. Piętki [1]. Przykład liczbowy Załóżmy, że posiadamy 3 urządzenia produkcyjne n a wzajem zamienne Y lt Y2, Y3. Na tych urządzeniach mo żemy produkować 4 wyroby X±, X2, X3, X 4. Maszynochłonność jednostkowa ay (i = 1, 2, 3 oraz j = 1, 2, 3, 4) jest to norm a czasu pracy urządzenia i-tego n a 1 sztukę wyrobu j-tego. Dysponowany fundusz czasu pracy urzą dzenia Y{ (i = 1, 2, 3) oznaczymy przez bu natom iast cenę zbytu wyrobu X j (j = 1, 2, 3, 4) — c}. Opracowu jąc plan stawiamy sobie za cel osiągnięcie maksimum wartości produkcji towarowej. Odpowiednio do (10), (11) i (12) możemy zapisać: A
[ay]
0,5
o
:5
2 3
2 2
2 0
'
200 200 200
b == [b j = ,
c' = [c,r = [4
3
r 0 5
(10.1)
" (11.1)
i 20
30],
(20)
co pozwala nam sformułować zadanie wyjściowe pro gramowania liniowego. Określić takie wielkości produkcji Xj poszczególnych wyrobów X J- (j = 1, 2, 3, 4), aby zmaksymalizować wartość produkcji towarowej: 4
^
CjXj = 4x1 + 3x2 + 20x3 + 30x4 ->■ m ax
(21)
3=1
* Jest to przykład uproszczony, nie zawiera bowiem ograniczeń typu Xj > dj oraz Xj < gj (gdzie j = 1, 2,..., n, dj — dolna minimalna wielkość produkcji wyrobu X j , gj — górna, maksymalna wielkość produkcji w y robu X j) . Uproszczenie to zastosowano celowo, aby nie odwracać uwagi
Czytelnika od głównych problemów realokacji zasobów.
175
przy ograniczeniach: 0,5Xi + 0x2 + 3 x 3 2x1 + 2 x 2 ■+ 2x% 3X i +
2x 2 +
0x3
+ + +
lx 4 ^ 200, 0 x 4 ^ 2 0 0 , (2 2 ) 5xi ^
200
oraz zachowaniu w arunków brzegowych: Xi>0
(j = 1,2, 3, 4).
(23)
W ykorzystując dane liczbowe zapisane przez (10.1), (11.1) i (20), możemy sformułować również zadanie dualne do zadania (21)— (23). Określić takie wielkości y% zużycia czasu poszczególnych urządzeń Yt (i = 1, 2, 3), aby zminimalizować łączną maszynochłonność produkcji: 3
^
= 200t/i + 200y2 + 200yz = min
(24)
i= l
przy ograniczeniach: 0,5yi Oyi 3yi ly i
4* + + +
2y2 21/2 2y 2 0^/2
+ 3yz > 4, + 2y3 > 3, + 0y3 > 2 0 , + 5y3 > 3
'
'
oraz przy zachowaniu w arunków brzegowych: j/t > 0
(i = l, 2, 3)
(26)
W artość zmiennych decyzyjnych y% w rozwiązaniu za dania dualnego będzie nas interesować przy analizie wyników obliczeń. W yniki te uzyskano dzięki wykorzystaniu do obliczeń kom putera ODRA 1305. Rozwiązanie optymalne x± = 0, x 2 — 0, 176
x 3 = 53,333, x 4 = 40,000, /(x) = 2266,667. Oznacza to, że należy produkować tylko w yroby X3 i X 4 w ilościach x3 = 53,333 i i 4 = 40,000, w tedy wartość produkcji towarowej wyniesie 2266,667 jednostek pie niężnych i będzie w danych w arunkach maksymalna. Zmienne swobodne n = y2 = 93,333, 7* = 0. Oznacza to niewykorzystanie 93,333 jednostek czasu pracy urządzenia Y2. Urządzenia Y 1 oraz Y3 są wyko rzystane w pełni („wąskie gardła”). Rozwiązanie zadania dualnego yi = 6,667, 2/2
= 0,
yz = 4,667. Interpretacja wartości zmiennych optymalnego rozwią zania zadania dualnego jest następująca: 1) jeżeli fun dusz czasu pracy urządzenia Ylf będącego „wąskim gardłem” w procesie produkcji, zwiększymy o 1 jed nostkę, to uzyskamy wzrost wartości funkcji celu (czyli wzrost wartości produkcji towarowej) o 6,667 jednostek pieniężnych oraz 2) jeżeli zwiększymy fundusz czasu pracy urządzenia Y3 (stanowiącego „wąskie gardło”) o 1 jednostkę, to uzyskamy wzrost wartości funkcji celu (wartości produkcji towarowej) o 4,667 jednostek pie niężnych. Wynika z tego, że powiększanie funduszu czasu pracy urządzenia Yj jest bardziej korzystne niż powiększanie funduszu czasu pracy urządzenia Y3. Fakt 12 Matematyczne techniki zarządzania
177
ten możemy wykorzystać do realokacji zasobów (fun duszy czasu pracy urządzeń produkcyjnych Y1} Y2, Y3): a. Wiemy, że urządzenie Y2 nie jest wykorzystane w pełni, wykazuje bowiem rezerw y w ilości 93,333 jed nostek czasu pracy. Ponieważ — co założyliśmy — urzą dzenia produkcyjne są naw zajem zamienne, to rezerwę jednostek czasu pracy możemy rozdysponować między urządzeniami Yi oraz Y3 w proporcjach wynikających z analizy otrzymanego rozwiązania optymalnego: 2/i: 2/s = 6 , 6 6 7 -.4,667 = 10 : 7.
b. Przy realokacji zasobów we wskazany sposób musi my uwzględnić jeszcze w yniki uzyskane z procedury RHS RANGING (II), podającej maksymalne i mini malne wartości ograniczeń bt (i = 1, 2, 3), dla których otrzymane rozwiązanie pozostaje rozwiązaniem opty malnym (analiza stabilności rozwiązania). W naszym przypadku naw et bardzo małe zmiany war tości ograniczeń bt powodują wyznaczenie nowego roz wiązania, gdyż kom puter wyliczył dopuszczalne granice zmian następująco:
b1 bo i>3
dopuszczalne zmiany granicy dolnej
dopuszczalne zmiany granicy górnej
1,86265-s 0 3,72529-s
0 0 0
c. To rozwiązanie będzie wykazywało NOWE WIĘK SZE ilości produkcji poszczególnych wyrobów Xj (j = = 1, 2, 3, 4) oraz NOWĄ WIĘKSZĄ wartość funkcji wyników, co jest oczywiste i nie wymaga szczegółowej analizy. d. W ykorzystanie procedury COST RANGING (II), po dającej granice odchyleń wartości współczynników funkcji wyników, dla których uzyskane rozwiązanie 178
pozostaje rozwiązaniem optymalnym, pozwala na ana lizę cenowej stabilności rozwiązania. Dopuszczalne gra nice zmian komputer określił następująco: dopuszczalne zmiany granicy dolnej
dopuszczalne zmiany granicy górnej
oc‘
0
0
oCt
0
0
oCs oCt
1 9
1 12
Okazuje się, że w naszym przykładzie naw et znaczne zmiany wartości współczynnika c4 nie zmieniają w ar tości otrzymanego rozwiązania optymalnego. Współ czynnik c3 jest bardziej w rażliwy 0
(3)
x e D,
(4)
oraz w arunku: gdzie: R — jedna z relacji „ = ”, D -r- zbiór przeliczalny, x — wektor n-wymiarowy. Jeżeli zbiór przeliczalny D będzie zbiorem liczb całko witych (całkowitych dodatnich, całkowitych ujemnych i zero), to zapiszemy nowy warunek: xeDc,
gdzie Dc jest zbiorem liczb całkowitych. 1 Od łacińskiego discretus — rozdzielony, przerywany.
182
(4.1)
O zadaniu zapisanym przez (1)—(3) i (4.1) powiemy, że jest zadaniem programowania w liczbach całkow itych2. Gdy albo funkcja wyników (1) albo co najm niej jedna spośród m funkcji nakładów (2) jest nieliniowa, wów czas brak metod wyznaczania rozwiązań optymalnych w zadaniu (1)—(3) i (4.1). Niekiedy rozwiązanie zadania optymalizacyjnego w liczbach całkowitych można uzys kać w sposób najprostszy, choć zarazem tryw ialny — przez zaokrąglenia ułamków (występujących w rozwią zaniu) do liczb całkowitych. Najczęściej jednak postę powanie takie nie jest możliwe. Jedynym zbadanym dotychczas przypadkiem progra mowania w liczbach całkowitych jest programowanie liniowe w liczbach całkowitych, którego model można zapisać w sposób podobny do przedstawionego wyżej: — wyznaczyć ekstrem um funkcji wyników: /(x) = c'x
(1*1)
— poddanej ograniczeniom: Ax 0
(3) (4.1)
x e Dc
gdzie c jest wierszowym wektorem współczynników funkcji wyników (np. wektorem cen). Większość metod rozwiązywania zadań programowania liniowego w liczbach całkowitych przewiduje dwa etapy wyznaczania rozwiązania optymalnego: 1) wyznacza się rozwiązanie zadania (1.1), (2.1), (3), (4.1) na podstawie jednej z metod programowania linio wego, np. metody simpleks, 2) sprowadza się rozwiązanie w liczbach ułamkowych do rozwiązania w liczbach całkowitych przez iriody1 Jeżeli warunek (4.1) spełniony jest nie przez wszystkie Xj e x (j = = 1,2, ..., n), ale tylko przez niektóre z nich, to mówimy wówczas o programowaniu częściowo w liczbach całkowitych.
183
fikację wyjściowego zadania (1.1), (2.1), (3) i (4.1), a następnie znów rozwiązuje się je metodą sim pleks. E fe k ty w n o ś ć i koszty m eto d y
Podstawowe algorytm y programowania liniowego w liczbach całkowitych są realizowane komputerowo. Uwzględnienie w arunku całkowitoliczbowości pozwala opisać i badać wiele problemów zarządzania w sposób bardziej odpowiadający ich naturze, a więc efektyw niej. Koszty przygotowania danych do obliczeń (warian ty rozwiązań) mogą być wysokie. Sposób nauczania lub p o sługiw ania się m eto d ą
Programowanie liniowe w liczbach całkowitych jest tak samo proste pojęciowo, jak zwykłe programowanie liniowe i także w ykładane w szkołach wyższych. Rów nież w przypadku stosowania programowania liniowego w liczbach całkowitych decydujące znaczenie dla m a tematycznego modelowania problemów zarządzania ma znajomość merytorycznych aspektów tych problemów.
LITERATURA
[1] Korbut A. A., Finkelsztejn, Programowanie dyskretne, PWN, Warszawa 1974. [2] Kiinzi H. P., Tan S. T., Lineare Optimierung Grosser Systeme, Springer Verlag, Heidelberg 1966. [3] Land A. H., Doig A. G., An Automatic Method for Solving Discrete Programming Problems, „Econometrica” 1960, nr 28. [4] Radzikowski W., Programowanie liniowe i nieliniowe w organizacji i zarządzaniu, Uniwersytet Warszawski, War szawa 1978. [5] Tieriechow L., Metody ekonomiczno-matematyczne, PWE, Warszawa 1970, rozdział III.
184
SVl@toda Landa-Boiga Metoda Landa-Doiga przew iduje dwuetapowe postępo wanie optymalizacyjne. Zilustrujem y je prostym przy kładem liczbowym Dane jest zadanie: /(x) =
+ c2x 2 -> min,
(5)
+ a12x 2 > bj 1 &21'M &22X2 ^ b2 j (j = l, 2), w liczbach całkowitych (j = 1, 2)
(7) (8)
Treść tego zadania przedstawiono na rysunku 1. Wa runki uboczne (6) i brzegowe (7) wyznaczają wypukły obszar K rozwiązań dopuszczalnych dla x t i x 2. Na obszarze tym należy wyznaczyć minimum funkcji (5). Rysunek 1 Schem atyczne przedstaw ienie tre ś c i zadania (5 )-(8 )
185
Załóżmy, że na etapie pierwszym wyznaczyliśmy wierz chołek optym alny (rozwiązanie optymalne) x°, który przew iduje następujące wartości dla x x i x 2: 2< a:i< 3'
m
1
W
y,
(11)
gdzie y = inf f(x)Q w liczbach całkowitych; y > j:(x)0. Każde powiększenie wartości y przesuwa prostą f(x)0 coraz dalej do wnętrza obszaru K. Zgodnie ze schema tem metody Landa-Doiga postępujem y w tedy w okre ślony sposób. Wyznaczamy metodą simpleks w k iteracjach rozwią zanie x k zadania (5)—(8), bez uwzględniania w arunku całkowitoliczbowości zmiennych x k rozwiązania (i = 1, 2, . . . , m). W pewnych (szczęśliwych) przypadkach może się zdarzyć, że x k będzie rozwiązaniem całko witoliczbowym, w tedy kończymy postępowanie. Jeżeli jednak x k zawiera zmienne o wartości ułamkowej, to przechodzimy do iteracji k rf 1. Krok 1. Dokonujemy takiego oszacowania y, że w arun ki (6) i (7) wyznaczają zbiór K°, dla którego y = inf f(x)k w liczbach całkowitych, y > f(x)k. W arunek y oznacza więc najmniejszą liczbę całkowitą nie mniejszą od j:(x)k. Krok 2. Bierzemy pierwszą w kolejności współrzędną niecałkowitą wektora x k (zmienną x k) i dzielimy ob szar K° na dwa podobszary K° i K°; K° = K° U K° = { x \ x e K ° , x 8 < x k}, K ° = { x | x e K ° , xs > x k}. Krok 3. Wyznaczamy m etodą simpleks rozwiązania dwóch zadań programowania liniowego typu (5)—(8) przy {f(x ) = m in | x e K ° } i {f(x) = min j x e K° }. Dla obu rozwiązań obliczamy y° i y°, a następnie wyzna czamy y = min {j>°, y°}. Zgodnie z wyznaczonym y obieramy kolejne rozwią zanie jako x k+1. Jeżeli x k+1 jest rozwiązaniem całkowitoliczbowym, to kończymy postępowanie. W przeciw nym przypadku wracamy do kroku 1 i dokonujemy na stępnej iteracji aż do skutku. 187
Metoda Gomory‘ego Metoda Gomory’ego przewiduje dwuetapowe postępo wanie optymalizacyjne: 1) za pomocą jednej z m etod programowania liniowego np. metody simpleks wyznacza się wierzchołek opty m alny x°, którem u odpowiadają zmienne wyrażone (najczęściej) w liczbach ułamkowych; dla przypadku dwuwymiarowego (rysunek 2) wierzchołek x° może być przedstawiony np. jako punkt Plt 2) do układu warunków ubocznych zadania dodaje się pewien nowy w arunek (i pewną dodatkową zmien ną), w wyniku czego obszar K zostaje zmiejszony; na rysunku 2 zmniejszenie obszaru K uzyskano przez zastąpienie prostej (b) prostą (b'); nowe za danie ma już rozwiązanie w liczbach całkowitych. Rysunek 2 Przykład postępow ania w y znaczającego rozwiązanie w liczbach całkowitych zadania program ow ania liniowego
Opis m etody Gomory1'ego pochodzi z pracy [5]. W k — 1 iteracjach wyznaczamy metodą simpleks roz wiązanie x k zadania typu (5)—(8) bez uwzględniania w arunku całkowitoliczbowośei zmiennych x k rozwiąza nia (i = 1, 2, . . m). Może się przypadkowo zdarzyć, że x k będzie rozwiązaniem w liczbach całkowitych, wtedy uznam y x k za rozwiązanie optym alne i zakoń czymy postępowanie. W przeciwnym przypadku prze chodzimy do iteracji k. Krok 1. W ybieramy składową x k wektora x k, która w y różnia się najm niejszą częścią ułamkową (i ^ r ^ m). K onstruujem y dodatkowe równanie typu (6), w którym zmienna x k wyrażona jest przez część stałą plus linio wa funkcja zmiennych niebazowych x £ (j = m + 1, m + 2, .. m + n); m +n
x* = b * + £
a* x f ,
(11)
j=m+l
z czego wynika 3: m +n
b*+ V a % x * = 0
(12)
j= m + l
albo m +n
£
( - « * ) * * = bf , .
(13)
j= m + 1
* Wprowadźmy pojęcia kongruencji liczb i ułamkowej części liczby [5, s. 185]. Liczba a jest kongruentna do liczby b wtedy i tylko wtedy, gdy różnica (a—b) jest liczbą całkowitą. Kongruencję oznaczamy za po mocą trzech poziomych kresek np. 5/3 = 2/3, bo 5/3 — 2/3 = 1. Czę ścią u ła m k o w ą liczby a będziemy nazywać najmniejszą liczbę nieujemną kongruentną do liczby a. Część ułamkową liczby a oznaczamy za pomocą symbolu
(a + b) = (na) = "• n cp (a).
189
Krok 2. Z części ułamkowych a*, i bk występujących w w yrażeniu (13) konstruujem y równanie: m+n
^ 9 ?( " " a ?j) X3= ^ ( b?)
(14)
j=m+l
oraz przy uwzględnieniu w arunku całkowitoliczbowości zmiennych x } nierówność: m+ n
^ [ 9 ? ( - a ^ ) ] x,>ę?(b*).
(15)
j=m+l
Krok 3. Nierówność (15) włączamy — po przekształce niu na równanie — do zadania typu (5) i (8) i rozwią zujemy je metodą simpleks bez uwzględniania w arunku całkowi toliczbowości zmiennych rozwiązania. Jeżeli x k+l jest rozwiązaniem w liczbach całkowitych, to po stępowanie kończymy. W przeciwnym przypadku w ra camy do kroku 1 i dokonujem y następnej iteracji. Przykład liczbowy Dane jest zadanie: f(x) = 7xi + 3x2->m ax,
(16)
!
(17)
i , , x 2 > 0,
(18)
Xj i x2 w liczbach całkowitych.
(19)
Wprowadzenie zmiennych swobodnych x 3 i x 4 pozwala przekształcić nierówności (17) i zapisać całe zadanie następująco: f(x) — 7Xi -f 3x2 + 0x3 + 0x4 5Xi + 2x2 + lx 3 = 20 \ 8xj + 4x 2 + lx 4 = 38 | 190
max,
(16.1) 1
;
x ,> 0