pizhurin_a_a_pizhurin_a_a_modelirovanie_i_optimizaciya_proce
.pdfмент. Однако в этом случае возрастут отходы пиловочного сырья, затраты, которые входят в себестоимость обработки, поэтому часто минимальная себестоимость обработки достигается при применении более тонких пил и, следовательно, меньших подач на зуб и стойкости режущего инструмента. Производительность обработки также снижается по сравнению с макси мально возможной.
На первый взгляд, для большинства операций механической обра ботки древесины более приемлемым критерием оптимизации является ми нимальная себестоимость обработки, так как она учитывает затраты не только живого труда, но и затраты прошлого труда. Использование этого критерия для отдельных операций может обеспечить максимальную при быль и рентабельность, минимальную себестоимость продукции и мини мальный уровень издержек производства, а также максимальную произво дительность труда.
Более низкая производительность обработки по сравнению с мак симально возможной может привести к снижению загрузки оборудования на остальных операциях технологического цикла, удорожанию остальных операций, снижению объема реализованной продукции и, в конце концов, к уменьшению прибыли и рентабельности предприятия или цеха. Выбор для отдельной операции критерия максимальной производительности об работки приведет к некоторому увеличению себестоимости данной опера ции. Однако, если эта операция относительно дешева, суммарная себе стоимость продукции может оказаться меньше из-за выигрыша на отдель ных операциях или из-за уменьшения накладных расходов на единицу продукции.
Критерий максимальной производительности обработки древесины более предпочтителен в следующих условиях:
-если операция является «узким местом» или головной на участке производственного потока и ограничивает производительность остальных операций;
-при высоком уровне накладных расходов на единицу продукции;
-при обработке дешевого сырья и малом проценте отходов при сравнительно больших затратах на операцию.
Первое условие - основное; второе условие принимается лишь при выполнении первого. Третье условие - самостоятельное и используется при невыполнении двух первых.
В общем случае почти невозможно заранее определить, какой из критериев оптимизации процессов механической обработки древесины наивыгоднейший. Очевидно, необходимо оптимальные параметры рас считывать по двум критериям - минимальной себестоимости и максималь ной производительности обработки, а затем, сравнивая оба варианта, вы
бирать наилучший.
2.3. Многокритериальные задачи исследования операций
Эффективность сложного мероприятия оценивают обычно не по одному, а по нескольким критериям. Соответствующие задачи исследова ния операций называют многокритериальными. Переход к математической постановке задачи оптимизации и, следовательно, к единственному крите рию оптимальности может осуществляться различными способами. Их обычно называют способами свертки критериев.
Наиболее распространен из них следующий. Из всех рассматривае мых критериев выделяют важнейший, по которому и решается задача. На все остальные критерии накладываются только некоторые ограничения. Пусть для определенности имеется пять критериев: fVh W5, первые три из которых требуется увеличить, а остальные уменьшить. В качестве важнейшего выбран критерий W\. Тогда задача решается с позиций макси мума критерия W\, а остальные показатели войдут в число условий функ ционирования объекта в виде неравенств:
W2 >W2°; W3 > W3°; W4 <W4°; W5 <W5°.
Здесь W2°; W3°; W4°; fV5° - некоторые заданные числовые значения соответ
ствующих показателей. Для их отыскания, а также для выбора важнейшего критерия используют результаты анализа объекта и условий его функцио нирования.
Другой способ свертки критериев заключается в формировании не которого обобщенного критерия W, представляющего собой функцию от частных критериев Wu W2i ..., Wn. Предположим сначала, что все эти част ные критерии имеют одинаковые размерности и диапазоны изменения. То гда обобщенный критерий W можно записать в виде дроби, числитель ко торой представляет собой произведение всех частных критериев, которые надо обратить в максимум, а знаменатель - произэедение минимизируе мых критериев. Отыскивается максимум критерия W. Так, для предыдуще го примера с пятью критериями максимизируемый обобщенный критерий W имеет вид
W = W]W2W3/{fV4W5).
Очевидно, что максимум обобщенного критерия W будет дости гаться при наибольших значениях частных критериев в числителе и наи меньших значениях - в знаменателе дроби. Основной недостаток такого подхода заключается в том, что при его использовании может быть дос тигнуто приемлемое значение обобщенного критерия даже при неудовле творительных значениях некоторых частных критериев за счет улучшения других оптимизируемых показателей. Может показаться, например, что низкое качество продукции компенсируется высокой производительно
стью, если оба эти показателя входят в выражение для обобщенного кри терия оптимальности в виде частных критериев.
Более гибким является формирование обобщенного критерия W в виде взвешенной суммы частных критериев:
W = A ]Wl +A2W2 +... + AnWn,
где А - вес соответствующего критерия, i = 1, 2,..., п. Он берется с плюсом,
если частный критерий должен обращаться в максимум, или с минусом в случае его минимизации. Ищется максимум обобщенного критерия W. Абсолютные величины коэффициентов Я. берутся пропорциональными
важности соответствующего частного критерия с учетом требования их нормированности:
|А 11+ 1А2[+... 4-1Ап|= 1.
Чтобы упорядочить критерии по степени их важности и найти соот ветствующие веса, часто используют экспертные оценки. Примером обоб щенного критерия служит рассмотренный выше критерий приведенного дохода.
Заметим, что требование минимума для некоторого критерия Wt всегда можно заменить требованием максимума для противоположной ве личины (- Щ. Поэтому в дальнейшем без ограничения общности будем считать, что каждый из п критериев W2, ..., Wnтребуется увеличить.
Если частные критерии W) имеют различную размерность, то пере ходят к безразмерным показателям wt по формуле
где Wi max и W,-min - соответственно максимальное и минимальное значения критерия Wt. Как видно из этой формулы, безразмерный показатель wxиз меняется от 0 до 1. Если величина Wtmax или Wtmin заранее неизвестна, то ее можно найти, решив задачу оптимизации по единственному критерию W,-. Для обобщенного критерия w, который формируется как взвешенная сум ма показателей wi} отыскивается максимум:
Z |
, |
V"» -1 |
W -W . ■ |
|
||
1 |
*m,n |
ГПЗХ, |
||||
A :W: = > А:----------------- |
||||||
1=1 |
|
W |
- W |
• |
|
|
|
"/m ax |
"/m in |
|
|||
|
|
где я ,-> 0 |
|
п |
= 1 . |
|
|
|
и ]ГЛ, |
|
/=1
Менее формален по сравнению с рассмотренным способом метод последовательных уступок [7]. Предположим, что частные критерии про нумерованы в порядке убывания их важности. Сначала решается задача оптимизации по первому, самому важному критерию W\ и отыскивается его максимальное значение W\ max. Далее по результатам проведенного ана-
анализа определяют, на какую величину AW\ можно отступить от мак симального значения Wt max, чтобы за счет этого добиться максимума по второму критерию W2. Таким образом, второй раз задача решается с пози ции максимума критерия W2 при условии Wx> WlmaK - AWX. Затем анало
гичным образом назначается уступка по второму критерию, за счет чего максимизируется показатель W3 и т. д.
Рассмотрим еще один метод свертки критериев. Основное его дос тоинство - возможность работать как с количественными, так и с качест венными критериями, то есть с такими, значения которых не могут одно значно и исчерпывающе характеризоваться единственным числом. Пред варительно решим задачу оценки объекта по совокупности нескольких по казателей, в число которых входят только качественные критерии.
Пусть, например, требуется рекомендовать производству один из нескольких имеющихся проектов набора корпусной мебели. При опреде лении лучшего варианта учитывается целый ряд показателей, в том числе и качественные: эстетические требования к внешнему виду изделия; тех нологичность конструкции; требования функциональности, включающие удобство эксплуатации, вписываемость в интерьер современной квартиры ит. д.
Для перехода к количественной оценке каждому качественному критерию Wt следует сопоставить количественный показатель Условим ся, что он может изменяться в пределах от 0 до 1, причем лучшему значе нию Wt соответствует большее значение dt. В зависимости от предъявляе мых требований качественный критерий Wt может принимать два, три или больше значений.
Соответственно этому отрезок [0, 1] на шкале dt делится на столько же равных диапазонов. С каждым значением теперь сопоставляется не которая величина dt из соответствующего диапазона. Если, например, кри терий Wt принимает три значения, которые можно назвать: «плохо», «удовлетворительно» и «хорошо», то понятию «плоко» будет соответство вать одно из значений 0< d x<0,33; понятию «удовлетворительно» - зна
чения 0,33 < d x<0,67; понятию «хорошо» - 0,67 < d x<1. Предположим
теперь, что оценка для каждого качественного критерия Wt уже преобразо вана в значение соответствующего количественного показателя df. Тогда совокупный показатель Д обобщающий все частные количественные по казатели dh рекомендуется вычислять по формуле
Д = ^ 2 . |
(2. 5) |
Такое представление обобщенного критерия оптимальности обла дает рядом достоинств. Область его значений 0 < Д < 1 совпадает с обла стью значений каждого из частных критериев dt. Величина Д равна нулю, если хотя бы один из показателей dt равен нулю, и равна единице только в
том случае, если равны единице все частные критерии dh i = 1, 2,..., п. Ес ли все показатели dt принимают одно и то же значение, то это же значение принимает и величина Д. Поэтому область значений обобщенного крите рия Д можно разбить на столько же диапазонов и с теми же границами, что и для частных критериев dt. При этом значения показателя Д в каждом диапазоне будут иметь тот же смысл. Вернемся к приведенному ранее примеру.
Т а б л и ц а 2.1
Номер |
Критерий |
|
|
Проект № |
|
|
||
п/п |
1 |
2 |
3 |
4 |
5 |
6 |
||
|
||||||||
|
|
|||||||
1 |
dx |
0,59 |
0,37 |
0,34 |
0,78 |
0,55 |
0,57 |
|
2 |
d2 |
0,61 |
0,32 |
0,85 |
0,59 |
0,62 |
0,60 |
|
3 |
di |
0,78 |
0,30 |
0,47 |
0,69 |
0,2 |
0,74 |
|
4 |
д |
0,655 |
0,329 |
0,514 |
0,682 |
0,41 |
0,632 |
|
5 |
w4 |
1800 |
1000 |
1500 |
2000 |
1700 |
1900 |
|
6 |
d4 |
0,338 |
0,80 |
0,549 |
0,20 |
0,411 |
0,267 |
|
7 |
д |
0,555 |
0,410 |
0,522 |
0,502 |
0,409 |
0,510 |
Допустим, что шесть проектов оценены по трем критериям: W\ - эстетические требования; Wi - технологичность; W3 - функциональность. Каждый критерий может
принимать одно из трех значений, в соответствие с которыми приведены диапазоны значений соответствующих количественных показателей d\, с/2 и di так, как это описано
выше. В строках 1...3 табл. 2.1 приведены значения dh присвоенные экспертами каж дому проекту по каждому из трех критериев. Каждое из чисел - результат усредне ния мнений всех участников экспертизы (предварительно необходимо убедиться в со гласованности их мнений). По формуле (2.5) при п = 3 вычислены значения обобщен ного критерия Д для каждого проекта - строка 4, табл. 2.1. Отсюда следует, что луч шую оценку по совокупности трех критериев получил проект № 4; Д = 0,682, оценка «хорошо».
Рассмотрим теперь более общий случай, когда среди п критериев имеются как качественные, так и количественные. Пусть желательно уве личение количественного критерия W,-. Изменению значений этого крите рия во всем диапазоне его варьирования сопоставим, как и в предыдущем случае, изменение* величины d{. 0 < dt < 1 . Наибольшему значению Wt =
= |
Wi max будет соответствовать значение d{ = 1, наименьшему Wt = W,- min - |
- 4 |
= 0 . |
|
Во многих случаях эффект от изменения показателя пропорциона |
лен его увеличению лишь в некоторых пределах, а при выходе за эти пре делы величина достигнутого эффекта не изменяется. В этой ситуации связь между показателями d { и Wt целесообразно задавать функцией, изображен ной на рис. 2.3. Однако эта функция имеет изломы в точках Wt min и Wt max и, следовательно, недифференцируема в них. Поэтому на практике исполь
зуют гладкую функцию, изображенную на рис. 2.4. Она называется функ цией желательности и описывается уравнением
(2.6)
Записав ех в виде ехр(х), получим
d, = ехр[- ехр ( - Ь 0- 6, W,)].
Преобразуем выражение (2.6) к виду
b0 + b i wi = - In ln(lM). |
(2.7) |
Для вычисления коэффициентов Ьо и Ь\ в функции желательности выбира ют значения dt для двух произвольных значений критерия W,-: dn для Wn и da для Wa (см. рис. 2.4), которые подставляют поочередно в выражение (2.7). Затем коэффициенты Ьо и Ъ\ определяют в результате решения сис темы двух линейных уравнений с двумя неизвестными:
(2.8)
Как правило, в качестве значений Wn и Wa выбирают Wtmjn и Wtmax, приводя в соответствие им значения dn = 0 ,2 и da = 0 ,8 .
Рассмотренная функция желательности хорошо соответствует тре бованию увеличения критерия W, в диапазоне от W,- mjn до Wt max, где она возрастает почти линейно, в предположении, что увеличение Wt свыше Wj max не требуется.
1 |
1 |
т |
Рис. 2.3. Предпочтительный вид |
Рис. 2.4. Функция желательности |
зависимости d,- от W,
Как уже отмечалось, область значений dt: 0 < < 1 можно разде
лить на диапазоны, приводя им в соответствие качественные оценки. При выборе пяти диапазонов их рекомендуемые границы и качественные оцен ки приведены в первых двух графах табл. 2.2. Такой выбор границ диапа зонов объясняется удобством вычислений и требованиями симметрии. Обозначим для краткости в формуле (2.6) { b Q+ b xW ) через у . Тогда при
у = 0 из этой формулы получаем d = е-1 * 0,37. Симметричная точка на шкале d: d = 1 - 0,37 = 0,63 является границей следующего диапазона. В третьей графе табл. 2 .2 приведены границы всех пяти диапазонов измене ния промежуточного аргумента у функции желательности.
Т а б л и ц а 2.2
Качественная оценка |
Диапазон d |
Диапазон у |
||
1 |
|
2 |
|
3 |
Очень плохо |
00,0 |
... 0,20 |
-О О ... |
-0,476 |
Плохо |
0,20 |
...0,37 |
- 0,476...0 |
|
Удовлетворительно |
0,37... |
0,63 |
0 ...+ 0,772 |
|
Хорошо |
0,63... |
0,80 |
0,772... |
+ 1,5 |
Очень хорошо |
0,80... |
1,00 |
1,5... |
+ оо |
Дополним приведенный выше пример рассмотрением еще одного, четвер того, критерия W4. Это цена соответствующего набора корпусной мебели. Значения ее для каждого варианта приведены в пятой строке табл. 2.1. Сформируем функцию желательности для этого критерия. Его следует минимизировать, поэтому сопоста вим со значением W4 min = 1000 величину d4 = 0,8, а со значением W4 max = 2000 ве личину d4 = 0,2. Система (2.8) примет следующий вид:
*0 + 6,1000 = -In In (1/0,8) =1,5;
b0 + b,2000 = -In In (l / 0,2) = - 0,476,
откуда b0 = 3,476; b\= - 0,001976.
Искомая функция желательности запишется следующим образом: d4 = exp [ - exp ( - 3,476 + 0,001976 W4) ].
По этой формуле вычислены значения d4 для каждого из проектов (см. строку
6, табл. 2.1). Рассчитываем значения обобщенного критерия Д ’по формуле
M '=ijdld 2d 3d4 (см. строку 7, табл. 2.1). Как видно, лучшим по совокупности четырех
критериев оказался первый проект.
Основное применение функция желательности находит при реше нии задач многокритериальной оптимизации с количественными крите риями. После того, как для каждого из них построена частная функция же лательности di, имеющая вид (2 .6 ), формируют совокупный критерий оп тимальности - обобщенную функцию желательности Д по формуле (2.5). Для нее решают однокритериальную задачу оптимизации. Можно пока-
зать, что как частная, так и обобщенная функции желательности обладают свойствами, позволяющими использовать их в качестве критериев опти мальности.
Формулу (2.5) для совокупного критерия оптимальности можно обобщить, если принять во внимание веса Я, соответствующих критериев dt (0< Я/< 1). В этом случае выражение для него примет вид
Все рассмотренные методы свертки критериев являются в некото рой степени искусственными и имеют ограниченное применение, посколь ку, как уже отмечалось, задача оптимизации с несколькими критериями в принципе не может быть корректно поставлена математически. Для мно гокритериальных задач в связи с этим более эффективен другой подход, который предполагает специальный анализ множества допустимых ре шений с целью исключения из рассматриваемого множества возможных вариантов заведомо неудовлетворительных решений.
Предположим, что для данного допустимого решения найдено дру гое решение, которое лучше предыдущего по каждому из рассматривае мых критериев. Тогда первое решение следует исключить из дальнейшего анализа как неперспективное. Например, в рассмотренном выше примере шестой проект уступает первому по всем критериям и может быть исклю чен. Оставшееся множество решений называется множеством Парето. Как правило, оно содержит значительно меньше элементов, чем исходное множество допустимых решений. Поэтому исследователь может провести содержательный анализ их и выбрать лучшее решение, исходя из дополни тельных неформальных требований. Эффективные методы построения множества Парето, разработанные к настоящему времени, достаточно сложны.
2.4. Задачи исследования операций в условиях неопределенности
В некоторых задачах значения отдельных параметров остаются не известны исследователю. Это могут быть факторы, связанные с характери стиками сырья, влиянием природных условий, характером спроса и требо ваний к продукции и т. д. Подход к решению таких задач зависит прежде всего от вида неопределенности. В наиболее благоприятной ситуации не определенность имеет вероятностную природу. Это означает, что неиз вестные параметры представляют собой случайные величины, значения которых можно оценить хотя бы принципиально по результатам много кратных наблюдений, проводимых в одних и тех же условиях. В этом слу
чае говорят о статистической устойчивости явления и решают задачу с применением хорошо разработанных методов теории вероятности и мате матической статистики. Таковы, например, задачи теории надежности, массового обслуживания, управления запасами при случайном спросе. За дачи оптимизации, содержащие случайные факторы, изучаются в теории стохастического программирования.
Иногда допустимо пренебречь вероятностной природой неизвест ных факторов, заменив их значения оценками соответствующих математи ческих ожиданий. Тогда задача сводится к детерминированной. Так посту пают, как правило, с эмпирическими моделями. Для них значения отклика, полученные на основании опытных данных, являются случайными вели чинами. По результатам обработки эксперимента методом регрессионного анализа отыскивают зависимость оценки математического ожидания от клика от варьируемых факторов, с которой в дальнейшем работают как с детерминированной моделью.
Сложнее ситуации, когда исключена возможность применения ста тистических методов из-за отсутствия статистической устойчивости явле ния. Примером может служить характер спроса на отдельные виды про дукции на внешнем рынке, подверженный влиянию многих факторов раз ной природы. Подобными задачами занимается теория принятия решений.
Возможны случаи, когда неопределенность в постановке задачи ис следования операций связана с действиями противника, преследующего цели, полностью или частично противоположные нашей. Это прежде всего задачи, имеющие военные приложения, а также ситуации, предполагаю щие конкурентную борьбу. Математические модели таких задач рассмат риваются в теории игр.
Глава 3
ОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ДЕРЕВООБРАБОТКИ С ПРИМЕНЕНИЕМ МЕТОДОВ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ
3.1. Примеры моделей и общая постановка задачи линейного программирования
Задачи линейного программирования (ЗЛП) составляют большой класс задач исследования операций. К ним сводятся многие задачи распре деления ресурсов: оптимальной загрузки станков, формирования произ водственной программы деревообрабатывающих предприятий, планирова ния раскроя листовых и круглых древесных материалов и ряд других.
Особенность структуры ЗЛП состоит в том, что критерий опти мальности в них линейно зависит от элементов решения, а условия функ ционирования объекта записываются в виде линейных равенств или нера венств относительно этих переменных. Такие ограничения называются ли нейными.
Рассмотрим несколько примеров задач линейного программирова
ния.
3.1.1. Задача формирования производственной программы
Мебельная фабрика выпускает три вида изделий: шкафы, столы и стулья. В производстве применяется оборудование трех типов: фрезерные, сверлильные и шлифовальные станки. Известны нормы времени работы, ч, для каждого типа оборудования при изготовлении одного изделия каждого вида (табл. 3.1).
|
|
|
Т а б л и ц а 3.1 |
Вид |
|
Станки |
|
изделия |
фрезерные |
сверлильные |
шлифовальные |
|
|||
Шкафы |
0,25 |
0,18 |
0,24 |
Столы |
0,20 |
0,13 |
0,19 |
Стулья |
0,30 |
0,11 |
0,14 |
Согласно плановому заданию должно быть изготовлено не менее 150 шкафов, 200 столов и 400 стульев. Фабрика получает прибыль за изго товление одного шкафа в размере 5 руб.; стола - 3 руб. и стула - 2 руб. Из вестен ресурс рабочего времени: фрезерных станков - 250 ч; сверлильных станков - 300 ч; шлифовальных станков - 320 ч. Требуется определить ко личество выпускаемых изделий, при котором план по каждому виду про