Dom » Plany biznesowe » Inteligentne zarządzanie projektami i modelowanie symulacyjne. Modelowanie decyzji zarządczych Modelowanie sytuacyjne w zarządzaniu projektami

Inteligentne zarządzanie projektami i modelowanie symulacyjne. Modelowanie decyzji zarządczych Modelowanie sytuacyjne w zarządzaniu projektami

Podstawowe definicje w zarządzaniu projektami. Monitorowanie postępów projektu. Struktury organizacyjne. Wykres sieci. modele tymczasowe. Zarządzanie zasobami. Śledzenie postępów projektu. Wykres Ganga. Harmonogramy wczesnego/późnego startu. Projekt macierzy. Metoda ścieżki krytycznej (CPM). Metoda ewaluacji i weryfikacji programów (Technika Oceny Programu i Raportowania – PERT). Model czasowo-kosztowy. Samodzielny projekt (Pure Project). Struktura podziału prac projektowych (WBDS). Zarządzanie projektami ( zarządzanie projektami). Projekt funkcjonalny (projekt funkcjonalny). Modelowanie rozwoju produktu i wybór procesu technologicznego w sektorze produkcyjnym Projekt produktu. Projektowanie przepływu produkcji. Analiza procesu. Kryteria doskonałości w procesie tworzenia produktu. Analiza progu rentowności. Wirtualna Fabryka (Wirtualna Fabryka) Mapa procesu technologicznego. (SCHEMAT PRZEPŁYWU PROCESU). Matryca „dom jakości” (House of Quality). Ciągły przepływ. Pokazana produkcja (Job Shop). Macierz produktu-procesu. Funkcjonalna analiza kosztów (analiza wartości / inżynieria wartości). Technologie w produkcji. Zintegrowane systemy produkcyjne. Technologie w sektorze usług. Ocena zwrotu z inwestycji w technologię. Systemy zautomatyzowane planowanie i zarządzanie produkcją (Automatyczne Systemy Planowania i Sterowania Produkcją - MP&CS). Zautomatyzowane systemy transportu materiałów (AMH). Elastyczne systemy produkcyjne (Flexible Manufacturing Systems - FMS). Zintegrowane systemy produkcyjne (Computer-Integrated Manufacturing - CIM). Automatyzacja biura (Automatyzacja biura). System projektowanie wspomagane komputerowo,(Projektowanie wspomagane komputerowo - CAD). Systemy klient/serwer. Wspomaganie decyzji i systemy eksperckie. Systemy rozpoznawania obrazu (Image Processing Systems. Elektroniczna wymiana danych - EDI). MODUŁ 3: MODELE PROJEKTOWANIA USŁUG I WYBÓR PROCESÓW USŁUG Istota usług. Klasyfikacja operacyjna usług. Projektowanie organizacji usługowych. Strukturyzacja kontaktów serwisowych. Trzy rodzaje systemów usługowych. Obsługa w środowisku klienta (Field-Based Services). Obsługa w środowisku przedsiębiorstwa usługowego (Facility-Based Services). Pakiet usług. Gwarancje serwisowe (Gwarancje serwisowe). Plan serwisowy(Plan usługi). Macierz usług-systemów (macierz projektowania usług-systemów). Koncentracja na usługach Modelowanie zarządzania kolejką Ekonomiczna istota problemu kolejek. System kolejkowy. modele kolejkowe. Komputerowe modelowanie kolejek. Intensywność strumienia przychodzącego (szybkość przybycia). Intensywność usługi (Service Rate). Ostatnia kolejka (Finite Queue). Wielokanałowa, wielofazowa struktura (Multichannel, Multiphase). Struktura jednokanałowa, jednofazowa (pojedynczy kanał, jednofazowa). Kolejka Rozkład Poissona. System kolejkowy. Rozkład wykładniczy. Modelowanie zarządzania jakością Wymagania jakościowe i koszty zapewnienia jakości. Ciągłość ulepszeń. System Shinto. Kompleksowe zarządzanie jakością (TQM). Koszt zapewnienia jakości (Cost of Quality - COQ). Jakość projektu. Jakość u źródła. Ciągłe doskonalenie (CI). „Zero defektów” (Zero defektów). Definicja benchmarku (Benchmarking). Wskaźniki jakości (Wymiary Jakości). Procedura Poka Yoke. Zgodność Jakość. Normy ISO 9000. Cykl „planowanie – wykonanie – sprawdzenie – reakcja” (cykl PDCA – Planuj-Wykonaj-Sprawdź-Działaj). MODUŁ 4 „MODELOWANIE ZDOLNOŚCI PRODUKCYJNYCH I PROCESU PRACY” Strategiczne planowanie pojemności. Elastyczność pojemności. Drzewo decyzyjne. Wskaźnik wykorzystania mocy produkcyjnych. Zdolność produkcyjna (pojemność). Rezerwa chodu (poduszka pojemnościowa). Strategiczne planowanie zdolności. Moc ogniskowania (pojemność skupienia). Efekt skali produkcji (Economies of Scope). Systemy produkcyjne just-in-time (JIT) Logika JIT. Japońskie podejście do wydajności. Północnoamerykańskie warianty JIT. Wymagania systemowe JIT. JIT w sektorze usług. Automatyczna kontrola jakości (Automatyczna kontrola). Całkowita kontrola jakości (TQC). System produkcyjny „Pulling” (ciągnący) „Kanban” (System Kanban Pull). Technologia grupowa (Technologia grupowa). Jakość u źródła. Kręgi jakości. Metoda zamrażania okna. Konserwacja zapobiegawcza i naprawa sprzętu (Konserwacja zapobiegawcza). Sieć wyspecjalizowanych fabryk (Focused Factory Network). System Just-In-Time (JIT). Harmonogram schodkowy (Harmonogram poziomu). Zarządzanie oddolne (zarządzanie oddolne). Rozmieszczenie obiektów produkcyjnych i usługowych Kryteria rozmieszczenia obiektów produkcyjnych. Metody umieszczania przedsiębiorstwa przemysłowe. Rozmieszczenie obiektów usługowych. Analityczny model Delphi. Metoda środka ciężkości. Model regresji. Systemy „czynnikowej oceny” (systemy „czynnikowej oceny”). Metoda heurystyczna Ardalana. Rozmieszczenie sprzętu i układ pomieszczeń Główne sposoby umieszczania sprzętu. Rozmieszczenie sprzętu zgodnie z zasadą technologiczną. Umiejscowienie produkcji według zasady przedmiotowej. Wyważanie linii montażowej (Wyważanie linii montażowej). Metoda systematycznego planowania układu (SLP). Układ biura. Relacja priorytetowa. Rozmieszczenie sprzętu zgodnie z zasadą przedmiotową (Układ Produktu). Rozmieszczenie sprzętu zgodnie z zasadą technologii grupowej (Grupa Technology Layout). Rozmieszczenie sprzętu zgodnie z zasadą obsługi obiektu stałego (Układ o ustalonej pozycji). Rozmieszczenie urządzeń zgodnie z zasadą technologiczną (układ procesu). Lokalizacja usługi i przedsiębiorstwa handlowe(Układ usług detalicznych). „Krajobraz usług” (Servicescape). Metoda porównawcza komputerowego rozmieszczenia obiektów produkcyjnych (Computerized Relative Allocation of Facilities Technique - CRAFT). Takt (Czas cyklu).

MODUŁ 5 „MODELOWANIE PROCESÓW PRACY I REGULACJA PRACY” Decyzje planistyczne proces pracy. Aspekty behawioralne w planowaniu procesu pracy. Fizjologiczne aspekty w planowaniu procesu porodowego. Metody pracy. Pomiar i regulacja pracy. Systemy zachęt finansowych do pracy.

Pomiar pracy (Pomiar pracy). Metoda obserwacji próby (Próbka pracy). Metoda normalizacji MOST (Most Work Measurement Systems). Metody pomiaru czasu pracy (Metody Pomiaru Czasu). Wzorce mikroelementowe (Elemental Standard-Time Data). Systemy racjonowania mikroelementów (Predetermined Motion-Time Data Systems - PMTS). Norma czasu (czas standardowy). Normalny czas. Planowanie procesu pracy (Job Design). Systemy pracy z rozszerzonymi obowiązkami (Job Enrichment). Finansowe systemy motywacyjne (Finansowe Plany Motywacyjne). Socjotechniczne systemy pracy (Sociotechnical Systems). Specjalizacja Pracy. Udział w dochodach (Podział zysków). Udział w zyskach (Podział zysków). Fizjologia pracy (Fizjologia pracy). Czas (studium czasu). Modelowanie zarządzania dostawami. Zarządzanie zakupami Zarządzanie łańcuchem dostaw. Nabywanie. Zakup w samą porę. Globalne źródła zaopatrzenia. strumienie informacja elektroniczna w dostawie. Outsourcing. Szybka reakcja (Quick Response - QR). Wartość ładunku (gęstość wartości). Zaopatrzenie „just in time” (zakup Just-in-Time). Logistyka. „Produkuj lub kup” (Make lub Buy). Partnerstwo strategiczne. Kontrola przepływ materiałów(Zarządzanie materiałami). Łańcuch dostaw. Skuteczna reakcja na żądania konsumentów (Efficient Consumer Response - ECR). Prognozowanie Zarządzanie popytem. Rodzaje prognozowania. składniki popytu. Jakościowe metody prognozowania. Analiza szeregów czasowych. Prognozy przyczynowe (przyczynowe). Wybór metody prognozowania. Skupienie przewidywania. Prognozy komputerowe.

Analiza szeregów czasowych. Zgoda grupowa (konsensus panelu). Zapotrzebowanie zależne. Badania rynku. Stałe wygładzania Alpha. Korzenie Trawy. Metoda Delphi Wyrok wykonawczy. Niezależny popyt. Związek przyczynowy (przyczynowy) (związek przyczynowy). Prognozowanie oparte na regresji liniowej (Prognozowanie regresji liniowej). Czynnik sezonowy. Średnie kroczące. Bezsezonowość popytu. Średnie odchylenie bezwzględne. Sygnał śledzenia. Efekt trendu. Prognoza skupiająca (prognozowanie ostrości). Wygładzanie wykładnicze.

Planowanie skumulowane

Rodzaje planowania. Hierarchiczne planowanie produkcji. Skumulowane planowanie produkcji Metody planowania skumulowanego. Planowanie dalekiego, średniego i krótkiego zasięgu (planowanie dalekiego, średniego i krótkiego zasięgu). Zapas gotówki (inwentarz w kasie). Główny harmonogram produkcji (MPS). Planowanie wymagań dotyczących wydajności (CRP). Zgrubne planowanie wydajności. Strategia mieszana. Planowanie agregatów Strategie planowanie produkcji(Strategie Planowania Produkcji). Czysta strategia.

Artykuł ten planowany jest jako pierwsza publikacja z serii artykułów dotyczących inteligentnego zarządzania projektami.
W publikacji pokrótce zostaną omówione zagadnienia symulacji zarządzania projektami (PM) oraz intelektualizacji PM.

Zakłada się, że czytelnik posiada powierzchowną wiedzę z zakresu teorii zarządzania projektami oraz Analiza systemu, a także ewentualnie z projektowaniem systemów informatycznych. Dogłębna wiedza we wszystkich lub jednej z dziedzin może wywołać nieodpartą chęć napisania komentarza, co jest mile widziane!...lub rzucenia czymś ciężkim w autora...
Więc zacznijmy.

1. Model projektu

Zgodnie z PMBoK 5 (1), istnieje kilka obszarów wiedzy z zakresu zarządzania projektami (nie wszystkich poruszymy). W każdym z obszarów projekt jest rozpatrywany z różnych perspektyw, wyróżnia się wszelkiego rodzaju podmioty/obiekty, metody zarządzania i ich wpływ na projekt, jako sposób organizacji pracy do osiągnięcia konkretny cel lub rozwiązywanie problemów. Tutaj tylko krótko opisujemy typowe obiekty, które można zidentyfikować w zarządzaniu projektami, ich charakterystykę, relacje, a także ogólną mechanikę symulacji i jej zgodność z cyklem życia projektu.

Typowe obiekty i ich charakterystyka
Projekt ma następujące cechy: kierownik, nazwa, typ, planowana data rozpoczęcia, rzeczywista data rozpoczęcia, planowana data zakończenia, rzeczywista data zakończenia, aktualny stan cyklu życia, bilans otwarcia projektu, bilans bieżący projektu.
Cechy obliczone lub określone na podstawie innych obiektów: zespół projektowy, procent wykonanych prac, opóźnienie lub prowadzenie w ilości wykonanej pracy, opóźnienie lub prowadzenie w kategoriach, planowany koszt.
Zadanie/Praca- tutaj wskazano cechy podobne do projektu, do których dodawane są: akceptant, odpowiedzialny wykonawca, rodzaj wykonywanej pracy, projekt, miejsce, procent wykonania.
Cechy obliczone lub ustalone na podstawie innych obiektów: kolejność realizacji w ramach projektu, skład wykonawców, historia zmian stanu, koszt wykonania zadania/pracy.
zasób materialny(środki trwałe): rodzaj obiektu, data rejestracji, data uruchomienia, nazwa, wartość księgowa.
Naliczona lub ustalona: amortyzacja, stan aktualny, gdzie jest aktualnie wykorzystywana, harmonogram użytkowania.
Zasób zużywalny(surowce, części zamienne): rodzaj zasobu, zapasy początkowe, lokalizacja, data dostawy, data ważności.
Szacunkowe lub ustalone: rezerwy bieżące, intensywność zużycia
Personel: imię i nazwisko, stałe miejsce pracy.
Szacunkowe lub ustalone: dyspozycyjność do pracy, kompatybilność z innymi pracownikami, aktualna lokalizacja na czas pracy, jeśli dotyczy, harmonogram prac.
Ryzyko: prawdopodobieństwo wystąpienia, koszt uszkodzenia, opis, czas trwania oddziaływania, wskaźnik wyzwalania ryzyka.
Obliczone lub ustalone: środki eliminujące konsekwencje, środki zapobiegające wystąpieniu lub uchylaniu się, koszt, termin realizacji.

Relacje i zależności
Projekt — zadanie- są realizowane w ramach czasowych projektu.
zadanie--zadanie- może mieć relację hierarchiczną (pionową), może mieć relację w postaci wskazania kolejności wykonywania (pozioma).
Zasób materialny -- zadanie– jest powiązany relacją harmonogramu do zadania, wskazując harmonogram użytkowania.
Zasób zużywalny — zadanie– wiąże się stosunkiem harmonogramu do zadania ze wskazaniem niezbędnego marginesu na jego realizację.
Personel - zadanie– może być wykorzystany w ramach kilku zadań, dla których wskazany jest harmonogram pracy oraz procent wykorzystania w zadaniu.
Ryzyko — [Przedmiot]– przy określeniu związku z [Obiektem] wskazane jest prawdopodobieństwo wystąpienia.
Oczywiście, że tak nie jest pełna lista przedmioty.

Mechanika
Każdy cykl modelowania odpowiada ustalonemu czasowi - 1 dzień/godzinę realizowanego projektu. W tym celu zaakceptujemy wszystkie terminy i interwały w projekcie - wielokrotności 1 dnia/godz. Schemat pętli symulacji pokazano poniżej:

Cykl symulacji wygląda następująco:

Ustaw wartości początkowe dla projektu, który ma być symulowany. Powstaje projekt, przygotowywany jest harmonogram projektu, drzewo ryzyka. Na tym etapie dostępne są również funkcje wsparcia intelektualnego zarządzania projektami, ale tego kroku nie da się wykonać bez decydenta.
Iteracja rozpoczyna się od określenia wartości efektywnych.
Wykonanie rytmu. W każdym cyklu symulacji wykonywane są następujące operacje:
- zasoby przeznaczane są na zadania,
- sprawdzane jest prawdopodobieństwo awarii (ryzyka),
- wykonywana jest określona ilość pracy z listy prac dla projektu,
- transakcje finansowe dla projektu.
Przechowuje obliczone wartości dla określonej miary
Sprawdzenie warunków zakończenia symulacji.
Zakończenie symulacji i wyjście wyników (wartości analityczne, zagregowane i szczegółowe według kroków symulacji). Po zakończeniu symulacji zapisywane są ostatnie (końcowe) wartościoraz przyczyny przerwania symulacji.
Wydawanie użytkownikowi (lub decydentowi - decydentowi) informacji o stanie projektu bez wykorzystania optymalizacji, modułów analitycznych i wspomagania decyzji. Użytkownik musi zareagować na aktualny stan (jeśli to konieczne) lub kontynuować symulację.
Ocena decyzji zarządczych użytkowników na podstawie aktualnych wartości, a także retrospektywa ich zmian i decyzji zarządczych podejmowanych przez użytkownika z wykorzystaniem algorytmów optymalizacyjnych, modułów analitycznych i wspomagania decyzji.

Zgodnie z cyklem życia projektu rozróżnimy:

inicjalizacja i planowanie projektu - 1 krok
realizacja projektu - 2-5, 7 i 8 etap cyklu
zakończenie projektu - krok 6

Uwagi ogólne
Wszystkie dane pośrednich kroków symulacji są zapisywane i gromadzone w bieżącej symulacji. Podczas dalszej pracy algorytmów optymalizacyjnych (na 8. kroku cyklu symulacji) można wykorzystać dane zarówno z symulacji bieżącej, jak i poprzedniej (dostosowane do wyniku ukończenia symulacji).
Przy kilku jednocześnie wykonywanych czynnościach projektowych symulacja jest dla nich wykonywana tak, jakby była wykonywana równolegle (tj. symulowane jest jednoczesne wykonanie), przy braku rozbieżności co do wykorzystywanych zasobów.
W przypadku kilku pracowników/rodzajów zasobów symulacja wykonywana jest dla każdego z nich równolegle (tzn. są zużywani jednocześnie), o ile nie ma rozbieżności co do wykorzystywanych zasobów.

2. Technologie wdrożeniowe

Główne rozważane kwestie:

przechowywanie struktury danych projektu w bazie danych
interfejs do interakcji użytkownika ze strukturą bazy danych
narzędzia do implementacji serwera symulatora
interfejs do interakcji pomiędzy bazą danych a serwerem symulatora
przechowywanie sieci neuronowej i pośrednich kroków iteracyjnych symulatora
interakcja między interfejsem aplikacji a siecią neuronową

Ponieważ łatwo jest zobaczyć obiekty projektu i powiązania między nimi, łatwo jest je przedstawić w postaci relacji relacyjnej bazy danych, a przechowywanie w tej postaci również nie jest trudne, tj. wystarczy relacyjna baza danych - na przykład MySQL.
Do opracowania interfejsu wybierzemy framework Yii 2 (i odpowiadający mu stos technologiczny - PHP, HTML itp.).
Implementacja serwera symulacyjnego - Node.js
Implementacja sieci neuronowej dla Node.js, na przykład - habrahabr.ru/post/193738
Interakcja z frontendem (Yii2) i Node.js - github.com/oncesk/yii-node-socket
Kwestia formatu przechowywania samej sieci neuronowej pozostaje otwarta, co podlega następującym wymogom:

Odzwierciedlenie właściwości sieci neuronowej (powiązania, wagi połączeń itp.)
Bezpieczny dostęp (unikaj bezpośredniego wpływu użytkownika na sieć)
Umiejętność szkolenia sieci.

2. Logika sterowania

Dla każdego z obszarów wiedzy z zakresu zarządzania projektami znajdują się stwierdzenia problemowe i opisane matematyczne metody ich rozwiązywania, z którymi autorka jest zaznajomiona powierzchownie. W zależności od modelu sterowania znajomość tych zasad i sposobów rozwiązywania problemów powinna być redystrybuowana między systemem a użytkownikiem. Modele zarządzania są następujące: (1)

zarządzanie z powiadomieniami- system nie wpływa na obiekt (projekt), ale wyświetla powiadomienia o zmianach wskaźników i możliwości wykonania działań (od decydenta wymaga się podjęcia decyzji i maksymalnej wiedzy).
interaktywna kontrola- system oferuje czynności kontrolne, ale decyzja pozostaje w gestii decydenta (podejmowanie decyzji należy do decydenta).
kontrola heurystyczna- system sam podejmuje decyzje i wykonuje niektóre czynności (decydent zostaje wyłączony z procesu zarządzania).

Samo wdrożenie zarządzania polega na monitorowaniu i analizowaniu całości cech projektu oraz ocenie ich odchylenia od „normalnego” za dany czas z uwzględnieniem dynamiki ich zmiany. Działania kontrolne dobierane są na podstawie uzyskanych danych (tj. czy taka kombinacja cech dowolnego efektu pasuje), a także analizowane są podobne projekty o podobnej sytuacji i podjęte w nich decyzje. W zależności od stopnia lub poziomu odchylenia można zastosować pewne metody oddziaływania:

Redystrybucja zasobów między zadaniami;
Redystrybucja zasobów pracy między zadaniami;
Zmiana harmonogramu zadań;
Planowanie zamówień;
Uchylanie się lub podejmowanie działań w celu wyeliminowania skutków zagrożeń.

W przypadku metod oddziaływania ważne są następujące cechy: stopień zgodności z sytuacją, czas realizacji, koszt wdrożenia, możliwy czas rozpoczęcia realizacji. Aby określić odpowiedni tryb ekspozycji, ważne jest:

Charakterystyka określona przez ekspertów.
Dostępność informacji w zgromadzonej bazie zrealizowanych projektów.

Logiczne jest budowanie tych mechanizmów przy użyciu sieci neuronowych i logiki rozmytej. Algorytmy te mogą być wykorzystywane zarówno na etapie inicjowania i planowania projektu, jak i na etapie jego realizacji. Możliwe jest wykonanie analizy - jak zmienić charakterystykę po zastosowaniu akcji sterującej.

3. Intelektualizacja symulacji

To. na etapie realizacji taktu decydent może zostać całkowicie wyłączony z procesu zarządzania. Co jest do tego potrzebne? Do modelowania zdarzeń potrzebne są doprecyzowania niektórych cech (przybliżonych). Aby wykonać czynności kontrolne, system musi „poznać” dodatkowe informacje dotyczące tematu, na przykład:
1. Redystrybucja zasobów pomiędzy zadaniami.

wymienność zasobów - można ustawić za pomocą tabel macierzy korespondencji;
prawdopodobieństwo awarii zasobów - prawdopodobieństwo wskazane w zakresie od Xmin do Xmax;
możliwość równoległego użycia przez kilka wykonawców - jako logiczna właściwość zadania.

2. Redystrybucja zasobów pracy pomiędzy zadaniami.

wymienność i niekompatybilność personelu - można ustawić za pomocą tabel macierzy korespondencji;
wydajność pracy - jako wartość wyliczona na podstawie danych o: stażu pracy, wieku, zaawansowanym szkoleniu itp.
stosunek rodzajów wykonywanej pracy i umiejętności wymaganych do jej realizacji jest podobnie rozwiązywany przez macierze;
prawdopodobieństwo nieobecności zasobów pracy (prawdopodobieństwo zachorowania) – prawdopodobieństwo wskazane w przedziale od Xmin do Xmax;
możliwość równoległego wykonywania jednej pracy przez kilku wykonawców - jako logiczna właściwość zadania.

3. Zmiana harmonogramu zadań.

czy możliwe jest zawieszenie zadania, czy też wykonanie powinno być ciągłe - jako logiczna właściwość zadania;
to, czy zadanie znajduje się w „ścieżce krytycznej” (tj. termin jego realizacji bezpośrednio wpływa na termin zakończenia projektu) jest określane przez system „w locie”.

4. Planowanie zakupów.

intensywność zużycia zasobów – określana przez system „w locie”.
możliwość zakupu niezbędny sprzęt- jako logiczna właściwość zadania.

5. Unikanie lub podejmowanie działań w celu wyeliminowania skutków zagrożeń.

prawdopodobieństwo awarii sprzętu - prawdopodobieństwo wskazane w zakresie od Xmin do Xmax;
możliwe opcje unikania i eliminowania konsekwencji - rozwiązywane za pomocą macierzy lub list zgodności (wskazujące stopień zgodności).

To nie jest wyczerpująca lista zadań. W tym miejscu należy również zwrócić uwagę na fakt, że nie ma uniwersalnego rozwiązania dla żadnego projektu, a to, co jest dobre dla jednego projektu, to śmierć dla innego. To. potrzebne są pewne kluczowe cechy, ich kombinacje i ich wartości, które pozwolą na typowanie i klasyfikację, wybór podobnych projektów do szkolenia systemu, na przykład:

rodzaje zaangażowanych zasobów;
rodzaje przydzielonych zadań;
kwalifikacje i umiejętności zaangażowanego personelu;
wielkość budżetu;
czas trwania projektu;
sukces projektu;
liczba uczestników itp.

Daleko od ostatniej roli będzie odgrywał czynnik niepewności zarówno cech opisanych powyżej, jak i cech samego projektu.

4. Wiele agencji

Jak wspomniano powyżej, spory dotyczące wykorzystania zasobów mogą występować zarówno w ramach projektu między zadaniami, jak i między różnymi projektami wykorzystującymi te same zasoby. Aby uprościć pracę z zasobami, wybierzemy agenta, którego nazwiemy „Arbiterem zasobów”. To do niego agenci „Projektów” zwrócą się po niezbędne zasoby, które umożliwią redystrybucję nawet zarezerwowanych zasobów w zależności od wagi (krytyczności) wykonywanych zadań lub projektów.

Wniosek

Co da takie modelowanie symulacyjne lub symulacja zarządzania projektami? Odpowiedź jest prosta:

zarządzanie z powiadomieniami- może służyć jako szkolenie lub testowanie decydentów pod kątem znajomości określonych zasad lub umiejętności rozwiązywania problemów związanych z zarządzaniem projektami.
interaktywna kontrola- opracowanie niektórych praktyk i przetestowanie ich na modelu. Umożliwi to dostosowanie modelu do sytuacji lub odwrotnie, aby ocenić opanowanie metod rozwiązywania problemów PM przez samego decydenta (samoocena).
kontrola heurystyczna- możliwość dużej liczby przebiegów symulacji i zgromadzenia pewnych doświadczeń (danych) na temat tych symulacji w celu ich dalszej analizy.

Jednak sama imitacja i symulacja nie jest celem końcowym. W wyniku nagromadzenia w bazie symulacyjnej wystarczająco dokładnych prostych i złożonych modeli, opracowania i debugowania zachowania modelu symulacyjnego oraz modułów realizujących interakcję interakcyjną i sterowanie heurystyczne (bez decydenta), możliwe jest zastosowanie zgromadzone reguły i algorytmy do sterowania (lub inteligentnego wspomagania sterowania) rzeczywistymi projektami (3).
Wdrożenie takiego systemu w postaci rozwiązania SaaS, przy zaangażowaniu określonej liczby uczestników, umożliwi dostęp do doświadczeń zawodowych (bezosobowych) innych uczestników (z możliwością nauki systemu).

Lista wykorzystanych źródeł

pmlead.ru/?p=1521 . [W Internecie]
www.aaai.org/ojs/index.php/aimagazine/article/view/564. [W Internecie]
us.analytics8.com/images/uploads/general/US_2010-10_Whitepaper_BI_Project_Management_101.pdf . [W Internecie]

1. Stwierdzenie problemu zarządzania sytuacyjnego (filozofia podejścia sytuacyjnego)

modelowanie sytuacyjne to gałąź działalności analityczno-systemowej, która przeżywa odrodzenie we współczesnym świecie.

Pierwsze wcielenie – czysto naukowe – miało miejsce kilkadziesiąt lat temu w odniesieniu do przedmiotów i zadań bardziej „romantycznych” niż praktycznych: modelowania myślenia, zabawy w strategie, modelowania wzrostu czy wieloczynnikowego zachowania. Obiekty zostały określone jako „złożone”, tj. takie, w stosunku do których nie jest możliwy ścisły funkcjonalny lub wyczerpujący opis „macierzowy” (poprzez wyliczenie wszystkich wartości parametrów), co zalicza je do klasy obiektów „kartezjańskich” o liniowej przyczynowości. Wskazanie „zagnieżdżania się” systemów w sobie (dekompozycji) miało znaczenie bardziej filozoficzne (epistemologiczne) niż formalne, matematyczne. Wszystko to jednak stopniowo zyskało rygorystyczne uzasadnienie naukowe w postaci cybernetyki, teorii mnogości, matematycznych teorii reprezentacji procesów nieliniowych i teorii katastrof.

modelowanie sytuacyjne opiera się na rygoryzmie podejść teoretycznych, ale dodatkowo zawiera środki różnicowania warunków „pomimo” formalnych ograniczeń. Z czysto technicznego punktu widzenia najnowszy dodatek jako narzędzie do modelowania pojawił się właśnie w ostatnich latach dzięki rozwojowi aplikacji komputerowych (programowanie obiektowe, technologie przypadków, GUI i inne narzędzia do wizualizacji). W odpowiedzi na rozwój tych zdolności podciąga się taki lub inny teoretycznie zaprojektowany aparat: modelowanie probabilistyczne, logika rozmyta… Czyli modelowanie sytuacyjne, przy całej swojej początkowej „marzycielskiej” (określanej jako próba przedstawienia złożonych procesów w kategoriach normalnego języka ludzkiego, języka sytuacji, w przeciwieństwie do bezwarunkowo szanowanego, ale języka rachunku całkowo-różnicowego, który trudno powiązać z konkretnymi sytuacjami) – modelowanie sytuacyjne staje się zarówno bardziej możliwe, jak i bardziej poprawne z punktu widzenia ścisłej ważności teoretycznej.

Wreszcie ostatnia uwaga w odniesieniu do problemu holistycznej reprezentacji obiektów jest taka, że świadomie postawione zadanie modelowania sytuacyjnego wprowadza konsumenta modelu (w aplikacji komercyjnej, szefa przedsiębiorstwa) w „rzeczywistość wirtualną”: proponuje się „odgrywanie” sytuacji. Rozegrane scenariusze nie muszą się sprawdzać, ale mogą ostrzegać – i to jest ich bezwarunkowa użyteczność.

Sposób na wdrożenie modelowania sytuacyjnego – - zestaw inteligentnie zorganizowanych stanowisk pracy z automatycznym pobieraniem i uzupełnianiem informacji (w tym konwerterami danych), procedurami budowania modeli, analizowaniem sytuacji, uruchamianiem modeli, graficzną reprezentacją utraconych scenariuszy.

modelowanie sytuacyjne jest jednym z podejść do modelowania. Oprócz modelowania sytuacyjnego dostępne są również , .

Proces modelowania można podzielić na dwie części: projektowanie systemu (modelowanie) i symulację modelową (symulacja). Termin imitacja jest celowo nieużywany, ponieważ jest zwykle kojarzony z . Efektem projektu jest model przedstawiony w odpowiednim języku do opisu (reprezentowania) wiedzy, którego głównym elementem jest koncepcja .

O potrzebie zastosowania podejścia sytuacyjnego do modelowania i sterowania decydują następujące właściwości systemów złożonych: [Pospelov, 1986; Klikow, 1980]

Wyjątkowość.Każdy obiekt ma taką strukturę i funkcje, że jego system zarządzania musi być zbudowany z uwzględnieniem wszystkich jego cech i nie można do niego zastosować żadnej standardowej procedury zarządzania.
Brak sformalizowanego celu istnienia. Nie wszystkie przedmioty potrafią jasno sformułować cel swojego istnienia.
Brak optymalności. Konsekwencją pierwszych punktów jest nieumiejętność postawienia klasycznego problemu optymalizacyjnego Ze względu na brak celu istnienia (w ramach teorii sterowania) niemożliwe jest skonstruowanie obiektywnego kryterium sterowania dla rozważanych obiektów. Kryterium kontroli staje się subiektywne, całkowicie zależne od decydenta (DM).
Dynamizm. Z biegiem czasu zmienia się struktura i funkcjonowanie obiektów.
Niepełny opis. Z reguły zespół ekspertów znający przedmiot kontroli nie jest w stanie od razu sformować takich informacji, co z pewnością wystarczyłoby do stworzenia systemu kontroli dla obiektu.
Znaczna liczba tematów. W wielu obiektach zarządzania ludzie są elementami ich struktury. Ich indywidualne zachowanie jest praktycznie niemożliwe do uwzględnienia przy tworzeniu systemu sterowania i wymagane są specjalne techniki, aby zneutralizować ich wpływ na funkcjonowanie obiektu sterowania.
Duży wymiar. Złożony system charakteryzuje się dużymi wymiarami, co nie pozwala na jego symulację w krótkim czasie.
informacje nieformalne. Często do podjęcia decyzji konieczne jest uwzględnienie słabo sformalizowanych koncepcji.

2. Metody modelowania sytuacyjnego

Do opisu sytuacji stosuje się języki i modele semiotyczne (sytuacyjne), wśród których można wyróżnić następujące główne podejścia:

dyskretne sieci sytuacyjne (DSN);
kody RX;
Logika predykatów;
uniwersalny kod semantyczny.

Sieć sytuacyjna jest złożoną siecią semantyczną. Każda sytuacja jest opisana za pomocą grafu skierowanego (sieci), a hipergrafy służą do reprezentowania zagnieżdżenia ("sytuacji sytuacji"), tj. pewien fragment sieci semantycznej definiujący sytuację można uznać za jeden węzeł sieci. Na początku nie używano pojęcia hipergrafu, zamiast tego każdy autor wprowadzał notację zastępczą.

Kody RX są językiem relacji binarnych i mają następujący wpis jako podstawową konstrukcję: x 1 =x 2 r 2 x 3 , gdzie x i jest obiektem lub ; r ja - stosunek.

Uniwersalny kod semantyczny wykorzystuje potrójne SAO jako podstawową konstrukcję, która odpowiada podmiotowi S wykonującemu akcję A na obiekcie O.

Do implementacji języków semiotycznych w komputerze wykorzystywane są języki reprezentacji wiedzy. Najbliższym podejściem do opisu konstrukcji semiotycznych jest sieć semantyczna. Jednak sieci są bardzo powolne podczas korzystania z operacji wyszukiwania, dlatego struktury są często reprezentowane za pomocą logiki predykatów [Devyatkov, 2001], ramek [Pospelov, 1990] i produkcji [Gavrilova, 2001].

Należy zauważyć, że metody reprezentacji wiedzy w systemach sytuacyjnych oraz modelowanie symulacyjne. Sytuacje pełnią rolę wierzchołków sieci. Jeśli zastosuje się sieci Petriego, to wierzchołki (pozycje) będą sytuacjami, a przejścia będą zdarzeniami.

Szczególnie możliwe jest przydzielenie metod wizualizacji sytuacji. Mają one na celu rozwiązanie problemów optymalnego wyświetlania informacji na monitorach (metody scenariuszowe [Bogatyrev, 2002], metoda mapy abstrakcyjnej) oraz dekompozycji obrazów na przekroje modelu sytuacyjnego. Praca [Isaev, 1994] przedstawia adaptacyjny język wizualizacji.

Spinki do mankietów: : Historia wystąpienia. Metoda zarządzania sytuacyjnego
powstały w związku z koniecznością modelowania procesów w trakcie
podejmowanie decyzji w systemach z elementem aktywnym (człowiekiem). V
Opiera się na trzech głównych założeniach.
Pierwszą przesłanką jest psychologia, od której rozpoczęły się badania
opisać zasady i modele podejmowania decyzji przez człowieka w operze
aktywne sytuacje. Znane są w tym prace sowieckich psychologów
region - V.N. Puszkin, BF Łomow, wiceprezes Zinchenko i inni. V.N. Puszkin sformułował tak zwaną teorię modeli
riu myślenia. Pokazał, że mechanizm psychologiczny
661 regulacja aktów ludzkich zachowań jest ściśle związana z budową
w strukturach mózgu modelu informacyjnego obiektu i
świat zewnętrzny, w którym proces
zarządzanie oparte na ludzkim postrzeganiu informacji z zewnątrz i
dotychczasowe doświadczenie i wiedza. Podstawa budowy modelu
są koncepcyjnymi reprezentacjami obiektów i relacji
między nimi, odzwierciedlając semantykę wybranej sfery działalności
człowiek (obszar przedmiotowy). Model obiektowy ma
wielopoziomowa struktura i definiuje te informacje
kontekst, w jakim przebiegają procesy zarządzania. W jaki sposób
im bogatszy taki model informacyjny obiektu i tym wyższy jest on w stanie
manipulacja wiedzą, tym wyższa jakość
decyzje, bardziej zróżnicowane ludzkie zachowania. V.N. Puszkina
najpierw zidentyfikowano trzy ważne cechy procesu adopcji
decyzje: możliwość klasyfikacji sytuacji w co
zgodność ze standardowymi rozwiązaniami zarządzania; główny
naya otwartość dużych systemów; znaczące ograniczenie
język opisu przestrzeni stanów i rozwiązań obiektu
kierownictwo.
Druga przesłanka metody zarządzania sytuacyjnego
były idee uzyskane w badaniach nad semio
tiki, nauka o systemach znakowych. To są prace Yu.A. Schreide-
ra, Yu.D. Apresjan. Zdefiniowano trójwymiarową strukturę
znak w dowolnym systemie znaków: nazwa znaku, odzwierciedlająca jego syn
aspekt taksówki; treść znaku, wyrażająca jego seman
aspekt tikowy; cel znaku, który decyduje o jego pragmatyzmie
aspekt logiczny (trójkąt Frege'a). W semiotyce stosowanej
znaki, których wariantami są słowa, zdania, tech
sto, zaczęto uważać za systemy, które zastępują prawdziwe
obiekty, procesy, zdarzenia świata zewnętrznego. Kruszywa
w ten sposób modne stały się znaki z relacjami między nimi
pseudofizyczne analogi rzeczywistych układów funkcji
akcjonariat i zarządzanie. Dlatego sytuacyjna
zarządzanie nazywano też modelowaniem semiotycznym,
ponieważ język migowy jest wystarczający do opisu i procesów
funkcjonowanie obiektu z wymaganym stopniem zbliżenia.
Trzecia przesłanka związana jest z rozwojem w dziedzinie informacji
matematyczne wyszukiwarki i próby stworzenia formalnej
język opisu i prezentacji nauk technicznych w celu auto-
662 matizatsiya pracuje nad podsumowaniem publikacji naukowych i organizacją
nizacja procesów wyszukiwania, przechowywania i prezentowania informacji
kojarzenie. W ramach tych badań E.F. Był taki czas
język został opracowany i przestudiowany, który później otrzymał nazwę języka
kody gh . Ten język znalazł swoją implementację w informacjach
ale wyszukiwarka BIT, która od dawna odnosi sukcesy
działał w Instytucie Cybernetyki Akademii Nauk Ukraińskiej SRR.
Na podstawie modelowej teorii myślenia V.N. Puszkin, języki
ka gKh „Kodo E.F. Skorokhodko i semiotyka D.A. Pospelov, a dla
te Yu.I. Klykov w 1965 sformułował nową cybernet
logiczna koncepcja sterowania dużymi systemami w postaci
metoda zarządzania sytuacyjnego.
Esencja metody
Podstawą zarządzania jest koncepcja sytuacji.
przedmiot opisu, analizy i podejmowania decyzji. Badacz
ale potrzebne są odpowiednie środki - opisy, zajęcia
fikcja, uczenie się i przekształcanie sytuacji zgodnie z
podjęte decyzje.
Kwalifikację sytuacji uzasadniał istnienie,
w oparciu o analizę struktury zadań sterowania w dużych systemach
max, na każdym poziomie kontroli zbioru sytuacji liczba
co jest nieproporcjonalnie duże w porównaniu z mnogością
możliwe rozwiązania w zakresie zarządzania. Problem decyzyjny trak
sformułowano jako problem znalezienia takiego podziału zbioru sytuacji
podziały na klasy, w których każda klasa odpowiadała
decyzja, najwłaściwsza z punktu widzenia podanych kryteriów
ev funkcjonowania. W obecności takiej partycji wyszukiwanie re
rozwiązanie w konkretnej sytuacji sprowadzało się do znalezienia klasy i skorelowania
dając mu decyzje zarządcze. Jednak takie ustawienie
problem dotyczy układów sterowania, w których liczba
sytuacje potencjalne (PVS) znacznie przekracza
(czasami o kilka rzędów wielkości) liczba możliwych rozwiązań
dla kierownictwa. Ten przypadek odpowiada niezależnemu od kontekstu
mój sposób na wyprowadzenie rozwiązań, gdy cały zestaw PVS jest podzielony
jest podzielony na klasy w taki sposób, że każda klasa, zgodnie z
Podjęto decyzję o zarządzie. Przypadek, kiedy
zbiory sytuacji i decyzji były albo porównywalne pod względem mocy
lub na tyle większe, że ten fakt może być
tanovit, został uwzględniony i rozwinięty później w pracach L.S. Za-
gadskaya i jej szkoła.
663 Podstawą języka opisu całego zestawu sytuacji było:
brane są pod uwagę idee języków r-dr-kodów i łańcuchów syntagmatycznych. Rola mno
cechy obiektów domeny odgrywały swoje ekwiwalenty znakowe
walencje w języku naturalnym, tj. słowa-imiona oraz w roli relacji
słowa-nazwy odpowiadające rzeczywistym powiązaniom
między obiektami lub procesami. Jako gramatyka języka
zarządzanie sytuacyjne (YaSU) były regułami generacji
nowe koncepcje i relacje, ich transformacja i klasa
fikcje (patrz Język zarządzania sytuacyjnego).
Najważniejszą ideą metody jest tworzenie semiotyki
modele obiektów, ucząc się podejmowania decyzji. W którym
Rozważano dwa sposoby uczenia się: przez eksperta, który dobrze zna
badany obszar tematyczny, lub na podstawie analizy
dla zestawu konkretnych sytuacji i decyzji zarządczych.
Oczywiście ten drugi przypadek jest dłuższy, nie gwarantuje
kompletność opisu, wymaga obecności statystyk sytuacji i kiedy
podejmowanych w nich decyzji, co nie zawsze jest możliwe. Więc
powszechną praktyką stało się głównie stosowanie pierwszego
podejście do nauki. Niemniej jednak obecność w YaSU środków uogólniania
klasyfikacja i klasyfikacja sytuacji stanowi podstawę
możliwość tworzenia modeli, które można ulepszać
funkcje decyzyjne w zmieniających się warunkach
kontroluj boty obiektów. Innymi słowy, stwarza okazję
możliwość „wyhodowania” modelu obiektu dla zadanych warunków
funkcjonowanie.
Rozwój modelowania sytuacyjnego. W 1973 L.S. Zagadka-
Skye (Bolotova) opracowała kolejny, nowy typ systemu
temat zarządzania sytuacyjnego, uwzględniający klasę systemów
kontrola, w której moce zbiorów możliwych sytuacji
a decyzje kierownictwa są porównywalne lub nieznane. Poprzednia
miał w taki sposób podzielić cały zestaw sytuacji na klasy
od razu, tak aby każda klasa miała przypisaną strukturę
runda typowego rozwiązania. Na kolejnym etapie rozwiązania to
struktura została przedefiniowana w procesie interpretacji i konkretyzowania
optymalizacja rozwiązania i uwzględnienie istniejących ograniczeń zasobu
sy. Tak więc każde typowe rozwiązanie kontrolne
oraz. jego struktura jest zgodna z M., a co za tym idzie,
oprócz zbioru С/ = (t/p U2,...UJ, zbiór struktur
przegląd typowych rozwiązań M = (Mp M2,...M^).
664 Następnie, dla każdej struktury, niezbędny kon
tekstowa warstwa wiedzy, która ma strukturę ramową i zawiera
zawierające zasady interpretacji sytuacji w ramach danej struktury
wycieczki i wiele procedur ich transformacji i naśladowania.
Opracowano również logiczno-semiotyczny model wnioskowania
decyzje dotyczące hierarchii struktur decyzyjnych.
Oczywistym jest, że w drugim przypadku sprawa jest znacznie bardziej skomplikowana
problem budowy modelu domeny (DOM). czasy
dzieło MPO to wciąż sztuka, wymaga aplikacji
niya o najwyższych kwalifikacjach analityków systemowych. Wymagany
aby odpowiedzieć na kilka pytań:
Jak ustawione są granice wybranego obszaru tematycznego?
powierzchnia?
Jak powstaje spójny język opi?
analiza wszystkich zestawów sytuacji i procesów dla MPO ze złożonymi
Noe, hierarchiczna i rozproszona struktura?
Jak powstaje system wiedzy o MPO, dos
szlifowanie, aby osiągnąć swoje cele?
W jaki sposób „manifestują się” niezbędne interakcje
działania pomiędzy uczestnikami procesów zarządczych i decyzyjnych
jak są opisane?
Jak podejmowane są decyzje w kontekście
notatki, niepewność i niejasność?
W wyniku badań i rozwoju stosowanych systemów
zarządzanie sytuacyjne, stworzono metodykę end-to-end
i technologii projektowania sytuacyjnych systemów sterowania
duże systemy wraz z niezbędnym oprzyrządowaniem
narzędzia i systemy oparte na językach REFAL i LISP.
Jak wynika z opisu języka zarządzania sytuacyjnego (patrz) i
organizacja sytuacyjnego modelu zarządzania już wtedy, w latach 70-tych.
XX wiek, systemy sterowania sytuacyjnego (SSU) miały wszystko z
co najmniej ślady nowoczesnych systemów ekspertowych (ES)
II generacji, czyli dynamiczny ES. To i obecność semioty
model logiczny obiektu sterowania i procesów jego funkcjonalnych
w postaci systemu reguł typu produkcyjnego i oczywiście
ale-językowy interfejs z programistami i użytkownikami oraz
obecność wbudowanej logiki czasu, która zapewnia działanie
SSU w czasie rzeczywistym i symulacji. To i zainstaluj
Narzędzia programowe Rumental do wdrażania SCS w oparciu o
języki LISP i REFAL. Ponadto specjaliści krajowi
665 stworzyłeś duże systemy, a nawet wprowadziłeś je w życie w
część przemysłowych zautomatyzowanych systemów sterowania.
Przykłady.
System zarządzania sytuacyjnego „Aviaremont”, wykonany
ustalone przez odeski oddział Instytutu Ekonomii Akademii Nauk Ukraińskiej SRR as
część ACS „Aviaremont” dla TsNIIASU (Ryga).
Sytuacyjny system kontroli wysyłki
objętość i lądowanie samolotów, opracowane dla VNIIRA (Lenin
Grad).
System planowania sesji łączności satelitarnej.
Wiele systemów specjalny cel itd. .
Na Zachodzie, a potem w naszym kraju rozwinęły się heurystyki
trochę programowania (lata 60-te XX wieku), sztuczna inteligencja
(patrz) - AI (lata 70. XX wieku), ale w naszym kraju za kurtyną jest źle
wyobrażałem sobie, co dzieje się za granicą. Ci, którzy mieli dostęp do mnie
źródła rican i zachodnie, nie rozumiały tego kierunku
leniya i wierzyła, że AI to coś zupełnie innego i nie
Nie ma to nic wspólnego z zarządzaniem sytuacyjnym. Zmień wszystko
łoś w 1975 roku, kiedy IV Międzynarodówka
konferencja na temat sztucznej inteligencji, w której udział wzięli prawie wszyscy specjalności
czołowi naukowcy świata w dziedzinie sztucznej inteligencji. Oto tog
Tak, stało się jasne, że zarówno nasi specjaliści, jak i zagraniczni praktycy
ki robią to samo, ale z różnych punktów widzenia.
Krajowi eksperci poszli „z góry” i próbowali rozwiązać problem
problemy, które są jasne metodologicznie i koncepcyjnie, ale jeszcze nie
wyposażony w podstawowe środki - ani teoretyczne, ani inne
instrumentalny. Konferencja pomogła wielu uświadomić sobie i op
określić swoje miejsce w międzynarodowym procesie dążenia do
sztuczny umysł. W kolejnych szkołach seminaria,
ogólnounijne sympozja na temat zarządzania sytuacyjnego już trwają
1975, wyraźnie wyartykułowano problemy, które utrudniały rozwój
rozwój zarządzania sytuacyjnego. To przede wszystkim
botka modele reprezentacji wiedzy i systemy instrumentalne
Tematy wsparcia oprogramowania SSU.
Do 1980 roku istniały dziesiątki SSU o różnym stopniu rozwoju.
tannoy. Większość z nich to demonstracja i badania
próbki ciała. W ogóle nie było komercyjnych próbek. Zanim
Niewiele wzorów przemysłowych zostało zgłoszonych z kilku powodów:
brak instrumentalny systemy oprogramowania przyniósł
do etapu próbek handlowych; brak kultury przyniósł
666 narzędzia programowe do etapu komercyjnego; zaginiony
wpływ zrozumienia nowego paradygmatu w szerokim środowisku programistycznym
kov ACS; niedofinansowanie możliwości i korzyści z
budynki komercyjnych systemów powłok instrumentalnych.
Zachodni naukowcy poszli do AI „od dołu”, od gier w kostki, krzesła
tiki-tac-toe itp. Byli zainteresowani inteligentne roboty oraz
planowanie swojego zachowania. Dlatego te zadania są nadal
są klasyczne w nauczaniu teoretycznych podstaw sztucznej inteligencji.
To na nich powstały wszystkie główne modele reprezentacji.
generowanie wiedzy: produkcja, sieci semantyczne, ramki.
Od 1977 r. rozpoczęło się rozwarstwianie w szeregach „sytuacjonistów”.
Szkoła D.A. Pospelova, V.A. Pochwa, L.T. Kuzyn i trochę
inne, bliższe teoretycznym badaniom z rodzaju
ich stanowiska (Akademia Nauk ZSRR, uczelnie), szybko zreorganizowana
terminologię obcą i opanował dorobek Zachodu. Ten
było łatwe do zrobienia, ponieważ różnica była głównie termi
nologiczna.
Na początku lat 80-tych. pojawiły się systemy ekspertowe (patrz), a tutaj
okazało się, że w istocie wydają się pokrywać z SSU,
tak jak je sobie wyobrażaliśmy. I ten termin wydawał się bardziej udany
nym, szybko stała się modna. W rezultacie na początku lat 90.
XX wiek prawie wszyscy „sytuacjoniści” byli zaangażowani w ES.
Okazało się więc, że kontrola sytuacyjna
odegrał w naszym kraju rolę podstawy dla dużej liczby specjałów
eksperci od sztucznej inteligencji (patrz).

Recenzujesz artykuł (streszczenie): „ MODELOWANIE SYTUACYJNE, CZYLI ZARZĄDZANIE SYTUACYJNE» z dyscyplin « Teoria systemów i analiza systemowa w organizacjach zarządzających»

Modelowanie jest główną metodą badania systemów produkcyjnych i ekonomicznych. Modelowanie rozumiane jest jako taki sposób przedstawiania obiektywnej rzeczywistości, w którym specjalnie skonstruowany model służy do badania oryginalnego, odtwarzającego pewne (z reguły tylko istotne) właściwości badanego rzeczywistego zjawiska (procesu).

Model to obiekt o dowolnym charakterze, który może zastąpić badany obiekt tak, aby jego badanie dostarczało nowych informacji o badanym obiekcie.

Zgodnie z tymi definicjami pojęcie modelowania obejmuje budowę modelu (quasi-obiektu) i operacje na nim w celu uzyskania nowych informacji o badanym obiekcie. Z punktu widzenia użytkowania model może być rozumiany jako prezentacja systemu wygodnego do analizy i syntezy. Pomiędzy systemem a jego modelem istnieje relacja korespondencyjna, która pozwala na eksplorację systemu poprzez badanie modelu.

O typie modelu decydują przede wszystkim pytania, na które pożądane jest udzielenie odpowiedzi za pomocą modelu. Pomiędzy modelem a symulowanym systemem mogą występować różne stopnie zgodności.

Często model odzwierciedla jedynie funkcję systemu, a struktura modelu (i jego adekwatność do systemu) nie odgrywa żadnej roli, jest uważana za czarną skrzynkę.

Model symulacyjny zawiera już jedno wyświetlenie zarówno funkcji systemu, jak i istoty zachodzących w nim procesów.

Modelowanie jako metoda poznania opiera się na fakcie, że wszystkie modele w taki czy inny sposób odzwierciedlają rzeczywistość. W zależności od tego, w jaki sposób i jakimi środkami, w jakich warunkach, w stosunku do jakich obiektów poznania realizuje się ta właściwość, powstaje szeroka gama modeli. Istnieje szereg zasad klasyfikacji modeli o różnym charakterze, z których najważniejsze to:

- zgodnie ze sposobem przedstawiania rzeczywistości, a co za tym idzie, zgodnie z aparatem konstrukcji (formą);

- przez charakter zawartości symulowanych obiektów).

W zależności od metody wyświetlania lub aparatu konstrukcyjnego rozróżnia się dwa rodzaje modeli (ryc. 7.2): materialny i mentalny lub idealny.

Ryż. 7.2. Klasyfikacja modelu

Modele materialne to modele zbudowane lub wybrane przez człowieka, istnieją obiektywnie, ucieleśnione w metalu, drewnie, szkle, elementach elektrycznych, organizacjach biologicznych i innych strukturach materialnych.

Modele materiałowe dzielą się na trzy podgatunki.

Modele zbliżone przestrzennie to konstrukcje przeznaczone do pokazania właściwości przestrzennych lub relacji obiektu (modele domów, fabryk, dzielnic miast, sieci komunikacyjnej, lokalizacji wyposażenia w warsztacie itp.). Warunkiem koniecznym dla takich modeli jest podobieństwo geometryczne.

Fizycznie podobne modele to modele materiałowe mające na celu odtworzenie różnego rodzaju fizycznych połączeń i zależności badanego obiektu (modele zapór elektrowni okrętowych i lotniczych). Podstawą konstrukcji takich modeli jest podobieństwo fizyczne - identyczność natury fizycznej i identyczność praw ruchu.

Matematycznie podobne modele to modele, które mają w pewnym stopniu ten sam formalizm matematyczny, który opisuje zachowanie obiektu i modelu (analogicznie do komputera, cybernetyczne modele funkcjonalne). Matematycznie podobne modele materiałowe są rzeczywistymi lub fizycznymi powłokami niektórych relacji matematycznych, ale nie same relacje.

Modele mentalne (lub idealne) dzielą się na trzy podgatunki:

- modele opisowe (konceptualne), w których relacje wyrażane są w obrazach językowych;

- modele wizualno-figuratywne, których obrazy w umyśle zbudowane są z elementów zmysłowo-wizualnych;

- znak (w tym modele matematyczne, w których elementy obiektu i ich relacje są wyrażane za pomocą znaków (w tym symboli i wzorów matematycznych).

Klasyfikacja modeli ze względu na charakter modelowanych obiektów, ze względu na ich skrajną różnorodność, nie wydaje się tutaj odpowiednia.

Ostatecznym celem modelowania jest badanie nie samego modelu, ale jakiegoś innego przedmiotu badań, który różni się od niego, ale jest przez niego reprodukowany.

Oczywiście żaden model nie może i nie powinien w pełni odtworzyć wszystkich aspektów i szczegółów badanych zjawisk: przedsiębiorstwo można scharakteryzować z różnych punktów widzenia – dyrektora czy głównego inżyniera, księgowego, dostawcy czy energetyka.

W związku z tym zarówno charakter, jak i konstrukcja modelu będzie inna.

Modelowanie, jako metoda poznania naukowego, opiera się na zdolności osoby do abstrahowania początkowych cech lub właściwości różnych zjawisk (procesów) i ustalenia między nimi pewnej relacji. Stwarza to możliwość badania zjawisk lub procesów pośrednio, czyli poprzez badanie modeli analogicznych do nich pod pewnym ściśle określonym względem.

W ogólnym przypadku właściwa jest następująca sekwencja modelowania systemu: opis pojęciowy (badania) systemu, jego formalizacja, a na koniec, jeśli to konieczne, algorytmizacja i kwantyfikacja systemu.

Przy modelowaniu systemów produkcyjnych i ekonomicznych, wraz ze sformalizowanymi, matematycznymi metodami analizy stosowanymi dla poszczególnych podsystemów lub procesów prywatnych, konieczne jest również zastosowanie metod heurystycznych do analizy produkcji w tych jej elementach i relacjach, które nie poddają się formalizacji. A stosując metody matematyczne, ze względu na mnogość zmiennych, często trzeba uciekać się do uproszczeń, stosować metody dekompozycji i agregacji zmiennych. W efekcie rozwiązania nabierają przybliżonego, jakościowego charakteru.

Ze względu na dużą obecność złożone systemy zarządzanie organizacyjne i produkcyjne powiązań i połączeń, które są trudne lub w ogóle niesformalizowane, do ich badania konieczne jest wykorzystanie głównie modeli opisowych, narażających system na dekompozycję na odrębne podsystemy funkcjonalne; następnie poszukaj tych podsystemów, które poddają się matematycznej formalizacji, modelując w ten sposób poszczególne elementy całego procesu produkcyjnego.

Ostatecznym celem modelowania systemu produkcyjno-gospodarczego jest przygotowanie i przyjęcie przez kierownika przedsiębiorstwa decyzji zarządczej.

Modele systemów produkcyjnych i ekonomicznych można wyróżnić następującymi cechami:

- w celach modelarskich;

- według zadań (funkcji) zarządzania;

- etapami (procedurami) zarządzania;

– o metodach modelowania matematycznego.

W zależności od celów modelowania istnieją modele przeznaczone do:

– projektowanie systemów sterowania;

– oceny wyników;

– analiza możliwości przedsiębiorstwa w zakresie różne warunki jego działalność;

– opracowanie optymalnych rozwiązań w różnych sytuacjach produkcyjnych;

– kalkulacja struktur organizacyjnych systemu zarządzania;

– kalkulacja wsparcia informacyjnego itp.

Specyfika modeli tego podziału klasyfikacyjnego wyraża się przede wszystkim w doborze odpowiednich kryteriów wykonania, a także w procedurze implementacji wyników symulacji.

W zależności od zadań (funkcji) zarządzania istnieją modele harmonogramowania, zarządzania rozwojem przedsiębiorstwa, kontroli jakości produktów itp. Modele tego działu są skoncentrowane na konkretnych zadaniach produkcyjnych i ekonomicznych iz reguły powinny dostarczać wyników liczbowych.

W zależności od etapu (procedury) automatyzacji sterowania modele mogą mieć charakter informacyjny, matematyczny, programowy. Modele tego podziału ukierunkowane są na odpowiednie etapy przepływu i przetwarzania informacji.

W zależności od zastosowanego aparatu matematycznego modele można podzielić na pięć dużych grup: ekstremalne, programowanie matematyczne (planowanie), probabilistyczne, statystyczne i gry teoretyczne.

Modele ekstremalne obejmują modele, które umożliwiają znalezienie ekstremum funkcji lub funkcjonalności. Obejmuje to modele budowane przy użyciu metod graficznych, metody Newtona i jej modyfikacji, rachunku wariacyjnego, zasady maksimum Pontryagina itp. W oparciu o możliwości tych metod służą one przede wszystkim do rozwiązywania problemów regulacji operacyjnej.

Modele programowania matematycznego (planowania) obejmują modele programowania liniowego, programowania nieliniowego, programowania dynamicznego. Zwykle obejmuje to również modele planowania sieci.

Programowanie matematyczne łączy szereg metod matematycznych zaprojektowanych tak, aby jak najlepiej alokować ograniczone dostępne zasoby – surowce, paliwo, siła robocza czasu, a także sporządzenie odpowiednich najlepszych (optymalnych) planów działania.

Modele probabilistyczne obejmują modele zbudowane z wykorzystaniem aparatu prawdopodobieństwa, modele procesów losowych typu Markowa (łańcuchy Markowa), modele teorii kolejek itp.

Modele probabilistyczne opisują zjawiska i procesy o charakterze losowym, na przykład związane z różnego rodzaju niesystematycznymi odchyleniami i błędami (wady produkcyjne itp.), wpływ klęsk żywiołowych, możliwe awarie sprzętu itp.

Modele statystyczne obejmują modele analizy sekwencyjnej, metodę testów statystycznych (Monte Carlo) itp. Obejmuje to również metody wyszukiwania losowego.

Metoda testowania statystycznego polega na tym, że przebieg konkretnej operacji odtwarzany jest jakby komputerowo, ze wszystkimi przypadkami tkwiącymi w tej operacji, np. przy modelowaniu zadań organizacyjnych, skomplikowanych form współpracy różne przedsiębiorstwa itp. Zastosowanie tej metody nazywa się modelowaniem symulacyjnym.

Metody wyszukiwania losowego służą do znajdowania ekstremalnych wartości złożonych funkcji, które zależą od dużej liczby argumentów. Metody te opierają się na wykorzystaniu mechanizmu losowego doboru argumentów, za pomocą którego realizowana jest minimalizacja. Metody wyszukiwania losowego są wykorzystywane m.in. w modelowaniu struktur zarządzania organizacją.

Modele teorii gier mają na celu uzasadnienie decyzji w warunkach niepewności, niejednoznaczności (niekompletności informacji) sytuacji i związanego z nią ryzyka. Metody teorii gier obejmują teorię gier i statystyczną teorię decyzji.

Teoria gier to teoria sytuacji konfliktowych. Jest stosowany w przypadkach, gdy niepewność sytuacji jest spowodowana możliwymi działaniami skonfliktowanych stron.

Modele oparte na teorii gier mogą służyć do uzasadnienia decyzji zarządczych w warunkach konfliktów przemysłowych i pracowniczych, przy wyborze właściwej linii postępowania w stosunku do klientów, dostawców, kontrahentów itp.

Teoria decyzji statystycznych jest stosowana, gdy niepewność sytuacji jest spowodowana obiektywnymi okolicznościami, które są albo nieznane (np. niektóre cechy nowych materiałów, jakość nowej technologii itp.) albo mają charakter losowy (warunki pogodowe , możliwy czas awarii poszczególnych elementów produktu itp.).

W przygotowaniu, przeprowadzeniu i ocenie wyników gier biznesowych należy stosować modele oparte na teorii gier.

Wszystkie modele matematyczne można również podzielić na modele oceny wydajności i modele optymalizacyjne.

Modele oceny wydajności mają na celu opracowanie charakterystyki produkcji i zarządzania. Ta grupa obejmuje wszystkie modele probabilistyczne. Modele oceny wydajności są „wkładem” w stosunku do modeli optymalizacyjnych.

Modele optymalizacyjne mają na celu wybór najlepszego sposobu działania lub linii zachowania w danych warunkach. Do tej grupy należą modele ekstremalne i statystyczne, modele programowania matematycznego, a także modele teorii gier.

Niektóre z najczęstszych modeli używanych w rozwiązywaniu zadania produkcyjne, a także tworzenia struktur organizacyjnych do zarządzania produkcją.

Głównym kierunkiem modelowania zarządzania produkcją i systemami gospodarczymi jest tworzenie modeli zarządzania produkcją.

Obecnie opracowano i stosuje się modele następujących funkcji zarządzania produkcją:

– planowanie działalności produkcyjnej i gospodarczej przedsiębiorstwa;

– kierownictwo operacyjne;

– regulacja operacyjna;

– zarządzanie zaopatrzeniem materiałowym i technicznym produkcji;

- zarządzanie sprzedażą produkt końcowy;

– zarządzanie technicznym przygotowaniem produkcji.

Opracowano również system powiązanych ze sobą modeli produkcji i zarządzania.

Modele planowania produkcji i działalności gospodarczej przedsiębiorstwa. Funkcja celu modeli z tej grupy zapewnia:

- maksymalizacja kryterium efektywności działalności produkcyjnej przedsiębiorstwa w oparciu o dostępne moce i dostarczone zasoby;

– minimalizacja zużycia zasobów w ramach określonego kryterium efektywności.

Modele planowania działalności produkcyjnej przedsiębiorstwa dzielą się na: modele prognostyczne, modele planowania techniczno-ekonomicznego, modele operacyjnego planowania produkcji.

Modele predykcyjne to modele oparte na metodach matematycznych (najmniejszych kwadratów, progowanie, wygładzanie wykładnicze) lub na metodach oceny eksperckiej.

Modele planowania technicznego i ekonomicznego oparte są na metodach programowania matematycznego (planowania). Ostateczne wyniki produkcji, na przykład wysokość zysku, są zwykle wybierane jako główne kryterium efektywności (funkcja celu) przy opracowywaniu optymalnego planu. Jako ograniczenia przyjmuje się ograniczenia dotyczące złożoności produktów, czasu pracy sprzętu, zasobów itp. Ponieważ wartość niektórych z tych ograniczeń jest losowa (na przykład czas pracy sprzętu), do rozwiązywania takich problemów optymalizacyjnych stosuje się podejście probabilistyczne. Typowymi modelami optymalizacyjnymi planowania techniczno-ekonomicznego są modele do obliczania optymalnego planu, rozkładu program produkcyjny według okresów kalendarzowych optymalne ładowanie ekwipunek. Modele te są budowane przy użyciu matematycznych metod optymalizacji.

Operacyjne modele planowania produkcji są zwykle łączone z modelami zarządzania operacyjnego.

Operacyjne modele zarządzania. Główne zadania zarządzania operacyjnego to operacyjne harmonogramowanie produkcji, systematyczne rozliczanie i kontrola realizacji plany kalendarza, a także operacyjnej regulacji procesu produkcyjnego.

Typowymi modelami zarządzania operacyjnego są modele do obliczania optymalnej wielkości partii produktów i obliczania optymalnego harmonogramu uruchomienia-wydawania partii części (harmonogramowanie).

Modele do obliczania optymalnej wielkości partii produktów można tworzyć zarówno w odniesieniu do prostego, jak i kompletnego sformułowania problemu. W prostym ustawieniu określenie wielkości produkcji lub zakupu partii części, przy której roczne koszty są minimalne, sprowadza się do zwykłego problemu znalezienia minimum funkcji. W pełnym składzie znajduje się taki zestaw wielkości partii, który odpowiada minimalnym łącznym kosztom wymiany sprzętu i odliczeń za pracę w toku, z ograniczeniami dotyczącymi czasu trwania przezbrojeń, zasobów sprzętowych, współzależności wielkości partii w powiązanych operacjach, oraz zapewnienie zatrudnienia pracownika. Rozwiązanie tego problemu osiąga się za pomocą matematycznych metod optymalizacji.

Modele do planowania obliczeń mogą być:

- statystyczne z optymalizacją przez losowe wyszukiwanie;

– symulacja z zestawem reguł preferencji;

- heurystyczna, stosowana w przypadkach, w których niemożliwe jest stworzenie rygorystycznych algorytmów, ale istnieje potrzeba wykorzystania informacji i oceny faktów, które nie mają wyrażenia ilościowego.

Operacyjne modele regulacji. Modele te mają zapewnić utrzymanie odchylenia wyników działalności produkcyjnej od planowanych wskaźników w określonych granicach. W tym przypadku stosuje się modele dwojakiego rodzaju: modele regulacji według kryterium optymalności, modele regulacji według odchylenia.

Modele sterowania według kryterium optymalności polegają na tym, że po określonym pomiarze stanu faktycznego procesu produkcyjnego sporządzany jest plan, który optymalnie prowadzi proces do założonego stanu na koniec okresu planowania.

Modele kontroli odchyleń opierają się na tym, że po określonym pomiarze proces produkcyjny zostaje jak najszybciej doprowadzony do pierwotnie opracowanego harmonogramu.

Konstrukcję obu modeli przeprowadza się przy użyciu aparatu optymalizacji matematycznej stosowanej w teorii sterowania automatycznego.

Modele zarządzania zaopatrzeniem materiałowym i technicznym produkcji. Centralnym problemem zarządzania zaopatrzeniem materiałowo-technicznym produkcji jest zadanie określenia wymaganej wielkości zapasów wszystkich rodzajów zaopatrzenia. W takim przypadku można zbudować dwa zasadniczo różne modele zarządzania zapasami – ze stałą wielkością zamówienia oraz ze stałym poziomem zapasów. Istnieje również model pośredni, który naprawia zarówno limit zapasów, jak i Niższy poziom zamówienie.

Konstrukcja modeli zarządzania zapasami odbywa się za pomocą specjalnych matematycznych metod optymalizacji, które nazywane są „teorią zarządzania zapasami”.

Modele zarządzania sprzedażą wyrobów gotowych. Głównym problemem zarządzania marketingiem wyrobów gotowych jest zadanie obliczenia rocznego planu dostaw wyrobów gotowych. Aby rozwiązać ten problem, wykorzystując matematyczne metody optymalizacji budowany jest model optymalizacyjny rocznego planu dostaw wyrobów gotowych. W tym przypadku koszt sprzedanych produktów działa jako funkcja celu, jako ograniczenia - wymóg, aby całkowita ilość produktów wysyłanych do wszystkich konsumentów w określonym przedziale czasu nie przekraczała wielkości produkcji w tym samym czasie, a całkowita wielkość dostaw do konsumenta we wszystkich przedziałach czasowych nie przekraczała miesięcznego wniosku.

Modele zarządzania technicznym przygotowaniem produkcji. Techniczne przygotowanie produkcji obejmuje etapy przygotowania projektowego i technologicznego.

Za pomocą modelowania matematycznego można rozwiązać trzy główne zadania zarządzania technicznym przygotowaniem produkcji:

– określenie minimalnego okresu realizacji zestawu działań trening techniczny produkcja w warunkach ograniczeń poziomu dostępnych zasobów;

- definicja minimalny koszt wdrożenie zestawu środków do technicznego przygotowania produkcji z ograniczeniami dotyczącymi czasu jej realizacji i poziomu dostępności zasobów;

- określenie minimalnego poziomu zużycia ograniczonych zasobów z ograniczeniem kosztów i terminów wdrożenia środków technicznego przygotowania produkcji.

Proces technicznego przygotowania produkcji najpełniej i najdogodniej odtwarza model sieciowy. Model sieciowy umożliwia uwzględnienie probabilistycznego charakteru takich podstawowych parametrów technicznych operacji przygotowania produkcji, jak czas pracy i intensywność zużycia zasobów.

Optymalizację osiąga się za pomocą metod programowania matematycznego (w szczególności metody simplex) oraz wyszukiwania losowego (statystycznego).

Wraz z rozważanymi modelami indywidualnymi realizującymi główne funkcje zarządzania procesem produkcyjnym istnieje również system powiązanych ze sobą modeli produkcji i zarządzania. Istota tego systemu modeli, zbudowanego przy użyciu aparatu matematycznego teorii mnogości, teorii grafów i rekalkulacji, jest następująca. Za zestawy uważamy zestaw produktów wytwarzanych przez przedsiębiorstwo oraz zestaw zasobów wykorzystywanych w tym procesie. Proces produkcyjny, który zapewnia uwolnienie wielu produktów, jest opisany za pomocą wykresu zbiorczego, a proces technologiczny produkcja indywidualnego produktu - jego projekt i wykres technologiczny. Zbiór zasobów, które wspierają produkcję, składa się z podzbiorów zasobów pracy, sprzętu oraz rzadkich komponentów i materiałów. Stan produkcji w dowolnym momencie można opisać wektorem, który jest zbiorem gotowych wyrobów, półproduktów i jednostek montażowych wytworzonych w tym momencie. Podobnie za pomocą wektora określa się również stan zasobów w dowolnym momencie. W takim przypadku planowana trajektoria procesu produkcyjnego zostanie opisana funkcją wektorową.

Przy takim sformułowaniu problemu, optymalne zarządzanie przedsiębiorstwem w okresie planowania można znaleźć w oparciu o następujący wymóg: na zbiorze planów wykonalnych określonych funkcją wektorową znajdź plan maksymalizujący zysk, pod warunkiem, że prawdopodobieństwo jego realizacji i zysk na ustalonym poziomie będzie nie mniejszy niż dany poziom, a wydatkowane środki nie przekroczą dostępnych.

Modelowanie struktur organizacyjnych zarządzania ma na celu doskonalenie, optymalizację systemu zarządzania przedsiębiorstwem. Jest to niezbędny wstępny krok w automatyzacji zarządzania systemami produkcyjnymi i ekonomicznymi, który wymaga poważnych prac przygotowawczych.

Teoria kolejek jest wykorzystywana jako aparat matematyczny do modelowania struktur zarządzania organizacją. Jednocześnie elementy systemu kolejkowego są akceptowane jako elementy systemu sterowania, z których każdy ma na celu rozwiązanie określonego problemu zarządczego. Dla wszystkich zadań - elementów zapewniony jest system priorytetów w kolejności rozwiązania. Dla każdego zadania znane są również charakterystyki przychodzących przepływów wymagań usługowych - rozwiązanie odpowiednich problemów kontrolnych.

Elementem systemu sterowania, który rozwiązuje konkretny problem, jest jeden lub więcej konwerterów informacji, będących specjalistami o określonych kwalifikacjach lub środkach technicznych.

Skuteczność systemu kontroli ocenia się na podstawie jakości i czasu trwania usługi rozwiązywania problemów kontroli, z uwzględnieniem ich priorytetów i złożoności.

Modelowanie systemów kolejkowych można przeprowadzić zarówno analitycznie, jak i statystycznie. Największe zastosowanie w modelowaniu struktur organizacyjnych zarządzania otrzymanych metoda statystyczna, tak zwana statystyczna metoda testowa (metoda Monte Carlo). Metoda ta jest preferowana ze względu na to, że umożliwia rozwiązywanie problemów o dużej złożoności, dla których nie ma opisu analitycznego (formułowego) lub jest on niezwykle złożony.

Model statystyczny pozwala na założenie eksperymentu matematycznego zbliżonego do pełnoskalowego, symulującego strukturę organizacyjną zarządzania w najtańszy sposób iw akceptowalnym czasie. Jednocześnie konieczne jest uwzględnienie specyficznych wad metody badań statystycznych, z których głównymi są stosunkowo długi czas symulacji oraz specyfika otrzymywanych rozwiązań, determinowana przez stałe wartości parametry systemu kolejkowego.

Podczas modelowania za pomocą aparatu matematycznego teorii kolejek, struktura systemu zarządzania przedsiębiorstwem jest rozpatrywana jako zbiór wzajemnie powiązanych elementów funkcjonalnych. Takimi elementami w rzeczywistym systemie są dyrekcje i działy funkcjonalne zarządzania: produkcyjno-techniczny, planistyczny, zaopatrzenia itp.

W wyniku wspólnego funkcjonowania tych elementów w systemie sterowania, informacja o stanie zamieniana jest na informację dowodzenia, która jest podstawą zarządzania przedsiębiorstwem.

Wymienione elementy - piony systemu zarządzania przedsiębiorstwem tworzą łańcuch, którego analiza funkcjonowania może być wystarczająco sformalizowana w celu optymalizacji procesu zarządzania. Najprostszy łańcuch dający dobre przybliżenie do rzeczywistości to ściśle sekwencyjny łańcuch elementów. Podczas modelowania takiego łańcucha możliwe są dwa podejścia: reprezentacja quasi-regularna i losowa. W modelu quasi-regularnym modelowanie przeprowadza się dla każdego elementu z osobna według uśrednionych wskaźników.

W modelu losowym szacunki statystyczne są obliczane dla każdego zgłoszenia serwisowego, które przechodzi nie przez poszczególne elementy, ale przez system jako całość.

Wraz z modelowaniem struktur organizacyjnych sterowania z wykorzystaniem łańcuchów elementów istnieje metoda matematycznego opisu struktury organizacyjnej systemu sterowania z wykorzystaniem liniowych sieci stochastycznych, które są jedną z klas wielofazowych systemów kolejkowych. W tym modelu informacja przechodzi również sekwencyjnie przez szereg elementów systemu sterowania, z których każdy jest opisany za pomocą aparatu matematycznego teorii kolejek. Wraz z sekwencyjnym przepływem informacji przez elementy sieci następują przejścia typu Markowa. Strukturę takiej sieci z odpowiednimi przejściami reprezentuje pewien wykres. Opracowywana jest stochastyczna macierz przejścia.

Ponieważ funkcję celu (kryterium efektywności) w matematycznym modelowaniu struktur zarządzania organizacją można co do zasady opisać jedynie statystycznie, optymalizację przeprowadza się głównie metodami numerycznymi, z których najszerzej stosowane są metody programowania dynamicznego i przeszukiwania statystycznego.

Rozwiązanie problemu optymalizacji metodą programowania dynamicznego jest realizowane poprzez zestawienie funkcjonalnego równania rekurencyjnego (równania Bellmana) dla każdego etapu procesu sterowania.

Optymalizacja struktur organizacyjnych zarządzania metodą przeszukiwania statystycznego, pomimo mniej rygorystycznych ograniczeń nałożonych na kryteria efektywności i założenia opisujące fizykę zjawiska tą metodą, nie uzyskała jeszcze, w stosunku do rozważanego problemu, dość szeroka dystrybucja.

Modelowanie gier zajmuje szczególne miejsce wśród metod stosowanych do automatyzacji zarządzania systemami produkcyjnymi i ekonomicznymi. Cechą wyróżniającą tę metodę jest zaangażowanie osób zaangażowanych w tworzenie i prowadzenie gry biznesowej w modelowanie procesu zarządzania. Gra biznesowa jest w tym przypadku rozumiana jako naśladowanie przez grupę osób rozwiązywania poszczególnych problemów działalności gospodarczej lub organizacyjnej przedsiębiorstwa, wykonywane na modelu obiektu w środowisku możliwie najbardziej zbliżonym do rzeczywistego.

Wprowadzenie do modelu osoby jako elementu organizacji zarządzania umożliwia uwzględnienie jego zachowania w przypadkach, gdy nie można go adekwatnie opisać za pomocą znanych dziś modeli matematycznych; pozwala rozwiązywać takie zadania zarządcze, które nie mieszczą się w ramach istniejących sformalizowanych metod.

Gra biznesowa wprowadza momenty psychologiczne i emocjonalne w proces przygotowania i podejmowania decyzji menedżerskich, zachęcając do korzystania z przeszłych doświadczeń menedżerów, ich intuicji w tym procesie, rozwijając umiejętność podejmowania heurystycznych decyzji. Gra biznesowa prowadzona jest w związku z konkretnym zadaniem menedżerskim według starannie opracowanego wcześniej scenariusza. Ogólny model gry tworzony jest jako zbiór modeli prywatnych tworzonych przez uczestników – osoby przygotowujące i podejmujące decyzje zarządcze.

Model gry biznesowej obejmuje zarówno części sformalizowane, jak i niesformalizowane. Uczestnicy gry działają według określonych zasad. Kierują się specjalnie opracowanymi instrukcjami prowadzenia gry, a także danymi sytuacji, którymi dysponują.

Zgodnie ze scenariuszem gry uczestnicy okresowo otrzymują wstępne informacje o zmianach sytuacji. Przygotowując swoje decyzje, uczestnicy gry biznesowej oceniają sytuację i dokonują niezbędnych obliczeń ręcznie lub przy pomocy komputera. W tym przypadku wykorzystywane są sformalizowane, wcześniej przygotowane elementy modelu gry, odpowiadające nowoczesne metody badania operacyjne.

Zarządzając przebiegiem gry biznesowej, jej lider ocenia decyzje uczestników, ustala wyniki ich działań i przekazuje je graczom. W razie potrzeby kierownik gry może zmienić ustawienia, przekazując te zmiany uczestnikom w formie danych wejściowych. Ocena poczynań uczestników gry dokonywana jest na podstawie obliczeń, metody eksperckie, a także w oparciu o doświadczenie lidera, jego intuicję i zdrowy rozsądek.

Głównym rodzajem symulacji gier realizowanych w przedsiębiorstwach jest produkcyjna gra biznesowa. Jego celem jest doskonalenie istniejących i rozwijanie nowych form organizacji zarządzania produkcją, opracowywanie wytycznych, restrukturyzacja produkcji itp.

Jako modele prowadzenia gier biznesowych szeroko stosowane są metody planowania i zarządzania siecią (NPM), zbudowane w oparciu o wykresy sieciowe. Przy rozwiązywaniu problemów planistycznych stosuje się metody programowania dynamicznego, a przy rozwiązywaniu problemów alokacji zasobów - programowanie liniowe.

W celu przeszkolenia kadry zarządzającej można prowadzić produkcyjną grę biznesową w wersji edukacyjnej, czyli edukacyjną grę biznesową. Jej głównym zadaniem jest szkolenie pracowników i doskonalenie ich umiejętności zarządczych. W razie potrzeby edukacyjna gra biznesowa służy również certyfikowaniu kadry kierowniczej przedsiębiorstw w wykonywaniu ich zadań. obowiązki służbowe a także kiedy awansują na wyższe stanowiska.

Więcej na ten temat 7.2. Sytuacje modelowania:

3.2.6. Straty wynikające z klęsk żywiołowych, pożarów, wypadków i innych sytuacji awaryjnych, w tym kosztów związanych z zapobieganiem lub usuwaniem skutków klęsk żywiołowych lub sytuacji nadzwyczajnych