Согласование и оптимизация проектных решений освоения месторождений нефти и газа

из "Компьютерные методы поддержки принятия управленческих решений в нефтегазовой промышленности "

Поставленные в предыдущем разделе задачи оптимизации стратегического планирования, а также и многие математические модели задач оптимизации текущего планирования принадлежат к классу распределительных задач нечеткой дискретной оптимизации с булевыми переменными. К ним относятся планирование геофизических исследований скважин (ГИС), техническое обслуживание и ремонт различных технологических объектов, оптимизация выбора стратегий их проведения, выбора оптимальных комплексов ГИС, расчет равновесных цен на проведение ГИС, распределения ГИС и ТОР по плановым периодам, а также другие задачи оптимизации выбора вариантов проектов, в том числе распределение капиталовложений в производственно-техническое обслуживание, распределение трудовых ресурсов промысловых и геофизических предприятий [12.7] и многие др. В общем виде они могут быть записаны в виде следующей (аналогичной задачам (12Л)-(12.5), (12,6)-( 12,10)) оптимизационной задачи . [c.494]
Су - обобщенная (комплексная) эффективность применения у-го вида работ на j-ом виде объектов. [c.495]
Известно, что четкий вариант задачи (12.11)-(12.15) хорошо решается методом ветвей и границ или с помощью -алгоритма предложенного в [12.8]. При этом лишь некоторое исключение представляет собой задача распределения ГИС и ТОР по плановым периодам, имеющая в своем составе отличный от (12.1 1) вид критерия оптимальности, особенность которого состоит в том, что заранее, до начала решения задачи невозможно иметь значения Су (они вычисляются в ходе решения задачи) [12.7]. [c.495]
Однако, для всех перечисленных в начале этого раздела задач общими характерными моментами является то, что 1) правые части ресурсных ограничений представляют собой некоторые средние значения полученные, например, в результате применения моделей теории массового обслуживания), значения коэффициентов Су, тоже как правило, носят качественный (приближенный) характер и получаются в результате качественного экспертного анализа) [12.7]. Поэтому здесь имеется три альтернативных подхода для выбора методов (алгоритмов) решения этих задач. [c.495]
Второй подход основан на том, что я/, Q, Ah имеют статистическую неопределенность. Тогда задача (12.11)-(12.15) становится М-задачей стохастического математического программирования, методы и трудности решения которой также хорошо известны [12.7]. [c.496]
Наконец, третий рассматриваемый здесь подход может быть основан на том, что неопределенность коэффициентов Су в большей степени связана с не достаточностью информации и не носит ярко выраженной статистической неопределенности. В свою очередь можно допустить, так же, что при решении задачи (12.1 1)-(12.15) ресурсные ограничения могут выполняться лишь с определенной степенью точности, например в пределах среднеквадратического отклонения (или в пределах заданных экспертным путем, что в практической ситуации бывает достаточно часто). [c.496]
Х еХ где X - множество всех альтернатив, допустимых с точки зрения выполнения ограничений (12.13)-(12.14) и в той или иной степени удовлетворяющие ограничению (12.2) и доставляющих max (min) значению критерию оптимальности (12.1 1). [c.497]
Здесь отметим, что в зависимости от конкретного смысла решаемой задачи ограничения (12.13) - (12.14) могут иметь один из четырех указанных выше видов и, соответственно, таким же образом меняется выражение (12.16). [c.497]
Здесь первая сумма включает в себя все слагаемые из выражения для целевой функции СдХ - max, которые отвечают уже зафиксированным значениям переменных, т.е. проектам, выбранным для объектов i=I.k. Вторая сумма дает минимальное приращение критерия при выборе проектов для оставшихся объектов i=l.n (даже если этот выбор делается без учета выполнения ресурсных ограничений (12.12)). [c.499]
В силу наложенных ресурсных ограничений не всякое сочетание Ху = 1 допустимо, т.е. некоторые из подмножеств разбиения могут оказаться пустыми. [c.499]
Таким образом, конкретный план в этой задаче, при принятой схеме ветвления, может быть указан только после фиксации всех переменных Ху. [c.499]
сравнивая juD(Gik) по всем возможным направлениям ветвлений, выбирают то, которое имеет максимальное значение juD(Gk). После этого, снова проводят соответствующее ветвление, вычисляя Qk(Gk), juF(Gk), juD(Gjk), и т.д. После того как будет произведен перебор всех строк матриц [су и [а/], алгоритм заканчивает свою работу, а в матрице решений Ху] единицы будут стоять на тех местах, которые определят оптимальное решение в смысле операции (принципа) Беллмана-Заде. [c.500]
Здесь необходимо указать на то, что при описанных выше методах генерации и отборе вариантов решений одновременно с генерацией происходит и их оценка на основе принципа Беллмана-Заде. Таким образом, два процесса собственно генерация и оценка варианта оказываются неразрывно связанными, хотя, конечно, алгоритм или критерии оценки определяются заранее. [c.500]
При этом, А1= 33, АА1= 5 А2 = 19, А42= 3. [c.501]
Для G4i принимается хц= 1, х12= 0. [c.501]
Поскольку iD(Gi) f D(G2) производим дальнейшее ветвление G2. Шаг 3. [c.501]
Следовательно, ветвлению подвергается подмножество G22-Шаг 4. [c.502]

Вернуться к основной статье