Реализация управляющей компоненты

из "Основы имитационного моделирования сложных экономических систем "

Формирование управляющей компоненты ц, для имитационной модели осуществляется по пожеланиям руководителя объекта, который подвергается имитационному моделированию. Примером формирования управляющей компоненты может служить методика, изложенная в работе [30, с. 80—91]. Вместе с тем отметим, что конкретное воплощение этой методики не может осуществляться на формальном уровне. Основой ее реализации, т.е. формирования управляющих сигналов является использование содержательного описания объекта управления и подбор факторов управления, действительно влияющих на траекторию движения объекта. В известной степени подбор факторов, выбор их интенсивности, определение момента включения их в действие — искусство управляющего. [c.77]
Таковы общие подходы к построению моделей управляемого прогноза. [c.79]
Пример 1. Введение фактора управления г ,, формируемого извне. В табл. 2.1.6 и на рис. 2.1.5 приведен показатель работы химчистки за 63 месяца, фиксирующий число вещей, прошедших обработку помесячно. На этом примере мы подробно рассмотрели методику нахождения тренда Up циклической (сезонной) составляющей V, и случайной компоненты Е полагая Г ,= 0. Таким образом мы привели только анализ ряда без какого-либо прогнозирования. [c.80]
Используя уравнение у,, можно сформировать траекторию прогноза, например, на несколько месяцев вперед, подставляя значение у, 63. Здесь особых проблем не возникает, если мы будем полагать TI,=O, т.е. когда прогноз неуправляемый. [c.80]
Однако в данном примере важен не столько прогноз на будущее, сколько проблемы, связанные с большой сезонностью. Если посмотрим на график изменения сезонной волны на рис. 2.1.7, то заметим, что колебания уровня загрузки предприятия составляют около 60%, т.е. в апреле уровень загрузки составляет 120%, а в июле — менее 60%. Естественно, что данной химчистке такие колебания уровня загрузки невыгодны. Получается, что в апреле перегрузка мощностей на 20%, а в июле недогрузка на 40%. В этом случае необходимо разработать мероприятия, связанные с выравниванием уровня загрузки предприятия. Сделать это целесообразно, используя управляющую компоненту ц,, т.е. ввести факторы, управляющие сезонной компонентой V. Анализ показывает, что таких управляющих факторов может быть три изменение коэффициента сменности, изменение цен и введение абонементного обслуживания. Эти факторы часто применимы для управления не только уровнем загрузки химчисток, но и множества других предприятий, включая все предприятия торговли и сферы обслуживания населения, банки, биржи, транспортные предприятия и т.п. [c.80]
Поясним подробнее эти факторы. Они оказывают влияние как на циклическую, так и на трендовую составляющую, однако наиболее сильно влияют на циклическую компоненту. [c.80]
Отсюда х = 5%, это значит, что увеличение числа рабочих дней в месяце на 1 день изменит уровень загрузки предприятия на 5%. Далее по графику сезонной волны рассчитывается отклонение уровня загрузки от 100% (гр. 4 табл. 2.1.11). [c.82]
Из этой графы видны уровни перегрузки (+) и недогрузки (—) химчистки. В гр. 5 приведены необходимые изменения числа рабочих дней в месяцах, исходя из того, что 1 день соответствует загрузке 5%. [c.82]
Отсюда общая выручка будет равна 65% х 1 + 35% х 0,6=86%. [c.82]
привлечь клиентов химчистка может, продав по цене, на 40% меньшей, абонементы на обслуживание на июль. Продажу абонементов можно осуществлять в течение всего года. Таким образом, можно утверждать, что, включив в действие три фактора, мы сгладим сезонную волну с точностью до ошибки расчета — до прямой, находящейся на уровне 100%. [c.82]
Мы проделали элементарные расчеты без учета структуры заказов на чистку одежды. Те же действия можно произвести, разбив ассортимент услуг, например, на чистку легкого платья, пальто, ковров и т.п., и получить дополнительную информацию, способную увеличить выручку предприятия. [c.82]
Пример 2. Введение фактора управления г), с помощью адаптивных моделей. [c.82]
Если указанные приросты не близки друг к другу, т.е. приросты для начальных членов ряда сильно отличаются от приростов для конечных его членов, то целесообразно учесть изменение тенденций при помощи специальной приспособительной (адаптивной) процедуры. Модель, имеющая механизм изменения параметров в зависимости от оценки своих текущих значений, носит название адаптивной модели. [c.83]
Механизмы изменения параметров могут быть различными. Выбор того или иного из них и его настройка зависят от целей исследования и вида объекта моделирования. Наиболее часто для адаптивных моделей краткосрочного прогнозирования используются две схемы скользящего среднего (СС-модели) и авторегрессии (АР-модели). [c.83]
Схема СС-моделей обеспечивается путем вычисления взвешенных средних всех предыдущих значений, причем весовые коэффициенты, как правило, убывают по мере удаления от последнего значения ряда, т.е. последним наблюдениям придается большее значение или больший вес. [c.83]
Такой подход соответствует гипотезе о том, что последние значения ряда более информативны для прогнозируемых значений, чем начальные. Вместе с тем это всего лишь гипотеза, которая тем более вероятна, чем меньше случайная или циклическая составляющие у данных членов ряда. [c.83]
Для АР-моделей оценка текущего значения ряда определяется взвешиванием не всех, а некоторых предшествующих уровней, и весовые коэффициенты не ранжируются. В данном случае весомость значений ряда или их информационная ценность, или близость к прогнозируемым значениям определяется исходя из тесноты связи между ними. [c.83]
Процедура построения линейных адаптивных моделей данного вида по этапам такова. [c.84]
Этап 5. Прогнозируется второй шаг по линейной модели с новыми значениями коэффициентов А0 и /4,. [c.85]

Вернуться к основной статье