Имитационное моделирование экономических процессов

Cообщим объекту Source, чтобы он использовал добавленную нами фигурку в качестве фигуры анимации заявки (то есть, клиента банка рис.3.4). Для этого в поле Фигура анимации заявки объекта Source вводим имя фигурки человека: person.

Рис. 3.4 Окно свойств объекта Source

Нарисуем на презентации кассиров. Мы будем отображать их одной из двух картинок - одна будет показывать занятого кассира, а другая – свободного.

Для того чтобы наши кассиры отображались на анимации с помощью добавленных нами картинок, зададим следующие свойства объекта tellers: в поле Фигура анимации вводим имя ломаной, задающей местоположение кассиров на презентации tellerPlaces, выбираем  Набор из выпадающего списка Тип анимации, в поле Фигура анимации свободного ресурса вводим имя изображения свободного клерка idleTeller, в поле Фигура анимации занятого ресурса вводим busyTeller.

AnyLogic предоставляет пользователю удобные средства для сбора статистики по работе блоков диаграммы процесса. Объекты Enterprise Library самостоятельно производят сбор основной статистики. Просмотреть интересующую нас статистику (скажем, статистику занятости банкомата и длины очереди) мы можем с помощью диаграмм. 

Для этого  добавим диаграмму для отображения средней занятости банкомата и диаграмму для отображения средней длины очереди. Откроем палитру Статистика и перетащим два элемента Столбиковая на диаграмму класса. Переходим на страницу Основные панели Свойства. Щелкаем мышью по кнопке Добавить элемент данных. При этом появится  секция свойств того элемента данных, который будет отображаться на этой диаграмме. Изменяем  Заголовок на ATM utilization и Queue length соответственно. Вводим  delay.statsUtilization.mean() в поле Значение для первой диаграммы средней занятости банкомата и queue.statsSize.mean() для второй диаграммы для отображения средней длины очереди (рис.3.5).

Рис. 3.5 Окно свойств объекта Chart

Мы хотим знать, сколько времени клиент проводит в банковском отделении и сколько времени он теряет, ожидая своей очереди. Соберем эту статистику с помощью специальных объектов сбора данных и отобразим собранную статистику распределения времен обслуживания клиентов с помощью гистограмм.

Для этого создадим Java класс Customer. Экземпляры этого класса будут испольоваться в нашей модели в качестве заявок и будут представлять клиентов банковского отделения. Мы создадим в этом классе специальные поля для запоминания необходимой нам информации о проведенном клиентом времени.

В панели Проекты, щелкаем правой кнопкой мыши по элементу модели и выбираем Создать Java класс из контекстного меню.  В поле Имя вводим имя нового класса: Customer.  Делаем так, что этот класс  наследовался от базового класса заявки Entity. Для этого выбераем из выпадающего списка Базовый класс полное имя этого класса: com.xj.anylogic.libraries.enterprise.Entity.

Далее создайте два параметра: enteredSystem типа double для сохранения момента времени, когда клиент пришел в банковское отделение, startWaiting типа double для сохранения момента времени, когда клиент встал в очередь к банкомату.

Добавляем элементы сбора статистики по времени ожидания клиентов и времени пребывания клиентов в системе. Эти элементы будут запоминать соответствующие значения времен для каждого клиента и предоставят  стандартную статистическую информацию: среднее, минимальное, максимальное из измеренных значений, среднеквадратичное отклонение, доверительный интервал для среднего и т.д.).

Чтобы добавить объект сбора данных гистограммы на диаграмму, перетащим элемент Данные гистограммы с палитры Статистика на диаграмму активного класса.  Зададим свойства элемента (рис.3.6): Имя waitTimeDistr, Заголовок  Waiting time distributio, Кол-во интервалов равным 50, Начальный размер интервала: 0.01. Аналогично поступаем для объекта timeInSystemDistr, с Заголовком Time in system distribution.

Рис. 3.6 Окно свойств объекта waitTimeDistr

Для того чтобы соединить объекты сбора данных с объектами модели выполняем следующие настройки:

Свойства объекта Source (см. рис.3.4):

o                      new Customer() в поле Новая заявка. Теперь этот объект будет создавать заявки нашего типа Customer. 

o                      Customer в поле Класс заявки. Это позволит напрямую обращаться к полям класса заявки Customer в коде динамических параметров этого объекта.

o                      entity.enteredSystem = time(); в поле Действие при выходе. Этот код будет сохранять время создания заявки-клиента в переменной enteredSystem нашего класса заявки Customer.

Свойства объекта queue (рис.3.7): 

o                      Customer в поле Класс заявки.

Рис. 3.7 Окно свойств объекта Queue

o                      entity.startWaiting = time(); в поле Действие при входе. Этот код запоминает время начала ожидания клиентом его очереди на обслуживание в переменной startWaiting нашего класса заявки Customer.

o                      е waitTimeDistr.add(time() - entity.startWaiting); в поле Действие при выходе. Этот код добавляет время, в течение которого клиент ожидал обслуживания, в объект сбора данных waitTimeDistr.

Свойства объекта sink:

o                      Customer в поле Класс заявки.

o                      timeInSystemDistr.add(time()-entity.enteredSystem); в поле Действие при входе. Этот код добавляет полное время пребывания клиента в банковском отделении в объект сбора данных гистограммы timeInSystemDistr.

Добавляем две гистограммы для отображения распределений времен ожидания клиента и пребывания клиента в системе.

Запускаем модель  на  выполнение (рис. 3.8). Целью моделирования  подобной  сервисной системы является, конечно, не просто имитация функционирования его служащих и поведения  клиентов,  а  определение  тех  параметров,  которые  характеризуют качество  сервиса  и  затраты  на  обеспечение  этого  сервиса  при  определенных характеристиках  входного  потока  клиентов  и  структуры  системы.  В  частности, средней длины очередей, занятость обслуживающего персонала и т. п.

Рис.3.8 Работа имитационной модели банковского отделения при  поступлении заявок с интенсивностью 0,67

Например, после  обработки  14409  тысяч  заявок (рис.3.8)  получено,  что  7162 заявок  прошли  через банкомат (Delay), и 7243 заявок обработано кассирами. В данный момент  времени  до генерации  очередной  заявки  объекту  source  осталось  14,409  мин, очереди к банкомату нет, а к кассирам в очереди стоит одна заявка.

Видно, что  средняя  длина  очереди  Queue  равна  0,091, очереди.  Коэффициент использования кассиров соответственно 0,728, 0,729 и 0,727. Среднее время пребывания заявки в системе 5, 086 минут, а среднее время ожидания составляет 0,275 минуты.

На основе этого анализа можно с уверенностью сказать, что при указанных входных потоках клиентов и производительности обслуживания  зафиксированная в модели  структура  операционного  зала  банка  удовлетворительна.  Очереди практически отсутствуют, а среднее время ожидания составляет всего 0,275 минуты, поэтому  клиенты  банка  будут   удовлетворены.

Давайте немного изменим интенсивность прихода клиентов в наше банковское отделение и посмотрим как изменятся характеристики модели. Зададим интенсивность равной 0,8 (рис.3.9).

После  обработки  2284  тысяч  заявок  получено с интенсивностью прибытия клиентов 0,8, характеристики системы изменились: 1160 заявок  прошли  через банкомат (Delay), и 1118 заявок обработано кассирами. В данный момент  времени  до генерации  очередной  заявки  объекту  Source  осталось  2,284  мин, очереди к банкомату по прежнему нет, а к кассирам в очереди стоит уже 3 заявки.

Рис.3.8 Работа имитационной модели банковского отделения при  поступлении заявок с интенсивностью 0,80

При этом средняя  длина  очереди  Queue  равна  0,175.  Коэффициент использования кассиров соответственно 0,841, 0,842 и 0,841. Среднее время пребывания заявки в системе увеличилось с 5, 086 минут до 5, 982 минут, а среднее время ожидания составляет до 0,429 минуты, что превышает прежний показатель в 2 раза.

Таким образом, изменяя входные характеристики потока, а также объектов, входящих в состав модели, ЛПР имеет возможность наглядно проанализировать и оценить работу операционного зала банка.

На данном примере показано как разработать имитационную модель работы банковского операционного зала в среде программного имbтационного моделирования AnyLogic, позволяющую изменяя характеристики входных потоков, а также самих элементов системы анализировать и изучать поведение системы в различных условиях.

Такого рода модели могут служить основой для принятия управленческих решений при анализе существующей системы либо при планировании стратегии развития предприятия.

ЗАКЛЮЧЕНИЕ

Имитационное моделирование  является мощным и гибким инструментом изучения широкого круга моделей в различных сферах экономической деятельности.

Имитационное моделирование позволяет рассматривать процессы, происходящие в системе, практически на любом уровне детализации. В имитационной модели можно реализовать практически любой алгоритм управленческой деятельности или поведения системы.

В основном, технология имитационного моделирования используется в том случае, если поведение и структура изучаемого объекта слишком сложны для описания аналитичекой моделью, а проведение реальных экспериментов с экономическими системами, по крайней мере, неразумно, требует значительных затрат и вряд ли осуществимо на практике. Все это служит причиной того, что имитационные методы моделирования в настоящее время становятся основными методами исследования сложных систем.

Таким образом, имитация является единственным способом исследования систем без осуществления реальных экспериментов.

Для разработки и анализа моделей используются программные средства, позволяющие реализовать программную имитацию поведения системы для получения основных характеристик работы модели для дальнейшего анализа и принятия решений.

В данной работе  была реализована имитационная модель функционирования операционного зала банка с использованием средств программного продукта AnyLogic 6.5.1.

Система  моделирования  AnyLogic  обеспечивает  поддержку  всех  этапов имитационного  моделирования  для  различных  типов  динамических  моделей  – дискретных,  непрерывных  и  гибридных,  детерминированных  и  стохастических  в любых их комбинациях в рамках одного инструмента. 

Указанная  система  оказалась  очень  удобным  и  мощным  средством  для решения широкого  круга  задач  имитационного моделирования  для процессов и систем  различной  природы  в  производстве  и  бизнесе.  Возможность использования  одного  упомянутого  инструмента  при  изучении  различных парадигм  моделирования  делает  программный  продукт AnyLogic  незаменимым при  анализе функционирования действующих систем, а также при стратегическом планировании развития предприятия и принятии управленческих решений.

Данный  инструмент  обладает  большим  спектром  разнообразных возможностей проведения  как  отдельных прямых  экспериментов  типа  «если-то», так и серий подобных экспериментов для решения всевозможных обратных задач, направленных  на  поиск  параметров  модели,  оптимизирующих  ее функционирование. 

Удобный  интерфейс  и  различные  средства  поддержки  разработки  в AnyLogic делают  не  только  использование,  но  и  создание  компьютерных  имитационных моделей  в  этой  среде  моделирования  доступными  даже  для  тех,  кто  в  области вычислительной техники и программирования не является профессионалом.

Современный руководитель, если он хочет добиться максимальной эффективности своего предприятия, должен периодически обращаться к методам имитационного моделирования, потому что оно является одним из эффективнейших  методом исследования систем и количественной оценки характеристик их функционирования.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Анфилатов  В.С.,  Емельянов  А.А.,  Кукушкин  А.А.  Системный анализ в управлении. – М.: Финансы и статистика, 2001. – 368 с.

2. Борщев А.В. Практическое агентное моделирование и его место  в  арсенале  аналитика // Exponenta Pro. – 2004. –№ 3–4 (http://www.gpss.ru/index-h.html.).