Оптимизация структуры отделения ОАО КБ 'Пойдем' методом имитационного моделирования
Оглавление
Введение
. Аналитическая часть
.1 Системы моделирования
.1.1 Статические и динамические модели
.1.2 Непрерывные, дискретные и гибридные модели
.1.3 Детерминированные и стохастические модели
.1.4 Аналитические и имитационные модели
.2 Имитационное моделирование
.2.1 Виды имитационного моделирования
.2.2 Анализ имитационных систем моделирования
.2.3 Система моделирования AnyLogic
.3 Эксперименты в AnyLogic
.4 Система массового обслуживания
.4.1 Классификация СМО
. Проектная часть
.1 Создание модели
.2 Введение исходных данных
.3 Проведение эксперимента и анализ результатов
. Обоснование экономической эффективности проекта
.1 Бюджет проекта (затратная часть)
.2 Выгоды получаемые от проекта
Заключение
Список используемой литературы
Введение
В настоящее время изучение банковской системы является одним из
актуальных вопросов экономики любой страны. Очень многие люди посвятили себя
теме изучения и анализа функционирования банков и создания наилучших условий
для успешной их работы.
Сейчас происходит значительное увеличение финансовых ресурсов и
сбережений, которые растут во всех секторах экономики. Немалую роль в этом
сыграли и, наверное, в будущем будут играть банки.
Однако до сих пор банковская система имеет очень много недостатков и не
совершенность. Для решения этих проблем используются различные способы и
методы. Одним из таких методов является имитационное моделирование.
Цель имитационного моделирования состоит в создании модели исследуемой
предметной области для проведения различных экспериментов. Одно из главных
преимуществ имитационного моделирования это то что оно позволяет имитировать
поведение системы во времени. Причём плюсом является то, что временем в модели
можно управлять: замедлять в случае с быстропротекающими процессами и ускорять
для моделирования систем с медленной изменчивостью.
Данная тема сейчас весьма актуальна и получает широкое и признание и
применение. Уже сейчас возможностями имитационного моделирования пользуются
многие Российские и зарубежные компании и не только в банковской сфере, к
примеру, можно назвать таких гигантов как: Газпром, Сбербанк, Volkswagen,
Intel, FedEx, Ford Motor Company и так далее.
Целью данной работы является построение модели кредитного банка и ее
анализ. С помощью модели необходимо найти наилучший процесс работы для
кредитных менеджеров и кассиров ,найти оптимальное количество персонала , а
также установление временных нормативов работы с клиентами для экономии времени
для получения максимального дохода в отделении банка ОАО КБ «Пойдем».
Для реализации данной цели необходимо решить следующие задачи:
. Дать общую характеристику организации;
. Изучить структуру организации;
. Определить основные функции выбранного подразделения;
. Проанализировать предприятие, разработать план дипломной работы;
. Выбрать программное обеспечение;
. Собрать исходные данные о предприятии;
. Разработать имитационную модель предприятия;
. Обосновать экономическую выгоду;
Объектом исследования в данной работе будет, является процесс
обслуживания клиентов в банковском отделении ОАО КБ «Пойдем»
В соответствии с учредительными документами основными направлениями
деятельности предприятия являются:
- работа с частными лицами;
- обслуживание корпоративных клиентов.
Среди банков Самарской области ОАО КБ «Пойдем» стабильно входит в число
лидеров, опережая другие банки по показателям прибыльности и объемам
привлеченных средств физических лиц.
В рейтинге banki.ru ОАО КБ «Пойдем» в топ-50 среди российских банков по
качественному показателю МедиаИндекс. Банк стремительно набирает прибыль и занимает
28 место среди всех российских банков по количеству филиалов.
В данном проекте процесс обслуживания клиентов в отделениях КБ будет
рассматриваться, как система массового обслуживания и для решения поставленных
задач будет использована программа AnyLogic ведущей компании в области имитационного моделирования XJ Technologies.
.
Аналитическая часть
.1 Системы
моделирования
Моделирование является общепризнанным средством познания
действительности. Этот процесс состоит из двух больших этапов: разработки
модели, а анализа разработанной модели. Моделирование позволяет исследовать
суть сложных процессов и явлений с помощью экспериментов не с реальной
системой, а с её моделью. Известно, что для принятия разумного решения по
организации работы системы не обязательно знание всех характеристик системы,
всегда достаточен анализ её упрощенного, приближенного представления.
Моделирование особенно важно именно тогда, когда система состоит из
многих параллельно функционирующих во времени и взаимодействующих подсистем.
Такие системы наиболее часто встречаются в жизни. Каждый человек мыслит
последовательно, даже очень умный человек в конкретный момент времени обычно
может думать только об одном деле. Поэтому понимание одновременного развития во
времени многих влияющих друг на друга процессов является для человека трудной
задачей. Имитационная модель помогает понять сложные системы, предсказать их
поведение и развитие процессов в различных ситуациях и, наконец, дает
возможность изменять параметры и даже структуру модели, чтобы направить эти
процессы в желаемое русло. Модели позволяют оценить эффект планируемых
изменений, выполнить сравнительный анализ качества возможных вариантов решений.
Такое моделирование может осуществляться в реальном времени, что позволяет использовать
его результаты в различных технологиях.
Модель - это упрошенный аналог реального объекта или явления,
представляющий законы поведения входящих в объект частей и их связи. Построение
модели и ее анализ называется моделированием. В научной работе моделирование
является одним из главных элементов научного познания. В практической
деятельности цель построения модели - решение некоторой проблемы реального
мира, которую дорого либо невозможно решать, экспериментируя с реальным
объектом.
Модели можно классифицировать по различным признакам: статические и
динамические, непрерывные и дискретные, детерминированные и стохастические,
аналитические и имитационные и т. д.
1.1.1
Статические и динамические модели
Статические модели оперируют характеристиками и объектами, не
изменяющимися во времени. В динамических моделях, которые обычно более сложны,
изменение параметров во времени является существенным.
Статические модели обычно имеют дело с установившимися процессами,
уравнениями балансового типа, с предельными стационарными характеристиками.
Моделирование динамических систем состоит в имитации правил перехода системы из
одного состояния в другое с течением времени. Под состоянием системы понимается
набор значений существенных параметров и переменных системы. Изменение
состояния системы во времени в динамических системах - это изменение значений
переменных системы в соответствии с законами, определяющими связи переменных и
их зависимости друг от друга во времени.
1.1.2
Непрерывные, дискретные и гибридные модели
Реальные физические объекты функционируют в непрерывном времени, и для
изучения многих проблем физических систем их модели должны быть непрерывными.
Состояние таких моделей изменяется непрерывно во времени.
На более высоком уровне абстракции для многих систем адекватными являются
модели, в которых переходы системы из одного состояния в другое можно считать
мгновенными, происходящими в дискретные моменты времени. Такие системы
называются дискретными. Примером мгновенного перехода является изменение числа
клиентов банка. Очевидно, что дискретные системы - это абстракция, процессы в
природе не происходят мгновенно. В реальный банк реальный покупатель входит в
течение некоторого времени, он может застрять в дверях, колеблясь, войти или
нет, и всегда существует непрерывная последовательность его положения во время
прохождения дверей магазина. Однако при построении модели банка для оценки,
например, средней длины очереди в кассу при заданном потоке покупателей и
известных характеристиках обслуживания кассиром клиентов можно абстрагироваться
от этих второстепенных явлений и считать систему дискретной: результаты анализа
полученной дискретной модели обычно достаточно точны для принятия обоснованных
управленческих решений для подобных систем.
Во многих случаях в реальных системах присутствуют оба типа процессов, и
если оба они являются существенными для анализа системы, то и в модели одни
процессы должны представляться как непрерывные, другие - как дискретные. Такие
модели со смешанным типом процессов называются гибридными. Например, если при
анализе функционирования магазина существенным является не только количество
покупателей, но и пространственное их положение и перемещение покупателей, то
модель в этом случае должна представлять смесь непрерывных и дискретных процессов,
т. е. это гибридная модель. Другим примером может служить модель
функционирования крупного банка. Поток инвестиций, получение и выдача кредитов
в нормальном режиме описывается набором дифференциальных и алгебраических
уравнений, т. е. модель является непрерывной. Однако существуют ситуации,
например дефолт (дискретное событие), в результате чего возникает паника у
населения, и с этого момента система описывается совершенно другой непрерывной
моделью. Модель данного процесса на том уровне абстракции, на котором мы хотим
адекватно описать оба режима работы банка и переход между режимами, должна
включать как описание непрерывных процессов, так и дискретные события, а также
их взаимозависимости.
имитационный моделирование банк anylogic
1.1.3
Детерминированные и стохастические модели
При моделировании сложных реальных систем исследователь часто
сталкивается с ситуациями, в которых случайные воздействия играют существенную
роль.
В детерминированных моделях все факторы, оказывающие влияние на развитие
ситуации принятия решения, однозначно определены и их значения известны в
момент принятия решения.
Стохастические модели предполагают наличие элемента неопределенности,
учитывают возможное вероятностное распределение значений факторов и параметров,
определяющих развитие ситуации.
Следует отметить, что детерминированные модели, с одной стороны, являются
более упрошенными, поскольку не позволяют достаточно полно учитывать элемент
неопределенности. С другой стороны, они позволяют учесть многие дополнительные
факторы, зачастую недоступные стохастическим моделям. Здесь также нередко
оказывается справедливой известная закономерность: учитывая одни факторы при
моделировании, мы нередко забываем о других. И это естественно. Никакая модель
не может учесть абсолютно все факторы. Но профессионально разработанная модель
отличается тем, что позволяет учесть наиболее существенные из них.
Моделирование процесса принятия решений позволяет сделать существенный
шаг в сторону количественных оценок и количественного анализа результатов принимаемых
решений.
1.1.4
Аналитические и имитационные модели
Использование абстракций при решении проблем с помощью моделей часто
состоит в применении того или иного математического аппарата. Простейшими
математическими моделями являются алгебраические соотношения, и анализ модели
часто сводится к аналитическому решению этих уравнений. Некоторые динамические
системы можно описать в замкнутой форме, например, в виде систем линейных
дифференциальных и алгебраических уравнений и получить решение аналитически.
Такое моделирование называется аналитическим. При аналитическом моделировании
процессы функционирования исследуемой системы записываются в виде
алгебраических, интегральных, дифференциальных уравнений и логических
соотношений, и в некоторых случаях анализ этих соотношений можно выполнить с
помощью аналитических преобразований. Современным средством поддержки
аналитического моделирования являются электронные таблицы типа MS Excel. Однако
использование чисто аналитических методов при моделировании реальных систем
сталкивается с серьезными трудностями: классические математические модели,
допускающие аналитическое решение, в большинстве случаев к реальным задачам
неприменимы. Например, в модели нефтеналивного порта построить аналитическую
формулу для оценки коэффициента использования оборудования невозможно хотя бы
потому, что в системе существуют стохастические процессы. Есть приоритеты
обработки заявок на использование ресурсов, внутренний параллелизм в
обрабатывающих подсистемах, прерывания работы и т. п. Даже если аналитическую
модель удается построить, для реальных систем они часто являются существенно
нелинейными, и чисто математические соотношения в них обычно дополняются
логико-семантическими операциями, а для них аналитического решения не
существует. Поэтому при анализе систем часто стоит выбор между моделью, которая
является реалистическим аналогом реальной ситуации, но не разрешимой
аналитически, и более простой, но неадекватной моделью, математический анализ
которой возможен. При имитационном моделировании структура моделируемой системы
- ее подсистемы и связи - непосредственно представлена структурой модели, а
процесс функционирования подсистем, выраженный в виде правил и уравнений,
связывающих переменные, имитируется на компьютере.
1.2
Имитационное моделирование
Имитационное моделирование - это разработка и выполнение на компьютере
программной системы, отражающей структуру и функционирование (поведение)
моделируемого объекта или явления во времени. Такую программную систему
называют имитационной моделью этого объекта или явления. Объекты и сущности
имитационной модели представляют объекты и сущности реального мира, а связи
структурных единиц объекта моделирования отражаются в интерфейсных связях
соответствующих объектов модели. Таким образом, имитационная модель - это
упрощенное подобие реальной системы, либо существующей, либо той, которую
предполагается создать в будущем. Имитационная модель обычно представляется
компьютерной программой, выполнение программы можно считать имитацией поведения
исходной системы во времени.
Структура имитационного моделирования представляется
последовательно-циклической. Последовательность определяется тем, что процесс
имитационного моделирования можно разбить на ряд этапов, выполнение которых
осуществляется последовательно от предыдущего к последующему. Цикличность
проявляется в необходимости возвращения к предыдущим этапам и повторении уже
однажды пройденного пути с измененными в силу необходимости данными и
параметрами модели.
Первый этап обычен для любого исследования. Он необходим для того, чтобы
была оценена потребность изучения объекта или проблемы, возможность и способы
решения задачи, ожидаемые результаты. Этот этап очень важен для практического
применения метода моделирования.
Второй этап представляет собой формализацию описания моделируемого
объекта на основе выбранной теоретической базы. В начале этого этапа на
естественном языке дается описание состава исследуемого объекта, взаимодействия
между элементами объекта и объекта с внешней средой. На основе описания объекта
выбирается концепция его формального определения. Таким образом, в конце этапа
словесное описание исследуемой системы претворяется в абстрактную
математическую структуру.
Третий этап включает в себя все действия по созданию имитационной модели,
которое заключается в создании программы для ЭВМ на основе выбранного для этой
цели языка моделирования. На этом этапе осуществляется и проверка полученной
моделирующей программы на соответствие ее той теоретической схеме, которая была
положена в основу формального описания объекта моделирования. Заканчивается
третий этап проверкой соответствия имитационной модели свойствам реальной
системы.
Четвертый этап заключается в проведении исследования на разработанной
модели путем «прогона» ее на ЭВМ. Перед началом исследования полезно составить
такую последовательность «прогонов» модели, которая позволила бы получить
необходимый объем информации при заданном составе и достоверности исходных
данных. Далее на основе разработанного плана эксперимента осуществляют «прогоны»
имитационной модели на ЭВМ. В конце этапа осуществляется обработка результатов
с целью представления их в виде, удобном для анализа.
Пятый этап представляет собой анализ результатов исследования. На этом
этапе определяются те свойства реальной системы, которые наиболее важны для
исследователя. На основе анализа результатов подготавливаются окончательные
выводы по проведенному моделированию.
Шестой этап является заключительным. На этом этапе формулируются
окончательные выводы и разрабатываются рекомендации по использованию
результатов моделирования для достижения поставленных целей.
Часто на основе этих выводов возвращаются к началу процесса моделирования
для необходимых изменений в теоретической и практической части модели и
повторным исследованиям с измененной моделью. В результате нескольких подобных
циклов получают имитационную модель, наилучшим образом удовлетворяющую
поставленным задачам.
Имитационные модели позволяют проверить, правильно ли мы понимаем
процессы в исследуемом объекте, и выявить в различных конкретных случаях
параметры порядка. Знание последних и дает возможность строить простые модели
сложных явлений.
Сейчас имитационному моделированию придают большое значение, чаше всего к
нему прибегают, когда:
дорого или невозможно экспериментировать на реальном объекте;
невозможно построить аналитическую модель: в системе есть время,
причинные связи, последствие, нелинейности, стохастические (случайные)
переменные;
необходимо сымитировать поведение системы во времени.
1.2.1 Виды
имитационного моделирования
Рассматривая имитационное моделирование как средство решения проблем
бизнеса, можно выделить три основных подхода ( см. рис. 1):
Системная динамика;
Дискретно-событийное моделирование (Процессно-ориентированное);
Агентное моделирование;
Рисунок 1- Виды Имитационного моделирования
Первые два подхода являются "традиционными" методами
имитационного моделирования. Агентное моделирование - относительно новый метод,
получивший широкое практическое распространение только после 2000 года, но уже
зарекомендовавший себя множеством "success stories".
С точки зрения практического применения агентное моделирование можно
определить как метод имитационного моделирования, исследующий поведение
децентрализованных агентов и то, как это поведение определяет поведение всей
системы в целом. При разработке агентной модели, инженер вводит параметры
агентов (это могут быть люди, компании, активы, проекты, транспортные средства,
города, животные и т.д.), определяет их поведение, помещает их в некую
окружающую среду, устанавливает возможные связи, после чего запускает
моделирование. Индивидуальное поведение каждого агента образует глобальное
поведение моделируемой системы.
На сегодняшний день коммерческие компании и государственные организации
накопили огромное количество данных в их CRM, ERP и HR базах данных, но эти
данные все ещё очень слабо используются. Агентное моделирование - естественный
способ использовать эти данные и заставить их работать. Поскольку агентные
модели являются объектно-ориентированными, они могут быть населены агентами,
свойства которых реальны и считываются непосредственно с CRM системы (в случае,
если мы моделируем рынок), или из ERP/HR системы (если мы моделируем динамику
трудовых ресурсов в организации). Это дает Вам (a) легкий, (b) очень точный и
(c) всегда актуальный способ смоделировать, предсказать, сравнить сценарии и
оптимизировать стратегию предприятия.
Системная динамика и дискретно-событийное моделирование рассматривают
систему сверху вниз, работая на так называемом системном уровне. Агентное
моделирование - это подход снизу-вверх: создатель модели фокусируется на
поведении индивидуальных объектов.
Чтобы анализировать процессы, протекающие в мире, иногда удобно
рассматривать их как последовательность отдельных важных моментов - событий.
Подход к построению имитационных моделей, предлагающий представить реальные
действия такими событиями и называется "дискретно-событийным"
моделированием.
Термин "дискретно-событийное моделирование", однако, обычно
используется в более узком смысле для обозначения "процессного"
моделирования. Где динамика системы представляется как последовательность
операций над некими сущностями, представляющими клиентов, документы, звонки,
пакеты данных, транспортные средства и т.п. Эти сущности пассивны, они сами не
контролируют свою динамику, но могут обладать определёнными атрибутами,
влияющими на процесс их обработки (например, тип звонка, сложность работы) или
накапливающими статистику (общее время ожидания, стоимость). Процессное моделирование
используется на среднем или низком уровне абстракции: каждый объект
моделируется индивидуально, как отдельная сущность, но множество деталей
"физического уровня" (геометрия, ускорения/замедления) опускается.
Такой подход широко используется в моделировании бизнес-процессов,
производства, логистики, здравоохранения и т.д.
Системная динамика предполагает высокий уровень абстракции и используется
в основном для задач стратегического уровня. Процессно-ориентированный
(дискретно-событийный) подход используется в основном на операционном и
тактическом уровне. Спектр применения агентных моделей включает задачи любого
уровня абстракции: агент может представлять компанию на рынке, покупателя,
проект, идею, транспортное средство, пешехода, робота и т.д.
Системная динамика - это подход имитационного моделирования, своими
методами и инструментами позволяющий понять структуру и динамику сложных
систем. Также системная динамика - это метод моделирования, использующийся для
создания точных компьютерных моделей сложных систем для дальнейшего
использования с целью проектирования более эффективной организации и политики
взаимоотношений с данной системой. Вместе, эти инструменты позволяют нам
создавать микромиры-симуляторы, где пространство и время могут быть сжаты и
замедлены так, чтобы мы могли изучить последствия наших решений, быстро освоить
методы и понять структуру сложных систем, спроектировать тактики и стратегии
для большего успеха.
Системная динамика главным образом используется в долгосрочных,
стратегических моделях и принимает высокий уровень абстракции. Люди, продукты,
события и другие дискретные элементы представлены в моделях Системной Динамики
не как отдельные элементы, а как система в целом. Если же отдельные элементы
модели важны, то для полной или частичной обработки Вашей модели лучше
воспользоваться агентным или дискретно-событийным моделированием.
Теперь рассмотрим подходы имитационного моделирования на шкале уровня
абстракции (см. рис. 2). Системная динамика, заменяя индивидуальные объекты их
агрегатами, предполагает наивысший уровень абстракции. Дискретно-событийное
моделирование работает в низком и среднем диапазоне. Что же касается агентного
моделирования, то оно может применяться практически на любом уровне и в любых
масштабах. Агенты могут представлять пешеходов, автомобили или роботов в
физическом пространстве, клиента или продавца на среднем уровне, или же
конкурирующие компании на высоком.
При разработке моделей в AnyLogic можно использовать концепции и средства
из нескольких методов моделирования, например, в агентной модели использовать
методы системной динамики для представления изменений состояния среды или в
непрерывной модели динамической системы учесть дискретные события. Например,
управление цепочками поставок при помощи имитационного моделирования требует
описания участников цепи поставок агентами: производители, продавцы,
потребители, сеть складов. При этом производство описывается в рамках
дискретно-событийного (процессного) моделирования, где продукт или его части -
это заявки, а автомобили, поезда, штабелёры - ресурсы. Сами поставки
представляются дискретными событиями, но при этом спрос на товары может
описываться непрерывной системно-динамической диаграммой. Возможность смешивать
подходы позволяет описывать процессы реальной жизни, а не подгонять процесс под
доступный математический аппарат.
Рисунок 2 - Подходы имитационного моделирования на шкале уровня
абстракции
.2.2 Анализ
имитационных систем моделирования
Сейчас существует множество систем ИМ, у всех есть свои преимущества и
недостатки, для данной работы я выбирал из нескольких систем, а именно:
- Rockwell Arena
AnyLogic
Aimsun
Gpss
Simprocess
-Powersim
Мною была проведена оценка качеств данных систем имитационного
моделирования. Системы оценивались по 10 бальной шкале, где 1 мин. оценка а, 10
наивысшая (см. таблицу 1).
Таблица 1- Оценки характеристик СИМ
|
Rockwell Arena
|
AnyLogic
|
Aimsun
|
Gpss
|
Simprocess
|
Powersim
|
|
Удобная графическая среда
|
6
|
7
|
6
|
5
|
6
|
6
|
|
Наличие удобной библиотеки
|
6
|
9
|
6
|
7
|
6
|
5
|
|
Служба поддержки и сервиса
|
7
|
7
|
6
|
7
|
6
|
7
|
|
Возможность создания анимации
|
6
|
7
|
7
|
6
|
5
|
6
|
|
Большой набор функций распределения
|
7
|
8
|
6
|
5
|
6
|
6
|
|
Умеренная стоимость СИМ
|
6
|
7
|
6
|
6
|
7
|
6
|
|
Наличие удобной платформы
|
7
|
7
|
6
|
6
|
5
|
6
|
|
Удобство в использовании
|
7
|
8
|
6
|
5
|
7
|
7
|
|
Общая оценка
|
52
|
60
|
49
|
47
|
54
|
56
|
Я решил остановиться на системе AnyLogic, более подробно о причинах
выбора далее.
1.2.3 Система
моделирования AnyLogic
AnyLogic - инструмент ИМ нового поколения, объединивший подходы системной
динамики, "процессного" дискретно-событийного и агентного
моделирования.- это выбор тысяч пользователей по всему миру, сотен коммерческих
организаций и сотен университетов. Количество пользователей постоянно растёт
как за счёт миграции с других продуктов, так и за счёт расширения рынка: AnyLogic
делает ИМ применимым там, где раньше это казалось невозможным. AnyLogic стал
корпоративным стандартом на бизнес-моделирование во многих транснациональных
компаниях.является лидером в технологиях имитационного моделирования благодаря
своей гибкости и отличительной черте - многоподходному моделированию. AnyLogic
может использоваться для принятия оптимальных решений на протяжении полного
бизнес-цикла, то есть во всех областях: от цепочек поставок и логистики до
производства и анализа рынка. Использование одного инструмента для различных
бизнес-задач позволяет организациям экономить время и деньги, связывать модели
из разных департаментов и улучшать обмен знаниями между отделами.- инструмент
поддержки принятия решений для любого отдела и отрасли. Программа поддерживает
все существующие методы имитационного моделирования и тем самым удовлетворяет
все потребности вашей компании в сфере ИМ. Инженеры, аналитики отделов цепей
поставок, HR-менеджеры, специалисты по анализу рынка и стратегическому
планированию - все они используют AnyLogic в качестве инструмента для
моделирования на протяжении всего бизнес-цикла.
Функциональность и гибкость AnyLogic позволяет применять моделирование
практически в любой сфере бизнеса, от цепочек поставок и логистики до анализа
рынка и планирования производства, помогая принимать правильные решения и
эффективно справляться с задачами любой компании.
Преимущества AnyLogic
Рассмотрим основные достоинства этого программного продукта.
) Экономия времени и стоимости разработки:
графическая среда разработки моделей AnyLogic значительно ускоряет процесс
создания моделей;
благодаря встроенным библиотекам, написанными профессионалами, можно
создавать сложные модели всего в пару кликов;
интуитивный графический интерфейс упрощает переход с других инструментов
имитационного моделирования на AnyLogic;
создание библиотек позволяет разработчику многократно использовать уже
написанные модули;
объективно-ориентированный подход поднимает процесс разработки на новый
уровень.
) Создание различных моделей с помощью одного инструмента:
AnyLogic поддерживают как дискретный так и непрерывный подход в пределах одной
модели;
Java
платформа инструмента AnyLogic представляют безграничную расширяемость моделей за счет программирования
моделей на Java, создания пользовательских
библиотеки работы с базами данных;
богатый набор функций распределения позволяет создавать сложные
стохастические модели;
возможность проектировать агентные, системно-динамические,
дискретно-событийные и многоподходные модели, используя только один интсрумент;
сильная экспериментальная база, встроенная поддержка моделирования Монте
Карло и передовых форм оптимизации дает большое разнообразие подходов
моделирования.
)Улучшение визуального оформления моделей:
AnyLogic включает в себя возможность создания интерактивной анимации для
улучшения наглядности модели;
автоматическое создание Java
апплетов позволяет легко разместить модели в сети.
)Запуск моделей в любых условиях:
AnyLogic написан на языке Java,
поэтому он является мультиплатформенным программным продуктов. Среда разработки
модели работает на Windows, Mac OS и Linux;
на запуск моделей не требуется- можно создать Java апплеты моделей и запускать из любого браузера;
модель в AnyLogic может
использоваться как отдельное Java
приложение полностью независимо от среды разработки.
)Отличная служба поддержки и сервиса:
служба поддержки ответит на возникшие вопросы менее чем за 48 часов;
предоставление полного диапазона консультативных услуг от обучения до
разработки моделей
1.3
Эксперименты в AnyLogic
Повышение производительности и надежности, оценка стоимости и рисков,
оценка чувствительности системы к изменениям параметров, оптимизация структуры
- все эти проблемы встают как при эксплуатации существующих, так и
проектировании новых организационно-технических систем. Трудность понимания
причинно-следственных зависимостей в сложной системе приводит к неэффективной
организации систем, ошибкам в их проектировании, большим затратам на уровне
ошибок. Сегодня моделирование становится единственным практически эффективным
средством нахождения путей оптимального решения проблем в сложных системах,
средством принятия ответственных решений.
AnyLogic предлагает богатые возможности для проведения экспериментов и анализа
результатов моделирования: можно управлять прогонами моделирования; собирать,
просматривать и сравнивать результаты моделирования; калибровать и
оптимизировать модели. Для одной модели могут быть заданы несколько
экспериментов. AnyLogic
поддерживает следующие типы экспериментов:
Простой эксперимент;
Варьирование параметров;
Оптимизация;
Сравнение "прогонов";
Монте-Карло;
Анализ чувствительности;
Калибровка;
Нестандартный.
Простой эксперимент
Задачи вида «что - если» так называемая прямая задача имитационного
моделирования ИМ в AnyLogic решаются с помощью простого эксперимента. Простой
эксперимент (с именем Simulation) создается автоматически при создании проекта.
Он позволяет визуализировать модель с помощью анимации, графиков (диаграмм) и
т.п. Широкие возможности для отображения данных предоставляет библиотека бизнес
- графики.
Для построения, например, графика зависимости переменных от времени в
поле анимации сначала нужно построить прямоугольник, в переделах которого будет
размещаться график, после чего в любое место поля редактора перенести экземпляр
объекта ChartTime из Business Graphics Library. Затем в окне свойств данного объекта следует
настроить параметры, определяющие цвет и толщину линий, имена отображаемых
переменных, названия переменных, которые будут отображаться, цвет текста и т.д.
Простой эксперимент используется в большинстве случаев при разработке и
анализе моделей, созданных в AnyLogic. В частности, он поддерживает средства
для отладки модели. Можно организовать несколько простых экспериментов с
различными значениями исходных факторов и, сделав один из этих экспериментов
текущим, запустить модель на выполнение
Оптимизация
Используется для решения задач количественного анализа (расчет
показателей эффективности системы). Поиск тех значений факторов, которые
определяют наиболее предпочтительный вариант решения, называется обратной
задачей ИМ. Обратные задачи моделирования отвечают на вопрос о том, какое
решение из области допустимых решений обращает в максимум показатель
эффективности системы. Для решения обратной задачи многократно решается прямая
задача. В случае, когда число возможных вариантов решения невелико, решение
обратной задачи сводится к простому перебору всех возможных решений. Сравнивая
их между собой, можно найти оптимальное решение.
Если перебрать все варианты решений невозможно, то используются методы
направленного перебора с применением эвристик. При этом оптимальное или близкое
к оптимальному решению находится после многократного выполнения
последовательных шагов (решений прямой задачи и нахождения для каждого набора
входных параметров модели вектора результирующих показателей). Правильно
подобранная эвристика приближает эксперимент к оптимальному решению на каждом
шаге.
В качестве блока регистрации значений выходных показателей и выбора
очередного приближения при оптимизации пользователь может использовать любой
внешний оптимизатор или же оптимизатор OptQuest, встроенный в AnyLogic.
Оптимизатор OptQuest разработан недавно на основе мета эвристик рассеянного
поиска (scatter search) и поиска «табу» (tabu search). Этот оптимизатор
является лучшим из предлагаемых на рынке профессиональных пакетов оптимизации
для решения сложных проблем оптимизации.
Оптимизатор OptQuest запускается прямо из среды разработки модели.
Чтобы настроить оптимизацию в AnyLogic необходимо выполнить следующее:
) создать в разработанной модели оптимизационный эксперимент;
) задать оптимизационные параметры и области их изменения;
) задать условие остановки модели после каждого прогона. Это может быть
либо остановка по времени выполнения прогона, либо остановка по условиям,
накладываемым на переменные модели;
) задать целевую функцию, т.е. исследуемую реакцию системы;
) задать ограничения, которые в конце каждого прогона определяют,
допустимо ли значение вектора исходных входных факторов. Ограничения можно не задавать
(т.е. это опционально);
) задать условия прекращения эксперимента.
После запуска модели оптимизационный эксперимент найдет наилучшие
значения входных параметров, при которых заданная целевая функция обратится в
минимум или максимум.
Варьирование параметров
Анализ чувствительности модели - процедура оценки влияния исходных
гипотез и значений ключевых факторов на выходные показатели модели. Обычно
эксперимент с варьированием параметров и анализом реакции модели помогает
оценить, насколько чувствительным является выдаваемый моделью прогноз к
изменению гипотез, лежащих в основе модели. При анализе чувствительности обычно
рекомендуется выполнять изменение значений факторов по отдельности, что
позволяет ранжировать их влияние на результирующие показатели.
В AnyLogic доступен механизм автоматического запуска модели заданное
количество раз с изменением значений выбранных параметров - это эксперимент для
варьирования параметров. При запуске данного эксперимента пользователь может
изучить и сравнить поведение модели при разных значенияхпараметров с помощью
графиков.
Чтобы запустить такой эксперимент, нужно выполнить следующее:
создать эксперимент для варьирования параметров;
сконфигурировать эксперимент, выбрав параметры модели, которые вы хотите
варьировать, и, задав значения, которые эти параметры должны будут принять за
определенное вами количество прогонов модели, в окне свойства данного
эксперимента;
запустить модель, выбрав данный эксперимент в качестве текущего.
Такой вид эксперимента не поддерживает визуализацию работы модели с
помощью анимации.
Монте-Карло
Получает и отображает набор результатов моделирования для стохастической
модели или для модели со стохастически меняющимися параметрами. Интерфейс
эксперимента может содержать как обычные, так и двумерные гистограммы.
Сравнение "прогонов"
Позволяет интерактивно задавать различные значения параметров и запускать
модель с этими значениями.
Визуально сравнивает результаты "прогонов" как в скалярной
форме, так и в виде наборов данных.
Анализ чувствительности
Выполняет несколько "прогонов" модели, варьируя значения одного
из параметров и показывая, как результаты моделирования зависят от этих
изменений.
Калибровка
С помощью оптимизатора находит значения параметров модели, при которых
результаты моделирования наиболее точно соответствуют заданным данным. Данные
могут быть заданы как скалярными значениями, так и наборами данных. В случае
множественных критериев могут быть использованы коэффициенты.
Осуществляет визуализацию прогресса калибровки и соответствия результатов
каждому заданному критерию.
Нестандартный эксперимент
Запускает эксперимент нестандартного сценария, полностью написанного
пользователем. Нестандартный эксперимент дает пользователю неограниченную
гибкость в вопросах задания параметров, управления "прогонами"
модели, принятия решений. Он просто предоставляет одно поле, в котором Вы
можете написать код, выполняющий все вышеперечисленные задачи (а также и многие
другие) путем использования программного интерфейса класса исполняющего модуля
AnyLogic (такие методы, как run(), stop() и т.д.). У этого типа эксперимента
нет ни предопределенного поведения, ни встроенного графического интерфейса.
Среда разработки моделей
Среда разработки моделей AnyLogic 6 - это Java-приложение. Она
протестирована на следующих платформах:
-Microsoft Windows 8, x86-32 и x64;
Microsoft Windows 7 SP1, x86-32 и x64;
Apple Mac OS X 10.7.3 (Lion) или выше, Universal;
SuSE Linux, x86-32;
Ubuntu Linux 10.04 или выше, x86-32.
AnyLogic 6 может также быть установлен на других платформах, не
перечисленных в этом списке (например, на других версиях Linux), но в этом
случае мы не гарантируем полной совместимости с платформой.
Для работы AnyLogic 6 требуется Java 2 Standard Edition 8.0 или выше. JRE
включён в инсталляционный пакет AnyLogic для Windows, но на других платформах
должен быть установлен пользователем самостоятельно.
Требования к аппаратному обеспечению
MB свободного дискового пространства.
Рекомендуется иметь 2GB памяти и современный процессор для хорошей
производительности.
Рекомендуется использовать мышь.
1.4 Система
массового обслуживания
Разрабатываемая модель отделения банка будет рассматриваться как система
массово обслуживания. Чтобы понять, почему именно так нужно дать определение
СМО.
Многие экономические задачи связаны с системами массового обслуживания
(СМО), т.е. такими системами, в которых, с одной стороны, возникают массовые
запросы (требования) на выполнение каких-либо услуг, с другой - происходит
удовлетворение этих запросов. СМО включает в себя следующие элементы: источник
требований, входящий поток требований, очередь, обслуживающие устройства
(каналы обслуживания), выходящий поток требований (см. рис. 2).
Рисунок 3 - Схема СМО
Основными элементами СМО являются:
входной поток заявок;
очередь;
каналы обслуживания;
выходной поток заявок (обслуженные заявки).
В CMО обслуживаемый объект называют требованием. В общем случае под
требованием обычно понимают запрос на удовлетворение некоторой потребности,
например, разговор с абонентом, посадка самолета, покупка билета, получение
материалов на складе.
Средства, обслуживающие требования, называются обслуживающими
устройствами или каналами обслуживания. Например, к ним относятся каналы
телефонной связи, посадочные полосы, мастера-ремонтники, билетные кассиры,
погрузочно-разгрузочные точки на базах и складах.
Предметом теории массового обслуживания является установление зависимости
между факторами, определяющими функциональные возможности системы массового
обслуживания, и эффективностью ее функционирования.
Основной задачей теории СМО является изучение режима функционирования
обслуживающей системы и исследование явлений, возникающих в процессе
обслуживания.
Так, одной из характеристик обслуживающей системы является время
пребывания требования в очереди. Очевидно, что это время можно сократить за
счет увеличения количества обслуживающих устройств. Однако каждое
дополнительное устройство требует определенных материальных затрат, при этом
увеличивается время бездействия обслуживающего устройства из-за отсутствия
требований на обслуживание, что также является негативным явлением.
Следовательно, в теории СМО возникают задачи оптимизации: каким образом достичь
определенного уровня обслуживания (максимального сокращения очереди или потерь
требований) при минимальных затратах, связанных с простоем обслуживающих
устройств.
1.4.1
Классификация СМО
В большинстве случаев все параметры, описывающие системы массового
обслуживания, являются случайными величинами или функциями, поэтому эти системы
относятся к стохастическим системам. Случайный характер потока заявок
(требований), а также, в общем случае, и длительности обслуживания приводит к
тому, что в СМО происходит случайный процесс.
По характеру случайного процесса, происходящего в СМО, различают системы
марковские и немарковские.
Случайный процесс называется марковским, если для любого момента времени
t вероятностные характеристики процесса в будущем зависят только от его
состояния в данный момент t и не зависят от того, когда и как система пришла в
это состояние. Переходы системы из состояния в состояние происходят под
действием каких-то потоков событий (поток заявок, поток отказов).
В случае немарковских процессов задачи исследования СМО значительно
усложняются и требуют применения статистического моделирования, численных
методов с использованием ЭВМ.
СМО классифицируются на разные группы в зависимости от состава и от
времени пребывания в очереди до начала обслуживания, и от дисциплины
обслуживания требований.
По составу СМО бывают одноканальными (с одним обслуживающим устройством)
и многоканальными (с большим числом обслуживающих устройств). Многоканальные
системы могут состоять из обслуживающих устройств как одинаковой, так и разной
производительности. По времени пребывания требований в очереди до начала
обслуживания системы делятся на три группы:
с ожиданием,
с отказами,
смешанного типа.
В СМО с ожиданием очередное требование, застав все устройства занятыми,
становится в очередь и ожидает обслуживания до тех пор, пока одно из устройств
не освободится. СМО с ожиданием распространены наиболее широко. Их можно
разбить на 2 большие группы -разомкнутые и замкнутые.
К замкнутым относятся системы, в которых поступающий поток требований
ограничен. Например, мастер, задачей которого является наладка станков в цехе,
должен периодически их обслуживать. Каждый налаженный станок становится в
будущем потенциальным источником требований на подналадку. В подобных системах
общее число циркулирующих требований конечно и чаще всего постоянно.
Если питающий источник обладает бесконечным числом требований, то системы
называются разомкнутыми. Примерами подобных систем могут служить магазины,
кассы вокзалов, портов и др. Для этих систем поступающий поток требований можно
считать неограниченным.
В системах с отказами поступившее требование, застав все устройства
занятыми, покидает систему. Классическим примером системы с отказами может
служить работа автоматической телефонной станции.
В системах смешанного типа поступившее требование, застав все устройства
занятыми, становятся в очередь и ожидают обслуживания в течение ограниченного
времени. Не дождавшись обслуживания в установленное время, требование покидает
систему.
. Проектная
часть
2.1 Создание
модели
К целям данной модели относятся построение новой структуры работы банковского
отделения путем создания наиболее усовершенствованного графика работы
персонала. Следовательно нужно провести оптимизированный эксперимент с целью
точного определения количества одновременно работающих кассиров и менеджеров, а
также для создания временных норм работы с клиентами для увеличения
эффективности предприятия и качества обслуживания и выработки оптимальных
затрат на заработную плату сотрудникам.
Аналитически решить эту проблему нельзя, поскольку все функции здесь не
аналитические, поэтому решение возможно с помощью оптимизации, которая
использует имитационную модель для нахождения значений заданного функционала
при конкретных значениях. В AnyLogic встроен оптимизатор OptQuest - лучший из
предлагаемых сегодня оптимизаторов. Оптимизатор OptQuest автоматически находит
лучшие значения параметров модели с учетом заданных ограничений. AnyLogic
предоставляет удобный графический интерфейс для конфигурирования и отслеживания
хода оптимизации.
Оптимизация состоит из нескольких последовательных прогонов модели с
различными значениями параметров. Комбинируя эвристики, нейронные сети и
математическую оптимизацию, OptQuest позволяет находить значения параметров
модели, соответствующие максимуму или минимуму целевой функции, как в условиях
неопределенности, так и при наличии ограничений.
Чтобы оптимизировать модель
.Создайте оптимизационный эксперимент;
.Задайте целевой функционал;
.Задайте оптимизационные параметры;
.Задайте ограничения, которые будут наложены на значения параметров и
переменных (опционально);
.Задайте условия остановки прогона;
.Задайте условия остановки оптимизации;
.Запустите оптимизационный эксперимент;
Процесс оптимизации представляет собой итеративный процесс, который
состоит в том, что:
•Оптимизатор OptQuest выбирает допустимые значения оптимизационных
параметров и запускает модель с этими значениями;
•Завершив "прогон" модели, OptQuest вычисляет значение целевой
функции на момент завершения;
•Оптимизатор анализирует полученное значение, изменяет значения
оптимизационных параметров в соответствии с алгоритмом оптимизации и процесс
повторяется заново.
Теперь перейдем к разработке модели.
В банковском отделении находится банкомат , кассиры и менеджеры. Операции
с наличностью клиенты банка проводят с помощью банкомата, а более сложные с помощью
менеджеров и кассиров. К обязанностям менеджеров относится проверка
кредитоспособностей клиентов для последующего одобрения или отказа в кредите.
Обязанности кассира это денежные переводы, погашение кредита, открытие счета и
обмен валюты.
В работе будет использоваться блоки такие , как:(см. рис. 4)
Рисунок 4 -Блок Source
Создает заявки. Обычно используется в качестве начальной точки потока
заявок.
Заявки могут быть либо базового для заявок класса Entity, либо любого
класса пользователя, унаследованного от этого базового класса. Можно
сконфигурировать объект так, чтобы он создавал заявки других типов, указав
конструктор нужного класса в параметре Новая заявка, а также задать действие,
которое должно выполняться перед тем, как новая заявка покинет объект, и
связать с заявкой определенную фигуру анимации.
Заявки могут создаваться согласно заданной интенсивности, времени между
прибытиями, изменяющейся во времени интенсивности, заданной с помощью
расписания или табличной функции, расписанию, задающему точные времена и
количество прибывающих заявок, или "вручную" путем вызова метода
объекта inject().
Может быть задано как максимально допустимое число генераций, так и число
заявок, создаваемых за каждый раз.(см. рис. 5)
Рисунок 5 -Блок SelectOutput
Объект направляет входящие заявки в один из двух выходных портов в
зависимости от выполнения заданного (детерминистического или заданного с
помощью вероятностей) условия. Условие может зависеть как от заявки, так и от
каких-то внешних факторов. Поступившая заявка покидает объект в тот же момент
времени.
Может использоваться для сортировки заявок согласно заданному критерию,
для случайного разделения потока заявок на части и т.д..(см. рис. 6)
Рисунок 6 -Блок Queue
Объект Queue моделирует очередь заявок, ожидающих приема объектами,
следующими за данным в потоковой диаграмме, или же хранилище заявок общего
назначения. При необходимости можно задать максимальное время ожидания заявки в
очереди. Также можно программно извлекать заявки из любых позиций в очереди.
Заявка может покинуть объект Queue различными способами:
•“обычным способом” через порт out, когда объект, следующий в блок-схеме
за этим объектом, готов принять заявку;
•через порт outTimeout, если заявка проведет в очереди заданное
количество времени (если включен режим таймаута);
•через порт outPreempted, будучи вытесненной другой поступившей заявкой
при заполненной очереди (если включен режим вытеснения);
•“вручную”, путем вызова функции remove() или removeFirst().
Поступающие заявки помещаются в очередь в определенном порядке: либо
согласно правилу FIFO (в порядке поступления в очередь), либо согласно
приоритетам заявок. Приоритет может быть либо явно храниться в заявке, либо
вычисляться согласно свойствам заявки и каким-то внешним условиям. Очередь с
приоритетами всегда примет новую входящую заявку, вычислит ее приоритет и
поместит ее в очередь в позицию, соответствующую ее приоритету. Если очередь будет
заполнена, то приход новой заявки вынудит последнюю хранящуюся в очереди заявку
покинуть объект через порт outPreempted (но если приоритет новой заявки не
будет превышать приоритет последней заявки, то тогда вместо нее будет вытеснена
именно эта новая заявка).(см. рис. 7)
Рисунок 7 -Блок Delay
Задерживает заявки на заданный период времени. Время задержки вычисляется
динамически, может быть случайным, зависеть от текущей заявки или от каких-то
других условий. Это время может, в частности, вычисляться как длина фигуры,
заданной в качестве фигуры анимации этого объекта, поделенной на
"скорость" заявки.
Одновременно могут быть задержаны сразу несколько заявок (не более
заданной вместимости объекта capacity). Заявки задерживаются независимо друг от
друга - время задержки вычисляется отдельно для каждой заявки. Как только время
задержки истекает, заявка тут же покидает объект. Если объект Delay заполнен
полностью, то новую заявку он не примет, и в этом случае Вам нужно будет
поместить перед ним специальный объект буферизации, например, Queue.
Если вместимость объекта Delay меняется динамически, и количество заявок,
находящихся в объекте в данный момент времени, превышает значение вместимости
объекта, то объект Delay даст каждой такой заявке завершить ее время ожидания,
и не будет принимать новые заявки до тех пор, пока их количество в объекте не
станет меньше нового значения вместимости объекта.(см. рис. 8)
Рисунок 8 -Блок Service
Захватывает для заявки заданное количество ресурсов, задерживает заявку,
а затем освобождает захваченные ею ресурсы (заданных указанным объектом
ResourcePool). Объект ResourcePool может быть задан как графически, путем
соединения его порта с портом access этого объекта Service, так и с помощью
параметра Объект ResourcePool (в случае одновременого использования обоих
способов будут захватываться ресурсы объекта, указанного в параметре).
Эквивалентен последовательности объектов Seize, Delay, Release (и сам
реализован именно таким способом) и должен использоваться в тех случаях, когда
все, что требуется - это задержать захваченные ресурсы на заданное время, а
затем их отпустить. Большинство параметров этих вложенных объектов вынесены в
интерфейс объекта Service.
Вместимость вложенного объекта delay установлена максимально допустимой
(поскольку она фактически все равно будет ограничена количеством ресурсов
заданного типа).(см. рис. 9 )
Рисунок 9 -Блок ResourcePool
Задает набор ресурсов, которые могут захватываться и освобождаться
заявками с помощью объектов Seize, Release и Service. Есть два способа
моделирования ресурсов: они могут быть заданы в модели как индивидуальные
объекты, а могут просто как их количество. Если ресурсы заданы в модели как
индивидуальные объекты , то каждый такой ресурс может иметь отличные от других
ресурсов свойства, отображаться на презентации, хранить статистику своего
использования и т.д. Базовым классом для таких ресурсов является ResourceUnit,
Вы можете создать свои собственные подклассы этого класса. Но если таких
ресурсов будет достаточно много, и на моделирование каждого отдельного ресурса
будет тратиться определенное время и память. И если все такие ресурсы будут
идентичными, то имеет смысл не моделировать каждый такой ресурс отдельно, а
рассматривать их в целом, то есть, захватывать и освобождать просто
определенное количество такого агрегированного ресурса. Примером ресурсов
такого типа могут быть деньги, компьютерная память, складская площадь и т.д.
Если запросы от объектов Seize и Service не могут быть удовлетворены в
текущий момент времени, эти запросы помещаются в очередь объекта ResourcePool.
Эта очередь может быть либо обычной очередью FIFO, либо учитывать приоритеты
запросов.
При выборе ресурса (если ресурсы моделируются как индивидуальные объекты)
по запросу заявки объект NetworkResourcePool выбирает тот свободный ресурс,
который оставался свободным на протяжении наибольшего времени. Такой подход со
временем приведет к равномерному использованию всех ресурсов.
Любой ресурс может быть либо свободен, либо занят. Объект может собирать
статистику занятости ресурсов. Можете отображать на презентации занятые и
свободные ресурсы различными фигурами.(см. рис. 10)
Рисунок 10 -Блок Sink
Уничтожает поступившие заявки. Обычно используется в качестве конечной
точки потока заявок. Для того, чтобы заявки удалялись из модели и уничтожались,
нужно соединить выходной порт последнего блока процессной диаграммы с портом объекта
Sink или Exit.
Для успешного уничтожения заявки необходимо выполнение трех условий:
.Если заявка находится в сети, то она должна быть удалена из этой сети с
помощью объекта NetworkExit.
.Заявка не должна обладать ни одним ресурсом или сетевым ресурсом.
.Если заявка содержит другие заявки, то они тоже должны удовлетворять
вышеуказанным условиям.
Если какое-то из этих условий не выполняется, объект Sink выдает ошибку.
Для того, чтобы приступить к разработке модели, для подробного понимания
процесса производства, создадим диаграмму состояний (см. рис. 11), на которой
будет видна детальная схема процесса обслуживания клиента.
Рисунок 11 - Диаграмма состояний
Модель отделения банка, построенная в AnyLogic см. рис. 12.
Рисунок 12- Модель отделения банка
Также мной создано меню подбора параметров для данной модели, позволяющая
при запуске быстро найти наилучшее варианты работы отдела банка. (см. рис. 13)
Рисунок 13 - Меню выбора параметров
Подробное описание исходных данных и параметров, а также процесс
оптимизации и результаты будут рассмотрены далее.
2.2 Введение
исходных данных
Входе прохождения практики, мною были собранны различные данные для
данной модели, в данной главе будет показано, как я совместил их с
возможностями AnyLogic.
Исходя из данных, полученных мной в ходе практики, я выяснил, что
интенсивность прихода клиентов в отделение банка ОАО КБ «Пойдем» зависит от
времени суток и дня недели, основной поток клиентов приходится на выходные дни.
Для того чтобы модель работала более удобно, в объекте Source я ввел параметр attivalRate (см. рис.14).
Рисунок 14- Параметры Source
С помощью данного параметра при запуске модели можно регулировать поток
клиентов в час, это позволяет рассмотреть различные варианты результатов
эксперимента. Интервал между приходом клиентов с 10 да 30 человек в час, такой
разброс позволяет получить данные о будних днях, когда поток клиентов меньше и
выходных, а так же возможность получения результата с учетом увеличения потока
клиентов (см. рис. 15).
Рисунок 15 -Параметры Slider
В данной модели после прибытия клиента в зависимости от его целей может
существовать несколько вариантов событий. Клиент может воспользоваться услугами
банкомата , либо при более сложных операциях обратиться к менеджеру или
кассиру.
Вероятность того что клиент воспользуется банкоматом примерно равна 20%.
Оставшиеся 80% операций делятся примерно поровну между менеджерами и кассирами.
Далее будут поочередно рассмотрены все три варианта событий .
Для разработки модели очереди к банкомату я использовал объекты Queue
(см. рис. 16) и Delay (см. рис. 17).
Рисунок 17 -Параметры Queue
Рисунок 18 - Параметры Delay
Исходя из моих наблюдений в среднем время затрачиваемое клиентами на
банкомат составляет от 2 до 5 мин. Для того чтоб указать это я использовал
параметр случайных чисел triangular.
Модель очереди к кассе состоит из объектов Queue (см. рис. 19) ,Service (см. рис. 21) , selectOutput(см.
рис. 22) и ResourcePool (см. рис. 25) .
Рисунок 19- Queue1
В данном случае объект Queue1
будет имитировать очередь к кассе. Для удобства я поставил вместимость 200
человек, действия при выходе нужны, чтобы во время эксперимента можно было
отслеживать этап обслуживания клиента. На данном этапе, если все кассы заняты в
таблице будет отображено что клиент ожидает в очереди (см. рис. 20).
Рисунок 20- Этапы обслуживания
Рисунок 21- Service
После того как клиент дождется своей очереди к кассе его состояние в
таблице изменится на - клиент начал обслуживаться (Рисунок №20). На данном
этапе модели клиент выбирает тип услуги: погашение кредита, открытие счета,
денежные переводы, обмен валюты. Для распределения услуг я использовал объект
selectOutput (см. рис. 22)
Рисунок 22 - selectOutput9
Исходя из данных и наблюдений, полученных во время прохождения практики,
в 40% случаев клиент пользуется услугами по погашению кредитов, 30% услуги по
открытию счета, 17% обмен валюты, 12% денежные переводы и в 1% случаев клиент
обращайся не по теме.
В дальнейшем клиент обслуживался по выбранному им сценарию (см. рис 23).
Рисунок 23 - Схема обслуживания на кассе
В модели все услуги сделаны почти одинаково и по этому рассматривать все
не имеет смысла, далее будет рассмотрено только погашение кредита (см. рис 24).
Рисунок 24 - Погашение кредита
Время обслуживания клиента рассчитывается параметром triangular, а также с помощью слайдера при
выборе параметров, для всех услуг стоят свои регуляторы времени .Также когда
клиент проходит этот этап модели его статус меняется на клиент закончил
обслуживание (см. рис. 10).
Количество персонала обслуживающие клиентов на кассе определяются
объектом ResourcePool (см. рис. 25).
Рисунок 25 - ResourcePool
В объекте используется параметр resources1 , он позволяет при выборе параметров изменять количество
рабочего персонала на кассе.
Модель очереди к менеджеру так же состоит из объектов Queue (см. рис.
27), Service (см. рис. 28), selectOutput и
ResourcePool (см. рис.29) .
Главным отличием этой модели от предыдущих в том, что прежде чем клиенту
одобрят кредит ,он должен пройти несколько стадий рассмотрения кредитоспособности
и на каждой стадии есть вероятность отказа в кредите (см. рис. 26).
Рисунок 26 - Модель менеджера
За моделирование очереди к менеджеру отвечает объект Queue (см. рис. 27). Вместимость так же
установлена на 200 человек, действия при выходе действуют аналогично, как и в
очереди к кассе (см. рис. 20).
Рисунок 27 - Параметры Queue
Когда подойдет очередь клиента, он начинает проходить стадии проверки его
кредитоспособности, исходя из полученных данных, на каждой стадии есть своя
вероятность отказа в кредите. Анализ документов на полноту и достоверность 30%,
анализ информации о заемщике 25%, Анализ финансово-хозяйственной деятельности
20%, анализ кредитуемой операции 15%, анализ кредитоспособности 10%, одобрение
кредита 10%. Все стадии так же можно регулировать по времени затрачиваемого на
их прохождение. Их модели построены на подобии друг друга поэтому все их
рассматривать нет смысла, далее будет рассмотрена модель анализа документов
полноту и достоверность (см. рис. 28).
Рисунок 28 - Параметры Service11
Время задержки регулируется с помощью параметра triangular и слайдера при выборе параметров,
действия при выходе показывают, что клиент продолжает обслуживаться (см.
рис.20).
Все стадии имеют общий ресурс (персонал), количество которого можно
регулировать при выборе параметров (см. рис. 29).
Рисунок 29 - Рисунок 15 - ResourcePool
Модель имеет общий выход для всех рассматриваемых вариантов, клиент может
закончить обслуживаться, ему могут отказать в кредите и закончить обслуживание
или же он может сам покинуть отделение, за выход отвечает объект Sink (см. рис. 30).
Рисунок 30 - Объект Sink
Далее я рассмотрю некоторые места, которые не были видны в основной
модели.
Для того чтобы регулировать время задержки в модели я ввел специальные
параметры и переменные (см. рис. 31).
Рисунок 31 - Параметры и переменные модели
Параметр serviceTime использовался для регулировки времени задержки в
модели (см. рис. 32).
Рисунок 32 -Применение параметра serviceTime
Параметры arrivalRate использовался для Регулировки интенсивности
прибытия клиентов банка (см. рис. 33).
Рисунок 33 -Применение параметра arrivalRate
Параметр resources использовался для регулировки количества персонала
(см. рис. 34)
Рисунок 34 -Применение параметра resources
Также мной были введены две диаграммы для сбора данных и статистики,
основываясь на данных полученных из нее можно регулировать модель до получения
наилучших результатов (см. рис.35).
Рисунок 35 - Диаграммы данных
.3 Проведение
эксперимента и анализ результатов
Для начала промоделируем нынешнюю ситуацию в отделении. Для этого
отредактируем модель под исходные данные (см. рис. 36).
Рисунок 36 - Параметры исходной модели
После проведенной симуляции мною были получены данные схожие с нынешней
ситуацией (см. рис. 37, 38,39).
Рисунок 37 - Модель отделения банка
Рисунок 38 - Гистограммы исходных данных
Рисунок 39 - Данные с гистограмм
Из полученных результатов видно, что очередь к менеджеру в среднем
состоит из 4-5 человек, в большинстве случаев клиент отстаивает в очереди от 1
до 7 минут, часть клиентов в интервале от 7 до 15 мин. В очереди к кассе
ситуация совсем иная очереди там почти нету, и клиент обычно ждет не больше 2
мин.
Исходя из этого можно сделать вывод что скорей всего число кассиров можно
сократить, а освободившиеся активы направить на работу менеджеров.
После редактирования исходных данных и нескольких симуляций я составил
модель банка так , чтобы обслуживание клиентов проводилось более удобно и
быстрее (см. рис. 40).
Рисунок 40 -Параметры измененной модели
На рисунке видно, что я уменьшил число кассиров с 3 до 2, а количество
менеджеров увеличил с 3 до 4, а также изменил нормы времени затрачиваемые на
работу с клиентами.
В случае с менеджерами раньше при заключении договора на выдачи кредита
уходило в среднем около 1 часа, то сейчас это время составляет примерно 55
минут. Это было сделано за счет того что мною было увеличено время прохождения
стадии анализа документов на полноту и достоверность, а остальные были слегка
урезанны во времени. Это обосновывается тем, что во время анализа документов
менеджер получает основные знания о клиенте, которые имеют и предпосылки и к
другим стадиям, что позволяет в дальнейшем работать быстрее.
В работе касс тоже произошли изменения, время на выполнение некоторых
операций так же было снижено. Это было сделано из-за того что несмотря на
урезание персонала кассы все равно не были перегружены и имелась возможность
изменить нормы временя, для того чтоб обслужить большее число клиентов.
После проведения симуляции с этими данными мною были получены следующие
результаты (см. рис.41, 42,43).
Рисунок 41 - Гистограммы после редактирования исходных данных
Рисунок 42 - Данные с гистограмм
Рисунок 43 - Измененная модель банка
Из полученных результатов видно, что очередь у менеджеров существенно
сократилась, также сократилось и время ожидания в очереди теперь почти для всех
случаев оно составляет не более 3 минут. Внешне ситуация на кассах почти не
изменилась с учетом того что количество работников было уменьшено.
Так же одним весьма важным элементом является то что в связи с уменьшением
нагрузки и уменьшение времени обслуживания, количество обслуженных клиентов
банка увеличилось. На рисунке 39 видно что раньше банк успевал обслуживать в
среднем 146 клиентов, так как сейчас это число возросло до 176 клиентов.
Мною также были проведены симуляции с учетом увеличения числа клиентов.
Модель успешно справлялась при увеличении с 20 до 24 человек в час. В
дальнейшем нагрузка увеличивалась, однако в нужды уменьшении временных норм
работы я не вижу, так как из-за этого работе могут возникать ошибки, наилучший
вариант это расширение персонала. Увеличение числа менеджеров лучше начинать,
когда количество клиентов перевалит за 25 человек, а кассиров когда клиентов
станет более 30 человек в час.
. Обоснование
экономической эффективности проекта
Для того чтобы начать расчет экономической эффективности, следует
заметить, что модель разрабатывалась с целью повышения эффективности
функционирования предприятия.
В дальнейшем будет рассчитаны затраты, которые возникнут в случае
внедрения модели.
3.1 Бюджет
проекта (затратная часть)
Создание проекта заняло 20 рабочих дней.
Высчитаем прибыль от реализации модели за 1 год.
а) Определение затрат на разработку модели
При создании модели будут включаться все затраты, планируемые на
обслуживание клиентов.
Была составлена следующая смета:
ЗПосн - основная заработная плата;
ЗПдоп - дополнительная заработная плата;
Материалы - стоимость используемых материалов;
НДФЛ - подоходный налог;
Аренда помещения - аренда помещения;
Энергия - энергозатраты;
Инт - расходы на интернет.
Издержки = Материалы + ЗПосн + ЗПдоп + ЕСН + Энергия + Инт
б) Основная заработная плата
В этой части учитывается заработная плата 1 программиста, связанного с
разработкой модели, 4 менеджеров и 2 кассиров.
Таблица 2 -Заработная плата сотрудников.
|
Должность
|
Заработная плата в месяц, руб.
|
Стоимость одного рабочего дня, руб.
|
|
Менеджер
|
24 000
|
1200
|
|
Кассир
|
20 000
|
1000
|
|
Программист
|
20 000
|
1000
|
Сбор информации, проектирование, использование различных вариаций
развития ситуаций и обобщение результатов ведется одним программистом,
обслуживание клиентов ведется всеми менеджерами и кассирами. Работа ведется
последовательно для разработчика проекта, и одновременно для сотрудников
отделения.
Таблица 3 - Расчет основной заработной платы
|
№
|
Наименование этапа
|
Исполнитель
|
Трудоемкость, дней
|
Сумма, руб.
|
|
1
|
2
|
3
|
4
|
5
|
|
1
|
Сбор информации
|
Программист
|
2
|
1000,0
|
|
2
|
Проектирование
|
Программист
|
4
|
4000,0
|
|
3
|
Реализация
|
Программист
|
4
|
4000,0
|
|
4
|
Отладка и тестирование
|
Программист
|
5
|
5000,0
|
|
5
|
Оценка результатов и составление рекомендаций
|
Программист
|
5
|
5000,0
|
|
6
|
Составление документации
|
Программист
|
1
|
1000,0
|
|
Итого
|
|
|
20 000,0
|
|
7
|
Обслуживание клиентов
|
4 Менеджера
|
299
|
1 435 200,0
|
|
8
|
Обслуживание клиентов
|
2 Кассир
|
299
|
598 000,0
|
|
Итого
|
|
|
2 053 200,0
|
|
|
|
|
|
|
|
|
Следовательно, величина основной заработной платы за всю
продолжительность проекта составит:
ЗПосн = 2 053 200 руб.
в) Дополнительная заработная плата
За величину дополнительной заработной платы примем 15% от величины
основной заработной платы, получаем:
ЗПдоп = ЗПосн * 0,15 = 307 980 руб.
г) Подоходный налог
Отчисления составляют 13%
д) Стоимость материалов
Стоимость материалов не учитывается, т.к. в данном проекте нет расходов
на дополнительные ресурсы
СТмат= 0
е) Аренда помещения
Стоимость аренды можно вычислить по формуле:
где П- продолжительность аренды помещения, равное продолжительности
выполнения проекта;
- стоимость 
арендуемого помещения в месяц;
S -
площадь арендуемого помещения.
Но т.к. помещение находится в полной собственности, то компания не платит
аренду
А = 0 руб.
ж) Энергозатраты
Затраты на электроэнергию рассчитываются по форуле:
Э=W*T*S
где W - потребляемая мощность;
Т - количество часов работы оборудования;
S -
стоимость киловатт-часа электроэнергии, S= 3.38 рублей
Для работы были задействованы 7 компьютеров, 1 сервер, 3 принтера, 2ККМ.
Рабочий день составляет 11 часов, в среднем пользование принтером занимает 1
час в день и ККМ 10 часов в день. Исходя из этих данных, получаем:
Компьютер: Wк = 0,3кВт, Тк =
3588ч.
Сервер: Wc = 0,7кВт, Тс = 3588ч.
Принтер: Wп = 0,05кВт, Тп =
299ч.
ККМ: Wккм = 0,01кВт Тккм = 2990ч.
,232+8489,208+50,531+101,62= 12279руб.
з) Расходы на интернет
Расходы за использование сети интернет составляют 5000руб. в месс.
И = 12*5000 = 60000 руб.
Затраты на сведены в таблице 4.
Таблица 4 - Затраты
|
Список затрат
|
Сумма затрат, руб.
|
|
Основная заработная плата
|
2053200
|
|
Дополнительная заработная плата
|
307980
|
|
Материалы
|
0
|
|
НДФЛ
|
306953
|
|
Аренда
|
0
|
|
Затраты на интернет
|
60000
|
|
Итого
|
2728113
|
Исходя из проведенных расчетов видно, что при использовании модели
затраты составят порядка 2728113 руб. в год.
.2 Выгоды,
получаемые от проекта
Внедрение модели дает сразу несколько преимуществ:
Во-первых: в модели была достигнута цель увеличения производительности в
отделении банка. После отладки параметров очередь, которая постоянно
скапливалась, была существенно уменьшена, а так же была выявлена необходимость
изменении числа сотрудников.
Во-вторых: в модели ясно видно, что при использовании данных изменений
увеличивается число клиентов которых банк успевает обслуживать. А это значит
что доходы отделения должны вырасти.
В-третьих : существуют также и косвенные выгоды, которые могут быть даже
более значимыми, чем прямой экономический эффект. Зачастую их сложно
представить в строго формализованном виде и довольно трудно измерить. В общем
случае к таким выгодам можно отнести:
возможность контролировать все происходящие бизнес-процессы в режиме
реального времени;
наглядное иллюстрирование процесса обслуживания. Руководитель и
сотрудники получают возможность видеть на экране компьютера все процессы,
осуществляемые в отделении;
возможность использования виртуального эксперимента без существенных
финансовых потерь ;
возможность определения оптимального количества персонала и оборудования
для эффективного развития организации.
Заключение
В результате разработанного проекта была достигнута цель работы -
построение и анализ модели, имитирующей процесс обслуживания клиентов в
отделении ОАО КБ «Пойдем», а также были решены и раскрыты в полном объеме все
поставленные задачи:
анализ рынка систем моделирования;
изучение системы имитационного моделирования;
создание модели, имитирующий процесс обслуживания клиентов;
оценка результатов.
Можно сделать выводы, что использование подобной методики позволяют
руководителям любой фирмы заглянуть далеко в будущие в развитие их организации и
скорректировать его в своих целях. Также позволяет проиграть различные
сценарии, изменения, разные параметры модели, при этом, не затрачивая
дополнительных: временных, денежных средств на оборудование и его установку,
транспортировку, а также на дополнительную рабочую силу.
Подобные имитации различных бизнес-процессов существенно облегчает
управление и их развитие.
Список
используемой литературы
1. Гусева Е.
Н. Имитационное моделирование экономических процессов в среде Arena; Флинта -
Москва, 2011. - 132 c.
. Девятков,
В.В. Имитационное моделирование: Учебное пособие / Н.Б. Кобелев, В.А.
Половников, В.В. Девятков. - М.: НИЦ ИНФРА-М, 2013. - 368 c.
. Емельянова
А. А. Компьютерная имитация экономических процессов; Маркет ДС - Москва, 2011.
- 464 c.
. Карпов Ю.
Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5 (+
CD); БХВ-Петербург - Москва, 2012. - 400 c.
. Круглов В.
В., Осокин М. В. Локально-аппроксимационные модели социально-экономических
систем и процессов; ФИЗМАТЛИТ, Наука - Москва, 2011. - 224 c.
. Лычкина,
Н.Н. Имитационное моделирование экономических процессов: Учебное пособие / Н.Н.
Лычкина. - М.: НИЦ ИНФРА-М, 2012. - 254 c.
. Лоу,
Аверилл М.; Кельтон, В. Дэвид Имитационное моделирование. Классика CS; СПб:
Питер - Москва, 2010. - 848 c.
. Лычкина Н.
Н. Имитационное моделирование экономических процессов; Инфра-М - , 2012. - 256
c.
. Максимей И.
В. Имитационное моделирование сложных систем. В 3 частях. Часть 1.
Математические основы; БГУ - Москва, 2011. - 264 c.
. Митюков Н.
В. Имитационное моделирование в военной истории; ЛКИ - Москва, 2011. - 280 c.
. Павловский
Ю. Н., Белотелов Н. В., Бродский Ю. И. Имитационное моделирование; Академия -
Москва, 2012. - 240 c.
. Панюков А.
В. Математическое моделирование экономических процессов; Либроком - Москва,
2010. - 192 c.
. Шеннон Р.
Имитационное моделирование систем - искусство и наука; Мир - Москва, 2013. -
418 c.
14.
http://dic.academic.ru/dic.nsf/ruwiki/117535
.
http://refleader.ru/otrotrbewqas.html
. http://xreferat.ru/33/327-1-imitacionnye-modeli.html
.
<http://www.anylogic.ru/upload/Books_ru>
.
<http://www.anylogic.ru/anylogic/help>
.
<http://otherreferats.allbest.ru/emodel/00130483_0.html>
.
http://simulation.su/uploads/files/default
. <http://dic.academic.ru/dic.nsf/ruwiki/117535>
.
<http://www.scienceforum.ru/2013/21/2365>
.
<http://e-sab.narod.ru/Student/msu/4-imitation.pdf>
. <http://ru.vlab.wikia.com/wiki/Имитационное_моделирование>
. <http://www.sbup.com/wiki/Имитационное_моделирование>
. <http://bourabai.ru/cm/simulation.htm>
.
<http://www.interface.ru/home.asp?artId=1557>
.
<http://habrahabr.ru/post/246307/>
.
<http://www.twirpx.com/files/common/modelling/immitation/>
30.
<http://villian2008.narod.ru/7.htm>