MonteCarlo1
Transkrypt
MonteCarlo1
Symulacja Monte Carlo - przykład 1 (1) (źródło: Operations Management, J.Heizer, B. Render) Metoda Monte Carlo polega na przeprowadzaniu eksperymentów w których elementy losowe (probabilistyczne) ujmuje kategoriami losowo wyznaczonych próbek. Metoda składa się z 5 kroków: 1. Ustalenie rozkładu prawdopodobieństw istotnych zmiennych (na podstawie danych z przeszłości) np. popytu, czas od złożenia zlecenia do jego otrzymania, czas między awariami urządzeń, czas między przybyciami klientów do centrum obsługi (przykład poniżej). 2. Skonstruowanie skumulowanego prawdopodobieństwa każdej zmiennej. Przykład: zapotrzebowanie na komplety opon pewnego typu w firmie zajmującej się sprzedażą opon w ostatnich 200 dniach było następujące: Zapotrzebowanie Liczba dni Prawdopodobieństwo (wyliczone) Skumulowane prawdopodobieństwo 0 10 10/200=0,05 0,05 1 20 20/200=0,10 0,15 2 40 40/200=0,20 0,35 3 60 60/200=0,30 0,65 4 40 40/200=0,20 0,85 5 30 30/200=0,15 1,00 Razem 200 200/200=1,00 ---------------- 3. Ustanowienie przedziału wartości (losowych) każdej wartości zmiennej (kodowanie). Liczby losowe (czyli zespoły cyfr - np. dwucyfrowe: 01, 02, 03,…, 99,00) są wybierane w drodze doskonałego procesu losowego (każda liczba losowa ma równe szanse być wylosowana). Wracamy do przykładu. Jeśli jest 5% szans, że nie będzie w danym dniu potrzeba ani jednego kompletu opon, to 5% wylosowanych liczb będzie odpowiadać popytowi (zapotrzebowaniu) na zero kompletów opon. Jeśli bierzemy pod uwagę liczby dwucyfrowe to będzie to reprezentować pierwszych 5 liczb losowych: 01, 02, 03, 04, 05. Jeśli zatem w jakiś sposób wylosujemy w symulacji liczbę spośród zbioru 01,02, 03, 04, 05 to oznacza to symulowany popyt wynoszący zero kompletów opon. Jeśli wylosujemy którą z liczb ze zbioru 06, 07, … 15 to symulowany popyt wyniesie 1 komplet opon itd.. Zapotrzebowanie Prawdopodobieństwo (wyliczone) Skumulowane prawdopodobieństwo Przedział liczb losowych 0 0,05 0,05 01 … 05 1 0,10 0,15 06 … 15 2 0,20 0,35 16 … 35 3 0,30 0,65 36 … 65 4 0,20 0,85 66 … 85 5 0,15 1,00 86 … 99 + 00 (100) 4.Generowanie liczb losowych (komputerowo lub za pomocą tablic liczb losowych – są takie). 5. Właściwe symulowanie czyli tworzenie zestawu serii wyników. Kolejny symulowany dzień 1 2 3 4 5 6 7 8 9 10 Liczba losowa 52 37 82 69 98 96 33 50 88 90 Razem Symulowane dzienne zapotrzebowanie 3 3 4 4 5 5 2 3 5 5 39 Średni dzienny popyt w ciągu tych 10 dni wynosi 39/10 = 3,9 kompletów opon. Co ciekawe, średnie symulowane dzienne zapotrzebowanie (3,9) w czasie tej 10-dniowej symulacji różni się od oczekiwanego dziennego zapotrzebowania, które wyliczamy następujący sposób: Oczekiwane dzienne zapotrzebowanie gdzie : pi – prawdopodobieństwo zapotrzebowania na i kompletów opon, zi – zapotrzebowanie na i kompletów opon = 0,05*0 + 0,10*1 + 0,20*2 + 0,30*3 + 0,2*4 + 0,15*5 = 2,95 kompletów opon / dzień Jednakże gdyby eksperyment obejmował tysiące dni to średnie symulowane dzienne zapotrzebowanie byłoby bliskie oczekiwanemu dziennemu zapotrzebowaniu. Symulacja Monte Carlo Symulacja w problemach kolejkowych (źródło: Operations Management, J.Heizer, B. Render) Motywacja: zagadnienie nadaje się tylko do symulacji, gdyż strumieo przybywających obiektów nie jest poissonowski i czasy obsługi nie są realizacjami rozkładu wykładniczego ani stałego. Nie da się tego rozwiązad analitycznie. Przedmiotem badao jest urząd celny w porcie u ujścia rzeki do morza. Co noc przybywają barki wypełnione towarami do rozładunku i odprawy. Liczba przybywających barek waha się od 0 do 5. Dzienna zdolnośd rozładunku waha się między 1 a 5. Regulamin kolejki to FIFO. Problemem do rozwiązania jest obserwowany fakt, że niektóre barki muszą czekad na rozładunek i odprawę do następnego dnia. Protestują wobec tego właściciele barek a naczelnik urzędu celnego nie może tego lekceważyd. Zanim rozpocznie starania o znalezienie nowych pracowników u naczelnika portu, powinien zbadad procesy przybywania, rozładunku i opóźnienia. W tym celu wykonana zostanie piętnastodniowa symulacja (ideałem byłoby wykonanie symulacji 100 dni). Na podstawie wyników symulacji można zanalizowad koszty opóźnieo, koszt bezczynności pracowników i koszt zatrudnienia nowych. Do tego niezbędne są jednak kolejne wielokrotne symulacje z uwzględnieniem zmodyfikowanych współczynników zdolności rozładunku. Tabela 1. Częstośd przybywania barek i przedziały liczb losowych. Liczba przybywających barek 0 1 2 3 4 5 Prawdopodobieństwo 0,13 0,17 0,15 0,25 0,20 0,10 Skumulowane prawdopodobieństwo 0,13 0,3 0,45 0,70 0,90 1,00 Przedział liczb losowych dwucyfrowych 01..13 14..30 31..45 46..70 71..90 91..00(100) Tabela 2. Częstości liczby dziennie obsłużonych barek. Liczba obsłużonych barek 1 2 3 4 5 Prawdopodobieństwo 0,05 0,15 0,50 0,20 0,10 Skumulowane prawdopodobieństwo 0,05 0,20 0,70 0,90 1,00 Przedział liczb losowych dwucyfrowych 01..05 06..20 21..70 71..90 91..00(100) Dzień Liczba losowa nr 1 (symulowanie liczby przybyd) 1 0 (stan początkowy) 52 37 2 06 63 3 50 28 4 88 02 5 53 74 6 30 35 7 10 24 8 47 03 9 99 29 10 37 60 11 66 74 12 91 85 13 35 90 14 32 73 15 00 (100) 59 Razem Liczba przybyd w danym dniu (Tabela 1) Razem Liczba barek do rozładunku Liczba losowa nr 2 (symulowanie zdolności rozładunkowych) Liczba barek pozostających od poprzedniego dnia Zdolności rozładunkowe (Tabela 2) Podstawowe statystyki: Średnia dzienna liczba czekających barek : Średnia dzienna liczba przybyd : Średnia dzienna liczba barek odprawionych : Liczba barek faktycznie odprawionych Razem