Zanurzenie optymalizacji w symulację i symulacji w optymalizację
Transkrypt
Zanurzenie optymalizacji w symulację i symulacji w optymalizację
Nr 77 Prace Naukowe Instytutu Organizacji i Zarządzania Politechniki Wrocławskiej Studia i Materiały Nr 19 Elżbieta KASPERSKA* Elwira MATEJA-LOSA** Damian SŁOTA*** Nr 77 2005 ss. 113–124 ZANURZENIE OPTYMALIZACJI W SYMULACJĘ I SYMULACJI W OPTYMALIZACJĘ – NA PRZYKŁADZIE WYBRANYCH MODELI TYPU SD Tematyka związków między optymalizacją a symulacją na modelach typu SD staje się jedną z bardziej aktualnych w obszarze badawczym teoretycznym jak i praktycznym, z tą metodą związanym. Podejmowane przez autorów pracy wysiłki badawcze poszły zarówno w kierunku „optymalizacji zanurzonej w symulację” jak i „symulacji zanurzonej w optymalizację”. Znalazło to wyraz w wielu pracach, publikowanych w kraju i zagranicą. Obecnie autorzy dokonują przeglądu wybranych modeli (swoich), budowanych w oparciu o zasady SD (wraz z hybrydowymi „nadbudówkami”), w ich „historycznym” porządku (co niejako wskaże kierunki ich rozwoju i modyfikacji). 1. WPROWADZENIE Przykłady wielu eksperymentów przeprowadzonych na modelach typu SD pokazują, iż zachowanie się systemów może zmieniać się znacząco (pogarszać się lub polepszać) przez zmianę niektórych parametrów systemu (patrz: parametry wrażliwe u Łukaszewicza [1975, s. 245]). O wiele bardziej istotne zmiany można uzyskać zmieniając strukturę systemu. W modelach SD strukturę tworzą pętle powiązań informacji i decyzji; można tak dobrać parametry strukturalne by uzyskać różne możliwe kombinacje struktur danego systemu. Jednak czynienie tych zmian w sposób intuicyjny jest pracochłonne – możliwości uzyskania różnych kombinacji są w praktyce nieograniczone. Pomocna może być tzw. funkcja celu, która w ujęciu SD jest dodatkowym równaniem matematycznym, określającym wybraną zmienną, od której wartości zależy dobór parametrów strukturalnych z ich dopuszczalnych przedziałów. Wartości __________ * Politechnika Śląska, Instytut Matematyki; [email protected] Politechnika Śląska, Instytut Matematyki; [email protected] *** Politechnika Śląska, Instytut Matematyki; [email protected] ** 114 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota tej funkcji liczone są podczas całego procesu symulacji, tak więc otrzymane w wyniku tak rozumianej optymalizacji wartości parametrów są najlepsze z uwagi na dynamikę funkcji celu. Tak rozumie symulację podczas optymalizacji Coyle [Coyle 1994, Coyle 1996, Coyle 1999]. Prekursorem symulacji podczas optymalizacji jest niewątpliwie profesor G. Coyle. Aczkolwiek pierwsze próby w tym zakresie czynił już Winch [1976] i Keloharju [1977] nie nazywając ich w ten sposób, a raczej mówiąc o sztucznej inteligencji i super systemie. Kasperska opisała przykład Coyle’a-Keloharju w pracy [Kasperska 1998]. W swoich dalszych pracach Kasperska wraz z Mateją-Losą i Damianem Słotą [Kasperska, Mateja-Losa, Słota 2000a,b; Kasperska, Mateja-Losa, Słota 2001; Kasperska, Mateja-Losa, Słota 2002] podejmowali problematykę „zanurzenia” symulacji w optymalizację i vice versa. W rozdziale 2 autorzy dokonają skróconego przeglądu „rodziny” modeli o wspólnej nazwie DYNBALANCE, (z odpowiednimi numerami), która to nazwa odpowiada problematyce „bilansu dynamicznego” „zanurzonego” w klasyczną strukturę typu Dynamiki Systemowej. 2. PRZEGLĄD WYBRANYCH MODELI TYPU SD W ASPEKCIE ZANURZENIA OPTYMALIZACJI W SYMULACJĘ I VICE VERSA 2.1. MODEL DYNBALANCE (1-3) Model DYNBALANCE (1-3) po raz pierwszy zaprezentowano w pracy [Kasperska, Mateja-Losa, Słota 2000] oraz rozwinięto w [Kasperska, Mateja-Losa, Słota 2001]. Jego pełna polska nazwa to „optymalny dynamiczny bilans produkcji trzech produktów z jednego surowca”. Pewnym „odwróceniem” tego problemu będzie: „optymalny dynamiczny bilans trzech surowców dla produkcji jednego produktu”, co zaowocowało modelem DYNBALANCE (3-1), który będzie omówiony w dalszej kolejności. Idea pomysłu była dość prosta, co można zaobserwować na rysunku 1. Elementy na rysunku są przedstawione w konwencji Łukaszewicza, uzupełnionej o jeden istotny element, a mianowicie o symbol zmiennej pomocniczej (w podwójnym obramowaniu), o nazwie „Bilans”. „Bilans” przedstawia, włożony w klasyczny model Dynamiki Systemowej, bilans macierzowy Ax = b . Lokalnie w modelu Dynamiki Systemowej jest miejsce, gdzie trzeba rozwiązać układ trzech równań z trzema niewiadomymi, by dalej symulować zachowanie się systemu. Rozwiązanie układu równań Ax = b dokonuje się poprzez odwracanie macierzy A metodą Gaussa. Wartość x czyli trójwymiarowy wektor bilansowanych strumieni, otrzymuje się z warunku: Zanurzenie optymalizacji w symulację i symulacji w optymalizację ... 115 x = A −1b, gdzie macierze A i b określone są następująco: 1 1 1 A = UCP1 UCP 2 UCP3, ULP1 ULP 2 ULP3 R 2(T ) b = TCP , TLE gdzie: UCPi – jednostkowe koszty produkcji produktu Pi , (i=1, 2, 3); ULPi – jednostkowa pracochłonność produktu Pi , (i=1, 2, 3); R2 – strumień wyjściowy produkcji; TCP – całkowite nakłady kosztów produkcji; TLE – całkowite zasoby siły roboczej na produkcję. R1 Wejście (źródło surowca) Rp1 t1 g1 R2 Poziom surowca (LMT) podczas produkcji produkt P1 Rp2 Ax=b Bilans UCP1,2,3 produkt P2 Rp3 ULP1,2,3 produkt P3 Rys. 1. Bilans macierzowy produkcji trzech produktów włożony w klasyczną symulację SD Zwróćmy uwagę, że wartości strumienia R2 są określone dynamicznie, zatem wektor b jest wektorem dynamicznym, co umożliwia jego „włożenie” do symulacji SD. Algorytm Gaussa, współpracujący z programem w języku DYNAMO (1994) daje czasami ujemne wyniki dla wartości strumieni. Te „ujemne” wartości strumieni stoją w sprzeczności z fizyczną interpretacją przepływów w rzeczywistym systemie gospodarczym. I tak, z tych „złych” wyników narodził się pomysł rozwiązania układu nadokreślonego, którego pseudorozwiązania minimalizują normę odchyłki między poszczególnymi rozwiązaniami układu Ax = b . Układ nadokreślony powstaje z dołączenia równań „sztucznych”, zapewniających, że RPi, dla i=1, 2, 3 (patrz rys. 1.) nie przyjmą wartości ujemnych (odchyłki wartości tych strumieni od dużych wartości dodatnich bi, i = 4, 5, 6 będą minimalizowane przez algorytm minimalizujący normę odchyłki). Wartości tych dużych liczb dodatnich były dobierane eksperymentalnie. I tak układ nadokreślony przyjmie postać: 116 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota Ax = b , gdzie: 1 1 1 UCP1 UCP 2 UCP3 ULP1 ULP 2 ULP3 , A= 0 0 1 0 1 0 0 0 1 b= (R 2, TCP, TLE , b4 , b5 , b6 ) . T Parametry UCPi, ULPi dla i=1, 2, 3 mają interpretację jak uprzednio, tak samo strumień R2 oraz parametry TCP i TLE. Natomiast parametry b4 , b5 i b6 to wspomniane liczby o dużych wartościach dodatnich. Pseudorozwiązaniem układu Ax = b nazwiemy wektor x minimalizujący normę macierzy R, gdzie R = Ax − b . Przy przyjęciu definicji normy euklidesowej, mamy: R = 6 ∑r i 2 , i =1 wtedy metoda ta polega na pomnożeniu obu stron układu Ax = b przez macierz transponowaną AT (wtedy AT A jest macierzą kwadratową), a potem odwrócenie ( macierzy tj. AT ⋅ A ) −1 , tak więc: x = (AT A) ⋅ AT ⋅ b oraz xi ≥ 0, i = 1, 2, 3 . −1 Dla każdego kroku dt, dokonuje się procedury optymalizującej, czyli reguła decyzyjna bilansowa jest optymalna w sensie wyjaśnionym powyżej. 2.2. OPTYMALNY DYNAMICZNY BILANS PRODUKCJI TRZECH PRODUKTÓW – PEWNA WERSJA MODELU DYNBALANCE (1-3) Przedstawioną w podrozdziale 2.1. optymalizację podczas symulacji dla bilansu trzech składników porównamy obecnie z symulacją podczas optymalizacji (w sensie Coyle’a). Wyniki były już prezentowane w [Kasperska, Mateja-Losa, Słota 2001]. Na rys. 2 przedstawiono schemat bilansu dynamicznego, optymalnego w sensie Coyle’a, przy skonstruowanej przez Kasperską specyficznej funkcji celu, złożonej z trzech Zanurzenie optymalizacji w symulację i symulacji w optymalizację ... 117 składowych, co widać na rysunku. Model matematyczny tak rozumianego bilansu prezentujemy poniżej. Funkcja sumująca dopasowanie bilansu masowego (SFFTB) RS1 RP1 T1 G1 R1 produkt P1 R2 Optymalny bilans α, β, γ Poziom surowca podczas produkcji (LMT) Źródło surowca (wejście) ULP1,2,3 RP2 TLE produkt P2 RP3 RS3 Funkcja sumująca dopasowanie bilansu pracy (SFFLB) W1,2,3 UCP1,2,3 TCP produkt P3 RS2 Funkcja sumująca dopasowanie bilansu kosztów (SFFCB) Rys. 2 . Optymalny dynamiczny bilans produkcji trzech produktów Model dynamicznego bilansu trzech produktów w języku symulacyjnym DYNAMO (1994): lmt.k=lmt.j+dt*(r1.jk-r2.jk) r1.kl=input.k*g1 r2.kl=lmt.k/t1 input.k=po+p1*sin(6.283*time.k/perd) fob.k=w1*sfftb.k+w2*sffcp.k+w3*sfflp.k rs1.kl=(1-alfa-beta-gamma)*ar2.k ar2.k=lmt.k/t1 rp1.kl=alfa*ar2.k rp2.kl=beta*ar2.k rp3.kl=gamma*ar2.k rs2.kl=tcp-rp1.kl*ucp1-rp2.kl*ucp2-rp3.kl*ucp3 rs3.kl=tle-rp1.kl*ulp1-rp2.kl*ulp2-rp3.kl*ulp3 sfftb.k=sfftb.j+dt*(rs1.jk*rs.jk) sffcp.k=sffcp.j+dt*(rs2.jk*rs2.jk) sfflp.k=sfflp.j+dt*(rs3.jk*rs3.jk) Model DYNBALANCE (1-3), zbudowany według pomysłu Kasperskiej, charakteryzuje się odwzorowaniem trzech cech przepływu, a nie tylko jego natężeniem (jak to ma miejsce w klasycznych modelach Dynamiki Systemowej). Stanowi to rozwinięcie 118 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota idei Forrestera poprzez „włożenie” bilansu (w tym przypadku „trójwymiarowego”) macierzowego w klasyczny model Dynamiki Systemowej. Równania bilansu ujmują nie tylko cechy „masowe” przepływu (wyrażone w jednostkach produkcji na jednostkę czasu) jak też „kosztowe” wyrażone w kosztach produktu oraz cechy „pracochłonnościowe” wyrażone w pracochłonności produktu. Zastosowana technika pozwala na modelowanie innych cech przepływów, ujmując wiele dotychczas pomijanych charakterystyk zjawisk makro i mikroekonomicznych. Rozpatrywane dwa podejścia do dynamicznego bilansu trzech produktów (z ograniczeniem xi ≥ 0 oraz bez ograniczenia) wykorzystały znane techniki matematyczne. W pierwszym przypadku metodę rozwiązywania układu nadokreślonego (wg Legrasa), a w drugim klasyczny sposób Gaussa odwracania macierzy. Język symulacyjny Dynamo pozwolił na oprogramowanie algorytmów dla obu metod. Rodzić się może pytanie: co w sensie ekonomicznym (szczególnie w aspekcie zarządzania) dają zastosowane w DYNBALANCE (1-3) pomysły? Otóż, zamodelowany bilans produkcji pozwala uzyskiwać „krok po kroku” wartości trzech strumieni produktu (produkt 1, 2, 3) dla zmieniającego się strumienia surowca (tu o charakterystyce sinusoidalnej, co nie stanowi warunku koniecznego, można zakładać różne charakterystyki), przy zakładanych (planowanych) kosztach produkcji i pracochłonności. Daje to więc możliwość eksperymentowania typu „what if?” w różnych aspektach. Można modyfikować nie tylko charakterystykę wejścia (zasilanie w surowiec), ale też „zdynamizować” plany produkcji i badać różne ich warianty. A to ma już bezpośrednie implikacje dla realizacji funkcji zarządzania w systemie (który można w modelu rozwijać w miarę potrzeb). Można badać skutki różnych decyzji, a więc też i tych optymalnych, na dynamikę systemu jako całości. Natomiast, omawiana wersja modelu DYNBALANCE (1-3), wykorzystująca pomysł Coyle’a, odwzorowania wewnątrz modelu (jako jednego z jego równań) funkcji celu, steruje wyborem optymalnych wielkości strumieni produkcji. Funkcja celu osiąga optymalną wartość, z uwagi na dynamikę systemu, w całym złożonym horyzoncie symulacji. Składniki funkcji celu (patrz: rys. 2) wyrażają preferencje jego twórcy (a więc i zleceniodawcy, w przypadku modelu na zlecenie użytkownika) co do cech zachowania się systemu. I tak na przykład: różny dobór wag składowych funkcji celu (sfftb, sfflb, sffcb), pozwala na akcentowanie stopnia zgodności bilansu masowego, czy też bilansu kosztów, czy bilansu pracochłonności i wpływu tego dopasowania na optymalny wybór rozwiązania (planu produkcji). Tu również istnieje możliwość eksperymentów „what if?” w połączeniu z zastosowaną w języku COSMIC i COSMOS optymalizacją bezpośrednią. Zanurzenie optymalizacji w symulację i symulacji w optymalizację ... 119 2.3. MODEL DYNBALANCE (3-1) Model DYNBALANCE (3-1) po raz pierwszy przedstawiono w pracy [Kasperska, Mateja-Losa, Słota 2002]. Struktura zjawisk ekonomicznych w nim ujętych jest pewnym „odwróceniem” struktury modelu DYNBALANCE (1-3). Pomysł włożenia bilansu macierzowego (tym razem trzech surowców i jednego produktu) w klasyczny model Dynamiki Systemowej był już omawiany w (2.1). Obecnie przedstawiona zostanie struktura modelu według pomysłu Kasperskiej (wykorzystującego elementy optymalizacji „włożonej” w symulację) oraz pewną wersję dynamicznego bilansu trzech surowców, będącą w nurcie prób Coyle’a (tj. symulacji „włożonej” w optymalizację). tpr prm1 rm1 g1,2,3 rrm Poziom surowca podczas produkcji (lmt) Poziom zapasu wyrobów (lin) ucpr1,2,3 rm2 surowiec 2 b4,5,6 A tcrm tcpr prm3 rsl + ucr1,2,3 prm2 surowiec 1 rpr -1 AT.A .AT.b surowiec 3 b rm3 frd Popyt (rd) bl1 bl2 sum3 Poziom sumujący kwadraty różnic trzeciego równania (Ax-b) sum1 Poziom sumujący kwadraty różnic pierwszego równania (Ax-b) sum2 Poziom sumujący kwadraty różnic drugiego równania (Ax-b) + bl3 summ Rys. 3. Optymalny dynamiczny bilans surowców (model DYNBALANCE (3-1), elementy optymalizacji według pomysłu Kasperskiej [2005] Autorzy nauczeni doświadczeniami z pracy z modelem DYNBALANCE (1-3), od razu postawili problem szukania rozwiązania układu macierzowego przy ograniczeniu na rozwiązania xi ≥ 0 , () i = 1, 2, 3 . Podobnie jak w przypadku modelu DYNBALANCE (1-3), sprowadza się to do rozwiązania układu nadokreślonego, którego rozwiązania minimalizują odchyłki między poszczególnymi wielkościami modelowanymi przez równania układu macierzowego Ax = b . Strukturę modelu można prześledzić na rys. 3. 120 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota Podobnie jak model DYNBALANCE (1-3), model DYNBALANCE (3-1) charakteryzuje się odwzorowaniem trzech cech przepływu, a nie tylko jednego -natężenia. Jak podkreślono to już w podrozdziale (2.2.) stanowi to rozwinięcie idei Forrestera przez „włożenie” bilansu (tu również „trójwymiarowego”) w klasyczny model Dynamiki Systemowej. W przypadku modelu DYNBALANCE (3-1) bilans surowców ujmuje cechy: „masowe”, „koszty surowca”, „koszty produkcji” (technologia i ludzie). W rozwiązaniu „technicznym” tego zagadnienia wykorzystano działania na macierzach, tak jak w programie DYNBALANCE (1-3) (co można prześledzić porównując oba programy w Dynamo [Kasperska 2005]). Interpretacja ekonomiczna osiągniętej optymalizacji „włożonej” w symulację jest następująca: model pozwala uzyskać krok po kroku (a więc dynamicznie), rozwiązanie optymalne w sensie normy Ax − b , a więc optymalny „rozpływ” trzech surowców na produkcję jednego produktu. Ale to nie cała jego siła. Połączenie optymalizacji z symulacją w modelu Dynamiki Systemowej, pozwala zbadać wpływ tego optymalnego rozwiązania na dynamikę systemu jako całości. Klasyczne eksperymenty „what if ?” umożliwiają ponadto badanie: jaki wpływ na optymalny wybór mają zmiany wartości wejść (surowiec 1, 2, 3) czy np. dobór parametrów: tcrm, tcpr ? 2.4. OPTYMALNY DYNAMICZNY BILANS TRZECH SUROWCÓW DLA PRODUKCJI JEDNEGO PRODUKTU – PEWNA WERSJA MODELU DYNBALANCE (3-1) Podobnie jak w przypadku modelu DYNBALANCE (1-3), przedstawiona zostanie pewna wersja modelu, bilansu trzech surowców dla produkcji jednego produktu, wyrastająca z idei Coyle’a: symulacji podczas optymalizacji. Na rysunku 4 przedstawiono schemat bilansu dynamicznego, optymalnego w sensie Coyle’a, przy skonstruowanej przez Kasperską specyficznej funkcji celu „fob”. Wartość zmiennej fob steruje doborem wartości parametrów optymalizowanych (w symulacji podczas optymalizacji, w ujęciu Coyle’a) dla danego eksperymentu. Mówiąc inaczej, wartość fob jest naliczana dla całego horyzontu i na koniec eksperymentu optymalizacyjnego można porównać jej stosunek do wartości bazowej (dla wartości początkowych parametrów). W przypadku symulacji na modelu DYNBALANCE (3-1), proces optymalizacji daje minimum wartości funkcji celu, tak więc można zaobserwować „spadek” wartości fob na koniec optymalizacji (nie mylić ze wzrostem dla danego przebiegu symulacyjnego na koniec horyzontu symulacji). W pracy [Kasperska 2005] przedstawiono wyniki szeregu eksperymentów, co nie wyczerpuje olbrzymich możliwości eksperymentowania na modelu DYNBALANCE (3-1). I tak na przykład można badać wpływ odmiennego doboru wartości wag: w1, w2, w3 czy wagi „kara” na dobór optymalnych wartości parametrów: tchni1, techni2, techni3 i wartości zoptymalizowanej funkcji fob. Można również zmieniać wartości parametrów „zwykłych” modelu, takich jak: ucr1, ucr2, ucr3, ucpr1, ucpr2, ucpr3, a Zanurzenie optymalizacji w symulację i symulacji w optymalizację ... 121 przede wszystkim eksperymentować z doborem kluczowych parametrów: tcrm, tcpr (autorzy planują w dalszych badaniach uczynić je funkcjami tablicowymi, czyli przyjąć w pełni dynamiczną charakterystykę). Funkcja sumująca dopasowanie popytu (sffd) frd tchni1 rs1 rm1 tpr surowiec 1 g1,2,3 rpr rrm Poziom zapasów wyrobów (lin) Poziom surowca podczas produkcji (lmt) ucpr1,2,3 tchni2 rm2 Optymalny bilans surowców rm3 rs3 Funkcja sumująca dopasowanie bilansu kosztów produkcji (sffpr) surowiec 3 ucrm1,2,3 tcrm rs2 dod cena Funkcja sumująca dopasowanie bilansu kosztów surowca (sffrm) rlopr Popyt (rd) surowiec 2 tchni3 rsl tcpr Funkcja sumująca stracony zysk (lopr) w3 w2 kara + w1 fob Rys. 4. Optymalny dynamiczny bilans surowców (model DYNBALANCE (3-1), elementy optymalizacji w sensie Coyle’a) 2.5. MODEL DYNBALANCE (3-1-III-α) Model DYNBALANCE (3-1-III-α) jest pewnym wariantem modelu DYNBALANCE (3-1-III) opisanego m.in. w pracach [Kasperska, Mateja-Losa, 2004], [Kasperska, Mateja-Losa, 2005]. Ma on zmodyfikowaną, w stosunku do bazowego DYNBALANCE (3-1), funkcję celu „fob” oraz „mmaxfo”, co można zaobserwować na rysunku 5. Model DYNBALANCE (3-1-III-α) zawiera szereg parametrów strukturalnych: α , β , γ , K (nie wszystkie umieszczono na rysunku, z uwagi na wymóg jego prostoty). Zawiera on również wiele, tak zwanych, zwykłych parametrów. W trakcie procesu upraszczania struktury modelu (simplification), opisanego w pracy [Kasperska i Mateja-Losa 2005], parametry strukturalne przyjmują wartości zero-jedynkowe. Prekursor analizy strukturalnej modeli SD, prof. Coyle, stwierdza: „Dwa modele mogą 122 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota produkować to samo dynamiczne zachowanie istotnych zmiennych modelu, wtedy preferuje się ten o prostszej strukturze” [Coyle 1994]. I dalej: „dynamiczne zachowanie się istotnych zmiennych powinno być mierzone przy użyciu wartości funkcji celu modelu, tak więc pakiet COSMOS [Coyle 1994], będzie próbował znaleźć prostszy model, który nie zmieni wartości funkcji celu, w akceptowalnych granicach”. tau frd ard rpr poziom zapasu produktu ( lin ) rm1 tasmo tpr tchn1 irm1 rrm rm2 poziom produktu ( lmt ) podczas transformacji tchn2 zródlo 2 tprice rsl irm2 bilans surowca irm3 tchn3 rm3 fprice cena popyt ( rd ) zródlo 1 cost2 cost1 desir zródlo 3 incost dod (zysk) rlopr rm1 rm2 rm3 penal1 suma strat zysku ( lopr ) g1, g2, g3 rcrm suma kosztów surowców (scrm) penalty penal2 rcpr suma kosztów produkcji (scpr) maxfo fob cofprk Rys. 5. Struktura modelu DYNBALANCE (3-1-III-α) 3. PODSUMOWANIE • • „Zanurzenie” bilansu macierzowego, w klasyczną strukturę SD, pozwala na odwzorowanie wielu cech strumieni (nie tylko jego natężenia), stanowiąc w sensie teoretycznym pewien przykład optymalizacji zanurzonej w symulację. Próby autorów idą dalej. I tak, na przykład w pracy [Kasperska, Słota 2003] zaproponowano „włożenie” klasycznego zadania programowania liniowego w strukturę SD. Rozwinięcie pomysłu Coyle’a („simulation by repeated optimisation”), znala- Zanurzenie optymalizacji w symulację i symulacji w optymalizację ... • 123 zło wyraz w rodzinie modeli bilansowych (o różnych modyfikowanych funkcjach celu), które można „uogólniać”, biorąc pod uwagę n - produktów czy m – surowców. Zbliży to te „szkolne” pomysły do bardziej realnych potrzeb konkretnych odbiorców (systemy społeczno–gospodarcze). Aspekt uczenia się zarówno w trakcie budowy modeli jak i eksperymentów typu symulacji i optymalizacji, jest godzien szczególnej uwagi. Niezaprzeczalne walory klasycznej metody SD, mogą być jeszcze bardziej „wzmocnione” przez badania o bardziej normatywnym charakterze (a nie tylko deskryptywnym czy prognostycznym). LITERATURA COYLE, R. G. 1994. COSMIC AND COSMOS. User manuals. The Cosmic Holding. COYLE, R. G. 1996. System Dynamics Modelling. A Practical Approach. Chapman and Hall. COYLE, R. G. 1999. Simulation by repeated optimisation; [w:] J. Opt. R. 50; ss. 429-438. KASPERSKA, E 1998. Aspekty optymalizacyjne w pewnym przykładzie Coyle’a - Keloharju: [w:] Symulacja Systemów Gospodarczych; Wyższa Szkoła Przed. i Zarz. Pol. Wroc. Zakopane-Antałówka; ss. 99-107. KASPERSKA, E 2002. Cybernetic formulation of some functions of management – types of simulation and optimization approaches within the System Dynamics Method; [w:] Proc. 20 International Conference of the System Dynamics Society. SDS; ss. 1-11. KASPERSKA, E 2002. Supporting the decisions in organization by the inteligent simulation package Cosmic and Cosmos; [w:] Prace Naukowe Akademii Ekonomicznej w Katowicach; ss. 385-392. KASPERSKA, E. 2005. Dynamika Systemowa – symulacja i optymalizacja. Skrypt nr 2360. Wydawnictwo Politechniki Śląskiej. KASPERSKA, E., MATEJA-LOSA, E., SŁOTA, D. 2000. Some extension of System Dynamics Method – theoretical aspect; [w:] Proc. 16th IMACS World Congress (718-10); ss. 1-6. KASPERSKA, E., MATEJA-LOSA, E., SŁOTA, D. 2001. Some dynamical balance of production via optimization and simulation within System Dynamics method; [w:] Proc. 19th Internatinal Conference of the System Dynamics Society. SDS; ss. 1-18. KASPERSKA, E., MATEJA-LOSA, E., SŁOTA, D. 2002. Optimal dynamical balance of raw materials – some concept of embedding optimization in simulation on system dynamics models and vice versa; [w:] Proc. 20th International Conference of the System Dynamics Society. SDS; ss. 1-23. KASPERSKA, E., MATEJA-LOSA, E. 2004. Some case study of optimization and simulation for supporting of learning;[w:] Prace Naukowe Akademii Ekonomicznej w Katowicach; ss. 415-420. KASPERSKA, E., MATEJA-LOSA, E. 2005. Simulation embedded in optimization – a key for the effective learning process in (about) complex, dynamical systems; ICCS 2005, LNCS 3516. Springer Verlag, Berlin – Heidelberg; ss. 1040-1043. KASPERSKA, E., SŁOTA, D. 2003. Two different methods of embedding the optimization in simulation on model DYNBALANCE(1-2); [w:] Proc. 21st International Conference of the System Dynamics Society. SDS. New York: ss. 1-23. 124 Elżbieta Kasperska, Elwira Mateja-Losa, Damian Słota KELOHARJU, R.,1977. System Dynamics or Super Dynamica, [w:] Dynamica vl 4; ss. 26-43. ŁUKASZEWICZ, R. 1975. Dynamika systemów zarządzania. PWN, Warszawa. PROFESSIONAL DYNAMO 4.0 for Windows. Reference manual. 1994. Pugh – Roberts Associates, Cambridge. WINCH, G. W. 1976. Optimization experiments with forecast bias. Dynamica vl 2.