|
Таким образом: , г L-1-P Q—1Ч----------1-----------(1 +\)а 2(1 +1)а Как правило, 1 » 1 , а значения а и г соизмеримы. Таким образом, вполне можно пренебречь вторым слагаемым. В этих условиях третье слагаемое будет иметь вид L P 2 -а . И окончательно: q L P В случае, когда моделирующий алгоритм содержит небольшое количество подпрограмм событий, и каждая из подпрограмм имеет достаточно большой объем, то Р « а и значения L невелики. В этом случае значение q будет не намного отличаться от 1. Однако если моделирующий алгоритм содержит большое количество достаточно коротких подпрограмм событий, то Ряа и значение L велико. В этом случае q » 1 : так, при L=10, q=6, а при Ь=50 значение q превышает 25. 4.4. Анализ чувствительности критерия эффективности к аннуитетам и расчет вероятностных характеристик В разработанной модели NPV аннуитеты A ={Al}"=j и нормы дисконта Е ={£,}”_! являются случайными величинами с математическим ожиданием МА, ME и дисперсией DA, DE. Проведен анализ функции распределения NPV (рис.4.7.) по методу Монте-Карло и показана его близость к нормальному распределению. Это позволяет использовать классические методы статистического анализа для включения построенной модели в общий алгоритм расчета эффективности долгосрочных инновационных проектов. Как правило, математическое ожидание аннуитета и ставки дисконта известно, но с каждым годом дисперсия (разброс) возможных значений этих величин увеличивается. |
3. РАЗРАБО ТК А А Л Г О Р И Т М О В О П ТИ М И ЗАЦ И И У П Р А В Л Е Н И Я Н А И М И Т А Ц И О Н Н О Й М О Д ЕЛИ ПО И Н Т Е Г Р А Л Ь Н О М У К РИ ТЕРИ Ю Э К О Н О М И Ч Е С К О Й ЭФ Ф ЕК ТИ ВН О С ТИ В главе ставятся и решаются задачи оценки экономической эффективности функционирования ПСО, что создает базу для формирования компонентов системы управления на уровне руководства. Решается проблема формальной структурной декомпозиции системы управления ПСО, что позволяет создать открытую систему и модель функционирования с возможностью добавления новых факторов. ЗЛ. Анализ чувствительности критерия эффективности к аннуитетам и расчет вероятностных характеристик В разработанной модели N P V аннуитеты Л = {Л, }"=1 и нормы дисконта Е = {£,■}"=] являются случайными величинами с математическим ожиданием МА, M E и дисперсией DA, DE. Проведен анализ функции распределения N P V (рис.3.1.) по методу Монте-Карло и показана его близость к нормальному распределению. Это позволяет использовать классические методы статистического анализа для включения построенной модели в общий алгоритм расчета эффективности долгосрочных инновационных проектов. Как правило, математическое ожидание аннуитета и ставки дисконта известно, но с каждым годом дисперсия (разброс) возможных значений этих величин увеличивается. Поэтому задача влияния неопределенности D A и D, на N P V разбивается на подзадачи: 1. Mxpv={De\Da, Ма, Me, п} 2. Мару = {D ei, ... . D EnDa, M a, M& n} 99 Последняя модель расчета N P V наиболее близка к реальной ситуации, т.к. как правило, математическое ожидание аннуитета и ставки дисконта известно, но с каждым годом дисперсия (разброс) возможных значений этих величин увеличивается. 3.2. Ф ормализованное представления алгоритм а оптимизации на имитационной модели В главе исследуются методы использования имитационных моделей для решения задач параметрического синтеза. Задача параметрического синтеза заключается в выборе значений варьируемых параметров, доставляющих экстремум целевой функции. Область значений варьируемых параметров определяется в соответствии с возможностями изменения исследуемой системы. Для вычисления значений целевой функции используется имитационная модель системы. Предполагается, что имитационная модель позволяет вычислять целевую функцию для всех значений варьируемых параметров в заданной параметрической области. Для каждого значения параметра модель однозначно определяет значение целевой функции: ¥ = ¥ (Х ) (3.1) Х е Х Х область значений варьируемых параметров; Y e Y Y область значений целевой функции. В задачах максимизации целью эксперимента с моделью является поиск оптимальных значений параметров [35, 66]: 131 * § ( « ) Таким образом: г L 1 P <7= 1+ ----------+ -----------(4.4) 1 ( I + \)а 2(1 + 1)а ^ ’ Как правило, />>/, а значения а и г соизмеримы. Таким образом, вполне можно пренебречь вторым слагаемым. В этих условиях третье слагаемое L ' p тж ,оудет иметь в и д ------. И окончательно: о ~ 1 + -------. 2-а 2-а В случае, когда моделирующий алгоритм содержит небольшое количество подпрограмм событий, и каждая из подпрограмм имеет достаточно большой объем, то Р « а и значения L невелики. В этом случае значение q будет не намного отличаться от 1. Однако если моделирующий алгоритм содержит большое количество достаточно коротких подпрограмм событий, то Р^а и значение L велико. В этом случае q » 1 : так, при L=10, q=6, а при L=50 значение q превышает 25. Выводы но главе 4 1. Разработан программно-моделирующий комплекс, реализующий предложенные методы и алгоритмы управления ПСО. Сформирована методика сбора, передачи и аналитической обработки данных в системе мониторинга ПСО, основанная на интеграции имитационной модели и программных модулей многомерного статистического анализа. 2. Разработанные методы, алгоритмы и программы прошли апробацию и внедрены для практического применения в ЗАО «ЛОР1М АДИ», ООО «Интерсервис М », ООО «МегаСтройЛайн», а также используются в учебном процессе на кафедре А С У М А Д И (ГТУ ). |