Оперативно изследване: Как математиката оптимизира сложните решения

От научния анализ на решенията през комбинаторната оптимизация до съвременната „Decision Intelligence“

Специализирана статия | mAInthink Insights | Наука и методи

Предприятията, публичните институции и инвеститорите са изправени пред фундаментално предизвикателство: те трябва да вземат решения, чието икономическо или социално въздействие не зависи само от отделни мерки, а от взаимодействието на множество алтернативи.

Кои инвестиции трябва да бъдат финансирани? Кои проекти заедно генерират най-високата добавена стойност? Как могат да бъдат разпределени оптимално ограничените ресурси? И как се променя най-доброто решение, когато се променят бюджетите, приоритетите или рамковите условия?

Традиционният отговор често се състои от оценки, списъци с приоритети, бизнес случаи и управленски решения.

Операционните изследвания следват различен подход:

Не само да се оценяват отделни алтернативи, а математически да се определи най-добрата възможна комбинация от всички допустими решения.

От десетилетия тази дисциплина представлява научна основа за оптимизацията на сложни икономически, технически и организационни системи.

Днес тя придобива ново практическо значение благодарение на мощни алгоритми за оптимизация, паралелни изчислителни методи, изкуствен интелект и интерактивни платформи за вземане на решения.

Съдържание

1. Какво е оперативно изследване?
2. Научното развитие на операционните изследвания
3. Какви проблеми решава операционното изследване?
4. Математическите основи
5. Комбинаторна оптимизация и експоненциална сложност
6. Най-важните методи за оптимизация
7. Глобална оптималност: какво може да се докаже математически
8. Оптимизация на портфейла вместо класическо приоритизиране
9. Многопериодно планиране и ограничения на ресурсите
10. Многоцелева оптимизация и конкуриращи се цели
11. Оперативно изследване в условия на несигурност
12. Оперативно изследване, изкуствен интелект и интелигентно вземане на решения
13. Оперативни изследвания в предприятията и публичния сектор
14. Ограничения и предпоставки за математическата оптимизация
15. От математическото решение до вземането на решение в реално време
16. Често задавани въпроси
17. Заключение и научна класификация

1. Какво е оперативно изследване?

Операционните изследвания, често наричани OR или в британското езиково пространство „Operational Research“, са интердисциплинарна научна дисциплина за анализ и оптимизация на сложни проблеми, свързани с вземането на решения.

Тя съчетава по-специално:

• Приложна математика
• Математическа оптимизация
• Теория на вероятностите и статистика
• Информатика и теория на алгоритмите
• Икономически науки
• Системен анализ и науки за вземането на решения

Основната цел е да се моделират проблемите, свързани с вземането на решения, така че различните алтернативи за действие да могат да бъдат систематично проучени и оптимизирани въз основа на определени целеви показатели.

За разлика от чисто описателните методи за анализ, операционните изследвания не отговарят единствено на въпроса какво се случва в дадена система.

То проучва кои решения трябва да бъдат взети при дадените условия, за да се постигне определена цел по най-добрия възможен начин.

Например, дадено предприятие може да знае кои от инвестиционните му проекти обещават положителна възвръщаемост на капитала.

От това обаче все още не следва коя комбинация от тези проекти при ограничен общ бюджет ще генерира най-високата икономическа стойност.

Именно оттук започва класическият проблем на операционните изследвания.

2. Научното развитие на операционните изследвания

Съвременното развитие на операционните изследвания започна по-специално по време на Втората световна война.

Учените от различни дисциплини проучваха тогава сложни оперативни въпроси, като например ефективното използване на ограничени ресурси, координацията на логистичните процеси и оптимизацията на военните системи.

След войната разработените методи все по-често се прилагаха към индустриални и икономически проблеми.

Важен етап беше разработването на симплексния метод от Джордж Б. Данциг през 1947 г.

С това линейната оптимизация се превърна в важен инструмент за математическа подкрепа при вземането на решения.

През следващите десетилетия се появиха и други значими методи:

• Динамично програмиране
• Целочислена и смесено-целочислена оптимизация
• Метод „Branch-and-Bound“
• Мрежова оптимизация
• Стохастична оптимизация
• Многоцелева оптимизация
• Метаевристични методи
• Робустна оптимизация

Днес операционните изследвания са международно утвърдена научна дисциплина.

Важни научни организации са INFORMS, EURO, IFORS и Германското дружество за операционни изследвания (GOR).

Операционните изследвания следователно не са нова форма на изкуствен интелект, а самостоятелна научна основа на съвременната оптимизация на вземането на решения.

3. Какви проблеми решава операционното изследване?

Операционните изследвания са от значение навсякъде там, където се срещат няколко алтернативи за вземане на решения, ограничени ресурси и дефинируеми целеви показатели.

Сферите на приложение са съответно широки.

Инвестиции и разпределение на капитала

Кои инвестиции трябва да бъдат реализирани в рамките на ограничен бюджет?

Оптимизация на портфейла от проекти

Коя комбинация от проекти генерира най-високия икономически или стратегически принос?

Планиране на производството

Как могат да се оптимизират производствените обеми, капацитетът на машините и последователността на поръчките?

Оптимизация на веригата на доставки

Как могат ефективно да се координират складовите наличности, транспортните маршрути, капацитетът за доставки и производствените обекти?

Планиране на енергетиката и инфраструктурата

Кои инвестиции в мрежи, съоръжения или мерки за поддръжка генерират най-голяма полза при ограничени средства?

Планиране на персонала и ресурсите

Как да се разпределят оптимално служителите, машините, времевите прозорци или другите ограничени ресурси?

Публични бюджети

Коя комбинация от публични мерки осигурява най-голям дефиниран обществен ефект при дадените финансови, правни и политически условия?

Здравеопазване

Как могат да бъдат подобрени капацитетите, графиците за лечение, медицинските ресурси и структурите за предоставяне на медицински грижи?

Въпреки различните области на приложение, много от тези проблеми имат обща математическа структура:

Трябва да се намери възможно най-доброто или оптималното решение в рамките на ограничено допустимо пространство за вземане на решения.

4. Математическите основи

Една математическа оптимизационна задача по принцип се състои от три елемента:

решаващи променливи, целева функция и ограничения.

4.1 Променливи на вземане на решение

Променливите на вземане на решение описват кои решения могат да бъдат взети.

При бинарно решение за проект например важи:

При това:

• _xi=1: проект i е избран.
• _xi=0: проект i не се избира.

Други оптимизационни задачи използват целочислени или непрекъснати променливи.

4.2 Целева функция

Целевата функция описва коя величина трябва да бъде максимизирана или минимизирана.

За портфейл с адитивни стойности на проектите опростената функция за максимизиране е:

При това _vi обозначава икономическия или стратегическия принос на даден проект.

4.3 Допълнителни условия

Реалните решения са подчинени на ограничения.

Типично бюджетно ограничение е:

При това важи:

• _ci: капиталова нужда на проект i
• B: Общ наличен бюджет

Допълнителни ограничения могат да включват например човешки ресурси, технически зависимости, законови изисквания или времеви ограничения.

Следователно пълната оптимизационна задача се състои в намирането на допустима комбинация от променливи на вземане на решения, която най-добре удовлетворява целевата функция.

Тази структура на модела е в основата на множество практически приложения в операционните изследвания.

5. Комбинаторна оптимизация и експоненциална сложност

Особено важна област на операционните изследвания е комбинаторната оптимизация.

Тя изследва проблеми на вземане на решения, при които се търси най-доброто допустимо решение от краен, често много голям набор от дискретни алтернативи.

При n независими бинарни проекта броят на теоретично възможните комбинации е:

Оттук следва:

Тези числа описват първоначално броя на всички бинарни комбинации от избори, а не броя на действително допустимите портфейли.

Бюджетните ограничения, зависимостите между проектите и други допълнителни условия могат значително да намалят пространството на допустимите решения.

Теоретичният брой възможни комбинации обаче ясно показва мащаба на проблема.

Пълната ръчна оценка на всички алтернативи е практически невъзможна дори при сравнително малки портфейли.

Експоненциалната сложност не означава, че всяка комбинация трябва да бъде проверена поотделно

Съвременните алгоритми за оптимизация могат да изключат големи части от пространството на вземане на решения, без да оценяват изчерпателно всяка отделна комбинация.

За тази цел те използват математически ограничения, релаксации, структурни свойства на проблема и интелигентни стратегии за търсене.

Ето защо при подходящи условия един оптимизационен метод може ефективно да реши дори много големи комбинаторни проблеми на вземане на решения.

Въпреки това наличието на мощни алгоритми не гарантира, че всяка произволна задача може да бъде решена глобално оптимално в кратък срок.

Действителната изчислителна сложност зависи, наред с другото, от структурата на модела, ограничителните условия, размера на задачата и използвания метод за решаване.

6. Най-важните методи за оптимизация

Операционните изследвания обхващат различни математически методи за решаване.

Кой метод е подходящ, зависи от структурата на проблема за вземане на решение.

6.1 Линейно програмиране

Линейната оптимизация разглежда задачи с линейни целеви функции и линейни ограничения.

Тя се използва например за планиране на производството, транспорта и ресурсите.

6.2 Целочислено програмиране

Целочисленото оптимизиране отчита променливи на вземане на решения, които могат да приемат само целочислени стойности.

Това е особено важно при дискретни решения, например когато проектите се избират изцяло или се изключват напълно.

6.3 Смесено-цялочислено линейно програмиране

Смесеното цялочислено линейно програмиране, накратко MILP, комбинира непрекъснати и цялочислени променливи на вземане на решения в рамките на един линеен модел.

По този начин например инвестиционните решения могат да бъдат свързани с непрекъснати величини като бюджет или капацитет.

6.4 Метод „Branch-and-Bound“

Методът „Branch-and-Bound“ систематично разбива пространството на вземане на решения на подзадачи.

С помощта на математически граници може да се установи кои подпространства вече не могат да съдържат по-добро решение.

Тези подпространства не е необходимо да се изследват по-нататък.

6.5 „Branch-and-Cut“

Методът „Branch-and-Cut“ разширява метода „Branch-and-Bound“ чрез допълнителни валидни неравенства, така наречените „Cutting Planes“.

Те могат да засилят математическите релаксации и да ускорят търсенето на оптимални решения.

6.6 Динамично програмиране

Динамичното програмиране разбива подходящи задачи на взаимосвързани подзадачи.

Тя се използва, наред с другото, при последователни проблеми на вземане на решения, планиране на запасите и определени проблеми за разпределение на ресурси.

6.7 Хеуристики и метахеуристики

Хеуристичните методи ефективно търсят добри допустими решения, без да гарантират принципно доказателство за глобална оптималност.

Известни примери са:

• Генетични алгоритми
• Симулирано отгряване
• Табу търсене
• Локално търсене

Тези методи могат да бъдат особено полезни при големи или сложно структурирани проблеми.

6.8 Хибридни методи за оптимизация

Хибридните подходи комбинират различни методи.

Например, евристичните методи могат първоначално да генерират висококачествени допустими решения, докато точните методи впоследствие се опитват да подобрят тези решения или да докажат тяхната оптималност.

Машинното обучение също може да се използва за избор на стратегии за търсене, за прогнозиране на параметри или за ускоряване на отделни етапи от решаването.

Какви предимства действително постигат такива комбинации, трябва да се проучи въз основа на подходящи бенчмаркове.

7. Глобална оптималност: какво може да се докаже математически

Една от основните силни страни на математическата оптимизация е, че при определени условия не само може да се намери добро решение, но и да се докаже неговата глобална оптималност.

Глобално оптималното решение притежава най-добрата възможна стойност на целевата функция в рамките на дефинираното допустимо пространство на решенията.

Формално за задача за максимизиране важи:

Където:

• X: множеството на всички допустими решения
• x^*: глобално оптимално решение
• f(x): стойност на целевата функция на дадено решение

Доказването на глобалната оптималност може да се извърши, например, с помощта на математически граници.

Разликата в оптималността

При смесени целочислени оптимизационни задачи често се разглежда разликата между най-доброто намерено допустимо решение и валидна граница за глобалния оптимум.

За задача за максимизиране с положителна най-добра стойност на целевата функция относителната разлика в оптималността може да бъде дефинирана например по следния начин:

При това важи:

• LB: стойност на най-доброто допустимо решение, намерено до момента
• UB: валидна горна граница за глобалното оптимум

При точно изчисление разлика, равна на нула, означава, че глобалната оптималност е доказана.

Практическите решаващи програми отчитат числени допуски и дефинирани критерии за прекъсване.

Малката разлика може освен това да означава, че намереното решение вече е много близо до теоретично най-добрата възможна стойност на целевата функция.

Едно решаващо научно ограничение

Глобалният оптимум винаги е оптимум на математическия модел – не е автоматично най-доброто решение в реалния свят.

Ако входните данни са непълни, предположенията за ползата са грешни или не са отчетени съответните ограничителни условия, математически оптималното решение може да се окаже икономически неподходящо.

Ето защо валидирането на модела, анализите на чувствителността и проверката на основните предположения са задължителна част от всяка сериозна оптимизация.

8. Оптимизация на портфейла вместо класическо определяне на приоритети

Особено актуална област на приложение е оптимизацията на инвестиционни и проектни портфейли.

Традиционните методи за управление на портфейли често оценяват проектите поотделно.

От това се получава класация, например въз основа на ROI, NPV, стратегическа значимост или претеглени критерии за оценка.

Такова приоритизиране отговаря на въпроса:

Кой отделен проект изглежда особено привлекателен?

Тя обаче не отговаря непременно на въпроса:

Коя комбинация от всички налични проекти генерира най-високата обща стойност при съществуващите ограничения?

Опростен пример

Дадена компания разполага с инвестиционен бюджет от 10 милиона евро.

На разположение са четири проекта:

При приоритизиране според абсолютната нетна настояща стойност (NPV) проект А заема първо място.

Ако бъде избран проект А, с останалия бюджет от 4 милиона евро може да бъде финансиран или проект С, или проект D.

Комбинацията А + С достига обща НПВ от 16 милиона евро при изразходване на 10 милиона евро от бюджета и в този пример е най-добрата допустима комбинация.

Също допустимата комбинация Б + В достига НПС от 15 милиона евро при капиталова инвестиция от 9 милиона евро.

В този пример комбинацията А + С действително е оптимална.

Това обаче не означава, че класирането непременно е грешно.

По-скоро примерът показва, че оптималното решение за портфейла се получава чрез сравнение на допустимите комбинации, а не произтича единствено от изолираната оценка на проектите.

Дори малки промени в стойностите на проектите, бюджетите или зависимостите могат да доведат до това най-добрата комбинация вече да не се състои от най-високо класираните отделни проекти.

Защо максимизирането на ROI изисква особено внимание

Максимизирането на общата нетна настояща стойност (NPV) не е същото като максимизирането на възвръщаемостта на инвестициите (ROI) на портфейла.

Ако възвръщаемостта на инвестициите на портфейла се дефинира като съотношение между агрегираната нетна печалба и агрегирания вложен капитал, се получава друга целева функция:

Такава оптимизация на съотношението се различава математически от максимизирането на аддитивна обща стойност.

Освен това чистата максимизация на възвръщаемостта на инвестициите (ROI) може да даде предимство на много малки портфейли.

Ето защо преди всяка оптимизация трябва да се изясни дали например трябва да се максимизира общата нетна настояща стойност (NPV), възвръщаемостта на инвестициите (ROI), стратегическата полза или друга целева величина.

Самото дефиниране на целевата функция е съществено управленско решение.

9. Многопериодно планиране и ограничения на ресурсите

Реалните инвестиционни решения често обхващат няколко финансови години.

Един проект, например, може да изисква големи инвестиции през първата година, да обвърже допълнителни ресурси през втората година и едва по-късно да генерира икономически приходи.

Подходящото математическо моделиране трябва да отчита тази времева структура.

За опростен многопериоден подбор на портфейл може да важи следното:

при условие че:

Където:

• _cit: капиталовите нужди на проект i в период t
• _Bt: наличен бюджет в период t

Освен това могат да се моделират ограничения на ресурсите:

При това _airt обозначава потребността на проекта от ресурс r в период t.

Зависимости между проектите

Логическите връзки между проектите също могат да бъдат изразени математически.

Ако проект Б може да бъде изпълнен само ако проект А е бил избран:

Ако два проекта не могат да се изпълняват едновременно:

Ако един проект трябва задължително да бъде реализиран:

Такива ограничения са от съществено значение, тъй като реалното качество на един инвестиционен портфейл често се определя не само от бюджета, но и от множество технически, организационни и стратегически зависимости.

10. Многоцелева оптимизация и конкуриращи се цели

Много реални проблеми, свързани с вземането на решения, имат не само една цел.

Например, дадено предприятие би искало едновременно:

• да максимизира икономическия принос
• да ограничи рисковете
• да намали емисиите на CO₂
• да постигне стратегическите си цели
• Да избегне недостига на ресурси

Тези цели могат да си противоречат.

Затова многоцелевата оптимизация разглежда решения с няколко целеви функции.

Формално такава задача може да бъде представена като:

при:

Претеглени целеви функции

Една от възможностите е да се обединят няколко нормирани целеви величини в една претеглена обща функция:

При това _wj представлява теглото на съответната целева величина.

Тежестите трябва да бъдат обосновани от техническа гледна точка.

Парето-оптималност

Друга възможност е да се определят Парето-оптимални решения.

Едно решение е Парето-оптимално, ако няма друго допустимо решение, което да е поне толкова добро по всички целеви величини и строго по-добро по поне една целева величина.

По този начин често се получава не едно-единствено най-добро решение, а множество ефективни алтернативи.

След това ръководството трябва да реши кои конфликти между целите са приемливи.

По този начин операционните изследвания не заместват стратегическата отговорност.

То прави последствията от различните предпочитания математически изследваеми.

11. Оперативни изследвания в условия на несигурност

Не всеки релевантен фактор за вземане на решение е известен в момента на вземането му.

Бъдещите приходи, разходите по проекта, наличността на ресурси и пазарните условия могат да бъдат несигурни.

Класическият детерминистичен модел за оптимизация работи с фиксирани параметри.

За проблеми на вземане на решения при несигурност съществуват допълнителни методологически подходи.

Стохастична оптимизация

Стохастичната оптимизация отчита случайни величини и, при необходимост, различни бъдещи сценарии.

При това могат да се вземат предвид например очаквани стойности, мерки за риска или многоетапни решения.

Робустна оптимизация

Робустната оптимизация търси решения, които остават допустими или ефективни дори при определени неблагоприятни отклонения в параметрите.

Анализ на сценарии

Анализът на сценарии проучва как оптималните решения се променят при различни предположения.

Анализ на чувствителността

Анализът на чувствителността проучва доколко резултатите реагират на промени в отделни входни параметри.

Тези методи са особено важни при вземането на дългосрочни инвестиционни решения.

Ето защо математически оптимизираният портфейл не трябва да се оценява единствено въз основа на резултата му при една-единствена хипотеза за бъдещето.

Също толкова важен е въпросът колко стабилно остава решението при вероятни промени.

12. Оперативно изследване, изкуствен интелект и интелигентно вземане на решения

Операционните изследвания, изкуственият интелект и интелигентността при вземането на решения са свързани помежду си, но не са идентични.

Оперативно изследване

Оперативните изследвания предоставят математически методи за моделиране и оптимизиране на проблеми, свързани с вземането на решения.

Изкуствен интелект

Изкуственият интелект обхваща различни методи, като например машинно обучение, разпознаване на модели, обработка на езика и автоматизирани процедури за вземане на решения.

Интелигентно вземане на решения

Интелигентността при вземането на решения съчетава данни, модели за вземане на решения, аналитични методи и организационни процеси на вземане на решения.

Целта е да се подобри качеството, проследимостта и практическата приложимост на решенията.

Връзката

Една възможна взаимодействие се състои в това, че машинното обучение първо прогнозира бъдещите разходи или приходи по проекта.

След това модел за оперативно изследване може да изчисли коя комбинация от проекти е оптимална при прогнозираните условия.

Накрая приложението за Decision Intelligence предоставя резултатите по такъв начин, че лицата, вземащи решения, да могат да сравняват алтернативи, да променят предположенията и да проследят последствията.

По този начин трите подхода изпълняват различни, допълващи се функции.

Изкуственият интелект може да помогне за подобряване на основата за вземане на решения. Оперативните изследвания могат математически да оптимизират подходящите решения. „Decision Intelligence“ може да интегрира тези познания в реалните процеси на вземане на решения.

Това разпределение на ролите е един възможен архитектурен модел, а не универсално разграничение на всички методи.

13. Оперативни изследвания в предприятията и публичния сектор

Математическите основи на операционните изследвания са от значение както за решенията в частния сектор, така и за тези в публичния сектор.

13.1 Промишлени предприятия

Промишлените предприятия често трябва да координират множество инвестиционни проекти между различни обекти, производствени линии и бизнес направления.

Отделните проекти се конкурират за капитал, персонал и технически капацитет.

Математическата оптимизация на портфейла може да проучи коя комбинация при тези условия генерира най-високата дефинирана обща стойност.

13.2 Енергийни предприятия

Енергийните предприятия са изправени пред сложни инвестиционни решения, свързани с мрежи, производствени съоръжения, поддръжка и инфраструктура.

При това трябва да се вземат предвид техническите взаимозависимости, сигурността на доставките, ресурсите и дългосрочните периоди на планиране.

13.3 Фармацевтичната индустрия

Портфейлите за научноизследователска и развойна дейност съдържат проекти с различна вероятност за успех, разходни структури и срокове за разработка.

Моделите за оперативно изследване могат да подпомогнат избора и времевата координация на такива портфейли.

13.4 Секторът на недвижимите имоти

При големи портфейли от недвижими имоти инвестиционните, реновиращите и развиващите мерки могат да си конкурират.

Оптималната комбинация зависи от капиталовите нужди, добавената стойност, графика и възможните взаимозависимости.

13.5 Публични бюджети

Държавните бюджетни и инвестиционни решения също имат математически структури на разпределение.

Въпреки това публичните решения се различават по един съществен аспект от инвестиционните решения в частния сектор:

Обществената полза не винаги може да бъде представена непосредствено като финансова възвръщаемост.

Вместо това могат да се вземат предвид например качеството на доставките, състоянието на инфраструктурата, въздействието върху климата, социалната достъпност или други обществени целеви показатели.

За тази цел трябва да бъдат разработени подходящи критерии за полза, които да бъдат операционализирани и претеглени по прозрачен начин.

Законовите задължения, целевото предназначение на средствата и политическите правомощия за вземане на решения остават задължителни рамкови условия.

Математическата оптимизация може да подпомогне публичните решения, но не може да замести демократичната легитимност и политическата отговорност.

14. Граници и предпоставки за математическата оптимизация

Операционните изследвания са ефективни, но не са универсална гаранция за правилни решения.

Качеството на резултатите зависи от няколко фактора.

Качество на модела

Математическият модел трябва да отразява достатъчно точно взаимосвързаностите, които са от значение за вземането на решения.

Качество на данните

Непълните или грешни данни могат да доведат до неподходящи резултати.

Качество на целевата функция

Математическият метод оптимизира дефинираната целева функция – независимо дали тя изцяло отразява действителните цели на дадена организация.

Изчислителна сложност

Някои оптимизационни задачи са изчислително сложни.

Не всеки проблем може да бъде решен глобално оптимално в рамките на зададено време.

Несигурност

Резултатите могат да реагират чувствително на бъдещи развития или на несигурни параметри.

Организационна осъществимост

Решение, което изглежда привлекателно от математическа гледна точка, може да предизвика практически затруднения, ако организационните, политическите или културните условия не са били достатъчно отчетени.

Оттук следва:

Математическата оптималност, икономическата целесъобразност и организационната осъществимост са взаимосвързани, но не са идентични.

Един професионален процес на оптимизация трябва да отчита и трите измерения.

15. От математическото решение към решението в реално време

Научните методи на операционните изследвания са известни от десетилетия.

Едно от основните предизвикателства обаче е тяхното практическо интегриране в управленските процеси.

Традиционно моделите за оптимизация често се разработват и изчисляват от специализирани отдели, след което се предоставят като основи за вземане на решения.

Съвременните приложения за „Decision Intelligence“ следват по-интерактивен подход.

Лицата, вземащи решения, могат например:

1. да променят бюджетите или ограниченията на ресурсите.
2. да избират или изключват проекти задължително.
3. Да коригират стратегическите тегла.
4. Да изчисляват алтернативни сценарии.
5. Да сравняват икономическите последствия от различните комбинации в портфейла.

По този начин еднократното изчисление за оптимизация може да се превърне в итеративен процес на вземане на решения.

StratePlan като специализирано приложение

StratePlan, технологията за вземане на решения на mAInthink GmbH, е насочена по-специално към математическата оптимизация на инвестиционни и проектни портфейли.

Приложението съчетава комбинаторна оптимизация с интерактивно проучване на взаимозависимостите между бюджет, ресурси и проекти.

Акцентът е поставен върху възможността за незабавно преизчисляване на решенията относно портфейла в рамките на управленските и вземащите решения органи.

Основният клас проблеми, на който се основава, принадлежи към операционните изследвания, по-специално към дискретното разпределение на портфейли и ресурси.

По този начин StratePlan може да се класифицира като специализирано приложение за математическа оптимизация на вземането на решения, а не автоматично като универсален решаващ модул за всички задачи от областта на операционните изследвания.

Кои гаранции за оптималност, времена за изчисление и класове модели се поддържат, зависи от конкретната техническа реализация и съответните задачи.

Икономическата добавена стойност се състои във възможността математическата оптимизация да се приложи в реални стратегически процеси на вземане на решения.

16. Често задавани въпроси

Операционните изследвания форма на изкуствен интелект ли са?

Не по принцип. Операционните изследвания са самостоятелна научна дисциплина с математически методи за оптимизация, симулация и вземане на решения. Съществуват обаче многобройни припокривания и възможности за комбиниране с изкуствения интелект.

Каква е разликата между оперативните изследвания и математическата оптимизация?

Математическата оптимизация е централна методологична област на операционните изследвания. Освен това операционните изследвания обхващат например симулация, теория на опашките, стохастично моделиране и други методи за анализ на вземането на решения.

Какво е комбинаторна оптимизация?

Комбинаторната оптимизация изследва избора или подреждането на дискретни алтернативи при определени условия. Типични примери са изборът на портфолио от проекти, планирането на маршрути, задачите за разпределение и определени задачи за график.

Може ли операционното изследване да изчисли глобален оптимум?

Да, при подходящи математически модели и със съответните методи за решаване може да се докаже глобална оптималност. Това обаче не е гарантирано за всеки клас задачи или за всяко зададено време за изчисление.

Защо класическото приоритизиране на проекти не винаги е достатъчно?

Класирането оценява отделните проекти. Оптимизацията на портфолиото, от друга страна, изследва общото въздействие на допустимите комбинации от проекти. Най-добрата комбинация не трябва задължително да се състои от най-високо класираните отделни проекти.

Каква е разликата между симулация и оптимизация?

Симулацията проучва какви резултати могат да възникнат при определени предположения и решения.

Оптимизацията търси в рамките на определено пространство за вземане на решения решения, които изпълняват целевата функция по най-добрия възможен начин.

И двата подхода могат да се комбинират.

Какво означава „NP-трудно“?

„NP-трудно“ обозначава клас от изчислително трудни проблеми, към които принадлежат многобройни комбинаторни оптимизационни задачи.

За тези проблеми не е известен общ алгоритъм, който да решава оптимално всички инстанции за полиномиално време. От това обаче не следва, че всяка практическа инстанция трябва да бъде трудна.

Могат ли предприятията да използват оперативни изследвания, без да разполагат със собствен математически отдел?

Да. Специализираният софтуер и приложенията за „Decision Intelligence“ могат да направят математическото моделиране и оптимизацията достъпни за специалистите в съответната област.

Решаващо значение продължават да имат правилното формулиране на проблема, надеждни входни данни и експертна валидация на резултатите.

StratePlan приложение за оперативно изследване ли е?

Да. Математическата оптимизация на инвестиционни и проектни портфейли е част от операционните изследвания.

StratePlan се занимава по-специално с комбинаторни проблеми на избор и разпределение при определени ограничения.

17. Заключение: Операционните изследвания като научна основа за по-добри решения

Операционните изследвания показват, че сложните решения не трябва да се основават изключително на опит, интуиция или изолирани единични оценки.

Много икономически, технически и обществени проблеми, свързани с вземането на решения, могат да бъдат математически моделирани и систематично оптимизирани.

Този подход става особено актуален, когато съществуват многобройни конкуриращи се алтернативи, ресурсите са ограничени и трябва да се отчитат взаимозависимостите.

Основното заключение е:

Качеството на отделните проекти не определя непременно качеството на цялото портфолио. Решаващо значение има комбинацията, която при съществуващите ограничения генерира най-високата дефинирана обща стойност.

Операционните изследвания предоставят научните методи за изследване на такива взаимосвързаности.

Математическите методи за оптимизация позволяват търсенето на висококачествени и, при подходящи условия, доказано глобално оптимални решения.

„Decision Intelligence“ може да превърне тези резултати в прозрачни, интерактивни процеси на вземане на решения.

По този начин се създава връзка между десетилетия на математически изследвания и практическите изисквания на съвременното корпоративно управление.

Операционните изследвания правят сложните проблеми, свързани с вземането на решения, математически анализируеми. „Decision Intelligence“ прави резултатите използваеми за лицата, вземащи решения.

Допълнителни научни източници

Професионални организации и основни принципи

• INFORMS – Оперативно изследване и аналитика: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Асоциация на европейските дружества по оперативно изследване: https://www.euro-online.org/
• Дружество за оперативно изследване (GOR): https://www.gor-ev.de/

Стандартни научни трудове

• Хилиър, Ф. С. и Либерман, Г. Дж.: Въведение в операционните изследвания.
• Берцимас, Д. и Цициклис, Дж. Н.: „Въведение в линейната оптимизация“.
• Немхаузер, Г. Л. и Уолси, Л. А.: „Целочислена и комбинаторна оптимизация“.
• Ергот, М.: Многокритериална оптимизация.
• Бирге, Дж. Р. и Луво, Ф.: „Въведение в стохастичното програмиране“.

Техническо задълбочаване

• Gurobi – Смесено-целочислено програмиране: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Доказуема оптималност: https://www.gurobi.com/resources/blog/provable-optimality

Опит с операционните изследвания в практиката

Математическата оптимизация не трябва да се ограничава само до научни модели.

Разберете как StratePlan прави оптимизацията на сложни инвестиционни и проектни портфейли достъпна за реални управленски решения.

CTA: Математическа оптимизация на портфейла →

StratePlan | Операционните изследвания срещат интелигентното вземане на решения.

Същите проекти. Същият бюджет. По-добри комбинации. По-добри решения.