Műveleti kutatás: Hogyan segít a matematika a komplex döntések optimalizálásában

A tudományos döntéselemzéstől a kombinatorikus optimalizáláson át a modern döntéshozatali intelligenciáig

Szakcikk | mAInthink Insights | Tudomány és módszerek

A vállalatok, az állami intézmények és a befektetők alapvető kihívással szembesülnek: olyan döntéseket kell hozniuk, amelyek gazdasági vagy társadalmi hatása nem csupán az egyes intézkedésektől függ, hanem számos alternatíva kölcsönhatásától is.

Mely beruházásokat érdemes finanszírozni? Mely projektek együttesen eredményezik a legnagyobb értékteremtést? Hogyan lehet a korlátozott erőforrásokat optimálisan elosztani? És hogyan változik a legjobb döntés, ha a költségvetéseket, a prioritásokat vagy a keretfeltételeket módosítják?

A hagyományos válasz gyakran értékelésekből, prioritási listákból, üzleti esetekből és vezetői döntésekből áll.

Az operációkutatás más megközelítést alkalmaz:

nem csupán az egyes alternatívákat értékeli, hanem matematikailag meghatározza az összes lehetséges döntés legjobb kombinációját.

Ez a tudományág évtizedek óta tudományos alapot nyújt a komplex gazdasági, műszaki és szervezeti rendszerek optimalizálásához.

Ma a hatékony optimalizációs algoritmusok, a párhuzamos számítási eljárások, a mesterséges intelligencia és az interaktív döntéshozatali platformok révén új gyakorlati jelentőségre tesz szert.

Tartalomjegyzék

1. Mi az operációkutatás?
2. Az operációkutatás tudományos fejlődése
3. Milyen problémákat old meg az operációkutatás?
4. A matematikai alapok
5. Kombinatorikus optimalizálás és exponenciális komplexitás
6. A legfontosabb optimalizálási módszerek
7. Globális optimalitás: ami matematikailag bizonyítható
8. Portfólióoptimalizálás a klasszikus prioritásrendezés helyett
9. Többidőszakos tervezés és erőforrás-korlátozások
10. Többcélú optimalizálás és egymással versengő célok
11. Operációkutatás bizonytalanság mellett
12. Operációkutatás, mesterséges intelligencia és döntéshozatali intelligencia
13. Operációkutatás a vállalatokban és a közszférában
14. A matematikai optimalizálás korlátai és előfeltételei
15. A matematikai megoldástól az élő döntésig
16. Gyakran feltett kérdések
17. Összegzés és tudományos besorolás

1. Mi az operációkutatás?

Az operációkutatás (angolul Operations Research, gyakran OR-ként vagy a brit nyelvterületen Operational Research néven emlegetett) egy interdiszciplináris tudományág, amely komplex döntési problémák elemzésével és optimalizálásával foglalkozik.

Különösen a következőket ötvözi:

• alkalmazott matematikát
• Matematikai optimalizálás
• Valószínűségszámítás és statisztika
• Informatika és algoritmusteória
• Közgazdaságtan
• Rendszerelemzés és döntéselmélet

A központi cél az, hogy a döntési problémákat úgy modellezzük, hogy a különböző cselekvési alternatívákat szisztematikusan vizsgálhassuk és meghatározott célértékek alapján optimalizálhassuk.

A pusztán leíró elemzési módszerekkel ellentétben az operációkutatás nem kizárólag arra a kérdésre ad választ, hogy mi történik egy rendszerben.

Hanem azt vizsgálja, hogy a megadott feltételek mellett milyen döntéseket kell meghozni ahhoz, hogy egy meghatározott célt a lehető legjobban elérjünk.

Egy vállalat például tudhatja, mely beruházási projektjei várhatóan pozitív tőkehozamot eredményeznek.

Ebből azonban még nem következik, hogy ezeknek a projekteknek mely kombinációja hozza létre a legnagyobb gazdasági értéket egy korlátozott összköltségvetés keretein belül.

Pontosan itt kezdődik egy klasszikus operációkutatási probléma.

2. Az operációkutatás tudományos fejlődése

Az operációkutatás modern fejlődése elsősorban a második világháború idején vette kezdetét.

Akkoriban különböző tudományágak képviselői vizsgálták a komplex operatív kérdéseket, például a korlátozott erőforrások hatékony felhasználását, a logisztikai folyamatok koordinációját és a katonai rendszerek optimalizálását.

A háború után a kidolgozott módszereket egyre inkább ipari és gazdasági kérdésekre is alkalmazták.

Fontos mérföldkő volt a Simplex-módszer kidolgozása George B. Dantzig által 1947-ben.

Ezzel a lineáris optimalizálás a matematikai döntéshozatal fontos eszközévé vált.

A következő évtizedekben további jelentős módszerek születtek:

• Dinamikus programozás
• Egész számú és vegyes egész számú optimalizálás
• Branch-and-Bound
• Hálózatoptimalizálás
• Sztochasztikus optimalizálás
• Többcélú optimalizálás
• Metaheurisztikus módszerek
• Robusztus optimalizálás

Ma az operációkutatás egy nemzetközileg elismert tudományág.

Fontos tudományos szervezetek az INFORMS, az EURO, az IFORS és a Német Operációkutatási Társaság (GOR).

Az operációkutatás tehát nem a mesterséges intelligencia új megnyilvánulási formája, hanem a modern döntésoptimalizálás önálló tudományos alapja.

3. Milyen problémákat old meg az operációkutatás?

Az operációkutatás mindenütt releváns, ahol több döntési alternatíva, korlátozott erőforrások és meghatározható célértékek találkoznak.

Az alkalmazási területek ennek megfelelően széleskörűek.

Befektetések és tőkeallokáció

Mely beruházásokat érdemes megvalósítani egy korlátozott költségvetés keretein belül?

Projektportfólió-optimalizálás

Mely projektek kombinációja eredményezi a legnagyobb gazdasági vagy stratégiai összhozzájárulást?

Termeléstervezés

Hogyan lehet optimalizálni a termelési mennyiségeket, a gépi kapacitásokat és a megrendelések sorrendjét?

Ellátási lánc optimalizálása

Hogyan lehet hatékonyan koordinálni a raktárkészleteket, a szállítási útvonalakat, a szállítási kapacitásokat és a gyártási helyszíneket?

Energia- és infrastruktúra-tervezés

Mely beruházások a hálózatokba, berendezésekbe vagy karbantartási intézkedésekbe eredményezik a legnagyobb hasznot korlátozott források mellett?

Személyzeti és erőforrás-tervezés

Hogyan lehet a munkatársakat, a gépeket, az időkereteket vagy más szűkös erőforrásokat optimálisan elosztani?

Közpénzek

Mely közintézkedések kombinációja eredményezi a legnagyobb meghatározott társadalmi hatást a pénzügyi, jogi és politikai keretfeltételek mellett?

Egészségügy

Hogyan lehet javítani a kapacitásokat, a kezelési időpontokat, az orvosi erőforrásokat és az ellátási struktúrákat?

Az eltérő alkalmazási területek ellenére ezeknek a problémáknak sok közös matematikai szerkezete van:

A korlátozott, megengedett döntési téren belül a lehető legjobb vagy optimális döntést kell megtalálni.

4. A matematikai alapok

Egy matematikai optimalizálási feladat alapvetően három elemből áll:

döntési változók, célfüggvény és korlátozási feltételek.

4.1 Döntési változók

A döntési változók leírják, hogy milyen döntések hozhatók.

Egy bináris projektdöntés esetén például a következő érvényes:

Ahol:

• _xi=1: az i. projektet választják ki.
• _xi=0: az i. projektet nem választják ki.

Más optimalizálási problémák egész számú vagy folytonos változókat használnak.

4.2 Célfüggvény

A célfüggvény leírja, melyik mennyiséget kell maximalizálni vagy minimalizálni.

Additív projektértékekkel rendelkező portfólió esetén egy egyszerűsített maximalizáló függvény a következő:

Itt _vi egy projekt gazdasági vagy stratégiai értékhozzájárulását jelöli.

4.3 Korlátozó feltételek

A valós döntések korlátozásoknak vannak alávetve.

Egy tipikus költségvetési korlátozás a következő:

Ebből adódik:

• _ci: az i. projekt tőkeszükséglete
• B: rendelkezésre álló teljes költségvetés

További kiegészítő feltételek lehetnek például a személyzeti erőforrások, a műszaki függőségek, a jogi előírások vagy az időbeli korlátozások.

A teljes optimalizálási feladat tehát abban áll, hogy olyan megengedett döntési változók kombinációját találjuk meg, amely a célfüggvényt a lehető legjobban teljesíti.

Ez a modellszerkezet számos gyakorlati operációkutatási alkalmazás alapját képezi.

5. Kombinatorikus optimalizálás és exponenciális komplexitás

Az operációkutatás egyik különösen fontos részterülete a kombinatorikus optimalizálás.

Ez olyan döntési problémákat vizsgál, amelyekben egy véges, gyakran nagyon nagy számú diszkrét alternatíva közül kell megtalálni a legjobb megengedett megoldást.

n függetlenül, binárisan kiválasztható projekt esetén az elméletileg lehetséges kombinációk száma:

Ebből az következik:

Ezek a számok elsősorban az összes bináris választási kombináció számát írják le, nem pedig a ténylegesen megengedett portfóliók számát.

A költségvetési korlátozások, a projektek közötti függőségek és egyéb kiegészítő feltételek jelentősen szűkíthetik a megengedett megoldások körét.

A lehetséges kombinációk elméleti száma mindazonáltal jól szemlélteti a probléma nagyságrendjét.

Már viszonylag kis portfóliók esetében is gyakorlatilag lehetetlen az összes alternatíva teljes kézi értékelése.

Az exponenciális komplexitás nem jelenti azt, hogy minden kombinációt külön-külön ellenőrizni kell

A modern optimalizációs algoritmusok a döntési tér nagy részét kizárhatják anélkül, hogy minden egyes kombinációt teljes mértékben kiértékelnének.

Ehhez matematikai korlátokat, relaxációkat, a probléma szerkezeti tulajdonságait és intelligens keresési stratégiákat használnak.

Ezért megfelelő feltételek mellett egy optimalizálási eljárás akár nagyon nagy kombinatorikus döntési problémákat is hatékonyan képes megoldani.

A hatékony algoritmusok léte azonban nem garantálja, hogy bármely probléma rövid időn belül globálisan optimálisan megoldható legyen.

A tényleges számítási komplexitás többek között a modell szerkezetétől, a korlátoktól, a probléma méretétől és az alkalmazott megoldási eljárástól függ.

6. A legfontosabb optimalizálási eljárások

Az operációkutatás különböző matematikai megoldási módszereket foglal magában.

Hogy melyik módszer alkalmas, az a döntési probléma szerkezetétől függ.

6.1 Lineáris programozás

A lineáris optimalizálás olyan problémákat vizsgál, amelyek lineáris célfüggvényekkel és lineáris korlátokkal rendelkeznek.

Ezt például a termelés-, szállítás- és erőforrás-tervezés során alkalmazzák.

6.2 Egészértékű programozás

Az egészértékű optimalizálás olyan döntési változókat vesz figyelembe, amelyek csak egész számértékeket vehetnek fel.

Ez különösen diszkrét döntések esetén releváns, például amikor a projekteket vagy teljes egészében kiválasztják, vagy kizárják.

6.3 Vegyes egészértékű lineáris programozás

A vegyes egészértékű lineáris programozás (rövidítve MILP) egy lineáris modell keretein belül ötvözi a folytonos és az egészértékű döntési változókat.

Ezáltal például a beruházási döntések összekapcsolhatók folytonos költségvetési vagy kapacitási értékekkel.

6.4 Branch-and-Bound

A Branch-and-Bound módszer a döntési teret szisztematikusan részproblémákra bontja.

Matematikai korlátok segítségével megállapítható, mely részterületek már nem tartalmazhatnak jobb megoldást.

Ezeket a részterületeket ezután nem kell tovább vizsgálni.

6.5 Branch-and-Cut

A Branch-and-Cut módszer a Branch-and-Bound módszert további érvényes egyenlőtlenségekkel, az úgynevezett vágási síkokkal bővíti ki.

Ezek szigoríthatják a matematikai relaxációkat, és felgyorsíthatják az optimális megoldások keresését.

6.6 Dinamikus programozás

A dinamikus programozás a megfelelő problémákat egymással összefüggő alproblémákra bontja.

Ezt többek között szekvenciális döntési problémák, készlettervezés és bizonyos erőforrás-allokációs problémák megoldására alkalmazzák.

6.7 Heurisztikák és metaheurisztikák

A heurisztikus módszerek hatékonyan keresnek jó, megengedett megoldásokat anélkül, hogy elvileg garantálnák a globális optimalitást.

Ismert példák:

• Genetikus algoritmusok
• szimulált hűtés
• Tabu-keresés
• Helyi keresés

Ezek a módszerek különösen nagy vagy összetett szerkezetű problémák esetén lehetnek hasznosak.

6.8 Hibrid optimalizálási módszerek

A hibrid megközelítések különböző módszereket kombinálnak.

Például a heurisztikák kezdetben magas színvonalú, megengedett megoldásokat állíthatnak elő, míg az egzakt módszerek ezt követően megkísérlik ezeket a megoldásokat javítani, vagy optimalitásukat igazolni.

A gépi tanulás is felhasználható keresési stratégiák kiválasztására, paraméterek előrejelzésére vagy egyes megoldási lépések felgyorsítására.

Hogy milyen előnyöket eredményeznek valójában az ilyen kombinációk, azt megfelelő benchmarkok segítségével kell vizsgálni.

7. Globális optimalitás: ami matematikailag bizonyítható

A matematikai optimalizálás egyik legfőbb erőssége, hogy bizonyos feltételek mellett nem csupán jó megoldást lehet találni, hanem annak globális optimalitását is bizonyítani lehet.

A globálisan optimális megoldás a meghatározott, megengedett megoldási téren belül a lehető legjobb célfüggvényértéket biztosítja.

Formálisan egy maximalizálási problémára az alábbi érvényes:

Ahol:

• X: az összes megengedett megoldás halmaza
• x^*: globálisan optimális megoldás
• f(x): egy megoldás célfüggvényértéke

A globális optimalitás bizonyítása például matematikai korlátok segítségével történhet.

Az optimalitási rés

Vegyes egész számú optimalizálási problémák esetén gyakran figyelembe veszik a talált legjobb megengedett megoldás és a globális optimumra vonatkozó érvényes korlát közötti különbséget.

Egy olyan maximalizálási probléma esetében, ahol a legjobb célfüggvényérték pozitív, a relatív optimalitási rés például a következőképpen definiálható:

Ekkor:

• LB: az eddig talált legjobb megengedett megoldás értéke
• UB: a globális optimumra vonatkozó érvényes felső korlát

Pontos számítás esetén a nulla rés azt jelenti, hogy a globális optimalitás bizonyítva lett.

A gyakorlati megoldók figyelembe veszik a numerikus tűréshatárokat és a meghatározott leállási kritériumokat.

Egy kis rés azt is jelentheti, hogy a talált megoldás már nagyon közel van a célfüggvény elméletileg lehetséges legjobb értékéhez.

Egy döntő tudományos korlátozás

A globális optimum mindig a matematikai modell optimumát jelenti – nem feltétlenül a valós világban objektíven legjobb döntést.

Ha a bemeneti adatok hiányosak, a haszonra vonatkozó feltételezések helytelenek, vagy a releváns korlátok nem kerültek figyelembevételre, akkor egy matematikailag optimális megoldás gazdasági szempontból nem feltétlenül megfelelő.

Ezért a modellvalidálás, az érzékenységi elemzések és az alapul szolgáló feltételezések ellenőrzése elengedhetetlen része egy komoly optimalizálási folyamatnak.

8. Portfólióoptimalizálás a klasszikus prioritásrendezés helyett

Különösen releváns alkalmazási terület a beruházási és projektportfóliók optimalizálása.

A hagyományos portfóliókezelési módszerek gyakran egyenként értékelik a projekteket.

Ebből rangsor alakul ki, például a ROI, az NPV, a stratégiai jelentőség vagy súlyozott értékelési kritériumok alapján.

Egy ilyen prioritásrendezés a következő kérdésre ad választ:

Melyik egyedi projekt tűnik különösen vonzónak?

De nem feltétlenül ad választ arra a kérdésre, hogy:

Melyik kombinációja az összes rendelkezésre álló projektnek eredményezi a legnagyobb összértéket a meglévő korlátok mellett?

Egy egyszerűsített példa

Egy vállalat 10 millió eurós beruházási költségvetéssel rendelkezik.

Négy projekt közül lehet választani:

Az abszolút nettó jelenérték (NPV) alapján történő rangsorolás esetén az A projekt áll az első helyen.

Ha az A projektet választják, a fennmaradó 4 millió eurós költségvetésből vagy a C, vagy a D projekt finanszírozható.

Az A + C kombináció 16 millió eurós teljes nettó jelenértéket ér el 10 millió eurós költségvetés-felhasználás mellett, és ebben a példában ez a legjobb megengedett kombináció.

A szintén megengedett B + C kombináció 15 millió eurós NPV-t ér el 9 millió eurós tőkebefektetés mellett.

Ebben a példában az A + C kombináció valóban optimális.

Ez azonban nem jelenti azt, hogy a rangsor szükségszerűen helytelen lenne.

Inkább azt mutatja a példa, hogy az optimális portfóliódöntés a megengedett kombinációk összehasonlításából származik, és nem kizárólag az egyes projektek elszigetelt értékeléséből következik.

Már a projektértékek, a költségvetések vagy a függőségek apró változásai is oda vezethetnek, hogy a legjobb kombináció már nem a legmagasabb rangú egyedi projektekből áll.

Miért igényel különös gondosságot a ROI-maximalizálás?

A teljes nettó jelenérték (NPV) maximalizálása nem azonos a portfólió ROI-jának maximalizálásával.

Ha a portfólió-ROI-t az összesített nettó hozam és az összesített tőkebefektetés arányaként definiáljuk, akkor egy másik célfüggvény alakul ki:

Egy ilyen arányoptimalizálás matematikailag eltér egy additív összérték maximalizálásától.

Ezenkívül a puszta ROI-maximalizálás előnyben részesítheti a nagyon kis portfóliókat.

Ezért minden optimalizálás előtt tisztázni kell, hogy például a teljes nettó jelenértéket (NPV), a ROI-t, a stratégiai hasznot vagy egy másik célértéket kell-e maximalizálni.

Maga a célfüggvény meghatározása is egy lényeges vezetői döntés.

9. Többidőszakos tervezés és erőforrás-korlátozások

A valós beruházási döntések gyakran több üzleti évet érintenek.

Egy projekt például az első évben jelentős beruházásokat igényelhet, a második évben további erőforrásokat köt le, és csak később termel gazdasági hozamot.

A megfelelő matematikai modellezésnek figyelembe kell vennie ezt az időbeli szerkezetet.

Egy egyszerűsített, több időszakra kiterjedő portfólióválasztás esetén a következő érvényesülhet:

ha:

Ahol:

• _cit: az i. projekt t. időszakban szükséges tőkeigénye
• _Bt: a t időszakban rendelkezésre álló költségvetés

Ezen felül erőforrás-korlátozások is modellezhetők:

Ahol _airt az i projekt r erőforrás iránti igényét jelöli a t időszakban.

Projektfüggőségek

A projektek közötti logikai kapcsolatok is matematikailag kifejezhetők.

Ha a B projekt csak akkor hajtható végre, ha az A projektet kiválasztották:

Ha két projekt nem hajtható végre egyszerre:

Ha egy projektet feltétlenül meg kell valósítani:

Az ilyen korlátozások lényegesek, mert egy befektetési portfólió tényleges minősége gyakran nem csupán a költségvetéstől, hanem számos műszaki, szervezeti és stratégiai függőségtől is függ.

10. Többcélú optimalizálás és egymással versengő célok

Számos valós döntési probléma nem csupán egyetlen célértékkel rendelkezik.

Egy vállalat például egyszerre szeretné:

• maximalizálni a gazdasági értékteremtést
• a kockázatokat korlátozni
• a CO₂-kibocsátás csökkentését
• stratégiai céljait elérni
• elkerülni az erőforráshiányt

Ezek a célok egymással versenghetnek.

A többcélú optimalizálás ezért olyan döntéseket vizsgál, amelyek több célfüggvényt tartalmaznak.

Formálisan egy ilyen probléma a következőképpen ábrázolható:

ahol:

Súlyozott célfüggvények

Egyik lehetőség az, hogy több normált célértéket egyesítünk egy súlyozott összetett függvénybe:

Itt _wj az adott célérték súlyozását jelenti.

A súlyozásokat szakmai szempontból kell indokolni.

Pareto-optimalitás

Egy másik lehetőség a Pareto-optimális megoldások meghatározása.

Egy megoldás akkor Pareto-optimális, ha nincs más olyan megengedett megoldás, amely legalább ugyanolyan jó lenne az összes célváltozó tekintetében, és legalább egy célváltozó tekintetében szigorúan jobb lenne.

Ennek eredményeként gyakran nem egyetlen, egyértelműen legjobb döntés születik, hanem számos hatékony alternatíva.

A vezetésnek ezután el kell döntenie, mely célkonfliktusok elfogadhatók.

A műveleti kutatás tehát nem helyettesíti a stratégiai felelősséget.

Lehetővé teszi a különböző preferenciák következményeinek matematikai vizsgálatát.

11. Operációkutatás bizonytalan körülmények között

A döntéshozatal időpontjában nem minden releváns döntési tényező ismert.

A jövőbeli bevételek, a projektköltségek, az erőforrások rendelkezésre állása és a piaci feltételek bizonytalanok lehetnek.

A klasszikus determinisztikus optimalizációs modell rögzített paraméterekkel dolgozik.

A bizonytalan döntési problémákra további módszertani megközelítések léteznek.

Sztochasztikus optimalizálás

A sztochasztikus optimalizálás figyelembe veszi a véletlen változókat és adott esetben a különböző jövőbeli forgatókönyveket.

Ennek során figyelembe vehetők például a várható értékek, a kockázati mutatók vagy a többszintű döntések.

Robusztus optimalizálás

A robusztus optimalizálás olyan megoldásokat keres, amelyek meghatározott kedvezőtlen paramétereltérések esetén is elfogadhatók vagy hatékonyak maradnak.

Forgatókönyv-elemzés

A forgatókönyv-elemzés azt vizsgálja, hogyan változnak az optimális döntések különböző feltételezések mellett.

Érzékenységi elemzés

Az érzékenységi elemzés azt vizsgálja, hogy az eredmények mennyire érzékenyen reagálnak az egyes bemeneti paraméterek változásaira.

Ezek a módszerek különösen a hosszú távú befektetési döntések esetében relevánsak.

Egy matematikailag optimalizált portfóliót ezért nem szabad kizárólag egyetlen jövőbeli feltételezés alapján elért eredménye alapján értékelni.

Ugyanilyen fontos az a kérdés, hogy a döntés mennyire marad stabil a valószínűsíthető változások mellett.

12. Operációkutatás, mesterséges intelligencia és döntésintelligencia

Az operációkutatás, a mesterséges intelligencia és a döntésintelligencia egymással rokon fogalmak, de nem azonosak.

Operációkutatás

Az operációkutatás matematikai módszereket biztosít a döntési problémák modellezéséhez és optimalizálásához.

Mesterséges intelligencia

A mesterséges intelligencia különböző eljárásokat foglal magában, például a gépi tanulást, a mintázatfelismerést, a nyelvfeldolgozást és az automatizált döntéshozatali eljárásokat.

Döntésintelligencia

A döntésintelligencia összekapcsolja az adatokat, a döntési modelleket, az analitikai módszereket és a szervezeti döntéshozatali folyamatokat.

Célja a döntések minőségének, nyomon követhetőségének és gyakorlati megvalósíthatóságának javítása.

Az összefüggés

Egy lehetséges együttműködés abban áll, hogy a gépi tanulás először előrejelzi a jövőbeli projektköltségeket vagy bevételeket.

Ezt követően egy operációkutatási modell kiszámíthatja, hogy az előre jelzett feltételek mellett melyik projektkombináció az optimális.

Végül egy Decision Intelligence-alkalmazás úgy jeleníti meg az eredményeket, hogy a döntéshozók összehasonlíthassák az alternatívákat, módosíthassák a feltételezéseket és átlássák a következményeket.

A három megközelítés így különböző, egymást kiegészítő funkciókat lát el.

A mesterséges intelligencia segíthet a döntéshozatali alapok javításában. Az operációkutatás matematikailag optimalizálhatja a megfelelő döntéseket. A döntésintelligencia pedig ezeket az eredményeket integrálhatja a valós döntéshozatali folyamatokba.

Ez a szerepkörök megosztása egy lehetséges architektúra-modell, nem pedig az összes eljárás általános érvényű elhatárolása.

13. Operációkutatás a vállalatokban és a közszférában

Az operációkutatás matematikai alapjai mind a magánszektorban, mind a közszférában hozott döntések szempontjából relevánsak.

13.1 Ipari vállalatok

Az ipari vállalatoknak gyakran számos beruházási tervet kell összehangolniuk a telephelyek, gyártósorok és üzletágak között.

Az egyes projektek versengenek a tőke, a személyzet és a műszaki kapacitásokért.

A matematikai portfólióoptimalizálás segítségével megvizsgálható, hogy ezek a feltételek mellett mely kombináció eredményezi a legmagasabb meghatározott összértéket.

13.2 Energiaipari vállalatok

Az energetikai vállalatok komplex beruházási döntések előtt állnak a hálózatok, a termelőberendezések, a karbantartás és az infrastruktúra terén.

Ennek során figyelembe kell venni a műszaki összefüggéseket, az ellátásbiztonságot, az erőforrásokat és a hosszú távú tervezési időszakokat.

13.3 Gyógyszeripar

A kutatási és fejlesztési portfóliók különböző siker valószínűséggel, költségszerkezettel és fejlesztési idővel rendelkező projekteket tartalmaznak.

Az operációkutatási modellek segíthetnek az ilyen portfóliók kiválasztásában és időbeli összehangolásában.

13.4 Ingatlanipar

Nagy ingatlanportfóliók esetében a beruházási, felújítási és fejlesztési intézkedések egymással versenghetnek.

Az optimális kombináció a tőkeszükséglettől, az értékteremtéstől, az ütemtervtől és az esetleges függőségektől függ.

13.5 Közpénzügyek

Az állami költségvetési és beruházási döntések is matematikai allokációs struktúrákkal rendelkeznek.

A közszféra döntései azonban egy lényeges pontban eltérnek a magánszféra beruházási döntéseitől:

A társadalmi haszon nem mindig ábrázolható közvetlenül pénzügyi hozamként.

Ehelyett figyelembe vehetők például a szolgáltatás minősége, az infrastruktúra állapota, a klímára gyakorolt hatás, a társadalmi elérhetőség vagy más közcélú mutatók.

Ehhez megfelelő haszonkritériumokat kell kidolgozni, operacionalizálni és átláthatóan súlyozni.

A jogi kötelezettségek, a célhoz kötött források és a politikai döntéshozatali hatáskörök továbbra is kötelező érvényű keretfeltételek maradnak.

A matematikai optimalizálás támogathatja a közszféra döntéseit, de nem helyettesítheti a demokratikus legitimációt és a politikai felelősséget.

14. A matematikai optimalizálás korlátai és előfeltételei

Az operációkutatás hatékony, de nem jelent egyetemes garanciát a helyes döntésekre.

Az eredmények minősége több tényezőtől függ.

A modell minősége

A matematikai modellnek kellő pontossággal kell leképeznie a döntéshozatal szempontjából releváns összefüggéseket.

Adatminőség

A hiányos vagy hibás adatok nem megfelelő eredményekhez vezethetnek.

Célfüggvény minősége

A matematikai eljárás optimalizálja a meghatározott célfüggvényt – függetlenül attól, hogy az teljes mértékben tükrözi-e a szervezet tényleges céljait.

Számítási komplexitás

Bizonyos optimalizálási problémák számításilag bonyolultak.

Nem minden probléma oldható meg globálisan optimálisan egy előre megadott időn belül.

Bizonytalanság

Az eredmények érzékenyen reagálhatnak a jövőbeli fejleményekre vagy a bizonytalan paraméterekre.

Szervezeti megvalósíthatóság

Egy matematikailag vonzó döntés gyakorlati nehézségeket okozhat, ha a szervezeti, politikai vagy kulturális feltételeket nem vették kellőképpen figyelembe.

Ebből következik:

A matematikai optimalitás, a gazdasági célszerűség és a szervezeti megvalósíthatóság összefüggenek egymással, de nem azonosak.

Egy professzionális optimalizációs folyamatnak mindhárom dimenziót figyelembe kell vennie.

15. A matematikai megoldástól a gyakorlati döntésig

Az operációkutatás tudományos módszerei már évtizedek óta ismertek.

Egy jelentős kihívás azonban a gyakorlati integrációjuk a menedzsmentfolyamatokba.

Hagyományosan az optimalizációs modelleket gyakran szakosodott részlegek fejlesztik ki, számítják ki, majd döntési alapként bocsátják rendelkezésre.

A modern döntéshozatali intelligencia-alkalmazások interaktívabb megközelítést követnek.

A döntéshozók például:

1. módosíthatják a költségvetést vagy az erőforrás-korlátozásokat;
2. Kötelezően kiválaszthatnak vagy kizárhatnak projekteket.
3. A stratégiai súlyozásokat módosítani.
4. Alternatív forgatókönyveket számolhatnak ki.
5. Összehasonlítani a különböző portfólió-kombinációk gazdasági következményeit.

Így egy egyszeri optimalizálási számításból iteratív döntéshozatali folyamat alakulhat ki.

A StratePlan mint speciális alkalmazás

A StratePlan, az mAInthink GmbH döntés-intelligencia technológiája, elsősorban a beruházási és projektportfóliók matematikai optimalizálására irányul.

Az alkalmazás ötvözi a kombinatorikus optimalizálást a költségvetési, erőforrás- és projektfüggőségek interaktív vizsgálatával.

Kiemelt szerepet kap az a lehetőség, hogy a portfólióval kapcsolatos döntéseket közvetlenül a vezetői és döntéshozó testületekben újraszámolhassák.

Az alapul szolgáló problémakör az operációkutatáshoz tartozik, különösen a diszkrét portfólió- és erőforrás-allokációhoz.

A StratePlan így a matematikai döntésoptimalizálás speciális alkalmazásaként sorolható be, nem pedig automatikusan az összes operációkutatási probléma univerzális megoldójaként.

Az optimális megoldásra vonatkozó garanciák, a számítási idők és a támogatott modellek típusai a konkrét technikai megvalósítástól és az adott problémáktól függenek.

A gazdasági hozzáadott érték abban rejlik, hogy a matematikai optimalizálást valós stratégiai döntéshozatali folyamatokban is alkalmazhatóvá teszi.

16. Gyakran feltett kérdések

Az operációkutatás a mesterséges intelligencia egyik formája?

Alapvetően nem. Az operációkutatás egy önálló tudományos diszciplína, amely matematikai optimalizálási, szimulációs és döntéshozatali eljárásokat alkalmaz. Ugyanakkor számos átfedés és kombinációs lehetőség létezik a mesterséges intelligenciával.

Mi a különbség az operációkutatás és a matematikai optimalizálás között?

A matematikai optimalizálás az operációkutatás egyik központi módszertani részterülete. Az operációkutatás emellett magában foglalja például a szimulációt, a sorállás-elméletet, a sztochasztikus modellezést és a döntéselemzés egyéb módszereit is.

Mi a kombinatorikus optimalizálás?

A kombinatorikus optimalizálás a diszkrét alternatívák kiválasztását vagy elrendezését vizsgálja meghatározott feltételek mellett. Tipikus példák a projektportfólió-kiválasztás, az útvonaltervezés, az allokációs problémák és bizonyos ütemezési problémák.

Képes-e az operációkutatás globális optimumot kiszámítani?

Igen, megfelelő matematikai modellek és a megfelelő megoldási eljárások alkalmazásával igazolható a globális optimalitás. Ez azonban nem garantált minden problématípus esetében, illetve minden előre megadott számítási idő alatt.

Miért nem mindig elegendő a klasszikus projektpriorizálás?

A rangsor az egyes projekteket értékeli. A portfólióoptimalizálás ezzel szemben a megengedett projektkombinációk összességének hatását vizsgálja. A legjobb kombinációnak nem feltétlenül kell a legmagasabb rangú egyedi projektekből állnia.

Mi a különbség a szimuláció és az optimalizálás között?

A szimuláció azt vizsgálja, hogy milyen eredmények születhetnek bizonyos feltételezések és döntések alapján.

Az optimalizálás egy meghatározott döntési térben olyan megoldásokat keres, amelyek a lehető legjobban teljesítik a célfüggvényt.

Mindkét megközelítés kombinálható.

Mit jelent az NP-nehéz kifejezés?

Az NP-nehéz kifejezés egy olyan számításigényes problémákból álló osztályt jelöl, amelyhez számos kombinatorikus optimalizálási probléma tartozik.

Ezekre a problémákra nincs ismert olyan általános algoritmus, amely minden példát polinomiális időben optimálisan megoldana. Ez azonban nem jelenti azt, hogy minden gyakorlati példa nehéz lenne.

Használhatják-e a vállalatok az operációkutatást saját matematikai részleg nélkül?

Igen. A speciális szoftverek és a döntéshozatali intelligencia alkalmazások hozzáférhetővé teszik a matematikai modellezést és optimalizálást a szakemberek számára.

Döntő fontosságú marad a probléma helyes megfogalmazása, a megbízható bemeneti adatok és az eredmények szakértői validálása.

A StratePlan egy operációkutatási alkalmazás?

Igen. A beruházási és projektportfóliók matematikai optimalizálása az operációkutatás részét képezi.

A StratePlan elsősorban meghatározott korlátok mellett felmerülő kombinatorikus kiválasztási és allokációs problémákkal foglalkozik.

17. Következtetés: Az operációkutatás mint a jobb döntések tudományos alapja

Az operációkutatás rámutat arra, hogy a komplex döntések nem feltétlenül alapulhatnak kizárólag tapasztalatra, intuícióra vagy elszigetelt egyedi értékelésekre.

Számos gazdasági, műszaki és közigazgatási döntési probléma matematikailag modellezhető és szisztematikusan optimalizálható.

Ez a megközelítés különösen akkor releváns, ha számos alternatíva verseng egymással, az erőforrások korlátozottak, és figyelembe kell venni a függőségeket.

A legfontosabb felismerés a következő:

az egyes projektek minősége nem feltétlenül határozza meg a teljes portfólió minőségét. Döntő fontosságú az a kombináció, amely a tényleges korlátok mellett a legmagasabb meghatározott összértéket eredményezi.

Az operációkutatás biztosítja azokat a tudományos módszereket, amelyekkel ezeket az összefüggéseket vizsgálni lehet.

A matematikai optimalizálási eljárások lehetővé teszik a magas színvonalú, és megfelelő feltételek mellett bizonyíthatóan globálisan optimális megoldások keresését.

A döntéshozatali intelligencia ezeket az eredményeket átalakíthatja átlátható, interaktív döntéshozatali folyamatokká.

Így jön létre a kapcsolat a több évtizedes matematikai kutatás és a modern vállalatvezetés gyakorlati igényei között.

Az operációkutatás a komplex döntési problémákat matematikailag elemezhetővé teszi. A döntéshozatali intelligencia pedig az eredményeket a döntéshozók számára hasznosíthatóvá teszi.

További tudományos források

Szakmai társaságok és alapismeretek

• INFORMS – Operations Research & Analytics: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Európai Operációkutatási Társaságok Szövetsége: https://www.euro-online.org/
• Operációkutatási Társaság (GOR): https://www.gor-ev.de/

Tudományos alapművek

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Bevezetés a lineáris optimalizálásba.
• Nemhauser, G. L. & Wolsey, L. A.: Egészszámú és kombinatorikus optimalizálás.
• Ehrgott, M.: Többkritériumos optimalizálás.
• Birge, J. R. és Louveaux, F.: Bevezetés a sztochasztikus programozásba.

Műszaki elmélyítés

• Gurobi – vegyes egészértékű programozás: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Bizonyítható optimalitás: https://www.gurobi.com/resources/blog/provable-optimality

Operációkutatás a gyakorlatban

A matematikai optimalizálásnak nem feltétlenül kell tudományos modellekkel végződnie.

Ismerje meg, hogyan teszi a StratePlan a komplex befektetési és projektportfóliók optimalizálását hozzáférhetővé a valós vezetői döntéshozatal számára.

CTA: Portfólió matematikai optimalizálása →

StratePlan | Az operációkutatás és a döntéshozatali intelligencia találkozása.

Ugyanazok a projektek. Ugyanaz a költségvetés. Jobb kombinációk. Jobb döntések.