Cercetarea operațională: Cum matematică optimizează deciziile complexe

De la analiza științifică a deciziilor, la optimizarea combinatorie și până la inteligența decizională modernă

Articol de specialitate | mAInthink Insights | Știință și metode

Companiile, instituțiile publice și investitorii se confruntă cu o provocare fundamentală: trebuie să ia decizii al căror impact economic sau social nu depinde doar de măsuri individuale, ci de interacțiunea dintre numeroase alternative.

Ce investiții ar trebui finanțate? Ce proiecte generează împreună cea mai mare valoare adăugată? Cum pot fi distribuite în mod optim resursele limitate? Și cum se modifică cea mai bună decizie atunci când bugetele, prioritățile sau condițiile-cadru sunt ajustate?

Răspunsul tradițional constă adesea în evaluări, liste de priorități, studii de fezabilitate și decizii de management.

Cercetarea operațională adoptă o abordare diferită:

Nu doar evaluarea alternativelor individuale, ci determinarea matematică a celei mai bune combinații posibile dintre toate deciziile admisibile.

De zeci de ani, această disciplină constituie o bază științifică pentru optimizarea sistemelor economice, tehnice și organizaționale complexe.

Astăzi, ea capătă o nouă importanță practică datorită algoritmilor de optimizare performanți, metodelor de calcul paralel, inteligenței artificiale și platformelor interactive de luare a deciziilor.

Cuprins

1. Ce este cercetarea operațională?
2. Evoluția științifică a cercetării operaționale
3. Ce probleme rezolvă cercetarea operațională?
4. Bazele matematice
5. Optimizarea combinatorială și complexitatea exponențială
6. Cele mai importante metode de optimizare
7. Optimalitatea globală: ce se poate demonstra matematic
8. Optimizarea portofoliului în locul prioritizării clasice
9. Planificarea pe mai multe perioade și restricțiile de resurse
10. Optimizarea multi-obiectiv și obiectivele concurente
11. Cercetarea operațională în condiții de incertitudine
12. Cercetarea operațională, IA și inteligența decizională
13. Cercetarea operațională în întreprinderi și în sectorul public
14. Limitele și premisele optimizării matematice
15. De la soluția matematică la decizia în timp real
16. Întrebări frecvente
17. Concluzii și încadrare științifică

1. Ce este cercetarea operațională?

Cercetarea operațională, denumită adesea OR sau, în spațiul lingvistic britanic, Operational Research, este o disciplină științifică interdisciplinară dedicată analizei și optimizării problemelor decizionale complexe.

Aceasta combină în special:

• Matematica aplicată
• Optimizarea matematică
• Teoria probabilităților și statistica
• Informatica și teoria algoritmilor
• Științe economice
• Analiza sistemelor și științele decizionale

Obiectivul principal constă în modelarea problemelor decizionale astfel încât diferite alternative de acțiune să poată fi analizate sistematic și optimizate pe baza unor obiective definite.

Spre deosebire de metodele de analiză pur descriptive, cercetarea operațională nu se limitează la a răspunde la întrebarea „ce se întâmplă într-un sistem”.

Aceasta examinează ce decizii ar trebui luate în condițiile date pentru a atinge cât mai bine un obiectiv definit.

O întreprindere poate ști, de exemplu, care dintre proiectele sale de investiții promit un randament pozitiv al capitalului.

Totuși, din aceasta nu rezultă încă care combinație a acestor proiecte generează cea mai mare valoare economică în cadrul unui buget total limitat.

Exact aici începe o problemă clasică de cercetare operațională.

2. Dezvoltarea științifică a cercetării operaționale

Dezvoltarea modernă a cercetării operaționale a început în special în timpul celui de-al Doilea Război Mondial.

La acea vreme, oameni de știință din diverse discipline au analizat probleme operaționale complexe, cum ar fi utilizarea eficientă a resurselor limitate, coordonarea proceselor logistice și optimizarea sistemelor militare.

După război, metodele dezvoltate au fost aplicate din ce în ce mai mult la probleme industriale și economice.

O etapă esențială a fost dezvoltarea metodei Simplex de către George B. Dantzig în anul 1947.

Astfel, optimizarea liniară a devenit un instrument important de sprijin matematic în luarea deciziilor.

În deceniile următoare au apărut alte metode importante:

• Programarea dinamică
• Optimizarea cu numere întregi și mixtă-cu numere întregi
• Branch-and-Bound
• Optimizarea rețelelor
• Optimizarea stochastică
• Optimizare multi-obiectiv
• Metode metaheuristice
• Optimizare robustă

În prezent, cercetarea operațională este o disciplină de cercetare recunoscută la nivel internațional.

Printre organizațiile științifice importante se numără INFORMS, EURO, IFORS și Societatea Germană de Cercetare Operațională (GOR).

Cercetarea operațională nu este, așadar, o nouă formă de inteligență artificială, ci o bază științifică autonomă a optimizării moderne a procesului decizional.

3. Ce probleme rezolvă cercetarea operațională?

Cercetarea operațională devine relevantă oriunde se întâlnesc mai multe alternative decizionale, resurse limitate și obiective definibile.

Domeniile de aplicare sunt, prin urmare, foarte vaste.

Investiții și alocarea capitalului

Ce investiții ar trebui realizate în cadrul unui buget limitat?

Optimizarea portofoliului de proiecte

Ce combinație de proiecte generează cea mai mare contribuție economică sau strategică globală?

Planificarea producției

Cum se pot optimiza volumele de producție, capacitățile utilajelor și ordinea comenzilor?

Optimizarea lanțului de aprovizionare

Cum pot fi coordonate în mod eficient stocurile, rutele de transport, capacitățile de livrare și locațiile de producție?

Planificarea energiei și a infrastructurii

Care investiții în rețele, instalații sau măsuri de întreținere generează cel mai mare beneficiu în condițiile unor resurse limitate?

Planificarea personalului și a resurselor

Cum se alocă în mod optim angajații, utilajele, intervalele de timp sau alte resurse limitate?

Bugetele publice

Ce combinație de măsuri publice generează cel mai mare impact social definit, în condițiile cadrului financiar, juridic și politic existent?

Sistemul de sănătate

Cum pot fi îmbunătățite capacitățile, programările pentru tratamente, resursele medicale și structurile de îngrijire?

În ciuda domeniilor de aplicare diferite, multe dintre aceste probleme au o structură matematică comună:

Trebuie găsită o decizie cât mai bună sau optimă în cadrul unui spațiu decizional limitat și admisibil.

4. Bazele matematice

O problemă matematică de optimizare constă, în principiu, din trei elemente:

variabile de decizie, funcția obiectiv și condiții de restricție.

4.1 Variabilele de decizie

Variabilele de decizie descriu ce decizii pot fi luate.

În cazul unei decizii binare privind un proiect, se aplică, de exemplu:

Unde:

• _xi=1: proiectul i este selectat.
• _xi=0: proiectul i nu este selectat.

Alte probleme de optimizare utilizează variabile întregi sau continue.

4.2 Funcția obiectiv

Funcția obiectiv descrie mărimea care trebuie maximizată sau minimizată.

Pentru un portofoliu cu valori aditive ale proiectelor, o funcție de maximizare simplificată este:

Aici, _vi reprezintă contribuția economică sau strategică a unui proiect.

4.3 Condiții secundare

Deciziile reale sunt supuse unor restricții.

O restricție bugetară tipică este:

În acest context:

• _ci: necesarul de capital al proiectului i
• B: bugetul total disponibil

Alte condiții secundare pot include, de exemplu, resursele umane, dependențele tehnice, cerințele legale sau restricțiile temporale.

Problema completă de optimizare constă, așadar, în găsirea unei combinații admisibile de variabile de decizie care să îndeplinească cât mai bine funcția obiectiv.

Această structură a modelului stă la baza numeroaselor aplicații practice din domeniul cercetării operaționale.

5. Optimizarea combinatorie și complexitatea exponențială

Un subdomeniu deosebit de important al cercetării operaționale este optimizarea combinatorie.

Aceasta analizează problemele decizionale în care se caută cea mai bună soluție admisibilă dintr-un set finit, adesea foarte mare, de alternative discrete.

În cazul a n proiecte care pot fi selectate independent în mod binar, numărul combinațiilor teoretice posibile este:

De aici rezultă:

Aceste cifre descriu, în primul rând, numărul total de combinații binare posibile, nu numărul de portofolii efectiv admisibile.

Restricțiile bugetare, dependențele dintre proiecte și alte condiții secundare pot reduce considerabil spațiul soluțiilor admisibile.

Numărul teoretic de combinații posibile ilustrează totuși amploarea problemei.

O evaluare manuală completă a tuturor alternativelor este practic imposibilă chiar și în cazul unor portofolii relativ mici.

Complexitatea exponențială nu înseamnă că fiecare combinație trebuie verificată individual

Algoritmii moderni de optimizare pot exclude părți mari din spațiul decizional fără a evalua complet fiecare combinație în parte.

Pentru aceasta, ei utilizează bariere matematice, relaxări, proprietăți structurale ale problemei și strategii inteligente de căutare.

Prin urmare, în condiții adecvate, o metodă de optimizare poate rezolva eficient chiar și probleme de decizie combinatorice de dimensiuni foarte mari.

Cu toate acestea, existența unor algoritmi performanți nu garantează că orice problemă poate fi rezolvată în mod optim la nivel global într-un timp scurt.

Complexitatea de calcul efectivă depinde, printre altele, de structura modelului, de condițiile de restricție, de dimensiunea problemei și de metoda de rezolvare utilizată.

6. Cele mai importante metode de optimizare

Cercetarea operațională cuprinde diverse metode matematice de rezolvare.

Alegerea metodei adecvate depinde de structura problemei de decizie.

6.1 Programarea liniară

Optimizarea liniară analizează probleme cu funcții țintă liniare și condiții de restricție liniare.

Aceasta este utilizată, de exemplu, în planificarea producției, a transporturilor și a resurselor.

6.2 Programarea întregă

Optimizarea întreagă ia în considerare variabilele de decizie care pot lua doar valori întregi.

Acest lucru este relevant în special în cazul deciziilor discrete, de exemplu atunci când proiectele sunt fie selectate în întregime, fie excluse.

6.3 Programarea liniară mixtă-integeră

Programarea liniară mixtă cu numere întregi, pe scurt MILP, combină variabile de decizie continue și întregi în cadrul unui model liniar.

Astfel, se pot corela, de exemplu, deciziile de investiții cu mărimi continue precum bugetul sau capacitatea.

6.4 Branch-and-Bound

Metoda „Branch-and-Bound” împarte sistematic spațiul decizional în subprobleme.

Cu ajutorul limitelor matematice se poate stabili care subspații nu mai pot conține o soluție mai bună.

Aceste subspații nu mai trebuie analizate în continuare.

6.5 Branch-and-Cut

Metoda Branch-and-Cut extinde metoda Branch-and-Bound prin adăugarea unor inegalități valide suplimentare, numite „planuri de tăiere” (Cutting Planes).

Acestea pot înăspri relaxările matematice și pot accelera căutarea soluțiilor optime.

6.6 Programarea dinamică

Programarea dinamică descompune problemele adecvate în subprobleme interconectate.

Aceasta este utilizată, printre altele, în problemele de decizie secvențiale, în planificarea stocurilor și în anumite probleme de alocare a resurselor.

6.7 Heuristici și metaheuristici

Metodele euristice caută în mod eficient soluții bune și admisibile, fără a garanta însă, în principiu, o dovadă de optimalitate globală.

Exemple cunoscute sunt:

• Algoritmi genetici
• Recoacerea simulată
• Căutarea tabu
• Căutarea locală

Aceste metode pot fi utile în special în cazul problemelor de mari dimensiuni sau cu structuri complexe.

6.8 Metode hibride de optimizare

Abordările hibride combină diferite metode.

De exemplu, metodele euristice pot genera inițial soluții admisibile de înaltă calitate, în timp ce metodele exacte încearcă ulterior să îmbunătățească aceste soluții sau să demonstreze caracterul lor optim.

De asemenea, învățarea automată poate fi utilizată pentru selectarea strategiilor de căutare, pentru prognozarea parametrilor sau pentru accelerarea anumitor etape ale soluționării.

Avantajele reale ale unor astfel de combinații trebuie analizate pe baza unor teste de performanță adecvate.

7. Optimalitatea globală: ce se poate demonstra matematic

Un punct forte esențial al optimizării matematice constă în faptul că, în anumite condiții, nu numai că se poate găsi o soluție bună, ci se poate și demonstra optimitatea globală a acesteia.

O soluție optimă globală are cea mai bună valoare posibilă a funcției obiectiv în cadrul spațiului de soluții admisibil definit.

Din punct de vedere formal, pentru o problemă de maximizare se aplică următoarea relație:

Unde:

• X: mulțimea tuturor soluțiilor admisibile
• x^*: soluția optimă globală
• f(x): valoarea funcției obiectiv a unei soluții

Demonstrarea optimalității globale se poate realiza, de exemplu, cu ajutorul unor limite matematice.

Decalajul de optimalitate

În cazul problemelor de optimizare mixt-integer, se ia adesea în considerare diferența dintre cea mai bună soluție admisibilă găsită și o barieră validă pentru optimul global.

Pentru o problemă de maximizare cu cea mai bună valoare a funcției obiectiv pozitive, un decalaj de optimalitate relativ poate fi definit, de exemplu, după cum urmează:

Unde:

• LB: valoarea celei mai bune soluții admisibile găsite până în prezent
• UB: limita superioară valabilă pentru optimul global

Un decalaj egal cu zero înseamnă, în cazul unui calcul exact, că s-a demonstrat optimalitatea globală.

Solverele practice iau în considerare toleranțele numerice și criteriile de întrerupere definite.

De asemenea, un decalaj mic poate însemna că soluția găsită se află deja foarte aproape de cea mai bună valoare teoretică posibilă a funcției obiectiv.

O limitare științifică decisivă

Un optim global este întotdeauna un optim al modelului matematic – nu neapărat cea mai bună decizie din punct de vedere obiectiv în lumea reală.

Dacă datele de intrare sunt incomplete, ipotezele privind beneficiile sunt eronate sau condițiile secundare relevante nu sunt luate în considerare, o soluție optimă din punct de vedere matematic poate fi inadecvată din punct de vedere economic.

De aceea, validarea modelului, analizele de sensibilitate și verificarea ipotezelor de bază sunt elemente indispensabile ale unei optimizări serioase.

8. Optimizarea portofoliului în locul prioritizării clasice

Un domeniu de aplicare deosebit de relevant este optimizarea portofoliilor de investiții și de proiecte.

Metodele tradiționale de gestionare a portofoliului evaluează adesea proiectele individual.

Astfel se obține un clasament, de exemplu pe baza ROI, NPV, importanței strategice sau a criteriilor de evaluare ponderate.

O astfel de prioritizare răspunde la întrebarea:

Care proiect individual pare deosebit de atractiv?

Totuși, aceasta nu răspunde neapărat la întrebarea:

Ce combinație a tuturor proiectelor disponibile generează cea mai mare valoare totală în condițiile restricțiilor existente?

Un exemplu simplificat

O întreprindere dispune de un buget de investiții de 10 milioane de euro.

Sunt patru proiecte dintre care se poate alege:

În cazul prioritizării în funcție de VNA absolută, proiectul A ocupă primul loc.

Dacă se alege proiectul A, cu bugetul rămas de 4 milioane de euro se poate finanța fie proiectul C, fie proiectul D.

Combinația A + C atinge o valoare actualizată netă (NPV) totală de 16 milioane de euro, cu o utilizare a bugetului de 10 milioane de euro, fiind, în acest exemplu, cea mai bună combinație admisibilă.

Combinația B + C, de asemenea admisibilă, atinge o valoare actualizată netă (NPV) de 15 milioane de euro, cu o investiție de capital de 9 milioane de euro.

În acest exemplu, combinația A + C este într-adevăr optimă.

Totuși, nu se poate afirma că ierarhizarea este neapărat greșită.

Mai degrabă, exemplul arată că decizia optimă privind portofoliul rezultă din compararea combinațiilor admisibile și nu decurge doar din evaluarea izolată a proiectelor.

Chiar și mici modificări ale valorilor proiectelor, bugetelor sau dependențelor pot duce la situația în care cea mai bună combinație nu mai este formată din proiectele individuale cu cele mai bune clasări.

De ce maximizarea ROI-ului necesită o atenție deosebită

Maximizarea VNA-ului total nu este identică cu maximizarea ROI-ului portofoliului.

Dacă ROI-ul portofoliului este definit ca raportul dintre venitul net agregat și capitalul investit agregat, rezultă o altă funcție țintă:

O astfel de optimizare a raportului se deosebește din punct de vedere matematic de maximizarea unei valori totale aditive.

În plus, o maximizare pură a ROI-ului poate favoriza portofoliile foarte mici.

De aceea, înainte de orice optimizare, trebuie clarificat dacă se dorește maximizarea, de exemplu, a VAN-ului total, a ROI-ului, a beneficiului strategic sau a unui alt indicator țintă.

Definirea funcției obiectiv este, în sine, o decizie esențială de management.

9. Planificarea pe mai multe perioade și restricțiile de resurse

Deciziile reale de investiții se referă adesea la mai multe exerciții financiare.

Un proiect poate, de exemplu, să necesite investiții mari în primul an, să mobilizeze resurse suplimentare în al doilea an și să genereze venituri economice abia mai târziu.

O modelare matematică adecvată trebuie să țină cont de această structură temporală.

Pentru o selecție simplificată a portofoliului pe mai multe perioade se poate aplica:

cu condiția:

Unde:

• _cit: necesarul de capital al proiectului i în perioada t
• _Bt: bugetul disponibil în perioada t

În plus, pot fi modelate restricțiile de resurse:

Aici, _airt reprezintă necesarul de resurse al unui proiect pentru resursa r în perioada t.

Dependențe între proiecte

Și relațiile logice dintre proiecte pot fi exprimate matematic.

Dacă proiectul B poate fi realizat numai dacă a fost selectat proiectul A:

Dacă două proiecte nu pot fi realizate simultan:

Dacă un proiect trebuie realizat în mod obligatoriu:

Astfel de restricții sunt esențiale, deoarece calitatea reală a unui portofoliu de investiții este adesea determinată nu numai de buget, ci și de numeroase dependențe tehnice, organizatorice și strategice.

10. Optimizarea multi-obiectiv și obiectivele concurente

Multe probleme reale de decizie nu au un singur obiectiv.

O întreprindere dorește, de exemplu, în același timp:

• să maximizeze contribuția economică
• să limiteze riscurile
• să reducă emisiile de CO₂
• să atingă obiectivele strategice
• Să evite penuria de resurse

Aceste obiective pot intra în concurență între ele.

Prin urmare, optimizarea multi-obiectiv analizează deciziile cu mai multe funcții-țintă.

Din punct de vedere formal, o astfel de problemă poate fi reprezentată astfel:

unde:

Funcții-țintă ponderate

O posibilitate constă în combinarea mai multor obiective normalizate într-o funcție globală ponderată:

Aici, _wj reprezintă ponderea obiectivului respectiv.

Ponderile trebuie justificate din punct de vedere tehnic.

Optimalitatea Pareto

O altă posibilitate constă în determinarea soluțiilor optime în sensul lui Pareto.

O soluție este optimă în sensul lui Pareto dacă nu există nicio altă soluție admisibilă care să fie cel puțin la fel de bună în ceea ce privește toate criteriile de evaluare și strict mai bună în cel puțin un criteriu de evaluare.

Astfel, de multe ori nu rezultă o singură decizie clară, ci un set de alternative eficiente.

Conducerea trebuie să decidă apoi care dintre conflictele de obiective sunt acceptabile.

Cercetarea operațională nu înlocuiește astfel responsabilitatea strategică.

Aceasta permite analizarea matematică a consecințelor diferitelor preferințe.

11. Cercetarea operațională în condiții de incertitudine

Nu toate variabilele relevante pentru luarea deciziei sunt cunoscute la momentul luării acesteia.

Veniturile viitoare, costurile proiectului, disponibilitatea resurselor și condițiile de piață pot fi incerte.

Modelul clasic determinist de optimizare funcționează cu parametri stabiliți.

Pentru problemele decizionale incerte există abordări metodologice suplimentare.

Optimizarea stochastică

Optimizarea stochastică ia în considerare variabilele aleatorii și, dacă este cazul, diferite scenarii viitoare.

În acest context, pot fi luate în considerare, de exemplu, valorile așteptate, măsurile de risc sau deciziile pe mai multe niveluri.

Optimizarea robustă

Optimizarea robustă caută soluții care rămân admisibile sau eficiente chiar și în cazul unor abateri nefavorabile definite ale parametrilor.

Analiza scenariilor

Analiza scenariilor examinează modul în care deciziile optime se modifică în funcție de diferite ipoteze.

Analiza de sensibilitate

Analiza de sensibilitate evaluează cât de sensibile sunt rezultatele la modificările unor parametri de intrare individuali.

Aceste proceduri sunt relevante în special în cazul deciziilor de investiții pe termen lung.

Prin urmare, un portofoliu optimizat matematic nu ar trebui evaluat exclusiv pe baza rezultatului său obținut în cadrul unei singure ipoteze privind viitorul.

La fel de importantă este întrebarea cât de stabilă rămâne decizia în fața unor schimbări plauzibile.

12. Cercetarea operațională, inteligența artificială și inteligența decizională

Cercetarea operațională, inteligența artificială și inteligența decizională sunt domenii înrudite, dar nu identice.

Cercetarea operațională

Cercetarea operațională oferă metode matematice pentru modelarea și optimizarea problemelor decizionale.

Inteligența artificială

Inteligența artificială cuprinde diverse procedee, cum ar fi învățarea automată, recunoașterea tiparelor, procesarea limbajului și procesele decizionale automatizate.

Inteligența decizională

Inteligența decizională combină datele, modelele decizionale, metodele analitice și procesele decizionale organizaționale.

Obiectivul este îmbunătățirea calității, a trasabilității și a aplicabilității practice a deciziilor.

Legătura

O posibilă interacțiune constă în faptul că învățarea automată prognozează mai întâi costurile sau veniturile viitoare ale proiectului.

Ulterior, un model de cercetare operațională poate calcula care combinație de proiecte este optimă în condițiile prognozate.

O aplicație de Decision Intelligence prezintă în final rezultatele astfel încât factorii de decizie să poată compara alternativele, să modifice ipotezele și să înțeleagă consecințele.

Cele trei abordări îndeplinesc astfel funcții diferite, care se completează reciproc.

Inteligența artificială poate contribui la îmbunătățirea bazelor de decizie. Cercetarea operațională poate optimiza matematic deciziile adecvate. Inteligența decizională poate integra aceste informații în procesele reale de luare a deciziilor.

Această repartizare a rolurilor reprezintă un posibil model arhitectural, nu o delimitare universal valabilă a tuturor procedurilor.

13. Cercetarea operațională în întreprinderi și în administrația publică

Bazele matematice ale cercetării operaționale sunt relevante atât pentru deciziile din sectorul privat, cât și pentru cele din sectorul public.

13.1 Întreprinderile industriale

Întreprinderile industriale trebuie adesea să coordoneze numeroase proiecte de investiții între locații, linii de producție și domenii de activitate.

Proiectele individuale concurează pentru capital, personal și capacități tehnice.

O optimizare matematică a portofoliului poate analiza care combinație generează, în aceste condiții, cea mai mare valoare totală definită.

13.2 Întreprinderi din sectorul energetic

Companiile din sectorul energetic se confruntă cu decizii complexe de investiții în rețele, instalații de producție, întreținere și infrastructură.

În acest context, trebuie luate în considerare dependențele tehnice, siguranța aprovizionării, resursele și orizonturile de planificare pe termen lung.

13.3 Industria farmaceutică

Portofoliile de cercetare și dezvoltare conțin proiecte cu probabilități de succes, structuri de costuri și durate de dezvoltare diferite.

Modelele de cercetare operațională pot oferi sprijin în selectarea și coordonarea temporală a unor astfel de portofolii.

13.4 Sectorul imobiliar

În cazul portofoliilor imobiliare de mari dimensiuni, măsurile de investiții, de renovare și de dezvoltare pot intra în concurență între ele.

Combinația optimă depinde de necesarul de capital, de valoarea adăugată, de planificarea temporală și de eventualele dependențe.

13.5 Bugetele publice

Și deciziile bugetare și de investiții ale statului au structuri matematice de alocare.

Cu toate acestea, deciziile publice se deosebesc într-un aspect esențial de deciziile de investiții din sectorul privat:

Beneficiul social nu poate fi întotdeauna exprimat direct ca randament financiar.

În schimb, pot fi luate în considerare, de exemplu, calitatea serviciilor, starea infrastructurii, impactul asupra climei, accesibilitatea socială sau alți indicatori publici.

În acest scop, trebuie elaborate, operaționalizate și ponderate în mod transparent criterii de utilitate adecvate.

Obligațiile legale, alocările specifice și competențele decizionale politice rămân condiții-cadru obligatorii.

Optimizarea matematică poate sprijini deciziile publice, dar nu poate înlocui legitimitatea democratică și responsabilitatea politică.

14. Limitele și condițiile preliminare ale optimizării matematice

Cercetarea operațională este eficientă, dar nu reprezintă o garanție universală pentru decizii corecte.

Calitatea rezultatelor depinde de mai mulți factori.

Calitatea modelului

Modelul matematic trebuie să reflecte cu suficientă acuratețe relațiile relevante pentru luarea deciziilor.

Calitatea datelor

Datele incomplete sau eronate pot conduce la rezultate inadecvate.

Calitatea funcției obiectiv

O metodă matematică optimizează funcția țintă definită – indiferent dacă aceasta reprezintă în totalitate obiectivele reale ale unei organizații.

Complexitatea de calcul

Anumite probleme de optimizare sunt dificile din punct de vedere computacional.

Nu orice problemă poate fi rezolvată în mod optim la nivel global într-un interval de timp prestabilit.

Incertitudine

Rezultatele pot fi sensibile la evoluțiile viitoare sau la parametrii incerti.

Fezabilitatea organizațională

O decizie atractivă din punct de vedere matematic poate genera dificultăți practice dacă nu s-a ținut seama în mod corespunzător de condițiile organizaționale, politice sau culturale.

De aici rezultă:

Optimalitatea matematică, eficiența economică și fezabilitatea organizațională sunt interconectate, dar nu sunt identice.

Un proces profesional de optimizare trebuie să țină seama de toate cele trei dimensiuni.

15. De la soluția matematică la decizia practică

Metodele științifice ale cercetării operaționale sunt cunoscute de zeci de ani.

O provocare esențială constă însă în integrarea lor practică în procesele de management.

În mod tradițional, modelele de optimizare sunt adesea dezvoltate și calculate de departamente specializate, fiind apoi furnizate ca șabloane decizionale.

Aplicațiile moderne de „Decision Intelligence” adoptă o abordare mai interactivă.

De exemplu, factorii de decizie pot:

1. să modifice bugetele sau restricțiile privind resursele;
2. să selecteze sau să excludă proiecte în mod obligatoriu;
3. Să ajusteze ponderile strategice.
4. Să calculeze scenarii alternative.
5. Să compare consecințele economice ale diferitelor combinații de portofoliu.

Astfel, dintr-un calcul unic de optimizare poate rezulta un proces decizional iterativ.

StratePlan ca aplicație specializată

StratePlan, tehnologia de inteligență decizională a mAInthink GmbH, se adresează în special optimizării matematice a portofoliilor de investiții și de proiecte.

Aplicația combină optimizarea combinatorie cu analiza interactivă a dependențelor legate de buget, resurse și proiecte.

Un punct central îl reprezintă posibilitatea de a recalcula imediat deciziile privind portofoliul în cadrul comitetelor de management și de decizie.

Clasa de probleme care stă la baza acesteia aparține domeniului cercetării operaționale, în special alocării discrete a portofoliilor și resurselor.

Prin urmare, StratePlan se încadrează ca o aplicație specializată de optimizare matematică a deciziilor, nu neapărat ca un solver universal pentru toate problemele din domeniul cercetării operaționale.

Garanțiile de optimalitate, timpii de calcul și clasele de modele suportate depind de implementarea tehnică concretă și de problemele respective.

Valoarea adăugată economică constă în posibilitatea de a valorifica optimizarea matematică în procesele reale de luare a deciziilor strategice.

16. Întrebări frecvente

Cercetarea operațională este o formă de inteligență artificială?

Nu în mod principial. Cercetarea operațională este o disciplină științifică de sine stătătoare, care include proceduri matematice de optimizare, simulare și luare a deciziilor. Există însă numeroase suprapuneri și posibilități de combinare cu inteligența artificială.

Care este diferența dintre cercetarea operațională și optimizarea matematică?

Optimizarea matematică este un subdomeniu metodologic central al cercetării operaționale. Cercetarea operațională cuprinde, de asemenea, de exemplu, simularea, teoria cozilor de așteptare, modelarea stochastică și alte metode de analiză decizională.

Ce este optimizarea combinatorială?

Optimizarea combinatorială studiază selecția sau ordonarea alternativelor discrete în condiții definite. Exemple tipice sunt selecția portofoliului de proiecte, planificarea traseelor, problemele de alocare și anumite probleme de programare.

Poate cercetarea operațională să calculeze un optim global?

Da, pentru modele matematice adecvate și cu metode de rezolvare corespunzătoare, se poate demonstra optimalitatea globală. Totuși, acest lucru nu este garantat pentru fiecare clasă de probleme sau pentru fiecare timp de calcul dat.

De ce prioritizarea clasică a proiectelor nu este întotdeauna suficientă?

O ierarhizare evaluează proiectele individuale. În schimb, optimizarea portofoliului analizează efectul global al combinațiilor admisibile de proiecte. Cea mai bună combinație nu trebuie neapărat să fie formată din proiectele individuale cu cel mai înalt rang.

Care este diferența dintre simulare și optimizare?

O simulare analizează ce rezultate pot apărea în baza anumitor ipoteze și decizii.

O optimizare caută, în cadrul unui spațiu decizional definit, soluții care să îndeplinească cât mai bine o funcție țintă.

Ambele abordări pot fi combinate.

Ce înseamnă NP-hard?

NP-hard se referă la o clasă de probleme dificile din punct de vedere computacional, din care fac parte numeroase probleme de optimizare combinatorie.

Pentru aceste probleme nu se cunoaște niciun algoritm general care să rezolve în mod optim toate instanțele într-un timp polinomial. Totuși, acest lucru nu înseamnă că fiecare instanță practică trebuie să fie dificilă.

Pot întreprinderile să utilizeze cercetarea operațională fără a avea un departament propriu de matematică?

Da. Software-ul specializat și aplicațiile de Decision Intelligence pot face modelarea matematică și optimizarea accesibile utilizatorilor din domeniu.

Formularea corectă a problemei, datele de intrare fiabile și validarea tehnică a rezultatelor rămân elemente decisive.

StratePlan este o aplicație de cercetare operațională?

Da. Optimizarea matematică a portofoliilor de investiții și de proiecte face parte din cercetarea operațională.

StratePlan abordează în special problemele combinatoriale de selecție și alocare în cadrul unor restricții definite.

17. Concluzie: Cercetarea operațională ca bază științifică pentru decizii mai bune

Cercetarea operațională demonstrează că deciziile complexe nu trebuie să se bazeze exclusiv pe experiență, intuiție sau evaluări izolate.

Multe probleme de decizie din domeniul economic, tehnic și public pot fi modelate matematic și optimizate sistematic.

Această abordare devine deosebit de relevantă atunci când numeroase alternative se află în concurență, resursele sunt limitate și trebuie luate în considerare dependențele.

Concluzia principală este următoarea:

calitatea proiectelor individuale nu determină neapărat calitatea întregului portofoliu. Ceea ce contează este combinația care generează cea mai mare valoare totală definită în cadrul restricțiilor reale.

Cercetarea operațională furnizează metodele științifice necesare pentru a analiza astfel de relații.

Metodele matematice de optimizare permit căutarea unor soluții de înaltă calitate și, în condiții adecvate, a unor soluții care s-au dovedit a fi optime la nivel global.

Decision Intelligence poate transpune aceste rezultate în procese decizionale transparente și interactive.

Astfel se creează o legătură între cercetarea matematică de zeci de ani și cerințele practice ale managementului modern al întreprinderilor.

Cercetarea operațională face ca problemele decizionale complexe să poată fi analizate matematic. Inteligența decizională face ca rezultatele să fie utilizabile pentru factorii de decizie.

Surse științifice suplimentare

Asociații profesionale și principii fundamentale

• INFORMS – Cercetare operațională și analiză: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Asociația Societăților Europene de Cercetare Operațională: https://www.euro-online.org/
• Societatea pentru Cercetarea Operațională (GOR): https://www.gor-ev.de/

Lucrări științifice de referință

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Introducere în optimizarea liniară.
• Nemhauser, G. L. & Wolsey, L. A.: Optimizare întreagă și combinatorială.
• Ehrgott, M.: Optimizare multicriterială.
• Birge, J. R. & Louveaux, F.: Introducere în programarea stochastică.

Aprofundare tehnică

• Gurobi – Programare mixtă-integeră: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – Optimalitate demonstrabilă: https://www.gurobi.com/resources/blog/provable-optimality

Experiența cercetării operaționale în practică

Optimizarea matematică nu trebuie să se limiteze la modelele științifice.

Aflați cum StratePlan face accesibilă optimizarea portofoliilor complexe de investiții și proiecte pentru decizii reale de management.

CTA: Optimizați matematic portofoliul →

StratePlan | Cercetarea operațională întâlnește inteligența decizională.

Aceleași proiecte. Același buget. Combinații mai bune. Decizii mai bune.