Операционные исследования: как математика помогает оптимизировать сложные решения

От научного анализа решений через комбинаторную оптимизацию до современной аналитики принятия решений

Статья | mAInthink Insights | Наука и методы

Компании, государственные учреждения и инвесторы сталкиваются с фундаментальной проблемой: им приходится принимать решения, экономические или социальные последствия которых зависят не только от отдельных мер, но и от взаимодействия множества альтернатив.

Какие инвестиции следует финансировать? Какие проекты в совокупности приносят наибольшую добавленную стоимость? Как оптимально распределить ограниченные ресурсы? И как меняется оптимальное решение при корректировке бюджетов, приоритетов или рамочных условий?

Традиционный ответ часто состоит из оценок, списков приоритетов, бизнес-кейсов и управленческих решений.

Операционные исследования используют иной подход:

не просто оценивать отдельные альтернативы, а математически определять наилучшую комбинацию всех допустимых решений.

На протяжении десятилетий эта дисциплина служит научной основой для оптимизации сложных экономических, технических и организационных систем.

Сегодня она приобретает новое практическое значение благодаря мощным алгоритмам оптимизации, методам параллельных вычислений, искусственному интеллекту и интерактивным платформам для принятия решений.

Содержание

1. Что такое операционные исследования?
2. Научное развитие операционных исследований
3. Какие проблемы решает операционное исследование?
4. Математические основы
5. Комбинаторная оптимизация и экспоненциальная сложность
6. Основные методы оптимизации
7. Глобальная оптимальность: что можно доказать математически
8. Оптимизация портфеля вместо классической приоритизации
9. Многопериодное планирование и ограничения по ресурсам
10. Многоцелевая оптимизация и конкурирующие цели
11. Исследование операций в условиях неопределённости
12. Операционные исследования, искусственный интеллект и аналитика принятия решений
13. Операционные исследования в бизнесе и государственном секторе
14. Ограничения и предпосылки математической оптимизации
15. От математического решения к принятию решений в реальном времени
16. Часто задаваемые вопросы
17. Заключение и научная оценка

1. Что такое операционные исследования?

Операционные исследования (часто обозначаемые как OR или, в британском варианте, как Operational Research) — это междисциплинарная научная дисциплина, занимающаяся анализом и оптимизацией сложных задач принятия решений.

Она, в частности, объединяет:

• Прикладную математику
• Математическую оптимизацию
• Теория вероятностей и статистика
• Информатику и теорию алгоритмов
• Экономические науки
• Системный анализ и науки о принятии решений

Основная цель заключается в том, чтобы смоделировать задачи принятия решений таким образом, чтобы можно было систематически исследовать различные альтернативы действий и оптимизировать их на основе определённых целевых показателей.

В отличие от чисто описательных методов анализа, операционные исследования не ограничиваются ответом на вопрос о том, что происходит в системе.

Они исследуют, какие решения следует принимать в данных условиях, чтобы наилучшим образом достичь заданной цели.

Например, компания может знать, какие из её инвестиционных проектов позволяют ожидать положительной рентабельности капитала.

Однако из этого ещё не следует, какая комбинация этих проектов при ограниченном общем бюджете принесёт наибольшую экономическую выгоду.

Именно с этого момента начинается классическая задача операционных исследований.

2. Научное развитие операционных исследований

Современное развитие операционных исследований началось, в частности, во время Второй мировой войны.

В то время учёные из различных дисциплин исследовали сложные операционные вопросы, например, эффективное использование ограниченных ресурсов, координацию логистических процессов и оптимизацию военных систем.

После войны разработанные методы все чаще стали применяться к решению промышленных и экономических задач.

Важной вехой стала разработка симплекс-метода Джорджем Б. Данцигом в 1947 году.

Благодаря этому линейная оптимизация стала важным инструментом математической поддержки принятия решений.

В последующие десятилетия появились и другие значимые методы:

• Динамическое программирование
• Целочисленная и смешанно-целочисленная оптимизация
• Метод «ветвь и граница»
• Оптимизация сетей
• Стохастическая оптимизация
• Многоцелевая оптимизация
• Метаэвристические методы
• Робастная оптимизация

Сегодня операционные исследования являются международно признанной научной дисциплиной.

К числу важных научных организаций относятся INFORMS, EURO, IFORS и Немецкое общество операционных исследований (GOR).

Таким образом, операционные исследования — это не новая форма искусственного интеллекта, а самостоятельная научная основа современной оптимизации принятия решений.

3. Какие проблемы решает операционное исследование?

Операционные исследования актуальны везде, где соприкасаются несколько альтернативных решений, ограниченные ресурсы и определимые целевые показатели.

Области применения соответственно широки.

Инвестиции и распределение капитала

Какие инвестиции следует осуществить в рамках ограниченного бюджета?

Оптимизация портфеля проектов

Какое сочетание проектов принесёт наибольший совокупный экономический или стратегический эффект?

Планирование производства

Как оптимизировать объемы производства, загрузку оборудования и последовательность выполнения заказов?

Оптимизация цепочки поставок

Как можно эффективно координировать складские запасы, маршруты транспортировки, возможности поставок и производственные площадки?

Планирование энергетики и инфраструктуры

Какие инвестиции в сети, оборудование или меры по техническому обслуживанию приносят наибольшую выгоду при ограниченных средствах?

Планирование персонала и ресурсов

Как оптимально распределить сотрудников, оборудование, временные интервалы или другие ограниченные ресурсы?

Государственные бюджеты

Какое сочетание государственных мер обеспечивает наибольший заданный социальный эффект в рамках финансовых, правовых и политических условий?

Здравоохранение

Как можно улучшить пропускную способность, организацию приёма пациентов, медицинские ресурсы и структуры оказания медицинской помощи?

Несмотря на различия в сферах применения, многие из этих задач имеют общую математическую структуру:

необходимо найти наилучшее или оптимальное решение в пределах ограниченного допустимого пространства решений.

4. Математические основы

Математическая задача оптимизации, как правило, состоит из трёх элементов:

переменные принятия решения, целевая функция и ограничения.

4.1 Переменные принятия решений

Переменные принятия решения описывают, какие решения могут быть приняты.

Например, при принятии бинарного решения по проекту имеет место следующее:

При этом:

• _xi=1: проект i выбран.
• _xi=0: проект i не выбирается.

В других задачах оптимизации используются целочисленные или непрерывные переменные.

4.2 Целевая функция

Целевая функция описывает, какую величину необходимо максимизировать или минимизировать.

Для портфеля с аддитивными значениями проектов упрощённая функция максимизации имеет вид:

При этом _vi обозначает экономический или стратегический вклад проекта.

4.3 Ограничения

Реальные решения подчиняются ограничениям.

Типичное бюджетное ограничение имеет вид:

При этом:

• _ci: потребность в капитале проекта i
• B: общий доступный бюджет

Дополнительные ограничения могут, например, отражать кадровые ресурсы, технические зависимости, законодательные требования или временные ограничения.

Таким образом, полная задача оптимизации заключается в поиске допустимой комбинации переменных принятия решений, которая наилучшим образом удовлетворяет целевую функцию.

Эта структура модели лежит в основе многочисленных практических приложений в области операционных исследований.

5. Комбинаторная оптимизация и экспоненциальная сложность

Особо важной областью операционных исследований является комбинаторная оптимизация.

Она изучает задачи принятия решений, в которых из конечного, зачастую очень большого множества дискретных альтернатив ищется наилучшее допустимое решение.

При n независимых бинарных проектах количество теоретически возможных комбинаций составляет:

Отсюда следует:

Эти цифры в первую очередь описывают количество всех бинарных комбинаций выбора, а не количество фактически допустимых портфелей.

Бюджетные ограничения, зависимости между проектами и другие дополнительные условия могут значительно сузить пространство допустимых решений.

Тем не менее теоретическое количество возможных комбинаций наглядно демонстрирует масштаб проблемы.

Полная ручная оценка всех альтернатив практически невозможна даже при относительно небольших портфелях.

Экспоненциальная сложность не означает, что каждую комбинацию необходимо проверять по отдельности

Современные алгоритмы оптимизации могут исключить значительную часть пространства решений, не проводя полной оценки каждой отдельной комбинации.

Для этого они используют математические ограничения, релаксации, структурные свойства задачи и интеллектуальные стратегии поиска.

Поэтому при подходящих условиях метод оптимизации может эффективно решать даже очень большие комбинаторные задачи принятия решений.

Однако наличие мощных алгоритмов не гарантирует, что любая задача может быть решена с глобальным оптимумом за короткое время.

Фактическая вычислительная сложность зависит, в частности, от структуры модели, ограничительных условий, масштаба задачи и используемого метода решения.

6. Основные методы оптимизации

Операционные исследования включают в себя различные математические методы решения.

Выбор подходящего метода зависит от структуры задачи принятия решений.

6.1 Линейное программирование

Линейная оптимизация позволяет решать задачи с линейными целевыми функциями и линейными ограничениями.

Она применяется, например, для планирования производства, транспорта и ресурсов.

6.2 Целочисленное программирование

Целочисленная оптимизация учитывает переменные принятия решений, которые могут принимать только целочисленные значения.

Это особенно актуально при принятии дискретных решений, например, когда проекты либо полностью выбираются, либо полностью исключаются.

6.3 Смешанно-целочисленное линейное программирование

Смешанно-целочисленное линейное программирование (сокращённо MILP) объединяет непрерывные и целочисленные переменные принятия решений в рамках одной линейной модели.

Благодаря этому, например, инвестиционные решения можно связать с непрерывными величинами бюджета или производственных мощностей.

6.4 Метод «ветвь и граница»

Метод «ветвление и ограничение» систематически разбивает пространство решений на подзадачи.

С помощью математических ограничений можно определить, какие подпространства уже не могут содержать лучшего решения.

Эти подпространства впоследствии не требуют дальнейшего изучения.

6.5 «Ветвление и срез»

Метод «Branch-and-Cut» расширяет возможности метода «Branch-and-Bound» за счет дополнительных допустимых неравенств, так называемых «плоскостей отсечения» (Cutting Planes).

Они могут ужесточить математические релаксации и ускорить поиск оптимальных решений.

6.6 Динамическое программирование

Динамическое программирование разбивает подходящие задачи на взаимосвязанные подзадачи.

Оно применяется, в частности, при решении последовательных задач принятия решений, планировании запасов и определённых задач распределения ресурсов.

6.7 Эвристики и метаэвристики

Эвристические методы эффективно ищут хорошие допустимые решения, не гарантируя при этом доказательства глобальной оптимальности.

Известные примеры:

• Генетические алгоритмы
• Моделированное отжигание
• Поиск по табу
• Локальный поиск

Эти методы могут быть особенно полезны при решении крупных или сложных задач.

6.8 Гибридные методы оптимизации

Гибридные подходы сочетают в себе различные методы.

Например, эвристические методы могут сначала генерировать высококачественные допустимые решения, а затем точные методы пытаются улучшить эти решения или доказать их оптимальность.

Машинное обучение также можно использовать для выбора стратегий поиска, прогнозирования параметров или ускорения отдельных этапов решения.

Какие преимущества на самом деле дают такие комбинации, необходимо изучить с помощью подходящих тестов производительности.

7. Глобальная оптимальность: что можно доказать математически

Одним из основных преимуществ математической оптимизации является то, что при определённых условиях можно не только найти хорошее решение, но и доказать его глобальную оптимальность.

Глобально оптимальное решение обладает наилучшим из возможных значений целевой функции в пределах заданного допустимого пространства решений.

Формально для задачи максимизации выполняется следующее:

При этом:

• X — множество всех допустимых решений
• x^*: глобально оптимальное решение
• f(x): значение целевой функции для решения

Доказательство глобальной оптимальности может быть проведено, например, с помощью математических ограничений.

Разрыв оптимальности

При решении смешанно-целочисленных оптимизационных задач часто рассматривается разность между лучшим найденным допустимым решением и действительным ограничением для глобального оптимума.

Для задачи максимизации с положительным наилучшим значением целевой функции относительный разрыв оптимальности можно, например, определить следующим образом:

При этом:

• LB: значение наилучшего из найденных на данный момент допустимых решений
• UB: действительная верхняя граница глобального оптимума

При точном расчёте разрыв, равный нулю, означает, что глобальная оптимальность доказана.

Практические решатели учитывают численные погрешности и заданные критерии прекращения вычислений.

Кроме того, небольшой разрыв может означать, что найденное решение уже находится очень близко к теоретически наилучшему значению целевой функции.

Важное научное ограничение

Глобальный оптимум всегда является оптимумом математической модели — но не обязательно объективно лучшим решением в реальном мире.

Если входные данные неполны, допущения о выгоде неверны или не учтены соответствующие дополнительные условия, математически оптимальное решение может оказаться экономически нецелесообразным.

Поэтому валидация модели, анализ чувствительности и проверка исходных допущений являются обязательными составляющими любой серьёзной оптимизации.

8. Оптимизация портфеля вместо классической приоритизации

Особенно актуальной областью применения является оптимизация инвестиционных и проектных портфелей.

Традиционные методы оптимизации портфелей часто оценивают проекты по отдельности.

В результате формируется рейтинг, например, на основе показателей ROI, NPV, стратегической значимости или взвешенных критериев оценки.

Такая приоритезация отвечает на вопрос:

Какой отдельный проект представляется особенно привлекательным?

Однако она не всегда дает ответ на вопрос:

Какая комбинация всех доступных проектов при существующих ограничениях приносит наибольшую совокупную выгоду?

Упрощенный пример

У компании имеется инвестиционный бюджет в размере 10 миллионов евро.

На выбор предлагаются четыре проекта:

При ранжировании по абсолютной чистой приведенной стоимости (NPV) проект A занимает первое место.

Если выбрать проект A, то на оставшийся бюджет в размере 4 млн евро можно профинансировать либо проект C, либо проект D.

Комбинация A + C обеспечивает общую чистую приведенную стоимость (NPV) в размере 16 млн евро при использовании бюджета в размере 10 млн евро и в данном примере является наилучшей допустимой комбинацией.

Также допустимая комбинация B + C обеспечивает NPV в размере 15 млн евро при затратах капитала в 9 млн евро.

В данном примере комбинация A + C действительно является оптимальной.

Однако это не означает, что ранжирование обязательно неверно.

Скорее, пример показывает, что оптимальное решение по портфелю принимается на основе сравнения допустимых комбинаций, а не вытекает исключительно из изолированной оценки проектов.

Даже небольшие изменения в стоимости проектов, бюджетах или взаимозависимостях могут привести к тому, что наилучшая комбинация больше не будет состоять из отдельных проектов, занимающих самые высокие позиции в рейтинге.

Почему максимизация ROI требует особой осторожности

Максимизация общей чистой приведенной стоимости (NPV) не то же самое, что максимизация рентабельности инвестиций (ROI) портфеля.

Если ROI портфеля определяется как отношение совокупной чистой прибыли к совокупному вложенному капиталу, то получается иная целевая функция:

Такая оптимизация соотношений математически отличается от максимизации аддитивной общей величины.

Кроме того, чистая максимизация ROI может привести к предпочтению очень небольших портфелей.

Поэтому перед каждой оптимизацией необходимо уточнить, что именно следует максимизировать: например, совокупную чистую приведенную стоимость (NPV), ROI, стратегическую выгоду или какой-либо другой целевой показатель.

Определение целевой функции само по себе является важным управленческим решением.

9. Многопериодное планирование и ограничения по ресурсам

Реальные инвестиционные решения часто охватывают несколько финансовых лет.

Например, проект может потребовать значительных инвестиций в первый год, занять дополнительные ресурсы во второй год и принести экономическую выгоду только позже.

Надлежащее математическое моделирование должно учитывать эту временную структуру.

Для упрощённого многопериодного выбора портфеля может применяться следующее:

при условии:

При этом:

• _cit: потребность в капитале проекта i в периоде t
• _Bt: доступный бюджет в периоде t

Кроме того, можно смоделировать ограничения по ресурсам:

При этом _airt обозначает потребность проекта в ресурсе r в периоде t.

Зависимости между проектами

Логические связи между проектами также можно выразить математически.

Если проект B может быть реализован только в том случае, если был выбран проект A:

Если два проекта не могут выполняться одновременно:

Если один из проектов обязательно должен быть реализован:

Такие ограничения имеют большое значение, поскольку реальное качество инвестиционного портфеля зачастую определяется не только бюджетом, но и многочисленными техническими, организационными и стратегическими зависимостями.

10. Многоцелевая оптимизация и конкурирующие цели

Многие реальные задачи принятия решений имеют не одну целевую величину.

Например, компания хочет одновременно:

• максимизировать экономический вклад
• ограничить риски
• сократить выбросы CO₂
• достичь стратегических целей
• Избежать дефицита ресурсов

Эти цели могут противоречить друг другу.

Поэтому многоцелевая оптимизация анализирует решения с несколькими целевыми функциями.

Формально такая задача может быть представлена следующим образом:

при условии:

Взвешенные целевые функции

Один из способов заключается в объединении нескольких нормированных целевых функций в одну взвешенную совокупную функцию:

При этом _wj представляет собой вес соответствующей целевой величины.

Веса должны быть обоснованы с технической точки зрения.

Парето-оптимальность

Ещё один способ заключается в определении парето-оптимальных решений.

Решение является парето-оптимальным, если не существует другого допустимого решения, которое было бы по крайней мере столь же хорошим по всем целевым показателям и строго лучшим по крайней мере по одному из них.

В результате часто получается не одно единственное, однозначно лучшее решение, а множество эффективных альтернатив.

Затем руководство должно решить, какие конфликты целей являются приемлемыми.

Таким образом, операционные исследования не заменяют стратегическую ответственность.

Оно позволяет математически анализировать последствия различных предпочтений.

11. Операционные исследования в условиях неопределённости

Не все значимые для принятия решения параметры известны на момент принятия решения.

Будущие доходы, затраты на проект, доступность ресурсов и рыночные условия могут быть неопределенными.

Классическая детерминированная модель оптимизации работает с фиксированными параметрами.

Для задач принятия решений в условиях неопределённости существуют дополнительные методологические подходы.

Стохастическая оптимизация

Стохастическая оптимизация учитывает случайные величины и, при необходимости, различные сценарии будущего.

При этом могут учитываться, например, ожидаемые значения, меры риска или многоуровневые решения.

Робастная оптимизация

Робастная оптимизация ищет решения, которые остаются допустимыми или эффективными даже при определённых неблагоприятных отклонениях параметров.

Анализ сценариев

Анализ сценариев изучает, как изменяются оптимальные решения при различных допущениях.

Анализ чувствительности

Анализ чувствительности позволяет оценить, насколько результаты зависят от изменений отдельных входных параметров.

Эти методы особенно актуальны при принятии долгосрочных инвестиционных решений.

Поэтому математически оптимизированный портфель не следует оценивать исключительно на основе его результата при одном-единственном допущении о будущем.

Не менее важен вопрос о том, насколько стабильным останется решение при вероятных изменениях.

12. Операционные исследования, искусственный интеллект и аналитика принятия решений

Операционные исследования, искусственный интеллект и интеллект принятия решений связаны между собой, но не являются идентичными.

Операционные исследования

Операционные исследования предоставляют математические методы для моделирования и оптимизации задач принятия решений.

Искусственный интеллект

Искусственный интеллект включает в себя различные методы, например, машинное обучение, распознавание образов, обработку речи и автоматизированные процессы принятия решений.

Интеллект принятия решений

Интеллект принятия решений объединяет данные, модели принятия решений, аналитические методы и организационные процессы принятия решений.

Цель состоит в том, чтобы повысить качество, прозрачность и практическую реализуемость решений.

Взаимосвязь

Возможная взаимосвязь заключается в том, что сначала машинное обучение прогнозирует будущие затраты или доходы проекта.

Затем модель операционных исследований может рассчитать, какая комбинация проектов является оптимальной в прогнозируемых условиях.

В конечном итоге приложение Decision Intelligence предоставляет результаты таким образом, чтобы лица, принимающие решения, могли сравнивать альтернативы, изменять допущения и отслеживать последствия.

Таким образом, эти три подхода выполняют разные, взаимодополняющие функции.

Искусственный интеллект может помочь улучшить основу для принятия решений. Операционные исследования позволяют математически оптимизировать подходящие решения. Системы аналитики принятия решений могут интегрировать эти выводы в реальные процессы принятия решений.

Такое распределение ролей представляет собой одну из возможных архитектурных моделей, а не универсальное разграничение всех методов.

13. Операционные исследования в коммерческих организациях и государственных учреждениях

Математические основы операционных исследований актуальны как для принятия решений в частном секторе, так и в государственном секторе.

13.1 Промышленные предприятия

Промышленным предприятиям часто приходится координировать множество инвестиционных проектов между производственными площадками, производственными линиями и бизнес-направлениями.

Отдельные проекты конкурируют за капитал, персонал и технические мощности.

Математическая оптимизация портфеля позволяет определить, какая комбинация в данных условиях обеспечивает наибольшую заданную совокупную ценность.

13.2 Энергетические компании

Энергетические компании сталкиваются со сложными инвестиционными решениями, касающимися сетей, генерирующих объектов, технического обслуживания и инфраструктуры.

При этом необходимо учитывать технические взаимозависимости, надежность снабжения, ресурсы и долгосрочные периоды планирования.

13.3 Фармацевтическая промышленность

Портфели научно-исследовательских и опытно-конструкторских работ включают проекты с различной вероятностью успеха, структурой затрат и сроками разработки.

Модели операционных исследований могут помочь в отборе и временной координации таких портфелей.

13.4 Сектор недвижимости

В случае крупных портфелей недвижимости меры по инвестициям, реконструкции и развитию могут конкурировать друг с другом.

Оптимальное сочетание зависит от потребности в капитале, вклада в создание стоимости, графика работ и возможных взаимозависимостей.

13.5 Государственные бюджеты

Государственные бюджетные и инвестиционные решения также имеют математические структуры распределения ресурсов.

Однако государственные решения в одном существенном аспекте отличаются от инвестиционных решений в частном секторе:

общественная выгода не всегда может быть непосредственно выражена в виде финансовой прибыли.

Вместо этого можно учитывать, например, качество услуг, состояние инфраструктуры, воздействие на климат, социальную доступность или другие показатели общественных целей.

Для этого необходимо разработать соответствующие критерии выгоды, обеспечить их операционализацию и прозрачную взвешенность.

Законодательные обязательства, целевое назначение средств и полномочия по принятию политических решений остаются обязательными рамками.

Математическая оптимизация может способствовать принятию государственных решений, но не может заменить демократическую легитимность и политическую ответственность.

14. Пределы и предпосылки математической оптимизации

Операционные исследования — эффективный инструмент, но не являются универсальной гарантией правильных решений.

Качество результатов зависит от нескольких факторов.

Качество модели

Математическая модель должна достаточно точно отражать взаимосвязи, имеющие значение для принятия решений.

Качество данных

Неполные или ошибочные данные могут привести к некорректным результатам.

Качество целевой функции

Математический метод оптимизирует заданную целевую функцию — независимо от того, полностью ли она отражает реальные цели организации.

Вычислительная сложность

Некоторые задачи оптимизации сложны с точки зрения вычислений.

Не каждую задачу можно решить с глобальным оптимумом в заданное время.

Неопределенность

Результаты могут сильно зависеть от будущих событий или неопределённых параметров.

Организационная реализуемость

Решение, привлекательное с математической точки зрения, может вызвать практические трудности, если не были должным образом учтены организационные, политические или культурные условия.

Отсюда следует:

Математическая оптимальность, экономическая целесообразность и организационная реализуемость взаимосвязаны, но не тождественны.

Профессиональный процесс оптимизации должен учитывать все три аспекта.

15. От математического решения к принятию решения в реальных условиях

Научные методы операционных исследований известны уже несколько десятилетий.

Однако одной из основных проблем является их практическая интеграция в процессы управления.

Традиционно модели оптимизации часто разрабатываются и рассчитываются специализированными подразделениями, а затем предоставляются в качестве основы для принятия решений.

Современные приложения Decision Intelligence используют более интерактивный подход.

Лица, принимающие решения, могут, например:

1. изменять бюджеты или ограничения по ресурсам;
2. обязательно выбирать или исключать проекты;
3. корректировать стратегические веса;
4. Рассчитывать альтернативные сценарии.
5. Сравнивать экономические последствия различных комбинаций портфеля.

Таким образом, на основе однократного расчёта оптимизации может сформироваться итеративный процесс принятия решений.

StratePlan как специализированное приложение

StratePlan — технология «интеллектуального принятия решений» компании mAInthink GmbH — предназначена, в частности, для математической оптимизации инвестиционных и проектных портфелей.

Приложение сочетает комбинаторную оптимизацию с интерактивным анализом взаимозависимостей бюджета, ресурсов и проектов.

Особое внимание уделяется возможности немедленного пересчета решений по портфелю непосредственно в органах управления и принятия решений.

Класс задач, лежащий в основе данного решения, относится к области операционных исследований, в частности к дискретному распределению портфелей и ресурсов.

Таким образом, StratePlan следует рассматривать как специализированное приложение для математической оптимизации принятия решений, а не как универсальный решатель для всех задач операционных исследований.

Какие гарантии оптимальности, время вычислений и классы моделей поддерживаются, зависит от конкретной технической реализации и соответствующих задач.

Экономическая ценность заключается в возможности применения математической оптимизации в реальных процессах принятия стратегических решений.

16. Часто задаваемые вопросы

Является ли операционные исследования разновидностью искусственного интеллекта?

Не в принципе. Операционные исследования — это самостоятельная научная дисциплина, включающая методы математической оптимизации, моделирования и принятия решений. Однако существует множество пересечений и возможностей комбинирования с искусственным интеллектом.

В чём заключается разница между операционными исследованиями и математической оптимизацией?

Математическая оптимизация является одной из основных методологических областей операционных исследований. Помимо этого, операционные исследования включают, например, моделирование, теорию очередей, стохастическое моделирование и другие методы анализа решений.

Что такое комбинаторная оптимизация?

Комбинаторная оптимизация изучает выбор или упорядочение дискретных альтернатив в определённых условиях. Типичными примерами являются выбор портфеля проектов, планирование маршрутов, задачи распределения и определённые задачи планирования.

Может ли операционное исследование вычислить глобальный оптимум?

Да, для подходящих математических моделей и с использованием соответствующих методов решения можно доказать глобальную оптимальность. Однако это не гарантируется для каждого класса задач или каждого заданного времени вычислений.

Почему классическая приоритизация проектов не всегда достаточна?

Ранжирование оценивает отдельные проекты. Оптимизация портфеля, напротив, исследует совокупный эффект допустимых комбинаций проектов. Лучшая комбинация не обязательно должна состоять из отдельных проектов, занявших самые высокие места в рейтинге.

В чём разница между моделированием и оптимизацией?

Моделирование позволяет определить, какие результаты могут быть получены при определённых допущениях и решениях.

Оптимизация ищет в пределах заданного пространства решений те варианты, которые наилучшим образом удовлетворяют целевую функцию.

Оба подхода можно комбинировать.

Что означает «NP-трудный»?

NP-трудный — это класс вычислительно сложных задач, к которым относятся многие задачи комбинаторной оптимизации.

Для этих задач не существует общего алгоритма, который бы оптимально решал все экземпляры за полиномиальное время. Однако из этого не следует, что каждый практический экземпляр обязательно будет сложным.

Могут ли компании использовать операционные исследования, не имея собственного математического отдела?

Да. Специализированное программное обеспечение и приложения Decision Intelligence могут сделать математическое моделирование и оптимизацию доступными для пользователей-специалистов.

Решающее значение по-прежнему имеют правильная постановка задачи, достоверные входные данные и экспертная проверка результатов.

Является ли StratePlan приложением операционных исследований?

Да. Математическая оптимизация инвестиционных и проектных портфелей относится к области операционных исследований.

StratePlan, в частности, решает комбинаторные задачи выбора и распределения в рамках определённых ограничений.

17. Вывод: операционные исследования как научная основа для принятия более эффективных решений

Операционные исследования показывают, что сложные решения не обязательно должны основываться исключительно на опыте, интуиции или отдельных оценочных суждениях.

Многие экономические, технические и общественные задачи принятия решений можно математически смоделировать и систематически оптимизировать.

Этот подход становится особенно актуальным, когда конкурируют многочисленные альтернативы, ресурсы ограничены и необходимо учитывать взаимозависимости.

Основной вывод заключается в следующем:

качество отдельных проектов не обязательно определяет качество всего портфеля. Решающим фактором является комбинация, которая в рамках фактических ограничений обеспечивает наибольшую определённую совокупную ценность.

Операционные исследования предоставляют научные методы для изучения таких взаимосвязей.

Математические методы оптимизации позволяют находить высококачественные решения, а при наличии подходящих условий — и доказательно глобально оптимальные решения.

Системы аналитики принятия решений (Decision Intelligence) могут преобразовать эти результаты в понятные, интерактивные процессы принятия решений.

Таким образом, устанавливается связь между многолетними математическими исследованиями и практическими требованиями современного управления предприятием.

Операционные исследования позволяют проводить математический анализ сложных задач принятия решений. «Decision Intelligence» делает эти результаты пригодными для использования лицами, принимающими решения.

Дополнительные научные источники

Профессиональные общества и фундаментальные принципы

• INFORMS – Operations Research & Analytics: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Ассоциация европейских обществ операционных исследований: https://www.euro-online.org/
• Общество операционных исследований (GOR): https://www.gor-ev.de/

Стандартные научные издания

• Хиллиер, Ф. С. и Либерман, Г. Дж.: «Введение в операционные исследования».
• Берцимас, Д. и Цициклис, Дж. Н.: «Введение в линейную оптимизацию».
• Немхаузер, Г. Л. и Волси, Л. А.: «Целочисленная и комбинаторная оптимизация».
• Эрготт, М.: «Многокритериальная оптимизация».
• Бирге, Дж. Р. и Луво, Ф.: «Введение в стохастическое программирование».

Углублённое техническое изучение

• Gurobi — смешанно-целочисленное программирование: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi — доказанная оптимальность: https://www.gurobi.com/resources/blog/provable-optimality

Операционные исследования на практике

Математическая оптимизация не обязательно ограничивается научными моделями.

Узнайте, как StratePlan делает оптимизацию сложных инвестиционных и проектных портфелей доступной для принятия реальных управленческих решений.

CTA: Математическая оптимизация портфеля →

StratePlan | Операционные исследования в сочетании с интеллектуальной системой принятия решений.

Те же проекты. Тот же бюджет. Лучшие комбинации. Лучшие решения.