Operačný výskum: Ako matematika optimalizuje zložité rozhodnutia

Od vedeckej analýzy rozhodovania cez kombinatorickú optimalizáciu až po modernú Decision Intelligence

Odborný článok | mAInthink Insights | Veda a metódy

Podniky, verejné inštitúcie a investori čelia zásadnej výzve: musia prijímať rozhodnutia, ktorých ekonomický alebo spoločenský dopad nezávisí len od jednotlivých opatrení, ale od vzájomného pôsobenia mnohých alternatív.

Ktoré investície by sa mali financovať? Ktoré projekty spoločne vytvárajú najvyššiu pridanú hodnotu? Ako možno optimálne rozdeľovať obmedzené zdroje? A ako sa mení najlepšie rozhodnutie, ak sa upravia rozpočty, priority alebo rámcové podmienky?

Tradičná odpoveď často spočíva v hodnoteniach, zoznamoch priorít, obchodných analýzach a manažérskych rozhodnutiach.

Operačný výskum sleduje iný prístup:

Nielen hodnotiť jednotlivé alternatívy, ale matematicky určiť najlepšiu možnú kombináciu všetkých prípustných rozhodnutí.

Táto disciplína už desaťročia tvorí vedecký základ pre optimalizáciu komplexných ekonomických, technických a organizačných systémov.

Dnes nadobúda nový praktický význam vďaka výkonným optimalizačným algoritmom, paralelným výpočtovým postupom, umelej inteligencii a interaktívnym rozhodovacím platformám.

Obsah

1. Čo je operačný výskum?
2. Vedecký vývoj operačného výskumu
3. Aké problémy rieši operačný výskum?
4. Matematické základy
5. Kombinatorická optimalizácia a exponenciálna zložitosť
6. Najdôležitejšie optimalizačné metódy
7. Globálna optimalita: Čo je matematicky dokázateľné
8. Optimalizácia portfólia namiesto klasického stanovovania priorít
9. Viacobdobové plánovanie a obmedzenia zdrojov
10. Viaccieľová optimalizácia a konkurenčné ciele
11. Operačný výskum v podmienkach neistoty
12. Operačný výskum, umelá inteligencia a rozhodovacia inteligencia
13. Operačný výskum v podnikoch a verejnej správe
14. Limity a predpoklady matematickej optimalizácie
15. Od matematického riešenia k rozhodnutiu v reálnom čase
16. Často kladené otázky
17. Záver a vedecké zaradenie

1. Čo je operačný výskum?

Operačný výskum, často označovaný ako OR alebo v britskom jazykovom priestore ako Operational Research, je interdisciplinárna vedná disciplína zameraná na analýzu a optimalizáciu komplexných rozhodovacích problémov.

Spojí najmä:

• Aplikovanú matematiku
• Matematickú optimalizáciu
• Teóriu pravdepodobnosti a štatistiku
• informatiku a teóriu algoritmov
• Ekonomické vedy
• Systémová analýza a vedy o rozhodovaní

Hlavným cieľom je modelovať rozhodovacie problémy tak, aby bolo možné systematicky skúmať rôzne alternatívy konania a optimalizovať ich na základe definovaných cieľových veličín.

Na rozdiel od čisto popisných analytických metód sa operačný výskum nezaoberá výlučne otázkou, čo sa v systéme deje.

Skúma, aké rozhodnutia by sa mali prijať za daných podmienok, aby sa čo najlepšie dosiahol definovaný cieľ.

Podnik môže napríklad vedieť, ktoré z jeho investičných projektov sľubujú kladnú návratnosť investícií.

Z toho však ešte nevyplýva, ktorá kombinácia týchto projektov pri obmedzenom celkovom rozpočte vytvorí najvyššiu ekonomickú hodnotu.

Práve tu začína klasický problém operačného výskumu.

2. Vedecký vývoj operačného výskumu

Moderný vývoj operačného výskumu začal najmä počas druhej svetovej vojny.

Vedci z rôznych disciplín vtedy skúmali komplexné operačné otázky, napríklad efektívne využívanie obmedzených zdrojov, koordináciu logistických procesov a optimalizáciu vojenských systémov.

Po vojne sa vyvinuté metódy čoraz viac prenášali na priemyselné a ekonomické otázky.

Významným míľnikom bol vývoj Simplexovej metódy, ktorú v roku 1947 vyvinul George B. Dantzig.

Tým sa lineárna optimalizácia stala dôležitým nástrojom matematickej podpory rozhodovania.

V nasledujúcich desaťročiach vznikli ďalšie významné metódy:

• Dynamické programovanie
• Optimalizácia s celými číslami a zmiešanými celými číslami
• Metóda Branch-and-Bound
• Optimalizácia sietí
• Stochastická optimalizácia
• Viaccieľová optimalizácia
• Metaheuristické metódy
• Robustná optimalizácia

Dnes je operačný výskum medzinárodne uznávanou vednou disciplínou.

Medzi dôležité vedecké organizácie patria INFORMS, EURO, IFORS a Nemecká spoločnosť pre operačný výskum (GOR).

Operačný výskum teda nie je novou formou umelej inteligencie, ale samostatným vedeckým základom modernej optimalizácie rozhodovania.

3. Aké problémy rieši operačný výskum?

Operačný výskum je relevantný všade tam, kde sa stretávajú viaceré alternatívy rozhodovania, obmedzené zdroje a definovateľné cieľové veličiny.

Oblasti uplatnenia sú preto veľmi široké.

Alokácia investícií a kapitálu

Ktoré investície by sa mali realizovať v rámci obmedzeného rozpočtu?

Optimalizácia portfólia projektov

Ktorá kombinácia projektov prináša najvyšší celkový ekonomický alebo strategický prínos?

Plánovanie výroby

Ako je možné optimalizovať výrobné objemy, kapacity strojov a poradie zákaziek?

Optimalizácia dodávateľského reťazca

Ako je možné efektívne koordinovať skladové zásoby, dopravné trasy, dodávacie kapacity a výrobné lokality?

Plánovanie energetiky a infraštruktúry

Ktoré investície do sietí, zariadení alebo údržbových opatrení prinášajú pri obmedzených prostriedkoch najvyšší úžitok?

Plánovanie personálu a zdrojov

Ako optimálne alokovať zamestnancov, stroje, časové okná alebo iné obmedzené zdroje?

Verejné rozpočty

Ktorá kombinácia verejných opatrení prináša za daných finančných, právnych a politických podmienok najvyšší definovaný spoločenský účinok?

Zdravotníctvo

Ako je možné zlepšiť kapacity, termíny liečby, zdravotnícke zdroje a štruktúry zdravotnej starostlivosti?

Napriek rôznym oblastiam uplatnenia má mnoho z týchto problémov spoločnú matematickú štruktúru:

Je potrebné nájsť čo najlepšie alebo optimálne rozhodnutie v rámci obmedzeného prípustného rozhodovacieho priestoru.

4. Matematické základy

Matematický optimalizačný problém sa v zásade skladá z troch prvkov:

rozhodovacích premenných, cieľovej funkcie a okrajových podmienok.

4.1 Rozhodovacie premenné

Rozhodovacie premenné opisujú, aké rozhodnutia je možné prijať.

V prípade binárneho rozhodnutia o projekte platí napríklad:

Z toho vyplýva:

• _xi=1: Projekt i je vybraný.
• _xi=0: Projekt i nie je vybraný.

Iné optimalizačné úlohy používajú celočíselné alebo spojité premenné.

4.2 Cieľová funkcia

Cieľová funkcia opisuje, ktorá veličina sa má maximalizovať alebo minimalizovať.

Pre portfólio s aditívnymi hodnotami projektov má zjednodušená maximalizačná funkcia tvar:

Kde _vi označuje ekonomický alebo strategický prínos projektu.

4.3 Okrajové podmienky

Skutočné rozhodnutia podliehajú obmedzeniam.

Typické rozpočtové obmedzenie má tvar:

Pritom platí:

• _ci: kapitálová potreba projektu i
• B: celkový dostupný rozpočet

Ďalšie okrajové podmienky môžu napríklad odrážať personálne zdroje, technické závislosti, zákonné požiadavky alebo časové obmedzenia.

Úloha optimalizácie teda spočíva v nájdení prípustnej kombinácie rozhodovacích premenných, ktorá čo najlepšie spĺňa cieľovú funkciu.

Táto štruktúra modelu je základom mnohých praktických aplikácií operačného výskumu.

5. Kombinatorická optimalizácia a exponenciálna zložitosť

Obzvlášť dôležitou oblasťou operačného výskumu je kombinatorická optimalizácia.

Zaoberá sa rozhodovacími problémami, pri ktorých sa z konečnej, často veľmi veľkej množiny diskrétnych alternatív hľadá najlepšie prípustné riešenie.

Pri n nezávisle binárne voliteľných projektoch je počet teoreticky možných kombinácií:

Z toho vyplýva:

Tieto čísla najprv opisujú počet všetkých binárnych kombinácií výberu, nie počet skutočne prípustných portfólií.

Rozpočtové obmedzenia, závislosti medzi projektmi a ďalšie okrajové podmienky môžu výrazne zúžiť priestor prípustných riešení.

Teoretický počet možných kombinácií však jasne ilustruje rozsah problému.

Úplné ručné vyhodnotenie všetkých alternatív je prakticky nemožné už pri relatívne malých portfóliách.

Exponenciálna zložitosť neznamená, že každú kombináciu treba skontrolovať jednotlivo

Moderné optimalizačné algoritmy dokážu vylúčiť veľkú časť rozhodovacieho priestoru bez toho, aby museli úplne vyhodnotiť každú jednotlivú kombináciu.

Na tento účel využívajú matematické obmedzenia, relaxácie, štrukturálne vlastnosti problému a inteligentné vyhľadávacie stratégie.

Preto môže optimalizačný postup za vhodných podmienok efektívne riešiť aj veľmi veľké kombinatorické rozhodovacie problémy.

Existencia výkonných algoritmov však nezaručuje, že akýkoľvek problém bude možné v krátkom čase vyriešiť globálne optimálne.

Skutočná výpočtová zložitosť závisí okrem iného od štruktúry modelu, okrajových podmienok, veľkosti problému a použitej metódy riešenia.

6. Najdôležitejšie optimalizačné metódy

Operačný výskum zahŕňa rôzne matematické metódy riešenia.

To, ktorý postup je vhodný, závisí od štruktúry rozhodovacieho problému.

6.1 Lineárne programovanie

Lineárna optimalizácia rieši problémy s lineárnymi cieľovými funkciami a lineárnymi okrajovými podmienkami.

Používa sa napríklad pri plánovaní výroby, dopravy a zdrojov.

6.2 Integrované programovanie

Celé číslo optimalizácia zohľadňuje rozhodovacie premenné, ktoré môžu nadobúdať iba celé čísla.

To je dôležité najmä pri diskrétnych rozhodnutiach, napríklad keď sa projekty buď úplne vyberajú, alebo vylučujú.

6.3 Zmiešané celočíselné lineárne programovanie

Zmiešané celočíselné lineárne programovanie, skrátene MILP, kombinuje spojité a celočíselné rozhodovacie premenné v rámci jedného lineárneho modelu.

Vďaka tomu je možné napríklad prepojiť investičné rozhodnutia s nepretržitými veličinami, ako sú rozpočet alebo kapacita.

6.4 Metóda Branch-and-Bound

Metóda Branch-and-Bound systematicky rozdeľuje rozhodovací priestor na čiastkové problémy.

Pomocou matematických obmedzení je možné zistiť, ktoré čiastkové priestory už nemôžu obsahovať lepšie riešenie.

Tieto čiastkové priestory potom nie je potrebné ďalej skúmať.

6.5 Metóda Branch-and-Cut

Metóda Branch-and-Cut rozširuje metódu Branch-and-Bound o ďalšie platné nerovnosti, tzv. rezacie roviny (Cutting Planes).

Tie môžu sprísniť matematické relaxácie a urýchliť hľadanie optimálnych riešení.

6.6 Dynamické programovanie

Dynamické programovanie rozdeľuje vhodné problémy na vzájomne prepojené čiastkové problémy.

Používa sa okrem iného pri sekvenčných rozhodovacích úlohách, plánovaní zásob a určitých úlohách alokácie zdrojov.

6.7 Heuristiky a metaheuristiky

Heuristické metódy efektívne hľadajú dobré prípustné riešenia, pričom v zásade nezaručujú dôkaz globálnej optimality.

Známymi príkladmi sú:

• Genetické algoritmy
• Simulované žíhanie
• Tabu vyhľadávanie
• Lokálne vyhľadávanie

Tieto metódy môžu byť užitočné najmä pri veľkých alebo komplexne štruktúrovaných problémoch.

6.8 Hybridné optimalizačné metódy

Hybridné prístupy kombinujú rôzne metódy.

Napríklad heuristické metódy môžu najprv vygenerovať kvalitné prípustné riešenia, zatiaľ čo presné metódy sa následne pokúsia tieto riešenia vylepšiť alebo preukázať ich optimálnosť.

Strojové učenie sa dá využiť aj na výber vyhľadávacích stratégií, na prognózu parametrov alebo na urýchlenie jednotlivých krokov riešenia.

Aké výhody takéto kombinácie skutočne prinášajú, je potrebné preskúmať na základe vhodných benchmarkov.

7. Globálna optimalita: Čo je matematicky dokázateľné

Kľúčovou silnou stránkou matematickej optimalizácie je, že za určitých podmienok je možné nielen nájsť dobré riešenie, ale aj preukázať jeho globálnu optimalitu.

Globálne optimálne riešenie má v rámci definovaného prípustného priestoru riešení najlepšiu možnú hodnotu cieľovej funkcie.

Formálne platí pre problém maximalizácie:

Kde:

• X: množina všetkých prípustných riešení
• x^*: globálne optimálne riešenie
• f(x): hodnota cieľovej funkcie riešenia

Dôkaz globálnej optimality možno vykonať napríklad pomocou matematických hraníc.

Medzera optimality

Pri zmiešaných celočíselných optimalizačných úlohách sa často uvažuje o rozdiele medzi najlepším nájdeným prípustným riešením a platnou hranicou pre globálne optimum.

Pre maximalizačný problém s kladnou najlepšou hodnotou cieľovej funkcie možno relatívnu medzeru optimality definovať napríklad takto:

Pritom platí:

• LB: hodnota najlepšieho doteraz nájdeného prípustného riešenia
• UB: platná horná hranica globálneho optima

Pri presnom výpočte znamená medzera rovná nule, že bola preukázaná globálna optimalita.

Praktické riešiče zohľadňujú numerické tolerancie a definované kritériá prerušenia.

Malá medzera môže navyše znamenať, že nájdené riešenie je už veľmi blízko k teoreticky najlepšej možnej hodnote cieľovej funkcie.

Kľúčové vedecké obmedzenie

Globálne optimum je vždy optimom matematického modelu – nie je automaticky objektívne najlepším rozhodnutím v reálnom svete.

Ak sú vstupné údaje neúplné, predpoklady o prínose nesprávne alebo sa nezohľadnili relevantné okrajové podmienky, matematicky optimálne riešenie môže byť z ekonomického hľadiska nevhodné.

Preto sú validácia modelu, analýzy citlivosti a overenie základných predpokladov nevyhnutnou súčasťou serióznej optimalizácie.

8. Optimalizácia portfólia namiesto klasického stanovovania priorít

Obzvlášť relevantnou oblasťou použitia je optimalizácia investičných a projektových portfólií.

Tradičné metódy portfóliového riadenia často hodnotia projekty jednotlivo.

Výsledkom je poradie, napríklad na základe ROI, NPV, strategického významu alebo vážených hodnotiacich kritérií.

Takáto priorizácia odpovedá na otázku:

Ktorý jednotlivý projekt sa javí ako obzvlášť atraktívny?

Neodpovedá však nevyhnutne na otázku:

Ktorá kombinácia všetkých dostupných projektov vytvára pri existujúcich obmedzeniach najvyššiu celkovú hodnotu?

Zjednodušený príklad

Spoločnosť disponuje investičným rozpočtom vo výške 10 miliónov eur.

Na výber sú štyri projekty:

Pri stanovení priorít na základe absolútnej čistej súčasnej hodnoty (NPV) je na prvom mieste projekt A.

Ak sa vyberie projekt A, zo zostávajúceho rozpočtu vo výške 4 miliónov eur je možné financovať buď projekt C, alebo projekt D.

Kombinácia A + C dosahuje celkovú čistú súčasnú hodnotu (NPV) 16 miliónov eur pri čerpaní rozpočtu vo výške 10 miliónov eur a v tomto príklade je to najlepšia prípustná kombinácia.

Rovnako prípustná kombinácia B + C dosahuje NPV vo výške 15 miliónov eur pri kapitálovej investícii 9 miliónov eur.

V tomto príklade je kombinácia A + C skutočne optimálna.

To však neznamená, že poradie je nevyhnutne nesprávne.

Príklad skôr ukazuje, že optimálne rozhodnutie o portfóliu vzniká porovnaním prípustných kombinácií a nevyplýva iba z izolovaného hodnotenia projektov.

Už malé zmeny v hodnotách projektov, rozpočtoch alebo vzájomných závislostiach môžu viesť k tomu, že najlepšia kombinácia už nebude pozostávať z jednotlivých projektov s najvyšším poradím.

Prečo si maximalizácia ROI vyžaduje osobitnú starostlivosť

Maximalizácia celkovej čistej súčasnej hodnoty (NPV) nie je totožná s maximalizáciou portfóliovej návratnosti investícií (ROI).

Ak definujeme ROI portfólia ako pomer agregovaného čistého výnosu k agregovanej investovanej sume, vznikne iná cieľová funkcia:

Takáto optimalizácia pomeru sa matematicky líši od maximalizácie aditívnej celkovej hodnoty.

Okrem toho môže čistá maximalizácia návratnosti investícií uprednostňovať veľmi malé portfóliá.

Preto je potrebné pred každou optimalizáciou vyjasniť, či sa má maximalizovať napríklad celková čistá súčasná hodnota (NPV), návratnosť investícií (ROI), strategický prínos alebo iný cieľový ukazovateľ.

Definícia cieľovej funkcie je sama o sebe zásadným manažérskym rozhodnutím.

9. Viacročné plánovanie a obmedzenia zdrojov

Skutočné investičné rozhodnutia sa často týkajú viacerých účtovných období.

Projekt môže napríklad v prvom roku vyžadovať vysoké investície, v druhom roku viazať ďalšie zdroje a ekonomické výnosy generovať až neskôr.

Vhodné matematické modelovanie musí zohľadňovať túto časovú štruktúru.

Pre zjednodušený výber portfólia vo viacerých obdobiach môže platiť:

za podmienky:

Kde:

• _cit: kapitálová potreba projektu i v období t
• _Bt: disponibilný rozpočet v období t

Okrem toho je možné modelovať obmedzenia zdrojov:

Kde _airt označuje potrebu zdroja r pre projekt v období t.

Závislosti medzi projektmi

Aj logické vzťahy medzi projektmi je možné vyjadriť matematicky.

Ak sa projekt B smie realizovať len vtedy, ak bol vybraný projekt A:

Ak sa dva projekty nesmú realizovať súčasne:

Ak sa jeden projekt musí bezpodmienečne realizovať:

Takéto obmedzenia sú podstatné, pretože skutočná kvalita investičného portfólia je často určená nielen rozpočtom, ale aj mnohými technickými, organizačnými a strategickými závislosťami.

10. Optimalizácia viacerých cieľov a konkurenčné ciele

Mnohé reálne rozhodovacie problémy nemajú len jedinú cieľovú veličinu.

Spoločnosť chce napríklad súčasne:

• Maximalizovať ekonomický prínos
• obmedziť riziká
• znížiť emisie CO₂
• dosiahnuť strategické ciele
• vyhnúť sa nedostatku zdrojov

Tieto ciele môžu byť navzájom v rozpore.

Optimalizácia s viacerými cieľmi preto skúma rozhodnutia s viacerými cieľovými funkciami.

Formálne možno takýto problém vyjadriť ako:

podmienkou:

Vážené cieľové funkcie

Jednou z možností je zlúčiť viacero normalizovaných cieľových veličín do jednej váhenej celkovej funkcie:

Pritom _wj predstavuje váhu príslušnej cieľovej veličiny.

Váhy musia byť odôvodnené z odborného hľadiska.

Pareto-optimalita

Ďalšou možnosťou je určiť pareto-optimálne riešenia.

Riešenie je Pareto-optimálne, ak neexistuje žiadne iné prípustné riešenie, ktoré by bolo aspoň rovnako dobré vo všetkých cieľových veličinách a striktne lepšie v aspoň jednej cieľovej veličine.

V dôsledku toho často nevzniká jediné jednoznačne najlepšie rozhodnutie, ale množstvo efektívnych alternatív.

Vedenie sa následne musí rozhodnúť, ktoré konflikty cieľov sú prijateľné.

Operačný výskum teda nenahrádza strategickú zodpovednosť.

Umožňuje matematicky preskúmať dôsledky rôznych preferencií.

11. Operačný výskum v podmienkach neistoty

Nie všetky relevantné rozhodovacie veličiny sú v čase rozhodovania známe.

Budúce výnosy, náklady na projekt, dostupnosť zdrojov a trhové podmienky môžu byť neisté.

Klasický deterministický optimalizačný model pracuje s pevne stanovenými parametrami.

Pre rozhodovacie problémy v podmienkach neistoty existujú ďalšie metodické prístupy.

Stochastická optimalizácia

Stochastická optimalizácia zohľadňuje náhodné veličiny a prípadne rôzne budúce scenáre.

Pri tom je možné zohľadniť napríklad očakávané hodnoty, miery rizika alebo viacstupňové rozhodnutia.

Robustná optimalizácia

Robustná optimalizácia hľadá riešenia, ktoré zostávajú prípustné alebo výkonné aj pri definovaných nepriaznivých odchýlkach parametrov.

Analýza scenárov

Analýza scenárov skúma, ako sa menia optimálne rozhodnutia pri rôznych predpokladoch.

Analýza citlivosti

Analýza citlivosti skúma, do akej miery výsledky reagujú na zmeny jednotlivých vstupných parametrov.

Tieto postupy sú relevantné najmä pri dlhodobých investičných rozhodnutiach.

Matematicky optimalizované portfólio by sa preto nemalo posudzovať výlučne na základe jeho výsledku pri jedinom predpoklade budúcnosti.

Rovnako dôležitá je otázka, do akej miery zostáva rozhodnutie stabilné pri pravdepodobných zmenách.

12. Operačný výskum, umelá inteligencia a rozhodovacia inteligencia

Operačný výskum, umelá inteligencia a rozhodovacia inteligencia sú navzájom prepojené, ale nie sú totožné.

Operačný výskum

Operačný výskum poskytuje matematické metódy na modelovanie a optimalizáciu rozhodovacích problémov.

Umelá inteligencia

Umelá inteligencia zahŕňa rôzne postupy, napríklad strojové učenie, rozpoznávanie vzorov, spracovanie reči a automatizované rozhodovacie postupy.

Rozhodovacia inteligencia

Rozhodovacia inteligencia spája údaje, rozhodovacie modely, analytické postupy a organizačné rozhodovacie procesy.

Cieľom je zlepšiť kvalitu, vysledovateľnosť a praktickú realizovateľnosť rozhodnutí.

Súvislosť

Možná súčinnosť spočíva v tom, že strojové učenie najprv prognózuje budúce náklady alebo výnosy projektu.

Následne môže model operačného výskumu vypočítať, ktorá kombinácia projektov je za prognózovaných podmienok optimálna.

Aplikácia Decision Intelligence nakoniec poskytne výsledky tak, aby rozhodovatelia mohli porovnávať alternatívy, meniť predpoklady a sledovať dôsledky.

Tieto tri prístupy tak plnia rôzne, navzájom sa dopĺňajúce funkcie.

Umelá inteligencia môže pomôcť zlepšiť podklady pre rozhodovanie. Operačný výskum môže matematicky optimalizovať vhodné rozhodnutia. Rozhodovacia inteligencia môže tieto poznatky integrovať do reálnych rozhodovacích procesov.

Toto rozdelenie úloh predstavuje jeden z možných architektonických modelov, nie všeobecne platné vymedzenie všetkých postupov.

13. Operačný výskum v podnikoch a verejnej správe

Matematické základy operačného výskumu sú relevantné tak pre rozhodovanie v súkromnom sektore, ako aj vo verejnom sektore.

13.1 Priemyselné podniky

Priemyselné podniky musia často koordinovať množstvo investičných projektov medzi jednotlivými pobočkami, výrobnými linkami a obchodnými divíziami.

Jednotlivé projekty si navzájom konkurujú o kapitál, personál a technické kapacity.

Matematická optimalizácia portfólia môže preskúmať, ktorá kombinácia za týchto podmienok vytvára najvyššiu definovanú celkovú hodnotu.

13.2 Energetické podniky

Energetické spoločnosti čelia zložitým investičným rozhodnutiam týkajúcim sa sietí, výrobných zariadení, údržby a infraštruktúry.

Pritom je potrebné zohľadniť technické závislosti, bezpečnosť dodávok, zdroje a dlhodobé plánovacie obdobia.

13.3 Farmaceutický priemysel

Portfóliá výskumu a vývoja obsahujú projekty s rôznymi pravdepodobnosťami úspechu, nákladovými štruktúrami a dobami vývoja.

Modely operačného výskumu môžu pomôcť pri výbere a časovej koordinácii takýchto portfólií.

13.4 Realitný sektor

V prípade veľkých portfólií nehnuteľností môžu investičné, sanačné a rozvojové opatrenia navzájom konkurovať.

Optimálna kombinácia závisí od kapitálových potrieb, prínosu pre hodnotu, časového plánu a možných závislostí.

13.5 Verejné rozpočty

Aj štátne rozpočtové a investičné rozhodnutia majú matematické alokačné štruktúry.

Verejné rozhodnutia sa však v jednom podstatnom bode líšia od investičných rozhodnutí v súkromnom sektore:

Spoločenský prínos sa nedá vždy priamo vyjadriť ako finančný výnos.

Namiesto toho je možné zohľadniť napríklad kvalitu služieb, stav infraštruktúry, vplyv na klímu, sociálnu dostupnosť alebo iné verejné cieľové ukazovatele.

Na tento účel je potrebné vyvinúť vhodné kritériá prínosu, zaviesť ich do praxe a transparentne ich vážiť.

Zákonné povinnosti, účelové viazanie prostriedkov a politické rozhodovacie právomoci zostávajú záväznými rámcovými podmienkami.

Matematická optimalizácia môže podporovať verejné rozhodnutia, nemôže však nahradiť demokratickú legitimitu a politickú zodpovednosť.

14. Obmedzenia a predpoklady matematickej optimalizácie

Operačný výskum je výkonný, nie je však univerzálnou zárukou správnych rozhodnutí.

Kvalita výsledkov závisí od viacerých faktorov.

Kvalita modelu

Matematický model musí dostatočne presne odrážať súvislosti relevantné pre rozhodovanie.

Kvalita údajov

Neúplné alebo chybné údaje môžu viesť k nevhodným výsledkom.

Kvalita cieľovej funkcie

Matematický postup optimalizuje definovanú cieľovú funkciu – bez ohľadu na to, či táto funkcia úplne reprezentuje skutočné ciele organizácie.

Výpočtová zložitosť

Niektoré optimalizačné problémy sú výpočtovo náročné.

Nie každý problém je možné v danom čase vyriešiť globálne optimálne.

Neistota

Výsledky môžu citlivo reagovať na budúci vývoj alebo neisté parametre.

Organizačná realizovateľnosť

Matematicky atraktívne rozhodnutie môže spôsobiť praktické ťažkosti, ak neboli dostatočne zohľadnené organizačné, politické alebo kultúrne podmienky.

Z toho vyplýva:

Matematická optimalita, ekonomická účelovosť a organizačná realizovateľnosť sú navzájom prepojené, ale nie sú totožné.

Profesionálny optimalizačný proces musí zohľadňovať všetky tri dimenzie.

15. Od matematického riešenia k rozhodnutiu v praxi

Vedecké metódy operačného výskumu sú známe už desaťročia.

Základnou výzvou je však ich praktická integrácia do riadiacich procesov.

Tradične sa optimalizačné modely často vyvíjajú a vypočítavajú v špecializovaných oddeleniach a následne sa poskytujú ako podklady pre rozhodovanie.

Moderné aplikácie Decision Intelligence využívajú interaktívnejší prístup.

Rozhodovatelia môžu napríklad:

1. meniť rozpočty alebo obmedzenia zdrojov.
2. Povinne vybrať alebo vylúčiť projekty.
3. upraviť strategické váhy;
4. Vypočítať alternatívne scenáre.
5. Porovnávať ekonomické dôsledky rôznych kombinácií portfólií.

Vďaka tomu sa z jednorazového optimalizačného výpočtu môže stať iteratívny rozhodovací proces.

StratePlan ako špecializovaná aplikácia

StratePlan, technológia Decision Intelligence spoločnosti mAInthink GmbH, sa zameriava najmä na matematickú optimalizáciu investičných a projektových portfólií.

Aplikácia spája kombinatorickú optimalizáciu s interaktívnym skúmaním závislostí medzi rozpočtom, zdrojmi a projektmi.

Dôraz sa kladie na možnosť okamžite prepočítať rozhodnutia týkajúce sa portfólia priamo v riadiacich a rozhodovacích orgánoch.

Základná trieda problémov patrí do oblasti operačného výskumu, konkrétne do diskrétnej alokácie portfólií a zdrojov.

StratePlan je teda možné klasifikovať ako špecializovanú aplikáciu matematickej optimalizácie rozhodovania, nie automaticky ako univerzálny riešiteľ všetkých problémov operačného výskumu.

To, aké záruky optimality, výpočtové časy a triedy modelov sú podporované, závisí od konkrétnej technickej implementácie a príslušných problémov.

Ekonomická pridaná hodnota spočíva v možnosti využiť matematickú optimalizáciu v reálnych strategických rozhodovacích procesoch.

16. Často kladené otázky

Je operačný výskum formou umelej inteligencie?

Nie v zásade. Operačný výskum je samostatná vedná disciplína s matematickými optimalizačnými, simulačnými a rozhodovacími postupmi. Existuje však množstvo prekrývaní a možností kombinácie s umelou inteligenciou.

Aký je rozdiel medzi operačným výskumom a matematickou optimalizáciou?

Matematická optimalizácia je kľúčovou metodickou oblasťou operačného výskumu. Operačný výskum okrem toho zahŕňa napríklad simuláciu, teóriu čakacích radov, stochastické modelovanie a ďalšie metódy analýzy rozhodovania.

Čo je kombinatorická optimalizácia?

Kombinatorická optimalizácia skúma výber alebo usporiadanie diskrétnych alternatív za definovaných podmienok. Typickými príkladmi sú výber projektového portfólia, plánovanie trás, alokačné problémy a určité problémy s plánovaním.

Môže operačný výskum vypočítať globálne optimum?

Áno, pre vhodné matematické modely a s príslušnými postupmi riešenia je možné preukázať globálnu optimalitu. To však nie je zaručené pre každú triedu problémov ani pre každý predpísaný výpočtový čas.

Prečo klasické stanovovanie priorít projektov nie je vždy dostatočné?

Poradie hodnotí jednotlivé projekty. Optimalizácia portfólia naopak skúma celkový vplyv prípustných kombinácií projektov. Najlepšia kombinácia nemusí nevyhnutne pozostávať z najvyššie umiestnených jednotlivých projektov.

Aký je rozdiel medzi simuláciou a optimalizáciou?

Simulácia skúma, aké výsledky môžu vzniknúť za určitých predpokladov a rozhodnutí.

Optimalizácia hľadá v rámci definovaného rozhodovacieho priestoru riešenia, ktoré čo najlepšie spĺňajú cieľovú funkciu.

Oba prístupy je možné kombinovať.

Čo znamená NP-hard?

NP-ťažké označuje triedu výpočtovo náročných problémov, ku ktorým patrí množstvo kombinatorických optimalizačných problémov.

Pre tieto problémy nie je známy žiadny všeobecný algoritmus, ktorý by všetky inštancie optimálne riešil v polynomiálnom čase. Z toho však nevyplýva, že každá praktická inštancia musí byť náročná.

Môžu podniky využívať operačný výskum bez vlastného matematického oddelenia?

Áno. Špecializovaný softvér a aplikácie Decision Intelligence môžu sprístupniť matematické modelovanie a optimalizáciu odborným používateľom.

Kľúčové zostáva správne sformulovanie problému, spoľahlivé vstupné údaje a odborná validácia výsledkov.

Je StratePlan aplikáciou operačného výskumu?

Áno. Matematická optimalizácia investičných a projektových portfólií patrí do oblasti operačného výskumu.

StratePlan sa zameriava najmä na kombinatorické problémy výberu a alokácie v rámci definovaných obmedzení.

17. Záver: Operačný výskum ako vedecký základ lepších rozhodnutí

Operačný výskum ukazuje, že komplexné rozhodnutia nemusia vychádzať výlučne zo skúseností, intuície alebo izolovaných individuálnych hodnotení.

Mnohé ekonomické, technické a verejné rozhodovacie problémy je možné matematicky modelovať a systematicky optimalizovať.

Tento prístup je obzvlášť relevantný v prípadoch, keď si navzájom konkuruje množstvo alternatív, zdroje sú obmedzené a je potrebné zohľadniť vzájomné závislosti.

Kľúčovým poznatkom je:

Kvalita jednotlivých projektov nemusí nevyhnutne určovať kvalitu celého portfólia. Rozhodujúca je kombinácia, ktorá pri daných obmedzeniach vytvára najvyššiu definovanú celkovú hodnotu.

Operačný výskum poskytuje vedecké metódy na skúmanie takýchto súvislostí.

Matematické optimalizačné postupy umožňujú hľadať kvalitné riešenia, ktoré sú za vhodných podmienok preukázateľne globálne optimálne.

Decision Intelligence dokáže tieto výsledky premeniť na zrozumiteľné, interaktívne rozhodovacie procesy.

Vzniká tak prepojenie medzi desaťročiami matematického výskumu a praktickými požiadavkami moderného riadenia podniku.

Operačný výskum umožňuje matematickú analýzu komplexných rozhodovacích problémov. Rozhodovacia inteligencia sprístupňuje výsledky pre rozhodovateľov.

Ďalšie vedecké zdroje

Odborné spoločnosti a základné princípy

• INFORMS – Operations Research & Analytics: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Asociácia európskych spoločností pre operačný výskum: https://www.euro-online.org/
• Spoločnosť pre operačný výskum (GOR): https://www.gor-ev.de/

Štandardné vedecké diela

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Úvod do lineárnej optimalizácie.
• Nemhauser, G. L. & Wolsey, L. A.: Integer and Combinatorial Optimization.
• Ehrgott, M.: Multikriteriálna optimalizácia.
• Birge, J. R. & Louveaux, F.: Úvod do stochastického programovania.

Technické prehĺbenie

• Gurobi – zmiešané celočíselné programovanie: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – dokázateľná optimalita: https://www.gurobi.com/resources/blog/provable-optimality

Zažite operačný výskum v praxi

Matematická optimalizácia sa nemusí obmedzovať len na vedecké modely.

Zistite, ako StratePlan sprístupňuje optimalizáciu komplexných investičných a projektových portfólií pre reálne manažérske rozhodnutia.

CTA: Matematická optimalizácia portfólia →

StratePlan | Operačný výskum sa spája s rozhodovacou inteligenciou.

Tie isté projekty. Ten istý rozpočet. Lepšie kombinácie. Lepšie rozhodnutia.