Operativno raziskovanje: Kako matematika optimizira zapletene odločitve

Od znanstvene analize odločitev prek kombinatorne optimizacije do sodobne Decision Intelligence

Strokovni članek | mAInthink Insights | Znanost in metode

Podjetja, javne institucije in vlagatelji se soočajo s temeljnim izzivom: sprejemati morajo odločitve, katerih gospodarski ali družbeni učinek ni odvisen le od posameznih ukrepov, temveč od medsebojnega delovanja številnih alternativ.

Katera vlaganja je treba financirati? Kateri projekti skupaj ustvarjajo največji prispevek k vrednosti? Kako je mogoče omejene vire optimalno razporediti? In kako se spremeni najboljša odločitev, če se prilagodijo proračuni, prednostne naloge ali okvirni pogoji?

Tradicionalni odgovor pogosto vključuje ocene, sezname prednostnih nalog, poslovne primere in odločitve vodstva.

Operativno raziskovanje sledi drugačnemu pristopu:

Ne ocenjuje le posameznih alternativ, temveč matematično določi najboljšo možno kombinacijo vseh dopustnih odločitev.

Ta disciplina že desetletja predstavlja znanstveno podlago za optimizacijo kompleksnih gospodarskih, tehničnih in organizacijskih sistemov.

Danes pridobiva nov praktičen pomen z zmogljivimi optimizacijskimi algoritmi, vzporednimi računskimi postopki, umetno inteligenco in interaktivnimi platformami za odločanje.

Kazalo

1. Kaj je operacijska raziskava?
2. Znanstveni razvoj operativnega raziskovanja
3. Kakšne probleme rešuje operacijska raziskava?
4. Matematični temelji
5. Kombinatorna optimizacija in eksponentna kompleksnost
6. Najpomembnejše optimizacijske metode
7. Globalna optimalnost: kaj je matematično dokazljivo
8. Optimizacija portfelja namesto klasičnega določanja prioritet
9. Večperiodno načrtovanje in omejitve virov
10. Večciljna optimizacija in konkurenčni cilji
11. Operativno raziskovanje v negotovih razmerah
12. Operativno raziskovanje, umetna inteligenca in odločevalna inteligenca
13. Operativno raziskovanje v podjetjih in javnih proračunih
14. Omejitve in predpogoji matematične optimizacije
15. Od matematične rešitve do odločitve v realnem času
16. Pogosta vprašanja
17. Zaključek in znanstvena uvrstitev

1. Kaj je operacijska raziskava?

Operativno raziskovanje, pogosto označeno kot OR ali v britanskem jezikovnem prostoru kot Operational Research, je interdisciplinarna znanstvena disciplina za analizo in optimizacijo kompleksnih problemov odločanja.

Zlasti združuje:

• uporabno matematiko
• matematično optimizacijo
• Teorijo verjetnosti in statistiko
• informatiko in teorijo algoritmov
• Ekonomske vede
• Sistemska analiza in znanosti o odločanju

Glavni cilj je modelirati probleme odločanja tako, da se lahko sistematično preučijo različne alternative ukrepov in se optimizirajo na podlagi opredeljenih ciljnih vrednosti.

Za razliko od povsem opisnih analiznih postopkov operacijska raziskava ne odgovarja izključno na vprašanje, kaj se dogaja v sistemu.

Preučuje, katere odločitve bi bilo treba sprejeti v danih pogojih, da bi čim bolje dosegli opredeljen cilj.

Podjetje lahko na primer ve, kateri od njegovih investicijskih projektov obetajo pozitivno donosnost kapitala.

Vendar to še ne pomeni, katera kombinacija teh projektov v okviru omejenega skupnega proračuna ustvarja največjo ekonomsko vrednost.

Prav tu se začne klasična naloga operativnega raziskovanja.

2. Znanstveni razvoj operativnega raziskovanja

Sodobni razvoj operativnega raziskovanja se je začel zlasti med drugo svetovno vojno.

Znanstveniki različnih disciplin so takrat raziskovali kompleksna operativna vprašanja, na primer učinkovito uporabo omejenih virov, usklajevanje logističnih procesov in optimizacijo vojaških sistemov.

Po vojni so razvite metode vse bolj prenašali na industrijska in gospodarska vprašanja.

Pomemben mejnik je bil razvoj Simplexove metode, ki jo je leta 1947 razvil George B. Dantzig.

S tem je linearna optimizacija postala pomembno orodje za matematično podporo pri odločanju.

V naslednjih desetletjih so nastali še drugi pomembni postopki:

• Dinamično programiranje
• Celoštevilčna in mešana celoštevilčna optimizacija
• Branch-and-Bound
• Optimizacija omrežij
• Stohastična optimizacija
• Večciljna optimizacija
• Metaheuristični postopki
• Robustna optimizacija

Danes je operativno raziskovanje mednarodno uveljavljena raziskovalna disciplina.

Pomembne znanstvene organizacije so INFORMS, EURO, IFORS in Nemško društvo za operativno raziskovanje (GOR).

Operativno raziskovanje torej ni nova oblika umetne inteligence, temveč samostojna znanstvena podlaga sodobne optimizacije odločanja.

3. Katere probleme rešuje operacijska raziskava?

Operativno raziskovanje je pomembno povsod tam, kjer se srečujejo več alternativnih odločitev, omejeni viri in opredeljivi ciljni kazalniki.

Področja uporabe so zato zelo široka.

Naložbe in razporeditev kapitala

Katera vlaganja naj se izvedejo v okviru omejenega proračuna?

Optimizacija portfelja projektov

Katera kombinacija projektov prinaša največji skupni gospodarski ali strateški prispevek?

Načrtovanje proizvodnje

Kako je mogoče optimizirati proizvodne količine, zmogljivosti strojev in vrstni red naročil?

Optimizacija dobavne verige

Kako je mogoče učinkovito usklajevati zaloge, transportne poti, dobavne zmogljivosti in proizvodne lokacije?

Načrtovanje energije in infrastrukture

Katera vlaganja v omrežja, naprave ali vzdrževalna dela prinašajo največjo korist ob omejenih sredstvih?

Načrtovanje kadrov in virov

Kako optimalno razporediti zaposlene, stroje, časovna okna ali druge omejene vire?

Javni proračuni

Katera kombinacija javnih ukrepov v okviru finančnih, pravnih in političnih pogojev prinaša največji opredeljeni družbeni učinek?

Zdravstveno varstvo

Kako je mogoče izboljšati zmogljivosti, termine zdravljenja, medicinske vire in strukture oskrbe?

Kljub različnim področjem uporabe imajo mnoge od teh težav skupno matematično strukturo:

V omejenem dopustnem prostoru za odločanje je treba najti čim boljšo ali optimalno odločitev.

4. Matematični temelji

Matematični optimizacijski problem v osnovi sestavljajo trije elementi:

odločevalne spremenljivke, ciljna funkcija in omejitve.

4.1 Odločevalne spremenljivke

Odločevalne spremenljivke opisujejo, katere odločitve je mogoče sprejeti.

Pri binarni odločitvi o projektu na primer velja:

Pri čemer velja:

• _xi=1: izbran je projekt i.
• _xi=0: projekt i ni izbran.

Drugi optimizacijski problemi uporabljajo celoštevilske ali neprekinjene spremenljivke.

4.2 Ciljna funkcija

Ciljna funkcija opisuje, katero veličino je treba maksimirati ali minimirati.

Za portfelj z aditivnimi vrednostmi projektov je poenostavljena funkcija maksimiranja:

Pri tem _vi označuje gospodarski ali strateški prispevek projekta.

4.3 Omejitve

Dejanske odločitve so podvržene omejitvam.

Tipična proračunska omejitev je:

Pri tem velja:

• _ci: potreba po kapitalu za projekt i
• B: skupni razpoložljivi proračun

Dodatne stranske pogoje lahko na primer predstavljajo kadrovske vire, tehnične odvisnosti, zakonske zahteve ali časovne omejitve.

Celotna optimizacijska naloga torej vključuje iskanje dopustne kombinacije odločevalnih spremenljivk, ki čim bolje izpolnjuje ciljno funkcijo.

Ta struktura modela je osnova številnih praktičnih aplikacij operacijske raziskave.

5. Kombinatorična optimizacija in eksponentna kompleksnost

Posebno pomembno področje operativnega raziskovanja je kombinatorična optimizacija.

Preučuje odločevalne probleme, pri katerih se iz končne, pogosto zelo velike množice diskretnih alternativ išče najboljša dopustna rešitev.

Pri n neodvisnih binarnih projektih je število teoretično možnih kombinacij:

Iz tega sledi:

Te številke najprej opisujejo število vseh binarnih kombinacij izbire, ne pa števila dejansko dopustnih portfeljev.

Proračunske omejitve, odvisnosti med projekti in druge dodatne pogoje lahko znatno zmanjšajo obseg dovoljenih rešitev.

Teoretično število možnih kombinacij kljub temu ponazarja velikost problema.

Popolna ročna ocena vseh alternativ je praktično nemogoča že pri relativno majhnih portfeljih.

Eksponentna kompleksnost ne pomeni, da je treba vsako kombinacijo preveriti posebej

Sodobni optimizacijski algoritmi lahko izključijo velike dele prostora odločanja, ne da bi vsako posamezno kombinacijo v celoti ovrednotili.

Za to uporabljajo matematične omejitve, relaksacije, strukturne lastnosti problema in inteligentne strategije iskanja.

Zato lahko optimizacijski postopek pod ustreznimi pogoji učinkovito reši tudi zelo velike kombinatorne odločevalne probleme.

Vendar pa obstoj zmogljivih algoritmov ne zagotavlja, da se bo kateri koli problem v kratkem času rešil globalno optimalno.

Dejanska računska kompleksnost je med drugim odvisna od strukture modela, omejitev, velikosti problema in uporabljenega postopka reševanja.

6. Najpomembnejši optimizacijski postopki

Operativno raziskovanje obsega različne matematične postopke reševanja.

Kateri postopek je primeren, je odvisno od strukture odločevalnega problema.

6.1 Linearno programiranje

Linearna optimizacija obravnava probleme z linearnimi ciljnimi funkcijami in linearnimi omejitvami.

Uporablja se na primer pri načrtovanju proizvodnje, prevoza in virov.

6.2 Celoštevilčno programiranje

Celoštevilčno optimiziranje upošteva odločevalne spremenljivke, ki lahko prevzemajo le celoštevilčne vrednosti.

To je pomembno zlasti pri diskretnih odločitvah, na primer kadar se projekti izberejo v celoti ali pa se v celoti izključijo.

6.3 Mešano-celoštevilčno linearno programiranje

Mešano-celoštevilčno linearno programiranje, skrajšano MILP, združuje neprekinjene in celoštevilčne odločevalne spremenljivke znotraj linearnega modela.

Tako je mogoče na primer povezati investicijske odločitve s kontinuiranimi proračunskimi ali kapacitetnimi veličinami.

6.4 Metoda »Branch-and-Bound«

Metoda »Branch-and-Bound« sistematično razčleni prostor odločanja na podprobleme.

S pomočjo matematičnih omejitev je mogoče ugotoviti, kateri podprostori ne morejo več vsebovati boljše rešitve.

Te podprostore nato ni treba nadalje preučevati.

6.5 Branch-and-Cut

Metoda Branch-and-Cut razširja metodo Branch-and-Bound z dodatnimi veljavnimi neenakostmi, tako imenovanimi rezalnimi ravninami.

Te lahko zaostrijo matematične relaksacije in pospešijo iskanje optimalnih rešitev.

6.6 Dinamično programiranje

Dinamično programiranje razčleni primerne probleme na medsebojno povezane podprobleme.

Uporablja se med drugim pri sekvenčnih odločevalnih problemih, načrtovanju zalog in nekaterih problemih dodeljevanja virov.

6.7 Heuristike in metaheuristike

Heuristični postopki učinkovito iščejo dobre, dopustne rešitve, ne da bi v osnovi zagotavljali dokaz globalne optimalnosti.

Znani primeri so:

• Genetski algoritmi
• Simulirano ohlajevanje
• Iskanje po tabu
• lokalno iskanje

Ti postopki so lahko še posebej koristni pri velikih ali kompleksno strukturiranih problemih.

6.8 Hibridne optimizacijske metode

Hibridni pristopi združujejo različne metode.

Na primer, heuristične metode lahko najprej ustvarijo visokokakovostne dopustne rešitve, medtem ko natančne metode nato poskušajo te rešitve izboljšati ali dokazati njihovo optimalnost.

Tudi strojno učenje se lahko uporabi za izbiro strategij iskanja, napovedovanje parametrov ali pospešitev posameznih korakov reševanja.

Katere prednosti takšne kombinacije dejansko prinašajo, je treba preučiti na podlagi ustreznih primerjalnih testov.

7. Globalna optimalnost: kaj je matematično dokazljivo

Ena od ključnih prednosti matematične optimizacije je, da je pod določenimi pogoji mogoče ne le najti dobro rešitev, temveč tudi dokazati njeno globalno optimalnost.

Globalno optimalna rešitev ima znotraj opredeljenega dopustnega prostora rešitev najboljšo možno vrednost ciljne funkcije.

Formalno velja za problem maksimizacije:

Pri čemer:

• X: množica vseh dopustnih rešitev
• x^*: globalno optimalna rešitev
• f(x): vrednost ciljne funkcije rešitve

Dokaz globalne optimalnosti je mogoče opraviti na primer s pomočjo matematičnih omejitev.

Razlika v optimalnosti

Pri mešanih celoštevilčnih optimizacijskih problemih se pogosto upošteva razlika med najboljšo najdeno dopustno rešitvijo in veljavno mejo za globalni optimum.

Za problem maksimiranja s pozitivno najboljšo vrednostjo ciljne funkcije se lahko relativna vrzel optimalnosti na primer opredeli kot sledi:

Pri čemer velja:

• LB: vrednost najboljše doslej najdene dopustne rešitve
• UB: veljavna zgornja meja za globalni optimum

Razlika, enaka nič, pri natančnem izračunu pomeni, da je bila dokazana globalna optimalnost.

Praktični reševalci upoštevajo numerične tolerance in opredeljena merila za prekinitev.

Majhna vrzel lahko poleg tega pomeni, da je najdena rešitev že zelo blizu teoretično najboljše možne vrednosti ciljne funkcije.

Odločilna znanstvena omejitev

Globalno optimum je vedno optimum matematičnega modela – ni nujno objektivno najboljša odločitev v realnem svetu.

Če so vhodni podatki nepopolni, predpostavke o koristih napačne ali relevantni stranski pogoji niso upoštevani, je lahko matematično optimalna rešitev ekonomsko neprimerna.

Zato so validacija modela, analize občutljivosti in preverjanje osnovnih predpostavk nujni del resne optimizacije.

8. Optimizacija portfelja namesto klasičnega določanja prioritet

Posebno pomembno področje uporabe je optimizacija naložbenih in projektnih portfeljev.

Tradicionalne metode portfeljske optimizacije pogosto ocenjujejo projekte posamično.

Na tej podlagi se oblikuje lestvica, na primer na podlagi ROI, NPV, strateškega pomena ali tehtanih ocenjevalnih meril.

Takšno določanje prednosti odgovarja na vprašanje:

Kateri posamezni projekt se zdi posebej privlačen?

Vendar pa ne odgovarja nujno na vprašanje:

Katera kombinacija vseh razpoložljivih projektov ustvarja največjo skupno vrednost ob upoštevanju obstoječih omejitev?

Poenostavljen primer

Podjetje razpolaga z investicijskim proračunom v višini 10 milijonov evrov.

Na izbiro so štirje projekti:

Pri določanju prednosti na podlagi absolutne neto sedanje vrednosti (NPV) je projekt A na prvem mestu.

Če se izbere projekt A, se z ostankom proračuna v višini 4 milijonov evrov lahko financira bodisi projekt C bodisi projekt D.

Kombinacija A + C doseže skupno NPV v višini 16 milijonov evrov ob porabi proračuna v višini 10 milijonov evrov in je v tem primeru najboljša dopustna kombinacija.

Prav tako sprejemljiva kombinacija B + C doseže NPV v višini 15 milijonov evrov ob vložku kapitala v višini 9 milijonov evrov.

V tem primeru je kombinacija A + C dejansko optimalna.

Vendar to ne pomeni, da je razvrstitev nujno napačna.

Primer namreč kaže, da optimalna odločitev o portfelju izhaja iz primerjave dopustnih kombinacij in ne izključno iz izolirane ocene posameznih projektov.

Že majhne spremembe vrednosti projektov, proračunov ali odvisnosti lahko povzročijo, da najboljša kombinacija ni več sestavljena iz posameznih projektov z najvišjo uvrstitvijo.

Zakaj je treba pri povečevanju donosa naložbe (ROI) biti še posebej previden

Maksimizacija celotne neto sedanje vrednosti (NPV) ni enaka maksimizaciji donosa na naložbo (ROI) portfelja.

Če ROI portfelja opredelimo kot razmerje med agregiranim neto donosom in agregiranim vložkom kapitala, dobimo drugačno ciljno funkcijo:

Takšna optimizacija razmerja se matematično razlikuje od maksimiranja aditivne skupne vrednosti.

Poleg tega lahko čista maksimizacija donosa na naložbo (ROI) daje prednost zelo majhnim portfeljem.

Zato je treba pred vsako optimizacijo pojasniti, ali je treba na primer maksimirati skupno neto sedanjo vrednost (NPV), donosnost naložb (ROI), strateško korist ali kakšen drug ciljni kazalnik.

Opredelitev ciljne funkcije je sama po sebi pomembna poslovna odločitev.

9. Večobdobno načrtovanje in omejitve virov

Dejanske investicijske odločitve pogosto zadevajo več poslovnih let.

Projekt lahko na primer v prvem letu zahteva visoke naložbe, v drugem letu zaveže dodatne vire in šele kasneje ustvari gospodarske donose.

Primerno matematično modeliranje mora upoštevati to časovno strukturo.

Za poenostavljen večobdobni izbor portfelja velja:

pod pogojem, da:

Pri čemer:

• _cit: kapitalska potreba projekta i v obdobju t
• _Bt: razpoložljivi proračun v obdobju t

Poleg tega je mogoče modelirati omejitve virov:

Pri čemer _airt označuje potrebo projekta po viru r v obdobju t.

Odvisnosti med projekti

Tudi logične povezave med projekti je mogoče matematično izraziti.

Če se projekt B lahko izvede le, če je bil izbran projekt A:

Če se dva projekta ne smeta izvajati hkrati:

Če je treba en projekt nujno izvesti:

Takšne omejitve so bistvene, saj dejansko kakovost naložbenega portfelja pogosto določajo ne le proračun, temveč tudi številne tehnične, organizacijske in strateške odvisnosti.

10. Večciljna optimizacija in konkurenčni cilji

Mnogi dejanski problemi odločanja nimajo le ene same ciljne vrednosti.

Podjetje si na primer hkrati želi:

• maksimirati gospodarski prispevek
• omejiti tveganja
• zmanjšati emisije CO₂
• doseči strateške cilje
• preprečiti pomanjkanje virov

Ti cilji se lahko med seboj izključujejo.

Večciljna optimizacija zato preučuje odločitve z več ciljnimi funkcijami.

Formalno se takšen problem lahko predstavi kot:

pod pogojem:

Tehtane ciljne funkcije

Ena od možnosti je, da več normiranih ciljnih vrednosti združimo v eno tehtano skupno funkcijo:

Pri tem _wj predstavlja utež posamezne ciljne veličine.

Tehtanja morajo biti strokovno utemeljena.

Pareto-optimalnost

Druga možnost je določitev Pareto-optimalnih rešitev.

Rešitev je Pareto-optimalna, če nobena druga dopustna rešitev ni vsaj enako dobra pri vseh ciljnih vrednostih in strogo boljša pri vsaj eni ciljni vrednosti.

Zato pogosto ne nastane ena sama nedvoumno najboljša odločitev, temveč množica učinkovitih alternativ.

Vodstvo mora nato odločiti, kateri konflikti med cilji so sprejemljivi.

Operativno raziskovanje torej ne nadomešča strateške odgovornosti.

Omogoča matematično preučevanje posledic različnih preferenc.

11. Operativno raziskovanje v pogojih negotovosti

V trenutku odločanja niso znane vse relevantne spremenljivke za odločanje.

Prihodnji donosi, stroški projekta, razpoložljivost virov in tržne razmere so lahko negotovi.

Klasični deterministični model optimizacije deluje z določenimi parametri.

Za negotove odločevalne probleme obstajajo dodatni metodološki pristopi.

Stohastična optimizacija

Stohastična optimizacija upošteva naključne spremenljivke in po potrebi različne prihodnje scenarije.

Pri tem se lahko upoštevajo na primer pričakovane vrednosti, merila tveganja ali večstopenjske odločitve.

Robustna optimizacija

Robustna optimizacija išče rešitve, ki ostanejo sprejemljive ali učinkovite tudi ob opredeljenih neugodnih odstopanjih parametrov.

Analiza scenarijev

Analiza scenarijev preučuje, kako se optimalne odločitve spreminjajo ob različnih predpostavkah.

Analiza občutljivosti

Analiza občutljivosti preučuje, kako občutljivi so rezultati na spremembe posameznih vhodnih parametrov.

Ti postopki so pomembni zlasti pri dolgoročnih investicijskih odločitvah.

Matematično optimiziran portfelj zato ne bi smeli ocenjevati izključno na podlagi njegovega rezultata ob eni sami predpostavki o prihodnosti.

Enako pomembno je vprašanje, kako stabilna ostane odločitev ob verjetnih spremembah.

12. Operativno raziskovanje, umetna inteligenca in odločevalna inteligenca

Operativno raziskovanje, umetna inteligenca in odločevalna inteligenca so med seboj povezani, vendar niso enaki.

Operativno raziskovanje

Operativna raziskava ponuja matematične metode za modeliranje in optimizacijo problemov odločanja.

Umetna inteligenca

Umetna inteligenca zajema različne postopke, na primer strojno učenje, prepoznavanje vzorcev, obdelavo jezika in avtomatizirane postopke odločanja.

Odločevalna inteligenca

Odločevalna inteligenca združuje podatke, odločevalne modele, analitične postopke in organizacijske odločevalne procese.

Cilj je izboljšati kakovost, sledljivost in praktično izvedljivost odločitev.

Povezava

Ena od možnih povezav je, da strojno učenje najprej napove prihodnje stroške ali prihodke projekta.

Nato lahko model operativnega raziskovanja izračuna, katera kombinacija projektov je v napovedanih pogojih optimalna.

Aplikacija Decision Intelligence na koncu prikaže rezultate tako, da lahko nosilci odločitev primerjajo alternative, spreminjajo predpostavke in razumejo posledice.

Ti trije pristopi tako izpolnjujejo različne, medsebojno dopolnjujoče se funkcije.

Umetna inteligenca lahko pomaga izboljšati podlage za odločanje. Operacijska raziskava lahko matematično optimira ustrezne odločitve. Odločevalna inteligenca lahko te ugotovitve vključi v dejanske odločevalne procese.

Ta razdelitev vlog je možen arhitekturni model, ne pa splošno veljavna razmejitev vseh postopkov.

13. Operativno raziskovanje v podjetjih in javnih proračunih

Matematični temelji operativnega raziskovanja so pomembni tako za odločitve v zasebnem sektorju kot tudi v javnem sektorju.

13.1 Industrijska podjetja

Industrijska podjetja morajo pogosto usklajevati številne investicijske projekte med lokacijami, proizvodnimi linijami in poslovnimi področji.

Posamezni projekti tekmujejo za kapital, osebje in tehnične zmogljivosti.

Matematična optimizacija portfelja lahko preuči, katera kombinacija v teh pogojih ustvarja najvišjo opredeljeno skupno vrednost.

13.2 Energetska podjetja

Energetska podjetja se soočajo s kompleksnimi investicijskimi odločitvami v zvezi z omrežji, proizvodnimi obrati, vzdrževanjem in infrastrukturo.

Pri tem je treba upoštevati tehnične odvisnosti, varnost oskrbe, vire in dolgoročna obdobja načrtovanja.

13.3 Farmacevtska industrija

Portfelji raziskav in razvoja vsebujejo projekte z različnimi verjetnostmi uspeha, strukturami stroškov in razvojnimi obdobji.

Modeli operativnega raziskovanja lahko pomagajo pri izbiri in časovni usklajevanju takšnih portfeljev.

13.4 Nepremičninski sektor

Pri velikih nepremičninskih portfeljih lahko naložbene, obnovitvene in razvojne ukrepe med seboj konkurirajo.

Optimalna kombinacija je odvisna od potreb po kapitalu, prispevka k vrednosti, časovnega načrtovanja in morebitnih odvisnosti.

13.5 Javni proračuni

Tudi državne proračunske in investicijske odločitve imajo matematične strukture razporeditve sredstev.

Vendar se javne odločitve v eni bistveni točki razlikujejo od investicijskih odločitev v zasebnem sektorju:

Družbene koristi ni vedno mogoče neposredno predstaviti kot finančni donos.

Namesto tega se lahko upoštevajo na primer kakovost oskrbe, stanje infrastrukture, vpliv na podnebje, socialna dostopnost ali drugi javni ciljni kazalniki.

V ta namen je treba razviti ustrezna merila koristi, jih operacionalizirati in pregledno ovrednotiti.

Zakonite obveznosti, namenska vezava sredstev in politične pristojnosti za odločanje ostajajo zavezujoči okvirni pogoji.

Matematična optimizacija lahko podpira javne odločitve, vendar ne more nadomestiti demokratične legitimnosti in politične odgovornosti.

14. Omejitve in predpogoji matematične optimizacije

Operativno raziskovanje je učinkovito, vendar ne zagotavlja pravilnih odločitev v vseh primerih.

Kakovost rezultatov je odvisna od več dejavnikov.

Kakovost modela

Matematični model mora zadostno natančno prikazati povezave, ki so pomembne za odločanje.

Kakovost podatkov

Nepopolni ali napačni podatki lahko vodijo do neustreznih rezultatov.

Kakovost ciljne funkcije

Matematični postopek optimizira definirano ciljno funkcijo – ne glede na to, ali ta v celoti predstavlja dejanske cilje organizacije.

Računska kompleksnost

Nekateri optimizacijski problemi so računsko zahtevni.

Ni vsakega problema mogoče v danem času rešiti globalno optimalno.

Negotovost

Rezultati so lahko občutljivi na prihodnje razmere ali negotove parametre.

Organizacijska izvedljivost

Matematično privlačna odločitev lahko povzroči praktične težave, če se organizacijski, politični ali kulturni pogoji niso zadostno upoštevali.

Iz tega sledi:

Matematična optimalnost, ekonomska primernost in organizacijska izvedljivost so med seboj povezane, vendar niso enake.

Profesionalni proces optimizacije mora upoštevati vse tri dimenzije.

15. Od matematične rešitve do odločitve v praksi

Znanstvene metode operativnega raziskovanja so znane že desetletja.

Vendar pa je njihov praktični vključitev v procese upravljanja velik izziv.

Tradicionalno optimizacijske modele pogosto razvijajo in izračunavajo specializirani oddelki, ki jih nato pripravijo kot podlago za odločanje.

Sodobne aplikacije za podporo odločanju (Decision Intelligence) uporabljajo bolj interaktiven pristop.

Odločevalci lahko na primer:

1. spreminjajo omejitve proračuna ali virov
2. obvezno izbrati ali izključiti projekte.
3. prilagodijo strateške uteži;
4. izračunajo alternativne scenarije.
5. primerjajo gospodarske posledice različnih kombinacij portfeljev.

Tako se iz enkratnega optimizacijskega izračuna lahko razvije iterativni proces odločanja.

StratePlan kot specializirana aplikacija

StratePlan, tehnologija za podporo odločanju podjetja mAInthink GmbH, je namenjena predvsem matematični optimizaciji naložbenih in projektnih portfeljev.

Aplikacija združuje kombinatorno optimizacijo z interaktivno analizo odvisnosti med proračunom, viri in projekti.

Poudarek je na možnosti, da se odločitve o portfelju takoj ponovno izračunajo v upravnih in odločevalskih organih.

Osnovna skupina problemov spada v področje operativnega raziskovanja, zlasti v diskretno alokacijo portfeljev in virov.

StratePlan je zato mogoče uvrstiti kot specializirano aplikacijo za matematično optimizacijo odločanja, ne pa avtomatično kot univerzalni reševalec za vse probleme operativnega raziskovanja.

Kakšna jamstva optimalnosti, računski časi in razredi modelov so podprti, je odvisno od konkretne tehnične implementacije in posameznih problemov.

Ekonomska dodana vrednost je v možnosti, da se matematična optimizacija uporabi v realnih strateških odločevalnih procesih.

16. Pogosta vprašanja

Ali je operacijska raziskava oblika umetne inteligence?

Na splošno ne. Operativno raziskovanje je samostojna znanstvena disciplina z matematičnimi postopki optimizacije, simulacije in odločanja. Vendar pa obstaja veliko prekrivanj in možnosti kombinacij z umetno inteligenco.

Kakšna je razlika med operacijskim raziskovanjem in matematično optimizacijo?

Matematična optimizacija je osrednje metodološko podpodročje operativnega raziskovanja. Operativno raziskovanje poleg tega obsega na primer simulacijo, teorijo čakalnih vrst, stohastično modeliranje in druge metode analize odločanja.

Kaj je kombinatorna optimizacija?

Kombinatorna optimizacija preučuje izbiro ali razporeditev diskretnih alternativ pod določenimi pogoji. Tipični primeri so izbira projektnega portfelja, načrtovanje poti, problemi dodeljevanja in določeni problemi razporejanja.

Ali lahko operacijska raziskava izračuna globalno optimum?

Da, za ustrezne matematične modele in z ustreznimi postopki reševanja je mogoče dokazati globalno optimalnost. Vendar to ni zagotovljeno za vsako skupino problemov ali vsak predpisan čas računanja.

Zakaj klasično določanje prednosti projektov ni vedno zadostno?

Razvrstitev po pomembnosti ocenjuje posamezne projekte. Optimizacija portfelja pa preučuje skupni učinek dopustnih kombinacij projektov. Najboljša kombinacija ni nujno sestavljena iz posameznih projektov z najvišjo uvrstitvijo.

Kakšna je razlika med simulacijo in optimizacijo?

Simulacija preučuje, kakšni rezultati lahko nastanejo ob določenih predpostavkah in odločitvah.

Optimizacija pa v okviru opredeljenega prostora odločanja išče rešitve, ki najbolje izpolnjujejo ciljno funkcijo.

Oba pristopa je mogoče kombinirati.

Kaj pomeni NP-težko?

NP-težko označuje razred računsko zahtevnih problemov, med katere sodijo številni kombinatorični optimizacijski problemi.

Za te probleme ni znan splošen algoritem, ki bi vse primere optimalno rešil v polinomskem času. Iz tega pa ne sledi, da mora biti vsak praktični primer nujno težak.

Ali lahko podjetja uporabljajo operativno raziskovanje brez lastnega matematičnega oddelka?

Da. Specializirana programska oprema in aplikacije za podporo odločanju lahko matematično modeliranje in optimizacijo približajo strokovnim uporabnikom.

Ključnega pomena ostajajo pravilna formulacija problema, zanesljivi vhodni podatki in strokovna validacija rezultatov.

Ali je StratePlan aplikacija za operativno raziskovanje?

Da. Matematična optimizacija naložbenih in projektnih portfeljev spada v okvir operativnega raziskovanja.

StratePlan obravnava zlasti kombinatorne probleme izbire in alokacije v okviru opredeljenih omejitev.

17. Zaključek: operacijska raziskava kot znanstvena podlaga za boljše odločitve

Operativno raziskovanje kaže, da se zapletene odločitve ne smejo opirati izključno na izkušnje, intuicijo ali osamljene posamezne ocene.

Mnoge gospodarske, tehnične in javne odločitvene probleme je mogoče matematično modelirati in sistematično optimizirati.

Ta pristop je še posebej pomemben, kadar med seboj tekmujejo številne alternative, so viri omejeni in je treba upoštevati medsebojne odvisnosti.

Ključno spoznanje je:

Kakovost posameznih projektov ne določa nujno kakovosti celotnega portfelja. Odločilna je kombinacija, ki v okviru dejanskih omejitev ustvari najvišjo opredeljeno skupno vrednost.

Operativno raziskovanje zagotavlja znanstvene metode za preučevanje takšnih povezav.

Matematični postopki optimizacije omogočajo iskanje visokokakovostnih rešitev, ki so pod ustreznimi pogoji dokazano globalno optimalne.

Decision Intelligence lahko te rezultate prenese v pregledne, interaktivne procese odločanja.

Tako se ustvari povezava med desetletji matematičnih raziskav in praktičnimi zahtevami sodobnega poslovnega vodenja.

Operativno raziskovanje omogoča matematično analizo kompleksnih problemov odločanja. Odločevalna inteligenca pa te rezultate naredi uporabne za nosilce odločitev.

Dodatni znanstveni viri

Strokovna združenja in temelji

• INFORMS – Operations Research & Analytics: https://www.informs.org/Explore/Operations-Research-Analytics
• EURO – Združenje evropskih društev za operativno raziskovanje: https://www.euro-online.org/
• Društvo za operativno raziskovanje (GOR): https://www.gor-ev.de/

Standardna znanstvena dela

• Hillier, F. S. & Lieberman, G. J.: Introduction to Operations Research.
• Bertsimas, D. & Tsitsiklis, J. N.: Uvod v linearno optimizacijo.
• Nemhauser, G. L. & Wolsey, L. A.: Celoštevilska in kombinatorna optimizacija.
• Ehrgott, M.: Večkriterijska optimizacija.
• Birge, J. R. & Louveaux, F.: Uvod v stohastično programiranje.

Tehnično poglobljeno znanje

• Gurobi – mešano-celoštevilčno programiranje: https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics
• Gurobi – dokazljiva optimalnost: https://www.gurobi.com/resources/blog/provable-optimality

Operativno raziskovanje v praksi

Matematična optimizacija se ne sme končati pri znanstvenih modelih.

Spoznajte, kako StratePlan omogoča optimizacijo kompleksnih naložbenih in projektnih portfeljev za dejanske poslovne odločitve.

CTA: Matematična optimizacija portfelja →

StratePlan | Operativno raziskovanje se sreča z odločevalno inteligenco.

Isti projekti. Isti proračun. Boljše kombinacije. Boljše odločitve.