Tema 1

Modelare si simulare
Modelul este o reprezentare izomorfa a realita tii, care ofera o imagine intu-
itiva, dar riguroasa n sensul structurii logice a fenomenului studiat si permite
descoperirea unor legaturi si legita ti greu de stabilit pe alte cai. Esenta metodei
model arii const a n nlocuirea procesului real printr-un model mai simplu, ex-
ibil, adaptabil si mai accesibil studiului.
Procesul model arii cuprinde urm atoarele etape:
1. cunoa sterea detaliata a realita tii sistemului (procesului) ce se modeleaza;
2. construirea propriu-zisa a modelului matematic;
3. experimentarea modelului matematic si evaluarea solu tiei;
4. implementarea modelului matematic si actualizarea solu tiei.
Ca strategie de modelare se recomand a s a se nceap a cu un model simplu,
evolund spre unul mai complex si s a se concentreze atentia asupra parametrilor
importanti.
Construirea propriu-zis a a modelului const a e n alegerea unuia din in-
strumentele "clasice" de modelare care corespunde problemei formulate, e n
elaborarea unor modele noi. n primul caz, analistul trebuie s a stabileasc a core-
spondenta dintre realitate si instrumentul de modelare cunoscut din literatura
de specialitate. Modelele noi pot combinatii de modele clasice sau modele noi
propriu-zise care implic a cunostinte temeinice de matematic a si imaginatie.
Odat a cu perfectionarea calculatoarelor electronice se doreste mai mult a
rigurozitate n luarea deciziei manageriale n conditii de ecient a, cu ajutorul
unor modele economico-matematice exibile si cu posibilitatea utiliz arii tehnicii
simul arii.
Se cunosc foarte multe tipuri de modele matematice si acestea se pot clasica
n multe moduri. Modelele pot : statice sau dinamice, liniare sau neliniare,
deterministe sau stochastice etc. Dar una dintre cele mai profunde clasic ari
mparte modelele matematice n cele care optimizeaza si cele care simuleaza.
Acestea au scopuri diferite si ecare se bazeaz a pe alte concepte matematice.
Prin optimizare ntelegem dou a activit ati: de modelare matematica pen-
tru optimizare, adic a de reprezentare a realit atii si activitatea propriu-zisa de
optimizare, adic a de rezolvare a modelelor de optimizare. Ele se dezvolt a n
colaborare, deseori sistemele de modelare inuentnd scrierea software-ului de
optimizare si invers. n modelarea matematic a pentru optimizare un loc impor-
tant l au chestiunile de conceptualizare, de identicare a parametrilor, a vari-
abilelor, a rela tiilor func tionale care exista ntre variabile si a celor de marginire
a variabilelor.
Orice model de optimizare are trei componente: func tia obiectiv, variabilele
de decizie si restric tiile. Functia obiectiv deneste scopul sau obiectivul modelu-
lui. Un model de optimizare poate contine mai multe functii obiectiv. Functia
obiectiv actioneaz a ca un criteriu n raport cu care se face optimizarea. Vari-
abilele de decizie reprezint a m arimile pe care trebuie s a le alegem pentru a
1
optimiza functia obiectiv. Trebuie s a facem o distinctie ntre variabilele proble-
mei si parametrii acesteia. Parametri au anumite valori numerice bine precizate
si cunoscute. Variabilele de decizie reprezint a necunoscutele modelului. Aces-
tea pot ncadra modelul n diverse clase de modele dup a valorile pe care le pot
lua.Astfel se cunosc modele cu variabile n numere reale, ntregi sau booleene
dup a cum variabilele iau valori n multimile corespunz atoare.
Restrictiile modelului reprezint a acele relatii matematice care constrng alegerea
variabilelor de decizie. De obicei tipul unui model de optimizare este dat de
forma restrictiilor care pot : statice sau dinamice, liniare sau neliniare, deter-
ministe sau stochastice etc. Un model de optimizare consider a la intrare aceste
trei componente si genereaz a la iesire valoarea optim a a variabilelor de decizie,
precum si valoarea optim a a obiectivului.
Dac a nu se cunosc cu exactitate toate elementele modelului, avem alte tipuri
de modele de optimizare ca: optimizare stochastic a, optimizare parametric a,
optimizare cu coecienti multime sau modele de simulare.
O alt a chestiune care trebuie avut a n vedere este liniaritatea modelelor de
optimizare. Deoarece problemele de optimizare sunt foarte complexe, implicnd
mii sau zeci de mii de variabile si restrictii, rezolvarea acestora este extrem de
dicil a. De aceea, modelistii introduc anumite simplic ari. Una dintre cele
mai utilizate este presupunerea c a relatiile modelului de optimizare sunt liniare.
Din punct de vedere matematic liniaritatea este foarte convenabil a. Totusi, n
realitate liniaritatea este foarte putin prezent a. Aceasta a dus la dezvoltarea
metodelor de optimizare neliniar a.
n ciuda limitelor lor, modelele de optimizare s-au dovedit extrem de utile
n foarte multe domenii de activitate. Ori de cte ori problema de rezolvat
este una care implic a o alegere a celei mai bune situatii dintr-o multitudine de
situatii disponibile, optimizarea trebuie s a e considerat a. Iesirea unui model de
optimizare este o recomandare care arat a ce alternativ a trebuie selectat a pentru
a minimiza sau maximiza un anumit criteriu de performant a.
Modelele unor sisteme se pot studia analitic, adic a se pot deduce formule
matematice ale caracteristicilor sistemului. n cazul sistemelor complexe se ape-
leaz a la modele de simulare, care au caracter procedural.
Verbul latin simulare nseamn a a imita. Scopul unui model de simulare este
de a imita lumea real a n vederea studierii comport arii ei. Un model de simulare
este o replic a de laborator a unui sistem real pe care modelistul poate face o
serie de experimente, care altminteri sunt imposibile sau foarte costisitoare. Se
cunosc multe tehnici de simulare incluznd modele stochastice, sisteme dinam-
ice, simulare discret a, jocuri etc.
Un model de simulare nu calculeaz a ce ar trebui s a se fac a pentru a atinge
un anumit scop particular, ci claric a ce s-ar ntmpla ntr-o situatie dat a.
Scopul unui model de simulare poate acela de prognoz a n sensul prediction arii
comport arii viitoare a sistemului n anumite conditii date sau de proiectare. Cu
alte cuvinte modelele de simulare sunt instrumente de tipul what if. Deseori
o informatie de acest tip este mai important a dect cunoasterea deciziei optime.
Simularea digitala este o tehnica de realizare a experimentelor cu calculatorul
2
electronic, care implica utilizarea unor modele matematice si logice ce descriu
comportarea unui sistem real de-a lungul unei perioade mari de timp.
n informatic a, termenul de simulare digitala a fost introdus de John von
Neumann.
Cnd n evolutia unor sisteme intervin si elemente aleatoare, studiul com-
port arii lor n timp se poate face cu ajutorul calculatoarelor. Pentru aceasta,
sistemului real i se asociaz a un model de simulare, care este folosit apoi pentru
a produce, prin intermediul calculatorului, succesiunea cronologic a de st ari prin
care va trece sistemul, considerndu-se dat a starea sa initial a.
Simularea digital a se poate folosi cu succes la proiectarea sistemelor, f acnd
experiente pe model cu diferiti parametri de intrare. La construirea unui model
de simulare, partea cea mai dicil a este procedeul de a misca sistemul n timp
astfel nct s a nu se ajung a la situatia n care diferitele elemente ale sistemului
s a parcurg a intervale diferite de timp. De aceea este necesar a introducerea n
modelul de simulare a unei variabile numit a ceasul simularii care s a m asoare
scurgerea timpului real n care se simuleaz a sistemul, cu scopul de a mentine
ordinea corect a n timp a evenimentelor. Aceast a variabil a ia la nceput valoarea
zero, apoi este crescut a la ecare pas al procesului de simulare. Validarea al-
goritmului de simulare se face comparnd rezultatele simul arii cu cele analitice,
obtinute n anumite cazuri particulare.
Realizarea experimentului de simulare face necesar a parcurgerea etapelor de:
- modelare;
-programare;
-analiza rezultatelor.
Simularea trebuie s a genereze intr arile si tinnd seama de st arile interne ale
sistemului, prin algoritmi adecvati s a determine iesirile si s a descrie evolutia n
timp a st arilor interne ale sistemului. n mediul Matlab, n Statistics Toolbox
exist a generatori pentru 20 de tipuri de variabile aleatoare: exponen tiale neg-
ative (exprnd), Poisson (poissrnd) ,de tip gamma (gamrnd) si beta (betarnd),
normale (normrnd), binomiala (binornd) ,
2
(chi2rnd), etc.
Toti acesti generatori folosesc generatorul de numere pseudoaleatoare (de dis-
tribu tie uniforma) random.
Desi nu ofer a solutii exacte (ci suboptimale), simularea este o tehnic a de
cercetare ecient a pentru problemele complexe , imposibil de studiat analitic.
Cu ajutorul simul arii se obtin mai multe variante de decizie dintre care man-
agerul o va alege pe cea mai bun a, corespunz atoare conditiilor date la un anumit
moment.
Modelarea si simularea proceselor economice
Modelarea si simularea proceselor economice ofer a economistilor o serie de
modele si tehnici necesare actiunilor manageriale la nivel microeconomic si are
leg aturi strnse cu urm atoarele discipline privind conducerea:
- cercetarea opera tionala;
3
- cibernetica;
- informatica;
- psihosociologia organizarii;
- teoria generala a sistemelor.
Rezolvarea problemelor manageriale nu se poate realiza cu un model matem-
atic pur.
Din punctul de vedere al preciziei, m arimile ce caracterizeaz a procesele pot
:
- marimi deterministe (riguros stabilite cu o valoare unic a);
- marimi stochastice, aleatoare (m arimi ce pot lua o multime de valori c arora
li se asociaz a o probabilitate);
n functie de caracterul acestora, modelele se grupeaz a n:
- modele deterministe ;
- modele stochastice, probabilistice.
n functie de factorul timp:
- modele statice ;
- modele dinamice.
n functie de orizontul de timp considerat:
- modele discrete ;
- modele continue.
Modele de optimizare f ar a restrictii
Forma general a a unei probleme de optimizare f ar a restrictii este
max (min) f( r)
unde f : R
n
!R este o functie obtinut a n urma unui proces de modelare
a fenomenelor dintr-un anumit domeniu, utiliznd principiile si legile ce gu-
verneaz a n domeniul respectiv. n urma procesului de modelare se obtine o
expresie algebric a a functiei f sau o expresie tabelar a. Desi se pot imagina ex-
presii algebrice foarte complicate pentru functia f , sunt de preferat expresiile
mai simple care s a aib a unele propriet ati benece pentru algoritmii de opti-
mizare, cele mai importante ind continuitatea si diferentiabilitatea.
Optimizarea f ar a restrictii const a n determinarea valorilor componentelor
vectorului x din R
n
care realizeaz a maximul (minimul) functiei f . Algoritmii
de optimizare evalueaz a functia f n ecare aproximatie x
k
a solutiei. Este clar
c a o expresie foarte complicat a a functiei f si o evaluare la precizia maxim a
a masinii implic a timpi de calcul apreciabili. De aceea se recomand a s a se
utilizeze tolerante mai mari n evaluarea functiei n puncte ndep artate de solutia
problemei si reducerea acestor tolerante pe masur a ce ne apropiem de punctul
de optim.
Modelarea proceselor de alocare a resurselor
Un loc important printre tehnicile si modelele folosite de manageri pentru
rezolvarea unor probleme decizionale l ocup a modelele de optimizare liniara.
4
Acestea sunt modele statice, ele nu surprind aspectele dinamice ale proceselor
considerate. Reoptimizarea problemelor de optimizare liniar a permite abordarea
n timp a fenomenelor economice prin tratarea aspectelor legate de variatia
elementelor "constante" si anume: resurse, costuri si tehnologii.
Forma general a a modelului de optimizare liniar a este:
max (min) f( r) = c
T
r
cu restric tiile:
r / (sau r /)
r 0,
unde:
f( r) = c
T
r = c
1
r
1
+ c
2
r
2
+...c
n
r
n
este func tia obiectiv;
r - vector coloan a cu n componente r
1
, r
2
,...,r
n
, care reprezint a necunos-
cutele modelului (variabilele decizionale);
, /, c sunt constantele modelului, considerate certe n perioada analizat a ;
- matricea coecien tilor tehnologici, cu m linii si n coloane.
/ - vector coloan a cu m componente /
1
, /
2
, .../
m
, care sunt termenii liberi ai
restric tiilor. Ei reprezint a disponibilul maxim din anumite resurse sau nivelul
minim care trebuie atins de anumite activit ati;
c - vector coloan a cu n componente c
1
, c
2
,..., c
n
, care reprezint a coecien tii
func tiei obiectiv. Ei pot costuri unitare, preturi unitare, proturi unitare sau
alti indicatori de performant a care caracterizeaz a variabilele de decizie.
Fiind date n activit ati competitive si m resurse limitate se noteaz a cu r
1
, r
2
,...,r
n
nivelele pe care le pot atinge ecare din cele n activit ati. Ele reprezint a
variabilele de decizie ale problemei, adic a m arimile asupra c arora decidentul
poate exercita un anumit control n vederea realiz arii obiectivului propus.
Vectorul format prin combinarea unor valori atribuite variabilelor r
1
, r
2
,...,r
n
, reprezint a o alternativ a sau o variant a decizional a. Alegerea unei variante
decizionale se realizeaz a pe baza unor criterii economice (prot, cost, nc arcarea
utilajelor etc.) exprimate prin functii liniare de n variabile de forma
f( r) = c
T
r = c
1
r
1
+ c
2
r
2
+...c
n
r
n
.
Aceste functii vor maximizate sau minimizate n functie de obiectivul pe
care l reprezint a . Ele se numesc func tii obiectiv sau de ecien ta.
Nivelul maxim sau minim pe care l poate atinge valoarea functiei obiectiv
depinde de nivelul ec arei resurse disponibile si de obligatiile pe care organizatia
le are de ndeplinit. Aceste constrngeri la care sunt supuse variantele decizionale
pot exprimate matematic prin restric tii liniare.
Orice problem a de optimizare liniar a are dou a forme: forma primala si forma
duala. Prin rezolvarea uneia dintre ele se obtin solutiile pentru ambele forme.
Prin rezolvarea modelului primal se obtin:
-solu tia optima, adica varianta decizional a care duce la cea mai
bun a valoare a criteriului de performant a specicat prin functia obiectiv;
5
- pre turile umbra asociate restrictiilor liniare (valorile optime
ale variabilelor duale); pretul umbr a este diferit de zero numai dac a restrictia
asociat a este vericat a cu egalitate, adic a numai dac a resursa respectiv a este
folosit a integral de c atre solutia optim a; pretul umbr a arat a cu ct s-ar modica
valoarea functiei obiectiv daca s-ar putea m ari cu o unitate disponibilul din
resursa respectiv a.
Modele de optimizare p atratic a
Problema optimizarii patratice implic a minimizarea unei functii p atratice
referitor la o multime de restrictii liniare. Optimizarea p atratic a ocup a un loc
intermediar ntre optimizarea liniar a si optimizarea convex a. Aceast a form a
particular a de problem a de optimizare matematic a este de un mare interes prin
ea ns asi si joac a un rol fundamental n precizarea unor metode de rezolvare a
problemelor generale de optimizare neliniar a.
n optimizarea f ar a restrictii ideea de constructie a unui model p atratic n
jurul punctului curent constituie o tehnic a esential a de elaborare a algoritmilor
dedicati rezolv arii acestei clase de probleme.
Aceast a tehnic a s-a extins la problemele de optimizare neliniar a cu restrictii.
n acest sens exist a metode care se bazeaz a pe aproximarea p atratic a a proble-
mei. n esent a acestea construiesc un sir de probleme de optimizare p atratic a
care aproximeaz a local problema original a si ale c aror solutii tind c atre solutia
optim a a problemei considerate.
O problem a de optimizare p atratic a const a n:
min()
T
r +
1
2
r
T
Hr)
referitor la:
Ax /,
A
eq
x /
eq
,
lb r n/
unde H, A si A
eq
sunt matrice si f, b, b
eq
, lb, ub si x sunt vectori. H este o
matrice simetrica, pozitiv denita. Restric tiile problemei sunt liniare iar func tia
obiectiv este suma unei func tionale liniare cu o forma patratica.
Modelarea proceselor decizionale multicriteriale
Procesul decizional presupune evaluarea mai multor variante decizionale n
vederea alegerii uneia dintre ele. Evaluarea variantelor se face pe baza mai
multor criterii exprimate prin func tii matematice. Problemele n care se cauta
varianta decizionala optima n raport cu mai multe criterii se numesc probleme
de optimizare multicriteriala. Dar n general, o varianta optima n raport cu
un criteriu este suboptimala n raport cu celelalte criterii. De aceea, se cauta
varianta care realizeaza "cel mai bun compromis" pentru toate criteriile.
Criteriile de evaluare pot exprimate n unita ti de masura diferite. O alta
problema consta n faptul ca unele criterii luate n considerare urmaresc max-
imizarea unor indicatori (de exemplu: venitul total), iar alte criterii urmaresc
minimizarea unor indicatori (de exemplu: costul). Este necesara transformarea
6
valorilor indicatorilor n marimi care sa permita att compararea variantelor,
ct si agregarea valorilor criteriilor de evaluare.
Forma generala a modelului de programare liniara cu criterii multiple este:
_

_
(ojti:) 1
h
=
n

j=1
c
hj
r
j
(/ = 1, 2, ..., r)
r /
r 0.
Modele de transport
Reprezinta cazuri particulare ale modelelor de optimizara liniara. Problema
de transport, n forma ei generala consta n gasirea unui plan optim de trans-
port al unui produs omogen n a sa fel nct, tinnd seama de disponibilita tile
furnizorilor si de cerin tele consumatorilor sa se minimizeze cheltuielile de trans-
port.
Modelul matematic al problemei de transport :
_

_
min
_
m

i=1
n

j=1
c
ij
r
ij
_
n

j=1
r
ij
= a
i
, i = 1, 2, ..., :
m

i=1
r
ij
= /
j
, , = 1, 2, ...:
r
ij
0, i = 1, 2, ..., :; , = 1, 2, ...:.
Modele de a steptare
Modelul matematic al unui sistem cu o sta tie de servire, sosiri aleatoare de
tip Poisson si durata de servire exponen tiala este un sistem de ecua tii difer-
en tiale ale starii sistemului:
j
0
k
(t) = (` + j) j
k
(t) + jj
k+1
(t) + `j
k1
(t) , / 1.
j
0
0
(t) = `j
0
(t) + jj
1
(t) .
unde j
k
(t) este probabilitatea ca n sistem sa existe / clien ti la momentul t.
Modelele de a steptare mai complexe nu au solu tii analitice. De exemplu,
cnd sistemul de a steptare are un numar mare de sta tii de servire, cu o topolo-
gie complexa, cnd reparti tiile timpilor de sosire si/sau de servire sunt de un
tip complicat (gamma, Weibull,
2
, amestecari de reparti tii) sau cnd exista
priorita ti.
7
Pentru astfel de situa tii se recomanda simularea digitala. Simularea dig-
itala se poate folosi la proiectarea sistemelor de a steptare, facnd experien te
pe model cu diferi ti parametri de intrare. Validarea algoritmului de simulare se
face comparnd rezultatele simularii cu cele analitice, ob tinute n anumite cazuri
particulare.
Modele de stocare
Gama modelelor de stocare este extrem de diversa (modele deterministe,
probabiliste, statice, dinamice, cu cerere continua, cu cerere discontinua etc.).
n modelele deterministe de stocare se cunoa ste cu precizie cererea pe o perioada
sau pe unitatea de timp. Adeseori nsa nu se cunoa ste cu precizie aceasta cerere
si atunci o putem considera o variabila aleatoare.
Modelul de simulare descris n curs este construit pe baza modelului matem-
atic cu posibilitatea lipsei de stoc si timpul de avans al lansarii comenzii pna
la intrarea ei efectiva n stoc la momentul T. Simularea procesului de stocare se
face pentru o perioada de timp TT. Cererea pe unitatea de timp (rata cererii)
este aleatoare. Prin satisfacera cererii, nivelul stocului scade. Cnd stocul scade
pna la un nivel, numit nivel de reaprovizionare se lanseaza o comanda care va
intra n stoc dupa timpul de avans t (aleator).Se accepta lipsa de stoc (nivelul
curent al stocului ia valori negative) si atunci cnd intra in stoc, o parte din
comanda se consuma pentru a satisface cererea neonorata.
Modelarea situatiilor concurentiale
Teoria jocurilor studiaza situa tiile conictuale sau de competi tie, n care
ac tioneaza doua sau mai multe par ti, cu scopuri contrarii. Situa tiile conict-
uale, de cele mai multe ori cu caracter economic (concuren ta , vnzarile la lici-
8
9
ta tie, etc.) sunt situa tii n care ac tioneaza mai mul ti factori ra tionali, ecare
urmarind un anumit scop, independen ti n alegerea deciziilor proprii, dar de-
penden ti prin rezultate. Rezultatul oricarei decizii luate de una dintre par ti,
depinde de modul de ac tiune pe care-l adopta partea adversa.
Aceasta situa tie a fost formalizata de catre matematicianul John von Neu-
mann si economistul Oskar Morgenstern, n conceptul matematic de joc Ace stia
au denit jocul ca orice interac tiune ntre diver si agen ti, guvernata de un set
de reguli specice care stabilesc mutarile posibile ale ecarui participant si c s-
tigurile pentru ecare combina tie de mutari. Aceasta descriere se poate aplica
aproape oricarui fenomen social.
Joc - o situa tie n care ac tioneaza o mul time = f1, 2, ..., jg de
elemente ra tionale numite jucatori care n mod succesiv si independent aleg cte
o decizie (efectueaza o mutare) dintr-o mul time data de alternative. Fiecare
jucator prime ste o recompensa (c stig) care depinde de ntreaga desfa surare
a jocului, deci de ansamblul ac tiunilor tuturor jucatorilor. Se presupune ca
jucatorii au capacitatea de a analiza variantele, de a evalua riscurile si a ncerca
sa le reduca pentru a ob tine un c stig ct mai mare posibil.
Notam cu

i
, i 2 mul timea strategiilor pure ale jucatorului i din care
acesta alege o decizie o
i
2

i
si cu

=
p

i=1

i
, produsul lor cartezian.
Mul timea o = fo
i
g
i2N
este partida realizata. C stigul ob tinut de jucatorul i
este n
i
(o) . Sistemul =
_
i
, n
i
_
i2N
se nume ste joc n forma normala de j
persoane.
ntr-un joc matriceal participa doi jucatori (1, 11), cu interese opuse , ecare
dispunnd de un numar nit de strategii. Daca jucatorul 1 are : strategii si
jucatorul 11, : strategii atunci sunt posibile :: situa tii. Func tia de c stig a
primului jucator pe mul timea de situa tii este data de o matrice ::, = (a
ij
) :
Pentru jucatorul 11 matricea de c stig difera doar prin semn. Daca jucatorul
1 alege strategia i iar jucatorul 11 strategia ,, c stigul jucatorului 1 este egal cu
a
ij
iar cel al jucatorului 11 este egal cu -a
ij
.
G. Dantzig demonstreaza legatura care exista ntre modelele de optimizare
liniara si jocurile matriceale. El arata ca orice model de optimizare liniara poate
constitui un joc matriceal cu suma nula ntre doi jucatori, iar orice astfel de joc
se poate transforma ntr-un model de optimizare liniara.
Problema jucatorului I
Sa se gaseasca vectorul r
0
=
_
r
0
1
, r
0
2
, ..., r
0
m
_
T
si numarul
I
satisfacnd
condi tia ca mpotriva tuturor strategiilor pure ( si prin urmare si a celor mixte)
ale jucatorului 11, strategia mixta r
0
a jucatorului 1 sa dea un c stig de cel
10
pu tin
I
care trebuie maximizat:
_

_
max(
I
)

i=1
a
ij
r
0
i
+
I
0, , = 1, :
m

i=1
r
0
i
= 1
r
0
i
0, i = 1, :.
Problema jucatorului II
Sa se gaseasca vectorul j
0
=
_
j
0
1
, ..., j
0
n
_
T
si numarul
II
, satisfacnd condi ti-
ile:
_

_
min(
II
)
n

j=1
a
ij
j
0
j

II
0, i = 1, :
n

j=1
j
0
j
= 1
j
0
j
0, , = 1, :.
Cele doua probleme formeaza un cuplu de probleme duale.
11