Documente Academic
Documente Profesional
Documente Cultură
Modelare Procese Ec - Lixandroiu D PDF
Modelare Procese Ec - Lixandroiu D PDF
Dorin Lixăndroiu
MODELAREA PROCESELOR
ECONOMICE
Introducere
519.86:33(075.8)
În fiecare ştiinţă este numai atâta ştiinţă, câtă matematică conţine.
Immanuel Kant
Prefaţă
Autorul
CUPRINS
Pag.
1. INTRODUCERE ÎN MODELAREA DECIZIEI ........................................................ 3
BIBLIOGRAFIE……………………………………………………………………………………………… 107
Modelarea proceselor economice 1
INTRODUCERE
De-a lungul secolelor oamenii au construit şi îmbunătăţit modele pentru a explica
fenomenele observate. În domeniul luării deciziilor, primele modele formalizate au
apărut în a doua jumătate a secolului trecut. Tehnicile de modelare şi optimizare sunt
folosite nu numai în domeniul tradiţional supply chain management, dar şi în celelalte
arii funcţionale ale organizaţiilor, ca finanţe, contabilitate, marketing.
Suntem de acord cu părerile exprimate de alţi autori că nu există un manual care să te
înveţe să modelezi un proces, un fenomen, în scopul studiului comportamentului şi
optimizării deciziei. Există doar posibilitatea de a prezenta un instrumentar format din
metode şi tehnici ce pot fi utilizate în construcţia şi rezolvarea modelelor. Calitatea şi
complexitatea modelului construit, a gradului de fidelitate în reflectarea realităţii,
depinde de persoana sau echipa care realizează construcţia şi rezolvarea modelului.
Lucrare prezintă o introducere în câteva din modelele şi tehnicile mai importante şi mai
eficace: modele rezolvate prin metodele cercetării operaţionale, modele de decizie
monocriteriale, modele de decizie multicriteriale, modele de gestiune a stocurilor,
modele rezolvate cu mulţimi fuzzy.
Obiectivele cursului
Disciplina Modelarea proceselor economice are caracter interdisciplinar, fiind
tratată ca un domeniu de graniţă cu economia, statistica economică,
econometria, informatica şi matematica. Cursul are două obiective principale
– primul de a prezenta studenţilor mai multe modele şi tehnici cantitative de
asistare a deciziei manageriale ce permit rezolvarea problemelor importante
decizionale la nivel de firmă, în condiţii de concurenţă, cu ajutorul
instrumentelor informatice. Un al doilea obiectiv principal al cursului este de a
oferi studii de caz şi exemple practice de modelare a deciziei manageriale. La
începutul fiecărui capitol (unitate de învăţare) se prezintă în *....+ sursele
bibliografice utilizate, care ar putea fi folosite de cei interesaţi în dobândirea
de cunoştinţe suplimentare şi aprofundarea acestui domeniu fascinant al
managementului.
Competenţe oferite
Parcurgerea acestui suport de curs permite înţelegerea şi construcţia unor
modele economice pentru fundamentarea deciziei economice, cunoaşterea şi
utilizarea integrativă a produselor informatice pentru modelarea şi asistarea
deciziilor, analiza şi interpretarea economică a rezultatelor. Studenţii vor
înţelege locul şi rolul proceselor de optimizare a deciziilor manageriale, ca
factor determinant în trecerea de la complexul experienţă-intuiţie, la cel de
informaţie-raţionament.
2 Dorin Lixăndroiu
Structura cursului
numărul de unităţi de învăţare (UI) ce compun cursul: 6
numărul temelor de control: 2
modul de transmitere al temelor de control către cadrul didactic şi,
respectiv, a rezultatelor către studenţi: prin încărcarea pe platforma
eLearning, material tipărit, e-mail.
Cerinţe preliminare
Studiul Modelării proceselor economice se bazează pe cunoştinţele dobândite
anterior în studiul diciplinelor: Microeconomie, Statistică economică,
Management, Bazele informaticii economice, Econometrie, Matematică.
Discipline deservite
Competenţele oferite de acest curs şi posibilităţile date de instrumentarul
utilizat permit o abordare ştiinţifică bazată pe complexul informaţie –
raţionament a problemelor complexe ale deciziei manageriale dezvoltate în
cadrul celorlalte discipline de management.
Evaluarea
Componenţa notei finale:
- ponderea evaluării finale (examen) – 60%
- ponderea temelor de control – 40%.
Modelarea proceselor economice 3
Unitatea de învăţare 1
INTRODUCERE ÎN MODELAREA DECIZIEI
*ANDRAŞIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[KRAJEWSKI, 2005], [IONESCU, 1999], *RAŢIU, 2001+
Obiectiv
Obiectivul principal al acestui capitol introductiv este de a prezenta
importanţa conceptului de model în procesul de optimizare a deciziei
manageriale. Se enumără principalele tipuri de modele şi se prezintă etapele
procesului de construcţie şi rezolvare a unui model economic.
MODELAREA
Un instrument de cunoaştere ştiinţifică a realităţii obiective; are ca scop construirea de
reprezentări (modele) care să permită înţelegerea mai bună, profundă, ştiinţifică a
acesteia.
MODELUL
O reprezentarea izomorfă a realităţii care oferă o imagine intuitivă, dar riguroasă în
sensul structurii logice, a fenomenului studiat şi permite descoperirea unor legături şi
legităţi greu de stabilit pe alte căi.
Termenul de “MODEL” este utilizat pentru prima dată de Beltrami în 1868, în încercarea
de construire a unui model euclidian al geometriei.
4 Dorin Lixăndroiu
DECIZIA
Există multe definiţii ale deciziei. Dintre acestea prezentăm câteva:
Hotărârea luată ca urmare a examinării unei probleme, situaţii etc., soluţia
adoptată (dintre mai multe posibile). (DEX, 1998)
Alegerea unei direcţii de acţiune. (Simon, 1960)
Alegerea unei strategii de acţiune. (Fishburn, 1964)
O alegere conducând la un anume obiectiv dorit. (Churchman, 1968)
O alocare a resurselor. (Spradlin, 1997)
Rezultatul unui tip particular de prelucrare a informaţiilor, care constă în
alegerea unui plan de acţiune. (Bonczek,..., 1984)
Alegerea uneia dintre mai multe alternative; o afirmaţie care arată angajarea
într-o direcţie de acţiune. (Power, 2000)
Figura 1
În figura 2 se prezintă etapele care trebuiesc parcurse în procesul de modelare.
Remarcăm posibilitatea de întoarcerea la pasul anterior în situaţia apariţiei unei erori.
Figura 2
Modelarea proceselor economice 7
după ce au fost determinate mai multe soluţii acceptabile ca rezultat al rezolvării unui
model analitic sau de simulare.
Să ne reamintim...
MALINVAUD - “Apariţia şi generalizarea cuvântului model în ştiinţele
economice este concomitentă cu cea a unei mai mari rigori. Logica
raţionamentului pe modele este astfel, fundamentul principal al metodei
ştiinţifice în economie.”
Rezumat
MODELAREA este un instrument de cunoaştere ştiinţifică a realităţii
obiective.
MODELUL este o reprezentarea izomorfă a realităţii care oferă o imagine
intuitivă, dar riguroasă în sensul structurii logice, a fenomenului studiat şi
permite descoperirea unor legături şi legităţi greu de stabilit pe alte căi.
Modelelor economico-matematice se clasifică după mai multe criterii:
- după sfera de reflectare a problematicii economice,
- în funcţie de domeniul de provenienţă şi concepţie,
- în funcţie de caracterul variabilelor,
- în funcţie de factorul timp,
- în funcţie de orizontul timp.
Procesul de modelare presupune parcurgerea următoarelor etape:
- definirea sistemului şi a scopului modelării;
- colectarea şi analiza datelor;
- construirea modelului;
- verificarea modelului;
- validarea modelului.
Unitatea de învăţare 2
MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIARĂ
[ACKOFF, 1975], [ANDREICA, 1998], [GIARD, 1998], [HILLIER, 2005], [KARMANOV, 1977],
[KAUFMANN, 1975], [KAUFMANN, 1987], [KRAJEWSKI, 2005] [IONESCU, 1999], [MALIŢA, 1971+,
[MIH0C, 1973+, *RAŢIU, 2001], [RUSU, 2001], [SZABO, 2005], [THIEL, 1990], [ZIDĂROIU, 1983]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele economice care
vor fi rezolvate prin programare liniară. Se prezintă probleme economice
clasice, întâlnite în practică, care pot fi rezolvate prin aplicarea modelelor
matematice ale programării liniare. Sunt abordate şi modelele de alocare –
problema de repartizare şi problema de transport. Modelele sunt rezolvate cu
ajutorul produsului software QM (Quantitative Management).
m n
aki x i bkj y j ck , k 1,2,..., p
i 1 j 1
Modelul
n
Funcţia obiectiv: max (c j d j ) x j
j 1
n
Restricţiile: aij x j bi , i 1,2,..., m (5)
j 1
x j 0, j 1,2,..., n
Notăm:
n - numărul de luni
Ri , i 1,2,..., n - cantităţile lunare contractate
y i , i 1,2,..., n - volumul producţiei lunare realizabile în program normal
y is , i 1,2,..., n - volumul producţiei lunare realizabile în program suplimentar
ci , i 1,2,..., n - costul lunar al producţiei realizabile în program normal
cis , i 1,2,..., n - costul lunar al producţiei realizabile în program suplimentar
d - costul unitar de stocare
x i , i 1,2,..., n - cantităţile ce trebuiesc produse lunar în program normal
x is , i 1,2,..., n - cantităţile ce trebuiesc produse lunar în program suplimentar
si , i 2,3,..., n - cantităţile ce trebuiesc stocate lunar.
Se cere să se determine x i , i 1,2,..., n , x is , i 1,2,..., n şi si , i 1,2,..., n , astfel încât
costurile de producţie şi stocare să fie minime.
Modelarea proceselor economice 13
Modelul
Funcţia obiectiv:
n
min c i x i c is x is d si c1 x1 c1s x1s
i 2
x k x ks si 1 Rk ,
i i
Restricţiile: i 1,2,..., n 1
k 1 k 1
x n x ns sn Rn (6)
0 x i y i , i 1,2,..., n
0 x is y is , i 1,2,..., n
si 0, i 1,2,..., n
Modelul se rezolvă prin metoda programării liniare.
3. Problema amestecului
Cunoscută şi sub numele de problema dietei sau nutriţiei, problema amestecului este
una din primele probleme practice, formulată şi rezolvată ca problemă de programare
liniară. Problema constă în determinarea unei diete dintr-un număr dat de alimente,
care să satisfacă anumite cerinţe biologice şi să fie în acelaşi timp cât mai ieftină. Astfel
de probleme apar în alcătuirea raţiilor pentru animale în zootehnie, pentru calcularea
amestecului optim de îngrăşăminte în agricultură, în industria chimică pentru diverse
amestecuri, în industria petrolieră pentru amestecuri de benzine etc.
Notăm:
aij , i 1,2,..., m, j 1,2,..., n, - cantitatea din principiul nutritiv i,
conţinută într-o unitate din produsul/alimentul j
bi , i 1,2,..., m, - numărul minim de unităţi din principiul nutritiv i,
pe care trebuie să-l conţină dieta
c j , j 1,2,..., n, - costul unei unităţi din produsul/alimentul j
x j , j 1,2,..., n, - cantitatea necunoscută din produsul/alimentul j
care va intra în compoziţia dietei (necunoscutele
problemei)
Modelul
n
Funcţia obiectiv: mi n c j x j
j 1
n
Restricţiile: aij x j bi , i 1,2,..., m (7)
j 1
x j 0, j 1,2,..., n
Modelul construit se rezolvă prin metoda programării liniare.
14 Dorin Lixăndroiu
Notăm:
bi , i 1,2,..., m, - numărul de bucăţi necesare de tipul i
aij , i 1,2,..., m, j 1,2,..., n, - numărul de bucăţi de tipul i care se obţin
din tăierea/croirea conform modelului j
r j , j 1,2,..., n, - costul restului rezultat prin tăierea/croirea conform
modelului j
x j , j 1,2,..., n, - numărul de materiale ce urmează a fi tăiate/croite
conform modelului j;
Modelul
n
Funcţia obiectiv: mi n r j x j
j 1
n
Restricţiile: aij x j bi , i 1,2,..., m (8)
j 1
x j 0, j 1,2,..., n - numere întregi
Modelul construit se rezolvă prin metoda programării liniare cu variabilele numere
întregi, deoarece materialele ce urmează a fi tăiate/croite conform unui anumit model
se presupun indivizibile.
Modelul
m n
Funcţia obiectiv: max bij x ij
i 1 j 1
m
Restricţiile: fij x ij B j , j 1,2,..., n (9)
i 1
n
x ij 1, i 1,2,..., m
j 1
x ij 0,1, i 1,2,..., m, j 1,2,..., n
Modelul conduce pentru rezolvare la problema de programare liniară cu variabile
booleene (0-1).
Profitul unitar obţinut este de 10 u.m. pentru varianta standard şi de 9 u.m. pentru cea
de lux. Timpii disponibili estimaţi pentru fiecare operaţie sunt:
Modelul
Funcţia obiectiv: max10 x1 9 x2
Restricţiile: 0.6 x1 1 x2 650
0.5 x1 0.8 x2 700 (10)
1.1 x1 0.7 x2 750
0.1 x1 0.25 x2 200
x1 0, x2 0
Rezolvăm cu modulul Linear Programming din produsul software Quantitative
Management (QM).
Figura1
Problemele de programare liniară în care intervin două sau trei variabile se pot rezolva şi
pe cale grafică. Geometric, în cazul a două variabile, fiecare restricţie determină un
semiplan, care rezultă prin divizarea planului de către dreapta a cărei ecuaţie se obţine
prin transformarea inecuaţiei în ecuaţie. În final se obţine un poligon, care reprezintă
mulţimea soluţiilor admisibile. Soluţia optimă trebuie căutată în vârfurile poligonului. În
figura 2 se prezintă rezolvarea grafică a problemei considerate în QM.
Modelarea proceselor economice 17
Figura 2
Interpretarea rezultatelor
Rezolvarea în QM, permite o analiză aprofundată şi o interpretare economică a soluţiilor
obţinute. În figura 3 sunt date rezultatele acestei analize.
Figura 3
Reduced costs - arată cu cât trebuie să se modifice coeficienţii funcţiei obiectiv, pentru
ca în soluţia finală valorile variabilelor să fie pozitive.
Dual Value - dă informaţii asupra valorii marginale a resurselor în soluţia optimă. Preţul
dual asociat unei restricţii arată cu cât se îmbunătăţeşte valoarea optimă a funcţiei
obiectiv la creşterea cu o unitate a valorii membrului drept din restricţia respectivă.
Figura 4
Astfel, dacă mărim cu o oră timpul afectat pentru operaţia 1, de la 650 ore la 651 ore, va
rezulta o creştere a valorii funcţiei obiectiv cu 4,26 u.m. de la 7845,59 u.m. la 7849,85
u.m. (figura 4). Evident pentru operaţiile 2 şi 4, Dual Value = 0, deoarece la aceste
operaţii am constatat un surplus de ore neutilizate.
Figura 5
Figura 6
Right Hand Side Ranges - preţul dual asociat unei restricţii rămâne valabil dacă valoarea
resursei (membrul drept al inegalităţii) variază în intervalul (Lower Bound - Upper
Bound).
De exemplu, din figura 3 deducem că preţul dual de 4,26 u.m. rămâne valabil dacă
timpul afectat operaţiei 1 variază în intervalul (409,09 ore – 846,34 ore).
Ipotezele modelului:
I1. Pentru fiecare modul se cunoaşte fiabilitatea şi costul;
I2. Utilizatorul dispune de o sumă limitată pentru achiziţionarea produsului software;
I3. Utilizatorul cunoaşte frecvenţa de utilizare a fiecărei funcţii din produsul software.
Să se maximizeze fiabilitatea medie prin alegerea unei mulţimi optime de module fără
redundanţă.
Modulul P1 P2 P3 P4
Fiabilitatea 0.90 0.80 0.85 0.95
Costul 6 4 5 8
Modulul Q1 Q2 Q3
Fiabilitatea 0.70 0.80 0.90
Costul 2 4 6
Modelul general
Notăm:
N - numărul de funcţii
Fk - frecvenţa de utilizare a funcţiei k
mk - numărul de module disponibile pentru funcţia k
Rkj - fiabilitatea modulului j care execută funcţia k
C kj - costul modulului j care execută funcţia k
B - bugetul disponibil
_
R - fiabilitatea medie
x kj 1, dacă modulul j a fost ales pentru funcţia k
x kj 0, dacă modulul j nu a fost ales pentru funcţia k
Funcţia obiectiv:
_ N mk
max R Fk Rk , unde Rk x kj Rkj (11)
k 1 j 1
Restricţiile sunt:
mk
x kj 1, k 1,2,..., N (12)
j 1
N mk
x kj C kj B
k 1 j 1
x kj 0, 1, k 1,2,..., N, j 1,2,..., mk
Modelul general particularizat pentru datele problemei prezentate mai sus, a fost
rezolvat cu modulul Integer Programming din QM. Figura 7 prezintă datele problemei
introduse în QM.
Modelarea proceselor economice 21
Figura 7
Soluţiile obţinute sunt date în figura 8.
Figura 8
Rezolvarea modelului de alegere a unui produs software modular a condus la selectarea
modulului P4 pentru funcţia 1 şi a modulului Q2 pentru funcţia 2. S-a obţinut o fiabilitate
medie de 0,9125.
A. INCOMPATIBILITATEA
Două proiecte sunt incompatibile când nu se pot realiza în acelaşi timp; se poate realiza
doar unul sau niciunul (ele presupun utilizarea aceleiaşi resurse limitate, sau sunt
variante tehnice cu aceeaşi finalitate).
xj 0 xj 1
xi 0 Da Da
xi 1 Da Nu
B. DISJUNCŢIA (sau)
Cel puţin unul dintre proiectele i sau j trebuie să se realizeze.
xj 0 xj 1
xi 0 Nu Da
xi 1 Da Da
xj 0 xj 1
xi 0 Nu Da
xi 1 Da Nu
Generalizare:
n
- din n proiecte, unul singur trebuie să se realizeze: xi 1
i 1
n
- din n proiecte, m proiecte trebuie să se realizeze: xi m
i 1
D. IMPLICAŢIA
Dacă proiectul i implică proiectul j, nu se poate realiza i fără a realiza şi j. Dar, dacă i nu
se realizează, proiectul j se poate realiza sau nu.
xj 0 xj 1
xi 0 Da Da
xi 1 Nu Da
x1 j x2 j 1, j 1,2,...,5
I4. Dacă obiectivele O1 şi O2 sunt realizate în acelaşi an, nici un alt obiectiv nu poate fi
realizat în acelaşi an.
- pentrul anul 1 avem:
x31 2 x11 x21
x 41 2 x11 x21
x 51 2 x11 x21
x61 2 x11 x21
- aceleaşi restricţii vor fi adăugate şi pentru anii 2,3, 4 şi 5.
Concentrat putem scrie cele 20 de restricţii logice astfel:
x ij 2 x1 j x2 j , i 3, 4, 5, 6, j 1,2,...,5
x11 x21 x31 x 41 2 - din cele 4 obiective doar două se vor realiza
x11 x21 - cele două vor fi (O1 şi O2) sau (O3 şi O4)
I6. Obiectivul O1 poate fi realizat în primul an numai dacă acesta este anul de realizare al
obiectivelor O2 şi O3.
- recunoaştem situaţia analizată la implicaţie: “realizarea proiectului i implică realizarea
proiectelor h şi k”; deci, vom adăuga restricţia logică:
Dacă suma resurselor disponibile este egală cu suma cantităţilor necesare, adică:
m n
bi a j (17)
i 1 j 1
problema de alocare este echilibrată.
În cazul unei probleme neechilibrate algoritmii de rezolvare determină şi activităţile ce
nu vor fi executate sau resursele ce nu vor fi folosite.
În clasa problemelor de alocare distingem: problema de transport şi problema de
repartizare.
Problema de transport
Constă în transportul unui produs care se află în m depozite (centre de aprovizionare,
surse) către n consumatori (clienţi, centre de desfacere), astfel încât costul de transport
să fie minim.
Notăm:
Di , i 1,2,..., m, - depozitele
C j , j 1,2,..., n, - centrele de consum
a j , j 1,2,..., n, - cantităţile de produs solicitate
bi , i 1,2,..., m, - cantităţile de produs disponibile
cij , i 1,2,..., m, j 1,2,..., n, - cheltuielile pentru transportul unei unităţi
de produs de la depozitul Di la centrul de consum C j
x ij , i 1,2,..., m, j 1,2,..., n, - cantitatea necunoscută de produs care va
fi transportată de la depozitul Di la centrul de consum C j
Modelul
m n
Funcţia obiectiv: min c ij x ij (18)
i 1 j 1
26 Dorin Lixăndroiu
n
Restricţiile: x ij ai , i 1,2,..., m
j 1
m
x ij b j , j 1,2,..., n
i 1
x ij 0, i 1,2,..., m, j 1,2,..., n
Modelul problemei de transport este rezolvat în QM de modulul Transportation, care
tratează şi situaţiile neechilibrate (cererea > oferta sau cererea < oferta).
Problema de repartizare
Într-o problemă de repartizare fiecare resursă poate fi alocată unei singure activităţi şi
fiecare activitate nu poate utiliza decât o singură resursă. Este un caz particular de
problemă de transport în care toate cantităţile disponibile sunt egale cu 1 şi toate
cantităţile necesare sunt egale tot cu 1.
Exemplul tipic de problemă de repartizare: un număr m de persoane trebuie să
efectueze un număr n de activităţi. Fiecare persoană are un anumit cost (randament /
performanţă) pentru fiecare activitate. Se încearcă formarea de perechi resursă-
activitate astfel încât să se optimizeze funcţia obiectiv (minimizarea costurilor sau
maximizarea performanţelor). Astfel de probleme apar când trebuie să repartizăm
avioanele şi echipajele pe zboruri, camioanele şi şoferii pe anumite rute, personalul
dintr-o organizaţie pe anumite funcţii etc. Dacă există mai multe activităţi decât se pot
efectua, trebuie precizat ce activitate nu va fi realizată. Dacă există mai multe resurse
decât activităţi, se va preciza ce resurse rămân nealocate.
Modelul
m n
Funcţia obiectiv: min c ij x ij (cost)
i 1 j 1
m n
sau max rij x ij (randament)
i 1 j 1
n
Restricţiile: x ij 1, i 1,2,..., m (19)
j 1
m
x ij 1, j 1,2,..., n
i 1
x ij 1, dacă resursa i a fost alocată activităţii j
x ij 0, dacă resursa i nu a fost alocată activităţii j
Echipajul trebuie să se odihnească între zboruri cel puţin 5 ore. Determinaţi perechile de
zboruri pentru care timpul întreg de staţionare pe un aeroport străin să fie redus la
minim. Se poate stabili baza echipajelor fie în A, fie în B. Pentru fiecare pereche de
zboruri, echipajul va fi repartizat în baza care face posibilă obţinerea unui timp minim de
staţionare.
Rezolvare
Pasul 1. Calculăm timpul de staţionare pe aeroportul străin în ipoteza că baza este în A.
Pentru aceasta considerăm toate perechile (A-Bi, B-Aj), cu i=1,2,…,6 şi j=1,2,…,6.
Plecare A - Sosire B
Zbor B-A 1 B-A 2 B-A 3 B-A 4 B-A 5 B-A 6
A-B 1 24 24.5 28 9.5 11 14
A-B 2 23 23.5 27 8.5 10 13
A-B 3 17.5 18 21.5 27 28.5 7.5
A-B 4 12.5 13 16.5 22 23.5 26.5
A-B 5 11 11.5 15 20.5 22 25
A-B 6 7.5 8 11.5 17 18.5 21.5
28 Dorin Lixăndroiu
Pasul 3. Combinăm cele două tabele, alegând baza care oferă timpul de staţionare cel
mai scăzut pentru fiecare pereche. Noua tabelă conţine datele de intrare în
modulul Assignment din QM (figura 10).
Figura 10
Figura 11
Pasul 4. Pentru a stabili baza echipajelor identificăm soluţiile de repartizare (Assign) în
cele două tabele construite la Pasul 1 şi 2. Rezultă că 3 perechi de zboruri vor avea baza
în A şi 3 perechi de zboruri vor avea baza în B, iar durata totală de aşteptare pe
aeroporturile străine pentru toate cele 6 echipaje este de 49 ore şi 45 minute (Optimal
cost = $49.75).
Modelarea proceselor economice 29
Rezumat
Problema de programare liniară se încadrează în limitele generale ale
modelelor programării matematice şi se caracterizează prin faptul că atât
funcţia obiectiv cât şi restricţiile sunt exprimate matematic prin funcţii liniare.
Tipuri particulare de probleme de programare liniară:
- programarea liniară în numere întregi
- programarea liniară mixtă
- programarea liniară booleană
Investitorul decide că nu va plasa mai mult de 25% la o singură bancă şi cel puţin
jumătate din fonduri vor fi plasate la băncile pentru care are informaţii după
anul 2008. Nu va investi mai mult de 30% în băncile care au situaţia financiară
mai puţin de foarte bună. Ce sumă va depune în fiecare bancă pentru a
maximiza profitul din dobândă ? Construiţi modelul şi rezolvaţi-l utilizând
produsul software QM. [RUSU, 2001]
Unitatea de învăţare 3
MODELAREA DECIZIILOR MONOCRITERIALE
[ACKOFF, 1975], [ANDREICA, 1998], [HILLIER, 2005], [KAUFMANN, 1987], [KRAJEWSKI, 2005]
[IONESCU, 1999], [RUSU, 2001]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru
elaborarea şi analiza deciziilor monocriteriale în condiţii de incertitudine cu
ajutorul matricei de decizie şi al arborelui de decizie. Modelele sunt rezolvate
cu ajutorul produsului software QM (Quantitative Management).
Cursurile alternative de acţiune – elaborarea deciziei, prin definiţie, implică două sau mai
multe opţiuni, cursuri sau alternative de acţiune (strategii). Capacitatea de a crea
alternative depinde de creativitatea şi imaginaţia managerilor. Managerul creativ, de
obicei, vede mai multe alternative decât realizează unul conservator. Sunt variabile de
decizie independente.
Stările naturii – numite şi evenimente posibile, sunt rezultatul unei forţe necunoscute,
necontrolabile. Într-o situaţie decizională numărul stărilor naturii nu este prea mare.
Sunt parametrii necontrolabili independenţi.
Matricea plăţilor
Stările naturii S1 S2 . . . . Sj . . . . . Sn
p1 p2 . . . . pj . . . . . pn
Alternative
A1 a11 a12 . . . . a1j . . . . . a1n
A2 a21 a22 . . . . a2j . . . . . a2n
....
Ai ai1 ai2 . . . . aij . . . . . ain
….
Am am1 am2 . . . . amj . . . . . amn
Pasul 1. Construim matricea regretelor (R). Regretul este diferenţa dintre plata cea mai
bună pentru o stare a naturii dată şi celelalte plăţi ale alternativelor pentru respectiva
stare.
1
e , unde n reprezintă numărul de stări ale naturii
n
1
e , unde n reprezintă numărul de stări ale naturii
n
j 1
Matricea plăţilor
Stările naturii S1 S2 S3 S4
Cerere mare Cerere Cerere mică Cerere zero
Alternative moderată
A1 Extindere 500 250 -250 -450
Figura 1
Soluţiile în cazul următoarelor criterii sunt prezentate în figura 2:
1. CRITERIUL ECHIPROBABILITĂŢII (Criteriul lui LAPLACE)
2. CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
3. CRITERIUL OPTIMIST (maximax)
4. CRITERIUL REALISMULUI (Criteriul lui HURWICZ)
Figura 2
Figura 3
38 Dorin Lixăndroiu
Să recapitulăm:
- conform criteriului lui Laplace luăm decizia de subcontractare
- conform criteriului lui Wald (maximin) luăm decizia de subcontractare
- conform criteriului lui Savage(regretelor) luăm decizia de extindere
- conform criteriului optimist (maximax) luăm decizia de construcţie nouă
- conform criteriului lui Hurwicz (realismului) cu alfa = 0.7 luăm decizia de
construcţie nouă
Cele 5 criterii aplicate nu conduc la aceeaşi decizie. Pentru a compara diferitele criterii
de decizie în condiţii de incertitudine, numeroşi autori pentru a justifica decizia optimă
propun realizarea unei analize prin construirea unui tabel de clasificare. Minimizarea
sumei rangurilor obţinute de alternativele studiate, relativ la cele 5 criterii, ar putea
justifica alegerea deciziei optime. Este însă posibil să se ajungă la rezulate de tipul
paradoxului lui Condorcet (clasamente non tranzitive).
Criteriul Suma
Laplace Wald Savage Optimist Hurwicz rangurilor
Alternativa
2 (α = 0.7) 9 (α = 0.7)
A1 Extindere 2 2 1 2
2 (α = 0.3) 9 (α = 0.3)
1 (α = 0.7) 11 (α = 0.7)
A2 Construcţie nouă 3 3 3 1
3 (α = 0.3) 13 (α = 0.3)
3 (α = 0.7) 10 (α = 0.7)
A3 Subcontractare 1 1 2 3
1 (α = 0.3) 8 (α = 0.3)
În tabelul de clasificare s-au introdus pentru Criteriului lui Hurwicz două rezultate:
pentru cazul optimist (alegerea lui α = 0.7) şi pentru cazul pesimist, sau mai corect
prudent (alegerea lui α = 0.3).
Concluzia finală:
- un comportament prudent indică alegerea alternativei - A3 Subcontractare
- un comportament mai optimist indică alegerea alternativei - A1 Extindere
Explicaţii S = 20 S = 30 S = 40 S = 50
Construcţia, amenajarea, mobilarea unei camere
revine la 40.000 um şi se consideră o amortizare 80.000 120.000 160.000 200.000
constantă pe 10 ani.
Se calculează o cameristă pentru 10 camere cu
un salariu anual de 6.000 um. 12.000 18.000 24.000 30.000
Întreţinere şi reparaţii: 150 um pe an şi pe
cameră. 3.000 4.500 6.000 7.500
Explicaţii R=0 R = 10 R = 20 R = 30 R = 40 R = 50
Spălat, călcat lenjerie:
5 um / zi / cameră (360 zile) 0 18.000 36.000 54.000 72.000 90.000
Electricitate, gaz şi apă:
5 um / zi / cameră (360 zile) 0 18.000 36.000 54.000 72.000 90.000
Încasările
Se apreciază că la un preţ de 60 um / cameră / pe zi, sumele încasate în funcţie de
cerere vor fi:
Explicaţii R=0 R = 10 R = 20 R = 30 R = 40 R = 50
Încasările la un preţ de
60 um / zi / cameră (365 zile) 0 219.000 438.000 657.000 876.000 1.095.000
40 Dorin Lixăndroiu
Figura 4
Conform acestui criteriu, EMV (valoarea monetară aşteptată) cea mai mare (210.32)
corespunde deciziei de a construi S = 40 camere (figura 4).
Figura 5
Modelarea proceselor economice 41
Figura 6
Figura 7
Figura 8
42 Dorin Lixăndroiu
Figura 9
Figura 10
Figura 11
Concluzie
Investitorul are de ales între următoarele soluţii:
a) conform criteriului lui Laplace va construi 40 camere;
b) conform criteriului lui Wald va construi 20 camere;
c) conform criteriului lui Hurwicz va construi 20 camere dacă este pesimist şi 50
camere dacă este optimist;
d) conform criteriului lui Savage va construi 40 camere;
Investitorul nu se poate lansa în afacere, dacă nu are o informaţie, cel puţin parţială,
asupra şanselor de reuşită. El obţine informaţii asupra cererii medii înregistrate în ultimii
ani:
Cererea 0 10 20 30 40 50
Probabilitatea 0,01 0,09 0,20 0,30 0,30 0,10
P I S
m n p
44 Dorin Lixăndroiu
- pentru S = 40 avem:
P 216,5 33,5 125
m 2
- pentru S = 30 avem:
P 168,75 168,75
m 1
Din această cauză preferăm o a doua soluţie care consideră ca rezultate proaste numai
cele de pe prima coloană din tabela Beneficii anuale (corespunzătoare lui R = 0). Se
poate considera că o pierdere uşoară este echivalentă cu un câştig uşor (de exemplu în
cazul R = 10, câştigul de14,25 ≈ pierderea de -33,5). Această soluţie conduce natural
prin simetrie la considerarea ca rezultate satisfăcătoare a celor care corespund cererii
maxime R = 50.
După modelul de rezolvare al Studiului de caz nr.1 – Dezvoltarea unui produs, stabiliţi
deciziile de acţiune prin aplicarea criteriilor Laplace, Wald, Hurwicz (alfa=0.3 şi alfa=0.7),
Savage, Pascal şi optimist.
46 Dorin Lixăndroiu
Abordăm problema în care trebuie aleasă la fiecare pas o decizie dintr-un număr finit de
posibilităţi şi întregul proces decizional se termină după un număr finit de paşi.
O firmă de produse alimentare doreşte lansarea pe piaţă a unui nou produs. S-au
efectuat câteva teste care au confirmat calităţile produsului şi plasarea bună pe piaţă
printre produsele similare. Departamentul de marketing apreciază probabilitatea de
succes a produsului la 0,3 şi acesta ar aduce un beneficiu anual total de 3000 u.m. În
cazul unui eşec pierderea firmei va fi de 250 u.m. Firma poate alege una din cele trei
alternative:
- să renunţe la lansarea produsului;
- să pună imediat produsul în vânzare;
- să testeze vânzarea produsului într-un lanţ de supermagazine; în această situaţie
costul testării este de 50 u.m. şi sunt posibile următoarele situaţii (evenimente):
Modelarea proceselor economice 47
Firma după efectuarea testului poate alege una dintre următoarele alternative:
- renunţă la punerea în fabricaţie a produsului
- lansează produsul pe piaţă.
Principiile analizei:
Valoarea fiecărui nod în care “natura” efectuează alegerea nu depinde decât de
evenimentele viitoare şi nu de deciziile precedente.
În nodurile în care decizia revine decidentului se alege întotdeauna acea decizie
pentru care următorul nod la care se ajunge este cel mai profitabil; valoarea
nodului actual este egală cu valoarea nodului următor din care se scade costul
deplasării.
Evaluarea intregului sistem şi determinarea deciziei optime se poate face
începând cu nodurile terminale şi deplasându-ne în sensul contrar celui urmat de
procesul real, până ajungem în nodul iniţial.
5 3000
2 0
10 0 16 3000
00 00
S 00 00
R R S
2 2
3 6 -250 L
7 13 17 -250
E E 00
1 L 3
00
EV1 2
11 0
T 1L S 18 3000
-50 R 00
EV2 8 14 00
4 1L 3 2
L E
19 -250
00
EV3 12 0 00
1L R
2
9 15 S 20 3000
00
L 00
E 02
21 -250
00
00
Figura 12 02
Evaluarea arborelui
Notăm cu B1, B2,..., B15 valorile calculate (beneficiile) în nodurile respective.
În nodul 1 putem ajunge din:
Nodul 2, care corespunde renunţării la lansare şi deci beneficiul este zero;
Rezultă B2 = 0 u.m.;
Nodul 3, care corespunde punerii imediate în vânzare şi în acest caz, beneficiul
va fi:
B3 3000 0.3 250 0.7 725 u.m.
Nodul 4, care corespunde testării şi care are un cost de 50 u.m., va fi evaluat
pornind de la nodurile din partea dreaptă a arborelui şi determinăm succesiv:
- valoarea nodului 13:
Psucces / EV1 0.03 / 0.50 0.06
Pe sec/EV1 0.47 / 0.50 0.94
B13 3000 0.06 250 0.94 55 u.m.
- valoarea nodului 7:
B7 maxB10, B13 max0,55 0 u.m.
- valoarea nodului 14:
Psucces / EV2 0.07 / 0.25 0.28
Pe sec/EV2 0.18 / 0.25 0.72
B14 3000 0.28 250 0.72 660 u.m.
Modelarea proceselor economice 49
- valoarea nodului 8:
B8 maxB11, B14 max0, 660 660 u.m.
- valoarea nodului 15:
Psucces / EV 3 0.20 / 0.25 0.8
Pe sec/EV 3 0.05 / 0.25 0.2
B15 3000 0.8 250 0.2 2350 u.m.
- valoarea nodului 9:
B9 maxB12, B15 max0, 2350 2350 u.m.
- valoarea nodului 4:
B4 0 0.5 660 0.25 2350 0.25 752.50 u.m.
din această valoare se scade costul testării (costul ajungerii în nodul 4) şi
va rezulta:
B4 752.50 50 702.50 u.m.
- valoarea nodului 1:
B1 maxB2, B3, B4 max0, 725, 702.50 725 u.m.
Rezultă că testarea pieţei nu este justificată şi decizia va fi: produsul va fi lansat direct
pe piaţă. Dacă costul testării ar fi mai mic de 752.50 725 27.50 u.m. , atunci ar putea
fi luată decizia de testare.
Rezolvarea cu modulul Decision Analysis (Decisions Trees) din produsul software
Quantitative Management (QM) este redată în figura 13.
Figura 13
50 Dorin Lixăndroiu
Figura 14
Rezumat
Analiza deciziilor monocriteriale cu ajutorul matricei de decizie presupune
existenţa mai multor elemente:
- cursurile alternative de acţiune (opţiuni, strategii); sunt variabile de decizie
independente;
- stările naturii – numite şi evenimente posibile, sunt rezultatul unei forţe
necunoscute, necontrolabile; sunt parametrii necontrolabili independenţi;
- probabilităţile stărilor naturii – reprezintă şansele de apariţie a stărilor
naturii; se consideră că numai una din stări va apare în viitor; sunt parametrii
necontrolabili independenţi;
- plăţile (consecinţele sau rezultatele) - sunt asociate cu o alternativă şi o stare
a naturii; sunt variabile dependente.
Unitatea de învăţare 4
MODELAREA DECIZIILOR MULTICRITERIALE
*ANDRAŞIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[IONESCU, 1999], *RAŢIU, 2001+
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru
elaborarea şi analiza deciziilor multicriteriale de tip multiatribut. Se prezintă
diferite moduri de normalizare a matricei consecinţelor şi trei metode clasice
de ordonare a variantelor – metoda ponderării simple aditive, metoda Topsis
şi metoda diametrelor, pentru care se construiesc algoritmii corespunzători.
Este abordată şi problema determinării coeficienţilor de importanţă.
Problemele de decizie multicriterială presupun alegerea unei alternative sau a unui plan
de acţiune în condiţiile existenţei mai multor obiective, care trebuie analizate.
Obiectivele pot fi de naturi diferite şi în contradicţie unul cu altul.
Majoritatea situaţiilor cu care ne confruntăm în viaţa reală implică existenţa unor decizii
multicriteriale. De exemplu, pentru alegerea unui automobil, din clasa de preţ pe care o
avem în vedere, încercăm satisfacerea simultană a mai multor obiective: preţ cât mai
mic, fiabilitate mare, consum mic, cost de de întreţinere redus, siguranţa în caz de
accident cât mai mare... Un alt exemplu: o firmă pentru stabilirea programului optim de
producţie poate lua în considerare mai multe obiective în acelaşi timp: costuri de
producţie mici, venituri cât mai mari, satisfacerea cât mai bună a cererii,...
Din exemplele descrise se pot distinge două tipuri de modele de decizie multicriterială:
1. Modele de decizie multiatribut – sunt modele cu un număr limitat (discret) de
alternative (variante). Se pune problema alegerii alternativei (variantei) optime
dintr-o mulţime finită de alternative care se compară între ele în raport cu mai
multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu criteriile
considerate. Fiecare alternativă este caracterizată în raport cu fiecare atribut
54 Dorin Lixăndroiu
cantitativ (numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop:
maxim sau minim. Atributele pot avea importanţe diferite pentru decident.
2. Modele de decizie multiobiectiv – sunt modele cu un număr infinit de alternative
(variante). Situaţiile decizionale generează modele de decizie care urmăresc
maximizarea sau minimizarea simultană a unor funcţii de mai multe variabile.
Variabilele sunt supuse unor sisteme de restricţii care sunt în general formulate
sub forma unor inegalităţi sau egalităţi. Se pune problema determinării valorilor
variabilelor care optimizează sistemul de funcţii obiectiv. Rezolvarea acestor
modele face obiectul unor capitole speciale ale programării matematice.
Notăm cu:
P = { p1, p2, p3,…, pn } - mulţimea coeficienţilor de importanţă asociaţi criteriilor.
În general se consideră:
n
pj 1
j 1
Matricea consecinţelor va fi de forma:
Criterii (atribute) C1 C2 . . . . Cj . . . . . Cn
Alternative (variante)
V1 a11 a12 . . . . a1j . . . . . a1n
V2 a21 a22 . . . . a2j . . . . . a2n
....
Vi ai1 ai2 . . . . aij . . . . . ain
….
Vm am1 am2 . . . amj . . . . amn
Coeficienţii de importanţă p1 p2 . . . . pj . . . . . pn
Modelarea proceselor economice 55
Importanţa criteriilor
Decidentul poate atribui criteriilor coeficienţi de importanţă diferiţi. Notăm aceşti
coeficienţi subiectivi cu:
n
1 , 2 ,..., n cu j 1 (3)
j 1
În afara acestora se poate determina în funcţie de valorile fiecărui criteriu importanţa în
sine a criteriului. Pentru estimarea acestor coeficienţi obiectivi, există în literatura de
specialitate mai multe metode. Prezentăm în continuare metoda entropiei, care se
bazează pe conceptul de entropie informaţională introdus de Claude Shannon în 1948,
ca măsură a incertitudinii unei repartiţii de probabilitate discrete simple:
m
H p1 , p2 ,..., pm pi lnpi , 0 Hp1 , p2 ,..., pm lnm (4)
i 1
Algoritmul de calcul al coeficienţilor de importanţă obiectivi este:
56 Dorin Lixăndroiu
d j 1 H j , j 1,2,..., n (7)
2. METODA DIAMETRELOR
Pentru ierarhizarea variantelor, metoda ia în calcul gradul de omogenitate al variantei în
raport cu toate criteriile. Pentru a evita compensaţiile se definesc două funcţii pe baza
cărora se va face ierarhizarea variantelor: o funcţie de apreciere şi o funcţie diametru.
Astfel, o variantă este cu atât mai omogenă, cu cât are un diametru mai mic şi este cu
atât mai bună, cu cât aprecierea este mai mare.
Algoritmul metodei este următorul:
n
AVi m loc Vi , C j p j , i 1,2,..., m (11)
j 1
unde: P = (p1, p2, p3,…, pn) reprezintă vectorul coeficienţilor de importanţă
(obiectivi, subiectivi sau agregaţi), iar loc(Vi,Cj) = k, adică valoarea variantei Vi
pentru criteriul j ocupă locul k în ierarhia celor m valori asociate criteriului j.
DVi max loc Vi , C j min loc Vi , C j , i 1,2,..., m, j 1,2,..., n (12)
j j
Pasul 3. Se calculează funcţia agregată: A&D : V → R
58 Dorin Lixăndroiu
AVi m DVi
A & DVi , i 1,2,..., m (13)
2
Pasul 4. Ierarhia variantelor este dată de valorile descrescătoare ale funcţiei A&D.
Pasul 3. Se determină soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne,
definite astfel:
V id V1id ,V2id ,...,Vnid
V ne V1ne ,V2ne ,...,Vnne
- dacă criteriul Cj este de maxim:
V jid max Vij iar V jne min Vij (16)
1i m 1i m
- dacă criteriul Cj este de minim:
V jid min Vij iar V jne max Vij (17)
1i m 1i m
Pasul 4. Se calculează distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre
variante şi soluţia ideală negativă.
d iid d ine
eiid 1 , i 1,2,..., n (19)
d iid d ine d iid d ine
rezultă că: 0 eiid 1
O familie analizează mai multe oferte pentru cumpărarea unui automobil. Se decid că
alegerea va trebui să îndeplinească mai multe criterii: (C1) preţul cât mai mic, (C2)
cheltuielile de întreţinere la 10000 km cât mai mici, (C3) portbagajul şi spaţiul interior să
fie cât mai mare (raportat la o scară 1:20), (C4) consumul exprimat în l/100 km cât mai
mic, iar (C5) siguranţa oferită în caz de accident cât mai mare (exprimată în stele NCAP
pe o scară 1:5). Datele din ofertele pentru 6 modele de automobile sunt transpuse în
tabelul 1. Pe ultima linie sunt daţi coeficienţii de importanţă subiectivi, stabiliţi de
decident.
2. Metoda diametrelor
Plecând de la matricea consecinţelor (Tabelul 1), se construieşte matricea locurilor LOC,
unde:
loc(Vi,Cj) = k, adică valoarea variantei Vi pentru criteriul j ocupă locul k în ierarhia
celor m valori asociate criteriului j
3 1 4 1 2
4 5 1 2 1
2 3 3 4 3
5 4 2 5 2
6 2 6 6 1
1 3 5 3 3
3. Metoda TOPSIS
Plecând de la matricea consecinţelor (Tabelul 1), se calculează matricea normalizată
conform relaţiei (14):
Cu relaţiile (16) şi (17) se stabilesc soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne:
Distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre variante şi soluţia
ideală negativă sunt date de relaţiile (18):
62 Dorin Lixăndroiu
d iid d ine
V1 0.0309 0.1017
V2 0.0463 0.0969
V3 0.0314 0.1148
V4 0.0597 0.0796
V5 0.1260 0.0318
V6 0.0351 0.1180
V1 0.7667
V2 0.6764
V3 0.7849
V4 0.5715
V5 0.2016
V6 0.7705
Concluzii.
Cele 3 metode conduc la ierahizări diferite dar, apropiate. Astfel dacă vom costrui o sinteză a
locurilor ocupate în cele 3 clasamente, rezultă:
Punctajul cumulat se obţine prin însumarea locurilor ocupate de fiecare variantă în cele 3
metode. Se obţine următoarea clasificare a variantelor considerând ordinea crescătoare a
punctajului realizat de fiecare variantă: V3 > V1 > V6 > V2 > V4 > V5.
Rezumat
Modele de decizie multiatribut – sunt modele cu un număr limitat (discret)
de alternative (variante). Se pune problema alegerii alternativei (variantei)
optime dintr-o mulţime finită de alternative care se compară între ele în raport
cu mai multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu
criteriile considerate.
Unitatea de învăţare 5
MODELE ÎN GESTIUNEA OPTIMĂ A STOCURILOR
[HILLIER, 2005], [KRAJEWSKI, 2005] [RATIU, 2001], [RATIU, 2002], RUSU, 2001], [TELLER, 1980],
[VĂDUVA, 1974]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru gestiunea
optimă a stocurilor. Pornind de la modelul clasic determinist (modelul Wilson)
al ”cantităţii economice”, sunt prezentate cele două principii fundamentale de
reglare: metoda punctului de comandă şi metoda de aprovizionare periodică.
Se prezintă utilizarea metodei de simulare Monte-Carlo în cadrul unei metode
de gestiune, pentru determinarea parametrilor: rata de ruptură, numărul de
zile/articol de stocare, etc.
MODELUL WILSON
Modelul Wilson este un model determinist care realizează calculul principalilor
parametrii de gestiune în condiţiile optimizării costurilor totale de stocare pentru un
articol.
66 Dorin Lixăndroiu
M=BA/n
SS
timp
P P
Figura 1
Rezolvare:
Se determină:
- valoarea medie anuală a stocului = pu Q / 2 SS
- costul anual de stocare C1 = C S pu Q / 2 SS
- costul anual de aprovizionare C2 = C A N C A BA / Q
dCT B C p
din C A A S u 0 =>
dQ 2 2
Q
2 C A BA
QE (2)
C S pu
unde: QE reprezintă cantitatea economică (“lotul economic”) , mărimea optimă a
comenzii de aprovizionare, care minimizează costul total anual de stocare.
Se deduce:
Q
- ciclul optim de aprovizionare (perioada economică): PE E (în ani)
BA
B
- numărul optim anual de comenzi (frecvenţa economică): NE A
QE
Cost
CT=C1+C2
C1
C2
0 Q
Figura 2
Nivelul
stocului
SC
SS
timp
D D
Figura 3
Dacă nu se doreşte să fie afectat stocul de siguranţă (SS), nivelul stocului în momentul
lansării comenzii va fi:
SC M D SS (3)
unde: M reprezintă viteza de descreştere a stocului. Acest nivel (SC) se numeşte punct de
comandă şi permite definirea celor două principii ale metodei:
- Se lansează o nouă comandă când nivelul stocului devine inferior sau egal
punctului de comandă SC.
- Se comandă o cantitate fixă (QE), care este cantitatea economică.
SS=5
SS=1
timp
P=3 D=2
Figura 4
La acest moment stocul cade sub punctul de comandă şi se lansează o nouă comandă de
6 unităţi, care va intra în stoc peste două luni, adică cu 15 zile înainte de data normală
de sosire. Stocul va urca la nivelul 6 unităţi şi apoi va descreşte cu viteza constantă M =
2. În această situaţie punctul de comandă va fi atins după 15 zile, iar livrarea se va face 2
luni mai târziu. Stocul va urca la nivelul de 7 unităţi şi se reia astfel ritmul normal de
lansare a comenzilor şi de intrare a cantităţilor livrate în stoc.
Metoda constă în lansarea la date fixe a comenzii ce conţine cantităţi variabile. Lansarea
unei noi comenzi se va face după o perioadă P, de la ultima lansare, în principiu egală cu
PE ( perioada economică, ciclul economic). Sosirea comenzii în stoc se va face după o
perioadă D de la lansare. Rămâne de stabilit pentru fiecare ciclu de aprovizionare,
mărimea comenzii ce trebuie lansate.
Dacă cererea nu este aleatoare, o comandă trebuie să acopere cererea pe durata unui
ciclu de aprovizionare, deci:
Q P M (4)
Modelarea proceselor economice 71
SE D M SS (5)
Dacă apare o cerere aleatoare, este posibil ca stocul existent să nu atingă nivelul
precedent. Sunt posibile două situaţii:
a) SE este mai mic decât nivelul precedent - atunci comanda va fi mărită pentru a acoperi
acest deficit. Valoarea comenzii va fi în acest caz:
Q P M D M SS SE (6)
Rezultă Q P M .
b) SE este mai mare decât nivelul precedent - relaţia (6) rămâne valabilă.
Rezultă Q P M .
Q SE P D M SS (6’)
P D M SS 3 2 2 1 11
11
Q=6 Q=8 Q=6
7
5
SS=1
C1 L1 C2 L2 C3
D P
P D
Figura 5
STOCUL DE SECURITATE
Stocul de securitate permite evitarea situaţiilor de lipsă de stoc datorate unor cereri
aleatoare sau unor întârzieri în livrare. În continuare vom analiza determinarea stocului
de securitate numai în cazul cererilor aleatoare. Stocul de securitate se consideră
proporţional cu abaterea medie pătrată a dispersiei cererii pe durata perioadei de risc
de ruptură. Coeficientul de proporţionalitate va reflecta calitatea serviciului cerut, care
se poate defini în funcţie de unul din parametrii următori: rata de ruptură de stoc, costul
rupturii de stoc, rata lipsei de stoc sau costul lipsei de stoc.
SS k D (7)
în cazul metodei punctului de comandă şi
SS k D P (8)
Modelarea proceselor economice 73
Rezultă:
- valoarea medie a cererii, M =10
2
1 _
- dispersia estimată, VAR x x 44 4 2
n 1 i
i
11
2 C A BA 2 10 1800
QE 600 unităţi
C S pu 0.10 1
74 Dorin Lixăndroiu
B Q
Dacă N 3 CT C A A C S pu 10 3 0.1 1 300 60 u.m.
Q 2
Costul articolului este: 1800 buc. 1 u.m. / buc. 1800 u.m.
B. Furnizorul propune un rabat comercial (discont) de 5% dacă se comandă cel puţin 900
de unităţi. Se acceptă propunerea?
Dacă se acceptă remiza, întreprinderea va comanda cel puţin 900 unităţi. Aceasta revine
la lansarea a două comenzi pe an (1800 / 900), sau o singură comandă de 1800 unităţi.
B Q
N 1 CT C A A C S pu 10 1 0.095 0.95 900 91.225 u.m.
Q 2
Costul articolului este: 1800 buc. 0,95 u.m. / buc. 1710 u.m.
O firmă de panificaţie are un necesar anual (360 zile) de 200t de grâu. Costul de lansare
a comenzii este de 705 u.m., costul pe stocare pe zi/t este de 1 u.m., costul unei unităţi
de produs (tonă) este de 1800u.m., timpul de avans este de 4 zile, iar stocul de siguranţă
este de 3t. În ipotezele că vânzarea este uniformă, aprovizionarea se face la intervale
egale şi nu se permite lipsa produsului, să se determine elementele gestiunii optime.
Figura 6
76 Dorin Lixăndroiu
Figura 7
Figura 8
O firmă are un consum anual de 100 unităţi dintr-un anumit produs. Costul lansării
comenzii este de 10 u.m. iar costul de stocare anual reprezintă 20% din preţul
produsului. Produsul este oferit la preţul de 40 u.m. pentru comenzi mai mici de 20
unităţi, la preţul de 39 u.m. pentru comenzi mai mari sau egale cu 20 unităţi şi mai mici
de 50 unităţi şi la preţul de 38 u.m. pentru comenzi mai mari sau egale cu 50 de unităţi.
Stabiliţi politica optimă de aprovizionare a firmei.
Figura 9
În figura 10 se dau detaliile de cost pentru diferitele paliere de preţ, iar în figura 11
graficele corespunzătoare.
Figura 10
Figura 11
Modelarea proceselor economice 79
Cu ajutorul metodei ABC se pot reduce investiţiile în stocuri, micşorând în acelaşi timp şi
riscurile de ruptură de stoc.
Rezolvare. Utilizăm ABC Analysis din modulul Inventory (produsul software QM).
Rezultatele sunt prezentate în figura 12.
80 Dorin Lixăndroiu
Figura 12
În figura 13 este trasată curba valorilor cumulate, rezultată în urma analizei ABC.
Figura 13
Modelarea proceselor economice 81
Tehnica de simulare Monte Carlo ne permite să obţinem valori artificiale ale cererii şi
eventual ale duratelor de livrare, conform distribuţiilor de probabilitate observate.
Utilizând aceste valori artificiale în cadrul unei metode de gestiune, se pot calcula diverşi
parametrii: rata de ruptură, costul rupturii, etc. Va fi deci posibil să comparăm diverse
metode de gestiune.
x1 x2 ... x n n
X : , pi 1
p1 p2 ... pn i 1
Algoritmul de generare al variabilei X este:
i
Pasul 1. Se calculează Fi pj , i 1, n .
j 1
Iniţializăm: i=0
Pasul 2. Se generează U uniform repartizat pe (0,1).
Pasul 3. Se calculează: i = i+1
Pasul 4. Dacă U > Fi atunci transfer la Pasul 3.
Pasul 5. Ieşire X = xi . Stop.
Exemplu. Considerăm cazul unui distribuitor care gestionează stocul unui produs. El
înregistrează cererea aleatoare a produsului şi constată că probabilitatea p(n) a unei
cereri zilnice de n articole este conformă cu tabelul următor:
Cererea
zilnică 0 1 2 3 4 5 6 7
N
Probabilitatea 0.05 0.12 0.20 0.30 0.15 0.08 0.06 0.04
p(n)
Fi 0.05 0.17 0.37 0.67 0.82 0.90 0.96 1
82 Dorin Lixăndroiu
Figura 14
Figura 15
Modelarea proceselor economice 83
Deci, cererea săptămânală este de 15 articole. Se presupune în plus, că stocul iniţial este
egal cu 15 articole.
Z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
C 0 6 2 3 4 3 2 7 5 3 3 0 6 2 1 5 3 3 3 3
S 15 9 7 4 15 12 10 3 0 15 12 12 6 4 18 13 10 7 4 16
P 2 3
unde: Z = ziua
C = cererea
S = stocul la sfârşitul zilei
P = penurie
Efectuând simularea pentru 100 zile lucrătoare s-a calculat cererea totală exprimată,
penuria totală şi numărul de zile de stocare/articol.
Concluzie. Acest cost va putea fi comparat cu cel rezultat din aplicarea altor reguli de
reaprovizionare. Totuşi, pentru ca rezulatatele obţinute să fie stabile trebuie efectuate
simulări pentru o perioadă de cel puţin 300 de zile.
84 Dorin Lixăndroiu
Aplicaţia de gestiune a stocului realizată în Excel pe baza acestui studiu de caz permite
construcţia unor grafice sugestive pentru luarea deciziei manageriale. Pe baza analizelor
efectuate în urma mai multor simulări se poate stabili o politică optimă de gestiune a
stocului.
Graficele sunt redate în figurile 16, 17, 18. Ele reprezintă rezultatele obţinute după
efectuarea simulării cererii pentru 100 de zile, în condiţiile metodei de gestiune definite
în acest studiu de caz.
40
35
30
25
20
15
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
14
12
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
CERERE PENURIE
Rezumat
Stocarea unui produs are un cost, deci tendinţa este de a stoca o cantitate
cât mai mică. Politica de a avea stocuri cât mai mici, implică reaprovizionări
mai dese, care pot să inducă: costuri de reaprovizionare şi pierderi de profit în
cazul rupturilor de stoc. În faţa unei cereri fluctuante, trebuie să fie definită o
regulă de reaprovizionare, (momentul efectuării comenzii şi cantitatea
comandată), care să conducă la o sumă minimă a acestor costuri.
Modelul Wilson este un model determinist care realizează calculul
principalilor parametrii de gestiune în condiţiile optimizării costurilor totale de
stocare pentru un articol.
Pornind de la modelul clasic determinist (modelul Wilson) al ”cantităţii
economice”, se pot defini două principii fundamentale de reglare:
- Metoda punctului de comandă - se comandă cantităţi fixe optime, la
momente de timp care pot să varieze în funcţie de cererea aleatoare.
- Metoda de aprovizionare periodică – se comandă după o periodicitate dată
(în principiu aproape de periodicitatea optimă), cantităţi care pot varia în
funcţie de cererea aleatoare.
Stocul de securitate permite evitarea situaţiilor de lipsă de stoc datorate
unor cereri aleatoare sau unor întârzieri în livrare.
Analiza ABC realizează o gestiune selectivă a stocurilor. Clasificarea în 3
categorii (A, B şi C) permite abordarea unor politici diferite de gestiune a
stocurilor.
86 Dorin Lixăndroiu
Unitatea de învăţare 6
MODELAREA DECIZIILOR CU MULŢIMI FUZZY
[ANDREICA, 1998], [BOJADZIEV, 1995], [BOUCHON, 1995], [IONESCU, 1999], [MANSUR, 1995],
*MOISIL, 1975+, *NEGOIŢĂ, 1974+, *RAŢIU, 2001+, *RAŢIU, 2002+
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele economice
bazate pe conceptul de mulţime vagă (fuzzy set, ensemble flou). Utilizarea
mulţimilor fuzzy în modelarea economică permite tratarea unor fenomene
insuficient precizate, mai puţin rigide, deoarece pentru elementele acestor
mulţimi există mai multe grade de apartenenţă intermediare între
apartenenţa totală şi non-apartenenţa. Studiile de caz prezentate
demonstrează multiplele posibilităţi de aplicare a mulţimilor fuzzy în
modelarea unor procese economice.
Conceptul de mulţime vagă (fuzzy set, ensemble flou) a fost introdusă în matematică de
L.A. Zadeh în anul 1965. Concepetele fuzzy au apărut din necesitatea de a măsura
cantitativ vagul, imprecisul. Academicianul român G. Moisil dezvoltă ideea de fuzzy set,
care ar putea fi înţeleasă ca extensia unui predicat în logica cu o infinitate de valori.
f : X 0,1 .
88 Dorin Lixăndroiu
Observaţii.
În cazul particular în care f A nu ia decât două valori 0 sau 1, submulţimea fuzzy A
este o submulţime clasică a lui X. Deci, o submulţime clasică este un caz particular de
submulţime fuzzy.
Definiţia mulţimilor fuzzy clarifică distincţia dintre aleator şi fuzzy : fenomenul
aleator este rezultatul incertitudinii în ceea ce priveşte apartenenţa sau non-
apartenenţa unui obiect la o clasă; în cadrul unui fenomen fuzzy există mai multe
grade de apartenenţă intermediare între apartenenţa totală şi non-apartenenţa.
Figura 1
Figura 2
De ce “o posibilă reprezentare” ?
Din figura 2 constatăm, de exemplu, pentru Prop(A2) = “aproape”(graficul trasat cu
albastru) că avem:
Figura 3
90 Dorin Lixăndroiu
Figura 4
Figura 5
Definiţia 1. Două submulţimi fuzzy A şi B ale lui X sunt egale dacă funcţiile lor de
apartenenţă iau aceeaşi valoare pentru orice element din X:
x X , f A x fB x (1)
Definiţia 2. Fiind date două submulţimi fuzzy A şi B ale lui X, se spune că A este inclusă în
B dacă funcţiile lor de apartenenţă sunt astfel încât:
x X , f A x fB x (2)
Modelarea proceselor economice 91
Definiţia 3. Intersecţia a două submulţimi fuzzy A şi B ale lui X este submulţimea fuzzy C,
astfel încât:
x X , fC x min f A x , fB x (3)
min desemnând operatorul de minimizare.
Definiţia 4. Reuniunea a două submulţimi fuzzy A şi B ale lui X este submulţimea fuzzy D,
astfel încât:
x X , fC x max f A x , fB x (4)
max desemnând operatorul de maximizare.
D x minO x , R x , x A
iar x opt x |max D x maxminO x , R x (5)
x
Figura 6
92 Dorin Lixăndroiu
Notăm :
A - mulţimea persoanelor bine pregătite profesional
B - mulţimea persoanelor având o stare bună de sănătate
T - durata totală (maximă) necesară pregătirii profesionale
Pmax - punctajul maxim
fAB x i min fA x i , fB x i
Resurse
P1 P2 P3
disponibile
Resursa R1 3 1 3 900
Resursa R2 1 2 4 800
Cererea 200 200 150
Preţul unitar 6 5 8
94 Dorin Lixăndroiu
Figura 7
Figura 8
96 Dorin Lixăndroiu
Interpretarea rezultatelor:
- valoarea lui Z de 0,37 arată gradul de apartenenţă simultană la toate obiectivele
formulate;
- structura de producţie optimă este:
P1 = 180 buc. P2 = 168 buc. P3 = 118 buc.
- venitul realizat :
2800 + 0.37 x 200 = 2874 u.m.
- realizarea structurii de producţie optime implică utilizarea resurselor:
R1: 1200 - 24.603 - 0.37 x 300 = 1064.397
R2: 1100 - 0.37 x 300 = 989
C1 C2 C3 C4 C5
Utilaj
min Max min min min
U1 12.0 19.0 0.055 2.0 1.20
U2 13.5 18.0 0.040 3.5 1.30
U3 11.0 16.0 0.050 3.8 1.00
U4 10.0 18.0 0.045 3.0 1.40
U5 10.0 20.0 0.058 2.5 1.10
U6 13.0 14.5 0.040 2.0 1.45
Din analiza datelor rezultă că nici unul din utilaje nu îndeplineşte simultan toate criteriile
de selecţie. Deoarece cele 5 criterii au fost formulate vag, se va utiliza teoria mulţimilor
fuzzy pentru fundamentarea deciziei de investiţie.
Pentru realizarea investiţiei, se face o analiză prealabilă şi se stabileşte pentru fiecare
caracteristică nivelul de aspiraţie şi abaterea permisă la aceste nivel:
C1 C2 C3 C4 C5
Nivelul de aspiraţie(S) 9 20 0.04 2 1
Abaterea permisă (δ) 5 5 0.02 2 0.5
Modelarea proceselor economice 97
1 1
0 0
1 14 19 15 20
Rezolvare:
Pasul 1. Fie E U1 , U2 ,..., U6 – mulţimea utilajelor.
Definim 5 mulţimi fuzzy corespunzătoare celor 5 criterii de selecţie;
rezultă Ui , C j Ui , i 1,2,...,6, j 1,2,...,5
Pentru fiecare criteriu C j decidentul precizează un nivel de aspiraţie S j faţă de
care se admite o abatere j 0 .
Pasul 2. Se calculează gradul de apartenenţă al fiecărui utilaj Ui la fiecare mulţime fuzzy
C j , astfel:
- notăm cu V j Ui – valoarea criteriului C j pentru utilajul Ui
- gradul de apartenenţă pentru mulţimile fuzzy se determină în funcţie de tipul
criterului de selecţie max / min
Pentru criteriile de minim, gradele de apartenenţă se calculează cu ajutorul
funcţiei:
1, daca V j Ui S j
V U S
C j Ui 1 , daca S j V j Ui S j j
j i j
(8)
j
0, daca V j Ui S j j
1, daca V j Ui S j
S V U
C j Ui 1 , daca S j j V j Ui S j
j j i
(9)
j
0, daca V j Ui S j j
Utilaj C 1 C 2 C 3 C 4 C 5
U1 0.4 0.8 0.25 1 0.6
U2 0.1 0.6 1 0.25 0.4
U3 0.6 0.2 0.5 0.1 1
U4 0.8 0.6 0.75 0.5 0.2
U5 0.8 1 0.1 0.75 0.8
U6 0.2 0 1 1 0.1
Pasul 3. Pentru fiecare utilaj se calculează intersecţia celor 5 mulţimi fuzzy asociate
criteriilor C j , j 1,2,...,5. Gradul de apartenenţă al fiecărui utilaj la intersecţia
mulţimilor fuzzy este dat de relaţia:
C 1 C 2 C 3 C 4 C 5 Ui minC Ui ,C Ui ,...,C Ui
1 2 5
Pasul 4. Se alege utilajul cu cel mai mare grad de apartenenţă la mulţimea intersecţie a
celor 5 criterii de selecţie.
Comentariu.
Modelul propus consideră că toate criteriile analizate au aceeaşi importanţă. În
realitatea ponderile subiective acordate criteriilor de către decident sunt foarte
importante în stabilirea corectă a ierarhiei variantelor.
Presupunem că decidentul acordă ponderi diferite celor 5 criterii analizate:
5
f Ui w j ij , i 1,2,...,6
j 1
unde ij reprezintă gradul de apartenenţă al variantei (utilajului) Ui la criteriul C j .
Modelarea proceselor economice 99
Obţinem:
f(U1) = 0.587
f(U2) = 0.380
f(U3) = 0.425
f(U4) = 0.662
f(U5) = 0.725
f(U6) = 0.435
Rezumat
Concepetele fuzzy au apărut din necesitatea de a măsura cantitativ vagul,
imprecisul. O mulţime fuzzy este o mulţime în care nu există o tranziţie bruscă
de la apartenenţa la non-apartenenţa unui element la această mulţime.
Dacă A este o submulţime fuzzy (vagă) a lui X, aplicaţia f A : X [0,1] se
numeşte funcţia de apartenenţă a lui A. O submulţime fuzzy A este definită
prin: x , f A x / x X .
Definiţia mulţimilor fuzzy clarifică distincţia dintre aleator şi fuzzy :
fenomenul aleator este rezultatul incertitudinii în ceea ce priveşte apartenenţa
sau non-apartenenţa unui obiect la o clasă; în cadrul unui fenomen fuzzy există
mai multe grade de apartenenţă intermediare între apartenenţa totală şi non-
apartenenţa.
În cazul în care obiectivele problemei şi restricţiile liniare au fost formulate
vag se poate construi un model ce conduce la problema de programare liniară,
asociind o mulţime vagă fiecărui obiectiv şi fiecărei restricţii.
Dacă într-un model de decizie multicriterială, criteriile sunt formulate vag,
se poate utiliza teoria mulţimilor fuzzy pentru fundamentarea deciziei. Pentru
fiecare criteriu se stabileşte un nivel de aspiraţie şi o abatere permisă la acest
nivel. Pe baza valorilor variantelor se definesc mulţimi fuzzy corespunzătoare
criteriilor de selecţie. Din analiza acestor mulţimi fuzzy va rezulta o clasificare a
variantelor. Există posibilitatea de a introduce în model şi ponderile subiective
acordate criteriilor de către decident. Acestea sunt foarte importante în
stabilirea corectă a ierarhiei variantelor.
C1 C2 C3 C4
min min min max
AUTO 1 12.5 5.2 45 16
AUTO 2 14.5 5.7 50 19
AUTO 3 11.0 6.2 40 17
AUTO 4 10.0 5.8 55 15
AUTO 5 10.5 5.6 45 16
Figura 1
102 Dorin Lixăndroiu
Figura 2
Legătura dintre graficele funcţiei de repartiţie şi densităţii de repartiţie N , 2 este
dată în figura 2.
Figura 3
0 ,5
Din figura 3 deducem că 0,5 t dt 0,6915 , aceasta fiind aria mărginită de
graficul densităţii de repartiţie N(0,1), axa ox şi dreapta x = 0,5.
Dacă X este repartizată N , 2 , atunci variabila aleatoare Y
X
este repartizată
N(0,1). Rezultă că probabilitatea cu care X ia valori într-un interval (a,b) poate fi
calculată cu relaţia:
b a
Pa X b (10)
- pentru , rezultă:
P X 2 1 1 2 0,8413 1 0,6826
104 Dorin Lixăndroiu
Figura 3
- pentru 2 , rezultă:
P 2 X 2 2 2 1 2 0,9772 1 0,9544
De exemplu, dacă vânzările urmează o repartiţie N(90,102), atunci
P(90-20 < X < 90+20) = 0,9544
adică vânzările sunt în intervalul *70, 110+ cu o probabilitate de 95,44% (figura 4).
Figura 4
Modelarea proceselor economice 105
- pentru 3 , rezultă:
P 3 X 3 2 3 1 2 0,9987 1 0,9974
BIBLIOGRAFIE
[ACKOFF, 1975] ACKOFF, R.; SASIENI, M., Bazele cercetării operaţionale, Ed. Tehnică,
Bucureşti, 1975.
*ANDRAŞIU, 1986] ANDRAŞIU, M., BACIU, A., ş.a., Metode de decizii multicriteriale,
Editura Tehnică, Bucureşti, 1986.
[ANDREICA, 1998] ANDREICA, M.; STOICA, M,; LUBAN, F., Metode cantitative în
management, Ed. Economică, 1998.
[BOJADZIEV, 1995] BOJADZIEV, G.; BOJADZIEV,M., Fuzzy Sets, Fuzzy Logic, Applications,
World Scientific Publishing, Singapore, 1995.
[BOUCHON, 1995] BOUCHON-MEUNIER, B.; La logique floue et ses applications, Éditions
Addison-Wesley France, 1995.
[CARLUER, 2002] CARLUER, F.; RICHARD, A., Analyse stratégique de la décision, Presses
Universitaires de Grenoble, 2002.
[CIUCU, 1974] CIUCU, G.; CRAIU, V.; ŞTEFĂNESCU, A., Statistică matematică şi cercetări
operaţionale, Ed. Didactică şi Pedagogică, Bucureşti, 1974.
[FILIP, 2002] FILIP, Fl.Gh., Decizie asistată de calculator, Ed. Tehnică, Bucureşti, 2002.
[FILIP, 2007] FILIP, Fl.Gh., Sisteme suport pentru decizii, Ed. Tehnică, Bucureşti, 2007.
[GIARD, 1998] GIARD, V., Processus productifs et Programmation linéaire, Ed.
Economica,Paris, 1998.
[HAMMAD, 1991] HAMMAD, P.; LAPIED, A.; TOSI, G., Analyse mathématique des
fluctuations, Ed. Cujas, Paris, 1991.
[HILLIER, 2005] HILLIER, F.; LIEBERMAN, G., Introduction to Operations Research,
McGraw Hill, 2005.
[HÎNCU, 2005] HÎNCU, D.; ENE, N., Metode cantitative pentru administraţia publică,
Ed. Eficon Press, Bucureşti, 2005.
[KARMANOV, 1977] KARMANOV, V., Programmation mathématique, Ed. Mir, Moscova,
1977.
[KAUFMANN, 1975] KAUFMANN, A.; LABORDERE, H., Metode şi modele ale cercetării
operaţionale, vol.3, Ed. Ştiinţifică şi Enciclopedică, Bucureşti, 1975.
[KAUFMANN, 1987] KAUFMANN, A.; FAURE, R., Invitation à la recherche
opérationnnelle, Ed. Dunod, Paris, 1987.
[KRAJEWSKI, 2005] KRAJEWSKI, L., RITZMAN, L., Operations Management, Pearson
Education, Prentice Hall, New Jersey, 2005.
[IONESCU, 1999+ IONESCU, Gh.; CAZAN, E.; NEGRUŞA, A.L., Modelarea şi optimizarea
deciziilor manageriale, Ed. Dacia, Cluj-Napoca, 1999.
[MALIŢA, 1971+ MALIŢA, M.; ZIDĂROIU, C., Matematica organizării, Ed. Tehnică,
Bucureşti, 1971.
[MANSUR, 1995] MANSUR, Y.; Fuzzy Sets and Economics, University Press, Cambridge,
1995.
[MIH0C, 1973] MIHOC, Gh,; ŞTEFĂNESCU, A., Programarea matematică, Ed. Didactică şi
Pedagogică, Bucureşti, 1973.
108 Dorin Lixăndroiu
[MOISIL, 1975] MOISIL, G.; Lecţii despre logica raţionamentului nuanţat, Editura
Ştiinţifică şi Enciclopedică, Bucureşti, 1975.
*NEGOIŢĂ, 1974] NEGOIŢĂ, C.V.; RALESCU, D.A., Mulţimi vagi şi aplicaţiile lor, Editura
Tehnică, Bucureşti, 1974.
*RAŢIU, 2001+ RAŢIU-SUCIU, C., Modelarea & simularea proceselor economice,
Ed. Economică, Bucureşti, 2001.
*RAŢIU, 2002+ RAŢIU-SUCIU, C.; LUBAN, F.; HÎNCU, D.; ENE, N., Modelare economică
aplicată, Ed. Economică, Bucureşti, 2002.
[RUSU, 2001] RUSU, E., Decizii optime în management prin metode ale cercetării
operaţionale, Ed. Economică, Bucureşti, 2001.
[SZABO, 2005] SZABO, Z. K., Cercetări operaţionale. Optimizări liniare, Ed. Universităţii
Petru Maior Târgu Mureş, 2005.
[TELLER, 1980] TELLER, R.; TAIEH, M., Les méthodes quantitatives appliqées à la gestion,
Ed. Edec, Paris, 1980.
[THÉPOT, 1991] THÉPOT, J., Optimisation pour l’économie d’entreprise, Ed. Dalloz,
Paris, 1991.
[THIEL, 1990] THIEL, D., Recherche opérationnelle et management des enterprises, Ed.
Economica, Paris, 1990.
[VALLIN, 2002] VALLIN, PH.; VANDERPOOTEN, D., Aide à la décision, Édition Ellipses,
Paris, 2002.
[VĂDUVA, 1974] VĂDUVA, I.; DINESCU, C.; SĂVULESCU, B., Modele matematice de
organizare şi conducerea producţiei, Ed. Didactică şi Pedagogică,
Bucureşti, 1974.
[ZIDĂROIU, 1983+ ZIDĂROIU, C., Programarea liniară, Ed. Tehnică, Bucureşti, 1983.