Все что нас окружает, не считается дискретным, а скорее непрерывным. Большая часть процессов - это непрерывные изменение во времени. Но, с целью рассмотрения этих процессов в некоторых случаях содержит значение абстрагироваться от их непрерывной природы и описать только некоторые значительные события в жизни моделируемой системы.

Дискретно-событное моделирование, как правило, применяется в наиболее ограниченном значении с целью обозначения "процессного" моделирования, где динамика системы представляет последовательность операций. Процессное моделирование - это средне-низкий уровень абстракции: здесь каждый объект моделируется индивидуально, как отдельная сущность, но множество деталей "физического уровня" (геометрия, ускорения/замедления) обычно опускается.

Система AnyLogic 7.1 - популярная во всем мире программа для построения имитационных моделей систем различной природы.

AnyLogic является кросс-платформенным программным обеспечением, работает как под управлением операционной системы Windows, так и под Mac, OS и Linux.

AnyLogic включает в себя графический язык моделирования, а также позволяет пользователю расширять созданные модели с помощью языка Java. Интеграция компилятора Java в AnyLogic предоставляет более широкие возможности при создании моделей, а также создание Java апплетов, которые могут быть открыты любым браузером. Эти апплеты позволяют легко размещать модели AnyLogic на веб-сайтах. В дополнение к Java апплетам, AnyLogic Professional поддерживает создание Java приложений, в этом случае пользователь может запустить модель без инсталляции AnyLogic.

Использование AnyLogic дает возможность оценить эффект конструкторских решений в сложных системах реального мира. Отечественный профессиональный инструмент имитационного моделирования AnyLogic нового поколения, разработан на основе современных концепций в области информационных технологий и результатов исследований в теории гибридных систем и объектно - ориентированного моделирования. Построенная на их основе инструментальная система AnyLogic не ограничивает пользователя одной единственной парадигмой моделирования, что является характерным для существующих на рынке инструментов моделирования. В AnyLogic разработчик может гибко использовать различные уровни абстрагирования и различные стили и концепции и смешивать их при создании одной и той же модели.

Среда AnyLogic является объектно-ориентированной. Объектно - ориентированный подход весьма удобен для представления сложных систем, кроме того он интуитивно понятен и естественен для пользователя системы. Таким образом, идеи и методы, направленные на управление сложностью, выработанные в последние десятилетия в области создания программных систем, позволяют разработчикам моделей в среде AnyLogic организовать мышление, структурировать разработку и, в конечном счете, упростить и ускорить создание моделей.

Еще одна особенность AnyLogic это представление моделей как набора взаимодействующих параллельно функционирующих активных объектов. Такой подход к моделированию интуитивно очень понятен и естественен во многих приложениях, поскольку системы реальной жизни состоят из совокупности активностей, взаимодействующих с другими объектами. Активный объект AnyLogic - это объект со своим собственным функционированием, взаимодействующий с окружением. Он может включать в себя любое количество экземпляров других активных объектов. Активные объекты могут динамически порождаться и исчезать в соответствии с законами функционирования системы. Так могут моделироваться социальные группы, холдинги компаний, транспортные системы.

Система AnyLogic поддерживает проектирование, разработку, документирование модели, выполнение компьютерных экспериментов с моделью, включая различные виды анализа - от анализа чувствительности до оптимизации параметров модели относительно некоторого критерия.

В результате AnyLogic не ограничивает пользователя одной - единственной парадигмой моделирования, что является характерным фактически для всех инструментов моделирования, существующих сегодня на рынке. В AnyLogic разработчик может гибко использовать различные уровни абстрагирования, различные стили и концепции, строить модели в рамках той или иной парадигмы и смешивать их при создании одной и той же модели, использовать ранее разработанные модули, собранные в библиотеки, дополнять и строить свои собственные библиотеки модулей. При разработке модели на AnyLogic можно использовать концепции и 28 средства из нескольких "классических" областей моделирования, например, в агентной модели использовать методы системной динамики для представления изменений состояния среды или в непрерывной модели динамической системы учесть дискретные события. В AnyLogic легко строятся подобные модели с требуемым уровнем адекватности, позволяющие ответить на многие вопросы, интересующие исследователя. Широкие возможности анимации и визуального представления результатов в процессе работы модели позволяют понять суть процессов, происходящих в моделируемой системе, упростить отладку модели.

Несмотря на сложность решаемых задач, AnyLogic проста в использовании. Поэтому изучение системы можно рекомендовать вузам для проведения лабораторных работ по дисциплинам, связанным с имитационным моделированием систем. Высокая степень визуализации повысит у студентов интерес к изучению дисциплины и позволит смотивировать их к научно-исследовательской деятельности.

3. Экспериментальная часть

3.1 Программное обеспечение функционирования имитационной модели

3.1.1 Описание пользовательского интерфейса

Моделирующий алгоритм должен отражать процесс функционирования модели во всей сложности и разнообразии и, в то же время, не создать чрезмерных трудностей при его машинной реализации и использовании.

Представим моделирующий алгоритм в графической форме. На различных этапах моделирования составляются укрупненные и детальные структурные схемы моделирования.

Укрупненная схема моделирующего алгоритма задает общий порядок действий при моделировании системы без каких-либо уточняющих деталей, показывает, что необходимо выполнить на очередном шаге моделирования (рис.3.1).

Реализованный моделирующий алгоритм разрешает по исходным данным о начальном состоянии процесса и его параметров получить сведение о состояниях процесса в произвольные моменты времени.

Рассмотрим каждый из его блоков. В блоке "ввод исходных данных и параметра моделирования" осуществляется ввод следующих данных:

? Дата эксперимента;

? Время эксперимента;

? Имя и Фамилия экспериментатора;

? Модельное время;

? Законы распределения;

? Случайные величины;

? Этапы обслуживания - количество сотрудников - время обслуживания.

В блоке "проверка" происходит проверка введенных данных на конкретность - в случае ошибки ввод нужно повторить. В блоке "моделирование" происходит моделирование работы системы с различным типом используемого сетевого оборудования. В блоке "расчет длительности оформления полиса" происходит расчет общего времени оформления полиса и обслуживания клиентов. Так же для наглядности стоится график длительности обслуживания клиентов.

Рис.3.1 - Обобщенная схема моделирующего алгоритма

Форма ввода исходных данных имеет шапочную часть, в которой поля "Да эксперимента", "Время эксперимента", заполняются автоматически, в поле "Имя и Фамилия" и "Модельное время" необходимо вести данные. Поле "Экспорт данных" позволяет пользователю экспортировать результаты моделирования в удобное месторасположение на компьютере.

Закладка "Законы распределения" предоставляет пользователю возможность, в случае необходимости ввести параметры законов распределения вручную. Если же такая необходимость отсутствует, пользователь выбирает автоматическое заполнение параметров законов распределения. Автоматическое заполнение параметров обеспечивает лёгкость и удобство при эксплуатации модели для пользователя, не имеющего знаний в области обработки данных законов распределения. На рис.3.2 представлена экранная форма для ввода исходных данных.

Рис.3.2 - Форма для ввода исходных данных

3.2 Описание тестового примера

3.2.1 Реализация выработанного моделирующего алгоритма

В данный данной модели Агенты - это главные строительные блоки модели AnyLogic. В нашем случае агент Main послужит местом, где мы зададим всю логику модели: здесь мы расположим чертеж банковского отделения и зададим диаграмму процесса потока клиентов.

В блоках source и servis задаем интенсивность прибытия в минутах и вместимость очереди. В блоках deley задается время обслуживания, распределенному по нормальному закону, экспоненциальному закону.

Блок SelectOutput является блоком принятия решения. В зависимости от заданного вами условия, агент, поступивший в объект, будет поступать на один из двух выходных портов объекта.

Объект ResourcePool задает ресурсы определенного типа (в данной модели это документы, который понадобятся для оформления полиса).

Блок ResourcePool указывается в объектах, использующих ресурсы, в нашем случае это блок Service.

При запуске модели выходит окно презентации рис.3.1, после нажатия запуска выходит модель обслуживания клиентов страховой компании рис.3.2.

Рис.3.1 - Окно презентации модели обслуживание клиентов страховой компании

Рис 3.2 Запущенная модель обслуживания клиентов страховой компании

Для того чтобы моделирование не длилось бесконечно, введем модальное время равное 8 часам (рабочий день). В результате из 108 заявок, только 12 водителей оформили полис ОСАГО.

В основе построения данного моделирующего алгоритма лежит метод реализации механизма управлением модельным временем с постоянным шагом, так как события появляются регулярно, момент предсказания поступления заявки достаточно сложно. Период моделирования задаётся в месяцах, при этом с помощью настройки расписания, учитываются только рабочие дни.

3.2.2 Разработка и реализация плана эксперимента с имитационной моделью

Оптимизация в каждой области деятельности наступает с точного определения бизнес-процессов компании. В страховой компании "Пари" управление подразумевает эту потребность, по этой причине особый интерес на сегодняшний день уделяется непосредственно разработке системы оформления полиса. После описания всех бизнес-процессов, вероятны варианты автоматизации доли трудов, что даст возможность существенно улучшить работы компании.

Подобным способом, предложение с целью увеличения эффективности функционирования страховой компании связана с оптимизацией в главную очередь работы отдела оформления полиса ОСАГО. Затем уже будет оптимизировать работу других отделов компании.

Повышение эффективности бизнес-процессов мониторинга исполнения проектов особенно важно для организаций, специфика которых требует уделять внимание самым разнообразным сферам.

Системы мониторинга проектов обеспечивают возможность принятия своевременных управленческих решений на основе данных, ежедневно поступающих в систему. Они позволяют своевременно оценивать риски реализации проектов, автоматизировать бизнес-процессы обработки и хранения данных, подготовки отчетов.

Таким образом, пользователям системы, контролирующим большое количество процессов и исполнителей, решения данного класса позволяют выполнять эти задачи проще, быстрее, эффективнее и на основе качественной, прозрачной и объективной информации.

3.2.3 Постановка и разработка оптимизационных задач

Оптимизационная модель - модель, которая ищет альтернативу с наиболее стоимости эффективной или высшей достижимой производительности при заданных ограничений, за счет максимального желаемых факторов и свести к минимуму нежелательные из них. Для сравнения, максимизация означает попытку достичь самого высокого или максимального результата или результата без учета стоимости или расходов. Практика по оптимизации ограничивается отсутствием полной информации, а также отсутствием времени, чтобы оценить, какую информацию доступно (см ограниченной реальности для деталей). В компьютерном моделировании (моделирование) из бизнес - задач, оптимизация достигается, как правило, с использованием линейного программирования методов исследования операций.

Также становится возможным прогнозирование будущего состояния бизнес-процесса деятельности отдела менеджмента качества в компании, что снижает неопределенность и создает благоприятную обстановку для принятия решений.

Решения, принимаемые исследователем на основе результатов статистического имитационного моделирования, могут быть конструктивными лишь при выполнении следующих условий:

– полученные результаты обладают необходимой достоверностью и точностью;

– исследователь способен правильно интерпретировать полученные результаты и знает, каким образом они могут быть использованы.

Применение аналитического метода теории массового обслуживания подтверждает существование тесной взаимосвязи между потоками клиентов, количеством и производительностью специалистов страховой компании и эффективностью обслуживания потребителей страховых услуг.

Таким образом, с помощью методов теории массового обслуживания могут быть решены многие задачи планирования, оценки и оптимизации качества обслуживания клиентов в страховой, в частности могут вырабатываться рекомендации по рациональному построению обслуживающих систем страховой компании, организации ее работы и регулированию потока заявок при минимальных затратах, связанных с простоем обслуживающих каналов, в целях обеспечения конкурентоспособности и высокой эффективности функционирования страховой компании.

Проведем первый эксперимент с моделью. С этой целью следует запустить модель. Особое внимаем уделим ввод данных количества сотрудников отдела страховой компании, а непосредственно менеджеров и страховых агентов. Проанализируем вид функционирования модели, в случае если будут приняты 2 менеджера и 2 страховых агентов в течении одного рабочего дня. На рис.3.3 приведены результаты моделирование, где видно, что объекты менеджеры хоть и справляются с объёмом работ, но очень загружены и при изменении параметров интенсивности поступления заявок, отдел опять не будет справляться с работой.

Рис.3.3 - Результаты моделирования эксперимента 1

Далее проведем второй эксперимент с моделью. Допустим, что будут приняты 4 менеджера и 2 страховых агентов в течении одного рабочего дня. На рис.3.4 приведены результаты моделирования с учётом принятия в штат еще двух менеджера.

В ходе второго эксперимента, можно заметить, что на 40% уменьшилась загруженность менеджеров, но при этом увеличилась работа у страховых агентов, так как менеджеры стали быстрее обслуживать клиентов. Для того чтобы расслабить работу страховых агентов примем в штат еще 1 менеджера и страховых агента. На рис.3.5 приведены результаты данного эксперимента.

В результате третьего эксперимента значительно уменьшилась загруженность менеджер, но при этом слегла, уменьшилась работа страховых агентов.

Следующий эксперимент состоит принятие в штат еще 5 страховых агентов. На рис.3.6 приведены результаты данного эксперимента. Анализируя построенную модель, сделаем вывод, что следует набрать больше сотрудников для предотвращения их загруженности и очереди оформления полисов.

Рис.3.4 - Результаты моделирования эксперимента 2

Рис.3.5 - Результаты моделирования эксперимента 3

Рис.3.6 - Результаты моделирования эксперимента 4

Оптимизационный эксперимент с разработанной моделью деятельности отдела оформления полиса ОСАГО, позволяет изучить поведение модели при заданных условиях или улучшить производительность модели, найдя значения параметров, при которых достигается наилучший результат работы модели. Для этого воспользуемся возможностью оптимизации модели AnyLogic. Оптимизация модели AnyLogic заключается в автоматическом последовательном выполнении нескольких прогонов модели с различными значениями параметров и нахождении оптимальных для данной задачи значений параметров.

Самое оптимальное решения для моделируемого процесса - набрать в штат страховой компании, как больше сотрудников, чтоб уменьшить очередь клиентов и загруженность сотрудников.

Заключение