Содержание к диссертации
Введение
Глава 1. Методологические аспекты повышения эффективности управления морскими портами и терминалами с помощью имитационных моделей 10
1.1 Проблемы оптимизации управления морскими портами
1.2 Анализ подходов к исследованию работы морских портов и терминалов с применением имитационного моделирования 16
1.3 Задачи планирования обработки грузов морским портом (терминалом), решаемые с использованием имитационных моделей 22
Глава 2. Разработка имитационной модели работы морского порта (терминала) 41
2.1 Общая характеристика дискретно-событийной имитационной модели работы морского порта 41
2.2 Формирование стохастической математической модели потоков грузов и транспорта и проверка ее адекватности по эмпирическим данным 49
2.3 Формирование стохастической математической модели перегрузочных процессов и проверка ее адекватности по эмпирическим данным 71
2.4 Применение методов учета ресурсов в ходе имитационного моделирования перегрузочных работ 81
2.5 Формирование стохастической математической модели процесса хранения груза и проверка ее адекватности по эмпирическим данным 87
2.6 Систематизация процессов и параметров работы порта (терминала) и формирование структуры имитационной модели 92
2.7 Формирование системы показателей имитационной модели и методов их обработки 107
2.8 Оценка адекватности имитационной модели работы морского порта
Глава 3. Методические подходы к использованию имитационной модели для решения задач планирования обработки грузов в морских портах и терминалах 117
3.1 Использование имитационной модели для оптимизации управления 3.2 Использование имитационной модели для решения задач стратегического планирования и инвестиционного проектирования 125
3.3 Использование имитационной модели для решения задач управления в условиях неопределенности 130
3.4 Формирование методики планирования обработки грузов в порту (терминале) на основе имитационной модели и ее интеграция в систему Заключение 154
Список сокращений и условных обозначений 157
Список литературы 158
- Анализ подходов к исследованию работы морских портов и терминалов с применением имитационного моделирования
- Формирование стохастической математической модели потоков грузов и транспорта и проверка ее адекватности по эмпирическим данным
- Формирование стохастической математической модели процесса хранения груза и проверка ее адекватности по эмпирическим данным
- Использование имитационной модели для решения задач управления в условиях неопределенности
Анализ подходов к исследованию работы морских портов и терминалов с применением имитационного моделирования
Морские порты и терминалы являются неотъемлемой частью транспортного комплекса России, обеспечивая связь между наземными и водными видами транспорта. Однако в современных рыночных условиях они вынуждены вести постоянную конкурентную борьбу с морскими транспортными узлами, расположенными на территории других стран, а также друг с другом.
Чтобы привлекать грузопотоки, порты и терминалы должны работать с максимальной эффективностью, то есть обеспечивать оптимальные параметры протекающих в них процессов, связанных с перевалкой груза, обслуживанием судов, дообработкой груза, осуществлением управленческих функций, при минимальных затратах ресурсов. В "Стратегии развития морской портовой инфраструктуры России до 2030 года" [50] отмечается, например, необходимость более эффективного использования причалов за счет рационального распределения грузопотоков и реконструкции мощностей под определенные грузы. Параметры работы порта должны быть выбраны с учетом необходимости создания наилучших условий для клиентов, пользующихся его услугами.
В современных условиях эффективное управление портами и терминалами немыслимо без оптимизации как их отдельных процессов и параметров, так их подсистем. В такой ситуации уже недостаточно лишь следовать рекомендациям, представленным в нормативных и справочных документах [40; 112], которые определяют лишь базовые условия нормальной работы морских портов и терминалов. Проблема оптимизации морских портов и терминалов имеет долгую историю. Так, в литературе советского периода [56, с. 118] оптимизация работы порта рассматривается в двух аспектах: 1) в условиях наличных производственных ресурсов за счет комплекса организационно-технических мероприятий; 2) при освоении крупных капиталовложений на реконструкцию и строительство новых причальных сооружений, складов и других объектов.
Поскольку порты и терминалы как системы имеют множество элементов и связей как между этими элементами, так и с внешними системами [43], методы и способы оптимизации могут быть крайне сложными. Возникает и проблема выбора критерия эффективности. В первом случае можно сформировать этот критерий на основе показателей эффективности использования ресурсов порта: пропускной способности, себестоимости и интенсивности перегрузочных работ и других [15, с. 37-61]. Во втором случае речь идет об инвестиционном проекте, поэтому в качестве критерия эффективности следует рассматривать показатели, учитывающие разновременность инвестиционных затрат и получаемого эффекта (например, срок окупаемости, чистый дисконтированный доход (ЧДД) или внутреннюю норму доходности) [8, с. 274-317]. При этом окончательный выбор критерия эффективности может быть сделан только после определения целей и постановки конкретной задачи.
Кроме того, вопросы оптимизации можно рассматривать относительно уровней управления портом: методы, применимые для оперативного и тактического уровней управления, не могут использоваться при разработке стратегий или обосновании инвестиционных проектов в сфере портового строительства. Наконец, процесс управления по-разному протекает при осуществлении различных функций управления (при планировании, организации, мотивации и контроле).
На этапе прогнозирования в качестве главной задачи выступает предвидение будущих условий функционирования морского порта (терминала), поэтому все применяемые методы не могут быть изначально рассчитаны на получение точных результатов. Следовательно, здесь весьма полезен комплекс стохастических методов, основанных на теории вероятностей и математической статистике. Например, путем обработки эмпирических данных о сезонности грузопотоков, можно получить информацию о частоте и амплитуде сезонных колебаний. Стабильная изменчивость грузопотоков, особенно носящая монотонный характер, позволяет эффективно использовать метод экстраполяции. Наконец, зная количественные оценки факторов, влияющих на работу порта (терминала), мы можем применять корреляционно-регрессионный анализ. Однако прогнозировать необходимо не только грузопотоки, но и ряд других параметров, влияющих на деятельность морского порта (терминала). В частности, динамику тарифов на перевалку и хранение груза, цены на электроэнергию, топливо и перегрузочное оборудование и другие показатели. Только анализ всей совокупности параметров с применением наиболее эффективных методов позволит построить точную картину, на основе которой может быть разработан качественный план.
В дополнение к этому можно использовать опыт специалистов в рассматриваемой области, систематизировав его на основе метода экспертных оценок. Результаты опроса экспертов также необходимо обработать статистически.
Переходя к планированию работы порта (терминала), необходимо помнить, что его эффективность во многом зависит от качества, точности и полноты данных, полученных в результате прогноза. Так же качество планирования существенно влияет на эффективность организации.
В первую очередь отметим, что большинство рассматриваемых на этапе планирования характеристик относятся к внутренней среде порта (терминала), следовательно, лица, принимающие решения, способны влиять на них. Это означает, что, во-первых, на первый план выходит анализ управленческих решений в условиях ситуации с известной степенью неопределенности, а во-вторых, требуются более точные методы, основанные преимущественно на системном подходе.
Формирование стохастической математической модели потоков грузов и транспорта и проверка ее адекватности по эмпирическим данным
ИМ как метод повышения эффективности и оптимизации работы ЛС широко рассматривается и обсуждается в российских и зарубежных источниках.
Рост научного интереса к проблемам и методам решения задач функционирования и развития портов и терминалов с использованием имитационных моделей совпадает с периодом бурного развития и широкого распространения доступных ЭВМ (персональных компьютеров) в 90-х годах XX века. Это объясняется большой трудоемкостью и низкой эффективностью ИМ без использования ЭВМ.
Тем не менее, первые работы в данной области были опубликованы в более ранние периоды. В некоторых статьях [78] основное внимание уделялось общим вопросам, связанным с формированием структуры виртуальной модели, методами имитации отдельных процессов и элементов ЛС порта и терминала, а также со способами обработки и интерпретации входных и выходных данных, проверкой достоверности и адекватности модели, практическим использованием результатов имитационных исследований.
Другие исследователи основное внимание уделяли конкретным практическим задачам. В частности, в статье [116] описывается методика определения оптимального числа причалов порта для обеспечения бесперебойной обработки судов. Применяемая для решения задачи компьютерная модель формируется на основе статистических данных о подходах судов. В работе [117] имитационная модель используется для оптимизации инвестиционных проектов развития порта.
В период бурного развития ИМ портов и терминалов некоторые исследователи ставили перед собой вопрос о его эффективности по сравнению с традиционными аналитическими методами, основанными на детерминированных математических моделях [97].
В определенное время актуальной стала задача разработки качественного симулятора порта, т.е. компьютерной программы, имитирующей его деятельность [91]. Однако в настоящее время ей уделяется меньше внимания в связи с тем, что большинство специалистов предпочитает универсальные СИМ, в которых создание модели порта часто не требует больших усилий.
С помощью ИМ решаются как задачи, связанные с управлением крупными отраслевыми транспортными системами, так и задачи уровня отдельных транспортных предприятий (определение потребности в оборудовании, управление ресурсами и т.п.). В рамках данной классификации некоторые авторы выделяют также уровень технических систем, на котором имитационные модели применяются для определения параметров различного подъемно-транспортного оборудования [87, с. 37].
В настоящее время существует огромное количество разнообразных средств разработки, тестирования и анализа имитационных моделей. Каждое из них относится, как правило, к одной из следующих групп [21, с. 250, 276; 111]: 1) Универсальные и специализированные пакеты ИМ (Arena, Extend, AweSim, GPSS/H, Micro Saint, MODSIM II и III, SIMPLE++ и другие). 2) Языки программирования (C++, С#, Java, Basic, PASCAL и другие). Первая группа средств имеет большой набор функций, приспособленных для работы с имитационными моделями, готовый удобный интерфейс. При использовании языков программирования все это необходимо создавать самостоятельно, хотя модель будет значительно более гибкой, а прямой доступ к исходному коду позволит вносить любые изменения в программу. Учитывая эти соображения, для создания имитационной программы BaltlnLog Portlnvest мы выбрали среду Microsoft Visual Studio 2010 и язык программирования C++ с применением MFC (Microsoft foundation classes). Язык C++ обеспечивает очень хорошее сочетание гибкости, функциональности и быстродействия программы. С другой стороны, программирование в среде Microsoft Visual Studio представляет собой весьма трудоемкий процесс, но этот недостаток нивелируется экономией ресурсов ЭВМ, которая будет играть важную роль при решении вопроса о возможности применения нашей имитационной модели в практике управления морскими портами.
Программа BaltlnLog Portlnvest проводит ИЭ в соответствии с заданными параметрами порта (терминала) и грузопотоков. В ходе испытания пользователь может наблюдать за работой модели (рисунок АЛ). Интерфейс программы представлен в приложении А.
Существует большое количество зарубежных научных работ, посвященных оптимизации различных процессов в морских портах на основе имитационных моделей [69]. В них описаны различные методы, подходы и приемы, ориентированные как на решение конкретных практических задач, так и на развитие теоретических знаний в данной области. Исследования в области ИМ работы терминалов различаются и по широте охвата предметной области, в связи с чем выделяют такие подходы, как моделирование на микро- (отдельные процессы) и макроуровне (ряд ключевых процессов и операций), моделирование транспортных цепей и интегрированное моделирование (несколько цепей или логистических процессов) [104].
Следует отметить, что в большинстве публикаций по ИМ портов и терминалов рассматриваются либо отдельные аспекты их деятельности, либо отдельные процессы и операции. Недостаточно изучена общая методика их оптимизации с помощью компьютерного моделирования, которая бы включала в себя как главные критерии эффективности, правила их выбора, способы интерпретации выходных данных модели (прежде всего технико-эксплуатационных и экономических) и достижения оптимального плана так и принципы композиции модели и планирования ИЭ. Поскольку отдельные задачи изучены достаточно хорошо, такая методология должна быть выработана, с одной стороны, путем систематизации накопленного теоретического материала, а с другой стороны, путем обобщения опыта практического применения имитационных моделей для решения конкретных задач порта или терминала.
Важен и тот факт, что в настоящее время почти во всех работах рассматривают именно контейнерные терминалы, и лишь небольшое количество авторов приводит исследование для других грузов и терминалов [73; 76] либо работы порта в целом [3, 82]. Выбор в пользу контейнеров авторы объясняют огромной ролью контейнеризации в мировой торговле [98], что подтверждается статистическими данными: в среднем 80% генеральных грузов перевозится в контейнерах [70, с. 1]. Кроме того, большинство авторов ориентировано на исследование отдельных подпроцессов [121] в определенных временных рамках, что позволяет использовать приведенную ниже классификацию [93, с. 34].
Формирование стохастической математической модели процесса хранения груза и проверка ее адекватности по эмпирическим данным
Дискретно-событийная модель, как было отмечено в параграфе 1.2, является одновременно дискретной, динамической и стохастической. Динамичность предполагает изменение системы во времени. Дискретность означает, что такие изменения (далее будем называть их событиями) происходят не непрерывно, а только в определенные моменты времени. Наконец, стохастичность выражается в том, что моменты событий и их влияние на систему могут быть случайными. Время может изменяться от события к событию, либо с постоянным шагом [21, с. 26], однако в написанной нами компьютерной программе BaltlnLog Portlnvest используется комбинированный метод: первый способ используется для изменения состояния модели, а второй для ее анимации.
Общий алгоритм работы имитационной программы хорошо описан в книгах по ИМ [Там же, с. 30]. Кроме того, в научных статьях приводятся специализированные блок-схемы для моделирования отдельных транспортно-технологических процессов контейнерного терминала [98]. Разработанная нами блок-схема (рисунок 1.1) описывает алгоритмы, положенные в основу программы BaltlnLog Portlnvest, которые хотя и имеют с другими подобными алгоритмами некоторые общие элементы, но в целом являются результатом более тщательного анализа основных логистических процессов и принципов работы большинства реальных морских транспортных узлов.
Данная блок-схема отражает порядок работы имитационного модуля программы, которому соответствует один из ее классов, и содержит только основные элементы, связанные с управлением компьютерной моделью (вспомогательные компоненты и блоки не показаны). В блоке "Загрузка данных" класс имитации получает информацию о характеристиках терминалов, параметрах потоков грузов и транспорта, а также об имеющемся в порту оборудовании, технологиях перевалки грузов. Передаются также и некоторые вспомогательные сведения: порядок разбиения времени имитации на отчетные периоды, данные для финансового и экономического анализа работы порта и другая информация. В следующем блоке модельное время t приравнивается ко времени начала имитации tH, указанном в настройках, что позволяет программе перейти к инициализации стартовых процессов (время начала каждого такого процесса совпадает с моментом начала имитации t = tH, а момент его окончания определяется по заданным правилам в зависимости от соответствующего процессу целочисленного значения ki; характеризующего его тип).
Следующие элементы блок-схемы формируют двойной цикл. После увеличения модельного времени на величину At, зависящую от определяемой пользователем скорости имитации, программа сравнивает модельное время с моментом завершения имитации tK, заданном в настройках. После увеличения времени некоторые процессы уже могут быть завершены, при этом имитация соответствующих событий должна происходить строго в хронологическом порядке. Это связано с тем, что исход большинства событий в той или иной мере зависит от текущего состояния системы, которое определяется другими событиями и процессами. Поэтому, зная моменты завершения процессов ti, мы выбираем наименьший из них ti min. Выполнение условия t ti Ып говорит о наступлении события, и программа переходит к его моделированию.
Поскольку разработанная и используемая нами СИМ позволяет создавать стохастические модели, продолжительности процессов и моменты событий в общем случае представляют собой случайные величины и функции, параметры которых определяются характеристиками моделируемой системы. Выбор распределений и параметров случайных величин осуществляется на основе статистических данных с использованием ряда справочных материалов по теории вероятностей и математической статистике [21, с. 356-372; 25, с. 23-201; 59]. Рисунок 2.1 — Блок-схема алгоритма ИМ порта в программе Portlnvest Производимые далее действия зависят от значения кь После каждого события, не связанного с постановкой процесса в очередь, выполняется процедура его переопределения. При этом один процесс перетекает в другой, момент начала нового процесса приравнивается к моменту окончания предыдущего, определяется продолжительность нового процесса Ati, а параметру ki присваивается новое значение.
Значение ki = 0 соответствует процессу прибытия транспорта, по завершении которого инициируется проверка возможности обработки судна, вагона или автомашины. Так, при судозаходе проверяется следующее:
Если один из терминалов или причалов способен принять судно, процесс прибытия преобразуется в процесс погрузки (выгрузки) с ki = 1, а часть ресурсов порта выделяется для производства погрузочно-разгрузочных работ. В противном случае процесс ставится в очередь. Проверка возможности выхода из нее производится каждый раз при освобождении некоторого количества ресурсов порта. Если моделируется перевалка по складскому варианту, непосредственно после завершения выгрузки начинается в процесс хранения.
Процессу хранения груза на складе соответствует к{ = 2. Непосредственно после его завершения осуществляется проверка наличия необходимых ресурсов для инициализации процесса выгрузки (погрузки) при ki = 3.
Стоит отметить, что построение алгоритма моделирования обработки потоков грузов и транспорта в порту связано с существенной проблемой, которая не была отражена в описанном алгоритме. Она состоит в том, что при переопределении процессов обработки отдельных единиц транспорта с разной грузоподъемностью иногда необходимо решать вопрос об их слиянии и разделении.
Использование имитационной модели для решения задач управления в условиях неопределенности
При проведении расчетов за единицу времени была принята продолжительность одного заранее выбранного интервала. По нашему мнению, в данном случае эта единица наиболее удобна, поскольку далеко не во всех случаях период наблюдений целесообразно делить на такие привычные единицы измерения, как месяцы, годы, дни и часы. Во-первых, это не всегда позволяет достичь оптимальной длины интервала. Во-вторых, некоторые традиционные единицы (например, месяцы и годы) различаются по продолжительности, что немного исказило бы результаты обработки данных. Число интервалов выбирается таким, чтобы была видна четкая динамика показателя. Если это число слишком мало, основные тенденции будут незаметны. Если оно велико, динамика будет размытой, а график неровным и зигзагообразным.
Стоит обратить внимание на значение параметра г для первой и третьей выборки. Так как оно заметно больше единицы, соответствующий поток судов имеет некоторое последействие. Это, вероятнее всего, объясняется тем, что порт, данные которого использовались в расчетах, соединен с морем каналом. Движение по нему в каждом направлении (караванами) осуществляется в строго отведенное время. Чем выше г, тем более упорядоченным является поток транспорта и тем эффективнее будет жесткое планирование работы. Напротив, если последействие мало, большую роль следует отводить гибкому управлению, ориентированному на текущую ситуацию.
Анализируя графики аппроксимирующих функций (рисунок 2.2), следует отметить, что не все из них хорошо отражают динамику судозаходов, так как последняя может в той или иной степени соответствовать лишь одной из элементарных функций. И хотя линеаризующие преобразования не имеют большой гибкости и позволяют подобрать лишь два параметра функции, их применение существенно расширяет возможности линейного регрессионного анализа при сохранении его простоты. В нашем случае использование более сложных методик нельзя назвать оправданным, учитывая как качество имеющихся выборок, так и цели исследования. Для создания базовой имитационной модели порта или терминала изложенных методов изучения транспортных потоков в подобных случаях более чем достаточно.
Наконец, следует обратить внимание на то, что характеристики потоков судов для каждого рода груза имеют существенные различия как по динамике интенсивности потока, так и по степени регулярности судозаходов (параметр г у первой выборки на 61,23% выше, чем у второй). Это подтверждает выводы, изложенные в других исследованиях [71] и говорит о необходимости глубокого анализа и декомпозиции потоков судов перед статистической обработкой данных и использованием полученных на их основе характеристик потоков в модели. В противном случае результаты ИЭ могут быть сильно искажены.
Программа BaltlnLog Portlnvest имеет встроенный редактор функций, с помощью которого можно указать формулу для генерирования интервалов между судозаходами на основе результатов анализа (формула для каждого потока судов приводится в таблице 2.1). Несмотря на то что в редакторе можно непосредственно использовать только встроенные распределения случайных величин, их параметры могут быть заданы в виде выражений, что обеспечивает достаточную расширяемость набора используемых распределений. В выражения могут входить и сами случайные величины. Это позволяет ввести интегральную «ведущую функцию» (2.5) и связать ее с параметрами состояния имитационной модели, в том числе с модельным временем.
Получение в программе случайных величин с заданным законом распределения осуществляется в общем случае с помощью метода обратного (функционального) преобразования [6; 21, с. 505-510], включающего следующие шаги: 1) получить обратную функцию распределения F1 (U); 2) сгенерировать U как равномерную случайную величину, принимающую значения в интервале (0,1); 3) получить X = F1 (U).
Экспоненциальное распределение позволяет использовать вышеописанный метод в чистом виде. Величину, распределенную по закону Эрланга, можно определить как сумму экспоненциально распределенных величин. Гамма-распределение выражается через неполную гамма-функцию [22, с. 214], которую невозможно выразить с помощью элементарных функций, поэтому здесь используется иной метод, который подробно рассмотрен в книге [21, с. 530-531].
Загрузка транспорта также является важным параметром, который должен обязательно учитываться в программе. Проблема состоит в том, как именно его следует моделировать. При выборе подходящей вероятностной модели следует прежде всего учитывать тот факт, что загрузка транспорта жестко ограничена сверху его чистой грузоподъемностью D4 и вместимостью W (или контейнерной вместимостью DK). Грузовладелец и перевозчик всегда стремятся добиться полного использования этих характеристик, однако часть вместимости и грузоподъемности всегда остается неиспользованной. Рассматривая эту часть как случайную долю, ограниченную с обеих сторон, можно априори предполагать, что она подчиняется либо бета-распределению [Там же, с. 362-364], либо распределению Джонсона SB JSB(ab a2, 0, 1) [Там же, с. 368-370]. Причем два правых параметра последнего определяют интервал значений, которые может принимать случайная величина. Если расширить этот интервал от 0 до D4 или от 0 до W/ц (ц — удельный погрузочный объем, м3/т), то загрузку транспорта можно непосредственно получать как величину, подчиняющуюся закону Джонсона
