<<
>>

25.3. Оптимизационные модели в маркетинге

Оптимизационными задачами, в экономике называются экономико-математические задачи, цель которых состоит в нахождении наилучшего (оптимального) с точки зрения некоторого критерия (критериев) варианта использования наличных ресурсов (материальных, временных и т.д.).

Решаются такие задачи с помощью оптимизационных моделей методами математического программирования.

В отличие от дескриптивных, т.е. описательных моделей, примером которых могут служить рассмотренные выше балансовые модели, оптимизационные модели наряду с уравнениями или неравенствами, описывающими взаимосвязи между переменными, содержат также критерий для выбора, называемый функционалом, или целевой функцией. Таким образом, общая структура этих моделей состоит из целевой функции, принимающей значения в пределах ограниченной условиями задачи области (области допустимых решений), и из ограничений, характеризующих эти условия. Целевая функция в самом общем виде определяется тремя моментами: управляемыми переменными, неуправляемыми параметрами (зависящими, например, от внешней среды) и видом (формой) зависимости между ними (видом функции). Если обозначить критерий оптимальности через U, управляемые переменные – = (xi), параметры – = (pj), заданные пределы (область) изменения управляемых переменных – М, то общий вид оптимизационной модели будет следующим:

Задачи вида (25.27) решаются методами математического программирования, которое включает в себя линейное, нелинейное, динамическое, целочисленное программирование и т.д. Выбор методов математического программирования для решения оптимизационных задач определяется видом целевой функции f, видом ограничений, определяющих область М, и специальными ограничениями на управляемые переменные (например, требованием их целочисленности).

Решение задачи получения управнения (25.27) обычно называется оптимальным решением, или оптимальным планом.

Рассмотрим прежде всего оптимизационные задачи, сводящиеся к задачам линейного программирования (ЗЛП). В общем виде такая задача может быть сформулирована, например, следующим образом.

Найти вектор = (х1, х2 ... хn), максимизирующий линейную целевую функцию: , а также удовлетворяющий линейным функциональным ограничениям:

Кроме того, искомый вектор должен удовлетворять и прямым ограничениям:

Задача (25.28) может быть записана в канонической форме, при которой функциональные ограничения имеют вид равенств. Это достигается путем прибавления к левым частям этих ограничений т дополнительных неотрицательных переменных. ЗЛП в канонической форме решается симплексным методом, в то же время для некоторых ЗЛП специального вида разработаны соответствующие методы (алгоритмы) решения.

Некоторые из них не связаны непосредственно с алгоритмом симплексного метода, как, например, метод потенциалов для решения транспортной задачи; другие же в качестве составных элементов используют вычислительные процедуры симплексного метода. В качестве примера последних можно привести метод Гомори (метод отсечений) для решения задач линейного целочисленного программирования.

Оптимизационные задачи, сводящиеся к задачам линейного программирования, широко используются в процессе экономико-математического моделирования (они рассматриваются ниже). Однако задачами линейного программирования не исчерпываются все виды оптимизационных экономических задач, так как во многих случаях целевая функция задачи и ограничения на область допустимых решений не удовлетворяют условиям линейности.

Тогда применяются специальные методы нелинейного программирования, например метод множителей Лагранжа, динамического и имитационного программирования и др.

Перейдем к рассмотрению конкретных прикладных задач маркетинга, решаемых на основе оптимизационных моделей.

Статическая модель оптимизации прикрепления потребителей к поставщикам. Основной математической моделью оптимального прикрепления потребителей к поставщикам является так называемая транспортная задача линейного программирования, которая в общем виде формулируется следующим образом:

В т пунктах отправления (А1, А2 ... Ат), которые в дальнейшем будем называть поставщиками, сосредоточено определенное количество единиц некоторого однородного продукта, которое обозначим ai (i = 1, 2 ... m).

Данный продукт потребляется в n пунктах (В1, B2 ... Вn), которые будем называть потребителями; объем потребления обозначим через bj (j = 1, 2 ... n).

Известны расходы на перевозку единицы продукта из пункта Аi в пункт Вj, которые равны cij и приведены в матрице транспортных расходов С = (сij).

Требуется составить такой план прикрепления потребителей к поставщикам (другими словами, план перевозок), при котором весь продукт вывозится из пунктов Ai в пункты Bj в соответствии с потребностью и общая величина транспортных издержек минимальна.

Обозначим количество продукта, перевозимого из пункта Ai в пункт Bj, через Хij. Совокупность всех переменных хij для краткости обозначим символом , тогда целевая функция задачи приобретет вид:

А ограничения выглядят следующим образом:

Условия (25.31) означают полное удовлетворение спроса во всех пунктах потребления; условия (25.30) определяют больший вывоз продукции от всех поставщиков.

Необходимым и достаточным условием разрешимости задачи (25.29) – (25.31) является условие баланса:

Транспортная задача, в которой имеет место равенство (25.32), называется закрытой и в качестве ЗЛП может быть решена с помощью симплексного метода. Однако благодаря особенностям переменных задачи и системы ограничений разработаны специальные, менее громоздкие методы ее решения.

Чаще всего применяется метод потенциалов, при котором каждой i-й строке (i-му поставщику) устанавливается потенциал Ui, который можно интерпретировать как цену продукта в пункте поставщика, а каждому столбцу j (j-му потребителю) устанавливается потенциал Vj, принимаемый условно за цену продукта в пункте потребителя. В простейшем случае цена продукта в пункте потребителя равна его цене в пункте поставщика плюс транспортные расходы на его доставку, т.е.:

Vj = Ui + cij. (25.33)

Алгоритм метода потенциалов для закрытой транспортной задачи детально описан в ряде учебных пособий*.

* См.: Экономико-математические методы и прикладные модели. Учебное пособие для вузов/Под ред. В.В. Федосеева. – М.: ЮНИТИ, 1999.

Первым этапом этого алгоритма является начальное распределение (составление начального плана перевозок). Для этого имеется ряд методов: северо-западного угла, наименьших стоимостей, аппроксимаций Фогеля и др. Второй этап – построение системы потенциалов на основе равенства (25.33), а третий – проверка начального плана на оптимальность, причем в случае его неоптимальности переходят к четвертому этапу, содержание которого заключается в реализации так называемых циклов перераспределения плана прикрепления потребителей к поставщикам, после чего переходят опять к третьему этапу. Совокупность процедур четвертого и третьего этапов образует одну итерацию, и эти итерации повторяются, пока план перевозок не окажется оптимальным по критерию (25.29)

Если баланс (25.32) не выполняется, то ограничения (25.30) или (25.31) имеют вид неравенств типа «меньше или равно»; транспортная задача в таком случае называется открытой.

Для решения открытой транспортной задачи методом потенциалов ее сводят к закрытой задаче путем ввода или фиктивного потребителя, если в неравенства превращаются условия (25.30), или фиктивного поставщика в случае превращения в неравенства ограничений (25.31).

Модель оптимизации загрузки производственных мощностей. В общем виде задачу оптимальной загрузки производственных мощностей можно сформулировать следующим образом.

Имеется т предприятий (например, филиалов фирмы), которые могут производить п видов продукции. Известны:

а) ai – фонд рабочего времени (например, в сменах) каждого i-го предприятия; i = 1, 2 ... m;

б) bj – величина потребности в продукции j-го вида; j = 1, 2 ... n;

в) аij – мощность, или количество продукции j-го вида, вырабатываемой (в смену) на i-м предприятии;

г) cij – себестоимость производства единицы j-й продукции на i-м предприятии.

Требуется составить такой план распределения заказов на продукцию по всем предприятиям, при котором суммарные затраты по изготовлению продукции в заданной номенклатуре будут минимальными при полной загрузке производственных мощностей предприятий.

Пусть хij – планируемый объем выпуска j-й продукции на i-м предприятии; совокупность таких величин обозначим . Тогда целевая функция рассматриваемой задачи имеет вид:

Существуют при этом следующие ограничения:

Если снять условие полной загрузки производственных мощностей предприятий, то ограничения (25.35) примут вид таких неравенств:

Если же условие точного выполнения плана в заданной номенклатуре заменить требованием «не меньше», то условия (25.36) превратятся в следующие неравенства:

Очевидно, задачу (25.34) – (25.36) можно решить симплексным методом как задачу линейного программирования.

Однако если привести определенными приемами коэффициент аij к единице, то данная модель не будет отличаться от модели транспортной задачи, и ее можно будет решить, в частности, методом потенциалов.

Модели оптимального составления смесей (сплавов). В ряде производств готовая продукция получается путем смешивания различных исходных компонентов, при этом ее качество должно соответствовать определенным требованиям при достижении максимального экономического эффекта. Оптимизация состава исходных компонентов представляет собой экономико-математическую задачу, которая называется задачей о смесях. В общем виде ее можно сформулировать следующим образом.

Состав готовой продукции определяется наличием в нем т видов элементов, содержание которых лимитируется величиной l, (i – 1, 2 ... т). Для k элементов, ухудшающих качество продукции, задана верхняя граница содержания того или иного элемента (li, ≤ аi), а для т – k элементов, улучшающих качество продукции, задана нижняя граница содержания элемента в готовой продукции (li, ≥ аi). Для производства готовой продукции может быть использовано п видов компонентов, объемы которых ограничены величиной bj (j = 1, 2 ... п).

Известно содержание i-го элемента в j-м компоненте, которое обозначим как аij. Известна стоимость отдельных компонентов, включая расходы на их переработку, которую обозначим как cj. Наконец, задано общее количество готовой продукции (М), которое следует изготовить по плану. Требуется составить такую смесь из имеющихся компонентов, чтобы затраты на это составление были минимальными.

Обозначим количество используемого для составления смеси j-го компонента через хj, а вектор, координатами которого являются величины хj, – через . Целевая функция задачи имеет вид:

Ограничения формулируются следующим образом:

Ограничения (25.38) относятся к элементам, ухудшающим качество, (25.39) – к элементам, улучшающим качество, (25.40) - к плану производства, (25.41) – к ограничению ресурсов.

Задача о смесях решается с применением методов линейного программирования.

Рассмотрим следующий пример. В изготовленном на предприятии бензине А 76 октановое число должно быть не ниже 76, а содержание серы – не более 0,3%. Данные об используемых компонентах приведены в табл. 25.3.

Таблица 25.3

Используемые в автомобильном бензине компоненты

Показатель Компоненты
1 2 3 4
Октановое число

Содержание серы, %

Ресурсы, т

Себестоимость

68

0,35

700

40

72

0,35

600

45

80

0,3

500

60

90

0,2

300

90

Требуется определить, сколько тонн каждого компонента нужно взять для получения 1000 т бензина А 76, чтобы при этом себестоимость бензина была минимальной.

Пусть х1х2х3х4 – оптимальные количества соответствующих компонентов.

Целевая функция задачи:

f() = 40x1 + 45х2 + 60х3 + 90x4 → min;

Ограничение по октановому числу: 68x1 + 72x2 + 80х3 + 90x4 ≥ 76 · 1000.

Ограничение по содержанию серы: 0,35x1, + 0,35x2 + 0,3x3 + 0,2х4 < 0,3 · 1000.

Ограничение по объему готовой продукции: х1 + x2 + х3 + x4 = 1000.

Ограничения по имеющимся ресурсам: x1 ≤ 700; х2 ≤ 600; х3 ≤ 500; х4 ≤ 300.

Условие неотрицательности переменных: x1, x2, х3, х4 ≥ 0.

Сформулированная экономико-математическая модель сводится к задаче линейного программирования. Ее решение симплексным методом на ЭВМ дает оптимальный план составления смеси: Х = (571; 0; 143; 286; 0; 0; 129; 600; 357; 14). Следовательно, в рассматриваемом случае следует использовать такую смесь: 571 т компонента 1; 143 т компонента 3; 286 т компонента 4. При этом себестоимость 1000 т бензина А 76 будет составлять 57 160 денежных единиц.

Рассмотрим еще один пример: получение требуемого сплава. Пусть требуется изготовить некоторую единицу объема сплава, содержащего 15% олова, 55% цинка и 30% свинца. Данные об имеющихся исходных сплавах заданы в табл. 25.4.

Таблица 25.4

Характеристики исходных сплавов

Показатель Исходные сплавы
1 2 3 4 5
Содержание свинца, %

Содержание цинка, %

Содержание олова, %

Стоимость единицы сплава, денежных ед.

40

40

20

5

30

60

10

4

25

45

30

7

15

65

20

5

35

60

5

3

Следует определить, какие из исходных сплавов и в каких количествах нужно использовать для получения требуемого сплава, чтобы суммарные затраты на исходные сплавы были минимальными.

Сформулируем экономико-математическую модель данной задачи. Обозначим через х1 х2, x3 х4 х5 искомые количества исходных сплавов. Тогда целевая функция примет вид:

При этом существуют следующие условия:

Сформулированная задача, как и предыдущая, решается методами линейного программирования.

Модели оптимального раскроя промышленных материалов. Сущность оптимального раскроя состоит в разработке таких технологически допустимых раскройных планов, при которых из стандартных единиц раскраиваемых ресурсов получается необходимый комплект заготовок требуемого размера, а критерий оптимальности заключается в сведении к минимуму либо общей величины отходов кроя, либо количества раскраиваемых единиц ресурсов.

Формулировка задачи оптимального раскроя зависит от формы раскраиваемого материала, который может быть длинномерным, листовым, рулонным и т.д. Сформулируем экономико-математическую модель задачи оптимального раскроя по одному измерению длинномерных материалов (прутков, труб, профильного проката и др.). Примем следующие обозначения:

L – длина исходного материала;

i – номер (индекс) вида требуемых заготовок, i = 1, 2 ... т;

li – длина заготовки i-го вида;

Аi – требуемое число заготовок i-го вида (не менее);

j - номер варианта раскроя, j = 1, 2 ... n;

aj – количество заготовок i-го вида при раскрое единицы исходного материала по j-му варианту;

сij – длина отхода по j-му варианту.

Пусть х1 - количество единиц исходного материала, раскраиваемых по i-му варианту. Целевая функция по критерию минимума отходов имеет вид:

По критерию минимума раскраиваемых единиц исходного материала уравнение может быть таким:

Это верно при соблюдении следующих условий:

Получилась задача линейного программирования, которую надо пополнить требованием целочисленности величины хj.

Заметим, что во многих случаях решения задач с обеими указанными целевыми функциями совпадают.

Наиболее трудоемкий этап в процессе построения модели рассматриваемой задачи заключается в определении всех возможных вариантов раскроя. Исходные соотношения для составления вариантов раскроя следующие:

Условие (25.46) означает, что длина отхода для любого варианта раскроя должна быть меньше, длины самой короткой заготовки (это является признаком полноценности варианта).

Рассмотрим пример. Снабженческо-сбытовая фирма получает от поставщиков прутки стального проката длиной 600 см. Согласно заявкам потребителей требуются заготовки трех видов в следующих количествах: 150 тыс. шт. длиной 250 см, 140 тыс. шт. длиной 190 см и 48 тыс. шт. длиной 100 см. Сформулируем экономико-математическую модель задачи оптимального раскроя с минимумом отходов. Составим таблицу возможных вариантов раскроя, при этом в первом блоке имеют место варианты раскроя, дающие все три вида заготовок, во втором - дающие заготовки второго и третьего вида, а в третьем – дающие заготовки только третьего вида.

Таблица 25.5

Возможные варианты раскроя

Блок Номер варианта (j) Количество заготовок (аij) Остаток (сj)
l1 = 250 см l2 = 190 см l3 = 100 см
I 1

2

3

2

1

1

-

1

-

1

1

3

-

60

50

II 4

5

6

-

-

-

3

2

1

-

2

4

30

20

10

III 7 - - 6 -

Пусть х1, x2, x3, х4, x5, х6, х7 – количества прутков, раскраиваемых по каждому варианту. Тогда целевая функция имеет вид:

Такое уравнение действительно при следующих условиях:

Задача о коммивояжере. Здесь требуется отыскать наилучший маршрут, с тем чтобы объехать все порученные коммивояжеру пункты и вернуться назад либо в кратчайший срок, либо с наименьшими затратами на проезд. В общем виде эту задачу можно сформулировать следующим образом.

Имеется п городов, занумерованных числами от 1 до п. Коммивояжер, выезжая из города 1, должен побывать в каждом городе ровно один раз и вернуться в исходный пункт. Известны расстояния между городами: сij (i, j = ; i ≠ j). Требуется найти самый короткий маршрут.

Введем переменные:

Требования однократного въезда и выезда из каждого города запишутся в виде:

Однако эти ограничения полностью не описывают допустимые маршруты, так как не исключают возможности разрыва пути, т.е. появления нескольких не связанных между собой подмаршрутов для части городов. Поэтому вводятся дополнительно переменных Ui, которые принимают только целые неотрицательные значения. Тогда можно записать еще (n – 1)2 – (n – 1) ограничений:

Нетрудно показать, что ограничения (25.48) не исключают допустимый маршрут, но исключают возможность существования подмаршрутов.

Таким образом, задача о коммивояжере состоит в минимизации:

Это действительно при условиях (25.47), (25.48), где переменные xij, Ui принимают только неотрицательные целые значения.

Задача о размещении складов. Она является одной из оптимизационных задач исследования операций и решается обычно методами нелинейного программирования. Надо минимизировать общую сумму транспортных и складских расходов при следующих ограничениях:

а) с каждого предприятия должна быть отгружена вся продукция;

б) не может быть превышена емкость ни единого склада;

в) должны быть удовлетворены заявки всех потребителей.

В процессе решения задачи находится оптимальная по минимуму затрат трехчленная комбинация: предприятие – склад – потребитель. При некоторых условиях задача о размещении складов может сводиться к обычной транспортной задаче линейного программирования.

Задача о ранце (или о рюкзаке). Так называется задача о наилучшем выборе предметов из общего их количества, т.е. таким образом, чтобы суммарный вес (или габариты) отобранных предметов не превышал (не превышали) заданную величину, а их суммарная полезность или иная общая оценка (количество калорий, общая стоимость и т.д.) была максимальной. Задача о ранце решается как задача целочисленного линейного программирования, методами динамического программирования и другими. В частности, эта задача применяется при планировании оптимальной загрузки самолетов, кораблей, складов и др.

<< | >>
Источник: Н.Д. Эриашвили, К. Ховард, Ю.А. Цыпкин и др.. Маркетинг: Учебник для вузов. Под ред. Н.Д. Эриашвили. – 2-е изд., перераб. и доп. – М.: ЮНИТИ-ДАНА, - 623с.. 2001

Еще по теме 25.3. Оптимизационные модели в маркетинге:

  1. 3.2.4. Оптимизационные методы в размещении производства
  2. 9.2. Динамическая модель межотраслевого баланса
  3. Модель 2. Максимизация ожидаемого дохода при ограничениях, определяемых политикой фирмы.
  4. Модель 3. Минимизация инвестиционного риска при заданном среднем доходе.
  5. Гламаздин Е.С., Новиков Д.А., Цветков А.В.. Управление корпоративными программами: информационные системы и математические модели, 2003
  6. Модели управления корпоративными программами
  7. Модели и механизмы страхования
  8. § 2. Маркетинг в деятельности предпринимателя-товаропроизводителя и его правовое обеспечение
  9. Модель Баумоля
  10. Глава 25. Экономико-математические методы и прикладные модели в маркетинге
  11. 25.2. Балансовые модели в маркетинге
  12. 25.3. Оптимизационные модели в маркетинге
  13. 25.5. Моделирование спроса в задачах маркетинга
  14. 5.3. Концепции маркетинга услуг. Маркетинговые стратегии в сфере услуг
  15. 7.1. Концептуальная модель управления маркетингом малого бизнеса
  16. Вопрос 18 КОНЦЕПЦИИ КОМПЛЕКСА МАРКЕТИНГА (MARKETING-MIX)