Задача определения наилучших управленческих решений по нахождению оптимального количества работников по критерию увеличения дохода от в

Пояснительная записка  к курсовой работе : 32 с., 6  рис.,  2 приложения, 3 источника.

Объект исследования : задача определения наилучших управленческих решений по нахождению оптимального количества работников по критерию увеличения дохода от выполняемых работ.

Цель работы : нахождение оптимального решения   для поставленной задачи.

Найдено решение с помощью имитационного  моделирования. Выполнена программная  реализация на GPSS World. Получены статистически  значимые результаты.

 

ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ, МОДЕЛИРОВАНИЕ СИСТЕМ, СМО, ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТОВ,  ЦЕЛЕВАЯ ФУНКЦИЯ, АНАЛИЗ РЕЗУЛЬТАТОВ.

 

ПОСТАНОВКА ЗАДАЧИ

Некоторая фирма занимается продажей в Украине всемирно-известной  марки велосипедов. Фирма содержит сервис центр, в котором проходит гарантийный и после гарантийный ремонт и обслуживание велосипедов клиентов.

Клиенты подвозят свои велосипеды в  сервис центр согласно экспоненциальному  распределению со средним интервалом времени 90 минут. С вероятностью 0,6 обслуживание клиента будет гарантийным и  бесплатным, с вероятностью 0,4 – обслуживание будет послегарантийным и платным. Клиенты с гарантийным обслуживанием имеют больший приоритет, чем остальные. Приоритет для остальных клиентов устанавливается в зависимости от типа велосипеда. Тип велосипеда клиента, приоритет обслуживания распределены согласно Табл.1:

Табл.1

Тип	compact road	mtb	lifestyle	bmx	kids
Приоритет	5	3	2	4	1
Вероятность	0,2	0,5	0,05	0,2	0,05

 

Стоимость послегарантийного обслуживания зависит от типа велосипеда и распределена согласно Табл.2:

Табл.2

Тип	compact road	mtb	lifestyle	bmx	kids
Распределение стоимости, ед. стоимости	равномерное 1300±500	равномерное 700±100	экспоненциальное со средним 300	равномерное 900±200	нормальное со средним 100 и стандартным  отклонением 30

 

Время обслуживания любого клиента зависит от типа велосипеда согласно Табл.3:

 

 

 

Табл.3

Тип	compact road	mtb	lifestyle	bmx	kids
Распределение времени  обслуживания, минут	равномерное 180±30	равномерное 120±15	равномерное 60±10	равномерное 140±20	равномерное 45±10

 

Клиенты могут обслуживаться несколькими мастерами. Заработная плата каждого составляет 180 ед. стоимости за 8-часовой рабочий день.

Определить:

1. число мастеров, необходимое для того, чтобы сервис центр давал максимальный экономический эффект;
2. число мастеров, необходимое для того, чтобы длина очереди на обслуживание не превышала 3 клиентов.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

В данной работе рассматривается решение  задачи об нахождении оптимального количества ремонтников с целью увеличения дохода от ремонта велосипедов. Решение поставленной задачи осуществляется с помощью имитационного моделирования.

Главная ценность имитационного моделирования состоит в том, что в основу его положена методология системного анализа. Имитационное моделирование может использоваться как универсальный подход для принятия решений в условиях неопределённости для учёта в моделях факторов, которые трудно формализуются, а также на практике использовать основные принципы системного подхода для решения практических задач.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1. АНАЛИЗ ВОЗМОЖНЫХ МЕТОДОВ РЕШЕНИЯ ПОСТАВЛЕННОЙ ЗАДАЧИ

 

 

Данную систему можно представить  в виде системы массового обслуживания (СМО), показанную на рисунке 1.1:

   

                                                                           

                                         

                                                                            

Входной поток              0.6                                                                                                           Выходной поток

                                                         

                                                               

 

Рисунок 1.1 – СМО

Параметры СМО:

• входной поток имеет экспоненциальное распределения со средним интервалом времени 90 минут;
• прибор 1 – прибор ремонта велосипедов, равномерное распределения с параметрами (Т_1, Т₂ );

Однако неизвестно время обслуживания заявок в 1 приборе.

3. Рассмотрим некоторые особенности  работы данной СМО:

• заявка, поступившая из входного потока с вероятностью 0.6 получает больший приоритет обслуживания;

Учитывая данные особенности, можно сказать, что используя аппарат теории массового обслуживания, поставленную задачу решить нельзя.

Поставленная задача может быть решена методом средних величин, однако данные, полученные при использования  данного метода, лучше брать для предварительного расчёта  ожидаемых результатов.

C помощью операционного анализа  возможно отыскать узкое место  в некоторой системе массового  обслуживания, что может помочь  при выборе оптимальной стратегии  управления. Однако так как неизвестно время обслуживания прибором, то данную задачу нельзя решить с помощью операционного анализа.

Осуществим решение поставленной задачи, используя имитационное моделирование. Имитационное моделирование – метод  конструирования для вновь создаваемых  или существующих систем и проведения экспериментов на модели, чаще всего в качестве имитационной модели выступает её программная реализация на ЭВМ. Эксперименты осуществляются путём прогонов программ на множестве входных данных.

Методами имитационного моделирования  может быть решена любая задача. Кроме того, имитационное моделирование имеет ряд преимуществ:

• простота повторения экспериментов на компьютере;
• возможность управления экспериментом, включая его прерывание и возобновление;
• лёгкость варьирования условиями проведения эксперимента.

 

 

 

 

 

 

 

 

 

2. РАЗРАБОТКА КОНЦЕПТУАЛЬНОЙ МОДЕЛИ

1. Определение структуры модели

Структурная схема концептуальной модели показана на рисунке 2.1.

 

     нет

                                            да

 

 

 

Рисунок 2.1 – Структурная схема

2. Входные и выходные переменные

Входными переменными для данной модели являются

• Х₀ – количество ремонтников.

Выходной переменной Х₆ будет получаемый доход, получаемый за время моделирования системы

3. Параметры модели

В процессе функционирования модели потребуются следующие параметры 

• Т₀  = XPDIS(90) мин – поступление велосипедов на ремонт;
• Т₁ = (45±10) мин – длительность ремонта kids велосипеда;
• Т₂ = (140±20) мин – длительность ремонта bmx;
• Т₃ = (60±10) мин – длительность ремонта lifestyle;
• Т₄ = (125±15) мин – длительность ремонта mtb;
• Т₅ = (180±30) мин – длительность ремонта lifestyle;
• Т₆ = (60±10) мин – длительность ремонта compact road;
• S₀ = 180 ед.ст. – выплаты зарплаты 1 ремонтнику за 1 день;
• S₁ = norm(100,30) ед.ст. – доход от ремонта kids велосипеда;
• S₂ = (900±200) ед.ст. – доход от ремонта bmx велосипеда;
• S₃ = xpdis(300) ед.ст. – доход от ремонта lifestyle велосипеда;
• S₄ = (700±100) ед.ст. – доход от ремонта mtb велосипеда;
• S₅ = (1300±500) ед.ст. – доход от ремонта compact road велосипеда;
• P₀ = 0.6 – вероятность ремонта по гарантии;
• P₁ = 0.05 – вероятность прихода заявки kids с приоритетом 1;
• P₂ = 0.05 – вероятность прихода заявки lifestyle с приоритетом 2;
• P₃ = 0.5 – вероятность прихода заявки mtb с приоритетом 3;
• P₄ = 0.2 – вероятность прихода заявки bmx с приоритетом 4;
• P₅ = 0.2 – вероятность прихода заявки compact road с приоритетом 5;

В ходе работы модели используются такие  промежуточные переменные:

• Х₁ – количество отремонтированных kids;
• Х₂ – количество отремонтированных bmx;
• Х₃ – количество отремонтированных lifestyle;
• Х₄ – количество отремонтированных mtb;
• Х₅ – количество отремонтированных compact road.

4. Функциональные зависимости, описывающие поведение переменных и  параметров

Если на ремонт приходит велосипед  некоторого типа, то ему назначается  приоритет, время ремонта задается, определяется от типа велосипеда. Если поступаю, велосипеды по гарантии, то ремонт проходит бесплатно.

5. Ограничения на изменения величин

Рассмотрим ограничения на входные переменные данной модели. Очевидно, что количество ремонтников должно быть целым числом и большим 1. Значит, можно записать следующие ограничения:

1 £ Х1 £ 40,	( 2.1)
Х1 Є N	( 2.2)

 

6. Целевая функция системы

Целью решения данной задачи является увеличение дохода, получаемого от ремонта велосипедов разного типа. Тогда целевая функция имеет вид:

Доход = S1·X1 + S2·X2 + S3·X3 + S4·X4 + S5·X5 – S0·X0·DAYS ® max,

( 2.3)

или, подставляя значения параметров в формулу 2.7,

Доход = norm(100,30) ·X1 + (900±200)·X2 + xpdis(300) ·X3 + (700±100) ·X4 + (1300±500)·X5 – 180·X0·DAYS ® max.

( 2.4)

 

7. Метод расчёта в среднем

При использовании метода расчёта в среднем нам понадобятся следующие величины:

• T[1] = 45  – математическое ожидание интервала времени ремонта kids;
• T[2] = 140  – математическое ожидание интервала времени ремонта bmx;
• T[3] = 60  – математическое ожидание интервала времени ремонта lifestyle;
• T[4] = 120  – математическое ожидание интервала времени ремонта mtb;
• T[5] = 180  – математическое ожидание интервала времени ремонта compact road;
• T[0] = 90 – математическое ожидание интервала времени появления транзакта(велосипеда);

Найдем оптимальное количество ремонтников, при котором чистая прибыль от ремонта будет максимальной. Для этого узкое место ремонта должно иметь больше пропускную способность чем интенсивности поступления велосипедов.

 

            

 

Отсюда находим Х₁=]1.3[=2

Методом расчета в среднем мы определили, что оптимальное количество ремонтников должно быть 2, но так как мы не учитывали дисперсию, то наши расчеты могут оказаться не точными, для получения болея точных результатов, воспользуемся имитационным моделирования программы.

 

 

 

 

 

 

3. ВЫБОР ЯЗЫКА МОДЕЛИРОВАНИЯ

Одним из первых языков моделирования, облегчающих процесс написания  имитационных программ, был язык GPSS, созданный фирмой IBM. Его мы и выберем  в качестве средства моделирования. GPSS (General Purpose Simulating System – общецелевая система моделирования) является языком моделирования, используемым для построения дискретных моделей и проведения моделирования на ЭВМ. В систему моделирования GPSS входят специальные средства для описания динамического поведения систем путем смены состояний в дискретные моменты времени. GPSS представляет собой язык и транслятор. Как каждый язык он содержит словарь и грамматику, с помощью которых  могут быть разработаны модели определенного типа. Транслятор языка построен как компилятор-интерпретатор и работает в две фазы. На первой фазе компиляции проверяется синтаксис и семантика написания строк GPSS – программы, а на второй – интерпретации, осуществляется продвижение транзактов по модели от блока к блоку. Таким образом обеспечивается хорошая диагностика ошибок.    

Язык GPSS – язык декларативного типа, построенный по принципам объектно-ориентированного языка. Основными элементами этого  языка являются транзакты и блоки, которые отображают, соответственно, динамические и статические объекты моделируемой системы.

Имеется возможность  изменять модель, когда она находится  в рабочем буфере программы. Для  этого существуют специальные команды. В нашем случае именно это нам  и необходимо: модели, находящейся  в рабочем буфере программы, мы будем  подавать на вход различные значения входных переменных и, используя статистические данные, выводящиеся в файле результатов, найдем оптимальное решение.

Возможность задания  функций распределения случайных  величин ограничена заданием их в  табличном виде путем аппроксимации непрерывными функциями. Поэтому можно задать только те функции, которые легко преобразовать для новых значений параметров. К таким функциям относятся функции экспоненциального распределения с параметром l = 1, а также стандартного нормального распределения с математическим ожиданием m = 0 и стандартным отклонением s=1. Эти функции соответственно задаются 24 и 25 точками.

Сбор статистических данных происходит автоматически –  по желанию пользователя они записываются в файл отчета. Язык позволяет также статистически обрабатывать данные – находить среднее значение переменной, строить для нее 95% вероятностный интервал, определять уровень значимости параметра на выходную величину модели. Следует отметить, что GPSS не гарантирует надежность получаемых оценок. Об этом должен позаботится пользователь. Для имитационных стохастических моделей, работающих в переходном режиме, необходимо провести несколько прогонов  модели, каждый из которых должен отличаться своей последовательностью псевдослучайных чисел.

При моделировании стохастических систем, работающих в стационарном режиме, может быть использован регенеративный анализ, если эти системы регенерируют. Для СМО моменты регенерации  будут определяться номерами тех  требований, которые будут, например, заставать прибор обслуживания свободным. Класс регенерирующих систем достаточно большой. К нему относятся стохастические системы СМО, система управления запасами и др.

GPSS позволяет моделировать достаточно  широкий класс задач, основой  которого является класс задач связанных с системами массового обслуживания.

Язык позволяет модифицировать модель с помощью специальных  команд, обеспечивающих возможность  редактирования текста программы, являющейся в данный момент времени активной.

Благодаря своей блочной структуре, GPSS удобен при создании любой имитационной модели.

4. РАЗРАБОТКА СТРУКТУРНОЙ СХЕМЫ ИМИТАЦИОННОЙ МОДЕЛИ И ОПИСАНИЕ ЕЁ ФУНКЦИОНИРОВАНИЯ

1. Описание имитационной модели

Для описания работы имитационной модели воспользуемся событийным моделирующим алгоритмом, схема которого представлена на рис. 4.1:

   

 

 

 

 

 

Рисунок 4.1 – Схема событий имитационной модели

2. Описание программной реализации имитационной модели

Для данной  модели транзактами  являются поступающие велосипеды. После генерации транзакт попадает в блок TRANSFER который с вероятностью 0.6 отправляет его на установления приоритета PRIORITY на 6 и пометить его блоком ASSIGN что он является гарантийным. Остальным транзакты после блока TRANSFER устанавливается приоритет с заданной вероятностью, назначенный приоритет указывает тип велосипеда который будет ремонтироваться. Потом транзакты попадают в очередь, обслуживаются по приоритету. Дальше занимают многоканальное устройство, которое зависит от количества работников. Время обслуживания определяется в зависимости он назначенного раньше приоритета. После ремонта велосипедов значения переменной чистой прибыли увеличивается блоком SAVEVALUE+.

Единица модельного времени –  1 мин.

 

3. Оценка адекватности модели

Адекватная модель должна измерять то, что подлежит измерению, то есть на выходах должны получаться нужные величины. Цель данного исследования – определение наилучшей стратегии управления технологическим участком. Выходной переменой реализованной программной модели является величина дохода при указанных входных факторах. Значит, реализованная модель измеряет именно то, что подлежит измерению.

Проведём проверку достоверности  модели на уровне её реализации. Для  проверки достоверности программы  переведём её в логическую схему  и сравним полученную схему с  алгоритмом концептуальной модели (см. рис. 2.1) и схемой имитационной модели (см. рис. 4.1).

 

 

 

 

 

 

 

 

                                                                                         +

 

 

 

 

 

 

 

 

 

 

Рисунок 4.2 – Программная реализация

Реализованная модель является адекватной, есть соответствие между концептуальной моделью и выполненной программной  реализацией (см. рис. 2.1, 4.1 и 4.2).  Очевидно, что преобразуя далее данный моделирующий алгоритм в концептуальную схему, а концептуальную схему в постановку задачи, можно обосновать адекватность модели.

 Кроме того, следует отметить, что результаты предварительных  расчётов и полученных данных  также соответствуют друг другу.

5. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ НА МОДЕЛИ

1. План экспериментов

Данные моделирования будем  заносить в таблицу, по которой будем  смотреть поведения нашей целевой  функции, которая является монотонной. Начальные данные возьмем из расчета  в среднем, а именно количество работников равно 2. На основании таблицы сделаем вывод о нахождения оптимального количества ремонтников.

 

Номер эксперимента	Количество ремонтников	Прибыль
1	2	81896.948
2	1	413473.942
3	3	363294.820
4	4	305599.385
5	5	252303.840

 

Таблица 5.1 – План экспериментов

 

Как видно с таблицы 4.2 оптимум  как и ожидалось при 2 ремонтниках.

1. Определение длительности прогона

Обычно эксперимент начинают из состояния, когда в модели нет  транзактов. Это состояние отличается от установившегося состояния, наблюдаемого  с выхода модели. Учёт данных переходного режима будет вносить смещение  в рассчитываемые оценки выходных переменных модели. В GPSS есть команда PLOT, позволяющая наблюдать в виде графика выходную переменную (см. рис. 5.1)

В качестве выходной переменной будем использовать  очередь к прибору ремонтники:

 

 

 

 

 

Рисунок 5.2 – Очередь к прибору построенная с помощью команды PLOT

 

Из рисунка 5.1 видно, что очереди к прибору не стремятся к бесконечности, она близка к установившемуся состоянию. Значит, длительность прогона в 144000 единиц модельного времени достаточна.

2. Определение количества прогонов

 Пусть случайная величина имеет  дисперсию s². Для определения количества прогонов воспользуемся формулой:

где N – количество прогонов, t_a=1.96, e =10 – требуемая точность.

Так как значение дисперсии неизвестно, то проведём 50 опытов и оценим её, а  затем подставим в формулу  для N, чтобы получить необходимое  число реализаций.

Получим следующую оценку дисперсии:

04/13/11 04:09:50       Treatment Level Count                  Mean                 Minimum             Maximum   95% C.I. (SE)

04/13/11 04:09:50         A  

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50         2                            10 413473.942 359707.142            467672.607  ( 398392.519, 428555.365 )

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50      23845.8232147

Подставляя полученную оценку в  формулу, получим:

 

Достаточно провести 6 тестов, что  бы получить статистически значимые результаты, но мы для большей точности проведем 10.

2. Анализ и оценка результатов

Результаты работы ANOVA.

 

_______________________________________________________________________________

 

04/13/11 04:09:50  

 

ANOVA

 

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50    Source of      Sum of    Degrees of   Mean Square     F Critical Value

04/13/11 04:09:50    Variance       Squares   Freedom         of F (p=.05)

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50        A             653656393261.586           4 163414098315.397        287.386      3.30

 

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50        Error       25588047815.426          45 568623284.787

 

04/13/11 04:09:50        Total       679244441077.012          49

 

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50       Treatment Level Count     Mean Minimum Maximum   95% C.I. (SE)

04/13/11 04:09:50         A  

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50         1                            10 81896.948 54001.800 107619.525 ( 66815.525, 96978.371 )

04/13/11 04:09:50         2                            10 413473.942 359707.142 467672.607 ( 398392.519, 428555.365 )

04/13/11 04:09:50         3                            10 363294.820 330925.255 395571.346 ( 348213.397, 378376.243 )

04/13/11 04:09:50         4                            10 305599.385 254976.819 333109.570 ( 290517.963, 320680.808 )

04/13/11 04:09:50         5                            10 252303.840 229861.643 279128.913 ( 237222.417, 267385.263 )

04/13/11 04:09:50    _______________________________________________________________________________

 

04/13/11 04:09:50      23845.8232147

 

Рисунок 5.2 – выполнения программы ANOVA

 

 

 

F – статистика является значимой.

 

 

Рисунок 5.2 – график распределения времени ремонта при 2 ремонтниках

 

Надо определить при скольких ремонтниках длина очереди будет меньше 3

 

QUEUE              MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME   AVE.(-0) RETRY

 CHERG              3    0   1597   1487     0.027      2.420     35.136   0

 

 

STORAGE            CAP. REM. MIN. MAX.  ENTRIES AVL.  AVE.C. UTIL. RETRY DELAY

REMONTNIKI          4    2   0     4     1597   1    1.423  0.356    0    0

 

Как видно 4 ремонтников достаточно.

 

 

3. Результаты

В результате проведения экспериментов  на модели получен следующий результат: наибольшая величина дохода будет достигаться  при количестве ремонтников 2. Длина очереди будет меньше 3 при 4 ремонтниках.

4. Возможные улучшения в работе системы

Велосипеды с гарантией не приносят прибыль ремонтникам, но занимаю  время и ресурсы.

Если бы увеличить долю велосипедов  с послегарантийного обслуживания, то и прибыль от ремонта возросла б.

 

 

ВЫВОДЫ

В данной работе рассмотрена задача об определении наилучших управленческих решений по определению оптимального количества ремонтников с целью увеличения дохода от выполняемых работ.  Исследованы возможные методы решения поставленной задачи. Разработана программа для решения данной задачи. Проведён анализ экспериментально полученных данных.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ПЕРЕЧЕНЬ ССЫЛОК

1. Документация по языку GPSS\PC «Система программного обеспечения для имитационного моделирования».
2. Имитационное моделирование систем и процессов \ сост. Томашевский В.Н., конспект лекций.
3. Методические указания к лабораторным работам по дисциплине «Моделирование систем» / Сост. Томашевский В.Н., Жданова Е.Г – Киев: КПИ, 1992.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ПРИЛОЖЕНИЕ А Код программы

 

 

INITIAL X$PRIBIL,0

INITIAL X$PRIBIL_CHIST,0

INITIAL X$ZATRAT,0

 

remontniki STORAGE 2

 

TYME TABLE M1,0,10,100

 

XPDIS    FUNCTION     RN1,C24                     ; экспоненциальная функция распределения

0,0/.1,.104/.2,.222/.3,.355/.4,.509/.5,.69/.6,.915/.7,1.2/.75,1.38

.8,1.6/.84,1.83/.88,2.12/.9,2.3/.92,2.52/.94,2.81/.95,2.99/.96,3.2

.97,3.5/.98,3.9/.99,4.6/.995,5.3/.998,6.2/.999,7/.9998,8   

 

SNORM    FUNCTION     RN1,C25                        ;       нормальная функция  распределения

0.0,-5/0.00003,-4/.00135,-3/.00621,-2.5/.02275,-2/.06681,-1.5

.11507,-1.2/.15866,-1/.21186,-.8/.27425,-.6/.34458,-.4/.42074,-.2

.5,0.0/.57926,.2/.65542,.4/.72575,.6/.78814,.8/.84134,1/.88493,1.2

.93319,1.5/.97125,2/.99379,2.5/.99865,3/.99997,4/1.0,5  

 

prioric FUNCTION RN1,D5

.05,1/.1,2/.6,3/.8,4/1,5

 

zatr_f VARIABLE ((R$remontniki+S$remontniki)#180#300)

 

kids_f VARIABLE (100+30#FN$SNORM)

 

bmx_f FUNCTION RN1,C2

0,700/1,1100

 

lifestyle_f VARIABLE (300#FN$XPDIS)

 

mtb_f FUNCTION RN1,C2

0,600/1,800

 

compact_f FUNCTION RN1,C2

0.0,800/0.999,1800

 

GENERATE ,,,1

SAVEVALUE PRIBIL,0

SAVEVALUE PRIBIL_CHIST,0

SAVEVALUE ZATRAT,0

TERMINATE

 

GENERATE 90,FN$XPDIS

TRANSFER 0.6,,GARANT

ASSIGN 2,1

PRIORITY FN$prioric

rem Queue cherg

ENTER remontniki

DEPART cherg

 

TEST E P2,2,tmp_1

PRIORITY FN$prioric

;

tmp_1 TEST E PR,1,tmp_2

kids ADVANCE 45,10

TEST NE P2,2,termm

SAVEVALUE PRIBIL_CHIST+,V$kids_f

TRANSFER ,termm

;

tmp_2 TEST E PR,4,tmp_3

bmx ADVANCE 140,20

TEST NE P2,2,termm

SAVEVALUE PRIBIL_CHIST+,FN$bmx_f

TRANSFER ,termm

;

tmp_3 TEST E PR,2,tmp_4

lifestyle ADVANCE 60,10

TEST NE P2,2,termm

SAVEVALUE PRIBIL_CHIST+,V$lifestyle_f

TRANSFER ,termm

;

tmp_4 TEST E PR,3,tmp_5

mtb ADVANCE 120,15

TEST NE P2,2,termm

SAVEVALUE PRIBIL_CHIST+,FN$mtb_f

TRANSFER ,termm

;

tmp_5 TEST E PR,5,termm

compact_road ADVANCE 180,30

TEST NE P2,2,termm

SAVEVALUE PRIBIL_CHIST+,FN$compact_f

TRANSFER ,termm

 

GARANT ASSIGN 2,2

PRIORITY 6

TRANSFER ,rem

 

termm LEAVE remontniki

TABULATE TYME

TERMINATE

 

 

GENERATE (60#8#300)

 

SAVEVALUE ZATRAT,V$zatr_f

SAVEVALUE PRIBIL,(X$PRIBIL_CHIST-X$ZATRAT)

 

;START 1

TERMINATE 1

 

 

ПРИЛОЖЕНИЕ Б Файл с экспериментом

 

RES      MATRIX,5,10

CLEAR    OFF

 

remontniki STORAGE 1

 

RMULT 401

START 1,NP

MSAVEVALUE RES,1,1,X$PRIBIL

CLEAR OFF

 

 

RMULT 411

START 1,NP

MSAVEVALUE RES,1,2,X$PRIBIL

CLEAR OFF

 

 

RMULT 421

START 1,NP

MSAVEVALUE RES,1,3,X$PRIBIL

CLEAR OFF

 

 

RMULT 431

START 1,NP

MSAVEVALUE RES,1,4,X$PRIBIL

CLEAR OFF

 

 

RMULT 441

START 1,NP

MSAVEVALUE RES,1,5,X$PRIBIL

CLEAR OFF

 

RMULT 451

START 1,NP

MSAVEVALUE RES,1,6,X$PRIBIL

CLEAR OFF

 

 

RMULT 461

START 1,NP

MSAVEVALUE RES,1,7,X$PRIBIL

CLEAR OFF

 

 

RMULT 471

START 1,NP

MSAVEVALUE RES,1,8,X$PRIBIL

CLEAR OFF

 

 

RMULT 481

START 1,NP

MSAVEVALUE RES,1,9,X$PRIBIL

CLEAR OFF

 

 

RMULT 491

START 1,NP

MSAVEVALUE RES,1,10,X$PRIBIL

CLEAR OFF

 

 

remontniki STORAGE 2

 

 

RMULT 401

START 1,NP

MSAVEVALUE RES,2,1,X$PRIBIL

CLEAR OFF

 

 

RMULT 411

START 1,NP

MSAVEVALUE RES,2,2,X$PRIBIL

CLEAR OFF

 

 

RMULT 421

START 1,NP

MSAVEVALUE RES,2,3,X$PRIBIL

CLEAR OFF

 

 

RMULT 431

START 1,NP

MSAVEVALUE RES,2,4,X$PRIBIL

CLEAR OFF

 

 

RMULT 441

START 1,NP

MSAVEVALUE RES,2,5,X$PRIBIL