Складское транспортное оборудование

Складская техника: автопогрузчики, штабелеры, тележки, стеллажи.

Решение знаковых моделей

Вообще говоря, при решении логико-математических моделей желательно воспользоваться аналитическим методом, поскольку он дает точный ответ; численные методы применяются тогда, когда аналитическое решение невозможно, а метод Монте-Карло применяют в том случае, если другие методы неосуществимы или их применение практически нецелесообразно.
Допустим, на предприятии имеется пять станков. На них изготавливается шесть различных заказов, движущихся по одному и тому же маршруту: станок № 1; станок № 2 и т.д. После обработки на станке № 5 заказ считается выполненным. Поскольку на обработку каждого заказа на каждом станке требуется разное время, то вполне очевидно, что различные варианты производственного графика приведут к различным значениям времени простоя станков. Задача плановика — выбрать такую последовательность обработки, чтобы свести к минимуму простой оборудования.
Не существует известного аналитического метода решения этой задачи. Решение численными методами на первый взгляд кажется возможным, пока не выяснится, что число всех вариантов равно (б!)5, т.е. более 190 триллионов. Даже для такой простой задачи решение численными методами редко приемлемо. А между тем рациональное решение задачи сулит большие потенциальные выгоды, поэтому мы применяем метод имитационного моделирования.
В нашем примере мы описываем на бумаге операцию, которая имеет место в реальной действительности, используя гомоморфные знаковые модели, каждый элемент которых в свою очередь описывает последовательность действий, зависящих от описания других элементов и влияющих на них. Такие модели особенно подходят для исследования стохастических процессов. В модели включаются различные случайные величины, каждому значению которых можно приписать определенную вероятность. Таким образом, мы испытываем различные параметры и исследуем результаты.
Имитационное моделирование использует в качестве своего инструмента логико-математическую модель.
Каждый раз, обращаясь к логико-математической модели, мы не "решаем" ее, а осуществляем "прогон" имитационной программы. Модель описывает обработку требований в каналах обслуживающей системы, влияние этой обработки на каналы обслуживания, эффективность системы в целом.
Новый "прогон" дополняет наши наблюдения за поведением системы при заданных параметрах. Меняя параметры и сравнивая результаты, мы можем оптимизировать решение.

д