Hagyományos ütemezési technikák

Hasonló dokumentumok
Idő-ütemterv hálók - I. t 5 4

Idõ-ütemterv há lók - I. t 5 4

Idotervezés I. A CPM háló. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Üzemszervezés. Projekt tervezés. Dr. Juhász János

Hálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék

Üzemszervezés A BMEKOKUA180

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Hálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Balogh János gépészmérnök, műszaki menedzser MSc., vezető programkoordinációs szakértő 1

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

PROJEKTEK tervezése és kontrollja. Az ütemtervezés története. Az ütemtervezés története. Építéskivitelezési és Szervezési Tanszék 1

A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet

Bevezetés az operációkutatásba A lineáris programozás alapjai

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet

Ellátási lánc optimalizálás egy új multinál

Gyártórendszerek dinamikája

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak

Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet

Valószínűségi változók. Várható érték és szórás

Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet

Bevezetés. 1. előadás, február 11. Módszerek. Tematika

Csima Judit április 9.

Név KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán

Tőkekihelyezés és projektkövetés informatikája

Termeléstervezés és -irányítás Termelés és kapacitás tervezés Xpress-Mosel FICO Xpress Optimization Suite

Algoritmusok bonyolultsága

Számítógéppel irányított rendszerek elmélete. Gyakorlat - Mintavételezés, DT-LTI rendszermodellek

Építési projektek szervezése HÁLÓS IDŐTERVEZÉS. Dr. Vattai Zoltán András

ELŐADÁS ÁTTEKINTÉSE 6. ea.: Projekttervezés III.

Supporting Information

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Dr. Kulcsár Gyula. Virtuális vállalat félév. Projektütemezés. Virtuális vállalat félév 5. gyakorlat Dr.

Előadás 5 Követés I. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Valószínűségszámítás összefoglaló

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STUDENT LOGBOOK. 1 week general practice course for the 6 th year medical students SEMMELWEIS EGYETEM. Name of the student:

Centrális határeloszlás-tétel

Építésikivitelezés-Vállalkozás / 2: Gráftechnikai alapfogalmak VÁLLALKOZÁS. javított háttöltés

Készítette: Fegyverneki Sándor

Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.

BIOMATEMATIKA ELŐADÁS

Döntéselmélet OPERÁCIÓKUTATÁS

GLOBÁLIZÁLT BESZERZÉS ÉS ELOSZTÁS A LOGISZTIKÁBAN

Ágazati kapcsolatok mérlege

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Using the CW-Net in a user defined IP network

Szakmai továbbképzési nap akadémiai oktatóknak december 14. HISZK, Hódmezővásárhely / Webex

Publikációs lista. Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens

Matematikai alapok és valószínőségszámítás. Normál eloszlás

On The Number Of Slim Semimodular Lattices


ü ű í ú ú ü ü ü ű ü ű ü ű ü ű ü í ü ű í í ü í í í í í ü í ű

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Építőipari projektek nyomkövetése. BME Építéskivitelezési Tanszék Dr. Mályusz Levente 1

Mapping Sequencing Reads to a Reference Genome

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY

1. dolgozat Számítógéppel segített matematikai modellezés "A" változat 2009 október 20, kedd

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

2. Előadás Projekt ütemezés. Solver használata. Salamon Júlia

A maximum likelihood becslésről

Integrált gyártórendszerek

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

KIEGÉSZÍTŽ FELADATOK. Készlet Bud. Kap. Pápa Sopr. Veszp. Kecsk Pécs Szomb Igény

Több valószínűségi változó együttes eloszlása, korreláció

NEVEZETES FOLYTONOS ELOSZLÁSOK

Időütemezés. Időtervezés

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével

JAVÍTÓ VIZSGA ANGOL NYELV 2015/2016

Az optimális megoldást adó algoritmusok

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

Ütemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék

A Markowitz modell: kvadratikus programozás

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba

Totális Unimodularitás és LP dualitás. Tapolcai János

Mérnökgeodéziai hálózatok feldolgozása

Principal Component Analysis

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)

Í ú ü ü ú Ó É ü Í É ü Í ü ü Íü

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Utasítások. Üzembe helyezés

Phenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm

Genome 373: Hidden Markov Models I. Doug Fowler

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

SZÉLTURBINÁKAT TARTALMAZÓ MÉRLEGKÖRÖK KIEGYENLÍTŐ ENERGIA KÖLTSÉGEINEK MINIMALIZÁLÁSA

Operációkutatás példatár

tükör által homályosan

Abszolút folytonos valószín ségi változó (4. el adás)

Átírás:

Mályusz Levente

Hagyományos ütemezési technikák Hagyományos: CPM és MPM technika Előny: egyszerűen kezelhető, számolható Hátrány: nem kezeli a - tevékenységi idők bizonytalanságait - nincs elágazás - sorrendszámolás nincs - erőforrás kezelés nincs - a rosszul struktúrált feladatok megoldását nemsegíti

Speciális ütemezési technikák PERT, Monte Carlo szimuláció Idő- és költség együtt tervezése, költségtervezési feladat, Time-cost trade-off, Erőforrás allokálás (időkorlátos, erőforráskorlátos) Kritikus láncok CCPM 1997

PERT Program Evaluation and Review Technique 1958 Polaris rakétarendszer A tevékenység idők béta eloszlást követnek

A béta eloszlás. Mályusz Levente Döntéstámogató modellek

PERT /kiinduló adatok Adott minden tevékenységre Pesszimista érték b, optimista érték a, legvalószínűbb érték m A tevékenység idő várható értéke t, és szórása s t a 4m b 6 s 2 b a 6 2 Mályusz Levente Döntéstámogató modellek

Feltételezések a tevékenység idők béta eloszlást követnek a tevékenység idők egymástól függetlenek várható értékük és szórásuk számítása egyszerűsített képlettel történik az átfutási idő várható értéke a kritikus úton lévő tevékenységek várható értékének összege az átfutási idő szórásnégyzete, a kritikus úton lévő tevékenységek szórásnégyzeteinek összege a kritikus úton lévő tevékenységek száma gyakorlati szempontból elég nagy ahhoz, hogy az átfutási idő eloszlásfüggvényére feltehessük, hogy normális eloszlást követ. (A centrális határeloszlást tételt használjuk, habár az elméleti feltételek nem állnak fenn.)

PERT /feltevések Egy darab kritikus utat kell csak vizsgálni Az átfutási idő várható értéke az egy darab kritikus út hosszának várható értéke, A kritikus út hossza normális eloszlású, a kritikus út hosszának várható értéke az úton lévő tevékenységek várható értékének összege. (Központi határeloszlás tétel)

Központi határeloszlás tétel N darab független, tetszőleges eloszlású akár különböző! valószínűségi változó összegének várható értéke normális eloszlású, ha n tart a végtelenhez. (Hahn Shapiro, 1967)

Példa a PERT hálóra Tevékenyég a m b t s2 A - acélszerkezetek előregyártása 2 0 2 2 2 5-2 2, 2 0, 6 9 B - F e l v o n u l á s 5 1 0 1 5-1 0, 0 2, 7 8 C - A l a p o z á s 5 1 0 2 1 B 1 1, 0 7, 1 1 D - S z e r k e z e t é p í t é s 8 1 0 2 0 A, C 1 1, 3 4, 0 0 E - B e f e j e z ő m u n k á k 6 9 1 8 D 1 0, 0 4, 0 0

PERT háló A 22,2; 0,69 D 10; 4 E 11,3; 4 B 10; 2,78 C 11; 7,11

Eredmények 1. Utak (az utak hossza normális eloszlású) A-D-E, Hossz várható értéke: 43,5; Szórásnégyzet 2,9 B-C-D-E A hossz várható értéke: 42,3 Szórásnégyzet: 4,2

Eredmények 2. (A-D-E út, a kritikus út) n a p o k s z á m a Átfutási idő z-score valósz. 35 vagy kevesebb 35-2,883 0,2% 40,6 vagy kevesebb 40,6-1,000 15,9% 41 vagy kevesebb 41,0-0,848 19,8% 42 vagy kevesebb 42,0-0,509 30,5% 43,5 vagy kevesebb 43,5 0,000 50,0% 49,4 vagy kevesebb 49,4 2,000 97,7% 50 vagy kevesebb 50,0 2,205 98,6% 55 vagy kevesebb 55,0 3,901 100,0%

Eredmények 3. (B-C-D-E út) n a p o k s z á m a Átfutási idő z-score valósz. 35 vagy kevesebb 35-1,734 4,1% 40,6 vagy kevesebb 40,6-0,421 33,7% 41 vagy kevesebb 41,0-0,315 37,6% 42 vagy kevesebb 42,0-0,079 46,9% 43,5 vagy kevesebb 43,5 0,276 60,9% 49,4 vagy kevesebb 49,4 1,670 95,3% 50 vagy kevesebb 50,0 1,813 96,5% 55 vagy kevesebb 55,0 2,995 99,9%

Feltételezések vizsgálata 1. A tevékenység idő béta eloszlású A tevékenységidőre vonatkozó természetesnek tűnő feltétel, hogy a pesszimista és az optimista idő is pozitív, az eloszlás unimodális. Technikai oldalról feltehetjük, hogy az eloszlás folytonos. Ebből a szempontból a béta eloszlás korrekt és ugyanezen szempontból például a normális eloszlás feltételezése nem helyénvaló. A béta eloszlás 4 paraméterrel rendelkezik, ezért a hármas időbecslés mellett negyedik feltételként általában az egyszerűsített számítást használjuk fel.

2. A tevékenységidők függetlenek egymástól (időjárás, a beszállító, a kivitelező) Jelenleg csak kutatási eredmények léteznek a tevékenységek közötti függőségek feltárásáról

3. A centrális határeloszlás tétele alkalmazható (a kritikus úton a tevékenységek száma tart a végtelenhez) A tapasztalat szerint 30 független béta eloszlású valószínűségi változó összegének eloszlása gyakorlati szempontból már nagyon közel van a normális eloszláshoz

Monte Carlo Szimuláció Felhasználói szempontból egyszerű Minden utat számításba vesz, nem csak a leghosszabbat A tevékenységek lehetnek függők is

Idő- és költségek együttes kezelése Time-cost trade-off Költségtervezési feladat Kelley J.E. és Walker M.R. 1959 Fulkerson R.D. 1961

Time-cost trade-off (ez az eredeti modell) költség c K a c=-tg K b a t b tevékenység idő

Költségtervezési feladat (MPM)

Eredmény költség K max K min p a p b átfutási idő

+ Közvetett költségek költség K max Közvetlen költség Közvetett költség K min p a p b átfutási idő

Project direct cost Project direct cost C crash max C crash opt Least cost ie. optimal curve C crash max C crash opt Least cost ie. optimal curve C normal max C normal max C normal opt C normal opt p crash p normal Project Duration (p) p min p crash p normal p max Project Dur. (p) CPM least cost scheduling project duration vs. project cost PDM least cost scheduling project duration vs. project cost

Erőforrás allokálás/elrendezés Időkorlátos Cél: egy előre meghatározott profilhoz illeszkedjen az erőforrás görbe (Az átfutási idő fix) Erőforrás korlátos Cél: az erőforrás egy előre meghatározott értéket nem haladhat meg. (Az átfutási idő nőhet)

Erőforrás allokálás / időkorlátos Erőforrások (munkaerő) A, 10 ; B, 8 ;C,9; D,9;E,9;F,10. 0 A 3 BK0 3 B 7 BK2 9 C 12 0 3 3 3 10 7 9 10 12 KK0 BB1 0 D 2 KK1 1 E 3 14 F 16 13 2 15 BB1 14 2 16 BB0 14 2 16

napok 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 tev. 5 A B C D E F 4 4 3 4 4 14 13 12 11 E 10 9 8 D E 7 6 5 4 3 A 2 B C F 1

napok 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 tev. 5 A B C D E F 3 4 4 4 4 14 13 12 11 10 9 8 7 6 5 4 3 A Építéskivitelezési és DSzervezési Tanszék, 2 Mályusz B Levente Döntéstámogató C modellek 1 E F

Erőforrás allokálás / erőforrás korlátos 0 A 2 BK0 2 B 5 BK0 5 D 7 0 2 2 3 3 6 6 2 8 KK0 KK0 2 C 4 4 2 6 BB0 BK0 BK0 BK0 8 E 10 8 2 10

napok 1 2 3 4 5 6 7 8 9 10 tev. 3 A B C D E 1 3 4 3 5 4 C 3 2 A B D E 1 Mályusz Levente Döntéstámogató modellek

napok 1 2 3 4 5 6 7 8 9 10 11 tev 3 A B C D E 3 2 4 3 5 4 3 2 A B D E Mályusz Levente Döntéstámogató 1 modellek C

Kritikus láncok / Történeti háttér 1958 CPM, MPM 1997 Eliyahu M. Goldratt Theory of Constraints Critical Chain Miért? Mi a cél?

Felhasznált elvek a tevékenység idő becslése a hagyományos PERT eljárásban biztonsággal terhelt (átlag idő+- 2 szórás= 95%) A tevékenység idő becslése legyen az átlag (50%) hallgató szindróma, Parkinson törvénye M(x+z)=M(x)+M(y) D 2 (x+z)=d 2 (x)+d 2 (y) (ha függetlenek)

Várható érték Valószínűségi változók várható értékének az összege a változók összegének várható értéke M(út a hálóban)= =M(tev1+tev2)=M(tev1)+M(tev2)

Szórás (kockázat) Független valószínűségi változók szórásnégyzetének az összege a változók összegének szórásnégyzete D 2 (út a hálóban)=d 2 (tev1)+d 2 (tev2) 7 2 =5 2 +5 2

Standard normális eloszlás Várható érték és szórás -3szórás -2szórás -1szórás +1szórás +2szórás +3szórás 2.28% 13.59% 34.13% 34.13% 13.59% 2.28% ~ 68% ~ 95% ~ 99.7% Mályusz Levente Döntéstámogató modellek

Mályusz Levente

Matematikai előzmények 1800-es évek lineáris egyenletrendszerek megoldása 1900-as évek eleje lineáris egyenlőtlenségrendszerek megoldhatósága 1943 lineáris egyenlőtlenségrendszerek megoldása, lineáris programozás 1960-as évek nemlineáris programozási feladatok

Farkas Gyula 1847-1930 Farkas Lemma There is a solution to Ax = b; x 0 if and only if for every y 0 with y T b 0, we have y T A 0.

A szállítási feladat Adott n darab termelő és termelési mennyiségük egyenként illetve m darab fogyasztó és fogyasztási mennyiségük egyenként. Adott c ij fajlagos szállítási költség, amelybe az egységnyi termék szállítása kerül, ha azt az i-edik termelőtől a j-edik fogyasztóhoz szállítjuk. A cél a fogyasztók igényét úgy kielégíteni, hogy a szállítás összes költsége minimális legyen.

Kantorovich I want to emphasize again that the greater part of the problems of which I shall speak, relating to the organization and planning of production, are connected specifically with the Soviet system of economy and in the majority of cases do not arise in the economy of a capitalist society.

Lineáris programozás előzménye Leonid Kantorovich 1912-1984 1939 funérlemezek gyártásával kapcsolatos optimalizálási feladatok munkák elosztása az egyes munkagépek között rendelések elosztása gyárak között Szállítási feladatok 1975-ben közgazdasági Nobel díjat kapott Mathematical Methods in the Organization and Planning of Production 1939 oroszul (1960 Management Science)

Lineáris programozás/szimplex George Bernard Dantzig 1914-2005 operációkutatás 1946 szimplex algoritmus (1947)

Consider the problem of assigning 70 men to 70 jobs. Suppose a value or benefit v ij would result if the ith man is assigned to the jth job. An activity consists in assigning the ith man to the jth job. The restriction are: (i) each man must be assigned a job (there are 70 such), and (ii) each job must be filled (also 70). The level of an activity is either 1, meaning it will be used, or 0, meaning it will not. Thus there are 2 70 or 140 restrictions, 70 70 or 4900 activities with 4900 corresponding 0-1 decision variables x ij. Unfortunately there are 70! Different possible solutions or ways to make the assignments x ij.

The major influences of the pre-1947 era were Leontief s work on the Input-Output Model of the Economy (1933), an important paper by von Neumann on Game Theory (1928), and another by him on steady economic growth (1937).

Gráfelmélet Leonhard Euler 1707-1783 Königsbergi hidak 1736

Shortest Path (legrövidebb út probléma) Algoritmus Ford 1956 Bellman 1958 Dantzig 1958 Dijkstra 1959

Gráf, hálózat, tervütemháló 1847 Kirchoff gráfelmélet és alkalmazása elektromos hálózatokban. 1852 F. Guthrie: Négy szín probléma. 1930 Kuratowski síkba teríthetőség. 1956-61 Ford-Fulkerson maximális folyam, minimális költségű folyam 1956-tól Polaris projekt, DuPont, Rand Corporation, CPM, PERT, MPM, PDM

Time-cost trade-off Kelley 1959 Walker 1961

Felhasznált irodalom Mályusz, Hajdu: How would you like it: cheaper or shorter. ORGANIZATION TECHNOLOGY & MANAGEMENT IN CONSTRUCTION 1:(2) pp. 59-63. (2009) Mályusz Levente Döntéstámogató modellek