1
Előadó: Dr. Lelkes Zoltán Költségcsökkentés optimalizálással 2
Optasoft Kft. Egyetemi háttér ( spin-off cég ): Budapesti Műszaki és Gazdaságtudományi Egyetem Alapítók: Dr. Rév Endre, docens Dr. Lelkes Zoltán, docens Dr. Farkas Tivadar, kutató Németh László, informatikus Nemzetközi háttér: Ipari Tapasztalat: SAB Miller Provimi Pet Food stb. 3
Példák optimalizálásra Kapacitás elosztás Időbeni tervezés
A matematikai optimalizálás helye és szerepe a vállalati döntés-előkészítésben 5
Optimalizálás költség Ax b x 0 α + cx = z (x) min x Rn átállási idő 6
Optimalizálás Néhány konkrét lehetőség az optimalizálás felhasználására: Ellátólánc optimalizálás Ütemezés Optimális allokáció, kapacitáselosztás Készletoptimalizálás Útvonal optimalizálás Raktárkezelés, rakodástervezés stb. 7
Kvantitatív modell A menedzserek gyakran azért vetik el a kvantitatív eszközök alkalmazását, mert úgy vélik, hogy a megoldás logikusan is kikövetkeztethető. Ilyenkor csak reménykedhetnek, hogy versenytársuk nem talál egy kevésbé logikusnak tűnő, de sokkal jobb megoldást! Dr. Koltai Tamás, egyetemi tanár, a BME Ipari Menedzsment és Vállalkozásgazdaságtan Tanszékének tanszékvezető-helyettese, Harvard Businessmanager, 2003- március-április, 52-59 8
Optimalizálás hiánya Szükséges információ Meghozott döntés 100 % Veszteség! SCM 90 % 35 % Rövid távú tervezés Ütemezés Közvetlen termelés irányítás Ha minden szinten a döntés kiváló vagyis legalább 90 %-os! 81 % 73 % 65 %
Egy DELOITTE elemzés Végzetes következményekkel járhat, ha a cégek nem képesek holisztikusan szemlélni saját vállalkozásukat. * A tanulmányban szereplő nemzetközi szervezetek közül sokan a várható eredmény 50%-os vagy akár azt is meghaladó csökkenését szenvedték el az optimalizáció hiánya miatt. *Gary Coleman, a DTT globális termelési ágazatának vezetője, Unlocking the Value of Globalisation: Profiting from Continuous Optimisation http://www.deloitte.com/globalbenchmarkstudy
A matematikai optimalizálás eszközei és módszertana 11
Erőforrások optimalizáláshoz 1. Munkatárs fontos, hogy értse, átlássa az eredményt (Innováció, HR) 2. Adat elérhető adatok (ERP), kontrollált információ 3. Szoftver ERP-vel kompatibilis, rugalmas szoftver, hatékony optimalizáló algoritmus 12
Döntés-előkészítő eszközök Product Landscape Matematikai modellezők AIMMS AMPL Mosel (DASH), GAMS OPL Studio (ILOG) Lingo Excel modeling Excel Frontline systems Dobozos termékek SAP Navision MIMI QUINTIQ SABRE PIMS Programozási nyelvek C++ Java FORTRAN 13
Összehasonlítás Technology Decision Situation Characteristics Programozási nyelvek Táblázatkezelő szoftverek Dobozos termékek Modellező nyelvek Megoldás Innovatív Innovatív Standard Innovatív Követelmények stabilitása Stabil követelmények Kifejlődő követelmények, korlátozott dimenzió Stabil követelmények Kifejlődő követelmények, Korlátlan dimenzió Fejlesztési folyamat Néhány tervezési és megvalósítási iteráció Prototípus és folyamatos fejlesztés Néhány tervezési és megvalósítási iteráció Prototípus és folyamatos fejlesztés Fejlesztés ideje Hosszú Rövid Közepes/hosszú Rövid Végfelhasználó Több felhasználó Egyszemélyes alkalmazás Több felhasználó Több felhasználó Fejlesztés és karbantartás költsége Magas fejlesztési és karbantartási költség, alacsony licenc költség Alacsony költségek, de csak személyes alkalmazáskor Magas fejlesztési, karbantartási és licenc költség Közepes fejlesztési és licenc, alacsony karbantartási költség 14
Független felmérés eredménye Source: Shell Global Solutions (2002) 15
AIMMS 16
Integrált optimalizáló Innovene Cologne (former BP) Simulation & Steam Optimization 17
OptaSoft - AIMMS Az OptaSoft Kft. az AIMMS regionális szolgáltató partnere. Az OptaSoft Kft. az egyedi rendszeroptimalizáló szoftverek fejlesztésének szakértője. 18
OptaSoft Kft. Referenciák: 19
Gyártásütemezés Feladatok módosítása Rendelések Feladatok Ütemező szoftver Zavaró tényezők Terv Termelés Üzem állapota 20
Készség alapú szint Szabály alapú szint Tudás alapú szint Döntéshozatal próbálkozások További absztrakt összefüggés vizsgálata Diagnózis felállítása, kellő lépések megfogalmazása nem igen Ismerős minta? új szabály hozzáadása Szabály alkalmazása Kellő lépések végrehajtása probléma felismerése Kezdeti állapot rutin művelet Cél állapot Szoftver ajánlott 21
Fejlesztés lépései Projekt hónapok 07 08 09 10 11 12 Workshop: projekt specifikálás 1. lépés: Előkészítés Feladat stratégiai célja A szoftver helye a szervezetben Elvárások 2. lépés: Rendszerterv A szoftver előzetes dokumentálása Egyeztetések prototípus alapján 3. lépés: Implementáció A prototípus fejlesztése Folyamatos konzultáció Szoftver véglegesítés 4. lépés: Oktatás, support Mérföldkövek 22
Gyártásütemezés 1. Hogyan mérjük a hatékonyságot? 2. Milyen típusú az ütemezési probléma? 3. Milyen módszert használjunk az optimalizálásra? 23
Gyártásütemezés Hogyan mérjük a hatékonyságot? 2. Ha a határidők tartása a fő probléma: Algebrai késés Legnagyobb késés Késések száma Abszolult késés Abszolult késések súlyozott átlaga 24
Gyártásütemezés Hogyan mérjük a hatékonyságot? 2. Ha a termelékenység a fő probléma: Teljes átfutási idő (makespan) Átlagos átfutási idő Súlyozott átlagos átfutási idő Átállási idők összege 25
Gyártásütemezés Hogyan mérjük a hatékonyságot? 2. Ha a készletezés a fő probléma: Teljes készlet Köztitermék készlet Legnagyobb készlet 26
Gyártásütemezés típusok A gyártásütemezési feladatok típusai: Egygépes ütemezés Többgépes ütemezés Párhuzamos gépek Flow shop Job shop 27
Megoldási módszerek 1. Heurisztikus módszerek (Szabály alapú) SPT (Leggyorsabb feladatot vesszük előre) LPT (Leggyorsabb feladatot vesszük előre) EDD (Leghamarabbi határidejű feladatot vesszük előre) Összetett heurisztikák (pl. Shifting bottleneck) 2. Mesterséges intelligencia módszerei Esetalapú tervezés (CBR) Szakértői rendszerek 3. Metaheurisztikus módszerek Genetikus algoritmusok (GA) Tabu keresés (TS) Szimulált hőkezelés (SA) 4. Egzakt módszerek MILP (Vegyes egészértékű lineáris programozás) CP (Logikai programozás) 28
Egygépes ütemezés 1. Ha célunk az átlagos befejezési idő minimalizálása, és nincsenek szigorú határidők, akkor optimális megoldást ad az SPT heurisztika. 2. Ha célunk a legnagyobb késés minimalizálása, és a tervezett időszak kezdetére minden feladat megérkezik, akkor optimális ütemtervet ad az EDD heurisztika. 3. Ha ellenben különböző érkezési idejű és határidejű feladatokat kell optimálisan sorba rakni, vagy az átállási idő (setup time) sorrendfüggő akkor a probléma jóval bonyolultabb. Optimalizálás szükséges. 29
Párhuzamos gépek 1. Az átfutási idő közelítő minimalizálásához célszerű az LPT heurisztikát használni. Legfeljebb 30 %-kal maradunk el az optimumtól. 2. Ha célunk a súlyozott befejezési idők minimalizálása, a súlyozott EDD heurisztika megfelelő. Legfeljebb 22 %-kal maradunk el az optimumtól. 3. Egyéb esetekben bonyolultabb szabályokat kell használni, vagy egzakt optimalizáló módszerek és heurisztikus szabályok kombinációja használható. 30
Flow-shop és Job-shop Flow-shop: ugyanaz a sorrend, minden gép szerepel A A D B C E D B C E Job-shop: eltérő sorrend, nem feltétlenül minden gép szerepel A A D B C E D B C E 31
Ipari ütemezési példa 32
OptaSoft Kft. A csoport: átlag 25 000 db/fő Munkatárs 1 Munkatárs 2 Munkatárs 3 Munkatárs 4 10 000 20 000 30 000 40 000 B csoport: átlag 65 000 db/fő Munkatárs 5 Munkatárs 6 Munkatárs 7 Munkatárs 8 50 000 60 000 70 000 80 000 Az A csoport: A B csoport: új eladás átlag 30 000 db/fő ( az átlag 20 %.kal nőtt) új eladás átlag 70 000 db/fő (az átlag 7 %.kal nőtt). 33
OptaSoft Kft. Az A csoport: A B csoport: új eladás átlag 30 000 db/fő (az átlag 20 %.kal nőtt) új eladás átlag 70 000 db/fő (az átlag 7 %.kal nőtt). A cég összbevétele mégsem nőtt, hogy lehet ez? 34
35