Применение имитационного и статистического моделирования требует проведения большого количества имитаций и времени вычислений. Сократить время расчета в сложных системах имитационного и статистического моделирования позволяет внедрение технологий параллельного программирования в реализуемые модели. В настоящей работе ставиться задача распараллеливания алгоритма имитационного моделирования динамики некоторого показателя (на примере модели динамики объема груза на складе хранения), описываемого моделью, представленной в виде линейной комбинации входных и выходных потоков, заданных в виде: моделей авторегрессии скользящего среднего с трендовыми составляющими; потоков описываемых процессами, заданными по принципу суммы произведений интенсивности на объем (размер) исследуемого параметра, при условии стационарности каждого из них. Предложена схема распараллеливания алгоритма с применением технологии OpenMP. Проведены вычислительные эксперименты, оценены показатели эффективности параллельного алгоритма в зависимости от числа имитационных экспериментов.

Ключевые слова: имитационное моделирование, параллельное программирование, эффективность параллельного алгоритма, модель загрузки склада, технология OpenMP

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

Работа направлена на разработку и апробацию алгоритма выбора места расположения нового склада хранения груза с учетом стохастических потоков поставок груза на склад и потребителям со cклада. При выборе места размещения склада учитываются издержки, которые сопровождают деятельность логистической компании, связанные с организацией складского хозяйства в выбранном месте, с содержанием склада, хранением груза, доставкой груза от поставщиков до склада и от склада до потребителей. В работе предложен алгоритм решения задачи выбора места расположения склада хранения груза с учетом прогноза динамики поставок груза на склад и потребителям со cклада. Описан математический инструментарий, позволяющий оценить динамику затрат на организацию и функционирование склада в условиях нестационарных потоков поступления и оттока груза со склада на основе применения метода статистического моделирования. Проведена апробация. Предложенный инструментарий обладает новизной в разрезе учета нестационарных потоков поступления и оттока груза на склад и реальных маршрутов движения транспорта при выборе места расположения склада.

Ключевые слова: место расположения склада, динамика складских затрат, статистическое моделирование, математическая модель, логистика

2.3.1 - Системный анализ, управление и обработка информации , 2.9.9 - Логистические транспортные системы

Анализ процесса жизненного цикла пищевой продукции, взаимосвязей между показателями производства, потребления, потерь пищевой продукции, а также качества жизни населения, позволит сформировать ряд мер по снижению продовольственных потерь и пищевых отходов. В работе поставлены задачи выявления источников продовольственных потерь на основе статистического исследования уровня потерь по регионам РФ и анализа жизненного цикла пищевого продукта. Проведен анализ показателей производства и потерь продукции на примере картофеля, овощей, фруктов, мяса, молока, яиц. Корреляционный анализ показателей производства, потребления продукции, продовольственных потерь показал, что наибольшие потери возникают на этапах производства продукции, при переработке, при реализации в торговых сетях. Выполнена кластеризация регионов РФ по показателям продовольственных потерь. По каждому исследуемому виду пищевых продуктов сформированы кластеры с высокими показателями производства, потребления, потерь, и с низкими показателями производства, потребления, потерь. Построена модель жизненного цикла продуктов питания в нотации BPMN 2.0. Выявлены этапы жизненного цикла, характеризующиеся продовольственными потерями. Сформированы общие рекомендации по управлению продовольственными потерями.

Ключевые слова: продовольственные потери, моделирование продовольственных потерь, корреляционный анализ, кластерный анализ, моделирование бизнес-процессов

Зачастую на практике сроки строительства оцениваются с использованием детерминированных методов и характеристик. Такой подход не отражает реальность, связанную с вероятностной природой рисков и приводит к систематическому занижению сроков и, как следствие, стоимости строительства. В работе предлагается для оценки рисков незавершения строительства в установленные сроки использовать марковскую дискретную неоднородную цепь. Состояниям марковского процесса предложено ставить в соответствие стадии строительства объекта. Вероятности переходов системы предлагается оценивать на основе эмпирических данных по ранее реализованным проектам и/или экспертно с учетом рисков, характеризующих условия строительства. Проведена апробация модели. Предлагаемая модель позволяет оценить сроки завершения строительства, риски незавершения строительства в установленные сроки в планируемых условиях реализации строительства.

Ключевые слова: срок строительства, оценка рисков, марковская модель, дискретная цепь Маркова, неоднородный случайный процесс

2.1.7 - Технология и организация строительства , 2.3.1 - Системный анализ, управление и обработка информации

Одной из задач предварительной обработки данных является задача устранения пропусков в данных, т.е. задача импутирования. В работе предложены алгоритмы заполнения пропусков в данных на основе метода статистического имитационного моделирования. Предлагаемые алгоритмы заполнения пропусков включают этапы кластеризации данных по набору признаков, классификации объекта с пропуском, построения функции распределения для признака, имеющего пропуски по каждому кластеру, восстановления пропущенных значений методом обратной функции. Проведены вычислительные эксперименты на основе статистических данных социально-экономических показателей по субъектам РФ за 2022 год. Проведен анализ свойств предлагаемых алгоритмов импутирования в сравнении с известными методами. Показана эффективность предлагаемых алгоритмов.

Ключевые слова: алгоритм импутации, пропуски в данных, статистическое моделирование, метод обратной функции, имитационное моделирование данных

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации