Имитационная модель на основе агентного подхода

Развитие теории и практики применения имитационного моделирования на промышленных предприятиях активно началось в 1970-х годах: Н.П. Бусленко, А.А. Вавилов, Т. Нейлор, Р.Ф. Шеннон, Б.Ф.

В настоящее время все большее внимание уделяется моделям, которые смогут предсказать влияние выбранной стратегии на процесс распространения инновационных продуктов предприятия. С учетом неопределенности, нелинейности и нестационарности среды, в которой протекают инновационные процессы, целесообразно искать модели в классе имитационных.

Одним из видов математических моделей являются имитационные модели. Основное отличие имитационных моделей состоит в том, что вместо аналитического описания взаимосвязей между входами и выходами исследуемой системы строят алгоритм, отображающий последовательность развития процессов внутри исследуемого объекта, а затем «имитируют» поведение объекта на компьютере [223]. Для описания поведения объектов вводятся правила, которые могут быть как эвристическими, так и основанными на объективных физических законах. Имитационная модель представляет собой алгоритм функционирования системы во времени, имитирующий элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени и оценить параметры исследуемой системы [223]. Такие модели не всегда подходят для получения точных количественных результатов. Но они всегда полезны для качественного анализа различных ситуаций.

Из предлагаемых средств для имитационного моделирования систем была выбрана современная платформа AnyLogic 7, обладающая удобным графическим интерфейсом и позволяющая в качестве языка пользователя использовать объектно-ориентированный язык Java для разработки конкретных моделей.

был обоснован, прежде всего, тем, что AnyLogic инструмент имитационного моделирования, который поддерживает все подходы к созданию имитационных моделей: дискретно-событийный, системно-динамический, агентный и их комбинацию [224, 225]. Таким образом, предоставленные возможности позволяют не ограничиваться одним способом описания моделируемых процессов в ходе построения модели, а подбирать подходящий под цели исследования. Платформа AnyLogic совместима с распространенными операционными системами и обладает возможностями интегрирации с внешними данными, в том числе работает с Big Data, что обеспечивает возможность встраивания разработанной модели в контур современных информационных систем на предприятии.

Использование агентного подхода и подхода системной динамики позволяет строить адекватные модели процессов распространения инноваций и в последнее время начало широко использоваться [226-230]. Агентное моделирование является инструментом, который позволяет моделировать разрозненные элементы системы и использует подход «снизу-вверх»: в основании лежит набор основных элементов, взаимодействие которых создает обобщенное поведение системы [231].

Разработанная в виде приложения на языке Java на платформе AnyLogic 7 имитационная модель позволяет оценивать зависимость распространения инновации от параметров среды и определять управляющие воздействия в зависимости от параметров последующих поддерживающих инноваций. Основные настройки и исходные коды приведены в приложении В.

В предлагаемой модели был использован агентный подход. Каждый инновационный продукт, разрабатываемый на предприятии, представляет собой популяцию агентов, а копии инновационного продукта - отдельных агентов. Было создано несколько популяций агентов для имитации очередности их запуска на рынок (как прорывных, так и поддерживающих инноваций). Поведение каждой популяции агентов задается диаграммой состояний, позволяющей определить возможные состояния агента, переходы между состояниями и события, вызывающие эти переходы.

состоянии готовности к выпуску на рынок и завершается, когда инновационный продукт будет выведен с рынка или будет прекращено его использование.

Модель содержит три основных состояния каждого разрабатываемого инновационного продукта (рисунок 4.6):

- «Готов к запуску на рынок» (ReadyToLaunch) - первоначальное состояние, определяющееся производственными мощностями предприятия;

- «На рынке» (inMarket) - те копии инновационного продукта, которые уже выпустили на рынок, но еще не приобрели;

- «Продан» (Users) - приобретенные копии инновационных продуктов.

Два конечных состояния:

- «Прекращен» (Discontinued) - пользователи с течением заданного периода времени прекращают пользоваться инновационным продуктом по различным причинам;

- «Выведен» (Killed) - непроданные копии инновационных продуктов с течением времени выводятся с рынка по различным причинам.

Рисунок 4.6 - Диаграмма состояний и переходов для популяции агентов

Интенсивность переходов между состояниями определяется следующими параметрами.

- Из состояния «Готов к запуску на рынок» в состояние «На рынке» - параметром, задаваемым производственными мощностями предприятия.

- Из состояния «На рынке» в состояние «Продан» определяется параметром, который задается формулой (2.6).

- Из состояния «Продан» в состояние «Прекращен» - параметром, отражающим среднюю продолжительность жизни инновационного продукта, что позволяет учитывать возможность повторных продаж.

После определения популяций агентов и задания правил их поведения в окно экспериментов были добавлены элементы настройки модели, с помощью которых можно изменять характеристики и время запуска следующего поддерживающего инновационного продукта, а также характеристики среды в соответствии с рисунками 4.7 и 4.8.

Qs(t).

Рисунок 4.7 - Пример окна эксперимента

В окно экспериментов также были добавлены переменные и графики. Переменные фиксируют состояния как интегрального параметра - суммарного объема продаж Q_s(t),так и состояния продаж текущих инновационных продуктов и последующих поддерживающих инновационных продуктов Q_n(t)при попадании в характерные зоны, обозначенные на рисунке 3.3. На графиках регистрируется динамика параметров Q_s(t), Q_n(t)и некоторых дополнительных переменных.

Рисунок 4.8 - Стартовое окно модели

Эксперимент подтвердил, что изменение настроек модели оказывает влияние как на расположение точки перегиба кривых Q_s(t)и Q_n(t), так и на их наклон (рисунок 4.9). А сами графики Q_s(t)и Q_n(t) представляют типичную s-образную кривую, что соответствует зависимости, как показано в параграфе 1.1, характерной для процесса распространения инновационного продукта.

Модель позволяет за счет отслеживания попадания в зоны текущего значения Qι(t) (кривая I) вырабатывать управляющие воздействия на запуск поддерживающей инновации Q=(t)(кривая II). После запуска поддерживающей инновации Q= (t)поведение кривой Q. (t)будет меняться. Как следствие, выявление

99 эффективного времени запуска возможно благодаря отслеживанию значения интегрального показателя Q_s(t)(кривая III).

Рисунок 4.9 - Регистрация параметров модели

Количественная оценка результативности учета взаимного влияния (коэффициент a_kιl) определяется в ходе эксперимента, включающего в себя формирование портфеля проектов, составление расписания запуска продуктов проектов на рынок и отслеживание распространения этих продуктов. Полученные результаты, измеряемые отношением интегрального показателя Q(t)с учетом взаимного влияния к показателю без учета взаимного влияния Q(t),будут характеризовать изменение результативности управления инновационными процессами предприятия за счет учета взаимного влияния инноваций р(3). где Q≈- плановое значение количества продаж рассматриваемого ансамбля инновационных продуктов.

Для верификации имитационной модели был проведен ряд тестовых экспериментов на граничных случаях, которые подтвердили работоспособность модели. Валидация модели была проведена путем репликации распространения портативных медиа-проигрывателей Apple iPod с 2002 по 2014 год [21, 22]. Данные экспериментов приведены в Приложении Г.

В рассмотренном примере реального портфеля инновационных проектов (п. 4.3, портфель №1) за счет использования предложенной оптимизации расписания было найдено такое расписание запуска инновационных проектов на реализацию и определено время запуска продуктов этих проектов на рынок, которое привело в эксперименте с агентной моделью к увеличению суммарного объема продаж Q (t) на 7% (как показано на рисунке 4.10).

Примечание - Q.(t)и Q=(t)- кумулятивные функции продаж ансамбля инновационных продуктов предложенного и исходного расписания соответственно; Q₁₁(t) и Q₂ι(t)- функции продаж первого инновационного продукта; Q₁₂(t) и Q₂₂(t) - функции продаж последующего инновационного продукта. Значения: Q.(,t^ = 1450 шт., Q₂(t) = 1350 шт., р = 7%.

Рисунок 4.10 - Графики проведенных экспериментов с портфелем инновационных проектов

Таким образом, измерения значений возможного увеличения суммарного объема продаж Q (t) в эксперименте со значениями параметров, взятых из реальных портфелей предприятия, оценивается величиной 7%.

Приведенные результаты экспериментов (прогоны имитационной модели) при свободной вариации допустимых значений параметров определяют теоретически

возможный диапазон эффективности управления процессом распространения с учетом взаимного влияния как изменение интегрального параметра Q(t)от 0% до 20%, достигаемые за счет действий, описанных в третьем блоке метода.

Данная модель позволила отработать и подтвердить адекватность предложенного метода в диапазоне возможных изменений параметров, описывающих среду социально-экономических систем.

Представленная модель может быть использована как в режиме экспертной системы поддержки принятия решений, так и как самостоятельное инструментальное средство при исследованиях не только инновационных систем предприятия, но и инновационных систем других уровней (НИС, РИС и пр.) В дальнейшем данная агентная модель может развиваться в направлении учета особенностей процессов исследований и разработок новых продуктов (R&D), а также для исследований в случаях множественного (не локализованного) источника инноваций в социально-экономической среде.