Ocena skuteczności wybranych metod redukcji wariancji w badaniach symulacyjnych modeli sieciowych przedsięwzięć budowlanych

• Autorzy: Sławomir Biruk , Piotr Jaśkowski

Warianty tytułu

Assessing Efficiency of Varince Reduction Methods in Construction Projects' Network Simulation

• Języki publikacji: PL

Abstrakty

Metoda symulacji Monte Carlo jest efektywnym narzędziem analizy sieci zależności czynności o dowolnych rozkładach czasu ich trwania, bez konieczności wprowadzania dodatkowych założeń upraszczających. W ten sam sposób mogą być analizowane modele proste (obejmujące jedynie zależności kolejnościowe), jak i modele z ograniczeniami w dostępności zasobów lub ograniczeniami czasowymi (np. polityka railway). O jakości uzyskanych rezultatów decyduje sposób prowadzenia badań symulacyjnych. Zastosowanie metod redukcji wariancji może zarówno skrócić czas prowadzenia badań (zmniejszenie liczby replikacji), jak i podnieść wiarygodność oszacowania wybranych charakterystyk badanego modelu. Efektywność poszczególnych metod redukcji wariancji zależy przede wszystkim od konfiguracji sieci zależności i stosowanych typów oraz para- metrów rozkładów czasu trwania czynności, ale także od doświadczenia i umiejętności badacza. Na podstawie przeprowadzonych eksperymentów symulacyjnych można wnioskować, że zastosowanie metody liczb antytetycznych prowadzi do znacznej redukcji wariancji. Porównywalną efektywnością charakteryzuje się metoda losowania warstwowego Latin Hypercube Sampling, ale w tym przypadku zaprojektowanie symulatora i przeprowadzenie badań symulacyjnych jest bardziej złożone. Kierunkiem przyszłych badań będzie analiza większej liczby modeli testowych oraz stosowanie łączne kilku metod redukcji wariancji, np. metody LHS i losowania przeciwstawnego. (fragment tekstu)

EN

Monte Carlo simulation is a popular tool that supports planning projects affected by risk. Analysing the results of computer simulations enables the planner to formulate and verify hypotheses on distribution type and parameters of schedule events occurrence and the project's duration. Simulation research on network models, whose structure is deterministic, but tasks times are of stochastic nature, does not require introducing any simplifying assumptions on task duration distribution types. It also allows the planner to account for resource constraints, in terms of both number of available units and time of their availability. Accuracy of estimates obtained by means of simulations can be improved by increasing the number of replications, or by applying variance reduction methods. The latter may consist in change of the way the random numbers are generated. The paper analyses how the method of variance reduction affects simulation results in terms of standard error of estimated project duration mean value. The methods considered were: Quasi-Monte Carlo, stratified sampling, antithetic variates. The object analysis were network models with task durations of triangular distribution. This type of distribution is commonly assumed in modelling the effect of random occurrencies on organisation of construction works. (original abstract)

Słowa kluczowe

PL

Badania operacyjne

EN

Operations research

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Numer: nr 97 Modelowanie preferencji a ryzyko '12
• Strony: 405--416

Twórcy

autor

Sławomir Biruk

• Politechnika Lubelska

autor

Piotr Jaśkowski

• Politechnika Lubelska

Bibliografia

• Avramidis AN., Wilson J.R. (1996). Integrated Variance Reduction Strategies for Simulation. Operational Research, 44(2), s. 327-346.
• Blower S.M., Dowlatabadi H. (1994). Senssivity and Uncertainty Analysis of Complex Models of Disease Transmission: an HIV Model, as an Example. International Statistical Review, 63(2), s. 229-243.
• Burt J.M., Gaver D.P., Perlas M. (1970). Simple Stochastic Networks: Some ProbIems and Procedures. Naval Research Logistics Quarterly, 17(4), s. 439-459.
• Gentle JE (2003). Random Number Generation and Monte Carlo Methods. Springer, NewYork
• Greń J. (1984). Statystyka matematyczna. Modele i zadania. Państwowe Wydawnictwo Naukowe, Warszawa.
• Law AM, Kelton W.D. (1991). Simulation Modeling & Analysis. McGraw Hill, International Edition.
• McKay M.D, Beckman R.J., Conover W.J. (1998). A Comparison of Three Methods for Selecting Values of lnput VariabIes in the Analysis of Output from a Computer Code. Technometrics, 21(2), s. 239-245.
• Owen AR (1998). Latin Supercube Sampling for Very High-Dimensional Simulations. ACM Transactions on Modeling and Computer SimulatioI1, 8(1), s. 71-102.
• Platt C. (1974). Problemy rachunku prawdopodobieństwa i statystyki matematycznej. PWN, Warszawa.
• Skiena S.S. (2008). The Algorithm Design Manual Springer-Verlag, London.
• Sullivan R.S., Hayya J.C., Schaul R. (1982). Efficiency of the Antithetic Variate Method for Simulating Stochastic Networks. Management Science, 28(5), s. 573- 572
• Tyszer J. (1990). Symulacja cyfrowa. Wydawnictwa Naukowo-Techniczne, Warszawa.
• Yang H. (2006). Quasi Random Sampling for Operations Management. Seoul Journal of Business, 12(1), s. 53-72.