На первом этапе выполнения курсовой работы необходимо сформировать блок исходных данных

Исходные данные могут быть смоделированы (процесс моделирования описан ниже), либо можно использовать данные статистики по расходу и пополнению запасов со складов реальных компаний.

Для работы необходимо смоделировать следующие параметры:

- расход запасов (λ_i);

- интервалы времени между заказами (T_j);

- сроки исполнения заказа (L_j);

Процесс статистического имитационного моделирования вышеназванных параметров может быть осуществлен следующим образом:

1. Задаются средние значения и средние квадратические отклонения значений моделируемых параметров (они могут быть определены заранее экспертным путем):

- среднее значение интенсивности потребления и СКО интенсивности потребления σ_d;

- средний интервал времени между заказами и СКОвремени между заказами σ_T;

- среднее значение срока исполнения заказа и СКО срока исполнения заказа σ_L.

2. На основе средних значений и СКО для каждого параметра рассчитывается коэффициент вариации – υ по формуле:

(1.1)

где - среднее квадратическое отклонение моделируемого параметра «Х»;

- среднее значение моделируемого параметра.

3. По коэффициенту вариации определяется закон распределения, которому, как предполагается, подчинено распределение случайных значений моделируемых параметров процесса расхода (пополнения) запасов. В первом приближении выбор закона распределения может быть произведен по таблице 1.2.

Таблица 1.2

Законы распределения случайной положительной величины в зависимости от коэффициента вариации

Пределы изменения коэффициента вариации	Закон распределения случайной величины
ν≤0,3	Нормальный
0,3 <ν <0,4	Гамма-распределение
0,4≤ ν <1	Вэйбулла
ν=1	Экспоненциальный

4. С помощью генератора случайных чисел определяется массив случайных значений , которые затем будут использоваться для определения случайных значений моделируемых параметров. Для генерации случайных чисел может быть использован соответствующий инструмент Ms Excel.

Количество генерируемых случайных чисел зависит от параметра, который необходимо получить в результате моделирования. Так для Т_j (период времени между заказами) число случайных чисел будет зависеть от количества сгенерированных случайных значений расхода запаса - N_d и от среднего значения периода времени между поставками ( ):

, (1.2)

где N_T - количество случайных чисел для T_j ;

N_d - количество сгенерированных случайных значений d_i;

- среднее значение периода времени между заказами.

Количество значений L_j (время выполнения заказа), которое необходимо сгенерировать, соответствует числу N_T. Например, генерируется 120 случайных величин расхода запаса, средний период времени между поставками 10 дней, следовательно, предполагаемое количество поставок равно 12.

5. Полученный после генерации вектор (столбец) случайных чисел трансформируется, с учетом определенного ранее закона распределения, в случайные значения моделируемого параметра (d_i, T_j, L_j). Для этого используются специальные зависимости – см. табл. 1.3. Полученные по формулам значения округляются до целого (функция «округл» в Ms Excel).

Таблица 1.3.

Формулы для моделирования случайных величин, подчиняющихся различным законам распределения

Закон распределения случайной величины	Расчетная формула
Нормальный
Вэйбулла
Экспоненциальный
Гамма-распределение
Равномерный
Примечание: - нормально распределенная случайная величина со средним значением 0 и среднеквадратическим отклонением 1; - равномерно распределенная случайная величина на интервале от 0 до 1.

6. Определяется начальный уровень запаса на складе. Он может соответствовать реальным данным складской статистики, либо его можно рассчитать по формуле:

, (1.3)

где - среднее значение интенсивности потребления;

- средний интервал времени между поставками (время цикла).

7. На основе полученного на предыдущих этапах массива исходных данных формируются временные ряды, отражающие процесс движения запасов на складе («приход», «расход», «остаток») под воздействием различных стратегий УЗ.