Применение теории массового обслуживания для оптимизации обработки грузопотока на транспортном предприятии

Глава 1 Теория массового обслуживания. Роль теории массового обслуживания в логистике 3
Глава 2 Сравнительная характеристика методов теории массового обслуживания 9
Глава 3 Тестирование теории массового обслуживания на задаче поиска максимального грузопотока через железнодорожную систему Гатафлы 15
Глава 4 Итоги 20
Список литературы 21

Теория массового обслуживания (ТМО) или, как обычно, говорят в англоязычной литературе Теория очередей (англ.: Queueing theory) основана на существовании двух взаимодействующих сущностей: потока событий и обработчика событий [1]. Обработчик обрабатывает каждое следующее событие за конечное время. Таким образом, если событие приходит в тот момент, когда обработчик занят обработкой предыдущего события, то новое событие либо ставится в очередь, либо отбрасывается в зависимости от того, какая модель системы массового обслуживания (СМО) используется [1,2]. При этом стоит отметить, что нет четкой границы между первым и вторым случаем, поскольку любой обработчик, как правило, имеет некий буфер (или склад в логистической терминологии), и как только этот буфер переполняется, все следующие события отбрасываются [1]. Следовательно, СМО без ожидания эквивалентна обработчику с буфером только для одного события. При этом порядок, в котором обрабатываются события из очереди называется дисциплиной очереди, он в общем случае может быть различным [1–4].

В работе были рассмотрены основные приложения ТМО при оптимизации грузопотока на транспортных предприятиях. Показано, что с применением основ ТМО возможно эффективное управление загрузкой промежуточных логистических пунктов (складов, контейнерных терминалов и так далее). В работе продемонстрировано, что для оптимальной работы транспортной системы необходимо балансировать грузопотоки, так чтобы среднее изменение запасов таких промежуточных пунктов равнялось нулевым значениям, поскольку при положительных значениях происходит перегрузка складов, а при отрицательных – простой транспортных средств. И то и другое неизбежно влечет за собой дополнительные логистические расходы.
Методом Монте-Карло промоделирован грузопоток через виртуальную транспортную сеть. Показано, что стохастические колебания грузопотока полностью нивелируют незначительный дисбаланс между входящим и выходящим грузопотоком.
Можно предположить, что без центрального регулирования мощности отдельных потоков будет сложно оптимизировать размер складских помещений в промежуточных точках логистической сети. Таким образом, при оптимизации логистической сети нам необходим поиск компромисса между размером складов в пунктах пересылки и степенью центрального управления мощностью отдельных грузопотоков, поскольку и то и другое влечет за собой дополнительные логистические затраты.