Курсовая работа: Имитационная модель операционного зала банка

- моделировать бизнес «as to be», отразить все протекающие процессы, определить возможности усовершенствования;

- визуализировать процессы с помощью динамической графики и мультипликации;

Arena позволила организациям в разных странах:

- избежать дорогостоящих ошибок, вызываемых реализацией исключительно интуитивных решений;

- разработать процессы, позволяющие бороться с тупиками и неопределенностью, вызванными случайностью и непостоянством систем;

- обнаружить скрытые резервы и устранить тормозящие факторы в существующих реализациях и внутренних процессах;

Возможности системы Arena соответствуют требованиям поставленной задачи моделирования операционного зала.

2. Структура системы анализа операционного состояния банка

банковский обслуживание программный средство

Работа системы анализа (рис. 2) начинается с получения из БД автоматизированной банковской системы сведений о ресурсах банка и заключенных финансовых сделках. На основании этих данных производится расчет показателей текущего состояния банка.

Рис. 2

2.1 Построение имитационной модель операционного зала

Рассмотрим процесс работы операционного обслуживания банка, изображённые на рисунке 3. На этом этапе, исходя из условий задачи, необходимо описать алгоритм работы модели и задать для каждого модуля соответствующие параметры.

Рис. 3 - Граф модели в среде Arena

На рисунке показана модель в предстартовом состоянии. Вид модели в действии изображён на рисунках 19-21 приложения Б. Модель состоит из одного типа модулей: основная цепь блоков, моделирующих процессы появления, перемещения и исчезновение

Модули модели

Транзакты первого типа создаются в модуле Create с именем «Client 1»

Рис. 4 - Параметры модуля «client 2»

Транзакты второго типа создаются в модуле Create с именем «creat 2»

Рис. 5 - Параметры модуля «Client»

Транзакты второго типа создаются в модуле Create с именем «Client 1,2,3» Транзакты второго типа создаются в модуле Assign

Рис. 6

Далее транзакты следуют в модуль Decide под названием «decide».В этом блоке происходит определение, время или процент в ресурсе для транзакта.

Рис. 7

В случае если мест нету, транзакт идёт на блок Decide с названием «Process». В этом блоке происходит распределение транзактов, 25% остаются в модели и переходят в блок Process с названием «Cassa1»,после чего, возвращаются на блок Decide с названием «Cassa 2». Остальные транзакты покидают модель через блок Dispose с названием «Dispose».

Рис. 8

Вывод транзакта происходит через модуль Dispose «exit to Banc».

Рис. 9

Установите курсор в ячейка Приступаем к проведению имитационного эксперимента.

Выберите в главном меню тему "Сервис" пункт "Анализ данных". Результатом выполнения этих действий будет появление диалогового окна "Анализ данных", содержащего список инструментов анализа.

Выберите из списка "Инструменты анализа" пункт "Генерация случайных чисел" и нажмите кнопку "ОК" (рис. 10).

Рис. 10

В окне параметров видно, что в модели фактически используются 3 вида ресурсов, все они обледенены (set). Каждый ресурс это место в банке для каждого клиента

Рис. 11

Рис. 12

Рис. 13

3. Анализ результатов имитационного моделирования

После прогона имитационной модели был получен ряд отчётов с результатами моделирования.

Далее рассмотрим ту часть отчёта, которая связана со степенью загрузки операторов банка, среднее время, обработки транзакта.

Рис. 14

Заметим, что при оригинальных условиях (рисунок 10) загруженность ресурсов клиентов сильно различна если операторов марина и мба мича загружены на 91 и 95 процента, то загруженность ресурса оператора Евгений составляет всего 93 процентов. Однако при запуске модели мы видим, что все операторы банка работают одинаковое количество времени.

Это объясняется тем что, через зал хоть и проходит одинаковое количество клиентов но затрачиваемое время на оказание услуг ресурсами различно. К тому же, такую разницу между тем, что мы видим визуально и гистограммой отчёта можно объяснить тем, что визуально отображается перемещение от одного блока к другому, на что уходит определённое время. Т.е. мы наблюдаем процесс появления посетителей банка, когда этот процесс уже завершён. Соответственно, при прогоне модели визуально мы можем оценить лишь анимацию перемещения посетителей. А в отчёте мы уже оцениваем реальные статистические данные. Следовательно, эффект одинаковой загруженности операторов объясняется разницей времени, требуемого на оказание услуг, так же, анимацией и реальным временем, потраченным на оказание услуг.

Рис. 15

Рис. 16

На рисунке 16 можно заметить распределение нагрузки между операторами практически равномерно, за исключением лишь одного оператора банка Евгений это обусловлено тем, о чем говорилось в первом случае. Следовательно, повышение количества клиентов до 4 не значительно повышает эффективность работы операторов видно что уровень загруженности операторов не как не изменился по отношению к первому случаю, но количество обслуженных клиентов несколько возросло относительно первого случая.

По сравнению со вторым случаем мы можем заметить что количество обслуженных клиентов абсолютно одинаково, но количество требуемых ресурсов во втором случае выше чем в 1 случае, и также уровень загруженности ресурсов практически не изменился по отношению ко второму случаю. Отсюда, можно сделать вывод, что 1 случай (сокращения времени обслуживания) будет более оптимален по отношению к остальным.

Заключение

В результате курсовой работы была решена задача моделирования обслуживания клиентов операционного зала банка. Проведен анализ обслуживания клиентов двух типов. Построенная имитационная модель в системе Arena позволяет оценить загрузку ресурсов операторов, проследить зависимость эффективности работы оператора от времени обработки и времени обслуживания клиентов.

Как показало исследование, в обоих случаях банк начинает работать лучше. Однако, если учесть, что степень загрузки клиентов сопоставима как при увеличении операторов в банке, так и при уменьшении времени обслуживания клиентов, то основным фактором остаётся время затрачиваемое на оказание услуг клиентам. По этому критерию явно лидирует 2-ой эксперимент с быстрая очередь уменьшением времени на оказание услуг клиентам. Окончательный выбор, если не учитывать стоимость переоборудование и переквалификации банке в каждом из случаев, остаётся за снижение время обслуживания.

Вывод: для повышения эффективности работы банка, прежде всего, необходимо уменьшить время затрачиваемое на оказание услуг клиентам (сокращение время обслуживания) и установкой банковских терминалов.

Список используемой литературы

1. В.Н. Томашевский, Е.Г. Жданова «Имитационное моделирование в среде GPSS».-М.:Бестселлер,2003. - 416 с.

2. Б.Я. Советов, С.Я. Яковлев «Моделирование систем». - М.: «Высшая школа», 2003.

3. В. Боев «Моделирование систем. Инструментальные средства GPSS World».-СПб.: «БХВ-Петербург», 2004.

4. Соболь И.М. «Метод Монте-Карло», Москва «Наука», 1985 г.

5. Справочник по работе банка данных системы МИМЕР. Часть 1 /Основы технологии банка данных. Принцип работы СУБД МИМЕР. Компоненты семейства МИМЕР // Обработка информации в высших и специальных учебных заведениях. Берлин Центральный институт.

6. Клейнрок Л. «Теория массового обслуживания» - М.: Машиностроение, 1979. - 432 с.

7. Прицкер А. «Введение в имитационное моделирование» - М.: Мир, 1987.-644 с.

8. Емельянов А.А., Власова Е.А., «Имитационное моделирование экономических процессов» - М. Финансы и статистика, 2002.

9. Вентцель Е.С. Теория вероятностей. - М.: Наука, 1969. - 564 с.

10. Пугачев В.С. Теория вероятностей и математическая статистика. - М: Наука, 1979. - 327 с.

11. Бусленко Н.П. Моделирование сложных систем. - М.: Наука, 1978. 399 с.

12. Шрайбер Т.Дж. Моделирование на GPSS. -W.: Машиностроение, 1979. - 287 с.

13. Варфоломеев В.И. Алгоритмическое моделирование элементов экономических систем. - М.: Финансы и статистика, 2000. - 208 с.