生产运作管理_结业作业.doc

生产运作管理结业作业 目录一、Des Moines国民银行-位置布局21.根据物流量确定布局22.根据接近关系程度表确定布局22.1根据表A，得出图A-222.2由图A-2画出得联系簇，以A和X为例33. 既考虑流量，又考虑接近关系后，得出布局34.评价做出的各种布局35.当支票处理部门进行布局时应考虑的因素3二、热比萨公司的比萨饼的周需求量4移动平均法4指数平滑法5三、生产运作管理课本95页习题61.生产运作管理课本95页习题262.生产运作管理课本95页习题372.1 根据已知求出4个季度消费总量和移动平均以及季节中点72.2根据已知作散点图并根据散点图做出消费量的趋势线82.3估算季节系数82.4预测93.生产运作管理课本95页习题493.1采用二次指数平滑法求出这5周的预测值93.2二次指数平滑法求今后3周的需求预测值9四、实验报告101模型1102模型214五、结束语18一、Des Moines国民银行-位置布局部门123456781、支票分类50 250 2、支票核对X50 3、支票记账XA104、支票分配UUU40 60 5、政府支票AUUE6、退回的支票UUUEU12 7、记账调整XAAUUE10 8、办公室XIIUOOI 表A1.根据物流量确定布局按照平均物流量大小，从大到小降序排列，如表A。根据表中的顺序，做出以下规划（如表A-1）3、支票 记账2、支票 核对1、 支票分类7、记账 调整6、退回的 支票4、支票 分配8、办公室5、政府 支票表A-12.根据接近关系程度表确定布局2.1根据表A，得出图A-2图A-22.2由图A-2画出得联系簇，以A和X为例A：2-3，2-7，3-7，4-5X：1-2，1-3，1-7，1-88、办公室6、退回的 支票1、 支票分类7、记账 调整5、政府 支票4、支票 分配2、支票 核对3、支票 记账 关系簇 表A-33. 既考虑流量，又考虑接近关系后，得出以下布局。如图表A-48、办公室5、政府支票1、 支票分类7、记账调整6、退回的支票4、支票分配2、支票核对3、支票记账表A-44.评价做出的各种布局第一种、按照流量布局。通过对流量大小的排序固然使得总流量最小，但是并未考虑到有些部门是不能相邻的，例如分类部门和核对部门。第二种、按照接近关系布局。由表A画出作业相关图表A-2，并编制关系簇。这样使得关系相近 的部门联系在一起，但是并未考虑到流量问题，忽略了成本。第三种、既考虑流量，又考虑接近关系布局。虽然这种布局不是流量最小，关系最近，但是这种布局使二者结合，使得布局和流量达到结合时的最优状态。5.当支票处理部门进行布局时应考虑的因素企业的协作化程度，会影响布局，协作范围越广，企业不会设置更多的部门，而是更少的部门来完成业务处理。还要涉及一些安全原则问题。像支票处理部门设计金钱的问题，防止不同的部门位置临近进行作假帐，这些安全问题都是要考虑的。另外，还要考虑一些该支票处理机构所处的宏观环境，部门的消防措施环保问题当地是否交通便利等一系列问题，根据宏观环境的优缺点来断定该机构的布置应该优先考虑哪方面的因素。二、热比萨公司的比萨饼的周需求量热比萨公司的比萨饼的周需求量如下表所示：星期需求星期需求星期需求12341081161181245678961199610291011121121029291利用4期移动平均法和单一指数平滑法(a=0.1)预测4周的需求。在每种情况下评价两方法的误差，选择较适合本案例的预测方法。解：移动平均法移动平均法就是取时间序列的n各观测值予以平均，并依次滑动，直至数据处理完毕，得到一个平均值序列。移动平均值计算公式如下： SMAt+1=1ni=1nAt+i-n （1.1）式中，SMAt+1为t周期末的移动平均值，它可作为t+1周期的预测值；Ai为i周期的实际值；N为移动平均采用的周期次数。在这里，对未来各周期的预测是一样的，都是以现在的移动平均值为基础的。At=SMAt和At+n= SMAt根据题意和移动平均值的计算公式（1.1），通过Excel计算得出表12。由此，可得到下四周的预测值为：F13=F14=F15=F16=99.25平均绝对偏差（MAD）平均绝对偏差就是整个预测期内每一次预测值与实际值的绝对偏差（不分正负，只考虑偏差量）的平均值。用公式表示：MAD=t=1nAt-Ftn (1.2)星期(t)需求量（At）移动平均值（SMAt+1）预测值（Ft）偏 差（At-Ft）绝对偏差At-Ft平方偏差(At-Ft)21108211631184124116.50 596113.50 116.50 -17.50 17.5306.25 6119114.25 113.50 4.75 4.7522.56 796108.75 114.25 -12.75 12.75162.56 8102103.25 108.75 -1.25 1.251.56 9112107.25 103.25 4.75 4.7522.56 10102103.00 107.25 -1.00 11.00 1192102.00 103.00 -10.00 10100.00 129199.25 102.00 -8.25 8.2568.06 1399.25 表B-1通过平均绝对计算公式（1.2）和表B-1计算得出：MAD=10.875指数平滑法一次指数平滑法的计算公式如下：SFt+1=At+(1-)SFt （1.3）式中，SFt+1为t+1期的滑动预测值；At为t期实际值；为平滑系数，它表示赋予实际数据的权重，（01）。因题中未给出第1期的滑动预测值，在这里取所有期数的实际需求量的平均值作为第1期的滑动预测值，则SF1=（A1 +A2 +A3 +A12）/12=106.33当前对未来各期需求的预测等于对当前需求水平的预测At=SFt和At+n=SFt根据题意和一次指数平滑法的计算公式（1.3），通过Excel计算得出表B-2。星期(t)需求量（At）*上星期需求量(1-)*上星期预测需求量平滑预测值(SFt)偏 差（At-SFt）绝对偏差At-SFt1108106.331.671.67211610.895.70106.509.509.50311811.695.85107.4510.5510.55412411.896.71108.5115.5015.5059612.497.65110.05-14.0514.0561199.699.05108.6510.3510.3579611.997.78109.68-13.6813.6881029.698.72108.32-6.326.32911210.297.48107.684.324.321010211.296.92108.12-6.126.12119210.297.30107.50-15.5015.5012919.296.75105.95-14.9514.95139.195.36104.46表B-2由此，可得到下四周的预测值为：SF13= SF14= SF15 =SF16=104.46通过平均绝对计算公式（1.2）和表13计算得出：MAD=10.21在使用四周移动平均预测法中，平均绝对偏差MAD=10.875。在单一指数平滑法预测中，平均绝对偏差MAD=10.21。两种预测方法相比，单一指数平滑预测法的精确性更高。这就说明，对于这家比萨店的销售量预测中，给予当前观测值的权重大于过去观测值的权重的预测方法，更能准确地预测该店的销售量。在单一指数平滑预测法中，的值（01）越大，说明预测值和最近的观测值越相关；相反，值越小，说明预测值与观测值的关系越小。三、 生产运作管理课本95页习题1.生产运作管理课本95页习题2表为某种特种汽车轮胎的月销售记录。a.计算当SA。=100，=0.2时的一次指数平滑预测值。b.计算当SA。=100，=0.4时的一次指数平滑预测值。c.计算a，b两种情况的MAD,RSFE。月 份123456789101112销售量104104100921059595104104107110109某公司的月销售额一次指数平滑预测表（SA。=100，=0.2） 单位：只月份销售量上月实销售量上月预测销售量（1-）上月预测销售量本月平滑预测销售量MADRSFE1104.00100.005.29391522.702104.0020.80100.0080.00100.803100.0020.80100.8080.64101.44492.0020.00101.4481.15101.155105.0018.40101.1580.9299.32695.0021.0099.3279.46100.46795.0019.00100.4680.3799.378104.0019.0099.3779.4998.499104.0020.8098.4978.7999.5910107.0020.8099.5979.68100.4811110.0021.40100.4880.38101.7812109.0022.00101.7881.42103.42表C-1.1某公司的月销售额一次指数平滑预测表（SA。=100，=0.4） 单位：只 月份销售量上月实销售量上月预测销售量（1-）上月预测销售量本月平滑预测销售量MADRSFE1104.00 100.00 5.04517418.322104.00 41.60 100.00 60.00 101.60 3100.00 41.60 101.60 60.96 102.56 492.00 40.00 102.56 61.54 101.54 5105.00 36.80 101.54 60.92 97.72 695.00 42.00 97.72 58.63 100.63 795.00 38.00 100.63 60.38 98.38 8104.00 38.00 98.38 59.03 97.03 9104.00 41.60 97.03 58.22 99.82 10107.00 41.60 99.82 59.89 101.49 1111042.8101.4960.89 103.69 1210944103.6962.22 106.22 表C-1.22.生产运作管理课本95页习题3表为某城区居民平均每季猪肉消费量。是选用适当的模型并预测该城区居民下一年各季度平均猪肉消费量。单位：公斤 春夏秋冬第一年3.051.451.964.54第二年5.113.423.896.62第三年7.035.515.958.52第四年9.147.557.8810.562.1 根据已知求出4个季度消费总量和移动平均以及季节中点：某城区居民过去四年平均每季度猪肉消费量季度序号t季度消费量4个季度消费总量4个季度移动平均季度中点1春3.052夏1.453秋1.964冬4.5411.002.752.505春5.1113.063.273.506夏3.4215.033.764.507秋3.8916.964.245.508冬6.6219.044.766.509春7.0320.965.247.5010夏5.5123.055.768.5011秋5.9525.116.289.5012冬8.5227.016.7510.5013春9.1429.127.2811.5014夏7.5531.167.7912.5015秋7.8833.098.2713.5016冬10.5635.138.7814.50表C-2.12.2根据某城区居民过去四年平均每季度猪肉消费量表作图，并根据散点图做出消费量的趋势线如图：图C-2.2求出趋势线方程为：y=0.501x+1.4992.3估算季节系数。At/Tt计算表季节序号tTtAt/Tt12.001.5322.500.5833.000.6543.501.3054.001.2864.500.7675.000.7885.501.2096.001.17106.500.85117.000.85127.501.14138.001.14148.500.89159.000.88169.501.11表C-2.3.1根据表C-2.3.1得出季节系数如下表：季节系数SI(春)SI(夏)SI(秋)SI(冬)1.280.770.791.19表C-2.3.2计算如下：SI(春)=（A1/T1A5/T5A9/T9A13/T13）/4=1.28SI(夏)=（A2/T2A6/T6A10/T10A14/T14）/4=0.77SI(秋)=（A3/T3A7/T7A11/T11A15/T15）/4=0.79SI(冬)=（A4/T4A8/T8A12/T12A16/T16）/4=1.192.4预测根据季节系数表C-2.3.2预测出下一年猪肉销售量如下：下一年预测值（公斤）春夏秋冬12.798.078.6813.65表C-2.4计算如下：春季：（1.50.517）1.28=12.79（公斤）夏季：（1.50.518）0.77=8.07（公斤）秋季：（1.50.519）0.79=8.68（公斤）冬季：（1.50.520）1.19=13.65（公斤）3.生产运作管理课本95页习题4已知5周的实际销售量为38，41，39，43和44，预测的基数为SA。=35，T。=2.0，取=0.3，=0.5，试求这5周的预测值，并对今后3周的需求进行预测。3.1采用二次指数平滑法求出这5周的预测值如下表：采用二次指数平滑预测这五周tAtAt(1-)*FtSAt(SAt-SAt-1)(1-)Tt-1TtFt=0.335=0.523713811.40 25.90 37.30 1.15 1.00 2.15 39.45 24112.30 27.62 39.92 1.31 1.08 2.38 42.30 33911.70 29.61 41.31 0.70 1.19 1.89 43.20 44312.90 30.24 43.14 0.91 0.94 1.86 45.00 54413.20 31.50 44.70 0.78 0.93 1.71 46.41 表C-3.13.2二次指数平滑法求今后3周的需求预测值利用为S1,S2估计线性趋势模型的截距a和斜率b： 建立线性模型：Yt=43.191.02t求得今后三周的需求预测值如表C-3.2所示：tAtS1S2截距a斜率b预测值353513835.9035.2724137.4335.9233937.9036.5144339.4337.3954440.8038.4143.191.02644.21745.24846.26表C-3.2四、实验报告1模型1：病人到达速率：泊松分布poisson(0.4672,1) min；等候室最大容量：1000个病人；完成手术时间：指数分布exponential(0,2.5) h；病人就诊路径：顾客到达医院进入候诊室，等待就诊，最后离去参数设置：（1）病人到达速率：泊松分布poisson(0.4672,1) min；由于病人到达速率服从泊松分布，所以病人到达时间间隔应该服从指数分布。在Source1的Inter-Arrival time下拉菜单设置为Statistical Distribution：exponential (0,0.4762,1)。图D-1是病人到达速率（source2）的参数设置。图D-1 病人到达速率（source2）的参数设置（2）排队空间的最大容量（Maximum content）：1000.图D-2是排队空间容量。图D-2 排队空间容量设置（3）手术时间：指数分布exponential(0,2.5) h； 打开Processor3属性框，在Process Time下拉菜单中选择Statistical Distribution：将参数设置为exponential(0,0.4,1)。图D-3是手术时间（Processor3）的参数设置。图D-3 手术时间（Processor3）的参数设置2、视频讲解（1）在模型开始运行阶段，排队的人很少，队列为空的概率和服务设备空闲的概率极度变化，系统处于不稳定状态。图D-4表示模型开始运行的情况。图D-4 模型开始运行（2）在模型运行一段时间后，会达到一个短暂的稳定状态。这时病人不需要排队概率和服务设备空闲概率变化范围比较小。图D-5表示模型短暂稳定的状态。图D-5 模型短暂稳定的状态（3）经过长时间的运行，模型最终会达到一个比较稳定的状态，最终仿真值与理论计算值一致：a. 排队等待病人数=4.75，病人排队等待时间=2.26；如图D-6稳定后的queue3图D-6 稳定后的queue3b. 服务设备利用率=84.3%，服务设备空闲率=15.7%；如图D-7稳定后的processor4；这时仿真相关值基本上不再变化。图D-7是最终稳定的模型。图D-7 稳定后的processor42模型2：顾客到达速率：泊松分布poisson(1.111,1)h；队列最大容量：1000个顾客；售票窗口服务时间：指数分布exponential(0,2.5) h；顾客买票：顾客到达售票窗口排成一队，依次向空闲的3个窗口排队某售票所有三个窗口，顾客的到达服从泊松分布，平均到达速率l= 0.9人/min；服务（售票）时间服从负指数分布，平均服务速率= 0.4人/min .现设顾客到达后排成一队，依次向空闲的窗口购票，如图2.11所示，其中c=3。顾客离去排队l= 0.9顾客到达窗口1= 0.4窗口2= 0.4窗口3= 0.4图2.11 M/M/3模型模型导航：参数设置（1）顾客到达速率：泊松分布poisson(1.111,1)h；由顾客到达速率服从泊松分布得出顾客到达时间间隔服从指数分布。双击Source1，将Inter-Arrival time的下拉菜单设置为Statistical Distribution：exponential(0,1.11,1)。图D-8是顾客到达速率（source1）的参数设置。图D-8 顾客到达速率的参数设置（2）排队空间的最大容量（Maximum content）：1000.图D-9是排队空间容量。图D-9 排队空间容量设置（3）平均服务时间：指数分布exponential(0,2.5,1) h；打开Processor4打开属性框，在Process Time下拉菜单中选择Statistical Distribution：将参数设置为exponential(0,0.4,1)。Processor3、 Processor5参数设置和 Processor4一样。图D-10是平均服务时间（Processor4）的参数设置。图D-10 平均服务时间的参数设置2、模型导