Классификация моделей.

· Математические модели.

В основе их построения лежит допущение о том, что все релевантные(переставляемые) переменные, параметры и ограничения, а также целевая функция количественно измеримы. Поэтому, если x_j, j=1,2,...,n представляют собой n управляемых переменных и условия функционирования исследуемой экономической системы характеризуются m ограничениями, то математическая модель может быть записана в следующем виде:

Ограничения x₁,x₂,...,x_n >= 0 называются условиями неотрицательности. Эти условия требуют, чтобы переменные принимали только положительное или нулевое значение. В большинстве практических случаев такое требование вполне естественно. Нахождение оптимуму осуществляется для определения наилучшего значения целевой функции, например, максимума прибыли или минимума затрат.

Общие классы математических моделей: модели линейного, целочисленного и динамического программирования, вероятностные модели, модели нелинейного программирования.

· Имитационные модели.

Воспроизводят поведение системы на протяжении некоторого промежутка времени. Это достигается путем идентификации ряда событий, распределение которых во времени дает важную информацию о поведении системы. После того как такие события определены, требуемые характеристики системы необходимо регистрировать только в моменты реализации этих событий. Информация характеристиках системы накапливается в виде статистических данных таких наблюдений. Эта информация обновляется всякий раз при наступлении каждого из интересующих нас событий.

Для построения имитационных моделей не требуется использования математических функций, явным образом связывающих те или иные переменные. Эти модели позволяют имитировать поведение сложных систем, для которых построение математических моделей и получение решений невозможно. Более того, гибкость, присущая имитационным моделям, позволяет добиться более точного представления системы.

Основной недостаток имитационного моделирования заключается в том, что его реализация эквивалентна проведению множества экспериментов, а это неизбежно обусловливает наличие экспериментальных ошибок. Кроме того, сам процесс оптимизации также вызывает затруднения.

· Эвристические методы.

Базируются на интуитивно или эмпирически выбираемых правилах, которые позволяют улучшить уже имеющееся решение. Используются в том случае, когда соответствующие математические построения оказываются настолько сложными, точное решение сформулированной задачи найти нельзя.

По, существу эвристические методы представляют собой процедуры поиска разумного перехода от одной точки пространства решений к некоторой другой точке с целью улучшения текущего значения целевой функции модели. Когда дальнейшего приближения к оптимуму добиться невозможно, лучшее из полученных решений принимается в качестве приближенного решения оптимизационной задачи.