TÌM HIỂU VỀ MÔ HÌNH HÓA VÀ QUẢN LÝ MÔ HÌNH

ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
TIỂU LUẬN MÔN HỌC
KHO DỮ LIỆU VÀ HỆ HỖ TRỢ QUYẾT ĐỊNH

TÌM HIỂU VỀ MÔ HÌNH HÓA VÀ
QUẢN LÝ MÔ HÌNH

Giáo viên hướng dẫn:
TS. HOÀNG THỊ LAN GIAO

Nhóm thực hiện:
Trình Văn Dũng
Nguyễn Thị Mỹ Lộc
Nguyễn Sơn
Phan Bá Trí
Nguyễn Văn Tuyến
Nguyễn Thanh Tùng


MỤC LỤC

Nội dung
I. Mở đầu................................................................................................................................................1
II. Nội dung.............................................................................................................................................1
II.1. Mô hình hóa trong MSS...............................................................................................................2
II.2. Mô hình động và mô hình tĩnh. ...................................................................................................3
II.3. Xử lí chắc chắn, không chắc chắn và nguy cơ...............................................................................4
II.4. Phân tích quyết định vài phương án thay thế .............................................................................4
II.5. Tối ưu hóa thông qua lập trình toán học. ...................................................................................6
II.6. Mô phỏng ...................................................................................................................................9

II.7. Lập trình Heuristic .....................................................................................................................13
II.8. Sơ đồ tác động...........................................................................................................................15
II.9. Dự báo. .....................................................................................................................................16
II.10. Mô hình phi định lượng. .........................................................................................................18
II.11. Các bảng tính và ngôn ngữ mô hình hóa. ................................................................................18
II.12. Mô hình hóa đa chiều. ............................................................................................................19
II.13. Bảng tính trực quan. ...............................................................................................................20
II.14. Mô hình hóa tài chính và kế hoạch..........................................................................................20
II.15. Mô hình định lượng làm sẵn. ..................................................................................................21
II.16. Cấu trúc và quản lý cơ sở mô hình. .........................................................................................21
III. Kết luận. ..........................................................................................................................................22
TÀI LIỆU THAM KHẢO...........................................................................................................................23


I. Mở đầu.
Những nhà nghiên cứu và kỹ sư công nghệ về hệ thống thông tin đã xây dựng và
khảo sát hệ hỗ trợ quyết định (DSS) được vi tính hóa gần 40 năm. Cuối những năm
1960 bắt đầu bằng việc xây dựng DSS khởi xướng từ mô hình. Các phát triển lý thuyết
vào những năm 1970 và cài đặt cáchệ thống lập kế hoạch tài chính, DSS dựa trên bảng
tính và DSS nhóm trong những năm đầu và giữa thập kỷ 80. Lĩnh vực hỗ trợ quyết
định được vi tính hóa mở rộng đến việc sử các công nghệ mới và tạo các ứng dụng
mới.
Hệ thống hỗ trợ quản lý (MSS) không phải lúc nào cũng luôn thành công. Nhiều
trường hợp thất bại của hệ chuyên gia (ES) không hoàn toàn là lý do kỹ thuật. Thực thi
hệ thống là một quá trình liên tục nhằm đảm bảo cho tổ chức chuẩn bị tiếp nhận một
hệ thống mới và đưa hệ thống vào sử dụng thành công.
Thực hiện công nghệ hệ thống hỗ trợ quản lý là việc phức tạp vì các hệ thống này
không đơn thuần là hệ thống thông tin chỉ thu thập, thao tác và phân phối thông tin.
Mà xa hơn, chúng liên quan tới các công việc có thể làm thay đổi đáng kể cách thức
hoạt động của tổ chức. Tuy vậy, đa số các yếu tố thực thi đều liên quan tới hệ thống

thông tin.
Một yếu tố chính của của một hệ hỗ trợ quyết định (DSS) là một mô hình, một
biểu diễn đơn giản hóa thế giới thực. Các mô hình được phân lớp theo mức độ trừu
tượng.
II. Nội dung
Một hệ hỗ trợ quyết định là một hệ thống thông tin dựa trên máy tính mà hỗ trợ
cho các hoạt động ra quyết định kinh doanh hay tổ chức. Các DSS cung cấp khả năng
quản lý, điều hành và lập kế hoạch các mức của tổ chức và giúp thực hiện ra quyết
định mà có thể thay đổi một cách nhanh chóng và không dễ dàng xác định trước. Ba
thành phần cơ bản của một kiến trúc DSS là: Cơ sở dữ liệu (cơ sở tri thức), Mô hình và
Giao diện người sử dụng.
Trong tiểu luận này giới thiệu thành phần chính thứ hai của DSS là cơ sở và việc
quản lý mô hình. Nội dung gồm có:
1. Mô hình hóa trong MSS
2. Mô hình tĩnh và mô hình động
3. Xử lí chắc chắn, không chắc chắn và nguy cơ
4. Phân tích quyết định một vài phương pháp thay thế (Alternatives)
5. Tối ưu hóa thông qua lập trình toán học
6. Mô phỏng
7. Lập trình Heuristic
8. Các sơ đồ tác dụng
9. Dự báo
10. Mô hình hóa không định lượng
11. Ngôn ngữ và bảng tính mô hình hóa
12. Mô hình hóa đa chiều
13. Bảng tính trực quan
14. Mô hình hóa kế hoạch và tài chính
15. Mô hình định lượng làm sẵn.
16. Cấu trúc và quản lý cơ sở mô hình

1


II.1. Mô hình hóa trong MSS
Mô hình hóa trong MSS có thể được thực hiện bằng nhiều cách. Để hiểu mô hình
hóa làm việc thế nào trong MSS. Hệ hỗ trợ quyết định (DSS) này bao gồm ba kiểu mô
hình:
1. Mô hình thống kê (phân tích hồi quy), mà được sử dụng cho việc tìm kiếm các
quan hệ giữa các biến. Mô hình này được lập trình trước trong công cụ phần mềm phát
triển DSS.
2. Mô hình tài chính cho phát triển các báo cáo thu nhập và lập dự án dữ liệu tài
chính trong nhiều năm. Mô hình này được bán cấu trúc và được viết với một ngôn ngữ
DSS đặc biệt được gọi là IFPS.
3. Mô hình tối ưu hóa được thực hiện sử dụng một mô hình khoa học quản lý
được gọi là phương pháp lập trình tuyến tính để xác định việc lựa chọn phương tiện.
Để sử dụng mô hình này, DSS cần giao tiếp với một phần mềm khác.
Trường hợp Frazee chứng minh rằng một DSS có thể được bao gồm bởi nhiều
mô hình, một số là chuẩn và một số là được tùy chỉnh, mà được sử dụng một cách có
chọn lựa để hỗ trợ các quyết định quảng cáo trong công ty. Nó còn chứng minh rằng
một vài mô hình có thể được xây dựng trong gói phát triển phần mềm; một số cần
được cấu trúc; trong khi một số khác cần được truy cập bởi DSS khi cần thiết.
Khía cạnh khác của mô hình hóa còn phải được xem xét, như dưới đây:
Xác định bài toán và phân tích môi trường.
Một khía cạnh chưa được thảo luận là đề tài quét (scanning) và phân tích môi
trường, nó đề cập đến việc quản lý, quét và việc giải thích các thông tin thu thập được.
Nó thường xuyên khuyến khích phân tích phạm vi của miền và lực lượng và động lực
của môi trường. Điều đó cần thiết để định danh tổ chức văn hóa và tiến trình thực hiện
quyết định của công ty (ai thực hiện quyết định, mức độ tập trung,…).
Định danh các biến.
Việc định danh các biến khác nhau là vô cùng quan trọng cũng như mối quan hệ của

chúng. Sơ đồ tác dụng được mô tả ở phần II.8 có thể rất hữu ích trong tiến trình này.
Dự báo.
Dự báo là thiết yếu cho việc xây dựng và thao tác của các mô hình. Dự báo được
mô tả ở phần II.9.
Mô hình.
Hệ hỗ trợ quyết định có thể bao gồm nhiều mô hình (đôi lúc là hàng tá). Một vài
mô hình này là khá chuẩn và chúng được xây dựng vào trong phần mềm phát triển DSS.
Một vài mô hình khác là chuẩn nhưng không có sẵn như các hàm xây dựng trong.
Thay vào đó chúng có sẵn như phần mềm độc lập mà có thể giao tiếp với DSS.
Các mô hình phi chuẩn cần được cấu trúc ngay từ đầu.
Bộ xây dựng DSS thương phải đối mặt với tình thế tiến thoái lưỡng nan của các
mô hình để bao gồm trong DSS. Sau đó, việc quyết định phải được thực hiện như việc
xây dựng chúng, sử dụng các mô hình “sẵn sàng thực hiện” hay sửa đổi các mô hình
đã tồn tại.
Bảng 2.1. tóm tắt phân loại các mô hình được sử dụng trong DSS thành 7 nhóm.
Nó còn liệt kê một số kỹ thuật đại diện trong mỗi nhóm và chỉ ra số phần trong mỗi
nhóm.

2


Mỗi kỹ thuật có thể xuất hiện trong một hình thức hoặc là mô hình tĩnh hoặc là
mô hình động (Phần II.2) và nó có thể được cấu trúc dưới các giả định chắc chắn,
không chắc chắn hay nguy cơ. (Phần II.3).
Bảng 2.1. Các loại mô hình
Phân loại
Tiến trình và mục tiêu
Kỹ thuật đại diện
Tối ưu bài toán với một số
Tìm giải pháp tốt nhất từ Bảng quyết định, cây quyết

cách khác (phần II.4)
một số nhỏ quan hệ của
định
các cách khác
Tối ưu hóa thông qua thuật Tìm giải pháp tốt nhất từ Mô hình lập trình tuyến
toán (phần II.5)
một số lượng lớn hoặc vô tính hoặc toán học khác,
hạn các cách khác mà sử mô hình mạng
dụng một tiến trình cải
thiện từng bước
Tối ưu hóa thông qua công Tìm giải pháp tốt nhất, Một số mô hình kiểm kê
thức phân tích (phần II.5, trong một bước, sử dụng
II.15)
một công thức
Mô phỏng (phần II.6)
Tìm giải pháp “đủ tốt” Một vài kiểu mô phỏng
hoặc tốt nhất giữa các cách
khác được đánh dấu, sử
dụng thử nghiệm
Heuristics (phần II.7)
Tìm giải pháp “đủ tốt” sử Chương trình heuristic, các
dụng các quy tắc
hệ thống chuyên gia
Các mô hình mô tả khác Tìm “Cái gì-Nếu” sử dụng Mô hình tài chính, các
(phần II.15)
một công thức
hàng đợi (waiting lines)
Các mô hình tiên đoán Tiên đoán tương lai cho Phân tích Markov, mô hình
(phần II.9)
một kịch bản đã cho

dự báo
Quản lý mô hình.
Các mô hình, tương tự như dữ liệu, cần được quản lý. Các công việc quản lý
được thực hiện với trợ giúp của phần mềm quản lý cơ sở mô hình (phần 5.16).
II.2. Mô hình động và mô hình tĩnh.
DSS có thể tĩnh hoặc động.
Phân tích tĩnh.
Mô hình tĩnh có một bản chụp duy nhất của một tình huống. Trong suốt quá trình
mọi thứ bản chụp xảy ra trong một khoảng thời gian đơn, mà có thể là ngắn hay dài
trong quá trình.
Ví dụ, một quyết định để tạo ra hay mua một sản phẩm hay không là tĩnh trong tự
nhiên. Một báo cáo thu nhập từng quý hay hàng năm là tĩnh. Trong quá trình phân tích
tĩnh nó được giả định rằng nó có tính ổn định.
Phân tích động.
Mô hình động thường đánh giá các kịch bản mà thay đổi theo thời gian. Một ví
dụ đơn giản sẽ là một kế hoạch lợi nhuận 5 năm, nơi mà dữ liệu vào, như là chi phí,
giá cả và các số lượng được thay đổi từ năm này đến năm khác.
Mô hình động là phụ thuộc thời gian. Ví dụ, trong việc quyết định nên đặt bao
nhiêu quầy thanh toán tiền ở một siêu thị, nó cần thiết để xem xét thời gian trong ngày.
Đó là bởi vì có nhiều sự thay đổi về số người đến siêu thị vào các giờ khác nhau.

3


Mô hình động là quan trọng bởi vì chúng cho thấy các xu hướng và các mẫu theo
thời gian. Chúng còn chỉ ra bình quân cho mỗi giai đoạn, trung bình di chuyển và phân
tích so sánh (vd: lợi nhuận quý này so với lợi nhuận trong quý cùng kỳ năm ngoái).
II.3. Xử lí chắc chắn, không chắc chắn và nguy cơ
Khi xây dựng các mô hình, bất kỳ những điều kiện này có thể xảy ra. Dưới đây là
một vài vấn đề liên quan đến mỗi điều kiện:

Mô hình chắc chắn (Certain models).
Mọi người thích mô hình chắc chắn bởi vì họ dễ làm việc với nó và có thể mang
lại những giải pháp tối ưu. Quan tâm đặc biệt một số vấn đề mà có vô hạn hay một số
lượng rất lớn các giải pháp khả thi. Chúng được nhắc đến ở phần II.5 và II.7. Nhiều
mô hình tài chính được cấu trúc dưới sự chắc chắn giả định.
Mô hình không chắc chắn (Uncertainty Models)
Các nhà quản lí cố gắng tránh sự không chắc chắn càng nhiều càng tốt. Thay vì
họ cố gắng yêu cầu nhiều thông tin để bài toán có thể được xử lý với nguy cơ có thể
tính toán được. Nếu ta không thể yêu cầu nhiều thông tin được ta phải xử lí bài toán
như một bài toán không chắc chắn.
Mô hình nguy cơ (Risk Models)
Hầu hết các quyết định kinh doanh chính đang được thực hiện với nguy cơ giả
định. Nhiều kỹ thuật có thể sử dụng để xử lý với việc phân tích nguy cơ. Chúng được
xem xét trong phần này và phần II.6.
II.4. Phân tích quyết định vài phương án thay thế
Các tình huống quyết định mà liên quan đến một hữu hạn và thường một số không
quá lớn các phương án thay thế được mô hình bởi một phương pháp mà trong đó các
phương án thay thế được liệt kê trong một bảng hoặc đồ thị với dự báo khả năng đóng
góp của chúng cho các mục tiêu và khả năng thực hiện như một sự đóng góp như vậy.
Sau đó, một sự đánh giá lấy một vị trí để chọn phương án thay thế tốt nhất.
Hai trường hợp đáng chú ý: đơn mục tiêu và đa mục tiêu. Tình huống đơn mục
tiêu được tiếp cận bằng cách sử dụng các bảng quyết định hoặc các cây quyết định. Đa
mục tiêu (tiêu chuẩn) có thể được tiếp cận bằng nhiều kỹ thuật (được mô tả sau).
Bảng quyết định
Các bảng quyết định là một cách thuận tiện để tổ chức thông tin trong một
phương thức ngữ nghĩa.
Ví dụ: một công ty đầu tư đang xem xét đầu tư một trong ba phương án thay thế:
trái phiếu, chứng khoán, chứng chỉ tiền gửi (CDs-Certificate of Deposits).
Công ty quan tâm đến một mục tiêu-tối đa hóa lợi nhuận trong đầu tư sau một
năm. Nếu họ quan tâm đến các mục tiêu khác như độ an toàn hoặc khả năng thanh

toán bằng tiền mặt (thanh khoản) thì bài toán sẽ được phân lớp như phân tích quyết
định đa tiêu chuẩn.
Lợi nhuận tùy thuộc vào tình trạng của nền kinh tế mà có thể hoặc là tăng trưởng
kinh tế vững mạnh, trì trệ hoặc lạm phát. Các ước lượng lợi nhuận hàng năm sau đây
được thu hút từ các chuyên gia:
1. Nếu tăng trưởng kinh tế vững mạnh, trái phiếu sẽ lời 12%, chứng khoán: 15%
và tiền gởi: 6.5%.
2. Nếu sự trì trệ chiếm ưu thế, trái phiếu sẽ lời 6%, chứng khoán: 3% và tiền gởi:
6.5%.

4


3. Nếu lạm phát chiếm ưu thế, trái phiếu sẽ lời 3%, chứng khoán sẽ mất 2% và
tiền gởi có thời hạn sẽ lời 6.5%.
Vấn đề là lựa chọn phương án đầu tư tốt nhất. Lưu ý rằng: đầu tư 50% trái phiếu và
50% chứng khoán là một phương án khác và nó có thể được thêm vào như một phương
án thay thế thứ tư. Rõ ràng, công ty có thể phải đối mặt với nhiều phương án khác.
Bài toán đầu tư có thể được tổ chức trong một bảng. (bảng 2.2)
Phương án
Phát triển vững mạnh Trì trệ
Lạm phát
Trái phiếu
12.0%
6.0%
3.0%
Chứng khoán
15.0%
3.0%
-2.0%

CDs
6.5%
6.5%
6.5%
Bảng này giới thiệu một mô hình toán học. Bảng bao gồm: các biến quyết định
(các phương án), các biến không thể điều khiển (tình trạng của nền kinh tế) và biến kết
quả (lợi nhuận của dự án-con số bên trong bảng).
Hai trường hợp cần được chú ý: không chắc chắn và nguy cơ. Trong trường hợp
không chắc chắn chúng ta không biết các xác suất của mỗi tình trạng tự nhiên. Trong
trường hợp nguy cơ chúng ta giả định chúng ta biết xác suất với mỗi tình trạng tự
nhiên có thể xảy ra.
Xử lí không chắc chắn.
Phản ứng trực quan của bất kỳ nhà quản lý nào là không đưa ra một quyết định
không chắc chắn cho đến khi các cơ hội của nền kinh tế có thể được đánh giá. Tuy
nhiên, nếu không có thông tin để đánh giá các cơ hội (hoặc nếu không có thời gian để
thu thập thông tin), họ có thể sử dụng một trong nhiều phương pháp để thực hiện sự
không chắc chắn. Ví dụ: cách tiếp cận lạc quan liên quan đến việc xem xét khả năng
tốt nhất của kết quả của mỗi phương án thay thế và chọn cái tốt nhất trong các cái tốt
nhất của chứng khoán. Cách tiếp cận bi quan (bảo thủ) liên quan đến việc xem xét khả
năng xấu nhất của kết quả cho mỗi phương án thay thế và chọn cái tốt nhất trong các
CDs.
Tất cả các phương pháp của việc thực hiện không chắc chắn có nhiều thiếu hụt
nghiêm trọng. Do đó, bất kỳ mô hình nào nên cố gắng thu thập các thông tin đầy đủ để
bài toán có thể xử lý chắc chắn hoặc theo nguy cơ giả định.
Xử lý nguy cơ.
Chúng ta hãy giả định rằng cơ hội phát triển vững mạnh được ước lượng là 50%,
trì trệ 30% và lạm phát 20%. Trong trường hợp như vậy bảng quyết định được lập ra
với thông tin bổ sung (bảng 2.3). Phương pháp chung nhất để giải quyết bài toán phân
tích nguy cơ là chọn phương án thay thế với giá trị dự kiến lớn nhất. Một giá trị dự
kiến được tính bằng cách nhân các kết quả bởi xác suất tương ứng của chúng và cộng

chúng lại.

5


Ví dụ: với trái phiếu chúng ta lấy: 12(0.5)+6(0.3)+3(0.2)=8.4 (đầu tư trái phiếu
với một giá trị trung bình trả về 8.4%).
Phương án
Tăng trưởng vững Trì trệ Lạm phát
Giá trị
thay thế
mạnh 0.50
0.30
0.20
dự kiến
Trái phiếu
12.0%
6.0%
3.0%
8.4% (cực đại)
Chứng khoán
15.0%
3.0%
-2.0%
8.0%
Chứng chỉ
6.5%
6.5%
6.5%
6.5%

tiền gửi
Bảng 2.3. Quyết định dưới nguy cơ và giải pháp của nó
Cây quyết định
Một biểu diễn phương án thay thế của bảng quyết định là cây quyết định. Cây
quyết định có hai thuận lợi: thứ nhất, nó cho thấy đồ thị mối quan hệ của bài toán và
thứ hai, nó có thể giải quyết với các tính huống phức tạp hơn trong một hình thức thu
gọn (ví dụ: bài toán đầu tư nhiều thời gian).
Các giải pháp khác để xử lý nguy cơ
Nhiều phương pháp khác để xử lý nguy cơ được thảo luân trong cuốn sách này.
Cụ thể: sự minh họa, các yếu tố chắc chắn và logic mờ.
Đa mục tiêu
Một trường hợp đơn giản của đa mục tiêu được cho ở bảng 2.4. Ba mục tiêu
(hoặc tiêu chuẩn) được xem xét: lợi nhuận, độ an toàn và thanh khoản.
Phương án thay thế
Lợi nhuận
Độ an toàn
Thanh khoản
Trái phiếu
8.4%
Cao
Cao
Chứng khoán
8.0%
Thấp
Cao
Chứng chỉ tiền gửi
6.5%
Rất cao
Cao
Bảng 2.4. Đa mục tiêu

Lưu ý rằng tình huống dưới sự chắc chắn giả định; đó là: chỉ một kết quả có khả
năng là được lập chiếu cho mỗi phương án thay thế (rõ ràng, trong các trường hợp
phức tạp, một nguy cơ hay không chắc cahwns có thể được xem xét). Cũng lưu ý rằng
một vài kết quả không phải là số nhưng là lượng từ (ví dụ: Thấp, Cao).
II.5. Tối ưu hóa thông qua lập trình toán học.
Lập trình tuyến tính là kỹ thuật nổi tiếng trong nhóm công cụ được gọi là lập
trình toán học.
Lập trình toán học (Mathematical Programming)
Lập trình toán học là tên cho một gia đình các công cụ được thiết kế để trợ giúp
giải quyết các bài toán quản lý trong đó người quyết định phải phân bổ các nguồn tài
nguyên khan hiếm (như lao động, vốn, máy móc hoặc nước) giữa các hoạt động khác
nhau để tối ưu hóa một mục tiêu có thể đo được. Ví dụ, phân bố thời gian sử dụng máy
móc (tài nguyên) giữa các sản phẩm khác nhau (các hoạt động) là một bài toán phân
bổ điển hình. Bài toán phân bổ thường hiển thị theo sau các đặc tính và các giả định
thực hiện chắc chắn cần thiết:
Các đặc tính (Characteristics)
1. Một lượng từ giới hạn của các nguồn tài nguyên kinh tế là có sẵn cho việc
phân bổ.
2. Các nguồn tài nguyên được sử dụng trong việc sản xuất các sản phẩm hoặc các
dịch vụ.

6


3. Có hai hay nhiều cách mà các nguồn tài nguyên có thể được sử dụng. Mỗi cách
được gọi là một giải pháp hay một chương trình.
4. Mỗi hoạt động (sản phẩm hay dịch vụ) mà các nguồn tài nguyên được sử dụng
mang lại một kết quả trả về trong các kỳ hạn của mục tiêu đã đặt ra.
5. Việc phân bổ thường bị hạn chế bởi nhiều sự giới hạn và các yêu cầu được gọi
là các ràng buộc.

Các giả định (Assumptions)
1. Các kết quả trả về từ các vị trí khác nhau có thể được so sánh; đó là, chúng có
thể được đo lường bởi một đơn vị chung (như đô la hay tính thực dụng).
2. Kết quả trả về từ một vị trí bất kỳ là độc lập với các vị trí khác.
3. Tổng kết quả trả về là tổng của các kết quả trả về được mang lại bởi các hoạt
động khác nhau.
4. Tất cả dữ liệu được biết một cách chắc chắn.
5. Các nguồn tài nguyên được sử dụng trong các cách tiết kiệm nhất.
Bài toán phân bổ có thể được đặt ra chung là: tìm cách phân bổ các tài nguyên bị
giới hạn đến các hoạt động khác nhau để tổng nhận được sẽ được cực đại. Các bài toán
phân bổ tiêu biểu có một số lớn khả năng các giải pháp thay thế. Tùy thuộc vào các giả
định, số giải pháp có thể là hoặc vô hạn hoặc giới hạn. Thông thường, các giải pháp
khác nhau mang lại các kết quả khác nhau. Với một vài giải pháp có sẵn, một giải
pháp (thỉnh thoảng nhiều hơn một) là tốt nhất, trong ý nghĩa rằng mức độ đạt được
mục tiêu kết hợp với nó là cao nhất (ví dụ: tổng kết quả thu được là cực đại). Điều này
được gọi là giải pháp tối ưu, mà có thể được tìm thấy bằng cách sử dụng một giải thuật
đặc biệt.
Việc sử dụng lập trình toán học, đặc biệt là lập trình tuyến tính, là phổ biến mà
các chương trình máy tính “đóng hộp” ngày nay có thể được tìm thấy tại tổ chức nào
mà có máy tính.
Các công cụ phát triển DSS, như Lotus 1-2-3 hoặc IFPS Plus, có thể được sử
dụng để mô hình và giải quyết các tình huống lập trình tuyến tính hoặc có khả năng
giao tiếp với một chương trình LP đóng hộp.
Lập trình tuyến tính (Linear programming)
Các bài toán LP điển hình khác được gọi là bài toán pha trộn.
Ví dụ: bài toán pha trộn (Cực tiểu hóa).
Trong việc chuẩn bị bức vẽ Sungold, nó đòi hỏi bức vẽ phải có một tỷ lệ sáng tối
thiểu là 300 độ và mức độ màu sắc thối thiểu 250 độ. Mức độ sáng và màu được quyết
định bởi hai thành phần, Alpha và Beta. Cả hai Alpha và Beta góp phần như nhau cho
tỷ lệ sáng; một ounce (trọng lượng khô) của một trong hai Alpha và Beta tạo ra một

mức độ sáng trong một mảng tròn của bức vẽ. Tuy nhiên, màu sắc được điều khiển
toàn bộ bởi một lượng Alpha; một ounce của nó tạo ra ba mức độ màu sắc trong một
mảng tròn của bức vẽ. Chi phí của Alpha là 45 cents/ounce và chi phí cảu Beta là 12
cents/ounce. Giả định rằng mục tiêu để cực tiểu hóa chi phí các nguồn tài nguyên, thì
vấn đề tìm lượng từ của alpha và Beta được bao gồm trong việc chuẩn bị mỗi mảng
tròn của bức vẽ.
Công thức của bài toán pha trộn.
Các biến quyết định là:
x1=số lượng của Alpha được bao gồm, trong các ounce, trong mỗi mảng tròn của
bức vẽ.

7


x2=số lượng của Beta được bao gồm, trong các ounce, trong mỗi mảng tròn của
bức vẽ.
Mục tiêu cực tiểu tổng chi phí của các thành phần yêu cầu cho một mảng tròn của
bức vẽ. Khi chi phí của Alpha là 45 cents/ounce, và x 1 ounces sẽ được sử dụng trong
mỗi mảng tròn, thì chi phí cho mỗi mảng tròn là 45x 1. Tương tự, cho chi phí của Beta
là 12x2. Do đó, tổng chi phí là 45x1+12x2 và như hàm mục tiêu của chúng tôi, nó được
cực tiểu đến các ràng buộc của các xác định sau đây:
1. Để cung cấp một tỷ lệ sáng với tối thiểu 300 độ trong mỗi mảng tròn. Khi mỗi
ounce của Alpha hoặc Beta tăng độ sáng thêm 1 độ, thì tồn tại mỗi quan hệ sau:
Cung cấp bởi Alpha
Cung cấp bởi Beta
Nhu cầu
1x1
+
1x2
≥

300
2. Để cung cấp mức độ màu với tối thiểu 250 độ, hiệu ứng của Alpha (một mình)
trên màu sắc có thể tương là:
Cung cấp bởi Alpha
Cung cấp bởi Beta
Nhu cầu
3x1
+
0x2
≥
250
Tóm lại, bài toán pha trộn được thành lập như sau: Tìm x1 và x2 mà:
z = 45x1 + 12x2 là nhỏ nhất
mà thỏa:
1x1 + 1x2 ≥ 300 (đặc tả độ sáng)
3x1 + 0x2 ≥ 250 (đặc tả màu)
Kết quả (được bắt nguồn từ máy tính)
x1 = 83.333
x2 = 216.667
Tổng chi phí = 63.50$
Lưu ý: Giải pháp này tốt cho một mảng tròn sẽ đúng cho nhiều mảng tròn khác
miễn là các ràng buộc không bị vi phạm.
Công thức và thuật ngữ tổng quát
Bay giờ chúng ta hãy tổng quát hóa công thức. Mỗi bài toán LP được soạn cho:
- Các biến quyết định
Các biến mà có giá trị chưa được biết và được tìm kiếm. Thông thường chúng
được đặt là x1, x2,…
- Hàm mục tiêu
Đây là một biểu thức toán học, được cho như một hàm tuyến tính mà chỉ ra mối
quan hệ giữa các biến quyết định và một đơn mục tiêu dưới sự xem xét. Hàm mục tiêu

là một đo lường mục tiêu đạt được. Các ví dụ mục tiêu là: tổng lợi nhuận, tổng chi phí,
chia sẻ thị trường,…
Nếu các bài toán quản lý liên quan đến đa mục tiêu, có thể sử dụng phương pháp
hai bước như sau:
1. Chọn một mục tiêu chính mà có mức là cần cực đại hóa hay cực tiểu hóa.
2. Chuyển các mục tiêu khác vào ràng buộc mà phải chỉ đáp ứng.
Ví dụ, một cách có thể cố gắng để cực đại lợi nhuận (mục tiêu chính) tùy thuộc
vào tỷ lệ phát triển của tối thiểu 12%/năm (mục tiêu thứ hai).

8


- Tối ưu hóa
Lập trình tuyến tính cố gắng để hoặc cực đại hoặc cực tiểu hóa giá trị của hàm
mục tiêu.
- Các hệ số của hàm mục tiêu
Hệ số của các biến trong hàm mục tiêu (ví dụ 45 và 12 trong bài toán pha trộn)
được gọi là các hệ số lợi nhuận (hay chi phí). Chúng biểu thị tỷ lệ mà giá trị của hàm
mục tiêu tăng hoặc giảm bằng cách bao gồm trong những giải pháp của một đơn vị
mỗi biến quyết định.
- Các ràng buộc
Cực đại hóa (hay cực tiểu hóa) nó được thực hiện phụ thuộc vào một tập các ràng
buộc. Do đó, lập trình tuyến tính có thể được định nghĩa như một bài toán tối ưu hóa
ràng buộc. Những ràng buộc này được thể hiện trong hình thức của các bất đẳng thức
tuyến tính (hoặc, thỉnh thoảng, các đẳng thức). Chúng phản ánh thực tế là các nguồn
tài nguyên bị giới hạn hay chúng chỉ rõ một số yêu cầu.
- Các hệ số Input/Output.
Các hệ số của các biến ràng buộc được gọi là các hệ số input-output. Chúng biểu
thị tốc độ cạn kiệt hoặc tận dụng của một nguồn tài nguyên được cho. Chúng xuất hiện
bên trái của các ràng buộc.

- Các khả năng
Các khả năng (hay tính sẵn sàng) của các nguồn tài nguyên khác nhau, thường
được hiển thị như vài giới hạn trên hoặc giới hạn dưới, được cho ở bên phải của các
ràng buộc. Bên phải còn biểu thị các yêu cầu cực tiểu.
Ví dụ:
Các thành phần chính của mô hình lập trình tuyến tính này được minh họa cho
bài toán hòa trộn:
Tìm x1 và x2 (các biến quyết định) mà sẽ cực tiểu giá trị của hàm mục tiêu tuyến
tính:
Các hệ số chi phí

z = 45x1 + 12x2

Các biến quyết định

Phụ thuộc vào các rằng buộc tuyến tính:
1x1 + 1x2 ≥ 300
3x1 + 0x2 ≥ 250

Các khả năng
hay các yêu cầu

Các hệ số
input-output

II.6. Mô phỏng
Mô phỏng có nhiều nghĩa, tùy thuộc vào lĩnh vực mà nó được sử dụng. Để mô
phỏng, theo từ điển, nghĩa là giả định sự xuất hiện các đặc tính thực tế. Trong MSS nó
đề cập chung đến một kỹ thuật cho việc tiến hành các thực nghiệm (như “what-if”) với
một máy tính số trên một mô hình của hệ thống quản lý.

Các đặc tính chính
Mô phỏng không hoàn toàn là một loại mô hình; các mô hình trong biểu diễn
tổng quát thực tế, trong khi đó mô phỏng thường bắt chước (sao lại) thực tế. Trong

9


thời gian thực nghiệm, điều này nghĩa là có một vài sự đơn giản hóa của thực tế trong
các mô hình mô phỏng hơn là các mô hình khác.
Tiếp theo, mô phỏng là một kỹ thuật tiến hành các thực nghiệm. Do đó, mô
phỏng bao hàm việc kiểm tra các giá trị cụ thể của các biến quyết định hoặc các biến
không thể điều khiển trong mô hình và đánh giá sự ảnh hưởng đến các biến output.
Mô phỏng là một mô tả hơn là một công cụ quy chuẩn; nghĩa là, không có việc
tìm kiếm tự động cho một giải pháp tối ưu. Thay vào đó, một mô phỏng mô tả và/hoặc
dự đoán các đặc tính của hệ thống được cho dưới các tình huống khác nhau. Một khi
các đặc tính này được biết, phương án tốt nhất trong các phương án lựa chọn sẽ được
chọn. Tiến trình mô phỏng bao gồm nhiều thực nghiệm lặp đi lặp lại nhiều lần để thu
được một ước lượng về hiệu quả tổng thể của các hoạt động chắc chắn. Nó có thể được
thực hiện thủ công trong một vài trường hợp, nhưng một máy tính thường là cần thiết.
Cuối cùng, mô phỏng thường được gọi cho chỉ khi bài toán dưới sự điều tra
nghiên cứu là quá phức tạp để xử lý bởi các kỹ thuật tối ưu hóa số học (như lập trình
tuyến tính). Tính phức tạp ở đây nghĩa là bài toán hoặc không thể được hình thành cho
tối ưu hóa (vd: bởi vì các giả định không nắm giữ) hoặc việc hình thành quá phức tạp.
Các thuận lợi và bất lợi của mô phỏng
Sự chấp nhận của mô phỏng gia tăng có lẽ do 1 số các tác nhân:
1. Lý thuyết mô phỏng là tương đối đơn giản.
2. Mô hình mô phỏng đơn giản là tổng hợp nhiều mối quan hệ phần tử và các liên
thuộc, phần lớn trong số đó là được giới thiệu từ từ theo yêu cầu của người quản lý và
theo một cách chắp vá.
3. Mô phỏng mang tính mô tả hơn là chuẩn hóa. Điều này cho phép người quản lí

đặt câu hỏi dạng “what-if”. Do đó, các người quản lý sử dụng một phương pháp “thử
và lỗi” để việc xử lý bài toán có thể thực hiện nhanh hơn và ít tốn kém hơn, với nguy
cơ thấp, sử dụng hỗ trợ của mô phỏng và các máy tính (đối lập với sử dụng thử và lỗi
với hệ thống thực).
4. Một mô hình mô phỏng chính xác đòi hỏi một kiến thức mật thiết của bài toán,
do đó buộc bộ xây dựng của MSS thường xuyên giao tiếp với người quản lý.
5. Mô hình được xây dựng từ quan điểm của người quản lý và trong cấu trúc
quyết định của họ.
6. Mô hình mô phỏng được xây dựng cho một bài toán cụ thể và thường sẽ không
giải quyết bất kỳ bài toán khác. Do đó, không có sự hiểu biết tổng quát là yêu cầu của
người quản lý; mỗi thành phần trong mô hình tương ứng một - một với một phần của
mô hình đời sống thực.
7. Mô phỏng có thể xử lý một biến thể cực kỳ rộng trong các loại bài toán như là
hàng tồn kho và nhân sự cũng như chức năng cấp quản lý cao hơn như lập kế hoạch
dài hạn. Do đó, nó là “luôn luôn có” khi người quản lý cần nó.
8. Người quản lý có thể thực nghiệm với các biến khác nhau để xác định cái gì là
quan trọng và với các phương án chọn khác nhau để xác định phương pháp nào là tốt
nhất.
9. Nói chung, mô phỏng cho phép bao gồm các phức tạp cuộc sống thực của bài
toán; các đơn giản hóa là không cần thiết. Ví dụ: mô phỏng có thể khai thác các phân
bố xác suất cuộc sống thực hơn là các phân bố lý thuyết xấp xỉ.

10


10. Do bản chất của mô phỏng, một lượng lớn thời gian nén có thể đạt được trong
vài phút, mà tạo cho người quản lý một vài cảm giác như các ảnh hưởng lâu dài của
các chính sách khác nhau (1 đến 10 năm).
11. Nó rất dễ dàng đạt được một loạt biện pháp thực hiện trực tiếp từ mô phỏng.
Các bất thuận lợi chủ yếu của mô phỏng là:

1. Một giải pháp tối ưu không thể đảm bảo.
2. Xây dựng một mô hình mô phỏng thường là một tiến trình chậm và tốn kém.
3. Các giải pháp và các suy luận từ một việc nghiên cứu mô phỏng thường là
không khả chuyển cho các bài toán khác. Điều này là do sự kết hợp trong mô hình của
các yếu tố duy nhất của bài toán.
Mô phỏng liên quan đến việc thiết lập một mô hình của hệ thống thực và xây
dựng các thực nghiệm lặp lại trên nó. Phương pháp bao gồm một số bước (hình 2.1).
Dưới đây là một thảo luận vắn tắt về tiến trình:
+ Định nghĩa bài toán.
Bài toán thế giới thực được kiểm tra và phân lớp. Ở đây chúng tôi sẽ xác định tại
sao mô phỏng là cần thiết. Các ràng buộc của hệ thống và các cái khác như việc làm rõ
các khía cạnh của bài toán được chú ý ở đây.
+ Xây dựng mô hình mô phỏng.
Bước này liên quan đến thu thập các dữ liệu cần thiết. Trong nhiều trường hợp,
một sơ đồ được dùng để mô tả tiến trình. Sau đó chương trình máy tính được viết.
+ Kiểm tra và đánh giá mô hình.
Mô hình mô phỏng phải bắt chước đúng đắn như hệ thống qua việc học. Điều này
liên quan đến tiến trình đánh giá, được thảo luận sau này.
+ Thiết kế các thử nghiệm.
Một khi mô hình được chứng minh là đúng, các thử nghiệm sẽ được thiết kế. Bao
gồm trong bước này là xác định mô phỏng chạy trong bao lâu. Bước này giải quyết với
hai mục tiêu quan trọng và mâu thuẫn: độ chính xác và chi phí.
Bài toán thế giới thực

Định nghĩa
bài toán

Xây dựng
mô hình mô
phỏng

Kiểm tra và
đánh giá
mô hình

Thiết kế các
mô phỏng
thử nghiệm

Tiến
hành thử
nghiệm

Đánh
giá kết
quả

Cài đặt

Hình 2.1. Tiến trình mô phỏng

+ Đánh giá các kết quả.
Bước tiếp theo là đánh giá các kết quả. Ở đây, chúng tôi giải quyết các đề tài này
như “các kết quả có nghĩa là gì?” Ngoài các công cụ thống kê, chúng tôi phải sử dụng
một phân tích nhạy cảm (như hình thức câu hỏi “Cái gì-Nếu”).
+ Cài đặt.
Cài đặt kết quả mô phỏng liên quan đến cùng đề tài như bất kỳ cài đặt khác. Tuy
nhiên, các cơ hội cài đặt tốt hơn vì người quản lý thường tham gia nhiều hơn trong quá
trình mô phỏng so với các mô hình phân tích.

11


Các loại mô phỏng.
Có nhiều loại mô phỏng. Một loại chủ yếu được mô tả trong sách này là:
Mô phỏng xác suất.
Trong kiểu mô phỏng này, một hoặc nhiều biến độc lập là xác suất. (như yêu cầu
trong bài toán kiểm kê). Đó là, nó theo một xác suất phân bố chắc chắn. Hai tiểu thể
loại được công nhận: các phân bố rời rạc và các phân bố liên tục.
Các phân bố rời rạc liên quan đến một tình huống với một số giới hạn các sự kiện
(hay các biến) mà chỉ có thể lấy một số giá trị hữu hạn.
Các phân bố liên tục đề cập đến một tình huống với một số không giới hạn các sự
kiện có thể mà theo sau các hàm mật độ như là phân bố chuẩn.
Hai loại phân bố được cho ở bảng 2.5.
Mô phỏng xác suất được thực hiện với sự trợ giúp của một kỹ thuật được gọi là
Monte Carlo.
Bảng 2.5. Các phân bố rời rạc so với các phân bố liên tục
Rời rạc
Liên tục
Yêu cầu hàng ngày
Xác suất
5
0.10
Yêu cầu hàng ngày thường
được phân phối với trung
6
0.15
bình là 7 và độ lệch chuẩn
7
0.30

là 1,2.
8
0.25
9
0.20
Mô phỏng phụ thuộc thời gian với mô phỏng độc lập thời gian.
Độc lập thời gian đề cập đến tình huống mà không quan trọng để biết chính xác
khi nào sự kiện xảy ra. Ví dụ, chúng ta có thể biết yêu cầu cho một sản phẩm chắc
chắn là 3 đơn vị mỗi ngày, nhưng chúng ta không chắc khi nào trong ngày mặt hàng
đó được yêu cầu. Hoặc, trong một vài tình huống, thời gian có thể không là một nhân
tố trong mô phỏng.
Mặt khác, trong bài toán hàng đợi, thật quan trọng để biết chính xác thời gian đến
(để biết nếu khách hàng sẽ phải đợi hoặc không). Trong trường hợp này, chúng ta sẽ
giải quyết với tình huống phụ thuộc thời gian.
Mô phỏng trực quan.
Hiển thị đồ họa của các kết quả máy tính là một trong nhiều phát triển mới thành
công trong tương tác con người-máy tính và việc giải quyết bài toán.
Mô phỏng Thử nghiệm
Tiến trình mô phỏng thử nghiệm gồm 8 bước bao gồm thủ tục được gọi là Monte
Carlo.
1. Định nghĩa các biện pháp thích hợp hoạt động của hệ thống. Nếu cần thiết, viết
trong hình thức công thức.
2. Mô tả hệ thống và lấy các phân bố xác suất của các yếu tố xác suất có liên
quan của hệ thống.
3. Xây dựng các phân bố xác suất tích lũy cho mỗi phần tử ngẫu nhiên.
4. Gán các số đại diện tương ứng với phân bố xác suất tích lũy.
5. Cho mỗi phần tử xác suất, lấy một mẫu ngẫu nhiên (sinh một số ngẫu nhiên
hoặc lấy một số từ bảng số ngẫu nhiên).
6. Lấy các đo lường hoạt động và các phương sai của chúng.

12


7. Nếu muốn các kết quả ổn định, lặp lại bước 5 đến bước 6 cho đến khi các đo
lường của hệ thống là ổn định (bền vững).
8. Lặp lại các bước 5 đến 7 cho các phương án thay thế khác. Các giá trị của các
đo lường hoạt động và các khoảng thời gian tin cậy của chúng quyết định phương án
thay thế thích hợp.
Thủ tục Monte Carlo không phải là mô hình mô phỏng cho mỗi gia nhập, mặc dù
nó trở nên đồng nghĩa nhất với mô phỏng xác suất. Nó cơ bản gồm bước 3 đến bước 6
trong tiến trình. Cụ thể là, thủ tục sinh sự quan sát ngẫu nhiên của các biến quan tâm.
II.7. Lập trình Heuristic
Việc xác định các giải pháp tối ưu cho một vài bài toán quyết định phức tạp có
thẻ liên quan đến một lượng thời gian và chi phí cấm hoặc thậm chí là một nhiệm vụ
bất khả thi. Thay vào đó, phương pháp mô phỏng có thể là dài, phức tạp và thậm chí
không chính xác. Trong trường hợp như vậy, sử dụng heuristic sẽ nhanh hơn và ít tốn
kém hơn.
Khi các heuristic được sử dụng chủ yếu để giải quyết các bài toán có cấu trúc tồi,
chúng còn được sử dụng để cung cấp các giải pháp thỏa đáng cho các bài toán có cấu
trúc tốt, phức tạp nào đó nhanh và rẻ nhiều hơn so với các thuật toán. Khó khăn chính
trong việc sử dụng heuristic là chúng không tổng quát như các thuật toán. Do đó chúng
có thể được sử dụng một cách chuẩn hóa chỉ cho tình huống cụ thể cho bài toán được
quan tâm. Một bài toán khác với heuristic thì chúng có thể dẫn đến một giải pháp kém.
Lập trình Heuristic là phương pháp sử dụng heuristic để dẫn đến các giải pháp
khả thi và đủ tốt cho một vài bài toán phức tạp. “Đủ tốt” là thường trong phạm vi 9099.9% của giải pháp tối ưu đúng.
Trong việc học các ví dụ áp dụng lập trình heuristic, một ví dụ có thể tuân theo
các nỗ lực để giảm một lượng tìm kiếm cho một giải pháp thỏa đáng. Trong việc tìm
kiếm như vậy, máy tính “được dạy” làm thế nào để khám phá chỉ các đường dẫn có
khả năng dẫn đi (kết nối) tương đối và bỏ qua các đường dẫn tương đối cụt. Các lựa
chọn của máy tính được tạo bằng cách sử dụng các heuristic mà có thể được cải tiến

trong khóa học tìm kiếm.
Các heuristic có thể được định lượng và như thế chúng đóng vai trò chính trong
cơ sở mô hình DSS. Chúng có thể còn được định tính và do đó chúng đóng một vai trò
chính trong việc cung cấp tri thức cho các hệ chuyên gia.
Phương pháp luận
Tư duy heuristic không cần phải tiến hành một cách trực tiếp. Nó liên quan đến
việc tìm kiếm, việc học, thẩm định, đánh giá, và sau đó tìm kiến lại, học lại, đánh giá
lại khi khám phá và thăm dò diễn ra. Tri thức thu được từ thành công hay thất bại tại
một vài điểm được đưa trở lại và chỉnh sửa tiến trình tìm kiếm. Thường xuyên hơn hay
không, nó cần thiết hoặc để xác định lại các mục tiêu hay bài toán hoặc đẻ giải quyết
các bài toán liên quan hay đơn giản hóa trước khi một bài toán chính được giải quyết.
Phương pháp heuristic được mô tả bởi Pearl [1984] dựa trên các chiến lược tìm
kiếm thông minh cho việc giải các bài toán trên máy tính sử dụng nhiều phương pháp
thay thế.
Thủ tục heuristic có thể còn được mô tả như các luật tìm kiếm mà giúp giải quyết
các bài toán con ngay lập tức để khám phá làm thế nào thết đặt các bài toán con này
cho giải pháp cuối cùng bằng cách tìm các đường dẫn hứa hẹn nhất trong t́m kiếm cho
các giải pháp; t́m các cách để thu hồi và giải thích thông tin trên mỗi kinh nghiệm và

13


sau đó tìm các phương pháp mà dẫn dắt đến một giải thuật tính toán hay các giải pháp
tổng quát. Thuật ngữ heuristic được sử dụng để bao hàm bất kỳ hay tất cả những bước
này.
Một phương pháp hợp lý để phỏng đoán kết hợp các luật:
1. Một lược đồ phân lớp mà giới thiệu cấu trúc cho một bài toán.
2. Phân tích các đặc điểm của các phần tử của bài toán.
3. Các luật cho việc lựa chọn các phần tử từ mỗi thể loại để đạt được chiến lược
tìm kiếm hiệu quả.

4. Các luật cho các lựa chọn kế tiếp khi được yêu cầu.
5. Một hàm mục tiêu mà được sử dụng để kiểm tra tính đầy đủ của giải pháp tại
mỗi giai đoạn lựa chọn hay tìm kiếm.
Khi nào sử dụng các heuristic (Zanakis và Evans 1981)
Dưới đây là một vài kịch bản sử dụng heuristic là thích hợp (thay vì tối ưu hóa):
1. Dữ liệu vào là không chính xác hoặc bị giới hạn.
2. Thực tế quá phức tạp mà mô hình tối ưu quá đơn giản.
3. Một phương pháp tin cậy, chính xác là không có sẵn.
4. Thời gian tính toán của việc tối ưu là quá nhiều (quá mức).
5. Có thể cải tiến tính hiệu quả của tiến trình tối ưu (ví dụ: tạo ra các giải pháp tốt
ban đầu sử dụng các heuristic).
6. Các bài toán được giải quyết có tính thường xuyên (và tính lặp lại) và tiêu tốn
thời gian máy tính (heuristic đặc biệt thích hợp).
7. Các bài toán phức tạp mà không kinh tế cho việc tối ưu hoặc mất nhiều quá
thời gian và heuristic có thể cải tiến giải pháp phi tính toán (phi máy tính hóa
-noncomputerized).
8. Khi liên quan đến tính biểu tượng hơn là xử lý số (trong các hệ chuyên gia).
Các thuận lợi của heuristic.
Các thuận lợi chính:
1. Đơn giản để hiểu và do đó dễ dàng cài đặt.
2. Trợ giúp trong việc huấn luyện con người để sáng tạo và tiến bộ với heuristic
cho các bài toán khác.
3. Tiết kiệm thời gian xây dựng.
4. Tiết kiệm các yêu cầu lập trình và lưu trữ trên máy tính.
5. Tiết kiệm thời gian chạy của máy tính (tốc độ).
6. Thường xuyên tạo ra nhiều giải pháp chấp nhận được.
Có một xu hướng sử dụng các heuristic như một phương án thay thế cho các
phương pháp tối ưu. Các heuristic có thể thú vị để phát triển và sử dụng. Cái gì được
yêu cầu là một hiểu biết về nguồn gốc của bài toán và một vài sự khéo léo.
Các khó khăn trong việc sử dụng heuristic.

Geofrion và Van Roy [1979] xác định các khuyết điểm của heuristic:
1. Bảng liệt kê các heuristic mà xem xét tất cả các khả năng kết hợp trong các bài
toán thực nghiệm có thể hiếm khi đạt được.
2. Các lựa chọn quyết định có tính tuần tự có thể không lường trước được những
hậu quả trong tương lai của mỗi lựa chọn.
3. “Cải tiến cục bộ” có thể đoản mạch giải pháp tốt nhất bởi vì heuristic, tương tự
mô phỏng , thiếu một quan điểm toàn cục.

14


4. Các liên thuộc của một bộ phận của một hệ thống thỉnh thoảng có thể có một
ảnh hưởng sâu sắc cho toàn hệ thống.
II.8. Sơ đồ tác động
Một sơ đồ tác động cung cấp một biểu diễn đồ họa của một mô hình. Nó cung
cấp một sự liên lạc trực quan cho người xây dựng mô hình. Nó còn phục vụ như một
framework (khuôn khổ) cho việc chính xác nguồn gốc của mối quan hệ bên trong mô
hình MSS. Thuật ngữ tác động đề cập đến tính phụ thuộc của một biến trong một bài
toán quản lý.
Sơ đồ tác động xuất hiện trong nhiều hình. Chúng ta sẽ sử dụng quy ước sau,
được đề nghị bởi Bodily [1985].
Hình chữ nhật = một biến quyết định
Hình tròn = biến không thể điều khiển hay biến trung gian
Hình Oval = biến kết quả (trung gian hay cuối cùng).
Các biến được kết nối với các mũi tên, mà chỉ rõ hướng của sự tác động. Hình
mũi tên còn chỉ ra loại mỗi quan hệ. Dưới đây là các mối quan hệ điển hình:
1. Chắc chắn:
Một lượng
trong CDs

Thu thập
mong muốn

2. Không chắc chắn

Giá cả

Doanh thu

3. Biến ngẫu nhiên: thêm dấu ~ phía trên tên biến

~

Nhu
cầu

Doanh thu

4. Ưu tiên (thường giữa các biến kết quả). Điều này được biểu diễn như một mũi
tên kép.
Các mũi tên có thể là một chiều hay hai chiều.
Các sơ đồ tác động có thể được xây dựng tại bất kỳ mức độ chi tiết nào và tinh
tế. nó cho phép người xây dựng mô hình nhớ tất cả các mối quan hệ trong mô hình, và
hướng tác động càng tốt.
Ví dụ: cho một mô hình:
Thu nhập = đơn vị bán ra* đơn giá
Đơn vị bán ra = 0.5 * lượng được sử dụng trong quảng cáo
Kinh phí = đơn vị chi phí * đơn vị bán ra + chi phí cố định
Lợi nhuận = thu nhập – chi tiêu

15


Một sơ đồ tác động của mô hình đơn giản này như sau:
Chi phí
cố định
Kinh phí
Đơn vị
chi phí
Lợi nhuận

Lượng tiền
trả cho
quảng cáo

Đơn vị
bán ra
Thu
nhập
Đơn giá

Phần mềm.
Nhiều sản phẩm phần mềm có sẵn cho việc cài đặt sơ đồ tác động. Giải pháp xử
lý của các sản phẩm này chuyển bài toán gốc sang hình thức sản xuất. Các sản phẩm
đặc trưng là: DAVID, INDIA, DPL, DS Lab.
Một vài phần mềm đồ họa máy tính và các gói CASE có thể được dùng để vẽ sơ
đồ tác động.
II.9. Dự báo.
Việc ra quyết định liên quan đến việc lựa chọn một phương án thay thế của hành
động bằng việc đánh giá hậu quả đôi khi có thể sẽ xảy ra trong tương lai. Do đó, chất

lượng quyết định phụ thuộc lớn vào chất lượng của dự báo.
Các mô hình dự báo là một một phần không thể thiếu của nhiều MSS. Một trong
số đó có thể xây dựng một mô hình dự báo hoặc có thể sử dụng các gói phần mềm đã
được lập trình trước.
Nhiều công cụ phát triển MSS có một vài khả năng dự báo xây dựng trong.
Việc sử dụng dự báo.
Điểm chính của việc sử dụng dự báo, khi nó quan hệ với mô hình, là để dự đoán
giá trị của các biến mô hình, cũng như mối quan hệ hợp lý của mô hình, tại một vài
thời điểm trong tương lai. Thời điểm quan tâm trong tương lai phụ thuộc vào “khi”
chúng ta muốn đánh giá các kết quả. Ví dụ, trong một quyết định đầu tư chúng ta phải
để ý đến giá cả và thu nhập cho một năm từ ngày hôm nay, trong khi trong một quyết
định đầu tư vốn chúng ta phải quan tâm đến giá dự kiến và thu nhập trong suốt 5 năm
tiếp theo. Nói một cách tổng quát, chúng ta phân biệt giữa hai loại dự báo: (a) ngắn
hạn (đến 1 năm), dự báo được sử dụng chính trong các mô hình xác định (chắc chắn)
và (b) dài hạn (trên 1 năm), dự báo được sử dụng trong cả hai mô hình xác định và xác
suất.
Mô hình và phương pháp dự báo
Có nhiều loại mô hình dự báo bởi vì dự báo là một nhiệm vụ vô cùng khó khăn.
Những gì sẽ xảy ra trong tương lai phụ thuộc vào sự đa dạng của các nhân tố, hầu hết
chúng không thể điều khiển được. Hơn nữa, tính sẵn sàng của dữ liệu, chính xác, chi
phí và thời gian đòi hỏi để thực hiện dự báo còn đóng vai trò quan trọng.

16


Phương pháp dự báo có thể được nhóm trong nhiều cách. Một lược đồ phân lớp
phân biệt giữa các kỹ thuật dự báo nhận dạng chính thức và các phương pháp không
chính thức như là trực giác, khuyến khích các dự đoán thời điểm. Chủ yếu trong phần
này là phương pháp chính thức.
Phương pháp chính thức có thể được chia thành 4 phân loại: phương pháp phán

đoán, phương pháp đếm, phương pháp chuỗi thời gian và phương pháp kết hợp hay
nhân quả.
Phương pháp phán đoán.
Phương pháp phán đoán là dựa trên dự đoán chủ quan và ý kiến chuyên gia thay
vì trên dữ liệu cứng. Chúng thường được sử dụng cho dự báo tầm xa, đặc biệt là tác
nhân bên ngoài có thể đóng vai trò đáng kể. Chúng còn được sử dụng cho dữ liệu lịch
sử là rất giới hạn hoặc không tồn tại, như trong việc giới thiệu sản phẩm/dịch vụ mới.
Phương pháp đếm.
Phương pháp đếm liên quan đến một vài thử nghiệm hay khảo sát của một ví dụ
với một nỗ lực để tổng quát hóa về toàn bộ thị trường. Những phương pháp này được
sử dụng chủ yếu cho dự báo nhu cầu các sản phẩm hoặc dịch vụ, một lĩnh vực của
nghiên cứu thị trường.
Loại phương pháp dự báo này là định lượng về bản chất. Những phương pháp
này dựa trên dữ liệu cứng và do đó thường được coi là khách quan hơn những phương
pháp trước đó. Chúng điển hình sử dụng dữ liệu lịch sử và thường được phân chia giữa
chuỗi thời gian và phương pháp nhân quả.
Phân tích chuỗi thời gian.
Một chuỗi thời gian là một tập giá trị của một số biến kinh doanh hoặc kinh tế,
được đo tại khoảng thời gian liên tiếp. Ví dụ, doanh thu hàng quý của một công ty tạo
thành một chuỗi thời gian, cũng như dân số trong một thành phố (được đếm hàng
năm), nhu cầu giường bệnh hàng tuần,… Chúng ta thực hiện phân tích chuỗi thời gian
trong việc ra quyết định bởi vì chúng ta tin rằng tri thức của hành vi quá khứ cảu chuỗi
thời gian có thể giúp chúng ta hiểu biết (khả năng dự đoán) về hành vi của chuỗi trong
tương lai. Trong một vài trường hợp, chẳng hạn như thị trường chứng khoán, giả định
này có thể là phi lý, nhưng trong việc lập kế hoạch quản lý chúng ta giả định rằng lịch
sử sẽ lặp lại và xu hướng trong quá khứ sẽ tiếp tục. Những nỗ lực phân tích chuỗi thời
gian kết thúc với sự phát triển của mô hình dự báo chuỗi thời gian mà có thể được sử
dụng để dự báo các sự kiện trong tương lai.
Phương pháp kết hợp hay nhân quả.
Phương pháp kết hợp hay nhân quả bao gồm phân tích dữ liệu cho việc tìm kiếm

dữ liệu kết hợp và nếu có thể là quan hệ nhân-quả. Nó mạnh hơn phương pháp chuỗi
thời gian, nhưng nó cũng phức tạp hơn. Tính phức tạp này đến từ 2 nguồn: thứ nhất,
chúng gồm nhiều biến, một số biến nằm ngoài tình huống. Thứ hai, chúng sử dụng kỹ
thuật thống kê phức tạp cho việc tách ly các các loại biến khác nhau. Phương pháp
nhân quả là thích hợp nhất cho dự báo trung hạn (giữa dài hạn và ngắn hạn).
Nói một cách tổng quát, phương pháp phán đoán và phương pháp đếm là chủ
quan về bản chất, được sử dụng trong các trường hợp mà phương pháp định lượng là
không thích hợp hoặc không thể sử dụng. Áp lực thời gian, thiếu dữ liệu hoặc thiếu
tiền có thể ngăn chặn việc sử dụng mô hình định lượng. Tính phức tạp của dữ liệu lịch
sử (do tương tác hay biến động) có thể còn ức chế việc sử dụng dữ liệu lịch sử
(historical data).

17


II.10. Mô hình phi định lượng.
Các phương pháp mô hình hóa và các chủ đề được thảo luận đến nay đều tập
trung quanh các mô hình định lượng. tuy nhiên mô hình hóa trong MSS có thể liên
quan đến các mô hình phi định lượng. Trong nhiều trường hợp mô hình phi định lượng
được giới thiệu trong các luật.
Ví dụ, dưới đây có thể được xem như một mô hình lập lịch:
1. Nếu một công việc không phức tạp và nếu nó mất dưới 15 phút để hoàn thành
thì lịch trình của nó sớm trong ngày.
2. Nếu công việc phức tạp và nó tốn thời gian dài để hoàn thành thì lịch trình của
nó không muộn hơn 10 giờ sáng.
3. Nếu một công việc phức tạp nhưng nó có thể hoàn thành nhanh một khi được
bắt đầu, lịch trình của nó là nửa ngày.
4. Phân các công việc ngắn cho các nhân viên người mà khá vui vẻ và công việc
dài thời gian để các nhân viên vui vẻ.
Mô hình phi định lượng có thể được thực hiện tách biệt từ/trong việc kết hợp với

mô hình định lượng. Trong một vài trường hợp nó là có thể để chuyển từ một số đo
lường định tính sang định lượng. Ví dụ, thống kê nhân viên có thể được đo trên một
thang điểm mà phạm vi từ “không hài lòng” đến “hài lòng cao”. Hai cực điểm nhận
giá trị là 1 và 10. Các giá trị khác nằm giữa.
II.11. Các bảng tính và ngôn ngữ mô hình hóa.
Các mô hình có thể được viết bởi các ngôn ngữ lập trình khác nhau.
+ Bảng tính điện tử (với các bổ sung của chúng)
+ Mô hình hóa tài chính và kế hoạch.
Một công cụ mô hình hóa phổ biến người dùng cuối cho máy vi tính là bảng tính
điện tử. công cụ này dựa trên cấu trúc của một bảng tính kế toán, mà cơ bản là một
mảng gồm cột và hàng. Bảng tính được biểu diễn dạng điện tử trong bộ nhớ máy tính.
Giao của cột và hàng được gọi là ô. Người sử dụng nhập dữ liệu số hoặc văn bản vào
các ô. Sau đó, người lập trình có thể viết một chương trình để thao tác dữ liệu. Các
bảng tính có nhiều lợi thế hơn bảng tính kế toán. Đáng chú ý nhất là khả năng mô hình
hóa; người sử dụng có thể viết các mô hình của họ và cũng thực hiện phân tích dạng
“what-if”. Thêm vào đó, các báo cáo có thể tổng hợp và dữ liệu có thể được tổ chức
theo thứ tự a-b-c hay số. Các khả năng khác bao gồm thiết lập các cửa sổ để xem nhiều
phần của bảng tính cùng một lúc và thực thi các thao tác toán học. Điều này làm cho
bảng tính trở thành công cụ quan trọng để phân tích, lập kế hoạch và mô hình hóa.
Ngoài khả năng viết các mô hình với một bảng tính, phần mềm thường bao gồm một
số lớn các hàm thống kê, toán học và tài chính xây dựng trong. Hơn nữa, có thể sử
dụng các add-on phần mềm (mà gồm hàng tá các hàm).
Xu hướng hiện nay là để tích hợp bảng tính với phần mềm phát triển và phần
mềm tiện ích, như quản trị CSDL, truyền thông, bảo mật và đồ họa. Các gói nhỏ được
tích hợp như Lotus 1-2-3, Excel và Quatro Pro là phổ biến hiện nay hơn là các bảng
tính độc lập.
Một khả năng chính của chương trình bảng tính là các công thức có thể được
nhúng sử dụng các số trong bảng tính; những số này có thể được thay đổi và ý nghĩa
của những thay đổi này có thể được thấy và phân tích ngay lập tức.
Một bảng tính có thể được sử dụng để xây dựng các mô hình tĩnh hoặc động.

Một mô hình tĩnh không bao gồm thời gian như là một biến. Ví dụ, các bảng tính được

18


sử dụng để xây dựng các bảng cân đối. Một mô hình động biểu diễn hành vi theo thời
gian. Ví dụ, bảng cân đối một năm đã cho có thể được biểu diễn với các năm của 5
năm trước.
Các bảng tính hầu hết được sử dụng trong mỗi loại tổ chức trong tất cả các lĩnh
vực chức năng.
Các mô hình được xây dựng bởi bảng tính có thể liên kết đến các mô hình khác
(ví dụ, dự báo kết quả doanh thu có thể được sử dụng như một dữ liệu vào cho các mô
hình hàng tồn kho và lưu chuyển tiền mặt). Một số ứng dụng này không phải là DSS
chặt chẽ. Một điểm khác trong bảng tính là người sử dụng không phải chờ đợi một thời
gian dài cho bộ phận IS xây dựng một ứng dụng. Họ có thể xây dựng các ứng dụng
riêng một cách nhanh chóng và không tốn kém.
Các bảng tính được phát triển cho các máy vi tính, nhưng chúng còn sẵn sằng
cho các máy tính lớn hơn với các khả năng được gia tăng.
Một số phần mềm bảng tính là các công cụ mô hình háo phổ biến nhưng chúng
có những hạn chế. Ví dụ, nhiều bảng tính thực thi chỉ mô hình hóa với sự chắc chắn,
chúng không thể xử lý rủi ro. Những lĩnh vực thiếu sót khác thì thiếu khả năng tối ưu
và ràng buộc hai chiều. Do đó, thỉnh thoảng các công cụ mô hình hóa mạnh hơn là cần
thiết. Phần II.14 sẽ mô tả.
Năng suất lập trình xây dựng của DSS có thể được nâng cao với việc sử dụng các
template, macro và các công cụ khác.
II.12. Mô hình hóa đa chiều.
Ở đây chúng ta tìm hiểu tính đa chiều từ một quan điểm bảng tính.
Các bảng tính nguyên thủy liên quan đến hai chiều: các hàng và các cột. Sau này,
với sự giới thiệu của Windows, các gói phần mềm như Lotus 1-2-3 đã giới thiệu cái
chúng được gọi là 1 phương pháp 3-D cho các bảng tính. Điều này cho phép người sử

dụng giữ 3 tập dữ liệu khác nhau trên màn hình cùng một thời điểm, nhưng không thực
sự làm việc với 3 chiều. Tuy nhiên, thông thường các nhà quản lý cần phải làm việc
với 3 hay nhiều chiều. Ví dụ, dữ liệu doanh thu có thể cần thiết theo vùng, theo sản
phẩm, theo tháng và theo người bán hàng tất cả trên cùng màn hình. Và dữ liệu vậy
cần được thao tác). Giải pháp được cung cấp bởi các công cụ mô hình hóa đa chiều.
Để mô tả mô hình hóa đa chiều là gì chúng ta sẽ nhìn vắn tắt 3 sản phẩm nổi
tiếng (bảng tính đa chiều) trong phân loại này (tất cả làm việc với Windows).
Cạnh tranh kết hợp máy tính (CA-Compete).
CA-cạnh tranh được gán nhãn là một bảng tính động (nó chứa đến 12 chiều). Nó
có thể so sánh, xoay và mổ xẻ dữ liệu công ty trên quản điểm quản lý khác nhau. Nó
cung cấp các khả năng CSDL động với một đầu vào bảng tính. Như các sản phẩm
khác, nó sở hữu thao tác dữ liệu và khả năng “kéo-thả” mà cho phép người sử dụng
nhanh chóng thay đổi hình dáng của bảng tính. Ví dụ, một người có thể dịch chuyển
các cột và các dòng. Trong khi nó có thể làm điều này với một bảng tính bình thường,
nó có thể làm nhanh hơn nhiều với CA-cạnh tranh mà không có lỗi phổ biến khi một
nhiệm vụ tương tự được thực hiện với một bảng tính bình thường. Phát hành mới nhất
của bảng tính thông thường cho phép quay đơn giản các cột và các hàng. Chúng còn
có giới hạn các khả năng mổ xẻ.

19


IMPROV (từ Tập đoàn phát triển Lotus)
Tương tự CA-cạnh tranh, nhưng với nhiều khả năng, IMPROV là một bảng tính
động cho phép người sử dụng lập các mô hình trong một ngôn ngữ tựa tiếng Anh và dễ
dàng thay đổi cấu trúc các bảng kết quả (ví dụ, thay đổi hành thành cột).
Với quan điểm năng động của nó, IMPROV được thiết kế để xoay, ẩn, hiện, chu
gọn, mổ xẻ và mở rộng bảng tính, sắp xếp lại dữ liệu theo 16 chiều. Nó có thể xây
dựng ngay lập tức các quan điểm bảng tính mới.
II.13. Bảng tính trực quan.

Người sử dụng gặp phải hai khó khăn chính với bảng tính: các công thức thường
khó để giải mã và trình tự thời gian quá khó để thực hiện. Bảng tính trực quan cố gắng
để khắc phục những thiếu sót này. Đây là một khái niệm cho phép các tính toán như
một bảng tính, nhưng không có các ô, cột và hàng. Thay vào đó, người sử dụng có thể
trực quan hóa các mô hình và các công thức sử dụng các sơ đồ tác động. Một chương
trình mà thực hiện các bảng tính trực quan được gọi là DS Lab.
Thay vì các ô, DS Lab sử dụng các phần tử biểu tượng trong một sơ đồ tác động.
Ví dụ, các biến được hiển thị như các hình tròn và các hằng là các hình vuông.
Phần mềm cho phép người sử dụng xây dựng mô hình hóa tựa tiếng Anh. Hơn
nữa, trên 2000 hàm xây dựng trong như toán học, tài chính, thời gian, tìm kiếm mục
tiêu và logic là có sẵn với 1 cái click chuột. Khi được chọn, một hàm được chèn vào
một kịch bản, bao gồm cú pháp đối số của nó, trong tiếng Anh đơn giản. Ngoài ra, có
các phần tử kết nối được định nghĩa trước. Chúng được sử dụng với các hàm để xây
dựng mô hình. Do đó, việc xây dựng đòi hỏi sử dụng chủ yếu chuột để chỉ điểm và
click.
Thời gian là một tham số được xác định trong các bước của mô hình; chương
trình có một lịch xây dựng trong để xác định giờ, ngày, tuần, tháng hay năm. Mô hình
có thể xác định các chiều khác như loại vị trí hay sản phẩm. Chương trình tự động sinh
các giá trị cho mỗi bước. Các kết quả có thể được in ở hình thức đồ họa.
“What-if” và “tìm kiếm mục tiêu” dễ dàng thực hiện và đơn giản để minh họa.
Tất cả trong tất cả, DS Lab là một công cụ thú vị và đổi mới. sản phẩm cung cấp các
mô hình phức tạp hơn, nhiều thuận lợi hơn.
II.14. Mô hình hóa tài chính và kế hoạch.
Nhiều ứng dụng DSS xử lý phân tích tài chính và/hoặc kế hoạch. Do đó, nó có ý
nghĩa cho các công cụ xây dựng DSS để xây dựng một cách nhanh chóng chẳng hạn
các ứng dụng. khi phần mềm bảng tính có thể thực hiện công việc, thì các công cụ có
thể thực hiện nó hiệu quả hơn. Các công cụ này đang được phát triển quanh phần mềm
mô hình hóa tài chính và kế hoạch. Từ những năm 1960, mô hình kế hoạch được nâng
cao từ một khái niệm tối nghĩa cho các tập đoàn lớn đến một công cụ thích hợp cho lập
kế hoạch trong hầu hết các loại công ty.

Một tính chất quan trọng của mô hình tài chính là các mô hình của chúng là
hướng đại số. Đó là, các công thức được viết theo cách mà người sẽ viết phương trình.
Các bảng tính lập mô hình của chúng với hướng tính toán hay phép tính.
Định nghĩa và nền tảng của mô hình hóa kế hoạch.
Định nghĩa một mô hình kế hoạch khác nhau một chút với phạm vi ứng dụng của
nó. Ví dụ, các mô hình kế hoạch tài chính có thể có một tầm nhìn kế hoạch rất ngắn và
kéo theo không nhiều hơn một việc thu thập các công thức kế toán cho việc lập báo
cáo tài chính chuyên nghiệp theo mẫu (ví dụ, một mô hình tĩnh). Mặt khác, mô hình kế
20


hoạch công ty thường bao gồm các liên mối quan hệ định lượng và logic phức tạp giữa
tài chính công ty, thị trường và các hoạt động sản xuất. Trong tình cảnh này, mô hình
có tiện ích lớn.
Ngoài các mô hình kế hoạch dựa trên DSS chung, có nhiều loại mô hình công
nghiệp cụ thể, đặc biệt là cho bệnh viện, ngân hàng và các trường đại học.
Ngày nay, có khoảng 100 ngôn ngữ mô hình hóa và kế hoạch hóa (PML) trên thị
trường. Chúng sẵn sàng trên các mạng chia sẻ thời gian cũng như các gói cho máy
chủ, máy nhỏ và máy vi tính.
II.15. Mô hình định lượng làm sẵn.
Bộ sinh của DSS cung cấp nhiều mô hình định lượng chuẩn (các công cụ xây
dựng) trong các lĩnh vực như thống kê, phân tích tài chính, kế toán và khoa học quản
lý. Các mô hình này có thể được gọi bởi một lệnh, như là: SQRT, NPV.
Hơn nữa, nhiều bộ sinh DSS có thể dễ dàng giao tiếp với các phương thức định
lượng chuẩn mạnh độc lập các gói. Nhiều gói thường mạnh hơn nhiều so với các thủ
tục xây dựng trong. Một mô hình định lượng tổ chức được lập trình trước khác là
thông qua các mẫu.
Các mô hình được lập trình trước có thể được sử dụng để đẩy nhanh thời gian lập
trình của bộ xây dựng DSS, đặc biệt khi chúng được xây dựng trong hay khi một giao
diện đã tồn tại.

Một số mô hình này đang xây dựng các khối của các mô hình định lượng khác.
Ví dụ, một mô hình hồi quy có thể là một phần của mô hình dự báo mà hỗ trợ một mô
hình kế hoạch hóa tài chính.
Mô hình hóa tài chính
Các hàm tài chính được xây dựng vào trong hầu hết các bảng tính và các bộ sinh
của DSS. Tuy nhiên, có một lượng lớn các gói độc lập trên thị trường. Một vài ví dụ
tiêu biểu: FINAR, Micro-DSS/Finance, Peach Plan, …
II.16. Cấu trúc và quản lý cơ sở mô hình.
Khái niệm quản lý cơ sở mô hình gọi cho một gói phần mềm với các khả năng
tương tự DBMS trong CSDL. Không may, mặc dù có hàng tá các gói DBMS thương
mại, nhưng không có các gói quản lý cơ sở mô hình toàn diện hiện nay trên thị trường.
Các khả năng bị giới hạn, mà gói quản lý mô hình nên đưa ra, được cung cấp bởi một
số chương trình bảng tính và bộ sinh DSS dựa trên kế hoạch tài chính.
Một lý do cho tình huống này là mỗi công ty sử dụng các mô hình khác nhau.
Một lý do khác là một số khả năng MBMS (ví dụ, chọn mô hình nào để sử dụng, quyết
định giá trị nào để chèn vào,…) đòi hỏi khả năng chuyên môn và suy luận. do đó,
MBMS có thể là một lĩnh vực thú vị cho ứng dụng của hệ chuyên gia trong tương lai.
Trong khi chờ đợi, hầu hết các khả năng của MBMS phải được phát triển từ vạch xuất
phát bởi các nhà phân tích và lập trình hệ thống.
Một hệ thống quản lý cơ sở mô hình (MBMS) hiệu quả sẽ tạo các khía cạnh có
cấu trúc và tính thuật toán của tổ chức mô hình và việc xử lý dữ liệu được kết hợp ẩn
đối với người sử dụng của MBMS. Những nhiệm vụ này như các mối quan hệ tường
minh cụ thể giữa các mô hình để chỉ ra các định dạng cho các mô hình và mỗi đầu ra
của mô hình là đầu vào của mô hình khác mà không đặt trực tiếp vào người sử dụng
của MBMS nhưng được thực hiện trực tiếp bởi hệ thống.
MBMS có các khả năng mong muốn: điều khiển, linh hoạt, phản hồi, giao tiếp,
giảm sự dư thừa, tính nhất quán tăng.
21

Một thiết kế MBMS phải cho phép người sử dụng DSS để:
1. Truy cập và thu hồi các mô hình tồn tại.
2. Thực hành và thao tác các mô hình tồn tại – bao gồm sự thuyết minh bằng ví
dụ cụ thể về mô hình, lựa chọn mô hình và tổng hợp mô hình, và cung cấp các kết quả
đầu ra mô hình phù hợp.
3. Lưu trữ mô hình tồn tại – bao gồm biểu diễn mô hình, trừu tượng mô hình và
lưu trữ mô hình vật lý và mô hình logic.
4. Duy trì mô hình tồn tại khi thích hợp cho các điều kiện thay đổi.
5. Xây dựng các mô hình mới với nỗ lực hợp lý khi cần thiết.
Một số lượng các yêu cầu phụ trợ phải đạt được để cung cấp năm khả năng này.
Nó có thể tìm kiếm các dữ liệu thích hợp từ DBMS và chuyển nó cho mô hình mà sẽ
sử dụng nó.
Hơn nữa, nó phải có khả năng phân tích và giải thích các kết quả đạt được từ việc
sử dụng mô hình. Điều này có thể được hoàn thành trong một số cách.

III. Kết luận.
Qua tiểu luận này chúng tôi đã tìm hiểu các khái niệm cơ bản về mô hình hóa hệ
hỗ trợ quản lý, mô tả các mô hình MSS tương tác với dữ liệu và người sử dụng như thế
nào. Đồng thời cũng tìm hiểu các lớp mô hình nổi tiếng và thực hiện quyết định với
một vài phương án thay thế. Mô tả các bangrtinhs có thể được dùng cho nô hình hóa
và giải pháp như thế nào. Qua đó cũng giải thích được các khái niệm cơ bản về tối ưu,
mô phỏng và heuristic, khi nào sử dụng nó. Và cũng biết được làm thế nào để cấu trúc
một mô hình lập trình tuyến tính.
Ngoài ra, chúng tôi cũng tìm hiểu cách tìm các phương thức được sử dụng để giải
quyết các mô hình MSS. Mô tả các vấn đề chủ yếu của việc quản lý mô hình.
Một vài người tin rằng các nhà quản lý không cần biết cấu trúc bên trong của mô
hình và các khía cạnh kỹ thuật mô hình hóa. Nó giống như chiếc điện thoại hay thang
máy, họ chỉ sử dụng nó. Những người khác cho rằng điều này không phải là trường
hợp và ngược lại là đúng.
Cuối cùng, nhóm chúng tôi xin chân thành cảm ơn cô Hoàng Thị Lan Giao đã

cung cấp tài liệu và giúp đỡ chúng tôi hoàn thành tiểu luận này.
Do kiến thức còn hạn chế, nên trong tiểu luận này không thể tránh khỏi những
thiếu sót về thuật ngữ và một số khái niệm, rất mong nhận được sự đóng góp ý kiến
của cô giáo và các bạn để chúng tôi có cơ hội trau dồi kiến thức hơn nữa.
Xin chân thành cảm ơn!

22


TÀI LIỆU THAM KHẢO
[1] Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E.
Aronson, Copyright 1998, Prentice Hall, Upper Saddle River, NJ
[2] www.sim.hcmut.edu.vn
[3] />
23