Operations Research 运筹学Some OR accomplishments运筹学的一些成果在 20 世纪 70 年代到 80 年代之间取得了一些十分突出的重大突破，下面讲述他们如何被应用以及其对经济的影响。

Integrative OR systems集成运筹学系统综合的运筹学成果在 1983 和 1984 年，全美最大的石油独立冶炼和销售公司--citgo 石油公司，将 1985 年超过 4 亿的销售额投资在一个独一无二的全面集成系统中，这个系统将运筹学的数学规划、预测及专家系统结合到了统计和组织理论中。

Citgo 将运筹学系统应用到诸如：天然物资的产品开采，冶炼，供应和配送，运作市场规划，应收应付款，存货控制和制定个人执行目标， Citgo 公司由 1984 年 5000 万的营业损失变为到 1985 年高达 7000 万的营业利润要归功于这个运筹学系统。

Network flow problem网络流问题70 年代时出现了一些突破性的网络流建模和解决问题的方法，并初步形成专业化的解决运输问题及其转化问题的原始单纯形算法。

后来广义算法和大型线性网络和嵌入式网络相继出现。

这些算法表现出了前所未有的效率，速度比最好的网络问题通用线性规划系统快了从 10 到 200 倍——效率完全超越任何计算机硬件。

由于现在不可能解决庞大的网络流问题，因此新的应用层出不穷。

目前 Agrico、 Ciba-Geigy、 W.R.Grace、International Paper、Kelly-Springfied、Owens-Corning Fiberglass、Quaker Oats and R.G.Sloan 这些公司已成功地将他们的射频数据采集系统耦合到他们建立的网络流模型上，以改善所做的决定的物流成本效益和服务效益。

比如，Agrico 净减少13%周转资金并在 5 年内节省开支43 万美元；据Kelly-Springfied 报道，他们每年可节省 800 万美元以上，Cahil May Roberts 可减少 20%的运输成本和交货。

The hypercube queueing model超立方排队模型美国国家科学基金会的支持实行的计算机、多服务器队列研究，现在一个半球的城市经常使用部署在另一个半球的服务器。

这个立方体的模型是依据紧急服务的需求，部署在纽约圣迭戈、萨克拉门托、达拉斯、波特兰、加拉加斯和鹿特丹。

典型报道是，它提高生产率 10%~15%。

Lagrangian relaxtion拉格朗日松弛法拉格朗日乘数——用来限制放宽复杂的难组合优化问题，让使用多项式算法计算式更便利。

在过去十年中，这个办法已由一个成功的理论，成为一个行之有效的工具而被大规模应用在航空工业气体产品和化工公司，这一技术已为公司节省 6%~10%的经营成本，折合年效益约 200 万美元的公司。

Network queueing models网络排队模型网络能通过通信网，通过电脑系统工作，通过工作场所或产品工厂等代表流动情况等信息。

一个典型的应用可能有数百种顾客和工作场所。

传统上，现实已经证明，这种排队模型的建立相当棘手，甚至只是一个工作中心。

可是，最近的技术突破，分析一下这些网络的创造性运用，实际已涉及解决大型网络。

IBM 公司采用这种方法来分析和阐释了一个未来的大工厂，从而取得几个月的竞争优势带来的新的市场。

Mathematical programming models数学规划模型利用大规模数学规划模型取得的巨大的进展，被应用在原料、零件、产品三者的优化生产、运输和库存。

这些技术成果之一是使用近似的方法来分析非凸模型代表成本曲线的规模经济，它通常出现在货运业务一张用于通用汽车厂达到 40 多个物流成本节省 26%，为每年可节省 290 万美元。

仿真建模 Simulation modeling在众多交互仿真语言相继发展起来的今天，模拟依然是一项重要工具。

仿真模型被用来解决最近荷兰的水分配问题。

这些模型被广泛用来分析部分新设施和重点建设，改善供水转变运行规则、以及调整价格，减少法规要求。

这种经验老到的分析的结果是，节省数百万美元的资本支出，减少农业损失约 15 万美元。

荷兰政府采取这个方法并用它来帮许多其他国家进行水资源规划。

随机网络分析 Stochastic network analysis随机原理的发展进步已实现成在为数学规划模型能随机性。

北美长途货运公司使用随机网络分析去分配数千辆卡车按顾客要求从起点开到终点。

这种分析方法每年节约他们约2503 万美元的成本。

库存控制 Inventory control自从运筹学早先作为一门专门知识得以广泛运用，库存控制就得到了持续的发展。

例如，在长岛的血液中心，一个模型所管理的血液调度，是依据对每个血站综计而估算提供的血液库存。

而且根据实际需求来调节供给。

它预先计划了一个血站的供给不足就可以从邻近血站调配血液。

这样一来，血液的浪费减少 80%，而花费减少 64%。

马尔科夫决策过程 Markov decision processes我们分析大规模限制马尔科夫决策的能力是不断提高的。

在亚利桑那州，7400 英里的公路上每英里都运用这种方法去维持最佳保养状况。

这种方法综合了管理方法决策，预算规划，环境因素和工程决策。

这一年这种措施的运用节约了 1400 多万美元，差不多是目前亚利桑那州公路预算的 1/3，预计将可节约 2500 万美元。

随机服务系统 Stochastic service systems式样国防通信工作中心的队列是基于电路开关完成和分析模型。

这个国防通信部门过去10 年节约 150 万美元，并且每年会 COMVS AVTOVOH 网络重新构造。

在美国，这个国防电话网络可以操控军队通信并有优先权和先发制人的能力。

An outlook on a research agenda一个研究方向的看法运筹学是一个易于出成果的学科，并有着极多的智慧。

它有着大量自学科和数不清的工程运用、物理科学、经济学、管理学和社会学。

这是一个充满活力的领域，通过新方法研究和运用使其获得新生。

没有一个可以用简短的评价对其研究方向进行评估。

运筹学最突出在五个领域，这些并不全包括了——许多领域都没有被包括。

两个是李坤的（优化和随机过程），一个是应用的（制造设计），一个是理论和时间的主要元素（运筹/人工智能接口），和一个基础的基础过程（实验和模型科学）。

Optimization最优化——决定如何得到一个目标函数或性能指标以使得在有限的资源和技术有限的条件下达到它的最大值—是决策的基本目标，并且除此之外，它还是在工程设计方面重要的工具。

三十多年来，最优化方面的研究—它的很多方面的研究已经被 NSF 的 STOR 计划资助—已经通过大量的实践积累产生了作用并取得累累硕果。

线性规划在全世界范围内被广泛应用。

最优化也包括解决大规模，离散，非线性，多目标和全球化问题的技术。

在这个领域最近的一些探索有如此大的潜力以至于它们已经被一些受欢迎的出版物大力宣传，其中包括《纽约时报》和《华尔街日报》。

此外，因为现在最优化的技术可通过微机来实现，所以它正处在一个快速发展的新时期。

既然最优化已经达到了一个成熟的程度，那么关注在更进一步的研究中被期望的结果是自然而然的了。

在那些更为成熟的如线性规划和无约束优化等领域和一些不太成熟的如整数和约束优化等领域，研究的重点将被放到快速的，大规模的计算上。

制造业和物流上的一些重大问题需要和如并行进程等新的计算机技术所创造出的机会将会推动这些研究的进行。

一些在全新领域和我们知之甚少的领域如全球性和多标准定性优化等研究，将会必然的应用于处理一些比较基本的日常事情上。

Stochastic processes随机系统我们生活在一个知识短缺和无力对未来事实进行预测的世界中。

一个通信网络可能会突然被阻塞；车间的一个至关重要的机器可能意外发生故障；一个消防系统可能在没有任何征兆的情况下被要求执行任务。

对统计过程的学习将会为我们提供一种系统的方法去建立、设计和控制系统中的不稳定因素。

运筹学为我们提供了一个通过基础研究而了解基本的概率现象的框架。

柔性制造系统和计算机通信网络是一个复杂的系统，也就是所谓的离散事件随机系统的很好的例证。

这些系统有效的设计和运转对经济学上的竞争是极其重要的，但是系统行为却是很难被完全掌握。

现代离散事件随机系统的分析和设计方法集中在它们在稳定状态下的行为上，在长期的运转或超过平均时间的运作中一个需要绩效测量的概念形成了。

然而，在他们向稳定状态过渡的过程中大多数系统展示动态行为，而稳定状态也可能会产生一些被稳定状态分析计算出来的执行偏差。

这类涉及成本的清楚估价或短期行为影响系统的设计和控制，现已成为一种可能。

（例如，多样级别剩余零件的清单，集成制造组织，或计算机通信网络）。

类似的大部分现行通用的分析假定输入参数是长时间不变的，而实际上，实际参数常常随时间变化的。

或许有几个等级的均化。

由于参数均化或采用典型质，导致当前设计分析模型有误差。

几种相对较新的方法论引入了时变系统参数。

很多还需要改进。

对分析和模型化随机服务系统有两个主要问题：设计和控制。

对系统的设计关系到资源分配这种战略问题的解答。

比如说应该修建多少个极其维修站在一个大规模制造设备厂，具有多个数据库接于线系统控制处理日常维修。

比方说什么时候去激励两外的员工、什么时候暂时地阻止信息进入系统。

运筹学/人工智能 The OR/AI interface运筹学和人工智能共同分担的主要目标是提供有效解决问题和作出决策的方法和程序。

两种实现目标的训练完全不同但有充足的方法：人工智能解决推理技巧和依赖专业知识和启发思维。

运筹学利用算法、数学。

人工智能强调定性的问题。

运筹学强调定量问题。

对这两种解决问题的手段仔细融合表示了极大的可能性为改进性能和适合的解决问题系统。

运筹学和建模科学 Operational science and modeling science当前运筹学研究关注的焦点是对在设计和做决定时引起的现象和表现的问题通过形式化模型来进行发展和改进，对这类问题的解决方案是使用模型。

这种自然的关注已经取得了显著成功，并且在知识份子中他们的建议仍然很丰富。

但是过窄的强调解决问题使用模型限制了下面两种基础研究领域存在的解决问题的方法。

一种是运筹学，它很可能被定义为系统研究——经验主义——主要的标准样本应用过程，例如运筹学所带来的工艺路径或者维护。

然而另外的工程分支可能转向对基础数据和理论完善，运筹学一定是对所研究现象描述和预测科学的方式用自己独特的方式来发展。

另一个领域是建模科学，应用运筹学来了解基础理论和概念指导运筹学的模型和构建，使用评价。