Содержание к диссертации
Введение
1. Принципы системного экономико-математического моделирования и оптимизации показателей хозяйственной деятельности предприятия 28
1.1. Структура машиностроительного предприятия 28
1.2. Оптимизация производственной программы предприятия 32
1.3. Анализ задач математического программирования, используемых для оптимизации производственно-хозяйственной деятельности предприятия 37
1.4. Допущения, ограничения и основные экономические показатели ППП. 46
1.5. Оптимизация по одному экономическому показателю при оперативном управлении производством на предприятии 50
1.6. Многокритериальные математические модели ППП предприятия.. 63
1.7. Информационная система предприятия для построения ППП 77
1.8. Полученные результаты и выводы 81
2. Модели и интеллектуальные технологии для оптимального управления долгосрочным развитием предприятия 84
2.1. Описание основных проблем российских корпораций и промышленных компаний 84
2.2. Институциональное и ситуационное управление в организационных системах 90
2.3. Стратегическое динамическое планирование 95
2.4. Выбор критериев оптимизации, входящих в интеллектуальную систему 102
2.5. Построение целевой функции 112
2.6. Общая процедура построения целевой функции. Элементы многокритериальной теории полезности 121
2.7. Определение структуры целевой функции при долгосрочном планировании 130
2.8. Общая итерационная процедура стратегического планирования 136
2.9. Практическое использование интеллектуальной системы управления долгосрочным развитием предприятий Удмуртской Республики 148
2.10. Полученные результаты и выводы 151
3. Оценка влияния развития информационно-коммуникационных технологий на показатели развития промышленных предприятий в РФ и методика долгосрочного прогнозирования темпов их внедрения 156
3.1. Оценка влияния развития информационно-коммуникационных технологий на темпы развития экономики России 156
3.2. Методика долгосрочного прогнозирования темпов внедрения информационно-коммуникационных технологий 162
3.3. Стохастические связи между случайными величинами при решении задачи обоснованного прогноза 164
3.4. Телекоммуникационные системы как объект диффузии инноваций 166
3.5. Глобальное решение уравнения диффузии 168
3.6. Логистическая функция - адекватная аппроксимирующая функция линии условной регрессии средств телекоммуникаций во времени 170
3.7. Прогноз оптимального темпа роста рынка средств телекоммуникаций РФ в перспективе до 2010 года 172
3.8. Оценка точности прогноза динамики инноваций 178
3.8.1. Математическая модель 180
3.8.2. Среднее и дисперсия отклонений реальной динамики инноваций от прогнозируемой 184
3.8.3. Оценки распределения отклонений реальной динамики инноваций от прогнозируемой 186
3.8.4. Асимптотика распределения отклонений реальной динамики инноваций от прогнозируемой 189
3.9. Исследование общности методики долгосрочного прогнозиро вания на примере стратегического маркетинга рынка Интернет на сети связи РФ 192
3.9.1. Особенности рынка Интернет России 192
3.9.2. Определение оптимальных темпов развития рынка Интернет при помощи разработанной методики долгосрочного прогнозирования 193
3.10. Полученные результаты и выводы 196
Применение математической теории интеллектуальных систем для нормирования в машиностроении 200
4.1. Методы нормирования в машиностроении 200
4.2. Метод классификации, основанный на деревьях решений 203
4.3. Система нечеткого вывода на основе деревьев решений 211
4.3.1. Метод построения нечетких деревьев решений 211
4.3.2. Результаты численного эксперимента тестирования метода нечетких деревьев решений 214
4.3.3. Добавление экспертных правил 219
4.4. Сжатие входной информации 220
4.5. Расчет трудозатрат с применением информационной системы на основе нечетких деревьев решений 221
4.5.1. База данных 221
4.5.2. Предварительная обработка входных данных 223
4.5.3. Построение дерева базы правил 224
4.6. Программные средства для разработки систем нечеткой логики . 227
4.7. Интеллектуальная технология получения технических характеристик деталей путем распознавания их конструкторских чертежей 230
4.8. Полученные результаты и выводы 243
Методика формализации управленческих решений в области це нообразования на основании результатов нечеткой кластеризации 247
5.1. Анализ механизма контрактации 248
5.2. Концепция риска взаимодействия контрагентов в рамках контрактации 258
5.3. Анализ методологии обработки экономических данных 263
5.4. Модель кластеризации контрагентов 273
5.5. Механизм динамической корректировки 285
5.6. Принятие управленческих решений в области ценообразования . 290
5.7. Полученные результаты и выводы 305
6. Развитие методов оптимизации, применяемых для обучения ин
теллектуальных систем 311
6.1. Полиэкстремальность целевых функций при обучении интеллектуальных систем 311
6.2. Генетический алгоритм вещественного кодирования для решения полиэкстремальных задач 312
6.3. Тестирование генетического алгоритма с вещественным кодированием и новыми операторами скрещивания 319
6.4. Дополнительное обучение нечеткой системы прогноза трудозатрат генетическим алгоритмом с вещественным кодированием . 329
6.5. Полученные результаты и выводы 331
Заключение 332
Литература
- Анализ задач математического программирования, используемых для оптимизации производственно-хозяйственной деятельности предприятия
- Институциональное и ситуационное управление в организационных системах
- Методика долгосрочного прогнозирования темпов внедрения информационно-коммуникационных технологий
- Результаты численного эксперимента тестирования метода нечетких деревьев решений
Введение к работе
Актуальность темы. Возросший в последние годы интерес к экономико-математическим моделям не ослабевает. Переход страны к рыночной экономике способствует тому, что появляются новые задачи на микро- и мезоуровнях, которые требуют неотложного решения. При этом возникает естественная необходимость в применении все более сложных методов для решения поставленных задач. К этому следует добавить, что необходимо иметь более совершенный инструментарий для исследования полученных решений. Новейшие компьютерные технологии дают возможность анализа поставленных задач или исследования полученных решений, но при условии, что такой инструментарий создан.
Информационное общество испытывает постоянный дефицит жизненно необходимой информации для принятия решений. Все, кто принимают решения, нуждаются в более полной информации. В этих условиях преимущество получают те, кто овладел теорией и практикой управления социально-экономической эволюцией, основанного на самоорганизации, обучении и адаптации. Темпы изменений в постиндустриальную эпоху требуют разработки специальных механизмов управления эволюцией предприятия.
Интеллектуальные технологии - один из последних этапов развития аналитических технологий, представляющие собой методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров.
Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам. Доход компании в большой степени определяется качеством этих решений - точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространены аналитические технологии, используемые для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и для оптимизации расписаний, мар-
13 шрутов, плана закупок, плана инвестиций, стратегии развития. Как правило, для реальных задач бизнеса и производства не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта. С помощью современных аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.
К сожалению, классические методики оказываются малоэффективными во многих практических задачах. Это связано с тем, что невозможно достаточно полно описать реальность с помощью небольшого числа параметров модели, либо расчет модели требует слишком много времени и вычислительных ресурсов.
Из-за описанных выше недостатков традиционных методик последние десять лет идет активное развитие аналитических систем нового типа. В их основе - технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора.
Наиболее популярными и проверенными из этих технологий являются нейронные сети и генетические алгоритмы (ГА). Первые коммерческие реализации на их основе появились в 80-х годах и получили широкое распространение в развитых странах. Нейронные сети в каком-то смысле являются имитациями мозга, поэтому с их помощью успешно решаются разнообразные «нечеткие» задачи - распознавание образов, речи, рукописного текста, выявление закономерностей, классификация, прогнозирование. В таких задачах, где традиционные технологии бессильны, нейронные сети часто выступают как единственная эффективная методика решения.
Генетические алгоритмы - это специальная технология для поиска оптимальных решений, которая успешно применяется в различных областях науки и бизнеса. В этих алгоритмах используется идея естественного отбора среди живых организмов в природе, поэтому они называются генетическими. Генетические алгоритмы часто применяются совместно с нейронными сетями, позволяя создавать предельно гибкие, быстрые и эффективные инструменты анализа данных.
Наверное, самым впечатляющим у человеческого интеллекта является способность принимать правильные решения в условиях неполной и нечеткой
14 информации. Построение моделей приближенных размышлений человека и использование их в компьютерных системах представляет сегодня одну из важнейших проблем науки. Для создания действительно интеллектуальных систем, способных адекватно взаимодействовать с человеком, был создан новый математический аппарат нечеткой логики, который переводит неоднозначные жизненные утверждения в язык четких и формальных математических формул.
При создании автоматизированной системы принятия решений при управлении предприятием важным является вопрос о нахождении адекватных математических моделей принятия решений. Крупным шагом в развитии систем принятия решений явилось применение теории нечетких множеств, нейронных сетей, генетических алгоритмов. Считается, что решение принимается в условиях риска, характеризуется некоторым классом оптимальных стратегий, которые имеют разные степени риска.
Взаимодействие естественного и искусственного интеллекта в процедурах принятия решений через информационные объекты по критериям максимальной эффективности может быть закодировано сложными инструментальными методами. В связи с этим, применение математической теории интеллектуальных систем для повышения эффективности организации общественного производства является крайне актуальной задачей.
Объектом исследования являются производственная программа предприятия (ППП), структура и организация процесса производства, прибыль, себестоимость и рентабельность, операционный денежный поток, нормирование труда, конструктивно-технологическая сложность изделий, прогнозная трудоемкость, информационно-коммуникационные технологии (ИКТ), диффузия инноваций, макроэкономические индикаторы, ценовая дискриминация, контрактация, контрагенты, интеллектуальные системы, классические оптимизационные методы.
Предметом исследования являются математические модели оптимизации ППП, двойственные оценки используемых ресурсов и производственных мощностей, информационная система процесса производства, оперативное управление, критерий оптимальности долгосрочного управления компанией, мониторинг стой-
15 мости и оценки принимаемых решений, интеллектуальные алгоритмы для решения задачи прогнозирования трудоемкости, долгосрочное прогнозирование внедрения ИТК, кластеризация контрагентов как инструмент формализации управленческих решений, гибридный генетический алгоритм с элитным обучением лидера.
Цель работы состоит в получении научно-обоснованных экономических решений, направленных на создание математических моделей оптимизации планирования производственной программы предприятий и интеллектуальных информационных технологий, построенных на основе разработки гибридных алгоритмов, базирующихся на теории нечеткой логики, нейронных сетей и деревьев решений, для решения задач динамического стратегического планирования развития крупномасштабных инжиниринговых проектов, автоматизации оценки трудоемкости производства изделий на стадии конструкторской подготовки производства и выбора контрагентов как инструмента формализации управленческих решений, что будет способствовать развитию теории и расширению практики управления социально-экономической эволюцией предприятия, повышению производительности труда и эффективности путей организации производства.
Для реализации поставленной цели необходимо решить следующие задачи:
построить ряд математических моделей оптимизации показателей хозяйственной деятельности предприятий машиностроения с учетом специфики производства и создание пакета программ для их реализации;
применить однокритериальные линейные модели, использующие критерии максимума прибыли, получаемой от реализации продукции, и максимума объема производства, а также нелинейные многокритериальные модели с линейными и дробно-линейными целевыми функциями и создать алгоритмы их решения;
осуществить выбор модели управления долгосрочным развитием промышленной компании с серийным или массовым производством, действующей на конкурентном рынке, которая, кроме планирования развития компании, должна позволять проводить ее мониторинг стоимости;
определить удобный инструментарий для построения целевой функции дея-
тельности компании, представляющей комбинацию многокритериальной теории полезности и управленческих эквивалентов теории заинтересованных сторон;
разработать методику долгосрочного прогнозирования темпов внедрения инфокоммуникационных технологий (ИКТ) как диффузии инноваций; исследовать значимость ИКТ как важного фактора формирования эффективной инфраструктуры рынков, включая встраивание российских предприятий в технологические цепочки глобальной экономики;
вывести математическую модель оценки определения прогноза динамики инноваций (ДИ), зависящей от макро- и микроэкономических индикаторов, подверженных аддитивным многомерным случайным возмущениям, имеющим место в экономике переходного периода;
построить на основе теории конструкторско-технологической сложности изделий адаптивную нечеткую модель для определения прогнозной трудоемкости их изготовления и построения информационной системы для прогнозирования нормирования труда;
провести структурную адаптацию системы нечеткого вывода путем генерации базы нечетких правил, обладающей полнотой покрытия правилами всех примеров из обучающей выборки деталей изделия, и параметрическую адаптацию на основе настройки форм функций принадлежности нечеткой системы;
конкретизировать модель нечеткой кластеризации контрагентов, позволяющей использовать в качестве элементов признакового пространства контрагентов, подлежащих кластеризации, неколичественные переменные; сформулировать в экономико-правовых аспектах необходимые и достаточные условия применимости данной модели в практической деятельности;
установить соответствие определенной на основании проведенной кластеризации группы риска контрагента совокупности возможных и допустимых вариантов взаимодействия с учетом прочих характеристик контракта для применения ценовой дискриминации и осуществить процесс согласования условий возможной контрактации с контрагентом;
применить для обучения интеллектуальных систем ГА, основанные на имитации в искусственных системах некоторых свойств живой природы; провести эксперименты на тестовых функциях с использованием разных типов операторов скрещивания и мутации для ГА с вещественным и бинарным кодированием для установления вида кодирования, при котором отыскание оптимума реализуется лучше и быстрее;
разработать гибридный генетический алгоритм с элитным обучением лидера, обладающего пригодностью при решении задач условной и безусловной оптимизации и решения систем нелинейных уравнений большой размерности, а также позволяющего его использовать для обучения интеллектуальных систем.
Методы исследования. В работе применялись теоретические исследования и методы вычислительного эксперимента.
Работа основана на использовании элементов теории полезности, теории игр, элементов теории принятия решений, линейного, дробно-линейного и нелинейного программирования, теории многокритериальной оптимизации, теории заинтересованных сторон, параметрического программирования, теории реальных опционов. Использован аппарат исследования операций, теория вероятностей и математическая статистика, компьютерное моделирование.
Использовались методы теории нечетких множеств, нейронных сетей, деревьев решений, бинарного и вещественного кодирования, эволюционных и градиентных алгоритмов, системного анализа, объектно-ориентированного программирования. Использованы элементы теории распознавания образов (кластерный анализ), положения институциональной экономической теории и теории риска.
При исследовании диффузии инноваций применялись методы экономики связи, теории линейных дифференциальных уравнений, регрессионный анализ, а также метод наименьших квадратов с адекватной аппроксимирующей функцией, методы математического моделирования, методы современной макроэкономической теории, описательного и сравнительного анализа, а также методы теоретико-информационного моделирования процессов и систем.
При распознавании конструкторских чертежей использовались методы
18 моделирования, анализа, синтеза и кодирования графических изображений; метод центроидной фильтрации; операторы редукции изображений на дискретный растр и их кодирование на основе цепных кодов; методы распознавания структурных элементов изображений; программные средства обработки графических изображений; технологии обработки графической информации в интеллектуальных телекоммуникационных системах.
Достоверность и обоснованность. Методы, применяемые в диссертационном исследовании, обусловливают необходимый уровень его достоверности. Основные факторы достоверности работы базируются на использовании методологии системного подхода, структурно-динамического анализа, математического моделирования экономических объектов и процессов.
В работе применены традиционные методы экономических исследований - абстракция, анализ и синтез, интроспекция и ретроспекция. Основные результаты получены с использованием истории, теории и фактологии по изучаемой проблеме. Параметры вычисленных моделей сформированы на базе реальных данных. Результаты аналитических расчетов правильно отражают моделируемые фрагменты экономической реальности.
Вычислительный эксперимент проводился с помощью компьютерных и информационных технологий, включающих современные интегрированные программные средства, на основе классических методов оптимизации и предложенных методов интерпретации математической теории интеллектуальных систем.
Научная новизна, В результате впервые проведенных комплексных исследований получены новые экономические решения и пути построения структуры тонких экономических механизмов, позволяющих автоматизировать процесс организации и управления производством промышленного предприятия, наделить систему принятия управленческих решений предприятия элементами искусственного интеллекта, что, в конечном счете, будет способствовать гибкости и объективности решений руководящего звена предприятия, повышению производительности труда, конкурентоспособности, экономичности и устойчивости производства, в ходе которых:
рассмотрены эффективные алгоритмы решения задач оптимизации показателей хозяйственной деятельности предприятия, построенные на основе методов линейного, дробно-линейного и нелинейного многокритериального программирования. Проанализированы устойчивость и экономическая интерпретация двойственных оценок, которые применяются в анализе решений оптимизационных задач линейного программирования. Показано, что одними из наиболее эффективных алгоритмов оптимизации производственной программы являются алгоритмы, построенные на базе методов последовательной безусловной минимизации;
для однокритериальной линейной модели оптимизации прибыли от реализации произведенных изделий предложена схема проведения сравнительного анализа оптимальной прибыли и прибыли, получаемой при условии выполнения заказа на определенные виды изделий. Эта схема может применяться на машиностроительном предприятии, учитывая специфику его технологических процессов, при организации производства изделий определенной номенклатуры для оперативного принятия решения о выполнении поступившего заказа;
применяя теорию двойственности линейного программирования для од-нокритериальных моделей, рассчитаны двойственные оценки используемых ресурсов и производственных мощностей, что позволяет: провести анализ расходов по каждому типу ресурсов; оценить остатки ресурсов и время простоя производственных мощностей; оценить меру дефицитности каждого типа ресурса для принятия решения об изменении запасов ресурсов с целью получения наилучшего экономического эффекта от дополнительно вложенных средств;
проведены исследования промышленных предприятий; предложена система количественных и качественных показателей, характеризующих процессы управления, необходимые для построения критерия оптимальности долгосрочного управления компанией, определена связь целевой функции долгосрочного планирования с целевой функцией оперативного управления; выявлена структура и построена целевая функция долгосрочного управления, а также установлена связь целевой функции с системой мотивации компании;
определено, что стоимость компании является основным критерием оценки ее финансового благополучия, который дает комплексное представление об эффективности управления бизнесом, так как управление стоимостью компании - это инновационный подход, приобретающий все большую популярность, а также то, что вышеупомянутый критерий в наибольшей степени удовлетворяет собственников бизнеса и, в условиях отсутствия монополий и экстерналий, обеспечивает максимизацию социального благосостояния как компании, так и ее сотрудников;
разработана методика долгосрочного прогнозирования темпов внедрения новых технологий как ДИ, являющаяся эффективным рычагом темпов ускорения научно-технического прогресса в промышленности, где механизмы технической кооперации базируются, как правило, на устаревших информационных и компьютерных технологиях, и являются «узким» местом, сдерживающим не только разработку новых технически сложных изделий, но и международную кооперацию в этой сфере. Разработанная методика позволяет найти наилучшую аппроксимирующую логистическую кривую, которую можно затем использовать для прогноза ДИ;
полученная в работе кривая прогноза позволяет оценить сроки получения доступа хозяйствующих субъектов РФ к технологиям международного «электронного рынка», на котором поставщики «интеллектуальной продукции» выстроены в технологические цепочки, при этом их тесное взаимодействие обеспечивается в рамках вертикальной интеграции, где все звенья связаны в единую компьютерную систему, в рамках которой и реализуется рыночный механизм: на конкурентной основе распределяются заказы, а звенья кооперируются в технологические цепочки для их выполнения. Реструктуризация предприятия в рамках вертикальной интеграции ведет к заметным сдвигам в производительности и эффективности организации производства;
решена задача разработки оценок точности определения прогноза ДИ в условиях формирования цивилизованных рыночных отношений, оценок его достоверности, построение математической модели для экономического индикатора ДИ, позволяющей количественно указывать, как влияют на точность прогноза девиация различных микро- и макроэкономических индикаторов. При решении этих
21 задач учитывался случайный характер возмущений, вызванных несовершенством действия рычагов государственного регулирования и стихийностью гипертрофированного рынка, что пагубно влияет на направление изменения большинства экономических индикаторов. Тем более что в последнее время наблюдается тенденция повышения влияния случайной составляющей возмущений на эти индикаторы и уменьшения влияния детерминированных воздействий;
созданы системы нормирования труда, построенные на теории нечетких деревьев решений, в которых генерация правил и подбор параметров функций принадлежности ведутся в процессе обучения по имеющимся данным. Поскольку при обучении нечеткой системы используются генетические алгоритмы оптимизации, то такая система является генетической нечеткой системой или адаптивной системой нечеткого вывода с генетическим алгоритмом обучения;
впервые предложено использовать аппарат нечетких деревьев решений для определения прогнозной трудоемкости машиностроительных деталей на стадии конструкторской подготовки производства. Это позволило оперативно оценивать нормы времени на изготовление изделий без проектирования технологического процесса, что дало возможность снизить затраты на процесс нормирования и принять обоснованное решение по выпуску нового изделия. На примере деталей зубчатого класса построена адаптивная нечеткая модель для прогнозирования трудоемкости их изготовления. Средняя относительная ошибка нечеткого прогноза составила 5,2%, что приемлемо на стадии предварительной оценки;
предложена методика согласования условий возможной контрактации с контрагентом на основе выявленной совокупности возможных и допустимых вариантов взаимодействия обеих сторон контракта в соответствии с проведенной кластеризацией групп риска контрагента. Применение в практической деятельности предложенной методики формализации принятия управленческих решений в области ценообразования в части осуществления ценовой дискриминации, основанной на модели нечеткой кластеризации контрагентов, позволит производить выбор типа контрактации и осуществлять ценовую дискрими-
22 нацию с учетом риска взаимодействия с данным хозяйствующим субъектом;
предложена модель нечеткой кластеризации контрагентов при принятии решений ценовой дискриминации на основе формальных критериев, которая дополнена блоком динамической корректировки, позволяющим адаптировать данную модель к высокому уровню изменчивости российской экономической среды, и, как следствие, характеристик функционирования субъектов хозяйственной деятельности;
для обучения интеллектуальных систем, каковыми являются социально-экономические системы, использованы ГА, основанные на имитации в искусственных системах некоторых свойств живой природы: естественного отбора, приспособляемости к изменяющимся условиям среды, наследования потомками жизненно важных свойств от родителей. Сильной стороной ГА является их способность решать многоэкстремальные задачи без наложения условий на вид оптимизируемой функции (отсутствуют требования непрерывности самой функции и ее производных). Однако достижения глобального экстремума ГА не гарантируют. Считается, что отыскивается сравнительно «хорошее» решение. Важным достоинством ГА является то, что для них не важно начальное приближение. ГА показал высокую эффективность при решении многих задач: обучение нейронных сетей, обучение нечетких систем, решение вариационных задач и оптимальное управление сложными системами;
разработан гибридный генетический алгоритм с элитным обучением лидера, показавший пригодность при решении широкого класса задач: условной и безусловной оптимизации, решения систем нелинейных уравнений большой размерности. Его свойства дают основание рекомендовать метод для обучения интеллектуальных систем. Применение генетического алгоритма с вещественным кодированием с новыми операторами скрещивания для дополнительного обучения нечеткой системы прогнозирования трудозатрат на производство машиностроительных изделий уменьшило ошибку с 5,2% до 4,4%.
Практическая ценность работы. С использованием описанных в данной работе математических моделей оптимизации и алгоритмов создана информа-
23 ционная система производства машиностроительного предприятия, которая позволяет упорядочить все ресурсные потоки внутри предприятия, систематизировать внутреннюю и внешнюю информацию, оперативно реагировать на изменения хранимых данных, оптимизировать процесс планирования производственной программы. Разработанные алгоритмы и пакеты программ могут служить основой для планирования выпуска изделий на предприятии в рамках тактического планирования и оперативного управления.
В работе при определении стратегии оптимального управления долгосрочным развитием предприятия выявлена логика инвестиционных процессов. Согласно ей, основную роль при выборе объекта инвестирования играет такая категория, как «инвестиционная привлекательность предприятия» (ИПП). Показано, что инвестирование - процесс не с гарантированным, а с вероятностным результатом. Выявлена институциональная природа категории ИПП, а процедура оценки ИПП регулируется определенными нормами и правилами. При этом вся совокупность оценочных институтов подразделяется на две большие группы. Институт национального права - это, своего рода, метаинсти-тут, то есть институт формальных институтов. Институт фондового рынка представляет собой систему норм и правил, регулирующих механизм организованной торговли корпоративными ценными бумагами.
Применение методики долгосрочного прогнозирования может предотвратить существенные финансовые потери вследствие неоптимальных темпов развития национальной информационной инфраструктуры ИКТ. Установлено, что опережающее развитие в России сектора услуг и производства «интеллектуальной» продукции, основанных на ИКТ, внесет существенный вклад в экономический рост, повысит производительность в производственных отраслях и обеспечит более полную занятость квалифицированных слоев населения. Это, по существу, самый эффективный путь интеграции России в постиндустриальную глобальную экономику, поскольку он учитывает конкурентные преимущества России - относительно высокий образовательный и культурный уровень населения. Именно на основе ИКТ стано-
24 вится возможным придать экономическому росту новое качество, поскольку его основной движущей силой в этих условиях должны стать «инновации» и «человеческий капитал», на основе которых удастся компенсировать резкое сокращение численности трудоспособного населения России в ближайшее десятилетие. Этому будет способствовать и значимость ИКТ как важного фактора формирования эффективной инфраструктуры рынков, включая встраивание российских предприятий в технологические цепочки глобальной экономики.
В работе использован эффективный подход к созданию автоматизированного метода нормирования, использующего теорию конструктивно-технологической сложности изделий, как некоторой функции, зависящей только от свойств изделия - совокупности геометрических, конструктивных и технологических признаков. Такой метод нормирования основан на построении линейной регрессионной зависимости сложности от трудоемкости, а коэффициенты регрессии получаются различными для каждого исследуемого объекта и учитывают факторы, не связанные со сложностью изделий, но влияющие на трудоемкость: используемое оборудование, квалификация работников, условия труда и другие показатели организационно-технического уровня производства.
Предложенные неформальные критерии ценовой дискриминации возможно использовать в целях принятия адекватных управленческих решений в области ценообразования. Уточненная в работе модель и предложенная методика носят универсальный характер и могут быть использованы с учетом выполнимости необходимых и достаточных условий различными хозяйствующими субъектами, специфика функционирования которых предполагает целесообразность использования ими дифференцированного ценообразования.
Реализация работы в производственных условиях. Положения, разработки и рекомендации диссертационной работы внедрены на ряде предприятий: ФГУП «НПП «КВАНТ» (г. Москва), ОАО «Ижмаш», ОАО «Ижевский Радиозавод» (г. Ижевск), Самарского филиала ОАО «ВолгаТелеком» (Самарский филиал ОАО «ВолгаТелеком», г. Самара), Тульский филиал ОАО «ЦентрТелеком» (г. Тула) и др.
25 Апробация работы. Отдельные законченные этапы работы обсуждались на Международной научной конференции «Проблемы экономики переходного периода» (Москва, 1993); Механизмы финансовых рынков высшей квалификации (США, Нью-Йорк, 1994), Международном симпозиуме «Экономическое сотрудничество на уровне субъектов федеративных государств» (Испания, Барселона, 1994); Международном семинаре «Проблемы привлечения инвестиций для реализации программы ООН по химическому разоружению» (Германия, Берлин, 1996); Международном Самарском симпозиуме телекоммуникаций для руководящих работников отрасли связи (1996- 2004); Международной НТК «Информационные технологии в инновационных проектах» (Ижевск, 1999-2004); Научно-технических конференциях ИжГТУ (Ижевск, 1991-2004); The 5th International congress on mathematical modelling (Dubna, 2002); Международной НТК, посвящ. 50-летию ИжГТУ (Ижевск, 2002); 31-й Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); 6-м Международном конгрессе по мат. моделированию (Н.Новгород, 2004); 31-32 Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2004-2005); IX Европейском конгрессе «Математическое моделирование технико-экономических проблем в нефтегазовой отрасли» (Франция, Канны, 2005); Научной практической конференции «Экономические аспекты научно-технического сотрудничества предприятий и организаций Сирии и России» (Сирия, Дамаск, 2005); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2005-2006); X Международной конференции Российской научной школы «Илноватика-2005» (Сочи, 2005); Международной НТК «Искусственный интеллект» (п. Дивноморское, Кацивели, 2005-2006); Всероссийской НПК «Социально-экономическое развитие России в XXI веке» (Пенза, 2006); XVII Международной НТК «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2006); IV Международной НПК «Теория и практика антикризисного менеджмента» (Пенза, 2006); V Всероссийская НПК «Про-
26 блемы и перспективы российской экономики» (Пенза, 2006).
Публикации. Основные научные результаты по теме диссертации опубликованы в 64 научных работах, в том числе 16 монографий и учебных пособий (общим объемом 224,77 п.л.). Автор имеет 29 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций на соискание ученой степени доктора наук.
Структура диссертационной работы определяется общими замыслом и логикой проведения исследований. Диссертация содержит введение, 6 глав и заключение, изложенные на 373 с. машинописного текста. В работу включены 96 рис., 44 табл., список литературы из 396 наименований.
СОДЕРЖАНИЕ РАБОТЫ
Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения научной новизны и практической полезности и определяет содержание и методы выполнения работы.
В первой главе рассмотрены принципы системного экономико-математического моделирования и математические методы, используемые при решении задач оптимизации, с учетом структуры машиностроительного предприятия. Представлены математические модели оптимизации показателей хозяйственной деятельности предприятия с учетом принятых допущений, ограничений и основных экономических показателей производственно-хозяйственной деятельности.
Во второй главе описана интеллектуальная система оптимального управления долгосрочным развитием компании с указанием основных проблем российских промышленных компаний.
Третья глава посвящена методике долгосрочного прогнозирования темпов внедрения ИТК на основе решения уравнения диффузии инноваций, учитывая при этом стохастические связи между случайными величинами и принимая во внимание средства телекоммуникаций (СТК) как объект диффузии инноваций.
В четвертой главе указан алгоритм применения математической теории интеллектуальных систем для нормирования в машиностроении, приведен ана-
27 лиз методов нормирования в машиностроении, в том числе алгоритмические методы определения трудоемкости изделий машиностроения.
В пятой главе уточнена и обоснована модель осуществления нечеткой кластеризации контрагентов с позиций риска взаимодействия с ними, а также предложена методика принятия адекватных управленческих решений в области ценообразования.
В шестой главе приведено развитие методов оптимизации, применяемых для обучения интеллектуальных систем.
В заключении сделаны выводы о проделанной работе.
Анализ задач математического программирования, используемых для оптимизации производственно-хозяйственной деятельности предприятия
Однокритериальную многомерную оптимизационную задачу при наличии ограничений можно записать в виде: f(x) -» min(max), где U- допустимое множество х = (xi, Х2,..., х,), не совпадающее с пространством „
Чаще всего допускаемое множество U записывают в виде равенств или неравенств, т.е. рассматривается задача: f(x)- min(max), g,(x) 0, xeJ{, gj(x) = 0, xeJ2, где У, и J2 - заданные множества индексов.
В литературе по математическому программированию и методам оптимизации принята следующая классификация задач: 1) задача линейного программирования, если все функции f{x) и ,.( ) линейные, а переменные х., гдеу-І, 2,..., п, удовлетворяют условию неотрицательности, т.е. (Vj,j = \,2,...,n):Xj 0; 2) задача нелинейного программирования, если хотя бы одна из функций Лх) и S,(x) не является линейной; 3) задача на условный экстремум, если J\ - пустое множество, т.е. J, = 0; 4) задача выпуклого программирования, если все функцииДх), g,-( ) - выпуклы, a J2 = 0, т.е. ограничения в виде равенств отсутствуют, (У-выпукло.
Сделаем ряд замечаний. 1. Задачу линейного программирования в общем виде можно записать так: п п п f{x) = YJCJXS - min(max), ХА ; = V Yjauxj -V г xj J = 1 2,...,п, где с = (схс2 ...,с„), a = {a.la.2...,ajn) - фиксированные векторы в пространстве Еп\ Jx, J2 - некоторые множества индексов: J, u J2 = {1,2,...,ш}. 2. Примером задачи нелинейного программирования является задача дробно-линейного программирования, ее можно записать в виде /( ) = ( " ) К " ) /I - min, я..ху =6,,/ = 1,2,...,/?; х;. 1),,/=р+1,.,ш; ху 0,у = 1,2,...,л, где с = (с,с2 ...,с„), d = (djldJ2...,dJn) фиксированные векторы пространства Еп.
3. Задача квадратичного программирования, где целевая функция/(х) -выпуклая квадратичная функция на допустимом множестве U, так же является задачей нелинейного программирования.
Рассматривая многокритериальные многомерные оптимизационные задачи в дальнейшем, будем придерживаться рассмотренной классификации.
Задача оптимизации 111111 в одной из наиболее простых постановок представляется в виде задачи линейного программирования. Последнее представляет собой раздел математического программирования, который изучает задачи опти мизации линейных функций многих переменных на множествах, выделяемых из многомерного евклидового пространства при помощи линейных равенств и неравенств. Теория линейного программирования представлена в работах [4,62, 102,133,209,214,226,330,331].
Методы решения задач линейного программирования в настоящее время хорошо разработаны. Одним из первых появился симплекс-метод Данцинга [62] или, по-другому, метод разрешающих множителей, созданный Канторовичем [101].
В дальнейшем были созданы и другие методы, ориентированные на использование отдельных свойств постановки задачи [329,367]. Они различаются в зависимости от того, получается ли оптимальное решение задачи при движении по допустимым решениям прямой задачи, или по допустимым решениям двойственной задачи, или при совместном использовании обеих задач двойственной пары [330].
При таком признаке классификации симплекс-метод и его различные модификации следует отнести к конечным методам первой группы, в которых оптимальный план достигается при движении по допустимым решениям исходной задачи.
Метод последовательного уточнения оценок и различные его модификации следует отнести ко второй группе конечных методов, в которых движение идет по допустимым решениям двойственной задачи. Вычислительная схема метода последовательного уточнения оценок формируется в терминах исходной задачи.
Метод последовательного сокращения невязок относится к третьей группе методов, в которой используются обе задачи двойственной пары. Каждой итерации метода соответствует переход от одного допустимого решения сопряженной задачи к следующему. В терминах исходной задачи каждая итерация метода сокращения невязок означает переход от одного квазиплана задачи к следующему, с меньшей невязкой.
Институциональное и ситуационное управление в организационных системах
В работах Д. Норта [218] и его последователей построена общая концепция институтов и институциональной динамики, опирающаяся на понятия прав собственности, трансакционных издержек, контрактных отношений и групповых интересов. Благодаря освоению экономической наукой этих понятий стало возможно изучение институциональной структуры производства (институты влияют на экономические процессы тем, что, в том числе, оказывают воздействие на издержки обмена и производства). Отдельным и чрезвычайно важным вопросом, изучаемым институциональной экономикой, является роль государства (государственного регулирования) в экономике.
Таким образом, институты являются предметом исследований в институ циональной экономике, однако, отсутствие соответствующих формальных моделей и конструктивных результатов делают возможным использование данного раздела экономической теории лишь в качестве методологической основы институционального управления организационной системы (ОС), каковой является корпорация или предприятие (компания).
Для того чтобы определить место институционального управления среди других типов управления, перечислим параметры модели ОС: состав ОС (участники, входящие в ОС); структура (совокупность информационных, управляющих, технологических и других связей между участниками); множества допустимых действий участников, отражающие, в том числе, институциональные, технологические и другие ограничения их совместной деятельности; целевые функции участников, отражающие их предпочтения и интересы; информированность - та информация, которой обладают участники ОС на момент принятия решений о выбираемых стратегиях; порядок функционирования: последовательность получения информации и выбора стратегий участниками ОС.
Управление ОС, понимаемое как воздействие на управляемую систему с целью обеспечения требуемого ее поведения, может затрагивать каждый из шести перечисленных ее параметров. Следовательно, одним из оснований системы классификаций механизмов управления ОС (процедур принятия управленческих решений) является предмет управления - изменяемая в процессе и результате управления компонента ОС.
По этому основанию можно выделить: управление составом, управление структурой, институциональное управление (управление «допустимыми множествами»), мотивационное управление (управление предпочтениями и интересами - целевыми функциями) и информационное управление (управление информацией, которой обладают участники ОС на момент принятия решений).
В рамках указанной классификации институциональное управление понимается в узком смысле - как ограничивающее, в то время как побуждающий его аспект может быть отнесен к «стыку» институционального (в узком смыс ле), мотивационного и информационного управления. Поэтому мы рассматриваем как управление ограничениями деятельности (институтом ограничивающих норм), так и управление институтом побуждающих норм.
Таким образом, одним из предметов исследования в работе является институциональное управление - целенаправленное воздействие на ограничения и нормы деятельности участников ОС.
Управление ситуациями в ОС, в том числе в экономических, реализуется на основе совместного функционирования естественного и искусственного интеллекта ЛПР во всех процедурах принятия решений (ППР) [305]. Это представляет собой итерационный процесс формирования управленческих воздействий на базе формализованных экспертных знаний, математических методов и результатов моделирования. Иными словами, под ОС понимается взаимнооднозначное отображение объекта управления (ОУ) на управляющую структуру (личный состав, технические средства, экономическая среда и др.) в формализованном пространстве принятия решений в случае использования автоматизированных систем - это АСПР.
Организационное управление осуществляет построение процессов путем управления в экономике всеми видами ресурсов. Процессы следует рассматривать как воздействия на виды ресурсов в соответствии с поставленными целями, которые являются ОУ. По результатам воздействия возникают отклонения текущих характеристик от заданных (или желаемых), совокупности которых соответствуют ситуации. ОУ характеризуется ситуациями, которые возникают на предприятии при развитии его производства, оказании услуг, а также из-за изменений на рынках сбыта продукции, труда и финансов.
Методика долгосрочного прогнозирования темпов внедрения информационно-коммуникационных технологий
Прогнозирование и планирование служат важнейшими инструментами экономического регулирования хозяйственной деятельности при любых формах экономики [6,200,256]. Условия социально-экономической деятельности организации связи в последнее десятилетие характеризуется динамизмом, жесткой конкуренцией, глубокими изменениями в конъюнктуре рынка услуг связи, значительными структурными сдвигами и неопределенностью, что осложняет процесс прогнозирования параметров развития связи, а также снижает достоверность и точность прогнозов. Особенно важна адекватность краткосрочного и среднесрочного прогнозирования объемов производства услуг связи, аппарат которого должен учитывать конъюнктуру рынка услуг связи, влия ниє множества факторов спроса и внешней среды, цикличность производства и потребления услуг связи. Региональная специфика социально-экономического развития и платежеспособности пользователей оказывает непосредственное воздействие на характер развития производства и потребления услуг связи, и изменение во времени и пространстве, формирование параметров и закономерностей спроса и предложения услуг операторов связи. Комплексный подход к прогнозированию объемов предложения услуг связи как единой системе взаимодействующих сегментов рынка реализуется на базе модульного принципа построения прогнозных моделей.
Комплексный подход к прогнозированию объемов предложения услуг связи, реализуемый на базе модульного принципа формирования моделей объемов услуг связи, базируется на выполнении двух основных операций - синтез множества альтернатив облика объекта прогнозирования и сравнение и выбор наиболее адекватной альтернативы [164]. Объединение этих операций - синтез множества альтернатив, сравнение и выбор вариантов развития объекта прогнозирования - определяет комплексную задачу, реализующую основные принципы прогнозирования.
На различных этапах прогнозирования объемов услуг связи применяются три группы методов [307,327]: общенаучные или логические (метод исторической или математической аналогии), межнаучные (методы экспертных оценок, экстраполяции, эконометрического моделирования, математической статистики) и частнонаучные или специальные методы экономического прогнозирования (балансовые методы).
Главной целью экономико-статистического моделирования является разработка адекватной модели развития экономического объекта или процесса, обладающей качественными прогнозными свойствами. Классификация экономико-статистических моделей представлена на рис.3.1.
Разработка методики прогнозирования осуществлялась с учетом важнейших особенностей отрасли связи и на примере ее сетевых технологий.
Особая роль математики обусловлена, в частности, тем, что ее логически безупречные внутренние непротиворечивые построения помогают выявить истинные соотношения между объектами реального мира. Как будет ясно из дальнейшего, при исследовании информационно-экономических законов нам потребуется устанавливать стохастические (вероятностные) связи между случайными величинами. Такие связи возникают тогда, когда имеются общие случайные факторы, влияющие как на одну, так и на другую величину наряду с другими неодинаковыми для обеих величин случайными факторами [370].
Основное применение соответствующей теории относится крещению задачи обоснованного прогноза, т.е. указания пределов, в которых с заданной надежностью будет содержаться интересующая нас величина, если другая, связанная с ней величина получает определенное значение. Наиболее важные особенности стохастической связи находят выражение в тех изменениях, которые испытывает центр условного распределения одной величины при изменении другой.
Результаты численного эксперимента тестирования метода нечетких деревьев решений
К группе методов, получивших в последнее время широкое применение в самых разных областях, относятся алгоритмы деревьев решений. Эти алгоритмы применяются для решения задач классификации. Метод деревьев решений может применяться для целевой переменной, имеющей булев или категориальный тип. Такие переменные содержат значения, принадлежащие некоторому конечному множеству без определенного отношения порядка на нем.
Пусть целевая переменная соответствует некоторым классам, на которые разбито множество данных. Требуется отыскать некоторое классифицирующее правило, позволяющее разбить множество данных на эти классы [364]. В процессе поиска классифицирующего правила проводится перебор всех независимых переменных и отыскивается наиболее представительное правило на данном этапе. В обычных деревьях решений применяются предикаты вида x w, x w. Данные разбиваются на две группы в соответствии со значением этого предиката. После этого процесс повторяется для каждой из этих групп до тех пор, пока получающиеся подгруппы содержат в себе представителей классов и включают в себя достаточно большое количество точек для того, чтобы статистически значимо быть разбитыми на меньшие подгруппы. В результате, окончательное классифицирующее правило, построенное этим процессом, может быть представлено в виде бинарного дерева. Каждый узел этого дерева соответствует некоторому подмножеству данных и содержит найденное классифицирующее правило для этого подмножества.
Удобным для анализа свойством деревьев решений является представление данных в виде иерархической структуры. Компактное дерево проявляет картину влияния различных факторов, независимых переменных.
Метод классификации, основанный на деревьях решений, имеет в качестве преимуществ следующие свойства: бЕЛстрый процесс обучения; генерация правил в областях, где эксперту трудно формализовать свои знания; извлечение правил на естественном языке; интуитивно понятная классификационная модель; достаточно высокая точность прогноза, сопоставимая с другими методами; построение непараметрических моделей.
Эти положительные свойства приближают методологию деревьев решений к системам, основанным на нечеткой логике, выигрывая у них в быстроте процесса обучения.
Деревья решений - один из методов извлечения знаний из данных. Введем основные понятия из теории деревьев решений: объект - пример, шаблон, наблюдение, точка в пространстве атрибутов; атрибут - признак, независимая переменная, свойство; метка класса - зависимая переменная, целевая переменная, признак, определяющий класс объекта; узел - внутренний узел дерева, узел проверки; лист - конечный узел дерева, узел решения; проверка - условие в узле.
Деревья решений - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Под правилом понимается логическая конструкция, представленная в виде if A then В (Л - В).
Пусть задано некоторое обучающее множество X, содержащее объекты, каждый из которых характеризуется т атрибутами и один из них указывает на принадлежность объекта к определенному классу. Это множество обозначим
X = ixJ,С[ 1J = 1,N;k = \,К , где каждый элемент этого множества описывается атрибутами x = (xi ),i = \,m-\ и принадлежит одному из классов Ck. Количество примеров в множестве равно N является мощностью этого множества [х. Через [Ск] обозначается множество классов.
Каждое множество X на любом этапе разбиения характеризуется следующими показателями: - множество X содержит несколько объектов, относящихся к одному классу Ск . В этом случае множество X является листом, определяющим класс Ск. - множество Хне содержит ни одного объекта (Х=0). В данной ситуации необходимо возвратиться к предыдущему этапу разбиения.
- множество X содержит объекты, относящиеся к разным классам. Такое множество является пригодным для разбиения на некоторые подмножества. Для этого выбирается одна из переменных и в соответствии с правилами x w, x w множество X разбивается на два подмножества. Этот процесс рекурсивно продолжается до тех пор, пока конечное множество не будет состоять из примеров, относящихся к одному и тому же классу.
Данная процедура лежит в основе многих алгоритмов построения деревьев решений (метод разделения и захвата) [392]. Построение дерева решений происходит сверху вниз. Сначала создается корень дерева, затем потомки корня и т.д.
Поскольку все объекты были заранее отнесены к известным классам, такой процесс построения дерева решений называется обучением с учителем.
При построении деревьев решений необходимо решить следующие задачи: выбор критерия атрибута, по которому пойдет разбиение; остановка обучения; отсечение ветвей.
