Содержание к диссертации
Введение
1. Обзор и анализ возможностей интеллектуального моделирования в производственно-экономической системе предприятия 17
1.1. Традиционные модели и экономическая проблематика в условиях конкуренции 17
1.2. Обработка информации и модели искусственного интеллекта 26
2. Разработка методов управления запасами с использованием нейросетевых технологий 39
2.1. Материальные запасы как важнейший фактор производственного процесса 39
2.2. Структура, функции, иерархия, причинно-следственные связи 52
2.3. Моделирование задачи оптимизации материальных потоков 54
2.4. Неоптимизационное принятие решений в процессе управления запасами 71
2.5 Принятие решений с использованием данных произвольной структуры 82
2.6. Проблема выбора альтернативных сетевых моделей 94
2.7. Структура комплексной нейросетевой системы моделирования в базисе входных материальных потоков 98
3. Разработка методов управления сбытом продукции с использованием нейросетевых технологий 102
3.1. Прогнозирование спроса. Структура модели, функции и причинно-следственные связи 102
3.2. Анализ и структуризация исходных данных 115
3.3. Нейросетевое многошаговое однопараметрическое прогнозирование спроса на продукцию предприятия 120
3.4. Нейросетевое прогнозирование спроса на основе анализа влияющих факторов 128
3.5. Прогнозирование спроса на основе распознавания ситуаций 133
3.6. Автоматизация выбора варианта прогнозирующей модели 137
4. Поддержка принятия решений по управлению производственными потоками на основе нейронных сетей 144
4.1 Структура и проблематика предметной области исследования 144
4.2. Внешние воздействия и критерии управления 154
4.3. Структура сети, ее работа и методика настройки 163
4.4. Исследование проблемы оптимальности 167
5. Нейросетевые методы принятия решений по распределению производственных ресурсов 174
5.1. Постановка задачи 174
5.2. Структурное, теоретико-множественное и логическое представление модели оптимизации 177
5.3. Нейромоделирование распределения ресурсов 192
6. Инструментальные средства нейромоделирования производственной системы 202
6.1 Структура системы, выбор сетевой модели 202
6.2. Пример подбора модели при помощи сети Хемминга 217
6.3. Методологические и математические аспекты взаимодействия специалист-система моделирования 220
7. Апробация моделей и методик 231
7.1. Апробация моделей нейросетевого управления запасами 231
7.2. Апробация модели и методики прогнозирования спроса на продукцию. 236
7.3. Апробация модели и методики нейросетевого управления материальным потоком на технологическом маршруте 240
7.4. Апробация методики нейросетевого подбора моделей производственно-экономического объекта 248
Заключение 254
Литература
- Обработка информации и модели искусственного интеллекта
- Моделирование задачи оптимизации материальных потоков
- Нейросетевое многошаговое однопараметрическое прогнозирование спроса на продукцию предприятия
- Структурное, теоретико-множественное и логическое представление модели оптимизации
Введение к работе
Актуальность темы исследования
В условиях рыночной экономики все более востребованной становится наработка и аккумуляция знаний о моделях производственных объектов, методах решений экономических задач, а также соответствующих им инструментальных средств, позволяющих эффективно и на современном уровне поддерживать и развивать информационную среду управления.
Усложнение проблем управления в соответствии с принципами экономической кибернетики (необходимого разнообразия Эшби, модель жизнеспособной фирмы Стаффорда Вира и др.) связано с усложнением методов управления производственной системой. Накопление научных и прикладных результатов в области разработки и использования моделей приводит к значительному росту их количества при относительно малой структурированности и усложнению области знаний.
Объективная сложность анализа динамики производственных систем с целью формирования политики, направленной на устойчивое развитие в условиях рынка, обусловливает необходимость и народнохозяйственную значимость исследования вопросов моделирования бизнес-процессов, в основе которых лежат возможности управления ресурсами. Для современной производственной системы характерны большая размерность, значительные объемы информации, что делает особо актуальной проблему многовариантного выбора адекватного модельного представления предприятия. Модели разной математической природы (динамические, оптимизационные и т.д.), предназначенные для описания элементов производственной системы предприятия, должны эффективно взаимодействовать. Это инициирует проблему их интеграции и стыковки на системном и информационном уровне. Производственная система предприятия находится под непосредственным влиянием ди намики рыночной экономики, поэтому программно-информационные среды, являющиеся источником данных для производственных моделей, непрерывно развиваются и изменяются, что порождает проблему нахождения соответствия методов и инструментальных средств моделирования. В то же время имеющиеся инструментальные средства моделирования, как правило, тяготеют лишь к алгоритмической, логической или функциональной поддержке введенной специалистом модели, оставляя в стороне интеллектуальную поддержку принятия решений в области моделирования, если оно касается самого выбора модели. Чем сложнее производственная система, тем разнообразнее модельные представления, тем существеннее затраты, необходимые для выбора наиболее адекватного имеющейся задаче решения.
В связи с этим весьма важным представляется развитие теоретических основ накопления, интеграции и поиска знаний. Это касается моделей производственной системы предприятия, инструментальных средств моделирования, управления и принятия решений. Сам характер информационного процесса (обработка не столько данных, сколько знаний) актуализирует использование методов искусственного интеллекта. Данной актуальной проблеме и посвящена выполненная автором диссертационная работа.
Степень разработанности проблемы исследования.
Теоретические проблемы динамического моделирования производственно-экономической системы предприятия, фундаментальные основания и принципы такого моделирования, были исследованы в работах А.А. Перво-званского, К. Негойце, Б.Я. Советова, Н.А. Саломатина, С.А. Думлера, К. Не-гойцэ, Д.А. Поспелова, Н.П. Бусленко, Б.Г. Тамма, М.Э. P.P. Таваста, В.Н. Буркова, В.В. Литюшкина, А.А. Колобова, Л.Ф. Шклярского, Р.Г. Валеевой и др.
Представлениям материальных и финансовых потоков предприятия в виде динамической системы с целью решения проблем управления и планирования посвящены работы О.Б.Низамутдинова, Р.А.Файзрахманова, А.С. Иванова.
Методы планирования и управления производством в ключе постановки оптимизационных задач рассматриваются в трудах В.Ф. Сытника, С.А. Жданова, Р. Аллена, С.А. Ашманова, А.Г. Гранберга, Л.В. Канторовича, Г.Ш. Рубинштейна, Н.Н. Моисеева, Дж. Фон Неймана, О. Моргенштейна, СИ. Шелобаева, В.А. Емеличева, В.И. Комлика Л.И. Смоляра, В.В. Шкурбы, К.Г. Татевосова, В.М. Португала, А.Е. Перельмана.
Модели производственных систем, взаимодействующих с деловой средой, традиционно исследовались с точки зрения компенсации последствий случайных факторов. Среди работ, посвященных понятийному и математическому аппарату таких задач, следует выделить работы П.А. Ватника, В.Н. Андреева, Г.А. Симона, В.Ф. Сытника, Н.С. Райбмана, А.Б. Баублиса и др. Логистическая концепция управления материальными потоками на промышленном предприятии отражена в работах О.Г. Туровца, В.Н. Родионо-вой, Н.В. Федорковой, A.M. Гаджинского, Б.А. Аникина, И.Н. Омельченко, А.Ю. Ярмакова и др.
Обширный перечень работ, посвященных моделям и системам моделирования, позволяющим описывать закономерности функционирования сложных систем и процессов управления ими, связан с именами таких авторов, как В.В. Емельянов, СИ. Ясиновский, И.П. Норенков, Г.Н. Калянов, О.И. Мухин, А. Прицкер, Т. Дж. Шрайбер и др.
Разработка теоретических аспектов создания, обучения и функционирования нейросетей, нейрокомпьютеров и неироинтеллекта представлена в фундаментальных работах таких авторов, как Р. Вильяме, П.Вербос, Р.Земел, Йох-Хан Пао, Т. Кохоннен, Э.Минай, Ф.Розенблатт, Е.Хинт.
Интеллектуальные алгоритмы поддержки и принятия решений по управлению FuzzyCalc, CubiCalc, BrainMaker, IDIS, BERT, ISIS и экспертных систем EXSYS, GURU, KL, KRYPTON описаны в работах P.A. Алиева, А.Э. Церковного, В.А. Кабанова, А.В. Лапко, СВ. Ченцова, СИ. Крохова, Л.А. Фельдмана, Ю.А. Любарского, Д.А. Поспелова, А.Н. Романова, Б.Е. Одинцова и др.
Различные аспекты приложения моделей искусственного интеллекта к проблемам управления и прогнозирования поведения сложных производственно-экономических объектов, в том числе вопросы проектирования экспертных систем представлены в работах работы А.Н.Аверкина, Р.А. Алиева, А.Н. Борисова, И.З.Батыршина, А.Н. Борисова, Т.А. Гаврилова, В.И. Глуш-кова, В.Н. Захарова, И.В. Ежковой, В.В. Ермоленко, О.И. Ларичева, Б.Г.Литвака, К.Е. Левитина, В.А. Маковского, В.П. Мешалкина, К.Нейлора, Э.В. Попова, Д.А. Поспелова, В.Ф. Хорошевского.
Однако следует отметить, что значительное количество работ, посвященных моделированию промышленно-экономических систем, но не касающихся проблематики искусственного интеллекта, связаны в основном с использованием динамических моделей управления, задач оптимизации, моделей и алгоритмов принятия решений на разных уровнях промышленно-экономической системы. Работы же в области искусственного интеллекта производственно-экономического назначения, как правило, касаются приложения моделей и методов обработки знаний к конкретным управляемым или исследуемым объектам. Вместе с тем, пока недостаточное внимание уделено теоретическим и методологическим основам неиромоделирования промышленной системы предприятия вцелом. Интерес представляет также методология и технология включения таких моделей в общую управляющую и программно-информационную среду предприятия как объекта управления. Все вышесказанное определило тему, структуру и логику диссертационного исследования.
Цели и задачи исследования
Целью исследования является создание теоретико-методологических основ моделирования сложной производственной системы предприятия на основе пространственно-распределенного представления материального потока с использованием комплекса взаимодействующих нейросетей. Для достижения поставленной цели решались следующие основные задачи:
1. Разработка модели и методологии создания инструментальной системы нейросетевого принятия решений в области управления производственными ресурсами в условиях влияния факторов неопределенности и риска, и при наличии лингвистически и логически определяемых требований к формируемым решениям.
2. Создание методики нейросетевого прогнозирования спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, с учетом необходимости решения проблемы структурной и параметрической настройки модели.
3. Создание модели и методики нейросетевого принятия решений с целью сокращения расходов, связанных с возможными отклонениями от требуемого качества и нарушением производственного ритма;
4. Разработка логико-семантической концепции распределения ресурсов подразделения и модели распределения произвольного количества наименований ресурсов на основе трехслойной нейросети.
5. Создание концепции интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур.
6. Разрешение проблемы сопряжения инструментальных средств выбора модели с существующими технологиями обработки экономической информации.
Объектом исследования являются промышленные предприятия преимущественно с дискретным характером производства, выбор модели для которых не является элементарной проблемой, а объем имеющейся информации значителен.
Предметом исследования являются материальные и информационные потоки промышленного предприятия, рассматриваемые в аспекте нейросете-вого моделирования и управления.
Методология и методы исследования.
Методологической и теоретической основой представленной диссертации послужили труды отечественных и зарубежных авторов в области системного анализа, теории управления и экономической кибернетики. Динамика промышленно-экономической системы исследовалась с использованием методов теории систем, математической физики, теории вероятностных процессов, абстрактной алгебры и логики предикатов. Разработка проблематики нейромоделирования производилась с использованием фундаментальных результатов в области искусственного интеллекта (работы Р. Вильямса, П.Вербоса, Р.Земела и др.), моделей и методов теории нейросетей и нейрокомпьютеров, методов теории и практики построения экспертных систем и систем принятия решений, результатов (работы Р.А. Алиева, Д.А. Поспелова, А.Н. Романова и др.) в области баз знаний, систем проектирования и современных информационных технологий.
Научная новизна диссертационной работы
Научная новизна основных результатов исследования определяется следующим:
1. Разработан теоретико-методологического подход к управлению ресурсами предприятия, который позволяет на основе нейросетевого анализа и моделирования факторов производственно-экономической среды повысить эффективность управления в условиях влияния факторов риска, не поддающихся полному учету с использованием моделей другого рода, представленных нестационарными и неэргодичными случайными процессами.
2. Предложены методология и модель создания инструментальной системы нейросетевого принятия решений в области управления материальными запасами в условиях влияния факторов неопределенности, большой размерности задачи и наличия лингвистически и логически определяемых требований к формируемым решениям;
3. Сформулирован подход к нейросетевому прогнозированию спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, включающей компонент структурной и параметрической настройки;
4. Предложены модель и методика нейросетевого принятия решений с целью сокращения затрат, обусловленных отклонениями качества изделий и нарушением производственного ритма, позволяющая решать эту задачу без предъявления требований стационарности и эргодичности производственного потока;
5. Предложена логико-семантическая концепция распределения ресурсов производственной мощности и персонала в подразделении на основе трехслойной нейросети, обеспечивающая учет логических и лингвистических ограничений, накладываемых на принимаемое решение;
6. Разработана концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур, предусматривающая определение паттерна модели, наиболее адекватно соответствующего производственно-экономическому объекту, представленному в виде кортежа признаков.
Теоретическая и практическая значимость исследования Теоретическая значимость исследования заключается в том, что предложенная в диссертации методология выступает в качестве научной основы дальнейшего развития парадигмы нейросетевого моделирования и управления в производственно-экономической системе предприятия, изучение которой требует моделирования факторов производственно-экономической среды, с учетом трудно формализуемых, вербальных и "мягких" факторов в условиях ограниченности статистических данных, неэргодичности и нестационарности материальных и финансовых потоков. Данные методологические основы моделирования ресурсов предприятия определяют стратегическое направление в области разработки методов более полного учета существенных факторов внутренней и внешней среды, обусловливающих формирование эффективных решений в производственно-экономической системе.
Практическая значимость выбранного пути решения проблемы заключается в том, что проведенные исследования позволяют разработать и внедрить в практику нейросетевые методы создания системы управления ресурсами с учетом необходимости компенсации влияния потерь или нарушений производственного ритма в условиях динамики экономической системы в целом, а также обеспечить выполнение объемно-календарных планов с минимальными затратами при рациональном удовлетворении спроса.
Математические модели и методы прогнозирования спроса на продукцию предприятия позволяют принимать решения как в условиях, когда влияющие факторы известны, так и в условиях ограниченного наличия информации.
Разработанные модель, структура и методика использования интеллектуальной системы поддержки выбора модели экономического объекта позволяют разрешить проблему компромисса между значительным объемом знаний и скоростью работы, следовательно, возможностью реального применения системы и ее взаимодействия с информационной системой предприятия.
Тема и содержание диссертации относятся к области исследования научной специальности ВАК 08.00.13 - "математические и инструментальные методы экономики", раздел 1. Математические методы п. 1.4 Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способы количественной оценки предпринимательских рисков и обоснования инвестиционных решений; раздел 2. Инструментальные средства, п. 2.3 Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях; п. 2.5. Разработка концептуальных положений использования новых информационных и коммуникационных технологий с целью повышения эффективности управления в экономических системах; п. 2.6. Развитие теоретических основ и инструментария проектирования, разработки и сопровождения информационных систем субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, корпоративные хранилища данных, базы знаний, коммуникативные технологии; п. 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование Апробация работы. Результаты диссертационной работы представлялись в научных докладах и обсуждались на международных и всероссийских конференциях и семинарах, на семинаре кафедры экономической кибернетики Пермского государственного университета, семинаре лаборатории конструктивных методов исследования динамических моделей экономики, республиканской научно-технической конференции
"Автоматизированное управление сложными системами" (Уфа, 1985), всесоюзной научно-технической конференции "Проблемы и перспективы автоматизации производства и управления на предприятиях приборо- и машиностроения" (Пермь, 1987), I региональной научно-практической конференции "Совершенствование методологии создания перспективных автоматизированных систем" (Пермь, 1989), международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 1999), Международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2004), Всероссийской научно-практической конференции "Современные проблемы развития экономики и управления в регионе" (Пермь, 2004).
Разработанные методики и программные средства оперативного управления внедрены на следующих предприятиях: Пермский научно-исследовательский технологический институт, предприятие пищевой промышленности "Норман", Государственное унитарное предприятие "Научно исследовательский институт управляющих машин и систем" (г. Пермь).
Теоретико-методологические положения диссертации используются для профессионального обучения, переподготовки и повышения квалификации в учебных курсах "Интеллектуальные информационные технологии", "Экспертные системы", "Теоретические основы искусственного интеллекта".
Наиболее полно результаты исследования отражены в монографиях:
-Е.В. Долгова. Методология выбора моделей распределения в промышленно-экономических системах, Пермский филиал Института экономики УрО РАН, ПГТУ, 2006.
-Е.В. Долгова, Р.А. Файзрахманов. Нейросетевое моделирование в производственно-экономической системе предприятия, Пермь, ЦНТИ, 2005.
Основные положения и результаты диссертационной работы нашли свое отражение в 31 публикации общим объемом 32 п.л.
Основные положения и результаты, выносимые на защиту
1. Предложены методология и модель создания инструментальной системы нейросетевого принятия решений в области управления материальными запасами в условиях влияния факторов неопределенности, большой размерности задачи и наличия лингвистически и логически определяемых требований к формируемым решениям.
2. Сформулирован подход к нейросетевому прогнозированию спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, включающей компонент структурной и параметрической настройки.
3. Предложены модель и методика нейросетевого принятия решений с целью сокращения затрат, обусловленных отклонениями качества изделий и нарушением производственного ритма, позволяющая решать эту задачу без предъявления требований стационарности и эргодичности производственного потока.
4. Предложена логико-семантическая концепция распределения ресурсов производственной мощности и персонала в подразделении на основе трехслойной нейросети, обеспечивающая учет логических и лингвистических ограничений, накладываемых на принимаемое решение.
5. Разработана концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур, предусматривающая определение паттерна модели, наиболее адекватно соответствующего производственно-экономическому объекту, представленному в виде кортежа признаков.
Обработка информации и модели искусственного интеллекта
Информационный поток, в отличие от материального, не связан с перемещением предметов в производственной среде, однако, тесно взаимодействует с материальной составляющей системы через контур управления. В известной мере он тоже подвержен воздействиям, связанным с неполнотой, нечеткостью, субъективностью или запаздыванием информации, что характерно для производственной системы, которая взаимодействует с достаточно динамичной внешней социально-экономической средой. При этом возникают задачи, сопряженные с распознаванием происшествий и происходящих событий, арбитражем приоритетов, анализом с целью выявления скрытой проблемы и ее диагностики и координацией процессов разной природы, описанных различными математическими моделями.
Как было отмечено в работах Р.А.Алиева, Н.М.Абдикеева и М.М. Шахназарова [8], успешное решение проблемы интеграции систем управления производством связано с их интеллектуализацией, то есть организацией функционирования на базе искусственного интеллекта, причем, в качестве решаемых задач упоминаются интерпретация, планирование, управление, прогнозирование, диспетчеризация, мониторинг и диагностика. Структурная схема производственной системы, на основе искусственного интеллекта, предложенная этими авторами, имеет вид, показанный на рисунке 1.1.
Существующие теоретически и практические результаты в этой проблемной области чаще всего касаются экспертных систем производственного назначения, среди которых можно упомянуть следующие - PILOTEX, разработанный на основе логических и теоретико-множественных представлений знаний, RTIME, использующий для работы со знаниями в режиме реального времени функционально-ориентированное представление, Rotes, которая предназначенная для устранения неисправностей роботов и для получения выводов применяет продукционные правила и систему помощи, сконструированную в виде древовидной структуры, а также многочисленные работы отечественных авторов [3, 18, 19, 30, 45, 72, 82, 85, 105, 115, 147, 163, 174,192,193,199].
Для экспертных систем, в силу их изначального предназначения, характерна ориентация на относительно узкую задачу управления, прогнозирования, диагностики и т.д., существенная привязка к конкретному объекту моделирования и управления, если, конечно, речь не идет о системе-оболочке, изначально пустой и наполняемой специалистом. В силу этого представляет интерес рассмотрение имеющихся результатов с точки зрения математической природы моделей и их способности встраиваться в существующую на практике систему производственных и информационных потоков.
Отметим, что наиболее популярными моделями знаний среди систем вышеописанного толка являются формализованные конструкции, основанные на моделировании логико-прагматического мышления специалиста. Как основа представления знаний нередко используются теоретически проработанные логические модели (классическая логика предикатов, разработанная Г.Фреге, К.Пирсом и Дж. Пеано, а также нечеткая логика, основанная на работах Заде [80,81]).
Теория нечеткой кластеризации [126, с. 118] рассматривает нечеткие отношения подобия и различия, определенные на множестве, которое также называется выборочным пространством.
В практическом плане моделирования принятия решений популярны системы продукционных правил [149, 150], имеющие в общем случае структуру: (ШР;А= B;N (1.4) где і - имя правила, Q - сфера его применения, Р - условие применимости, А= В- ядро продукции, TV-постусловие.
Методы обработки массивов продукций в процессе логических выводов и решения задач, вербально обоснованные, все же несут в себе черты эвристического подхода, поскольку выбор той или иной схемы обработки, по сути, и сам превращается в творческий процесс.
В сетевых моделях знаний нашли применение идеи, сформулированные в теории семиотических моделей и основанные на ситуационном управлении [151], при этом различаются так называемые П-сущности, то есть объекты, реально существуюие в мире, и М-сущности, абстрактные объекты, полученные в результате обобщений. Денотативной семантикой принято называть способ обработки П-сущностей, а коннотативной - способ обработки М-сущностей. Вопросам разработки статусов элементов знаний и структуры модели предметной области посвящены, например, работы B.C. Лозовского. В этом смысле простейшей логической структурой обладает замкнутая конъюктивная модель знаний, называемая так же псевдофизическая модель,
которая содержит лишь некоторые истинные факты, относящиеся к предметной области.
Многообещающим направлением считается гибридный подход - совместное использование разных моделей знаний, либо совместное использование моделей знаний и традиционных моделей предметной области (в данном случае, аналитических или имитационных моделей производственных систем)
В любом случае, работающая система искусственного интеллекта нуждается привносимых в нее знаниях, в связи с чем остро ставится проблема обобщения, то есть, получения знаний, объясняющих имеющиеся факты и способных объяснять, классифицировать или предсказывать новые. Согласно [37] различают обобщение по данным и обобщение по выборкам. В обобщении по данным априорное разделение фактов по классам отсутствует, обычно ставятся цели формулировки гипотез, выделения образов на основе наблюдаемых данных, формирование понятий, группировка данных по признакам, установление закономерностей, характеризующих наблюдаемые данные [79, 189,276].
К моделям обобщения по выборкам [37, 260, 273] относятся лингвистические модели и модели автоматического синтеза алгоритмов по примерам. Совокупность фактов имеет вид обучающей выборки - множества объектов, каждый из которых сопоставляется с классом. Целью обобщения в этом случае является классификация либо определение закономерности последовательного появления событий.
Моделирование задачи оптимизации материальных потоков
Известно, что пополнение хранение запасов материалов и комплектующих на предприятии, с одной стороны, неизбежно, с другой стороны, является затратным фактором и существенно влияет связанный капитал. Малый запас влечет за собой уменьшение готовности к поставке, а чрезмерное увеличение запаса сказывается на рентабельности, ликвидности и конечной успешности работы предприятия. При том сам внутрипроизводственный процесс потребления предметов (материалов и комплектующих) может быть как постоянным, так и периодическим (например, подверженным сезонным колебаниям), а также, в некоторых случаях эпизодическим и слабо предсказуемым.
В том случае, когда интенсивность потребления предметов конкретного наименования подвержена изменениям, которые можно оценить статистически, она хорошо моделируется случайным процессом d(t).
Если в рассматриваемой подсистеме складского хозяйства все потоки такого типа могут быть представлены в виде случайных процессов с известными статистическими характеристиками, то модель системы складских элементов принимает вид: - = M(t)-SD(t) (2.14) dt где N(t) - вектор объемов складских запасов в момент времени /. M(t) - вектор интенсивностей поступления предметов на склад, интенсивности представлены как случайные процессы; D(t) - вектор интенсивностей изъятия предметов со склада, представленных как случайные процессы; S - матрица применяемости, составленная с учетом единиц измерения N и D.
В качестве критерия К оценки управления примем минимизацию затрат, на которые непосредственным образом влияет как запас хранимых предметов, так и отклонения от идеальной готовности к поставке предметов на технологические маршруты. Задача оптимального управления в общем виде выглядит как: W=Af (0-50(0 dt M(t)=u[D(t))+at) (2.15) K(N,D) - min где (0- вектор случайных отклонений потоков поступающих предметов, обусловленный внешней по отношению к предприятию экономической средой; U - преобразование, которое описывает формирование управляющего воздействия (формирование заказов на материалы и комплектующие),
Задача формально относится к области теории оптимального управления, для линейной системы ее решение, хоть и осложненное размерностью, не встречает, тем не менее, серьезных затруднений. Более сложно доказать линейность системы и стационарность ее относительно корреляционных функций, поскольку необходимо, чтобы материальные потоки поддавались статистической оценке, а это условие выполняется не всегда. Вдобавок, если высока вероятность опустошения складских емкостей, связанные с этим ограничения вступают в силу и превращают задачу в нелинейную.
Сформулируем полную постановку задачи. Нормативные запасы обозначим как вектор ДГ0. Учитывая, что интенсивности поставок предметов со склада могут колебаться под влиянием не зависящих от ЛПР факторов, оптимизационная задача будет выглядеть как: P- = M(t)-sm)+(p(t)) dt M(t) = U[N(t)) + at) (N -N 2 (2.16) dt — min {{Nm(t)-Nm0) J(c,...cm) N(t) 0, где (p - случайные отклонения.
Нейросетевое многошаговое однопараметрическое прогнозирование спроса на продукцию предприятия
В противном случае, если доступна дополнительная информация, предположительно, пригодная для использования в задаче прогноза, ее следует адекватно представить в системе принятия решений, что само по себе является нетривиальной задачей. Из описания (так же, при исследовании проблемы распознавания) выделяются сущности, состояние которых доступно наблюдению и перечень эти сущностей составляет кортеж: X= XVXV...,XH (3.9) где X,. - численная или лингвистическая переменная. Более подробно проблема представления информации будет рассмотрена в разделе 3.4, однако, следует определить перечень методов, которыми кортеж сущностей извлекается из массивов информации, которые накапливаются в процессе управления промышленно-экономической средой предприятия. Этими методами являются: а) формирование в процессе интерактивного взаимодействия специали ста с базой знаний системы; б) автоматическое извлечение из словесного описания системы путем анализа текста; d) использование технологии data mining и реализующих ее программных модулей, взаимодействующих с базами данных системы управления предприятием.
Рассмотрим достоинства и недостатки каждого метода. Формирование кортежа X в процессе диалога со специалистом является достаточно универсальным подходом, однако, результат всецело зависит от квалификации и интуиции эксперта. Неучтенные им факторы, соответственно, выбывают из дальнейшего процесса построения модели, а, будучи введенными дополнительно, потребуют повторного обучения нейросети. Однако, метод относительно прост в реализации, позволяет получить информацию быстро, а финансовые и временные затраты времен на программное воплощение не велики.
Автоматический анализ вербальных моделей (текстовых) моделей, имеющих отношение к спросу на продукцию предприятия, не требует участия эксперта, хотя громоздок, и затраты на создание или приобретение соответствующего программного продукта могут оказаться значительными.
Подход data mining, представляющий собою технологию и набор программных средств позволяет реализовать как саму нейронную сеть, так и методы предварительной обработки информации (например, ее сглаживание). С точки зрения поддержки процесса выявления значащих факторов, могут быть применены такие методы, традиционно поддерживаемые data mining, как алгоритмы определения ассоциаций, ранжирование, дискриминантный, факторный или корреляционный анализ. Поскольку на рынке программного продукта близкого к data mining существуют пакеты, уже поддерживающие вышеуказанные модели, причем, сопрягаемые с известными системами управления базами данных (ORACLE-технологии), внедрение такой системы предварительной обработки не встретит особых затруднений, хотя затраты на приобретение программного продукта относительно велики.
Предварительная обработка представляет интерес лишь постольку, поскольку используется в модели прогнозирования спроса, поэтому обратимся к проблеме создания и обоснованного выбора варианта такой модели.
Если представительный перечень факторов, оказывающих влияние на интенсивность потока спроса P(t), не может быть сформирован, но, тем не менее, прежняя реализация P(t) вычисляется по формуле (3.7), проблема про гнозирования сводится к анализу временного ряда / (0, Pi(t+kt),Pi(t+2At)+...+Pi(t+hAt)Rnn каждой позиции в номенклатуре изде лий. Постольку, поскольку взаимное влияние РДО и Pj(t) при ІФ ; не выяв лено, происходит естественная декомпозиция задачи - превращение ее в однопараметрическую.
Таким образом, для каждого / анализ Р, производится отдельно, то есть, задача сводится ко многим однопараметрическим задачам. В общем случае, спрос на продукцию предприятия одного наименования может быть опосредованно связан со спросом на другую продукцию того же предприятия.
Если на этапе предварительного анализа данных этот факт установлен или является известным изначально, вышеуказанная декомпозиция аналитически не корректна. Тогда прогноз является многопараметрическим.
Следует так же установить, будет ли задача прогноза поставлена как многошаговая или целесообразно ограничиться одношаговой постановкой.
Как было продемонстрировано выше, с учетом (3.4) и (3.5), производственная система объект, обладающий существенной инерцией в силу того, что изготовление любого предмета требует не только финансовых затрат, но и времени. Время, затрачиваемое на производственный цикл, можно уменьшить за счет привлечения дополнительных производственных ресурсов, но нельзя свести к нулю.
Структурное, теоретико-множественное и логическое представление модели оптимизации
Как известно, важнейшей фазой процесса управления производством является оперативное регулирование. Между тем, именно эта фаза наиболее сложна как объект математической формализации
В месте с тем это управление очень важно с точки зрения обеспечения обеспечивающих выполнения объемно-календарных планов с минимальными затратами при рациональном удовлетворении потребностей спроса. От того, насколько совершенна система управления, зависят результаты хозяйственной деятельности предприятия, устойчивость производственного процесса, использование производственных ресурсов, качество продукции, прибыльность и рентабельность и т.д.
Оперативное управление в структурном подразделении предприятия напрямую связано с управлением использованием производственных мощностей и управлением персоналом подразделения.
Одна из основных причин низкого уровня коэффициента использования производственной мощности состоит в том, что вся работа по улучшению использования производственных мощностей сводится к устранению так называемых "узких мест". Во внимание берется только производственное оборудование, т.е. "статичная часть производственного процесса", и недостаточно учитываются предметы труда, движущиеся в процессе производства по технологическим маршрутам, т.е. динамичная часть процесса [188].
Между тем, управление должно быть направлено на ритмичное движение предметов труда по технологическим маршрутам, обеспечение координации средств и предметов труда в пространстве и времени в условиях действия случайных возмущений.
Прежде чем преступить к рассмотрению проблемы, следует отметить, что моделирование управления ресурсами подразделения в наибольшей степени подвержено воздействию "человеческого фактора", поскольку мы имеет дело именно с той иерархической составляющая объекта, в которой формируется мотивация персонала. Качественный менеджмент, согласно принятым европейским стандартам, предполагает заинтересованность персонала и понимание им как своей роли, так и конечной цели производственно-экономического процесса. В рамках моделирования материального потока на технологическом маршруте мы рассматривали оптимальную или квазиоптимальную зависимость интенсивности потока от состояния распределенного по маршруту незавершенного производства и выполнения графика выпуска предметов. Какие-либо ресурсы, кроме собственно незавершенного производства, при этом не рассматривались.
Очевидно, что результаты, полученные на такой модели, в реальной системе управления подвергаются неизбежной корректировке. Для поддержания производственного потока заданной интенсивности на отдельной технологической операции, кроме ресурсов незавершенного производства, необходимы ресурсы, обеспечивающие непосредственно ее выполнение, то есть персонал и средства производства - станки, инструменты, технологическая оснастка. Влияние ресурсов производственного подразделения на управление потоком неизбежно.
Следует так же учесть, что ресурсные составляющие не только взаимодействуют с динамически меняющейся материально-производственной средой, но и подвержены воздействию случайных факторов (поломка оборудования, организационные процессы, связанные с работой персонала). Использование дополнительных ресурсов не всегда возможно или их привлечение может оказаться спорным с экономической точки зрения. Без этих факторов реализация управления, обоснованного с точки зрения материально-производственного потока, может оказаться неосуществимой.
Эта проблема в ее частном проявлении трансформируется в задачу распределения имеющихся производственных ресурсов между производственными потоками (еще более частным случаем которой является задача составления сменно-суточного задания). Обобщенная структурная схема взаимодействия моделей показана на рисунке 5.1.
Преобразование системы переменных при переходе от одной модели к другой рассматриваются в [134], причем методологически сходному преобразованию подвергаются все переменные, описывающие материальную сторону производственного потока - незавершенное производство, поток, производственные сбои, нарушения производственного ритма и управляющие воздействия. По сути, преобразование заключается в переходе от маршрутно-технологической упорядоченности деталеопераций к их упорядоченности по структурным подразделениям.
Как только информация преобразована в требуемую форму, появляется возможность (и необходимость) ее применение в принятии решений. Это делает актуальной проблему уже не нехватки, а, напротив, кажущейся избыточности информации. Так, например, для подразделения с двадцатью единицами оборудования, двадцатью сотрудниками и двадцатью выполняемыми деталеоперациями количество всевозможных переменных (включая и реализуемые варианты управления) достигает, по крайней мере, нескольких сотен, что делает не интуитивное, а алгоритмическое осмысление данных практически невозможным для человека.
Как показывает практика, решения в таких случаях либо принимаются человеком-специалистом на основе опыта и интуиции, либо используется машинно-реализованная оптимизационная модель [21, 24, 42, 190]. Основная проблематика обусловлена разнообразием требований к решению, зачастую их нечеткой формулировкой и трудностями формализации критерия оптимальности. Вместе с тем, именно структурное подразделение является тем уровнем системы, на котором непосредственно реализуется управление материальным потоком, следовательно, его моделирование весьма актуально для работы системы управления вцелом.
Стыковка моделей разной формально-математической природы всегда порождает известные сложности. При нарастании их количества эффект, получаемый от применения модели, может быть значительно уменьшен или даже сведен на нет собственной сложностью модели, трудностями ее вычислительной, информационно-процедурной реализации. "Непрозрачность" метода получения результата приводит к тому, что, даже будучи формально правильным, он вызывает сомнения лица, принимающего решения. Нейромоделирование (если его применение обосновано), являясь методологически "однородным" подходом позволяет не только разрешить проблему поиска приемлемого решения, но и избавить от затрат, связанных с методической и алгоритмической сложностью моделирования.
