Содержание к диссертации
Введение
Глава 1. Анализ информационной системы управления транспортно-логистическим процессом в целях построения модели на базе нечетких нейросетевых технологий 9
1.1. Обоснование необходимости применения интеллектуальных транспортных систем 9
1.2. Структура информационной системы транспортно-логистического процесса 21
1.3. Особенности имитационного моделирования транспортно-логистического процесса на базе нечетких нейросетевых технологий 28
Выводы по главе 1 33
Глава 2. Нейросетевые технологии в построении модели информационной системы управления транспортным процессом 36
2.1. Основные характеристики нейронных сетей, необходимые в построении сложной динамической многофакторной модели транспортного процесса 36
2.2. Использование математического аппарата нечеткой логики для решения проблемы неопределенности входных/выходных данных в построении модели транспортно-логистического процесса 41
2.3. Обоснование применения нейронных нечетких сетей в построении модели транспортно-логистического процесса 45
Выводы по главе 2 47
Глава3. Разработка модели информационной системы управления транспортно-логистическим процессом 50
3.1. Разработка алгоритма процесса управления транспортно-логистическим процессом 50
3.2. Разработка нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом 58
3.3. Проверка адекватности и верификация построенной модели 69
Выводы по главе 3 78
Глава 4. Факторный анализ и параметрическая оптимизация построенной модели информационной системы управления транспортно-логистическим процессом с использованием классических критериев и на базе генетического алгоритма 80
4.1. Факторный анализ транспортно-логистического процесса на базе построенной нечеткой нейросетевой модели 80
4.2. Разработка алгоритма оптимизации информационной системы управления транспортно-логистическим процессом 100
4.3. Оценка результатов параметрической оптимизации транспортно-логистического процесса 107
Выводы по главе 4 113
Заключение 115
Список сокращений и условных обозначений 118
Список литературы: 119
- Структура информационной системы транспортно-логистического процесса
- Использование математического аппарата нечеткой логики для решения проблемы неопределенности входных/выходных данных в построении модели транспортно-логистического процесса
- Разработка нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом
- Разработка алгоритма оптимизации информационной системы управления транспортно-логистическим процессом
Структура информационной системы транспортно-логистического процесса
И.В. Алексеев основной задачей своего исследования определил разработку методологии построения модели интермодальной транспортной системы, позволяющую создавать модели сложных транспортных систем, учитывающbt работу автомобильного, железнодорожного, авиационного и водного транспорта при перевозке контейнеров внутри некоторого транспортного узла, с последующей оптимизацией их работы, несмотря на размеры и количество входов и выходов этого транспортного узла [1].
Зарубежные исследователи также уделяют большое внимание теме применения интеллектуальных информационных технологий в системах управления. Так, An Caris, Cathy Macharis, Gerrit K. Janssens предлагают новые исследования, касающиеся поддержки принятия решений в области мультимодальных перевозок с применением инноваций в области информационно-коммуникационных технологий. Модели поддержки принятия решений были построены для частных заинтересованных сторон, например, операторов связи, операторов терминалов, мультимодальных операторов, а также для государственных структур, таких как управление портом [108].
Teodor Gabriel Crainic, Michel Gendreau, Jean-Yves Potvin уверены, что давать окончательную оценку эффективности интеллектуальных транспортных систем рано, что необходимо развивать программные компоненты транспортных систем и вводить новые современные технологии, в том числе, в системы поддержки принятия решений, что может значительно повысить производительность транспортных систем [113].
Ching-Yu Tyan, Paul P. Wang, Dennis R. Bahler считают, что интеллектуальное управление стало вопросом первостепенной важности в современной автоматизации процесса, поскольку он обеспечивает предварительные условия для задач обнаружения неисправностей. Способность обнаруживать неисправности имеет важное значение для повышения надежности и безопасности сложных систем управления. В статье они описывают технико-экономическое обоснование использования искусственных нейронных сетей и нечеткой логики для диагностики неисправностей в такой динамической системе, как управление транспортным средством на магнитной подушке [109].
Timon Chihing Dua, Philip M. Wolfeb в статье «Implementation of fuzzy logic systems and neural networks in industry» представили методы применения нейронных сетей и систем с нечеткой логикой в промышленности, особенно в областях, связанных с планированием, прогнозированием, управлением запасами, контролем качества [114].
Ronald R. Yager в статье «Implementing fuzzy logic controllers using a neural network framework», используя нечеткие правила управления, предлагает упрощенную схему обучения нейронной сети, с другой стороны, адаптивный аспект в рамках нейронной сети обеспечивает ее необходимое обучение [112]. Vilm Novk в статье «Reasoning about mathematical fuzzy logic and its future» предлагает к обсуждению применение нечеткой логики в решении некоторых задач с проявлениями феномена неопределенности, как надлежащий инструмент моделирования [115].
Witold Pedrycz вводит и рассматривает вид генетически оптимизированных нечетких нейронных сетей в статье «Genetic tolerance fuzzy neural networks: From data to fuzzy hyperboxes», в которых архитектура таких сетей отражает иерархию геометрических понятий [116].
Таким образом, многие ученые своими исследованиями подтверждают, что использование интеллектуальных моделей в управлении является средством повышения эффективности управления сложными динамическими, социально-экономическими и организационными системами различных отраслей деятельности и самого разного масштаба. И в то же время, как показывает вышеприведенный автором анализ литературы, в существующих информационных системах управления транспортно-логистическими перевозками недостаточно развит и почти не применяется интегрированный подход к решению динамических оптимизационных задач логистики в условиях неопределенности современных рыночных отношений.
Использование математического аппарата нечеткой логики для решения проблемы неопределенности входных/выходных данных в построении модели транспортно-логистического процесса
Нейронная сеть – это совокупность нейронных элементов и связей между ними. Слоем нейронной сети называется множество нейронных элементов, на которые в каждый такт времени параллельно поступает информация от других нейронных элементов сети.
В процессе обучения нейронной сети достигается их самоорганизация и самоадаптация за счет определения синаптических связей между нейронными элементами, когда в ответ на входное воздействие согласно обучающим правилам изменяются весовые коэффициенты.
Существует большое число алгоритмов обучения, ориентированных на решение разных задач. В данной работе используется алгоритм обратного распространения ошибки [92]. Он заключается в том, что изменение весов синапсов происходит с учетом локального градиента функции ошибки. Разница между реальными и правильными ответами нейронной сети, определяемыми на выходном слое, распространяется в обратном направлении – навстречу потоку сигналов.
Обычно обучение нейронной сети осуществляется на некотором множестве специально подготовленных обучающих выборок. По мере процесса обучения сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы. Хорошо натренированная сеть становится нечувствительной к вариациям входных величин при условии, что эти вариации находятся в определенных допустимых границах. То есть аналогичные входные сигналы должны вызывать аналогичные реакции даже в том случае, если они не входили в состав обучающего множества [70].
Таким образом, нейронные сети обладают рядом преимуществ, необходимых для решения задачи моделирования ИСУ ТЛП. Но процесс обучения сети зачастую происходит достаточно медленно. И для ускорения процесса обучения сети ввести какую-либо априорную информацию (знания эксперта) невозможно. К тому же анализ обученной нейронной сети достаточно сложен, обычно она представляет собой черный ящик для пользователя. Устранить или минимизировать существующие недостатки нейронной сети способны системы на базе нечеткой логики, которые решают плохо формализованные задачи и объясняют получаемые выводы работы системы [9], [51], [52].
Применение нечеткой системы управления показано при наличии неопределенности, нечеткости информации о системе, а также сложности системы, невозможностью или нецелесообразностью из-за трудоемкости и дороговизны ее описания традиционными формализуемыми математическими методами или даже невозможностью полноты описания [9], [56], [57], [58], [110]. Значительная часть информации о системе доступна в виде экспертных данных или в эвристическом описании процессов функционирования в форме нечетких правил или зависимостей различного типа. ИС управления транспортно-логистическим процессом относится к такой системе.
В нечеткой системе управления для описания объектов и явлений вводятся понятия нечеткого множества, нечеткой и лингвистической переменной.
Понятие нечеткого множества это формализация лингвистической информации для построения математических моделей. В основе этого понятия лежит представление о том, что составляющие данное множество элементы, обладающие общим свойством, могут обладать им в различной степени и, следовательно, принадлежать к этому множеству с различной степенью (Л. Заде) [69].
Нечеткое множество - это множество, которое содержит элементы с некоторой степенью принадлежности. G ={[и, (л(и)] ueUJ (2.6) Функция принадлежности (ФП) ставит в соответствие каждому элементу ueU действительное число (л(и) из интервала [0, 1], описывающее степень принадлежности U к множеству G. Над нечеткими множествами возможны логические операции: включение, эквивалентность, объединение, пересечение, дополнение. И алгебраические: сумма, произведение, возведение в степень, которые называют концентрацией и растяжением. ФП можно определить как кривую, указывающую, каким образом каждая точка входного пространства отображается в степень принадлежности между 0 и 1. Форма ФП определяется разработчиком системы, исходя из условий эффективности использования. В данной работе использована функция принадлежности в виде кривой Гаусса (рис.7).
Разработка нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом
Эти шесть оценок эффективности являются входными данными седьмого аккумулирующего модуля: xj=yk, где У=22, 23, ... , 27, к=\, 2, ..., 6. Выход седьмого аккумулирующего модуля - итоговая оценка эффективности перевозки: ypr=F(Xj). Модель была построена, реализована и проанализирована на восьми реальных транспортно логистических схемах s=\, 2, ..., 8. (см. рис. 10 - рис.17). Ург r((f(Xj), M(Xj), г (Xj), A (Xj), S (Xj), Z (Xj))
Таким образом, задача определения оптимальных параметров процесса будет зависеть от вычисления таких возможных оптимальных входных данных, при которых выход будет соответствовать определенной оценке эффективности каждого из шести модулей в отдельности. Затем результаты обрабатываются седьмым модулем и должны быть вычислены оптимальные выходные оценки эффективности среди всех найденных после обработки: уопт -{уі,у2, ...,ут) Т.е. имеются наборы входных данных x-(xjy Х2, ..., хп), которые могут принимать множество различных значений х J и именно в определении этих конкретных значений состоит акт принятия оптимального решения. Множество D называется областью поиска, а любой вектору - допустимым решением.
Оптимизационные задачи формулируются как проблема выбора лучшего допустимого решения. Для определения «лучшего» вводится критерий оптимальности Q(y) - количественный показатель в некоторой шкале У, посредством которого измеряется оптимальное для данной задачи значение выходного параметра уопт . Под измерением в некоторой шкале У понимается отображение Q, которое каждому х єи ставит в соответствие числовую оценку Q(y )єі, при этом сохраняя между числовыми значениями Q(y) бинарные отношения предпочтения:
Область поиска D - множество, которое является конечным и состоит из счетного числа допустимых решений N, а поиск лучшего решения среди всех допустимых сводится к полному перебору, тогда задача (4.3) - это задача дискретной оптимизации переборного типа. Время поиска решения такой задачи полиномиально зависит от объема входной информации [6]. Каждый параметр вектора допустимых решений у =(уі, у2, , уп) может принимать одно из множества возможных значений D: Д- 2, і=1, 2, ..., п, можно рассчитать нижнюю оценку мощности множества допустимых решений: п п N = Y\\Di\ Y\2 = 2n (4-4) i=l 1=1 Объем вычислительных затрат на поиск оптимального решения задачи дискретной оптимизации переборного типа возрастает экспоненциально с ростом числа переменных 2 . В диссертационной работе входных параметров 21 в каждой IT /-«168 из восьми схем перевозки: М=1 .
Ограничить область возможных решений можно, используя опыт экспертов, в данном случае - группы экспертов из «ДиДиПи Сервис». Параметры задачи, т.е. влияющие на процесс перевозки факторы, имеют реальные ограничения, причем каждый из них в каждой схеме различен, примерные значения которых знают эксперты. Поэтому при решении задачи оптимизации будут использоваться диапазоны изменения факторов, которые определяются экспертами, что значительно снижает размерность задачи и уменьшает вычислительные затраты.
В качестве критериев при оптимизации транспортно-логистического процесса можно использовать различные группы критериев для принятия решений ЛПР (лицами, принимающими решения) в условиях неопределенности. В работе используются следующие классические критерии [11]: 1. Максиминный критерий (ММ-критерий или критерий Валь да) Данный подход принимает за основу самые неблагоприятные результаты для возможных ситуаций развития внешних событий, независящих от ЛПР при анализируемом решении. Наилучший неблагоприятный результат при этом будет оптимальным решением. Целевая функция критерия: QMM — rnax{mys} , где ту = min{yf} ,s = 1,2, ,S , i = l, 2, ,6 (4.5) S і 2. Оптимистический критерий
Данный подход принимает за основу самые благоприятные результаты для возможных ситуаций развития внешних событий, независящих от ЛПР при анализируемом решении. Наилучший благоприятный результат при этом будет оптимальным решением. Целевая функция критерия: QН = max{hys} ,где hys = max{yf} ,s = 1, 2, ,S ,i = 1,2, ,6 (4.6) s і 3. Нейтральный критерий
Данный подход принимает за основу среднее арифметическое значение оценок эффективности для всех возможных ситуаций развития внешних событий, независящих от ЛПР при анализируемом решении. Результат, при котором среднее ожидаемое будет наибольшим, является оптимальным решением.
Разработка алгоритма оптимизации информационной системы управления транспортно-логистическим процессом
Генетический алгоритм оптимизации ИСУ ТЛП состоит из следующих этапов:
1. Для каждой из восьми схем перевозок последовательно формируются случайным образом двенадцать возможных вариантов (популяция), т.е. для 21 входного значения определяется случайное значение - формируются двенадцать 105-ти битовых цепочек (хромосом), каждый бит случайным образом заполняется «0» или «1». Каждые пять бит определяют значение терма входного параметра (Напомним, что каждый входной параметр характеризуется пятью термами).
2. Полученные значения для каждой схемы ТЛП переводятся в десятичные значения и масштабируются от 0 до 10. Эти значения подаются на вход ННС модели ИСУ ТЛП. В итоге на выходе получаются 12 вариантов оценок эффективности. Подсчитывается сумма всех оценок эффективности и подсчитывается некий критерий эффективности каждой схемы: КІ = 100, гдеупр = Tj}=iyпрi, і = 1, 2, …,12 (4.8) Таким образом, на линии от 0 до 100 помещаются все значения критериев эффективности.
Далее формируются 12 случайных чисел в диапазоне от 0 до 100. В зависимости от того к какому критерию принадлежит случайное число отбирается соответствующая «хромосома». Явно, что чем больше критерий, тем больше вероятность того, что ему будет принадлежать случайное число, возможно, несколько раз. Итак, выбраны 12 «хромосом».
На следующем этапе, который называется «скрещивание», формируются шесть пар, при этом проводится проверка, чтобы в паре не было одинаковых «хромосом», в противном случае, пару скрещивают с другой парой.
Далее, назначается шесть случайных чисел от 1 до 104. Эти случайные числа определяют длину левой части «хромосом» каждой пары, правые части меняются взаимно у каждой пары. Получается новая «популяция», т.е. новые 12 вариантов для данного транспортного процесса.
Проверяется признак «вырождения», т.е. все 12 «хромосом» не должны быть одинаковыми. Если признака «вырождения» нет, то процедура повторяется с пункта 2. При «вырождении» запоминается оценка эффективности, генерируются 12 случайных чисел от 1 до 105, которые определяют место инверсии для каждой «хромосомы». В этой точке бит меняет свое значение с «0» на «1» или наоборот. Эта процедура называется «мутацией». И алгоритм повторяется с пункта 2.
Если какой-либо из пр ( = 1, 2, ,12) дает значение оценки эффективности лучше, чем сохраненное при «вырождении», то процедура продолжается до следующего «вырождения». Если «мутация» дает отрицательный результат, то проводится еще одна контрольная «мутация». Если и эта попытка не приводит к положительному результату, то происходит переход к следующей схеме транспортно-логистического процесса.
Оценка результатов параметрической оптимизации транспортно-логистического процесса Задача оптимизации транспортно-логистического процесса заключается не в том, чтобы найти решение лучше существующего, а в том, чтобы найти лучшее решение среди всех возможных.
В левой части таблицы 1 приведены итоговые оценки эффективности всех восьми схем перевозки, выданных нечеткой нейросетевой моделью, в штатных условиях. Входными данными шести модулей модели были влияющие на процесс факторы каждой из восьми схем перевозок как проходящих в штатном обычном режиме. Причем, для примера в таблице приведены двенадцать вариаций выходных значений оценок эффективности, рассчитанных ННС моделью ИСУ ТЛП на небольшом диапазоне изменения входных значений и их комбинаций, предоставленных экспертной группой, по каждой из восьми схем перевозок. В этом случае эксперты определяли значения этих факторов, не предполагая никаких критических ситуаций. В правой части таблицы 1 приведены оптимальные значения оценок эффективности, определенных по трем критериям оптимальности: максиминный (ММ-критерий или критерий Вальда), оптимистический и нейтральный, в соответствии с формулами (4.5), (4.6), (4.7).
