Содержание к диссертации
Введение
Глава 1 Анализ проблемы повышения эффективности управления производством в неопределенных условиях рыночных отношений 10
1.1 Актуальность решения задач планирования, прогнозирования и поддержки решений при управлении производственно-экономической системой в условиях неопределенности 10
1.2 Анализ особенностей производственно-экономической системы, функционирующей в условиях рынка 13
1.3 Анализ методов построения интеллектуальных систем управления 28
1.4 Цель и задачи исследований 39
Выводы по 1 главе 39
Глава 2 Разработка методов решения задач планирования, прогнозирования и поддержки решений при управлении производственно-экономической системой 40
2.1 Разработка системы интеллектуального управления производственно-экономической системой 40
2.2 Разработка модифицированного метода ситуативно-интеллектуального управления для решения задачи поддержки решений при управлении производственно-экономической системой 47
2.3 Разработка нейросетевого метода решения задачи планирования при управлении производственно-экономической системой 59
2.4 Разработка нейросетевого метода решения задачи прогнозирования при управлении производственно-экономической системой 63
Выводы по 2 главе 66
Глава 3 Разработка моделей планирования, прогнозирования и поддержки решений при управлении производственно-экономической системой 67
3.1 Разработка нейро-нечеткой модели поддержки решений при управлении производственно-экономической системой 67
3.2 Разработка нейросетевой модели планирования при управлении производственно-экономической системой 82
3.3 Разработка нейросетевых моделей прогнозирования при управлении производственно-экономической системой 85
Выводы по 3 главе 88
Глава 4 Разработка системы имитационного моделирования и интеллектуального управления производственно-экономической системой 89
4.1 Разработка системы имитационного моделирования интеллектуальных систем управления производственно-экономической системой 89
4.2 Разработка методики интеллектуального управления производственно-экономической системой сиспользованием системы имитационного моделирования 97
4.3 Исследование эффективности интеллектуальных алгоритмов управления производственно-экономической системой 121
Выводы по 4 главе 139
Заключение 140
Список использованной литературы 141
Приложения 149
- Анализ особенностей производственно-экономической системы, функционирующей в условиях рынка
- Разработка модифицированного метода ситуативно-интеллектуального управления для решения задачи поддержки решений при управлении производственно-экономической системой
- Разработка нейросетевой модели планирования при управлении производственно-экономической системой
- Разработка методики интеллектуального управления производственно-экономической системой сиспользованием системы имитационного моделирования
Введение к работе
Актуальность
Повышение эффективности управления производством является важной задачей, решение которой особенно актуально в условиях рыночных отношений. Современные условия усложняют ориентацию предприятий на рынке и требуют от них способности быстро реагировать на изменение рыночной ситуации. Повышение эффективности управления за счет автоматизации становится особенно актуальным при управлении сложными социальными системами, к которым относятся производственные системы, функционирующие в условиях нестабильных экономических отношений, когда неопределенность в оценке производственной и рыночной ситуации очень высока, что требует многовариантного анализа альтернативных решений, выбора управляющих воздействий, корректировки значений различных показателей производства, формирования гибких планов производства в зависимости от рыночной потребности, прогнозирования воздействий внешней среды и изменений параметров, характеризующих производство и рынок.
Для повышения эффективности управления процессами производства и реализации продукции в условиях рынка необходимо исследовать сложный, плохо формализуемый динамический объект -производственно-экономическую систему (ПЭС), объединяющий процессы производства и реализации в единый управляемый процесс. При управлении ПЭС в условиях неопределенности применение классических методов, базирующихся на использовании точных математических моделей (в том числе оптимизационных), не позволяет построить адекватные модели и алгоритмы, обеспечивающие эффективное управление.
Работа посвящена разработке методов, моделей и алгоритмов решения задач планирования, прогнозирования и поддержки решений при управлении сложной производственно-экономической системой в условиях неопределенности, возмущений внешней среды, ограничений по ресурсам, которые позволяют повысить эффективность функционирования производства.
Цель и задачи исследований
Цель работы - разработать методы, модели и алгоритмы для решения задач планирования, прогнозирования и поддержки решений в условиях неопределенности для повышения эффективности управления производственно-экономической системой и исследования ее поведения методом имитационного моделирования.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Проанализировать особенности функционирования производственно-экономической системы в условиях рынка, разработать классификацию неопределенностей, выявить способы их парирования, а также методы описания плохо формализуемых процессов поддержки решений по управлению.
Разработать модифицированный метод ситуативно-интеллектуального управления производственно-экономической системой, функционирующей в условиях неопределенности, а также методы решения задач планирования, прогнозирования.
Разработать структуру системы интеллектуального управления ПЭС, нейросетевые модели и алгоритмы решения задач планирования и прогнозирования, а также нейро-нечеткую модель поддержки решений по управлению производственно-экономической системой.
Разработать систему имитационного моделирования, реализующую метод и алгоритмы ситуативно-интеллектуального управления, основанную на разработанных моделях.
Провести системные исследования функционирования ПЭС с целью оценки эффективности предложенных моделей и алгоритмов, разработать методику использования полученных результатов при управлении производственно-сбытовой деятельностью, выполнить с помощью имитационного моделирования исследования по выбору стратегии поведения предприятия в условиях рынка.
Методы исследования
Разработка моделей проводится с использованием методов общей теории систем, теории иерархических систем, теории нейронных сетей и теории нечеткой логики. Синтез логических алгоритмов осуществляется с использованием методов искусственного интеллекта, ситуационного управления и теории алгоритмов. Для разработки имитационных моделей применяются численные методы моделирования и методы проектирования информационных систем.
Результаты, выносимые на защиту
На защиту выносятся следующие научные положения, выводы и практические результаты.
Модифицированный метод ситуативно-интеллектуального управления производственно-экономической системой как сложным динамическим объектом управления, позволяющий в автоматизированном режиме решать задачи идентификации, классификации ситуаций и выбора решений формализованными процедурами, учитывающими неопределенность при анализе ситуации, исключающими субъективность выбора при принятии решений человеком в процессе оперативного управления производственно-сбытовой деятельностью предприятия.
Структура системы интеллектуального управления ПЭС, нейросетевые модели и алгоритмы решения задач планирования и прогнозирования, а также нейро-нечеткая модель поддержки решений, построенные на основе предложенного модифицированного метода ситуативно- интеллектуального управления и пригодные для обоснования рационального поведения предприятия на рынке.
Система имитационного моделирования производственно-сбытовой деятельности предприятия, основанная на нейросетевых моделях планирования и прогнозирования, а также на нейро-нечеткой модели поддержки решений по управлению производственно-экономической системой в условиях неопределенности, предназначенная для анализа и прогнозирования поведения предприятия в изменяющихся условиях рынка и синтеза алгоритмов управления.
Методика использования разработанной системы имитационного моделирования при управлении предприятием и результаты исследования эффективности алгоритмов управления, подтверждающие, что применение методов интеллектуального управления позволяет повысить эффективность производственно-сбытовой деятельности предприятия.
Научная новизна результатов Новизна заключается: в использовании для анализа состояния ПЭС и внешней среды и последующего синтеза алгоритмов управления процедур ситуационного управления, реализованных на основе нейросетевых и нейро-нечетких моделей, выбранных в качестве инструмента для решения задач планирования, прогнозирования и поддержки решений исходя из проведенной классификации видов неопределенностей и методов их парирования; в учете неопределенности в объекте управления, внешней среде и управляющей части системы за счет разработки новой структуры системы интеллектуального управления, объединяющая нейросетевые модели планирования и прогнозирования, а также нейро-нечеткую модель поддержки решений; в парировании неопределенностей, связанных с неточностью и недостоверностью информации о состоянии ПЭС и внешней среды за счет использования при решении задач планирования и прогнозирования алгоритмов, основанных на нейросетевых моделях, в парировании неопределенностей, связанных с субъективной и нечеткой (качественной) оценкой исходных данных для принятия решений за счет использования при решении задач поддержки решений алгоритмов, основанных на нейро-нечеткой модели, отличающиеся комплексностью и динамичностью анализа данных по уровням управления.
Практическая ценность результатов
Результаты диссертации позволяют: 1) повысить за счет использования нейросетевых моделей планирования и прогнозирования и нейро-нечеткой модели поддержки решений эффективность управления ПЭС в условиях неопределенности, когда решение задач управления традиционными способами не представляется возможным; выполнять анализ состояния ПЭС, осуществлять поддержку решений в автоматизированном режиме и проводить эксперименты с целью определения рационального поведения производственно-экономической системы при различных ситуациях, возникающих в производстве и на рынке с помощью разработанной системы имитационного моделирования, основанной на разработанных моделях; использовать систему имитационного моделирования при управлении производственно-сбытовой деятельностью предприятия с учетом особенностей его структуры и функционирования с помощью разработанной методики; выработать практические рекомендации по выбору решений по управлению производственно-сбытовой деятельностью предприятия (на примере предприятий машиностроительной и легкой промышленности).
Программное обеспечение системы имитационного моделирования зарегистрировано в РосАПО в виде двух программ для ЭВМ: "Система моделирования на нейронных сетях" (свидетельство РосАПО об официальной регистрации программ для ЭВМ № 990005) и "Система поддержки решений на основе нечеткой логики" (свидетельство РосАПО об официальной регистрации программ для ЭВМ № 990006).
Практическое значение результатов диссертации подтверждено внедрением разработанных программных продуктов в учебный процесс Уфимского государственного авиационного технического университета при проведении лабораторных работы по курсам "Управление в организационных системах", "Методы искусственного интеллекта", "Интеллектуальные АИС", "Автоматизированные интеллектуальные системы" для специальностей 220200 "Автоматизированные системы обработки информации и управления" и 210300 "Роботы и робототехнические системы", поддержанных методическим обеспечением.
Основания для выполнения работы
Работа выполнена в период 1995-1999гг. на кафедре технической кибернетики УГАТУ и связана с выполнением исследований в рамках Федеральной целевой программы "Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997-2000 годы", госбюджетных НИР "Анализ процессов функционирования и развития сложных динамических систем методами математического моделирования" (рег.№02.9.90 000579), "Динамические и интеллектуальные модели управления многокомпонентными производственными системами" (рег.№01.99.00 04973) и гранта по фундаментальным исследованиям в области экономических наук Российской экономической академии (проект № 4-33).
Апробация работы и публикации
Основные положения, представленные в диссертации, докладывались и обсуждались начиная с 1997 года на научных мероприятиях различного уровня. Среди них: II Международная практическая конференция "Математические методы и компьютеры в экономике" (Пенза, 1997); Всероссийская научно-техническая конференция "Электроника и информатика -97" (Москва-Зеленоград, 1997); Международная научно-техническая конференция "Конверсия, приборостроение, рынок" (Владимир-Суздаль, 1997); Всероссийская научно-техническая конференция "Непрерывная и смежные логики в информатике, экономике, социологии" (Пенза, 1997); Всероссийская молодежная научно-техническая конференция "Информационные и кибернетические системы управления и их элементы" (Уфа, 1997); VII Всероссийские Туполевские чтения "Актуальные проблемы авиастроения" (Казань, 1998); 5-я Международная научная конференция "Логико-математические методы в технике, экономике и социологии" (Пенза, 1998); Всероссийская научно-техническая конференция "Нейроинформатика-99" (Москва, 1999); II Международная научно-техническая конференция "Математические методы и компьютеры в экономике" (Пенза, 1999); Республиканская научно-техническая конференция "Интеллектуальное управление в сложных системах-99" (Уфа, 1999); Международная молодежная научно-техническая конференция "Интеллектуальные системы управления и обработки информации" (Уфа, 1999); Всероссийская научно-техническая конференция "Нейроинформатика-2*000" (Москва, 2000).
Результаты диссертационной работы непосредственно отражены в 19 публикациях, в том числе в 3 статьях, в 12 трудах конференций, 2 свидетельствах РосАПО о регистрации программ для ЭВМ №990005, №990006. Информация об этих программах помещена в каталоге научно-технических разработок УГАТУ, предлагаемых для производства и внедрения.
Структура работы
Работа включает введение, 4 главы основного материала, заключение, библиографический список и приложения. Работа изложена на 140 страницах, в том числе 114 страницах текста, включает 55 рисунков и 18 таблиц, размещенные на 26 страницах. Библиографический список включает 116 наименований.
Автор выражает глубокую признательность научному руководителю д.т.н. профессору Исмагиловой Л.А. за полезное обсуждение проводимых исследований, а также за ценную методическую и организационную помощь в подготовке работы к защите. Автор выражает искреннюю благодарность профессору Ильясову Б.Г. за постоянную помощь при работе над диссертацией, к.т.н доценту Валеевой Р.Г. за ценные замечания и полезные рекомендации в период написания работы, а также сотрудникам кафедры технической кибернетики за поддержку и помощь.
Анализ особенностей производственно-экономической системы, функционирующей в условиях рынка
Одним из важнейших направлений в теории управляемых систем в течение последних десятилетий является поиск решения проблемы эффективного управления сложными динамическими объектами в условиях неопределенности и дефицита ресурсов. В качестве источников возникновения неопределенностей выступают дефицит информационных, энергетических, материальных и других видов ресурсов, непредсказуемость поведения внешней среды, непредвиденные изменения в структуре и поведении самой системы. В этих условиях является весьма проблематичным сформировать своевременное и в то же время эффективное управляющее воздействие.
Решать проблему принятия решения в условиях неопределенности приходится в различных областях человеческой деятельности. Она возникает при проектировании систем управления сложными динамическими объектами вследствие дефицита априорной информации об условиях эксплуатации системы, что затрудняет построение адекватной модели системы, а также выбор адекватной структуры и эффективных алгоритмов управления. При планировании и управлении, как правило, ощущается недостаток достоверной информации как об активном поведении окружающей среды, так и о располагаемых ресурсах для достижения поставленной цели в условиях противодействия этой среды. Отсутствие необходимой информации о происходящих в системе изменениях не позволяет качественно решать задачи контроля, идентификации и диагностики текущего состояния системы и ее элементов. Поэтому необходимо также решать задачи прогнозирования различных показателей, характеризующих объект управления и внешнюю среду.
Это актуально и для производственно-экономической системы, функционирующей в условиях рынка, где проблема принятия решений в условиях неопределенности также занимает центральное место.
Современные сложные производственно-экономические системы созданы человеком с целью преобразования некоторых ресурсов в готовую продукцию или услуги, удовлетворяющие потребности общества. Проблемы повышения эффективности функционирования и управления производством становятся особенно актуальными в период рыночных отношений. Эффективной в этих условиях считается система, производящая конкурентоспособную продукцию, сбыт которой приносит прибыль. Прибыль становится основным комплексным показателем эффективности функционирования, анализ которого позволяет решать задачи и стратегического планирования, и оперативного управления. Проблема исследования данного класса систем, описывающих поведение предприятия в конкурентных условиях рынка, является сложной и разнообразной.
Переходный период характеризуется существенной нестабильностью внешней среды, высоким уровнем неопределенности поведения системы и человека в новых условиях, а также направленным противодействием конкуренции целям системы. Производственно-экономические системы как объект исследования данной работы изучаются с целью выявления путей повышения эффективности их функционирования. Такие системы относятся к классу активных (с участием человека в производстве и управлении), плохо формализуемых, многофункциональных динамических систем, при функционировании которых постоянно возникают проблемные ситуации. Своевременное и правильное разрешение проблемных ситуаций обеспечивает эффективность системы, а в некоторых ситуациях предотвращает аварийные или иные нежелательные последствия.
Для моделирования производственно-сбытовой деятельности предприятий широко используются методы, основанные на применении методологий функционального, объектного и динамического имитационного моделирования, математических методов и инженерии знаний. Это тесно связано с внедрением таких современных информационных технологий, как распределенные базы и хранилища данных, экспертные системы и CASE- технологии.
Для автоматизации управления любым объектом с помощью ЭВМ необходимо иметь некоторую модель, описывающую функционирование объекта и его взаимодействие со средой. Традиционный подход к решению этой задачи состоит в построении математической модели объекта управления (ОУ), например, в виде системы дифференциальных уравнений, модели линейного программирования и т.д. Однако специалисты в области построения моделей зачастую сталкиваются со следующей ситуацией: с одной стороны, учет всех известных факторов, играющих роль при управлении объектом, приводит к недопустимо громоздкой модели объекта, что практически исключает возможность ее использования при оперативном управлении; с другой стороны, абстрагирование от некоторых параметров объекта и упрощение модели приводят к неадекватности ее объекту. Как правило, такая ситуация возникает при построении моделей сложных объектов, к которым относится и производственно-экономическая система. Хотя понятие "сложный" объект управления является чисто условным, можно выделить его отличительные особенности: не все цели выбора управляющих решений и условия, влияющие на этот выбор, могут быть точно выражены в виде количественных соотношений; отсутствует либо является неприемлемо сложным формализованное описание объекта управления; значительная часть информации, необходимая для математического описания объекта, существует в форме представлений и пожеланий специалистов-экспертов, имеющих опыт общения с данным объектом. Одним из создателей кибернетики Дж.фон Нейманом было замечено, что стремление получить точную, исчерпывающую модель для достаточно сложного объекта (процесса) не имеет смысла, поскольку сложность такого описания становится соизмеримой со сложностью самого объекта. Следовательно, использование такой модели не позволяет просто и наглядно объяснить механизм его функционирования, воспользоваться какими-либо стандартными математическими процедурами для исследования характеристик объекта и синтеза системы управления (СУ). Это особенно относится к таким объектам управления, как производственно-экономические, организационные, социальные, финансово-экономические системы и др. Известный специалист в области теории систем Лотфи А. Заде сформулировал эту мысль в виде так называемого принципа несовместности. Согласно этому принципу "чем сложнее система, тем менее мы способны дать точные и в то же время имеющее практическое значение суждения о ее поведении. Для систем, сложность которых превосходит некоторый пороговый уровень, точность и практический смысл становятся почти исключающими друг друга характеристиками. Именно в этом смысле точный качественный анализ поведения организационных систем (т.е. систем, в которых участвует человек) не имеет, по-видимому, большого практического значения в реальных социальных, экономических и других задачах управления, связанных с участием одного человека или группы людей". Таким образом, при управлении процессами производства и реализации продукции в условиях рынка необходимо исследовать сложный, плохо формализуемый динамический объект - производственно экономическую систему, функционирующую в условиях неопределенности, решить ряд задач технико-экономического планирования и оперативного управления с целью повышения эффективности функционирования ПЭС. С этой целью необходимо: во-первых, решить актуальные задачи повышения эффективности управления за счет создания и использования при планировании, прогнозировании и оперативном управлении математических и имитационных моделей ПЭС; во-вторых, исследовать с помощью имитационного моделирования поведение системы в условиях неопределенности; ограничений на ресурсы, дефицита времени на принятие решений и определить наиболее эффективные модели и алгоритмы управления.
Разработка модифицированного метода ситуативно-интеллектуального управления для решения задачи поддержки решений при управлении производственно-экономической системой
Для осуществления управления необходимо решить следующие задачи: разработать способ описания состояний объекта управления в виде ситуаций, для чего формализовать понятие ситуации; предложить методы представления информации об объекте управления в виде ситуаций (методы идентификации ситуаций); разработать способ определения правил формирования классов (классификация ситуаций); определить возможные решения в полученной ситуации и выбрать наиболее эффективное из них. Для решения задач управления разработан модифицированный метод ситуативно-интеллектуального управления, в котором объединены преимущества ситуационного и интеллектуального управления. Метод состоит в реализации процедур ситуационного управления на основе нейросетевых и нейро-нечетких моделей. Реализация процедуры классификации ситуаций осуществляется на основе нейросетевой модели, а процедур формирования базы правил принятия решений, формирования множества управляющих решений и выбора наиболее эффективного решения - на основе нейро-нечеткой модели. Процедуры модифицированного метода ситуативно-интеллектуального управления 1) идентификация ситуации: определение вектора управляемых переменных Р и вектора управляющих переменных R; определение функций принадлежности, значений лингвистических переменных векторов Р и R; 2) классификация ситуаций: построение нейросетевой модели; 3) выбор наиболее эффективного решения из множества рекомендуемых на основе нейро-нечеткой модели: формирование базы правил принятия решений на основе совокупности нейронных сетей; выбор механизма (алгоритма) логического вывода и метода дефаззификации; формирование множества управляющих решений и выбор наиболее эффективного из них на основе нечеткой модели. В работах Ю.И.Клыкова, Д.А.Поспелова, В.Н.Рушкина, Л.Н.Горького, Д.А.Шапиро, А.А.Растригина показано, что при обучении управлению сложным объектом у человека складывается некоторый набор типовых ситуаций, в которых необходимо принимать определенные управляющие решения с целью изменения состояния объекта управления и приведения его в состояние, условно называемое целевым состоянием или целевой ситуацией. В дальнейшем при управлении объектом человек сравнивает ситуации, возникающие по ходу управления, с типовыми ситуациями, пользуясь некоторыми, чаще всего качественными, описаниями ситуаций. При этом выясняется, в какой из типовых ситуаций находится объект управления, и принимаются соответствующие управляющие решения [67].
Такой принцип управления сложными объектами называется принципом "ситуация-действие". Он оправдывает себя в том случае, когда целевая ситуация задана раз и навсегда или неизменна в пределах достаточно длительного времени.
Поэтому этот принцип не применим при построении интеллектуальных систем управления. При интеллектуальном управлении нет типовых ситуаций, а классификация осуществляется по правилам, а не по образцам.
Состояние объекта управления можно оценивать по значениям признаков - отличительных черт объекта. Набор значений признаков, описывающих состояние объекта управления в некоторый момент времени, назовем ситуаций. Ситуация - это состояние производственно-экономической системы, требующее вмешательства по управлению.
Задача управления производственно-экономической системой состоит в принятии решений по изменению значений выходных переменных по сформировавшимся на данном шаге управления значениям входных переменных. Управление сводится к преобразованию текущего состояния системы в целевое Si{ Р }= Si+] { Р }. Состояние системы и внешней среды характеризуется множеством значимых переменных. Описание производственно-экономической системы как объекта исследования состоит в выборе основных управляемых и управляющих переменных и определении взаимодействия с внешней средой. Идентификация состояния производства и рынка выполняется вектором управляемых переменных Р = \Pj, р2,..., рп }. Управляющие переменные могут быть объединены в вектор R = {r,,r2,...,rm} На этапе идентификации происходит присвоение конкретных значений переменным вектора Р . Таким образом определяется (идентифицируется) ситуация, которой описывается сложившееся к моменту оценки состояние объекта. Предлагается для описания ситуации использовать так называемые лингвистические переменные [13, 90, 91, 116], т.е. значениями переменных вектора Р могут быть не только числа, но слова или предложения на естественном или формальном языке. Этот способ описания предпочтительнее тем, что дает возможность получать некоторые характеристики общего порядка, поскольку лингвистическое описание менее конкретно, чем числовое [65, 66]. Для того чтобы описать ситуацию, необходимо определить значения лингвистических переменных, построить функции принадлежности [27, 32-35, 69]. Существует ряд методов построения по экспертным оценкам функции принадлежности нечеткого множества. Можно выделить две группы методов: прямые и косвенные. Прямые методы определяются тем, что эксперт непосредственно задает правила определения значений функции принадлежности JUA, характеризующей понятие А. Эти значения согласуются с его предпочтениями на множестве объектов U следующим образом: для любых ui, иг eU UA(U1) UA(U2) тогда и только тогда, когда 1 предпочтительнее Ui, т.е. в большей степени характеризуется понятием А; для любых ui, ii2 eU ДА(и1)=ЦА(и2) тогда и только тогда, когда ui и 1 безразличны относительно понятия А. Примеры прямых методов: непосредственное задание функции принадлежности таблицей, формулой, примером. В косвенных методах значения функции принадлежности выбираются таких образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация является только исходной информацией для дальнейшей обработки. Дополнительные условия могут налагаться как на вид получаемой информации, так и на процедуру обработки. Однако функция принадлежности может отражать, как мнение группы экспертов, так и мнение одного (уникального) эксперта, следовательно, возможны, по крайней мере, четыре группы методов: прямые и косвенные для одного эксперта, прямые и косвенные для группы экспертов [64]. Кроме того, существуют методы построения функций принадлежности терм-множеств. Классификация методов представлена на рисунке 2.2. Существует целый класс задач, для решения которых человек использует не четкие правила, а опыт. Наличие опыта предусматривает возможное правильное решение и в том случае, если данная ситуация прежде не встречалась.
Разработка нейросетевой модели планирования при управлении производственно-экономической системой
Для решения задачи планирования в производственно-экономической системе используются экономико-математические методы (методы математического программирования) [26, 29, 68, 70], в которых для получения оптимального решения затрачивается много времени на составление уравнений и поиск решения. Кроме того, оптимальное решение не всегда соответствует физической природе искомых величин.
Также нужно отметить, что функционирование производственно-экономической системы в условиях неопределенности делает эти методы неприменимыми для решения поставленных задач. Таким образом, в условиях неопределенности решать задачу планирования строго формализуемыми методами не представляется возможным. Поэтому предлагается использовать нейросетевое моделирование. Для решения задачи планирования на основе нейронных сетей обычно применяются два подхода [31]: конструируется сеть Хопфилда, которая представляется как реализация некоторого алгоритма оптимизации (в этом случае при решении задачи планирования сохраняются те же недостатки, что и в методах оптимизации); задача планирования решается на многослойном персептроне, когда сеть обучается неявными оптимизационными методами, так, чтобы на обучающей выборке выходные сигналы сети соответствовали известным фактам. Второй вариант предпочтительнее, т.к. потратив некоторое время на обучение нейронной сети, очередной результат можно получать мгновенно, что очень важно при автоматизированном планировании в реальной производственной ситуации. Таким образом, в отличие от решения задачи традиционными методами оптимизации решение задачи на нейронной сети упрощает и ускоряет расчеты для задач большой размерности [38]. Предположим, что имеется заданный спрос на продукцию по объемам и номенклатуре, полученный в результате прогноза. Для решения задачи планирования потребности в ресурсах в качестве входных переменных выбирается вектор спроса C={ci, с2,..., сп}, где Сі, с2,..., сп - спрос на продукцию і-го наименования, а в качестве выходных - вектор х={х\, х2,..., хт}, где X], х2,..., хт - план формирования запаса ресурса j-ro наименования.
Для решения задачи планирования объема выпуска продукции в качестве входных переменных выбирается вектор Х={х\, х2,..., хт}, где Xi, х2,..., хт - количество ресурса j-ro наименования, необходимого для производства продукции і-го наименования, а в качестве выходных -вектор В={Ъ\, b2,..., bn}, где t i, b2,..., bn - план выпуска продукции і-го наименования.
Выходные переменные, полученные на нейронной сети в результате решения задачи планирования потребности в ресурсах, поступают на вход нейронной сети, предназначенной для планирования объема выпуска продукции.
Для определения структуры сетей необходимо определить количество их слоев и количество нейронов в скрытом слое. Для решения задачи планирования предлагается использовать нейронные сети с одним скрытым слоем. Размерности входного и выходного векторов определяются исходя из количества используемых ресурсов и номенклатуры выпускаемой продукции. Количество нейронов в скрытых слоях вычисляется по приведенным в предыдущем параграфе формулам (2.1) и (2.2) и проверяется экспериментально. В качестве активационной функции используется сигмоида.
Описанный ранее для задач классификации и извлечения правил принятия решений метод кодирования не подходит для кодирования данных для решения задачи планирования.
Как входами, так и выходами нейросети для решения задачи планирования могут быть совершенно разнородные величины. Очевидно, что результаты неиросетевого моделирования не должны зависеть от единиц измерения этих величин [54]. А именно, чтобы сеть трактовала их значения единообразно, все входные и выходные величины должны быть приведены к единому масштабу.
Приведение данных к единичному масштабу обеспечивается нормировкой каждой переменной на диапазон разброса ее значений. В простейшем варианте это - линейное преобразование, подробно описанное в [31]. Линейная нормировка оптимальна, когда значения переменной плотно заполняют определенный интервал. Но подобный подход применим далеко не всегда. Так, если в данных имеются относительно редкие выбросы, намного превышающие типичный разброс, именно эти выбросы определят масштаб нормировки. Это приведет к тому, что основная масса значений нормированной переменной сосредоточится вблизи нуля.
Гораздо надежнее ориентироваться при нормировке не на экстремальные значения, а на типичные, т.е. статистические характеристики данных, такие как среднее и дисперсия. В этом случае основная масса данных будет иметь единичный масштаб, т.е. типичные значения всех переменных будут сравнимы.
Однако теперь нормированные величины не принадлежат гарантировано единичному интервалу, более того, максимальный разброс значений заранее не известен. Для входных данных это может быть и не важно, но выходные переменные будут использоваться в качестве эталонов для выходных нейронов. В случае, если выходные нейроны -сигмоидные, они могут принимать значения лишь в единичном диапазоне. Чтобы установить соответствие между обучающей выборкой и нейросетью в этом случае необходимо ограничить диапазон изменения переменных.
Таким образом, линейное преобразование неспособно отнормировать основную массу данных и одновременно ограничить диапазон возможных значений этих данных. Естественный выход из этой ситуации - использовать для предобработки данных функцию активации тех же нейронов. Распределение значений после такого нелинейного преобразования гораздо ближе к равномерному.
Поэтому после составления обучающей и валидационной выборок необходимо провести нормировку входов-выходов именно этим способом.
Обучение проводится методом обратного распространения. Затем выполняются стандартные процедуры нейроанапиза (оценка качества обучения и контрастирование), описанные в предыдущем параграфе. После этого можно использовать обученную НС для решения задачи планирования выпуска продукции и задачи планирования потребности в ресурсах.
Разработан метод решения задачи планирования от потребности, основанный на нейронных сетях, позволяющий строить на основе неточных данных автоматизированные системы планирования, быстрореагирующие на изменяющуюся ситуацию в производстве и на рынке, учитывающий ограничения по ресурсам и технологическим возможностям предприятия отличающийся от известных методов быстротой расчетов планов.
Разработка методики интеллектуального управления производственно-экономической системой сиспользованием системы имитационного моделирования
Для повышения эффективности принимаемых решений в условиях неопределенности необходимо прогнозировать изменение некоторых параметров, описывающих состояние ПЭС (спрос, цена, предложение конкурентов и т.д.) [51, 53].
Задача прогнозирования формулируется следующим образом: на основании имеющихся данных о процессе, протекающем некоторое время назад, высказать суждение и дать количественную оценку изменения этого процесса в будущем. Ее решение основано на выявлении закономерностей процесса и установлении причинно-следственных связей, которые могут появиться по мере накопления материала, а трудность этого решения в значительной степени определяется величиной времени, на которое должно быть осуществлено прогнозирование.
Выбор метода решения задачи прогнозирования производится на основании данных о процессе. В соответствии с возможным характером процесса выделим три основных метода: интерполирование детерминированных процессов; предсказание стационарных случайных процессов; предсказание нестационарных случайных процессов.
Для точного прогнозирования (экстраполяции) случайного процесса по разработанным в настоящее время методам экстраполяции необходимо иметь прежде всего достаточно большую выборку. Но часто возникает необходимость в предсказании поведения процесса при наличии выборки малого объема, а это накладывает определенные ограничения на степень достоверности прогноза. Степень реальности такого рода прогноза и соответственно мера доверия к нему в решающей степени обуславливаются аргументированностью выбора пределов экстраполяции и адекватностью измерителей, отобранных для анализа сущности рассматриваемого явления. Эти измерители часто оказываются несовместимыми в больших масштабах времени.
С физической точки зрения экстраполяция, строго говоря, является не вполне законной операцией, поскольку предполагается, что данная функциональная зависимость сохраняется и за пределами изученного интервала, хотя для такого предположения иногда нет достаточных оснований.
При использовании метода регрессионного анализа необходимо, чтобы все зависимости параметров были известны. Но в производственно-экономической системе нет ярко выраженных зависимостей параметров друг от друга. На каждый параметр влияет большое количество факторов. При использовании метода регрессионного анализа в условиях неточного описания получается неточный прогноз, поэтому нет смысла использовать точные методы для описания неточных объектов.
Следовательно, для прогнозирования необходимо использовать методы, позволяющие выявлять тенденции в неточных данных, полученных в условиях неполноты информации и неопределенности поведения объекта управления. Таким методом может служить метод, основанный на использовании нейронных сетей, т.к. основным преимуществом нейронных сетей является их способность к обобщению. Предсказание временного ряда сводится к типовой задаче нейроанализа -аппроксимации функции многих переменных по заданному набору примеров. Нейронную сеть далее можно использовать для восстановления этой неизвестной функции по набору примеров, заданных историей временного ряда.
Таким образом, использование данных о предыстории процесса и данных о влиянии на этот процесс различных внешних воздействий позволит сделать более точный прогноз. Также будет возможно проигрывать различные варианты развития процесса, с целью получения информации о различных вариантах развития событий. После получения прогноза на различные показатели, характеризующие внешнюю среду, их можно использовать в качестве исходных данных для решения задач планирования и поддержки решений. При управлении производственно-экономической системой предлагается использовать нейросетевой метод для решения задач прогнозирования: спроса, предложения, цены и коэффициента реализации. Например, для определения значения переменной спроса можно проанализировать зависимость спроса от объема выпуска продукции рассматриваемого предприятия и предприятий-конкурентов, а также от цены на продукцию. Значение цены на продукцию может быть определено в зависимости от спроса и выпуска продукции рассматриваемым предприятием и конкурентами. Эти утверждения основаны на известных моделях установления равновесной цены: паутинообразной модели, модели Эванса, модели Вальраса. Цена формируется в зависимости от проса и совокупного предложения товара предприятием и предприятием-конкурентом. Функция спроса на товар является убывающей функций цены, а функция предложения является возрастающей функцией цены. Изменение цены зависит от разности спроса и предложения, если спрос выше предложения, то цена возрастает, в противном случае - убывает. В условия конкурентных рыночных отношений реализация продукции на рынке зависит от совокупного действия множества факторов: соотношения между спросом и предложением, уровня действующих цен и ценовых политик, проводимых исследуемым предприятием и конкурирующими, качественных характеристик продукций предприятий конкурентов, а также эффективности маркетинговой деятельности предприятия на рынке, в частности, в виде количества затрачиваемых средств на рекламу. Воздействие на те или иные компоненты этого множества факторов в зависимости от конкретной текущей производственно рыночной ситуации позволяет осуществлять поддержку (сопровождение) продукции на рынке, которая предполагает поддержание достигнутого объема продаж или увеличение его и продление периодов роста и зрелости жизненного цикла продукции. Коэффициент реализации является функцией многих переменных [60]: где єнс -относительная разность между спросом и предложением; Єц - относительная разность между ценой конкурирующего предприятия и исследуемого; Єзр - относительная разность между текущими и плановыми затратами на рекламу; &х - относительная разность между показателями качества продукции исследуемого и конкурирующего предприятия.
Параметр д. является интегральной характеристикой поддержки продукции на рынке, определяющей потенциальные возможности реализации ее на рынке. Величина аргумента JJ, зависит не только от количественных значений факторов, но и от весовых коэффициентов, определяющих уровень значимости каждого фактора. Отсюда вытекает важное свойство предлагаемой модели формирования коэффициента реализации. Модель позволяет перераспределять весовые коэффициенты Ргі, увеличивая либо уменьшая при этом значимость того или иного фактора, и, следовательно управлять степенью влияния их изменений на изменение коэффициента реализации. Иными словами, можно управлять чувствительностью коэффициента реализации к изменениям факторов образующих его.
![Управление в социально-экономических системах на основе моделирования ценозов: теория, методология, инструментарий : [ҐЄбв]](/i/i/4390/392853.png "Управление в социально-экономических системах на основе моделирования ценозов: теория, методология, инструментарий : [ҐЄбв] Кузьминов Александр Николаевич")
