Нейросетевое моделирование и управление в производственно-экономической системе предприятия тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | доктор экономических наук |
| Автор | Догова, Елена Владимировна |
| Место защиты | Пермь |
| Год | 2006 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Нейросетевое моделирование и управление в производственно-экономической системе предприятия"
На правах рукописи
Догова Елена Владимировна
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И УПРАВЛЕНИЕ В ПРОИЗВОДСТВЕННО-ЭКОНОМИЧЕСКОЙ СИСТЕМЕ ПРЕДПРИЯТИЯ
Специальность: 08.00.13. -"Математические и инструментальные методы экономики"
АВТОРЕФЕРАТ
диссертации на соискание ученой степени доктора экономических наук
ПЕРМЬ 2006
Работа выпонена в Пермском государственном техническом университете
Научный консультант: доктор экономических наук,
Файзрахманов Рустам Абубакирович
Официальные оппоненты: - доктор -экономических наук,
член-корреспондент РАН, советник РАН, Гизатулин Хамит Нурисламович
-доктор экономических наук, профессор Артемов Николай Иванович
-доктор экономических наук, профессор Дедов Леонид Анатольевич
Ведущая организация: Владимирский государственный университет
Защита диссертации состоится "28" декабря 2006 г. в 16 часов на заседании диссертационного совета ДМ 212.189.07 при ГОУ ВПО "Пермский государственный университет" по адресу: 614990, г. Пермь, ул. Букирева, 15, зал заседаний Ученого совета.
С диссертацией можно ознакомиться в научной библиотеке Пермского государственного университета.
Автореферат разослан М^Р-З 2006г.
Ученый секретарь диссертационного совета
Доктор физико-математических наук, доцент СимАУнт^"^'Симонов
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
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 ус-ловиях.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 природа (динамические, оптимизационные и т.д.), предназначенные для описания элементов производственной системы предприятия, дожны эффективно взаимодействовать.,Это инициирует проблему их интеграции и стыковки на системном и информационном уровне. Производственная система предприятия находится под непосредственным влиянием динамики 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 агоритмической, логической или функциональной поддержке введенной специалистом модели, оставляя в стороне интелектуальную 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 моделиро-
вания, управления и принятия решений. Сам характер информационного процесса (обработка не столько данных, сколько знаний) актуализирует использование методов искусственного интелекта. Данной актуальной проблеме и посвящена выпоненная 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 A.A. Перво-званского, К. Негойце, Б.Я. Советова, H.A. 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, A.A. 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, A.C. Иванова.
Методы планирования и управления производством в ключе постановки оптимизационных задач рассматриваются в трудах В.Ф. Сытника, С.А. Жданова, Р. Алена, С.А. Ашманова, А.Г. Гранберга, Л.В. Канторовича, Г.Ш. Рубинштейна, H.H. Моисеева, Дж. Фон Неймана, О. Моргенштейна, С.И. 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 Г1.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 а 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, С.И. 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 нейроинтелекта представлена в фундаментальных работах таких авторов, как Р. Вильяме, П.Вербос, Р.Земел, Йох-Хан Пао, Т. Кохоннен, Э.Минай, Ф.Розенблатт, Е.Хинт.
Интелектуальные агоритмы поддержки и принятия решений но 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,С.В.Ченцова,С.И. Крохова, Л.А. Фельдмана, Ю.А. Любарского, Д.А. Поспелова, А.Н. Романова, Б.Е. Одинцова и др.
Различные аспекты приложения моделей искусственного интелекта к проблемам управления и прогнозирования поведения сложных производственно-экономических объектов, в том числе вопросы проектирования экспертных систем представлены в работах работы А.Н.Аверкина, P.A. 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. Мёшакина, 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 интелекта, связаны в основном с использованием динамических моделей управления, задач оптимизации, моделей и агоритмов принятия решений на разных уровнях промышленно-экономической системы. Работы же в области искусственного интелекта 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 нейромоделирования 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 моделированиясложной производственной системы предприятия на основе пространственно-распределенного Х 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 интелектуальной 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 тре-
буемого 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 агебры и логики предикатов. Разработка проблематики нейромоделирования производилась с использованием фундаментальных результатов в области искусственного интелекта (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 P.A. 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 поному 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 интелектуальной 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.1 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 Х интегрированной инструмен- Х тальной 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 поного 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 выпонение 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 интелектуальной 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 Ч "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; и. 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 искусственного интелекта при выработке управленческих решений.
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-Пегербург, 1999), Международной конференции по мягким вычисле-
ниям и измерениями (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 i пищевой промышленности "Норман", Государственное-, унитарное предприятие "Научно исследовательский - институт управляющих машин и систем" (г. Пермь). ;ХХ
Теоретико-методологические положения диссертации используются для профессионального обучения, переподготовки и повышения квалификации в учебных курсах "Интелектуальные информационные технологии", "Экспертные системы", 'Теоретические основы искусственного интелекта".
Наиболее поно результаты исследования отражены в монографиях:
Е.В.' Догова. Методология- выбора моделей распределения в промышленно-экономических системах, Пермский филиал Института экономики УрО РАН, ПГТУ, 2006.
-Е.В. Догова, P.A. 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 пл.
Структура и объем диссертации
Диссертационная работа состоит из введения, семи глав и заключения, библиографического списка, включающего 292 наименования и приложений, допоняющих содержание исследования. Текст, изложенный на 291 странице, включает 57 рисунок и .6 таблиц.
Во введении дано обоснование актуальности исследования, формулируется научная новизна, обоснованы цель и задачи исследования, приведены наиболее существенные результаты и общая характеристика работы.
В первой главе "Обзор и анализ возможностей интелектуального моде л ированияв. производственно-экономической системе предприятия" описаны существующие модели управления-ресурсами, анализируются место и роль интелектуального моделирования в управлении предприятием.
Во второй главе "Разработка методов управления запасами с использованием нейросетевых " технологий" представлены теоретико-методологические аспекты применения нейросетей в формировании заказов на детали, комплектующие и изделия. Исследуются вопросы как оптимального управления, так и принятие решений в условиях наличия нечеткой и лингвистической информации.
В третьей главе "Разработка методов'управления сбытом продукции с использованием нейросетевых технологий"' выстраивается концепция прогнозирования спроса на продукцию предприятия, представлены различные аспекты анализа и структуризация исходных данных , формирования модели
многошагового однопараметрического прогнозирования. Описаны модели прогнозирование спроса на основе анализа влияющих факторов, на основе распознавания ситуаций, а также исследуются методологические стороны автоматизация выбора варианта моделирования.
В четвертой главе "Поддержка принятия решений по управлению производственными потоками на основе нейронных сетей" излагаются вопросы структуризации и проблематики предметной области, формируются описания внешних воздействия и формализуются критерии управления, исследуется структура сети, ее работа и методика настройки и проблемы оптимальности.
В пятой главе "Нейросетевые методы принятия решений в задачах распределения производственных ресурсов" дано структурное, теоретико-множественное и логическое представление модели оптимизации, обоснованы структура и методология настройки управляющей нейросети.
В шестой главе "Инструментальные средства нейромоделирования произволе! венной системы" рассмотрены аспекты автоматизации накопления знаний в области моделирования предприятия, предложена структура соответствующей этой задаче инструментальной системы, приведен пример подбора модели при помощи сети Хемминга,
представлены методологические и математические аспекты взаимодействия специалист-система моделирования.
В седьмой главе "Апробация моделей и методик" даны результаты применения предложенных теоретико-методологических результатов к задачам управления предприятием, описана практическая апробация моделей нейросетевого управления запасами, модели и методики прогнозирования спроса на продукцию, результат использования нейросетевой модели при управлении материальным потоком, а также комплексная апробация методики нейросетевого подбора моделей производственно-экономического объекта.
В заключении обобщены результаты диссертационного исследования, сформулированы основные выводы.
В приложениях представлены данные, подтверждающие обоснованность результатов исследования (справочно-аналитический материал).
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 (разделы диссертационной работы 2.1- 2.7, 7.1 ).
В условиях рыночной экономики научное обоснование необходимых уровней производственныхресурсов заключается в установлении определенного равновесия между рациональным использованием ресурсов и соблюдением основных принципов организации производства, то есть, между ресурсосбережением и достаточной надежностью функционирования производственной системы. Именно в этих условиях возрастает значение запасов существенного фактора. Согласно данным института организации труда при Рейнско-Вестфальской высшей технической школе, снижение' запасов на 10% для предприятия среднего размера означает уменьшение связанных капитальных средств и увеличение оборачиваемости с 1,25 до 1,30. Прибыль при этом возрастает более чем.на 10%, а рентабельность возрастает еще в большей степени вследствие повышения отдачи капитала (с 3,75 до 4, 32).
В существующих в настоящее время моделях, предназначенных для решения экономических задач и связанных прежде всего с управлением и размещением запасов, финансовые и материальные потоки представлены либо как детерминированные процессы, либо как случайные процессы со статистическими характеристиками, обладающими - заданными свойствами (стационарность, эргодичность). При этом не рассматриваются процессы изменения номенклатуры выпускаемых предметов, зачастую не учитывается тот факт, что время функционирования производственного процесса ограниченно. Фактически, эти модели описывают установившийся режим функционирования объекта, они являются моделями статики запасов, что при попытках настройки на производственный объект вызывает существенные трудности методологического характера. Таким образом, существует объективная потребность в моделях и методиках, которые бы позволили решать задачу, без вышеописанных допущений, особенно для объектов с нестационарными характеристиками и видоизменяющейся структурой запасов.
В'работе использовалась следующая постановка задачи оптимизации управления материальными запасами:
где <р случайные отклонения, Б'Ч критерий, характеризующий несовпадение фактических запасов с нормативными запасами и Ч управление. Рассмотрим нейросеть как средство формирования управления системой запасов. Пусть вектор интенсивностей включает в себя позиции, для которых повторяемость поставок явным образом не наблюдается, а вектор интенсивностей поступления материалов и комплектующих М(0 подвержен случайному воздействию, но информация о статистических характеристиках отсутствует. В момент времени 4 лицу, принимающему решение (ПР), дос-
тупна информация о значениях N(t), D(t), его задачей является формирование заказов на материалы и комплектующие M{t + Дг) (рисунок I).
Рис. 1. Взаимодействие нейросети и управляемого объекта
Применение нейросети осложняется проблемой получения обучающей выборки Ч существующая статистическая информация не соответствует оптимальному управлению, следовательно, ее использование не позволит решить изначальную экономическую проблему. Рассмотрим разрешение этой проблемы, которого мы придерживались в данной работе. Если случайные отклонения отсутствуют, то идеальное управление, обеспечивающее поддержание нормативных запасов в складских накопителях, рассчитывается по формуле M(t)~ N0-N(t) + SD(t), если JV0-W(/) + SD(/)>0 и Л/(г) = 0, в противном случае. Для формирования обучающей выборки элементам N и D случайным образом придаются значения из допустимой для каждого элемента области определения, и вычисляется соответствующее значениям N и D значение управления М. Однако в момент времени t (в момент принятия решения) значение D(t) не является наблюдаемым, поскольку будущие потребности в материальном ресурсе подвержены случайным отклонениям. Поэтому, модель принимает черты модели прогнозирования внутрипроизводственного спроса. При невысокой скорости обучения многослойного персептрона ошибка функционирования сети аппроксимирует критерий c(/V()-Д!0):dt
оптимального управления системой. Для решения задачи управления запасами (чтобы поиск управления не ограничивася недостатками самой сети) понадобится трехслойный персептрон вида, показанного на рисунке 2. После завершения обучения, когда значения синаптических связей в сети стабилизировались, выходы нейросети интерпретируются как вектор интенсивностей потоков поступающих материалов, представленных в единицах стоимости отнесенных к единице времени. На основе временной последовательности получаемых в процессе функционирования сети векторов M рассчитываются предлагаемые объемы заказов на материалы, то есть, реализуется процесс
принятия решений.
Рис. 2. Управляющая нейросеть .
Обученная нейросеть аппроксимирует оптимизацию затратного фактора, связанного с хранением запасов. Результат моделирования на сети предлагается лицу, принимающему решение, предварительно преобразованным в удобную форму (в стоимостных единицах измерения или в виде размеров партий поставок). К достоинствам нейросетевого подхода в данном случае следует отнести простоту агоритмов реализации и их независимость от статистических характеристик потоков. Далее в работе рассмотрена проблема размерности, которая чрезвычайно актуальна для большого производственного объекта. Предложены два альтернативных'варианта методики Ч использование сети специальной структуры или использование набора логических правил декомпозиции, которые в виде программной реализации встраиваются в существующую информационную систему предприятия. Таким образом нейронная сеть как средство моделирования позволяет облегчить учет факторов, связанных с нелинейностью, трудностью или принципиальной невозможностью получения статистики материальных потоков, при этом конечной целью является снижение затрат, обусловленных запасами материалов, повышение рентабельности, ликвидности, а следовательно, и предпринимательского успеха предприятия.
Принятие решений в производственно-экономической системе предприятия не всегда можно свести к классической постановке оптимизационной задачи. На динамику, системы влияет взаимосвязь центрального склада и мест распределения предметов, ступени, складирования внутри, принятой системы распределения товаров, число создаваемых.складов на каждой ступени, сегментация областей поставки и организация складов, транспортные расходы, а также колебания в рыночной стоимости материалов и комплектующих, возникновение новых потребностей и другие трудно учитываемые факторы. Последнее в особенности касается характеристик ситуации, формулируемых вербально или требований, одновременное удовлетворение кото-
рых невозможно (ситуация компромисса), а также прогностических задач, для которых не накоплена поноценная статистическая выборка. Для того чтобы модель приняла вышеописанный характер, достаточно наличия хотя бы одного качественного, а не количественного фактора. Рассмотрим нейро-сетевое принятие решений в этом случае, сводимое к задаче распознавания.
Пусть дано множество объектов М, на множестве М существует разбиение на конечное число классов м,' Л/ -Ум,. Элемент множества представляет собою набор признаков, которые образуют в совокупности его описание Л" Ч<.г,, г,,... V, >. Задача распознавания состоит в том, чтобы вычислить значения предикатов: Р,(Хе Л/,). К количественным признакам относится, например, "запас -го материала" (#,), или "объем заказа на поставку к-го материалахМ,). Аналогичным образом могут быть включены в вектор X любые статистические количественные характеристики со значениями, рассчитанными на основе представительной выборки либо полученные другим корректным способом. Характеристики, которые указывают на наличие некого фактора или на его отсутствие (например, утверждение "нет места для
а J7Щ,, >7Д Д - соответственно максимальное и минимальное значение сигнала,
/та*' min
обозначающее невозбужденный нейрон. Лингаистическая информация формализуется в процессе диалога система-специалист, причем, система, обладающая накопленными знаниями, призвана свести субъективизм оценки до приемлемого уровня. Функция принадлежности G, представляющая собою, например, комбинацию s-образных функций:
строится до начала принятия решений. Затем, на основе интерактивного анализа представлений пользователя, элементарному утверждению ставится в соответствие значение переменной и, которое заносится в вектор X в качестве численного описания вербальной характеристики ситуации, таким образом, вектор X представляет собой описание ситуации, причем, учитываются как количественные, так и качественные характеристики. На подготовительном этапе формируются обучающая выборка вида "Образец ситуации -приемлемое решение". При принятии решений применяется нейронная сеть, поддерживающая решение задач распознавания, и обеспечивая непрерывный уровень сигнала на выходе.
Если данные, касающиеся материальных запасов и материальных потоков, представлены в форме, исключающей формирование вектора X с постоянной размерностью, принятие решений нельзя свести к модели "распозна-
складирования"), формализуются как г, =
7ДД если признак присутствует rjmtl, в противном С1учае
О,для и < от
G(u,a,,y) =
2(и - а)1 /(у - а)2, для а < и < 1-2(и-у):/(у-а)\для <u<,y \,дпя и > у
вание с учителем". Такая проблема легко возникает в условиях непоноты данных, или, напротив,, их высокой динамики или частых структурных изменений в системе. Для ее разрешения используется; семантическая сеть, сходная с примером, представленным на рисунке 3, причинно-следственные связи, которые моделируются в виде положительных или отрицательных си-наптических связей с весовыми коэффициентами а^, где -индекс "выходного", индекс "входного" нейрона.
Рис. 3. Пример активной семантической сети
Каждому нейрону сопоставлено понятие. Использование непрерывной акти-вационной функции. Оно приводит к точному количественному моделированию количественных по природе характеристик (пример Ч запас), и "мягкому" представлению качественных. Например, "склад пуст" не означает отсутствия запаса, однако, чем ближе выходной сигнал нейрона к своему максимальному значению, тем ближе склад к состоянию опустошения. Объект, аксиоматически введенный в модель системы материальных потоков, всегда присутствует в этой модели всегда на понятийном уровне. Однако если в описании текущей ситуации сопоставленное объекту понятие или действие отсутствует, нейроподобный элемент находится в неактивированном состоянии, процедура обучения активной семантической сети дожна способствовать выпонению этого интуитивно понятного требования. В информационной системе сеть представлена слабо запоненной матрицей смежностей А, которая формируется автоматически на основе информации, имеющейся в базе данных предприятия, что значительно экономит затраты на работу эксперта и (с учетом размерности). В работе показано, что матрица связей А, которая включает элементы, моделирующие взаимодействие запасов, поста-
вок и поступающих заказов, имеет обобщенный вид А =
' 0 0 \
Неопределенные (обозначенные многоточиями) части матрицы содержат коэффициенты, соответствующие допонительным информационным, материальным и финансовым взаимодействиям. Эти взаимодействия (после вышеописанного сокращения количества неопределенных связей за счет автоматического формирования А) можно получить путем регулярного анализа, непосредственно в процессе работы эксперта. Таким образом, специалист, работающий с системой, избавляется от необходимости определять то, что фактически уже определено в существующей системе хранения и обработки данных. Допустимо сказать, что в вышеприведенной формуле незапоненная часть матрицы соответствует "тонким" (неочевидным) управленческим, финансовым и информационным взаимодействиям в системе. Размерность левой верхней угловой матрицы постоянна, пока не меняется номенклатура предметов и материалов. Окончательное запонение А допускает применение регулярного синтеза с участием человекаЧэксперта либо использование технологии data-mining, в особенности, если имеющееся программно-информационное обеспечение ее поддерживает. Таким образом, система, построенная на основе вышеизложенных принципов, методов и моделей, будет стремиться к уменьшению затрат на связанный капитал в условиях произвольной размерности и структуры исходных данных.
Апробация работы выпонена для производственно-экономического объекта дискретного типа. Результат использования сети показан на нижеприведенном рисунке:
N1(t) - сеть
N1(t) - аналитика
Рис. 4. Сравнение нейросетевого и аналитически оптимального управления
Разность между материальным запасом, гипотетически сформированным в результате оптимального (но физически нереализуемого управления) и запасом, сформированный в результате нейросетевого управления, не превышает 2-3 процентов, то есть, реально, нейросетевое управление в условиях воздействия случайных отклонений очень близко к оптимальному. Отметим, что нейросетевое управление имеет перед аналитически оптимальным существенное преимущество - оно не нуждается в строгом обосновании допущений, принятых относительно статистических характеристик потоков. Таким образом, для исследованного объекта можно сделать вывод о возможности, эф-
фективности и практической реализуемости нейросетевого управления запасами комплектующих.
2. Сформулирован подход к нейросетевому прогнозированию спроса на продукцию предприятия на основе интелектуальной инструментальной системы принятия решений, включающей компонент структурной и параметрической настройки (разделы диссертационной работы 3.1-3.6,7.2).
Актуальность выпоненных в работе исследований по этой проблеме обусловлена следующим. При описании сложных социально-экономических явлений в ходе исследований особая роль отводится многофакторным аналитическим моделям, которые позволяют детально исследовать взаимозависимость признаков, тесноту связи между переменными, их соподчиненность. При отборе признаков - аргументов, включаемых в модель, в ходе экономического анализа выявляется сущность, направленность и теснота связи между факторами, что позволяет получить более точные описания исследуемого процесса или явления. Однако неоправданное усложнение модели повышает трудоемкость вычислительной процедуры, затрудняет анализ взаимосвязи и вместе с тем не обеспечивает заметного повышения достоверности результатов. Считается, что для получения оптимальных результатов количество факторных признаков дожно быть примерно в 5 раз меньше числа наблюдений, составляющих выборочную совокупность по каждой переменной. Процесс построения и практическое применение многофакторных моделей зависит от характера информации, используемой при выпонении расчетов. В ходе вычислений могут изменяться первичные данные, отражающие состояние объекта как в статистике, так и в динамике.
Таким образом, для решения' проблемы моделирования рынка сбыта серьезное значение имеет корректное решение задачи сбора и обработки статистической информации. Следует также учитывать, что любые мероприятия, направленные на.сбор информации и ее обработку, требуют затрат, иногда весьма существенных. Интегрирование разработанных моделей в систему информационных потоков предприятия связано с той же самой проблемой -на эффективность использования модели влияют затраты на ее внедрение. Заказы, получаемые предприятием, подвержены случайным отклонениям. В конечном счете, изменения спроса на продукцию, сказываются на потребностях в исходных материалах, но между складом готовой продукции предприятия и запасами потребляемых, им материалов и комплектующих находятся технологические маршруты и присущее им незавершенное производство. Это незавершенное производство - система, обладающая некоторой инерцией, и инерция эта тем выше, чем сложнее технология изготовления, и чем больше позиций имеется в номенклатуре изготавливаемых предметов. В таких условиях большое значение имеет прогнозирование будущего спроса на готовую продукцию, поскольку фактор спроса в условиях рыночной экономики оказывает основополагающее воздействие. Удовлетворение меняюще-
гося спроса за счет хранения и попонения запасов увеличивает расходы на связанный капитал, поэтому существенное значение имеет решение проблемы прогнозирования вообще и ее нейросетевой вариант в частности. Спрос на продукцию определенного типа зависит от многих других факторов, в том числе социальных и информационных, а также от состояния других предприятий, поставляющих на рынок продукцию аналогичного назначения.
Традиционный подход предполагает статистически обоснованное выявление влияющих факторов, определение их влияния и построение модели в виде преобразования "состояние воздействующих факторов Ч прогноз". Однако такая задача может существенно осложниться тем, что не все влияния очевидны, но, несмотря на неявное присутствие в имеющемся объеме информации, их реальное воздействие может оказаться большим или даже решающим. Кроме того, перечень прогнозируемых процессов может меняться (например, в связи с фрагментарными изменениями профиля предприятия), однако массив исходной информации (информационная база) останется прежним, так как накопление данных не может произойти мгновенно. Равным образом можно утверждать, что часть проблем прогнозирующих моделей следует отнести к сфере организации взаимодействия лица, принимающего решение, с искусственной советующей системой. В том случае, если зависимости "фактор-прогноз" демонстрируются в "жесткой" форме и при том противоречат интуитивным представлениям лица, принимающего решения, перспектива их реального использования в управлении экономическими процессами является сомнительной, несмотря на правильность и достоинства точности.
Рассмотрим исходные данные к задаче, как правило, в явном или неявном виде имеющиеся в информационной базе предприятия. Для этого определим понятие спроса в терминах обобщенного представления материально-производственной среды предприятия. Спросом будем считать конкретную внешнюю потребность в продукции предприятия, подкрепленную платежеспособностью и оформленную в виде заказов. Ее можно представить в виде требуемого вектора интенсивностей материальных потоков на выходе производственной системы, которые изменяется во времени Р(0 =< /i (t), (г),... ,РД (') > Х Интенсивности потоков pt рассчитываются как количество предметов i-ro наименования, отнесенное к интервалу времени. Данные размещаются в упорядоченной по идентификатору заказа таблице, которая является реализацией реляционного отношения А, представляющего собой множество кортежей вида /, Я, Q>, где I Ч идентификатор заказа; Н Ч неделя отгрузки; Q - количество предметов. Таким образом, для расчета интенсивностей потоков P(t) можно использовать SQL-запрос SUM (SELECT Q FROM ElPrivod WHERE H=t) или рекуррентные логические правила Stream(0,t,0). Stream(IO,t,PO) & ElPnvod(U,1,Q) & (10<l) &P=PO+Q Stream(I,t,P). Если доступна допонительная 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
(также, при исследовании проблемы распознавания) выделяются сущности, состояние которых доступно наблюдению. Перечень этих сущностей составляет кортеж X =<Х1,Х2,...ХД >, в котором X, - переменная численного или лингвистического .тока. Если представительный перечень факторов, оказывающих влияние на интенсивность потока спроса Р(0 не может быть сформирован, проблема сводится к прогнозированию временного ряда
каждой позиции в номенклатуре изделий. Постольку, поскольку взаимное влияние и Р]Ь) при I * ] не выявлено, происходит естественная декомпозиция задачи Ч превращение г ее в однопараметрическую. В рамках, полученного результата аналитически демонстрируем предпочтительность многошагового прогноза. На основе г-преобразования получены составляющие гк'\У[(г)Уц(г)С>1(г), представляющие собой формальное описание влияния оперативного управления на запас готовых деталей, а компонента г*'2; (г) является г-изображением процесса выпуска готовых изделий 1-го наименования, но со сдвигом по времени. Действительно, если взять обратное г-преобразование, мы получим [г*' а (г)} = >[(?+Щ). В обычных условиях процесс >/ (г + ) не является наблюдаемым, поскольку моделирует будущий выпуск, продукции, поэтому, чтобы компенсировать множитель гк', составляющая IV,Х (гЩ; (г) дожна иметь в знаменателе полином со степенью не ниже ^ +1, а это существенно усложняет агоритмы управления. В этой ситуации многошаговый прогноз позволяет получить процесс,,моделирующий спрос на продукцию предприятия в будущие моменты времени /)(' +к); где А:Чколичество шагов. Таким образом, если известен прогноз спроса, будущий выпуск продукции можно прогнозировать по формуле (2/(г+*) = >}(*+*:)+У,где 6-поправка, задаваемая лицом, принимающим решение. Например, > = 0в нормальных условиях, <У>0, если предприятие работает "на^ склад", и <У < О, если склады опустошаются. '
Если прогноз спроса имеет очень высокую точность, можно принять простейший вариант динамического. управления запасами готовых деталей
= Тогда составляющая примет вид
гкЩ(г)Зц(21(г), что при переходе от г-изображений к обычным процессам во времени дает 5,7м>{)2/(+*|-)}, где и*Ч отображение, описывающее процесс изготовления 1-й детали; 2/ (г + к0- прогноз выпуска ?-го изделия.
Упрощение агоритмов управления очевидно,.поскольку они сводятся лишь к адекватному: представлению и в информационно-управляющей системе предприятия. Таким образом, многошаговое прогнозирование спроса является предпочтительным, а количество шагов рассчитывается по формуле
Л, = тах к,.
Далее в работе рассмотрены вопросы рационального представления агоритмов многошагового нейросетевого прогнозирования спроса. Пусть исходные данные для обучения сети представлены в виде фрагмента реализации /}(/), который обозначим как процесс р(1). Л,, может в общем случае оказаться значительным, если это так, то, исходя из практики нейросетевого прогнозирования, достаточно ограничиться значением Л, =15. Прогноз на 10-15 месяцев или недель зачастую оказывается достаточным. Обозначим переменной г ширину входного "окна" выборки (кортеж X =< Х\,...ХГ >), переменной А -ширину выходного (кортеж У =<^....У/, >), а переменной к - временное смещение, подбираемое экспериментально.
Интервал формирования
Интервал
формирования К(/з)
Интервал
рормирпвания
Интерва и формирования У (г
Рис. 5. Формирование данных для обучения нейросети многошагового непараметрического прогнозирования спроса
Рисунок 5 показывает, каким образом формируется входная и выходная информация для обучения нейронной сети. Значения X и К для обучающей выборки рассчитываются по формулам:
Х()=<р(г).р(' + 1). ..р(г + г)>, К(г)=< р(1 + г + 1),р(1 + г + 2)Д. р(1 + г-гН)>,
где р(1) - интенсивность потока спроса. Обучающая выборка будет представлена в виде л Х(1),У(1) >,< Х(2),У(2) >,. . < Х(п).У(п) , где п - количество пар "вход-выход". Выборка используется для дальнейшего обучения сети, Значения г и Ь приходится устанавливать экспериментально. Возникает необходимость поиска компромисса между точностью прогноза и такими показателями, как объем выборки, и, следовательно, время обучения. Стремясь к высокой точности прогноза, можно стокнуться с принципиальной нераз-
решимостью проблемы из-за лавинообразного возрастания объема вычислений. С другой стороны, поиск компромиссных вариантов требует формализации критериев оценки точности прогноза, например, критерия регулярно-
ста, который для момента времени г имеет вид К(т) = --- .
Одновременное задание критериев, оценка работы нейросети, эксперимент, выбор параметров г и h, а также принятие решения - довольно сложная задача. Эта сложность, обостряет проблему привязки результатов общего характера к конкретному объекту. В данной работе предлагается автоматизированный вариант настройки модели нейросетевого прогнозирования спроса. Общая схема работы системы показана на рисунке б.
Ее работа происходит , следующим образом. В диалоге с лицом, принимающим решение^ формируется критерий оценки прогноза. Если вычисление значения критерия требует данных, не представленных в обучающей выборке, объект критерий точности" подключается к информационной-системе предприятия для получения значений спроса p(t). Значения г и h задаются лицом, принимающим решение. Предполагается, что обучающая выборка сформирована до начала процесса обучения и используется объектом "Формирование и доформирование выборки". Значения кортежей ХОЭ.КО) >,< Х(2),У(2) >,... < X(n),Y(n) передаются объекту "сеть", на котором реализуется процесс обучения. В процессе обучения сетью формируются сигналы транзакций, соответствующие завершению очередного шага обучения. Сообщения о финале транзакции поступают на объект "оценка времени" и в случае неприемлемо медленной работы системы это приводит к формированию соответствующего сообщения, адресованного ПР. Значения прогноза, рассчитанные сетью (Y(t)), добавляются в обучающую выборку путем взаимодействиях объектом "формирование и доформирование выборки", а также передаются объекту "Критерий точности", который, взаимодействуя с информационной системой предприятия, получает от нее не входящие в обучающую выборку , реализации спроса оценивает точность и информирует ПР о значениях критерия. Таким образом, разрешается методологическая проблема настройки Ч "узкое место" реального и привязанного к конкретному производственно-экономическому объекту процесса моделирования.
Далее в работе исследуется случай, когда факторы, влияющие на спрос, оказываются неявными. В общем случае требуется выявление влияющих процессов доказательство их влияния и лишь последующее их использование в моделях прогноза.
нии времени
Рис. 6. Система автоматизированной настройки модели нейросетевого прогнозирования спроса
Соответствующий аппарат математической статистики хорошо разработанной научной областью, таким образом, интерес представляет включение модели (факторного или корреляционного анализа) в систему нейромоделиро-вания спроса. Пусть процессы, предположительно влияющие на спрос, представлены в виде входных сигналов нейронной сети, то есть в виде кортежа:
Х(() =< Г,(г). ..Хт(/)> . Допустим, имеется сеть, реализующая преобразование: .(/)- У(1), где Г (Г) -< Г, (г).....УД(')>> причем Ку(;)~ прогнозируемая интенсивность спроса на продукцию у'-го наименования. При помощи факторного анализа можно выявить входы, существенно влияющие на выходы обученной сети (то есть на прогноз). Для этого используется реальная выборка-кортеж входов, в свою очередь, состоящая из кортежей^ Л'(О), Х(1),. Х(т)>. Для каждого значения кортежа влияющих факторов Х(1) на сети вычисляется прогнозируемое значение интенсивности спроса К;(г), после чего устанавливается = 0 и вычисляется прогноз интенсивности спроса ку,*(/) без учета -го влияющего фактора. По совокупности вычисленных на сети прогнозов спроса определяется дисперсия, вызванная от, 1 г-'
сутствием этого фактора: 8г, 1 =Ч ]Г(Уу(0-К;,*(г))2
на основе величины которой делается вывод о целесообразности учета фактора в модели прогноза. Еще одним вариантом анализа является вычисление
Г-1 _ _
парной корреляций вход-выход: к^ - , : =,
ТЁшо^яхщо-ЪУ2
где г- индекс фактора,/Ч индекс наименования продукции, причем средние
_ I г-1. . ... ,.Г-1 ...
значения вычисляются по формулам 1^=ЧХ^М
Х г'Цо г 1=0
Следует отметить, что присутствие лишних факторов в нейросетевой модели, как правило, не мешает ей работать формально правильно. Однако, в структуре образуются "неактивные" участки, .которые, практически не оказывая на влияния на качество прогноза, тем не. менее, потребляют вычислительный ресурс. Вторым негативным последствием такого положения вещей является создание у ПР ложного представления о потенциальной значимости фактора, который.значимым, не является. Таким-образом, корректно - выпоненный анализ входных процессов при большой размерности прогностической задачи является весьма целесообразным. Многофакторный многошаговый прогноз спроса на продукцию конкретного наименования осуществляется на сети, входом которой является кортеж вида:
Хл=<р(0> '...р(г + г), о, (г).....о,(л + г),
где интенсивность потока спроса; оДО - процесс, взаимосвязанный со спросом на продукцию; т Ч количество процессов, влияющих на спрос;
г - ширина "входного" окна для-каждого из процессов.. Выходом сети будем считать кортеж вида: К(0 =< р(г+ *),...,р(г+г + /(:)>; где к Ч смещение по времени.
Для конкретизации модели' применительно к объекту, следует определить, какие процессы влияют на интенсивность спроса. Такими влияющими динамическими факторами могут оказаться:
а) интенсивности спроса на другую продукцию этого же предприятия, то есть о,- = р] (г);
б) процессы, не связанные непосредственно с данным предприятием и моделирующие влияние внешних экономических факторов. Для оценки влияния каждого фактора можно воспользоваться коэффициентами парной корреляции или формулой для дисперсии.^ :
В рамках предложенной методики автоматизированная настройка модели осуществляется так, как это показано на рисунке :6. Следует отметить неизбежную трудность: многопараметрический многошаговый прогноз применительно к продукции предприятия - задача значительной размерности.. Чем больше значения г, А и к, тем реальнее получение сообщения о превы-
шении времени ожидания. Поэтому основной методической рекомендацией при применении вышеописанных результатов следует считать отказ от догосрочных прогнозов без необходимости, а также исключение из рассмотрения факторов, влияние которых незначительно.
Альтернативным вариантом модели прогнозирования спроса на основе анализа влияющих факторов является рассмотрение самого процесса прогнозирования как процесса распознавания ситуаций. В роли ситуации выступает текущее описание состояния влияющих на спрос факторов, который может включать лингвистические переменные. Распознавание заключается в отнесении ситуации к одному из кластеров, каждому из которых ставится в соответствие описание, число или лингвистическая переменная, которые и является прогнозом. Такой подход имеет ряд преимуществ (равно как и недостатков) по сравнению с "классической" многопараметрической многошаговой моделью. Он более гибкий, поскольку позволяет формализовать произвольную структуру описания экономических факторов, влияющих на спрос, и способен формулировать "мягкий" прогноз, указывая на негативные или позитивные тенденции, без "жестких" (а поэтому более чувствительных к погрешностям) численных оценок. Такая модель имеет меньшую размерность, поскольку промежуточные данные временного "окна" не участвуют в формировании входов и выходов нейросети. К ограничениям применения следует отнести невозможность получения прогноза спроса в виде временной последовательности и зависимость качества прогноза от первоначального формирования описаний типовых ситуаций.
В рамках описания методики рассмотрен пример формирования прогностической модели спроса на основе распознавания ситуаций. Введем кортеж лингвистических констант К=<очень плохо, плохо, не очень плохо, удовлетворительно, не очень хорошо, хорошо, очень хорошо>
(Этот кортеж может быть иным, но, как будет показано ниже, принципы прогнозирования от этого не изменятся). Любой интенсивности спроса на продукцию конкретного наименования можно поставить в соответствие кортеж значений функции принадлежности а =< , /2, /3, /4, /5, /6 >, например:
ft(p{t)\a,,0Дyt)-.
0 для p{t) < а,
2{pit) - or, )21(у, - а, )2 для а, < (f) Д 1-2(pit)-у,)2 (у, -а,)2 для 0,< {t) < у,
1 для p(t) > у,
Для формирования нейросети из информационной базы предприятия извлекается реализация p(t), после чего на основе принятых а, /3, у вычисляется временная последовательность кортежей
ЖО =< Л (О. /2 С), /з (О. /4 (f), /3 (г), /6 (О >, t = 1....Г
Для каждого момента времени t на рассматриваемом интервале [0,Т/ извлекаются из информационной базы предприятия и формализуются в виде
кортежа значения влияющих факторов: ХО) =< Л",((),...Хт(0 >. Х,(г)б [0,1],
где т - количество факторов, влияющих на спрос. Эти значения являются входными для нейросети и (в данной модельной постановке) представляют собою описание ситуации. Значения Х,0) предварительно переводятся в численную форму по методике, описанной во второй главе. В качестве выходов нейросетевой модели рассматриваются значения /./з./з./д.^./б-причем сеть осуществляет отображение: {Х()}-{2(г + г)}, где г - длина интервала прогнозирования спроса. Обучающая выборка для сети формируется следующим образом: л X (0), 2(г) >, < 2(1 + г) >,... < X (Г). 2(Г + г).
Очень хорошо Хорошо
Не очень хорошо Не очень плохо Плохо
Очень плохо
Рис. 7. Сетевой прогноз спроса с использованием лингвистических переменных
Поскольку значения элементов X и Я могут принимать любые значения на интервале [0,11, следует выбрать сеть, которая допускает непрерывное представление сигнала и позволяет гибко реализовывать разнообразные преобразования вход-выход. Такой сетью является многослойный (на практике не более чем трехслойный) персептрон. После обучения методом back propagation на выборке л Х(0),Я(г) >,< Г(1),Й(1 + г) >,...< X(T),i(T + г) она осуществляет распознавание ситуации и формирует результат путем сопоставления зачтениям X прогноза. Прогноз представляет собой набор лингвистических переменных и выглядит так, как показано на рисунке 7. Количество нейронов во входном слое равняется т (количеству влияющих факторов), выходов у нейронной сети столько же, сколько лингвистических переменных выбрано (в приведенном примере Ч шесть). Пусть число факторов, влияющих на спрос, установлено как т=10, а обучающая выборка содержит 100 строк. Тогда число синаптических связей дожно удовлетворять условию: 131 <w< 1128, то есть, число синаптических связей может не превышать 147. Очевидно, что в этом случае допустимо: mm(m,6) I < max(m,6), где 1 - количество нейронов во втором (внутреннем) слое персептрона. Можно принять / = round(im + 6)/2), тогда общее количество нейронов в сети
I = round(1,5т + 3)) .Если вместо шести вышеупомянутых лингвистических пе-
ременных,вводит другой их кортеж 2, то размерность сети, соответствующей одному виду продукции, вычисляется по формуле I = round(l,5(m + Л)),
где ЯЧ количество лингвистических переменных, то есть модель прогноза спроса на основе распознавания ситуации является весьма компактной.
Проведенная апробация методики прогнозирования спроса показала . следующее. _
Рассматривалось изделие с условным.названием П01, причем, внешние факторы, влияющие на спрос,- не исследованы.; Все имеющиеся сведения находились в базе данных и представляли собой историю заказов, накопленную на предыдущем интервале времени. В такой ситуации возможно определение влияющих на спрос факторов, сбор информации и последующее статистическое исследование, однако такая задача связана со значительными, трудностями. Эти трудности обусловлены, в первую очередь, изначальной нехваткой информации, поскольку влияющие на спрос факторы - макроэкономические, конкурентные и другие трудно учесть адекватно. Сбор информации об этих аспектах придется начинать до начала процесса прогнозирования, поскольку нам известна статистика спроса, но не известна статистика некогда определивших его факторов. В этой ситуации возможен отказ от статистического исследования потоков и использование экспертной оценки ситуации.
Исходной информацией для анализа являлись значения: Р(0), f(l), ...,P(r), где Р- поток спроса, ТЧ текущий момент времени;
Для прогнозирования спроса используются только г последних значений потока, и интервал времени [Т-r, Т\ является интервалом формирования входно-. го кортежа нейросети. Обозначим как h количество шагов, на которое осуществляется прогноз, причем А равно размерности выходного кортежа нейросети, а интервал его формирования равен [Г, 7* +А]. Использовалась нейро-сеть для формирования краткосрочного прогноза, при котором А е [1,3].
Результаты проверки работы сети демонстрирует рисунок 8. Среднеквадра-тическая .погрешность прогноза равна 0,17% от средней по выборке интенсивности потока заказов, что в сложившейся практике нейросетевого прогнозирования признается хорошим результатом. ,
'' Таким образом, полученный результат можно считать впоне адекватным поставленной задаче и признать, что:
, -вариант модели, предложенный инструментальной системой, оказася реализуемым и корректным;,
- < -прогноз: обладает .неплохой-точностью, несмотря на то, что никакими сведениями о влияющих факторах-мы не располагали, а размер выборкиока-засяочень^невелик; -, :
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 (разделы диссертационной работы 4.1 - 4.4, 7.3).
В рамках данной работы была рассмотрена в первую очередь проблематика сокращения затрат, связанных со случайными отклонениями материального потока, перемещающегося по технологическим маршрутам предприятия. К таким факторам принято относить выпуск некачественных предметов, отклонения в производственном ритме и выпуске продукции. Обычными источниками информации для проведения анализа являются данные оперативно-технического учета и данные бухгатерского учета. Анализ потерь осуществляются с учетом удельного веса потерь в себестоимости товарной продукции по периодам, и влияние изменения потерь на величину объема выпуска, т.е. на сумму недовыиущенной продукции.
Принято считать, что основными причинами появления таких потерь является низкое качество исходного сырья, низкий технический уровень основных фондов, низкий уровень организации и технологии производства, недостаточная квалификация рабочих, аритмичность производства. Неритмичная работа ухудшает все экономические показатели работы: снижается качество, увеличиваются объем незавершенного производства и сверхплановые остатки готовой продукции на складе, замедляется оборачиваемость капитала, несвоевременная отгрузка продукции приводит к тому, что несвоевременно поступает выручка, имеет место перерасход фонда оплаты груда. Это приводит к увеличению себестоимости, снижению прибыли и ухудшению финансового состояния.
В основу предложенной методики оперативного управления положено представление процесса производства в виде пространственно-распределенного потока. В рамках выбранной концепции отсутствие стационарности потоков существенно затрудняет моделирование задач компенсации. В этом случае традиционное представление модели как линейной системы, осуществляющей преобразование стационарного с точки зрения корреляционных характеристик случайного процесса, оказывается не возможным, В работе рассматривается нейросеть, которая формирует управляющее воздействие, обеспечивающее приемлемый (по заданному критерию) экономический результат, точки приложения управляющих воздействий и способы взаимодействия модели управления с информационной системой предприятия. В соответствии с принятой методологией, выделим участки технологического маршрута, относящиеся одному структурному подразделению. Незавершенное производство технологического маршрута будет представлено кортежем:
/г(г)=<Л1(г),...,Л11(г),...,п(г)>, где к - индекс отрезка технологического маршрута, и представление это обновляется через такт времени Дг. Производственный поток на технологическом маршруте - кортежем
(0 =< . О), Х Х Х, Q* (0. Х Х . Д (0 > Производственные потери - кортежем B(t) =<B{(t);...,Bk(t),...,BД(f) >. Длина интервала At подбирается таким образом, чтобы она адекватно взаимодействовала с существующей информационной системой предприятия. Она не дожна быть велика, чтобы сделанные выше допущения оставались в силе, однако, не слишком мала, иначе информационная система предприятия не обеспечит оперативность обновления и адекватность информации.
Задачей нейросети в данном случае является формирование численных значений потока, доженствующих поддерживать приемлемые оценки по критериям, а в асимптотическом смысле Ч оптимальные.
работе приводится! обоснование . выбранного вида, критерия
^ = qSS(ft.W-*(0)?''+C2(Ea,W.-ZлW)2.rfle сДс2-весовые Jt=lf=l /=Г t=1
коэффициенты, который позволяет оценить ритмичность производственного процесса, а также конечную цель, заключающуюся в выпуске с последней операции технологического маршрута продукции, обеспечивающей прибыль. С учетом случайных воздействий и вышеприведенных формул для R(t) и B(t) постановка оптимизации управления потоком на маршруте примет вид:
F = (0* л ~Qk(О)2 + c2(Qn{t)- Д(/))2^ min, i=li=l /=1й t=r
Rk(t + Af) = Rk (0 + Qk (t) - Qk+l (0 - Bk (0,
Rk(t)> 0,
где A(t) =< Д (i),... An(f).
X(t) Ч представляет собою кортеж состояния системы, a W Чотображение, формирующее элементы кортежа управления на основе кортежа состояния. Неравенство для R введено с целью недопущения появления на модели значения, соответствующего отрицательному незавершенному производству. В работе рассмотрен наиболее сложный' случай, связанный с невозможностью представить систему как линейную или с невозможностью доказать, что такое представление адекватно. Рисунок 9 демонстрирует структуру обученной сети и принцип ее взаимодействия с информационной системой предприятия. Процесс управления происходит следующим образом:
а) из информационной системы предприятия получают данные, касающиеся текущего.состояния, выпуска и незавершенного производства1 на технологическом маршруте;
б) значения R и Р масштабируются и преобразуются в значение X.
Система управления
Информационный поток
Масштабирование
Незавершенное произ- Выпуск водство
Информационный поток
Информационная система предприятия
Рис 9. Структура управляющей сети технологического маршрута
в) значение X подается на вход обученной сети, после того, как значение У на выходе сети установится, оно преобразуется в значение ) и передается в систему оперативного управления.-Как следует из полученных методических и модельных результатов, нейросетевое управление потоком на технологическом маршруте позволяет разрешить некоторые проблемы, возникающие при применении других, концепций. В отличие от статистических моделей, оно не требует в строгом^ смысле представительной выборки, формирование которой зачастую затруднено из-за некоторого консерватизма существующей' информационной системы.- Нейросетевое управление дает возможность за счет модификации обучающей выборки учитывать требования крещению (в том числе и вербальные), трудно формализуемые иным путем, что особенно актуально, если учесть, что, согласно современной концепции качественного менеджмента, лицо, принимающее решение, взаимодействует не только с производственно-экономическим объектом управления, но и с экономической средой вцелом.
Фрагменты результатов. апробаций модели принятие решений представлены на рисунках 10 и 11; Следует отметить, что -оперативное управление, означенное на рисунке 10 как оптимальное на самом деле нереализуемо из-за запаздывания информации в системе информационного обеспечения предприятия. Однако очень* близкое к нему нейросетевое управление реализуемо впоне. Колебания уровней незавершенного производства, обеспеченные нейросетевым управлением не превышают 15%.
Рис. 10. Сравнение оптимального и нейросетевого управления
га швг
Рис. 11. Колебания уровней незавершенного производства на операциях маршрута
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
(разделы диссертационной работы 5.1 Ч 5.3).
Моделирование управления ресурсами подразделения в наибольшей степени подвержено воздействию "человеческого фактора", поскольку мы имеем дело именно с той иерархической составляющей объекта, в которой формируется мотивация персонала. Качественный менеджмент, согласно принятым стандартам, предполагает заинтересованность персонала в и понимание им как своей роли, так и конечной цели производственно-экономического процесса.
Следует также учесть, что ресурсные составляющие не только взаимодействуют с динамически меняющейся материально-производственной средой, но и подвержены воздействию специфических случайных факторов (поломка оборудования, организационные процессы, связанные с работой персонала). Использование допонительных ресурсов не всегда возможно или их привлечение может оказаться спорным с экономической точки зрения. Без
*EfB*%*E$%$E*(*H$Eb&$B*&NE*&
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).
Решение, принятое в подразделении, оценивается как минимум по двум критериям Ч по влиянию на производственный поток в целом и, следовательно, по влиянию на экономические показатели работы предприятия, и по локальным критериям, подразделения. Сформулируем следующие требования к ее формально-математическому описанию объекта:
а) дискретные свойства объекта предполагают использование дискретного математического описания;
б) необходимо учитывать в модели требования макроуправления производственным потоком и локальные представления производственного подразделения;
в) объект неизбежно включает составляющие, формализованное описание которых затруднено;
г) модель принятия решения в производственном подразделении взаимодействует с моделью материально-производственной среды в целом, как в информационном плане, так и посредством влияния на экономический объект управления;
д) необходимо учесть случайные отклонения в состоянии ресурсов;
е) модель дожна быть составлена таким образом, чтобы задача оптимизации оказалась как можно менее трудоемкой (в особенности, если подразделений много), то есть достаточно реальная возможность "комбинаторного взрыва" дожна быть ликвидирована.
В работе исследование рассматривалась проблематика создания математического описания, допускающего настройку и доработку модели распределения ресурсов в подразделении, стыковку с моделями других типов с учетом "вербальных" и "мягких" влияющих факторов.
Сформируем динамическую характеристику значимости деталеоперации с точки зрения макро-уровня (предприятия) и назовем эту характеристику приоритетом. Приоритеты допустимо рассчитывать по формуле:
где 1 Ч деталеоперации;
(2, - элемент сформированного на макро-уровне управляющего кортежа <2;
" нормативная информация о максимально допустимой интенсивности потока. Очевидно, что значение приоритета тем больше, чем выше интенсивность производственного потока, необходимого с точки зрения экономических интересов предприятия в целом. Так, близкий к нулю приоритет будет означать, что соответствующий предмет труда или не значится в заказах, или в избытке, имеется на складе. Близкий к единице приоритет означает острую
потребность в данном предмете, обусловленную либо необходимостью компенсации ранее возникших случайных отклонений, либо значительным заказом. Кортеж приоритетов предметов в подразделении в общем случае зависит от времени (постольку, поскольку во времени меняется управление потоками) и имеет вид:
Л(0 =<Л,.()...Д(0 >.
Для задания показателя приоритетности можно использовать способ, отличный от формализованного выше, в зависимости от особенностей конкретного производственного процесса, например, путем включение в программно-информационную систему, формирующую решения, специального модуля. Показатель приоритетности, однако, не характеризует напрямую стоимость выпонения деталеопераций. Если такую информацию желательно использовать, то следует ввести соответствующий кортеж с=<с,,...,сД >.
Построим формализованное описание ограничений, накладываемых на принятие решения состоянием ресурсных компонент производственного подразделения. Введем предикат Persort(r,dj , причем г принимает значения из предметной области, описанной кортежем R (персонал); d - принимает значение из предметной области, описанной кортежем D (деталеопера-ции); Person Ч принимает значение листина, если сотрудник г может выпонять деталеолерацшо d . Введем предикат Mach(m,r), который принимает значение листина, если единица оборудования m закреплена за сотрудником г.
Так как в общем случае может отсутствовать закрепление оборудования за испонителями, вводится предикатAction(m,d), который принимает значение листина, если оборудование m может использоваться при выпонении де-талеоперации d. Управляющее решение считается принятым, если будет получен кортеж выпоняемых деталеопераций с указанием испонителей и
единиц оборудования, который имеет вид U =л dl,rl,ml >.....<di>rl,mt
Таким образом, ситуация, существующая в смысле наличия, исправности оборудования, а также присутствия персонала, может быть описана с помощью наборов логических утверждений:
setPerson(< г,,г3,г,,...>),setMach(< га,,^,...>),
Action(m,, di), Action(m2 ,d2). Person(^ ,</,), где setPerson, setMach Ч предикаты, задающие R и M\
Рассмотрим взаимодействие вышеописанных формализмов подразделения при моделировании динамики производственного процесса и принятии решений. На рис. 12 показана взаимосвязь компонент интегрированной модели. В результате моделирования работы других структур предприятия и учета внешних для него экономических воздействий (спроса, поставок и т.д.) формируется макроуправление, которое отображается в кортеж, соответствующий структурному упорядочению деталеопераций. Результат преобразуется к виду л2, на основе которого, с использованием справочной информации <2Щ, формируется кортеж приоритетов Л.
Из информации структурного подразделения и данных о приоритетах создается кортеж деталеопераций, обеспеченных незавершенным производством > =л , Л,,, Л12 ,...>,< , г| ,..., где <1, - деталеоперация, а А,,,А/г_ - ее характеристики, которые корректируются по мере изменения производственно-экономической ситуации и используются для задания формализмов многомерного макро-критерия, частными случаями этих характеристик являются кортежи приоритетов Л или стоимостной кортеж с. Первоначально формируется упорядоченная по макро-критерию и 1фитериям подразделения область ограниченного перебора в виде, показанном на рисунке 13. Эту область можно задать набором логических утверждений вида: setPerson(R). егМасИЩ).
Уг,т,у,Ы(,регюп(г,с1)&асПоп(.т,{1)&таск(т^)&у * г &
(т е М) & (г е Д) => уапал<(< >))
Структурное подраз-
деление
Решение и
Модель системы производственных потоков
е=аие2и...еД
Отображение, изменяющее упорядоченность.
Модель принятия решений
Описание подразделения
Регеоп( ) МасЬ() Асйоп() Орегайоп()
Описание способа формирования решений.
Формирование приоритетов
6 = ндё) = а4<ччё> о
Информационная система
Рис. 12. Взаимодействие элементов интегрированной модели в контексте принятия решения
В данном случае R Ч определенный кортеж персонала, М - определенный кортеж состояния оборудования, a r,m,v,d Ч переменные, a variant - предикат, принимающий значение "истина", если тройка <d,r,m> принадлежит к области ограниченного перебора.
Убывание предпочтительности вариантов выпонения
Убывание приоритетов деталеоперацин
<dx.rn,mn> <di.rn.mi2>.. <d,.ru,mu> </,,r3|,m21 > <d2,r22,m22> .< d2,r2rm^l >
<dД,rД,,mД |> < dД,rД2,mnl > . < dД, rД,, mД, >
Рис. 13. Множество допустимых решений
После того, как область сформирована, производится поиск оптимального решения U методом back tracing, причем просмотр вариантов выпонения деталеоперацин происходит "слева сверху". Результат является оптимальным по вектору критериев < /,./;..../Д>, где i - индекс деталеоперацин из упорядоченного по приоритетам списка, а /, представляет собою критерий локального подразделения, отражающий предпочтительность вариантов выпонения деталеоперацин. Формализмы, позволяющие сравнивать тройки вида <d,r,m> по локальному критерию, различаются в зависимости от способа формирования этого критерия и могут быть оформлены как логические утверждения, или как таблично заданное отношение упорядочения. Макро-приоритет деталеопераций рассчитывается на основе критерия макроуправления и представляет собою функцию F(D), где D=лdl,hu,hn,..>,<</,,/!,,,Л,,,...Описанный метод достаточно эффективен в том смысле, что агоритм оптимизации работает быстро, однако, не разрешает двух проблем:
а) критерий f, "мягкий" но своей природе, задается отношением упорядочения на множестве {<rf1./-Д,m11 >, <d,.ru,m]2 >,. . < ti,,r,,,mД > }, однако, реально такое задание предпочтений сводится к длительному диалогу лица, принимающего решения, с системой, реализующей модель;
б) если лицо, принимающее решение не в состоянии задать отношение упорядочения, формируется лишь допустимое, но не оптимальное решение, критериальная оценка которого весьма сомнительна.
Рассмотрим возможность, необходимость и методологию применения нейромоделирования при формировании решения и.
Необходимость отойти от "классической" оптимизационной задачи возникает в том случае^ когда локальный критерий плохо формализуем, а эта ситуация возникает не редко и. возникновение ее обусловлено влиянием персональных, неповторяющихся, нечетко - определяемых или определяемых лишь вербально факторов. Нередко возникает: ситуация, когда человек интуитивно правильно принимает решение и в состоянии указать, какое решение хуже, а какое лучше, однако, его опрос не позволяет выявить ни локальные критерии, ни агоритмы принятия решений в формально-математическом виде. Табличное задание отношения упорядочения не только трудоемко, но и может в дальнейшем оказаться бесполезным. Причина "устаревания" заключается в высокой динамичности внешней по отношению к предприятию и подразделению экономической среды и, как следствие, в изменении системы предпочтений.
Таким образом, возникает ниша для создания обучающейся модели, которая не требовала бы от лица, принимающего решения, участия в громоздком интерактивном переборе вариантов.
Структурных подразделений, как правило, много. В технологическом, организационном и экономическом отношении они серьезно отличаются друг от друга. Создание сложной "индивидуальной" интелектуальной модели для каждого, структурного подразделения способно обернуться такими затратами,, которые, превысят эффект от достигнутой оптимизации управления. В такой ситуации создание компактной, единой по методологии, легко программируемой и настраиваемой нейросетевой модели является весьма актуальным. Нейросеть в этом случае'обязана:
а) быть не требовательной к вычислительному ресурсу;
б) не усугублять, а значительно облегчать проблему размерности;
в) допускать легкую модификацию для разных структур и разных оперативных ситуаций.
В целом, можно утверждать, что, решая задачу распределения ресурсов, такая сеть лимитирует логику обучившего ее, человека, хотя не содержит ни логических, ни агоритмических описаний принятия решений, а представляет собою лишь матрицу " собственных коэффициентов и стандартную для сети процедуру отображения вход-выход.
Пусть максимально возможная размерность кортежа деталеоперации составляет л элементов, кортеж персонала Я Ч к элементов, а кортеж оборудования МЧ /элементов. Эти три кортежа описывают исходные данные задачи, следовательно, непосредственно влияют на ее реализуемость в практических условиях. Определим входной сигнал управляющей нейросети таким образом, чтобы не допустить обострения "проблемы размерности'-.
Количество всевозможных-вариантов троек <с!,г,т> можно оценить по формуле:
О <гйпк-1,
то есть, если мощность каждого кортежа равна 10, возникает 1000 потенциально возможных ответов, хотя реально из них будут исключены технологически и организационно нереализуемые.
Представим входной сигнал нейросети в двоичной форме и в следующем виде:
Элементы X принимают значения из множества {0,1} следующим образом:
\\,ест 1-й сотрудник свободен ГI,если I - единица оборудования свободна К - 4 > ш, = \ .
0, в противном случае [ 0, в противном случае
(I, если 1 Ч ю деталеоперацию требуется выпонить
0, в противном случае
Выходной сигнал нейросети X -< Хх,Х2,... > представляет собою решение задачи, причем размерность сигнала дожна обеспечивать представление п к I возможных решений.
Рассчитаем количество двоичных разрядов, необходимое для ко-
дирования результата как
1п(п-*-0
. Результатом работы сети является
вектор выходных сигналов последнего слоя У, который представляет собою бинарный код ответа. В работе предложена удобная с точки зрения преставления в программно-информационной системе кодирования, которая основана на вычислении вспомогательных переменных для каждой тройки <й,г,т > из обучающей выборки по формуле ; = т + 10(/ + 100г, которая позволяет сократить размерность нейросети, что является немаловажным. Обучающая выборка формируется из удачных решений человека-специалиста, а также на основе любых допонительных соображений организационно-экономического и технико-технологического характера, относящихся к вербальной модели локального подразделения.
На основании вышеизложенного можно сделать следующие выводы. Задача распределения ресурсов в подразделении предприятия может быть решена при помощи обученной нейросети вышеописанной структуры. Полученное решение не будет строго оптимальным, однако, оно будет достаточно качественным, настолько, насколько это позволяет точность работы нейросети. Преимущества такого подхода, по сравнению с классической дискретной оптимизацией при составлении сменно-суточного задания, проявляются в ситуации, когда требования, предъявляемые к решениям, имеют произвольный (например, вербальный) характер. Поскольку агоритм функционирования сети ни в коей мере не является агоритмом перебора вариантов решений, проблема комбинаторного взрыва не возникает.
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 при-
знаков (разделы диссертационной работы 6.1- 6.3, 7.4).
Предметная область, то есть, множество процессов, с моделированием которых имеет дело специалист, является для него источником информации о целях, задачах моделирования, структуре и размерности моделируемого объекта, его динамических свойствах, а также другой информации, которая будет востребована в процессе формализации модели. Концепцию его взаимодействия с информационной, материально-производственной и финансовой средой можно представить в виде схемы, показанной на рисунке 14. Собственно система моделирования имеет структуру, показанную на рисунке 15. и в общем случае является разновидностью гибридной экспертной системы. С подобными комплексами работают,-по меньшей мере, две категории специалистов Ч пользователь, целью которого является выбор экономической модели, наиболее подходящей для решаемых им задач и специалист по про-мышленно-экономическому моделированию, который может вмешиваться в работу системы в плане попонения и изменения хранящихся в ней знаний. Одной из проблем создания -таких систем является необходимость поиска компромисса между значительным объемом знаний и скоростью работы, следовательно, возможностью реального применения системы: В" таких случаях разрешение проблемы происходит за счет сужения, представленной предметной области, то есть, вся система в целом изначально ориентирована на узкоспециальные задачи. С другой стороны, многие методы и задачи экономического управления уже имеют . качественные программно-информационные реализации, и нет необходимости каким-либо образом реа-лизовывать их заново Ч достаточно, чтобы система моделирования могла указать на возможность применения известных средств и обеспечила возможность их подключения. Примером подобного подхода является известная технология "data mining. Считается, что в совокупности данных, касающихся экономической системы, могут в неявном виде содержаться зависимости, о которых специалист и не подозревает, но, которые, тем не менее, обладают прагматической и научной ценностью. Вышеупомянутая технология представляет собою надстройку над системой управления базами данных (СУБД), в виде программных пакетов, использующих методы и модели искусственного интелекта. Разработанная в работе методика создана с учетом вышеупомянутых результатов, но носит теоретический и системный характер, ориентирована на помощь в выборе модели экономической задачи и не привязана жестко, к какой-либо программно-информационной среде, и, вместе с тем, предполагает совместное использование с ними. Следовательно,. требования к универсальности-ее интерфейса становятся достаточно жесткими. Наиболее универсальным в этом отношении является человеко-машинное общение на естественном (письменном) языке, но следует учитывать, что практическая реализация такого интерфейса' является достаточно дорогостоящей и громоздкой/ Система моделирования обязана поддерживать, по крайней мере, два вида диалога - для пользователя (который выбирает или строит модель) и для специалиста, который попоняет знания системы. Дру-
жественность диалога в первом случае является достаточно важным фактором.
Рис. 14. концепция взаимодействия сред
Рис. 15. Структура системы моделирования
Таким образом, требования к системе выбора модели производственно-экономического процесса формулируются следующим образом:
а) максимальное смягчение проблемы размерности;
б) унификация описания данных и знаний;
в) возможность обучения и самообучения;
г) дружественный диалог для разных категорий специалисюв;
д) гибкий интерфейс с другими системами.
Рассмотрим более подробно проблему размерности. Допустим, существует п моделей экономических задач или объектов, сведения о которых мы намереваемся разместить в базе знаний. Существует т характеристик или признаков, которые могут присутствовать у модели. Обозначим как X кортеж всех возможных характеристик:
где элемент Ч любым образом представленное описание характеристики. Таким образом, количество объектов, описанных в системе, не может превышать числа 2" -1."Чём больше понятий используется в системе, тем заметнее влияние проблемы размерности.:По аналогии с результатами, полученными в теории нейронных сетей, примем в качестве паттерна образец вида:
Причем, 1-й элемент У равен 1, если у паттерна -й признак наличествует и О, если этот признак отсутствует.
На деле реальная информация, поступившая на вход подсистемы хранения и использования знаний, может формально не соответствовать ни одному из паттернов, соответствуя ему по существу. Например, перечисление признаков модели экономического объекта не является поным, поскольку именно в таком виде оно получено у-специалиста, работающего с системой. В таком случае активируются методы подбора наиболее подходящего паттерна, аналогичные методам распознавания образов, пока максимально подходящая к ситуации модель не будет найдена. Она предъявляется специалисту, который может! отвергнуть ее или принять; В случае принятия задача выбора модели может считаться решенной, в случае отвержения, следует или переформулировать требования или внести недостающие знания в базу системы. Таким образом, реальное число моделей, информация о которых присутствует в базе знаний, даже превышает расчетное. Для реализации такого способа подбора моделей экономических объектов естественной является нейросетевая технология. Очевидно, что в большой системе важен, с одной стороны, компактный способ представления, с другой стороны, способ представления, позволяющий решать задачу адекватно.
В работе приведен конкретный пример, касающийся логистической задачи моделирования потока продукции, по мере готовности перемещающейся по технологической линии на склад. При этом учитываются следующие факторы, которые могут влиять на модель объекта:
а) поток (без учета влияния возмущений) постоянен во времени (да/нет);
б) поток (без учета влияния возмущений) одинаков в любой точке технологической линии (да/нет);
в) поток подвержен воздействиям в форме производственных, потерь (да/нет); .
г) поток подвержен воздействиям в виде изменения интенсивности;
д) ставится задача оптимального регулирования (да/нет);
е) ставится задача компенсации (да/нет);
ж) ставится задача имитации.
Сформируем паттерны, необходимые для обучения сети Хемминга. Следует отметить, что сеть Хемминга самостоятельно классификацию не проводит, этой задачей придется заняться специалисту по знаниям в данной предметной области. Ему придется сформировать набор данных для первоначального обучения сети. Обозначим как "1" наличие признака у задачи, а как "О" его отсутствие. Например, паттерн вида< 1,1,0,0,0,0,1 > будет означать "поток с постоянной интенсивностью в любой точке технологического маршрута (например, идеально работающий конвейер) модель не предназначена ни для стабилизации, ни для оптимизации, но может являться элементом более сложной имитационной модели". Паттерн вида<0,0,1,1,1,0,0 > означает "технологический маршрут с непостоянной интенсивностью потока предметов, подверженный воздействию потерь и нарушениям ритма, для которого ставится задача оптимального оперативного регулирования". Если паттерн имеет вид <0,0,1.1,0,1.0 >, то отличием такого объекта (по мнению специалиста, сформировавшего базу знаний) является необходимость решения статистической задачи компенсации. Путем ввода и накопления таких паттернов происходит формирование базы знаний о моделях однономенклатурного технологического маршрута. Инструментальная система реализована таким образом, чтобы не возникала потребность ни в упорядочении кортежа атрибутов (это происходит автоматически), ни об обучении сети (изменение размерности, обучение и переобучение производится незаметно для пользователя, как только он прекратит формирование базы моделей и сохранит результат).
Вышеприведенный пример демонстрировал принципиальную возможность использования нейросеги для интерактивного выбора модели производственно-экономического объекта. Задача неплохо решается при непоной и нечеткой исходной информации, при этом формируется ответ, наиболее подходящий к исходным данным.
Однако, "наиболее подходящий" с точки зрения нейросети это не значит - безоговорочно принятый пользователем. Если предложенный нейросе-тью вариант отвергается, возникает необходимость внести корректировку или в данные, использованные для обучения сети (это эквивалентно инициированию процесса переобучения) или в данные, на основе которых пользователь пытается получить ответ. Для компактной сети Хемминга оперативное переобучение не является "аварийной ситуацией", если организовано методически правильно. Если фиксируется неспособность сети решить конкретную задачу выбора модели, необходимо отделить ситуации явно неверных входных данных от реальной ситуации дефектов сети. В работе предложена эвристически сформированная методика взаимодействия пользователя с системой автоматизированного подбора модели:
1. Выявляется факт невозможности принятия решения.
2. Кортеж признаков объекта, послуживший исходными данными (обозначим его как 2 =<г,,...>) анализируется, если его.мощность близка к мощности кортежа X =< X.....ХД >, то есть, если описание ситуации велико, происходит формирование вариантов "усеченного" кортежа признаков, каждый из которых.удовлетворяет условию:;
сгсХ. Х
Сокращение происходит так, чтобы мощность результата удовлетворяла введенным ограничениям сверху, он осуществляется путем направленного перебора. Удаленные позиции в списке атрибутов обнуляются во входном векторе сети Хемминга,' причем каждый из "усеченных" вариантов подается на ее вход. Результаты (если ситуация распознана) фиксируются и предоставляются специалисту в виде альтернативных вариантов моделей.
2. Если этот процесс дает результат, то повторное обучение сети не требуется, потому что проблемы, по-видимому, обусловлены спецификой пользовательских представлений.
3. Если результат не удается получить за приемлемое время, осуществляется корректировка размерности, значений и смыслового напонения кортежа признаков X =< Х1,...Х1 >и паттернов ^ =< Уп,...Уц>
Все вышесказанное не касается способа задания паттернов У, то есть, принципов классификации промышленно-экономических моделей.
Следует отметить, что нет необходимости использовать один экземпляр сети для подбора моделей промышленно-экономических объектов, построенных на различном математическом аппарате или ориентированных на решение далеко отстоящих задач. В теории и практике нейросетевого моделирования естественным является подход, когда задачи разного тока решаются разными нейронными сетями. В этом случае можно использовать несколько нейросетей и модуль, предназначенный для предварительного анализа и выбора той или иной базы знаний. Таким образом, организация хранения знаний будет носить иерархический характер, по крайней мере, двухуровневый. ' Пользователь в относительно- общих производственно-экономических*; и математических терминах, предлагаемых ему инструментальной системой, описывает свое видение системы как объекта моделирования. На основе введенного им-списка признаков решается задача классификации в форме отнесения модели к одному из имеющихся в системе классов. На основе этого решения активируется подсистема выбора модели на более низком иерархическом уровне и процесс этот длится до тех пор, пока не будет получено удовлетворительное по конкретике описание предлагаемой модели; или. не исчерпаются возможности сетевой базы знаний. Пример приведен ниже и представляет собою предложенное дерево' классификации ней-росетевых моделей. Рисунок 16 илюстрирует, каким образом составлен кортеж признаков, который обеспечивает формирование паттернов, описываю-
щих каждую из нижеприведенных моделей, а также илюстрирует общий принцип взаимодействия специалист - система моделирования. Обучение системы происходит путем введения новых признаков, новых паттернов или удаления существующих признаков или существующих паттернов, если они не устраивают специалиста по моделированию. После удаления происходит автоматическое переобучение сети Хемминга по стандартному агоритму, предусмотренному для таких конструкций.
Рис. 17. Пример применения нейросетевой классификации в процессе выбора модели
Поскольку представления человека,-работающего с системой, формируются в вербальном виде, реализация системы снабжается синтаксическим анализатором, который позволяет находить близкие по смыслу признаки и удалять их в случае'необходимости, а так де осуществлять поиск информации по ключевому слову. Ключевое слово (слова) в этом случае является частью описания признака, паттерна или ситуации и используется для просмотра базы знаний с ее возможной модификацией.
Таким образом, в работе получены следующие основные научные и практические результаты:
-разработана модель и, методология создания инструментальной системы нейросетевого принятия решений в области управления производственными ресурсами в условиях влияния факторов неопределенности и риска, большой размерности задачи и ' наличии лингвистически и логически определяемых требований к формируемым решениям;
-разработана- методика нейросетевого прогнозирования спроса на продукцию предприятия'на основе интелектуальной инструментальной системы принятия решений, с учетом проблемы структурной и параметрической настройки;
-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;
-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;
Чразработана концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур.
-предложен вариант разрешения проблемы сопряжения инструментальных средств выбора модели с,существующими технологиями обработки экономической информации.
-с использованием предложенных методик выпонены расчеты, позволяющие оценить преимущества нейросетевого управления в области управления ресурсами для конкретных производственно-экономических систем.
Основные публикации по теме диссертации:
Монографии
1. Догова Е.В. Нейросетевое моделирование в производственно-экономической системе предприятия / Е.В. Догова, P.A. Файзрахмаиов. -Пермь: ЦНТИ, 2005. - 163 с. 9,53 п.л.
2. Догова Е.В. Математические модели распределения производственных потоков и ресурсов (монография) / Е.В. Догова; 111 ТУ. - Пермь, 2005. -167 с. - Деп. В ВИНИТИ 21.04.2005, № 579-В2005. 5,28 п.л.
3. Догова Е.В. Методология выбора моделей распределения в промышлен-но-экономических системах / Е.В. Догова. - Пермь: Пермский филиал Института экономики УрО РАН, ПГТУ, 2006. - 160 с. 7,26 п.л.
Статьи в научных изданиях, рекомендуемых ВАК
4. Догова Е.В. Выбор модели технической системы на основе технологии распознавания / Е.В. Догова Е.В, P.A. Файзрахманов // Приборы и Системы, 2005. - N9. - с. 68-70. 0,4 п.л.
5. Догова Е.В. Динамическое управление запасами с использованием нейро-сети/Догова Е.В, Файзрахманов P.A. //Приборы и системы, 2004. - N9. -с. 57-61. 0,62 п.л.
6. Догова Е.В. Комплексное семантическое моделирование материальных запасов / Е.В. Догова // Приборы и Системы, 2005. - N6. - с. 59-62. 0,51 п.л.
7. Догова Е.В. Нейросетевое управление ресурсами в структурном подразделении предприятия / Е.В. Догова, П.В. Кулешов, P.A. Файзрахманов, Ю.А. Малышев // Приборы и Системы, 2006. - N 7. - с 61-66. 0,74 п.л.
8. Догова Е.В. Обоснование выбора модели в задачах управления экономическими системами / Е.В. Догова // Приборы и Системы, 2004. - N8. - с. 6466. 0,43 п.л.
9. Догова Е.В. Распознавание ситуаций при управлении материальными потоками предприятия / Е.В.Догова, Р.А.Файзрахманов //Приборы и Системы, 2005. - № 5. - с. 60-62. 0,46 п.л.
Препринт
10. Догова Е.В. Исследование интегрированной математической модели управления производством: препринт/ УрО АН СССР; О.Б. Низамутдинов, Б Л. Советов, Е.В.Догова. - Свердловск, 1989. - 33 с. 2,125 п.л.
11. Догова E.B. Задача распределения ресурсов при формировании сменно-суточного задания / Е.В. Догова, О.Б. Низамутдинов; ППИ. - Пермь, 1987. - 12 с. - Деп. В ЦНИИТЭИ приборостроения 15.05.87 №3770-ПР. 0,62 п.л.
12. Догова Е.В. Математическая модель сборки в стохастической постановке / Е.В. Догова, О.Б.,Низамутдинов, P.A. Файзрахманов; ППИ. Ч Пермь, 1985. - 15 е.- Деп. В ВИНИТИ 26.12.85 №89336-В. 0,65 п.л.
13. Догова Е.В. Математическое моделирование разветвляющихся технологических потоков/ Е.В: Догова, О.Б. Низамутдинов // Проблемы и перспективы автоматизации производства и управления на предприятиях машиностроения: сб: науч. трудов / НИИУМС. - Пермь, 1988: - с.74-80. 0,35 п.л.
14: Догова Е1В. Математическая модель технологического потока,' включающего сборочные операции / Е.В; Догова, О.Б. Низамутдинов; ППИ,-Пермь, 1989. - 8 с. - Деп. В Информприбор 20.03.89. № 4557: 0,34 п.л.
15. Догова Е.В. Представление моделей линейных динамических систем в имитаторах компьютерных тренажеров/ Догова Е.В. //'Информационные управляющие системы: сб. науч. трудов/ ПГТУ. - Пермь, 1995. - с. 191-195. 0,23 п.л.
16. Догова Е.В. Стохастическая модель сборки в многономенклатурной постановке / Е.В. Догова // Модели и агоритмы в сложных системах управления: сборник статей; ППИ. Ч Пермь, 1989. - 15 с. - Деп. В Информприбор 19.05.89 №4637 Пр-89. 0,66 пл.
17. Догова Е:В. Структура специализированной вычислительной системы для задач управления материальным потоком / О.Б. Низамутдинов, Е.В. Догова, A.C. Иванов // Моделирование вычислительных систем и процессов: сб. науч. трудов / ППИ/ - Пермь, 1990, - с. 66-69. 0,3 п.л.
18. Догова Е В. A.C. 1667138 СССР, МКИЗС 09В9/00. Устройство для обучения операторов систем управления/ Е.В. Догова, A.C. Иванов, О.Б." Низамутдинов (СССР). - 4639389/24; заявл. 18.01.89; опубл. 30.07.91, Бюл. № 28. -2с.: ил. 0, 513 п.л.
Материалы докладов на научно-практических конференциях:.
19. Догова Е.В. Вариант принятия управленческих решений в производственном подразделении / Е.В. Догова, О.Б. Низамутдинов, И.В. Лаищев // Республиканская НТК "Автоматизированное управление сложными системами": материалы / Уфа, 1985. - с. 13-14. 0,15 п.л.
20. Догова Е.В. Динамическое нейромоделирование промышленных и. экономических систем/ Е.В. Догова,- О.Б. Низамутдинов // Международная конференция по мягким вычислениям: сборник докладов / ЛЭТИ: Ч СПб, 2002. 0,2 п.л.
21. Догова Е.В. Интегрированное описание дискретного производственного процесса/ Е.В. Догова, О.Б. Низамутдинов, P.A. Файзрахманов, И.Н. Липатов // ВНТК "Применение статистических методов в производстве и управлении": материалы / ПТУ. - Пермь, 1990. - с. 159-160. 0,19 п.л.
22. Догова E.B. Интелектуальное моделирование производственных экономических систем/ Е.В.Догова, Д.Б. Кузнецов, А.Н. Гусин // Всероссийская конференция "Современные проблемы развития экономики и управления в регионе": Материалы / Санкт-Петербургский институт внешнеэкономических связей, экономики и права. - Пермь, 1994. - с. 96-97. 0,19 и.л.
23. До^^ва Е.В. Инщшектуальное управление материальными потоками / Е.В. двгова, P.A. <Х^Р1рахманов, А.Н. Гусин // Международная конференция по мягким вычислениям и измерениям: сборник докладов / ЛЭ'ГИ. -Спб, 2004. - с. 62-63. 0,19 п.л.
24. Догова Е.В. Математическое моделирование еборочно-распределительных процессов / Е.В. Догова, О.Б. Низамутдинов // I региональная НПК "Совершенствование методологии создания перспективных автоматизированных систем": материалы / НИИУМС. - Пермь, 1989. - с.31-32. О, 18 п.л.
25. Догова Е.В. Моделирование задач распределения производственных потоков и ресурсов/ Е.В. Догова // Всесоюзная НТК "Проблемы и перспективы автоматизации производства и управления на предприятиях приборо- и машиностроения: материалы/ УрО АН СССР. - Пермь, 1990. - с. 25. 0,12 п.л. 26 Догова Е.В. Модели управления разветвляющимися технологическими потоками / Е.В. Догова // Областная НТК "Математическое моделирование в сложных системах": материалы / ППИ. - Пермь, 1989. - с. 4-5, 0,2 п.л.
27. Догова Е.В. Применение агоритма дискретной оптимизации для диалогового принятия решений в производственном подразделении / Е.В. Догова, О.Б. Низамутдинов // Всесоюзная НТК "Проблемы и перспективы автоматизации производства и управления на предприятиях приборо- и машиностроения": ^териалы/УН^АН СССР. -Пермь, 1987.-с. 26, 0, 12 п.л.
28. Д^^вва Е.В. ПриЦрс решений при комплектовании изделий в процессе производства / Е.В. Догова, И.В. Лаишев // СНТК по физико-математическим наукам, радиоэлектронике и вычислительной технике: материалы / Минский РТИ. - Минск, 1986. - с.52-53, 0,17 п.л.
29. Догова Е.В. Система для обучения руководителей произволе! ва навыкам диспетчерского управления / Е.В. Догова, О Б Низамутдинов, A.C. Иванов. P.A. Файзрахманов // II всесоюзн. НГК "Тренажеры в формировании профессиональных навыков при подготовке специалистов": материалы / Ульяновское областное правление союза НИО СССР. - Ульяновск, 1988. - с. 343347. 0,23 п.л.
30. Догова Е.В. Система интелектуального моделирования промышленно-экономических объектов / Е.В. Догова, О.Б. Низамутдинов // Международная конференция по мягким вычислениям и измерениям: сборник докладов I ЛЭТИ. - Спб, 1999. - с. 168. 0,13 п.л.
31. Догова Е.В. Стохастическая модель сборки в дискретном производстве / О.Б. Низамутдинов, P.A. Файзрахманов, Е.В. Догова // Всесоюзный научно-технический семинар "Автоматизированные системы управления технологическими процессами дискретных производств": материалы / НПО Парма. -Пермь, 1984. - с. 64-65 0.19 п.л.
Подписано в печать 07.11.2006. Бумага ВХИ. Формат 60X90/16. Набор компьютерный. Тираж 50 экз. Усл. печ. л. 2,93. Заказ № 563/2006.
Отпечатано в типографии издательства Пермского государственного технического университета 6140, г. Пермь, Комсомольский пр., 29, 113 тел. (342)219-80-33
Диссертация: содержание автор диссертационного исследования: доктор экономических наук , Догова, Елена Владимировна
Введение.
1. Обзор и анализ возможностей интелектуального моделирования в производственно-экономической системе предприятия.
1.1. Традиционные модели и экономическая проблематика в условиях конкуренции.
1.2. Обработка информации и модели искусственного интелекта.
2. Разработка методов управления запасами с использованием нейросетевых технологий.
2.1. Материальные запасы как важнейший фактор производственного процесса.
2.2. Структура, функции, иерархия, причинно-следственные связи.
2.3. Моделирование задачи оптимизации материальных потоков.
2.4. Неоптимизационное принятие решений в процессе управления запасами
2.5 Принятие решений с использованием данных произвольной структуры
2.6. Проблема выбора альтернативных сетевых моделей.
2.7. Структура комплексной нейросетевой системы моделирования в базисе входных материальных потоков.
3. Разработка методов управления сбытом продукции с использованием нейросетевых технологий.
3.1. Прогнозирование спроса. Структура модели, функции и причинно-следственные связи.
3.2. Анализ и структуризация исходных данных.
3.3. Нейросетевое многошаговое однопараметрическое прогнозирование спроса на продукцию предприятия.
3.4. Нейросетевое прогнозирование спроса на основе анализа влияющих факторов.
3.5. Прогнозирование спроса на основе распознавания ситуаций.
3.6. Автоматизация выбора варианта прогнозирующей модели.
4. Поддержка принятия решений по управлению производственными потоками на основе нейронных сетей.
4.1 Структура и проблематика предметной области исследования.
4.2. Внешние воздействия и критерии управления.
4.3. Структура сети, ее работа и методика настройки.
4.4. Исследование проблемы оптимальности.
5. Нейросетевые методы принятия решений по распределению производственных ресурсов.
5.1. Постановка задачи.
5.2. Структурное, теоретико-множественное и логическое представление модели оптимизации.
5.3. Нейромоделирование распределения ресурсов.
6. Инструментальные средства нейромоделирования производственной системы.
6.1 Структура системы, выбор сетевой модели.
6.2. Пример подбора модели при помощи сети Хемминга.
6.3. Методологические и математические аспекты взаимодействия специалист-система моделирования.
7. Апробация моделей и методик.
7.1. Апробация моделей нейросетевого управления запасами.
7.2. Апробация модели и методики прогнозирования спроса на продукцию.
7.3. Апробация модели и методики нейросетевого управления материальным потоком на технологическом маршруте.
7.4. Апробация методики нейросетевого подбора моделей производственно-экономического объекта.
Диссертация: введение по экономике, на тему "Нейросетевое моделирование и управление в производственно-экономической системе предприятия"
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, дожны эффективно взаимодействовать. Это инициирует проблему их интеграции и стыковки на системном и информационном уровне. Производственная система предприятия находится под непосредственным влиянием динамики 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 агоритмической, логической или функциональной поддержке введенной специалистом модели, оставляя в стороне интелектуальную 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 интелекта. Данной актуальной проблеме и посвящена выпоненная 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 A.A. Перво-званского, К. Негойце, Б.Я. Советова, H.A. 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, A.A. 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, A.C. Иванова.
Методы планирования и управления производством в ключе постановки оптимизационных задач рассматриваются в трудах В.Ф. Сытника, С.А. Жданова, Р. Алена, С.А. Ашманова, А.Г. Гранберга, J1.B. Канторовича, Г.Ш. Рубинштейна, H.H. Моисеева, Дж. Фон Неймана, О. Моргенштейна, С.И. 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, С.И. 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 нейроинтелекта представлена в фундаментальных работах таких авторов, как Р. Вильяме, П.Вербос, Р.Земел, Йох-Хан Пао, Т. Кохоннен, Э.Минай, Ф.Розенблатт, Е.Хинт.
Интелектуальные агоритмы 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, A.B. Лапко, C.B. Ченцова, С.И. Крохова, JI.A. Фельдмана, Ю.А. Любарского, Д.А. Поспелова, А.Н. Романова, Б.Е. Одинцова и др.
Различные аспекты приложения моделей искусственного интелекта к проблемам управления и прогнозирования поведения сложных производственно-экономических объектов, в том числе вопросы проектирования экспертных систем представлены в работах работы А.Н.Аверкина, P.A. 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. Мешакина, 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 интелекта, связаны в основном с использованием динамических моделей управления, задач оптимизации, моделей и агоритмов принятия решений на разных уровнях промышленно-экономической системы. Работы же в области искусственного интелекта 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 нейромоделирования 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 интелектуальной 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 агебры и логики предикатов. Разработка проблематики нейромоделирования производилась с использованием фундаментальных результатов в области искусственного интелекта (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 P.A. 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 поному 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 интелектуальной 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 ' поного 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 выпонение 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 интелектуальной 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 "Интелектуальные информационные технологии", "Экспертные системы", "Теоретические основы искусственного интелекта".
Наиболее поно результаты исследования отражены в монографиях:
-Е.В. Догова. Методология выбора моделей распределения в промышленно-экономических системах, Пермский филиал Института экономики УрО РАН, ПГТУ, 2006.
-Е.В. Догова, P.A. 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 пл.
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 интелектуальной 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.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Догова, Елена Владимировна
Заключение
Сложные системы как объект экономического моделирования характеризуются тем, что статистические потоков не всегда известны, на принятие решений влияет факторы, изначально имеющие качественное, нечеткое или вербальное описание.
Анализ существующих работ показал, что разработка математических моделей производственно-экономического процесса на основе интелектуальных информационных технологий, с использованием моделей нейросетевого управления и нейросетевого прогнозирования, является актуальной задачей.
По результатам приведенных в данной диссертационной работе исследований можно сделать следующие выводы:
1. Разработаны модели и методы нейросетевого управления запасами, в условиях влияния факторов неопределенности и риска, большой размерности задачи и наличии лингвистически и логически определяемых требований к формируемым решениям.
2. Создана методология построения инструментальной системы управления заказами на основе нейросети с возможностью встраивания ее в информационные технологии предприятия.
3. Сформирована и исследована концепция нейросетевого прогнозирования спроса на продукцию предприятия на основе интелектуальной инструментальной системы принятия решений, решающей проблему структурной и параметрической настройки.
4. Созданы модели и методы нейросетевого управления пространственно-распределенным материальным потоком с возможностью нелинейного управления.
5. Сформулирована логико-семантическая концепция распределения ресурсов подразделения, создана модель распределения произвольного количества наименований ресурсов на основе трехслойной нейросети.
6. Выстроена и практически исследована концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур.
7. Создана методика интеграции разработанных нейросетевых моделей в информационную среду предприятия.
Диссертация: библиография по экономике, доктор экономических наук , Догова, Елена Владимировна, Пермь
1. A.C. 1667138 СССР, МКИЗС 09В9/00. Устройство для обучения операторов систем управления/ Е.В. Догова, A.C. Иванов, О.Б. Низамутдинов (СССР). -4639389/24; заявл. 18.01.89; опубл. 30.07.91, Бюл. № 28.-2с.: ил. 0,513п.л.
2. Абдеев Р.Ф. Философия информационной цивилизации / Р.Ф. Абдеев. -М.: ВЛАДОС, 1994.-288с.
3. Аверкин А.Н. Использование нечеткого отношения моделирования для экспертных систем / А.Н. Аверкин, X. Нгуен. М.: ВЦ АН СССР, 1988. - 24 с.
4. Адамов В.Е. Статическое изучение ритмичности производственного процесса/ В.Е. Адамов. -М.: Статистика, 1973.
5. Айгнер М. Комбинаторная теория / М. Айгнер М.: Мир, 1982 - 558 с.
6. Айзерман М.А. Некоторые аспекты общей теории выбора лучших вариантов / М.А. Айзерман, А.В Малишевский // Автоматика и телемеханика, 1982. N 2. - с. 65-83.
7. Акофф Р. Планирование будущего корпорации / Р. Акофф. М.: Мир, 1985.-185с.
8. Алиев P.A. Производственные системы с искусственным интелектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров. М: Радио и связь. 1990. -264с.
9. Амамия М. Архитектура ЭВМ и искусственный интелект / М. Амамия, Ю. Танака. М.: Мир, 1993. - 400 с.
10. Андреев Н.И. Теория статистически оптимальных систем управления / Н.И. Андреев. М.: Наука, 1980. - 155с.
11. Анисимов В.Ю. Оптимальное распределение ресурсов при нечетной исходной информации / В.Ю. Анисимов, Э.В. Борисов //Изв. АН СССР техн. киберн., 1988.-№6.
12. Антонюк Б.Д. Информационные системы в управлении / Б.Д. Антонюк. -М.: Радио и связь, 1986. 125с.
13. Афанасьев В.Н. Математическая теория конструирования систем управления / В.Н. Афанасьев, В.Б. Комановский, В.Р. Носов. М.: Высшая школа, 1989.-447с.
14. Ахо А. Построение и анализ вычислительных агоритмов / А. Ахо, Дж. Хопкрофт, Дж. Ульман. М:Мир, 1979. - 536 с.
15. Баласов П.Н. Ритмичность производства (опыт машиностроительного объединения) / П.Н. Баласов. М.: "Знание", 1980.
16. Барабаш Ю.Л. Колективные статистические решения при распознавании / Ю.Л. Барабаш. М.: Радио и связь, 1983. - 224с.
17. Барцев С.И. Адаптивные сети обработки информации / С.И. Барцев, В.А. Охонин. Красноярск: Институт физики СО АН СССР, 1986.
18. Батыршин И.З. Обучающая гибридная экспертная система моделирования процесса полимеризации полипропилена/ И.З. Батыршин, Г.С. Бикушев, P.A. Закуанов //Интегрированные системы компьютерного обучения-Казань:Каз.гос.технич.ун-т, 1994, 89-95.
19. Беленький Н.Е. Метод системного анализа в организации производственных процессов / Н.Е. Беленький. М. Экономика, 1978.
20. Белецкий С.А. Планирование и управление в автоматизированном производстве / С.А. Белецкий, В.В. Шкурба, К.Ф. Ефетова. Киев: Наука, 1985.
21. Белман Р. Принятие решений в расплывчатых условиях / Р. Белман, JI. Заде // Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. -С.172-215.
22. Бендат Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол. Ч М.: Мир, 1989. 350с.
23. Березин Е.А. Оптимальное распределение ресурсов и элементы синтеза / Е.А. Березин; под ред. Е.В. Золотова. -М.: Сов. радио, 1974.
24. Берталанфи J1. фон. Общая теория систем критический обзор / J1. фон. Берталанфи //Системные исследования: Ежегодник. - М.: Наука, 1969. -С.23-95.
25. Бешелев С.Д. Математико-статистические методы экспертных оценок / С.Д. Бешелев, Ф.Г. Гурвич. М.: Статистика, 1980.-263с.
26. Биркгоф Г. Современная прикладная агебра / Биркгоф Г., Т. Барти. М.: Мир, 1976.-400 с.
27. Борде С.Б. Недоопределенное календарное планирование / Борде С.Б., С.С. Магазов, С.А. Понькин, М.В. Салычев // Национальная конференция с международным участием "Искусственный интелект 94: материалы. -Рыбинск, 1994, с. 377-381.
28. Борисов А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурьева и др. М: Радио и связь. 1989. - 304 с.
29. Борисов А.Н. Использование нечеткой информации в экспертных системах / А.Н. Борисов, В.И. Глушков // Новости искусственного интелекта, 1991. №3. с. 13-41
30. Борисов А.Н. Принятие решений на основе нечетких моделей. Примеры использования / А.Н. Борисов, O.A. Крумберг, И.П. Федоров. Рига: Зинатне, 1990.- 184 с.
31. Бородюк В.П Статистическое описание промышленных объектов / В.П.
32. Бородюк, Э.Н. Лецкий. -М: Энергия, 1971.
33. Браверман Э.М. Дедукция и обобщение в системах принятия решений / Э.М. Браверман, A.A. Дорофеюк, В.Я. Лумельский, И.Б. Мучник, В.Н.Вагин. М.:Наука, 1988. - 384 с.
34. Будущее искусственного интелекта / Под ред. К.Е.Левитина, Д.А.Поспелова. М.: Наука, 1991. - 302с.
35. Бусленко Н.П. Моделирование сложных систем / Н.П. Бусленко. М.: Наука, 1978.-400с.
36. Вавилов A.A. Имитационное моделирование производственных систем / A.A. Вавилов и др. М.: Машиностроение, 1983.
37. Вагин В.Н. Дедукция и обобщение в системах принятия решений / В.Н. Вагин. М.: Наука, 1988. - 384с.
38. Валуев С.А. Системный анализ в экономике и организации производства. /Под ред. С.А.Валуева и В.Н.Воковой. Л.: Политехника, 1991. - 398с.
39. Ватник П. А. Статистические методы оперативного управления производством / П.А. Ватник. М.: Статистика, 1978.
40. Винер Н. Кибернетика или управление и связь в животном и машине / Н. Винер. М.: Наука, 1983. - 344с.
41. Власов А.Г. Дескретивный подход при моделировании поведения человека в процессе решения задачи распределения ресурсов / Пренрин Международный научно-исследовательскийо институт проблем управления; А.Г. Власов, С.В.Хайлин. М. 1980.
42. Вокова В.Н. Основы теории систем и системного анализа / Вокова В.Н., A.A. Денисов. СПб.: Образование и культура, 1997. - 510с.
43. Гаазе-Рапопорт М.Г. От амебы до робота: модели поведения / Гаазе-М.Г. Рапопорт, Д.А. Поспелов. М.: Наука, 1987.-285 с.
44. Гаврилова Т.А. Извлечение и структурирование знаний для экспертных систем / Т.А. Гаврилова, K.P. Червинская. М.: Радио и связь, 1982. - 200с.
45. Гайцгори В.Г. Локальные критерии качества при оптимизации технологических комплексов / В.Г. Гайцгори, A.A. Первозванский // Изв. АН СССР, Техн. киберн., 1987. -№1.
46. Голубков Е.П. Использование системного анализа в принятии плановых решений / Е.П. Голубков. М.: Экономика, 1982. - 160с.
47. Горбань А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. Новосибирск.: Наука, 1996 - 276 с.
48. Горелик A.JI. Методы распознавания / A.JI. Горелик, В.А. Скрипкин. -М.: Высшая школа, 1984. 219с.
49. Горелов И.Н. Разговор с компьютером. Психолингвистический аспект проблемы / И.Н.Горелов. М.: Наука, 1987. - 256 с.
50. Гребенюк Е.А. Когнитивно-рефлексивный анализ на фондовом рынке / Е.А. Гребенюк, Е.К. Корноушенко, В.И. Максимов // Тезисы международного симпозиума "Рефлексивное управление" (17-19.10.2000) / Ин-т психол. РАН. -М., 2000. С.99-100.
51. Грей П. Логика, агебра и базы данных / П.Грей. М.: Машиностроение, 1989.
52. Груднев А.И. Моделирование динамики обрабатывающего участка / А.И. Груднев, A.A. Мелинян // Изв. АН СССР. техн. Киберн, 1987. №3.
53. Гусев A.A. Технологии машиностроения (специальная часть) / A.A. Гусев, Е.Р. Ковальчук, И.М. Колесов, и др. М.: Машиностроение, 1986.
54. Денисов A.A. Информационные основы управления / А.А.Денисов. Л.: Энергоатомиздат, 1983. - 72с.
55. Дмитров В.И. Новые информационные технологии как основа созданияпромышленных информационно-логистических систем / В.И.Дмитров // Информатика машиностроение, 1995. - #5-6
56. Догова Е.В. Модели управления разветвляющимися технологическими потоками / Е.В. Догова // Областная НТК "Математическое моделирование в сложных системах": материалы / ПЛИ. Пермь, 1989. - с. 4-5
57. Догова Е.В. Обоснование выбора модели в задачах управления экономическими системами / Е.В. Догова // Приборы и Системы, 2004. -N8. с. 64-66. 0,43 п.л.
58. Догова Е.В. Представление моделей линейных динамических систем в имитаторах компьютерных тренажеров/ Догова Е.В. // Информационные управляющие системы: сб. науч. трудов/ ПГТУ. Пермь, 1995. - с. 191-195.
59. Догова Е.В. Стохастическая модель сборки в многономенклатурной постановке / Е.В. Догова // Модели и агоритмы в сложных системах управления: сборник статей; ППИ. Пермь, 1989. - 15 с. - Деп. В Информприбор 19.05.89 №4637 Пр-89.
60. Догова Е.В. Математическая модель технологического потока, включающего сборочные операции / Е.В. Догова, О.Б. Низамутдинов; ППИ.-Пермь, 1989. 8 с. - Деп. В Информприбор 20.03.89. № 4557.
61. Догова Е.В. Система интелектуального моделирования промышленно-экономических объектов / Е.В. Догова, О.Б. Низамутдинов //Международная конференция по мягким вычислениям и измерениям: сборник докладов / ЛЭТИ. Спб, 1999. - с. 168.
62. Догова Е.В. Динамическое управление запасами с использованиемнейросети / Догова Е.В, Файзрахманов Р.А. //Приборы и системы, 2004. -N9.-с. 57-61.
63. Дубров A.M. Математико-статистическая оценка эффективности в экономических задачах / A.M. Дубров. М.: Финансы и статистика, 1982.
64. Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П.Харт- М.: Мир,1976.- 511 с.
65. Дюбуа Д. Теория возможностей. Приложения к представлению знаний в информатике / Д.Дюбуа, А.Прад. М: Радио и связь. 1990. - 288с.
66. Дюран Б. Кластерный анализ. / Б.Дюран, П. Одел. М.: Статистика,1977. 125с.
67. Евланов Л.Г. Теория и практика принятия решений / Л.Г. Евланов. М.: Экономика, 1984
68. Евреинов Э.В. Информациология сред, структур и биокомпьютерных систем / Э.В. Евреинов. М.: Радио и связь, 1996, 36 с.
69. Евреинов Э.В. Однородные вычислительные среды и системы / Э.В. Евреинов. М.: Радио и связь, 1981. - 208с.
70. Ежкова И.В. Можно ли построить универсальную экспертную систему? / И.В. Ежкова //Программные продукты и системы, 1991. N 2. - С. 19 - 29.
71. Елисеева И.И. Группировка, корреляция, распознавание образов (Статистические методы классификации и измерения связей) / И.И. Елисеева, В.О. Рукавишников. М.: Статистика, 1977. - 143с.
72. Ермоленко В.В. Разработка нейросетевой базы знаний интелектуальной автоматизированной системы мониторинга образовательного процесса: дис. канд.тех. наук / В.В. Ермоленко. Краснодар: КубГТУ, 1996. - 206с.
73. Жамбю М. Иерархический кластер-анализ и соответствия/ М. Жамбю. -М: Финансы и статистика, 1988. 342 с.
74. Жариков О.Н.Системный подход к управлению / Жариков О.Н., Королевская В.И., Хохлов С.Н.; Под.ред В.А.Персианова. М: ЮНИТИ,2001.-62с.
75. Жуковин В.Е. Многокритериальные модели принятия решений с неопределенностью / В.Е. Жуковин. М: Мецниереба, Тбилиси, 1983. - 104 с.
76. Журавлев Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич // Распознавание, классификация, прогноз. Матемитические методы и их применение. М.: Наука, 1989
77. Загоруйко И.Г. Методы распознавания и их применение / И.Г. Загоруйко.- М.:Сов. радио, 1972. 208 с.
78. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде.-М.:Мир, 1976.-165 с.
79. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе / Л.А. Заде //Классификация и кластер. М:Мир, 1980-С. 208-247.
80. Закуанов P.A. Представление нечетких понятий в гибридной экспертной системе СМОПЛЕКС / P.A. Закуанов, И.З. Батыршин, Г.С. Бикушев, В.П. Архиреев // Труды международного семинара "Мягкие вычисления 96". -Казань, 1996,122- 128.
81. Засухина O.A. Компьютерные технологии и прогнозирование, / O.A. Засухина. Краснодар: Кубань-бизнес, 1994. - 2с.
82. Захаров В.Н. Нечеткие модели интелектуальных промышленных регуляторов и систем управления. 2. Эволюция и принципы построения / Захаров В.Н., Ульянов С.В. // Известия АН РАН. Сер. Техн. Кибернетика. -1993ю- №4-с. 189-205.
83. Ивашко В.Г. Оценки правдоподобия в продукционных экспертных системах / Ивашко В.Г., Кузнецов С.О. //Экспертные системы: состояние и перспективы-М.: Наука, 1989, с. 92-103.
84. Информационные технологии в маркетинге: Учебник для вузов/ Г.А. Титоренко, Г.Л. Макарова, Д.М. Дайитбегов и др.; Под ред. проф. Г.А. Тито-ренко. М.: ЮНИТИ-ДАНА, 2000. - 335с.
85. Искусственный интелект: применение в интегрированных производственных системах/ Под ред. Э. Кьюсиака. -М: Машиностроение, 1991.-544 с.
86. Как работают японские предприятия / под ред. Я. Мондена, Р. Сибакаам, С. Такаянеги и др.: пер. с англ. М.: Экономика 1989.
87. Кандрашина Е.Ю. Представление знаний о времени и пространстве в интелектуальных системах / Е.Ю. Кандрашина, JI.B. Литвинцева, Д.А. Поспелов; под ред. Д.А. Поспелова. М.: Наука. - 1989. - 328с.
88. Каплинский А.И Моделирование и агоритмизация слабоформализованных задач выбора наилучших вариантов систем / А.И. Каплинский, И.Б. Руссман, В.М. Умывакин. Воронеж: ВГУ, 1990. - 168с.
89. Классификация и кластер / Под ред. Дж.Вэн Райзина- М:Мир, 1980 389 с.
90. Кожухаров А.Н Многокритериальная задача о назначениях / А.Н. Кожухаров, О.И. Ларичев. Автоматика и телемеханика. - 1977. - N 7.
91. Контроль качества с помощью персональных компьютеров/ Т. Макино, М. Охаси, и др.- М.: Машиностроение, 1991- 224 с.
92. Крейнес М.Г., Новикова Н.М. Агоритм решения некоторого класса дискретных многокритериальных задач // Ж. Вычислит, матем. и матем. физика.-1983.-№3.
93. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений / В.Б Кузьмин.- М:Наука, 1982 168 с.
94. Кунц Г., Управление: системный и ситуационный анализ управленческих функций / Г. Кунц, О.Доннел М.: Прогресс, 1981. - 495с.
95. Курносов A.M. Общие принципы экономико-математического моделирования в решении проектных задач / A.M. Курносов. М.: Ин-тгорного дела им. A.A. Скочинского, 1966.
96. Ларичев О.И. Выявление экспертных знаний / О.И.Ларичев, А.И. Мечитов, Е.М.Мошкович, Е. М.Фуремс.-М.:Наука, 1989 128 с.
97. Ларичев О.Н. Объективные модели и субъективные решения / О.Н.Ларичев. М.: Наука, 1987.
98. Литвак Б.Г. Экспертная информация. Методы получения и анализа / Б.Г. Литвак.-М.: Радио и связь, 1982. 184с.
99. Логический подход к искусственному интелекту: от классической логики к логическому программированию. /А. Тейз, П. Грибомон, Ж. Луи и др.-М.: Мир, 1990.-432с.
100. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис. канд.тех.наук: защищена 05.13.06 / Е.В. Луценко. -Краснодар: КубГТУ, 1999.- 187с.
101. Макаров И.М. Теория выбора и принятия решений / И.М. Макаров. М.: Наука,1987.-350с.
102. Маковский В.А. Базы знаний (экспертные системы) / В.А. Маковский, В.И. Похлебаев. М.: Издательство стандартов, 1993. - 37 с.
103. Максимов В.И. Фундаментальный и технический анализ: интеграция двух подходов / В.И Максимов, Е.А. Гребенюк, Е.К. Корноушенко // Банковские технологии, 1999. №9. - С. 45-49.
104. Максимов В.И. Развитие моделей принятия решений: проблемы, парадоксы и перспективы / В.И. Максимов //Банковские технологии, 20003. С.39-43.
105. Максимов В.И. Когнитивные технологии для поддержки принятия управленческих решений / В.И. Максимов, Е.К. Корноушенко, C.B. Качаев //"Технологии информационного общества 98": распределенная конференция (ЗОЛ 1.-02.12.98)/ ИЛУ РАН. М., 1999. - С. 11-18.
106. Мамиконов А.Г. Управление и информация / А.Г. Мамиконов. М.: Наука, 1975.-207с.
107. Марселус Д. Программирование экспертных систем на Турбо Прологе / Д. Марселус. М.: Финансы и статистика, 1994. - 256 с.
108. Масалович А. Пять шагов к вершине (портрет российского рынка аналитических систем) / А. Масалович // Рынок ценных бумаг, 1996. № 14 (77). - С.41-57.
109. Мейер Д. Теория реляционных баз данных / Д. Мейер М.: Мир, 1987. -608с.
110. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н. Мелихов, J1.C. Берштейн, С.Я. Коровин М.: Наука, 1990 - 272 с.
111. Месарович М. Теория иерархических многоуровневых систем / М. Месарович, Д. Мако, И. Такахара. М.: Мир, 1973. - 312с.
112. Мешакин В.П. Экспертные системы в химической технологии / В.П. Мешакин. М.: Химия, 1995.-368 с.
113. Мильнер Б.З Системный подход к организации управления / Б.З. Мильнер и др. М.: Экономика, 1983. - 224с.
114. Миркин Б.Г. Анализ качественных признаков и структур / Б.Г. Миркин. М.: Статистика, 1980. - 319 с.
115. Миркин Б.Г. Проблема группового выбора / Б.Г. Миркин. М.: Наука, 1974.-256 с.
116. Моисеев Н.Н. Математические задачи системного анализа / Н.Н. Моисеев. М.: Наука, 1981. - 488с.
117. Мулен Э. Кооперативное принятие решений: аксиомы и модели / Мулен Э.-М: Мир, 1991. -464 с.
118. Мухин О.И. Математическое моделирование банковской и коммерческой деятельности в системе "Stratum Computer" / О.И. Мухин, И.О. Сорокин //Проблемы информатизации высшей школы (Бюлетень Госкомвуза РФ) ГосНИИ СИ, 1995. Вып. 2.
119. Нариньяни A.C. Недоопределенность в системах представления и обработки знаний / A.C. Нариньяни //Известия АН СССР. Техническая кибернетика, 1986. № 5. - С. 3-28.
120. Негойце К. Применение теории систем к проблемам управления / К. Негойце. М.: Мир, 1981.-180 с.
121. Нейлор К. Как построить свою экспертную систему / К. Нейлор-М.:Энергоатомиздат, 1991.- 286 с.
122. Нечеткие множества в моделях управления и искусственного интелекта /А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов; Под ред. Д.А. Поспелова М.:Наука.Гл.ред.физ.-мат. лит., 1986.-312 с.
123. Нечеткие множества и теория возможностей. Последние достижения/Под ред. P.P. Ягера.-М.: Радио и связь, 1986.^08 с.
124. Низамутдинов О.Б. Вариант решения задачи межцехового и внутрицехового управления в многокритериальной постановке / О.Б. Низамутдинов, Е.В. Догова; ПНИ. Пермь, 1988, - 18 с. - Деп. В ЦНИИТЭИ приборостроения 5.02.88. № 4086.
125. Низамутдинов О.Б. Задача распределения ресурсов при формировании сменно-суточного задания / Е.В. Догова, О.Б. Низамутдинов; ППИ. -Пермь, 1987. 12 с. - Деп. В ЦНИИТЭИ приборостроения 15.05.87 №3770-ПР.
126. Низамутдинов О.Б. Исследование поведения производственного потока в классе распределенных моделей управления : препринт/ УрО АН СССР; Низамутдинов О.Б., Советов Б.Я. Свердловск, 1988
127. Низамутдинов О.Б. Исследование интегрированной математической модели управления производством: препринт/ УрО АН СССР; О.Б. Низамутдинов, Б.Я. Советов, Е.В.Догова. Свердловск, 1989. - 33 с.
128. Низамутдинов О.Б. Задача распределения ресурсов при формировании сменно-суточного задания / Е.В. Догова, О.Б. Низамутдинов; ПНИ. -Пермь, 1987. 12 с. - Деп. В ЦНИИТЭИ приборостроения 15.05.87 №3770-ПР. 0,62 п.л.
129. Низамутдинов О.Б. Математическая модель сборки в стохастической постановке / Е.В. Догова, О.Б. Низамутдинов, P.A. Файзрахманов; ППИ.
130. Пермь, 1985. 15 с. - Деп. В ВИНИТИ 26.12.85 №89336-В.
131. Норвич A.M. Фундаментальное измерение нечеткости / A.M. Норвич, И.Б. Турксен // Устойчивость в социально-экономических моделях. -М.: 1979.
132. Обработка нечеткой информации в системах принятия решений/ Борисов А.Н. и др. М.: Радио и связь, 1989
133. Орлов А.И. Задачи оптимизации и нечеткие переменные / А.И. Орлов-М.: Знание, 1980.-64 с.
134. Орлов А.И. Общий взгляд на статистику об'ектов нечисловой природы / А.И.Орлов //Анализ нечисловой информации в социологических исследованиях-М.: Наука, 1985.
135. Осипов Г.С.Построение моделей предметных областей.Ч.1. Неоднородные семантические сети / Г.С. Осипов // Техническая кибернетика, 1990, N 5. - С. 32 - 45.
136. Осуга С. Обработка знаний / С. Осуга. М.: Мир, 1989. - 293с.
137. Первозванский A.A. Математические модели в управлении производством / A.A. Первозванский. М.:Наука, 1975
138. Подиновский В.В. Оптимизация по последовательно применяемым критериям / В.В. Подиновский, В.М. Гаврилов М.: Сов. радио, 1975.
139. Попов Э.В. Экспертные системы / Э.В. Попов М: Наука, 1987. - 288 с.
140. Поспелов Г.С. Искусственный интелект основа новой информационной технологии / Г.С. Поспелов. - М.: Наука, 1988. - 280с.
141. Поспелов Д.А. Логико-лингвистические модели в системах управления Д.А. Поспелов- М.:Энергоиздат, 1981.-232 с.
142. Поспелов Д.А. Моделирование рассуждений / Д.А. Поспелов- М.: Радио и связь, 1989 184 с.
143. Поспелов Д.А. Ситуационное управление: теория и практика / Д.А. Поспелов.- М. Наука, 1986.- 288 с.
144. Построение экспертных систем / Под ред. Ф. Хейеса-Рота и др. М: Мир, 1987.-441 с.
145. Представление знаний в человеко-машинных и робототехнических системах.-М.:ВИНИТИ, 1984.
146. Прикладные нечеткие системы. /К.Асаи, Д.Ватада, С.Иваи и др.; Под ред. Т.Тэрано, К.Асаи, М.Сугено. М.: Мир, 1993. - 368с.
147. Приобретение знаний /Под ред. С.Осуги, Ю.Саэки. М.: Мир, 1990. -304с.
148. Пятковский О.И. Интелектуальные компоненты автоматизированных информационных систем управления предприятием / О.И. Пятковский. -Барнаул: АтГТУ, 1999. 351 с.
149. Райков А.Н. Аналитическим службам информационные технологии / А.Н. Райков // Ваш выбор, 1994. - № 4. - С.28-29.
150. Райков А.Н. Гносеологическая декомпозиция процессов рефлексивного управления / А.Н. Райков // Международный симпозиум "Рефлексивное управление": тезисы / Ин-т психол. РАН. М., 2000. - С.89-90.
151. Райфа Г. Анализ решений. Введение в проблемы выбора в условиях неопределенности / Г.Райфа. М.: Наука, 1977. - 120с.
152. Раяцкас P.JI. Количественный анализ в экономике / P.JI. Раяцкас, М.К.
153. Плакунов. М: Наука, 1987. - 391с.
154. Рейнгольд Э. Комбинаторные агоритмы. Теория и практика / Э.Рейнгольд, Ю. Нивергельт, Н. Део. М.: Мир, 1980. - 476с.
155. Джан Роберт Г. Границы реальности. (Роль сознания в физическом мире)/ Роберт Г.Джан, Бренда Дж.Данн М.: Объединенный институт высоких температур РАН, 1995. - 287с.
156. Рыбина Г.В. Технология проектирования прикладных экспертных систем / Г.В. Рыбина. М.: МИФИ, 1991.- 104 с.
157. Семь инструметов качества в японской экономике- М.: Изд-во стандартов, 1990 80 с.
158. Симанков B.C., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов / B.C. Симанков, Е.В.Луценко //Автоматизация и современные технологии, 1999. № 1. -С.32-37.
159. Сойер Б. Программирование экспертных систем на Паскале / Б. Сойер, Д.Л. Фостер- М.: Финансы и статистика, 1990 191 с.
160. Сокал P.P. Кластер-анализ и классификация: предпосыки и основные направления / P.P. Сокал // Классификация и кластер / Под ред. Дж.Вэн Райзина.- М:Мир, 1980.- С. 7 19.
161. Соколов E.H. Нейроинтелект: от нейрона к нейрокомпьютеру / Соколов E.H., Вайткявичус Г.Г. М.: Наука ,1989.
162. Соколов Н. Информационные хранилища для систем принятия решений.
163. Н.Соколов, А.Ляшков // Рынок ценных бумаг, 1996. № 14 (77). - С.45-51.
164. Соколовский В.И. Нейросетевая процедура в многокритериальных задачах принятия решений с учетом заданных предпочтений / В.И. Соколовский // Приборы и системы, 2002. № 9.
165. Статистические методы повышения качества/ Под. ред. X. Кумэ- М.: Финансы и статистика, 1990 304 с.
166. Статистический и дискретный анализ данных и экспертное оценивание // Материалы IV Всесоюзной школы-семинара. Одесса: Изд-во ОПИ, 1991. -360 с.
167. Стефанюк B.JI. Некоторые аспекты теории экспертных систем/ B.JI. Стефанюк // Известия АН СССР. Техническая кибернетика, 1987. N 2. - С. 85-91.
168. Такеда Э. Связность расплывчатых графов / Э. Такеда // Вопросы анализа и процедуры принятия решений.- М.:Мир, 1976. с. 216-228.
169. Тарасов В.Б. Инструментальные средства разработки нечетких интелектуальных систем / В.Б. Тарасов // Новости искусственного интелекта, 1991.- №3.- с. 93-107.
170. Тарасов В.Б. Моделирование предпочтений в задачах принятия решений с параметризованными нечеткими отношениями/ В.Б. Тарасов // Нечеткие системы: моделирование структуры и оптимизация. Калинин: Изд-во КГУ, 1987.-С. 17-30.
171. Тарасов В.К. Персонал-технология: отбор и подготовка менеджеров / В.К. Тарасов. Л.: Машиностроение, 1989. - 368 с.
172. Таунсенд К. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таунсенд, Д. Фохт.- М.: Финансы и статистика, 1990.- 320 с.
173. Тейз А. Логический подход к искусственному интелекту: от классической логики к логическому программированию / А.Тейз,
174. П.Грибомон, Ж.Луи и др. М.:Мир, 1990.- 432 с.
175. Темников Ф.Е. Теоретические основы информационной техники / Ф.Е. Темников, В.А. Афонин, В.И. Дмитриев. М.: Энергия, 1979. - 511с.
176. Тереман В.В. Представление множеств в недоопределенных моделях / В.В. Тереман, Г.Б. Загорулько /ЛИ конференция по искусственному интелекту/ КИИ. Киев. 1992. - с. 63 - 67.
177. Уинстон Н. Искусственный интелект / Н. Уинстон.- М: Мир, 1980. -519 с.
178. Ульянов C.B. Нечеткие модели логических регуляторов с интелектуальными системами управления мобильными робототехническими комплексами / С.В.Ульянов // Обработка динамической информации в интелектуальных системах. -М., 1992, с. 133-185.
179. Уотермен Д. Руководство по экспертным системам / Д. Уотермен- М: Мир, 1989.-388 с.
180. Файзрахманов P.A. Концепция иерархической системы управления материальными производственными потоками с учетом влияния факторов среды / P.A. Файзрахманов /Щриборы и системы. Управление, контроль, диагностика, 2002. № 8.
181. Файзрахманов P.A. Производственные ресурсы как важнейший фактор оперативного управления материальными потоками / P.A. Файзрахманов // Приборы и системы. Управление, контроль, диагностика, 2002. № 9.
182. Файзрахманов P.A. Моделирование и управление материальными потоками производственной системы с учетом факторов неопределенности и риска / P.A. Файзрахманов. Пермь: Издательство Пермского университета, 2002.
183. Финн В.К. Индуктивные модели / В.К. Финн // Представление знаний в человеко-машинных и робототехнических системах. М.:ВИНИТИ, 1984
184. Фейгин JI.M. Распределение ресурсов при нечетных ограничениях / Л.М. Фейгин // Изв. АН СССР. Техн. Киберн, 1987. №3.
185. Форрестер Дж. Основы кибернетики предприятия/ Дж Форрестер; пер. с англ. М.:Прогресс, 1971
186. Хорошевский В.Ф. Автоматизация программирования экспертных систем / В.Ф. Хорошевский М.: МИФИ, 1988 - 64 с.
187. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах В.Ф. Хорошевский.-М.: МИФИ, 1988.-44 с.
188. Цаленко М.Ш. Моделирование семантики в базах данных / М.Ш. Цаленко. М: Наука, 1989. - 288с.
189. Черняк Ю.И. Системный анализ в управлении экономикой / Ю.И. Черняк. М.: Экономика, 1975. - 191с.
190. Чуев И.Н. Анализ финансово-хозяйственной деятельности / И.Н. Чуев, Л.Н. Чечевицына. Ростов-на-Дону: Феникс, 2004. - 367 с.
191. Шалютин С.М. Искусственный интелект / С.М. Шалютин. М.: Мысль, 1985. - 196с.
192. Экспертные системы. Принципы работы и примеры / Под ред. Р. Форсайта М.: Радио и связь, 1987. - 224 с.
193. Экспертные системы: состояние и перспективы /Под ред. Д.А. Поспелова. М.: Наука, 1989 - 152 с.
194. Эти Дж. Экспертные системы: концепции и примеры / Дж.Эти, М. Кумбс. -М.: Финансы и статистика, 1987. 191с.
195. Юзвишин И.И. Информациология или закономерности информационных процессов и технологий в микро- и макромирах Вселенной / И.И. Юзвишин. М.: Ин-формациология,1996. - 214с.
196. Abe S. Tuning of a fuzzy classifier derived from data / S. Abe, M.-S. Lan, R. Thawonmas // Int. J. Of Approx. Reasoning, 1996. № 14. - p. 1 - 24.
197. Aczel J. Lectures on Functional Equations and Their Applications / J. Aczel.
198. New York: Academic Press, 1966.
199. Adachi G. A new linguistic design method of fuzzy controller using a description of dynamical behavior of fuzzy control systems / G. Adachi, S.I. Horikawa, T. Furuhashi, Y. Uchikawa // Proc. of the American Control Conf. -Seattle, Washington, 1995.
200. Aho A.V. The Design and Analysis of Computer Algorithms / A.V. Aho, J.E. Hopcroft, J.D.Ullman. Massachusetts: Addison-Wesley, 1976.
201. Ait Abderrahim K. Comparison of fuzzy logic and state feedback control of a nonlinear system / K. Ait Abderrahim, C. Touseau // FLINS'94. p. 97 - 102.
202. Aldenderfer M.SCluster Analysis / M.S. Aldenderfer, R.K. Blashfield: Sage Publications, 1984.
203. Almond R. G. Discussion: Fuzzy logic: better Science? Or better engineering? / Almond R. G. Almond // Technometrics, 1995. vol. 37, 3. - p. 267 - 270.
204. Alsina C. On a family of connectives for fuzzy sets / C. Alsina // Fuzzy Sets and Systems, 1985. № 16. - p. 231 - 235.
205. Alsina C. On uniformly close fuzzy preorders / C. Alsina, E. Trillas // Fuzzy Sets and Systems, 1993. № 53. - p. 343 - 346.
206. Ambrosio R. Maximum and minimum between fuzzy symbols in non-interactive and weakly non-interactive situations / R. Ambrosio, G.B. Martini // Fuzzy Sets and Systems, 1984. № 12. - p. 27 - 35.
207. Arora P.N. On characterizing some generalizations of Shannon's entropy / P.N. Arora // Information Sciences, 1980. № 21. - p. 13-22.
208. Bandler W. Fuzzy power sets and fuzzy implication operators / W. Bandler //Fuzzy Sets and Systems, 1980. V. 4,. - p. 13-30.
209. Barrett C.R. On choosing rationally when preferences are fuzzy / C.R. Barrett, P.K. Pattanaik, M.Salles // Fuzzy Sets and Systems, 1990. № 34. - p. 197 -212.
210. Bellman R. Abstraction and pattern classification / R. Bellman, R. Kalaba, L.A. Zadeh // Journal of Mathematical Analysis and Applications, 1966. v. 13. -p. 1-7.
211. Benferhat S. Inconsistency management and prioritized syntax-based entailment / S. Benferhat, C. Cayrol, D. Dubois, J. Lang, H. Prade // 13th Intern. Joint Conf. on Artificial Intelligence. Chambery, 1993. - p. 640-645.
212. Berenji H. R. A reinforcement learning based architecture for fuzzy logic control / H. R. Berenji // Int. J. of Approx. Reasoning, 1992. - № 6. - p. 267 - 292.
213. Berger M. A new parametric family of fuzzy connectives and their application to fuzzy control / Berger M. // Fuzzy Sets Syst., 1998io vol. 93. - p. 1-16.
214. Bersini H. Now comes the time to defuzzify neuro-fuzzy models / H. Bersini, G. Bontempi //Fuzzy Sets and Systems, 1997. № 90. - p. 161-169.
215. Bezdek J.C. Fuzzy models and digital signal processing (for pattern recognition): is this a good marriage? / J.C. Bezdek // Digital Signal Processing, 1993.-№3-p. 253-270.
216. Blanco A. A learning procedure to identify weighted rules by neural networks / A. Blanco, M. Delgado, I. Requena // Fuzzy Sets and Systems, 1995. № 69. - p. 29-36.
217. Bonissone P.P. Discussion: Fuzzy logic control technology: a personal perspective / P.P. Bonissone // Technometrics, 1995. № 3. - p. 262 - 266.
218. Bouyssou D. Acyclic fuzzy preference and the Orlovsky choice function: a note / D. Bouyssou // Fuzzy Sets and Systems, 1997. № 89. - p. 107 - 111.
219. Buchanan B. Rule-based expert systems / B. Buchanan: the MYCIN experiments of the Stanfort Heuristic Progrqamm9ng Project. 1984.
220. Bundy A. Incidence calculus: a mechanism for probabilistic reasoning / A.
221. Bundy// J. Aut. Res, 1985. N 3.
222. Buxton R. Modelling uncertainty in expert systems / R. Buxton // Int. J. Man-Machine Studies, 1989. v. 31.-p. 415-476.
223. Capocelli R. Fuzzy sets and decision theory / R. Capocelli, A. De Luca // Information and Control, 1973 . v. 23. - p. 446 - 473.
224. Carlsson C. Fuzzy if-then rules for modeling interdependencies in FMOP problems / C. Carlsson, R. Fuller // Proceedings of the Second European Congress on Intelligent Techniques and soft Computing. Aachen, Germany, 1994. - v. 3.
225. Castro J.L. Expert systems validation / J.L. Castro, J.M. Zurita, E. Trillas // VI IFSA World Congress. Sao Paulo, Brazil, 1995. - v. 1. - p. 41 - 44.
226. Cervinka 0. Automatic tuning of parametric T-norms and T-conorms in fuzzy modeling / O. Cervinka // Proc. 7th IFSA World Congress. Prague: ACADEMIA, 1997.-vol. 1.-p. 416-421.
227. Chakraborty M.K. Some aspects of 0,1.Чfuzzy relation and a few suggestions towards its use / M.K. Chakraborty, S. Sarkar, M. Das // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. p. -139-156.
228. Cheeseman P. Discussion: Fuzzy thinking / P. Cheeseman // Technometrics, 1995.-v. 37 (3).-p. 282-283.
229. Classification and Clustering / Ed. by J. Van Ryzin. Academic Press, 1977.
230. Cordon 0. Applicability of the fuzzy operators in the design of fuzzy logic controllers / O. Cordon, F. Herrera, A. Peregrin // Fuzzy Sets and Systems, 1997. -№86.-p. 15-41.
231. Cunningham K.M. Evaluation of hierarchical grouping techniques: a preliminary study / K.M. Cunningham, J.C. Ogilvie // The Computer Journal. № 15.-p. 209-213.
232. D'Ambrosio B. Extending the Mathematics in Qualitative Process Theory / B. D'Ambrosio // Internat. J. of Intelligent Systems, 1989. № 4. - p. 55-80.
233. Davison M.L. Multidimensional scaling / M.L. Davison. New York:John Wiley & Sons, 1983.
234. De Baets B. Fuzzy preference structures and their characterization / B.De Baets, E. Kerre, B. Van der Walle // The Journal of Fuzzy Mathematics, 1995. № 3.
235. De Luca A. On the convergence of entropy measures of a fuzzy sets / A. De Luca, S. Termini // Kybernetes, 1977. v. 6. - P. 219 - 227.
236. Delgado M. On the use of hierarchical clustering in fuzzy modeling / M. Delgado, A.F.Gomez-Skarmeta, A. Vila // Int. J. Of Approx. Reasoning, 1996. -№14.- P. 237-257.
237. Di Nola A. Fuzzy relation equations and algorithms of inference mechanism in expert systems / A. Di Nola, W. Pedrycz, S. Sessa // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. - p. 355-367.
238. Diday E. Optimisation en classification automatique / E. Diday et coll. -INRIA, 1979.
239. Dombi J. Basic concepts for a theory of evaluation: the aggregative operator / J. Dombi // European Journal of Operational Research, 1982. № 10. - P. 282 -293.
240. Driankov D. An Introduction to Fuzzy Control / D. Driankov, H. Hellendoorn, M. Reinfrank. Berlin: Springer, 1996. - 316 p.
241. Dubois D. A logical approach to interpolation based on similarity relations / D. Dubois, F. Esteva, P. Garcia, L. Godo, H. Prade. Barcelona: Report de Recerca IIIA 96/07, 1996.
242. Duda R. Pattern classification and scene analysis / R. Duda, P. Hart. New York: Wiley-Interscience, 1973.
243. ESPRIT European strategic programme for research and development in information technology. Progress and results. - Luxemburg: Office for Official
244. Publications of the European Communities, 1991.
245. Esteva F. On Negations and Algebras in Fuzzy Set Theory / F. Esteva. -Berkeley, California: Report No. UCB/CSD 87/330,1986.
246. Esteva F. Weak and strong negation functions for fuzzy set theory / F. Esteva, E. Trillas, X. Domingo // Proceedings of the Eleventh Int. Symp. on Multiple-Valued logic. Norman, 1981. - p. 23-26.
247. Fargier H. Selecting preferred solutions in fuzzy constraint satisfaction problems / H. Fargier, J. Lang, T. Schiex // Proc.of First European Congress on Fuzzy and Intelligent Technologies. Aachen, 1993. - v.3. - p. 1128-1134.
248. Fishburn P.C. Utility Theory for Decision Making / P.C. Fishburn. New York: John Wiley & Sons, 1970.
249. Fisher R.A. The use of multiple measurements in taxonomic problems / Fisher R.A. // Ann. Eugenics, 1936. v.7. - p. 179 - 188.
250. Fodor J. Fuzzy Preference Modelling and Multicriteria Decision Support / J. Fodor, M. Roubens. Dordrecht: Kluwer Academic Publishers, 1994.
251. Forbus K.D. Qualitative Process Theory / K.D.Forbus // Artificial Intelligence, 1984. -№ 1-3. p. 83-168.
252. Forsyth R. (Ed.) Expert systems. Principles and case studies / R. Forsyth (Ed.).- London: Chapman and Hall, 1984.
253. FUBEST'94. The First Workshop on Fuzzy Based Expert Systems. Proceedings. Sofia, Bulgaria, 1994. - 143 p.
254. Fung L.W. An axiomatic approach to rational decision making in a fuzzy environment / L.W. Fung, K.S. Fu // Fuzzy Sets and their Applications to Cognitive and Decision Processes. New York: Academic Press, 1975.
255. Gupta M.M. Approximate Reasoning in Expert Systems / M.M. Gupta, A. Kandel, W. Bandler, J.B. Kiszka (eds.). Elsevier Science Publishers V.B., 1985.
256. Haralick R.M. The pattern recognition, arrangement, and theory of covers / R.M. Haralick // IEEE Conf. Of Image Processing. Troy, 1977. - № 4.
257. Herrera F. A model of consensus in group decision making under linguistic assessments / F. Herrera, E. Herrera-Viedma, J.L. Verdegay // Fuzzy Sets and Systems, 1996. № 78. - c. 73- 87.
258. Horikawa S.I. On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm / S.I. Horikawa, T. Furuhashi, Y. Uchikawa // IEEE Trans, on Neural Networks, 1992. № 5 - p. 801 - 806.
259. Hubert L. J. Experimental comparison of hierarchical grouping etalon models on r-diameter of confirming index / L. J. Hubert, F.B. Baker // Classification and Clustering. Academic Press, 1977.
260. Iancu I. T-norms with threshold /1. Iancu // Fuzzy Sets and Systems, 1997. -№85.-P. 83-92.
261. Klawonn F. Generating rules from data by fuzzy and neuro-fuzzy methods / F. Klawonn, D. Nauck, R. Kruse // Proceedings of the Third German GI-Workshop "Fuzzy-Neuro-Systeme'95". Darmstadt, Germany, 1995.
262. Kruskal J. B. Multidimensional Scaling and cluster analysis / J. B. Kruskal // Classification and Clustering. Academic Press, 1977.
263. Lance G.N. A general theory of classificatory sorting strategies I. Hierarchical systems / G.N.Lance, W.T. Williams // Comput. J., 1969. № 4. - p. 373 - 380.
264. Laviolette M. A probabilistic and statistical view of fuzzy methods / M. Laviolette, J. W. Seeman, J.D. Barrett, W.H. Woodall // Technometrics, 1995. -№3, p. 249-261.
265. Lee C.C. Fuzzy logic in control systems: fuzzy logic controller / C.C. Lee // IEEE Trans. SMC, 1990. № 2 (20).
266. Lin C.T. Neural Fuzzy Control Systems with Structure and Parameter Learning / C.T. Lin // World Scientific. Singapore, 1994. - p. 127
267. Ling C.H. Representation of associative functions / C.H. Ling // Publ. Math. Debrecen, 1965.-vol. 12.- p. 189-212.
268. Loo S.G. Measures of fuzziness / S.G. Loo // Cybernetica, 1977. № 3. - p.201.210.
269. Michalsky R.A. A theory and methodology of inductive learning / R.A. Michalsky // Artif. Intell, 1983. № 2
270. Michels K. Numerical stability analysis for a fuzzy or neural network controller / K. Michels // Fuzzy Sets and Systems, 1997. № 89. - p. 335 - 350.
271. Mizumoto M. Fuzzy controls under various fuzzy reasoning methods / M. Mizumoto // Information Sciences, 1988. № 45. - p. 129 - 151.
272. Morgan C.G. Hypothess generation by machine / C.G. Morgan // Artif. Intell, 1971.-v. 23
273. Nakayama S. Knowledge acquisition of strategy and tactics using fuzzy neural networks / S. Nakayama, S.I. Horikawa, T. Furuhashi, Y. Uchikawa // IJCNN92. Baltimore, 1992. - v. II. - p. 751 - 756.
274. Nauck D. Beyond neuro-fuzzy: perspectives and directions / D. Nauck // EUFIT'95,1995. 1159 - 1164.
275. Negoita C.V. Applications of fuzzy sets to systems analysis / C.V. Negoita, D.A. Ralesku. Basel: Birkhausner Verlag, 1975.
276. Novak V. The position of fuzzy logic in rule-based expert systems / V. Novak, J. Ivanek // Proceedings of VI IFSA World Congress'95 Sao Paulo, Brasil, 1995.- v.l.-p.33-35.
277. Nozaki K. A simple but powerful heuristic method for generating fuzzy rules from numerical data / Nozaki K., Ishibuchi H., Tanaka H. // Fuzzy Sets and Systems, 1997. № 86. - p. 251 - 270.
278. Peng Y. Abductive Inference Models for Diagnostic Problem-Solving / Y. Peng, J.A. Reggia. -New-York: Springer-Verlag, 1987.
279. Reggia J.A. A theoretical foundation for abductive expert systems / J.A. Reggia, D.S. Nau, Y. Peng, B. Perricone // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. p. 459-472.
280. Segapeli J.-L. Building a hierarchy of classes from examples / J.-L. Segapeli,
281. A. Cavarero, J.-L. Cavarero // IPMU-96. Granada, 1996. - p. 265 - 270
282. Shortliffe E. Computer based medical consultations: MYCIN / E. Shortliffe. -New York: American Elsevier, 1976.
283. Silvert W. Symmetric summation: a class of operations on fuzzy sets / W.Silvert // IEEE Trans, on Systems, Man, and Cybernetics, 1979. № 10. - p. 657-659.
284. Skala H.J. On many-valued logics, fuzzy sets, fuzzy logics and their applications / H.J. Skala // Fuzzy Sets and Systems, 1978. № 1. - p. 129 - 149.
285. Yager R.R. On the theory of bags / R.R. Yager // Int. J. General Systems, 1986.-№13.-p. 23-37
286. Yager R.R. Retrieving Information by Fuzzification of Queries / R.R. Yager, H.L. Larsen // Journal of Intelligent Information Systems, 1993. v.2, № 4. - p. 421-441.
287. Yen J. Constructing optimal fuzzy models using statistical information criteria / Yen J., Wang L. // Proc. Int. Symp. Artificial Intelligence. Mexico, 1996io.- p. 395-402.
288. Zadeh L.A. Fuzzy algorithms / L.A. Zadeh // Information and Control, 1968-№12.-p. 94-102.
289. Zadeh L.A. Quantitative fuzzy semantics / L.A. Zadeh // Information Sciences, 1971.- №3.-p. 159-176.
Похожие диссертации
- Эволюционные изменения в экономических системах
- Организационно-методическое обеспечение управления реализацией стратегии
- Взаимодействие крупного и малого бизнеса в сельском хозяйстве
- Организационно-экономический механизм развития интеграционных связей машинно-технологических станций с сельскими товаропроизводителями
- Совершенствование механизма управления экономикой регионов на муниципальном уровне