Нейросетевое моделирование и управление в производственно-экономической системе предприятия

• Автор: Долгова, Елена Владимировна
• Шифр специальности: 08.00.13
• Научная степень: Докторская
• Год защиты: 2006
• Место защиты: Пермь
• Количество страниц: 292 с. : ил.

Введение.
1. Обзор и анализ возможностей интеллектуального моделирования в производственноэкономической системе предприятия.

1.1. Традиционные модели и экономическая проблематика в условиях конкуренции.

1.2. Обработка информации и модели искусственного интеллекта

2. Разработка методов управления запасами с использованием нейросетевых технологий.

2.1. Материальные запасы как важнейший фактор производственного процесса

2.2. Структура, функции, иерархия, причинноследственные связи

2.3. Моделирование задачи оптимизации материальных потоков

2.4. НеоптИхМизационное 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 причинноследственные 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, теоретикомножественное 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 специалистсистема 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 производственноэкономического объекта
Заключение
Литература


В широком смысле применения этой технологии не имеет значения, рассматривается ли аспект материальный, финансовый или информационный. Технология связана с использованием интеллектуальных методов автоматической обработки информации с целью построения аналитических и прогнозирующих моделей, поэтому более подробно будет рассмотрена в разделе обзора, посвященном проблемам искусственного интеллекта. В работах , система разветвляющихся материальных потоков представлена в виде многомерной динамической системы, находящейся под воздействием случайных факторов. Д 1. Урч2 Р8Р 1. Рг передаточная матрица запасвыпуск. В работах ,3 была представлена теория и методика включения таких моделей в интегрированную модель промышленного предприятия, с целью решения проблем оперативного управления, планирования и прогнозирования экономического состояния предприятия. Производственноэкономическая система предприятия система сложная, как следствие, не может быть описана без иерархического агрегирования разных моделей, изза чего возрастает ценность концепций, позволяющих обоснованно создавать обобщенное модельное описание. Равным образом, большое значение приобретают инструментальные средства, позволяющие создавать соответствующие информационные технологии моделирования. Информационный поток, в отличие от материального, не связан с перемещением предметов в производственной среде, однако, тесно взаимодействует с материальной составляющей системы через контур управления. В известной мере он тоже подвержен воздействиям, связанным с неполнотой, нечеткостью, субъективностью или запаздыванием информации, что характерно для производственной системы, которая взаимодействует с достаточно динамичной внешней социальноэкономической средой. При этом возникают задачи, сопряженные с распознаванием происшествий и происходящих событий, арбитражем приоритетов, анализом с целью выявления скрытой проблемы и ее диагностики и координацией процессов разной природы, описанных различными математическими моделями. Как было отмечено в работах Р. А.Алиева, Н. М.Абдикеева и М. М. Шахназарова 8, успешное решение проблемы интеграции систем управления производством связано с их интеллектуализацией, то есть организацией функционирования на базе искусственного интеллекта, причем, в качестве решаемых задач упоминаются интерпретация, планирование, управление, прогнозирование, диспетчеризация, мониторинг и диагностика. Структурная схема производственной системы, на основе искусственного интеллекта, предложенная этими авторами, имеет вид, показанный на рисунке 1. Существующие теоретически и практические результаты в этой проблемной области чаще всего касаются экспертных систем производственного назначения, среди которых можно упомянуть следующие IX, разработанный на основе логических и теоретикомножественных представлений знаний, I, использующий для работы со знаниями в режиме реального времени функциональноориентированное представление, , которая предназначенная для устранения неисправностей роботов и для получения выводов применяет продукционные правила и систему помощи, сконструированную в виде древовидной структуры, а также многочисленные работы отечественных авторов 3, , , , , , , , 5, 5, 7, 3, 4,2,3, 9. Для экспертных систем, в силу их изначального предназначения, характерна ориентация на относительно узкую задачу управления, прогнозирования, диагностики и т. В силу этого представляет интерес рассмотрение имеющихся результатов с точки зрения математической природы моделей и их способности встраиваться в существующую на практике систему производственных и информационных потоков. Отметим, что наиболее популярными моделями знаний среди систем вышеописанного толка являются формализованные конструкции, основанные на моделировании логикопрагматического мышления специалиста. Как основа представления знаний нередко используются теоретически проработанные логические модели классическая логика предикатов, разработанная Г. Фреге, К. Пирсом и Дж. Пеано, а также нечеткая логика, основанная на работах Заде ,.