автореферат диссертации по транспорту, 05.22.19, диссертация на тему:Модель информационной системы управления транспортно-логистическим процессом на морском транспорте с применением нечетких нейросетевых технологий

На правах рукописи

Левченко Наталья Георгиевна

МОДЕЛЬ ИНФОРМАЦИОННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМ ПРОЦЕССОМ НА МОРСКОМ ТРАНСПОРТЕ С ПРИМЕНЕНИЕМ НЕЧЕТКИХ НЕЙРОСЕТЕВЫХ

ТЕХНОЛОГИЙ

05.22.19 - Эксплуатация водного транспорта, судовождение

) ^

Автореферат

диссертации на соискание ученой степени кандидата технических наук

005556094

Владивосток - 2014

005556094

Работа выполнена в Федеральном бюджетном образовательном учреждении высшего профессионального образования «Морской государственный университет имени адмирала Г.И. Невельского»

Научный руководитель: доктор технических наук, профессор Глушков Сергей Витальевич

Официальные оппоненты:

Ембулаев Владимир Николаевич - доктор экономических наук, профессор, профессор кафедры математики и моделирования Владивостокского государственного университета экономики и сервиса, г. Владивосток

Гриняк Виктор Михайлович - кандидат технических наук, доцент,

доцент кафедры прикладной математики, механики, управления и программного

обеспечения Дальневосточного федерального университета, г. Владивосток

Ведущая организация - ОАО Дальневосточный научно-исследовательский проектно-изыскательский и конструкторско-технологический институт морского флота (ДНИИМФ), г. Владивосток

Защита состоится 15 октября 2014 г. в 14.00 часов в ауд. 241 на заседании диссертационного совета Д223.005.01 при Морском государственном университете имени адмирала Г.И. Невельского по адресу: 690059, г. Владивосток, ул. Верхнепортовая, 50а, тел/факс +7 (423) 2414-968, e-mail: office@mail.ru.

С диссертацией можно ознакомиться в библиотеке и на официальном сайте ФБОУ ВПО «МГУ им. адм. Г.И. Невельского» http:/www.msun.ru/ ги/csi_disso vet_ref.

Автореферат разослан 02 сентября 2014 года.

Отзывы на автореферат присылать в 2-х экземплярах, заверенных печатью организации. В отзыве просьба указывать фамилию, имя, отчество лица, представившего отзыв, почтовый адрес, телефон, адрес электронной почты, наименование организации и должность.

Ученый секретарь диссертационного совета

Резник Александр Григорьевич

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Совершенствование транспортной логистики на водном транспорте - важное условие оптимальной организации морских и речных сообщений и в системе управления транспортным процессом. В решении этой задачи одним из существенных вопросов производственного менеджмента является повышение эффективности информационной системы, с помощью которой осуществляется планирование, управление и контроль процесса доставки грузов благодаря опережающей, сопровождающей и заканчивающий процесс информации, особенно в условиях неопределенности.

В современных условиях руководящим работникам или лицам, принимающим решения (ЛПР), необходим мощный интеллектуальный инструмент для переработки данных из информационных систем и выдачи адресного анализа - вариантов возможных управленческих решений и полномочий для разных ЛПР. Наличие комплексной информационной модели процесса, включающей описание бизнес-процессов, информационных потоков и их параметров, учитывающей внутреннюю структуру и внешнюю среду, значительно облегчает процесс управления.

Специфика транспортно-логистической отрасли такова, что для осуществления эффективного управления предприятием, занимающимся организацией перевозок, существующих информационных систем управления (ИСУ) уже недостаточно. Настала необходимость использования имитационного моделирования на основе систем искусственного интеллекта, которые сочетают в себе преимущества нейронных сетей и систем нечеткого вывода. Они позволяют разрабатывать и представлять наглядные и содержательные модели систем в форме правил нечетких продукций, используя при этом методы нейронных сетей.

Степень разработанности темы исследования. Разработкам применения информационных технологий в управлении на морском транспорте, а также технологий интеллектуального управления уделено большое внимание в трудах многих российских ученых и исследователей: И.В. Алексеева, А.Б. Барского, Д.И. Батищева, В.В. Борисова, Г.Л. Бродецкого, Э.Р. Бугулова, Р.Г. Валеевой, В.И. Васильева, А.П. Веревченко, E.H. Воевудского, А.И. Галушкина, М.И. Дли, A.A. Емельянова, В.В. Зеленцова, В.В. Круглова, И.М. Макарова, Ю.Н. Павловского, Д.А. Поспелова, А.Л. Степанова, Л.Н. Сукотия, В.И. Финаева и др. и зарубежных разработчиков: An Caris, Cathy Macharis, Gerrit К. Janssens, Teodor Gabriel Crainic, Michel Gendreau, Jean-Yves Potvin и др.

Многие ученые своими исследованиями подтверждают, что использование интеллектуальных моделей в управлении является средством повышения эффективности управления сложными организационными системами различных отраслей деятельности. Вместе с этим, применительно к специфике управления транспортно-логистическим предприятием, глубина существующих научных исследований по данной тематике недостаточна. Остаются непроработанными вопросы влияния системы управления на конечные результаты деятельности транспортно-логистических организаций, в незначительной мере используются интеллектуальные информационные технологии в системах поддержки принятия

управленческих решений в условиях неопределенности сложных динамических производственно-организационных процессов перевозки грузов, недостаточно определена совокупность факторов и особенностей, оказывающих влияние на производительность транспортной организации.

Объектом исследования является технология, организация и управление перевозками и работой флота, коммерческая работа на водном транспорте. Предмет исследования - управление транспортно-логистическим процессом.

Цели и задачи исследования. Цель исследования - повышение эффективности управления транспортно-логистическим процессом (ТЛП) с помощью разработки модели ИСУ ТЛП на морском транспорте с применением нечетких нейросетевых (ННС) технологий.

В соответствии с поставленной целью выдвигаются следующие задачи:

1) анализ современного состояния ИСУ ТЛП и существующих методов оценки эффективности их деятельности;

2) определение области и требований к входным/выходным данным имитационной модели управления ТЛП с учетом производственных особенностей;

3) разработка математического подхода к построению модели ИСУ ТЛП на базе имитационного нечеткого нейросетевого моделирования;

4) построение ННС модели информационной системы управления ТЛП, ее обучение и тестирование;

5) проведение факторного анализа с целью повышения эффективности ТЛП на построенной модели;

6) проведение параметрической оптимизации ТЛП, анализ результатов.

Научная новизна диссертационной работы заключается в следующем.

1. Разработан метод имитационного моделирования сложных динамических производственно-организационных процессов перевозки груза водным транспортом с применением ННС технологий, учитывающий неполноту и плохую формализованность исходной информации, возможность выработки эффективных руководящих решений в условиях неопределенности.

2. Разработана и построена модель ИСУ производственной деятельностью транспортной организации с применением ННС технологий, основанная на критериях оценки руководства, ведущих специалистов и экспертов логистической организации, ответственных за эффективность всех этапов процесса перевозки груза.

3. Представлена возможность применения ННС модели для анализа ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в динамическом режиме мониторинга и диагностики управленческих процессов, моделирования реальных событий и процессов, прогнозирования и предупреждения критических ситуаций.

Теоретическая и практическая значимость исследования определяется возможностью использования полученных результатов для повышения эффективности ИСУ производственной деятельностью ТЛП. ИСУ на основе ННС технологий моделирования предоставляет адекватную картину процесса для анализа информации, подготовки основы принятия решений и прогнозирования

результатов различных возможных вариантов управляющих воздействий на систему.

Результаты работы, в том числе ННС модель ИСУ ТЛП с методиками формирования ее базы знаний и рекомендациями по применению переданы в ООО «ДиДиПи Сервис» для использования в производственной деятельности.

Теоретические, методические и практические результаты диссертационного исследования представляют интерес для транспортно-логистических предприятий морской отрасли, а также для использования в учебном процессе ВУЗа.

Методология и методы исследования. В работе использованы методы системного анализа, теории систем, теории нечетких нейронных сетей. Работа выполнена с применением математической обработки результатов, математического и компьютерного моделирования.

На защиту выносятся следующие положения.

1. Метод моделирования сложных динамических производственно-организационных процессов перевозки груза водным транспортом с применением ННС технологий.

2. Методика формирования базы знаний для ННС модели ИСУ ТЛП с учетом не только количественных оценок, но и качественных, нечетко заданных, не поддающихся формализации критериев и связей между ними.

3. Методики применения ННС модели ИСУ ТЛП для анализа ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в динамическом режиме мониторинга и диагностики управленческих процессов, моделирования реальных событий и процессов, прогнозирования и предупреждения критических ситуаций.

4. Методики выработки наиболее рациональных руководящих решений в условиях неполной неопределенности при помощи ННС модели ИСУ ТЛП.

Степень достоверности и апробация результатов. Разработанная ННС модель прошла апробацию в опытно-промышленной эксплуатации логистической компании ООО «ДиДиПи Сервис», г. Владивосток, что подтверждено соответствующим актом от 02.12.2013 г.

Основные результаты диссертационного исследования докладывались на научно-практических конференциях: «Проектирование модели менеджмента организации: научные и прикладные аспекты» (Екатеринбург, 2010г.); «The 24th Asian-Pacific Technical Exchange and Advisory Meeting on Marine Structures» (TEAM-2010, Vladivostok); «Актуальные вопросы развития современной науки, техники и технологий» (Москва, 2011г.); «Актуальные проблемы и перспективы развития информационного общества» (Саратов, 2012г.); «Проблемы транспорта Дальнего Востока» (FEBRAT-2011, 2013, г. Владивосток); а также на научно-методическом совете МГУ им. адм. Г.И. Невельского, 2013г.

Публикации. Результаты научных исследований нашли отражение в 27 научных публикациях, 4 из которых в журналах, вошедших в Перечень ВАК РФ, общим объемом 8,8 п.л. (личный вклад автора 7,5 п.л.).

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения; содержит 181 страницу машинописного текста, включает

54 рисунка, 43 таблицы, 5 приложений и библиографический список, включающий 116 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы диссертационного исследования, определены цель и задачи, объект и предмет исследования, сформулированы научная новизна, теоретическая и практическая значимость полученных результатов, представлена информация об их апробации.

В первой главе рассматриваются научные подходы, принципы и методы системы управления деятельностью предприятий водного транспорта. Анализируется функциональное содержание системы управления и механизм разработки и принятия управленческих решений во взаимосвязи с информационным обеспечением. Представлен анализ планирования и выработки экономических решений в условиях неопределенности, а также неполноты и нечеткости исходной информации, сформулированы проблемы построения ИСУ в таких условиях. Обоснована необходимость перехода от классических моделей теории управления к логико-лингвистическим моделям, в которых используются логические средства обработки для преобразования данных, представленных в лингвистической форме.

ТЛП как объект моделирования настолько сложен, что описать его поведение, выбрать ту или иную схему формализации очень трудно или вообще невозможно. Поэтому необходимо построить имитационную модель, которая обеспечит руководству транспортного предприятия возможность правильно оценить имеющиеся достоинства и недостатки, отыскать источники потенциала и направления усовершенствования, поможет найти, визуализировать и зафиксировать в готовом для последующего развертывания виде варианты управленческих решений. Рассмотрены теоретическое аспекты процесса имитационного моделирования, его особенности, цикличность.

Во второй главе обоснован выбор математической модели моделирования -метод имитационного моделирования с применением ННС технологий. Основное достоинство этого метода заключается в способности алгоритма подстраивать структуру сети под новые наблюдения (параметры) и выявлять сложные (нелинейные) взаимосвязи между значениями выходных и входных данных, что соответствует специфике поставленной задачи.

Рассматривается понятие нечеткого множества как формализации лингвистической информации для построения математических моделей.

Обосновывается применение ННС технологий: нейронных сетей, нечеткой логики, гибридных сетей в построении имитационной модели ИСУ ТЛП. Отмечено, что в основу гибридных сетей легли достоинства систем с нечеткой логикой, в которых выводы делаются на основе аппарата нечеткой логики, а соответствующие функции принадлежности настраиваются с использованием алгоритмов обучения нейронных сетей.

В третьей главе проведен детальный анализ ТЛП и предложен метод его имитационного моделирования с применением ННС технологий. Описаны схемы логистического движения грузов от производителя к потребителю различными видами транспорта, критерии выбора того или иного вида транспорта.

Проведено тестовое моделирование логистической задачи по организации перевозки груза на примере поставки партии риса из Вьетнама в Россию различными видами транспорта, включая морской.

В рамках этой задачи определены оценивающие и влияющие на процесс перевозки факторы, а также их взаимосвязь. Отражена нечеткость исходной информации, т.е. эти сведения либо неполные, либо неясны или неточны по своей природе: надежность поставщика, страховщика груза или перевозчика, мера ответственности и компетенции лица, отвечающего за сохранность груза во время перевозки, техническое состояние транспортных средств, соблюдение графика поставки, погодные условия и т.п. Неопределенность процесса перевозки выражается также и в том, что неизвестны все существующие в нем закономерности. Более того, влияющими факторами на объект управления, к каковым относится процесс грузоперевозки, или элементами его структуры, являются люди, функционирующие с учетом своих личных интересов, целей и характера. При построении модели ТЛИ необходимо было учесть неточные знания, которые относятся к субъективной категории и не могут быть интерпретированы как полностью истинные или ложные или достоверность которых выражается некоторой промежуточной мерой.

Далее, основываясь на знаниях экспертной группы, определены восемь вариантов перевозок и их основные операции. В каждом варианте выделяется определенное количество факторов, упорядоченных по значимости каждого из них, влияющих на эффективность как отдельного процесса-блока, так и всей перевозки в целом. Был выделен определенный набор критериев, который в процессе совершенствования модели может быть дополнен, не влияя на саму систему, при этом качественно улучшающий «портрет» объекта исследования.

Учитывая нечеткие факторы, суждения и опыт экспертной группы, ННС модель ИСУ ТЛП можно представить состоящей из шести модулей, каждый из которых реализовывает один блок соответственно из восьми схем перевозок, нечеткой нейронной сетью. И седьмой модуль модели - аккумуляция всех предыдущих модулей - его входными данными ННС являются выходы модулей с первого по шестой (рисунок 1).

Согласно схеме (рисунок 1) представлено математическое описание модели ИСУ ТЛП:

1. «Условия отгрузки от поставщика»: У1=0(х), где7=1, 2;

2. «Морская доставка (фрахт,)»: У2=М(х¡), где/=3, 4, 5, 6, 7;

3. «Порт и возможности терминала»: Уз=Р(х^, гдеу=8, 9, 10;

4. «Автоперевозка»: у4-Л(х1)1 где7=11,12,13;

5. «Выгрузка и хранение на складе»: у}=Б(х}), где7=14, 15,16,17;

6. «Формирование груза, отправка по ж/д»: у6=2(х), где7=18,19, 20,21,

где х- это входные переменные каждого ННС модуля, которыми являются различные факторы - это качественные характеристики отдельного блок-процесса; Ук - выход каждого из этих шести модулей - оценка эффективности к-го блок-процесса, где ¿=1,2...б - соответствующий номер модуля.

Ург=^(У^ или у^СО (х), М (х), РЩ, А (х), 5 (хЦ, 2(х}), (1)

где ург - оценка эффективности перевозки.

1. Условия отгрузки от поставщика Вход: 1. Срок готовности груза к погрузке 2. Порча, убытки

2. Морская доставка (фрахт) Вход: 1. Стоимость процесса

2. Возможность осуществления перевозки

3. Убытки

4. Срок поставки

5. Надежность перевозчика

3. Порт и возможности терминала

Вход: 1. Возможности терминала, свободное место в порту

2. Стоимость процесса

3. Мощности

г

4, Автоперевозка Вход: 1. Стоимость процесса

2. Срок ожидания вывоза груза

3. Надежность перевозчика

/ N

5. Выгрузка и хранение на складе Вход: 1. Место под хранение

2. Стоимость процесса

3. Убытки

4. Мощности

6. Формирование груза, отправка по

ж/д

Вход: 1. Стоимость процесса

2. Порча, убытки

3. Время в пути

4. Мощности

Оценка эффективности 1

Оценка эффективности

Оценка эффективности

Оценка эффективности

Оценка эффективности

Рисунок 1 -Модель ИСУ ТЛП

Входные переменные первого модуля «Условия отгрузки от поставщика» -это факторы, влияющие на процесс перевозки, две лингвистические переменные: срок готовности груза к погрузке; порча, убытки. Каждой лингвистической переменной (и нижеперечисленным в том числе) соответствует пять термов: плохо; ниже среднего; средне; хорошо; отлично (или операция отсутствует). Нечеткое числовое ограничение термов - отрезок от 0 до 10. Так, лингвистическая переменная плохо будет ограничена числовой оценкой от 0 до примерно 2, а лингвистическая переменная ниже среднего - от примерно 2 до примерно 4 и т.д.

Для реализации нечеткого вывода используется метод Такаги-Сугено. В этом модуле совокупность правил нечетких продукций (ГТНП) должна быть в количестве 52=25.

Входные переменные второго модуля «Морская доставка (фрахт)» - пять лингвистических переменных: стоимость процесса; возможность осуществления перевозки; убытки; срок поставки; надежность перевозчика (итого 3125 ПНП).

Входные переменные третьего модуля «Порт и возможности терминала» -три лингвистических переменных: возможность терминала, свободное место в порту; стоимость процесса; мощности (итого 125 ПНП).

Входные переменные четвертого модуля «Автоперевозка» - три лингвистических переменных: стоимость процесса; срок ожидания вывоза груза; надежность перевозчика (итого 125 ПНП).

Входные переменные пятого модуля «Выгрузка и хранение на складе» -четыре лингвистических переменных: место под хранение; стоимость процесса; убытки; мощности (итого 625 ПНП).

Входные переменные шестого модуля «Формирование груза, отправка по ж/д» - четыре лингвистических переменных: стоимость процесса; порча, убытки; время в пути; мощности (итого 625 ПНП).

Выходная переменная одна в каждом из шести модулей - это лингвистические переменные оценка эффективности 1, оценка эффективности 2, ..., оценка эффективности 6, соответственно. Эти переменные, в свою очередь, являются входными для седьмого аккумулирующего модуля (итого 15625 ПНП). Выход седьмого модуля - лингвистическая переменная оценка эффективности. В том случае, когда в схеме перевозки какой-либо процесс отсутствует, выходной лингвистической переменной оценка эффективности / отсутствующего модуля i, где i =1, ..., 6 соответствует терм отлично, равный максимальному значению 10.

Учитывая, что в рамках нечеткой зоны каждого терма закон изменения каждой переменной явно нелинейный, форма функций принадлежности (ФП) была выбрана гауссовой и сигмоидной формы (рисунок 2).

Полный перебор всех вариантов ПНП составляет очень большую базу знаний, поэтому, исходя из опыта и знаний группы экспертов, вводятся ограничения на их количество. База ПНП, составленная на основе экспертных оценок, состоит из 543 правил. Разработка ННС модели ИСУ ТЛП, ее программная реализация и исследование проводились при помощи пакета Fuzzy Logic Toolbox системы MATLAB в форме адаптивной системы нейро-нечеткого вывода ANFIS (рисунок 3).

плохо ниже среднего средне хорошо отлнчно

Рисунок 2 — ФП нечетких множеств, соответствующих термам лингвистических переменных семи модулей ННС модели ТЛП

1. Условия отгрузки от поставщика

Срок готовности груза к погрузке

Порча, убытки

Ч2ШН ЕШЬ

(Сугено)

Оценка эффективности I

Нтал—

2. Морская доставка (фрахт)

Стоимость процесса Возможность осуществления

передочки

Убытки

Срок поставки

Надежность перевозчика

■в, нКШШ-Л

-ЯШ7ОТТ-1

АЫИБ (Сугено)

Оценка эффективности 2

—>Г\М7\Л—

Возможности терминала, свободное место в порту

Стоимость процесса

3. Порт и возможности терминала

Мощности

*шт->

-НШШН

4. Автоперевозка

(Сугено)

Оценка эффективности 3

-ваз—|

Стоимость процесса

Срок ожидания вывоза груза Надежность перевозчика

-К2ШН-

АМИБ (Сугено)

Оценка эффективности 4

НШШН

Место под хранение

Стоимость процесса

5. Выгрузка и хранение на складе

-КЗШКн

Убытки

Мспцности

-Ч5ШН-

(Сугено)

Оценка эффективности 3

Стоимость процесса

Порча, убытки

6. Формирование груза, отправка по Ж/Д

—«ШК*

Время в пути

Мощности

АЫТ^Б (Сугено)

Оценка эффективности 6

АхКумуЛ1ф>Т01Ц1Ш модуль

(Сугено)

Оценка эффективности

Рисунок 3 - ННС модель ИСУ ТЛП

Сформированы выборки для обучения ННС, при этом была учтена взаимосвязь и значимость факторов относительно друг друга в каждом процессе-блоке. Обучение ННС производилось методом обратного распространения ошибки. Значение уровня ошибки было установлено равным 0, количество циклов обучения - равным 100.

В процессе обучения ННС корректирует заданные изначально приоритеты, строит графики функций принадлежности, исправляет весами возможные ошибки экспертов.

Обучение гибридной сети производилось поэтапно, по несколько выборок за один этап, постепенно увеличивая массив данных, чтобы избежать роста ошибки на тестируемом множестве.

Для сравнения результатов, выданных ННС моделью, с экспертными оценками используются формулы (2), (3).

Абсолютная погрешность Ах

Относительная погрешность 6Х

|*м

и ^тест I

(2) (3)

*тсст

Абсолютная погрешность моделирования каждого из семи модулей колеблется в пределах: 0 <Ах< 0,99. Относительная погрешность работы каждого из семи модулей модели колеблется в пределах: 0 <8.г< 0,18 (или от 0% до 18%).

Сравнивая полученные результаты обучения и тестирования ННС всех семи модулей с соответствующими оценками экспертов, можно сделать вывод, что ННС модель ИСУ ТЛП на всех восьми вариантах перевозки груза обучена. Результаты верификации демонстрирует почти точное совпадение оценок эффективности, выданных моделью, с соответствующими экспертными значениями.

На приведенной гистограмме (рисунок 4) изображено точное совпадение оценки эффективности 2, выданной моделью, с соответствующим экспертным значением.

Рисунок 4 - Гистограмма результата обучения и тестирования второго модуля на восьми значениях обучающей выборки (6, 6.1, ..., 6.7) схемы перевозки 6

В четвертой главе на имитационной модели реальной транспортно-логистической задачи был проведен факторный анализ, который выявил степень чувствительности модели к изменению значений факторов. По оценкам экспертов, анализ показал, что модель адекватно реагирует на изменение факторов и готова для применения в режиме рабочего времени.

Для построения вариантов факторного анализа ННС модели ИСУ ТЛП использованы реальные примеры из практической деятельности транспортно-логистической компании ООО «ДиДиПи Сервис», г. Владивосток. Для проведения анализа вводится относительная величина сравнения:

ОВСр = х°'-"-х"°р" ■ Ю0%, (4)

соответствующей фактору, по которому проводится сравнительный анализ, в штатном (обычном) режиме ТЛП, логр - числовое значение терма лингвистической переменной, соответствующей тому же фактору, но в определенных рамках ограничения его значения.

Гистограмма, демонстрирующая один из вариантов анализа, приводится на рисунке 5. В результате факторный анализ на ННС аккумулирующем модуле выявил высокую степень чувствительности модели к изменению значений фактора «Выгрузка и хранение на складе» на схемах перевозки 3, 4, 7, 8.

Вариант перевозки 3 Ограничение фактора «Выгрузка и хранение на складе»

Рисунок 5 - Гистограмма факторного анализа на аккумулирующем модуле на примере двенадцати значений выходных переменных (3, 3.2, ...3.22) схемы перевозки 3

Соответствующие вычисления значения относительной величины сравнения по формуле (4) приведены в таблице 1.

Схема перевозки тт(ОВСра), % среднее значение (ОВСр<2), % тах(ОВСр>9), % среднее значение (ОВСр>9), %

3 -81 -59,92 96 55,75

4 -62 -52,33 58 42,75

5 -41 -34,08 24 18,17

6 -34 -30,33 7 2,25

7 -100 -90,08 154 81,42

В -88 -78,33 96 67,92

Самой нечувствительной к изменениям фактора является схема перевозки 6, причем в сторону ограничения не более 2\ наибольшее значение разницы с нормой составляет -34%. Более чувствительной — схема 7. Этот вывод подтвердили и эксперты. Исходя из опыта руководящего звена, ведущих специалистов и экспертов, прежде чем начинать заказывать груз у поставщика, необходимо выяснить наличие места под его хранение на складах. Если не

найдется подходящее место для хранения груза, то весь процесс, по мнению экспертов, в большинстве случаев не имеет смысла.

Таким образом, факторный анализ показывает, и экспертная группа подтвердила, что ННС модель ИСУ ТЛП реагирует на изменения входных переменных в соответствии с оценками экспертов в каждом рассмотренном случае и готова для применения в режиме рабочего времени.

В качестве критериев при оптимизации ТЛП использовались различные группы критериев для принятия решений ЛПР в условиях неопределенности. В работе используются следующие классические критерии:

1. Максиминный критерий (ММ-критерий или критерий Вальда), целевая функция

<?мм = тах{ту~5} , где туъ = гшп{уП ,б = 1, 2, •••, 8 ,\= 1,2, — ,6 (5)

Б 1

2. Оптамистический критерий, целевая функция

<2н = тах5{/гу5) ,где/гу* = тах^у?}^ = 1,2,-,8 ,1 = 1,2,--,6 (6)

3. Нейтральный критерий, целевая функция

п

= шах{пу"5} , где пу5 = - V у,5 , э = 1, 2, ■■■, 8 ,1 = 1, 2, •■•, 6 (7)

Б П ' I

1 = 1

Эти три критерия применяются для определения оптимального решения ЛПР на уже вычисленных значениях оценки эффективности процесса.

В левой части таблицы 2 приведены итоговые оценки эффективности всех восьми схем перевозки.

Таблица 2. Анализ данных для выбора управляющих решений ЛПР

№ Оценка эффективности Ямм йи 0.Ы

1 6.15 6.78 5.83 5.77 6.15 5.98 7.15 6.93 7.12 7.01 6.96 7.23 5.77 7.23 6.59

2 7.12 7.23 6.59 7.18 7.01 6.93 7.4 8.1 7.22 7.89 7.01 8.33 6.59 8.33 7.33

3 3.69 5.06 4.22 3.77 4.23 5.23 4.78 5.01 5.06 4.89 5.01 5.14 3.69 5.23 4.67

4 4.85 4.96 5.06 5.13 6.32 5.02 6.03 5.96 5.01 4.78 5.36 5.14 4.78 6.32 5.30

5 7.80 7.96 8.01 8.12 8.36 8.01 8.95 8.36 8.36 7.69 8.13 8.12 7.69 8.36 8.16

6 8.98 9.89 9.36 10.3 9.01 9.89 9.16 9.01 8.87 9.89 9.03 10.2 8.87 10.3 9.47

7 2.96 2.76 2.01 2.78 1.83 3,06 3.07 3.23 3.16 3.25 2.96 3.01 1.83 3.25 2.84

8 3.21 3.78 4.21 3.77 2.89 3.78 3.96 4.23 4.21 4.02 3.75 3.78 2.89 4.23 3.80

Входными данными шести модулей модели были влияющие на процесс факторы каждой из восьми схем перевозок как проходящих в штатном обычном режиме. Причем для примера в таблице приведены двенадцать вариаций выходных значений оценок эффективности, рассчитанных ННС моделью ИСУ ТЛП на небольшом диапазоне изменения входных значений и их комбинаций, предоставленных экспертной группой, по каждой из восьми схем перевозок. В этом случае эксперты определяли значения этих факторов, не предполагая никаких критических ситуаций. В правой части таблицы 2 приведены оптимальные значения оценок эффективности, определенных по трем критериям оптимальности: максиминный (ММ-критерий или критерий Вальда), оптимистический и нейтральный, в соответствии с формулами (5), (6), (7).

По результатам анализа данных возможных решений в штатной ситуации ЛПР следует выбрать схему перевозки груза б (рисунок 6), т.к. все три критерия этой схемы показывают максимальный, т.е. оптимальный результат: (2м*=8.87; 0я=10.3; 0Г=9.47.

Выгрузка на открытую площадку

Днто|^)евозкя н выгрузка на склад

Морская перевозка

Рисунок б - Схема перевозки груза 6

Владивосток. Рыбный порт:

В том случае, когда эксперты предполагают какую-либо критическую ситуацию, необходимо учесть изменения, влияющие на ТЛП. ННС модель позволяет просчитать все возможные ситуации, выдать прогноз, помогающий ЛПР выбрать наиболее правильное, оптимальное решение в условиях какой-либо внештатной ситуации или неопределенности.

В работе проведена параметрическая оптимизация ТЛП. В качестве метода оптимизации применялся генетический алгоритм - один из методов | эволюционного моделирования, основанный на процессах скрещивания, , кроссовера, мутации и естественного отбора.

Важной особенностью эволюционного моделирования является ! возможность получения рациональных решений как на непрерывных, так и на дискретных множествах параметров. Показано, что генетический алгоритм - один из эффективных методов решения задач многоэкстремальной оптимизации, поскольку метод инвариантен к размерности задачи, позволяет решать задачи, структура решений которых неизвестна, высокая скорость решения достигается за счет параллелизма алгоритма, так как каждый объект популяции может обрабатываться независимо.

Целесообразность применения эволюционного метода объясняется тем, что задача является трудно формализуемой и необходимостью получить результат для принятия решения в реальном времени.

В заключении сформулированы основные выводы и результаты проведенного исследования.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Проведен анализ основных свойств и особенностей динамического, плохо формализованного и слабоструктурированного объекта управления, каковым является транспортно-логистический процесс.

2. Предложен нечеткий нейросетевой метод моделирования плохо формализованного транспортно-логистического процесса с учетом не только количественных оценок, но и качественных, нечетко заданных, не поддающихся формализации критериев и связей между ними.

3. Предложенная модульная архитектура построенной нечеткой нейросетевой модели транспортно-логистического процесса может быть расширена при помощи встраивания дополнительных модулей, позволяющих расширить информационную систему управления, увеличить ее возможности за счет детализации имитируемого процесса.

4. Набор влияющих на транспортно-логистический процесс факторов в каждом модуле может дополняться в процессе совершенствования нечеткой нейросетевой модели, не влияя на саму систему (метод решения), зато качественно улучшая «портрет» объекта исследования (изучения) -информационную систему управления транспортно-логистическим процессом.

5. Разработана методика формирования базы знаний для ННС модели ИСУ ТЛП с учетом не только количественных оценок, но и качественных, нечетко заданных, не поддающихся формализации критериев и связей между ними.

6. Факторный анализ выявил высокую степень чувствительности имитационной модели ТЛП к изменению значений факторов. По оценкам экспертов, анализ показал, что модель адекватно реагирует на изменение факторов.

7. Разработаны методики применения ННС модели ИСУ ТЛП для анализа ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в динамическом режиме мониторинга и диагностики управленческих процессов, моделирования реальных событий и процессов, прогнозирования и предупреждения критических ситуаций.

8. Определено, что задача поиска оптимального решения на ННС модели ИСУ ТЛП является многокритериальной, многофакторной и относится к задачам дискретной оптимизации. Поэтому поиск оптимального решения осуществлялся в двух направлениях: первое, полного перебора возможных решений, т.е. определение оптимальных решений по трем критериям оптимальности: максиминный (ММ-критерий или критерий Вальда), оптимистический и нейтральный, соответствующий классическому логистическому методу определения оптимального решения в условиях неопределенности; второе, применение для поиска оптимального решения генетического алгоритма - одного из методов эволюционного моделирования.

9. Имитационная модель ТЛП пригодна для последующего исследования реального транспортно-логистического процесса, прогнозирования его поведения, оптимизации функционирования, для анализа различных ситуаций и поведения взаимодействующих элементов.

10. Разработаны методики выработки наиболее рациональных руководящих решений в условиях неполной неопределенности при помощи ННС модели ИСУ ТЛП: либо полным перебором возможных решений, либо при помощи генетического алгоритма.

11. Имитационная модель транспортно-логистического процесса может быть использована для мониторинга и диагностики управленческих решений в динамическом режиме, так как позволяет моделировать реальные события и процессы, прогнозировать и предупреждать критические ситуации.

СПИСОК ПУБЛИКАЦИИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в рецензируемых журналах из Перечня ВАК РФ

1. Левченко, Н. Г. Аспекты построения информационной системы предприятия водного транспорта / Н. Г. Левченко, Д. Ю. Сясин. // Эксплуатация морского транспорта: ежеквартальный сборник научных статей; Государственная морская академия им. адм. С. О. Макарова; С.-Петербург : 3 (61), 2010. - С. 3-8.

2. Левченко, Н. Г. Решение плохо формализуемых задач с помощью гибридных интеллектуальных систем / Н. Г. Левченко, Ю. Ю. Почесуева. // Научные проблемы транспорта Сибири и Дальнего Востока: научное издание; ФБОУ ВПО «НГАВТ», Новосибирск : 2, 2011. - С. 28-31.

3. Левченко, Н. Г. Оптимизация слабо формализованных процессов с использованием нечеткой нейронной модели / Н. Г. Левченко // Журнал университета водных коммуникаций. - СПб.: СПГУВК, Выпуск 4 (16), 2012. -С. 105-114.

4. Левченко, Н. Г. Построение нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом / С. В. Глушков, Н. Г. Левченко, Ю. Ю. Почесуева, Е. М. Коньков. // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. - СПб.: ГУМРФ имени адмирала С. О. Макарова, Выпуск 3, 2013 - С. 100-111.

Наиболее значимые публикации

1. Левченко, Н. Г. Особенности моделирования информационной системы предприятия водного транспорта / Н. Г. Левченко. // Вестник Морского государственного университета. Серия: Автоматическое управление, математическое моделирование и информационные технологии. Вып. 43/2010. -Владивосток: Мор. гос. ун-т, 2010. - С. 77-84.

2. Levchenko, N. The analysis of the maritime branch enterprise's information management system / N. Levchenko. Program & Proceedings. TEAM 2010 Vladivostok: The 24th Asian-Pacific Technical Exchange and Advisory Meeting on Marine Structures; Изд-во МГУ им. адм. Г.И. Невельского, 2010. - С. 287-290.

3. Левченко, Н. Г. Методы и приемы разработки информационных моделей управления предприятием / Н. Г. Левченко. // Проектирование модели менеджмента организации: научные и прикладные аспекты: сб. науч. ст.

VII междун. науч.-практ. конф. ; Урал. гос. пед. ун-т ; Екатеринбург : [б. и.], 2010. -С. 118-120.

4. Levchenko, N. The Imitating model of the maritime branch enterprise's information management system / N. Levchenko. // Asia-Pacifïc Journal of Marine Science&Education, Vol. 1, # 1,2011, pp 107-112.

5. Левченко, H. Г. Метод оптимизации информационной системы управления предприятием / Н. Г. Левченко. //Проблемы транспорта Дальнего Востока. Материалы девятой международной научно-практической конференции. 5-7 октября 2011 г. - Владивосток: ДВО Российской Академии транспорта, 2011. -С. 66-68.

6. Левченко, Н. Г. Метод моделирования плохо формализованных или слабоструктурированных объектов управления с применением нечетких нейронных технологий / Н. Г. Левченко, Ю. Ю. Почесуева. // Вестник Морского государственного университета. Серия: Автоматическое управление, математическое моделирование и информационные технологии. Вып. 45/2011. -Владивосток: Мор. гос. ун-т, 2011. - С. 40-44.

7. Левченко, Н. Г. Применение интеллектуальных технологий в моделировании информационных систем управления / Н. Г. Левченко, Ю. Ю. Почесуева. // Актуальные вопросы развития современной науки, техники и технологий. Материалы III-й Всероссийской научно-практической (заочной) конференции. - М.: НИИРРР, 2011. - С. 62-66.

8. Levchenko, N. Optimization of hard formalized processes using fuzzy neural model / N. Levchenko. // Asia-Pacific Journal of Marine Science&Education, Vol. 2, # 1, 2012, pp 101-111.

9. Levchenko, N. Use of Neural Network Technologies for Improving Efficiency of Transport and Logistics Processes / N. Levchenko, S. Glushkov // Asia-Pacific Journal of Marine Science&Education, Vol. 3, # 1, 2013, pp 67-74.

10. Левченко, H. Г. Использование нейросетевых технологий для повышения эффективности транспортно-логистических процессов / С. В. Глушков, Н. Г. Левченко, Ю. Ю. Почесуева, Е. М. Коньков. // Проблемы транспорта Дальнего Востока. Материалы юбилейной десятой международной научно-практической конференции, посвященной 200-летию адмирала Г. И. Невельского 2-4 октября 2013 г. - Владивосток: ДВО Российской Академии транспорта, 2013. - С. 125-127.

11. Левченко, Н. Г. Применение нейросетевой модели в управлении транспортно-логистическим процессом / Н. Г. Левченко, Ю. Ю. Почесуева, Е. М. Коньков. // Вестник Морского государственного университета. Серия: Автоматическое управление, математическое моделирование и информационные технологии. Вып. 65/2014. - Владивосток: Мор. гос. ун-т, 2014. - С. 43-50.

12. Левченко, Н. Г. Применение нейросетевых технологий как метод оптимизации информационной системы управления транспортно-логистическим предприятием / Н. Г. Левченко, Ю. Ю. Почесуева, Е. М. Коньков. // Вестник Морского государственного университета. Серия: Автоматическое управление, математическое моделирование и информационные технологии. Вып. 65/2014. -Владивосток: Мор. гос. ун-т, 2014. - С. 50-57.

Левченко Наталья Георгиевна

МОДЕЛЬ ИНФОРМАЦИОННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМ ПРОЦЕССОМ НА МОРСКОМ ТРАНСПОРТЕ С ПРИМЕНЕНИЕМ НЕЧЕТКИХ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 26.08.2014 г. Формат 60x84/16. Бумага писчая. Уч.-изд.л. 1,0 Тираж 100 экз. Заказ № 300

Отпечатано в типографии ИПК МГУ им. адм. Г.И. Невельского. 690059, г. Владивосток, ул. Верхнепортовая, 50а