автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Исследование и разработка моделей и алгоритмов прогнозирования и обработки информации для распределенных систем управления опережающими логистическими потоками

На правах рукописи

Чумаченко Павел Юрьевич

ИССЛЕДОВАНИЕ И РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ И ОБРАБОТКИ ИНФОРМАЦИИ

ДЛЯ РАСПРЕДЕЛЕННЫХ СИСТЕМ УПРАВЛЕНИЯ ОПЕРЕЖАЮЩИМИ ЛОГИСТИЧЕСКИМИ ПОТОКАМИ

Специальность 05.13.01 - системный анализ, управление и обработка

информации (в области приборостроения)

АВТОРЕФЕРАТ диссертации на соискание ученой степеьи кандидата технических наук

Москва-2008

003452880

Работа выполнена на кафедре «Информатика и программное обеспечение вычислительных систем» при Московском Государственном Институте Электронной Техники (Техническом Университете).

Научный руководитель

Доктор технических наук, профессор Л.Г. Гагарина

Официальные оппоненты

д.т.н., Щагин А.В., к.т.н., Костина С. А.

Ведущая организация

ООО «Ратеос»

Защита состоится « 3 »СШШ2008 года в {6 :0£> на заседании диссертационного совета д 212.134.02 при Московском государственном институте электронной техники (техническом университете) по адресу: 124498, Москва, Зеленоград, проезд 4806, МИЭТ

С диссертацией можно ознакомиться в библиотеке МИЭТ.

Автореферат разослан

« / »ШМ^.

ий 2008 г.

Ученый секретарь диссертационного совета доктор технических наук, доцент

А.В. Гуреев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В современных условиях управление материальными потоками предприятий, как правило, осуществляется с использованием компьютерной техники и программного обеспечения, позволяющих значительно улучшить скорость и качество управления и обработки таких потоков.

В настоящее время достаточно актуальной является проблема обеспечения эффективного управления опережающими логистическими потоками, которые в технологической цепочке управления предшествуют материальным, и, как правило, следуют во встречном направлении. Наиболее важным аспектом в данной проблеме является создание механизмов, направленных на своевременное формирование и пополнение запасов материальных ресурсов для различных производственных процессов.

Исследованиям в этой области посвящен ряд работ зарубежных специалистов таких как: Wilson R.H., Уйэла Н., Michael A. Rossi, Mark S. Dopfman, G. Rejda, S. Breidenbach, а также отечественных ученых: М.П. Гордон, Б.К. Плоткин, O.A. Новиков, А.И. Семененко, А.Н. Родников и др.

На современном этапе функционирование систем управления опережающими логистическими потоками основывается, как правило, на применении известных алгоритмов. Однако подобные алгоритмы, например, «r,Q», EOQ, «с фиксированным размером заказа» и др., не являются в полной мере универсальным средством управления и распределения логистических ресурсов, адаптированным к различным условиям производственной деятельности. Они применяются в основном для решения частных задач логистики и, обычно, не рассматривают ло-гистистический процесс в качестве компонента единого динамического комплекса.

Выходом из создавшейся проблемной ситуации является создание более совершенных средств управления логистическими ресурсами, позволяющих, как учитывать большое количество входных параметров, характерных для разных производственных и управленческих задач, так и быть универсальными по отношению к этим задачам.

Одним из эффективных решений данной проблемы является создание селективного механизма, обеспечивающего обоснованный выбор оптимального на данный момент времени алгоритма управления опережающими логистическими потоками.

Применение такого механизма позволит значительно улучшить качество работы системы управления логистическими потоками, а именно повысить эффективность пополнения и распределения производственных ресурсов, запасов и материалов.

Если говорить об архитектуре подобных систем, то проведенный анализ показал, что значительная часть используемых на сегодняшний момент систем управления логистическими потоками носит распределенный характер. Характерной проблемой для систем с такой архитектурой является неравномерная загрузка распределенных центров обработки информации, соответствующих ее узлам. С одной стороны это приводит к очередям на обработку, а с другой к нерациональному использованию вычислительных ресурсов системы.

Возможным решением данной проблемы является создание механизма балансировки. Такой механизм на основе оперативного планирования и прогнозирования интенсивности вычислительной нагрузки позволит изменять параметры и конфигурацию системы управления логистическими потоками, равномерно распределяя нагрузку между ее узлами. Это позволит уменьшить время обработки логистических заявок, сократить очереди в центрах обработки информации и более рационально использовать их вычислительные ресурсы.

Таким образом, представляется ценным и актуальным разработка моделей и алгоритмов прогнозирования и обработки информации для распределенных систем управления опережающими логистическими потоками.

Целью диссертации является разработка моделей и алгоритмов управления опережающими логистическими потоками, обеспечивающих повышение эффективности и надежности планирования, обработки и управления ресурсами и запасами предприятий во многих отраслях промышленности, науки и техники.

В соответствии с указанной целью в работе решаются следующие задачи:

• анализ архитектуры и функциональных возможностей распределенных логистических систем;

• математическая формализация систем управления опережающими логистическими потоками;

• разработка математической модели обработки опережающих логистических потоков;

• разработка математического аппарата для реализации алгоритма прогнозирования вычислительной нагрузки;

• разработка алгоритма динамического управления опережающими логистическими потоками;

• разработка методики и алгоритма прогнозирования вычислительной нагрузки распределенной системы управления опережающими логистическими потоками на основе аппарата нейронных сетей;

• разработка имитационных моделей алгоритмов динамического управления и прогнозирования;

• экспериментальное исследование предложенных теоретических положений, моделей и алгоритмов.

Методы исследования. Теоретическую и методологическую базу исследования составили системный подход к моделированию сложных систем, ключевые положения кибернетики, общей теории систем. При решении конкретных задач использовались математический аппарат теории графов, теория массового обслуживания, теория нейронных сетей, предикатная алгебра, а также методы имитационного моделирования сложных систем.

Научная новизна работы состоит в создании новых моделей и алгоритмов, обеспечивающих повышенную эффективность управления опережающими логистическими потоками. При этом получены следующие научные результаты:

• исследованы и разработаны новые модели и алгоритмы управления опережающими логистическими потоками, позволяющие уменьшить затраты на обработку параметров логистических потоков;

• предложено решение математической задачи формализованного описания опережающих логистических потоков, основанного на их декомпозиции;

• разработан алгоритм динамического управления опережающими логистическими потоками, обеспечивающий автоматизацию выбора обрабатывающего алгоритма в зависимости от вида логистического ресурса;

• предложена методика прогнозирования вычислительной нагрузки на базе многослойного перцептрона, учитывающая специфику логистических потоков заявок и распределенный характер системы управления логистическими потоками;

• разработан алгоритм прогнозирования вычислительной нагрузки системы управления опережающими логистическими потоками, обеспечивающий оперативное распределение потоков между центрами обработки информации системы и возможность управления их производительностью;

• предложены экспериментальные методики проверки и анализа эффективности алгоритмов динамического управления и прогнозирования вычислительной нагрузки логистической системы;

• предложены и верифицированы имитационные модели алгоритмов; в ходе экспериментальных исследований показаны преимущества их использования в распределенных системах управления опережающими логистическими потоками. Результаты работы подтверждены свидетельствами об официальной регистрации программы для ЭВМ: № 2007613913 «Программа учета сведений о научно-исследовательских и опытно-конструкторских работах», зарегистрировано в РОСПАТЕНТ 12 сентября 2007 г., заявка №2007612984.

Практическая ценность работы заключается в создании реальных основ для реализации эффективных механизмов автоматизированного управления опережающими логистическими потоками. Их практическое применение позволит повысить эффективность обработки логистической информации и управления ресурсами, прежде всего выражающуюся в снижении связанных со срочностью поставки расходов без значительного опережающего роста запасов материалов, и рациональной загрузке центров обработки информации распределенной системы управления опережающими логистическими потоками.

Гибкость и универсальность предложенных в работе решений делает возможным их применение в самых различных технологических процессах и производствах, особенно в приборостроении, предприятиях электронной промышленности, транспортной и дистрибьюторской деятельности и т.д.

Экспериментальные исследования автора показали, что при использовании алгоритма динамического управления процент обслуженных с минимальными затратами заявок повысился в 1,08-1,31 раза; при применении механизма оперативного прогнозирования вычислительной мощности количество простаивающих центров обработки информации уменьшилось в два раза, очередь ожидающих заявок сократилась, более

чем в 5,2 раза, время обработки заявок уменьшилось более чем в 2,2 раза.

Достоверность экспериментальных исследований подтверждается результатами имитационного моделирования, доказавшими преимущества предложенных в работе алгоритмов динамического управления опережающими логистическими потоками и прогнозирования вычислительной нагрузки, выразившиеся в снижении затрат на обработку заявок, сокращении очередей заявок в центрах обработки информации и уменьшением времени на их обработку.

Личный вклад автора. Все основные результаты диссертационной работы получены автором лично. Главными из них являются:

1) исследование основных возможностей распределенных систем управления опережающими логистическими потоками и подходов к построению таких систем;

2) разработка математической модели опережающих логистических потоков заявок;

3) разработка алгоритма динамического управления опережающими логистическими потоками;

4) разработка алгоритма оперативного прогнозирования вычислительной нагрузки системы управления опережающими логистическими потоками;

5) создание имитационных моделей разработанных алгоритмов.

Реализация и внедрение полученных результатов.

Результаты диссертационных исследований используются в:

• учебном процессе МИЭТ кафедры «Информатика и программное обеспечение вычислительных сетей»;

• производственной практике ГУП НПЦ «ЭЛВИС» (что позволило увеличить скорость обработки логистических заявок предприятия в 2,3 раза, и дало экономию при их обработке 134000 руб./мес.).

В результате проведенных исследований получены и выносятся на защиту следующие основные научные результаты:

1. Анализ состояния проблемы управления логистическими потоками;

2. Формализованное математическое описание системы управления опережающими логистическими потоками.

3. Алгоритм динамического управления опережающими логистическими потоками.

4. Математическая модель обоснованного выбора пополняющих алгоритмов как часть алгоритма динамического управления опережающими логистическими потоками.

5. Методика и алгоритм прогнозирования вычислительной нагрузки центров обработки информации для распределенной системы управления опережающими логистическими потоками.

6. Имитационные модели алгоритмов динамического управления и прогнозирования для распределенной системы управления опережающими логистическими потоками.

7. Результаты экспериментальных исследований эффективности алгоритмов управления опережающими логистическими потоками.

Апробация работы и публикации. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях:

• XIII международная студенческая школа семинар «Новые информационные технологии 2005» (Судак, Московский государственный институт электроники и математики, 2005);

• XII всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика» (Зеленоград, 2005-2008);

• Всероссийская межвузовская научно-практическая конференция «Актуальные проблемы информатизации. Развитие информационной инфраструктуры, технологий и систем» (Зеленоград, 2007).

По результатам исследований опубликовано 16 печатных работ.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложений. Общий объем диссертационной работы 174 страницы, включая 7 таблиц и 35 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы диссертации, цели и задачи исследования, научная и практическая значимость, приведено краткое содержание по главам.

В первой главе определены основные понятия информационной логистики, связанные с опережающими логистическими потоками потоками; рассмотрены модели и алгоритмы, используемые для управления этими потоками; проанализированы особенности построения и использования распределенных систем управления опережающими логистическими потоками.

Обоснована необходимость эффективного пополнения запасов при управлении логистическими потоками.

В общем виде данная задача формулируется следующим образом: на основе входного потока заявок, а также текущего состояния системы, требуется генерировать выходной поток заявок, который приводил бы к возникновению ответного входного материального потока, обслуживающего поступившие и могущие поступить в будущем заявки с минимальными технико-экономическими затратами.

Анализ математического аппарата алгоритмов, используемых для эффективного пополнения запасов, показал, что они являются адаптированными для решения типовых задач, с конкретными условиями и определенным набором параметров и влияющих внешних факторов, что накладывает значительные ограничения на возможность их широкого применения. Использование этих алгоритмов для управления параметрами логистических потоков на практике требует предварительных исследований, позволяющих определить значимость различных факторов и параметров для имеющейся ситуации. Только на основе результатов подобного анализа возможно определить наиболее эффективные механизмы, обеспечивающие выбор оптимального для конкретных условий алгоритма управления.

В ходе исследования распределенных логистических систем, в том числе систем управления опережающими логистическими потоками, был проведен анализ их архитектурных и функциональных особенностей. Выявлено, что значительная часть используемых на сегодняшний момент систем управления логистическими потоками носит распределенный характер. Одной из проблем, характерной для систем с подобной архитектуры является неравномерность загрузки узлов системы, т.е. перегрузка одних узлов и простаивание других.

Сравнение подходов к реализации архитектуры логистической системы, организации ее топологии показало, что наиболее эффективным техническим решением на сегодняшний день является централизованно-кольцевая трехзвенная клиент-серверная архитектура. Такая архитектура обладает значительным потенциалом для масштабирования и возможностями гибкой балансировки нагрузок на слой логики системы.

Показано, что применение эффективного механизма балансировки вычислительной нагрузки, позволяющего оперативно изменять параметры и конфигурацию системы, а также перенаправлять информационные потоки между узлами системы, даст возможность добиться увеличения скорости обработки логистических потоков системой и, кроме того, более рационально использовать ее вычислительные ресурсы.

Таким образом, было обосновано, что разработка моделей и алгоритмов управления опережающими логистическими потоками, а так же механизма оперативного прогнозирования вычислительной нагрузки для распределенной системы управления опережающими логистическими потоками является актуальной задачей.

Результатом проведенных в первой главе исследований стали постановка целей и задач диссертации.

Во второй главе описан предложенный алгоритм динамического управления опережающими логистическими потоками.

Предварительным этапом разработки данного алгоритма было формализованное описание системы управления опережающими логистическими потоками, и самих потоков.

Обобщенно система управления опережающими логистическими потоками 5 представляется в виде:

где - поток заявок, поступающих на вход системы 5 от логистической системы; - поток самогенерируемых заявок; РоШ - выходной поток заявок, направленный исполнителю; /,„ - информационный поток от исполнителя; 1ои, - информационный выходной поток, сообщающий о ходе выполнения заявок.

Логистический поток представляется в виде потока заявок, где заявка г - это упорядоченная пара: г = (^Д), элементами которой являются описания условий, налагаемых на свойства того ресурса, на который сделана заявка г, и на сам этот ресурс.

Подмножество/с! характеризует тот конкретный ресурс, на который сделана заявка. Соответственно, X - множество всех возможных типов ресурсов для данной задачи

VI

Подмножество X, Я с Ь характеризует тот конкретный список ограничений-условий, который был отобран для заявки на данный ресурс из полного списка условий Ь.

V/

Каждому условию /, е Ь соответствует некоторый набор ограничиваемых им параметров рь ..., р^,. Декартово произведение множеств возможных значений каждого параметра р, для всех /,■ обозначается как С:

Ответ а/ на заявку г, представляет собой упорядоченную пару: а/ = (%к >ск)> гДе Хк - тип ресурса, определенный в заявке г„ а элемент ск - конкретный сложившийся результат, подмножество в С.

Заявка ^ = [хр^р) считается выполненной полностью, если

л скг\(С\С\Аг)-0.

Заявка /*, = (хрЛр) считается невыполненной, если = 0 V ск п(С\С | А,(л) = 0, где Хнеуд ~ РесУРс> не удовлетворяющий требованию заявки, Хнп - ресурс, удовлетворяющий требованиям заявки не полностью.

Заявка г, считается выполненной частично, если

(Х\%к)<^Хиеуд =0 л ск п(С\С | А„„) = 0 .

При выполнении для заявок условия: X — = ~~ • ■ • = X! Ь = = Ьг = ... = I, С = С^С2=... = С,

. I

допускается их объединение в виде заказа О:

0 = 0,, где г, =(/,.,Я,).

VI

Если для заявок определено взаимно однозначное отображение Х<г>Их сИ, Хвиб^сИ,

то допускается свертка заявки г, = (х^А,) о (и,;{г,, где / - условие

на срок (время) выполнения заявки; q - условие на количество заказываемого ресурса; V - условие на стоимость выполнения заявки, элемент п, есть номер ресурса х> в списке всех видов ресурса N1, ТУ, с ДО, где N = {1; 2;...; п} - множество натуральных чисел.

Разработанный алгоритм динамического управления опережающими логистическими потоками (далее «динамический алгоритм»), схема которого представлена на рисунке 1, позволяет автоматизировать процедуру обоснованного выбора алгоритмов управления {аь а2, ..., а„} из некоторого списка Л, на основе экспертных опытных критериев.

Для определения необходимых операций с заданным ресурсом на текущий момент времени динамический алгоритм использует маркер обработки (М), задающий тип политики по управлению запасами для ресурса данного вида. Для каждого конкретного ресурса маркер обработки может иметь одно из следующих значений: N - ресурс не включен в список на обработку динамическим алгоритмом; Ъ - ресурс включен в список на обработку динамическим алгоритмом; В - «ненужный» ресурс, т.е. неиспользованный и возвращенный потребителем ресурс, имеющий нулевую потребность с момента возврата, и при этом обладавший в момент выдачи маркером обработки, отличным от «В»; О -ресурс с ненулевым количеством в наличии у системы, замененный поставщиком на другой или ставший недоступным для последующего заказа; Р - ресурс с нулевым количеством в наличии у системы, замененный поставщиком на другой или ставший недоступным для последующего заказа.

Основными шагами алгоритма являются:

1. Последовательная выборка из каталога вида ресурса.

2. Получение набора набор данных для выбранного вида ресурса.

3. Проверка маркера обработки.

4. Проверка признака исключения и формирование состава заказа для выбранного вида ресурса.

Работа динамического алгоритма на четвертом шаге состоит из двух основных этапов.

1. Выбирается и определяется алгоритм управления ах из набо-раА={аиа2, ...,а„}.

2. На основе выбранного алгоритма ах выполняется расчет искомого рационального количества ресурса 2, и момента заказа г.

Процедура выбора алгоритма управления состоит из нескольких этапов. В начале определяется группа для обрабатываемого вида ресурса. Для работы динамического алгоритма необходимо предварительное объединение всех видов ресурса из каталога в группы на основе экспертного опыта.

Каждая группа имеет свой набор правил по выбору алгоритма управления в зависимости от индивидуальных свойств ресурса данной группы. Такой набор правил выражается в виде специализированной матрицы отбора 2.

Некоторое принимаемое к рассмотрению свойство ресурса х, и налагаемый на него набор правил /;(1. ,г;) образуют у'-проекцию матрицы 2. Налагаемые на свойства ресурса правила делят_/-ю размерность матрицы 2 на непересекающиеся области (ячейки).

Все проекции матрицы 2 должны различаться относящимися к ним свойствами, хотя при этом правила в наборах у разных проекций могут быть и одинаковыми. Каждая ячейка 2,\_ш матрицы 2 однозначно соответствует правилам /, , ..., 1пт, где берётся из набора в ^

(точнее ячейка соответствует выделяемой этими правилами области в [х^х... хх„], в которой все они выполнены). Помимо этого в ячейке содержатся дополнительные параметры, определяющие то, как будет обрабатываться ресурс, отобранный правилами /, , ..., 1пт (т.е. попавший

в ячейку 2,!...,„). Эти параметры могут определять, например, конкретный применяемый алгоритм и значения его переменных.

Все проекции матрицы 2 должны различаться относящимися к ним свойствами, хотя при этом правила в наборах у разных проекций могут быть и одинаковыми. Каждая ячейка 2,и1„ матрицы 2 однозначно соответствует правилам 1Х , ..., 1пт, где 4Я берётся из набора 4{|... гк)

(точнее ячейка соответствует выделяемой этими правилами области в ... хх„], в которой все они выполнены).

Рис. 1. Обобщённая структура динамического алгоритма

При свёртке заявок все виды ресурсов нумеруются элементами множества М с N, где N - множество натуральных чисел. В зависимости от задачи множество М может быть расширено до множества М : ЛГ э М э М - всех возможных номеров.

Условием целостности матрицы 2 является:

V/,.../,, 3теМ^,..,. ->г = (т-{(,д,у}),

т.е. правила, формирующие ячейки матрицы, принципиально допускают для каждой ячейки существование хотя бы одного номера ресурса, который был бы отобран в эту ячейку.

Условием корректности матрицы 2 при этом будет:

3кх...кп... 3^ <->г = т е М с М: Хк е К,

что фактически означает, что, по крайней мере, для одной ячейки такой ресурс действительно существует.

Если поместить в каждую ячейку 2 указание на алгоритм, с помощью которого будет обрабатываться отобранный в эту ячейку ресурс, то этим будет определено отображение множества номеров ресурсов на множество алгоритмов их обработки.

Ут&М—^{ах,а2,...,а„}.

Если комбинация правил /, ..., 1тптакова, что ей не соответствует ни одна ячейка матрицы или соответствующая ячейка матрицы является пустой - для нее не задан никакой алгоритм из А, то ресурс не включается в список на пополнение и получает маркер обработки «К», иначе маркер обработки меняется на «Ь».

Таким образом, основу динамического алгоритма составляет матрица отбора; общий принцип его работы, как показано выше, сводится к «просеиванию» через матрицу всех видов и свойств ресурса для выбора алгоритма управления. Однако, более рациональным (с позиции достижения качественного результата) представляется применение нескольких иерархически организованных матриц. При этом «просеивание» ресурсов через матрицы позволяет автоматизировать выбор метода управления ресурсом: от обоснованного отбора алгоритма пополнения ах, до принятия некоторого решения на основе изменения параметров ресурса.

Использование иерархии матриц отбора даёт возможность без значительного увеличения вычислительной сложности по ним, и увели-

чения числа свойств х1 значительно разнообразить охватываемое и учитываемое матрицами число вариантов значений параметров алгоритма.

Глава третья посвящена разработке средств оперативного прогнозирования вычислительной нагрузки распределенной системы управления опережающими логистическими потоками.

На рисунке 2 представлена схема взаимодействия распределенной логистической системы с централизованно-кольцевой архитектурой и блока оперативного прогнозирования вычислителной нагрузки.

Формализовано распределенная логистическая система может быть представлена в виде: Б = (.N,/,¿,.£>,£7,/?), где N- множество узлов

распределенной системы; I - множество узлов, реализующих функциональность слоя представления, / е N; Ь - множество узлов, реализующих логику работы системы, Ь е N; I) - множество узлов хранения данных, £>еДГ; С - множество используемых системой аппаратных вычислителей; Я - аппаратные ресурсы системы.

В состав блока прогнозирования вошли модули сбора статистики, прогнозирования и настройки.

Модуль прогнозирования производит рекомендации по изменению количества активных центров обработки информации на основе прогноза нагрузки на систему. Основной задачей модуля сбора статистики является фиксирование изменения нагрузки на протяжении всего периода работы системы с тем, чтобы при помощи модуля настройки администратор системы мог выявить зависимости нагрузки от внешних параметров и задать эффективный способ работы модуля прогнозирования.

На основании сравнительного анализа методов одношагового прогнозирования, с учетом специфики задачи, выявлены преимущества решения данной задачи прогнозирования с помощью нейронных сетей на базе многослойного перцептрона.

Теоретическую основу модуля прогнозирования составляет разработанный алгоритм прогнозирования вычислительной нагрузки распределенной системы управления опережающими логистическими потоками, состоящий из четырех этапов.

I. Выбор набора входных переменных и их масштабирование.

На основе оценки экспертов выделяется набор внешних факторов и внутренних состояний системы, влияющих на прогноз. Производится подготовка данных, учитывающая характер входных данных, и позволяющая при этом не отказываться от абсолютных их значений.

грузки

При подготовке данных производится квантование всего диапазона возможных значений фактора. Все полученные отрезки нумеруются, после чего значения номеров преобразовываются к двоичному виду. После этого производится перекодирование всех значений в соответствии с полученной кодировкой диапазона.

1. Определение входных параметров (xl}...,xN) и выходного параметра R.

2. Определение диапазона изменения значений

/ тт maxу А| ,Л|

, где xjf" < .

mm max ' N "

XN >XN min max

v <r J

3. Определение количества квантов каждого из параметров

II. Формирование сети.

На втором этапе производится бинаризация, т.е. преобразование всех входных и выходных переменных к двоичному виду на основе сформированных экспертом диапазонов изменения их значений и количества квантов. По результатам обработки данных формируется сеть.

1. Бинаризация входных параметров:^. =Вт{г) = [Ь]',...,где с/, -количество разрядов, необходимых для двоичного представления значений параметра /.

2. Бинаризация выходного значения:

Ьл = Вт{Я) = {Ь\,..ХЯ), < = Вт(г) = (с/,1,...,), где - количество разрядов, необходимых для двоичного представления значений выхода.

3. Формирование структуры нейросети.

Количество входов нейросети вычисляется как:

/=2>,> I

а количество выходов, соответственно, как О = с1я.

В процессе настройки параметров нейронной сети число скрытых нейронов может варьироваться с целью увеличения точности прогноза. Порядок количества нейронов скрытого слоя оценивается с помощью теоремы Колмогорова и следствий из нее. В качестве функции активации нейронов используется сигмоида.

III. Обучение.

Для обучения формируется двоичный массив преобразованных значений входного и выходного вектора. Сформированный массив обучающих данных делится на две части - обучающие данные и тестовый набор. Первый набор используется для обучения сети, второй- для оценки качества обученной модели. Обучение сети производится методом обратного распространения ошибки. Если после окончания обучения проверка на тестовом множестве выявляет неудовлетворительное качества, производится переобучение сети. 1. Формирование обучающей выборки:

х1 ^

х =

Xя

2. Квантование:

7,1 • 7°

II

■ Я

3. Бинаризация:

Я

X, -X,

' шах Ш1П

/ Х1 у

, где Л, = —

Ьх=Вт(Рх) =

А1 //> А1 А^ А1 А''"

> у* // ....... /м /и

Ьк=Вт(Ря) =

К......

4. Обучение сети по методу обратного распространения ошибки. IV. Работа сети в режиме прогнозирования . Сети предъявляются значения факторов, при которых необходимо получение величины прогноза. Здесь необходима дебинаризация и преобразование, обратное масштабированию выхода, для нахождения абсолютного числового промежутка значений прогноза.

1. Получение значений входного набора очередной итерации

Х-

2. Квантование: Р = ).

3. Бинаризация: Ъх = Вт{Рх~) = (ь\ ,Ъ\ ,......,Ь\ ).

4 3\ Зг J2 Зи Зы '

4. Вычисление выходного значения: Ък = Вт(Ря) = (ь' ,...,Ъ1>ГК).

5. Преобразование значения к десятичному виду.

6. Регулирование производительной мощности сервера на основе полученного прогноза Л.

7. Переход к следующей итерации.

В режиме прогнозирования также постоянно производится оценка качества прогноза. В случае обнаружения большого количества неточностей в прогнозе производится переобучение сети.

В четвертой главе представлены результаты экспериментальных исследований разработанных в диссертационной работе алгоритмов.

В ходе первого эксперимента проводилось моделирование работы системы управления опережающими логистическими потоками для стандартного метода и для трех различных видов алгоритмов {а0, аь а2} и для автоматического метода в комбинации {аи а2}.

Оценка результатов шла по трём основным целевым критериям:

• процент обслуженных с минимальными затратами заявок;

• объём запаса ресурса (в единицах), возникшего в ходе работы динамического алгоритма и оставшегося в наличии к моменту окончания модельного времени;

• объём потерь (в единицах) как суммарное-накопленное количество запросов потребителей к ресурсам, которые не были выполнены в полном объёме оперативно без обращения к внешней системе.

Численные результаты для первого эксперимента представлены в таблице 1.

Таблица 1 - Результаты первого эксперимента

Режим (алгоритм) Обрабатываемое кол-во ресурсов Макс, кол-во видов ресурсов % обслуж. Размер резерва, ед. Потери, ед. (по видам 1..100)

Стандартный До 100 1000 31,78 4796 7653

а\ 100 1000 48,36 11971 1518

а2 100 1000 25,13 3074 11738

Динамический {аи а2) 1000 1000 56,44 13827 1498

Анализ результатов моделирования показал, что при использовании динамического алгоритма отбора процент обслуженных с минимальными затратами заявок повысился на (8-31)%; при расширении обрабатываемого списка видов ресурса в 10 раз, объем потерь увеличился незначительно.

В ходе второго эксперимента проводилось моделирование работы реальной системы управления опережающими логистическими потоками по упрощенной схеме с целью подтверждения факта эффективности применения механизма прогнозирования в сравнении с моделированием без механизма. Результаты эксперимента представлены в таблице 2 и на рисунке 3.

Таблица 2 - Результаты второго эксперимента

N<1 Описание Среднее Средний Среднее Среднее

кол-во размер оче- кол-во про- время

центров реди ожи- стаи- обработ-

обработ- даю-щих вающих ки запро-

ки заявок центров обработки са

1 Без регулировки 100 135 24 2,78

2 Динами-

ческая ре- 88 26 12 1,26

гули-ровка

По результатам моделирования на основе полного набора данных (все возможные комбинации значений входных переменных) были рассчитаны следующие характеристики:

• среднее время выполнения запроса;

• среднее количество незадействованных центров обработки информации.

Диаграммы на рисунке 3 характеризуют поведение системы при применении традиционного метода управления вычислительной мощностью, а также при внедрении прогнозирующего механизма.

Очевидно, что на фоне некоторого увеличения времени обработки заявок системой при применении алгоритма прогнозирования в сравнении с моделированием на системе с заведомо большим количеством центров обработки информации заметна существенная экономия ресурсов.

200

1 3 5 7 9 11 13 15 17 19 21 23

_Время, час_

—•—Заявок пришло ♦ Заявок обработано

Заявок в очереди после обработки --Кол-во центров обработки_

а

400 -л * 350-§ 300 н 8 250 - о 200 1 9 150 -о 100-, * 50 ] 0 1

X \

/ А.

----------

1 3 5 7 9 11 13 15 17 19 21 23 Время, час

—•— Заявок пришло » Заявок обработано —Заявок в очереди после обработки --Кол-во центров обработки

б

Рис. 3. Экспериментальная проверка работы алгоритма оперативного прогнозирования: а) обработка заявок с использованием механизма про-

гнозирования нагрузки; б) обработка заявок с фиксированным количеством центром обработки информации

Согласно графикам, сохранения минимизации времени обработки можно добиться как применением максимально возможного фиксированного количества центров обработки информации, так и регуляцией их количества. Второй вариант будет востребован в системах с большим количеством разнотипных запросов, где число ресурсов узлов системы всегда меньше требуемого.

Эксперимент показал, что при использовании механизма оперативного прогнозирования вычислительной нагрузки размер очереди входящих заявок сократились в 5,2 раза, а время обработки в 2,2 раза. При этом коэффициент простоя центров обработки информации уменьшился в 2 раза. Таким образом, в ходе экспериментов подтверждена эффективность применения алгоритмов оперативного регулирования вычислительной мощности.

В заключении диссертации сформулированы основные выводы и полученные результаты, поставлены вопросы для дальнейших исследований.

В приложениях приведены фрагменты программной реализации имитационных моделей алгоритма динамического управления опережающими логистическими потоками и алгоритма прогнозирования вычислительной нагрузки, а так же копии актов внедрения результатов диссертационного исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В ходе выполнения диссертационной работы были рассмотрены вопросы организации обработки и прогнозирования информации в распределенных системах управления опережающими логистическими потоками, при этом получены следующие научные и практические результаты:

1. Разработана обобщенная схема автоматизированной распределенной системы управления опережающими логистическими потоками.

2. Предложены алгоритмы динамического управления опережающими логистическими потоками и многокритериальный процесс пополнения на основе иерархических матриц отбора, позволяющий значительно увеличить число анализируемых свойств ресурса без опережающего роста вычислительной сложности алгоритма.

3. Проведен анализ существующих методов прогнозирования вычислительной нагрузки и научно обоснована необходимость использо-

вания многослойного перцептрона, позволяющего в силу своей простоты, эффективности обучения и внутренней параллельности вычислений, получать достоверный прогноз нагрузки при минимальных вычислительных затратах.

4. Разработан алгоритм оперативного прогнозирования, позволяющий регулировать вычислительные мощности центров обработки информации распределенной системы управления опережающими логистическими потоками.

5. Разработаны имитационные модели алгоритмов динамического управления опережающими логистическими потоками и оперативного прогнозирования вычислительной нагрузки.

6. Анализ результатов моделирования показал, что при использовании алгоритма динамического управления процент обслуженных с минимальными затратами заявок повысился на (8-31)%; при расширении обрабатываемого списка видов ресурса в 10 раз, объем потерь увеличился незначительно.

7. Использование предложенного механизма оперативного прогнозирования вычислительной нагрузки на основе нейронных сетей позволяет уменьшить на 50% количество незадействованных центров обработки информации, снижении размера очереди ожидающих заявок, более чем в 5,2 раза и сокращении времени обработки заявок более чем в 2,2 раза.

8. Результаты работы внедрены в учебный процесс кафедры «Информатика и программное обеспечение вычислительных систем» при МИЭТ в лекционных и практических занятиях по дисциплинам «Вычислительные системы и сети», «Проектирование информационных систем», «Автоматизированные информационные системы» и производственную в деятельность ГУП НПЦ «ЭЛВИС».

Основные результаты диссертационной работы представлены в следующих публикациях.

1. Портнов Е.М., Чумаченко П.Ю. Модели динамического управления опережающими логистическими потоками // Оборонный комплекс - научно-техническому прогрессу России. - № 4. 2008.

2. Чумаченко П.Ю. Методика прогнозирования вычислительной нагрузки распределенных систем управления логистическими потоками // Актуальные проблемы современной науки. - № 5. 2008.

3. Баин А.М., Чумаченко П.Ю. Уменьшение размерности прогнозных моделей в базах данных систем поддержки принятия решений // Естественные и технические науки. - № 6. 2007. - С. 216.

4. Гагарина Л.Г., Чумаченко П.Ю. Методика разработки автоматизированных систем с использованием интегрированных инструментальных средств // Оборонный комплекс - научно-техническому прогрессу России. - № 1. 2006. - С. 25-27.

5. Гагарина Л.Г., Чумаченко П.Ю., Баин A.M. Некоторые особенности проектирования систем поддержки принятия решений в предметной области // Оборонный комплекс - научно-техническому прогрессу России. - № 1. 2008. - С. 25-26.

6. Баин A.M., Чумаченко П.Ю. Алгоритм оперативного прогнозирования интенсивности загрузки системы управления опережающими логистическими потоками // Техника и технологии. - № 5. 2008.

7. Гагарина Л.Г., Слюсарь В.В., Маклакова Т.Н., Чумаченко П.Ю. Проблемы обеспечение информационной безопасности VPN-сети в информационном пространстве высшего учебного заведения // Вопросы защиты информации. - № 4. 2005. - С. 23 -26.

8. Чумаченко П.Ю. Нечеткость исходных данных в системах поддержки принятия решений // Актуальные проблемы информатизации. Развитие информационной инфраструктуры, технологий и систем. Всероссийская межвузовская научно-практическая конференция: Материалы конференции. - М.: МИЭТ, 2007. - С. 176.

9. Виснадул Б.Д., Лупин С.А., Сидоров C.B., Чумаченко П.Ю. Основы компьютерных сетей: учеб. пособие / Под ред. Л.Г. Гагариной. М.: ИД «ФОРУМ»: ИНФРА-М, 2007. - 272 с.

10. Чумаченко П.Ю. Алгоритм принятия решений для динамического управления опережающими логистическими потоками // Микроэлектроника и информатика - 2008. 15-я всероссийская межвузовская научно-техническая конференция студентов и аспирантов: Тезисы докладов - М.: МИЭТ, 2008.-С. 183.

11. Баин A.M., Чумаченко П.Ю. Эволюционное программирование как оптимизационный инструментарий в системах поддержки принятии решений // Оборонный комплекс - научно-техническому прогрессу России. -№ 2. 2008. - С. 45-47.

12. Чумаченко П.Ю. Механизм оперативного планирования и управления вычислительной нагрузкой распределенных систем управления логистическими потоками // Аспирант и соискатель. - № 5. 2008.

Подписано в печать: д,

Формат 60x84 1/16. Уч.-изд.л.^ Тираж ¿>0 экз. Заказ Ул

Отпечатано в типографии ИПк МИЭТ.

124498, Москва, г.Зеленоград, проезд4806, д.5, МИЭТ.

\v

Содержание.

Введение.

1. Анализ распределенных систем управления опережающими логистическими потоками.

1.1. Особенности построения логистических систем.

1.2. Классификация информационных логистических потоков.

1.3. Модели управления опережающими логистическими потоками.

1.4. Алгоритмы управления опережающими логистическими потоками.

1.5. Анализ архитектуры и функциональных возможностей распределенных логистических информационных систем.

1.6. Постановка задачи диссертационных исследований.

Выводы.

2. Разработка моделей и алгоритма динамического управления параметрами опережающих логистических потоков.

2.1. Формализация описания системы управления опережающими логистическими потоками.

2.2. Математическое моделирование опережающих логистических потоков заявок.

2.3. Разработка алгоритма динамического управления опережающими логистическими потоками.

2.4. Разработка математической модели для обоснованного автоматизированного выбора пополняющего алгоритма.

Выводы.

3. Анализ и разработка алгоритма оперативного прогнозирования вычислительной нагрузки для распределенной системы управления опережающими логистическими потоками.

3.1. Разработка общей структуры механизма прогнозирования для распределенной системы управления опережающими логистическими потоками.

3.2. Выбор типа нейронной сети для реализации механизма оперативного прогнозирования вычислительной нагрузки.

3.3. Разработка общей методики прогнозирования вычислительной нагрузки на основе нейронных сетей.

3.4. Разработка алгоритма прогнозирования вычислительной нагрузки на основе многослойного перцептрона.

3.5. Реализация механизма мониторинга загруженности сервера на базе алгоритма оперативного прогнозирования вычислительной нагрузки.

Выводы.

4. Имитационное моделирование и результаты экспериментальных исследований алгоритмов прогнозирования и управления опережающими логистическими потоками.

4.1. Разработка имитационной модели динамического алгоритма управления логистическими потоками на базе имитационного я зыка

GPSS.

4.2. Анализ результатов имитационного моделирования динамического алгоритма управления опережающими логистическими потоками.

4.3. Разработка имитационной модели механизма оперативного прогнозирования вычислительной нагрузки системы управления опережающими логистическими потоками.

4.4. Результаты эксперимента по прогнозированию вычислительной нагрузки.

Выводы.

В современных условиях управление материальными потоками предприятий, как правило, осуществляется с использованием компьютерной техники и программного обеспечения, позволяющих значительно улучшить скорость и качество управления и обработки таких потоков. Современное состояние логистики и её развитие во многом сформировалось благодаря бурному развитию и внедрению во все сферы бизнеса информационно-компьютерных технологий.

На современном уровне развития общественного производства стало очевидно, что информация является самостоятельным производственным фактором, потенциальные возможности которого открывают широкие перспективы для укрепления конкурентоспособности.

В настоящее время достаточно актуальной является проблема обеспечения эффективного управления опережающими логистическими потоками, в частности обеспечивающими процесс пополнения запасов материальных или иных ресурсов, а в общем позволяющего оптимизировать складские и транспортные затраты в различных сферах производственной деятельности.

Функционирование используемых для этого систем управления опережающими логистическими потоками основываются, как правило, на применении известных алгоритмов, либо их улучшенных модификаций. Однако подобные алгоритмы, например, "r,Q", EOQ, "с фиксированным размером заказа" и др., не являются в полной мере универсальным средством управления и распределения логистических ресурсов, адаптированным к различным условиям производственной деятельности.

Исследованиям в этой области посвящен ряд работ зарубежных специалистов таких как: Вилсон Р.Х.[38], Бауэрсокс Д.Дж., Клосс Д.Дж.[46], Баллоу Р.Х.[2], Джонсон Дж.С, Вуд Д.Ф, Вордлоу Д.Л, Мерфи-мл. П.Р.[69], а также отечественных ученых: Гордон М.П. [65], Плоткин Б.К. [92, 93], Новиков О.А., Семененко А.И. [89, 102], Сергеев В.И. [104-106], Родников А.Н. [98] и др.

Однако они пригодны в основном для решения частных задач логистики и, как правило, не рассматривают логистистический процесс в качестве компонента единого динамического комплекса.

Выходом из создавшейся ситуации является создаиие универсального селективного механизма, обеспечивающего обоснованный выбор оптимального в каждый момент времени алгоритма управления опережающими логистическими потоками.

Применение такого механизма позволит значительно улучшить качество работы системы управления логистическими потоками, а именно повысить эффективность пополнения и распределения производственных ресурсов, запасов и материалов.

Если говорить об архитектуре подобных систем, то проведенный анализ показал, что значительная часть используемых на сегодняшний момент систем управления логистическими потоками носит распределенный характер. Характерной проблемой для систем с такой архитектурой является неравномерная загрузка распределенных центров обработки информации (ЦОИ), соответствующих их узлам. С одной стороны это приводит к очередям на обработку, а с другой к нерациональному использованию вычислительных ресурсов системы.

Возможным решением данной проблемы является создание механизма балансировки. Такой механизм на основе оперативного планирования и прогнозирования интенсивности вычислительной нагрузки позволит изменять параметры и конфигурацию системы управления логистическими потоками, равномерно распределяя нагрузку между ее узлами. Это позволит уменьшить время обработки логистических заявок, сократить очереди в центрах обработки информации и более рационально использовать их вычислительные ресурсы.

Таким образом, представляется ценным и актуальным разработка моделей и алгоритмов управления опережающими логистическими потоками, а так же механизма оперативного прогнозирования вычислительной нагрузки для распределенной системы управления опережающими логистическими потоками. Что позволит повысить эффективность и надежность планирования, обработки и управления ресурсами и запасами во многих отраслях промышленности, науки и техники.

Целью диссертации является разработка моделей и алгоритмов управления опережающими логистическими потоками, обеспечивающих повышение эффективности и надежности планирования, обработки и управления ресурсами и запасами предприятий во многих отраслях промышленности, науки и техники.

В соответствии с указанной целью в работе решаются следующие задачи:

• анализ архитектуры и функциональных возможностей распределенных логистических систем;

• математическая формализация систем управления опережающими логистическими потоками;

• разработка математической модели обработки опережающих логистических потоков;

• разработка математического аппарата для реализации алгоритма прогнозирования вычислительной нагрузки;

• разработка алгоритма динамического управления опережающими логистическими потоками;

• разработка методики и алгоритма прогнозирования вычислительной нагрузки распределенной системы управления опережающими логистическими потоками на основе аппарата нейронных сетей;

• разработка имитационных моделей алгоритмов динамического управления и прогнозирования;

• экспериментальное исследование предложенных теоретических положений, моделей и алгоритмов.

Методы исследования. Теоретическую и методологическую базу исследования составили системный подход к моделированию сложных систем, ключевые положения кибернетики, общей теории систем. При решении конкретных задач использовались математический аппарат теории графов, теория массового обслуживания, теория нейронных сетей, предикатная алгебра, а также методы имитационного моделирования сложных систем.

Научная новизна работы состоит в создании новых моделей и алгоритмов, обеспечивающих повышенную эффективность управления опережающими логистическими потоками. При этом получены следующие научные результаты:

• исследованы и разработаны новые модели и алгоритмы управления опережающими логистическими потоками, позволяющие уменьшить затраты на обработку логистических потоков;

• предложено решение математической задачи формализованного описания опережающих логистических потоков, основанного на их декомпозиции;

• разработан алгоритм динамического управления опережающими логистическими потоками, обеспечивающий автоматизацию выбора обрабатывающего алгоритма в зависимости от вида логистического ресурса;

• предложена методика прогнозирования вычислительной нагрузки на базе многослойного перцептрона, учитывающая специфику логистических потоков заявок и распределенный характер системы управления логистическими потоками;

• разработан алгоритм прогнозирования вычислительной нагрузки системы управления опережающими логистическими потоками, обеспечивающий оперативное распределение потоков между центрами обработки информации системы и возможность управления их производительностью;

• предложены экспериментальные методики проверки и анализа эффективности алгоритмов динамического управления и прогнозирования вычислительной нагрузки логистической системы;

• предложены и верифицированы имитационные модели алгоритмов; в ходе экспериментальных исследований показаны преимущества их использования в распределенных системах управления опережающими логистическими потоками.

Результаты работы подтверждены свидетельствами об официальной регистрации программы для ЭВМ: № 2007613913 "Программа учета сведений о научно-исследовательских и опытно-конструкторских работах", зарегистрировано в РОСПАТЕНТ 12 сентября 2007 г., заявка № 2007612984.

Практическая ценность работы заключается в создании реальных основ для реализации эффективных механизмов автоматизированного управления опережающими логистическими потоками. Их практическое применение позволит повысить эффективность обработки логистической информации и управления ресурсами, прежде всего выражающуюся в снижении связанных со срочностью поставки расходов без значительного опережающего роста запасов материалов, и рациональной загрузке центров обработки информации распределенной системы управления опережающими логистическими потоками.

Гибкость и универсальность предложенных в работе решений делает возможным их применение в самых различных технологических процессах и производствах, особенно в приборостроении, предприятиях электронной промышленности, торговой и дистрибьюторской деятельности и т.д.

Экспериментальные исследования автора показали, что при использовании алгоритма динамического управления процент обслуженных с минимальными затратами заявок повысился в 1,1-1,3 раза; при применении механизма оперативного прогнозирования вычислительной нагрузки количество незадействованных центров обработки уменьшилось до половины, очередь ожидающих заявок сократилась, более чем в 5,2 раза, время обработки заявок уменьшилось более чем в 2,2 раза.

Достоверность полученных результатов подтверждается результатами имитационного моделирования, доказавшими преимущества предложенных в работе алгоритмов динамического управления опережающими логистическими потоками и прогнозирования вычислительной нагрузки, выразившиеся в снижении затрат на обработку заявок, сокращении очередей заявок в центрах обработки информации и уменьшением времени на их обработку.

Личный вклад автора. Все основные результаты диссертационной работы получены автором лично.

1. Исследование основных возможностей распределенных систем управления опережающими логистическими потоками и подходов к построению таких систем;

2. Разработка математической модели опережающих логистических потоков заявок;

3. Разработка алгоритма динамического управления опережающими логистическими потоками;

4. Разработка алгоритма оперативного прогнозирования вычислительной нагрузки системы управления опережающими логистическими потоками;

5. Создание имитационных моделей разработанных алгоритмов. Реализация и внедрение полученных результатов. Результаты диссертационных исследований используются в:

• учебном процессе МИЭТ кафедры "Информатика и программное обеспечение вычислительных сетей";

• производственной практике ГУП НПЦ "ЭЛВИС" (что позволило увеличить скорость обработки логистических заявок предприятия в 2,3 раза, и дало экономию при их обработке 134000 руб./мес.).

На защиту выносятся следующие основные научные результаты:

1. Анализ состояния проблемы управления логистическими потоками;

2. Формализованное математическое описание системы управления опережающими логистическими потоками.

3. Алгоритм динамического управления опережающими логистическими потоками.

4. Математическая модель обоснованного выбора пополняющих I алгоритмов как часть алгоритма динамического управления опережающими логистическими потоками.

5. Методика и алгоритм прогнозирования вычислительной нагрузки центров обработки информации для распределенной системы управления опережающими логистическими потоками.

6. Имитационные модели алгоритмов динамического управления и прогнозирования для распределенной системы управления опережающими логистическими потоками.

7. Результаты экспериментальных исследований эффективности алгоритмов управления опережающими логистическими потоками.

Апробация работы и публикации. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях:

• XIII международная студенческая школа семинар "Новые информационные технологии 2005" (Судак, Московский государственный институт электроники и математики, 2005);

• XII всероссийская межвузовская научно-техническая конференция студентов и аспирантов "Микроэлектроника и информатика" (Зеленоград, 2005-2008);

• Всероссийская межвузовская научно-практическая конференция "Актуальные проблемы информатизации. Развитие информационной инфраструктуры, технологий и систем" (Зеленоград, 2007).

По результатам исследований опубликовано 16 печатных работ. Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложений. Общий объем диссертационной работы 174 страницы, включая 7 таблиц и 35 рисунков.

8. Результаты работы внедрены в учебный процесс кафедры "Информатика и программное обеспечение вычислительных систем" (МИЭТ) в лекционных и практических занятиях по дисциплинам "Вычислительные системы и сети", "Проектирование информационных систем", "Автоматизированные информационные системы" и производственную в деятельность ГУП НПЦ "ЭЛВИС".

Заключение

В ходе выполнения диссертационных исследований получены следующие основные результаты:

1. Разработана обобщенная схема автоматизированной распределенной системы управления опережающими логистическими потоками.

2. Предложены алгоритмы динамического управления опережающими логистическими потоками и многокритериальный процесс пополнения на основе иерархических матриц отбора, позволяющий значительно увеличить число анализируемых свойств ресурса без опережающего роста вычислительной сложности алгоритма.

3. Проведен анализ существующих методов прогнозирования вычислительной нагрузки и научно обоснована необходимость использования многослойного перцептрона, позволяющего в силу своей простоты, эффективности обучения и внутренней параллельности вычислений, получать достоверный прогноз нагрузки при минимальных вычислительных затратах.

4. Разработан алгоритм оперативного прогнозирования, позволяющий регулировать вычислительные мощности центров обработки информации распределенной системы управления опережающими логистическими потоками.

5. Разработаны имитационные модели алгоритмов динамического управления опережающими логистическими потоками и оперативного прогнозирования вычислительной нагрузки.

6. Анализ результатов моделирования показал, что при использовании алгоритма динамического управления процент обслуженных с минимальными затратами заявок повысился на (8-31)%; при расширении обрабатываемого списка видов ресурса в 10 раз, объем потерь увеличился незначительно.

7. Использование предложенного механизма оперативного прогнозирования вычислительной нагрузки на основе нейронных сетей позволяет уменьшить на 50% количество незадействованных центров обработки информации, снижении размера очереди ожидающих заявок, в 5,2 раза и сокращении времени обработки заявок в 2,2 раза.

1. Arrow К. J., Harris Т. В., Marschak J. Optimal inventory policy 1.I Econometrica, 1951.-Vol. 19.-Pp. 250-272.

2. Ballow R.H. Basic Business Logistics. L., 1987. - 438 p.

3. Bishop С. M. Neural Networks and Pattern Recognition. Oxford: Press, 1995.- 168 p.0.

4. Carpenter G., Grossberg S. ART-2: Self-organization of stable category recognition codes for analog input patterns, 1987.

5. Carpenter G., Grossberg S. Neural dynamics of category learning and recognition: Attention; memory consolidation and amnesia. In Brain Structure, Learning and Memory (AAAS Symposium Series), 1986.

6. Clark A. J., Scarf H. Optimal Policies for a Multi-Echelon Inventory Problem // Management Science, 1960. Vol. 23. - Pp. 475 - 490.

7. Coulouris G., Dollimore J. and Kindberg Т., Distributed Systems: Concepts and Design, 3rd ed., Addison-Wesley Publ., 2001.

8. Hadley G., Whitin Т. M. Analysis of Inventory Systems. -N. J.: Prentice Hall, Englewood Cliffs, 1963.

9. Haines K., Hecht-Nielsen R. A BAM with Increased Information Storage Capacity.// Proceedings of the IEEE International Conference on Neural Networks. -San Diego, 1988.-Vol. 1.-P. 181 190.

10. Harris F. W. Operations and cost // Factory management series. Chicago: A.W.Shaw, 1915.-Pp. 48-52.

11. Hecht-Nielsen R. Counterpropagation Networks. // Proceedings of the IEEE First International Conference on Newral Networks San Diego: 1987. -Vol. 2.-P. 19-32.

12. Hertz J., Krogh A., Palmer R.G. Introduction to the Theory of Neural Computation. London: Addison-Wesley, 1991. - 214 p.0.

13. Horfield J.J., Tank D.W. Computing with Neural Circuits: A model Science, 1986.-№233.-P.625 633.

14. Horfield J. J., Tank D.W. Neural Computation of Decisions in Optimization Problems. // Biological Cybernetics, 1985. -№52. -P.141 152.

15. Kaufman Т., Perry J. Technical Analysis in Commodities. New York: John Wiley & Sons, 1980.

16. Kendalf S.C., Waldo J., Wollrath A., Wyann G., "A Note on Distributed Computing"// November 1994, Интернет-сайт -http://research.sun.com/techrep/1994/abstract29.html

17. Kohonen T. Self-organised Formation of Topologically Correct Feature Maps. //Biological cybernetics, 1982. -№43. P. 127-138.

18. Kohonen T. The "neural" Phonetic Typewriter. // IEEE. Computer, 1988. -№ 3. — P.154.

19. Kohonen T. Self-organization and Associative Memory. New-York: Springer-Verlag, 1989. -P.266. 0.

20. Kosko B. Bi-directional Associative Memories. // IEEE Transactions on Systems. Man and Cybernetics, 1987. Vol. 18, № 1. - P. 49 - 60.

21. Kosko B. Competitive Adaptive Bi-directional Associative Memories. // Proceedings of the IEEE First International Conference on Neural Networks San Diego, 1987. - № 1 - Vol. 2. - P. 759 - 766.0.

22. Lin F.C.H., Keller R. M., "The gradient model load balancing method", //IEEE Trans. Software Eng. Vol.13, Num.1, pp. 32-38.

23. Lippmann R. An Introduction to Computing with Neural Nets // IEEE Acoustics, Speech, and Signal ProcessingMagazine, 1987. -P.4-22.

24. McEliece R.J., Rosner E.G. Rodemich E.R. The Capacity of Hopfield Associative Memory // IEEE Transactions on Information Theory IT-33. New York: Venka-tesh S. S., 1987. -P. 461 -482.0.

25. Metcalfe R.M., David Walden Packet Communication, 1996.

26. Minar N. A Survey of the NTP Network.// MIT Media Lab. Интернет-сайт -http://alumni.media.mit.edu/~nelson/research/ntp-survey99/html, 1999

27. Minar N., Hedlund M.,. Peer-to-Peer: Harnessing the Power of

28. Disruptive Technologies. O'Reilly, 2001 - 448 p.

29. Minsky M. Logical vs. Analogical or Symbolic vs. Connectionist or Neat vs. Scruffy. -San Diego: MIT Press, 1990. -P.225.

30. Passive DNS Replication. Интернет-сайт -http ://www. enyo. de/fw/software/dnslogger

31. Rosling K. The (r,Q) Inventory Model with Lost sales. Vaxjo University Sweden, 2002. - Интернет-сайтhttp://www.fc.vxu.Se/~kaj.rosling@ips.vxu.se/Lost Sales VII.pdf 28 pp.

32. Sklarew A. Techniques of Professional Commodity Chart Analyst. New-York: Commodity Research Bureau, 1980 — 761 p

33. Specht D.F. Probabilistic neural network // Neural Networks, 2000. vol. 3. Pp. 109-118.

34. Stergiou C., Siganos D. Neural Networks: Интернет-сайт -http://www.dse.doc.ic.ac.uk/~nd/surprise96/journal/vol4/csll/report.html

35. Tyworth J. E., Ganeshan R. A note on solution to the <Q,r> inventory model for gamma lead-time demand // International Journal of Physical Distribution & Logistics Management, 2000. Vol. 30, No. 6. - Pp. 534 - 539.

36. Wasserman P.D. Experiments in Translating Chinese Characters Using Backpropagation // Proceedings of the Thirty-Third IEEE Computer Society International Conference. Washington (D.C.): Computer Society Press of the IEEE, 1988.-P. 349-357.

37. Werbos P.J. Backpropagation Through Time: What It Does and How to Do It: Artificial Neural Networks: Concepts and Theory IEEE Computer Society Press, 1992. P.309-319.

38. Widrow B, Lehr M. 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline and Backpropagation // Artificial Neural Networks: Concepts and Theory. Washington (D.C.): IEEE Computer Society Press, 1992. - P. 327-354.0.

39. Wilson R. H. Scientific routine for stock control // Harvard Business

40. Review, 1934. Vol. 13. - Pp. 116 - 128.

41. Айвазян C.A., Бежаева З.И., Староверов O.B. Классификация многомерных наблюдений. М.: Статистика, 1974. - 240 с.

42. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.-755 с.

43. Аникин Б.А., Тяпухин А.П. Коммерческая логистика. М.: Дело, 2005.-432 с.

44. Баин A.M., Лисов О.И., Чумаченко П.Ю. Применение агентного моделирования в системах поддержки принятия решений // Техника и технологии. № 5. 2007. - С. 39.

45. Баин A.M., Чумаченко П.Ю. Алгоритм оперативного прогнозирования интенсивности загрузки системы управления опережающими логистическими потоками // Техника и технологии. № 5. 2008.

46. Баин A.M., Чумаченко П.Ю. Уменьшение размерности прогнозных моделей в базах данных систем поддержки принятия решений // Естественные и технические науки. № 6. 2007. - С. 216.

47. Баин A.M., Чумаченко П.Ю. Эволюционное программирование как оптимизационный инструментарий в системах поддержки принятии решений // Оборонный комплекс — научно-техническому прогрессу России. — № 2. 2008. С. 45-47.

48. Бауэрсокс Д. Дж., Клосс Д.Дж. Логистика: интегрированная цепь поставок. -М.: Олимп-Бизнес, 2006. 640 с.

49. Белый Б. Н., Дербенцев Д. А., Юхименко А. Модели массового обслуживания в торговле. Киев: КТЭИ, 1977. - 60 с.

50. Белый Б. Н., Дербенцев Д. А., Юхименко А. Модели управления товарными запасами. Киев: КТЭИ, 1978. - 50 с.

51. Беспалов Р.С. Транспортная логистика. Новейшие технологии построения эффективной системы доставки. — М.: Вершина, 2007. — 382 с.

52. Бокс Дж, Джеккинс Г. Анализ временных рядов. Прогноз и управление. -М.: Мир, 1974. -406 с.

53. Боровков А.А. Математическая статистика. М.: Наука, 1984. - 219 с.

54. Боровков А.А. Система массового обслуживания. Поток вызов // Математическая энциклопедия. 1-е изд. -М.: Советская энциклопедия, 1982.-Т. З.-С. 541-543.

55. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука. Гл. Ред. Физ.-мат. лит., 1983. - 467 с.

56. Вентцель Е. С. Исследование операций. Задачи, принципы, методология. 2-е стер. изд. - М.: Высш. шк., 2001. - С. 132.

57. Вентцель Е.С. Теория вероятностей. 6-е стер. изд. - М.: Высш. шк., 1999.-С. 421.

58. Виснадул БД., Лупин С.А., Сидоров С.В., Чумаченко П.Ю. Основы компьютерных сетей: учеб. пособие / Под ред. Л.Г. Гагариной. М.: ИД "ФОРУМ": ИНФРА-М, 2007. 272 с.

59. Волков И.К., Зуев С. М., Цветкова Г. М. Случайные процессы. М.: Изд-во МГТУ им. Н.Э.Баумана, 1999. - С. 192.

60. Гагарина Л.Г., Слюсарь В.В., Маклакова Т.Н., Чумаченко П.Ю. Проблемы обеспечение информационной безопасности VPN-сети в информационном пространстве высшего учебного заведения // Вопросы защиты информации. № 4. 2005. - С. 23 -26.

61. Гагарина Л.Г., Чумаченко П.Ю. Методика разработки автоматизированных систем с использованием интегрированных инструментальных средств // Оборонный комплекс научно-техническому прогрессу России. - № 1. 2006. - С. 25-27.

62. Гагарина Л.Г., Чумаченко П.Ю., Баин A.M. Некоторые особенности проектирования систем поддержки принятия решений в предметной области // Оборонный комплекс научно-техническому прогрессу России. - № 1. 2008.-С. 25-26.

63. Гихман И. И., Скороход А. В. Введение в теорию случайных процессов. 2-е перераб. изд. - М.: Наука, 1977. - С. 42.

64. Глушков В.М. Кибернетика: Вопросы теории и практики; АН СССР. -М.: Наука, 1986.-477 с.

65. Головко В.А. Нейронные сети: обучение, организация и применение. М.: Радиотехника, 2001. - 256 с.

66. Горбань А.Н., Россиев Д.А., Коченов Д.А. Применение самообучающихся нейросетевых программ. Красноярск: СПИ, 1994.- 169 с.

67. Гордон М.П, Карнаухов С.Б. Логистика товародвижения. М.: Центр экономики и маркетинга, 2001. -200 с.

68. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981. -302 с.

69. Джеймс Р.С, Дуглас М.Л. Стратегическое управление логистикой / Под ред. В.И. Сергеева. Перевод с 4-го англ. изд. М.: ИНФРА-М, 2005. -797 с.

70. Джеффри Г. Шатт. Управление товарным потоком. Руководство по оптимизации логистических цепочек. Минск: Гревцов Паблишер, 2008. -352 с.

71. Джонсон Дж.С., Вуд Д.Ф., Вордлоу Д.Л. и др. Современная логистика: Перевод с английского. М.: Вильяме, 2005. — 615 с.

72. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. - 224 с.

73. Заенцев И.В. Нейронные сети: основные модели. Воронеж: ВГУ, 1999.- 157 с.

74. Ивахненко А.Г. Перцептроны. Киев: Наукова Думка, 1974. - 179 с.

75. Информационные потоки в логистическипх системах. Интернет-сайт http://inform.alogistica.ru/61/.

76. Инютина К. В. Нормирование производственных запасов сприменением математико-статистических методов. -М.: Статистика, 1969. -112 с.

77. Керимов А.К. Методы анализа и прогнозирования ценовых данных: Технический анализ: Учебное пособие. М: РУДН, 2003 - 107 с.

78. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979. - С. 38-43.

79. Ключко Н. В. О понятии "управление информацией" // Управление информационными потоками / Сборник трудов ИСА РАН. -М.:Едиториал УРСС, 2002.-С. 191.

80. Комашинский В.И, Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая Линия - Телеком, 2002. - 96 с.

81. Кондратов С.В. Логистика в системе управления товарно-материальными потоками промышленного предприятия. Интернет-сайт -http://www.cfm.rU/bandurin/article/sbrn08/l 1 .shtml, 2005.

82. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая Линия - Телеком, 2001. - 382 с.

83. Логистика: Учебник / Под ред. Б.А. Аникина: 2-е изд., перераб. и доп. М.: ИНФРА-М, 2001.-352 с.

84. Маликов О.Б. Деловая логистика. С-Пб.: Политехника, 2003. -224 с.

85. Минский М., Пайперт С. Перцептроны. М.: Мир, 1971. - 328 с.

86. Миротин Л.Б., Некрасов А.Г. Логистика интегрированных цепочек поставок: Учебник. М.: Экзамен, 2003.

87. Михалевич B.C., Волкович В. Л. Вычислительные методы исследования и проектирования сложных систем. М.: Наука, 1982. - 286 с.

88. Михалевич B.C., Каныгин Ю.М., Гриценко В. И. Информатика: Общ. положения. Киев: ИК, 1983. -45 с.

89. Модели и методы теории логистики: Учебное пособие. 2-е издание // под ред. B.C. Лукинского. С-Пб.: Питер, 2007. - 448 с.

90. Мостеллер Ф., Тыоки Дж. Анализ данных и регрессия. М.: Финансы и статистика, 1982. - 239 с.

91. Новиков О.А., Семененко А.И. Производственно-коммерческая логистика. С-Пб.: СПб ГУЭФ, 1995. - 110 с.

92. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. Учебник для ВУЗов. 3-е издание. С-Пб.: Питер,2007. 960 с.

93. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004. - 344 с.

94. Плоткин Б.К. Введение в коммерцию и коммерческую логистику: Учеб. пособие. С-Пб.: СПб УЭФ, 1996. - 171 с.

95. Плоткин Б.К. Управление материальными ресурсами (очерк коммерческой логистики). С-Пб.: ПФЭИ, 1991. - 128 с.

96. Портенко Н. И., Скороход А. В., Шуренков В. М. Марковские процессы // Итоги науки и техн. Соврем, пробл. матем.

97. Фундам.направления. ВИНИТИ, 1989. - Т. 46, - 2. - С. 17-18.

98. Портнов Е.М., Чумаченко П.Ю. Модель динамического управления опережающими логистическими потоками // Оборонный комплекс научно-техническому прогрессу России. - № 4. 2008.

99. Промыслов Б. Д., Жученко И. А. Логистические основы управления материальными и денежными потоками. (Проблемы, поиски, решения). М.: Нефть и газ, 1994.

100. Растригип Л.А. Экстраполяционные методы проектирования и управления. -М.: Машиностроение, 1986. 120 с.

101. Родников А.Н. Логистика: терминологический словарь. 2-е издание, исправленное и дополненное. М.: Инфра-М, 2000. — 352 с.

102. Рудзки Р.Э. Эффективное снабжение. Простые и надежные способы снижения издержек и повышения прибыли. — Минск: Гревцов Паблишер,2008. 304 с.

103. Сакович В. А. Модели управления запасами / Под. ред. М.И. Балашевича. Минск: Наука и техника, 1986. - 318 с.

104. Севастьянов Б.А. Простейший поток. Стационарность // Математическая энциклопедия. 1-е изд. -М.: Советская энциклопедия, 1984.-Т.4.-С. 703.

105. Семененко А.И, Сергеев В.И. Логистика. Основы теории. Учебник для вузов. М.: Союз, 2001. - 544 с.

106. Сербии В.Д. Основы логистики. Учебное пособие. Таганрог: ТРТУ, 2004.

107. Сергеев В.И. Глобальные логистические системы. С-Пб.: Бизнес-Пресс, 2001.-260 с.

108. Сергеев В.И. Корпоративная логистика. 300 ответов на вопросы профессионалов. М.:ИНФРА-М, 2004. - 976 с.

109. Сергеев В.И., Григорьев М.Н., Уваров С.А. Логистика. Информационные системы и технологии. М.: Альфа-Пресс, 2008 - 608 с.

110. Скурихин А.Н. Нейронные сети: определения, концепции, применение. М.: ЦНИИ управления экономики и информатики, 1991. 274 с.

111. Смехов А. А. Математические и сетевые модели грузовых станций. -М.: Транспорт, 1970. 144 с.

112. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. -Воронеж: ВГУ, 1994.-215 с.

113. Таненбаум Э., Стеен М. Распределенные системы. Принципы и парадигмы. — С-Пб.: Питер, 2003. 880 с.

114. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Книга 18. М.: Радиотехника, 2005. - 256 с.

115. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Книга 8: Учебное пособие для вузов. М.:ИПРЖР, 2002. - 480 с.0.

116. Уоссермен Ф. Нейрокомпьютерная техника. — М.: Мир, 1992. 226 с.

117. Уотерс Д. Логистика. Управление цепью поставок: Пер. с англ. М.: ЮНИТИ-ДАНА, 2003. - 503 с.

118. Феллер В. Введение в теорию вероятностей и ее приложения. 2-е стер. изд. - М.: Мир, 1967. - Т. 1. - С. 430.

119. Финков М. В. Пиринговые сети: eDonkey BitTorrent, KaZaA, DirectCon. — M.: Наука и Техника, 2006.

120. Харман Г. Современный факторный анализ. М.: Статистика, 1972. -486 с.

121. Чумаченко П.Ю. Методика прогнозирования вычислительной нагрузки распределенных систем управления логистическими потоками // Актуальные проблемы современной науки. -№ 5. 2008.

122. Чумаченко П.Ю. Механизм оперативного планирования и управления вычислительной нагрузкой распределенных систем управления логистическими потоками // Аспирант и соискатель. № 5. 2008.

123. Чумаченко П.Ю. Проблемы организации сетевого взаимодействия в учебно-методическом комплексе // Оборонный комплекс научно-техническому прогрессу России. - № 3. 2006. - С. 13-16.

124. Ширяев В.И. Модели финансовых рынков. Нейросетевые методы в анализе финансовых рынков: Учебное пособие. М.: КомКнига, 2007. -224 с.

125. Акты внедрения результатов диссертационной работы

126. Государственное унитарное предприятие города Москвы Научно-производственный центр "Электронные вычислительно-информационные системы " (ГУП НПЦ "ЭЛВИС")

127. Адрес: 124460, Москва, Зеленоград, Южная промышленная зона, пр.4922, E-mail: market@elvees.comстроение 21. Web: http://www.elvees.ru1. Тел./факс: (495)913-31-881. УХр^Щфк, «УТВЕРЖДАЮ»

128. Директор ГУП НПЦ «ЭЛВИС» , д.т.н.

129. Й .S/э ,,„.„„.•-.».- I'l'^Tvi 1 1л»!»>рмп""ш,""'"~ 2 | 5ГЗiiU'^ CHClOMI.l" 5/ v'.'j-i,. V/Wi

130. С 1-\'ТТ 1 ! I И ! ----/ Л> L11. Я.Я. Петричкович1. ГУН лт.К-—г SJ—" • |'7-■элппсу^уУ"-- -2008о внедрении результатов диссертационной работы Чумаченко Павла Юрьевичана тему

131. Внедрение указанных средств автоматизации управления логистическими потоками позволило увеличить скорость обработки логистических заявок в 2,3 раза, и дало экономию при их обработке в 134000 руб/мес.

132. Председатель комиссии ^-- Джиган В.И.

133. Члены комиссии: Никольский В.Ф.1. Цветков П.В.1. УТВЕРЖДАЮ

134. Заведующий кафедрой ИПОВС, доктор технических наук, профессор

135. Ученый секретарь кафедры ИПОВС, доктор технических наук1. Л.Г. Гагарина1. Е.М. Портнов

136. Свидетельство о регистрации программы1. Ш€ШЙШАШ #ВД!1РА1ЩШШа Ш§Шййт «ш й ша й ш ш а й ат &ш й й Й 13 й й й Й Й Й1. Е-Г1. СВИДЕТЕЛЬСТВОоб официальной регистрации программы для ЭВМ2007613913. |И(М||иП1)ПГ V .: ^

137. Программа учета сведений о научно-исследовательских и опытно-конструкторских работах1. ЙЙЙЙЙЙ .й ш

138. Й а Й Й Й й й Й й й Й й й й-ОМ..К > \ ' '