автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методы и модели нейро-нечеткого прогнозирования в системе поддержки управленческих решений промышленных предприятий

На правах рукописи

ГУБИН МИХАИЛ ОЛЕГОВИЧ

МЕТОДЫ И МОДЕЛИ НЕЙРО-НЕЧЕТКОГО ПРОГНОЗИРОВАНИЯ В СИСТЕМЕ ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

005014838

Москва - 2011

005014838

Работа выполнена в Московской государственной академии коммунального хозяйства и строительства

Научный руководитель доктор технических наук, профессор

Суэтина Татьяна Александровна

Официальные оппоненты Лауреат премии Правительства РФ,

доктор технических наук, профессор Строганов Виктор Юрьевич

Кандидат технических наук Белянский Денис Владимирович

Ведущая организация: Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АП), г. Москва.

Защита состоится 2 февраля 2012г. в 10.00 на заседании диссертационного совета Д 212.126.05 Московского автомобильно-дорожного государственного технического университета (МАДИ) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.

С диссертацией можно ознакомиться в библиотеке МАДИ.

Текст автореферата размещен на сайте Высшей аттестационной комиссии: www.vak.edu.gov.ru

Автореферат разослан 28 декабря 2011 г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.

Ученый секретарь »

диссертационного совета, ,,, [,'

кандидат технических наук, доцент Михайлова Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

Современные условия развития малого и среднего бизнеса в нашей стране делают особенно важными знания и умения планировать развитие своего собственного предприятия, оценить достигнутые результаты, анализировать и делать соответствующие выводы для принятия правильных управленческих решений на всех этапах производственной деятельности. Одной из основных проблем в задаче анализа и прогнозирования является построение модели, адекватно отражающей динамику финансовой устойчивости, связанной с непосредственной деятельностью предприятия. Для решения задачи прогнозирования в данной работе за основу модели берется гибридная нейро-нечеткая сеть, что достаточно актуально для решения вопроса поддержки управленческой деятельностью в условиях неопределенности. Существует много задач, при решении которых с использованием нейросетевых технологий, встает вопрос о выборе топологии нейро-нечеткой сети. Зачастую ограничиваются вариантом с регулярной топологией, который не является оптимальным с точки зрения используемых информационных ресурсов. Кроме того настройка топологии требует от пользователя достаточно глубокой компетенции в области нейронных сетей. Автоматический выбор оптимальной топологии нейро-нечеткой сети позволил бы существенно упростить эту проблему.

Цель и основные задачи исследования

Целью работы является повышение эффективности работы промышленных предприятий за счет использования нейро-нечетких моделей прогнозирования технико-экономических показателей промышленных предприятий.

Для достижения данной цели в работе решены следующие задачи:

1. Системный анализ моделей прогнозирования временных рядов, методов поддержки управленческих решений и средств интеллектуального анализа данных.

2. Разработка нейро-нечетких моделей прогнозирования технико-экономических показателей развития промышленных предприятий.

3. Разработка системы поддержки принятия решений по анализу финансовой деятельности промышленных предприятий.

4. Разработка методов и моделей экспертного оценивания альтернативных вариантов развития предприятия.

5. Разработка принципов интеграции аналитико-имитационных моделей в систему поддержки управленческой деятельности.

6. Реализация программно-моделирующего комплекса интегрированной системы поддержки принятия решений.

Методы исследования

При разработке формальных моделей компонентов в диссертации использовались методы общей теории систем и классический теоретико-множественный аппарат. При разработке моделей прогноза использовались модели случайных процессов, нейросетевые модели, математическое программирование и имитационное моделирование.

Научная новизна

Научную новизну работы составляют методы и модели нейро-нечеткого прогнозирования в системе поддержки управленческих решений промышленных предприятий.

На защиту выносятся следующие основные научные результаты:

• фрактальная модель предварительной подготовки прогнозных решений;

• модель нейро-нечеткого прогнозирования технико-экономических показателей развития промышленных предприятий;

• нейросетевая модель прогноза финансовой устойчивости;

• методика интеграции аналитико-имитационных моделей в систему поддержки управленческой деятельности.

Обоснованность научных положений, рекомендаций и выводов, изложенных в работе, определена проверкой согласования результатов аналитических моделей с эквивалентными по формализации компонентами имитационной модели. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения в ряде предприятий.

Практическая ценность и реализация результатов работы

Научные результаты, полученные в диссертации, доведены до практического использования. Они представляют непосредственный интерес в области автоматизации прогнозирования финансово-экономических показателей деятельности промышленных предприятий. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде предприятий, а также используются в учебном процессе в Московской государственной академии коммунального хозяйства и строительства и Московском автомобильно-дорожном государственном техническом университете (МАДИ).

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научно-технических конференциях и семинарах (2008-2011 гг.);

• на заседании кафедры «АТПиСП» Московской государственной академии коммунального хозяйства и строительства.

Совокупность научных положений и практических результатов исследований в области создания систем поддержки управленческой

деятельностью представляет актуальное направление в области теоретических и практических методов принятия решений и выбора стратегий управления промышленными предприятиями.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и методик.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность решаемой проблемы, сформулирована цель и задачи исследования, приводится краткое описание содержания глав диссертации.

В первой главе проведен системный анализ методов и моделей поддержки управленческих решений, и прогнозирования временных рядов.

Теоретические вопросы исследования качества и устойчивости производственной деятельности организаций и предприятий, а также моделирования этих процессов освещены в работах Богданова A.A., Блинова О.Ф., Клейнера Г.Б., Короткова Э.М., Краюхина Г.А., Круглова М.И., Ламбена Ж.-Ж, Моисеевой Н.К., Ситнова А.П., Фатхутдинова P.A., Яковца Ю.В. и многих других ученых и специалистов.

Задачи совершенствования промышленных предприятий и управления организационными системами в меняющихся условиях деятельности решаются в работах Андреева В.П., Бездудного Ф.Ф., Брагиной З.В., Дельцовой В.А., Есипова В.П., Когута А.Е., Мазура И.И., Малютиной Е.А., Шапиро В.Д. и других авторов.

Проблемы синтеза «гибких» производственных и управленческих структур исследуются в работах Бичунуса Р., Данилина Г.С., Лапшина Е.И., Раппорта B.C., Соколова В.Г., Углова Ю.К. и других авторов.

Дальнейшее направление исследований в области построения гибридных систем связывается с созданием эволюционных, постоянно развивающихся систем, работающих в режиме on-line и подстраивающихся под конкретную решаемую задачу. Для этого предложены новые модели машинного интеллекта, включающие различные типы нейронных сетей, созданных по модульному и иерархическому принципам, новые нейро-нечеткие и адаптивные системы (рис.1..). Имеется проект многоуровневой постоянно развивающейся эволюционной гибридной системы, в которой на каждом уровне возможна подстройка к решаемой задачи:

- генетический уровень определяет вид и числовые параметры активационной функции НС, порог (bias), способ агрегации входов, число входов;

- нейронный уровень реализует определенную функцию в системе и определяет радиус рецептивной области взаимодействия с другими нейронами;

-ансамбль нейронов характеризуется структурной, способом распространения сигналов по НС, числом слоев и нейронов в каждом

слое, алгоритмом обучения, функцией оценки и интерпретации результатов работы сети;

-уровень многомодульной иерархической структуры определяет число и тип нейросетевых модулей системы, механизмы взаимодействия между отельными модулями и принципы обмена информацией с НЛ для объяснения результатов решений, способ организации блока принятия решений, связь с внешней средой.

Рис. 1. Способы объединения интеллектуальных технологий в гибридной системе

В работе проведен анализ методов прогнозирования временных рядов, а именно, метода скользящих средних, прогнозирования на основе средних показателей динамики (рис.2.), метода экспоненциальных средних, на основе экстраполяции тренда, экспертных методов прогнозирования и ряда других.

В результате были выявлены основные достоинства и недостатки каждого из рассмотренных методов. Так, методы среднего прироста и среднего темпа роста могут быть использованы как приближенные, простейшие способы прогнозирования, предшествующие более глубокому количественному и качественному анализу. Однако, они учитывают лишь конечный и начальный уровни ряда, исключая влияние промежуточных уровней.

Рис. 2.

Метод экспоненциальных средних имеет возможность учета весов исходной информации, однако, появляется необходимость большого количества статистической информации по большому числу параметров. Анализ показал, что метод экстраполяции тренда, является наиболее удобным и простым в использовании прогнозирования тенденции финансовых показателей.

Также, были рассмотрены методы фундаментального и технического анализа. Были выявлены сильные и слабые стороны каждого из подходов. В результате, для прогнозирования тенденции финансовых показателей предложено совместное использование двух методов.

Проведен анализ применимости нейросетевых технологий. Так нейронная сеть (НС) состоит из обрабатывающих элементов (искусственных нейронов), соединенных между собой определенным образом. В многослойной НС нейроны располагаются по слоям. В элементарном случае в такой сети существует входной слой узлов источника, информация от которого передается на выходной слой нейронов, но не наоборот. Сеть такого типа является сетью прямого распространения (рис.3.а).

а) Полносвязная сеть прямого б) Рекуррентная сеть со скрытыми распространения нейронами

Рис. 3.

Рекуррентная НС отличается от сети прямого распространения наличием обратной связи. НС такого типа может состоять из единственного слоя нейронов, каждый из которых направляет свой выходной сигнал на входы всех остальных нейронов слоя. Архитектура данной НС представлена на рис.З.б.

Проведен системный анализ методов и моделей интеграции разнородных приложений и баз данных. Показано, что для обеспечения интеграции данных необходимо выбрать стандартные форматы для данных. Стандартами интеграции являются те форматы, которые поддерживают использование и распространение информации и бизнес данных, т.е. стандарты являются основой для проведения интеграции корпоративных приложений. К ним относятся COM+/DCOM, CORBA, EDI, JavaRMI и XML. В диссертации проведен анализ основных методов интеграции данных: консолидация, федерализация и распространение.

Все приведенные методы и механизмы направлены на поддержку управленческих решений. В основу управляющего процесса в работе кладутся плановые управленческие мероприятия, которые назначаются руководителем для контроля состояния и организации воздействий на управляемый процесс. Наличие такого плана является важным условием для создания предпосылок для более надежного и целенаправленного контроля хода основного процесса. Планирование управленческих мероприятий направлено на обеспечение успешной реализации управляемого процесса в соответствии с требуемыми критериями и осуществляется почти одновременно с разработкой плана управляемого процесса.

В общем виде протекающий во времени t /-й управляемый процесс у (t) описывается переменными его состояния:

величины, характеризующие какие-либо свойства процессов, например, при управлении финансами - уровень инфляции, обменный валютный курс и др.;

г;, - ресурс /-го процесса;

и - управляющее воздействие на /'-й процесс, реализованное

п>-1) _

в течение календарных суток = Ь^,.)-

Совокупность переменных состояния (/-,+1) образует вектор:

V—1 I * У-1 _

где (/ = 1,1) - переменные состояния /'-го процесса;

параметры /-го процесса, представляющие собой

Гш, ß = уМуЛ-'УЛ) •

V0

(2)

описывающий изменения состояния процесса после даты d(v.i) последней корректировки.

Состояние /'-го процесса в каждый момент времени t соответствует определенной точке пространства состояний, образуемого переменными состояний, с координатами в точке t. Совокупность точек, соответствующих некоторой точке

времени с момента последней корректировки процесса, и всем моментам времени образует траекторию движения процесса в

V-!

пространстве состояний.

Во второй главе разработаны методы и модели нейро-нечеткого прогнозирования в рамках системы поддержки управленческих решений.

Реализации практически каждого управляемого процесса предшествует фаза подготовки. Во время подготовки /'-го процесса достижения цели С„ рассматриваются различные возможные ситуации и формируются промежуточные этапные цели с е е.,

определяются управляемые параметры процесса, ограничения на переменные состояния процесса, критерии оценки состояния процесса, создается ресурсное обеспечение процесса, разрабатывается календарный план и т.д. Все результаты проработки сводятся в комплексный план. Поэтому основной задачей, которая решается на фазе подготовки, можно считать разработку комплексного плана процесса с датой начала й, . = ¿1 \

в который входят следующие компоненты:

Ср, - планируемая цель /-го процесса, которая в начале процесса полностью совпадает с целью С,, но затем по мере протекания процесса между Ср! и С,- могут возникать подлежащие устранению отклонения;

Р' - этапная программа с детализацией каждого этапа,

начинающегося во время ;

гр,- - постоянные и/или переменные планируемые ресурсы /'-го процесса;

/?р,-- постоянные и/или переменные параметры /'-го процесса;

Х„ - функция ограничений, накладываемых на ход /'-го процесса;

К-, - постоянный или переменный, как правило, комплексный критерий соответствия фактического /'-го процесса планируемому процессу.

Действия, которые выполняются на фазе подготовки /'-го процесса в работе представляется функцией:

при / = / , где / - начало отсчета

«с.

(3)

которая ставит в соответствие комплексный план Руи (*) (3) /-му процессу.

Комплексный план развития требует реализации механизмов прогнозирования производственной деятельности предприятия. В диссертации предлагается последовательная процедура прогнозирования, включающая:

- предварительный фрактальный анализ;

- формирование структуры нейро-нечеткой сети;

- последующую оптимизацию структуры сети.

Прогнозирование нестабильных и нечетких процессов является

крайне ненадежным и малоэффективным. Поэтому, выявление устойчивости процесса является основным этапом анализа. В диссертации предлагается использование фрактального подхода. Фрактальные временные ряды (ВР) разделяются на:

1. Персистентные-ВР, сохраняющий в среднем тенденцию приращений.

2. Антиперсистентный - ВР, подверженный изменениям.

3. ВР с независимыми приращениями.

По показателю Херста определяется тип ВР:

1. Если показатель Херста Н=0,5, то ВР является случайным и никакой информации в себе не несет.

2. Если показатель Херста 0<Н<0,5, ВР является антиперсистентным. Данный тип развития предстаавляет «возврат к среднему». Т.е. если система демонстрирует рост в предыдущий период, то, скорее всего, в следующем периоде начнется спад тенденции.

3. Если показатель Херста 0,5 < Н < 1, ВР является персистентным. Т.е. если ряд возрастает (убывает) в предыдущий период, то вероятно, он будет сохранять эту тенденцию какое-то время в будущем.

Предложенная в работе методика реализует алгоритм нечёткого вывода Такаги-Сугено в виде пятислойной НС прямого распространения. Входы сети в отдельный слой не выделяются (рис.4.).

Для лингвистической оценки входной лингвистической переменной (ЛП) X, используется 3 терма, для ЛП Х2- 2 терма.

Введём следующие обозначения:^,Х2,...,Хп - входные ЛП; У -выходная ЛП; нечёткое правило:

: ЕСЛИ X, = Аи И...И Х„ = А*. ТО У = сч + + с¥х., (5)

-лингвистическое значение ¡-й ЛП Xi в правиле г = 1,...,«, п-число входов, ] = 1,2,..., А;

-действительные числа в заключение правила О'= 1,2,.., А, <? = 0,1,...,«).

Предложенная сеть функционирует следующим образом.

Слой 1. Каждый нейрон первого слоя представляет один терм с колоколообразной функцией принадлежности (ФП). Входы сети хг,..,хпсоединены только со своими термами (рис.5.).

..................................................,,.................................

Рис. 5. Колоколообразная ФП

Количество нейронов первого слоя равно сумме мощностей терм-множеств входных ЛП. Выходом нейрона является степень принадлежности чёткого значения входной переменной

соответствующему нечёткому терму [I А.. (х,) - е ' , где

параметры ац - рассеяние колоколообразной ФП /лА (х,), т^ - опорная точка ФП, упорядоченные отношением:^. причем т^ > 0.

Параметр ту определяется по следующей формуле тч = (хц'5> +хад5;)/2- где х1°'5;и х2°'5> ' чёткие значения входной ЛП Х|, при которых ФП принимает значение 0,5, причем

х\°,5> < Шц, а х(2°'5> > гПц ■ Параметр с^ определяется как

ан =

(х-т..)

---. Настройка представляет собой нахождение

21п(\хА.(х,))

таких параметров ФП термов входных переменных и весовых коэффициентов правил, которые минимизируют отклонение между желаемым и действительным поведением нечёткого классификатора на обучающей выборке.

Слой 2. Количество нейронов второго слоя равно числу правил к. Каждый узел этого слоя соответствует одному нечёткому правилу. Нейрон второго слоя соединен с теми нейронами первого слоя, которые формируют левую (условную) часть соответствующего правила. Каждый нейрон второго слоя может принимать от 1 до п входных сигналов. Выходом нейрона является степень выполнения правила, которая рассчитывается в виде произведения входных сигналов. Обозначим выходы нейронов этого слоя как а, = ц^.(х■...■ (хп), ] = 1,...,к.

Слой 3. Количество нейронов третьего слоя равно к. Каждый нейрон этого слоя рассчитывает относительную степень выполнения

а,/

нечеткого правила ру- = ук

/ 2>/ / /=1

Слой 4. Количество нейронов четвертого слоя также равно к. Каждый нейрон соединен с одним нейроном третьего слоя, а также со всеми входами сети. Нейрон четвертого слоя рассчитывает вклад

Л

одного нечёткого правила в выход сети Уру(соу + с1ух, +... + сп1хп).

Слой 5. Единственный нейрон этого слоя суммирует вклады

всех правил у = у^ +... + у..

Обычно применяется комбинация алгоритма с обратным распространением ошибки и метода наименьших квадратов. Первый алгоритм настраивает параметры антецедентов правил, т.е. ФП. Методом наименьших квадратов оцениваются коэффициенты заключений правил, так как они линейно связаны с выходом сети. Каждый шаг процедуры настройки выполняется в два этапа. На первом этапе на входы подается один элемент (образ) обучающей выборки и по невязке между желаемым и действительным выходами сети итерационно методом наименьших квадратов находятся оптимальные параметры нейронов четвертого слоя. На втором этапе остаточная невязка передается с выхода сети на входы и на основе алгоритма обучения с обратным распространением ошибки модифицируются параметры ФП первого слоя. При этом найденные на первом этапе коэффициенты заключений правил не изменяются. Итерационная процедура настройки продолжается до тех пор, пока невязка не станет ниже заранее установленного значения. Для

настройки ФП, кроме метода обратного распространения ошибки, в работе предлагается использовать метод Левенберга-Марквардта.

В качестве критерия оптимальности топологии нейро-нечеткой сети обычно рассматриваются два: минимизация ошибки обучения на контрольной группе и минимизация сложности архитектуры нейро-нечеткой сети. Схема непосредственного кодирования архитектуры нейро-нечеткой сети представляет прямое кодирование. Матрица С ~(сц)> размерностью Л/хЛ/, представляет связи нейро-нечеткой сети,

значение Су = 1 определяет наличие связи между /'-м и у-м нейронами, а

Су = 0 - отсутствие связи. Классический вариант непосредственного

кодирования структуры нейро-нечеткой сети имеет очевидный недостаток, заключающийся в стремительном увеличении длины хромосомы при увеличении размеров нейронной сети. Внесение ограничений в данную схему кодирования позволяет значительно сократить длину, в частности:

- рассматриваются только однонаправленные связи, что позволяет учитывать только те элементы матрицы С, которые задают связи данного узла (нейрона) со следующим узлом;

- нейроны одного слоя сети не могут иметь связей друг с другом;

- в случае отсутствия обратных связей у нейро-нечеткой сети можно рассматривать только часть матрицы связей, расположенную справа от главной диагонали.

Разработанная методика прогнозирования была апробирована при решении задачи анализа межрегиональных финансовых потоков (рис.6.).

Показано, что имеется явная цикличность потоков, что приводит к необходимости использования спектрального анализа. В отличие от автокорреляционной функции, которая определяет взаимосвязь объемов перечислений одного потока в разный период, кросскорреляционная функция определяет взаимосвязь объемов различных потоков с различным смещением по времени. В

а) Структура финансовых потоков

б) Временной ряд

Рис. 6.

рассмотренном случае помимо пика в нуле явно наблюдаются согласованность перечислений через каждые 4 дня (рис.7.).

Lag Corr. S.E. г

-15 , 2133 0668

-14 0548 0667

-13 -,116 0665

-12 -161 0664

-11 -1116 0662

-10 , 3416 0661

-9 ,0388 0659

-8 -, 147 0658

-7 -180 0657

-6 -159 0655

-5 , 4651 0654

-4 025 0 652

-3 -,162 0651

-2 -243 0650

-1 0 "i127 , §135 0648 0647

1 -,111 0648

2 -,225 0650

3 -,148 0651

4 , 6 315 0 652

5 4 527 0654

6 -,179 0655

7 -218 0657

8 -,141 0653

9 , 0166 0659

10 , 3258 0661

11 -,053 0662

12 -179 0664

13 -.137 0665

14 , 0844 0667

15 3054 0668

Cross-Correlation Function First '. R1_2_N : =R_01_02/1000 Lagged: R4_2_N : =R_04_02/1000

-1,0

-0,5

0,0

0,5

1,0

Рис. 7. Кросскорреляционная функция финансовых потоков

В третьей главе диссертации реализованы методы и модели нечеткого экспертного оценивания альтернативных вариантов управленческих решений и методика интеграции аналитических моделей в гибридную среду.

При этом процедура принятия решения заключается в генерации возможных альтернатив решений {Л}, их оценке и выборе лучшей («правильной») альтернативы А*. В результате оценки из исходного множества {/4} выделяют подмножество альтернатив, допустимых по качеству {А }, из которого по определенным критериям качества и выбирается лучший вариант. Структурное представление процесса принятия решений, включающего указанные этапы, показано на рис.8.

Принять «правильное» решение - значит, выбрать такую альтернативу из числа возможных, которая с учетом всех разнообразных факторов и противоречивых требований будет в максимальной степени способствовать достижению поставленной цели.

ЛПР Консультант

Рис.8. Структурное представление процесса принятия решения

Каждая из возможных схем реализации управленческих решений имеет свои положительные и отрицательные стороны. Результатом работы по оценке возможности применения этих схем должно стать некоторое общее мнение групп экспертов, учитывающее как плюсы, так и минусы разных подходов.

Математически каждую экспертную оценку в работе предлагается определять лингвистической переменной («ВЬЮОКИЙ», «СРЕДНИЙ», «НИЗКИЙ» и др.), представленной в виде нечеткого числа (НЧ). НЧ есть совокупность пар вида НЧ={ц(х)|х}, где хеА, А - подмножество в, ц(х) - степень принадлежности х множеству Э. Для получения НЧ предлагается использовать метод построения функций принадлежности на основе интервальных и приближенных точечных оценок.

В процессе оценки возможности принимаемого решения эксперты оперируют лингвистическими переменными, такими как «НЕДОСТАТОЧНЫЙ УРОВЕНЬ», «ПРИЕМЛЕМО», «УРОВЕНЬ ВЫШЕ СРЕДНЕГО», «ВЫСОКИЙ УРОВЕНЬ», «ИДЕАЛЬНАЯ СХЕМА» и т.п. Значения лингвистических переменных можно отобразить на универсальную графическую шкалу, например от 0 до 99.

Пусть группа экспертов {да}, а=1..А участвует в подготовке проекта решения. Полученные в результате проведения экспертизы значения обозначим множеством {са}, а=1..А. Т.е. са - значение, выставленное экспертом да. Выбор значения должен производиться в сравнении со значением оценки альтернативного решения. Кроме того, необходимо определить степень уверенности в этой оценке, при построении функции принадлежности чисел, приблизительно равных некоторому числу са, в работе предлагается использование функции:

и (с) = ма +е-а(с°~с)2 -1, (6)

где а зависит от требуемой степени нечеткости ц(са) и определяется

2

из выражения а = -(4/л 0,5^/р , р - расстояние между точками, в которых функция /(х) = е~а(Са~х)2 принимает значение 0,5; \л/а - уровень

квалификации эксперта (степень уверенности в оценке). Степень компетентности экспертов V/ определяется методом парных сравнений. При этом используются оценки, приведенные в табл.1.

Оценка эксперта д| по сравнению по сравнению с экспертом д], обозначается через Ц. Для обеспечения согласованности принимается Ьу=1 /Ц. Оценки Ц оставляют матрицу суждений В=||Щ|.

Задача состоит в том, чтобы найти м=(щ.....\л/А) - собственный вектор

матрицы В, решая уравнение В\лг=Ам, где X - собственное значение

А

матрицы. В процессе решения необходимо учесть

а=1

Вычисленные значения, составляющие собственный вектор уу, принимаются в качестве степени компетентности экспертов и, соответственно, степени уверенности в оценке.

Таблица 1. Шкала определения матрицы суждений_

Оценка важности Качественная оценка Примечание

1 Одинаковая значимость Одинаковая значимость. По данному критерию альтернативы имеют одинаковый ранг

3 Слабое превосходство Слабое превосходство. Соображения о предпочтении одной альтернативы относительно другой малоубедительны

5 Сильное превосходство Сильное превосходство. Имеются надежные доказательства существенного превосходства одной альтернативы

7 Очевидное превосходство Очевидное превосходство. Существуют убедительные свидетельства в пользу одной альтернативы

9 Абсолютное превосходство Абсолютное превосходство. Свидетельство в пользу предпочтения одной альтернативы перед другой в высшей степени убедительно

2,4,6,8 Промежуточные значения между соседними оценками Используется, когда необходим компромисс

Определив с помощью метода парных сравнений собственный

вектор му^Ш!.....\л/|.....далее предлагается усилить общий вес

оценки ¡-группы за счет использования функции принадлежности

В работе предполагается, что функция принадлежности

^ мм

прообраза Ас X нечеткого множества ВсУ при нечетком отображении ф ; X ->• У описывается выражением:

'"/ Ит/У)>х е

А

В

О

1, хєХ/Х

Рассмотрим нечеткое отображение <р: Л* -> У. Пусть необходимо найти прообраз нечеткого множества ВсУ, функция принадлежности которого изображена на рис.9.

Для заданных ф и В построено множество N (оно изображено черным цветом). Для двух точек, х-1, х2 на оси У изображены множества N , N - «вертикальные срезы» множества N в этих

точках. Множество У0 совпадает с множеством X, так как для любой точки хе X множество Л/х не пусто. Следовательно, для вычисления значения функции принадлежности прообраза в заданной точке хе X необходимо найти минимальное значение Ц|(у) на множестве Л/*..

Так, например, = Цд(х2) = 0, поскольку соответствующие

множества N и N включают точки, в которых ¡л~(-) = 0. Следует

отметить, что хотя прообраз не пуст, но его образ не совпадает с исходным множеством В, так как отображение ф «слишком нечеткое» для того, чтобы обеспечить острый пик функции принадлежности множества в.

Рис. 9. Прообраз нечеткого множества при нечетком отображении

.V

Нечетким отношением безразличия, соответствующим нечеткому отношению предпочтения (НОП) R, является нечеткое бинарное отношение R1 = ({лгхЛГ)(яил~,))и(йПЯ~1). Функция принадлежности нечеткого отношения безразличия может быть представлена следующим образом:

^ (х,у) = max[min\1 - ц~(х,у); 1 - ix-(у,х)|-тЦц~(х,у);[х~(у,x)J| (8)

Далее полагаем, что действие у*е А строго четко недоминируемо, если для любого другого действия уф у* выполнено условие:

(9)

Остальные четко недоминируемые действия будем называть нестрого четко недоминируемыми. На плоскости (y,z) (рис.10.) серым цветом выделено множество достоверно достижимых результатов, где n„(y,z) = 1; сплошной жирной линией изображена функция zL(y,x),

а пунктирной - Zrt(y*,x). Видно, что действие у* в данном случае не будет четко недоминируемым, так как для действия у" неравенство Wy*,x)-4(y,x) не выполнено. Множество Р(х) четко недоминируемых действий показано отрезком на оси действий у, при этом концы этого отрезка будут нестрого четко недоминируемыми.

Далее строится функция штрафов так, чтобы некоторое действие у*е А было четко недоминируемым. Функция штрафов неотрицательна и ограничена сверху константой С. Тогда для любой функции штрафов 4(у,х) = т/п[/7(г)- %(?)] ^ - С

и^(у,х) = таф(г)- хОО]< тахЛ(г). Обозначим /?Ду):= т!п Ь{г),

геО(у) ге(3(у) геО(у)

Лн(у) := тахЬ(г) - соответственно минимальное и максимальное

геО(у)

значение функции дохода на множестве <Э(у) достоверно реализуемых результатов, тогда вышеприведенные неравенства можно записать в следующем виде: для любой функции штрафов х(г) и любого действия уе А выполнено ^(у,х)>Ь1_(у)-С и /н(у,у)<И1 (у).

В результате, ЛПР должен побуждать исполнителя к выбору действия у*еР с максимальной степенью принадлежности нечеткому множеству цг4. Для этого, ЛПР может использовать

Яц

квазикомпенсаторную функцию штрафов выбирая план

г*е<3(у*) так, чтобы выполнялось равенство /7(2*)= тах.^г). Таким

образом, найдено действие, выбора которого хочет и может добиться ЛПР от исполнителя

На основе предложенной методики оценки эффективности альтернатив в работе решается задача формирования управленческих решений как результат реализации множества процессов управленческих мероприятий. При этом используются следующие формальные компоненты модельной составляющей:

• управляемые процессы Уш = 1,/) - I процессов,

протекающих одновременно и находящихся под контролем и под управлением руководителя, среди которых имеются как независимые, так и зависимые друг от друга процессы;

• планы управляемых процессов Р (/){( = /,/)

' (»-О

детализированные до уровня календарного плана на текущем этапе и на предыдущих этапах программы;

• планы управленческих мероприятий Рт/(/' = 1,/) процессов -детализированные с учетом календарных планов и состояний управляемых процессов;

• анализ состояния управляемых процессов, программа, реализующая функции:

А : <Ру^.к^ еД/ = V) (10)

каждая, из которых ставит в соответствие на момент (/ состояния Уд, процесса, Ру/, плана и критерия /с,у оценке е,у, а также в случае

необходимости формирующая интегральную оценку состояния всех процессов:

в--Ркс/]->Е/ (Ц)

в зависимости от оценки состояний всех управляемых процессов и содержания обобщенной цели Су которая формируется с учетом целей процессов Су, имеющих место в I, время:

Г :уЫ->Су (12)

• сводный план управленческих мероприятий

Рт =иРтИ(у.1) (13)

который формируется в результате объединения планов управленческих мероприятий /-х процессов;

• план-сценарий управленческих мероприятий Ртт, представляющий собой часть сводного плана (13), которая относится к периоду т, т.е.

(14)

• план-диспетчер управленческих мероприятий Р к , который

является расписанием на дату б, выполнения мероприятий и формируется в результате выделения из плана-сценария Ртг запланированных на дату с1у мероприятий:

(15)

и разнесения этих мероприятий по времени (к=1,2,...)

д

Н: т,

Р -г

тЫ >и

Р

(16)

• системный ресурс К (людские и материальные ресурсы, финансы, свободные производственные мощности и т.д.), представляющий собой резерв, который может быть использован при корректировки /'-х процессов;

• процесс реализации управленческих мероприятий - действия руководителя, протекающие преимущественно в рамках установленных форм (допускаются и свободные по форме) и направленные на выполнение функций оперативного управления, а также других функций, относящихся к его компетенции, ориентирующиеся в каждый момент времени ^ на выполнение

соответствующего запланированного мероприятия:

(17)

в результате которого либо оценивается состояние /-го процесса (10) и образуется интегральная оценка состояния всех процессов (11), либо формируется управляющее воздействие, либо корректируется управляемый процесс, либо корректируется план управляемого процесса, либо корректируется план управленческих мероприятий по

формированию проекта развития, либо осуществляется какая-то дополнительная процедура.

В четвертой главе диссертации рассматриваются вопросы программной реализации системы.

Инструментальные средства гибридной среды позволяют формировать алгоритмическую структуру программных приложений за счет задания переходов между приложениями по условиям его завершения с использованием стандартизованного интерфейса, что и создает пользовательский сценарий. Все механизмы направлены на оперативное создание методик, имея типовой, отработанный набор универсальных приложений. Кроме механизмов создания сценариев предлагается модель структуризации сценариев, которая позволяет реализовать синхронизацию приложений.

Элементарное приложение является гибким средством расширения возможностей инвариантной составляющей системы. Помимо реализации дополнительных алгоритмов исполняемые фрагменты позволяют организовать: работу с внешними файлами, обмен данными по сети, запуск внешних приложений, взаимодействие с внешними приложениями (обмен данными, использование сервисов) посредством ОЬЕ-автоматизации или других технологий и другие возможности, т.е. позволяют расширять возможности проигрывателя, как на системном, так и на прикладном уровне.

с п> I MatLab in (Л 0.

со О

' Программные

Modi ) I Mod2 )----( Mod3

Расчетные алгоритмы

Рис. 11. Интегрированная структура сценария методики прогнозирования

В основе программного конструирования такой структуры приложений лежит формализованное описание элементарного приложения. В общем случае сценарий представляет собой совокупность элементарных приложений (фрагментов) с заданием

алгоритмической структуры и развязки по данным. Фрагмент имеет структуру:

Р/ = а, с/„ а„ сг„ П, Рд, (18)

где - тип фрагмента (информационный, расчетный, выбор и т.п.); б) - уровень сложности; а1 - уровень доступа к фрагменту; сг, -операция сравнения уровня доступа пользователя и уровня доступа фрагмента <, й, =, >), в/ - время принудительного окончания предъявления; г( - подмножество признаков, связанных с данным фрагментом, р,- - параметризация при активации, а;с {гр, гп, гь, г„ гЛ г/, Го/, где гр — признак запрета перехода от данного фрагмента к предыдущему в последовательности; г„ — признак запрета перехода от данного фрагмента к следующему в последовательности; гь — признак запрета отката на один шаг назад по треку предъявления фрагментов; г; — признак запрета возможности произвольного доступа к данному фрагменту; г5 — признак запрета приостановки предъявления фрагмента; г( — признак запрета отображения названия фрагмента; г0 — признак запрета возможности перехода от данного фрагмента к другому произвольному фрагменту.

На основе гибридной нейро-нечеткой системы прогнозирования финансовых временных рядов разработана подсистема, предназначенная для реализации трех подходов к анализу и прогнозированию финансовых показателей на рынках капитала: технического, фундаментального и нейросетевого. В данной программной системе реализованы статистические методы анализа финансовых отчетностей. Для неё разработан свой пользовательский интерфейс, позволяющий взаимодействовать с пакетом апАэесМ без использования инженерной среды МаИаЬ, что значительно повышает производительность прогнозирования в целом. На рис.12, представлена структурно-функциональная схема.

АИС

Рис. 12. Структурно-функциональная схема АИС

Технический анализ осуществляет анализ и прогнозирование временного ряда на основе различных моделей графиков, формируемых в процессе торговой сессии.

Фундаментальный анализ осуществляет анализ, используя традиционные (линейные) методы анализа финансовых отчетностей компаний.

Нейросетевой анализ осуществляет прогноз на основе нейро-нечёткой системы ANFIS и проектирование нечёткой логики.

В качестве апробации определен показатель Херста для временного ряда курса акций предприятия. Имеются значения цены закрытия в период с 30.09.2011 по 30.10.2011 (Табл.2.).

Следующим этапом определяется отклонение за число периодов

_ N

N=22 Е = £(х1 -хср), где х¡-текущее значение ВР, хср- среднее

/=1

значение х, за N периодов. Отклонение для рассматриваемого ВР Е = 0,24, максимальное значение Етах = 51,65, минимальное значение Еш/п=-43,2. Определяем размах отклонения R = Етах -Emin. В данном случае R=94,85.

Таблица 2. _Значения цены закрытия курса акций_

№ Дата Значение № Дата Значение

1 30.09.2011 178.20 12 16.10.2011 105.57

2 01.10.2011 180.11 13 17.10.2011 103.35

3 02.10.2011 179.81 14 20.10.2011 109.50

4 03.10.2011 181.45 15 21.10.2011 117.47

5 06.10.2011 178.90 16 22.10.2011 110.00

6 07.10.2011 139.75 17 23.10.2011 103.00

7 08.10.2011 116.90 18 24.10.2011 86.60

8 09.10.2011 128.50 19 28.10.2011 92.00

9 13.10.2011 117.18 20 29.10.2011 110.05

10 14.10.2011 132.91 21 30.10.2011 129.99

11 15.10.2011 122.00 22 31.10.2011 133.50

Следующим этапом рассчитывается среднее квадратичное отклонение - 5=29,9. Следующим шагом рассчитывается показатель

I Я /л —

о

Херста Н =--—, где /?-размах отклонения, 5-среднее

1п(а Ы)

квадратичное отклонение, а - константа, Л/-число периодов. Получив значение показателя Херста Н=0,44, можно сделать вывод о том, что данный ВР является фрактальным, а точнее антиперсистентным. Таким образом, ВР подходит в качестве обучающей последовательности.

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы.

Публикации. По результатам выполненных исследований опубликовано 10 печатных работ.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен системный анализ методов и моделей поддержки управленческих решений, направленный на формирование гибридной инструментальной среды нейро-нечеткого прогнозирования.

2. Проведен анализ методов прогнозирования временных рядов, а именно, метода скользящих средних, прогнозирование на основе средних показателей динамики и др. В процессе анализа статистических методов были сформированы классификационные признаки основных экономических прогнозов.

3. Разработана процессно-ориентированная модель управленческой деятельности. При этом в основу управляющего процесса в работе кладутся плановые управленческие мероприятия, которые назначаются руководителем для контроля состояния и организации воздействий на управляемый процесс.

4. Предложена последовательная процедура прогнозирования, включающая: предварительный фрактальный анализ; формирование структуры нейро-нечеткой сети; последующую оптимизацию структуры сети.

5. Разработана методика оценки вариантов управленческих решений на основе экспертных оценок попарного сравнения альтернатив в виде лингвистических переменных.

6. На основе предложенной методики формирования стратегии развития предприятия в работе поставлена и решена задача формирования управленческих решений как результат реализации множества процессов управленческих мероприятий.

7. Выполнена параметризация исполняемых приложений нейро-нечеткого прогнозирования на основании разработки универсального описания компонентов системы с использованием принципа «вход-выход-параметризация» .

8. Выполнена программная реализация методов и моделей нейро-нечеткого прогнозирования, которые внедрены в ряде промышленных предприятий, а также используются в учебном процессе МГАКХиС и МАДИ.

ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

ИЗ ПЕРЕЧНЯ ВАК

1. Губин М.О. Гибридная (продукционная) нейро-нечеткая сеть прогнозирования финансовых временных рядов. Диалоговая система «Надежда» / Губин М.О., Свиридов А.П. //журнал Нейрокомпьютеры: разработка, применение №4 2011. -с. 74-79.

2. Губин М.О. Прогнозирование фрактальных финансовых временных рядов гибридной нейро-нечеткой системой / Губин М.О.

//Информационные системы и технологии №3 (65) май-июнь 2011. -с. 39-45.

В ДРУГИХ ИЗДАТЕЛЬСТВАХ

3. Губин М.О. Нечеткая параметризация технологического графа в моделях организационных структур / Москвичев Е.С., Тимофеев П.А. Суэтина Т.А. // Автоматизация управления в организационных системах: Межвузовский сб. науч. тр. Техполитграфцентр,- М., 2008 . -С. 35 - 42.

4. Губин М.О. Гибридная продукционная нейро-нечеткая система ANFIS для прогнозирования временных рядов/ Губин М.О., Свиридов А.П. //Программное обеспечение вычислительных и автоматизированных систем: Сборник научных статей. Выпуск 2.-М. Изд-во РГСУ, 2009г. - с.23-29.

5. Губин М.О. Адаптивные нейро-нечёткие продукционные системы прогнозирования финансовых временных рядов/ Губин М.О., Свиридов А.П. //Новые информационные технологии: Сборник трудов XIII Всероссийской научно-технической конференции (Москва 19 апреля 2010г.)/ Под ред. С.Г. Журавлева, А.Г. Шмелевой,- М..МГУПИ-2010-166с.-с. 30-33.

6. Губин М.О. Анализ основных методов прогнозирования финансовых временных рядов/ Губин М.О., Свиридов А.П. //Десятые ежегодные научные чтения. Сборник статей. М.: РГСУ.-2010.

7. Губин М.О. Научные подходы в управлении сложными системами / Якунин П.С., Москвичев Е.С., Губин М.О., Никитин М.М. // Модели и методы управления сложными техническими системами: сб. науч. тр. МАДИ . МАДИ .- М., 2010 . - С. 4 - 9.

8. Губин М.О. Аналитический обзор методов и моделей синтеза организационных структур сложных систем управления / Губин М.О., Власов А.Б., Свободин В.Ю., Чугунова Д.Н. // Модели и методы управления сложными техническими системами: сб. науч. тр. МАДИ . МАДИ .- М., 2010 . - С. 49-56.

9. Губин М.О. Оптимизация принятых решений на основе синтеза алгоритмов анализа нечетких ситуационных сетей / Кудрявцев А.Ю., Губин М.О., Рачковская В.М., Измайлова М.В., Чугунова Д.Н. // Модели и методы управления сложными техническими системами: сб. науч. тр. МАДИ . МАДИ .- М„ 2010 . - С. 86 - 90.

10. Губин М.О. Ситуационные модели в системах поддержки управленческой деятельности / Суэтина Т.А., Москвичев Е.С., Катырин С.Н., Белоус В.В. // Автоматизация систем поддержки управленческой деятельностью: сб. науч. тр. МАДИ. - М., 2011 . - С. 28 -32.

Подписано в печать 26 декабря 2011г. Формат 60x84x16 Усл.печ.л. Тираж 100 экз. Заказ №56 ТЕХПОЛИГРАФЦЕНТР Россия, 125319, г.Москва, ул. Усиевича, д.8а. Тел.:8-916-191-08-51 Тел./факс (499) 152-17-71 E-mail: 7tpc7@mail.ru

ВВЕДЕНИЕ.

1. АНАЛИЗ СИСТЕМНЫЙ АНАЛИЗ МОДЕЛЕЙ ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ И НЕЙРО-НЕЧЕТКИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ.

1.1. Методы анализа и оптимизации управленческих решений.

1.2. Гибридные системы и их классификации.

1.3. Статистические методы прогнозирования временных рядов.

1.4. Прогнозирование финансовых временных рядов методом технического анализа.

1.5. Сравнительный анализ методов прогнозирования.

1.6. Нечёткие продукционные модели.

1.7. Нейронные сети.

1.8. Принципы формирование управленческих решений по выбору стратегии развития промышленных предприятий.

1.9. Анализ нейро и нейро-нечетких систем прогнозирования-.

1.10. Системный анализ проблем интеграции данных и приложений.

Выводы по главе 1.:.

2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ.

2.1. Разработка принципов формирования системы поддержки управленческой деятельностью на основе процессного описания.

2.2. Нечеткая параметризация моделей формирования управленческих решений.

2.2.1. Задача оптимизации при нечетких ограничениях.

2.2.2. Прообраз нечеткого множества при нечетком отображении.

2.2.3. Нечеткие отношения предпочтения.'.

2.2.4. Множество недоменируемых альтернатив.

2.3. Оценка эффективности нейронных и нейро-нечетких продукционных сетей в задаче прогнозирования.

2.4. Алгоритм прогнозирования на основе гибридной нейро-нечеткой системы. анализа.

2.4.2. Оптимизация топологии нейро-нечеткой сети Выводы по главе 2.

3. МЕТОДЫ И МЕХАНИЗМЫ ФОРМИРОВАНИЯ СЦЕНАРИЯ ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ АЛГОРИТМОВ НЕЙРО-НЕЧЕТКОГО ПРОГНОЗИРОВАНИЯ.

3:1. Нечеткий метод оценки схемы выбора альтернативных решений

3.2. Построение оптимальной:функции*штрафов.

3.3: Формализация системыподготовки управленческих решенийнаоснове нечетких оценок стратегий развития.

3.4. Схемы описаний элементарного приложения, структуры и сценария поддержки управленческих решений;.129 "

Выводы по главе 3:. 136:

4. РАЗРАБОТКА ПРОГРАММНЫХ КОМПОНЕНТОВ И АПРОБАЦИЯ СИСТЕМЬГНЕЙРО-НЕЧТКОГО ПРОГНОЗИРОВАНИЯ.

4.1. Реализация алгоритмов нейро-нечеткого прогнозирования.

4.2. Асйуе-Х компоненты интерфейсного взаимодействия;. 145

4.3. Функциональное назначение и область применения программы.

Выводыпоглаве4'.;.;.153'

Современные условия развития малого и среднего бизнеса в нашей стране делают особенно важными знания и умения спланировать развитие своего собственного предприятия, оценить достигнутые результаты в сравнении с первоначальным планом, проанализировать и сделать соответствующие выводы для принятия правильных управленческих решений на всех этапах производственной деятельности. Одной из основных проблем в задаче анализа и прогнозирования является построение модели, адекватно \ отражающей динамику финансовых временных рядов, связанных с непосредственной деятельность предприятия. Рыночный механизм, характеризующийся огромным количеством постоянно меняющихся связей, зависит от множества внешних факторов, способных существенно повлиять на всю структуру его зависимостей, причем воздействие может оказаться разнообразным.

Существует много задач, при решении которых с использованием нейросетевых технологий, встает вопрос о выборе топологии нейро-нечеткой сети. Зачастую ограничиваются вариантом с регулярной топологией, который не является оптимальным с точки зрения используемых ресурсов, компьютера. Кроме этого настройка топологии требует от пользователя достаточно глубокой компетенции в области нейронных сетей. Автоматический выбор оптимальной * топологии нейро-нечеткой сети позволил бы существенно упростить эту проблему.

Для решения задачи прогнозирования в данной работе за основу модели берется гибридная нейро-нечеткая сеть, что достаточно актуально.

Целью работы является повышение эффективности работы промышленных предприятий за счет использования нейро-нечетких моделей прогнозирования технико-экономических показателей промышленных предприятий.

Для достижения данной цели в работе решены следующие задачи:

1. Системный анализ моделей прогнозирования финансовых временных рядов, методов поддержки управленческих решений и средств интеллектуального анализа данных;

2. Разработка нейро-нечетких моделей прогнозирования технико-экономических показателей,развития промышленных предприятий.

3. Разработка общей структуры системы поддержки принятия решений по анализу финансовой деятельности промышленных предприятий.

4. Разработка сценария5 системы поддержки принятия решений по анализу финансовой деятельности.

5. Разработка моделей информационного обмена в системе поддержки управленческих решений.

6. Разработка принципов интеграции аналитико-имитационных моделей в системе поддержки управленческих решений.

7. Реализация программно-моделирующего комплекса распределенной информационной системы мониторинга.

Научную новизну работы составляют методы и модели прогнозирования финансовых показателей в системе поддержки управленческих решений промышленных предприятий.

На защиту выносятся следующие основные научные результаты:

• фрактальная модель предварительной подготовки прогнозных решений;

• нейросетевая модель прогноза финансовых показателей;

• методика интеграции программных приложений анализа;

• программно-моделирующий комплекс системы мониторинга показателей эффективности реализации.

Диссертация состоит из четырех глав, в которых приводится решение поставленных задач.

Во введении показана актуальность решаемой проблемы, сформулирована цель и задачи исследования, приводится краткое описание содержания глав диссертации.

В первой главе проведен системный анализ методов и моделей поддержки управленческих решений, и прогнозирования временных рядов. Нечеткое моделирование не является альтернативой различным подходам к моделированию сложных систем и процессов, а, прежде всего, предоставляет эффективные методы и средства для их изучения в следующих основных сферах применения. В нечёткой логике для получения решения используются нечёткие базы правил и нечёткий вывод. Нечеткие правила могут оперировать неопределенными, искаженными и противоречивыми данными и знаниями, полученными из различных источников или на основе анализа экспериментальных данных, из опыта многих исследователей, работающих в конкретной прикладной области. Основная цель использования нечеткой логики — это моделирование аспектов человеческого мышления. Нечеткая модель более приближена к человеческому опыту принятия решений, но бывает менее точная, чем экспертная система. Проведен анализ методов прогнозирования временных рядов, а именно, метода скользящих средних, прогнозирование на основе средних показателей динамики, метода экспоненциальных средних, на основе экстраполяции тренда, экспертных методов прогнозирования и ряда других.

Во второй главе разработаны методы и модели нейро-нечеткого прогнозирования- в рамках системы поддержки управленческих решений. Реализации практически каждого управляемого процесса предшествует фаза подготовки. Во время подготовки /-го процесса достижения цели рассматриваются различные, возможные ситуации и формируются промежуточные этапные цели, определяются управляемые параметры процесса, ограничения на переменные состояния процесса, критерии оценки состояния процесса, создается ресурсное обеспечение процесса, разрабатывается календарный план процесса и т.д. Все результаты, проработки сводятся в комплексный' план. Поэтому основной задачей, которая решается на фазе подготовки, можно считать разработку комплексного плана процесса с датой начала.

При этом комплексный план развития требует реализации механизмов прогнозирования финансового состояния предприятия. В диссертации предлагается последовательная процедура прогнозирования, включающая: предварительный фрактальный анализ; формирование структуры нейро-нечеткой сети; последующую оптимизацию структуры сети.

В третьей главе диссертации разрабатывается формальные модели и методы интеграции приложений с целью создания единой базы данных, методов, моделей и методик в виде отдельных компонентов, согласованных по интерфейсным связям и параметрам, с возможностью формирования их алгоритмической структуры.

Для разработки эффективной и адекватной системы обеспечения эффективности необходимо провести анализ риска, определить необходимые затраты. Для проведения такого анализа необходимо классифицировать текущее состояние. Каждая из возможных схем реализации требований имеет свои положительные и отрицательные стороны. Результатом работы по оценке возможности применения этих схем должно стать некоторое общее мнение групп экспертов, учитывающее как плюсы, так и минусы разных подходов.

На основе предложенной методики формирования стратегии развития предприятия в работе решается задача формирования управленческих решений как результат реализации множества процессов управленческих мероприятий.

В четвертой главе в соответствии с предложенными методами и моделями интеграции разнородных программных приложений в диссертации разработана структура программного комплекса. Для организации открытой структуры в процессе его апробации и внедрения, система состоит из отдельных приложений, которые носят самостоятельный характер, а методы аналитической обработки данных базируются на интерфейсном взаимодействии с математическими пакетами.

Структура программных модулей разработана так, чтобы в модуле, реализующем библиотеку расчетов находились только специфические для реализуемого метода расчета подпрограммы и данные, а все вспомогательные средства размещались в других модулях. Такая структура модулей позволяет при реализации нового метода расчета в виде встраиваемой библиотеки, использовать без модификации и перекомпиляции исходного кода большинство готовых модулей что упрощает процесс разработки.

Обоснованность научных положений, рекомендаций и выводов, изложенных в работе, определена проверкой согласования результатов • аналитических моделей с эквивалентными по формализации компонентами имитационной модели. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения в ряде предприятий.

Практическая ценность и реализация результатов работы

Научные результаты, полученные в диссертации; доведены до практического использования. Они представляют непосредственный интерес в области автоматизации системы прогноза финансовой деятельности. Разработанные- методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде предприятий, а также используются в учебном процессе в МГАКХС и МАДИ.

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научно-технических конференциях и семинарах (2006-2012 гг.);

• на заседании кафедры «Автоматизированные системы управления» МАДИ.

Совокупность научных положений и практических результатов исследований в области автоматизации банковской отчетности представляет актуальное направление в области теоретических и практических методов принятия решений и выбора стратегий управления промышленными предприятиями.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и методик.

Материалы диссертации отражены в 10 печатных работах. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 155 страницах машинописного текста, содержит 29 рисунков, 14 таблиц, список литературы из 115 наименований и приложения.

Основные выводы и результаты работы

1. Проведен системный анализ методов и моделей поддержки управленческих решений, направленный на формирование гибридной инструментальной среды нейро-нечеткого прогнозирования.

2. Проведен анализ методов прогнозирования временных рядов, а именно, метода скользящих средних, прогнозирование на основе средних показателей динамики и др. В процессе анализа статистических методов были сформированы классификационные признаки основных экономических прогнозов.

3. Разработана процессно-ориентированная модель управленческой деятельности. При этом в основу управляющего процесса в работе кладутся плановые управленческие мероприятия, которые назначаются руководителем для контроля состояния и организации воздействий на управляемый процесс.

4. Предложена последовательная процедура прогнозирования, включающая: предварительный фрактальный анализ; формирование структуры нейро-нечеткой сети; последующую оптимизацию структуры сети.

5. Разработана методика оценки вариантов управленческих решений на основе экспертных оценок попарного сравнения альтернатив в виде лингвистических переменных.

6. Выполнена параметризация исполняемых приложений нейро-нечеткого прогнозирования на основании разработки универсального описания компонентов системы с использованием принципа «вход-выход-параметризация». При этом сценарий системы поддержки принятия представляет гибкую алгоритмическую структуру, позволяющую оперативно включать новые методы.

7. На основе предложенной методики формирования стратегии развития предприятия в работе поставлена и решена задача формирования управленческих решений как результат реализации множества процессов управленческих мероприятий.

8. Выполнена программная реализация методов и моделей нейро-нечеткого прогнозирования, которые внедрены в ряде промышленных предприятий, а также используются в учебном процессе МГАКХС и МАДИ.

1. Авдеев Е.В., Еремин А. Т., Норенков И. П., Песков М. И. /Под ред. Норенкова И. П. Системы автоматизированного проектирования в радиоэлектронике. - М.: Радио и связь, 1986. - 368 с.

2. Анисимов В.И., Дмитриевич Г.Д., Ежов С.Н. и др. /Под ред. Анисимова В.И. Автоматизация схемотехнического проектирования на мини ЭВМ. JL: Изд-во Ленинградского ун-та, 1983. - 200 с.

3. Аграновский А.В., Арутюнян Р.Э, Хади Р.А. Современные аспекты проблемы поиска в текстовых базах данных // Телекоммуникации. — 2003. -№3. С. 25-23.

4. Арсеньев Б.П., Яковлев С.А. Интеграция распределенных баз данных. СПб.: Лань, 2001. - 461 с.

5. Аткинсон М., Бансилон Ф., Девитт Д., Дитрих К., Майнер Д., Здоник С. Манифест систем объектно-ориентированных баз данных СУБД. 1995. -№4.

6. Ахаян Р., Горев А., Макатирипов С. Эффективная работа с СУБД. -СПб.: Питер, 1997. 704 с.

7. Бабанов А.М. Теория семантически значимых отображений и ее применение для проектирования реляционных баз данных: Дисс. . канд. техн. наук (05.13.11). М., 2005. - 182 с.

8. Балдин А.В. Научные основы автоматизации и моделирования процессов управления на основе гибридных систем поддержки принятия решений с открытой структурой:! Дисс. . докт. техн. наук (05.13.06). М., 2006.-330 с.-д.с.п.

9. Балл Г.А. Система понятий для описания приложений интеллекта // Кибернетика. 1979. - №2. - С. 109-113.

10. Баркер С.Ф. Профессиональное программирование в Microsoft Access 2002: Пер. с англ. М.: Вильяме, 2002. - 992 с.

11. Бекаревич Ю.Б., Пушкина H. В. Microsoft Access 2000. СПб.: БХВ - Петербург, 2001. - 480 с.

12. Боровиков В .В. Microsoft Access 2002: Программирование и разработка баз данных и приложений: Mi: Солон - Р, 2002. - 560 с.13*. Бобровски С. Oracle 7: Вычисления клиент/сервер. М.: Лори, 1996. -651 с

13. Бобровски С. Oracle8: Архитектура : Пер с англ. М.: Лори; 1988.212 с.

14. Бобровски С. Oracle 8: Архитектура.-М;: Лори; 19981 210 с.

15. Бойко В. В., Савинков: В- М. Проектирование баз данных информационных систем. 2-е изд., перераб. и доп. — Mi: Финансы и статистика, 1989. -350 с.

16. БоровицкишМЩ:, Смирнов С.В^Рёализацияш исследованияшроиз-водительности объектно-ориентированной СУБД // Программирование;.- Mi, 1992.-С. 18-28.

17. Бочаров В. А., Маркин В .И. Основы логики. — Mi: Космополис, 1994. -272с. '■V'; ' '

18. Буре P. XML и базы данных // Открытые системы.'- М., 2000. № : 10.-С. 62-65.20; Буч. 17. Объектно-ориентированныш анализ;® проектирование с примерамшприложений: М:: Бином-200L - 560?с.

19. Вёндров-А. М. CASE технологии. Современные методы и средства? проектирования; информационных систем; - М;: Финансы» ш статистика, 1998: - 176 с.

20. Вентцель Е.С. Теория вероятностей. М.: Высшая школа; 2001. -576 с. . ' ■;"■■'

21. Гаврилова Т.А., Хорошевский В'Ф; Базы знаний«интеллектуальных систем. СПб:: Питер, 2000. - 384 с.

22. Гандерлой Майк, Харкинз Сыозан Сейлз. Автоматизация Microsoft Access с помощью VBA: Пер. с англ. М.: Вильяме, 2006. — 416 с;

23. Гарсиа-Молина Е., Ульман Д., Уидом Д; Системы баз данных. Полный курс: Пер. с англ: М;: Вильяме; 2004; - 1088 с:

24. Гасанов Э.Э. Информационно-графовая модель хранения и поискданных//Интеллектуальные системы. 1998. - Т. 3. - С. 163-192.

25. Гасликова И. Поиск информации в контексте // Информационные ресурсы России. М., 1998. - № 6. - 31 с.

26. Гиффорд Двайн и др. Access 97. Энциклопедия пользователя: Пер. с англ. Киев: ДиаСофт, 1997. - 640 с.

27. Горчинская О.Ю., Калянов Г.Н. Современные CASE-технологии и Designer/2000 Oracle Magazine/RE. 1977. - №1. - С. 22-25.

28. Грабер M. M. SQL: Пер. с англ. M.: Лори, 2000. - 371 с.

29. Грабер M. М. Справочное руководство по SQL: Пер. с англ. -/ М.: Лори, 1997. 231 с.

30. Грей Д. Управление данными. Прошлое, настоящее и будущее. //СУБД. 1998. - №3. - С. 21-36.

31. Грей П. Логика, алгебра и базы данных: Пер. с англ. М.: Машиностроение, 1989. - 368 с.

32. Дейт К. Дж. Введение в системы баз данных. 7-е изд.: Пер. с англ. -М.: Вильяме, 2001. 1072 с.

33. Дейт К., Дж. Введение в системы баз данных. 8-е изд.: Пер. с англ. -М.: Вильяме, 2005. 1328 с.

34. Денниг В., Эссиг Г., Маас С. Диалоговые системы "человек-ЭВМ". Адаптация к требованиям пользователя. М.: Мир, 1984. - 112 с.

35. Джексон Г. Проектирование реляционных баз данных для использования в микро ЭВМ: Пер. с англ. М.: Мир, 1991. - 252 с.

36. Джеффри Л. Бирн. Microsoft SQL Server. Руководство администратора: Пер. с англ. -М.: Лори, 1998. 214 с.

37. Джеффри Л. Бирн. Microsoft SQL Server. Руководствоадминистратора: Пер. с англ. М.: Лори, 1988. - 210 с.

38. Диго С.М. Проектирование и использование баз данных. М.: Финансы и статистика, 1995. - 208 с.

39. Замулин A.B. Системы программирования баз данных и знаний. -Новосибирск: Наука, 1990. 352 с.

40. Иванова Г.С. Технология программирования. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. 320 с.

41. Иванова Г.С., Ничушкина Т.Н. Проектирование программного обеспечения: Методическое пособие по выполнению и оформлению курсовых, дипломных и квалификационных работ. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 83 с.

42. Информационная технология. Язык баз данных SQL. ISO/МЭК 9075-93. Введ. 01.07.94. - М., 1993. - 26 с.

43. Калиниченко JI.A. Метод построения коммутативных отображений моделей данных при интеграции неоднородных баз данных // Программирование. 1978. - № 6.- С. 60-71.

44. Карпова Т.С. Базы данных: модели, разработка, реализация. — СПб.: Питер, 2001.-304 с.

45. Коршунов Ю.М. Математические основы кибернетики. М.: Энергия, 1980. - 424 с.

46. Когаловский М.Р. Абстракции и модели в системах баз данных // СУБД. М., 1998. -№4-5.

47. Когаловский М.Р. Энциклопедия технологий баз данных.- М.: Финансы и статистика, 2002. 800 с.

48. Когаловский М.Р. Технология баз данных на персональных ЭВМ. -М.: Финансы и статистика, 1992. 223 с.

49. Колетски П., Дорси П. Oracle Designer. Настольная книга пользователя: Пер. с англ: М.: Лори, 1999 - 592 с.

50. Корнеев В.В. и др. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. - 162 с.

51. Кренке Д. Теория и практика построения баз данных: Пер. с англ. — СПб.: Питер, 2003. 800 с.

52. Кузнецов О.П., Адельсон-Вельский Г.М, Дискретная математика для инженера. 2-е изд. перераб. и доп. - М.: Энергоатомиздат, 1988. - 480 с.

53. Кузнецов С.Д. СУБД (системы управления базами данных) и файловые системы. М.: Майор, 2001. - 128 с.

54. Кузьменко В. F. Базы данных в-Visual Basic и VBA. Самоучитель. -M.: Бином-Пресс, 2004. 416 с.

55. Литвин П. и др. Разработка настольных приложений в Access 2002. Для профессионалов: Пер. с англ. СПб.: Питер, 2002. - 1008 с.

56. Мак-Федрис П. Моя первая книга о VBA: Пер. с англ. М.: Эксмо, • 2005.-352 с.

57. Мейер Д. Теория реляционных баз данных. М.: Мир, 1987. - 608с.

58. Норенков И.П. Разработка систем автоматизированного проектирования: Учебник для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 1994. - 207 с.

59. Норенков И.П. Основы автоматизированного проектирования: Учебник для вузов. 2-е изд., переработ, и доп.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 336 с.

60. Норенков И.П., Маничев В.Б. Системы автоматизированного проектирования электронной и вычислительной аппаратуры. М.: Высшая школа, 1983.-272 с.

61. Озкарахан Э. Машины баз данных и управления базами данных: Пер. с англ. М.: Мир, 1989. - 695 с.

62. Петер Пин, Шен Чен. Модель "сущность-связь" шаг к единому представлению о данных // СУБД. - 1995. - № 3. - С. 137-158.

63. Петрова И.Ю., Лазуткина Е.А. Организация баз данных. -Астрахань: Астраханский ГТУ, 1999. 192 с.

64. Питерсон Дж. Теория сетей Петри и моделирования систем: Пер. с англ. М.: Мир, 1984. - 264 с.

65. Пол Литвинг, Кен Гетц, Майкл Гилберт. Access 2000. Руководство разработчика. Корпоративные приложения: Пер. с англ. Киев: BHV, 2001. -Т. 2. - 912 с.

66. Препарата Ф. Шеймос. М. Вычислительная геометрия. Введение. -М.: Мир, 1989.-478 с.

67. Пржиялковский В.В. Сложный анализ данных большого объема. Новые перспективы компьютеризации. // СУБД. 1996. - № 4. - С. 71-83.

68. Пржиялковский В.В. Новые одежды знакомых СУБД. Объектная реальность, данная нам. // СУБД. 1997. - № 4.

69. Райан Стивене, Рональд Плю. SQL.: Пер с англ. М.: Бином, 1998. -400 с.

70. Ревунков Г.И., Самохвалов Э.Н., Чистов В.В. Базы и банки данных и знаний. М.: Высшая школа, 1992. - 392 с.

71. Роберт Дж. Мюллер. ORACLE Developer/2000. Настольная книга пользователя: Пер. с англ. М.: Лори, 1999. - 384 с.

72. Розмахов О.Г. Основы проектирования баз данных. М.: Московский авиационный институт, 1993. - 24 с.

73. Россеева О.И., Загорулько Ю.А. Организация эффективного поиска данных//Интеллектуальные системы. 1998. - № 3-4. - С. 163-192.

74. Саймон А.Р. Стратегические технологии баз данных. М.: Финансы и статистика, 1999. - 479 с.

75. Система управления базами данных. Руководство прикладного программиста. М.: Информ-Икс, 1997. - 47 с.

76. Система управления базами данных. Руководство по проектированию структур данных. М.: Информ Икс, 1997. - 14 с.

77. Системы автоматизированного проектирования. Кн.2: Федорук В.Г., Черненький В.М. Информационное и прикладное обеспечение. М.: Высшая школа, 1986. - 159 с.

78. Стоунбрейкер. Объектно-реляционные системы баз данных // Открытые системы. 1994. - № 4.

79. Суслов А. Языки запросов для XML-данных // Открытые системы. -2001.-№2.

80. Тиори Т., Фрай Д. Проектирование структур баз данных: Пер. с англ. М.: Мир, 1985. - 287 с.

81. Тихомиров Ю.В. Microsoft SQL Server 7.0. СПб.: БХВ-Петербург, 1999.-720 с.

82. Тихомиров Ю.В. Micrjsoft SQL Server 7.0: разработка приложений.- СПб.: БХВ Петербург, 1999. - 352 с.

83. Урман С. Oracle 8. Программирование на языке PL/SQL. М.: Лори, 1999. - 607 с.

84. Ульман Дж. Основы систем баз данных: Пер. с англ. М.Р. Когаловского и В.В. Когутовского. М.: Финансы и статистика, 1983. - 334 с.

85. Ульман Д., Уидом Д. Введение в системы баз данных: Пер. с англ. -М.: Лори, 2000. 319 с.

86. Фаронов В.В., Шумаков П.В. Delphi 4. Руководство разработчика баз данных. М.: Нолидж, 1999. - 560 с.

87. Федорук В. Г. Математическое и программное обеспечение анализа БИС: Дисс. . канд. техн. наук (05.13.12). -М., 1983.-200 с. д.с.п.

88. Харитонова И.А., Михеева В.Д. Microsoft Access 2000. СПб.: БХВ-Петербург, 2001. - 819 с.

89. Хьюз Дж., Мичтом Дж. Структурный подход к программированию.- М.: Мир, 1980.-278 с.

90. Шпеник М., Следж О. Руководство администратора баз данных Microsoft SQL Server 2000: Пер. с англ. М.: Вильяме, 2001. - 928 с.

91. Энциклопедия пользователя. Огас1е8.: Пер. с англ. /Компания Advanced Information Systems и др. Киев: ДиаСофт, 1999. - 864 с.

92. Buff H.W. Why Codd's Rule № 6 Must Be Reformulated // ACM SIGMOD. December 1988. - 17, № 4.

93. Cattell R.G.G. Object data management.- Addison- Wesley: Reading, MA, 1994.

94. Celko J. SQL for Smarties: Advanced SQL Programming. San Francisco, Calif.: Morgan Kaufmann, 1995.

95. Chamberlin D.D. et. al. Support for Repetitive Transactions and Ad Hoc Queries in System R // ACM TODS. March 1981. - 6, № 1.

96. Chamberlin D.D. et. al. A History and Evaluation of System R // CACM. -October 1981.-24, № 10.

97. Codd E.F. A relational- model data for larger shared data banks // Comm; ACM.- 1970. V.13.- № 6.- P. 377-387.

98. Codd E.F. The Relational Model For Database Management Version 2. Reading, Mass.: Addison-Wesley^ 1990.

99. Darwen H. Relation-Valued Attributes // Date C. J. and Hugh Darwen. Relational Database Writings 1989 1991. - Reading, Mass.: Addison-Wesley, 1992.

100. Darwen H. Without Check Option // Date C. J. and Darwen H. Relational Database Writings 1989 1991. - Reading, Mass.: Addison-Wesley, 1992.

101. Darwen H. The Role of Functional Dependes in Query Decomposition//Date C.J., Darwen H. Relation Writing 1989-1991.-Reding, Mass.: Addison-Wesley, 1992.

102. Date C. J. Why Quantifier Order Is Important // Date C. J. and Hugh Darwen. Relational Database Writings 1989 1991. - Reading, Mass.: Addison-Wesley, 1992.

103. Date C. J. What's Wrong with SQL? // Date C. J. Relational Database Writings 1985 1989. - Reading, Mass.: Addison-Wesley, 1990.

104. Date C. J. How We Missed the Relational Boat // Date C. J. Relational Database Writings 1991 1994. - Reading, Mass.: Addison-Wesley, 1995.

105. Date C. J. Why Relational? // C J. Date. Relational Database Writings 1985 1989. - Reading, Mass.: Addison-Wesley, 1990.

106. Date C. J. What Not How: The Business Rules Approach to Application Devolopment.-Reading, Mass.: Addison-Wesley, 2000

107. Eisenberg A., Melton J/ SQL: 1999, Formerly Known as SQL3 // ACM SIGMOD Record. March 1999. - 28, № 4.

108. Halpin T. Information Modeling and Relational Databases: From Conceptual Analusis to Logical Design. San Francisco, Calif.: Morgan Kaufmann, 2001.

109. Klug A. Equivalence of Relational Algebra and Relational Calculus Query Languages Having Aggregate Functions // JACM 29. July 1982. - № 3.

110. Mediators in the architecture of future information systems // IEEE Computer.-1999.- V.25.-№3.- P. 38-49.

111. Yannis Kotidis and Nick Roussopoulos. DynaMat: A Dynamic ViewManagement System for Data Warehouses. In Proc. of ACM SIGMOD Conference, 1999 June.

112. Yemeni R., Papakonstantinou Y., Abiteboul S., and Garcia-Molina H.Fusion queries over internet databases // In proc. of the conf. on extending database technology (EDBT). Valencia: Spain, 1998.- P. 57-71.