автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами

На правах рукописи

БОЯРИНОВ Юрий Геннадьевич

НЕЙРО-НЕЧЁТКИЙ МЕТОД ГРУППОВОГО УЧЕТА АРГУМЕНТОВ ДЛЯ ПОД ДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ РЕГИОНАЛЬНЫМИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМИ СИСТЕМАМИ

Специальность: 05.13.10 -Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Тверь 2006

Работа выполнена в филиале Московского энергетического института (технического университета) в г. Смоленске

Научный руководитель:

доктор технических наук, профессор Дли Максим Иосифович Официальные оппоненты:

доктор технических наук, профессор Семенов Николай Александрович доктор технических наук, доцент Абраменкова Ирина Владимировна

Ведущая организация:

Владимирский государственный университет

Защита состоится «21» сентября 2006 г. в 14 часов на заседании диссертационного совета Д 212.262.04 при Тверском государственном техническом университете по адресу: 170026, г. Тверь, наб. Афанасия Никитина, 22 (ауд. Ц-212).

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета.

Автореферат разослан « 15 » августа 2006 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор

В.Н. Михно

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Переход Российской Федерации к устойчивому развитию невозможен без создания условий для устойчивого развития регионов. Это определяет необходимость повышения обоснованности принимаемых решений по управлению социально-экономическими системами регионального уровня на основе всестороннего анализа информации о состоянии внешней и внутренней среды региона. Известно, что региональные социально-экономические системы как объекты управления характеризуются многофакторностью, существенной нелинейностью функциональных зависимостей между факторами, активным влиянием на управляющую систему. В настоящее время для повышения эффективности регионального управления достаточно широко применяются системы поддержки принятия решений (СППР), использующие построение, анализ и применение математических моделей региональных социально-экономических систем или их отдельных подсистем.

Проблемы повышения эффективности регионального управления социально-экономическими системами на основе применения СППР, в составе математического обеспечения которых используются математические идентифицирующие модели, рассматривались в трудах С.А. Редкозубова, Ю.И. Журавлева, Я.З. Цыпкина, С.А. Айвазяна, B.C. Мхитаряна, В.Н. Буркова, В.Н. Кузнецова, A.A. Дорофеюка, В.Е. Баумана, В.А. Кострова, В.М. Лохина и др. Отдельным аспектам теории и практики построения идентифицирующих математических моделей сложных социально-экономических систем посвящены работы российских ученых Б.В. Палюха, A.B. Максимова, H.A. Семенова, А.Н. Чохонелидзе и др.

В указанных работах в качестве одного из подходов к построению математических моделей сложных систем произвольной природы рассматривается метод группового учета аргументов (МГУА), предложенный академиком А.Г. Ивахненко и развитый в работах Ю.П. Юрачковского, Ю.П. Зай-ченко, И.А. Мюллера, Г.А. Ивахненко. Целесообразность применения МГУА для построения моделей социально-экономических систем определяется его возможностью обеспечивать приемлемую ошибку прогнозирования в условиях многофакторности управляемого объекта и ограниченности объема обучающей выборки.

В то же время анализ современных региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов и управляющих воздействий, многие из которых не могут быть измерены при помощи метрических шкал. Следует также отметить, что в условиях слабой математической формализации некоторых региональных социально-экономических процессов и ограниченного объема статистических данных возрастает роль экспертной информации. Данные обстоятельства снижают эффективность применения известных вариантов реализации МГУА в составе математического и алгоритмического обеспечения СППР по управлению социально-экономическими системами регионального уровня.

Как представляется, минимизировать указанные недостатки МГУА возможно на основе применения при построении частых моделей аппарата нечетко-логических (гибридных) нейронных сетей, предложенных в работах Алтунина А.Е., Асаи К., Борисова В.В., Верескова С.К., Дорохова И.Н., Ко-марцовой Л.Г., Кофмана А., Круглова В.В., Кузьмина В.Б., Леоненкова A.B., Орловского С.А., Осовского С., Поспелова Д.А, Регеджа Р.К., Семухи-на М.В., Сугено М., Терано Т., Федорова В.В. и других отечественных и зарубежных ученых.

В связи с этим возникает актуальная научная задача разработки нейро-нечёткого метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, использующего нейро-нечеткие частные модели, позволяющие учитывать экспертную информацию при селекции факторов внутренней и внешней среды, представленных в количественной и качественной форме, что имеет существенное значение для повышения эффективности регионального управления.

Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области 20012004 г.г. и 2005-2008 г.г., и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и технологии на период до 2010 г. - «Компьютерное моделирование» и «Искусственный интеллект».

Цель работы: разработать нейро-нечёткий метод группового учета аргументов, использующий нейро-нечеткие частные модели, и методику его применения в составе СППР по управлению региональными социально-экономическими системами, позволяющую повысить эффективность регионального управления.

Для реализации указанной цели были поставлены и решены следующие основные задачи:

1. Анализ современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическими системами и обоснование предпосылок применения МГУА в процессе управления региональными системами.

2. Разработка нейро-нечеткого метода группового учета аргументов, для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами.

3. Разработка алгоритма интеллектуальной поддержки принятия оперативных решений по управлению региональными социально-экономическими системами на основе реализации нейро-нечеткого метода группового учета аргументов.

4. Разработка алгоритма интеллектуальной поддержки принятия стратегических решений по управлению региональными социально-экономическими системами, позволяющего осуществлять обработку информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа.

5. Разработка архитектуры информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами, использующей нейро-нечеткий метод группового учета аргументов, и методики её применения.

6. Выработка практических рекомендаций по применению результатов диссертационного исследования в СППР по управлению Смоленской областью.

Объектом исследования являются региональные социально-экономические системы.

Предметом исследования является процесс управления региональными социально-экономическими системами на основе применения информационных СППР, в состав которых входят математические модели.

Теоретической и методологической базой исследования являются системный подход к анализу и управлению социально-экономическими объектами и процессами, теории управления, идентификации и математического моделирования, известные варианты МГУА, теории нечеткой логики и искусственных нейронных сетей, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по теории управления социальными и экономическим системами.

Информационной базой исследования являются данные Госкомстата РФ, отчетные данные департаментов Администрации Смоленской области и г. Смоленска.

Наиболее существенные научные результаты, полученные авторов

1. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования. Метод отличается от известных возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

2. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

3. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе, что дает возможность вырабатывать управляющие воздействия с учетом их долговременных последствий.

4. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

5. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий метод группового учета аргументов и позволяющие учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

Достоверность и обоснованность научных результатов, выводов и рекомендаций диссертации определяются корректным применением теории управления, идентификации и математического моделирования, нечеткой логики и искусственных нейронных сетей. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ученых в области управления социальными и экономическими системами.

Научная новизна работы состоит в разработке нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с использованием нейро-нечетких сетей в качестве частных моделей МГУА, а также алгоритмов и методики его реализации в составе СППР по региональному управлению.

Значение полученных результатов для теории и практики.

Разработанные в диссертации нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующими разработанный нейро-нечеткий МГУА, вносят вклад в теорию и практику идентификации в организационных системах и применения методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах.

Сведения о реализации и целесообразности практического использования результатов.

Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на Международной научной конференции «Математические методы в интеллектуальных информационных системах» (Смоленск, 2002), VII Международной научной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2006), V Всероссийской научно-практической конференции «Проблемы экономики, организации и управления предприятиями, отраслями, комплексами в разных сферах народного хозяйства» (Новочеркасск, 2006), межвузовской научно-методической конференции «Современные информационные технологии в экономике, управлении и образовании» (Смоленск, 2006), VI Международной научно-практической конференции «Моделирование. Теория, методы и

средства» (Новочеркасск, 2006), а также на научных семинарах филиала МЭИ (ТУ) в г. Смоленске.

Публикации. По теме диссертации опубликовано 11 печатных работ общим объемом: 11,3 п.л., в том числе лично автору принадлежит 5,2 п.л.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 116 наименований и 4 приложений. Диссертация содержит 177 страниц машинописного текста, 44 рисунка и 12 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность решаемой научной задачи, цель и задачи исследования, определены предмет и объект диссертации, обоснована научная новизна, изложена практическая значимость, приведены данные об апробации и публикациях.

В первой главе «Анализ современных методов поддержки принятия решений по управлению социально-экономическими системами» рассмотрена общая постановка задачи управления социально-экономическими системами на основе применения идентифицирующих математических моделей, проведен анализ существующих методов построения идентифицирующих моделей, используемых в СППР по управлению социально-экономическими системами, определены предпосылки использования МГУА для поддержки принятия решений по управлению региональными социально-экономическими системами.

Известно, что на региональную социально-экономическую систему как объект управления воздействуют факторы, которые могут быть сгруппированы следующим образом: факторы, характеризующие управляющие воздействия (в основном со стороны региональных, муниципальных или федеральных властей); контролируемые или измеряемые факторы внешней среды; неконтролируемые или неизменяемые факторы внешней среды (например, психологические факторы). Следует отметить, что региональные социально-экономические системы как объекты управления характеризуются активным влиянием на управляющую систему.

В настоящее время для определения необходимых значений управляющих воздействий достаточно широко применяются системы поддержки принятия решений (СППР), использующие построение, анализ и примене-

ние математических прогностических моделей региональных социально-экономических систем или отдельных подсистем.

В диссертации проведен анализ основных подходов к построению моделей региональных социально-экономических систем, который показал целесообразность применения для решения указанной задачи МГУА различных типов. Это обусловлено наличием большого числа входных переменных, сложным характером зависимости целевых переменных от управляющих воздействий, недостатком статистических данных о состоянии региональной социально-экономической системы.

В то же время проведенный в диссертации анализ региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов, многие из которых не могут быть измерены при помощи метрических шкал. Данное обстоятельство снижает эффективность применения известных вариантов реализации МГУА в составе математического и алгоритмического обеспечения СППР по управлению социально-экономическими системами регионального уровня.

В диссертации показано, что минимизировать указанные недостатки МГУА возможно на основе применения при построении частых моделей нейро-нечетких методов. Следует отметить, что использование аппарата теории нечетких множеств и нечеткого логического вывода позволит учесть экспертную информацию, минимизировав тем самым негативные последствия наличия статистической выборки ограниченного размера.

Во второй главе «Разработка метода группового учета аргументов, использующего нейро-нечеткие частные модели» приведено общее описание предложенного метода и алгоритмов его реализации и применения для поддержки принятия оперативных и тактических решений по управлению региональными социально-экономическими системами.

Пусть имеются исходные данные о состоянии региональной социально-экономической системы, представленные в виде:

х

N1

X,

22

N2

у —

,Х\М Х2М

X

1чм

где матрица Л' - содержит значения N входных факторов, а вектор У - целевого выхода (М— количество точек обучающей выборки).

Реализация предложенного нейро-нечеткого МГУА предполагает проведение отбора частных моделей на к уровнях селекции (где к= Ы), который включает три этапа.

Этап 1. Формирование обучающих выборок и подготовка структур частных моделей.

Формирование обучающих выборок заключается в построении г частных обучающих матриц, содержащих различные комбинации из к столбцов исходной матрицы .

Эта процедура математически формализуется с помощью структурного вектора:

£ = Ь ••• •у//]Г- (2)

Если элемент этого вектора принимает значение 1, то соответствующий п-й аргумент включается в частную модель, если 0 — не включается. Получение частной выборки, используемой для построения г-ой модели уровня к, осуществляется на основе выражения:

~ Хшы ' & - (3)

„ г.

В итоговую выборку -Л включаются столбцы матрицы Л , содержащие ненулевые значения.

При определении структуры ¡'-ой частной модели к-го уровня предполагается, что данная модель может быть описана в виде совокупности нечетких продукционных правил вида:

Если [(л:, есть/4,,)и (*2 есть А2,)и...(;<^ естьАк1)] то (у есть В,)

. Если [(лг, естьЛ1у)и (л:2 есть Агри...(х, есть Ак;)] то {у есть Ву) .

» V/

Если [(*, есть А1Ь) и (х2 есть А а ) и... (дг4 есть А кн)] то (>■ есть ВА) где А,,; — функция принадлежности переменной Хк к некоторому нечеткому множеству ву'-ом правиле, п=1 ...к\ Ву - функция принадлежности выхода^ некоторому нечеткому множеству в у'-ом правиле, ('число правил А

определяется на основе экспертной информации); индексация переменных хц

ведется по базису частной выборки л мхк .

Этап 2. Генерирование частных моделей гибридной нейронной сетью. На вход каждой гибридной сети, построенной на основе системы правил (4), подаются обучающие последовательности и полученные путем разбиения выборки . Способ разбиения исходной выборки зависит от выбранного критерия отбора. По какому-либо из известных алгоритмов (например, алгоритму обратного распространения ошибки) происходит настройка параметров гибридных нейронных сетей, которые затем используются в качестве частных моделей. Обозначим модели, построенные

- уО'.*) у-0.*) р(<>*)

на основе последовательностей Л и Л мь*к через и ¡-в со-

ответственно.

Этап 3. Отбор лучших моделей по заданному критерию. В предлагаемом методе для оценки несмещенности моделей к-ото

уровня на вход каждой обученной нейро-нечеткой сети Г'А) и 1 подается выборка Х1'/2 и определяются оценки выходов вида:

= = (5)

На основе полученных оценок рассчитывается значение показателя смещения, который может быть записан в следующем виде:

г (/.*>_ 1 /V".*» /у<'-*> v<i.*>^ ¡ел

С использованием данного критерия отбор лучших моделей ¿-ого уровня предлагается осуществлять по следующим правилам:

- если к >1, то условие отбора имеет вид:

^^¿тахС«^"0), (7)

(=1. .ь

- если к =1, то выбираются Ь моделей, для которых показатель {'1>с) минимален (¿-заданная свобода выбора).

В случае, если на уровне к не нашлось ни одной модели, удовлетворяющей условию (7), селекция прекращается и оптимальной признается сложность модели, содержащей к-1 входную переменную. В противном слу-

чае фиксируется количество отобранных моделей , и процедура построения модели продолжается.

По множеству выбранных моделей вычисляется среднее значение показателя смещения для уровня к вида:

„2 (*>__!_.у-,,2 и.к) ьк /=1

и проверяется условие:

„2 (*)> 2 (*"»

ПШз — "еПз • (9)

Если условие (9) выполняется, то селекция прекращается и оптимальной признается размерность модели кор,= к - 1.

На этом итерационный процесс заканчивается, и следующей задачей является выбор из всех отобранных моделей уровня кор, , признанных несмещенными, единственной модели, обладающей наилучшими характеристиками. Данный выбор также определяется требованиями, предъявляемыми к данной модели. Как правило, для идентифицирующих моделей социально-экономических систем одним из важнейших, наряду с непротиворечивостью, является требование точности.

Для оценки точности несмещенных частных моделей уровня к„г, структура построенных гибридных нейро-нечетких сетей сохраняется, но их обучение уже ведется по всей выборке ^ Мхк ■

Поиск лучшей из множества моделей на уровне кп/„ ведется на основании критерия точности:

В диссертации предложен алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по оперативному управлению региональными социально-экономическими системами. Очевидно, что для оперативного управления социально-экономическими системами наибольший интерес представляют краткосрочные прогнозы социально-экономических показателей, на основании которых разрабатываются управленческие решения, направленные на поддержание положительных или компенсацию отрицательных тенденций развития системы. Причем на данном уровне управления приоритетное значение приобретает точность построенных математических моделей.

В рамках предложенного метода повысить точность получаемых математических моделей социально-экономических систем можно, включив в модель в качестве входных переменных значений выходного показателя за некоторый предшествующий период. Очевидно, что в данном случае представляется целесообразным использование в качестве основного критерия отбора, учитывающего точность получаемых моделей, внешнего критерия - критерия симметричной регулярности вида:

Ь\1Л){АВ) = Ь\Ш{А) + А\Ш{В), (П)

где

■(У(Л)-УГЧЛ)); У^^ГЧ^-).

Ч(Л) - фактические значения выходного показателя, соответствующие выборке А'д^.

В ходе диссертационного исследования был разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе.

В рамках рассматриваемого алгоритма построения математических моделей для долгосрочного прогнозирования тенденций развития региональных социально-экономических систем использование критерия баланса прогнозов осуществляется следующим образом.

1. В соответствии с принципами, рассмотренными ранее, формируются частные выборки

2. Данные выборки разбиваются на две, но Ма » Мь.

3. Формируются системы нечеткого вывода для частных прямых Г(,,<г)

и обратных , ..., ^ А>функций вида:

х, = Г,(х2,х3,...х„шу); х2 = Г2(х„х3>..*„_у);... х„ = ТК(х1,х2,...х^ у).

Обучение соответствующих нейро-нечетких сетей ведется по выборке

yVM

Л Maxi ■

4. Определяет прогноз выходной переменной с помощью частных прямых функций:

■wilM _ f(.¡Л)/ y(i,*) \

хв ~х \лш*к)- (12)

Далее на основе данных, содержащихся в а и исходном векторе выхода YB, определяются выходы частных моделей f/''*', f^'-^,..., fjv'*':

xrt, = fr>(^v,)UYÄ)

• \ ' )

_ t yilM I I у i

5. Рассчитывается показатель баланса для каждой из частных моделей

е«-*> = F(X<W, Х<м>, ¥<'■*>) . (14)

6. Отбор лучших моделей каждого уровня ведется на основе критерия баланса прогнозов:

i=l...CN

->,пип. (15)

В третьей главе «Разработка программного обеспечения для управления региональными социальио-экономнческимн системами на основе нейро-нечсткого метода группового учета аргументов» разработан универсальный программный модуль, реализующий предложенные алгоритмы применения нейро-нечеткого метода группового учета аргументов, приведены результаты имитационных вычислительных экспериментов по проверке характеристик разработанного метода, предложена архитектура информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами.

Универсальный программный модуль реализован с помощью инструментов пакета расширения FuzzyLogic Toolbox системы Matlab в виде исполняемого файла данной системы. Модуль позволяет выполнять все этапы предложенных алгоритмов по построению математической модели социально-экономической системы в виде обученной нейро-нечеткой сети, т.е. формировать системы нечеткого вывода, создавать, обучать и тестировать гиб-

ридные нейронные сети, а также осуществлять селекцию частных моделей в соответствии с заданными критериями.

Проведенные с помощью данного модуля имитационные вычислительные эксперименты, в рамках которых осуществлялась проверка работоспособности предложенных алгоритмов реализации нейро-нечеткого МГУ А, показали, что данные алгоритмы позволяют получить достаточно высокую точность моделирования, даже в случае существенно ограниченных объемов исходных данных и существенном характере нелинейности. Причем результаты экспериментов свидетельствуют, что в условиях недостатка исходных данных в случае наличия нелинейности более высокого порядка предложенный метод обеспечивает более высокий выигрыш в точности по сравнению с другими методами математического моделирования, в частности регрессионными и нейросетевыми.

Разработанный универсальный программный модуль может использоваться в составе информационно-аналитической системы поддержки принятия решений (ИАСППР) для краткосрочного и долгосрочного прогнозирования важнейших социально-экономических показателей, а также осуществлять выбор управляющих воздействий, переводящих систему в желаемое состояние.

Для выполнения указанных функций необходимо наличие статистической информации, характеризующей региональную социально-экономическую систему. Основными источниками поступления информации являются структурные подразделения региональной администрации, органы местного самоуправления, территориальные органы федеральных органов исполнительной власти, предприятия и организации, научные и учебные заведения, общественные организации и др. Все эти источники отличаются используемыми технологиями хранения и передачи информации, поэтому её интеграция в хранилище данных ИАСППР должна осуществляться с учетом существующих различий. Данные, поступающие из источников, взаимодействующих с системой с использованием \уеЬ-технологий, передаются через почтовый или \veb-cepBep, обрабатываются интерпретатором запросов и записываются в хранилище данных, содержащее одну или несколько баз данных. Обмен данными в рамках клиент-серверной технологии предполагает выполнение основных операций сервером баз данных, входящим с состав ИАСППР.

В четвертой главе «Практическое применение разработанного нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом» разработана методика использования предложенного метода в системе поддержки принятия решений по управлению регионом, рассмотрен вариант интеграции универсального программного модуля в состав информационно-аналитической системы поддержки принятия решений по управлению Смоленской областью, приведены примеры практического использования результатов диссертационной работы для поддержки принятия решений по управлению Смоленской областью.

Методика использования нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом включает следующие этапы.

1. Формулировка задач, которые предполагается решать с помощью информационно-аналитической системы управления регионом.

2. Определение состава и свойств информационных объектов, в т.ч. входных и выходных переменных для всех возможных моделей региональной социально-экономической системы.

3. Выбор и описание источников получения необходимой информации.

4. Проектирование структуры базы данных, которая должна адекватно отражать состав и свойства выбранных информационных объектов, а также учитывать форматы данных, получаемых из внешних источников.

5. Проектирование программного обеспечения НАС, в том числе модуля, реализующего нейро-нечеткий метод группового учета аргументов.

6. Сбор ретроспективных данных, необходимых для построения моделей.

7. Построение нейро-нечетких моделей региональной социально-экономической системы.

8. Использование результатов моделирования для поддержки принятия решений по управлению регионом.

Результаты диссертационной работы практически использованы администрациями Смоленской области и г. Смоленска в качестве алгоритмического обеспечения региональной информационно-аналитической системы для поддержки принятия решений по управлению социально-экономическими системами. На рисунке 1 приведена архитектура данной системы, включающей подсистему поддержки принятия управленческих решений, реализующая нейро-нечеткий метод группового учета аргументов.

Внешний пользователь с \veb-интерфейсом

\Veb-клиент

Внешний пользователь с клиентским интер_фей сом_

БД статистики

Приложение-клиент

Почтовый сервер

\Veb-cepBep

Интерпретатор запросов

Сервер БД

Информационно-аналитическая система регионального управления

Хранилище данных

Серверное приложение

1Т~

Подсистема оперативной и аналитической обработки данных

Модуль построения моделей

Редактор систем нечеткого вывода

Задание функции принадлежности

Формирование системы правил

Редактор нейро-нечетких сетей

Формирование структуры

Обучение

Тестирование

ч —у

Модуль самоорга-

Предваритедьная обработка данных

Реализация алгоритмов самоорганизации

Подсистема поддержки принятия управленческих решений, реализующая нейро-нечеткий метод группового учета аргументов

Модуль выбора и /" адаптации моделей N

Модуль анализа

Классификация моделей

Тестирование молелен и выбор варианта адаптации

Редактор модулей

Настройка параметров нейро-нечетких сетей

Настройка параметров алгор»ггмов

Модуль использования моделей

л

. Редактор исходных ' данных *

Ввод и/или импорт исходных данных

Предварительная обработка данных

Вычислительный модуль

Расчет выходных переменных моделей

Визуализация результатов моделирования

Рисунок I — Архитектура информационной СППР по региональному

управлению

На рисунке пунктирной стрелкой показан поток данных, используемых для построения моделей региональной социально-экономической системы, штрих-пунктирной - обмен моделями, происходящий в результате работы модулей построения, выбора и адаптации моделей, а сплошной - запись результатов моделирования в хранилище данных. Результаты моделирования используются не только в процессе принятия решений по управлению региональной социально-экономической системой, но и для дальнейшей оценки качества получаемых моделей и принятия решений о необходимости их адаптации.

Разработанные в диссертации алгоритмы и программные средства использовались в ИАСППР по управлению Смоленской областью и г. Смоленском для прогнозирования последствий принимаемых решений по реализации мероприятий по увеличению валового регионального продукта, уровня занятости, реальных доходов населения и т.д.

Результаты прогнозирования использовались при разработке ряда целевых программ развития региональной и муниципальной социально-экономической системы, а также Стратегического плана развития Смоленской области на период до 2015 г.

В приложениях приведены вид окон визуального интерфейса программного модуля, реализующего разработанные алгоритмы применения нейро-нечеткого МГУА, и справки об использовании результатов диссертационной работы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ПРЕДЛОЖЕНИЯ

1. На основе проведенного анализа современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическим системами обоснованы предпосылки применения МГУА в процессе управления региональными системами.

2. Разработан нейро-нечеткии метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования, отличающийся возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать эксперт-

ную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

3. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

4. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе.

5. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

6. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий метод группового учета аргументов и позволяющие учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

7. Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

8. Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

9. Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

10. Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

Результаты диссертации опубликованы в следующих работах:

1. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечёткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, М.: Фнзматлит, 2005, (168/86 с.)

2. Дли М.И., Бояринов Ю.Г. Применение модифицированного метода группового учета аргументов при построении моделей экономических объектов // Современные проблемы управления экономическими и техническими системами: Сб. науч. тр., - Смоленск: МАИ - СИБП, 2001 (6/3 с.)

3. Бояринов Ю.Г. Основные направления развития систем контроллинга промышленного предприятия // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. М.: Физматлит, 2002. (3 с.)

4. Бояринов Ю.Г., Стоянова О.В. Решение недоопределенных задач моделирования на основе принципа самоорганизации моделей // Системы компьютерной математики и их приложения: Сб. тр. VII межд. конф. - Смоленск: СГУ, 2006. (4/2 с.)

5. Бояринов Ю.Г., Стоянова О.В. Метод учета качества информации в процессе управления сложными социально-экономическими системами // Про-

блемы экономики, организации и управления предприятиями, отраслями, комплексами в разных сферах народного хозяйства: Сб. тр. V межд. науч,-практ. конф.- Новочеркасск: НГТУ, 2006. (4/2 с.)

6. Бояринов Ю.Г. Повышение эффективности использования математических моделей при управлении сложными техническими и социально-экономическими системами // Современные информационные технологии в экономике, управлении и образовании: Сб. тр. науч.-метод. конф. - Смоленск, СФУПК, 2006. (4 с.)

7. Бояринов Ю.Г. Особенности промышленного предприятия как объекта моделирования и управления // Моделирование. Теория, методы и средства: Сб. тр. VI межд. науч.-практ. конф., — Новочеркасск : НГТУ, 2006. (3 е.).

8. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Применение нейро-нечеткого метода группового учета аргументов для построения моделей социально-экономических систем // Программные продукты и системы (приложение к журналу «Проблемы теории и практики управления»). —2006 - №3 (4/2 с.)

9. Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем // Информационные технологии моделирования и управления. — 2006 — выпуск 4(29). (6 с.)

10. Бояринов Ю.Г. Применение нейро-нечеткого метода группового учета аргументов для построения моделей социально-экономических систем // Системы управления и информационные технологии. - №2.1(24), 2006 (спецвыпуск рубрики «Перспективные исследования»). (4 с.)

11. Стоянова О.В., Бояринов Ю.Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. - 2006 - №4. (6 с.)

Объем 1,4 п.л. Тираж 100 эт.

Издательский сектор филиала ГОУВПО «МЭИ (ТУ)» в г. Смоленске 214013, г. Смоленск, Энергетический проезд, 1

Введение

1. Анализ современных методов поддержки принятия решений по управлению социально-экономическими системами f 1.1. Общая постановка задачи управления социально-экономическими системами на основе применения идентифицирующих математических моделей

1.2. Анализ существующих методов построения идентифицирующих моделей, используемых в системах поддержки принятия решений по управлению социально-экономическими системами

1.3. Предпосылки использования метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами щ 1.4. Выводы

2. Разработка метода группового учета аргументов, использующего нейро-нечеткие частные модели

2.1. Общее описание разработанного нейро-нечеткого метода группового учета аргументов

2.2. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по оперативному управлению региональными социально-экономическими системами

2.3. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по стратегическому управлению региональными социально-экономическими системами

2.4. Выводы

3. Разработка программного обеспечения для управления региональными социально-экономическими системами на основе нейро-нечеткого метода группового учета аргументов

3.1. Универсальный программный модуль, реализующий разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов

3.2. Результаты имитационных вычислительных экспериментов по проверке характеристик разработанного нейро-нечеткого метода группового учета аргументов

3.3. Архитектура и режимы функционирования информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами

3.4. Выводы

4. Практическое применение разработанного нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом

4.1. Методика использования нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом

4.2. Интеграция программного модуля, реализующего разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов, в составе информационно-аналитической системы поддержки принятия решений по управлению Смоленской областью

4.3. Результаты практического применения нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по управлению Смоленской областью

4.4. Выводы 151 Заключение

Список используемых источников

Переход Российской Федерации к устойчивому развитию невозможен без создания условий для устойчивого развития регионов. Это определяет необходимость повышения обоснованности принимаемых решений по управлению социально-экономическими системами регионального уровня на основе всестороннего анализа информации о состоянии внешней и внутренней среды региона. Известно, что региональные социально-экономические системы как объекты управления характеризуются многофакторностью, существенной нелинейностью функциональных зависимостей между факторами, активным влиянием на управляющую систему. В настоящее время для повышения эффективности регионального управления достаточно широко применяются системы поддержки принятия решений (СППР), использующие построение, анализ и применение математических моделей региональных социально-экономических систем или их отдельных подсистем.

Проблемы повышения эффективности регионального управления социально-экономическими системами на основе применения СППР, в составе математического обеспечения которых используются математические идентифицирующие модели, рассматривались в трудах С.А. Редкозубова, Ю.И. Журавлева, ЯЗ. Цыпкина, С.А. Айвазяна, B.C. Мхитаряна, В.Н. Буркова, В.Н. Кузнецова, А.А. Дорофеюка, В.Е. Баумана, В.А. Кострова, В.М. Лохина и др. Отдельным аспектам теории и практики построения идентифицирующих математических моделей сложных социально-экономических систем посвящены работы российских ученых Б.В. Палюха, А.В. Максимова, Н.А. Семенова, А.Н. Чохонелидзе и др.

В указанных работах в качестве одного из подходов к построению математических моделей сложных систем произвольной природы рассматривается метод группового учета аргументов (МГУА), предложенный академиком А.Г. Ивахненко и развитый в работах Ю.П. Юрачковского, Ю.П. Зайчен-ко, И.А. Мюллера, Г.А. Ивахненко. Целесообразность применения МГУА для построения моделей социально-экономических систем определяется его возможностью обеспечивать приемлемую ошибку прогнозирования в условиях многофакторности управляемого объекта и ограниченности объема обучающей выборки.

В то же время анализ современных региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов и управляющих воздействий, многие из которых не могут быть измерены при помощи метрических шкал. Следует также отметить, что в условиях слабой математической формализации некоторых региональных социально-экономических процессов и ограниченного объема статистических данных возрастает роль экспертной информации. Данные обстоятельства снижают эффективность применения известных вариантов реализации МГУА в составе математического и алгоритмического обеспечения СППР по управлению социально-экономическими системами регионального уровня.

Как представляется, минимизировать указанные недостатки МГУА возможно на основе применения при построении частых моделей аппарата нечетко-логических (гибридных) нейронных сетей, предложенных в работах Алтунина А.Е., Асаи К., Борисова В.В., Верескова С.К., Дорохова И.Н., Ко-марцовой Л.Г., Кофмана А., Круглова В.В., Кузьмина В.Б., Леоненкова А.В., Орловского С.А., Осовского С., Поспелова Д.А, Регеджа Р.К., Семухи-на М.В., Сугено М., Терано Т., Федорова В.В. и других отечественных и зарубежных ученых.

В связи с этим возникает актуальная научная задача разработки нейро-нечёткого метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, использующего нейро-нечеткие частные модели, позволяющие учитывать экспертную информацию при селекции факторов внутренней и внешней среды, представленных в количественной и качественной форме, что имеет существенное значение для повышения эффективности регионального управления.

Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области 20012004 г.г. и 2005-2008 г.г., и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и техноло гии на период до 2010 г. - «Компьютерное моделирование» и «Искусственный интеллект».

Цель работы: разработать нейро-нечёткий метод группового учета аргументов, использующего нейро-нечеткие частные модели, и методику его применения в составе СППР по управлению региональными социально-экономическими системами, позволяющую повысить эффективность регионального управления.

Для реализации указанной цели были поставлены и решены следующие основные задачи: ^ 1. Анализ современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическими системами и обоснование предпосылок применения МГУА в процессе управления региональными системами.

2. Разработка нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами.

3. Разработка алгоритма интеллектуальной поддержки принятия оперативных решений по управлению региональными социально-экономическими системами на основе реализации нейро-нечеткого метода группового учета аргументов.

4. Разработка алгоритма интеллектуальной поддержки принятия стратегических решений по управлению региональными социально-экономическими системами, позволяющего осуществлять обработку информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа.

5. Разработка архитектуры информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами, использующей нейро-нечеткий метод группового учета аргументов, и методики её применения.

6. Выработка практических рекомендаций по применению результатов диссертационного исследования в СППР по управлению Смоленской областью.

Объектом исследования являются региональные социально-экономические системы.

Предметом исследования является процесс управления региональными социально-экономическими системами на основе применения информационных СППР, в состав которых входят математические модели.

Теоретической и методологической базой исследования являются системный подход к анализу и управлению социально-экономическими объектами и процессами, теории управления, идентификации и математического моделирования, известные варианты МГУА, теории нечеткой логики и искусственных нейронных сетей, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по теории управления социальными и экономическим системами.

Информационной базой исследования являются данные Госкомстата РФ, отчетные данные департаментов Администрации Смоленской области и г. Смоленска.

Наиболее существенные научные результаты, полученные автором.

1. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования. Метод отличается от известных возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

2. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

3. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе, что дает возможность вырабатывать управляющие воздействия с учетом их долговременных последствий.

4. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

5. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий метод группового учета аргументов и позволяющие учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

Достоверность и обоснованность научных результатов, выводов и рекомендаций диссертации определяются корректным применением теории управления, идентификации и математического моделирования, нечеткой логики и искусственных нейронных сетей. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ^ ученых в области управления социальными и экономическими системами.

Научная новизна работы состоит в разработке нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с использованием нейро-нечетких сетей в качестве частных моделей МГУА, а также алгоритмов и методики его реализации в составе СППР по региональному управлению.

Значение полученных результатов для теории и практики.

Разработанные в диссертации нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующими разработанный нейро-нечеткий МГУА, вносят вклад в теорию и практику идентификации в организационных системах и применения методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах.

Сведения о реализации и целесообразности практического исполь-М зования результатов.

Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на: Международной научной конференции «Математические методы в интеллектуальных информационных системах» (Смоленск, 2002), VII Международной научной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2006), V Всероссийской научно-практической конференции «Проблемы экономики, организации и управления предприятиями, отраслями, комплексами в разных сферах народного хозяйства» (Новочеркасск, 2006), межвузовской научно-методической конференции «Современные информационные технологии в экономике, управлении и образовании» (Смоленск, 2006), VI Международной научно-практической конференции «Моделирование. Теория, методы и средства» (Новочеркасск, 2006), а также на научных семинарах филиала МЭИ (ТУ) в г. Смоленске.

Публикации. По теме диссертации опубликовано 11 печатных работ общим объемом: 11,3 п.л., в том числе лично автору принадлежит 5,2 п.л. Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 116 наименований и 4 приложений. Диссертация содержит 177 страниц машинописного текста, 44 рисунка и 12 таблиц.

4.4. Выводы

К основным результатам диссертационного исследования, отраженным в текущей главе, относится следующее.

1. Разработана методика использования нейро-нечеткого метода • группового учета аргументов в системе поддержки принятия решений по управлению регионом.

Методика описывает основные этапы построения и использования ИАСППР по управлению регионом, включая этапы построения математических моделей социально-экономических систем с помощью алгоритмов нейро-нечеткого МГУА.

2. Разработана архитектура ИАСППР по региональному управлению, включающая подсистему, реализующую алгоритмы нейро-нечеткого МГУА.

Разработанная архитектура учитывает особенности организации центрального ядра информационно-аналитической системы Смоленской области, технологии обмена данными с внешними информационными системами и схемы движения информационных потоков в процессе принятия решений по управлению регионом.

3. Результаты использования нейро-нечетких моделей региональных социально-экономических систем в процессе управления Смоленской областью и г. Смоленском.

Разработанные в диссертации алгоритмы и программные средства использовались в ИАСППР по управлению Смоленской областью и г. ^ Смоленском для прогнозирования последствий принимаемых решений по реализации мероприятий по увеличению валового регионального продукта, уровня занятости, реальных доходов населения, а также решений в области здравоохранения, обеспечения населения жильем и демографической политики.

153

ЗАКЛЮЧЕНИЕ

В ходе диссертационного исследования были получены следующие основные результаты.

1. На основе проведенного анализа современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическим системами обоснованы предпосылки применения МГУА в процессе управления региональными системами.

2. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования, отличающийся возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

3. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

4. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе.

5. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

6. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующей разработанный нейро-нечеткий метод группового учета аргументов и позволяющей учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

7. Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социальноэкономическими системами, использующей разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

1. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит. 2000.

2. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.

3. Бурков В.Н., Новиков Д.А. Теория и практика управления активными системами // Измерения, контроль, автоматизация. 2000. № 3.

4. Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.

5. Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.

6. Райбман Н.С., Чадеев В.М. Построение моделей производства. М.: Энергия, 1975.

7. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.

8. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

9. Себер Дж. Линейный регрессионный анализ, М.: Мир, 1980.

10. Дисперсионная идентификация /Под. ред. Н.С. Райбмана. М.: Наука, 1981.

11. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

12. Цыпкин ЯЗ. Основы информационной теории идентификации. М.: Наука, 1984.

13. Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М.П.Ураумана. М.: ИНФА-М, 1996.

14. МВощинин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.

15. Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.

16. Кононов Д. А., Косяченко С. А., Кульба В. В. Сценарный анализ динамики поведения социально-экономических систем // www.ec.asu.ru.

17. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.

18. Ивахненко А. Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.

19. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

20. Cover Т.М., Hart Р.Е. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21-27.

21. Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods//Mathematics of Computation. 1981. V.37.N155. P.141-158.

22. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.

23. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные системы. М.: Финансы и статистика, 1996.

24. Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО "ТетраСистемс", 1997.

25. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.

26. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000.

27. Девяткин В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.

28. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Физматлит, 1996.

29. Ириков В.А., Тренев В.Н. Распределенные системы принятия решений. М.: Наука, 1999.

30. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. М.: СИНТЕГ, 2002.

31. Беленький А.Г. Федосеева И.Н. Прогнозирование состояния динамических сложных систем в условиях неопределенности. М.: ВЦ РАН, 1999.

32. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во института математики, 1999.

33. Заде J1. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.

34. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

35. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.

36. Орловский С.А. Проблемы принятия решений при нечеткой входной информации. -М.: Наука, 1981.

37. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.

38. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д.А. М.: Наука, 1986.

39. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990.

40. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990.

41. Мелихов А.Н., Берштейн J1.C., Коровин C.J1. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

42. Алиев Р.А., Церковный А.Э, Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, 1991.

43. Прикладные нечеткие системы / Под ред. Т.Тэрано. М.: Мир, 1993.

44. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений: вербальный анализ решений. М.: Физматлит, 1996.

45. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

46. Wang L.-X. Fuzzy systems are universal approximators // In Proc. of the 1-st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194-207.

47. Dickerson J. A., Kosko B. Fuzzy function approximation with supervised ellipsoidal learning. // Proc. World Congr. Neural Networks (WCNN-93). -1993.-vol. 2.-P. 9-17.

48. Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. - vol. 77. - P. 15-33.

49. Kim H. M., Mendel J. M. Fuzzy basis functions: comparison with other basis functions // IEEE Trans. Fuzzy Systems. 1995. - vol. 3. - P.158-168.

50. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

51. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.

52. Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.

53. Галушкин А.О. О современных направлениях развития нейрокомпьютеров // Нейрокомпьютер. 1997. № 1,2. С.5-22.

54. Priestly М.В. Non-linear and поп stationary time series prediction. London: Academic Press, 1988.

55. Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301-306.

56. Круглов B.B., Борисов B.B., Харитонов E.B. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске). 1998.

57. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики//Нейрокомпьютер. 1998. № 1,2 С.13-26.

58. Круглов В.В., Борисов В.В. Гибридные нейронные сети. Смоленск: Русич, 2001.

59. J.-S. R. Jang, С.-Т. Sun, Е. Mizutani. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Englewood Cliffs: Prentice-Hall, 1996.

60. Макоклюев Б.И., Павликов B.C., Владимиров А.И., Фефелова Г.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. 2003. - № 6. - С. 14-19.

61. Gross G. and Galiana F.D. Short term load forecasting // Proc. IEEE. 1987.-vol.75. - №12. - P. 1558-1573.

62. Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting using non fully connected artificial neural network // IEEE Trans, on Power Systems. 1992. - vol. 7. - №3. - P. 1098-1105.

63. Адамеску А., Кистов В. Региональные программы: перспективные вопросы // Экономист. 1997. - №6 - с. 68-72.

64. Гаврилов А. И. Региональная экономика и управление: Уч. пособие для вузов. М.: ЮНИТИ-ДАНА, 2002.

65. Гутман Г. В. Управление региональной экономикой М.: Финансы и статистика, 2001.

66. Лычкина Н. Н. Моделирование социально-экономического развития регионов // www.lichkina.imis.ru.

67. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1969.

68. Ивахненко А.Г., Лапа В.Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.

69. Ивахненко А.Г., Зайченко Ю.П., Дмитриев В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.

70. Дьяконов В.П., Круглов В.В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.

71. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. М.: Нолидж, 2001.

72. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003.

73. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.

74. Иванов В.А., Чемоданов Б.К., Медведев B.C. Математические основы теории автоматического управления. М.: Высш. школа, 1971.

75. Математическое моделирование сложных физико-химических процессов/ А.Н.Чохонелидзе, М.И. Дли, Е.А.Берзин, М.М. Орлов. Тверь: ТвГТУ, 1999.

76. Ивахненко А.Г., Мюллер Й. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985.

77. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.

78. Черезов А. Что такое прокси-сервер, и зачем он нужен. // http:// www.eserv.ru/ WhatlsProxyServer.

79. Олифер В.Г., Олифер Н.А. Основы сетей передачи данных. М.: «Интернет-Университет Информационных технологий», 2003.

80. Галатенко В.А. Основы информационной безопасности. М.: «Интернет-Университет Информационных технологий», 2003.

81. Бруй В.В., Карлов С.В. Организация сервера на базе ОС Linux. М.:СИП РИА, 2004.-125 е.: ил.

82. Зима В., Николаев А. Повышение защищенности Крепостной стеной // http://opennet.ru. ;

83. Вендров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник для студентов вузов М.: Финансы и статистика, 2000.

84. Смоленская область в цифрах в 2005 году: Статистический сборник / Федеральная служба гос. статистики. Смоленск: Б/И, 2005.

85. О наличии, составе и движении основных фондов Смоленской области: Статистический сборник сборник / Федеральная служба гос. статистики. -Смоленск: Б/И, 2005.

86. Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.

87. Давыдов А.А. Индекс социального неблагополучия// Социологические исследования. 1995. № 10. С. 118-127.

88. Давыдов А.А. Модель социального времени// Социологические исследования. 1998. № 4. С.98-101.

89. Дли М.И. Алгоритм идентификации с автоматическим выбором порядка модели // Устройства и системы автоматического управления: Сб. науч. трудов. Смоленск: Моск. энерг. ин-т (фил-л в г. Смоленске). 1996. С.5-7.

90. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998.

91. Рожнов А.В., Энеев О.О. Основы формирования новых методов интеллектуальной обработки данных информационно-управляющих систем // Нейрокомпьютеры: разработка и применение. 2003. - № 2. - С. 22-28.

92. Загоруйко Н.Г., Елкина В.Н. Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.

93. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2000.

94. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001.

95. Анил К. Джейн, Жианчанг Мао, Моиудин К.М. Введение в искусственные нейронные сети // Открытые системы. 1997.- №4. С. 17-24.

96. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. - № 4. С. 25-28.

97. Саати Т., Керне К. Аналитическое планирование. Организация систем. -М.: Радио и связь, 1991.

98. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн-В, 1999.

99. Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Автоматика. 1992. №1. - С.26-35.

100. Дли М.И., Игнатьев И.В. Активный эксперимент в задаче идентификации сложных систем управления // Перспективные технологии автоматизации: Тез. докл. междунар. электрон, науч.-техн. конф. Вологда: ВоГТУ, 1999. С.95-96.

101. Дли М.И., Игнатьев И.В. Локально-параметрические методы в задачах прогнозирования экономических показателей // Математические методы и компьютеры в экономике: Сб. статей II Междунар. науч.-техн. конф. Пенза. 1999. С. 118-120.

102. Дли М.И., Игнатьев И.В. Об одном подходе к прогнозированию рыночной конъюнктуры // Тез. докл. V Междунар. науч. конф., посвященной 85-летию со дня рождения академика В.В.Кафарова. Казань. 1999 г. С.83.

103. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК "Наука/Интерпериодика"), 1999.

104. Дли М.И. Локально-аппроксимационные модели динамических объектов// Программные продукты и системы, 1999. № 3. С.26-28.

105. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечёткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, М.: Физматлит, 2005, (168/86 с.)

106. Бояринов Ю.Г. Основные направления развития систем контроллинга промышленного предприятия // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. М.: Физматлит, 2002. (3 с.)

107. Бояринов Ю.Г., Стоянова О.В. Решение недоопределенных задач моделирования на основе принципа самоорганизации моделей // Системыкомпьютерной математики и их приложения: Сб. тр. VII межд. конф. -Смоленск: СГУ, 2006. (4/2 с.)

108. Бояринов Ю.Г. Особенности промышленного предприятия как объекта моделирования и управления // Моделирование. Теория, методы и средства: Сб. тр. VI межд. науч.-практ. конф., Новочеркасск : НГТУ, 2006. (3 е.).

109. Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем // Информационные технологии моделирования и управления. 2006 - выпуск 4(29). (6 с.)

110. Стоянова О.В., Бояринов Ю.Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. 2006 - №4. (6 с.)