автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка методов и алгоритмов автоматизированной системы экспертного оценивания слабо формализуемых объектов транспорта

На правах рукописи

003489720

ДЕНИСОВ АНДРЕЙ ВИТАЛЬЕВИЧ

РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ЭКСПЕРТНОГО ОЦЕНИВАНИЯ СЛАБО ФОРМАЛИЗУЕМЫХ ОБЪЕКТОВ ТРАНСПОРТА

Специальность: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 4 ЛЕН 2009

г. Ростов-на-Дону 2009 г.

003489720

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС)

Научный руководитель

доктор технических наук, профессор Лябах Николай Николаевич

Официальные оппоненты

доктор технических наук, профессор Ковалев Сергей Михайлович

кандидат технических наук, доцент Тарасов Валерий Борисович

Ведущая организация

Таганрогский технологический институт Южного федерального университета (ТТИ ЮФУ), г. Таганрог

Защита состоится «29» декабря 2009г. в 13 часов 00 минут на заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Ростовского государственного университета путей сообщения.

Автореферат разослан «¿4» ноября 2009г.

Ученый секретарь

диссертационного совета Д 218.010.03, доктор технических наук, профессор

Бутакова М А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. ОАО «РЖД» решает комплекс сложных задач обеспечения народного хозяйства страны транспортными услугами в условиях изменяющейся рыночной экономики. Конкурентоспособность и эффективность российских железных дорог напрямую зависит от внедрения новых технологий на всех уровнях функционирования отрасли.

В основу Стратегической программы развития ОАО «РЖД» положена идеология инновационного менеджмента, т.е. управления процессом от возникновения идеи до ее успешного воплощения в создании нового продукта или услуги. Во главу угла поставлены экономические критерии деятельности корпорации с необходимыми, сравнимыми с мировым уровнем, ограничениями по безопасности и качеству предоставления транспортных услуг. Движущей силой реструктуризации железных дорог России должны стать новые идеи, как в управлении, так и в совершенствуемых транспортных технологиях.

В целях создания единого информационного поля решено развивать автоматизацию и информатизацию отрасли на основе единой автоматизированной системы управления транспортным комплексом Российской Федерации (АСУ ТК). Данная система должна объединить в себе управление различными аспектами функционирования Российских железных дорог, начиная от перевозочного процесса и заканчивая формированием стратегических планов развития ОАО «РЖД».

Для успешного и эффективного функционирования АСУ ТК необходимо наличие функциональных подсистем, обеспечивающих возможность формировать управленческие решения в рамках инновационного процесса и учитывающих его специфику, которая заключается в наличии большого числа неопределенностей всех уровней. Влияние этих неопределенностей приводит к необходимости ограничить использование оптимизационных методов управления и перейти к адаптивным подходам, способным оперативно подстраиваться под изменения во внешней среде. Привлечение экспертов для анализа, оценки и управления слабо формализуемыми объектами, обладающими высокой степенью неопределенности, является одним из наиболее распространенных методов. В частности, на основе экспертных заключений формируются списки приоритетных для отрасли направлений развития технологий и техники, формируются планы научно-технического развития (НТР), отбираются договора для финансирования в области НИОКР, формируется прогноз состояния и развития отрасли и ее частей на среднесрочную и долгосрочную перспективу. Однако в данной области отсутствуют четкие и универсальные механизмы проведения экспертиз, учитывающие выше перечисленные особенности. Важность качественного анализа и отбора научно-технических приоритетов для отрасли определяет необходимость разработки принципов, методов и алгоритмов систем

управления экспертным оцениванием слабо формализуемых объектов, функционирующих в условиях изменчивой среды.

Степень разработанности проблемы. Методам управления объектами на основе принципов самоорганизации и адаптации посвящены работы таких отечественных и зарубежных ученых как Р. Беллман, С. Вир, К. Гловер, А.Н. Гуда, А.Г. Ивахненко, М.Б. Игнатьев, Р. Калман, A.A. Колесников, H.H. Лябах, Дж. Саридис, Г. Хакен, В.В. Цыганов, У.Р. Эшби и многих других.

Вопросами разработки принципов и методов организации управления сложными социально-экономическими системами, которой является и ОАО «РЖД», занимались такие отечественные ученые, как В.П. Авдеев, A.A. Ашимов, Г.И. Белявский, В.Н. Бурков, Г.М. Гришанов, В.Г. Засканов и другие авторы.

Проблемы использования экспертных оценок в задачах управления рассматривались в работах таких авторов, как Г.Г. Азгальдов, С.Д. Бешелев, Ф.Г. Гурвич, Л.Г. Евланов, В.А. Кутузов, Э.П. Райхман, A.A. Френкель, Д.С. Шмерлинг.

Вопросы разработки математического, информационного, алгоритмического обеспечения автоматизированных систем управления освещены в работах М.А. Бутаковой, A.A. Воронова, В.Н. Иванченко, Л.В. Канторовича, М.А. Королева, Т.Н. Соколова.

Различные фундаментальные и прикладные аспекты интеллектуальных систем управления нашли отражение в работах таких ученых как Н. Винер, В.М. Глушков, Д.И. Дубровский, С.М. Ковалев, A.A. Ляпунов, М. Минский, Д.А. Поспелов, Ф. Розенблагг, В.Б. Тарасов, А.Н. Шабельников и др.

Цели и задачи исследования. Цель исследования заключается в разработке принципов, методов и алгоритмов эффективного отбора слабо формализуемых однородных объектов (научно-технических программ, технологий, договоров на НИОКР, планов НТР и т.п.) в условиях неопределенности (конъюнктура рынка, технологические особенности производства новых (инновационных) товаров, состояние дел в научно-технической сфере). На основе этих принципов, методов и алгоритмов должна быть построена автоматизированная система управления, способная подстраиваться под изменения во внешней среде, а также нивелировать возможные внутренние негативные факторы. Для достижения поставленной цели необходимо решить ряд задач:

1. Провести анализ методов решения задачи отбора слабо формализованных объектов по заданным критериям. Выделить возможные источники неопределенности и проанализировать способы их устранения.

2. Разработать структуру и алгоритм работы системы отбора объектов, построить ее математическую модель.

3. Проанализировать методы формирования набора исследуемых объектов. Выбрать наиболее эффективный из них. Разработать параметрическое обеспечение системы.

4. Выполнить проектирование и разработку автоматизированной системы управления на основе сформированного математического, алгоритмического, параметрического и информационного обеспечения.

5. Внедрить разработанные предложения и методики в решение задач формирования плана НТР и планирования НИОКР железнодорожной отрасли.

Объект и предмет исследования. Объектом исследования является процесс определения наиболее эффективных по тем или иным критериям альтернатив в условиях неопределенности. Предметом исследования являются принципы, методы и алгоритмы осуществления отбора слабо формализованных объектов. Исследование выполнялось в рамках следующих пунктов паспорта специальности:

п. 8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.

п. 10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТПП и др.

п. 16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.

Теоретико-методологической основой исследования послужили работы отечественных и зарубежных авторов в области адаптивных и самоорганизующихся систем, современные концепции управления активными системами, способы получения и обработки экспертных оценок, работы в области теории нечетких множеств, генетических алгоритмов, теории расписаний. При разработке автоматизированной системы управления применялись современные методологии проектирования и средства разработки программного обеспечения.

Концепция диссертационного исследования исходит из того, что в современных условиях при переходе отрасли в целом на инновационные рельсы на всех уровнях управления компанией придется столкнуться с необходимостью эффективного выбора среди имеющихся альтернатив (планы НТР, договора на НИОКР и т.п.) в условиях неопределенности. В связи с этим необходим теоретико-прикладной аппарат, способный формализовать процедуры отбора и адаптироваться к изменяющимся условиям внешней среды, а также требованиям управленческого персонала. Суть предлагаемого подхода состоит в привлечении для анализа имеющихся альтернатив экспертов, продуктивность работы которых определяется апостериорной оценкой, базирующейся на эффективности выбранных решений, а также на применении аппарата нечеткой логики и эволюционных вычислений для сбора и обработки суждений экспертов.

Положения диссертации, выносимые на защиту.

1. В условиях инновационной экономики функционирование ОАО «РЖД» будет сопряжено с наличием большого числа неопределенностей. Автоматизированные системы управления всех уровней должны учитывать данный факт и иметь необходимый аппарат для адаптации к изменяющимся

условиям, выбора наиболее эффективного варианта работы при наличии слабой формализованное™ имеющихся альтернатив. Для обеспечения эффективного научно-технического развития отрасли таким аппаратом следует обеспечить базовую АСУ в этой области, а именно Автоматизированную систему управления научно-техническим развитием (АСУ НТР) ОАО «РЖД».

2. Для осуществления эффективного выбора альтернатив в условиях неопределенности должны быть использованы методы экспертных оценок. Однако, возможная ангажированность экспертов, недостаточная их квалификация или явления конформизма могут негативно сказаться на объективности их оценок. Похожие проблемы возникают и с агентами (сотрудники, подразделения, организации), формирующими список оцениваемых объектов. Для противодействия влиянию данных факторов необходимо ввести оценку квалификации или репутации экспертов и агентов в виде рекурсивной функции от предсказанной и реальной эффективности отобранных альтернатив.

3. Система экспертного оценивания слабо формализованных объектов должна состоять из следующих подсистем: подсистема экспертных оценок, подсистема формирования результатов экспертизы, подсистема формирования оценок экспертов и агентов. Подсистема экспертных оценок решает следующие задачи: формирование и ранжирование критериев оценки, выполнение экспертной оценки объектов. Подсистема формирования результатов экспертизы в процессе своей работы использует экспертные оценки, параметры, описывающие предпочтения и возможности организаторов экспертизы, а также данные о самих объектах. Подсистема формирования оценок экспертов и агентов предназначена для анализа результата работы экспертов, а также учета добросовестности агентов при подготовке списка параметров оцениваемых объектов.

4. Для формирования набора эффективных объектов необходимо использовать генетические алгоритмы, так как их применение в большинстве случаев позволит минимизировать затраты времени и аппаратных ресурсов по сравнению с другими методами оптимизации. В зависимости от параметров задачи может быть определен наиболее эффективный метод ее решения, а также наиболее эффективные генетические операторы и параметры генетического алгоритма.

5. На основе проведенных исследований построена эффективно функционирующая «Автоматизированная система управления процессом формирования портфеля инновационных проектов». Наиболее оптимальной и универсальной архитектурой такой АСУ является трехзвенная, в основе которой лежит \уеЬ-портал.

Научная новизна. Научную новизну диссертационного исследования составляют следующие результаты:

1. Разработано программно-математическое обеспечение подсистемы АСУ НТР ОАО «РЖД» по формированию списка планов НТР и портфеля проектов НИОКР.

2. Разработан апостериорный метод оценки работы экспертов (агентов), основанный на разнице между реальным эффектом, полученным от выбора или внедрения на транспорте того или иного объекта, и оцененным (предсказанным) экспертом (агентом). Данный метод ориентирован на применение в задачах принятия решений административно-управленческим персоналом АСУ НТР в условиях неопределенности при отсутствии априорной оценки эффективности объектов управления.

3. Разработан алгоритм функционирования и математическая модель системы отбора однородных слабо формализуемых объектов (критических технологий на железнодорожном транспорте, НИОКР вуза, железной дороги, отрасли и т.д.) в условиях неопределенности. Данная система обладает следующими преимуществами: предусмотрен механизм защиты от внутренних и внешних негативных возмущений (ангажированность экспертов, их низкая квалификация, эффекты конформизма, недобросовестность агентов, изменение требований к результирующему набору объектов и т.п.), ориентирована на особенности работы человека (метод парного сравнения, вербальные шкалы оценки), все исследуемые объекты, несмотря на оценки экспертов, доходят до финальной стадии отбора и сохраняют шанс на попадание в результирующий список.

4. Для решения задачи формирования набора слабо формализованных объектов предложено использовать генетический алгоритм. В результате проведенного исследования были определены наиболее эффективные генетические операторы и параметры. Проведен сравнительный анализ с такими методами оптимизации, как метод Балаша и метод ветвей и границ, в результате которого было выявлено превосходство предложенного генетического алгоритма по скорости нахождения решения задачи. Разработаны рекомендации по применению того или иного метода оптимизации в зависимости от параметров задачи, решаемой в АСУ НТР.

5. На основе принципов, методов и алгоритмов, изложенных в диссертационном исследовании, разработана «Автоматизированная система управления процессом формирования портфеля инновационных проектов». Данная АСУ обладает устойчивостью к внутренним и внешним возмущениям, поддерживает распределенную работу пользователей, обладает свойством кроссплатформенности, следовательно, может широко применяться в самых разнообразных областях управления на железнодорожном транспорте.

Теоретическая ценность диссертационного исследования определяется направленностью ее теоретических результатов на развитие и совершенствование принципов, методов и алгоритмов экспертного оценивания слабо формализуемых объектов, что является одной из предпосылок успешного развития железнодорожной отрасли в условиях инновационной экономики. Основные положения работы могут быть использованы при экспертном оценивании всего множества объектов, характеризующихся высокой степенью неопределенности.

Практическая значимость. Практическую значимость диссертационного исследования составляют следующие результаты:

1. Разработан и программно реализован алгоритм построения оценки работы экспертов, а также репутации агентов, формирующих список оцениваемых объектов. Данное программное обеспечение может быть широко использовано на транспорте в процессе проведения различных опросов, формирования рейтингов, определения пути дальнейшего развития в целях противодействия ангажированности экспертов и агентов, снижения влияния слабой компетентности экспертов, а также для противодействия явлениям конформизма.

2. Определены наиболее эффективные генетические операторы и параметры генетического алгоритма для решения задачи формирования списка слабо формализуемых объектов. Разработано соответствующее программное обеспечение, способное в зависимости от особенностей задачи выбирать наиболее эффективный метод решения (с помощью генетического алгоритма или методом Балаша).

3. Выполнены проектирование и разработка «Автоматизированной системы управления процессом формирования портфеля инновационных проектов» на основе унифицированного процесса разработки с привлечением языка моделирования ПМЬ. Элементы этой системы используются в работе Ростовского филиала НИИАС при формировании списка исполняемых проектов.

Реализация результатов работы. Научные результаты диссертационной работы были использованы в решении проблемы создания «Методологии формирования, корректировки и реализации Приоритетных направлений развития науки, технологий и техники в Российской Федерации и Перечня критических технологий Российской Федерации», способствующих инновационному развитию ОАО «РЖД», о чем имеется акт о внедрении результатов научных исследований.

Основные результаты диссертационного исследования были внедрены при реализации Автоматизированной системы управления научно-исследовательскими и опытно-конструкторскими разработками (АСУ НИОКР) ОАО «РЖД», что подтверждено актом о внедрении результатов диссертационного исследования.

Результаты диссертационного исследования также используются при работе Научно-исследовательской части РГУПС. Использование результатов подтверждено соответствующим актом.

Работа выполнена при поддержке РФФИ, проекты №07-01-00075 и №0707-00010.

Апробация результатов исследования. Основные положения и результаты диссертационной работы докладывались на VII Всероссийской научно-технической конференции «Молодые ученые - транспорту» (2007 г., Екатеринбург), XV Всероссийской школе-коллоквиуму по стохастическим методам и IX Всероссийском симпозиуме по прикладной и промышленной математике (2008 г., Волжский), Всероссийской научно-практической конференции «Транспорт-2008» (2008 г., Ростов-на-Дону), V Международной научно-практической конференции «Интегрированные модели и мягкие

вычисления в искусственном интеллекте» (2009 г., Коломна), Всероссийской научно-практической конференции «Транспорт-2009» (2009 г., Ростов-на-Дону), Межвузовской научной конференции по проблемам информатики СПИСОК-2009 (2009 г., Екатеринбург). Основные положения диссертации опубликованы в 12 работах, общим объемом 3,92 пл., в том числе 2,89 пл. лично автором.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения, приложения, списка литературных источников, а также актов реализации результатов диссертационной работы. Общий объем диссертации составляет 149 стр., включая 23 рисунка, 5 таблиц, список использованных источников из 132 наименований, приложения и актов реализации.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, дано общее описание выполненной работы.

В первой главе проведен анализ современных подходов к организации процедур управления отраслью. Выделены основные черты и особенности компаний, нацеленных на завоевание ведущих ролей в конкурентной борьбе. Определены основные требования к организации системы управления такими предприятиями. Сформулирована необходимость в поддерживающих системах, работающих на принципах самоорганизации и адаптации. Проанализирована организация научно-технического развития в ОАО «РЖД». Основу автоматизации в рассматриваемой сфере составляет автоматизированная система управления научно-техническим развитием (АСУ НТР) ОАО «РЖД». Данная АСУ состоит следующих подсистем:

1. АСУ научно-техническими программами (АСУ Hill);

2. АСУ научно-исследовательскими и опытно-конструкторскими работами (АСУ НИОКР);

3. АСУ научно-технической информацией (АСУ НГИ);

4. АСУ интеллектуальной собственностью (АСУ ИС).

В процессе анализа АСУ НТР исследованы каждая из ее подсистем, выделены их сильные и слабые стороны. Обоснована потребность в доработке системы в области формирования списка научно-технических программ и портфелей инновационных проектов. Рассмотрены различные методы прогнозирования. Сформулирована необходимость привлечения экспертов для решения задачи выбора слабо формализуемых объектов в условиях неопределенности.

Во второй главе система экспертного оценивания слабо формализованных объектов рассмотрена на примере системы формирования портфеля инновационных проектов. Разработана модель и структура данной системы. Выделены три подсистемы, описанию каждой из которых посвящен отдельный подраздел.

Рассматривается следующая модель, в контексте которой функционирует разрабатываемая система. Пусть имеется крупная компания, занимающаяся разработкой и внедрением инновационных продуктов. В рамках компании выделена организационная структура, занимающаяся сбором, анализом и оценкой инновационных проектов, генерируемых отдельными сотрудниками или другими подразделениями компании (далее агентами). Назовем эту структуру Инновационный инвестиционный центр (далее Центр). Компания функционирует на основе матричной системы управления и проектного подхода в организации работы, при котором каждый из сотрудников имеет возможность инициировать работы над проектом и использовать все ресурсы компании для его благополучной реализации, а также стать руководителем этого проекта, либо получать дивиденды от результата его реализации. Каждый предложенный проект должен пройти процедуру оценки, в результате которой он попадает в портфель проектов, либо отклоняется.

При работе Центра преследуется цель сформировать наиболее выгодный и эффективный портфель инновационных проектов, а также минимизировать влияние различных неопределенностей. Проекты, попавшие в портфель, получают финансирование компании. Агенты получают дивиденды от реализации их проектов. За качественный выбор портфеля проектов Центр получает финансовое поощрение от компании. Центр не информирован об истинных мотивах и политике агентов. Центр в своей работе использует экспертов, о мотивах которых он также не информирован.

Взаимодействие Центра и компании можно описать при помощи, так называемой, двухсекторной модели экономики. А для оценки эффективности работы Центра по итогам отобранных и исполненных инновационных проектов можно использовать модель, включающую следующие компоненты: вектор состояния, критерии функционирования, модель динамики.

Вектор состояния характеризует инновационно-инвестиционный климат в компании. Это вектор

(хих2,х3)', (1)

где х, - реально полученный компанией доход от осуществления инновационной деятельности во время /-го года; х2 — средства, которые планируется получить в результате внедрения разработанных инноваций в ¿-ом году; х3 - средства, выделенные в указанном году на разработку инновационных проектов.

В качестве показателя эффективности работы Центра можно использовать разность между полученными и затраченными компанией средствами:

J = xl-xг. (2)

Модель динамики может быть описана рекуррентной системой линейных алгебраических уравнений, связывающей предшествующее и последующее состояния:

/ N '«И «12 «13 м

*2 = «21 «22 «23 *2

1+1 «32 «33 у А,

Матрица модели (3) идентифицируется на основании исходных данных о функционировании системы в прошлом (наблюдения за вектором (1)). Третье уравнение соотношения (3) выражает сущность применяемого управления. Оно отражает количество выделяемых средств в зависимости от состояния инновационно-инвестиционного климата. Изменяя это соотношение, можно с помощью имитации найти приемлемый по заданному критерию вариант управления. Следует отметить, что критерий (2) может принимать и другой вид. В частности, он может быть равен отношению первой и третьей переменной, характеризующее приращение инвестиций на единицу вложенных средств.

Центр, выполняя процедуру отбора проектов и формирования портфеля, должен иметь возможность адаптироваться к изменяющимся условиям внешней среды, выраженной в конъюнктуре рынка, изменениях, происходящих в. научно-технической сфере, предпочтениях потребителей, а также противостоять возможным негативным внутренним факторам, выраженными в возможной ангажированности, некомпетентности или конформизме экспертов, а также в необъективности оценки проектов агентами. Адаптивность системы отбора проектов относительно внешних факторов достигается использованием экспертов в процессе оценки проектов. Возможность же противостоять внутренним неопределенностям должна быть обеспечена дополнительными механизмами функционирования системы. Принимая во внимание выше перечисленные особенности, предлагается использовать следующий алгоритм работы Центра:

Шаг 1. Формирование и ранжирование критериев оценки проектов.

Шаг 2. Подача агентами заявок на финансирование проектов, а также оценок эффективности этих проектов.

Шаг 3. Экспертная оценка проектов.

Шаг 4. Формирование портфеля инновационных проектов.

Шаг 5. По результатам выполнения проектов оценивается работа экспертов и соответствие реального эффекта заявленному агентами.

Можно выделить следующие подсистемы в рассматриваемой системе:

1. Подсистема экспертных оценок.

2. Подсистема формирования портфеля инновационных проектов.

3. Подсистема формирования оценок экспертов и агентов.

Подсистема формирования оценок экспертов и агентов функционирует на

основе данных, полученных после выполнения проектов. Причиной для создания подсистемы является необходимость борьбы с возможными злоупотреблениями в оценки проектов со стороны экспертов и в оценки эффективности проектов со стороны агентов.

В начале рассмотрим оценку агентов. При подаче заявки в Центр агент оценивает предполагаемый эффект от выполнения проекта. Чем больше

А5,=

, где £ - заявленный эффект, £ - реальный эффект. Считается, что

эффект, тем выше вероятность получить финансирование от Центра. Агент может завысить эффективность, чтобы получить необходимое финансирование. Возможно и занижение - например, для продвижения другого проекта. В этом случае необходимо оштрафовать агента. Таким штрафом может быть и финансовое наказание, и, например, пересмотр некоторой оценки, выражающей репутацию агента в численной форме. Такая процедура называется конкурсным механизмом.

Пусть агент штрафуется обоими способами: финансовым и пересмотром репутации. Финансовые штрафы определяются Центром и пропорциональны разности между заявленным и реальным эффектами. Пересмотр репутации осуществляется следующим образом. Пусть определена относительная допустимая ошибка в оценке эффекта проекта АЗ и ошибка г-го агента

М

/-ый участник конкурса добросовестно оценил проект, если АЗ, ^ АЗ. Обозначим репутацию г-го участника конкурса как Д,. Функция корректировки репутации г-го участника конкурса может принимать разный вид и должна соответствовать политике Центра в отношениях с агентом. Также эта функция должна быть непрерывна и соответствовать принципу «точнее оценка эффекта - больше вознаграждение». В качестве примера можно привеста следующую кусочно-линейную функцию для определения репутации агента во время и-го цикла подачи заявок на финансирование:

Г1,Д<?( ¿АЗ г" (АЗ,) = • 0.8,Д^ < АЗ, <; 0.5, 0.б,Д<5, >0.5

где АЗ = 0.1.

Введем следующую рекуррентную функцию для определения новой репутации Я" г-го участника во время и-го цикла подачи заявок на финансирование:

Изначально репутация всех агентов принимается равной 1.

Рассмотрим теперь проблему оценки работы экспертов. Результатом экспертной оценки проекта в большинстве случаев является некая усредненная тем или иным способом величина. На основе сравнения этих величин у разных проектов и принимается решение о включении проекта в портфель. Если принимать это усредненное значение как реальную и истинную оценку, то можно оценить компетентность эксперта по разнице между его оценкой и средней. Однако чаще всего усредненное значение, полученное в результате проведения экспертной оценки, является лишь приближенным, вероятностным видением эффекта проекта для Центра. Реальные же параметры проекта можно будет измерить лишь после его исполнения. Таким образом, в интересах Центра оценивать эксперта по разнице между реальными параметрами и параметрами,

предсказанными этим экспертом. Для оценки работы /-го эксперта на основе реально полученных данных можно применить рассуждения, приведенные выше для оценки репутации участников конкурса.

Подсистема экспертных оценок должна решать следующие задачи:

1. Формирование и ранжирование критериев оценки проектов.

2. Выполнение экспертной оценки поданных заявок на финансирование проектов.

Экспертное оценивание должно проходить тайно. Это позволит избежать эффектов конформизма, т.е. влияния авторитетов в кругу экспертов. Вопрос об ознакомлении экспертов с результатами экспертизы и проведении второго круга голосования является спорным, т.к. такая процедура может привести к деформации суждений эксперта психологического характера. Поэтому следует большее внимание уделить процедуре отбора квалифицированных экспертов, а от проведения второго круга следует отказаться.

Процедуру формирования критериев для оценки проектов сложно формализовать. Она является скорее эмпирической и должна осуществляться экспертами в выбранной области в сотрудничестве с представителями Центра и компании, так как эти критерии должны соответствовать целям проведения конкурса на финансирование проектов. Следует отметить, что выбор критериев не влияет на алгоритмы формирования портфеля инновационных проектов и является лишь одним из параметров предложенной системы.

Приоритеты компании могут меняться в зависимости от многих внешних и внутренних факторов, соответственно будут меняться и требования к проектам-кандидатам на финансирование. Соответственно, из года в год может меняться важность тех или иных параметров и критериев оценки. Возникает необходимость в ранжировании критериев, что в свете избранного адаптивного подхода позволит создать еще одну возможность для приспособления системы под изменяющиеся условия среды. Учитывая специфику инновационных проектов, а также склонность экспертов проводить оценку преимущественно в нечисловых значениях, можно прийти к выводу о необходимости использовать при многокритериальном анализе теорию нечетких множеств. В этой теории разработан ряд методов многокритериальной оптимизации, относящихся к группе методов свертывания векторного критерия. Эксперту необходимо попарно оценить каждый критерий и проект при помощи, так называемой, шкалы Саати. Применение такого подхода имеет неоспоримое преимущество перед другими методами. Оно заключается в том, что эксперту требуется производить сравнение только двух элементов, причем на качественном уровне. При этом наличие остальных элементов не влияет на ход сравнения, т.е. они считаются статистически независимыми. А это психологически существенно легче, чем непосредственно расставлять весовые коэффициенты или производить ранжирование, поскольку в этих случаях необходимо держать в голове все элементы одновременно. Следовательно, и результаты парного сравнения будут более адекватными существующим зависимостям между элементами.

После расчета результата по отдельным критериям необходимо сформировать окончательный результат экспертизы. Для этого необходимо решить задачу о нечетком многокритериальном анализе проектов по схеме Беллмана-Заде.

После формирования индивидуальных оценок экспертами необходимо выработать коллективное решение экспертной группы. Для использования в рассматриваемой системе подходит средневзвешенная оценка мнений экспертов, где в качестве веса, приписываемого оценке эксперта, выступает оценка работы эксперта, полученная в подсистеме формирования оценок экспертов и агентов.

Подсистема формирования Портфеля инновационных проектов выполняет основную функцию в системе. На выходе этой подсистемы должен получиться наиболее выгодный в финансовом, временном, техническом планах портфель проектов. Данная подсистема должна использовать экспертные оценки, полученные в Подсистеме экспертных оценок, параметры, описывающие предпочтения и возможности Центра по финансированию проектов, параметры самих проектов, а также оценки работы экспертов и репутации агентов, полученные в Подсистеме формирования оценок экспертов и агентов. Дополнительным требованием к данной подсистеме является необходимость формирования календарного плана исполнения портфеля инновационных проектов, который должен обеспечить максимальный эффект при заданных ресурсах и ограничениях.

Построим математическую модель, учитывающую все возможные варианты и параметры для рассматриваемой задачи формирования портфеля инновационных проектов. Пусть известны следующие данные: 5 - количество агентов; ДО, - /-ый агент, /=1,..., Б; п, — количество проектов у /'-го агента; Т - горизонт планирования; хи -_/'-ый проект агента ЛГ,; ра - эффект /-го проекта агента И,;

- стоимость /-го проекта агента Nl; С - общий бюджет Центра; СЦ - бюджет, доступный агенту /V,;

~ стоимость /-го проекта агента Ы, в период к, АРк - общий бюджет, доступный в период к; Д; - продолжительность /-го проекта агента //,.;

Р„ - множество проектов, которые должны быть выполнены перед проектом Ц агента г'=1,..Д

50 - множество проектов, которые должны быть финансированы в любом случае;

^ - множество проектов, которые не должны быть финансированы в любом случае;

Еа - экспертная оценкау-го проекта агента Ы,; Я, — репутация агента Ы,.

Введем переменную, отражающую решение о включении /-го проекта агента ТУ, в портфель.

{1,) - ый проект агента И, включен в портфель и начинается в момент времени 0,_/-ый проект агента Ы, не включен в портфель. В модели имеются следующие ограничения:

1. Ограничение на общий бюджет. Совокупность стоимостей проектов не должна превышать общий бюджет Центра.

М ¡ьН, 1-1

2. Ограничение на бюджет, доступный отдельному агенту. Совокупность

стоимостей проектов агента не должна превышать эту сумму.

= 1.....5

3. Ограничение на бюджет, доступный в определенный период. Совокупность стоимостей проектов, выполняющихся в этот период не должна превышать эту сумму.

/-1 УеЛ', Ы

4. Ограничение по времени завершения проектов. Все проекты должны быть завершены в планируемом периоде.

£ (/ + й, )хш <. Т+1,1 = 1.....

м

5. Ограничение по зависимости проектов друг от друга. Если проект может начаться только после выполнения другого (других проектов), то должно

выполняться это условие.

т т

IX * IX"' = е е N.

1»1 »-I

¿Ц,, + (Г +1)/1¿Ц,, = 1.....й/е?^ еМ,

1.1 V ы ) 1-1 м

6. Другие ограничения. По плану проект должен начаться только однажды.

1X^1,1 = 1

м

Проекты, входящие в множество Бо должны быть вьшолнены в период I; проекты, входящие в множество не должны попасть в портфель.

YlXl/,=UeSl¡,jeNt (=1

ы

Пусть оптимальность /-го проекта агента Лг, определяется следующим образом:

г^р^Л,. (4)

Выражение (4) означает, что самым оптимальным будет проект, обладающий максимальным эффектом, с самой лучшей оценкой экспертов и наилучшей репутацией агента.

Функция полезности портфеля инновационных проектов в этом случае будет выглядеть следующим образом:

Ы 1-1

Для формирования наиболее эффективного календарного плана портфеля инновационных проектов необходимо решить задачу оптимизации, обозначенную выше. В настоящее время используется множество методов принятия наилучших решений. Среди них можно выделить методы математического программирования (линейного, целочисленного, булева), динамического программирования и комбинаторные методы, методы статистических испытаний, эвристические методы, эволюционные методы. Следует отметить, что время работы алгоритмов, позволяющих получить точное решение задачи оптимизации (методы линейного и динамического программирования, комбинаторные метода), экспоненциально зависит от размерности задачи. Остальные методы при приемлемом времени выполнения способны найти лишь решение, близкое к оптимальному.

В третьей главе исследуются генетические алгоритмы как один из методов решения задачи формирования календарного плана портфеля инновационных проектов. Принцип генетических алгоритмов и различные их модификации относятся к одним из наиболее распространенных и эффективных методов решения задач подобного рода. В основу функционирования генетического алгоритма положена идея моделирования некоторых черт эволюции организмов в живой природе. Целью эволюции в живой природе является обеспечение наибольшей жизнеспособности популяции организмов в условиях окружающей среда. В генетическом алгоритме преследуется цель получения экземпляров с наилучшими значениями определенных критериев, характеризующих качество экземпляров. При наличии нескольких критериев задача должна быть сведена к однокритериальной путем свертки векторного критерия. Полученную целевую функцию часто называют функцией полезности. Таким образом, генетический алгоритм решает задачу поиска экземпляра с функцией полезности, максимально близкой к ее экстремальному значению.

Задача формирования календарного плана портфеля "инновационных ' проектов относится к группе задач оптимизации с ограничениями. В общем виде ее можно представить следующим образом:

/ = 1.....ц

йу(г)=0, } = г?+1.....т,

где х = ..,*„)' - вектор решений, Г - область допустимых решений, 5 -вся область поиска. В качестве ограничений выступают q неравенств и т-ц равенств. Функция полезности /(г) и ограничения могут быть как линейными, так и нелинейными. Вектор х, удовлетворяющий всем ограничениям, называется допустимым решением. Множество всех допустимых решений составляет область допустимых решений. Задачу оптимизации можно сформулировать следующим образом: найти х*еГ, такой что

Для решения данной задачи при помощи генетических алгоритмов в первую очередь необходимо сконструировать хромосому, способную представить сущность проблемной области. Вид такой хромосомы в контексте рассматриваемой задачи, например, может быть такой, как представлено на рисунке 1.

ы, Л

Ти 1»

Рис. 1. Общая структура хромосомы для использования в генетическом алгоритме формирования оптимального портфеля инновационных проектов

Здесь .. .Л^ - агенты. Хц - переменная, обозначающая выбран _/-ый проект 1-го агента или нет. Уд — значение, указывающее период начала выполнения /-го проекта /-го агента, находит в диапазоне от 0 до Т-Д/Н, где Т - горизонт планирования, Ц, - продолжительностьу'-го проекта г-го агента. Таким образом, хромосома представлена в виде бинарной строки.

В результате анализа отечественных и зарубежных источников, посвященных вопросу учета ограничений в генетических алгоритмах, было выделено несколько возможных подходов: методы, основанные на штрафных функциях; методы, основанные на поиске пригодных индивидов; методы, основанные на сохранении допустимости индивидов; гибридные методы.

Упомянутые методы разрабатывались и использовались для решения задач линейной и нелинейной оптимизации, для работы с бинарным, целочисленным и вещественным представлением хромосомы. Поэтому не все они подходят для рассматриваемой задачи.

Для проведения исследования был выбран метод отброса недопустимых индивидов, метод штрафных функций со статическими и динамическими штрафами, сегрегированный генетический алгоритм, метод восстановления недопустимых индивидов к допустимым. Остальные методы либо не подходят

по упомянутым выше причинам, либо являются подмножеством выбранных методов.

Для исследования штрафных функций со статическими штрафами был выбран метод, предложенный Кури Моралесом (Kuri Morales) и Кузеда (iQuezada). В этом методе функция соответствия вычисляется следующим образом:

/(х)еслихе F

eval\

-A^ + V—.иначе' м m

где s - количество соблюденных ограничений, m - общее количество ограничений. Ограничениями могут быть равенства или неравенства. К -большое положительное число. К должно быть таким, чтобы функция полезности для недопустимых индивидов была значительно меньше функции полезности допустимых индивидов. Особенность данного метода состоит в том, что он использует не величину, на которое нарушено ограничение, а количество нарушенных ограничений. Для рассматриваемого примера подойдет £=100.

Для исследования штрафных функций с динамическими штрафами был выбран метод, предложенный Джонсом (Jones) и Хоуком (Ноиск). Они ввели следующую динамическую функцию для определения функции полезности индивида во время итерации t:

eval(x)= f(x)+{C-tf -SVC(ß,x), где С, а и ß - константы, определяемые исследователем. Авторы метода использовали 0=0,5, а=1 или 2 и ß=l или 2. SVC($,x) определена следующим образом:

ы м* 1

[M4011346

, , ÎO, /i,(x)=0, q + \<,j<,m я^ш, иначе

Данный метод увеличивает размер штрафа в зависимости от номера поколения. Качество работы данного метода чувствительно к изменению параметров а и ß. При этом авторы не указывают способ выбора данных параметров, а также не определяют чувствительность метода к изменению параметра С. Джонс и Хоук отмечают, что наилучшие результаты удалось достичь при использовании следующих параметров: 00,5, a=ß=2. Эти параметры были использованы для исследования метода динамических штрафов применительно к рассматриваемой задаче.

Сегрегированный генетический алгоритм был представлен Ле Ришем (Le Riche). В данном методе используется два штрафа р\ и р2 в двух разных популяциях. Цель - попытаться избежать проблемы слишком больших или

слишком малых штрафов. Для этого и используется две популяции, функция полезности в которых рассчитывается с использованием малого р\ и большого Pi штрафов. Проблемой данного метода является неопределенность способа выбора штрафных функций. Для тестирования сегрегированного генетического алгоритма был использован метод статических штрафных функций Кури Моралеса и Кузеда, описанный ранее. Также для объединения двух популяций в одну кроме стандартных операторов, определенных ниже, был применен оригинальный метод, предложенный Ле Ришем, который можно определить как стратегия элитизма с коэффициентом 0,5.. Т.е. в следующую популяцию попадают по половине лучших особей из двух исходных популяций.

Метод восстановления недопустимых индивидов к допустимым основан на функции, которая способна привести непригодный по ограничениям индивид к пригодному путем изменения его хромосомы. Особенность метода состоит в том, что функции восстановления могут существенно различаться, соответственно может существенно различаться эффективность работы алгоритма. В качестве еще одной особенности можно отметить то, что некоторая часть восстановленных индивидов может заменять родителей в популяции. Процент таких индивидов может варьироваться от 0 % до 100 %. Орвош (Orvosh) и Дэвис (Davis) определили так называемое правило 5 %, в соответствии с которым наибольшую эффективность алгоритм' имеет тогда, когда 5 % восстановленных особей заменяют своих родителей в популяции. Для исследования данного метода было использовано правило 5 %, а также функция восстановления, которая поочередно исключает из непригодного индивида случайный проект до тех пор, пока он не станет пригодным.

В качестве общей структуры исследуемого генетического алгоритма использовался базовый генетический алгоритм. Следует отметить, что при выборе операторов генетического алгоритма необходимо обеспечить возможность исследования различных стратегий выбора индивидов для скрещивания и для перехода в следующую популяцию, а также адаптацию операторов кроссовера и мутации к особенностям рассматриваемой задачи.

В задаче формирования портфеля инновационных проектов изменению подвергается факт включения проекта в портфель, а также время начала исполнения проекта, поэтому при кроссовере и мутации необходимо выполнять операции не с отдельным битом хромосомы, а с участком хромосомы, отвечающей за проект. Таким образом, точка разрыва хромосомы должна всегда приходиться на границу двух проектов, а мутация должна осуществляться над проектом: если проект включен в портфель, то исключить его, иначе выбрать случайное время начала проекта.

Для исследования различных стратегий выбора индивида в качестве оператора выбора родителей использовались метод рулетки, панмиксия, инбридинг, аутбридинг; в качестве оператора отбора особей в новую популяцию использовались отбор усечением, метод Больцмана, стратегия элитизма + новые особи, стратегия элитизма + метод Больцмана. В качестве метрики различия индивидов для использования в операторах инбридинга и

аутбридинга использовалось расстояние Хэмминга, которое определяется как число различающихся разрядов в бинарной хромосоме.

Генетические алгоритмы оценивались по следующим критериям: время выполнения алгоритма, соответствие полученного результата оптимуму функции полезности. Выбор именно таких критериев обусловлен изначальной нацеленностью исследования на дальнейшее прикладное применение при разработке программного комплекса «Автоматизированной системы управления процессом формирования портфеля инновационных проектов».

Параметры генетического алгоритма были следующие: количество поколений - 1000, количество особей в поколении - 20, вероятность мутации -0,1, вероятность кроссовера - 0,8, кроссовер одноточечный, для отбора усечением порог 0,8, коэффициент элитизма (часть элитных особей, остающихся в популяции) - 0,1. Количество итераций при тестировании - 100. Количество проектов в тестовой модели - 5, количество агентов - 2, горизонт планирования -12 месяцев.

Как показало исследование среди выбранных методов лучше всего справляется с задачей поиска оптимума функции полезности метод отброса недопустимых индивидов (эффективность 80 %, время выполнения 23,3588 с), вторым по эффективности является метод восстановления недопустимых индивидов к допустимым (эффективность 79 %, время выполнения 30,2101 с). Методы, основанные на штрафных функциях, и сегрегированный генетический алгоритм не показали достаточно хороших результатов. Возможно, это объясняется тем, что в задаче велико количество ограничений. По-видимому, для данного типа задач наиболее важно максимально расширить область поиска. В этом случае увеличивается вероятность попадания в оптимум. Об этом говорит тот факт, что наилучшие результаты были достигнуты при применении в качестве оператора выбора родителей аутбридинга, а в качестве оператора отбора особей в новую популяцию стратегии элитизма в совокупности с генерацией новых индивидов. Аутбридинг и ввод новых индивидов в популяцию нацелены на расширение области поиска, а стратегия элитизма способствует закреплению найденных хороших индивидов. Следует также отметить, что достаточно хорошие результаты были получены при использовании метода восстановления с рулеточным отбором родительской пары в совокупности с той же стратегией элитизма и генерацией новых индивидов (эффективность 70 %, время выполнения 29,6522 с).

Среди исследованных методов наилучшим как по скорости, так и по эффективности оказался метод отброса недопустимых индивидов с аутбридингом в качестве оператора выбора родителей, использованием стратегии элитизма и генерацией новых особей для формирования следующего поколения. Для определения оптимальных параметров для данного метода было проведено исследование, в ходе которого менялись вероятность кроссовера, вероятность мутации и коэффициент элитизма.

На начальном этапе исследования было определено влияние коэффициента элитизма на эффективность работы метода. Наибольшего эффекта метод достигает при коэффициенте элитизма от 0,2 до 0,4, далее процент попадания в

оптимум падает. Однако при малых значениях коэффициента элитизма алгоритм выполняется дольше всего. Поэтому для дальнейшего исследования было выбрано крайнее значение коэффициента 0,4, при котором эффективность высока, а время выполнения наименьшее.

На рисунке 2 представлены результаты исследования влияния вероятности мутации и кроссовера на время исполнения и эффективность метода при коэффициенте элитизма 0,4.

В результате проведенных исследования было выявлено, что время исполнения алгоритма существенно зависит от вероятности кроссовера и достигает своего максимума при максимальной вероятности кроссовера и мутации, так как в этом случае возрастает количество операций с хромосомой. Наибольшая эффективность метода отмечается при вероятности кроссовера более 0,6 и вероятности мутации до 0,4. Наивысшая эффективность отмечена при вероятности кроссовера, равной 1, и вероятности мутации от 0,1 до 0,4.

Количество поколений во всех упомянутых экспериментах было равно 1000. Для определения распределения номера поколения, в котором впервые появилось оптимальное значение, был проведен эксперимент, состоящий из 100 запусков алгоритма при вероятности мутации 0,2, вероятности кроссовера 1 и коэффициенте элитизма 0,4, результаты которого представлены на рисунке 3.

Вероятность кроссопира

Вероятность мутации

Вероятность кроссовера

Рис.2. Зависимость времени исполнения алгоритма от вероятности кроссовера и мутации (слева) и зависимость эффективности алгоритма от вероятности кроссовера и мутации (справа)

ищ

'T-rV

йш! a g и

пщ

1-250 251-500 501-750 7 51-1000

Номер поколения

Рис.3.Номер поколения, в котором впервые появляется оптимальное значение

Из приведенной диаграммы видно, что в 50 % случаев оптимальное значение функции полезности было получено в течение первых 250 поколений. В течение 500 первых поколений оптимум найден уже почти в 80 % случаев, а уменьшение количества поколений с 1000 до 750 практически никак не повлияет на результативность метода. При этом выигрыш во времени составит 23 % для 750 поколений и 47 % для 500 поколений.

Для сравнения эффективности и скорости работы исследованного генетического алгоритма с наиболее эффективными параметрами с другими методами оптимизации было проведено еще одно исследование. Среди нескольких методов оптимизации были выбраны аддитивный алгоритм Балаша, относящийся к группе методов неявного перебора, и метод ветвей и границ из теории целочисленного программирования. В качестве тестовой задачи была использована задача, с теми же параметрами, что и в предыдущем исследовании, различалось только количество проектов. В генетическом алгоритме применялись в качестве оператора выбора родителей - аутбридинг, в качестве оператора отбора особей в новую популяцию - стратегия элитизма в совокупности с генерацией новых индивидов. Для учета ограничений применялся метод отброса недопустимых индивидов. Параметры генетического алгоритма были следующими: количество поколений - 1000; размер популяции - 20 экземпляров; коэффициент элитизма - 0,4; вероятность кроссовера - 1; вероятность мутации - 0,2.

Зависимость скорости выполнения алгоритмов от количества проектов в задаче приведена на рисунке 4.

900 800 700 600 2 500 I 400 ш зоо 200 100 0 ----------------------------------------^

J i

■ /

/ - - ♦ • - Генетический алгоритм ....... Метод Балаша —*—Метод ветвей и границ

I Г

/ »

/ /

2 3 4 5 6 7 в 9 10 tt 12 13 14 15 20 Количество проектов

Рис.4. Сравнительный анализ скорости выполнения алгоритмов решения задачи формирования портфеля инновационных проектов

Как видно из рисунка 4, при количестве проектов в задаче более 7 как аддитивный алгоритм, так и метод ветвей и границ требуют значительного времени для решения. При этом генетический алгоритм справляется с такой задачей достаточно успешно. Существенное увеличение времени выполнения происходит только при возрастании количества проектов в задачи до 20 и более. Таким образом, можно сформулировать следующие рекомендации при

расчетах портфеля инновационных проектов: если в задаче количество проектов не превышает 7, то использовать аддитивный алгоритм Балаша (или метод ветвей и границ), в противном случае использовать генетический алгоритм. Следует отметить, что алгоритм Балаша несколько предпочтительнее метода ветвей и границ за счет своей относительной простоты, а также скорости решения задачи.

В четвертой главе поставлена задача разработки «Автоматизированной системы управления процессом формирования портфеля инновационных проектов» на примере процесса формирования портфеля инновационных проектов. Определены следующие требования к разрабатываемой системе: расширяемость, кроссплатформанность, унифицированность решений, гарантия сохранности и поддержание целостности информационных ресурсов. Принимая во внимание указанные выше требования сделан вывод о том, что система должна быть построена на следующих принципах:

1. Трехзвенная архитектура.

2. Централизованное хранение информационной базы данных системы.

3. Модульный принцип построения системы, в соответствии с детализацией функций каждой из составляющих его подсистем.

4. Организационно-методическое единство.

5. Техническая и программная совместимость структурных компонент системы.

6. Открытость для присоединения новых информационных ресурсов.

Выбраны средства разработки и системное программное обеспечение для

АСУ. Выполнен анализ имеющихся методологий проектирования и разработки программного обеспечения и осуществлено проектирование системы на основе унифицированного процесса разработки с привлечением языка моделирования UML, приведены основные UML-диаграммы проекта. Представлены скриншоты программного продукта.

В заключении диссертации изложены основные выводы и обобщения, вытекающие из логики и результатов исследования.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Денисов A.B., Лябах H.H. Система генерации инновационных проектов II Молодые ученые - транспорту-2007: Сб. научн. тр., поев. 170-летию российских железных дорог. - Екатеринбург: УрГУПС. - 2007. (0,07 пл.) I

2. Денисов A.B. Управление инновационной деятельностью отрасли II Труды всерос. науч.-практ. конф. «Транспорт-2008», часть 1. - Ростов н/Д: РГУПС, 2008. (0,18 п.л.)

3. Денисов A.B., Лябах H.H. Генетические алгоритмы в задачах формирования портфеля инновационных проектов // Сб. науч. трудов V-ой междунар. науч.-практ. конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте», 2009. - Т.2. (0,22 пл.)

4. Денисов A.B. Исследование влияния структуры генетического алгоритма на качество решения задачи формирования портфеля инновационных проектов // Труды РГУПС, 2009. - №1. (0,58 п.л.)

5. Денисов A.B. Исследование генетического алгоритма в контексте решения задачи формирования портфеля инновационных проектов // Труды всерос. науч.-практ. конф. «Транспорт-2009», часть 1. - Ростов н/Д: РГУПС, 2009. (0Д6 п.л.)

6. Денисов A.B. Автоматизированная система управления портфелем проектов организации // СПИСОК-2009: материалы межвуз. науч. конференции по проблемам информатики, 20-23 апр. 2009 г., Екатеринбург. (0,12 п.л.)

7. Денисов A.B. Эффективность генетического алгоритма для решения задачи формирования портфеля инновационных проектов // СПИС0К-2009: материалы межвуз. науч. конференции по проблемам информатики, 20-23 апр. 2009 г., Екатеринбург. (0,11 п.л.)

8. Денисов A.B., Шабельников В.А., Сарьян A.C. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте // Молодой ученый, 2009 г. - №8. (0,2 пл.)

Публикации в изданиях, рекомендованных ВАК:

9. Денисов A.B., Лябах H.H. Автоматизированная система управления научно-техническим развитием ОАО «РЖД» // Автоматика, связь, информатика, 2007. -№11. (0,13 пл.)

10. Денисов A.B. Оценка компетентности эксперта в экспертной системе // Журнал ОПиПМ, 2009. - т. 16, в.1. (0,06 пл.)

11. Денисов A.B., Лябах H.H. Алгоритмическое, математическое, информационное обеспечение формирования портфеля инновационных проектов II Известия вузов. Сев.-Кавк. регион. Техн. науки. - №1, 2009. (0,41 пл.)

12. Денисов A.B. Теоретико-прикладные аспекты реализации системы формирования портфеля инновационных проектов // Вестник РГУПС, 2009 г. -№2. (0,65 пл.)

Личный вклад автора в работах, выполненных в соавторстве

/1, 3, 9, 11/ - разработка алгоритмов функционирования, математического обеспечения, проведение имитационного эксперимента, сбор данных и аналитические расчеты; /8/ - постановка задачи.

Денисов Андрей Витальевич

РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ЭКСПЕРТНОГО ОЦЕНИВАНИЯ СЛАБО ФОРМАЛИЗУЕМЫХ ОБЪЕКТОВ ТРАНСПОРТА

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 23 Л1.2009г. Формат бумаги 60x84/16

Бумага офсетная. Печать офсетная. Усл.печ.л. 1,0.

Тираж 100. Заказ № ^769.

Ростовский государственный университет путей сообщения. Ризография РГУПС.

Адрес университета: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2.

ВВЕДЕНИЕ.

1 АНАЛИЗ ТРЕБОВАНИЙ К СИСТЕМАМ УПРАВЛЕНИЯ ОБЪЕКТАМИ, ИМЕЮЩИМИ ИННОВАЦИОННУЮ СОСТАВЛЯЮЩУЮ.

1.1 Понятие и роль инновации в современном производстве.

1.2 Подходы и требования к процедурам синтеза систем управления инновационной деятельностью.

1.3 Организация управления научно-техническим развитием в ОАО «РЖД».

2 РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО, МАТЕМАТИЧЕСКОГО, ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ЭКСПЕРТНЫМ ОЦЕНИВАНИЕМ СЛАБО ФОРМАЛИЗУЕМЫХ ОБЪЕКТОВ.

2.1 Модель и структура системы управления экспертным оцениванием слабо формализуемых объектов.

2.2 Подсистема формирования оценок экспертов и агентов.

2.3 Подсистема экспертных оценок.

2.4 Подсистема формирования результатов экспертизы.

3 СРАВНЕНИЕ И ВЫБОР ЭФФЕКТИВНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ РЕШЕНИЯ ЗАДАЧИ ФОРМИРОВАНИЯ ПОРТФЕЛЯ ИННОВАЦИОННЫХ ПРОЕКТОВ.

3.1 Общие сведения о генетических алгоритмах.

3.2 Анализ генетических операторов и модификаций генетического алгоритма.

3.3 Исследование влияния различных модификаций генетического алгоритма на эффективность решения задачи формирования портфеля инновационных проектов.

4 ПРОЕКТИРОВАНИЕ И РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ

ФОРМИРОВАНИЯ ПОРТФЕЛЯ ИННОВАЦИОННЫХ ПРОЕКТОВ (АСУ

ПФПИП).

4.1 Постановка задачи создания АСУ ПФПИП.

4.2 Анализ имеющихся методологий проектирования и разработки программного обеспечения.

4.3 Применение унифицированного процесса разработки для создания АСУ ПФПИП.

Актуальность темы исследования. ОАО «РЖД» решает комплекс сложных задач обеспечения народного хозяйства страны транспортными услугами в условиях изменяющейся рыночной экономики. Конкурентоспособность и эффективность российских железных дорог напрямую зависит от внедрения новых технологий на всех уровнях функционирования отрасли.

В основу Стратегической программы развития ОАО «РЖД» положена идеология инновационного менеджмента, т.е. управления процессом от возникновения идеи до ее успешного воплощения в создании нового продукта или услуги. Во главу угла поставлены экономические критерии деятельности корпорации с необходимыми, сравнимыми с мировым уровнем, ограничениями по безопасности и качеству предоставления транспортных услуг. Движущей силой реструктуризации железных дорог России должны стать новые идеи, как в управлении, так и в совершенствуемых транспортных технологиях.

В целях создания единого информационного поля решено развивать автоматизацию и информатизацию отрасли на основе единой автоматизированной системы управления транспортным комплексом Российской Федерации (АСУ ТК). Данная система должна объединить в себе управление различными аспектами функционирования Российских железных дорог, начиная от перевозочного процесса и заканчивая формированием стратегических планов развития ОАО «РЖД».

Для успешного и эффективного функционирования АСУ ТК необходимо наличие функциональных подсистем, обеспечивающих возможность формировать управленческие решения в рамках инновационного процесса и учитывающих его специфику, которая заключается в наличии большого числа неопределенностей всех уровней. Влияние этих неопределенностей приводит к необходимости ограничить использование оптимизационных методов управления и перейти к адаптивным подходам, способным оперативно подстраиваться под изменения во внешней среде. Привлечение экспертов для анализа, оценки и управления слабо формализуемыми объектами, обладающими высокой степенью неопределенности, является одним из наиболее распространенных методов. В частности, на основе экспертных заключений формируются списки приоритетных для отрасли направлений развития технологий и техники, формируются планы научно-технического развития (НТР), отбираются договора для финансирования в области НИОКР, формируется прогноз состояния и развития отрасли и ее частей на среднесрочную и долгосрочную перспективу. Однако в данной области отсутствуют четкие и универсальные механизмы проведения экспертиз, учитывающие выше перечисленные особенности. Важность качественного анализа и отбора научно-технических приоритетов для отрасли определяет необходимость разработки принципов, методов и алгоритмов систем управления экспертным оцениванием слабо, формализуемых объектов,-функционирующих в условиях изменчивой среды. .

Степень разработанности проблемы. Методам управления объектами на основе принципов самоорганизации и адаптации посвящены работы таких отечественных и зарубежных ученых как Р. Беллман, С. Бир, К. Гловер, А.Н. Гуда, А.Г. Ивахненко, М.Б. Игнатьев, Р. Калман, A.A. Колесников, H.H. Лябах, Дж. Саридис, Г. Хакен, В.В. Цыганов, У.Р. Эшби и многих других.

Вопросами разработки принципов и методов организации управления сложными социально-экономическими системами, которой является и ОАО «РЖД», занимались такие отечественные ученые, как В.П. Авдеев, A.A. Ашимов, Г.И. Белявский, В.Н. Бурков, Г.М. Гришанов, В.Г. Засканов и другие авторы.

Проблемы использования экспертных оценок в задачах управления рассматривались в работах таких авторов, как Г.Г. Азгальдов, С.Д. Бешелев, Ф.Г. Гурвич, Л.Г. Евланов, В.А. Кутузов, Э.П. Райхман, A.A. Френкель, Д.С. Шмерлинг.

Вопросы разработки математического, информационного, алгоритмического обеспечения автоматизированных систем управления освещены в работах М.А. Бутаковой, A.A. Воронова, В.Н. Иванченко, JI.B. Канторовича, М.А. Королева, Т.Н. Соколова.

Различные фундаментальные и прикладные аспекты интеллектуальных систем управления нашли отражение в работах таких ученых как Н. Винер, В.М. Глушков, Д.И. Дубровский, С.М. Ковалев, A.A. Ляпунов, М. Минский, Д.А. Поспелов, Ф. Розенблатт, В.Б. Тарасов, А.Н. Шабельников и др.

Цели и задачи исследования. Цель исследования заключается в разработке принципов, методов и алгоритмов эффективного отбора слабо формализуемых однородных объектов (научно-технических программ, технологий, договоров на НИОКР, планов НТР и т.п.) в условиях неопределенности (конъюнктура рынка, технологические особенности производства новых (инновационных) товаров, состояние дел в научно-технической сфере). На основе этих принципов, методов и алгоритмов должна быть построена автоматизированная система управления, способная подстраиваться под изменения во внешней среде, а также нивелировать возможные внутренние негативные факторы. Для достижения поставленной цели необходимо решить ряд задач:

1. Провести анализ методов решения задачи отбора слабо формализованных объектов по заданным критериям. Выделить возможные источники неопределенности и проанализировать способы их устранения.

2. Разработать структуру и алгоритм работы системы отбора объектов, построить ее математическую модель.

3. Проанализировать методы формирования набора исследуемых объектов. Выбрать наиболее эффективный из них. Разработать параметрическое обеспечение системы.

4. Выполнить проектирование и разработку автоматизированной системы управления на основе сформированного математического, алгоритмического, параметрического и информационного обеспечения.

5. Внедрить разработанные предложения и методики в решение задач формирования плана НТР и планирования НИОКР железнодорожной отрасли.

Объект и предмет исследования. Объектом исследования является процесс определения наиболее эффективных по тем или иным критериям альтернатив в условиях неопределенности. Предметом исследования являются принципы, методы и алгоритмы осуществления отбора слабо формализованных объектов. Исследование выполнялось в рамках следующих пунктов паспорта специальности: п. 8. Формализованные методы анализа, синтеза, исследованияI и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др. п. 10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТПП и др. п. 16. Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.

Теоретико-методологической основой исследования послужили работы отечественных и зарубежных авторов в области адаптивных и самоорганизующихся систем, современные концепции управления активными системами, способы получения и обработки экспертных оценок, работы в области теории нечетких множеств, генетических алгоритмов, теории расписаний. При разработке автоматизированной системы управления применялись современные методологии проектирования и средства разработки программного обеспечения.

Концепция диссертационного исследования исходит из того, что в современных условиях при переходе отрасли в целом на инновационные рельсы на всех уровнях управления компанией придется столкнуться с необходимостью эффективного выбора среди имеющихся альтернатив (планы НТР, договора на НИОКР и т.п.) в условиях неопределенности. В связи с этим необходим теоретико-прикладной аппарат, способный формализовать процедуры отбора и адаптироваться к изменяющимся условиям внешней среды, а также требованиям управленческого персонала. Суть предлагаемого подхода состоит в привлечении для анализа имеющихся альтернатив экспертов, продуктивность работы которых определяется апостериорной оценкой, базирующейся на эффективности выбранных решений, а также на применении аппарата нечеткой логики и эволюционных вычислений для сбора и обработки суждений экспертов. !

Положения диссертации, выносимые на защиту.

1. В условиях инновационной экономики функционирование ОАО «РЖД» будет сопряжено с наличием большого числа неопределенностей. Автоматизированные системы управления всех уровней должны учитывать данный факт и иметь необходимый аппарат для адаптации к изменяющимся условиям, выбора наиболее эффективного варианта работы при наличии слабой формализованное™ имеющихся альтернатив. Для обеспечения эффективного научно-технического развития отрасли таким аппаратом следует обеспечить базовую АСУ в этой области, а именно Автоматизированную систему управления научно-техническим развитием (АСУ НТР) ОАО «РЖД».

2. Для осуществления эффективного выбора альтернатив в условиях неопределенности должны быть использованы методы экспертных оценок. Однако, возможная ангажированность экспертов, недостаточная их квалификация или явления конформизма могут негативно сказаться на объективности их оценок. Похожие проблемы возникают и с агентами (сотрудники, подразделения, организации), формирующими список оцениваемых объектов. Для противодействия влиянию данных факторов необходимо ввести оценку квалификации или репутации экспертов и агентов в виде рекурсивной функции от предсказанной и реальной эффективности отобранных альтернатив.

3. Система экспертного оценивания слабо формализованных объектов должна состоять из следующих подсистем: подсистема экспертных оценок, подсистема формирования результатов экспертизы, подсистема формирования оценок экспертов и агентов. Подсистема экспертных оценок решает следующие задачи: формирование и ранжирование критериев оценки, выполнение экспертной оценки объектов. Подсистема формирования результатов экспертизы, в процессе своей работы использует экспертные оценки, параметры, описывающие предпочтения и возможности организаторов экспертизы, а также данные о самих объектах. Подсистема формирования оценок экспертов и агентов предназначена для анализа результата работы экспертов, а также учета добросовестности агентов при подготовке списка параметров оцениваемых объектов.

4. Для формирования набора эффективных объектов необходимо использовать генетические алгоритмы, так как их применение в большинстве случаев позволит минимизировать затраты времени и аппаратных ресурсов по сравнению с другими методами оптимизации. В зависимости от параметров задачи может быть определен наиболее эффективный метод ее решения, а также наиболее эффективные генетические операторы и параметры генетического алгоритма.

5. На основе проведенных исследований построена эффективно функционирующая «Автоматизированная система управления процессом формирования портфеля инновационных проектов». Наиболее оптимальной и универсальной архитектурой такой АСУ является трехзвенная, в основе которой лежит \^еЬ-портал.

Научная новизна. Научную новизну диссертационного исследования составляют следующие результаты:

1. Разработано программно-математическое обеспечение подсистемы АСУ НТР ОАО «РЖД» по формированию списка планов НТР и портфеля проектов НИОКР.

2. Разработан апостериорный метод оценки работы экспертов (агентов), основанный на разнице между реальным эффектом, полученным от выбора или внедрения на транспорте того или иного объекта, и оцененным (предсказанным) экспертом (агентом). Данный метод ориентирован на применение в задачах принятия решений административно-управленческим персоналом АСУ НТР в условиях неопределенности при отсутствии априорной оценки эффективности объектов управления.

3. Разработан алгоритм функционирования и математическая модель системы отбора однородных слабо формализуемых объектов (критических технологий на железнодорожном транспорте, НИОКР вуза, железной дороги, отрасли и т.д.) в условиях неопределенности. Данная система обладает следующими преимуществами: предусмотрен механизм защиты от внутренних и внешних негативных возмущений (ангажированность экспертов, их низкая квалификация, эффекты конформизма, недобросовестность агентов, изменение требований к результирующему набору объектов и т.п.), ориентирована на особенности работы человека (метод парного сравнения, вербальные шкалы оценки), все исследуемые объекты, несмотря на оценки экспертов, доходят до финальной стадии отбора и сохраняют шанс на попадание в результирующий список.

4. Для решения задачи формирования набора слабо формализованных объектов предложено использовать генетический алгоритм. В результате проведенного исследования были определены наиболее эффективные генетические операторы и параметры. Проведен сравнительный анализ с такими методами оптимизации, как метод Балаша и метод ветвей и границ, в результате которого было выявлено превосходство предложенного генетического алгоритма по скорости нахождения решения задачи. Разработаны рекомендации по применению того или иного метода оптимизации в зависимости от параметров задачи, решаемой в АСУ НТР.

5. На основе принципов, методов и алгоритмов, изложенных в I диссертационном исследовании, разработана «Автоматизированная система управления процессом формирования портфеля 1 инновационных проектов». Данная АСУ обладает устойчивостью к внутренним и внешним возмущениям, поддерживает распределенную работу пользователей, обладает свойством кроссплатформенности, следовательно, может широко применяться в самых разнообразных областях управления на железнодорожном транспорте. Теоретическая ценность диссертационного исследования определяется направленностью ее теоретических результатов на развитие и , совершенствование принципов, методов и алгоритмов экспертного оценивания слабо формализуемых объектов, что является одной из предпосылок успешного развития железнодорожной отрасли в условиях инновационной экономики.

Основные положения работы могут быть использованы при экспертном оценивании всего множества объектов, характеризующихся высокой степенью неопределенности. *

Практическая значимость. Практическую значимость диссертационного исследования составляют следующие результаты:

1. Разработан и программно реализован алгоритм построения оценки работы экспертов, а также репутации агентов, формирующих список оцениваемых объектов. Данное программное обеспечение может быть широко использовано на транспорте в процессе проведения различных опросов, формирования рейтингов, определения пути дальнейшего развития в целях противодействия ангажированности экспертов и агентов, снижения влияния слабой компетентности экспертов, а также для противодействия явлениям конформизма.

2. Определены наиболее эффективные генетические операторы и параметры генетического алгоритма для решения задачи формирования списка слабо формализуемых объектов. Разработано« соответствующее программное обеспечение, способное в зависимостиот особенностей задачи выбирать наиболее эффективный метод1 решения (с помощью генетического алгоритма или методом Балаша).

3. Выполнены проектирование и разработка «Автоматизированной системы управления процессом формирования портфеля инновационных проектов» на основе унифицированного процесса разработки с привлечением языка моделирования ЦМЬ. Элементы этой системы используются в работе Ростовского филиала НИИАС при формировании списка исполняемых проектов.

Реализация результатов работы. Научные результаты диссертационной работы были использованы в решении проблемы создания «Методологии формирования, корректировки и реализации Приоритетных направлений развития науки, технологий и техники в Российской Федерации и Перечня критических технологий Российской Федерации», способствующих инновационному развитию ОАО «РЖД», о чем имеется акт о внедрении результатов научных исследований. Основные результаты диссертационного исследования были внедрены при реализации Автоматизированной системы управления научно-исследовательскими и опытно-конструкторскими разработками (АСУ НИОКР) ОАО «РЖД», что подтверждено актом о внедрении результатов диссертационного исследования. Результаты диссертационного исследования также используются при работе Научно-исследовательской части РГУПС. Использование результатов подтверждено соответствующим актом. Работа выполнена при поддержке РФФИ, проекты №07-01-00075 и №07-07-00010.

Апробация результатов исследования. Основные положения и результаты диссертационной работы докладывались на VII Всероссийской научно-технической конференции «Молодые ученые — транспорту» (2007 г., Екатеринбург), XV Всероссийской школе-коллоквиуму по стохастическим методам и IX Всероссийском симпозиуме по прикладной и промышленной математике (2008 г., Волжский), Всероссийской научно-практической конференции «Транспорт-2008» (2008 г., Ростов-на-Дону), V Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (2009 г., Коломна), Всероссийской научно-практической конференции «Транспорт-2009» (2009 г., Ростов-на-Дону), Межвузовской научной конференции по проблемам информатики СПИСОК-2009 (2009 г., Екатеринбург). Основные положения диссертации опубликованы в 12 работах, общим объемом 3,92 п.л., в том числе 2,89 п.л. лично автором.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения, приложения, списка литературных источников, а также актов реализации результатов, диссертационной работы. Общий объем диссертации составляет 149 стр., включая 23 рисунка, 5 таблиц, список использованных источников из 132 наименований, приложения и актов реализации.

Выводы по главе 4

1.В настоящее время имеется несколько основных методологий разработки программного обеспечения. Их развитие происходило в соответствии с эволюцией средств программирования, а также в связи с усложнением самих программных продуктов. В основе методологии лежит модель жизненного цикла программного обеспечения. К основным моделям можно отнести каскадную, поэтапную и спиральную.

2. Основными принципами построения АСУ ПФПИП должны стать: трехзвенная архитектура; централизованное хранение информационной базы данных системы; модульный принцип построения системы, в соответствии с детализацией функций каждой из составляющих его подсистем; организационно-методическое единство; техническая и программная совместимость структурных компонент системы; открытость для присоединения новых информационных ресурсов.

3. Проектирование и разработка АСУ ПФПИП должна осуществляться в соответствии с унифицированным процессом разработки программного обеспечения (RUP) с привлечением языка моделирования UML. Данная методология основывается на спиральной модели жизненного цикла программного обеспечения. Унифицированный процесс позволяет создавать сложные программные системы, основываясь на индустриальных методах разработки. Поддержка методологии со стороны такой крупной компании, как Rational Software, обеспечивает необходимое программное обеспечение для всех стадий создания конечного продукта, что позволяет формализовать этот процесс, снизить трудозатраты, сделать все процедуры более прозрачными и понятными.

133

ЗАКЛЮЧЕНИЕ

В результате анализа систем управления объектами, имеющими инновационную составляющую, было выявлено, что особенностью такого управления является наличие большого числа неопределенностей, а сами объекты слабо формализуемы. Данный факт накладывает ряд ограничений на возможности выработки управляющих воздействий. В частности, необходимо проектировать и разрабатывать такие системы на основе принципов адаптации и самоорганизации.

Одной из подсистем управления слабо формализуемыми объектами является подсистема эффективного выбора среди имеющихся альтернатив (планы НТР, договора на НИОКР, выбор перспективных технологий и т.п.) в условиях неопределенности (конъюнктура рынка, технологические особенности производства новых (инновационных) товаров, состояние дел в научно-технической сфере). Такую систему в силу особенностей объекта управления целесообразно строить на основе использования знаний экспертов в рассматриваемой области. Однако, следует учитывать наличие неизбежных внутренних возмущающих воздействий в виде возможной низкой квалификации экспертов, их ангажированности, эффектам конформизма и т.п. Кроме того, на результаты экспертизы могут оказать влияние внешние агенты, формирующие списки оцениваемых объектов.

Разработанная система управления экспертным оцениванием слабо формализуемых объектов способна противостоять внутренним и внешним возмущающим воздействиям за счет применения апостериорного метода оценки квалификации экспертов и репутации агентов. Система экспертного оценивания слабо формализованных объектов состоит из следующих подсистем: подсистема экспертных оценок, подсистема формирования набора наиболее эффективных объектов, подсистема формирования оценок экспертов и агентов. Подсистема экспертных оценок решает следующие задачи: формирование и ранжирование критериев оценки, выполнение экспертной оценки объектов. Подсистема формирования набора наиболее эффективных объектов при своей работе использует экспертные оценки, параметры, описывающие предпочтения и возможности организаторов экспертизы, а также данные о самих объектах. Подсистема формирования оценок экспертов и агентов предназначена для анализа результата работы экспертов, а также учета добросовестности агентов при подготовке списка параметров оцениваемых объектов. Таюке к преимуществам разработанной системы можно отнести: ориентированность на особенности работы человека (метод парного сравнения, вербальные шкалы оценки), все исследуемые объекты, несмотря на оценки экспертов, доходят до финальной стадии отбора и сохраняют шанс на попадание в результирующий список.

Для осуществления обработки результатов экспертизы и отбора эффективных объектов был использован генетический алгоритм, так как проведенные в работе исследования показали его преимущество над другими методами оптимизации (метод Балаша, метод ветвей и границ). Была определена оптимальная модификация и параметры алгоритма для решения поставленной задачи. Также даны рекомендации по применению генетического алгоритма в зависимости от параметров решаемой задачи.

На основе результатов проведенных исследований была разработана автоматизированная система управления процессом формирования портфеля инновационных проектов. После анализа принципов построения и требований к АСУ был сделан вывод об использовании трехзвенной архитектуры разрабатываемого приложения и реализации его на основе web-портала. После проведенного анализа современных методологий разработки программного обеспечения был сделан вывод об использовании унифицированного процесса разработки и языка UML для проектирования системы.

1. Адаптивные системы. Выпуск 1 / Под ред. J1.A. Растригина. Рига: Изд-во "Зинатне", 1972. - 156 с.

2. Айзерман М.А., Алескеров Ф.Т. Выбор вариантов: основы теории. М.: Наука, 1990. - 240 с.

3. Ашимов A.A., Аяганов Е.Т., Соколова С.П. Системы автоматического управления с изменяющейся конфигурацией для объектов с запаздыванием, Алматы, издательство Гылым, 1995 г., с. 167

4. Ашимов A.A., Бурков В.Н., Джапаров Б.А., Кондратьев В.В. Согласованное управление активными производственными системами, Москва, издательство Наука, 1986 г., с. 247

5. Ашимов A.A., Соколова С.П. Введение в теорию систем автоматического управления с изменяющейся конфигурацией, Алматы, издательство Гылым, 1993 г., с. 176

6. Балаш, Э. Аддитивный алгоритм для решения задач линейного программирования с переменными, принимающими значения 0 или 1 / Э. Балаш // Кибернетический сборник. Новая серия. Вып. 6. М.: Мир, 1969. -С.218-252.

7. Батищев Д.И., Шапошников Д.Е. Решение многокритериальных задач методом идеальной точки // Модели и алгоритмы оптимизации в автоматизированных системах. Воронеж, ВПИ, 1989. - С.48-53.

8. Бек. Е. Экстремальное программирование. Спб.: Питер, 2002. - 224 с.

9. Ю.Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. В кн.:

10. Вопросы анализа и процедуры принятия решений. М.: Мир 1976.

11. П.Березовский Б.А., Гнедин A.B. Задача наилучшего выбора. М.: Наука, 1984.- 196 с.

12. Большаков A.A. Интеллектуальные системы управления организационно-техническими системами / А.Н. Антамошин, О.В. Близнова, A.B. Бобов, A.A. Большаков, В.В. Лобанов, И.Н. Кузнецова // М.: Горячая линия-Телеком, 2006.

13. Борисов А.Н., Вилюмс Э.Р., Сукур Л.Я. Диалоговые системы принятия решений на базе мини-ЭВМ: Информационное, математическое и программное обеспечение. Рига: Зинатне, 1986. - 195 с.

14. И.Борисов А.Н., Левченков A.C. Методы интерактивной оценки решений. -Рига: Зинатне, 1982. 139 с.

15. Бурков В.Н. Основы математической теории активных систем. М.: Наука, 1977.

16. Бурков В.Н., Ириков В. А. Модели и методы управления организационными системами. М.: Наука, 1994.

17. Бурков В.Н., Кондратьев В.В. Механизмы функционирования организационных систем. М.: Наука, 1981.

18. Бурков В.Н., Новиков Д.А. Теория активных систем: состояние и перспективы. М.: Синтег, 1999.

19. Валеева А.Ф. Применение метаэвристики муравьиной колонии к задачам двухмерной упаковки //Информационные технологии, 2005, № 10.

20. Вечканов Г.С., Вечканова Г.Р., Пуляев В.Т. Краткая экономическая энциклопедия. СПб.: ТОО ТК " Петрополис", 1998. - 509 с.

21. Вилкас Э.Й., Майминас Е.З. Решения: теория, информация, моделирование. М.: Радио и связь, 1981. - 328 с.

22. Гермейер В.Б. Введение в теорию исследования операций. М.: Наука, 1971.-383 с.

23. Гольдштейн Г.Я. Адаптивное управление инвестициями в сфере НИОКР // Труды АГУ. 1991. - Вып. 6.

24. Гунин В.Н. и др. Управление инновациями: 17-модульная программа для менеджеров "Управление развитием организации". Модуль 7. М.: ИНФРА-М, 1999.

25. Денисов A.B. Автоматизированная система управления портфелем проектов организации // СПИССЖ-2009: материалы межвуз. науч. конференции по проблемам информатики, 20-23 апр. 2009 г., Екатеринбург. С.223-226.

26. Денисов A.B. Исследование влияния структуры генетического алгоритма на качество решения задачи формирования портфеля инновационных проектов // Труды РГУПС, 2009. №1.

27. Денисов A.B. Исследование генетического алгоритма в контексте решения задачи формирования портфеля инновационных проектов // Труды всерос. науч.-практ. конф. "Транспорт-2009", часть 1. Ростов н/Д: РГУПС, 2009. - С. 55-57.

28. Денисов A.B. Оценка компетентности эксперта в экспертной системе // Журнал ОПиПМ, 2009. т.16, в.1. - С.142-143.

29. Денисов A.B. Теоретико-прикладные аспекты реализации системы формирования портфеля инновационных проектов // Вестник РГУПС, 2009 г. №2 - С.30-34.

30. Денисов A.B. Управление инновационной деятельностью отрасли // Труды всерос. науч.-практ. конф. "Транспорт-2008", часть 1. Ростов н/Д: РГУПС, 2008. - С. 45-47.

31. Денисов A.B. Эффективность генетического алгоритма для решения задачи формирования портфеля инновационных проектов // СПИСОК-2009: материалы межвуз. науч. конференции по проблемам информатики, 20-23 апр. 2009 г., Екатеринбург. С.57-60.

32. Денисов A.B., Лябах H.H. Автоматизированная система управления научно-техническим развитием ОАО "РЖД" // Автоматика, связь, информатика, 2007. №11. - С. 42-43.

33. Денисов A.B., Лябах H.H. Алгоритмическое, математическое, информационное обеспечение формирования портфеля инновационных проектов // Известия вузов. Сев.-Кавк. регион. Техн. науки. №1, 2009. -С. 36-42.

34. Денисов A.B., Лябах H.H. Система генерации инновационных проектов // Молодые ученые транспорту-2007: Сб. научн. тр., поев. 170-летию российских железных дорог. - Екатеринбург: УрГУПС. - 2007. - С. 22-25

35. Денисов A.B., Шабельников В.А., Сарьян A.C. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте // Молодой ученый, 2009 г. №8 - С.34-38.

36. Джоффрион А., Дайер Дж., Файнберг Л. Решение задач оптимизации при многих критериях на основе человеко-машинных процедур // Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. - С. 126-145.

37. Дойль П. Менеджмент: стратегия и тактика. СПб.: Изд-во "Питер", 1999.

38. Евтушенко Ю.Г. Методы решения экстремальных задач и их применение в системах оптимизации. М: Наука, 1982.

39. Емельянов C.B., Наппельбаум Э.Л. Логика рационального выбора // Техническая кибернетика. М.: ВИНИТИ, 1977. - Т. 8. С. 5-101.

40. Жуковин B.C. Модели и процедуры принятия решений. Тбилиси: Мецниереба, 1981. - 118 с.42.3авлин П.Н. Сколько потратить на науку? // Инновации. 2001. - №3.

41. Интрилигатор М. Математические методы оптимизации и экономическая теория. Перевод с английского. М.: "Прогресс", 1975.

42. Исследование операций / Под ред. Дж. Моудера, С.М. Элмаграби. М.: Мир, 1981. Т.1.

43. Исследование операций / Под ред. Дж. Моудера, С.М. Элмаграби. М.: Мир, 1981. Т.2.

44. Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. М.: Советское радио, 1972. - 192 с.

45. Кини P.JL, Райфа X. Принятие решения при многих критериях: замещения и предпочтения / Пер. с англ. М: Радио и связь, 1981. - 560 с.

46. Коберн А. Быстрая разработка программного обеспечения // А. Коберн. -М.: Лори, 2002.

47. Ковалев С.М., Родзин С.И. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи // Изд-во СКНЦ ВШ. Ростов-на-Дону, 2002.

48. Концепция инновационной политики Российской Федерации на 19982000 годы утверждена Постановлением Правительства Российской Федерации от 24 июля!998 года №832.

49. Краснощекое П. С. Математические модели в исследовании операций. -М.: Наука, 1984.

50. Крачтен.Ф. Введение в Rational Unified Process. Изд. 2-е.- М.: Издательский дом "Вильяме", 2002. 240 с.

51. Курейчик В.М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. 1998. №3.

52. Литвак Б.Г. Экспертная информация: Методы получения и анализа. М.: Радио и связь, 1982. - 184 с.

53. Литвак Б.Г. Экспертные оценки и принятие решений. М.: Патент 1996.

54. Лябах Н. Н., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте: Учебник. Ростов-на-Дону, 2002. — 283 с.

55. Мацяшек, Лешек, А. Анализ требований и проектирование систем. Разработка информационных систем с использованием UML.: Пер. с англ. М.: Издательский дом «Вильяме», 2002.

56. Менеджмент организации / Под ред. З.П. Румянцевой, H.A. Соломатина. М.: ИНФРА-М., 1995.

57. Методические рекомендации по оценке эффективности инвестиционных проектов (2-я редакция). Официальное издание. М.: Экономика, 2000.

58. Методы управления инновационной деятельностью: учебное пособие / Л.Н. Васильева, Е.А. Муравьева. М.: КНОРУС, 2005.

59. Новиков Д.А. Стимулирование в организационных системах. М.: Синтег, 1999.

60. Новиков Д.А. Теория управления организационными системами. М.: Физматлит, 2007.

61. Новиков Д.А., Петраков С.Н. Курс теории активных систем. М.: СИНТЕГ, 1999. 104 с.

62. Новиков Д.А., Чхартишвили А.Г. Рефлексивные игры. М.: Синтег, 2003.

63. Норенков И.П. Эвристики и их комбинации в генетических методах дискретной оптимизации // Информационные технологии, 1999, № 1.

64. Норенков И.П., Арутюнян Н.М. Эволюционные методы в задачах выбора проектных решений // МГТУ им. Н.Э. Баумана, М.: 2007 г.

65. Норенков И.П., Арутюнян Н.М., Эволюционные методы в задачах выбора проектных решений // Журнал "Инженерное образование", №9, 2007 г.

66. Норенков И.П., Кузьмик П.К. Информационная поддержка наукоемких изделий. CALS-технологии. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

67. Одинцов C.B. Место и роль интеллектуального капитала предприятия в современном мире // Наука и промышленность России. 2002. - №10. С. 87-94.

68. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.-64 с.

69. Орлов А.И. Оптимальные методы в экономике и управлении. Учебное пособие по курсу "Организационно-экономическое моделирование". М.: Изд-во МГТУ им. Н. Э. Баумана, 2007. - 44 с.

70. Орлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979. - 296 с.

71. Орлов А.И. Экспертные оценки. Учебное пособие. // Москва: 2002.74,Орлов С. Технологии разработки программного обеспечения: Учебник // С. Орлов. СПб.: Питер, 2002.

72. Павлов А.Н., Соколов Б.В. Методы обработки экспертной информации: учебно-метод. пособие / А.Н. Павлов, Б.В. Соколов; ГУАП. СПб., 2005. -42 с.

73. Панченко Т.В. Генетические алгоритмы: учебно-методическое пособие / под ред. Ю.Ю. Тарасевича. Астрахань: Издательский дом "Астраханский университет", 2007.

74. Подиновский В. В. Аксиоматическое решение проблемы оценки важности критериев в многокритериальных задачах // Современное состояние теории исследования операций / Под ред. Н. Н. Моисеева. М.: Наука, 1979.-С. 117-145.

75. Портер М.Е. Конкуренция. СПб., М., Киев: Изд. дом "Вильяме", 2000.

76. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Винница: УНИВЕРСУМ - Винница, 1999.

77. Ротштейн А.П., Штовба С.Д. Нечеткий многокритериальный анализ вариантов с применением парных сравнений // Известия РАН. Теория и системы управления.- 2001.- №3.

78. Саати T.JL Взаимодействие в иерархических системах // Техническая кибернетика. 1979. №1. С. 68-84.

79. Саркисян С.А. Теория прогнозирования и принятия решений / под ред. С.А.Саркисян. М.: Высшая школа, 1977. - 355 с.

80. Словарь современных экономических и правовых терминов/ Под ред. В.Н. Шимова и B.C. Каменкова. Мн.: Амалфея, 2002. - 816 с.

81. Стивен Р. Палмер, Джон М. Фелсинг. Практическое руководство по функционально-ориентированной разработке ПО // Стивен Р. Палмер, Джон М. Фелсинг. СПб.: Вильяме, 2002 г.

82. Танаев B.C., Шкурба B.B. Введение в теорию расписаний. М.:Наука,1975.

83. Тарасов В.Б. Интеллектуальные системы в проектировании// Новости искусственного интеллекта. — 1993. — №4. С.24-68.

84. Таха, Хемди А. Введение в исследование операций (пер. с 7-го англ. изд.) / Хемди A. Taxa // Москва и др. : Вильяме, 2005.

85. Теория выбора и принятия решений / И. М. Макаров, Т. М. Виноградская, А. А. Рубчинский, В. Б. Соколов. М.: Наука, 1982. - 328 с.

86. Теория расписаний и вычислительные машины / Под редакцией Э.Г. Коффмана. М.: Наука, 1984.

87. Теория систем и системный анализ в управлении организациями: Справочник: Учеб. пособие / Под ред. В.Н. Волковой и A.A. Емельянова. М.: Финансы и статистика, 2006.

88. Трифилова A.A. Оценка эффективности инновационного развития предприятия // A.A. Трифилова. М.: Финансы и статистика, 2005.

89. Трофимов С. CASE-технологии: Практическая работа в Rational Rose. Изд. 2-е.- M.: Бином-Пресс, 2002 г. 288 с.

90. Тычинский A.B. Управление инновационной деятельностью крупных (глобальных) зарубежных компаний: современные подходы, алгоритмы, опыт / Таганрог, 2006.

91. Фаулер М., Скотт К. UML в кратком изложении: Пер. с англ. М.: Мир, 1999.- 191 с.

92. Фишберн П. С. Теория полезности для принятия решений / Пер. с англ. -М.: Наука, 1977.-352 с.

93. Хаф JL Методологии разработки программного обеспечения. Часть 1. // Компьютер пресс. — 2003. — № 7

94. Чефранов С.Г., Пшиканокова Н.И., Орлов В.Н. Синтез системы управления инновационно-инвестиционным климатом региона// Альманах экономических и инструментальных исследований. Ростов-на-Дону: изд-во РГУ, 2002.

95. Штойер Р. Многокритериальная оптимизация. Теория, вычисления и приложения / Пер. с англ. М.: Радио и связь, 1992.

96. Шумпетер И. Теория экономического развития. М.: Экономика, 1995

97. Щепкин А.В. Механизмы внутрифирменного управления. М.: ИПУ РАН, 2001.

98. Энциклопедия кибернетики в 2-х тт. Киев: Главная редакция украинской советской энциклопедии, 1975.

99. Якобсон А., Буч Г., Рамбо Дж. Унифицированный процесс разработки программного обеспечения Спб.: Питер, 2002. - 496 с.

100. Beck, К. Extreme Programming Explained. Embrace Change. Addison-Wesley, 1999.

101. Boehm, B. W. A spiral model of software development and enhancement. IEEE Computer, 21 (5), 1988.

102. Booch, G., Rumbaugh, J., Jacobcon, I. The Unified Modeling Language User Guide. Addison-Wesley, 1999.

103. Cohon J. L. Multiobjective Programming and Planning. New York: Academic Press, 1978.

104. Darrel Whitley: A Genetic Algorithm Tutorial; November 10, 1993; Technical Report CS-93-103 (Revised); Department of Computer Science, Colorado State University, Fort Collins, US

105. Dorigo M. Optimization, Learning and Natural Algorithms. PhD thesis, Dipartimento di Electrónica. Politécnico di Milano, 1992.

106. Dorigo M., Caro G., Gambardella L. Ant Algorithms for Discrete Optimization. // Artificial Life, v.5, 1999, # 3.11 l.Dorigo M., Gambardella L. Ant Coloony for Traveling Salesman Problem. -Bruxelles: TR/TRIDIA/1996-3

107. Eberhart, R.C., and Kennedy, J. A New Optimizer Using Particles Swarm Theory, Proc. Sixth International Symposium on Micro Machine and Human Science. // IEEE Service Center, Piscataway, 1995.

108. Eberhart, R.C., Dobbins, R.W., and Simpson, P. Computational Intelligence PC Tools. Boston: Academic Press, 1996.

109. Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Welsey, 1989.

110. Graham, R. (1966). "Bounds for certain multiprocessing anomalies". Bell System Technical Journal, №45.

111. Holland J. Adaptation in Natural and Artificial Systems. Univ. of Michigan Press, 1975.

112. Сайт Горьковской железной дороги — филиала ОАО «РЖД». http.V/gzd.rzd.m/wps/portal/gzd?STRUCTUREID=4254&layerJd=3854&id= 104721118.1ngber L., Very fast simulated re-annealing // Mathematical Computer Modelling, 12, 1989.

113. Joines, J. On the use of non-stationary penalty functions to solve non-linear constrained optimization problems with GAs / J. Joines, C. Houck // Труды первой международной конференции по эволюционным вычислениям, IEEE Press, 1994.

114. Karwan М.Н., Zionts S. On finding starting feasible solutions for some specially structured linear programming problems // Working Paper No. 445, School of Management, State University of New York at Buffalo, 1980.

115. Kuri Morales, A. A Universal eclectic genetic algorithm for constrained optimization / A. Kuri Morales, C.C. Quezada // Труды шестого европейского конгресса по искусственному интеллекту и мягким вычислениям, EUFIT'98. -1998.

116. Paulk, М. С. Extreme Programming from a CMM Perspective. XP Universe, Raleigh, NC, 2001.

117. Paulk, M. С., B. Curtis, M. B. Chrissis, and С. V. Weber. Capability Maturity Model, Version 1.1. IEEE Software, 1993.

118. Philippe Kruchten, The Rational Unified Process: An Introduction, Third Edition, Addison-Wesley Professional 2003

119. Royce, Walker W. Managing the development of large software systems: concepts and techniques. Proc. IEEE WESTCON, Los Angeles, 1970.

120. Rumbaugh, J., Jacobcon, I., Booch, G., The Unified Modeling Language Reference Manual. Addison-Wesley, 1999.

121. Szu H., Hartley R., Fast simulated annealing // Phys. Lett., том 122, 1987.

122. Villareal В., Karwan M.H., Zionts S. A branch and bound approach to interactive multicriteria integer linear programming // Paper presented at Joint National Meeting TIMS/ORSA, Washington, D. C, 1980.

123. Yao X. Simulated annealing with extended neighborhood // International Journal of Computer Mathematics, 1991.

124. Zionts S. Multiple Criteria Decision Making for Discrete Alternatives with Ordinal Criteria / Working Paper N299, School of Management. New York: State University of New York at Buffalo, 1977.146