ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Интеллектуальная информационная система поддержки процедур управления воспроизводственным процессом

Intellectual information system of procedure support of reproduction process control
Статья опубликована в выпуске журнала № 1 за 2010 год.[ 22.03.2010 ]
Аннотация:Разработана интеллектуальная информационная система, обеспечивающая поддержку пользователя при проведении имитационных экспериментов с помощью динамической модели воспроизводственного процесса макроэкономической системы, при формировании базы экспериментальных данных о динамике поведения системы, интеллектуальном анализе экспериментальных данных на основе нейронных сетей Кохонена, формировании нечетких правил классификации ситуаций и принятии решений.
Abstract:Intellectual information system, providing user support in carrying out simulation experiments using dynamic model of reproduction process of macroeconomic system, in creation of experimental results database concerning system behaviour dynamics, in intellectual analysis of experimental data on the basis of Kohonen neural network, in establishment of fuzzy rules of situation classification and decision support is developed.
Авторы: Ильясов Б.Г. (ilyasov@tc.ugatu.ac.ru) - Уфимский государственный авиационный технический университет, Уфа, Россия, доктор технических наук, Макарова Е.А. (ea-makarova@mail.ru) - Уфимский государственный авиационный технический университет, Уфа, Россия, доктор технических наук, Павлова А.Н. (pavlova.ugatu@gmail.com) - Уфимский государственный авиационный технический университет, ,
Ключевые слова: нечеткие правила, классификация ситуаций, нейронные сети кохонена, имитационный эксперимент
Keywords: fuzzy rules, situation classification, Kohonen neural network, simulation experiment
Количество просмотров: 5511
Версия для печати
Выпуск в формате PDF (4.03Мб)
Скачать обложку в формате PDF (1.25Мб)

Размер шрифта:       Шрифт:

В условиях мирового экономического кризиса проблемы прогнозирования, программирования национальной экономики и поддержки принятия решений на макроэкономическом уровне особенно актуальны [1]. Одним из направлений исследований в этой области является разработка интеллектуальных систем поддержки принятия решений (ППР) с использованием нейронечетких технологий и моделей системной динамики.

В рамках проводимых исследований моделируется динамика кругооборота финансовых потоков, охватывающих все стадии воспроизводственного процесса макроэкономической системы (МЭС). На основе разработанного ранее комплекса динамических моделей макроэкономического кругооборота потоков с учетом ограниченных запасов проектируется информационная интеллектуальная система поддержки процедур управления (ИСППУ) воспроизводственным процесс- сом МЭС [2].

Данная ИСППУ предназначена для обеспечения поддержки исследователя при выполнении им следующих процедур моделирования и управления: имитационное моделирование на основе динамической модели воспроизводственного процесса МЭС в автоматическом и автоматизированном режимах; формирование базы экспериментальных данных о динамике поведения МЭС; интеллектуальный анализ результатов многократных имитационных экспериментов на основе нейросетевых технологий; формирование нечетких правил классификации ситуаций в динамике и принятие решений при реализации различных сценариев макроэкономического регулирования.

В структуре программного обеспечения (ПО) ИСППУ воспроизводственным процессом МЭС выделены три компонента: система имитационного моделирования, система информационно-аналитической поддержки и система интеллектуальной ППР при управлении воспроизводственным процессом МЭС. ПО ИСППУ реализовано на языке MATLAB с использованием приложений Simulink и ANFIS среды MATLAB и Excel, а также с подключением специальных программных модулей, разработанных на языке C#.

Система имитационного моделирования воспроизводственного процесса МЭС предназначена для выполнения двух групп операций моделирования – базовых и вспомогательных.

К первой группе наряду с традиционными операциями (задание параметров, сохранение проекта с настройками, запуск и др.) относятся статический расчет для динамической модели МЭС и автоматическая остановка процесса моделирования в желаемое время. Отметим, что требования к статическому расчету состоят в обеспечении баланса темпов потоков расходов и доходов по всем секторам МЭС. Для нахождения сбалансированного по всем потокам состояния МЭС разработан алгоритм автоматизированного решения системы уравнений с учетом ограничений, реализованный в среде Excel. Алгоритм позволяет в диалоге с пользователем с учетом задаваемых им ограничений на значения ряда параметров модели сформировать желаемое сбалансированное сочетание плановых темпов расходов и доходов секторов МЭС.

Вторая группа включает операции, позволяющие осуществлять мониторинг процесса проведения имитационного эксперимента. Реализация такой поддержки исследователя обусловлена необходимостью контроля и анализа в процессе моделирования большого количества быстро меняющихся значений переменных модели. Поэтому требуются группировка выводимых данных и управление их выводом на экран в зависимости от скорости их изменения. Поддержка пользователя при мониторинге предполагает визуализацию данных о состоянии МЭС в интегрированной форме и отображение текущих значений переменных модели (темпов потоков, объема запасов, сальдо потоков, текущего времени) в числовом и графическом видах. Особенность числового отображения значений ключевых для анализа переменных состоит в определении частоты обновления данных на экране в зависимости от скорости их изменения. Особенностью графического отображения значений является представление их в виде диаграммы, высота столбцов которой определяется предельным значением переменной, степень закрашивания соответствует текущему значению, а изменение окраски свидетельствует о приближении к зоне неблагоприятных ситуаций. Алгоритмы системы имитационного моделирования реализованы на языке MATLAB в виде блоков S-function и MATLAB-fcn, встроенных в структурную схему динамической модели МЭС в приложении Simulink.

Система информационно-аналитической поддержки пользователя служит для обработки результатов моделирования, представленных в числовом и графическом видах. Информационно-аналитическая поддержка предполагает преобразование графиков изменения переменной в зависимости от заданного интервала дискретизации, формирование файла экспериментальных данных по результатам многих экспериментов, сохранение графиков переходных процессов, их масштабирование и совмещение.

Алгоритм преобразования графика изменения переменной в зависимости от заданного интервала дискретизации предполагает преобразование исходного графика переходного процесса в столбчатую диаграмму с учетом заданного интервала времени. Такая операция часто требуется в макроэкономическом анализе при расчете, например, темпов роста инфляции, изменения уровня безработицы за месяц, квартал, год.

Алгоритм формирования файла экспериментальных данных предполагает: задание начальных значений переменных для моделирования; автоматический запуск процесса моделирования; автоматическую генерацию текста программы для многократного автоматического запуска процесса моделирования в соответствии с планом эксперимента и заданным временем останова; формирование структуры файла экспериментальных данных и заполнение его требуемыми результатами многих имитационных экспериментов заданных групп; формирование выборки по запросу в формате Excel для последующего интеллектуального анализа экспериментальных данных.

Отметим, что необходимость выполнения перечисленных операций обусловлена рядом проблем, возникающих при формировании файла экспериментальных данных. Во-первых, это запись значений требуемых переменных в рабочую область MATLAB в требуемое время. Организация такой выборочной записи реализована программно. Эта управляющая программа после окончания моделирования создает двухмерный массив в рабочей области, который формируется путем перезаписи из стандартного массива yout, создаваемого MATLAB, строк, соответствующих нужным моментам. Во-вторых, это проблема записи результирующего массива из рабочей области MATLAB в файл, которая также реализована программным способом в рамках той же управляющей программы. Однако при работе с этой программой возникает еще одна проблема, связанная с необходимостью многократной корректировки ее исходного текста при переходе к очередному эксперименту. Поэтому разработана дополнительная программа, генерирующая исходный текст управляющей программы с измененными исходными данными.

Алгоритмы поддержки пользователя при построении графиков переходных процессов реализуют разнообразные операции: автоматического и автоматизированного сохранения графиков отдельной переменной или нескольких переменных модели после каждого моделирования; построения графиков разных переменных различных экспериментов в одном координатном поле или раздельно с ручной или автоматической настройкой масштаба и способа отображения линий. Алгоритмы также реализованы в среде MATLAB.

Система интеллектуальной ППР при управлении воспроизводственным процессом МЭС предназначена для выполнения нейросетевого анализа экспериментальных данных в динамике на основе самоорганизующихся карт и для формирования правил классификации макроэкономических ситуаций и правил принятия решений [3].

Процедура нейросетевого анализа экспериментальных данных о динамике воспроизводственного процесса МЭС включает в себя: разработку нейронных сетей (НС) Кохонена для кластеризации макроэкономических ситуаций в динамике; построение самоорганизующихся карт для выделенного множества контролируемых моментов; многопараметрический анализ построенных кластеров; упорядочение их по степени близости к области благоприятных ситуаций с помощью метода анализа иерархий; формирование сценариев и анализ интегральной траектории изменения ситуаций в динамике. Все этапы процедуры выполняются с помощью разработанной программы нейросетевого анализа динамики поведения сложных систем, реализованной на языке C# [4].

Отметим ряд особенностей процедуры. Во-первых, для анализа одного сценария управления МЭС (одного эксперимента) могут быть построены несколько НС Кохонена, если множества признаков, характеризующих ситуацию в различные выделенные моменты, отличаются. Во-вторых, исследователь уточняет множество признаков ситуации (входов НС) путем применения методов многомерного статистического анализа, например, в средах Statistica или Deductor Studio. Признаки, не обладающие дискриминантной силой, исключаются. Особо необходимо отметить, что одним из признаков является время наступления кого-либо события, например, момент начала снижения объема запасов сектора. В-третьих, многопараметрический анализ построенных кластеров макроэкономических ситуаций выполняется с помощью самоорганизующихся карт и основывается на интегральной оценке изменений цветовой гаммы по кластерам, при этом используется статистика по кластеру. В-четвертых, применение метода анализа иерархий для упорядочения кластеров предполагает, что в качестве критериев рассматриваются признаки (входы НС), а в роли альтернатив выступают кластеры ситуаций (выходы НС). Кроме того, составление матриц парных сравнений кластеров облегчено для эксперта, так как есть объективные подсказки – ориентиры в виде числовой шкалы изменения признака с цветовым сопровождением и средних значений признака по кластеру. В-пятых, построение интегральной траектории ведется путем соединения в цепочку номеров кластеров текущих ситуаций. Для построения траектории движения МЭС как графического изображения сценария управления принято, что по оси абсцисс отображаются контролируемые моменты, а по оси ординат – номера кластеров, упорядоченных ранее по степени близости к зоне благоприятных ситуаций.

Формирование нечетких правил классификации ситуаций и принятия решений по выделенным кластерам выполняется в приложении ANFIS среды MATLAB. Обучающая выборка для нечеткой нейронной продукционной сети, применяемой при классификации ситуаций, создается экспертом на основе результатов анализа самоорганизующихся карт [5]. При создании обучающей выборки для нечеткой нейронной продукционной сети ППР предлагается проводить анализ дополнительной информации о состоянии воспроизводственного процесса МЭС. Эта информация представлена значениями признаков, которые, хотя и присутствуют в обучающей выборке, в обучении НС Кохонена не участвуют. Цель такого анализа заключается в поиске причин возникновения неблагоприятных ситуаций по каждому кластеру. Выявление причин отклонения текущей ситуации от желаемой позволяет сформировать множество решений, которые направлены на ликвидацию причин и представлены в виде указаний качественных изменений управляющих координат. Примером дополнительной информации является статистическая информация о возмущающих воздействиях, например, об изменениях уровней мировых цен. Отличительной особенностью правил является наличие времени наступления особых событий в поведении МЭС.

Подытоживая, отметим следующее. Разрабатываемая ИСППУ воспроизводственным процессом МЭС позволяет выполнять процедуры имитационного моделирования и ППР при проигрывании различных сценариев управления МЭС, обеспечивая, во-первых, работу в едином информационном пространстве; во-вторых, работу с данными о динамике поведения МЭС; в-третьих, взаимодействие во времени нейронных, нейро-нечет­ких сетей и динамической модели воспроизводственного процесса МЭС. Разработанное ПО ИСППУ воспроизводственным процессом МЭС может использоваться в качестве исследовательской системы при решении задач анализа и синтеза управлений поведением МЭС.

Литература

1. Кузык Б.Н., Кушлин В.И., Яковец Ю.В. Прогнозирование, стратегическое планирование и национальное программирование: учебник. М.: Изд-во «Экономика», 2008. 575 с.

2. Моделирование динамики кругооборота финансовых потоков с учетом накопления финансовых ресурсов / Илья- сов Б.Г. [и др.] // Вестник компьютерных и информационных технологий. 2009. № 7 (61). С. 28–38.

3. Кохонен Т. Самоорганизующиеся карты. М.: БИНОМ. Лаборатория знаний, 2008. 655 с.

4. Ильясов Б.Г., Макарова Е.А., Валитов Р.Р. Автоматизированная система нейросетевого анализа данных для управления поведением сложных объектов. Свид. № 2009614362 об офиц. регистр. прогр. для ЭВМ; зарегистрир. РосАПО в Реестре программ для ЭВМ 19.08.2009.

5. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. М.: Горячая линия-Телеком, 2007. 284 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2438
Версия для печати
Выпуск в формате PDF (4.03Мб)
Скачать обложку в формате PDF (1.25Мб)
Статья опубликована в выпуске журнала № 1 за 2010 год.

Назад, к списку статей

Хотите оценить статью или опубликовать комментарий к ней - зарегистрируйтесь