CC BY
7
доли влаги в готовом продукте соответствует требованиям нормативной документации (ТУ 9213-020-02068640-96).
Введение добавки гидратированных низкомолекулярных соевых пептидов в состав фарша для вареной колбасы «Черноморская» способствует увеличению значений ВСС, ВУС и ЖУС. Причем увеличение этих показателей в большей степени наблюдается у опытного образца № 3 с содержанием добавки 15 %.
Установлено, что контрольный образец обладает меньшими значениями напряжения среза, в то время как значения напряжения среза в образцах с добавкой гидра-тированных низкомолекулярных соевых пептидов в различных концентрациях несколько выше. В случае содержания гидратированных низкомолекулярных соевых пептидов в количестве 15% напряжение среза имеет наибольшие значения. Увеличение значений напряжения среза в опытных образцах связано с количественным содержанием в них добавки гидратированных низкомолекулярных соевых пептидов. Результаты измерения показывают, что у образцов, в состав которых входит добавка
гидратированных низкомолекулярных соевых пептидов в количестве 15%, структура более упругая. Следовательно, можно сказать, что добавка гидратированных низкомолекулярных соевых пептидов позволяет получить продукт с более плотной структурой.
Результаты расчета выхода готовой продукции показали, выход у опытного образца с добавкой гидрати-рованных низкомолекулярных соевых пептидов в количестве 15% увеличился на 1,3% и у опытного образца с концентрацией добавки 12 % - на 1,1%, при введение 10 % добавки - на 1,0 %.
Важным показателем качества высокобелкового продукта является глубина и скорость перевариваемости белков в желудочно-кишечном тракте под действием пищеварительных ферментов. Проведены исследования по влиянию добавки гидратированных низкомолекулярных соевых пептидов на перевариваемость пищеварительными ферментами. Результаты проведенных исследований представлены в таблице 1.
Таблица 1
Перевариваемость «in vitro» образцов вареной колбасы с введением гидратированных
Перевариваемость мг тирозина/г белка Образцы
Контроль Образец 1 Образец 2 Образец 3
Пепсином 6,02±0,08 7,12±0,11 7,88±0,09 8,36±0,10
Трипсином 11,20±0,10 13,27±0,09 15,80±0,11 16,27±0,09
Суммарная 17,22±0,76 20,39±0,89 23,68±1,06 24,63±1,12
Представленные данные показывают, что наибольшей доступностью действию пищеварительных ферментов характеризуется опытный образец № 3. У остальных опытных образцов, содержащих гидратирован-ные низкомолекулярные соевые пептиды, значения незначительно ниже, но значительно превышают значения в контрольном образце. Это напрямую связано с увеличением доступности гидратированных низкомолекулярных соевых пептидов по сравнению с белками соевой муки и говядины за счет ферментативного и кислотного гидролиза.
Таким образом, введение гидратированных низкомолекулярных соевых пептидов в состав вареной колбасы позволяет получать мясной продукт с повышенной
усвояемостью и улучшенными показателями качества и функционально-технологическими характеристиками.
Список литературы:
1. Глазова, Г.В. Характеристика функциональных свойств белковых препаратов / Г.В. Глазова, О.И. Шиленок, И.В. Кочиева, С.Н. Толкунов, Н.Н. Толкунова // Мясная индустрия. 2007. № 3. С. 48-51.
2. Микляшевски, П. Использование соевых белков в переработке мяса / П. Микляшевски, В.В. Прянишников, Е.В. Бабичева, А.В. Ильтяков // Все о мясе. 2006. № 3. С. 10-13.
3. K. Sato, K.Hashimoto. Bioactive peptides - large-scale preparation. American Oil Chemist Society.2007, VOL 18; № 11, Р. 756-760.
ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ ПОИСКА ОПТИМАЛЬНОГО РАЗМЕЩЕНИЯ ТОВАРОВ НА СКЛАДЕ САМООБСЛУЖИВАНИЯ
Туровский Федор Александрович
студент 3 курса Южно-Российского государственного политехнического университета им. М.И. Платова, факультета информационных технологий и управления, г. Новочеркасск;
Туровская Елена Владимировна вед. инженер кафедры «Информационная безопасность, телекоммуникационные
системы и информатика», г. Новочеркасск.
Умелое использование новейших достижений в области информационных технологий, системного анализа и технологий искусственного интеллекта позволяет значительно повышать и укреплять конкурентоспособность предприятий, открывает широкий спектр возможностей для новых форм организации труда и повышения его производительности.
Задача автоматизации функций персонала отдела «Склад самообслуживания» компании «ИКЕА-Дон» относится к классу целочисленных задач многокритериальной оптимизации и предусматривает выбор наилучших мест хранения (ячеек) для вновь поступивших товаров; товаров, на которые распространяются акции (скидки, ликвидация); товаров, пользующихся повышенным спросом у покупателей. Определение нового порядка размещения
должно предусматривать не только поддержание соотношений уровня продаж, типа, размера и цветовой гаммы, но и минимальное число перемещений уже размещённых товаров.
Были проанализированы работы, выполняемые сотрудниками отдела, и определена функция персонала, требующая автоматизации на качественно новом уровне.
Далее были проанализированы существующие методы решения многокритериальных задач оптимизации и разработана математическая модель процесса оптимального размещения элементов (товаров) в заданном пространстве, разделённом на элементы - ячейки с адресной системой хранения. Осуществлено моделирование динамических, функциональных и информационных аспектов системы.
Произвели оценку и выбрали метод и технологии для решения многокритериальной задачи размещения методом рангов. Выбранным решением (и технологией) стал эволюционный алгоритм, оперирующий представлением искомого решения в виде последовательности программных структур с целочисленными и вещественными полями.
Учёт специфики задачи проявился в разработке уникального алгоритма, позволяющего сузить пространство поиска оптимальных решений за счёт предложенного способа представления хромосом, механизма скрещивания, механизмов мутации и разделение алгоритма поиска решения на два этапа.
Программная модель проходила проверку при моделировании следующих ситуаций:
- поступлении новых товаров (больших и малых групп);
- удалении отдельных товаров из ассортимента;
- проведении мероприятий, связанных с объявлением акций на отдельные группы товаров;
- увеличении числа товаров одной группы до критического (превышения числа товаров группы над числом ячеек этой товарной группы);
- плановой профилактике состояния склада.
В результате исследований была подтверждена работоспособность алгоритма и определены диапазоны изменения параметров эволюционного алгоритма при различной степени наполняемости склада.
На начальном этапе моделирования допустимо считать, что количество торговых мест на Складе фиксировано, т.е. не используются площади Склада полного обслуживания.
Информацию о товарах, снимаемых с продажи, содержит только артикул. Информацию о товарах, на которые распространяется та или иная акция, содержит артикул и новое значение планируемого уровня продаж. Оба вида товаров размещаются в отдельных текстовых файлах с исходными данными.
Информацию о структуре склада и его разделении на зоны программная модель получала из конфигурационного файла, внутренняя структура которого имеет вид:
[Storage properties]
Zone = 7 //число зон
GoodsGroup=5 //число товарных групп
1Zone=1 //соответствие зона-товарная группа
2Zone=2
20RowCountCells=36 25RowCountCells=45
//деление ячеек по зонам (группам товаров)
[Storage map]
1RowSide1=1 1RowSide2=2, 2Row Side1=2 2Row Side1=3
Настройка параметров программной модели осуществляется в меню «Конфигурация», сохраняется в конфигурационном файле и содержит следующие параметры: [Project properties]
PlanningHorizons=week [/mounth/quarte]
PopulationSize=1000
SuitableSolutionSize=20
StopSolutionPersent=on
StopNumberCycle=off
SuitableSolutionPersent=90
NumberCycle=100000
[Crossover properties] PointSize=10
[Mutation properties]
1Mutation=on
2Mutation=on
3Mutation=off
Frequency=1000
LawChange=const [line_a_b]
//закон изменения
7Zone=5 Floor=2
1RowCountCells=24 2RowCountCells=24
//число доступных этажей //число ячеек в каждом ряду
[1Fitness]
IncrementSize=10 //величина приращения 1Critery=on
//критерий (2.6) 2Critery=on
//критерий (2.7) 3Critery= off //критерий (2.8, 2.9)
[2Fitness]
IncrementSize=5 //величина приращения 1Critery=on //критерии (2.10-2.19)
2Critery=off 3Critery=off
kF =on //учёт частоты спроса
kSz=on //учёт сезонного спроса
kiM=on //учёт импульсного спроса
kpc=off // учёта расстояния между товарами
//с аналогичными упаковками kA=on //учёт участия в акциях
На первом этапе исследования моделировались штатные ситуации, связанные с поступлением новых товаров одной или нескольких товарных групп, при этом общий объём товарной группы не превышал объём выделенных под неё ячеек более чем на 75%. Данные получены на ПК следующей конфигурации: процессор: Intel Pentium Dual-Core G2020 2.9GHz/3 MB 2 ядра; память: DDR3 4Gb 1333 МГц; видеокарта: GeForce GT610 1Гб (64bit, DDR3); жёсткий диск: HDD 500 Гб 7200 об./мин.
Испытания проводились при варьировании следующих параметров:
- размер популяции: от 5Lc до 15Lc (5, 7,10,12,15);
- процент свободных ячеек: от 35 до 25 (35, 30, 25);
- число точек скрещивания: от 1 до 20 (1, 2, 5, 10, 15, 20);
- параметры мутации: от 1 до 3 типов одновременно; частота мутации от 100 до 10000 (100, 500, 1000, 2000,5000, 7000,10000).
Экспериментальным путём было определено наилучшее число точек скрещивания, равное 5, использование только одного (любого) типа мутации с частотой, равной одной мутации на 200 циклов. Использование всех трёх типов мутации одновременно является оправданным только при снижении частоты мутации до значений 1раз на 1000 циклов и более.
Уменьшение числа используемых критериев значительно понижает скорость получения решений, но при реальном использовании системы каждый критерий улучшает искомое решение, поэтому результаты моделирования при неполном числе критериев в настоящее время интереса не представляют.
На втором этапе исследования моделировались следующие нештатные ситуации:
1. Увеличение числа товаров до критического (число товаров каждой товарной группы составляет 9095% от числа ячеек для этой товарной группы).
2. Увеличение числа товаров одной группы до критического (превышение числа товаров группы над числом ячеек этой товарной группы на 5-10% при 80%-ной загрузке остальных товарных групп), что бывает крайне редко, но возможно.
Любое из предложенных решений ведёт к усложнению алгоритма работы проектируемой системы. При моделировании ситуации «Не хватает ячеек для товаров одной товарной группы» оценочная функция допускала следующие решения:
- размещение товаров в смежных зонах;
- объединение ряда товаров из слабо-заполненных ячеек в одной ячейке, т.е. каждое торговое место может быть разделено горизонтальными балками ещё на торговые места, называемыми уровнями.
Оба эти решения не относятся к числу удачных, и осуществить выбор одного из них можно либо в соответствии с приоритетом, либо предоставить право выбора персоналу (скорее всего, старшему менеджеру Склада). Кроме того, можно принять решение о том, что в случае невысокого уровня полученных решений, система предоставляет право размещения персоналу склада с указанием свободных ячеек всего Склада, подходящих по весо-габаритным характеристикам. В этом случае следует предусмотреть интерфейс для ввода информации о самостоятельном размещении отдельных товаров.
Результаты исследования работы алгоритма на пилотном проекте показали, что:
1. Размещение товаров в соответствии с характеристиками: «Уровень продаж», «Планируемый уровень продаж», «Показатель импульсного спроса», «Акция» и т.д. для новых товаров позволяет получить более эффективное решение задачи в сравнении только лишь с весо-габарит-ными показателями и функциональным назначением товаров (последнее - нестрого).
2. Отказ от субъективного принятия решений о размещении товаров позволил освободить персонал от поиска свободных мест и трудоёмкого процесса перемещения товаров.
3. По приблизительным оценкам руководящего состава «Склада самообслуживание» качество размещения новых товаров ничуть не уступает решениям, принимаемым опытными сотрудниками Склада, а в ряде случаев превосходит его, что позволило увеличить продажи отдельных позиций товаров (крупногабаритной мебели и сопутствующих товаров).
Список литературы:
1. Manual. Руководство по размещению товаров на складах самообслуживания ООО «IKEA»;
2. Гаджинский А.М. Современный склад. Организация, технологии, управление и логистика. - М.: Проспект, 2005. - 176 с.;
3. Гладков, Л.А. Генетические алгоритмы [Текст] / Л.А. Гладков, В.В. Курейчик, В.М. Курей-чик - М.: Физматлит, 2006. - 320 с.
ОРГАНИЗАЦИЯ НОРМАТИВНО-МЕТОДИЧЕСКОГО ОБЕСПЕЧЕНИЯ ПРОЦЕССА СОЗДАНИЯ ПРИКЛАДНЫХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ
Тюрбеева Татьяна Борисовна
Преподаватель кафедры «ИТ и ВС» ФГБОУ ВПО «МГТУ «СТАНКИН», г. Москва Волкова Галина Дмитриевна
Д.т.н., профессор, профессор кафедры «ИТ и ВС» ФГБОУ ВПО «МГТУ «СТАНКИН», г. Москва
В настоящее время спрос на автоматизированные системы (АС), позволяющие ускорять процесс производства продукции и её поставки на рынок, многократно вырос.
Проведенное исследование существующей нормативной базы для создания АС, изложенное в работах [1,2,3], позволило выявить множество проблем, связанных с разноплановостью, неоднозначностью существующих нормативных документов в силу исторических изменений (разработка и внедрение ЕСПД, ГОСТов для АСУ и САПР
и их объединение и т.д.) и заимствований (принятие зарубежных регламентов в качестве отечественных ГОСТов). Такая разноплановость нормативных документов, используемых при создании автоматизированных и/или программных систем, породило необходимость формирования эталона для их сравнения, оценки и выявления наилучших компонентов. Методологическим базисом для формирования эталона проработки процессов создания, функционирования и развития АС является системный подход.
