CC BY
33
5. Куликов Л.М. Основы экономической теории: учебн. М. 2001. 400 с.
6. Купряков Е.М. Стандартизация и качество промышленной продукции. М.:1991.
7. Лифиц И.М. Стандартизация, метрология и сертификация. Изд-во ЮРАЙТ,М.2002.296 с.
8. Лонцих П.А. Обеспечение качества и управление динамическими процессами технологических систем. Ростов-на-Дону: Изд-во Рост. ун-та, 2003. С. 236.
9. Малинский В.Д. Метрология, стандартизация и сертификация М.: «Европ. центр по качеству», 2002. 190 с.
УДК 621.01(07)
МЕХАНИЗМ СТАНДАРТИЗАЦИИ В ЗАДАЧАХ ФОРМИРОВАНИЯ АЛГОРИТМОВ ОПТИМИЗАЦИИ СИСТЕМ УПРАВЛЕНИЯ КАЧЕСТВОМ
В.И.Сидоренко1
Иркутский государственный университет путей сообщения, 664074, г. Иркутск, ул. Чернышевского, 15.
Определено, что одним из новых эффективных методов решения задач качества является применение генетических алгоритмов (ГА). В их основе лежит идея использования аналогов эволюционных механизмов для поиска решения. Для работы ГА используют виртуальную популяцию, где гены каждой отдельной особи являются частным решением поставленной задачи. Библиогр. 4 назв.
Ключевые слова: механизм стандартизации; формирование алгоритма оптимизации; система управления качеством; генетические алгоритмы.
STANDARDIZATION MECHANISM IN THE PROBLEMS TO FORM ALGORYTHMS OF QUALITY MANAGEMENT SYSTEMS OPTIMIZATION V.I. Sidorenko
Irkutsk State University of Railway Engineering, 15 Chernyshevsky St., Irkutsk, 664074.
The author determines that the application of genetic algorithms (GA) is one of the new, effective methods of solving quality problems. Genetic algorithms are based on the idea of using the analogs of evolutionary mechanisms to find solutions. For running GA use a virtual population, where the genes of each individual are partial solutions of the set problem. 4 sources.
Key words: standardization mechanism; the formation of the optimization algorithm; quality management system; genetic algorithms.
Развитие вычислительной техники привело к тому, что значительная часть вычислительных работ сегодня возложена на ЭВМ. Благодаря большой скорости расчетов, их низкой стоимости и достаточной для многих прикладных задач точности появилась возможность использовать «тяжелые» с точки зрения вычислений и временных затрат методы решения математических задач. В качестве примеров можно привести переборные методы, итерационные методы, использующие большие объемы данных (статистические). Однако наряду с созданными ранее способами решения и алгоритмами, стали появляться новые, существование которых отдельно от ЭВМ трудно представить. Данная работа рассматривает один из таких методов: генетические алгоритмы (ГА). В их основе лежит идея использовать аналоги эволюционных механизмов для поиска решения. Как известно, основными концепциями теории эволюции являются наследственность и естественный отбор. Эти же механизмы используются генетическим алгоритмом для нахождения решения некоторой проблемы [1]. Для работы ГА используют виртуальную популяцию, где гены каждой отдельной особи являются частным решением поставленной задачи. Число генов у особи зависит от
числа параметров задачи. В результате оценивания популяции каждой особи ставится в соответствие некоторая величина, которая называется приспособленностью и показывает, насколько успешно данная особь решает данную задачу, т.е. насколько её гены соответствуют поставленным условиям. Более приспособленные особи скрещиваются, из их потомков формируется новая популяция, члены которой оцениваются, затем скрещиваются и т.д. В ходе скрещивания двух особей за счет применения генетических операторов происходит обмен генетической информацией, и получившиеся потомки обладают как свойствами первого родителя, так и свойствами второго. Алгоритм прекращает работу в одном из следующих случаев: найдено решение; истекло установленное время работы либо число поколений; популяция длительное время не прогрессирует.
В результате работы ГА получается популяция, которая содержит особь, гены которой лучше генов других особей соответствуют требуемым условиям. Данная особь и будет являться найденным с помощью ГА решением. Следует отметить, что найденное решение может и не быть наилучшим, однако оно может быть близко к оптимальному. Отличительной особен-
1Сидоренко Виктор Иванович, доктор экономических наук, заведующий кафедрой экономики, тел.: (3952)598428. Sidorenko Victor Ivanovich, a doctor of economic sciences, the head of the Chair of Economics, tel.: (3952) 598428.
ностью ГА является то, что вычислительная сложность алгоритма мало зависит от сложности задачи. Значение имеют: вид целевой функции, количество параметров и, если имеется, область ограничений.
Основной областью применения ГА являются задачи оптимизации. К настоящему времени генетические алгоритмы были использованы для решения следующих общих проблем управления качеством:
- экстремальные задачи;
- ЫР-полные проблемы («Задача коммивояжера» и БАТ-проблемы);
- составление расписаний;
- задачи о размещении;
- аппроксимация функций;
- построение минимальных диагностических тестов для задач распознавания;
- настройка и обучение искусственных нейронных сетей;
- игровые стратегии;
- моделирование искусственной жизни;
- развивающиеся агенты и машины.
Вместе с концепцией искусственных нейронных сетей генетические алгоритмы образуют новое направление в искусственном интеллекте, выгодно отличаясь высоким параллелизмом при поиске решения и эффективным сужением пространства поиска в областях оптимумов.
Покажем, что формирование алгоритмов оптимизации систем управления качеством реализуется на основе механизма стандартизации и состоит из четырех этапов:
1.Отбор объекта стандартизации (систематические объекты).
2.Моделирование объекта стандартизации (абстрактная модель реального объекта).
3.Оптимизация модели (оптимальная модель стандартизируемого объекта).
4.Стандартизация модели (разработка нормативного документа на базе унифицированной модели). Стандарты устанавливаются на:
- материальные предметы, включая продукцию, эталоны, образцовые по составу или свойствам вещества;
- нормы, правила и требования к объектам организационного, методического и общетехнического характера.
Управление качеством происходит на межгосударственном, государственном, межотраслевом, внутриотраслевом и региональном уровнях, а также на уровне фирмы или предприятия. Влияние стандартизации на улучшение качества осуществляется через разработку стандартов на сырье, материалы, комплектующие изделия, оборудование, оснастку и готовую продукцию, а также через установление в стандартах технологических требований и показателей качества, единых методов испытаний и средств контроля.
Система стандартизации Российской Федерации гармонизирована с международными, региональными и национальными системами и обеспечивает:
- защиту интересов потребителей и государства в вопросах качества и номенклатуры продукции, услуг и процессов, их безопасность для жизни и здоровья людей, охрану окружающей среды;
- повышение качества продукции в соответствии с развитием науки и техники, с потребностями населения и народного хозяйства;
- совместимость и взаимозаменяемость продукции;
- содействие экономии людских и материальных ресурсов, улучшение экономических показателей производства;
- создание нормативно-технической базы социально-экономических программ и крупных проектов;
- устранение технических барьеров в производстве и торговле, конкурентоспособность продукции на мировом рынке и эффективное участие в международном разделении труда;
- безопасность народно-хозяйственных объектов с учетом риска возникновения природных и техногенных катастроф и других чрезвычайных ситуаций;
- содействие повышению обороноспособности и мобилизационной готовности.
Правильное использование возможностей стандартизации на предприятии позволяет повысить эффективность его функционирования.
Государственный и межотраслевой уровни обеспечиваются действием международных и государственных стандартов, разрабатываемых по всем стадиям жизненного цикла продукции. В них дается общая регламентация всех отраслей хозяйства страны по управлению качеством продукции: терминология по качеству, оценка качества, рекомендации по созданию систем управления качеством (стандарты семейства ИСО 9000).
Если работы по стандартизации на конкретном предприятии непосредственно направлены на повышение качества продукции, то затраты на их проведение первоначально выше ожидаемых результатов. Однако в дальнейшем на продукцию повышенного качества растет спрос потребителей, и она может быть реализована по значительно большим ценам. Таким образом, рост объемов поступлений от продаж может компенсировать не только дополнительные затраты предприятия по улучшению качества, но и обеспечить в будущем более высокую прибыль по сравнению с той, которую давала продукция, выпускавшаяся ранее. Если проводимые на предприятии работы по стандартизации не меняют качества выпускаемой продукции, то затраты на их проведение непосредственно перекрываются получаемой в рамках предприятия экономией сырья, материалов, времени, ресурсов.
Умелое использование возможностей стандартизации руководителями предприятий может послужить хорошей предпосылкой для создания на них более эффективных систем управления качеством продукции.
1. Оптимизация как элемент управления качеством технических и экономических систем. Де-
минг, известный своей концепцией «непрерывного
цикла совершенствования (PDCA)», в числе своих 14 принципов предлагал следующие:
- придерживайся постоянной цели: сделай постоянной целью непрерывное совершенствование продукции или услуги;
- совершенствуйся непрерывно и всегда: постоянно старайся усовершенствовать любой процесс.
Под «совершенствованием» можно понимать как минимизацию затрат на производство, так и максимизацию функции ценности продукта для потребителя. Таким образом, под «совершенствованием» можно рассматривать оптимизацию.
Постановка любой задачи оптимизации начинается с определения набора независимых переменных, определения области допустимых значений для этих переменных (ограниченные задачи). Обычно оптимизируется скалярная мера качества, которая зависит от переменных (целевая функция). Решение оптимизационной задачи - приемлемый набор значений переменных, которому отвечает оптимальное решение целевой функции. Под оптимальным решением понимают максимальность или минимальность целевой функции.
Общая постановка задач оптимизации: Найти optf (х), xeR", f(x)eR1,
xeX
где x - векторный аргумент, по которому ведется оптимизация; X - область допустимых значений x; f(x) -целевая функция.
Введем обозначения: opt f(x)=f(x*)=f* , где f* - оптимальное значение целевой функции; x* - значение аргумента, при котором определяется f*.
Постановка задачи минимизации или максимизации не нарушает общности.
min f(x) = max - f(x), где X - определяется функциями ограничения;
X={g(x)>=0}, g(x)eRm, где m - количество ограничений.
Часто важно различать ограничения неравенства и строгого равенства (h(x)=0).
В настоящее время не существует универсальных методов оптимизации [1,3], пригодных для решения задач произвольного вида. В связи с этим ведется постоянная работа в направлении совершенствования и разработок алгоритмов нелинейной оптимизации, которые можно классифицировать [1,5]:
• по наличию ограничений на методы
- безусловной оптимизации (найти min f(x), xeRn);
- условной оптимизации (найти min f(x), xeRn, X{gi(x)>=0, i=1...m});
• по способу поиска экстремальной точки на методы
- прямого поиска;
- косвенного поиска.
Основным достоинством методов прямого поиска является то, что с их помощью можно решать задачи с разрывной целевой функцией. Эти методы основаны на сравнении вычисленных значений f(x) в различных точках. Однако эти вычисления занимают много вычислительных ресурсов и часто не позволяют найти оптимальное решение с необходимой точностью.
Алгоритмы косвенного поиска основаны на стремлении найти решение задачи оптимизации, не исследуя промежуточные точки, удаленные от оптимума:
• по количеству независимых переменных на методы;
- по решению одномерных задач;
- по решению многомерных задач;
• по способу вычисления производных на методы
- градиентные;
- квазиградиентные.
Кроме процедур вычисления шага поиска оптимального решения, необходимо определить направление, расчет которого, как правило, базируется на использовании вектора градиента:
£(к) = -V/ ( х(к}).
На практике часто приходится сталкиваться с задачами, целевые функции которых очень сложны и не всегда бывает возможность аналитически вычислить частные производные. Тогда можно воспользоваться конечной разностью аппроксимации градиента.
V/ (х»))=/ (х'"+^;)- / (х,В);
Цт / (х + Ах) -/ (х) = /;
Ах ёх'
• по способу определения направления поиска на методы
- второго порядка;
- первого порядка.
Среди методов второго порядка наиболее популярны методы, основанные на квадратичной аппроксимации (метод Ньютона). Тогда направление поиска оптимума определяется с использованием первых и вторых производных ^х).
Идея методов первого порядка основана на использовании первых производных ^х). Вторые же производные можно заменить на их аппроксимации, вычисленные на каждом шаге итерационного процесса (квазиньютоновские методы).
£(к) = -V/ (х( к)); £(к) = -V2 / (х(к (х(к)).
2. Генетические алгоритмы и традиционные методы оптимизации. Генетический алгоритм представляет собой метод, отражающий естественную эволюцию методов решения проблем и в первую очередь задач оптимизации. Генетические алгоритмы -это процедуры поиска, основанные на механизмах естественного отбора и наследования. В них используется эволюционный принцип выживания наиболее приспособленных особей. Они отличаются от традиционных методов оптимизации несколькими базовыми элементами. В частности, генетические алгоритмы:
- обрабатывают не значения параметров самой задачи, а их закодированную форму;
- осуществляют поиск решения исходя не из единственной точки, а из их некоторой популяции;
- используют только целевую функцию, а не ее производные либо иную дополнительную информацию;
- применяют вероятностные, а не детерминированные правила выбора.
Перечисленные четыре свойства, которые можно сформулировать так же, как кодирование параметров, операции на популяциях, использование минимума информации о задаче и рандомизация операций, приводят в результате к устойчивости генетических алгоритмов и к их превосходству над другими широко применяемыми технологиями [4].
3. Основные понятия генетических алгоритмов. При описании генетических алгоритмов используются определения, заимствованные из генетики. Например, речь идет о популяции особей, а в качестве базовых понятий применяются ген, хромосома, генотип, фенотип, аллель. Также используются соответствующие этим терминам определения из технического лексикона, в частности, цепь, двоичная последовательность, структура.
Популяция - это конечное множество особей.
Особи, входящие в популяцию, в генетических алгоритмах представляются хромосомами с закодированным в них множеством параметров задачи, т.е. решений, которые иначе называются точками в пространстве поиска (search points). В некоторых работах особи называются организмами.
Хромосомы (другие названия - цепочки или кодовые последовательности) - это упорядоченные последовательности генов.
Ген (также называемый свойством, знаком или детектором) - это атомарный элемент генотипа, в частности, хромосомы.
Генотип или структура - это набор хромосом данной особи. Следовательно, особями популяции могут быть генотипы либо единичные хромосомы (в довольно распространенном случае, когда генотип состоит из одной хромосомы).
Фенотип - это набор значений, соответствующих данному генотипу, т.е. декодированная структура или множество параметров задачи (решение, точка пространства поиска).
Аллель - это значение конкретного гена, также определяемое как значение свойства или вариант свойства.
Локус или позиция указывает место размещения данного гена в хромосоме (цепочке). Множество позиций генов - это локи.
Очень важным понятием в генетических алгоритмах считается функция приспособленности (fitness function), иначе называемая функцией оценки. Она представляет меру приспособленности данной особи в популяции. Эта функция играет важнейшую роль, поскольку позволяет оценить степень приспособленности конкретных особей в популяции и выбрать из них наиболее приспособленные (т.е. имеющие наибольшие значения функции приспособленности) в соответствии с эволюционным принципом выживания «сильнейших» (лучше всего приспособившихся). Функция приспособленности также получила свое название непосредственно из генетики. Она оказывает сильное влияние на функционирование генетических алгоритмов и должна иметь точное и корректное определение. В задачах оптимизации функция приспо-
собленности, как правило, оптимизируется (точнее говоря, максимизируется) и называется целевой функцией. В задачах минимизации целевая функция преобразуется, и проблема сводится к максимизации. В теории управления функция приспособленности может принимать вид функции погрешности, а в теории игр - стоимостной функции. На каждой итерации генетического алгоритма приспособленность каждой особи данной популяции оценивается при помощи функции приспособленности, и на этой основе создается следующая популяция особей, составляющих множество потенциальных решений проблемы, например, задачи оптимизации.
Очередная популяция в генетическом алгоритме называется поколением, а к вновь создаваемой популяции особей применяется термин «новое поколение» или «поколение потомков».
Рассмотрим функцию
/ (х) = 2 х2 +1 (1) и допустим, что х принимает целые значения из интервала от 0 до 15. Задача оптимизации этой функции заключается в перемещении по пространству, состоящему из 16 точек со значениями 0, 1, ..., 15 для обнаружения той точки, в которой функция принимает максимальное (или минимальное) значение.
В этом случае в качестве параметра задачи выступает переменная х. Множество {0,1,..., 15} составляет пространство поиска и одновременно множество потенциальных решений задачи. Каждое из 16 чисел, принадлежащих к этому множеству, называется точкой пространства поиска, решением, значением параметра, фенотипом. Следует отметить, что решение, оптимизирующее функцию, называется наилучшим или оптимальным решением. Значения параметра х от 0 до 15 можно закодировать следующим образом:
0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111
Это широко известный способ двоичного кодирования, связанный с записью десятичных цифр в двоичной системе. Представленные кодовые последовательности также называются цепями или хромосомами. В рассматриваемом примере они выступают и в роли генотипов. Каждая из хромосом состоит из 4 генов (иначе можно сказать, что двоичные последовательности состоят из 4 битов). Значение гена в конкретной позиции называется аллелью, принимающей в данном случае значения 0 или 1. Популяция состоит из особей, выбираемых среди этих 16 хромосом. Примером популяции с численностью, равной 6, может быть, например, множество хромосом {0010, 0101, 0111, 1001, 1100, 1110}, представляющих собой закодированную форму следующих фенотипов: {2, 5, 7, 9, 12, 14}. Функция приспособленности в этом примере задается выражением (1). Приспособленность отдельных хромосом в популяции определяется значением этой функции для значений х, соответствующих этим хромосомам, т.е. для фенотипов, соответствующих определенным генотипам.
Библиографический список
CSE technical report CS90-174, La Jolla, CA: University of California at San Diego, 1990.
3. Fogel D. В., Evolutionary Computation. Towards a New Philosophy of Machine Intelligence, IEEE Press, 1995.
4. Goldberg D. E., Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 1995.
1. Лонцих П.А., Вейц В.Л., Шулешко А.Н. Качество: инструменты управления, прогнозирование и диагностика. Иркутск. Изд-во ИрГТУ, 2007. -244 с.
2. Belew, R. K., Mclnerney, J. Schraudolph N. N., Evolving networks: Using genetic algorithms with connectionist learning.
УДК 332.62(47)
ОБЕСПЕЧЕНИЕ ИННОВАЦИОННОЙ СОСТАВЛЯЮЩЕЙ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ О.К.Слинкова1
Братский государственный университет,
665709, Иркутская область, г. Братск, ул. Макаренко, 40.
Показано, что существенным фактором, влияющим на развитие и внедрение инноваций, является финансирование инновационных проектов. Стратегия финансирования бизнеса заключается в применении схем финансирования исходя из особенностей бизнес- процессов и влияющих на них факторов. Рассмотрено решение задач инноваций и источники их финансирования. Определена роль инвестиционных и инновационных фондов. Библиогр. 5 назв.
Ключевые слова: инновации; инновационные и инвестиционные фонды; внедрение инновационных проектов.
ASSURANCE OF THE INNOVATION COMPONENT OF TECHNOLOGICAL PROCESSES O.K. Slinkova
Bratsk State University
40, Makarenko St., Bratsk, Irkutsk region, 665709.
The authors demonstrate that the significant factor influencing the development and introduction of innovations, is financing of innovation projects. The strategy of business funding includes the application of funding schemes based on the features of business processes and the factors influencing them. The authors deal with the solutions of innovation problems and the sources of their funding. The role of investment and innovation funds is determined. 5 sources.
Key words: innovations; innovation and investment funds; introduction of innovation projects.
Существенным фактором, влияющим на развитие и внедрение инноваций, является финансирование инновационных проектов. Стратегия финансирования бизнеса заключается в применении схем финансирования исходя из особенностей бизнес- процессов и влияющих на них факторов.
В зависимости от источников финансирования можно выделить следующие направления: финансирование из внутренних источников, финансирование из привлеченных средств, финансирование из заемных средств, смешанное (комплексное, комбинированное) финансирование2. Внутренние источники -собственные средства предприятия (прибыль и амортизационные отчисления). Привлеченные средства имеют следующие особенности: инвестору интересна высокая прибыль, доля собственности инвестора определяется из соотношения его инвестиций ко всему капиталу компании, кроме того, инвестор может иметь (или не иметь) намерения когда-либо избавиться от инвестиции. Заемные средства - возвратные финансовые ресурсы (предприятие имеет обязательства по договору: вернуть сумму привлеченных средств в определенные сроки в соответствии с условиями договора, оплатив все необходимые платежи).
Важно рассмотреть проблемы инноваций и источники их финансирования как задачу финансирования (структур, осуществляющих финансирование инновационных проектов): ими могут быть предприятия, финансово-промышленные группы, инвестиционные и инновационные фонды, органы местного управления, частные лица и т.д. Принимая участие в хозяйственном процессе, они тем или иным образом способствуют развитию инновационной деятельности, внедрению и применению на практике инновационных технологий, разработок. В развитых странах распределение финансовых ресурсов для НИОКР происходит практически в равной степени. В России на сегодняшний день уменьшившиеся объемы государственного финансирования, нехватка собственных средств у предприятий и отсутствие стратегического планирования финансовой и производственной деятельности предприятия его руководством приводят к недостатку частного капитала для осуществления инновационной деятельности предприятия.
По видам собственности источники финансирования подразделяют на: 1) государственные инвестиционные ресурсы (бюджетные средства, средства внебюджетных фондов, государственные заимствования,
1Слинкова Ольга Константиновна, доктор экономических наук, заведующая кафедрой менеджмента и информационных технологий, тел.: 89Q86494123.
Slinkova Olga Konstantinovna, a doctor of economic sciences, the head of the Chair of Management and Information Technologies, tel.: 89Q86494123.
2Волков А.С., Марченко А.А. Оценка эффективности инвестиционных проектов. М.: Инфра-М // СПС «Гарант».
