CC BY
20
International Workshop (EWDTW'05). Odessa, Ukraine. September 15-19. 2005. Р. 96-101. 3. SokolB, MrozekI., Yarmolik V.N. Transparent March Tests to effective pattern sensitive. // Proceeding of East-West & Test International Workshop (EWDTW'04). Yalta-Alushta, Crimea, Ukraine. September 23-26. 2004. Р. 166171. 4. Harutunyan G, Vardanian V.A. A March Tests for Full Diagnosis of All Simple Static Faults in Random Access Memories. // Proceeding of East-West & Test International Workshop (EWDTW'06). Sochi, Russia, September 15-19. 2006. Р. 68-71. 5. Ryabtsev V.G., Kudlaenko V.M., Movchan Y. U. Method of estimation diagnostic properties of the Tests Family March. // Proceeding of East-West & Test International Workshop (EWDTW'04). Yalta-Alushta, Crimea, Ukraine. September 23-26, 2004. Р. 220-224. 6. Рябцев В.Г. Проектирование алгоритмов диагностирования быстродействующих микросхем оперативной памяти. // Радиоэлектроника и информатика. 2000. № 3. C. 77-80. 7. Мельников А.В., Рябцев В.Г. Контроль модулей памяти компьютеров. К.: "Корншчук", 2001. 172 с.
Поступила в редколлегию 23.09.2006 Рябцев Владимир Григорьевич, д-р техн. наук, профессор Черкасского государственного технологического университета. Научные интересы: тестовое диагностирование полупроводниковых запоминающих устройств. Адрес: Украина, 18006, Черкассы, бульв. Шевченко, 460, тел. 8-04-72-73-02-71.
Аль Мади Мудар, аспирант Черкасского государственного технологического университета. Научные интересы: верификация моделей микросхем памяти. Адрес: Украина, 18006, Черкассы, бульв. Шевченко, 460, тел. 8-04-72-73-02-71.
Кудлаенко Валерий Михайлович, аспирант Черкасского государственного технологического университета. Научные интересы: принципы построения устройств диагностирования микросхем и модулей памяти. Адрес: Украина, 18006, Черкассы, бульв. Шевченко, 460, тел. 8-04-72-73-02-71.
УДК 004.77:339.14 В.М. БОРЯЧОК
МЕТОД ОРГАНИЗАЦИИ ПОСТАВОК В СИСТЕМАХ ЭЛЕКТРОННОЙ КОММЕРЦИИ
Рассматривается задача повышения эффективности организации поставок в системах электронной коммерции. Разрабатывается метод адаптивной маршрутизации в системах электронных поставок, позволяющий автоматизировать процесс принятия решений, связанных с поиском поставщиков, а также снизить степень риска в принятии решений за счет снижения влияния субъективных факторов. Модифицирована прогнозирующая модель с использованием нейросетевых технологий, позволяющая прогнозировать динамику изменения экономических показателей системы электронной коммерции по малой выборке. Осуществляется дальнейшее развитие метода оценки эффективности функционирования систем электронной коммерции.
Введение
Методы и модели, применяемые в настоящее время при организации поставок в системах электронной коммерции (СЭК), имеют следующие недостатки: характеризуются большими временными затратами, не адаптированы к изменениям условий поставок и подвержены влиянию субъективных факторов при принятии решений, связанных с поиском поставщиков; используемые методы прогнозирования экономических показателей не адаптированы к современным изменяющимся рыночным условиям.
В связи с этим целью работы является сокращение временных, а также финансовых затрат, связанных с организацией поставок в СЭК. Для достижения данной цели решаются следующие задачи: разработка метода маршрутизации в системах электронных поставок (СЭП), позволяющего существенно сократить временные и финансовые затраты, связанные с выбором наиболее эффективного варианта заказа товаров, а также снизить степень риска в принятии решений за счет снижения влияния субъективных факторов; модификация интеллектуальной прогнозирующей модели с использованием нейросетевых технологий, обладающих свойствами адаптации и обучаемости, что позволит осуществлять прогноз экономических показателей СЭК по малой выборке.
1. Метод определения эффективных маршрутов в системах электронных
поставок
Одной из основных задач СЭП является поиск эффективных вариантов выполнения заказов, позволяющих получить заказ с минимальным риском задержки и по доступной цене. В качестве критерия эффективности маршрутов в СЭП предлагается рассматривать обобщенный критерий, записанный в виде:
Сгуп = Хк Сг]]п + (1- Хп ) Сг)п , (1)
где Сгуп - критерий эффективности маршрута заказа 1-го товара ) -го поставщика для п -го покупателя, 1 е [1;I], ] е [1; J], п е [1;Ы]; I - количество товаров; ] - количество поставщиков; N - количество покупателей; Сг1 - критерий минимизации риска 1-го товара _)-го
Р
2 • поставщика для п-го покупателя; Сг - критерий минимизации цены 1-го товара _)-го
чп
поставщика для п -го покупателя; Xп - весовой коэффициент для п-го покупателя, Xп е [0;1].
Таким образом, определение эффективного маршрута сводится к задаче поиска варианта, минимизирующего критерий (1).
Для некоторых задач поставки целесообразно ввести следующие ограничения:
Сг^п < Сг 1)п, Сг) < Сг Цп, (2)
— 1 1 — 2 здесь Сг 1)п - ограничение, накладываемое на значения критерия С) ; Сг ) - ограничение, накладываемое на значения критерия Сг)п .
Ограничения (2) отражают требования, предъявляемые к системе при выполнении заказов и задаваемые покупателем. Критерии Сг1 , Сг2 определяются как значения вероятностей:
, R(Сri]jn) —(Сф
ВД*) =1 - Р(Сг^) = 1 -—, (3)
*<уп V уп
где Р(Сг1п) - вероятность того, что риск, связанный с заказом 1-го товара у _)-го поставщика, является допустимым для п-го покупателя; Р(Сг2п) - вероятность того, что цена 1-го товара у _)-го поставщика является допустимой для п-го покупателя; —(Сг^) - количество отказов от 1-го товара у _)-го поставщика п-м покупателем в связи с риском; —(Сг2п) -количество отказов от 1-го товара у _)-го поставщика п-м покупателем в связи с ценой; - общее количество запросов 1-го товара у _)-го поставщика п-м покупателем.
Значения вероятностей (3) определяются с учетом изменения текущего среднего и текущей выборочной дисперсии значений цены и степени риска. Для расчета этих значений предлагается использовать следующий рекуррентный алгоритм:
ст? (к +1) = ст? (к) + п (к)(Оу - Цу (к))2 - стЦ (к)), (4)
где Цу (к +1) - текущее среднее наблюдаемых
значений цены и степени риска 1 -го товара
2
} -го поставщика в момент времени (к+1); ст^ (к +1) - текущая выборочная дисперсия наблюдаемых
величин цены и степени риска 1 -го товара J -го поставщика в момент времени (к+1); к - дискретное время; п (к) - параметр шага, выбираемый в соответствии с условиями А. Дворецкого [1]; о у - новое наблюдаемое значение цены и степени риска 1 -го товара } -го поставщика.
Для реализации данного метода необходимо обеспечить выполнение следующих операций:
1. Контроль изменения значений о у для цены и степени риска; вычисление значений текущего среднего и текущей выборочной дисперсии этих величин (4).
2. Контроль количества отказов
— (Суп ) , —(Сг^ ) , необходимых для расчета (3).
3. Вычисление значений вероятностей Р(Сг1п), Р(Сг2п) (3) при условии, что
Цу (к +1) (к).
4. Вычисление значений критерия Сг^п (1) по данным (3).
5. Выбор минимального значения СГуП (1) с учетом (2).
При выборе минимального значения критерия СгуП могут рассматриваться следующие варианты:
1. Минимальное значение критерия СГуП выбрано. Эффективный вариант заказа определен.
2. Существует несколько вариантов заказа при минимальном значении критерия СгуП . В этом случае целесообразно ввести дополнительный критерий, позволяющий выбрать эффективный вариант заказа, например, территориальная близость поставщика.
3. Ни один из вариантов не удовлетворяет ограничениям значений критериев (2). В этом случае целесообразно либо по согласованию с заказчиком поменять ограничения критериев (2), либо отказаться от данного заказа.
2. Прогнозирование на основе нейроподобного элемента
Ключевым моментом принятия решения в СЭК является прогнозирование. Существующие инструменты прогнозирования в сочетании с возможностями компьютеров являются необходимыми средствами для эффективного функционирования СЭК. При этом целью прогнозирования является уменьшение риска при принятии решения в системах подобного типа.
В качестве модели прогноза экономических показателей в СЭК предлагается модификация искусственного нейрона-Адалины в целях обеспечения свойства обучаемости по ходу накопления обучающей выборки [2]. Модель исследуемого процесса может быть представлена в виде нейроподобного элемента (рисунок), где использованы следующие обозначения: х1 (к),х2(к),...,хп(к) - независимые входные переменные; а0,а1,...,ап+т -настраиваемые синаптические веса; у (к) - прогнозируемая зависимая переменная; у(к) -наблюдаемая переменная; ъ-1 - элемент запаздывания.
Необходимо выбрать такой алгоритм обучения, который позволит определить оценки а0, аь..., а п+т, обеспечивающие адекватность прогнозируемых координат у (к), к е [1; К] истинным значениям у (к).
Модель, подлежащая исследованию, представляется в виде [3]
Y = Ха + е , (5)
где Y - (К +1) - вектор наблюдений; X - (К + И) - заданная матрица независимых переменных; К - объем выборки; И = п + т +1; И - общее количество входных переменных нейро-подобного элемента; п - количество независимых переменных; т - количество значений вектора наблюдений, используемых как входные переменные; а - (И х 1) - вектор параметров; е-(Кх1) - вектор ошибок.
в T в
при подстановке в уравнение (6) минимизирует е е . Очевидно, что:
Из (5) следует, что сумма квадратов ошибок равна:
еTв = (Y - Ya)T (Y - Xa) = YTY - aTXTY - YTXa + aTXTXa =
= YTY - 2a TXTY + a TXTaX. (6)
Согласно методу наименьших квадратов оценка есть векторная величина a, которая
мизирует
(XTX)a = XTY , (7)
откуда
a = (XTX)-1 XTY. (8)
Нейроподобную модель (см. рисунок) без учета алгоритма обучения можно представить следующим образом:
y (k) = a х(к)ф (k), (9)
где Ф(к) - обобщенный вектор входов.
Отсюда в соответствии с (8) оценки a (k) можно определить в виде
a (k) = (фх(к)ф (k))-4T(k)Y(k). (io)
Для нейроподобной модели можно записать алгоритм обучения в виде обобщенного рекуррентного метода наименьших квадратов:
a (k+1)=a (k) + P'k"y(Tk+1 -a T'k>ф (k+»> ф (k+1) (H)
1 + ф T(k + 1)P(k) ф (k +1) ' v '
P(k+1)=P(k) - p(k)<T(k+^T(k+i)p(k) (12)
1 + ф1 (k + 1)P(k) ф (k +1) ' v '
где P(k +1) - ковариационная матрица, что позволяет решать задачу обучения в реальном времени в темпе поступления новых данных.
3. Формирование интегрального показателя эффективности
функционирования электронного магазина
Оценка экономической эффективности СЭК является достаточно сложной задачей, что обусловлено новой средой функционирования, а также новыми требованиями, выдвигаемыми к системе. В данной работе предлагается классифицировать показатели эффективности функционирования СЭК по их роли в хозяйственной деятельности: торговая деятельность, рекламная деятельность, организация.
В качестве составляющих критерия эффективности электронного магазина предлагается использовать следующие показатели:
1. Затраты на привлечение нового посетителя.
2. Коэффициент конверсии новых посетителей (коэффициент превращения посетителей Web-сайта в покупателей) - определяется отношением количества покупателей к общему количеству посетителей (в процентах).
3. Удельный вес постоянных клиентов - определяется отношением постоянных клиентов к общему количеству покупателей (в процентах).
4. Изменение дохода с учетом новых покупателей (в процентах).
Тогда интегральная оценка эффективности электронного фотомагазина будет получена максимизацией аддитивного функционала вида
Q(x) = Q1(x)b1 + Q2(x)b2 + Q3(x)b3 + Q4(x)b4 ^max, (13)
где b1,b2,b3, b4 - весовые коэффициенты; Q1 (x), Q2(x), Q3(x), Q4(x) - численные значения нормализованных составляющих функционала Q(x) .
Определение степени важности каждой из составляющих функционала Q(x) должно осуществляться в соответствии с рекомендациями по организации и реализации экспертных оценок. При этом качественный состав экспертов должен определяться исходя из их компетентности в области функционирования электронных магазинов. Степень важности отдельных составляющих критерия (13) в общей оценке эффективности функционирования электронного магазина определяется с использованием метода экспертных оценок, а также метода выборочного исследования [4,5].
Заключение
Научная новизна - впервые предложен метод адаптивной маршрутизации, позволяющий выбирать эффективные маршруты движения заказов в СЭП; модифицирована прогнозирующая модель с использованием нейросетевых технологий, позволяющая прогнозировать динамику изменения экономических показателей СЭК по малой выборке; осуществлено дальнейшее развитие метода оценки эффективности функционирования электронного магазина, позволяющего учитывать основные показатели его деятельности.
Практическая значимость - предложенные в работе методы позволяют существенно сократить временные затраты, связанные с поиском поставщиков необходимых товаров, а также снизить финансовые затраты за счет оперативного поиска эффективных поставщиков товаров по приемлемым ценам и минимизации объемов товаров на складе.
Список литературы: 1. БатковА.М., АлександровВ.М., МишулинаА.О., СтароверовА.Н., Щукин Б.А. Методы оптимизации в статистических задачах управления. М: Машиностроение, 1974. 240 с. 2. Бодян-ский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. Харьков: Телетех, 2004. 372. 3. Green W.H. Econometric Analysis. N.Y.: Macmillan Publishing Company, 1993. 791c. 4. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. 263 с. 5. Кокрен У. Методы выборочного исследования. М.: Статистика, 1976. 440с.
Поступила в редколлегию 24.08.2006 Борячок Валерия Михайловна, ассистент кафедры экономической кибернетики ХНУРЭ. Научные интересы: системы электронной коммерции. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, к. 204-и, тел. 70-21-490, e-mail: lera_boryachok@yahoo.com.
УДК 519.81
Д.А. БУЛАВИН, О.В. КАЛИНИЧЕНКО, А.С. РОГОЗЯНОВ
СТРУКТУРНО-ПАРАМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИЯ И ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ КАК АППАРАТ ПРОЕКТИРОВАНИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
На примере автосалона рассматривается проектирование универсальной системы поддержки принятия решений. Для решения задачи структурно-параметрической идентификации предлагается метод генетического программирования. Приводятся результаты создания програмного продукта и его использования.
1. Введение
Одной из актуальных проблем моделирования интеллектуальной деятельности человека является формализация процессов выбора решений. Практическая значимость таких моделей обусловлена необходимостью повысить степень автоматизации процедур выбора решений в системах планирования, управления, проектирования социально-экономических и технических систем, решения задач управления поведением. Важнейшей задачей при формализации процесса выбора решений из множества многокритериальных альтернатив является определение метрики для их ранжирования. При этом возникает необходимость структурной и параметрической идентификации модели индивидуального многофакторного оценивания [1].
