CC BY
24значение полученной в результате работы функции распределения фигур общей занимаемой этими фигурами площади.
Таким образом, спустя несколько (количество поколений должно определятся исходя из количества объектов раскроя) поколений возможно получить приемлемое значение.
Главной особенностью решения NP-трудных задач при помощи эвристических методов является то, что полученное решение не обязательно является наилучшим для данной задачи. Заключение
Таким образом, выбор метода решения должен определяться в первую очередь, условиями конкретной решаемой задачи. Использование более сложных методов будет иметь смысл только в случае задачи, в которой абсолютно необходимы быстродействие и работа с большим количеством объектов.
Список литературы
1. LandH. andDoig A.G. An automatic method of solving discrete programming problems. С. 497520.
2. Панченко Т.В. Генетические алгоритмы: учебно-методическое пособие / под ред. Ю.Ю. Тарасевича. — Астрахань: Издательский дом «Астраханский университет», 2007. 87 [3] с.
3. Чеканин В.А., Чеканин А.В. Эвристический алгоритм оптимизации решений задачи прямоугольного раскроя // Вестник МГТУ «Станкин», 2014. № 4. С. 210-213.
МЕТОД СИСТЕМЫ ВЗВЕШЕННЫХ ПОКАЗАТЕЛЕЙ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССА УРЕГУЛИРОВАНИЯ ДЕБИТОРСКОЙ ЗАДОЛЖЕННОСТИ Кузнецов И.А.
Кузнецов Илья Андреевич — магистрант, кафедра управления и информатики в технических системах, Федеральное государственное бюджетное образовательное учреждение высшего образования Московский государственный технологический университет «СТАНКИН», г. Москва
Аннотация: в июле прошлого года правительством РФ была утверждена программа «Цифровая Экономика», направленная на улучшение качества товаров и услуг, произведенных в цифровой экономике, улучшение качества государственных услуг для граждан и т.д. Для компании-поставщика ресурсов (например, в сфере ЖКХ) минимизация дебиторской задолженности - это один из путей повышения эффективности работы и улучшения качества услуг. Достижение достаточной эффективности в данном направлении без автоматизированных систем контроля и управления возможно только за счет большого количества сотрудников с четкими обязанностями и выстроенными регламентами. В данной статье рассматриваются метод, благодаря которому становится возможной программная автоматизация урегулирования дебиторской задолженности. Ключевые слова: анализ, дебиторская задолженность, автоматизация.
Для компаний-поставщиков ресурсов вопрос урегулирования дебиторской задолженности всегда актуален. Чем больше у компании клиентов, тем больше договоров с задолженностью и, как следствие, требуется большее количество сотрудников для процесса урегулирования.
Существует возможность оптимизировать этот процесс путем программной автоматизации. Для этого необходимо выделить основные шаги, которые выполняются в процессе урегулирования задолженности:
1. определение из всех клиентов организации тех, которые являются должниками;
2. ранжирование по определенным показателям тех, что были выделены на предыдущем шаге;
3. принятие решения по урегулированию задолженности в порядке приоритета, установленном на предыдущем шаге.
Исходя из этого, предлагаемый метод автоматизации урегулирования дебиторской задолженности состоит из следующих основных частей:
1. определение доступных исходных данных;
2. определение показателей, основанных на доступных исходных данных и описывающих тот или иной аспект состояния должника;
3. установка весовых коэффициентов, т.е. определение «важности» каждого из показателей;
25
4. ранжирование дебиторов в соответствии со значениями их показателей и соответствующих весов. Введение лингвистической шкалы;
5. проверка установленных весов на исторических данных и корректировка их при необходимости;
6. принятие автоматизированных мер по урегулированию задолженности.
Центральное место в описываемом методе будет занимать модель дебитора. Однако прежде чем описать ее характеристики, необходимо обратить внимание на исходные данные.
Исходные данные
В качестве основных данных для метода выбраны оборотно-сальдовые ведомости, которые есть практически у каждой организации. Кроме того, в случае наличия, может быть использована история оплат потребителя, а так же внешние нефинансовые индексы из системы СПАРК. Вообще говоря, для формирования показателей могут использоваться любые релевантные данные о потребителе. Главным условием применения данных является их корректность.
Показатели как характеристики модели дебитора
Очевидно, что не все дебиторы требуют немедленной реакции, в связи с этим необходимо решить с кем из них необходимо вести работу и ранжировать их по некоторой «важности». Для этого вводятся показатели, которые описывают тот или иного аспект финансового состояния должника. Показатели могут отражать такие характеристики как общую сумму задолженности, сумму просроченной задолженности, количество примененных штрафных санкций и т.д. В целом, определение необходимых показателей устанавливается эмпирическим путем специалистом в данной предметной области. Однако их число должно быть конечным и небольшим (не более 15).
Установка весовых коэффициентов показателей
Некоторые из показателей будут иметь различную степень «важности». В связи с этим каждому из показателей необходимо установить весовой коэффициент. Установка весов так же осуществляется специалистом (или специалистами) в данной предметной области. Сам процесс может быть представлен в виде вопросов сравнения, а их согласованность достигнута, например, по методу Саати [1, с. 127].
Ранжирование дебиторов
Задача ранжирования, вообще говоря, может решаться наиболее подходящим математическим методом принятия решений [1]. Например, путем простой линейной свертки [1, с. 42] значений и весов показателей для каждого дебитора получится некоторый рейтинг состояния, который удобнее всего представлять в относительном виде. Для его интерпретации вводится лингвистическая шкала, которая отображает вербальное описание значения этого рейтинга. Например, значению 90% может соответствовать вербальное описание «Должник - финансовое состояние характеризуется как банкротное. Требует немедленного внимания юридического отдела для начала судебной работы».
Проверка полученных результатов
Для получения наиболее точных результатов необходимо провести калибровку установленных показателей и их весовых коэффициентов на исторических данных. В связи с тем, что ситуация на рынке достаточно быстро меняется, следует брать данные в промежутке не позднее года. Следует проводить такую калибровку не реже чем раз в полгода. Следует отметить, что в зависимости от программной реализации этот процесс может быть автоматизирован.
Принятие мер по урегулированию задолженности
Меры по урегулированию могут разниться в зависимости от рейтинга дебитора и включать в себя комплекс различных мер, таких как: автоматическая рассылка расчетных и претензионных документов, автоматических уведомлений о состоянии взаиморасчетов, автоматического составления документов, необходимых для начала судебной работы в юридическом отделе и т.д.
Преимущества метода и заключение
Преимуществом метода является сравнительная легкость настройки под постоянно изменяющуюся экономическую среду путем регулирования весов у необходимых показателей, а также простота в реализации и установке.
Результатом внедрения программного решения на основе метода на конкретное предприятие поставщика будет автоматизация процесса отслеживания дебиторской задолженности и упрощенный механизм поддержки принятия решений. В случае если к показателям будут добавлены внешние индексы (например, из системы СПАРК), то метод начинает носить прогнозирующий характер, позволяя предупредить банкротную задолженность. Это ведет к повышению эффективности работы компании путем уменьшения затрат, необходимых на организацию процесса управления и урегулирования дебиторской задолженностью.
Список литературы
1. ЧерноруцкийИ.Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005. 416 с: ил.
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА В ОБЛАСТИ
ПЛАНИРОВАНИЯ Лебедев Н.В.
Лебедев Николай Владимирович — магистрант, кафедра управления и информатики в технических системах, Федеральное государственное бюджетное образовательное учреждение высшего образования Московский государственный технологический университет «СТАНКИН», г. Москва
Аннотация: генетические алгоритмы используют идеи эволюционной биологии для решения научных и инженерных задач оптимизации, проблем робототехники, машинного обучения и т.д. Использование таких механизмов, как производство новых особей, мутация и скрещивание позволяет генетическим алгоритмам улучшать показатели популяции, находя решение задачи. В данной статье рассмотрены основные особенности применения генетических алгоритмов в области планирования.
Ключевые слова: генетические алгоритмы, планирование, оптимизация.
Задача составления расписаний
Каждый семестр университеты должны составлять расписание для последующего семестра и решать различные задачи планирования, учитывая множество ограничений, например: распределение помещений, временные рамки, предпочтения людей и распределение курсов по различным периодам. Простейшим способом планирования является сопоставление каждой задачи в списке задач с определенным периодом, так, чтобы не было конфликтов расписания для преподавателей, назначения аудиторий и т.д. В данном примере генетический алгоритм будет учитывать только ограничения для преподавателей - ни один из них не может вести два курса в одно и то же время, в противном случае в расписании будет присутствовать конфликт.
Оценка приспособленности
Генетический алгоритм для составления расписания использует пропорциональную оценку приспособленности, то есть пригодность каждой особи в рамках решения обратно пропорциональна количеству конфликтов [1, с. 19]. Наилучший индивид среди популяции должен иметь наименьшее количество конфликтов. Фитнесс функция для оценки приспособленности рассчитывается следующий образом:
1. Рассчитать конфликты для каждого индивида в популяции, посчитав количество особей с более чем одним предметом для преподавателя в один период времени.
2. Суммарное количество конфликтов для всех особей в совокупности.
3. Независимый критерий выживаемости для каждой особи - обратная пропорциональность с персональным конфликтом.
4. Для пропорциональной оценки выживаемости необходимо соотнести персональный критерий выживаемости к суммарной выживаемости колонии.
Мутация и кроссовер
Из-за особенностей генетических алгоритмов, иногда они могут сходиться в локальный экстремум, вместо общего. Для того чтобы преодолеть этот недостаток может использоваться мутация. Мутация увеличивает многообразие населения, позволяя достичь лучших результатов. Мутация реализована следующим образом:
1. Выбирается случайная особь
2. Случайно изменяется произвольно выбранная хромосома.
3. Мутированная особь добавляется в новую популяцию.
Задача кроссовера(скрещивания), по аналогии с живой природой, разнообразить потомство передав новой особи характеристики старых [1, с. 15]. Выбор хромосом для передачи происходит случайно, после обмена двумя хромосомами образуется новый потомок, который добавляется в новую популяцию.
Результаты
Для проверки была написана программа на языке С++. Сходимость зависела от входных параметров и случайных факторов: мутации, скрещивания и генерации стартовой популяции. В
