CC BY
29ратории научного центра «Фунги» при Ташкентском государственном аграрном университете были получены чистые культуры макро-мицетов. Для этого использовали питательные среды: сусло-агар, среду Чапека, картофельный агар. Из 42 образцов получено 27 чистых культур Р. ostreatus.
Дальнейшую работу по оптимизации технологии культивирования вешенки проводили с получеными чистыми культурами.
Список литературы
1. Аумедова З.Р., Белицкая О.П., Далимова Г.Н., Халикова М.М., Азимходжаева М.Н., Дав-ронов К.Д., Шарипова А. Отбор и культивирование целлюлоза и лигниноразрушающих грибов // Микробиология. 1994. Т. 63. Вып. 5. С. 929-936.
2. Панфилова Т.С., Гапоненко Н.И. Микрофлора бассейна р. Ангрен. Ташкент: Изд-во АН УзССР, 1963. 208 с.
3. Халикова М.М. Макромицеты Ташкентской области: автореф. дис. ... канд. наук. Ташкент, 1989. 20 с.
РАХМОНОВ Убайдулло Нормамадович - соискатель. Ташкентский государственный аграрный университет. Республика Узбекистан. Ташкент. E-mail: [email protected]
RAHMONOV, Ubajdullo Normamadovich - Applicant. Tashkent State Agrarian Universitet. Republic of Uzbekistan. Tashkent. E-mail: [email protected]
УДК 519.688
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ТОРГОВОГО ПРЕДПРИЯТИЯ
А.В. Речнов
Посвящено вопросам нейросетевого моделирования в информационной системе торгового предприятия. В условиях современной рыночной экономики возникает существенная необходимость анализа динамики торгово-экономических информационных систем, направленного на выработку оптимальной политики и стабильное развитие предприятия. Данный аспект обусловливает серьезную необходимость и высокую значимость исследования вопросов моделирования существующих на предприятии бизнес-процессов, в основе которых лежат возможности более эффективного управления важнейшими экономическими ресурсами предприятия.
Ключевые слова: моделирование; информация; информационная система; нейронная сеть; торговое предприятие; бизнес-процесс.
A.V. Rechnov. NEURAL NETWORK MODELING IN INFORMATION SYSTEM TRADING COMPANIES
The article deals with neural network modeling in the information system of commercial enterprise. In the modern market economy, there is a substantial need for analysis of the dynamics of economic and trade information systems, aiming to develop the best policies and stable development of the company. This aspect of grave necessity and significance of the study high modeling issues existing in the enterprise business processes, which are based on the possibility of more effective management of major economic resources of the enterprise.
Keywords: modeling; information; information system; neural network; commercial enterprise; business process.
Успешное развитие современного бизнеса во многом зависит от широкого применения современных информационных технологий (ИТ), позволяющих эффективно автоматизировать управленческую деятельность специалистов в области экономики и управления. В настоящее время повышение уровня информационной поддержки принятия решений современного экономиста обусловлено использова-
нием методов искусственного интеллекта, позволяющих реализовать поддержку принятия управленческих решений в процессе управления экономической деятельностью предприятия в условиях нестабильности и неопределённости рыночной ситуации.
К наиболее перспективным областям экономики и управления применения интеллектуальных информационных технологий относят:
управление маркетингом и сбытом, производственное и корпоративное планирование и прогнозирование, управление производством, финансовый менеджмент, риск-менеджмент, фондовый рынок.
В условиях современной рыночной экономики все более востребованной становится задача сбора и консолидация знаний об экономических моделях производственных предприятий, современных методах решения повседневных экономических задач, а также соответствующих им средств ИКТ, позволяющих удобно и эффективно обслуживать и развивать информационную систему предприятия.
Возникающие в процессе функционирования предприятий проблемы управления, как правило, связаны с усложнением методов управления торгово-экономической системой современного предприятия. Планомерное накопление научно-практических результатов в области создания и использования экономических моделей постепенно приводит к серьезному увеличению их количества при низкой структурированности и усложнению использования накопленной области знаний.
Объективно существующая сложность анализа динамики торгово-экономических информационных систем с целью выработки оптимальной политики, направленной на стабильное развитие предприятия в условиях современного рынка, обусловливает серьезную необходимость и высокую значимость исследования вопросов моделирования существующих на предприятии бизнес-процессов, в основе которых лежат возможности более эффективного управления важнейшими экономическими ресурсами предприятия. Для современной торгово-экономической системы предприятия характерны значительная размерность и объемы информации, что делает актуальной существующую проблему выбора наиболее точного модельного представления экономической системы предприятия. Поскольку различные модели, используемые для описания элементов экономической системы современного предприятия, должны просто и эффективно взаимодействовать между собой, то это создает серьезную проблему их совместной интеграции на системном и информационном уровне. Торгово-экономическая система современного предприятия находится под существенным влиянием рыночной экономики, поэтому информационные процессы предприятия, которые являются основным источником информации для экономических моделей, постоянно развиваются и модифицируются, что порождает значительную проблему поиска
соответствия используемых методов и средств ИКТ для моделирования. В то же время имеющиеся средства ИКТ для моделирования обычно используют только для функциональной поддержки применяемой модели, совершенно не применяя интеллектуальную поддержку принятия решений в области моделирования. Чем сложнее торгово-экономическая система, тем более существенны возникающие расходы, необходимые для наиболее оптимального выбора решения для имеющейся задачи.
В связи с этим весьма актуальна задача развития теоретических и практических основ консолидации, интеграции и эффективного поиска знаний. Это касается моделей торгово-экономической системы предприятия, средств ИКТ для эффективного моделирования, управления и принятия решений. При этом характер существующего на предприятии информационного процесса актуализирует использование современных методов искусственного интеллекта.
Разработка теоретических вопросов, связанных с созданием, обучением и функционированием нейронных сетей и нейрокомпьютеров, широко представлена в фундаментальных исследованиях таких авторов, как Р. Земел, Е. Хинт, Р. Вильяме, П. Вербос, Э. Минай, Ф. Розенблатт. Значительное влияние на развитие общей теории нейронных сетей, нейрокомпьютеров оказали работы известных российских ученых В.Л. Дунина-Барковского, С.И. Барцева, А.И. Галушкина, Э.Д. Аведьяна, А.Н. Горбаня, В.А. Охонина, Е.М. Миркеса, Г.Г. Малинецкого и др. Следует отметить также серьезный вклад известных ученых ближнего и дальнего зарубежья, таких как В.А. Головко,
A.Г. Ивахненко, М. Минский, С. Пайперт,
B. Питс, Д.Е. Румельхарт, Дж. Такер, Ф. Таккенс, К. Фунахаши, Р. К. Хорник, С. Хайкин и др.
Существующие проблемы нейросетевого моделирования современных экономических объектов и информационных систем привлекают пристальное внимание многих российских и зарубежных исследователей. Методологии решения задач финансово-экономического планирования в условиях рыночной экономики с применением нейронных сетей посвящена работа Д.-Э. Бэстенса, В.-М. ванден Берга и Д. Вуда. Вопросами практического решения задач, связанных с прогнозированием на финансовом рынке и экспертной оценкой финансовой устойчивости предприятий, занимались А.А. Ежов и С.А. Шумский.
Целью данной статьи является обоснование необходимости выработки методических аспектов создания интеллектуальной системы
экономического моделирования информационной системы предприятия на основе использования нейронных сетей.
Одной из наиболее характерных особенностей современных методов экономического моделирования является возможность работы с примерными данными, при этом, как правило, достигается достаточная точность для практической потребности, и от пользователей не требуется специальных математических знаний.
Из всего многообразия методов интеллектуального анализа данных, применяемых для решения задач, связанных с моделированием информационных систем, рассмотрим наиболее перспективный - нейросетевой.
Нейронные сети - это системы, моделирующие работу нервной ткани, состоящей из отдельных решающих элементов-нейронов, связанных между собой и образующих иерархическую сеть. Каждый нейрон может усиливать или ослаблять сигнал, поступающий на его вход. На нейроны нижнего уровня подаются сигналы, представляющие значения параметров, на основе которых требуется принимать решения. В соответствии с определенным алгоритмом эти сигналы усиливаются или ослабляются при передаче на следующий слой. Нейроны последнего, «верхнего» уровня формируют окончательное решение.
Для того чтобы такую сеть можно было применять для принятия решений, ее нужно «обучить» с помощью специальной обучающей выборки, для которой известно правильное решение при известных исходных данных. Обучение состоит в подборе коэффициентов усиления таким образом, чтобы обеспечить точность нейронной сети.
Эффективность работы нейросетевых систем существенно зависит от объема обучающей выборки. Другой недостаток состоит в
том, что знания, накопленные сетью и хранящиеся в ней в виде настройки коэффициентов усиления нейронов, не поддаются анализу и интерпретации.
Искусственная нейронная сеть (ИНС) состоит из отдельных нейроэлементов (НЭ), связанных между собой информационными каналами. Внутри ИНС нейроэлементы подразделяются на три типа: входные (получают данные от различных внешних источников); промежуточные (принимают данные от одних НЭ, формируют собственные данные и передают их другим НЭ); выходные (создают выходные данные).
Формально нейрон представляет собой математическую модель процесса, имеющего несколько входов и один выход [2] (рис. 1).
Вектор входных сигналов х1 (1=1, ..., п) преобразуется нейроном в выходной сигнал с использованием блока суммирования и блока нелинейного преобразования.
Работа блока суммирования описывается соотношением:
s =
п i=1
(1)
где х1 - компонент входного сигнала; п - число входов нейрона; s - результат суммирования; w1 - вес /-го входного признака. Работа блока нелинейного преобразования описывается соотношением:
У = / (*), (2)
где f - нелинейное преобразование (функция активации);
у - выходной сигнал нейрона. Обычно используются многослойные сети с числом нейронов 102-104.
В задачах классификации компоненты
Входные сигналы
Синаптиче ские веса
Блок суммирования
Блок нелинейного преобразования
Выходной сигнал
Рис. 1. Функциональная схема нейрона
входного сигнала представляют собой параметры некоторого объекта, а выходной сигнал -числовой признак принадлежности объекта к тому или иному классу.
Первый этап решения задачи классификации с помощью ИНС состоит в «обучении сети учителем». Этот процесс заключается в минимизации целевой функции ошибки E(w):
E(W) = |Е(У]к -dj,k)2 ^min, (3)
j ,k
где ^ - вектор весов;
у^к - реальное выходное состояние 7-го нейрона выходного слоя нейронной сети при подаче на ее входы ^го образа (обучающей выборки);
dJ,k - требуемое выходное состояние этого нейрона.
Обучение начинается с некоторого начального вектора . Вектор весов, обеспечивающий глобальный минимум ^тт(3), является искомым результатом решения задачи, что удобно использовать для создания интеллектуальной нейросетевой системы.
В качестве наиболее значимых функциональных требований к нейросетевым системам экономического моделирования можно выделить:
• возможность хранения данных в наиболее распространенных СУБД (MS Sql, МУ Sql);
• возможность обработки различных типов информации (числовой, текстовой и т.д.);
• возможность равномерной нормализации исходных данных;
• классификация данных посредством обучения нейронной сети;
• визуализация полученных результатов моделирования.
Выделенные функциональные требования упорядочены в соответствии с жизненным циклом процесса моделирования, что позволяет создать систему нейросетевого моделирования, предназначенную для интеллектуального анализа данных. Наиболее подходящей для реализации данной системы является нейронная сеть Кохонена, которая позволяет эффективно решать задачи классификации многомерных векторов.
Основным достоинством системы нейросе-тевого моделирования, по сравнению с другими математическими алгоритмами реализации, является легкость в визуализации и интерпретации полученных результатов. Обучение нейронной сети проходит автоматически, только на основе выборки входных данных. Различные типы визуализации обученной нейронной сети позволяют легко выявить структуру входных данных. Примерная структурная схема системы нейросетевого моделирования представлена на рис. 2.
Модуль предобработки представленной системы должен выполнять функции создания и хранения данных обучающей выборки.
Нормализация поступающих в систему данных осуществляется модулем «Нормали-
Рис. 2. Структурная схема нейросетевой системы интеллектуального анализа и моделирования
зация данных» масштабированием значений поступающих в систему данных в диапазон [0.1].
Поскольку функция «Импорт данных» реализуется в системе средствами СУБД, наиболее важным критерием выбора СУБД является развитость ее функций по обмену данными.
Функция системы «Создание классификаторов» сопоставляет различным нормативным текстовым значениям категориальных данных цифровой код, что позволяет их использовать в алгоритме обучения нейронной сети.
Модуль обучения нейросети реализует итеративный алгоритм обучения нейронной сети Кохонена.
Функция системы «Настройка параметров» предназначена для настройки параметров конфигурации нейросетевой системы интеллектуального анализа и моделирования, а также параметров ее обучения.
Функция системы «Обучение» необходима для обучения нейронной сети для экономического моделирования. Для доступности этой функции системы должны быть подготовлены и нормализованы исходные данные.
Модуль визуализации является одним из важнейших модулей системы экономического моделирования, так как интерпретация полу-
ченных результатов интеллектуального анализа данных основывается на различных способах ее визуального отображения.
По мнению многих исследователей, подобные интеллектуальные нейросетевые системы занимают уникальное место среди методов обработки данных, превосходя математические методы обработки данных в универсальности и малой чувствительности к форме данных, что позволяет эффективно использовать их для разработки методов нейросетевого моделирования в торгово-экономической системе предприятия.
Список литературы
1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004.
2. Бочаров Е.П., Колдина А.И. Интегрированные корпоративные информационные системы: учеб. пособие. М.: Финансы и статистика, 2007. 287 с.: ил.
3. Дюк В., Самойленко А. Data mining: учебный курс. СПб.: Питер, 2001. 368 с.
4. Сахаров А.А. Концепция построения и реализации информационных систем, ориентированных на анализ данных // СУБД. 1996. № 4. С.55-70.
5. URL: http://www.hrabonik.ru.
РЕЧНОВ Алексей Владимирович - кандидат педагогических наук, доцент кафедры математических и инструментальных методов экономики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. Е-mail: a.v.rechnov@ rucoop.ru
RECHNOV, Alexey Vladimirovich - Candidate of Pedagogical Sciences, Associate Professor of Department of Mathematical and Tool Methods of Economy. Cheboksary Cooperative Institute (branch) of Russian University of Cooperation. Russia. Cheboksary. Е-mail: a. v. rechnov@rucoop. ru
УДК 51-7
ПРИМЕНЕНИЕ МЕТОДОВ МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ В МАРКЕТИНГЕ
Т.Н. Смирнова
Изучены задачи и функции маркетинга. Рассмотрены примеры, посвященные определению оптимального объема выпуска продукции при многокритериальных экономических показателях. Для решения различных маркетинговых задач применяются научные методы и подходы математического программирования, теории вероятностей, теории массового обслуживания, теории сетевого планирования, теории связи, экспертных оценок, что связано с многогранностью маркетингового подхода к управлению предприятием и динамикой его изменения во времени при влиянии различных факторов.
Ключевые слова: метод; методология; оптимизация; маркетинг; многокритериальная оптимизация; продукция; математическое моделирование.
