Нейросетевые технологии поддержки принятия решений при закупке материалов строительной фирмой Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 512.8+62.529

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ЗАКУПКЕ МАТЕРИАЛОВ СТРОИТЕЛЬНОЙ ФИРМОЙ И. В. Маликов, В.Н. Колпачев, АН. Шульгин, А. Г. Янин

Рассмотрены механизмы, используемые в виде системы поддержки принятия управленческих решений по закупкам стройматериалов для строительной фирмы, ведущей одновременно несколько проектов или в других областях, где используются методы прогнозирования с учетом характера самого процесса

Ключевые слова: нейронная сеть, обучаемость, управление, решения

При планировании деятельности строительного предприятия важную роль играет учет изменения цен на те или иные стройматериалы в процессе реализации проектов. Представим себе предприятие, которое ведет одновременно несколько проектов. При этом начало работ по одному проекту отстает от начала работ по второму на произвольное время. Так же примем что проекты идентичные (например, возведение домов по одному и тому же архитектурному проекту).

На рис. 1 показана планируемая динамика поступления денежных средств строительному предприятию в процессе работы над проектами.

□ Суммарное финансирование проектов

| В Проект №і И Проект №2 И Проект №31

3Z1

ЇЕ

і 2 3 4 б б 7

9 і0 іі і2 іЗ

Рис. 1

Так как проекты ведутся одним и тем же предприятием, то с его точки зрения, суммарное финансирование будет иметь динамику, являющуюся интегральной по отношению ко всем входящим проектам. График на рис. 2 показывает, как будет выглядеть картина суммарного финансирования для проектов, приведенных на рис. 1. Как видно, максимум финансирования приходится на 9й этап. Максимальный приток средств будет происходить на этапах с 7-го по 11-й. Так же как и финансирование, потребность в тех или иных стройматериалах на каждом из проектов проходит одни и те же циклы.

Маликов Иван Владимирович - ВГАСУ, аспирант, тел. (4732) 76-40-07

Колпачев Виктор Николаевич - ВИВТ, д-р техн. наук, профессор, E-mail: vivt_kolp@mail.ru Шульгин Александр Николаевич - ВГАСУ, канд. техн. наук, тел. (4732) 76-40-07 Янин Александр Геннадьевич - ВГАСУ, соискатель, тел. (4732) 76-40-07

200

і50

iOO

50

0

1 2 3 4 5 6 7 8 9 10 11 12 13

Рис. 2

Пропуская промежуточные расчеты, сразу предполагаем некую кривую суммарной потребности всех проектов одновременно в том или ином виде стройматериалов. Рис. 3 показывает сравнительную динамику объемов финансирования и потребности в материалах.

□ Суммарное финансирование проектов И Потребность в стройматериале 1 Н Потребность в стройматериале 2

200

і50

i00

50

0

і 2 3 4 5 6 7 В 9 і0 іі і2 іЗ

Рис. 3

Используя прогнозы относительно цен на стройматериалы можно выделить оптимальные с точки зрения минимизации затрат периоды закупок.

Таким образом, способность прогнозировать цены на необходимые стройматериалы позволяет значительно снизить затраты на возведение объектов, а значит, приносит дополнительный доход. Качество прогноза определяется величиной его отклонения от фактически достигаемого значения прогнозируемого показателя (ошибкой прогноза). Например, существуют методы, ориентированные на анализ и прогнозирование тренда, на анализ сезонных и периодических явлений, а так же методы, дающие достаточно достоверные прогнозы для стохастических процессов и др. [1], [4].

В

Будем представлять себе процесс прохождения информации через нашу систему, и, таким образом, производить выделение функциональных подсистем (рис. 4).

Вход представляет собой одномерный массив численных значений исследуемого процесса, зафиксированных с равными промежутками во времени. Информация с входа попадает на входы блока равноправных методов прогнозирования. Каждый из них формирует свою версию прогноза.

Далее выходы МП и входные данные подаются на УЭ.

Управляющий элемент (УЭ) - подсистема, на вход которой попадают значений, предсказанные каждым из МП, а так же входные (исторические) значения процесса. На основе анализа всей имеющейся информации, он формирует выходное значение, которое должно удовлетворять всем предъявляемым к системе требованиям.

Выход - одно из значений либо некое взвешенное нескольких значений результатов работы прогнозирующих методов на основе входной информации.

Схема процесса на данном этапе выглядит

следующим образом:

Далее нам необходимо провести декомпозицию УЭ с целью выявить его структуру. Мы знаем, что базовым элементом УЭ является модель распознавания образов. Нам так же известно, что такие задачи в настоящее время наиболее успешно решаются при помощи моделей на основе НС. Считая, что сама задача распознавания на базе НС является решенной, построим недостающие звенья модели УЭ.

Известно, что любые модели на базе НС требуют в том или ином виде обучения. Входными данными при обучении НС с целью выявления скрытых закономерностей, являются обучающие массивы входных данных плюс управляющие значения, подаваемые на выход модели. При этом должны быть выполнены условия принципиальной обучаемости конкретной модели НС на имеющихся наборах данных [2]. Выходы НС будут однозначно ассоциированы с выходами методов прогнозирования, поэтому "ответ" НС на реальный входной образ должен в том или ином виде давать нам реко-

мендацию по использованию значений, полученных от МП.

Для рационального использования особенностей различных алгоритмов при решении задач, можно объединить различные по характеру алгоритмы в коллективы, формирующие решение на основе правил, принятых в теории коллективных решений.

Пусть в некоторой ситуации Х принимается решение У. Тогда

У = Е(Х)

(1)

где Б—алгоритм принятия решения в ситуации X. Предположим, что существует N различных алгоритмов решения задачи, т. е.

У1=Е1(Х), 1=1, 2, ..., N

(2)

где Уі—решение, полученное алгоритмом Б/. Будем называть множество алгоритмов (Р}=(Р1, Б2, ..., Бі.} коллективом алгоритмов решения задачи (коллективом решающих правил), если на множестве решений Уі в любой ситуации Х определено решающее правило Б, т. е. У=Б(У1, У2, ..., У№ X).

В задачах четкого распознавания ситуацией Х является описание объекта, т. е. его изображение, а решением У — номер образа, к которому принадлежит наблюдаемое изображение. Пример метода с диктаторской схемой имеет вес решающего правила Бі

IX X є Ві ]

Ог (X) = \’ \ (3)

Л [0, X Є Ві]

где Ві — область компетентности решающего правила Бі. Веса решающих правил всегда выбираются так, что

I Сг(Х) = 1

(4)

і =1

для всех возможных значений X. Соотношение для в! означает, что решение коллектива определяется решением того решающего правила Я1, области компетентности В1 которого принадлежит изображение объекта X.

Предложенные механизмы могли бы найти свое практическое применение в виде системы поддержки принятия управленческих решений по закупкам стройматериалов для строительной фирмы, ведущей одновременно несколько проектов или в других областях, где используются методы прогнозирования с учетом характера самого процесса.

Литература

1. Сулицкий В.Н. Методы статистического анализа в управлении. Москва: Дело, 2002.

2. Картавцев В.В. Нейронная сеть предсказывает курс доллара?// Компьютеры + программы - 1993 - N 6(7) - с. 10-13.

3. Чертков М., Грималюк А. Методика ва- wood A. Johnson, John S. Gard iner. - 2nd ed. - ISBN

лютного прогнозирования.// Одесские деловые но- 0-07-042858-1.

вости - 1995 - май N 16 - с. 4.

4. Montgomery, Douglas C. Forecasting and time series analysis. //Douglas C. Montgomery, Lyn-

Воронежский институт высоких технологий

Воронежский государственный архитектурно-строительный университет

NEURAL NETWORK TECHNOLOGIES OF SUPPORT OF DECISION-MAKING AT PURCHASE MATERIALS BY THE CIVIL ENGINEERING FIRM

I.V. Malikov, V.N. Kolpachev, A.N. Shulgin, A.G. Janin

The mechanisms used in the form of system of support of acceptance of administrative decisions on purchases of building materials for a civil engineering firm, leading simultaneously some projects or in other areas where methods of forecasting in view of character of the process are used are considered

Key words: neural network, progress, management, decisions