CC BY
78
УДК 004.94
ПОСТРОЕНИЕ НЕЧЕТКИХ ПРОДУКЦИОННЫХ МОДЕЛЕЙ ПОВЕДЕНИЯ АГЕНТОВ СИСТЕМЫ ПРЕДПРИЯТИЯ ТЕЛЕКОММУНИКАЦИОННОЙ ОТРАСЛИ НА ОСНОВЕ АНАЛИЗА СТАТИСТИКИ
Работа выполнена при финансовой поддержке РФФИ в рамках проекта №12-01-00266
Гимаров В.В., к.э.н., доцент кафедры менеджмента и информационных технологий в экономике филиала ФГБОУ ВПО «Национальный исследовательский университет «МЭИ» в г. Смоленске, Россия, e-mail: tatjank@yandex.ru
Петрушко И.М., д.ф.-м.н., профессор ФГБОУ ВПО «Национальный исследовательский университет «МЭИ»
В статье показана актуальность вопросов построения мультиагентных моделей для повышения качества управления телекоммуникационным предприятием. Авторами разработана структура мультиагентной модели, которая включает в себя агентов 8 видов и позволяет наиболее полно отобразить особенности предметной области. Для реализации адаптивного поведения агентов предложен алгоритм на основе нечеткой логики, который отличается возможностью использования статистических данных для формулирования продукционных правил.
Ключевые слова: мультиагентная модель, телекоммуникационное предприятие, структура модели, алгоритмы поведения агентов, нечеткие продукционные правила, извлечение правил, статистические данные о поведении агентов.
CONSTRUCTION OF FUZZY PRODUCTION BEHAVIORS AGENTS SYSTEMS TELECOMMUNICATION ENTERPRISE BASED ON STATISTICAL ANALYSIS
This work was supported by RFBR project number 12-01-00266
Gimarov V., Ph.D., associate professor, Management and information technology in the economy chair, National Research University «Moscow Power Engineering Institute», Smolensk branch, Russia, e-mail: tatjank@yandex.ru Petrushko I., Doctor of Physics and Mathematics, professor, National Research University «Moscow Power Engineering Institute»
The article shows the relevance of constructing multi-agent models to enhance quality control telecommunications company The authors have developed the structure of the multi-agent model which includes eight kinds of agents and can more fully display the particular subject area. To implement the adaptive behavior of agents, an algorithm based on fuzzy logic, which is characterized by the ability to use statistical data for the formulation of production rules.
Keywords: multiagent model telecommunication enterprise, structure models, algorithms, behavior of agents, fuzzy production rules, extraction rules, statistical data on the behavior of agents.
В последние годы отрасль информационно-коммуникационных технологий (ИКТ) в России развивается динамично. Её ежегодные темпы роста превосходят темпы развития национальной экономики. Так, доля ИКТ в ВВП в 2011 г. составила 4,6%, объем рынка вырос на 8,6% - до 2,087 триллиона рублей.
В таблице 1 представлены основные показатели динамики развития рынка телекоммуникационных услуг с 2007 по 2011 гг., которые получены по данным федеральной службы государственной статистики, министерства связи и массовых коммуникаций, а также являются личными расчетами автора.
Таблица 1. Динамика изменения основных показателей развития рынка телекоммуникационных услуг России
Показатель 2007 2008 2009 2010 2011
Доходы от услуг документальной электросвязи, млрд. руб.. в том числе от населения, млрд. руб. 82,1 22,8 110,2 34,4 134,7 50,5 147,3 63,0 164,87 77,4
Сальдированный финансовый результат деятельности организаций связи, млрд. руб. 273,1 270,1 220.5 213,1 251,7
Среднегодовая численность работников организаций связи, тыс. чел. 879,0 873,8 848,9 820,2 788,2
Удельный вес убыточных организаций связи, % 27,8 30,0 31,9 29,7 32,5
Износ основных фондов организации связи, % 40,4 43,2 46,6 50,5 53,1
Инвестиции и ввод основных фондов операторов связи, млрд. руб. 226,2 234,2 147,3 192,07 259,60
Объем информации в сети Интернет, Пбайт 258,4 736,5 2680 5699 8492
Удельный вес организаций, использовавших персональные компьютеры, % 93,3 93,7 93,7 93,8 94,1
Удельный вес организаций, использовавших Интернет, %, в том числе широкополосный доступ 67,8 31,0 73,7 39,2 78,3 47,3 82,4 56,7 84,8 63,4
Внутренние затраты на исследования и разработки (по виду деятельности транспорт и связь), млн. руб. 92,9 106,5 117,9 143,8 н.д.
Совокупный уровень инновационной активности организаций связи, % 15,4 15,2 15,1 15,6 н.д.
В 2011-2012 гг. Россия вошла в число мировых лидеров по количеству интернет-пользователей (56 млн. человек), расположившись на 5 месте после Китая (333,3 млн.), США (190,7 млн.), Японии (73,5 млн.) и Индии (56,3 млн.). Россия также попала в число лидеров по темпам роста широкополосного доступа в Интернет: ежегодный прирост пользователей составляет 2 млн. человек (20% рынка).
На основании анализа представленных данных можно сделать вывод, что, несмотря на положительную динамику показателей развития телекоммуникационной отрасли, обусловленную экстенсивным ростом предприятий, инновационная активность и эффективность инноваций остаются на низком уровне. В 2010 г. доля затрат на исследования и разработку в общем финансовом результате деятельности организаций связи составила 0,07%, в то время как зарубежные компании тратят на НИОКР в среднем 2-3% годового дохода.
К числу основных тенденций развития телекоммуникационной отрасли на сегодняшний день относятся сокращение продолжительности жизненного цикла и конвергенция предлагаемых услуг, глобализация и международная интеграция бизнеса. Для формирования положительного имиджа России как потенциального мирового лидера в области ИКТ важнейшей задачей является поддержка уникальных инновационных проектов мирового масштаба со стороны государственных и частных инвесторов.
В условиях повышения динамики бизнес-процессов и роста неопределенности внешней и внутренней среды, эффективность управления телекоммуникационным предприятием во многом зависит от качества и скорости принятия решений. С целью повышения оперативности и результативности управления в настоящее время используются различные подходы, например, разработка интеллектуальных систем и систем поддержки принятия решений, моделирование экономических систем и процессов. В последние годы принятие решений поддерживается на основании применения мощных иерархических методов моделирования (прогнозирования и планирования).
Известные на сегодняшний день способы моделирования охватывают аналитическое моделирование, аналитическое моделирование с элементами дискретно-событийного моделирования, дискретно-событийное моделирование с элементами аналитического моделирования, дискретно-событийное моделирование с элементами аналитического и/или агентного моделирования. При этом многоагентные системы (МАС) являются одним из наиболее перспективных направлений.
В общем случае мультиагентная модель может быть представлена кортежем следующего вида:
MS=<A,E,O,D,a,Go>
где A - множество агентов системы А={Ацентр_управ, Афилиал};Е - множество внешних сред, в которых функционируют агенты, не имеющие отношения к рассматриваемой системе E={E , E , Е ,, Е }; O - множество взаимодействий между агентами
^ ^ конкур_р' конкур_н потреб' органы—управлен-* ' ^
системы^ — множество коммуникативных актов взаимодействия между агентами, которые формируют протокол коммуникации D={Dp D2, D3, D4}; Dj - множество коммуникативных актов, имитирующих передачу информации, D2 - множество актов, имитирующих управление одних агентов другими; D3 - множество актов, имитирующих поиск потенциальных поставщиков услуг; D4 - множество актов, имитирующих запрос на подключение к предприятию-поставщику^^^, G2...} - цели агентов системы, - максимизация прибыли от продаж в регионе, G2 - минимизация расходов на формирование инфраструктуры в регионе^^^Д G02...} - цели агентов внешней среды; G0j - максимизация прибыли от продаж, G02 - минимизация расходов на формирование инфраструктуры в регионе.
На рисунке 1 представлена общая структура мультиагентной модели управления телекоммуникационным предприятием.
Рис. 1. Общая структура мультиагентной модели управления телекоммуникационным предприятием
Одной из наиболее сложных задач является обеспечение интеллектуального поведения агентов, которое позволяет адаптироваться к изменениям внешней и внутренней среды. В качестве математической модели описания адаптивного поведения агентов на практике используются аппарат нечеткой логики, когнитивных карт [3]. При этом накопление статистической информации о деятельности различных агентов в процессе моделирования приводит к необходимости разработки процедур автоматического извлечения нечетких продукционных правил, описывающих выбор агентами тех или иных стратегий поведения.
Извлечение продукционных правил из имеющейся статистической информации является одной из задач интеллектуального анализа данных. Для этого может быть использована следующая методика, включающая этапы:
1. Сбор и обработка статистической информации. В процессе функционирования мультиагентной системы накапливаются данные о различных показателях поведения агентов. Значение зависимой переменной ^определяется входными переменными х1, х2... хп. Для каждой входной переменной задаются минимальные и максимальные значения. Таким образом, исходные данные представляютсяв виде тзаписей следующего вида:
x/ X2> xj у1
x,2 X* у2
X? X2* Xn* У
Xim X2m т m лп ут
2. Разделение областей определения всех переменных на отрезки. Количество таких отрезков, а также их длина выбираются в каждом случае индивидуально. Для каждой переменной определяются нечеткие множества с треугольными функциями принадлежности (для упрощения расчетов), соответствующие выделенным отрезкам, с лингвистическими значениями (например, для трех отрезков: низкий, средний, высокий). Мода функций принадлежности соответствует середине выделенных отрезков, функции пересекают друг друга на уровне 0,5 по оси ординат.
3. На основании имеющихся статистических данных, представленных в таблице, составляется базанечетких продукционных правил. Для каждой записи исходных табличных данных^1, х21, ..., хп', у1) определяются степени принадлежности используемых переменных к соответствующим нечетким множествам. Например, для х11определяется мм1(х11), м51(х11), мв1(х11), где М - нечеткое множество «низкий», ¿1 - нечеткое множество «средний», В1 - нечеткое множество «высокий». Тогда при формулировании правил каждой переменной кортежа-статистических данных ставится в соответствие нечеткое множество, степень принадлежности к которому у исходного значения переменной является максимальным.
Таким образом, исходная база правил принимает следующий вид:
ЕСЛИ х1 есть М1 И х2 есть М 2... И хп есть Бп ТО у есть Бу ЕСЛИ х1 есть Б1 И х2 есть Б2... И хп, есть Вп ТО,у есть 8у
... (2)
ЕСЛИ х есть В1 И х2 есть В2... И хп есть Бп ТО у есть В
3. Оптимизация базы правил. Полученная на предыдущем этапе база продукционных правил является избыточной, содержит противоречащие правила (например, с одинаковыми предпосылками, но различными заключениями). Существуют различные способы оптимизации базы нечетких правил [1]. В соответствии с одним из них все кортежи исходной базы статистической информацииподаются на вход каждому правилу. В результате для каждого правила рассчитывается рейтинг по формуле 3:
щ = хМ*10)) ^2(^) •...п(7-^у (у0)),I = 1.1 (3)
7=1 '
После расчета значения рейтинга правил из базы исключаются те из них, у которых рейтинг наименьший. В первую очередь удаляют правила, имеющие одинаковые предпосылки, но разные заключения.
5. Адаптация параметров продукционных правил. Для параметрической оптимизации вводится функция ошибки, как разность рассчитанного с использованием нечетко-логического вывода значения выходной переменной и исходного значения в статистической базе данных. При использовании функций принадлежности треугольного вида настройке подвергается один параметр - значение мод.Проце-дура параметрической оптимизации циклически повторяется и считается завершенной, если значение функции ошибки по каждому примеру статистических данных не превышает некоторого установленного порога.
Таким образом, представленный алгоритм позволяет реализовывать интеллектуальное адаптивное поведение агентов мультиагент-ной системы, увеличивая тем самым эффективность моделирования, прогнозирования развития системы и планирования воздействий для управления телекоммуникационным предприятием.
Литература:
1. В.В. Борисов, В.В. Круглов, А.С. Федулов Нечеткие модели и сети. - М.: Горячая линия - Телеком, 2007.
2. Извлечение знаний с помощью нейронных сетей [Электронные данные] //Нейрокомпьютинг и его применения в экономике и бизнесе: Национальный открытый университет. - Режим доступа: http://www.intuit.ru/studies/courses/2255/139/lecture/2049?page=1
3. Б.В. Палюх, Т.В. Какатунова, М.И. Дли, О.В. Багузова Интеллектуальная система поддержки принятия решений по управлению сложными объектами с использованием динамических нечетких когнитивных карт // Программные продукты и системы.- 2013. - № 4. -С. 155-160.
