CC BY
48
вопросы инновационной экономики
>
Том 7 • Номер 3 • Июль-сентябрь 2017 ISSN 2222-0372 Russian Journal of Innovation Economics
Креативная экономика
издательство
применение нечеткой композиции
для моделирования логистических потоков
Никишов С.И. 1
1 Российская академия народного хозяйства и государственной службы при Президенте РФ, Москва, Россия
В статье рассмотрена актуальность вопроса информационной избыточности и проблема взаимодействия участников логистического рынка в условиях информационной перегруженности. Приведен пример использования методов нечеткой логики для моделирования логистических потоков на примере композиции нечетких отношений для последующей автоматизации процессов принятия решений. Рассмотрена особенность компланарных потоков.
КЛЮЧЕВЫЕ СЛОВА: инновационная логистика, логистические потоки, информационная логистика, теория нечетких множеств, нечеткие отношения, компланарные потоки.
Application of fuzzy composition for logistics flows modeling
Nikishov S.I. 1
1 The Russian Presidential Academy of National Economy and Public Administration, Russia
введение
Взрывной рост объемов производимой и потребляемой информации приводит к тому, что обычные пользователи вынуждены как-то ориентироваться в постоянно растущем океане информации. Шквал информационных, развлекательных и других сообщений приводит к тому, что информация становится избыточной. Люди вынуждены тщательно отбирать тематику сообщений, чтобы отсеять информационный мусор. Часто для такой фильтрации люди пользуются возможностями информационных технологий. Наступила эпоха так называемой персонализации выдачи. Например, социальные сети давно используют персонализацию выдачи новостных сообщений на основе интересов и предпочтений пользователя. Поисковые системы также используют данные технологии и выдают разным пользователям разные результаты выдачи. Это также называется персонализацией выдачи. Например, если разные пользователи будут искать информацию по одному и тому же запросу, то им будет выдан различный
АННОТАЦИЯ:
результат в зависимости от предпочтений этого пользователя, его географической локации, истории запросов и других параметров.
Кроме обычных пользователей от избыточной информации страдает и бизнес, который также решает вопрос с избыточностью информации по-своему. В любом случае конечным потребителем информации в бизнесе является также обычный пользователь. Информационные системы в настоящее время, как могут, пытаются сократить объем избыточной информации, выдаваемой конечному пользователю, за счет персо-нализации выдачи данных, автоматической обработки больших данных и разработки автоматических рекомендаций. Подобная проблема также остро наблюдается и в логистике. Для выбора поставщика или подрядчика приходится обрабатывать большие объемы информации, и любая помощь со стороны информационной системы была бы очень кстати. Построение логистической информационной системы с использованием вариантов выбора способа формирования логистической сети позволит более эффективно распределять ограниченные материальные потоки и более эффективно проектировать информационные потоки [6, 9] (Dobronravin, 2011; Kaukin, Pavlov, Filicheva, 2015).
Применение инновационных технологий в управлении и в ИТ оказывает значительное влияние на экономику. Они позволяют вывести логистику на принципиально новый уровень за счет более качественного управления логистическими потоками и содержат огромный потенциал для развития экономики. Высокотехнологичное предприятие может обеспечить сокращение логистических издержек с помощью надлежащего проектирования информационных потоков, охватывающих основные бизнес-процессы компании, а подсистема управления цепочками поставок позволит
ABSTRACT:_
This article considers the issue of information redundancy and the problem of communications between participants of logistics market in the context of information overflow. It illustrates the application of fuzzy logic for logistics flows modeling using the example of the composition of fuzzy relations for further automation of decision-making processes. The article also describes the features of coplanar flows.
KEYWORDS: innovative logistics, logistic flows, information logistics, fuzzy set theory, fuzzy relations, coplanar flows
JEL Classification: C45, 032, 033 Received: 11.08.2017 / Published: 30.09.2017
© Author(s) / Publication: CREATIVE ECONOMY Publishers For correspondence: Nikishov S.I. (serg.nikishov@gmail.com)
CITATION:_
Nikishov S.I. (2017) Primenenie nechetkoy kompozitsii dlya modelirovaniya logisticheskikh potokov [Application of fuzzy composition for logistics flows modeling]. Voprosy innovatsionnoy ekonomiki. 7. (3). - 247-256. doi: 10.18334/vinec.7.3.38197
выявлять и по возможности устранять издержки различного рода при движении материальных потоков [4] (Giza, Zaytsev, 2015).
Роль информационно-коммуникационных технологий в развитии логистических процессов
Информационные технологии открывают бизнесу и пользователю уникальные возможности по созданию новых финансовых моделей при усиливающейся роли ИТ-инфраструктуры. При сохранении данной тенденции по глобализации отношений технологическое обеспечение информационных процессов будет играть главенствующую роль. Бизнес уже сейчас имеет возможность устанавливать взаимоотношения с сотрудниками, используя удаленное взаимодействие. Виртуализация ресурсов, рабочих мест, программного обеспечения и даже денежного оборота позволяет существенно сократить операционные и производственные издержки. Индивидуализация взаимоотношений выходит на первый план [1] (Agamirzyan, Belousov, Kuznetsov, Zotov, Danilin, Kholkin, Proydakov, Raevskiy, Pervushin, 2016).
Логистика также не остается в стороне от развития ИКТ, и современные технологии находят широкое применение в построении индивидуальных отношений между участниками логистического рынка. Разработки в области искусственного интеллекта позволили компании Google выпустить на автомобильные дороги уже 15 беспилотных машин, которые наездили уже более 1 млн миль. С 2018 года КАМАЗ планирует начать выпуск беспилотных грузовиков. Конечно, мы пока не берем в расчет организационные моменты и нормативные акты для регулирования их передвижения по дорогам страны, но сам факт их создания уже говорит о том, что высокие технологии неотвратимо внедряются в повседневную жизнь. Автоматические пилоты позволят получить целый ряд преимуществ по сравнению с водителем-человеком. Также появится дополнительная возможность анализировать онлайн дорожную ситуацию и даже вести видеосъемку [1] (Agamirzyan, Belousov, Kuznetsov, Zotov, Danilin, Kholkin, Proydakov, Raevskiy, Pervushin, 2016).
Хотя такие сценарии выглядят в настоящее время достаточно футуристично, все же они имеют право на существование, которое уже давно доказано теми же роботами-пылесосами, которые когда-то считались чем-то из области научной фантастики, роботами-игрушками, военными роботами, экзоскелетами и прочими достижениями в области высоких технологий.
ОБ АВТОРЕ:_
Никишов Сергей Иванович, доцент кафедры системного анализа и информатики, кандидат технических наук (serg.nikishov@gmail.com)
ЦИТИРОВАТЬ СТАТЬЮ:_
Никишов С.И. Применение нечеткой композиции для моделирования логистических потоков // Вопросы инновационной экономики. - 2017. - Том 7. - № 3. - С. 247-256. Со1: 10.18334/утес.7.3.38197
Логистика будущего также не сможет игнорировать достижения в области высоких технологий, и рано или поздно наступит момент, когда алгоритмы искусственного интеллекта начнут внедряться в логистические информационные системы для осуществления консолидации предприятий и выстраивания новых цепочек поставок, включающих в себя новых поставщиков и клиентов, имеющих территориальную распределенность, что позволит повысить конкурентоспособность предприятия [13] (Protsenko, 2009).
В условиях информационной избыточности часто возникают ситуации, когда входные данные противоречивы и отличаются нечеткой формализацией. Связано это может быть с тем фактом, что данные поступают от людей, и вмешивается так называемый фактор субъективного восприятия. Для информационной системы это может вызвать лишние вычисления, которые влекут за собой повышение требований к мощности и надежности ИТ-инфраструктуры.
Важной особенностью логистических потоков будет являться то свойство, что в виртуальной среде на этапе передачи данных не существует материальных и финансовых потоков. Существует лишь информационный поток, содержащий эту информацию. Однако суть информационного потока в информационном пространстве сильно меняется по причине того, что в информационном потоке может содержаться и информация о платеже, и даже сам товар (естественно, при условии существования его в электронном виде). В качестве примера приведем следующий факт. При совершении электронного платежа не происходит физического перемещения денежных средств. Перемещается лишь информация о них. Также при приобретении цифрового товара перемещения самого товара не происходит. Перемещается лишь его цифровая копия. Такое свойство информационных потоков, включая функции самоподстройки (адаптивности), было охарактеризовано в работах [12] (Nikishov, 2016) и [3] (Bryntsev, Nikishov, 2016) как новое свойство логистических потоков - компланарность, по аналогии с векторным пространством и, собственно, компланарными векторами.
Для проектирования информационной системы, использующей компланарные потоки, необходимо предварительно построить математическую модель, на основе которой она будет работать. Чем больше параметров будет учтено в модели и чем шире будет информационный охват, тем сложнее будет сама модель. Да и не всегда возможно построить абсолютно точную математическую модель, так как любое моделирование предполагает абстрагирование от некоторых параметров и принятие некоторых допущений. Поскольку входные данные не всегда отличаются полнотой и точностью, то традиционное моделирование в этом случае может оказаться затруднительным. На помощь здесь может прийти аппарат нечеткого моделирования, с помощью которого можно построить модель с нечеткими входными данными.
Нечеткое моделирование получило развитие с момента публикации в 1965 году американским ученым Л. Заде статьи «Fuzzy Sets» в журнале «Information and Control». Данный аппарат в настоящее время получил достаточно широкое распространение
и применяется при решении задач распознавания образов, управления машинами и механизмами и в том числе принятия решений в условиях нечеткой входной информации, и позволяет получить более адекватные результаты. Также аппарат нечетких множеств позволяет принимать решение на основе логических операций, которые по использованию вычислительных мощностей менее затратные, чем традиционные математические модели.
Рассмотрим основные этапы моделирования:
• Построение концептуальной модели;
• Построение математической модели;
• Построение имитационной или программной модели.
Основная сложность при моделировании будет состоять в том, что будет присутствовать неопределенность поведения системы, которую невозможно описать на начальном этапе разработки модели, а также неопределенность представления ее структуры:
• семантическая неопределенность (разное значение у одинаковых слов);
• слабая формализация (неполное описание);
• противоречивость;
• неопределенность наступления событий.
В этом случае опять-таки эффективной альтернативой традиционным математическим моделям будет нечеткое моделирование, с помощью которого возможно обеспечить достаточное качество информации при неточном описании входных данных [11, 7] (Leonenkov, 2005; Zade, 1976).
С помощью нечеткой логики можно представить процесс принятия решений или оценки ситуаций в алгоритмической форме. Методы построения функций принадлежности основаны на теории нечетких множеств. Наибольшее распространение получили два способа построения: прямой и косвенный. Суть прямого метода заключается в экспертной оценке значения каждого некоторого атрибута и его вероятностной принадлежности к рассматриваемому множеству xÍX. Косвенные методы применяются в тех случаях, когда отсутствуют измеримые признаки, которые могли бы быть использованы для построения нечетких моделей [5, 10] (Guba, Dyubanov, 2013; Levchenko, 2016).
При применении интегрированного подхода управления логистическими потоками с помощью подсистемы управления цепочками поставок наибольшая роль отводится именно информационным потокам, позволяющим сократить издержки управления материальными потоками и минимизировать запаздывание информации [8] (Zaytsev, Giza, 2014).
Алгоритм построения нечеткой композиции
Одной из основных задач минимизации издержек является задача выбора поставщика или подрядчика с оптимальным сочетанием различных критериев: степень дове-
рия, скорость доставки, стоимость доставки. Рассмотрим в качестве примера модель для принятия решения адаптивными алгоритмами на примере взаимоотношений участников логистического рынка: поставщика и заказчика. Для построения модели будем использовать теорию нечетких множеств. Предположим, что у заказчика имеется некоторый набор поставщиков, с которыми у него уже сложились доверительные отношения и выстроены все процессы. Данный поставщик поставляет несколько товаров. Для примера возьмем 5 видов номенклатуры. Степень доверия к такому поставщику у заказчика будет существенно выше по сравнению с вариантом привлечения нового поставщика. Если у заказчика будет выбор между ними, то с гораздо большей вероятностью заказ будет отдан первому поставщику. Несколько меньшая степень доверия будет к поставщику, с которым заказчик напрямую не работал, но которого ему посоветует поставщик или партнер. Соответственно, наименьшая степень доверия будет к незнакомому поставщику. Рассмотрим в следующем примере вместо субъективных показателей доверия другие показатели - качественные показатели поставки [11, 7] (Leonenkov, 2005; Zade L.M., 1976).
Построим нечеткую модель на основе бинарных нечетких отношений S и J. Для построения первого отношения будем использовать два базисных множества X и У. Для второго - Y и Z. В данном примере множеством X описано конечное множество товаров: X = {х1 х2 х2 х4 х5 Y - множество атрибутов товаров (скорость доставки, цена, срок хранения и др). Y = {УгУгУзЛУв i- Z- множество поставщиков. Z = ■■!■ В контексте данной задачи отношением S будем описывать свой-
ства товаров, а отношением ^ - качественные показатели поставщиков при поставке товара. Предположим, что значения функций принадлежности были получены экспертным путем или в результате машинного обучения, и представим их в виде таблиц 1 и 2.
На основе этих таблиц составим матрицы нечетких отношений.
М г =
Таблица 1
Нечеткое отношение S: товар-свойства
скорость доставки стоимость доставки срок хранения объем поставки транспортные расходы
Товар 1 0,9 0,9 0,8 0,5 0,4
Товар 2 0,5 0,9 0,7 0,8 0,7
Товар 3 0,9 0,7 0,9 0,8 0,6
Товар 4 0,8 0,8 0,5 0,9 0,8
Товар 5 0,7 0,8 0,9 0,6 0,9
Источник: составлено автором.
Таблица 2
Нечеткое отношение f: поставщик-свойства
поставщик 1 поставщик 2 поставщик 3 поставщик 4 поставщик 5
Скорость доставки 0,9 0,7 0,8 0,7 0,4
Стоимость доставки 0,8 0,8 0,6 0,8 0,7
Срок хранения 0,6 0,7 0,8 0,8 0,6
Объем поставки 0,4 0,8 0,5 0,9 0,8
Транспортные расходы 0,7 0,9 0,6 0,6 0,9
Источник: составлено автором.
Составим далее композицию двух нечетких бинарных отношений S ® f. Тогда функция принадлежности будет записана следующим образом [11] (Leonenkov, 2005):
Psgia= Ышф^^Xj )),11а({хг xk))}]
.
Согласно данной формуле, матрица с результатом нечеткой композиции будет составляться следующим образом:
вначале ищутся минимальные значения функции принадлежности всех пар элементов первой строки первой матрицы и первого столбца второй матрицы. Тогда получим: min{0.9, 0.9}=0.9, min {0.9, 0.8}=0.8, min{0.8,0.6}=0.6, min{0.5,0.4}=0.4, min{0.4,0.7}=0.4;
затем находится максимальное значение из полученных значений: по аналогии находятся остальные элементы матрицы.
Тогда матрица результирующего нечеткого отношения будет выглядеть следующим образом:
0.9 0,8 0,8 0,8 0,71
0,8 0,8 0,7 0,8 0,8
0,9 0,8 0,8 0,8 0,8
0,8 0,8 0,7 0,9 0,8
0,8 0,9 0,8 0,8 0,9]
Если перевести эту матрицу в табличную форму, то получим таблицу предпочтений поставщиков в зависимости от параметров того или иного вида доставки [11] (Ьеопепкоу, 2005).
Таблица 3
Нечеткая композиция отношений
Поставщик 1 Поставщик 2 Поставщик 3 Поставщик 4 Поставщик 5
Товар 1 0,9 0,8 0,8 0,8 0,7
Товар 2 0,8 0,8 0,7 0,8 0,8
Товар 3 0,9 0,8 0,8 0,8 0,8
Товар 4 0,8 0,8 0,7 0,9 0,8
Товар 5 0,8 0,9 0,8 0,8 0,9
Источник: составлено автором.
Таким образом, по совокупности значений на этом абстрактном примере получим, что товар 1 и товар 3 выгоднее поставлять от поставщика 1. Товар 5 - от поставщика 2 и поставщика 5. Товар 4 - от поставщика 4. А товар 2 на одинаковых условиях можно получать от поставщиков 1, 2, 4, 5. Из соображений целесообразности данные поставки могут быть объединены с любыми другими товарами от соответствующего поставщика.
Заключение
Используя данный алгоритм, можно составить таблицы предпочтений различных объектов и их атрибутов, на основе которых могут приниматься решения по совокупности показателей. Кроме того, этот алгоритм относительно легкий в программировании и позволяет внедрять его в экспертные системы для помощи при принятии решений. Также при принятии решений этот несложный алгоритм позволит ввести свойства адаптивности логистических потоков (в первую очередь материальных). Но это отнюдь не означает ограничения применения данного способа выбора только для материальных товаров и поставщиков. При использовании других критериев потоков алгоритм можно использовать и для балансировки информационных потоков.
ИСТОЧНИКИ:
1. Агамирзян И., Белоусов Д., Кузнецов Е., Зотов А., Данилин И., Холкин Д., Пройдаков
Э., Раевский А., Первушин А. Вызов 2035. - Москва: Олимп-Бизнес, 2016. - 240 с.
2. Брынцев А.Н.,Синько А.В. Логистика внешнеэкономической деятельности. / Монография. - Москва: Издательский дом «Экономическая газета», 2013. - 124 с.
3. Брынцев А.Н., Никишов С.И Логистика: Адаптивные информационные потоки. /
Монография. - Москва: ОАО «ИТКОР», 2016. - 142 с.
4. Гиза Ф., Зайцев А.А. Интеграция подсистемы управления цепочками поставок в ин-
новационную деятельность высокотехнологичных предприятий // Вопросы инновационной экономики. - 2015. - № 3. - с. 63-78.
5. Губа К.А., Дюбанов Г.Н. Оптимизация складской логистики с применением аппара-
та нечеткой логики // Мир экономики и управления. - 2013. - № 3. - с. 14-18.
6. Добронравин Е.Р. Окружение фирмы как объект оптимизации. Моделирование
условий функционирования материального потока логистической системы // Российское предпринимательство. - 2011. - № 10.
7. Заде Л.М. Принятие решений в расплывчатых условиях. / под ред. И.Ф.Шахнова с
предисловием Г.С.Поспелова. - М.:Мир, 1976. - 172-215 с.
8. Зайцев А.А., Гиза Ф. Роль управления цепочками поставок в развитии современного
бизнеса // Российское предпринимательство. - 2014. - № 8(254).
9. Каукин А.С., Павлов П.Н., Филичева Е.В. Моделирование пространственного рас-
пределения российских внешнеторговых потоков с учетом реальных издержек транспортировки // Российское предпринимательство. - 2015. - № 23. - с. 42974310. - doi: 10.18334/rp.16.23.2158.
10. Левченко Н.Г. Интеллектуальные информационные технологии в управлении // Вестник Морского государственного университета. - 2016. - с. 37-44.
11. Леоненков А.В. Нечеткое моделирование в среде MathLab и FuzzyTech. - СПб: БХВ-Петербург, 2005.
12. Никишов С.И. Развитие адаптивных потоков в цифровой экономике // РИСК: Ресурсы, Информация, Снабжение, Конкуренция. - 2016. - № 4. - с. 168-172.
13. Проценко И.О. Некоторые аспекты теории и практики в управлении цепью поставок // Российское предпринимательство. - 2009. - № 2.
REFERENCES:
Agamirzyan I., Belousov D., Kuznetsov E., Zotov A., Danilin I., Kholkin D., Proydakov E., Raevskiy A., Pervushin A. (2016). Vyzov 2035 [Challenge 2035] Mosœw: Olimp-Biznes. (in Russian). Bryntsev A.N., Nikishov S.I (2016). Logistika: Adaptivnye informatsionnye potoki [Logistks: Adaptive information flows] Mosœw: OAO «ITKOR». (in Russian).
Bryntsev A.N.,Sinko A.V. (2013). Logistika vneshneekonomicheskoy deyatelnosti [Logistics of foreign economic activity] Moscow: Izdatelskiy dom «Ekonomicheskaya gazeta». (in Russian).
Dobronravin E.R. (2011). Okruzhenie firmy kak obekt optimizatsii. Modelirovanie usloviy funktsionirovaniya materialnogo potoka logisticheskoy sistemy [Environment of the company as an object of optimization. Modeling the conditions for the functioning of material flow of the logistics system]. Russian Entrepreneurship. (10). (in Russian).
Giza F., Zaytsev A.A. (2015). Integratsiya podsistemy upravleniya tsepochkami postavok v innovatsionnuyu deyatelnost vysokotekhnologichnyh predpriyatiy [Integration of supply chain management subsystem in the innovative activities of high-tech enterprises]. Issues of innovative economy. (3). 63-78. (in Russian).
Guba K.A., Dyubanov G.N. (2013). Optimizatsiya skladskoy logistiki s primeneniem apparata nechetkoy logiki [Optimizing warehouse logistics through fuzzy logic device]. The World of economics and management. 13 (3). 14-18. (in Russian).
Kaukin A.S., Pavlov P.N., Filicheva E.V. (2015). Modelirovanie prostranstvennogo raspredeleniya rossiyskikh vneshnetorgovyh potokov c uchetom realnyh izderzhek transportirovki [Modeling of the spatial distribution of Russia's foreign trade flows taking into account the real transportation costs]. Russian Entrepreneurship. 16 (23). 4297-4310. (in Russian). doi: 10.18334/rp.16.23.2158.
Leonenkov A.V. (2005). Nechetkoe modelirovanie v srede MathLab i FuzzyTech [Fuzzy modeling in MatLab and FuzzyTech] SPb: BKhV-Peterburg. (in Russian).
Levchenko N.G. (2016). Intellektualnye informatsionnye tekhnologii v upravlenii [Intellectual information technologies in management]. Vestnik Morskogo gosudarstvennogo universiteta. 75 37-44. (in Russian).
Nikishov S.I. (2016). Razvitie adaptivnyh potokov v tsifrovoy ekonomike [Development of adaptive flows in the digital economy]. RISK: Resources, information, supply, competition. (4). 168-172. (in Russian).
Protsenko I.O. (2009). Nekotorye aspekty teorii i praktiki v upravlenii tsepyu postavok [Some aspects of theory and practice in supply chain management]. Russian Entrepreneurship. (2). (in Russian).
Zade L.M. (1976). Prinyatie resheniy v rasplyvchatyh usloviyakh [Decision making in vague conditions] M.: Mir. (in Russian).
Zaytsev A.A., Giza F. (2014). Rol upravleniya tsepochkami postavok v razvitii sovremennogo biznesa [The role of supply chain management in the development of modern business]. Russian Entrepreneurship. (8(254)). (in Russian).
