CC BY
39
УДК 681.3
ПРОГРАММНАЯ СИСТЕМА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ОПЕРАТИВНЫХ ПЛАНОВЫХ РЕШЕНИЙ
А.В. Колесников, д.т.н. (Балтийский федеральный университет им. Иммануила Канта,
г. Калининград, [email protected]); С.А. Солдатов (ООО «ГИМАС+», г. Калининград, [email protected])
Рассматривается программная система для поддержки принятия оперативных плановых решений. Дается ее состав, описываются элементы. Приводятся результаты экспериментов на примере машиностроительного предприятия «Калининградгазавтоматика».
Ключевые слова: система поддержки принятия решений, оперативное планирование, машиностроительное предприятие.
Неотъемлемой частью производства является система планирования, предусматривающая планирование выполнения заказов, обеспечение поставки комплектации, равномерную загрузку участков предприятия, контроль перемещения деталей между производственными операциями. При применении задач оперативно-производственного планирования (ОПП) на реальных промышленных предприятиях было выявлено, что они характеризуются большой размерностью, сжатыми сроками выполнения и высокой ценой ошибки (до 15 % от ежемесячной прибыли предприятия), что делает их сложными для построения релевантной компьютерной модели и снижает достоверность результатов работы.
Многие отечественные и зарубежные ученые -Л.В. Канторович, К.Г. Татевосов, С.Н. Петраков, Д. Тейлор, Н. Рэйден и др. - в своих работах при рассмотрении задач ОПП используют различные аналитические, статистические, имитационные, структурные и интеллектуальные модели и методы. Но, как показал анализ, в известных методах и
моделях ОПП отсутствует или имеет ограниченное применение важный механизм взаимодействия (координации) подзадач в процессе решения сложной задачи. Это обусловлено главным образом тем, что представление о задаче, выработанное в исследовании операций, теории принятия решения, искусственном интеллекте и системном анализе, для современного индустриального общества устарело.
Авторы данной статьи в своих исследованиях поставили цель разработать новый метод решения сложной задачи ОПП, учитывающий важный механизм взаимодействия (координации) подзадач, для повышения релевантности компьютерной модели реальной задаче. В результате были созданы модели сложной задачи с координацией, модели задачи координации и системы поддержки принятия решений с координацией, алгоритм координации в системах поддержки принятия решений (СППР), методика разработки функциональной гибридной интеллектуальной системы с координацией для ОПП [1, 2]. Внедрение программной
----► передача информации между элементами
Рис. 1. Структурно-функциональная схема разрабатываемой инструментальной среды
системы, построенной по новому методу решения задачи ОПП, на реальном предприятии показало практическую ценность этой научной работы.
Опишем программную систему, теоретическим базисом которой является «Гибридная система планирования» (рис. 1).
Прямые и обратные связи (жирный пунктир) между технологическим и функциональными элементами обозначают передачу промежуточных результатов решения подзадач и получение функциональным элементом у, у=1, ..., 7, координирующего воздействия. Порядок работы функциональных элементов определяется декомпозицией ли сложной задачи тР, а также рекомендациями экспертов.
В таблице приведены функциональные/технологические элементы инструментальной среды и методы их представления [3]. Верхняя цифра индекса обозначает базовый класс методов функциональных гибридных интеллектуальных систем (ГиИС) [4], нижняя - порядковый номер подзадачи.
Примечание: НС - нейронная сеть; ГА - генетический алгоритм; ЭС - экспертная система; КД - конструкторская документация; ТД - технологическая документация.
Для передачи промежуточных результатов решения подзадач и получения функциональным элементом координирующего воздействия в ГиИС используются глобальные переменные - переменные-результаты и переменные-команды. Порядок работы функциональных элементов определяется декомпозицией пи сложной задачи тР, а также рекомендациями экспертов. Опишем детально автономные модели.
Функциональный элемент ан |2. Предназначен для решения подзадачи ПРГ1 с помощью искусственной нейронной сети (НС). НС генерируется заново для каждого разработанного плана. Это связано с тем, что для экспертов наиболее важным аспектом прогноза является совместный выпуск указанных в плане изделий (а каждый план уникален!). Для обучения НС используются обучающие примеры, которые состоят из пары «требуемое количество изделия»-«было ли это количество изготовлено», вход и выход соответственно. Количество обучающих примеров и итераций обучения задается пользователем.
Функциональный элемент ак |2. Предназначен для решения подзадачи ОПТ1 с помощью генетического алгоритма (ГА). Для ГА функция приспособленности представляет собой сумму единиц ресурса, затраченных на производство деталей каждого вида. Приспособленность рассчитывается как отношение затраченного ресурса к имеющемуся на складе. Так как для одного изделия можно задействовать несколько ресурсов, после определения максимально возможного количества изделия, которое можно изготовить с использованием только одного ресурса, выбирается минимальное значение количества изделия среди максимумов, полученных для каждого ресурса. Это позволяет получить плановый перечень с указанием максимального количества изделий, которые могут быть выпущены исходя из всех имеющихся материальных ресурсов.
Функциональные элементы ан |"3 - а* |77 и
т 7
технологический элемент а |8 реализованы по
технологии экспертных систем (ЭС). ЭС содержат продукционные БЗ следующих экспертов из СППР (см. табл.): ЭС1 - главный конструктор, ЭС2 - главный технолог, ЭС3 - начальник отдела материально-технического снабжения, ЭС4 - начальник электромеханического отдела, ЭС5 - начальник отдела продаж, ЭС6 - начальник производственного центра. В системе используется метод рассуждений в прямом направлении.
Для ввода данных разработан модуль ввода и трансляции входных данных в язык системы, выполняющий первичный анализ полученных данных и в зависимости от их типа направляющий информацию соответствующему функциональному элементу. Модуль вывода результатов пред-
Обозначение элемента Назначение элемента и методы представления Код модели Код подзадачи
а Подзадача 1: «Прогнозирование результатов выполнения оперативного графика»; решается НС НС ПРГ1
а* 12 Подзадача 2: «Оптимизация количества выпускаемой продукции»; решается ГА ГА ОПТ1
аА 17 Подзадача 3: «Анализ соответствия имеющихся ресурсов требованиям КД по обеспечению выполнения плана производства»; решается ЭС ЭС1 АНЛ1
а * |74 Подзадача 4: «Анализ соответствия имеющихся ресурсов требованиям ТД по обеспечению выполнения плана производства»; решается ЭС ЭС2 АНЛ2
а" |7 Подзадача 5: «Учет, контроль и регулирование обеспечения материальными ресурсами»; решается ЭС ЭС3 АНЛ3
а * |76 Подзадача 6: «Планирование и контроль выполнения ремонтных работ»; решается ЭС ЭС4 АНЛ4
а * |77 Подзадача 7: «Планирование и контроль оплаты заказов»; решается ЭС ЭС5 АНЛ5
ат |7 Подзадача 8: Технологический элемент решает к-зада-чу методами ЭС ЭС6 КОР1
ставляет полученные результаты работы программной системы в виде графиков и текстового описания. Данные могут вводиться вручную или импортироваться из БД [3].
Результат работы системы - рекомендуемый оперативный график работы производства, прогноз его выполнения, а также количество использованных/необходимых для его выполнения ресурсов. В программе реализована возможность сравнения результатов решения для задачи с координацией и без, а также выдачи объяснений, отображающих динамику процесса формирования оперативного графика.
ПО написано на VB.NET; общий объем кода -более 5 000 строк. БД программы создана на основе СУБД MS SQL Express. Программа работает в среде Windows XP/Windows 2003, требует не менее 1 Гб на жестком диске, 1 Гб оперативной памяти, процессор с тактовой частотой не ниже 2,2 ГГц, предпочтительнее многоядерный.
Гибридная система планирования апробирована на данных завода «Калининградгазавтоматика». Объемы обработанной информации - более 5 000 заказов, содержащих в сумме более 13 000 позиций; количество инструментов и производственного оборудования - свыше 1 500; номенклатура производимых изделий и применяемых материалов - около 89 000. Размеры БЗ функциональных элементов - от 8 до 40, а технологического элемента (k-задача) - 15 продукций.
В ходе экспериментов выбирался месяц, задавалось количество планерок (от 2 до 15), выполнялся запуск системы для имитации работы СППР как последовательности планерок, прогнозировалась выполнимость плана НС, сравнивалась работа ГиИС в режиме без координации и с координацией, при изменении перечня заказов запускался ГА для оптимизации количества изготавливаемых изделий в зависимости от текущего количества ресурсов.
Результаты решения сложной задачи ОПП с учетом координации с участием всех экспертов и ЛПР на всех пятнадцати планерках приведены на рисунке 2.
В среднем по всем одиннадцати экспериментам относительная погрешность результатов решения задачи ОПП с учетом координации не превысила 1 %. Это позволяет утверждать, что разработанная программная система релевантно отображает моделируемые процессы и явления. Можно отметить, что учет координации при моделировании не приводит к улучшению или ухудшению результатов решения задачи ОПП, а только делает модель релевантнее реальной задаче. Без учета координации результаты моделирования решения задачи ОПП не соответствуют фактическим - относительная погрешность результатов достигает 36 %.
По мнению экспертов, рекомендации, полученные в ходе экспериментов по решению слож-
ной задачи ОПП с учетом координации, могут рассматриваться как руководство к действию при отсутствии серьезных изменений во внешней среде предприятия - задержках расчетов, поставок и т.д.
Кроме того, экспертами отмечено существенное сокращение времени (не менее чем в два раза) на подготовку данных для планерок, поскольку часть необходимых данных можно оперативно получать из разработанной автоматизированной системы для решения задачи ОПП на заводе «Кали-нинградгазавтоматика».
У, млн руб.
^Скоординацией Без координации
■ Фактическое
X, месяц и год
Рис. 2. График результатов решения задачи
Для оценки экономического эффекта от внедрения разработанной ГиИС с координацией для решения задачи ОПП на «Калининградгазавтома-тике» проведен сравнительный анализ с мелкосерийным машиностроительным предприятием «Вест-Автоматика» (г. Калининград), на котором была внедрена аналогичная система. Экономическая эффективность от внедрения составила за год 9-10 % (5,4-6,5 млн рублей) к ожидаемой прибыли предприятия.
Полученные экспериментальные данные подтвердили теоретическое обоснование необходимости учета координации при решении сложной задачи ОПП, практическую значимость учета координации при решении сложной задачи ОПП, а также состоятельность разработанных моделей и релевантность полученной программной системы моделируемым процессам и явлениям.
Литература
1. Колесников А.В., Солдатов С.А. Теоретические основы решения сложной задачи оперативно-производственного планирования с учетом координации // Вестн. РГУ им. Иммануила Канта. Вып. 10: Сер. Физ.-мат. науки. Калининград: Изд-во РГУ им. И. Канта, 2009. С. 82-98.
2. Колесников А.В., Солдатов С.А. Алгоритм координации для гибридной интеллектуальной системы решения сложной задачи оперативно-производственного планирования // Информатика и ее применение. М.: ИПИ РАН. 2010. Т. 4.
140
120
100
80
60
40
20
0
3. Солдатов С.А. Гибридная интеллектуальная система поддержки принятия оперативных плановых решений для машиностроительных предприятий с мелкосерийным заказным производством. Инновации в науке и образовании-2007: докл. V Междунар. науч. конф. в номинации «Участник молодежного
научно-инновационного конкурса УМ.Н.И.К.». Калининград: КГТУ, 2007. С. 58-61.
4. Колесников А.В., Кириков И.А. Методология и технология решения сложных задач методами функциональных гибридных систем. М.: ИПИ РАН, 2007. 387 с.
УДК 004.9
МНОГОАГЕНТНЫЙ ПОДХОД В СИСТЕМАХ ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
Н.М. Козъминых; А.А. Голованов, к.т.н.
(Вятский государственный университет, г. Киров, [email protected], [email protected])
Изложен подход к созданию приложения информационной поддержки управленческих решений, основа которого представлена модулем многоагентной системы. Определены общая модель многоагентной системы и общие модели ее агентов, выделены основные типы агентов, участвующих в принятии решения.
Ключевые слова: агент, модель агента, многоагентный подход, информационная поддержка управленческих решений.
Многоагентный подход широко используется в создании программных модулей интеллектуальных информационных систем - от выполнения задач поиска информации и распознавания образов до принятия решений, в том числе управленческих. Исследования в области применения много-агентного подхода ведутся довольно давно, но задача построения универсального модуля многоагентной системы (МАС) в полной мере так и не решена. Причиной этого является узкая направленность исследуемых предметных областей применения.
В настоящей статье обсуждается обобщенная структура модуля МАС, предназначенного для информационной поддержки управленческих решений и обеспечивающая выполнение следующих функциональных возможностей:
- извлечение и объединение информации для дальнейшей ее обработки из разрозненных источников данных для получения достоверной и объективной информации;
- сохранение шаблонов пользовательских запросов, необходимых для получения часто используемых данных;
- использование настраиваемых помощников для отслеживания конкретных ситуаций;
- расширение функциональных возможностей системы путем увеличения способов анализа и интерпретации данных, то есть возможность дополнения определений отдельных показателей и их взаимосвязей, а также увеличения их количества в процессе эксплуатации системы;
- проведение автоматизированных исследований статистических данных, не требующих от пользователей специальных знаний, что также минимизирует число ошибок, обусловленных человеческим фактором;
- реализация универсального средства для решения схожих задач, то есть проведение аналитических исследований количественных показателей при помощи математико-статистического аппарата, что позволяет использовать одни и те же агенты вычислений для решения схожих задач в разных предметных областях.
Модуль рассматриваемой МАС состоит из автономных агентов, способных воспринимать ситуацию, принимать решения и взаимодействовать с себе подобными. Знания, необходимые для такой системы, отделены от ее программного кода и хранятся в онтологии, представляющей собой сеть понятий и отношений предметной области. Функционирование агентов осуществляется в рамках агентной платформы - среды, в которой могут существовать и взаимодействовать агенты [1, 2].
Модуль МАС обладает следующими свойствами:
- структура сообщества агентов является динамической относительно типов и количества членов сообщества;
- сообщество агентов основывается на принципах кооперации;
- структура сообщества агентов подразумевает распределенность (размещение агентов на различных компьютерах), что позволяет эффективно организовать доступ к распределенным источникам данных;
- агенты используют определенную предметную область для решения поставленных задач;
- агенты обеспечивают работу в асинхронном режиме;
- появление новых членов сообщества агентов или изменение функций некоторых агентов не требует перезагрузки всей информационной системы;
