Диссертация на соискание ученой степени доктора экономических наук Научный консультант: доктор экономических наук, профессор Головцова Ирина
Download 13.54 Mb.
|
dissertatsiya rus $
|
К2i – показатель качества управления (менеджмента) по стандартовому подходу для i-го предприятия;
К3i – показатель качества управления (менеджмента) по функционному подходу для i-го предприятия; К4i – показатель качества управления (менеджмента) по патологичностному подходу для i-го предприятия; К5i – показатель качества управления (менеджмента) по инверстностному подходу для i-го предприятия; К6i – показатель качества управления (менеджмента) по дополнительным показателям для i-го предприятия. Далее на основании показателей качества управления (менеджмента), представленных в таблице 5.2, находим составляющие итогового вектора качества как функции (в расчете применяется линейная свертка) от соответствующих входных переменных: К1i = Ф1(Х1i, Х2i, …, Х21i); (5.8) К2i = Ф2(У1i, У2i, …, У18i); (5.9) К3i = Ф3(Z1i, Z2i, …, Z55i); (5.10) К4i = Ф4(V1i, V2i, …, V27i); (5.11) К5i = Ф5(R1i, R2i, R3i); (5.12) К6i = Ф6(J1i, J2i, …, J4i), (5.13) где Хкi, Уni, Zmi, Vji, Jfi – соответствующие входные параметры для i-го предприятия, определяющие конкретный показатель качества. Безусловно, самым ответственным этапом работы по реализации метода, представленного на блок-схеме рисунке 5.4 является математическое моделирование с целью построения цифрового двойника, системы, определяющей качество управления (менеджмента) предприятия. Лидером в этом направлении является технология нейросетевого программирования, которая успешно реализуется и для решения подобных задач в области управления качеством [83;84;100;115]. Нейронная сеть – это математическая модель, основанная на принципах работы нейронов в мозге, которая реализуется с помощью программных средств для создания машин искусственного интеллекта. Нейросети состоят из следующих основных элементов: нейроны входного слоя, осуществляющие прием сигналов; синапсы, определяющие веса связей между входными и скрытыми нейронами; нейроны скрытого слоя, осуществляющие преобразование сигналов; аксоны, обеспечивающие связь скрытых и выходных нейронов; нейроны выходного слоя. Методика построения и обучения нейронных сетей включает в себя ряд этапов. Определение и сбор входных и выходных переменных процесса необходимых для построения нейронной сети. Обработка данных. Выбор типа анализа. Настройка параметров обучения нейронной сети. Настройка параметров нейронной сети. Обучение нейронной сети. Анализ адекватности полученной нейросети. На рисунке 5.5 представлен общий вид архитектуры нейронных сетей. Чтобы повысить производительность нейронной сети, необходимо улучшить восприятие с помощью: дискретизации непрерывных значений; приведения размерности данных к общему значению; удаления лишних, шумовых данных. Синапсы Аксоны Выходной слой Входной слой Скрытый слой Рисунок 5.5 – Архитектура нейронной сети (авторский рисунок) Исследование и настройка параметров нейронной сети могут осуществляться вручную или с помощью специальных программных средств. Можно задать свои собственные параметры или выполнить автоматическую настройку, при которой программа сама определяет наиболее подходящую нейронную сеть. На этапе выбора параметров обучения устанавливается доля случайной обучающей, тестовой и контрольной выборки или каждая из выборок определяется самостоятельно. Определяются количество нейросетей для обучения и его скорость. Затем выполняется настройка параметров различных нейронных сетей, таких как тип нейронной сети, количество слоев, свойства нейронов, количество и типы связей. Также показаны возможные функции активации как для скрытых, так и для исходящих нейронов. Функции активации изменяют размер данных до общего значения, что приводит к повышению качества сети. Для дальнейшего обучения есть два основных метода обучения нейронной сети – обучение с учителем и обучение без учителя. При обучении с учителем существует заранее определенный набор данных с входными и выходными параметрами для конкретного процесса. Входные сигналы обрабатываются, а затем сравниваются с определенными, вычисляется ошибка, а затем корректируется вес важности в синапсах. Этот процесс продолжается до тех пор, пока ошибка не достигнет минимального значения. В обучении без инструктора есть только параметры ввода, нейронная сеть пытается найти выходное значение, используя некоторые алгоритмы. Чаще всего этот метод используется для классификации различных объектов. После того, как нейронная сеть построена и обучена, проводятся тестирование и анализ совместимости нейронной сети. Проверка выполняется путем ввода параметров, которые не используются в обучении, а затем фактические результаты сравниваются с тем, что дает нейронная сеть. Для анализа нейронной сети могут быть построены разные графики и даны разные показатели. Для нахождения оптимального качества в условиях множества показателей можно использовать дробный факторный эксперимент с созданным цифровым двойником исследуемой системы, что способствует уменьшению количества точек вычислений. Также данная методика выделяется возможностью многокритериальной оценки, позволяющей определить текущие показатели исследуемого объекта и выявить наилучшую альтернативу. Методы для многокритериальной оценки и нахождения оптимального качества можно разделить на группы по функциям, которые они выполняют [115]. Свертывание параметров. Ограничение параметров. Нахождение подходящего решения на основе установленных минимальных и максимальных значений. Целевое линейное и нелинейное программирование. Первые три группы методов направлены на замещение многокритериальной векторной задачи скалярной. В данном случае определяется только один критерий, и также прибавляется ряд новых ограничений. При определении весов значимости используют метод линейной комбинации частных критериев ⃗𝑎⃗→𝑘 = 𝑎{𝑎1, 𝑎2, … , 𝑎𝑘}. 𝑖 𝑖 𝑖 𝑖 Таким образом, нахождение оптимальных значений показателей становится задачей с одним критерием: 𝑌0 = ∑𝑘 𝑎𝑘𝑌𝑘 (𝑥𝑖) → max. (5.14) 𝑖 𝑖=1 𝑖 𝑖 Оптимизацию скаляризованного критерия следует применять при однородности показателей вектора качества. Кроме того, при реализации данного метода необходимо устанавливать веса значимости, что приводит к некоторой степени субъективности. Метод последовательных уступок предполагает реализацию следующих этапов. Ранжирование показателей по убыванию значений весов значимости. 1 Определение экстремального значения ⃗𝑌⃗⃗→𝑘 ⃗𝑌⃗⃗→𝑘 = Ф(Х ) → max. (5.15) 1 1 Определение уступка ∆1 по этому критерию. Расчет 2 2 ⃗𝑌⃗⃗→𝑘 = Ф(Х ) → max, (5.16) 1 ⃗𝑌⃗⃗→𝑘 ≥ ⃗𝑌⃗⃗→∗ − ∆1. 1 Данный процесс повторяется для всех критериев до момента определения наибольшего значения крайнего по важности критерия с условием, что значение каждого из первых k-1-критериев должно разниться с условным максимумом меньше, чем на величину допустимой уступки, в этом случае данный расчет будет оптимальным. Данный метод при решении задач многокритериальной оптимизации следует использовать, когда частные критерии могут быть ранжированы по убыванию важности, и не всегда он приводит к требуемому решению. Безусловно, в этом есть определенный прогресс, заключающийся в скорости принятия управленческих решений за счет применения формализуемых математических методов: типа линейного, нелинейного и динамического программирования; вероятностных и статистических методов, например метода Монте-Карло и целого ряда других методов. Но дело в том, что указанные неформализуемые методы являются лишь небольшим, хотя и очень эффективным звеном в общей методике нахождения оптимального решения, реализуемой с помощью «суперметодики» системного анализа. Как показывает современная действительность, к сожалению, далеко не все ситуации в экономике и менеджменте можно проанализировать с помощью имитационного моделирования, даже на суперсовременном квантовом компьютере. Тем более если говорить об оптимальности получаемого решения. Оптимальность в человеческом смысле – всегда будет понятие субъективное и во многих случаях не подвергающееся неформализованному анализу. Такие задачи решались и решаются с помощью комплексной методики системного анализа (или набора его элементов), которая представляет собой разумное сочетание неформализованных и формализуемых методов [100]. Для удобства расчетов этим предприятиям были даны цифровые коды (таблица А.2 Приложения А). Для проведения дальнейших расчетов с использованием нейросетевого программирования были составлены таблицы входных данных для каждого из частных критериев К1–К6, составляющих итоговый вектор качества, интегральное значение которого определено как простое среднее значения [в данном случае для параметра К1 (таблица 5.24; В.1– В.5 Приложения В)]. В диссертации воспользуемся методами, предложенными в работах Е.А. Горбашко, Л.В. Виноградова, Т.И. Леоновой [83;84;100;115]. В начале по этим данным был произведен регрессионный анализ. Таблица 5.24 – Входные данные по параметру К1
Download 13.54 Mb. Do'stlaringiz bilan baham: 
|