Інтелектуальні системи підтримки прийняття рішень в управлінні виробництвом у нечітких умовах

Размещено на http://www.allbest.ru/

НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ УКРАЇНИ

“КИЇВСЬКИЙ ПОЛІТЕХНІЧНИЙ ІНСТИТУТ”

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня доктора технічних наук

ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ ПІДТРИМКИ

ПРИЙНЯТТЯ РІШЕНЬ В УПРАВЛІННІ ВИРОБНИЦТВОМ

У НЕЧІТКИХ УМОВАХ

05.13.06 - Автоматизовані системи управління та прогресивні інформаційні технології

СЕТЛАК ГАЛИНА

Київ 2005

Дисертацією є рукопис.

Робота виконана в Навчально-науковому комплексі „Інститут прикладного системного аналізу” НТУУ “КПІ” Міністерства освіти і науки України і Національної академії наук України та в Жешовському технічному університеті iм. I. Лукашевiча (Польща).

Науковий консультант - доктор технічних наук, професор Зайченко Юрій Петрович, Навчально-науковий комплекс „Інститут прикладного системного аналізу” НТУУ “КПІ” Міністерства освіти і науки України і Національної академії наук України, професор кафедри математичних методів системного аналізу.

Офіційні опоненти: доктор технічних наук, професор Михайленко Віктор Мефодійович, Київський національний університет будівництва й архітектури, професор кафедри прикладної математики,

доктор технічних наук, професор Богаенко Іван Миколайович, ДПНВК Київський інститут автоматики, заступник генерального директора по наукової роботі,

доктор технічних наук, професор Гладун Віктор Полікарпович, Інститут кібернетики ім. Глушкова НАН України, провідний науковий співробітник.

Провідна установа: Міжнародний науково-навчальний центр інформаційних технологій і систем Національної академії наук України і Міністерства освіти і науки України.

Захист відбудеться 21.03.2005 р. о 14 годині на засіданні спеціалізованої вченої ради Д26.002.03 в Національному технічному університеті України “КПІ” за адресою: 03056 Київ, пр.Перемоги, 37,

З дисертацією можна ознайомитись у бібліотеці Національного технічного університету України “КПІ”.

Автореферат розісланий 18.02.2005 р.

Вчений секретар спеціалізованої вченої ради д. т. н., професор О.М. Новиков

АНОТАЦІЇ

Сетлак Г. Інтелектуальні системи підтримки прийняття рішень в управлінні виробництвом у нечітких умовах. - Рукопис.

Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.06 „Автоматизовані системи управління та прогресивні інформаційні технології. - Національний технічний університет України “Київський політехнічний інститут”, Київ, 2004.

У дисертаційній роботі вирішено актуальну наукову проблему розвитку теоретичних основ проектування і створення інтелектуальних систем підтримки прийняття рішення в управлінні виробництвом у нечітких умовах. Запропоновано новий підхід до проектування інтелектуальних систем підтримки прийняття рішень у нечітких умовах, що полягає в системної інтеграції технологій штучного інтелекту (експертні системи, теорія нечітких множин і нечіткої логіки, штучні нейронні мережі та генетичні алгоритми) з точними методами й моделями пошуку рішень, а також методами імітаційного моделювання. Створено та експериментально обґрунтовано нову концепцію підтримання розв'язання задач стратегічного управління виробництвом. Розроблено пакет прикладних програм реалізації інтелектуальної системи підтримки прийняття рішень у стратегічному управлінні IDSS. З використанням IDSS вирішено практичні завдання стратегічного управління промисловим підприємством, що функціонує в умовах ринкової економіки.

Розроблено інтелектуальну систему CAAPP, призначену для підтримки прийняття рішень у задачах проектування та планування гнучких складальних систем. За допомогою розробленої інтелектуальної системи розв'язано практичну задачу групування конструкційних модулів, складальних вузлів і частин виробів. Система забезпечує прискорений аналіз стану виробництва і процесу прийняття управлінських рішень, характеризується високою якістю і гнучкістю.

Ключові слова: нечітка логіка, нейронні мережі, генетичні алгоритми, гідбридні інтелектуальні системи, нечіткі нейронні системи, моделювання знань і процесів, системи підтримки прийняття рішень.

THE SUMMARY

Setlak G. Intelligent decision support systems in production management in fuzzy conditions. - Manuscript.

Dissertation for acquiring of a scientific degree of the doctor of technical sciences on the 05-13-06 - specialty - automated control systems and progressive information technologies. National technical university of Ukraine ”Kiev Politechnical institute”, Kiev, 2004.

In dissertational work the actual scientific problem of development of theoretical bases of designing and creation of the intelligent decision support systems in production management in fuzzy conditions is solved. New approach to designing of the intelligent decision support systems in the operations management in fuzzy conditions is proposed, based on integration of technologies of artificial intelligence (the fuzzy set theory and fuzzy logic, artificial neural networks, expert systems and genetic algorithms) with exact methods and models of search of decisions, and also simulation techniques. The proposed approach allows creating intelligent decision support system, providing the decision of complex, unstructured problems of management in the conditions of statistical and structural uncertainties, which learn by accumulated data and adapt to changes for conditions of operation. The software package implementation an intelligent decision support system (IDSS) in strategic management is designed. With usage of IDSS the practical problems of strategic management of industrial firm operating in conditions of market economy are solved. The application package of implementation of a CAAPP system (Computer Aided Assembly Process Planning), intended for support of decision making in problems of designing and planning in assembly systems is designed. The system provides the accelerated analysis of states of industrial processes and administrative decision-making and distinguished by high quality and flexibility.

Key words: intelligent decision support systems, fuzzy logic, artificial neural networks, expert systems, genetic algorithm, fuzzy neural systems, strategic management, simulation of knowledge and processes.

Сетлак Г. Интеллектуальные системы поддержки принятия решений в управлении производством в нечётких условиях. - Рукопись.

Диссертация на соискание учёной степени доктора технических наук по специальности 05-13-06 „Автоматизированные системы управления и прогрессивные информационные технологии”. Национальный технический университет Украины „Киевский политехнический институт”, Киев, 2004.

В диссертационной работе решена актуальная научная проблема развития теоретических основ проектирования и создания интеллектуальных систем поддержки принятия решений в управлении производством в нечётких условиях. Впервые предложен новый подход к проектированию интеллектуальных систем поддержки принятия решений в нечётких условиях, основанный на системной интеграции технологий искусственного интеллекта (экспертные системы, теория нечётких множеств и нечёткой логики, искусственные нейронные сети и генетические алгоритмы) с точными методами и моделями поиска решений, а также методами имитационного моделирования. Предложенный подход позволяет создавать ИСППР, обеспечивающие решение сложных, неструктурированных задач управления в условиях статистической и структуральной неопределённостей, обучающиеся на накопленном опыте и адаптирующиеся к изменениям условий функционирования. В разработанных интеллектуальных системах генерируемые решения оцениваются на основе многих критериев. Создаваемые гибридные интеллектуальные системы исследованы теоретически и экспериментально с целью оценки эффективности их применения для решения управленческих задач. Получил дальнейшее развитие существующий подход к интеграции двух интеллектуальных технологий: нечеткой логики и нейронных сетей, позволяющий создавать нейронные системы нечёткого вывода, обучающиеся при помощи оптимизационных методов, включая генетические алгоритмы. Исследованы теоретически и экспериментально возможности создаваемых гибридных интеллектуальных систем с целью оценки эффективности их применения для решения управленческих задач.

Создана и экспериментально обоснована новая концепция поддержки решений задач стратегического управления производством, заключающаяся в комплексном использовании методов теории стратегического менеджмента и технологий искусственного интеллекта, необходимых для моделирования знаний и процессов, а также выводов основанных на нечётких рассуждениях. Разработан пакет прикладных программ реализации интеллектуальной системы поддержки принятия решений в стратегическом управлении IDSS.

С использованием IDSS решены практические задачи стратегического управления промышленным предприятием, функционирующим в условиях рыночной экономики:

стратегического анализа рынка и оценки положения фирмы на нём,

прогнозирования спроса покупателей на определенные товары на различных рынках сбыта,

выбора стратегии продукта,

выбора стратегии развития предприятия на основе анализа матрицы делового портфеля.

Предложен новый подход к построению интеллектуальных систем поддержки принятия решений в процессе проектирования и планирования гибких сборочных систем в условиях распределённой инженерии проектирования. Используя разработанную интеллектуальную систему CAAPP решены практические задачи проектирования и планирования гибких сборочных систем, основанных на использовании модульной технологии производства:

группировки конструкционных и технологических модулей, сборочных узлов и частей собираемых изделий;

анализа и оценки возможных вариантов конфигурации сборочных модулей и вариантов организации процесса сборки (при различных временах выполнения технологических операций, очерёдности выполняемых операций, различных приоритетах и количестве сборочных модулей).

Разработан алгоритм построения расписания работы сборочного участка, основанный на идее генетического алгоритма. С применением разработанного алгоритма решена практическая задача календарного планирования сборки финальных изделий и построения расписания работы гибкого сборочного участка предприятия. Предложенный алгоритм позволяет автоматизировать составление расписаний и решать NP-трудные задачи календарного планирования работы реальной производственной системы.

Достоверность полученных результатов и обоснованность научных положений и выводов, сформулированных в диссертации, обеспечивается математической строгостью и корректностью использования основ теории нечёткой логики и нейронных сетей при выведении основных зависимостей для построения гибридных интеллектуальных систем, многократным тестированием теоретических разработок на примерах, выполненными вычислительными экспериментами, а также результатами внедрения в практику разработанных ИСППР.

Разработанный подход к проектированию интеллектуальных систем поддержки принятия решений позволяет создавать более универсальные системы, обеспечивающие возможность:

эффективно решать сложные управленческие задачи в условиях неопределённости и динамически изменяющейся внешней среды,

ускорить процесс поддержки принятия решений,

существенно повысить качество принимаемых решений.

Полученные в диссертационных исследованиях результаты имеют большое практическое значение, внедрены в системы и перспективные технологии, основанные на знаниях, позволяющие повысить их адаптивность, эффективность, уровень автоматизации, а также объективность рекомендации и оптимальность принимаемых решений. Результаты диссертационной работы нашли практическое применение в реализации интеллектуальной системы поддержки принятия решений в стратегическом управлении и внедрёны на заводе бытовых электроприборов „С-S” в Жешове (Польша).

Ключевые слова: нечеткая логика, нейронные сети, генетические алгоритмы, гибридные интеллектуальные системы, нечеткие нейронные системы, моделирование знаний и процессов, системы поддержки принятия решений.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Управління сучасним промисловим підприємством, що функціонує на початку третього тисячоліття, потребує використання не тільки нагромадженого в менеджменті досвіду і розроблених раніше підходів, а насамперед перспективних та ефективних методів, які грунтуються на досягненнях сучасних інформаційних технологій, і методів штучного інтелекту, а також наукових розробок у сфері підтримки прийняття рішень. Для управління виробництвом нині потрібні ефективні методи й інструменти підтримки рішень на всіх рівнях його функціонування. Різноманіття цілей і завдань, які виникають у процесі прийняття рішень, їх складність і часові обмеження властиві дуже багатьом проблемам, щодо яких приймають рішення, потребують комп'ютерної підтримки цього процесу. Створення таких інтелектуальних систем підтримки рішень, які забезпечили б менеджера сучасними способами аналізу інформації, генерації варіантів рішень, їх оцінками й вибором найкращого варіанта, - надзвичайно важливе й актуальне завдання. При цьому під поняттям інтелектуальні системи підтримки прийняття рішень (ІСППР) в управлінні виробництвом розуміємо людино-машинні інтерактивні системи, що дозволяють відповідальній особі підтримувати всі етапи процесу прийняття рішень, а також здатні до набуття нових знань, до навчання в результаті аналізу нагромаджених знань і досвіду, адаптації їх до динамічно змінюваних зовнішніх умов і поточного стану всіх складових елементів виробничої системи.

Незважаючи на інтенсивний розвиток систем підтримки прийняття рішень (СППР), використовуваних у них методів, а також можливостей апаратних і програмних засобів, що зростають з року в рік, як і досі у цій галузі залишається багато невирішених і незрозумілих проблем: від специфікації розв'язуваних задач до адекватних їм методів моделювання знань і процесів. Бурхливий розвиток комп'ютерної техніки, надзвичайні можливості і загальність її застосування породили в останні роки прагнення вирішувати нові практичні завдання, виходячи з усе складніших моделей, пришвидшили потребу в одержанні та обробці складної й неточної інформації. Часто, унаслідок того, що в СППР головне джерело інформації - людина, інформацію дуже важко або взагалі неможливо формалізувати.

Потреба розробляти ІСППР пояснюється, отже, збільшуваною складністю модельованої інформації і процесів прийняття рішень, а також тим, що вирішення багатьох проблем в управлінні сучасним виробництвом пов'язане з обробкою неповної, неточної або суперечливої інформації, а основні критерії та залежності погано або неоднозначно визначені. Для розв'язання таких задач слід застосовувати неструктуровані процедури прийняття рішень, які використовують дослідні знання, кваліфікацію та інтуїцію людини.

Предмет цих досліджень - саме цей клас слабкоструктурованих або взагалі неструктурованих задач прийняття рішень, які потребують обробки нечітких, неповних і суперечливих знань, а також неформалізованих.

Виконаний аналітичний огляд робіт з проблематики проектування СППР у виробничій сфері показав, що розроблювані ІСППР, орієнтовані на динамічні проблемні галузі і реальний масштаб часу, мають інтегрувати, поєднувати в собі точні моделі й методи пошуку рішень з логіко-лінгвістичними моделями і методами, що базуються на знаннях спеціалістів-експертів, моделях людських міркувань, некласичних логіках і нагромадженому досвіді.

Як зазначає Д. Поспєлов: “Сьогодні особливо актуальним стає формування єдиних методологічних засад штучного інтелекту, розробка загальних принципів побудови інтелектуальних систем нових поколінь. Тут великі перспективи пов'язані з використанням ідей і принципів синергетики у штучному інтелекті”. До синергичних напрямів у дослідженнях Д. Поспєлов зараховує “нетрадиційні логіко-семіотичні й нейроінтелектуальні моделі, “м'які обчислення (soft computing)” і “обчислювальний інтелект (Computational Intelligence)”, багатоагентні системи і штучні організації”. У різних дослідженнях підтверджено експериментально, що для м'яких обчислень характерна допустимість неточності, невизначеності і часткової істинності, яка дозволяє досягти легкості обробки, робастності, низької вартості рішення й найкращої узгодженості з реальністю.

У дисертаційній роботі запропоновано новий підхід до проектування і створення інтелектуальних систем підтримки прийняття управлінських рішень у нечітких умовах з використанням найбільш прогресивних технологій штучного інтелекту, а саме: штучні нейронні мережі - методи несимволічного подання знань (штучні аналоги людського мозку, які моделюють здатність навчатися), системи, що ґрунтуються на теорії нечітких множин і логіки, - засоби формалізації природно-мовних висловлювань і нечіткого логічного висновку, а також методи еволюційного моделювання і генетичні алгоритми. Об'єднання цих інтелектуальних технологій із традиційною експертною системою, у якій знання подано символічно, дозволить створити інтелектуальні системи, здатні вирішувати складні проблеми, слабкоструктуровані або неструктуровані, які потребують обробки всіляких видів знань. Використовуючи всі позитивні якості й унікальні можливості кожної із технологій, що виходять до їх складу, такі гібридні системи підтримки рішень мають вищий інтелектуальний потенціал. Застосування розроблюваних інтелектуальних СППР на практиці для вирішення реальних управлінських задач потребує інтеграції вищезазначених інтелектуальних технологій з традиційними і сучасними інформаційними технологіями, такими як глобальні комп'ютерні мережі й мультимедійні засоби.

Аналіз розглянутих робіт дозволяє стверджувати, що проблема розробки методів проектування і створення інтелектуальних систем підтримки прийняття рішень у сучасних виробництвах в умовах невизначеності, які забезпечують обробку різноманітних видів знань, здатних до навчання в результаті аналізу нагромаджених знань і адаптації до динамічно змінюваних зовнішніх умов і поточного стану виробничої системи, - це актуальна наукова проблема.

Зв'язок роботи з науково-дослідними програмами й темами організації. Це дослідження було проведено особисто автором і за його безпосередньою участю на кафедрі інформатики Жешовського технічного університету у рамках реалізації науково-дослідних робіт, фінансованих Комітетом наукових досліджень і Міністерством науки та інформатизації Польщі, за темами:

у 1995 - 1997 роках - U5232/BW “Сучасні інформаційні технології в управлінні” й U-5233/DS “Проектування розподілених систем управління виробництвом”;

у 1998-2000 роках - U-5235/BW “Методи й технології інформатики в менеджменті” й U-5234/DS “Розподілені інформаційні системи”;

у 2001-2003 роках - U-5917/BW “Проектування інформаційних систем управління” - автор була (і є нині) науковим керівником цієї теми, а також виконавцем у U-5918/DS “Мережеві системи баз даних”;

2004 року - U-6575/BW “Інтелектуальний аналіз даних в інформаційних системах”, U-6582/DS “Мережеві інформаційні системи”.

Наукову проблему, вирішувану в цій дисертаційній роботі, поставлено також згідно з положеннями, передбаченими державними науково-технічними програмами в рамках пріоритетних напрямів розвитку науки й техніки, сформованими Міністерством освіти і науки України. Дисертаційні дослідження виконано в Інституті прикладного системного аналізу НАН України і МОН України у структурі НТУУ “КПІ” в рамках науково-технічної програми “Розробка методів адаптивного моделювання, прогнозування та управління соціально-економічними процесами в умовах нестаціонарності, невизначеності й неповноти вихідних даних”, № 0102V000422.

Мета і задачі дослідження. Метою дисертаційної роботи є рішення проблеми проектування інтелектуальних систем підтримки прийняття рішень із застосуванням для управління дискретним виробництвом, що ґрунтується на використовуванні прогресивних інтелектуальних технологій для моделювання різних видів знань і процесів, а також розробка теоретичних основ і методів навчання та адаптації цих систем до динамічно змінюваного зовнішнього середовища у нечітких умовах.

Об'єктом дослідження є сучасне промислове підприємство, що функціонує в умовах ринкової економіки.

Предметом дослідження є клас погано структурованих і неструктурованих задач підтримки прийняття рішень у нечітких умовах, які потребують обробки неповних, нечітких або суперечливих знань, а також важко або взагалі не формалізованих.

Основні завдання дослідження у відповідності до поставленої мети полягають у наступному:

1. Виконання фундаментальних і прикладних досліджень, проблемно-орієнтованих на розробку методів:

моделювання різноманітних, складних видів знань і процесів, потрібних на різноманітних етапах підтримки прийняття рішень у виробництві. Для цього дослідити методи попереднього аналізу, класифікації та обробки нечітких знань за допомогою штучних нейронних мереж й інтегрованих технологій штучного інтелекту;

моделювання знань і процесів прийняття рішень на основі неформальної логіки і нечітких міркувань, а також можливості врахування у процесі прийняття рішень суб'єктивних переваг й оцінок особи, яка приймає рішення, що ґрунтуються на її досвіді та інтуїції. Дослідити можливості застосування теорії нечітких множин і нечіткої логіки.

2. Розробка методів побудови ІСППР, що навчаються, у нечіткому середовищі внаслідок інтеграції нечіткої системи висновків та штучних нейронних мереж.

3. Аналіз існуючих методів навчання нейронних мереж. На основі аналізу розробити ефективний алгоритм навчання інтелектуальних систем підтримки прийняття рішень.

4. Розробка у результаті розв'язання вищенаведених задач методології проектування й побудови ІСППР, здатних до навчання на основі нагромадженого досвіду та адаптації до змін навколишнього середовища і внутрішніх умов функціонування виробничої системи.

5. Розробити й дослідити методи розв'язання обраних NP-важких задач планування й управління виробництвом з використаннями генетичних алгоритмів (зокрема задачі складання розкладу функціонування виробничої системи й задачі багатокритерійної оптимізації).

6. Застосувати розроблені алгоритми для розв'язання задач стратегічного управління - вибору стратегії розвитку виробничої системи і для розв'язання задач календарного планування і побудови розкладів.

7. Розробити програмний пакет, що реалізує запропоновані моделі й методи побудови ІСППР і застосувати для вирішення обраних проблем і завдань стратегічного менеджменту й автоматизації виробництва.

Методи дослідження, реалізовані для досягнення мети роботи, ґрунтуються на розвитку існуючих методів і підходів, а також на створенні нових, адекватних розглянутим процесам, наявним у вирішуваних завданнях. Дослідження проведено з використанням методів системного аналізу (методологія м'яких систем, структурна й функціональна декомпозиція системи, функціонально-структурний морфологічний аналіз, методи імітаційного моделювання), методів штучного інтелекту: теорії штучних нейронних мереж, теорії нечітких множин і нечіткої логіки, генетичних алгоритмів. Порівняльну оцінку отриманих результатів виконано з використанням методів кластерного аналізу (агломеративний алгоритм групування об'єктів), статистичних методів прогнозування часових рядів (методи нелінійної регресії). Експериментальні дослідження й аналіз штучних нейронних мереж виконано з використанням програмних пакетів STATISTICA Neural Networks V. 4.0. і NeuroSolutions 4.10 фірми NeuroDimentions. Програмну реалізацію розроблених підходів і методів виконано з використанням інтегрованого програмного пакета штучного інтелекту SPHINX 2.2 фірми AITECH на базі експертної системи-оболонки PC-SHELL 2.2. Підсистему нечіткого виведення було розроблено з використанням пакетів Fuzzy Logic Toolbox for MATLAB. Програмні модулі для систем CAAPP та IDSS реалізовані мовою програмування MS Visual С++ та DELPHI 4.0. Алгоритми розв'язання задач багатокритерійної оптимізації реалізовані з використанням програмних пакетів Genetic Library (NeuroDimentions), FlexTool for MATLAB и С++.

Наукова новизна одержаних результатів. У дисертаційній роботі розв'язано актуальну наукову проблему розвитку теоретичних основ проектування і створення інтелектуальних систем підтримки прийняття рішень в управлінні виробництвом у нечітких умовах.

Наукова новизна роботи визначається такими основними результатами:

Вперше запропоновано новий підхід до проектування інтелектуальних систем підтримки прийняття рішень у нечітких умовах, що полягає в системної інтеграції різних методів моделювання нечітких знань та процесів, таких, як методи, що базуються на нечіткій логіці, методи, які використовують штучні нейронні мережі з точними методами і моделями пошуку рішень, а також методами імітаційного моделювання. Запропонований підхід дозволяє створювати інтелектуальні системи підтримки прийняття рішень, що забезпечують розв'язання складних, неструктурованих задач управління в умовах статистичної та структуральної невизначеностей, які навчаються на нагромаджуваному досвіді та адаптуються до змін умов функціонування.

Отримав дальший розвиток існуючий підхід до інтеграції двох інтелектуальних технологій: нечіткої логіки і нейронних мереж, який дозволяє створювати нейронні системи нечіткого виведення, що навчаються за допомогою оптимізаційних методів, включаючи генетичні алгоритми. Досліджено теоретично і експериментально можливості створюваних гібридних інтелектуальних систем з метою оцінення ефективності їх застосування для розв'язання управлінських задач.

На основі розробленого системного підходу проектування і створення ІСППР вирішені слідуючі прикладні наукові задачі:

Розроблено ефективний підхід до навчання інтелектуальних систем підтримки прийняття рішень. Створення зазначеного підходу має ключове значення у розвитку методології проектування інтелектуальних систем підтримки прийняття рішень у нечітких умовах. Запропонований підхід до навчання ІСППР відрізняється від відомих скороченням часу навчання і можливістю знаходження глобального екстремуму.

Створено та експериментально обґрунтовано нову концепцію підтримання розв'язання задач стратегічного управління виробництвом, що полягає у комплексному використанні методів теорії стратегічного менеджменту та технологій штучного інтелекту, потрібних для моделювання знань і процесів, а також висновків, що базуються на нечітких міркуваннях.

Запропоновано новий підхід до побудови ІСППР у процесі проектування та планування складальних виробничих систем, для якого характерне використання методів штучного інтелекту під час розв'язання задач класифікації модулів та календарного планування. Розроблено систему CAAPP (Computer Aided Assembly Process Planning), призначену для підтримання прийняття рішень у задачах планування і підготовки складальних систем. Система забезпечує прискорений аналіз стану виробництва і процесу прийняття управлінських рішень, характеризується високою якістю і гнучкістю.

Розроблено алгоритм побудови розкладу роботи складальної дільниці, що базується на ідеї генетичного алгоритму. Запропонований алгоритм дозволяє автоматизувати складання розкладів та розв'язувати NP-важкі задачі календарного планування роботи реальної виробничої системи.

Побудовано математичну модель багатокритерійної задачі вибору стратегії розвитку виробничої системи і розроблено алгоритм її розв'язання, що базується на використанні генетичних алгоритмів.

Практичне значення одержаних результатів. Розроблени підхід до проектування ІСППР дозволяє створювати більш універсальні системи, які дають можливість:

ефективно розв'язувати складні управлінські задачі в умовах невизначеності і зовнішнього середовища, що динамічно змінюється;

прискорити процес підтримання прийняття рішень;

істотно підвищити якість рішень, що приймаються.

Одержані в дисертаційних дослідженнях результати мають велике практичне значення, впроваджені у системи і перспективні технології, що ґрунтується на знаннях та дозволяють підвищити їх адаптивність, ефективність, рівень автоматизації, а також об'єктивність рекомендації та оптимальність рішень, що приймаються. Розроблено пакети прикладних програм реалізації ІСППР у стратегічному управлінні IDSS (Inteligent Decision Suport System) та системи CAAPP, призначеної для підтримки рішень у задачах проектування та планування роботи гнучких складальних систем, які базуються на використанні модульної технології виробництва. Запропоновані у дисертаційній роботі методологія проектування, алгоритми і розроблена на їх базі ІСППР використані для розв'язання задач, що мають важливе народно-господарське значення:

для реалізації ІСППР у стратегічному управлінні підприємством IDSS, яку впроваджено на заводі побутових електроприладів C-S (Польща);

для реалізації інтелектуальної системи планування CAAPP у складальному цеху заводу побутових електроприладів C-S.

Програмний пакет реалізації інтелектуальної системи прийняття рішень у стратегічному управлінні IDSS, впроваджений на заводі побутових електроприладів C-S, можна модифікувати та використати в аналогічних виробничих системах на підприємствах, які функціонують в умовах ринкової економіки.

Наукові і практичні результати, одержані в дисертаційній роботі та викладені у статтях і монографії, використані під час підготовки і читання курсів лекцій на кафедрі інформатики Жешовського технічного університету (Zakіad Informatyki Politechniki Rzeszowskiej).

Особистий внесок. У дисертації узагальнено результати багаторічних теоретичних і прикладних досліджень у галузі моделювання знань і процесів прийняття рішень на основі нечіткої інформації, а також проектування ІСППР на сучасному промисловому підприємстві, що функціонує в умовах ринкової економіки. Автором роботи отримано наступні наукові та практичні результати:

новий підхід до проектування інтелектуальних систем підтримки прийняття рішень в управлінні виробництвом у нечітких умовах, що ґрунтується на інтеграції прогресивних інтелектуальних технологій (нечітка логіка, штучні нейронні мережі та генетичні алгоритми) з точними методами і моделями пошуку рішень, а також методами імітаційного моделювання;

нова концепція підтримання розв'язання задач стратегічного управління підприємством та розроблена система IDSS;

новий підхід до побудови ІСППР у процесі проектування та планування складальних виробничих систем та розроблена система CAAPP (Computer Aided Assembly Process Planning);

розроблений алгоритм побудови розкладу роботи складального цеху, що базується на ідеї генетичного алгоритму;

математична модель багатокритерійної задачі вибору стратегії розвитку виробничої системи і розроблено алгоритм її розв'язання, що базується на використанні генетичних алгоритмів.

Апробація результатів дисертації. Основні концепції, положення та результати роботи доповідались на міжнародних науково-технічних конференціях та науково-технічних конференціях у Польщі та Україні, зокрема на: міжнародних науково-технічних конференціях “Автоматика” (Севастополь-1996, Харків-1999, Львів-2000, Одеса-2001, Севастополь-2003, Київ-2004), “Приладобудування” (Sudak, 1996, Simeiz, 1997 та Кореїз, 2003), 3rd International Scientific and Technical Conference on Unconventional Elektromechanical and Electrical Systems -Alushta, 1997, на ІІ Міжнародній науково - технічній конференції “Інтелектуальне набуття даних і сучасні інформаційні системи” (2rd IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems-Foros, 2001), на VII Міжнародно-технічній конференції “Методи моделювання в автоматиці та робототехніці” (the 7^th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2001,- Szczecin, 2001), на міжнародних науково-технічних конференціях “Штучний інтелект” (Кацивелі-2002, Дивноморськ-2003, Кацивелі-2004), міжнародних науково-технічних конференціях “Машинобудування та техносфера на рубежі ХХІ сторіччя” (Севастополь-1998 - 2002), на міжнародних науково-технічних конференціях “Технологія і автоматизація монтажу” (Rzeszуw -1998, Jawor-1999, Horyniec-2000, Bystre-2001), International Conference on Manufacturing, Modeling, Management and Control, (Technical Univ. of Kishinev, Moldova, 1999, 2001). А також були представлені на наукових семінарах кафедри інформатики Технічного університету в Жешові (1995-2004) та в Інституті прикладного системного аналізу НАН України та МОН України в структурі НТУУ “КПІ” в Києві (1999 - 2004).

Публікації. По темі дисертаційної роботи опубліковано 46 робіт, з яких 1 монографія та 22 наукові праці в провідних фахових виданнях ВАК України та Польщі, усі роботи виконано без співавторів.

Структура та обсяг дисертації. Дисертація складається із вступу, п'яти розділів, висновків, додатків і списку літератури. Загальний обсяг дисертації становить 309 сторінок машинописного тексту, включаючи 49 рисунків і 23 таблиць на 12 сторінках. Список використаних джерел містить 293 назви. Додатки складають 15 сторінок, включаючи акт про впровадження результатів роботи.

інтелектуальний управління імітаційний idss

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету та завдання наукових досліджень, їх наукову новизну. Зазначено одержані в роботі наукові результати, розкрито їх практичну значущість. Описано результати її реалізації та апробацію. Подано коротке викладення змісту.

У першому розділі аналізується стан проблеми, ставляться задачі дослідження та вибираються методи розв'язання. У ньому подано аналіз фундаментальних проблем створення систем підтримки прийняття рішень у виробничій сфері. Виконано змістовний аналіз предметної галузі. Розглянуто основні проблеми і завдання, які виникають у процесі прийняття управлінських рішень на сучасному промисловому підприємстві, що функціонує в умовах ринкової економіки.

Виконано аналітичний огляд понад 260 робіт із проблематики проектування систем підтримки прийняття рішень у виробничій сфері в умовах невизначеності. Виконаний огляд робіт показав, що перспективними завданнями подальших досліджень у сфері інтеграції інтелектуальних технологій є:

моделювання лінгвістичних знань шляхом інтеграції систем, які базуються на нечіткій логіці з нейронними мережами;

настроювання лінгвістичних моделей з нечіткими вибірками, що навчаються, використовуючи як відомі методи навчання інтелектуальних систем, так і генетичні алгоритми. Це дозволить створювати ІСППР, здатні до навчання на підставі нагромадженого досвіду і адаптації їх до змін, що відбуваються.

На підставі проведеного аналізу робіт вибрано основні цілі і сформульовано завдання наукових досліджень.

У другому розділі дисертації обґрунтовано доцільність обраного напряму розв'язання проблеми проектування і створення ІСППР у нечіткому середовищі, а також подано теоретичні основи запропонованого підходу до їх побудови. Розглянуто основи інтелектуальних технологій, використовуваних у дослідженнях для оброблення і моделювання знань та процесів: теорії нечітких множин і нечіткої логіки, штучних нейронних мереж, генетичних алгоритмів, а також методи і підходи їх інтеграції під час розроблення ІСППР. Наведено методи розв'язання важливих задач під час створення гібридних інтелектуальних систем: ідентифікації параметрів цієї системи, генерування нечітких правил у ІСППР за допомогою нейронних мереж, а також попереднього аналізу знань, потрібних у процесі прийняття рішень. Розглянуто також запропонований підхід до проектування інтелектуальних систем підтримки прийняття рішень та подано концептуальну структуру розробленої ІСППР.

Використання природної мови з усім набором наявних у ній засобів для вираження людських міркувань та прийняття рішень за допомогою якісних уявлень, понять і оцінок дозволяє всебічно описувати загальну смислову постановку задач прийняття рішень, що виникають у процесі функціонування підприємства. Ефективним засобом формалізації нечітких понять, категорій і знань, лінгвістичних висловлень є теорія нечітких множин та нечітка логіка, яка на ній базується. Одержані в результаті інтерпретації цих описів у термінах нечітких множин логіко-лінгвістичні або нечіткі моделі є конструктивною основою для розроблення методів та алгоритмів моделювання процесів у складних системах в умовах невизначеності та неповної або зашумленої інформації. Одним із методів моделювання багатовимірних залежностей у складних задачах прийняття рішень є їх опис нечіткими базами знань, призначеними для формалізації причинно-наслідкових зв'язків між змінними „вхід-вихід”, які характеризують ту чи ту конкретну залежність. При цьому нечітка база знань є сукупністю правил ”Якщо <входи> - то <вихід>”, які відображають досвід експерта та його розуміння причинно-наслідкових зв'язків, характерних для об'єкта, який моделюють, або процесу. Нечітка база знань поєднує у собі опис цих зв'язків природною мовою із застосуванням нечітких множин та лінгвістичних змінних. Основою функціонування системи нечіткого логічного висновку є нечітке узагальнене правило „modus-ponens”.

Описано основні поняття штучних нейронних мереж - технологій несимволічного подання знань, використовуваних у дослідженнях для генерування нечітких правил, розв'язання задач попередньої обробки знань та проблеми побудови інтелектуальних систем, що навчаються. Подано основні види нейронних мереж, які використовуються у дослідженнях для розв'язання різних практичних задач. Далі у другому розділі розглянуто основні поняття генетичних алгоритмів та можливості їх використання у методах навчання нейронних мереж, а також для оптимізації структури нейронних мереж.

Для розв'язання основної задачі цих досліджень, пов'язаної із побудовою ІСППР, що навчаються, у нечіткому середовищі досліджено методи інтеграції поданих вище технологій штучного інтелекту. Розглянуто одну з найважливіших проблем під час створення гібридних інтелектуальних систем - моделювання структури цієї системи. Під моделюванням структури систем нечіткого виведення розуміємо ідентифікацію вигляду залежності між входом і виходом системи. Цю задачу можна назвати інакше генеруванням нечітких правил.

На підставі проведеного аналізу існуючих підходів обрано два найбільш підхожі методи розв'язання цієї задачі: за допомогою нейронної мережі Кохонена або багатошарових прямо напрямлених нейронних мереж - персептронів. Перший метод моделювання структури нечіткої системи полягає у визначенні структури моделі на підставі тренувальних даних, що пов'язують входи з виходами, та раніше визначеного поділу області зміни змінних на нечіткі множини, тобто створенні так званих шаблонів.

Припустімо, що маємо множину даних {(x_i , y_i )},i=1,2,…,n, де x_iX₁ x X₂ x…x X_n -

n-вимірний вектор спостережень вхідних даних, а y_iY - відповідне йому спостереження значень на виході системи. Також відомий поділ простору вхідних змінних на нечіткі множини. База знань у нечіткій системі записується у вигляді сукупності , (k=1,2,...,N) нечітких предикатних правил:

: IF x₁ is and x₂ is and. .... and x_n is THEN ( y is B^k), (1)

де N - кількість нечітких правил; у - лінгвістичні змінні; - нечіткі множини передумов правил (i =1,2,...,n; k =1,2,…,N), причому такі, щоX_iR, для (i=1,2,...,n) та - нечітка множина висновків, така, що Y R, де R є множиною натуральних чисел, yY. Кількість нечітких правил визначається кількістю усіх комбінацій множин передумов та висновків. Оскільки шаблон визначає покриття усього простору входи-виходи, потрібно визначити тільки ті комірки шаблону (а в результаті, і правила), які мають фізичний сенс для модельованого процесу. Для розв'язання цієї задачі у дослідженнях, з метою фільтрації даних перед аналізом їх розподілу за комірками шаблону та їх групування, використовуються нейронні мережі Кохонена. У результаті навчання нейронної мережі синоптичні ваги нейронів створюють „центри” класифікації, які є середніми значеннями векторів, класифікованих до складу однієї групи. Після цього, аналізуючи тільки розподіл за комірками шаблону, можемо з більшою точністю визначити правила, що описують досліджувані залежності. Мережа Кохонена у результаті навчання виконує групування векторів {(x_i, y_i)}. Для визначення бази нечітких правил використовуємо одержані у результаті групування центри класів: m_kX₁ x X₂ x…xXxY, k=1,2,…,K. Далі для кожного центру розраховують належність його до комірок шаблону, яка визначається максимальною функцією належності всіх нечітких множин окремих складових вектора m_k. Для кожної комірки шаблону p можемо визначити вагу призначеного їй нечіткого правила за такою формулою: , де n_p - кількість центрів m_k, що належать комірці p; М - загальна кількість усіх зразків. Другий метод моделювання структури нечіткого виведення з використанням багатошарових персептронів базується на концепції класифікації вхідних даних у нечіткій системі.

Серед відомих аналогічних методів пропонований підхід розв'язує одночасно задачі моделювання структури нечіткої системи, способу подання нечітких знань, а також питання навчання нейронної мережі і генерування правил, що пояснюють її дію.

У цьому підході також є множина даних {(x_i,y_i )}, i=1,2,…,n та припускається, що відомі поділи області зміни вхідних змінних на нечіткі підмножини. На вхід нейтронної мережі подаються ступені належності змінних до нечітких множин (i=1,2,...n, k=1,2,...,N).

Для моделювання функції належності використовуємо гауссівську функцію. Оскільки у нечіткій класифікації припускається можливість належності даного зразка певною мірою до двох або декількох класів, розглядаємо множину класів розв'язків S={S₁,S₂,...,S_m}, що відповідають вихідній змінній y_iY. При цьому визначаємо, що у вихідному шарі нейронної мережі є число нейронів, що дорівнює числу класів, на які припускається поділити вхідні дані. Розглянуто метод визначення бажаної кількості виходів під час навчання мережі, який ураховує можливість належності даного зразка певною мірою до двох або декількох класів. Описано також алгоритм генерування нечітких правил, які дозволяють пояснити висновки, одержані у результаті роботи нейронної мережі.

Для генерування нечітких правил в ІСППР за допомогою нейронних мереж запропоновано метод, що базується на нейронній системі NDF (Neural-Network Driven Fuzzy Reasoning). Метод генерування нечітких правил з використанням NDF полягає у попередньому поділі тренувальних даних на r однорідних груп. Нечіткі правила, які відповідають кожній групі даних, генеруються для кожної групи окремо відповідною їй нейронною мережею NN_S, s=1,2,…,r. Значення функцій належності передумов нечітких правил визначаються за допомогою нейронної мережі NN_mem. Далі подано методи попереднього аналізу знань, потрібних у процесі прийняття рішень. Розглянуто можливості використання нейронних мереж і нейронної системи нечіткого виведення для розв'язання задач класифікації нечітких знань.

У другому розділі розглянуто також запропонований підхід до проектування інтелектуальних систем підтримки прийняття рішень (ІСППР). Під час проектування ІСППР слід ґрунтуватися, насамперед, на головних фундаментальних принципах системного аналізу, таких як принцип кінцевої мети, адекватність, узгодженість та інтегрованість з наступними етапами проектування. Сформульовано також з урахуванням усіх вимог, що ставляться до ІСППР, такі принципи проектування: відкрита, модульна структура, що розвивається, адаптивність та здатність до навчання на підставі нагромадженого досвіду, принцип ієрархічності баз знань, паралельна обробка інформації і розподілена структура системи. Подано концептуальну структуру розробленої ІСППР.

У пропонованому підході до проектування ІСППР використовуються деякі основні положення таких відомих підходів, як об'єктний підхід проектування інформаційних систем, архітектури CIMOSA (Open Systems Architecture for CIM), розробленої у консорціумі AMICE - European Computer Integrated Manufacturing Architecture у межах науково-дослідних програм Загальноєвропейського Союзу ESPRIT, а також KADS (Knowledge Acquisition and Documentation Structuring - структуризація набуття і документування знань) - методології проектування систем, що базуються на базах знань, також розробленої у межах програми ESPRIT. Аналогічно, як і в об'єктному підході, у пропонованій методології виконується одночасне моделювання інформації і процесів, а також основою процесу є єдина понятійна категорія - об'єкт. У зазначеному підході до проектування ІСППР використовується спосіб моделювання інтегрованого підприємства, розроблений CIMOSA, з деякими змінами. Моделювання є найважливішою проблемою під час проектування і створення ІСППР, оскільки на базі моделей можна як найпростіше проаналізувати та оцінити здатності, функціональність та ефективність як складових елементів, так і цілої розробленої системи. Основою пропонованого підходу до проектування ІСППР є комплексна модель підприємства, що дозволяє описати усі організаційні процеси, які в ньому відбуваються, реалізуються і розвиваються у часі під впливом внутрішніх і зовнішніх змін. Подано концепцію моделювання підприємства і функціональних процесів в ІСППР. При цьому процеси реалізуються у взаємозв'язку з навколишнім ринковим середовищем, виконуючи основні цілі господарської діяльності, згідно зі стратегічними планами підприємства. Розроблена концептуальна структура ІСППР.

У структурі ІСППР можна умовно виділити такі головні підсистеми:

1) традиційні для інтелектуальних систем модулі: бази даних і знань, механізму висновків, нагромадження й придбання знань, модулі пояснення та організації взаємодії із користувачем - інтерфейсів (образного, текстового, мовного, у вигляді різних графіків і діаграм) з ЛПР;

2) проблемні підсистеми: комп'ютерної підтримки проектування (CAD - АСУП), модуль підтримки стратегічного управління, підтримки планування виробництва та оперативного управління; аналізатор проблемної ситуації, моделювання (імітації) проблемної ситуації, прогнозування, діагностики і своєчасного попередження;

3) підсистема інтелектуальних технологій, яка дозволяє створювати гібридні інтелектуальні системи і містить такі модулі: підсистема, що базується на нечіткій логіці, підсистема імітації нейронних мереж, експертна система-оболонка PC Shell 2.2, що базується на символьному поданні знань у вигляді правил і фактів, модуль генетичних алгоритмів, модуль інтеграції інтелектуальних технологій;

4) підсистема пошуку рішень, що містить як теоретико-аналітичні методи, так і евристичні методи розв'язання задач, які показали свою ефективність на практиці.

У третьому розділі розв'язуються задачі: розроблення адекватних методів моделювання знань і процесів прийняття рішень на основі неформальної логіки і нечітких міркувань, побудови систем нечіткого виведення, настроювання параметрів в яких виконується за допомогою нейронних мереж, а також розроблення методів навчання побудованих інтелектуальних систем на підставі нагромадженого досвіду та адаптації до умов, що змінюються, тобто створення систем підтримки прийняття рішень, що навчаються.

Для розв'язання поставлених задач продовжено розроблення концепції побудови систем підтримки прийняття рішень на базі інтеграції декількох технологій штучного інтелекту. Оскільки нечіткі системи працюють зі слабко структурованою якісною інформацією, а нейронні мережі використовують лише кількісну інформацію, поєднання цих двох методів дозволяє використовувати усю доступну інформацію про об'єкт. Технологія, розроблена на цій основі, поєднує певним чином здатність нейронних мереж до самонавчання і здатність нечітких систем обробляти якісну інформацію. Безперечна перевага гібридної нейронно-нечіткої технології моделювання і оброблення інформації полягає у можливості перегляду сформованих правил і надання їм змістовної, лінгвістичної інтерпретації. Здобуття знань з навчених нейронних мереж має фундаментальне значення для створення гібридних інтелектуальних систем, більш стійких, здатних самостійно пояснити свої дії.

Cпочатку розглядається нечітка нейронна мережа, початковою основою якої є багатошаровий персептрон. Дослідження цієї структури і можливостей її використання для розв'язання поставлених задач започаткували всі наступні розробки. Запропоновано алгоритм навчання нечіткої нейронної мережі, що базується на методі зворотного поширення помилок (Back-Propagation). Розроблено методику розрахунків параметрів нечіткої нейронної мережі у процесі навчання.

Подано оригінальний підхід побудови нейронних систем нечіткого виведення, розроблений у результаті пошуків можливості моделювання лінгвістичних знань та адаптації систем до умов, що змінюються, тобто створення систем нечіткого виведення, які навчаються.

Дослідження методів кодування процедур нечіткого логічного висновку у структурах штучних нейронних мереж зумовили створення гібридних інтелектуальних систем, що мають усі позитивні властивості двох використованих для їх побудови технологій: нейронних мереж і систем, що базуються на нечіткій логіці. Основну ідею розробки таких гібридних нечітко-нейронних систем було взято із наукових публікацій різних підходів до інтеграції нейронних мереж і нечіткої логіки для створення подібних структур, найчастіше так званих нечітких нейронних мереж^, або модулів нечітко-нейронного управління^,.

...