Создание системы поддержки принятия управленческих решений в торговле с применением гибридных моделей

Размещено на http://www.allbest.ru/

Создание системы поддержки принятия управленческих решений в торговле с применением гибридных моделей

Полетайкин А.Н., Никифорова А.В.

Аннотация

Рассматривается гибридный подход к моделированию состояния социально-экономической среды в условиях неопределенности на основе нечеткой имитационно-оптимизационной модели. В качестве исследуемого социально-экономического процесса выбран процесс продвижения товаров народного потребления на региональном рынке - многомерный процесс, тесно связанный с регистрацией и обработкой социальной и экономической информации, которая представляет собой совокупность явлений, событий и фактов, имеющих место в социально-экономической среде рынка. В ходе проведенных исследований выдвинута и подтверждена гипотеза о том, что неопределенность и противоречивость исходных данных может быть погашена посредством аппарата нечеткой логики путем формирования нечеткой базы знаний системы поддержки принятия решений и применения этих знаний для формирования значений основных параметров процесса реализации товаров, используемых при выработке оптимальных решений при продвижении товаров потребителю. Предлагаемая гибридная модель на основании трудноформализуемых исходных данных вырабатывает прогноз реализации товара потребителю, оптимальный по социальным и экономическим показателям. Эффективность применения разработанной модели подтверждается исследованием эффективности ее функционирования в структуре системы поддержки принятия решений.

Современный рынок товаров народного потребления представляет собой сложную нечетко определенную социально-экономическую систему, всесторонний анализ которой необходим для эффективного управления. При этом особого внимания требует состояние и поведение конечного потребителя товаров на рынке, которые определяются большим набором разнородных социальных, экономических и психологических факторов, и порой противоречат элементарной логике [11]. Рассматривая экономическое поведение, можно отметить, что как и всякое поведение, оно должно ориентироваться на результат и характеризоваться понятием "эффективность". В самом общем виде - это поведение, связанное с перебором экономических альтернатив с целью рационального выбора, то есть выбора, в котором минимизируются издержки и максимизируется чистая выгода. Предпосылками экономического поведения выступают экономическое сознание, экономическое мышление, экономические интересы, социальные стереотипы, при этом каждый феномен вносит нечто свое, по-своему формирует тот или иной тип экономического поведения [4]. С точки зрения социологии и формирующейся в настоящее время социологической теории взаимодействий основной упор в данной сфере делается на изучении социальных законов и закономерностей поведения массового потребителя. Социологи пытаются ответить по существу на вопрос о причинах и формах социальных противоречий: каким закономерностям следуют социальные действия, что доминирует - принуждение или компромисс. Ведь дилемма: «конфликт - консенсус» или «напряженность - стабильность» сохраняется как важнейшая научная проблема всей теоретической социологии последних ста лет [8]. В экономике компромиссного поведения связано с пониманием роли компромисса в экономике, который обычно трактуется как уступка некоторым требованиям, отказ от части собственных требований в пользу соглашения с другим экономическим субъектом. Компромисс в экономике включает такие признаки, как объединение, сотрудничество взаимодействующих сторон, и в то же время некоторые характеристики взаимного исключения, противоборства, конфликтности, которые проявляются в отношениях между ними. Компромисс наилучшим образом характеризует сущность регулирования экономического конфликта, поскольку ориентирован на снижение его интенсивности.

В связи с этим особую актуальность приобретает создание и внедрение новых информационных технологий, учитывающих высокую неопределенность и противоречивость проявлений личностных особенностей массового потребителя в социально-экономической среде, такой как рынок товаров народного потребления.

Работы в области инженерии знаний (Уотермен Д., Попов Э.В., Гаврилова Т.О., Хорошевский В.Ф., Поспелов Д.А.) подтверждают, что наиболее перспективным направлением решения таких задач является применение систем поддержки принятия решений (СППР). В то же время не существует единого мнения ученых относительно построения таких систем для предметных областей, в которых доминирующим источником неопределенности есть социальная сфера и рыночные отношения. Для решения таких задач создаются гибридные модели с применением методов вероятностного, статистического, экономико-математического моделирования, а также векторной оптимизации и системных компромиссов, способных адекватно отобразить многоаспектную предметную область в условиях неопределенности [2]. Таким образом, разработка гибридной модели продвижения товаров (ГМПТ) на региональных рынок в условиях высокой неопределенности и противоречий с последующим ее интегрированием в соответствующую СППР, является актуальной научной и производственной задачей.

Задача прогнозирования реализации товаров народного потребления. Рассмотрим задачу прогнозирования реализации товаров народного потребления. Данная задача формализуется как многофакторный информационный процесс, который требует адекватного представления и оптимизации с помощью современных информационных технологий.

Анализ современных подходов к решению задач прогнозирования при продвижении товаров на рынок позволил выделить такие классы исходных данных:

1. временные ряды реализаций за предыдущий период, в том числе доходы, расходы, остатки, прибыль и пр.;

2. статистические оценки спроса на региональном рынке;

3. входные документы, отображающие сущность предметной области (счета-фактуры, накладные, ведомости, история реализаций и пр.);

4. экспертные оценки характеристик процесса реализации товара, такие как:

­ формальные способы представления основных показателей реализации товаров в условиях неопределенности;

­ принципы классификации и кодирования товаров;

­ формально-логические правила продвижения товаров на рынок;

­ особенности предполагаемых решений задачи продвижения товаров потребителю, и пр.

Эти классы составляют две группы исходных данных: 1) количественные, получаемые из имеющихся данных, которыми располагает объект, при помощи автоматизированной обработки, и 2) качественные, составляющие «кристаллизованную» информацию о предметной области в виде документации и компетентности экспертов. Для построения модели предметной области очень важно понимать природу именно качественных данных. С использованием приведенной в [10] методики анализа свойств качественных данных удалось установить их классификационную структуру, влияющую на принятие решений при продвижении товаров на рынок.

Интерпретация данных существенно зависит от порядка их появления во времени, что особенно важно при моделировании причинно-следственных отношений между ними, среди которых также выделяются причинные, определительные, корреляционные. Данные обильны, хотя не полностью определенны - выделяется класс стохастических данных о влиянии на спрос товаров таких факторов, как сезонность, погодные условия, социальная температура и пр., - а также недостаточны в виду численности конечных потребителей. Все данные, требуемые для использования в модели, неполны и недостаточно согласованы, и подлежат постоянному обновлению и согласованию. Из этого следует, что для структурирования и формализации таких данных целесообразно применять аппарат искусственного интеллекта для работы со знаниями, формируя для ГМПТ базу знаний, содержащую хорошо структурированную информацию о предметной области.

На сегодняшний день изучено большое множество факторов, оказывающих влияние на процесс реализации. Большинство из них представляют собой стохастически-детерминированные социально-экономические показатели, многие из которых можно системно описать как нечеткие величины, ввиду доказанного обстоятельства, что сложный динамический процесс адекватно описывается при помощи нечеткой логики, которая по определению является непрерывной [12]. При этом влияние факторов на систему определяется по оценкам, полученным на базе модели нечеткой логики с учетом ранжирования по признакам классификации товаров с привлечением в качестве основного источника группы экспертов. Исходя из такой постановки задачи, будем далее называть рассматриваемые факторы и показатели реализации нечеткими факторами (НФ) и показателями (НП), качественные признаки классификации товаров, относительно которых получаем оценки НФ и НП, назовем характеристическими признаками (ХП).

При таких исходных данных для решения данной задачи, прежде всего, необходимо выполнить подзадачи формирования базы знаний:

1. Сформировать набор НФ, НП и основных ХП, а также осуществить проблемную классификацию товара.

2. Ввиду того, что не все факторы могут адекватно рассматриваться относительно качественных ХП, провести многоаспектную классификацию товаров по множеству признаков.

3. Для всех НФ и НП ввести лингвистические переменные и определить:

­ терм-множества их лингвистических значений;

­ функции принадлежности () на некоторых универсальных множествах значений;

­ алгоритм влияния оценок НФ на вероятностные оценки процесса продвижения товаров потребителю.

В общем виде эти процедура выражается посредством функционала .

(1)

где {F(k)} ? множество НФ, оказывающих существенное влияние на продвижение товаров потребителю;

{S(m)} ? множество признаков классификации, на которые проецируются нечеткие характеристики факторов F;

{M_FS(km)} ? набор нечетких множеств, образуемых из F и S;

{Q(n)} ? множество нечетких оценок процесса продвижения товаров потребителю;

W_Q ? алгоритм влияния M_FS на Q.

Здесь множество факторов {F(k)} в проекции на множество признаков {S(m)} образуют нечеткие множества {M_FS(km)}, которые оказывают влияние W_Q() на множество вероятностных оценок реализации {Q(n)}. Принимая во внимание нечеткость исходных данных функциональный компонент W_Q должен представлять собой алгоритм нечеткого моделирования, базирующуюся на принципах нечеткого вывода. При этом каждой нечеткой продукции присваивается величина приоритета p_i, определяющего последовательность применения правил, а также весовой коэффициент k_i, выражающий степень влияния данного элемента вывода на результат.

Результат решения задачи продвижения товаров потребителю представляет собой прогноз продаж - документ табличного формата (табл. 1), содержащий прогнозные сведения о количестве конкретных товарных единиц, которые могут быть реализованы в сложившихся условиях за соответствующий период.

Таблица 1 Формат результирующего прогноза реализации товаров

Оптимальный вариант такого прогноза, как показано в [5], ввиду бесконечности области допустимых решений и большого количества параметров, влияющих на решение, может быть образован комбинаторно при помощи аппарата генетических алгоритмов. В данном случае имеет место задача многокритериальной оптимизации при принятии решений. В указанном исследовании авторами разработаны и обоснованы следующие принципы построения генетического алгоритма применительно к задаче продвижения товаров потребителю:

1. Стохастический способ генерации начальной популяции с соблюдением таких необходимых ограничений, как неотрицательные количественные и временные характеристики прогноза, а также соответствие прогноза номенклатуре реализуемых товаров.

2. Матричный способ представления хромосомы, где строки матрицы представляют собой кортежи, содержащие сведения о реализации одной товарной единицы в определенном количестве по определенному каналу. При этом каждая конкретная особь кодирует в себе весь прогноз реализации, а каждое значение атрибута является элементарной генетической единицей.

3. Матричный принцип построения проблемно-ориентированных операторов ГА, предполагающий процедуру рекомбинации. При этом генотипы потомков определяются общим состоянием генотипов родительских особей с учетом их целевой функции (ЦФ).

4. Формирование значения целевой функции ГА с применением имитационного моделирования, используя в качестве ресурса вероятностные модели влияющих на систему факторов и вероятностные оценки {Q(n)}, образующиеся посредством нечеткого вывода, по определенным критериям эффективности: количество отказов при обслуживании, задержки товара и выполнения заказов потребителей, точность предложения товара и т.п.

5. Использование для получения интегрального значения ЦФ метода функции расстояния, который основан на сравнении значений , приведенных к единому масштабу, с заданными значениями Y_i [0; 1] согласно выражению (2) в эвклидовой метрике.

(2)

6. Использование специальной функции годности, ориентированной на соблюдение требований, предъявляемых к прогнозу реализации товаров, а также на необходимые ограничения (см. п.1).

7. Цикличность работы ГА до получения приемлемого значения ЦФ, субъективно определяемого ЛПР.

Методика моделирование состояния социально-экономической среды. Для того, чтобы разобраться в сути поставленной задачи, рассмотрим методы и способы формализации исходных данных. Выше было отмечено, что исходная информация, необходимая для решения поставленной задачи, представляет собой оценки качественных факторов реализации товаров в регионе. Сбор, систематизация и исследование этих данных, как правило, проводятся на базе объекта информатизации. Получение исходных данных по факторам реализации проведено с использованием индивидуальных коммуникативных методов извлечения знаний о предметной области посредством применения специально разработанных анкет двух видов:

1. потребителя (клиента) - для выяснения предпочтений относительно факторов и признаков товаров;

2. эксперта - для определения показателей реализации товаров и степени их значимости в решении задачи продвижения потребителю.

Построение базы знаний для ГМПТ тесно связано с базовой операцией структурирования знаний, полученных на этапе извлечения. На данной стадии определяется: терминология, перечень основных понятий и их атрибутов, отношения между понятиями, стратегия принятия решений, ограничения стратегий и т. п. Результатом этой стадии является концептуальная модель экспертной системы, которая ложится в основу базы знаний для ГМПТ.

В качестве базисной парадигмы методологии структурного анализа знаний и формирования поля знаний в [3] предлагается использовать обобщенный объектно-структурный подход и построенный на его основе алгоритм объектно-структурного анализа (ОСА) предметной области, позволяющий оптимизировать и упорядочить процедуры структурирования знаний. Основные постулаты этой парадигмы заимствованы из объектно-ориентированного проектирования и расширены, в частности, модульность - разбиение задачи на подзадачи или «возможные миры». Это позволяет строить глобальные БЗ с возможностью выделить локальные задачи с помощью горизонтальных и вертикальных сечений на отдельные модули пространства-описания предметной области. ОСА подразумевает дезагрегацию предметной области, как правило, на восемь страт или слоев (вертикальный анализ) и формирование матрицы ОСА , где m - номер уровня, n - номер страты, а Е принадлежит множеству всех концептов предметной области. Структура матрицы Е показана в табл. 2.

Таблица 2 Матрица объектно-структурного анализа

Далее дезагрегация производится по уровням от проблемы до подзадачи (горизонтальный анализ). При необходимости число страт может быть увеличено. В свою очередь знания каждой страты подвергаются дальнейшему ОСА и декомпозируются на составляющие . Матрица Е является матрицей над К. Пусть М(К) - совокупность всех матриц над К. Тогда можно определить клеточную матрицу Е целых положительных чисел. Матрица Е является несимметричной, так как часть элементов Е могут подвергаться декомпозиции, а часть представляет базисные атомарные концепты из К. Для детального практического структурирования знаний предметной области целесообразно использовать алгоритм ОСА, в основе которого заложен алгоритм заполнения ОСА-матрицы Е_mn.

Алгоритм ОСА содержит последовательность аналитических процедур, позволяющих упростить и оптимизировать процесс структурирования. В результате применения текстуального и объектно-структурного анализа, а также экспертного оценивания, позволили определить три класса показателей, характеризующих процесс продвижения товаров потребителю:

Класс 1. показатели, которые могут быть адекватно описаны с использованием теории вероятностей и математической статистики, и как следствие, смоделированы статистическими методами (например, частота требования товаров, наличие денег у потребителя, и др.);

Класс 2. показатели, которые в силу определенных обстоятельств (высокая степень неопределенности, затруднения экспертов при определении законов описания) не могут быть адекватно описаны ни статистически, ни законами теории вероятностей (например, погодные условия);

Класс 3. показатели, которые принципиально не могут быть оценены количественно при помощи каких-либо математических методов (например, цели использования).

Учитывая такое разнообразие исходных данных, большинство из которых характеризуется высокой степенью неопределенности, была предпринята попытка их имитационного моделирования на основе статистических данных, полученных путем долговременного наблюдения за динамикой этих данных [7]. Однако, как показало исследование адекватности данной модели, выдвинутые гипотезы относительно вероятностной природы исходных данных (законы распределения, Марковские цепи, векторы полной группы событий и т.д.) оказались несостоятельными и не давали адекватных результатов моделирования искомых выходных характеристик. В результате разработанная имитационно-оптимизационная модель управления процессом реализации товаров показала низкую адекватность.

В связи с этим выдвинута гипотеза о том, что неопределенность входных параметров можно погасить посредством аппарата нечеткой логики путем формирования нечеткой базы знаний СППР и применения этих знаний для формирования значений основных параметров процесса реализации товаров, используемых при выработке оптимальных решений при продвижении товаров потребителю. Такая постановка задачи определяет структурную схему преобразования данных (рис. 1) при получении результирующего прогноза в формате табл. 1.

Моделирование состояния социально-экономической среды в условиях неопределенности. Рассмотрим более подробно исходные данные, относящиеся к категории качественных поэтому подлежащих экспертному оцениванию. имитационный продвижение товар рынок

Первый класс показателей можно разделить на 2 группы: данные о товаре, а также данные о спросе на товар в регионе. Эти показатели представлены соответственно в табл. 3 и 4 с указанием методологической страты (см. табл. 2) данного знания и количественной формы его выражения (звездочкой отмечены характеристики продовольственных товаров). Также каждый показатель в табл. 3 и 4 можно стратифицировать по страте «Почему». Этот тип знаний в перспективе может использоваться в подсистеме объяснений СППР.

Таблица 3 Возможный набор входных данных о моделируемом товаре

Рис. 1. Структурная схема преобразования данных в процессе выработки решений СППР

В табл. 4 для показателей реализации товаров, выражающих сущность человеческого фактора, в графе «Cтрата» указано обозначение НФ (нечеткий фактор), также представленный функцией принадлежности. Показатели сгруппированы по оказываемому влиянию как общие (для всех товаров, всего региона) и частные (для конкретной товарной единицы). Данные, общие для региона, получены на основе статистической обработки данных анкетирования потребителей, а также областного управления статистики по каждой категории исходных данных.

Таблица 4 Входные данные о спросе на товар

Вторым классом показателей является набор существенных факторов и характеристических признаков традиционной (проблемной) и качественной классификации товаров. Для каждого фактора вводится нечеткая модель, характеризуемая функцией принадлежности (), которая может быть задана таблично или графически программными средствами, реализованными в подсистеме вывода.

Процесс выделения и оценки НФ и ХП выполняют эксперты. В общем виде данная процедура описана моделью, построенной на основе функционала (1), задающего задачу нечеткого моделирования параметров процесса продвижения товаров потребителю. Данная модель обеспечивает формирование вероятностных выходных характеристик на основе исходных данных с применением нечеткой логики, нечетких отношений и механизма нечеткого вывода.

Нечеткое моделирование состояния социально-экономической среды. Третий класс показателей формально представлен совокупностью множеств их семантических значений, которые также используются в процедуре нечеткого моделирования параметров процесса реализации товаров. Это, прежде всего, такие важнейшие характеристиках процесса, как покупательская способность и стимул действия потребителя, а также вероятности реализации определенной группы товаров или конкретной товарной единицы. Ввиду очевидной неопределенности исходных данных и невозможности ее погашения вероятностными методами, из структуры имитационной модели была выделена подмодель, определяющая вышеуказанные характеристики процесса реализации товаров на основе моделирования исходных данных с применением нечеткой логики и механизма нечеткого вывода, которая была положена в основу подсистемы вывода и обеспечивает имитационно-оптимизационную модель продвижения товаров потребителю достоверными данными (рис. 2). Здесь фактические значения входных величин поступают в базу данных СППР через интерфейс пользователя, где поддерживаются в актуальных значениях на протяжении одной итерации цикла продвижения товаров потребителю. На каждой итерации актуальные значения из БД подаются на вход подсистемы нечеткого вывода, которая под воздействием управляющих сигналов из имитационно-оптимизационной модели осуществляет нечеткое моделирование параметров реализации и нечеткий вывод, результатом которого является набор актуальных значений вышеуказанных характеристик процесса реализации товаров. При этом результаты вывода сопровождаются инструкциями на языке, близком к естественному, для вывода пользователю через подсистему объяснений СППР.

Логика определения значений характеристик процесса реализации товаров представлена экспертами на примере реализации компьютерной техники (КТ) и получены в процессе извлечения знаний в виде формально-логических правил, записанных на основе классификации номенклатуры товара по группам в терминах входных и выходных показателей процесса реализации товаров потребителю. Некоторые из таких правил, сформулированных для группы товаров «Диски CD, DVD»:

Рис. 2. Структура процесса нечеткого моделирования параметров реализации

Исходный набор правил, наряду с формализованными нечеткими факторами и признаками классификации товаров представляют собой исходные данные для построения базы правил системы нечеткого вывода, позволяющих разработать соответствующую подсистему СППР. При анализе правил на предмет определения входных и выходных переменных модели были обнаружены переменные, выражаемые четкими множествами (род деятельности потребителей, географическое расположение магазина и др.). Список четких переменных б представлен в табл. 5.

Таблица 5. Входные четкие переменные характеристики продаж КТ

Также среди множества показателей процесса реализации компьютерной техники обнаружены такие, которые эксперты охарактеризовали с некоторой степенью неуверенности. На основе этих показателей определены 30 нечетких входных переменных в (табл. 6). В качестве элементов терм-множеств в табл. 6 и 7 даны общепринятые сокращения для термов лингвистической переменной в системах нечеткого вывода: NB - Negative Big, NM - Negative Middle, NS - Negative Small, Z - Zero, PS - Positive Small, PM - Positive Middle, PB - Positive Big, VL - Very Low, L - Low, BA - Below the Average, A - Average, AA - Above the Average, H - High, VH - Very High

Для формирования вероятностных параметров модели процесса реализации компьютерной техники определены нечеткие выходные лингвистические переменные щ (табл. 7), а на рис. 3 представлен график функции принадлежности переменных щ.

Таблица 6. Входные лингвистические переменные характеристики продаж КТ

Таблица 7. Выходные лингвистические переменные

Рис. 3. Графическое представление функции принадлежности выходных лингвистических переменных щ₁ «Вероятность реализации товара», щ₂ «Покупательская способность» и щ₃ «Вероятность посещения магазина»

Фактически на рис. 3 представлена функция принадлежности, выражающая нечеткую вероятность. Выходные переменные щ₁, щ₂ и щ₃, выражаемые этой функцией принадлежности, в процессе аккумуляции преобразуются в вероятностные характеристики процесса реализации товаров для использования в имитационно-оптимизационной модели продвижения товаров потребителю.

На основании указанных данных сформирована база нечетких продукций, в состав антецедентов которых входят нечеткие переменные в. Четкие переменные б, а также проблемная классификация товара, используются для формирования предикатов, входящих в состав предусловий. Система правил организована так, чтобы имело место максимальное соответствие алгоритму вывода Мамдани, который в настоящее время получил наибольшее практическое применение в задачах нечеткого моделирования [9]. Пример нечеткой продукции R₁ для одного из представленных выше формальных правил, и ее интерпретации в соответствии с семантикой задействованных переменных представлен в табл. 8.

В состав антецедентов входят нечеткие переменные в (см. табл. 6, например, переменная в₁ Возраст потребителя с терм-множеством {VL, L, BA, A, H}, функции принадлежности которой включает Z-образную (VL), трапециевидную (L, BA), треугольную (А) и S-образную (H) составляющие). Четкие переменные б (см. табл. 5), а также классификация товара по группам Spc, используются для формирования предикатов, входящих в состав предусловий.

Таблица 8. Пример формального нечеткого правила вывода

Определение компромиссного значения покупательской способности потребителя. Результатом работы подсистемы нечеткого вывода, структура которой показана на рис. 2 является набор запрашиваемых из имитационно-оптимизационной модели трех вероятностей, сформированных путем дефаззификации аккумулированных выходных нечетких величин из табл. 7, одна из которых (щ₂) представляет собой компромиссное выражение покупательской способности потребителя. Данный показатель в полученном четком виде является основополагающим при имитационном моделировании процесса реализации товаров потребителю. С этой позиции весьма показательной представляется геометрическая характеристика определения компромиссного значения данного показателя, разработанная еще в 1972 году выдающимся советским ученым, академиком АН УССР Н.М. Амосовым. Будучи медиком, он значительное внимание уделял противоречиям психики человека и моделированию его поведения с позиции компромисса, как с физиологической, так и с психической точки зрения. В своем фундаментальном труде «Природа человека» [1] Амосов разработал модель определения потребностей человека, характеризуемых определенным набором показателей, которая выражает противоречия между потребностями и возможностями человека и позволяет определить компромиссные характеристики взаимодействия со средой, приводящие систему «человек - среда» в относительное равновесие. Данная компромиссная характеристика потребности человека показана на рис. 4.

На шкале абсцисс отложена величина П - так называемая «плата» (термин Н.М. Амосова), - выражающая внешнее воздействие, которое призвано удовлетворять потребность. Эти платы могут выглядеть очень различно - от видеоролика, регистрируемого рецепторами сетчатки, до степени выигрыша в соревновании, отмечаемом при сравнении моделей «я» и «соперник». Нулевое значение «платы» установить трудно из-за их специфики и разных масштабов времени. В графиках принят условный субъективный нуль при данном состоянии адаптации. Параллельно оси абсцисс проведена горизонтальная линия «нулевого чувства» удовлетворения потребности, когда неприятное ощущение уже исчезло, а приятное еще не определяется. Она делит ось ординат, на которой откладывается размерность чувства (величина Ч), соответствующего потребности в универсальной шкале и выражающего активность соответствующего нервного центра с компонентами приятно - вверх (Пр+) или неприятно - вниз (Пр-). Пример: голод - вниз, насыщение - вверх.

Рис. 4 Геометрический смысл задачи определения стимула действия потребителя на основе компромисса между потребностями и возможностями

По степени приятности или неприятности сравниваются все чувства - совсем разные по специфике. Можно сказать, что удовольствие едино. В зависимости от соотношения оптимизм-пессимизм нулевая линия смещается от средины вверх или вниз, причем для разных потребностей неодинаково - по максимуму и минимуму сравнивается значимость разных потребностей. На рис. 4 проведена основная кривая - характеристика потребности в координатах плата-чувство. В каждый момент состояние удовлетворения потребности можно отметить точкой на этой характеристике, например, точка А показывает, что личность не удовлетворена, но не очень сильно. По мере насыщения приращение приятного на единицу платы уменьшается и приближается к нулю. Для некоторых потребностей возможна другая ветвь, показанная точками, - уменьшение приятного от перенасыщения. Полное насыщение отмечено точкой В на верхней горизонтали. Плата, соответствующая ей, называется максимальной потребностью или уровнем притязаний. Это очень важный показатель для социологических моделей. Точка В очень условна, поскольку максимальные притязания не конечны - человеку многое хочется. Поэтому имеет смысл пользоваться реальными притязаниями - некой точкой Б, не дающей полного удовольствия, но приблизительно соответствующей «половине счастья». Приращение платы от точки А до точки Б - реальная потребность данного индивида, выраженная в масштабе платы (П), а ее удовлетворение обязательно создаст приращение приятного Ч - именно эта величина представляет собой фактический стимул действия.

Если притязания последовательно удовлетворяются то этот уровень платы уже не дает счастья и удовольствие уменьшается. Так проявляется адаптация. Для максимума счастья нужна другая, повышенная плата. В модельном выражении адаптация выражается перемещением точки В вправо - возрастанием уровня притязаний (кривая длинным пунктиром на рис. 4). И наоборот, если плата систематически снижается, то сначала человек чувствует себя очень неудовлетворенным, потом привыкает и его уровень притязание уменьшается - точка В смещается влево (кривая коротким пунктиром на рис. 4). Пределы компромиссной адаптации для разных потребностей также неодинаковы. Так, к голоду адаптироваться очень трудно, а к отсутствию власти - можно. Формирование уровня притязаний - очень сложный процесс, но моделировать его необходимо, например, путем придания весов отдельным факторам. При этом делаются следующие допущения: 1) исходное усредненное состояние; 2) реальность достижения; 3) компромиссное состояние в данной социальной группе относительно высшей группы; 4) корректировка идеала-притязания от убеждений.

Следует заметить, что нельзя рассматривать потребности и исходящие от них стимулы изолированно от входов - внешних раздражителей-плат и выходов - собственных действий. Функциональный акт же включает образы, чувства и действия. Поэтому основная гипотеза о модели личности включает количественное выражение всех трех элементов.

На основании рассмотренных характеристик процесса реализации товаров можно разработать вероятностную модель типового социального процесса удовлетворения потребности, которая, будучи включенной во взаимодействие с оптимизационным алгоритмом, образует гибридную имитационно-оптимизационную модель, изображенная в нижней части рис. 1, являющаяся основным средством поддержки принятия решений в СППР. Модель состоит из двух взаимосвязанных между собой компонентов (рис. 5):

1. статистическая имитационная модель системы массового обслуживания потребителей товара на региональном рынке;

2. оптимизационный генетический алгоритм, вырабатывающий субоптимальные решения относительно продвижения товара потребителю.

Рис. 5. Структурная схема взаимодействия компонентов имитационно-оптимизационной модели продвижения товаров потребителю

Имитационная модель описывает спрос непосредственно в процессе его удовлетворения, в контакте с потребителем, и по существу является источником данных и знаний как о фактическом потреблении товара за период, так и вообще о характере потребности в регионе. На каждом цикле срабатывания модель генерирует виртуальную среду с заданными параметрами, декодированными из хромосомы, источником которой является ГА. Хотя, исходя из того, что она оперирует реальными данными из БД, часть которых получена посредством нечеткого моделирования параметров процесса реализации при взаимодействии непосредственно с реальной средой, правильнее назвать среду данной системы массового обслуживания псевдовиртуальной. В результате одного цикла срабатывания модели формируется числовая оценка интегрального критерия эффективности, которая вычисляется на основании частных критериев, в соответствии с выражением (2).

Материалом для анализа является множество прогнозов реализации, сформированных в терминах ОСА (см. табл. 2). Прогноз реализации представляет собой в общем виде множество кортежей R₁{S₁,…,S_N} … R_M{S₁,…,S_N}, атрибуты S_i которого отражают параметры процесса реализации. Минимальный набор таких атрибутов: S₁: Код_товара и S₂: Количество_реализации. С целью определения качественных характеристик вводится понятие развернутого прогноза, структура которого представлена в табл. 9, где в множество {S} включены дополнительные параметры, отражающие пространственный S₃, временной S₄ и функциональный S₅ аспекты процесса реализации.

Таблица 9. Структура развернутого прогноза реализации товара

Параметр S₃: Канал_реализации представляет собой указатель локализации операции в моделируемом процессе. Параметр S₄: Дата_реализации определяет дату выполнения операции. Функциональная особенность реализации отражает способ, каким был отпущен товар: отдельным устройством или в составе компьютера. Этот аспект процесса задается параметром S₅: Способ_реализации. Алфавит всех параметров, за исключением S₂, есть конечное множество значений, определяемое в случае параметра S₁ из номенклатуры реализуемого товара {T}; для S₃ - из структуры пункта реализации товара {C}; для S₄ - из прогнозного периода, определяющего множество {D} возможных дат на шкале времени. Параметр S₅ характеризует способ реализации товара из множества {H}. Параметр S₂, отражает количество реализованного товара и не выражается конечным множеством по экспертно определенному закону.

Параметрическая целевая функция (ЦФ) строится на основе интегрального критерия (2) и представляет собой сумму квадратов разностей по частным показателям эффективности F1, F2, F3, F4, которую предполагается устремить к минимуму (3), достигая так оптимального решения. В этой функции par_зад. - заданные пользователем значения параметров; par_рез. - параметры, выделенные из очередного решения ГА путем имитационного моделирования.

(3)

Задача оптимизации сводится при этом к определению варианта картины реализации, при фактическом выполнении которой потребность населения в товаре удовлетворялась бы в наибольшей степени.

При тестировании данной модели на протяжении 55 циклов управления процессом продвижения товара потребителю общей продолжительностью 4,5 года выявлено повышение эффективности решений, принятых при поддержке ГМПТ, по значениям четырех частных показателей эффективности [6]. Значения этих параметров, усредненные на начальном и конечном интервале длиной в 10 циклов управления, представлены в табл. 10. Из таблицы видно, что качество обслуживания и точность прогнозирования реализации компьютерной техники существенно повышаются.

Данные этой таблицы показывают значительное преимущество использования разработанной гибридной модели для поддержки принятия решений. Таким образом, нашла подтверждение гипотеза о том, что неопределенность показателей процесса реализации КТ можно погасить путем использования аппарата нечеткой логики.

Таблица 10. Усредненные значения показателей эффективности решений, принятых при поддержке ГМПТ

Заключение

В работе решена актуальная научная задача, решение которой позволяет повысить эффективность управленческих решений, выражаемой в повышении качества обслуживания потребителей и увеличении прибыли торгового предприятия, а также обеспечить конструктивное взаимодействие потребителя и рынка в условиях высокой неопределенности моделируемой социально-экономической среды.

Отличие предложенной методики моделирования социально-экономической среды от существующих подобных разработок заключается в органичном сочетании компонентов моделирования и оптимизации процесса реализации товара на основании интегрального критерия эффективности, а также позволяет выполнять нечеткое моделирование параметров процесса реализации, осуществляя тем самым нечеткое управление процессом принятия решений.

Библиографический список

1. Амосов Н.М. (1983). Природа человека. К.: Наукова думка.

2. Батыршин И.З., Недосекин А.А., Стецко А.А., и др. (2007). Теория и практика нечетких гибридных систем. М.: Физматлит.

3. Гаврилова Т.А., Хорошевский В.Ф. (2002). Базы знаний интеллектуальных систем. СПб.: Питер.

4. Макин, И. (2011). Поведенческая интерпретация компромисса // Человек и труд. №11. С. 68-71.

5. Омельченко А.А., Полетайкин А.Н. (2010). Генетический алгоритм составления оптимального плана реализации компьютерной техники // Вопросы прикладной математики и математического моделирования: зб. науч. тр. С. 221-231.

6. Полетайкин А.Н. (2015). Гибридный подход к построению системы поддержки принятия решений при продвижении товаров на региональный рынок // Вестник СибГУТИ. №1. С. 45-59.

7. Полетайкин А.Н. (2009). Модель оценивания эффективности автоматизированных информационных систем // Сборник научных трудов НГТУ. № 3(57). С. 75-82.

8. Crabbe, F.L. (2004). Optimal and non-optimal compromise strategies in action selection. // From animals to animates 8: Proc. Eighth Int. Conf. on Simulation of Adaptive Behavior. P. 233-242.

9. Surmann H., Maniadakis M. (2001). Learning feed-forward and recurrent fuzzy systems: A genetic approach // Journal of System Architecture. №47. P. 649-662.

10. Tshilidzi, Marwala (2013). Economic Modeling Using Artificial Intelligence Methods // Springer-Verlag: London.

11. Yarushkina, N. (2000). Soft Computing and Complex System Analysis// International Journal General Systems. №30. P. 71-88.

12. Zadeh, L.A., Fu, K.S., Tanaka, K. and Shimura, M. (1975). Fuzzy sets and their applications to Cognitive and Decision Processes. Academic Press: New York.

Размещено на Allbest.ru