Методология интеллектуальной поддержки принятия управленческих решений в организационных системах автодорожного комплекса (стр. 2 )

 

Затем для всех переменных-листьев разрабатываются терм-множества. Далее на основе разработанных терм-множеств строятся функции принадлежности гауссовского типа. В конце первого этапа заданные пользователем значения переменных отражаются на функциях принадлежности. Переменным присваиваются значения тех терм-множеств, степень принадлежности к которым максимальна.

 

На втором этапе модели идентификации начального состояния объекта (рис. 4) для всех функций принадлежности, построенных на первом этапе, осуществляется процедура нормализации, и, если необходимо, приведение функций принадлежности к прямому порядку оси.

В завершении строятся функции принадлежности интегральных переменных и вычисляются их значения.

Модель прогнозирования изменения состояния объекта в организационных системах автодорожного комплекса базируется на работе модели идентификации и функционирует в три этапа (рис. 5).

 

В целях устранения уязвимых мест модели прогнозирования изменения состояния сложного объекта, основанной исключительно на нечетком выводе, предлагается нечеткая нейронная сеть, опосредующая композиционный вывод.

Условно, обучение сети, лежащее в основе модели прогнозирования изменения состояния объекта автодорожного комплекса, можно разделить на две составляющие:

1.  Обучение, преследующее целью корректировку весовых коэффициентов связей, позволяющее скорректировать правую часть нечетких правил, то есть выражение, идущее после слова «то». Данная составляющая представляет собой корректировку вида нечетких правил.

2.  Обучение, преследующее целью корректировку формы гауссовских функций, представляющее собой корректировку формы функций принадлежности нечетких множеств, используемых в качестве левой части в нечетких правилах, то есть выражений, которым предпослано слово «если». Благодаря реализации данного направления, в модели прогнозирования изменения состояния объекта будет устранен субъективизм в функциональном описании нечетких множеств.

Алгоритм первой составляющей процесса обучения нечеткой нейронной сети в модели прогнозирования изменения качественного состояния сложного объекта автодорожного комплекса выглядит следующим образом:

1. Задается обучающая выборка. Она представляет собой статистический набор фактических значений входных переменных и соответствующих им значений выходной переменной — прогнозируемого качественного состояния дорожных объектов (табл. 2).

\\

Таблица 2

Общий вид обучающей выборки для нечеткой нейронной сети по прогнозированию

изменения состояния сложного объекта с двумя входами

Номер примера выборки	Фактическое значение первой входной переменной	Фактическое значение второй входной переменной	Фактическое значение выходной переменной
…	…	…	…

2. Определяется расчетное значение выходной переменной для каждого из m примеров обучающей выборки. Кроме этого, определяются отклонения расчетных значений прогнозируемого состояния объекта от фактических (табл. 3).

3. Задается величина средней допустимой ошибки за цикл обучения и скорость обучения .

4. Определяются новые значения весов связей между третьим и четвертым слоем по следующим формулам:

где t — номер цикла обучения.

Один цикл обучения включает перебор всех примеров из обучающей выборки.

5. Определяется средняя фактическая ошибка за цикл обучения

Таблица 3

Общий вид обучающей выборки с фактическими значениями для нечеткой нейронной сети с двумя входами по прогнозированию изменения состояния сложного объекта

Номер примера выборки	Фактическое значение первой входной переменной	Фактическое значение второй входной переменной	Фактическое значение выходной переменной	Расчетное значение выходной переменной, полученное в модели	Фактическое значение ошибки прогнозирования
…	…	…	…	…	…

Если значение средней фактической ошибки за цикл обучения превышает значение средней допустимой ошибки, то происходит возврат на шаг 4. В противном случае процесс обучения прекращается и нечеткая нейронная сеть считается обученной.

Далее перейдем к рассмотрению второй составляющей процесса обучения — корректировке формы функций принадлежности гауссовского типа, представляющих нейроны второго слоя. Алгоритм настройки включает в себя алгоритм обучения для корректировки нечетких правил, проиллюстрированный выше. Однако после корректировки весов по формулам 9 и 10 осуществляется корректировка формы функций принадлежности нечетких множеств в соответствии с алгоритмом, представленным на рис. 6.

 

В четвертой главе разработана концепция схемы оптимизации управленческих решений в организационных системах автодорожного комплекса, включающая три основных блока: среду управления, объект управления и управляющую систему (рис. 7).

Управляющая система, в свою очередь, включает в себя блок сбора информации, осуществляющий оценку фактического состояния дорог и дорожные условия, подсистему назначения работ с механизмом перебора вариантов дорожных стратегий с целью оптимизации величины затрат, а также регулярно обновляемый банк данных со сведениями о предыдущих воздействиях среды, состояниях автомобильной дороги, проводимых на ней работах и данных о стоимости работ и ресурсов.

В целях практической реализации подсистемы назначения работ была проведена классификация критериев, используемых при планировании дорожных работ. В результате установлено, что наибольшее распространение получила методика распределения средств, основанная на критерии, представляющем собой отношение результат/затраты. В частности, в основе базового документа, определяющего в настоящее время методику распределения средств на дорожные работы в России, лежит вычисление прироста показателя дорожных условий до и после проведения соответствующего типа дорожных работ.

В качестве критерия назначения управленческих воздействий в организационных системах автодорожного комплекса предлагается использовать максимум отношения прироста показателя качества сложного объекта к вызвавшим этот прирост затратам.

Отметим, однако, что применяя только сам этот критерий, можно превысить лимитированные на дорожные работы средства. В связи с этим, предлагается использовать данный критерий после отсечения альтернативных вариантов размером бюджета. В результате можно ранжировать дорожные объекты и, зная стоимость работ на них, составить список ремонтируемых объектов (дорог, участков и пр.), обеспеченных финансированием в текущем году.

В пятой главе описываются расчеты с использованием автоматизированной системы «Road Status», спроектированной для практического применения разработанных в исследовании моделей и алгоритмов. АСУ «Road Status» создана в среде NetBeans на языке программирования PHP с использованием фреймворка CodeIgniter. Система хранит данные в базе данных MySQL, однако, возможности CodeIgniter позволяют импортировать данные в любые базы без каких-либо вмешательств в устройство системы.

Практические расчеты в АСУ «Road Status» показали несостоятельность первоначальной гипотезы построения модели прогнозирования изменения качественного состояния сложного объекта, основанной на параллельной работе двух нечетких НС. Поэтому было принято решение изменить архитектуру нечеткой НС в модели прогнозирования с двух параллельных сетей с двумя входами в каждой на одну сеть с тремя входами, одновременно, сочетающей в себе начальное состояние объекта с воздействием среды и управляющими воздействиями (рис. 8).

Практические расчеты осуществлялись на примере автомобильных дорог II-III технических категорий Центрального и Южного федеральных округов. Общее количество примеров-километров, использованных в обучающей выборке, составило свыше трех с половиной тысяч. Для получения сведений о качественном состоянии дорог использовалась как визуально-вербальная экспертная оценка, так и данные инструментальных исследований, проводимых ». Для оценки интенсивности воздействия среды использовались данные метеослужбы.

 

Рис. 8. Архитектура нечеткой НС модели прогнозирования качественного состояния сложного объекта при оптимизации управленческих решений в организационных системах автодорожного комплекса

Первоначальные веса связей, или лингвистические правила, получены экспертным путем. В результате обучения получены новые весовые коэффициенты, для автомобильных дорог II—III технических категорий Южного и Центрального федеральных округов.

Результат прогнозирования состояния объекта на примере эксплуатационного состояния автомобильных дорог с использованием обученных правил по отдельным участкам автомобильных дорог отличается от фактического на 10—12 %, при этом суммарная ошибка на всю автомобильную дорогу не превышает 8 %. Данные результаты получены при скорости обучения 0,1, ошибка прогнозирования по тестовой выборке задавалась не более 0,01—0,03. При необходимости можно повысить точность прогнозирования уменьшая ошибку при обучении тестовой выборки, однако, это существенным образом увеличит время обучения.

После того, как точность прогнозирования АСУ «Road Status» настроена до требуемой величины, осуществлялся поиск оптимальных решений при управлении качественным состоянием объектов в организационных системах автодорожного комплекса. АСУ «Road Status» способна выполнять оптимизационные расчеты двух типов:

1. Минимизация затрат в рамках лимитированного значения качественного состояния дорожных объектов.

2. Максимизация качественного состояния дорожных объектов в рамках лимитированного бюджета работ.

Первый тип оптимизационных расчетов предназначен для выбора видов и мест дорожных работ таким образом, чтобы достигнуть минимальных затрат на объект при заданном значении показателя качественного состояния.

Известно, что в планировании работ присутствует субъективизм лиц, принимающих решения. В результате конечное состояние сложного объекта в организационных системах автодорожного комплекса достигается путем бóльших затрат на работы, чем могли бы иметь место при обоснованной системе распределения. Предлагаемый тип оптимизационных расчетов предназначен для получения заданного качественного состояния дорожного объекта с наименьшими затратами. Расчеты по мероприятиям первого типа оптимизации на примере управления эксплуатационным состоянием автомобильных дорог Центрального и Южного Федерального округов представлены в табл. 4.

Перейдем к рассмотрению второго типа оптимизационных расчетов. Он предназначен для выбора видов и мест управляющих воздействий на дорожные объекты таким образом, чтобы достигнуть максимального качественного состояния при заданном лимите финансирования.

Таблица 4

Расчеты экономического эффекта по оптимизационным мероприятиям первого типа на примере региональных автомобильных дорог

Наименование автомобильной дороги	Протяженность, км	Фактическое среднее ЭС дороги в 2009 году	Фактические затраты на работы по содержанию в 2009 году, тыс. руб.	Фактическое среднее ЭС дороги в 2010 году	Прогнозируемые затраты при оптимизации по среднему фактическому ЭС, тыс. руб.	Экономический эффект, млн. руб.	Экономическая эффективность, %
на всю дорогу	на 1 км	на всю дорогу	на 1 км
Волгоград-Каменск-Шахтинский	185	0,67	125345	677,5	0,72	98562	532,8	26783	21,4
Тамбов-Пенза	108	0,73	21600	200,0	0,69	16200	150,0	5400	25,0
Северный обход г. Тамбова	41	0,58	16861	411,2	0,61	13641	332,7	3220	19,1
Южный обход г. Тамбова	15	0,72	5324	354,9	0,66	4256	283,7	1068	20,1
Подъезд к г. Элисте от автодороги «Каспий»	117	0,59	62612	535,1	0,63	45784	391,3	16828	26,9
Сызрань-Саратов-Волгоград	109	0,57	22022	202,0	0,62	17136	157,2	4886	22,2
Воронеж-Тамбов	106	0,54	92546	873,1	0,68	72961	688,3	19585	21,2
Орел-Ливны-Елец-Липецк-Тамбов	87	0,62	65325	750,9	0,64	49321	566,9	16004	24,5
Калуга-Тула-Михайлов-Рязань	81	0,68	75800	935,8	0,71	55215	681,7	20585	27,2

Благодаря обоснованному планированию дорожных работ, можно добиться более высоких показателей качественного состояния дорожных объектов. Результаты реализации мероприятий второго типа оптимизационных расчетов приведены в табл. 5. Для практических расчетов по предложенной модели разработана автоматизированная система «Road Status», позволяющая принимать обоснованные решения в области управления развитием объектов в организационных системах автодорожного комплекса.