Обоснование моделей и алгоритмов построения интегрированных систем управления высокодинамичных подвижных объектов (стр. 6 )

Расчет обобщенного показателя эффекта (технического уровня) произведем по формуле:

.         (12)

ERP Microsoft Dynamics AX: = 0,81.

1С:Торговля и склад: = 0,78.

ПАРУС-Предприятие: = 0,51.

Ордер: = 0,48

Таким образом, наибольший показатель прироста суммарного эффекта имеет пакет прикладных программ ERP Microsoft Dynamics AX, который выбирается (рекомендуется) для внедрения на предприятии.

Библиографический список

1. Теория и методы прогнозирования : учеб. пособие. – СПб. : Изд-во СЗТУ, 2008. – 304 с.

2. Надежность и эффективность в технике : справочник / под ред. , . Т. 3. Эффективность технических систем. – М. : Машиностроение, 1988. – 328 с.

3. , Прогнозирование качества систем. – Минск : Наука и техника, 1976. – 200 с.

4. , Теория и практика моделирования сложных систем : учеб. пособие. – СПб. : Изд-во СЗТУ, 2005. – 133 с.

5. , Эффективность проектируемых элементов сложных систем : учеб. пособие. – М. : Высшая школа, 1989. – 280 с. 

Рецензент доцент

УДК 681.3.07

*, **

*НПФ «Меридиан»,

д-р техн. наук, профессор

**ГУМРФ имени адмирала ,

канд. техн. наук, профессор

ОСОБЕННОСТИ ПРИМЕНЕНИЯ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ В ЗАДАЧАХ ОПТИМИЗАЦИИ С ПОМОЩЬЮ УНИВЕРСАЛЬНОГО ПАКЕТА MATLAB

В статье рассмотрены преимущества и недостатки, особенности использования генетических алгоритмов в оптимизационных задачах.

алгоритмы, генетические, оптимизация.

Как известно, оптимизационная задача заключается в нахождении минимума (максимума) целевой функции [1]. Целевая функция – сложная функция, зависящая от нескольких входных параметров. В оптимизационной задаче требуется найти значения входных параметров, при которых целевая функция достигает максимального (минимального) значения.

Условно все оптимизационные методы можно разделить на методы, использующие понятие производной (градиентные методы), и стохастические методы [2]. Однако использование подобных методов встречает трудности в  виде проблемы преждевременной сходимости (получение локального экстремума вместо глобального) и времени процесса вычислений. Более точные оптимизационные методы работают очень долго.

Для решения поставленных проблем предлагается использовать генетические алгоритмы (ГА), основанные на принципах использования естественного отбора. ГА относятся к стохастическим методам. Рассмотреть, как использовать ГА в системе MATLAB и какие проблемы остаются неразрешимыми, – цель данной статьи. Генетические алгоритмы относятся к области мягких вычислений. Это понятие объединяет такие области, как нейронные сети, нечеткая логика, вероятностные рассуждения, эволюционные алгоритмы. Это адаптивные методы поиска, используемые для задач оптимизации, в которых используются как аналог механизма генетического исследования, так и аналог естественного отбора. ГА в отличие от известных оптимизационных и поисковых методов оперирует закодированным множеством параметров, а не с самими параметрами, ГА находит популяцию точек, а не отдельную точку, ГА использует целевую функцию, а не ее производную или другие вспомогательные значения, в ГА применяются вероятностные методы перехода, а не детерминистические.

Для применения ГА необходимо выбрать функцию, адекватную задаче. Причем целевая функция должна иметь разнообразный рельеф, так как если на поверхности функции есть большие плоские участки, то ГА неэффективен [3]. Это связано с тем, что многие особи в популяции при различии в генотипе не будут отличаться фенотипом, а значит алгоритм не сможет выбрать лучшее решение и направление дальнейшего развития. В настоящее время ГА используется для решения таких задач, как поиск глобального экстремума многопараметрической функции [4], аппроксимация функций, задачи о кратчайшем пути, задачи размещения, настройка искусственной нейронной сети, игровые стратегии, обучение машин. Широкое использование ГА связано с преимуществами, которые выявляются при их использовании:

ГА не требуют никакой информации о поведении функции; разрывы имеют незначительное влияние на полную эффективность оптимизации; ГА стойки при попадании в локальные максимумы; ГА пригодны для решения крупных задач оптимизации; ГА просты в реализации; ГА могут быть использованы для широкого класса задач; ГА могут быть использованы для задач с изменяющейся средой.

Одним из новшеств MATLAB является тулбокс Genetic Algorithm and Direct Search Toolbox, который предназначен для расширения возможностей пакета генетическими алгоритмами. Такие алгоритмы чаще всего используются в случае, когда искомая целевая функция является разрывной, существенно не линейной, стохастической и не имеет производных или эти производные являются недостаточно определенными. Работать с генетическими алгоритмами можно в двух толбоксах. Генетические алгоритмы относятся к разделу Genetic Algorithm  и вызываются из командной строки с помощью gatool и ga.

Генетические алгоритмы и их комбинации с другими оптимизационными методами можно найти в Direct Search Toolbox. Для этого в командной строке необходимо набирать pseаrchtool. Для первого варианта работы с ГА существуют четыре основные функции:

Ga – функция для нахождения минимума целевой функции; Gatool – открывает окно Genetic Algorithm Tool; Gaoptimset – устанавливает параметры генетического алгоритма; Gaoptimget – возвращает параметры используемого генетического алгоритма.

Функция ga вызывается из командной строки по следующему синтаксису:

[x  fval]=ga (fitnessfun, nvars, options)

Здесь Fitnessfun – имя M-file, содержащего поставленную целевую функцию;

Nvars – число независимых переменных в целевой функции;

Options – структура, содержащая параметры используемого ГА;

Fval – окончательное значение целевой функции;

x – точка, в которой достигнуто оптимальное значение.

Существуют и другие варианты записи функции ga:

X=ga(fitnessfun, nvars) – применяется для решения оптимизационной задачи;

Fitnessfun – минимизируемая целевая функция, nvars – длина вектора решений Х, соответствующая наилучшей особи.

Функция gaoptimset используется для настройки генетического алгоритма. Она позволяет построить ГА, комбинируя операторы по желанию пользователя.

В заключение необходимо отметить, что для всех оптимизационных задач, популяция должна быть представлена в виде вещественных чисел.

Библиографический список

Генетические алгоритмы решения оптимальных задач. – Нижний Новгород : Нижегородский госуниверситет, 1995. – 65 с. , Генетические алгоритмы. – М. : ФИЗМАТЛИТ, 2006. – 320 с. Генетические алгоритмы на сайте Санкт-Петербургского государственного университета информационных технологий, механики и оптики. – http:// rain. info. ru/cat/ Исследования по ГА в Мичиганском университете. – http:// garage. cps. msu. edu.

Рецензент профессор

УДК 620.179

, *

Национальный минерально-сырьевой университет «Горный»

Экономический факультет

Кафедра системного анализа и управления

*канд. техн. наук, доцент

АНАЛИЗ МЕТОДОВ УЛЬТРАЗВУКОВОГО КОНТРОЛЯ КРУПНОГАБАРИТНЫХ МЕТАЛЛОКОНСТРУКЦИЙ НЕФТЕХИМИЧЕСКИХ РЕАКТОРОВ

В статье предлагается методика системного информационно-статистического анализа методов ультразвукового контроля крупногабаритных металлоконструкций нефтехимических реакторов.

неразрушающий, ультразвуковой, контроль, дефект, прогноз, затраты.

Экономическая политика европейских и других ведущих стран мира в начале XXI века взяла курс на высокую технологичность и экологичность продуктов нефтехимической переработки, в особенности топлива и масел. Их производство характеризуется усиленным внедрением в промышленную практику всевозможных каталитических процессов, проходящих при высоком давлении и температуре. Это выдвинуло ряд новых требований к надежности нефтехимических реакторов. Для контроля подобных изделий во всем мире используют ряд неразрушающих методов контроля, основным из которых является ультразвуковой контроль. Для повышения конкурентоспособности отечественных предприятий необходимо обеспечить максимальную эффективность лабораторий неразрушающего контроля.

Цель исследования заключается в анализе статистических данных существующих видов ручного и автоматизированного ультразвукового контроля и проверке на пригодность к исследованию нефтехимических реакторов; по полученным данным  оценить вероятность ошибки при работе данными методами, выработать рекомендации по принятию на предприятии того или иного способа контроля.

В результате проведенных  исследований разработана методика, позволяющая учесть все показатели, такие как трудозатраты, денежные затраты, надежность метода. При этом подлежат учету не только прямые, но и косвенные затраты, которые могут возникнуть при проведении контроля.

Анализ проводился системно по всем основным направлениям: пригодность метода для данных изделий, трудоемкость процесса выполнения контроля, стоимость принятия данного метода и надежность метода. Для определения косвенных затрат, понесенных из-за недостаточной надежности методов, была подсчитана вероятность пропуска дефектов в первой стадии изготовления изделия. Для этого при помощи пакета прикладных программ Statgraphycs был пострен прогноз количества дефектов при изготовлении изделия, основыванный на косвенном динамическом ряде, построенном по данным от предыдущей продукции (рис. 1).

Рис. 1. Прогноз количества несплошностей, основанный на линейной модели

Результаты исследования представлены на рисунках 2 и 3. Вероятность пропуска дефектов в изделиях представлена в таблице.