| УПРАВЛЕНИЕ ЗАПАСАМИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ |
| 16.11.2009 20:32 |
|
В процессе развития, а также по мере изменения экономических условий все предприятия сталкиваются с необходимостью совершенствования своих экономических структур. При этом предприятия преследуют две основные цели: повысить эффективность использования внутренних ресурсов и адаптироваться к новым внешним условиям. Одной из проблем достижения этих целей является задача повышения эффективности управления запасами. Колоссальный объем средств, вложенных в запасы, придает проблеме управления ими первостепенную важность. Совокупность точек хранения запаса и операций перемещения образуют систему точек хранения запаса. Такой системой является совокупность складов, цехов, поставщиков, покупателей предприятия (Рис.1).
Рис.1 Между поставщиками предприятия и складами предприятия производятся операции перемещения материальных ресурсов-запасов. Внутри предприятия материальные ресурсы тоже перемещаются и хранятся. Таким образом, данная модель применима для описания системы образования запасов и обеспечения потребностей предприятия в аспекте отражения реальных процессов перемещения запасов. Такая модель позволяет дифференцированно подойти к процессу учета движения материальных ресурсов, ограничив набор возможных операций над ресурсами операциями перемещения и хранения. Структура такой системы, количество и типы элементов и связей зависят от конкретного предприятия. Кроме того, структура связей системы является результатом управляющих воздействий управляющего объекта. Связи определяются фактическим перемещением определенного ресурса в определенном объеме с одной точки образования запаса в другую. В частном случае все точки образования запасов внутри границ предприятия могут выступать в качестве единого элемента системы. С другой стороны точка хранения запаса является элементом системы и является совершенно обособленной системой. Внешними ограничениями этой системы являются другие точки образования и хранения запасов. Связями между этими точками являются пути перемещения материальных ресурсов. Учитывая, что система точек хранения запасов, обладает такими же свойствами, как и одна точка образования запасов, необходимо рассмотреть процессы управления как одной точкой, так и системой точек хранения запасов. Материальный ресурс в рамках рассматриваемой модели подвергается и участвует в следующих процессах: приход, хранение, расход. Собственно именно эти операции определяются жизненным циклом товара. Именно эти три процесса нуждаются в управлении, т.к. именно в этих процессах образуются затраты. Многолетний опыт теории управления запасами позволяет нам выбрать в качестве критерия оптимальности минимизацию функции затрат, возникающих при управлении запасами. Затраты проявляют себя на каждом их этапов жизненного цикла ресурсов: приобретение, хранение, выбытие. Таким образом, управляемый процесс может быть определен нейронной сетью, на входе которой запасы материальных ресурсов, а на выходе оптимальные потребности этих ресурсов. Критерием эффективности можно считать функцию минимизации затрат, возникающих при хранении и перемещении ресурсов. Параметрами управления этим объектом будут команды или решения о перемещении и хранении ресурсов, создании и ликвидации складов, решения о путях перемещения ресурсов внутри предприятия. Используя же даже самую простую нейросетевую архитектуру (персептрон с одним скрытым слоем) и базу данных (с продажами и всеми параметрами) легко получить работающую систему прогнозирования. Причем учет, или не учет системой внешних параметров будет определяться включением, или исключением соответствующего входа в нейронную сеть. Более искушенный эксперт может с самого начала воспользоваться каким-либо алгоритмом определения важности (например, используя Нейронную сеть с общей регрессией и генетической подстройкой) и сразу определить значимость входных переменных, чтобы потом исключить из рассмотрения мало влияющие параметры. Еще одно серьезное преимущество нейронных сетей состоит в том, что эксперт не является заложником выбора математической модели поведения временного ряда. Построение нейросетевой модели происходит адаптивно во время обучения, без участия эксперта. При этом нейронной сети предъявляются примеры из базы данных и она сама подстраивается под эти данные. Литература. 1.Горбань А.Н. Обобщенная аппроксимационная теорема и свойства нейронных сетей. Соросовский образовательный журнал, 1998. 2 Stephen Piche, Jim Keeler, Greg Martin, Gene Boe, Doug Johnson and Mark Gerules. Neural Network Based Model Predictive Control. NIPS'1999 Volume 12, Paper 1029. 3. Р.Беллман. Динамическое программирование. М. Издательство иностранной литературы, 1960. 4.Терехов С.А. Нейросетевые аппроксимации плотности в задачах информационного моделирования. Лекция для школы-семинара "Современные проблемы нейроинформатики", Москва, МИФИ, 25-27 января 2002 года. 5.Терехов С.А. Введение в Байесовы сети. Лекции по нейроинформатике. М. МИФИ, 2003 ч.1.,с.149.
/А.К.Голоскокова Санкт-Петербургский государственный инженерно-экономический университет, Санкт-Петербург, Россия/ |
