     На правах рукописи
Карнизьян Роман Оганесович
Нейронечеткая система поддержки принятия решений гостиничного комплекса
Специальность 05.13.01 – "Системный анализ, управление и обработка информации (информационные и технические системы)"
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Краснодар – 2013
Работа выполнена в ФГБОУ ВПО “Кубанский государственный технологический университет”
Научный руководитель:
|
доктор технических наук, профессор
Ключко Владимир Игнатьевич
|
Официальные оппоненты:
|
доктор технических наук, профессор
Приходько Андрей Иванович
ФГБОУ ВПО “Кубанский государственный университет”, профессор кафедры общего, стратегического, информационного менеджмента и бизнес процессов
|
|
кандидат технических наук, доцент
Булатникова Инга Николаевна
ФГБОУ ВПО “Кубанский государственный технологический университет”, доцент кафедры прикладной математики
|
Ведущая организация:
|
ФГБОУ ВПО “Кубанский государственный аграрный университет”
|
Защита диссертации состоится «23 » декабря 2013 г. в 1200 часов на заседании диссертационного совета Д 212.100.04 в ФГБОУ ВПО “Кубанский государственный технологический университет” по адресу: 350072, г. Краснодар, ул. Московская 2, корпус Г, аудитория Г-248
С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО “Кубанский государственный технологический университет”
Автореферат разослан «22» ноября 2013 г.
Ученый секретарь
диссертационного совета Д 212.100.04,  
канд. техн. наук, доцент А.В. Власенко
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность проблемы. Во многих сферах деятельности человека необходимо принимать решения, опираясь на набор альтернатив. Учитывая сильно возросший поток учитываемых данных, возрастает актуальность автоматизированной системы подготовки альтернатив с их ранжированием по выделенным критериям.
В настоящее время наиболее важным помощником руководителя или менеджера предприятия становится информационная система поддержки принятия управленческих решений (далее СППР). Данные системы позволяют смоделировать ситуацию и сделать правильный, обоснованный выбор управленческого решения в данной ситуации. Наличие таких систем, безусловно, является конкурентным преимуществом предприятия.
В современных технологиях в качестве СППР нередко применяют технологии Data – mining (“добыча данных”). При этом можно сказать, что Data – mining – это набор методов искусственного интеллекта: нейронных сетей, генетических алгоритмов, нечеткой логики, деревьев решений и т.д., которые опираются на современные средства хранения и обработки данных.
Область применения СППР очень широка (торговля, интернет – технологии ,промышленное производство, медицина и т.д.)
В то же время анализ информационных систем большого количества предприятий позволил сделать следующие выводы:
- зачастую экономические информационные системы являются лишь средством фиксации производственных транзакций (финансовых, логистических и т.д.), а интеллектуальная составляющая таких систем, как правило, не используется;
- в планировании практически не применяются современные компьютерные технологии и математическое моделирование;
- как правило, планирование производится на безальтернативной основе ;
- планирование нередко носит субъективный характер и сильно зависит от предпочтений специалистов (или специалиста), его составлявших;
И именно для исправления вышеперечисленных недостатков предназначены СППР. Применение СППР позволяет имитационно экспериментировать с моделью предприятия и помогает понять возможные последствия применения управленческих решений, иметь возможность рассмотрения множества альтернатив управленческих решений и математически обосновывать лучший или группу лучших вариантов развития ситуации.
Актуальность данной диссертационной работы заключается в следующих выводах:
разработка новой архитектуры современной системы поддержки принятия решений является серьезным вкладом в развитие данного направления информационных систем;
разработка метода поддержки принятия решений на основе нейронечетких систем является передовым методом построения систем данного класса;
программная реализация, как системы поддержки принятия решений, так и метода поддержки принятия решений на основе нейронечетких систем позволяет получить мощное и доступное средство управления предприятием;
создание системы поддержки принятия решений позволяет получить доступное средство для оперативного анализа и управления предприятием;
реализация системы поддержки принятия решений гостиничного комплекса с использование современных методов искусственного интеллекта позволяет получить конкурентное преимущество.
Целью исследования является разработка архитектуры современной СППР предприятия, разработка гибридной нейронечеткой архитектуры для вывода правил принятия решений, программная реализация СППР и нейронечеткой гибридной сети.
Основные задачи исследования:
1) исследование архитектуры современных систем поддержки принятия решений;
2) исследование алгоритмов и методов поддержки принятия решений в современных СППР;
3) исследование качественного содержания процесса принятия решений в управлении предприятием;
4) проведение анализа существующих гибридных нейронечетких сетей и разработка гибридной сети для управления сложным социально – экономическим объектом;
5) реализация СППР предприятия гостиничного комплекса и разработанной нейронечеткой сети;
6) разработка математической модели управления гостиничным комплексом;
7) оценка эффективности разработанных СППР и нейронечеткой сети;
8) исследование основных факторов повышения эффективности управления предприятием за счет использования СППР.
Научная новизна выполненных в диссертации исследований заключается в следующем:
разработана структура современной системы поддержки принятия решений;
разработан подход к поиску управляющих правил и реализация их с помощью нейронечетких систем;
построена архитектура вывода управляющих решений на базе нейронечеткой сети ANFIS;
Практическая ценность работы заключается в том, что на основании разработанных теоретических положений и рекомендаций создана информационная система поддержки предприятия для объектов гостиничного бизнеса.
Апробация работы. Результаты работы докладывались и обсуждались на конференциях:
II Межвузовская научно-практическая конференция "Автоматизированные информационные и электроэнергетические системы" (г. Краснодар, 2012 г.)
IV Международная научно-практическая конференция “Модернизация экономики России на новом этапе развития” (г. Пенза, 2013 г.)
XVII Всероссийская научно-практическая конференция (г. Краснодар, 2011 г.)
XXX Международная научно - техническая конференция (г. Пенза, 2012 г.)
Реализация научно-технических результатов работы в промышленности.
Разработанная система поддержки принятия решений внедрена в ООО «КРИН-ТУР» (г. Краснодар).
На защиту выносятся следующие основные результаты:
- архитектура современной системы поддержки принятия решений;
- подход к поиску управляющих правил сложной социально – экономической системы;
- архитектура системы вывода управляющих решений на базе нейронечеткой сети ANFIS
- реализация управляющих правил с помощью нейронечетких сетей;
- результаты функционирования СППР и подхода к реализации управляющих правил;
Публикации. Основные результаты работы опубликованы в 7 научных статьях (в том числе 2 статьи в изданиях, рекомендованных ВАК при Минобрнауки России)
Структура и объем работы
Диссертация состоит из введения, четырех разделов, заключения, списка использованной литературы и трех приложений. Ее общий объем составляет 123 страницы текста, в котором содержится 20 рисунков и 6 таблиц.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы исследования, изучена предыстория и определена научная проблема, поставлены цели и задачи исследования, приведены преимущества систем поддержки принятия решений
В первой главе проведен анализ существующих методов построения современных СППР и алгоритмов вывода альтернатив для поддержки принятия решений. Выявлены достоинства и недостатки существующих архитектур и алгоритмов вывода. На основании анализа выявлено, что в последнее десятилетие происходит уход от классических СППР в сторону систем ERP и BI на основе распространенных информационных платформ. При этом сама поддержка принятия решений становится встроенным модулем в такие системы. Отмечено, что наиболее перспективным направлением развития СППР является их тесная интеграция с экспертными системами и реализация на основе веб – технологий с соответствующим размещением в Интернет – пространстве. СППР в классическом понимании стало «штучным» и очень дорогим продуктом и реализуется в основном для государственных нужд, крупных корпораций и научных исследований.
Также в первой главе приведен обзор методов интеллектуального поиска информации (т.н. методов Data - mining) – нейронных сетей, генетических алгоритмов, нечеткой логики и деревьев решений. Отмечено, что реализация ядра современной СППР должна быть на базе одного из этих методов, в связи с тем, что с помощью современных СППР обычно решаются сложные задачи, с трудно формализуемой предметной областью, сложной взаимосвязью внутренних компонент и стохастической внешней средой. Кроме того, задачи, решаемые СППР, обладают значительными объемами обрабатываемых данных.
Во второй главе предложен алгоритм нахождения управляющих правил с помощью оригинального анализа ретроспективной выборки и его реализация на нейронечетких сетях.
Предложен алгоритм управления сложной системой, которая описывается показателями работы и управляемыми параметрами. В общем случае математическая модель объекта управления может быть не известна.
Параллельной и также немаловажной задачей является нахождение взаимосвязей между самими управляемыми параметрами и степени их влияния друг на друга. Аналогичная задача возникает и для показателей работы.
Покажем один из механизмов поиска правил. Разделим для простоты изложения степень влияния обобщенного управляемого параметра на обобщенный показатель работы системы на три группы «слабое», «среднее» и «сильное». Для выявления управляющих правил нам необходимо проанализировать историю показателей работы объекта управления совместно с изменениями управляемых параметров.
Введем силу влияния управляемого параметра на показатели работы. В общем случае, сила влияния считается, как отношение к текущему максимальному изменению значений ряда показателей.(формула 1)
 , (1)
где  - текущее изменение ряда показателей (т. е. наблюдаемый «скачок» на графике после некоторого воздействия);  - максимальное изменение на графике на текущий момент (максимальный «скачок»).
После того как мы ввели силу влияния в каждом конкретном случае применения управляющего параметра, то теперь необходимо посчитать среднюю силу влияния управляющего параметра на конкретный показатель (формула 2). Пусть оно рассчитывается, как простое среднее:
 , (2)
где  - зафиксированное количество применения  управляемого параметра.
В общем случае, нам необходимо построить матрицу, где колонками являются наблюдаемые показатели работы, а столбцами управляющие параметры. В качестве значений ячеек служат силы влияния - го управляющего параметра на  -й показатель работы.
Таблица 1 - Перекрестная таблица сил влияния управляющих параметров на показатели работы
Где ПР – Показатели работы и УП – Управляющие параметры.
Далее необходимо преобразовать таблицу в правила, по которым будет строиться управление объектом. При этом необходимо ввести порог сил влияния  , значения  больше которого будут проходить в качестве правил. Очевидно, что в ряде случаев некоторые управляемые параметры не могут влиять на некоторые показатели работы, поэтому необходимо участие эксперта, который маркировал подобные случаи для Таблицы 1.
Управляющие параметры можно разделить на внутренние и внешние  и  . При этом внешние управляющие воздействия не зависят от объекта управления, и мы не можем на них повлиять. Их можно только измерить.
Внешние управляющие параметры, если они поступают в детерминированные моменты времени, могут быть компенсированы или усилены внутренними управляющими параметрами.
В качестве решающего ядра выбраны гибридные нейронечеткие сети, которые агрегируют в себе сильные стороны нечеткого вывода и нейронных сетей. Важнейшее свойство нейронных сетей - это обучение и адаптация. Но нейронные сети трудны в извлечении из них знаний и в проектировании. В тоже время из нечетких систем можно извлечь знания, и этап проектирования для них не так сложен.
По результатам наблюдения за процессом управления формулируются правила управления и первоначальные функции принадлежности. Обучение нейронечетких контроллеров обычно производится методом обратного распространения ошибки.
Общий алгоритм работы нейронечеткого контроллера будет следующий:
определение набора показателей работы и управляемых параметров;
определение времени воздействия временных параметров;
определение сил влияния для каждого случая применения управляемых параметров;
расчет средних значений сил влияния каждого управляемого параметра на каждый показатель работы, если нет ограничений со стороны эксперта.
определение правил управления, через пороговое значение сил влияний;
перевод правил управления с шага в нечеткие правила путем введения лингвистических переменных для входных и выходных переменных правил управления;
подбор функций принадлежности лингвистических переменных в зависимости от выбранной гибридной сети;
реализация нечеткого вывода на базе гибридной сети ;
Если у управляющего правила только один консеквент, то предпочтительно использование гибридной сети ANFIS. Также в работе предложен вариант обучения гибридной сети ANFIS с помощью алгоритма RProp. Схема гибридной сети ANFIS приведена на Рисунке 1.
Рисунок 1 - Схема нейронечеткой топологии ANFIS
Слой 1 предназначен для вычисления степени на узлах, с которыми заданные входы удовлетворяют функциям принадлежности, ассоциированных с этими узлами.
Слой 2 предназначен для вычисления силы правил для каждого узла. При этом выход верхнего нейрона равен  , второго сверху  и т.д. Все узлы обозначены как  , так как можно выбрать любую -норму для моделирования логического И.
Слой 3 предназначен для нормализации силы правил:
Слой 4 вычисляет произведение нормализованной силы правил и индивидуального выхода соответствующего правила:
…..
Слой 5 вычисляет выход сети (на единственном нейроне):
Если несколько консеквентов, то рекомендуется использовать сеть NNFCL. Схема приведена на Рисунке 2.
Рисунок 2 - Схема нейронечеткой топологии NNFCL
Однако данная сеть очень сложна в обучении и использовании и поэтому нами предложен модернизированный вариант сети ANFIS.
Входными переменными будут значения  ,  ,  . Выходом контроллера будет переменная  .
Модифицируем схему нечеткого вывода с ANFIS двумя способами:
Для задач без прогнозирования:
 Рисунок 3 - Схема нечеткого вывода с ANFIS, для задач без прогнозирования
Для задач с прогнозированием:
Рисунок 4 - Схема нечеткого вывода с ANFIS, для задач с прогнозированием
В третьей главе описана архитектура разработанной обобщенной СППР и представлена СППР гостиничного комплекса. Также приведены возможные типы нечетких правил управления.
Мы имеем достаточно проработанную информационную систему гостиничного комплекса на базе платформы 1С 8.2. Нам необходимо в этой системы реализовать блок СППР. То есть нам необходимо реализовать поддержку принятия управленческих решений данного гостиничного комплекса. При этом задача ППР разбивается на две серьезные, как с точки зрения программной реализации, так и с точки зрения разработки математической модели ППР. Первая – это поиск правил вывода (рисунок 5):
Рисунок 5 - Поиск правил вывода
Вторая – это реализация найденных правил вывода с помощью определенного математического аппарата.
Опишем правила работы гостиницы на базе нечеткой логики. Можно реализовать несколько вариантов правил. Во-первых, прямого и обратного вывода.
Правила прямого вывода – в левой части показатели работы, а в правой – управляемые параметры, то есть:
Например:
ЕСЛИ Заполняемость номерного фонда (ЗНФ) = снизилось & Чистая прибыль (ЧП) = снизилось & Оборот = увеличилось ТОГДА Реклама = увеличить & Содержание_номера = снизить & …
Второй вариант – прямая цепочка с использованием истории (динамики изменения), то есть правила вида:
 как пример:
ЕСЛИ ЗНФ(t) = снизилось & ЧП(t) = снизилось & Оборот(t) = увеличилось & Реклама(t) = не_изменилось & Качество_питания(t) = увеличилось ТОГДА Реклама(t+1) = увеличить & Содержание_номера(t+1) = снизить & …
Также в современной СППР должен быть реализован сценарный подход . Относительно объекта гостиница сценарный подход можно описать следующим образом – что будет с показателями гостиницы, если мы изменим определенные параметры таким-то образом. В данном случае необходимо рассматривать правила вида:
Или правила вида:
Учитывая, что в одном управляемом параметре может быть несколько управляемых сервисов (управляемый параметр может быть составным), то необходимо применять нечеткие логические выражения, в состав которых входят нечеткие предикаты. Например, можно составить нечеткий предикат  . В тоже время, для упрощения можно разукрупнять управляемые параметры.
Предложена обобщенная структура современной СППР и ее вариант для конкретного решения – гостиничного комплекса (Рисунок 6). Данная СППР имеет отличительные особенности: стадия валидации, веб – интерфейс; блок поиска управляющих правил и расширенное ядро методов поддержки принятия решений.
Рисунок 6 - Обобщенная структура современной СППР
СППР должна иметь в своем составе анализируемые данные и методы принятия решений. При этом должен быть механизм пополнения данных, желательно автоматический (Блок поиска данных). Насчет методов принятия решений можно сказать следующее – их должно быть много, между ними должна быть конкуренция и должен быть механизм анализа самих методов принятия решений (на ретроспективной выборке). Современная информационная система должна иметь встроенный язык программирования и возможность конфигурирования самой системы. В современной СППР обычно применяется итеративный, многоэтапный процесс принятия решений. Также в СППР должны аккумулироваться не только данные и знания о данных, но и алгоритмы, технологии и опыт, представленные в какой-либо форме.
Строя систему поддержки принятия решений гостиницы мы предлагаем использовать следующую структуру вывода (Рисунок 7) :
Рисунок 7 - Структура вывода СППР
Также в третьей главе разработаны основные наборы управляющих правил для гостиничного бизнеса.
В четвертой главе приведены результаты экспериментов с разработанной СППР и в частности эксперименты с управляющими правилами, реализованными с помощью нейронечетких систем в вариантах без прогнозного значения показателей работы и прогнозными значениями показателей работы. Также рассмотрены дальнейшие пути развития разработанной СППР и алгоритма нейронечеткого вывода управляющих правил.
В ходе работ использовалось 18 показателей работы и 7 управляемых параметров.
Управляемые параметры: Средняя цена гостиничного номера; Затраты на рекламу; Содержание номера; Качество питания; Система скидок; Внутренние сервисы; Внешние сервисы
В результате анализа полученных экспериментальных данных сделаны следующие выводы:
разработанная информационная система и метод поддержки принятия решений с помощью нейронечеткой сети реализует теоретические положения, модели, методы и алгоритмы данной работы, с целью поддержки принятия решений в управлении гостиничным комплексом;
по результатам моделирования определено, что введение подстройки функций принадлежности во время работы моделей за счет добавления нейронной сети увеличивает время получения решения, но при этом повышается качество принимаемых решений.
в моделях с корректировкой гибридной сети в режиме реального времени установлено, что подстройка сети (уточнение параметров функций принадлежности) происходит практически постоянно. Это связано с большим потоком событий, в том числе и недетерминированных, происходящих с объектом управления;
введение прогнозируемого показателя в правилах управления, положительно сказывается на качестве управления объектом, если точность прогнозирования не ниже 76%.
ВЫВОДЫ И РЕКОМЕНДАЦИИ
В работе получены следующие решения, направленные на создание компьютерных систем поддержки принятия решений:
1. Проведен анализ систем поддержки принятия решений. Исследованы алгоритмы принятия решений. Обоснована необходимость создания и внедрения динамических имитационных моделей систем поддержки на предприятиях, учитывающих сложность внутренних процессов предприятия и стохастичность поведения внешней среды;
2. Показано, что выгоднее и целесообразнее разрабатывать многофункциональные СППР
3. Разработана математическая модель нечеткой системы управления гостиничным комплексом, математически описаны компоненты системы и процессы взаимодействия ее составляющих;
4. Построена математическая модель нечеткой базы знаний гостиничного комплекса. Определен состав и дана характеристика ее входных и выходных лингвистических переменных и термов;
5. Разработана математическая модель системы нейронечеткого управления, использующая нейронечеткий контроллер ANFIS;
6. Разработана модифицированная архитектура системы нейронечеткого вывода ANFIS с прогнозным элементом;
7. Программно реализована система нейронечеткого вывода и апробирована на актуальной задаче управления гостиничным комплексом;
8. Создание СППР гостиничного комплекса позволило получить доступное средство для оперативного контроля и анализа деятельности предприятия. Примененные технологии позволяют значительно разгрузить менеджерский состав предприятия при управлении гостиничным комплексом.
Созданный метод построения ядра СППР на базе нейронечетких сетей является инвариантным от моделируемой задачи и может применяться для построения систем поддержки принятия решений сложных социально – экономических систем.
Построение системы поддержки принятия решений позволило получить доступное информационное средство для анализа деятельности предприятия гостиничного комплекса и его оперативного контроля. Примененные технологии позволили значительно повысить качество принимаемых управленческих решений.
СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ
1. Ключко В.И., Карнизьян Р.О. Моделирование работы гостиницы // Политематический сетевой электронный научный журнал КубГАУ http://ej.kubagro.ru №7, 2013. Режим доступа: http://ej.kubagro.ru/archive.asp?n=91
2. Ключко В.И., Карнизьян Р.О. Архитектуры систем поддержки принятия решений // Политематический сетевой электронный научный журнал КубГАУ http://ej.kubagro.ru №2, 2013. Режим доступа: http://ej.kubagro.ru/archive.asp?n=86
3. Шумков Е.А., Карнизьян Р.О. Использование OLAP технологий в Q-обучении // "Математические методы и информационные технологии в экономике, социологии и образовании". Сборник статей XXX Международной научно - технической конференции. - Пенза: Приволжский Дом знаний. 2012. С. 125-126.
4. Ключко В.И., Карнизьян Р.О. Прогнозирование потока постояльцев гостиницы с помощью ИНС. //Материалы II Межвузовской научно-практической конференции "Автоматизированные информационные и электроэнергетические системы", Краснодар, КубГТУ, 2012. С. 66-67
5. Карнизьян Р.О. Моделирование работы гостиничного комплекса // IV Международная научно-практическая конференции "Модернизация экономики России на новом этапе развития" - Пенза: Приволжский Дом знаний. 2013. С 128 – 129
6. Карнизьян Р.О., Кушнир А.В. Автоматизация документооборота // Инновационные процессы в высшей школе // Материалы XVIIВсероссийской научно-практической конференции / КубГТУ.-Краснодар, 2011.- С. 60-62.
7. Карнизьян Р.О., Кушнир А.В. Информационная система гостиничного бизнеса // Инновационные процессы в высшей школе // Материалы XVIII Всероссийской научно-практической конференции / КубГТУ. - Краснодар, 2012.- С. 84-86.
Подписано в печать 21.11.2013. Печать трафаретная.
Формат 60x84 1/16. Усл. печ. л. 1,35. Тираж 100 экз. Заказ № 1014.
ООО «Издательский Дом-Юг»
350072, г. Краснодар, ул. Московская 2, корп. «В», оф. В-120
тел. 8-918-41-50-571
e-mail: olfomenko@yandex.ru Сайт: http://id-yug.com |
