Первая страница
Наша команда
Контакты
О нас

    Головна сторінка



Програмна система прогнозування потреби в ресурсах для малого підприємства

Скачати 72.78 Kb.

Програмна система прогнозування потреби в ресурсах для малого підприємства




Скачати 72.78 Kb.
Дата конвертації21.05.2017
Розмір72.78 Kb.

УДК 681.3

ШарамовР. О.

Національний університет "Львівська політехніка",

кафедра електронних обчислювальних машин


Програмна система прогнозування потреби в ресурсах для малого підприємства
© Шарамов Р. О.
Електро́нна обчи́слювальна маши́на (ЕОМ) - загальна назва для обчислювальних машин, що є електронними (починаючи з перших лампових машин, включаючи напівпровідникові тощо) на відміну від електромеханічних (на електричних реле тощо) та механічних обчислювальних машин.
, 2015

Розглянуто проблему вибору методу для прогнозування потреби в ресурсах для малого підприємства, проаналізовано два основних програмних методи прогнозування, розглянуто структурну схему системи та алгоритм роботи системи.
Структурна схема Структу́рна схе́ма - схема, яка визначає основні функціональні частини виробу, їх взаємозв'язки та призначення. Під функціональною частиною розуміють складову частину схеми: елемент, пристрій, функціональну групу, функціональну ланку.

Ключові слова: програмна система, прогнозування, мале підприємство, потреби в ресурсах.
Малі та середні підприємства (МСП; англ. Small and Medium-sized Businesses (SMB), Small and Medium-sized Enterprises (SMEs)) - назва групи підприємств, які не перевищують визначені показники (див. також середній клас).

Software system forecasting resource requirements for small businesses

© Sharamov R.O., 2015
The problem of the choice of methods of forecasting software system for forecasting resource requirements for small businesses, the program analyzes the two main methods of forecasting, considered a structural diagram of the system and algorithm.
Keywords: prediction, software system, small businesses, resource requirements
Вступ. Мета будь-якого виробництва – забезпечення багатогранних матеріальних та духовних потреб людства. Людство зростає чисельно та розвивається інтелектуально. Зростають за обсягом, складністю та якістю його потреби. Відповідно сучасне виробництво в усіх сферах характеризується високою складністю та різноманіттям технологічних процесів.
Технологі́чний проце́с - це впорядкована послідовність взаємопов'язаних дій та операцій, що виконуються над початковими даними до отримання необхідного результату.
У сучасних умовах господарської незалежності підприємств для багатьох з них стало досить актуальним питання про застосування прогнозування у своїй діяльності. Прогнозування за допомогою програмних засобів представляє собою потужний інструмент, що дозволяє не тільки ефективно використовувати можливості підприємства, але й мінімізувати ризики, пов'язані із закупівлею сировини для виготовлення продукції.
Програ́мне забезпе́чення (програ́мні за́соби) (ПЗ; англ. software) - сукупність програм системи обробки інформації і програмних документів, необхідних для експлуатації цих програм.
У сучасних умовах практично неможливо зустріти підприємство, що не застосовує прогнозування чи планування свого виробництва.

Це обумовлено тим, що в процесі здійснення своєї діяльності підприємець може зіткнутися з двома ситуаціями:



  1. велика кількість сировини , і вона знаходиться на складі, не приносячи прибутку;

  2. сировина відсутня зважаючи на велику потребу у виробництві продукції.

Будь–яка з цих ситуацій згубно позначається на прибутковості, а враховуючи зростання конкуренції в умовах сучасного ринку,   використання програмних засобів для прогнозування поставок сировини стає обов'язковою умовою ефективного функціонування підприємства.
Стан проблеми. Для прикладу розглянуто наступну задачу прогнозування потреби в ресурсах, оскільки для підприємства у виробництві продукції необхідна сировина. Якщо поставки такої сировини не здійснюватимуться своєчасно це, звичайно, призведе до зупинки виготовлення продукції, і негативно позначиться на фінансовому стані. Якщо ж на підприємство сировина прибуватиме в надлишкових кількостях - підприємству необхідно буде сплачувати за неї навіть, якщо виробництво не має в подальшому ніяких замовлень чи планів на виготовлення продукції, також потрібно буде витрачати кошти для зберігання сировини, а це також впливатиме на фінансовий стан.

Головною задачею є те ,що потрібно налагодити поставки сировини своєчасно, так, щоб попередній період виробництва продукції не завершився швидше аніж прибуде нова сировина. Також, щоб сировина не прибула занадто швидко до того як вона потрібна буде на підприємстві. За різноманітності методів, які існують для прогнозування потреби в ресурсах, більшість або передбачає відносно великої витрати часу на підготовку даних і на сам процес прогнозування, що не вкладається в вимогу щодо реального часу, або за неможливістю формалізації не може бути реалізований програмно.

Реальний час - режим роботи автоматизованої системи обробки інформації і керування, при якому враховуються обмеження на часові характеристики функціювання.


Постановка задачі. Розробити програмну систему для прогнозування потреби в ресурсах підприємства на основіввідомих програмних методів прогнозування. Розробити структурну схему та описати алгоритм роботи системи.
Розв’язання задачі. На теперішньому етапі розвитку існує безліч методів, моделей та алгоритмів планування і прогнозування з заданою точністю. Але для розв’язання задачі прогнозування потреби в ресурсах для малого підприємства розглянуто два основних методи таких як:

Регресійний аналіз. Застосовується переважно в середньостроковому прогнозуванні, а також в довгостроковому прогнозуванні. Середньо і довгостроковий періоди дають можливість встановлення змін в середовищі бізнесу та обліку впливів цих змін на досліджуваний показник. Найпростішим варіантом регресійній моделі є лінійна регресія.

Лінійна регресія У статистиці лінійна регресія - це метод моделювання залежності між скаляром y та векторною (у загальному випадку) змінною X. У випадку, якщо змінна X також є скаляром, регресію називають простою.
Регресійний аналіз використовується в тому випадку, якщо відношення між змінними можуть бути виражені кількісно у виді деякої комбінації цих змінних. На жаль, більшість реальних моделей не вкладаються в рамки лінійної регресії. Наприклад, розміри продажів чи фондові ціни дуже складні для передбачення, оскільки можуть залежати від комплексу взаємозв'язків множин змінних. Таким чином, необхідні комплексні методи для передбачення майбутніх значень. Основним недоліком лінійних регресійних моделей є складність визначення виду функціональної залежності, а також трудомісткість визначення параметрів моделі. До недоліків також можна віднести те, що, як показує практика, більшість залежностей у прогнозуванні є нелінійними, що робить використання даного методу недоцільним.

Нейронні мережі. Враховуючи недоліки попередньої моделі, є найбільш зручними методом для прогнозування потреби в ресурсах для підприємства будуть нейронні мережі. Існує безліч застосувань нейронних мереж для вирішення задачі прогнозування. Типовими задачами, що можуть бути вирішеними за допомогою нейронних мереж є: задача класифікації, автоматизація прогнозування, автоматизація процесу ухвалення рішень, управління, кодування і декодування інформації, розпізнавання образів та ін. Нейронні мережі можуть використовуватися майже в усіх галузях і сферах  діяльності людини: економіці, медицині, зв’язку і безпеці охоронних систем,  обробці інформації. Дослідженнями нейромереж у різних галузях займаються науковці з усього світу. За допомогою штучних нейронних мереж можна опрацьовувати, аналізувати та узагальнювати інформації.

Тео́рія розпізнава́ння о́бразів - розділ кібернетики, що розвиває теоретичні основи й методи класифікації і ідентифікації предметів, явищ, процесів, сигналів, ситуацій і т. п. об'єктів, які характеризуються кінцевим набором деяких властивостей і ознак.
Задача класифікації Задача класифіка́ції - формалізована задача, яка містить множину об'єктів (ситуацій), поділених певним чином на класи. Задана кінцева множина об'єктів, для яких відомо, до яких класів вони відносяться.
Штучна нейронна мережа (ШНМ, англ. artificial neural network, ANN, рос. искусственная нейронная сеть, ИНС) - це математична модель, а також її програмна та апаратна реалізація, побудовані за принципом функціювання біологічних нейронних мереж - мереж нервових клітин живого організму.
Нейтронні мережі використовуються у економіці, медицині, зв'язку, безпеці та охоронних системах, введенні та обробці інформації.
Обробка інформації́ - вся сукупність операцій (збирання, введення, записування, перетворення, зчитування, зберігання, знищення, реєстрація), що здійснюються за допомогою технічних і програмних засобів, включаючи обмін по каналах передачі даних [6.
Безумовно, даний перелік не повний, проте він дозволяє отримати уявлення про характер застосування нейромережевих технологій. Зазвичай при прогнозуванні використовуються багатошарові, найчастіше тришарові, нейронні мережі зворотного поширення, які на сьогоднішній день є найбільш поширеним алгоритмом нейронної мережі.
Метод зворотного поширення помилки (англ. backpropagation) - метод навчання багатошарового перцептрону. Це ітеративний градієнтний алгоритм, який використовується з метою мінімізації помилки роботи багатошарового перцептрону та отримання бажаного виходу.
Загалом, у порівнянні з альтернативними методами, зворотне поширення, як правило, найшвидший метод, хоча метод зворотного поширення може бути дуже повільним. Головна слабкість зворотного поширення є те, що алгоритм часто вкрай чутливий до значень.

Основними перевагами нейронних мереж є:



  1. Не лінійність. Нейронні мережі дозволяють отримати нелінійну залежність вихідного сигнал від вхідного;

  2. Адаптивність. Нейронні мережі мають здатність адаптувати свої синаптичні ваги до змін навколишнього середовища. Більше того, для роботи в нестаціонарної середовищі (де статистика змінюється з часом) можуть бути створені нейронні мережі, що змінюють синаптичні ваги в реальному часі;

  3. Відмово стійкість. Так як нейронній мережі контекстна інформація розподілена по всіх зв'язках.

Основний недолік нейронних мереж полягає в тому, що розробнику, заблоковано те, що відбувається всередині мережі. Він формуємо входи, після цього розраховує виходи і просто зіставляє одне з іншим. Немає можливості детально і покроково простежити те, як отримані на виході значення були розраховані. Цей режим виконання обчислень у «чорному ящику» надзвичайно ускладнює процес інтерпретації результатів і модифікації мережі – неясно, що в ній потрібно змінити, щоб стало точніше.

На рис. 1 наведена структурна схема програмної системи прогнозування потреби в ресурсах для малого підприємства





Рис. 1.
Програма (фр. programme письмове оголошення, порядок денний, від грец. prógramma вказівка) - заздалегідь затверджена (визначена) дія.
Структурна схема системи прогнозування потреби в ресурсах для малого підприємства
Для реалізації системи прогнозування потреби в ресурсах для малого підприємства розроблено алгоритм (рис. 2).


Рис. 2. Алгоритм роботи системи прогнозування потреби в ресурсах для малого підприємства

Функціонування даної системи розпочинатимуться з того, що на сам перед буде здійснений запит у базу даних для отримання проміжку даних, які в подальшому будуть використані в прогнозуванні. Наступним кроком функціонування є отримання даних із бази. Отримавши дані, які накопичилися у результаті роботи підприємства, вони поступлять для обробки нейронною мережею для того, щоб спрогнозувати майбутнє значення послідовності. Після прогнозування майбутнього значення здійснюється перевірка на коректність даного значення, якщо ж значення не коректне, повторно відбудеться прогнозування майбутнього значення мережею. Якщо ж результат коректний, він буде занесений у сховище. Після зберігання результату прогнозоване значення буде надіслане і відображене робітнику підприємства.



Дана система буде реалізована за допомогою програмних методів та засобів платформи .NET. Також буде спроектована нейрона мережа зворотного поширення. У свою чергу буде здійснене навчання мережі і вона здатна буде передбачити майбутнє значення послідовності. Результат прогнозування мережі буде збережений у базі даних Microsoft SQL Server. Також будуть використані візуальні засоби для відображення результату прогнозування такі як windows form application.
Висновки. У роботі розглянуто два основні методи для прогнозування потреби в ресурсах для малого підприємства. Виділивши недоліки кожного з методів, було прийнято рішення використовувати нейронні мережі для розробки програмної системи прогнозування потреб в ресурсах для малого підприємства. Розроблено структурну схему, описано алгоритм роботи системи.

Література


  1. Sue Ellen Haupt, Antonello Pasini,Caren Marzban. – Artificial Intelligence

Methods in the Environmental Sciences. –Dordrecht: Springer Netherlands, 2009. –424 p.

  1. Бестужев-Лада И.В. Рабочая книга по прогнози- рованию / И.В. Бестужев-Лада, С.А. Саркисян, Э.С. Ми- наев, Е.Н. Мельникова. – М.: Мысль, 1982. – 428 с.

  2. Гарри Смит, Норман Дрейпер. Прикладной регрессионный анализ –К.: Диалектика, 2007.–912 с.

  3. В.В.Круглов, М.И.Дли, Р.Ю.Голунов. Нечеткая логика и искусственные нейронные сети –М.: ФИЗМАТЛИТ, 2000.–224 с.

  4. Г.К.Вороновский, К.В.Махотило, С.Н.Петрашев, С.А.Сергеев. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности –Харьков: Основа, 1997.–107с.

  5. Н.К.Моисеева. Экономические основы логистики –М.: ИНФРА–М, 2008.–528 с.

  6. С. Хайкин.Нейронные сети.Полный курс. 2–е изд., испр.:Пер. с англ. –М.: ООО «И.Д.Вильямс», 2006.–1104 с.

  7. Сток Дж.Р., Ламберт Д.М. Стратегическое управление логистикой: Пер. с 4-го англ. изд-я. – М.: ИНФРА-М, 2005. – 797 с.

  8. Коржов В. Система ERP для малых и средних предприятий. М.: Открытые системы, Computerworld, 2000, №15

  9.  Гайфуллин Б.Н., Обухов И.А. Автоматизированные системы управления предприятиями стандарта ERP/MRP II. М.: Богородский печатник, 2000.


Скачати 72.78 Kb.

  • Розглянуто проблему вибору методу для прогнозування потреби в ресурсах для малого підприємства, проаналізовано два основних програмних методи прогнозування, розглянуто структурну схему
  • Ключові слова: програмна система, прогнозування, мале підприємство
  • Software system forecasting resource requirements for small businesses
  • Keywords: prediction, software system, small businesses, resource requirements Вступ .
  • Постановка задачі