Агрегированная с многоагентным генетическим алгоритмом имитационная модель предприятия дистанционной торговли для решения задачи многокритериальной оптимизации тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Хивинцев Максим Андреевич
- Специальность ВАК РФ05.13.18
- Количество страниц 110
Оглавление диссертации кандидат наук Хивинцев Максим Андреевич
Введение
Глава 1. Имитационная модель предприятия дистанционной торговли
1.1 Выработка рациональных решений с помощью имитационного моделирования
1.2 Ключевые Бизнес-процессы предприятия дистанционной торговли
1.3 Имитационная модель для получения значений целевых функционалов оптимизационной задачи
1.4 Многокритериальная оптимизационная задача предприятия дистанционной торговли
1.5 Выводы
Глава 2. Разработка многоагентного генетического алгоритма
2.1 Используемые численные методы решения многокритериальных оптимизационных задач
2.2 Теоретические основы многоагентного генетического алгоритма, разработанного для формирования подмножества Парето
2.3 Программная реализация многоагентного генетического алгоритма
2.4 Результаты апробации многоагентного генетического алгоритма
2.5 Анализ устойчивости и сходимости многоагентного генетического алгоритма
2.6 Выводы
Глава 3. Агрегированная реализация разработанной имитационной модели и многоагентного генетического алгоритма в рамках программного комплекса
3.1 Описание функционала и архитектуры программного комплекса
3.2 Предлагаемые методы визуализации и сужения множества Парето-оптимальных решений
3.3 Агрегация разработанной имитационной модели с многоагентным генетическим алгоритмом и другими подсистемами
3.4 Результаты численных экспериментов с использованием разработанного программного комплекса
3.5 Выводы
Заключение
Список литературы
Список сокращений и условных обозначений
Приложения
Приложение 1. Константы и формулы для расчета переменных имитационной модели
Приложение 2. Фрагмент программного кода реализации МЛОЛМО
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Задачи высокой информационной сложности и численные методы их решения1999 год, доктор физико-математических наук Попов, Николай Михайлович
Модели и алгоритмы управления группой мобильных роботов2013 год, кандидат наук Проталинский, Игорь Олегович
Теоретические основы технологии имитационного моделирования и принятия решений в информационных системах промышленных предприятий2018 год, доктор наук Якимов Анатолий Иванович
Теоретические основы и методы реализации многокритериальных задач в многоуровневых системах управления промышленным предприятием2005 год, доктор технических наук Хадзарагова, Елена Александровна
Многокритериальные стабильно-эффективные компромиссы параметрической адаптации в многоканальной системе стабилизации беспилотного летательного аппарата2019 год, кандидат наук Любавский Кирилл Константинович
Введение диссертации (часть автореферата) на тему «Агрегированная с многоагентным генетическим алгоритмом имитационная модель предприятия дистанционной торговли для решения задачи многокритериальной оптимизации»
Введение
В настоящее время задачи бизнес-информатики становятся задачами большой размерности, большой вычислительной сложности и требуют новые подходы к решению. В частности, имитационное моделирование (далее ИМ) оказывается очевидно необходимым для задач бизнес-информатики, в которых целевой функционал, как правило, не может быть записан в явном виде и посчитан напрямую - его можно вычислить с помощью имитационной модели (далее ИМ) [1].
Актуальной задачей является разработка ИМ сложных организационных структур [30, 31], таких как предприятия дистанционной торговли. Дистанционная торговля через Интернет активно развивается в России. Из-за низких барьеров входа на рынок, в прошлые годы было создано около 200 тыс. Интернет-магазинов. Также большую популярность набирают трансграничные покупки в зарубежных Интернет-магазинах.
В результате на рынке электронной торговли, как частного случая рынка дистанционной торговли, наблюдается перенасыщение и, как следствие, консолидация отрасли вокруг крупных игроков под воздействием жесточайшей конкуренции, из-за которой многие успешные в прошлом игроки предпочитают закрыться, чтобы перестать нести свойственные для отрасли убытки. В такой ситуации лидерам отрасли нужно балансировать между развитием и оптимизацией, регулярно корректировать свою стратегию и тактику, находить резервы эффективности и принимать взвешенные управленческие решения в условиях жесткой конкуренции. Для помощи в выработке подобных инициатив может служить имитационная модель деятельности компании, агрегированная с многокритериальной оптимизационной задачей по целевым функционалам.
ИМ крупных организационных структур, таких как лидеры рынка дистанционной торговли, представляет собой сложную многомерную системно-динамическую модель, в которой многократные расчеты значений целевых функционалов в рамках оптимизационной задачи требуют значительных
вычислительных ресурсов. Поэтому на фоне существенного расширения вычислительных возможностей современных аппаратно-программных средств все большую актуальность приобретают эффективные оптимизационные модули для решения сложных оптимизационных задач.
Таким образом, актуальна задача проектирования оптимизационных модулей, предназначенных для поиска решений в многокритериальных оптимизационных задачах большой размерности, агрегированных с ИМ в рамках единого программного комплекса [1].
При этом можно выделить следующие ключевые проблемы, связанные с разработкой математического и программного обеспечения такого комплекса:
• Отсутствие теоретических и практических исследований по проектированию всеобъемлющей имитационной модели предприятия дистанционной торговли
• Необходимость построения эффективных алгоритмов поиска решений (в частности, класса генетических алгоритмов) в многокритериальных оптимизационных задачах, в которых значения целевых функционалов должны быть посчитаны с использованием сложных ИМ.
• Отсутствие интеграции программных компонент, обеспечивающих возможность поиска рациональных решений (определение наилучших сценариев) с использованием ИМ для нахождения фронта Парето, а также его визуализацию и сужение.
Эффективный метод поиска решений в оптимизационной задаче, агрегированной с имитационной моделью предприятия дистанционной торговли, востребован на практике. Степень разработанности проблемы
В научных трудах наблюдается отсутствие исследований по проектированию всеобъемлющей имитационной модели управления предприятием дистанционной торговли. В то же время имеются наработки, моделирующие лишь отдельные бизнес-процессы торговой компании - например, работу склада, колл-центр,
логистики. Но нет целостной имитационной модели, вобравшей в себя все ключевые бизнес-процессы, и целиком отражающей деятельность предприятия дистанционной торговли.
Направления исследований в области решения многокритериальных оптимизационных задач, которые могут лечь в основу оптимизационного модуля системы, можно разделить на следующие условные группы:
1. Методы зондирования пространства поиска решений, основанные на численных методах оптимизации (J.E. Fieldsend, S. Singh, S. Mostaghim, J. Teich, C.A. Coello, M.S. Lechunga, X. Hu, R. Eberhart, M. Laumanns, P. K. Tripathi, S. K. Pal и др.) Наиболее проработанный класс методов основан на генетических алгоритмах (далее ГА) [90]. Среди этих методов распространены: NSGA2 (K. Deb, S. Agrawal, A. Pratap, T. Meyarivan, 2002), основанный на методе недоменируемой сортировки; SPEA2 (E. Zitzler, M. Laumanns, L. Thiele, 2001), основанный на оценке силы Парето-доминирования.
2. Методы предварительного построения аппроксимационной поверхности отклика и последующая оптимизация по этой поверхности (Егорова И.Н., Бабий Ю. И.). Такой подход дает возможность в ходе оптимизации свести к минимуму «дорогостоящие», с точки зрения затрат машинного времени, процедуры расчета с использованием решателей.
3. Методы визуализации границы Парето с помощью аппроксимационных методов [54, 60] (Лотов А.В., Бушенков В.А., Каменев Г.К., Дородницын А.А.). Из большого набора полученных стохастическим образом решений с помощью аппроксимационных методов строится вероятный фронт Парето.
4. Методы сужения множества Парето с использованием дополнительных предпочтений, поученных от лица, принимающего решения (т.е. локализации наилучших решений вдоль фронта Парето) (Т. Саати, К. Миеттинен, Б. Руа и др.). В России активные исследования ведутся под
руководством В. Ногина (аксиоматический подход к сужению фронта Парето) и В. Подиновского [68-78], .
Несмотря на обширную базу исследований в существующих промышленных системах имитационного моделирования (далее СИМ), класса AnyLogic, PowerSim, и др., отсутствует инструментарий поиска рациональных решений, который включал бы в себя инструменты поиска подмножества Парето-оптимальных решений в многокритериальных оптимизационных задачах большой размерности с последующей визуализацией и сужением фронта Парето.
Объектом исследования является система поиска решений в многокритериальной оптимизационной задаче предприятия дистанционной торговли с использованием имитационного моделирования.
Предметом исследования является агрегированная с многоагентным генетическим алгоритмом имитационная модель предприятия дистанционной торговли для решения задачи многокритериальной оптимизации.
Цель исследования заключается в разработке имитационной модели и эффективных вычислительных процедур, реализованных в виде программного комплекса, обеспечивающего поиск рациональных управленческих решений в результате решения многокритериальной оптимизационной задачи для предприятия дистанционной торговли.
Для достижения данной цели были решены следующие задачи:
1. Описаны бизнес-процессы нескольких крупных типовых предприятий дистанционной торговли.
2. С использованием имеющихся в данной области исследований
спроектирована многомерная имитационная модель предприятия дистанционной торговли (сложной организационной структуры).
3. Поставлена многокритериальная оптимизационная задача для поиска рациональных решений при управлении предприятием дистанционной торговли, которая была агрегирована со спроектированной имитационной моделью по целевым функционалам.
4. Проведен системный анализ существующих методов, алгоритмов и программных продуктов, предназначенных для поиска решений в многокритериальных оптимизационных задачах большой размерности с использованием имитационного моделирования.
5. Разработан новый многоагентный генетический алгоритм, предназначенный для нахождения подмножества Парето с использованием разработанной имитационной модели. Проведена его апробация для поставленной оптимизационной задачи.
6. Спроектирован программный комплекс, обеспечивающий на основе многоагентного генетического алгоритма, агрегированной имитационной модели и других подсистем эффективную процедуру поиска рациональных решений. Проведены численные эксперименты для оценки разработанного программного комплекса.
7. Произведено внедрение программного комплекса в действующую компанию ООО «РитейлСистем».
Методы исследования: методы системного анализа, имитационного моделирования, исследования операций, поиска Парето-оптимальных решений, сужения фронта Парето, теории алгоритмов, методы разработки распределенных информационных систем, генетические алгоритмы.
Информационная база исследования. При построении имитационной модели использовались результаты статистического анализа, проведенного на основе исторических данных по 3 крупным компаниям, а также схемы бизнес-процессов тех же организационных структур. Исторические данные были собраны в единое хранилище данных, которое использовалось для апробации предложенного метода поиска рациональных решений и разработанного на его основе программного комплекса.
Научная новизна работы заключается в следующих новых научных результатах, выносимых на защиту:
1. Разработана имитационная модель предприятия дистанционной
торговли, отличающаяся от существующих полным математическим
8
описанием деятельности компании, что позволяет формировать целевые функционалы для многокритериальной оптимизационной задачи, решаемой многоагентным генетическим алгоритмом, и учетом сложной динамики трансформации клиентской базы.
2. На основе разработанной имитационной модели синтезирована задача математического программирования - задача многокритериальной оптимизации с тремя конкурентными критериями для поиска рациональных решений при управлении предприятием дистанционной торговли.
3. Предложен новый многоагентный генетический алгоритм
(MAGAMO) для эффективного нахождения подмножества Парето в многокритериальной оптимизационной задаче, агрегированный по целевым функционалам с имитационной моделью предприятия дистанционной торговли. MAGAMO отличается от классической островной модели перераспределением пространства решений между агентами и наличием их интеллектуальной составляющей.
4. Разработан оригинальный комплекс программ для поиска рациональных решений с использованием спроектированной имитационной модели, подсистемы поиска подмножества Парето на основе MAGAMO, визуализации фронта Парето, сужения фронта Парето. В результате произведено принципиальное расширение функционала системы имитационного моделирования в виде нового оптимизационного модуля.
Теоретическая значимость исследования состоит в разработанной имитационной модели предприятия дистанционной торговли, в которой реализован принципиально новый подход к прогнозированию продаж, использующий коэффициент трансформации клиентской базы. Имитационная модель позволяет вычислить целевые функционалы для поставленной многокритериальной оптимизационной задачи. Также новый теоретический
результат получен в виде многоагентного генетического алгоритма для формирования подмножества Парето с использованием имитационных моделей.
Практическая значимость исследования заключается в том, что разработанный программный комплекс апробирован на модели реально действующей организационной структуры (предприятие дистанционной торговли) и используется при выработке управленческих решений (имеется справка о внедрении).
Научные положения, выносимые на защиту:
1. Имитационная модель предприятия дистанционной торговли,
2. Задача многокритериальной оптимизации, синтезированная на основе разработанной имитационной модели для поиска рациональных решений при управлении предприятием дистанционной торговли.
3. Многоагентный генетический алгоритм (МАОЛМО) для эффективного нахождения подмножества Парето в многокритериальной оптимизационной задаче, агрегированный по целевым функционалам с имитационной моделью предприятия дистанционной торговли.
4. Оригинальный комплекс программ для поиска рациональных решений с использованием спроектированной имитационной модели, подсистемы поиска подмножества Парето на основе МАОЛМО, визуализации фронта Парето, сужения фронта Парето.
Достоверность и обоснованность полученных результатов подтверждается их соответствием известным теоретическим и практическим данным, опубликованным в литературе, а также положительным результатами численных экспериментов, проведенных с использованием разработанной имитационной модели и многоагентного генетического алгоритма на реальных данных предприятия дистанционной торговли.
Результаты диссертационного исследования докладывались и обсуждались на научно-практических конференциях и получили одобрение научной общественности.
Апробация результатов исследования. Основные результаты диссертационной работы докладывались и обсуждались на научно-методическом семинаре для аспирантов НИУ ВШЭ по специальности «Математическое моделирование, численные методы и комплексы программ» в 2013 г.; на международных научных конференциях: «Информационные технологии в экономике, управлении и бизнесе», организованной НИУ ВШЭ в 2013 г.; «IEEE International Conference on Systems, Man, and Cybernetics» в г. Манчестер, Великобритания, в 2013 г.; «V International Conference Optimization and Applications» в г. Петровац, Черногория, в 2014 г.; «XVI Апрельская международная научная конференция «Модернизация экономики и общества», организованной НИУ ВШЭ, в 2015 г.
Публикации. Материалы диссертации опубликованы в 6 печатных работах, из них 3 статьи в рецензируемых журналах из перечня ВАК, 1 в научном журнале, 2 статьи в сборниках трудов конференций.
Личный вклад автора - все представленные в диссертации результаты получены лично автором, а именно: создана имитационная модель предприятия дистанционной торговли; разработан новый многоагентный генетический алгоритм, агрегированный с данной имитационной моделью; спроектирован программный комплекс для поиска рациональный решений с использованием разработанной имитационной модели, многоагентного генетического алгоритма и других компонентов, который затем был внедрен и успешно используется в действующей компании.
Подготовка к публикации полученных результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим.
Апробация результатов исследования на конференциях проводилась как автором самостоятельно, так и с участием научного руководителя.
Структура и объем диссертации. Диссертация состоит из введения, 3 глав, заключения, списка использованной литературы, включающего 108 наименований. Общий объем диссертации без учета приложений составляет 109 страниц.
Глава 1. Имитационная модель предприятия дистанционной
торговли
1.1 Выработка рациональных решений с помощью имитационного моделирования
Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией. Имитация, в свою очередь, — это постижение сути явления, не прибегая к экспериментам на реальном объекте).[2]
К имитационному моделированию прибегают, когда:
• дорого или невозможно экспериментировать на реальном объекте;
• невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические переменные;
• необходимо сымитировать поведение системы во времени.
Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами или другими словами — разработке симулятора исследуемой предметной области для проведения различных экспериментов. [2]
С помощью имитационного моделирования можно ответить на множество вопросов, возникающих в момент принятия решения, однако очень часто эти вопросы остаются без ответов до тех пор, пока предполагаемые изменения не будут осуществлены. Но после того как изменения проделаны, цена исправления ошибочных решений становится значительно выше. Имитационное моделирование дает возможность тестировать разные идеи, «проигрывая» их на компьютерной модели, что намного дешевле, чем проводить множество испытаний и исправлений ошибок на реальных процессах.
Существует известная проблема поиска субоптимальных решений в имитационных моделях «больших систем», таких как, система управления технологическими режимами сложного производства, система оптимального управления финансовыми и материальными потоками крупной корпорации, система управления инвестиционным портфелем и др. [1]. Поиск субоптимальных решений в подобных системах должен осуществляться по множеству, как правило, конкурентных и разномасштабных критериев со сложными ограничениями.
Проблема заключается в том, что оптимизация сразу по нескольким критерияи требует значительных временных и вычислительных ресурсов. При этом, так как целевые функции многих переменных (более 10) порождают многомерное пространство поиска решений, вычислительная сложность оптимизационной задачи, как правило, становится преградой к ее решению за допустимое время. Аналитическое описание и строгое решение такой задачи на практике, как правило, не осуществимо.
В то же время, решение - это выбор наиболее приемлемой альтернативы из возможного многообразия вариантов. Цель процесса принятия решений -обеспечить движение к намеченной цели.
Имитационное моделирование позволяет вырабатывать именно рациональные решения - это продуманные, взвешенные решения, принятые на основе выбора, сравнения вариантов и учета многих факторов; другими словами -выгодное целесообразное решение, выбор которого подкреплен результатами объективного анализа. Рациональное решение в отличие от основанного на суждении не зависит от опыта, накопленного в прошлом [36, 38].
Последовательность выработки и принятия рационального решения выглядит следующим образом [98]:
• Сбор информации о возможных проблемах
• Выявление и определение причин возникновения проблемы
• Формулирование целей решения проблемы
• Обоснование стратегии решения проблемы
• Разработка вариантов решения
• Выбор критериев, по которым будет принято решение;
• Разработка и формулировка альтернатив;
• Выбор оптимальной альтернативы из их множеств;
• Корректировка и согласование решения
• Реализация решения
Такое схематичное линейное движение в процессе принятия решения может быть уместным и эффективным при решении задачи с большим количеством явных переменных, которые необходимо структурировать и расставить по местам. Эта система наилучшим образом проявляет себя тогда, когда направлена на решение задач, поддающихся анализу, задач, в которой все переменные могут быть измерены и структурированы с помощью логических действий.
Имитационное моделирование позволяет осуществлять полный цикл выработки и принятия рационального решения. Для этого необходимо создать целостный программный комплекс, позволяющий не только оценивать альтернативы с помощью имитационного моделирования, но и оказывать поддержку лицу, принимающему решения, в выборе одной из них.
Описанный программный комплекс должен обладать следующим функционалом:
1) Разработка имитационных моделей
2) Управление расчетами имитационной модели
3) Постановка оптимизационной задачи
4) Поиск вариантов и оценка альтернатив (в частности, в случае с
многокритериальной оптимизацией, построение фронта Парето)
5) Оказание помощи лицу, принимающего решения, по выбору из
альтернатив (в частности, визуализация и сужение фронта Парето)
К числу продуктов для Имитационного моделирования относятся ithink, iDecide, AnyLogic, Powersim, разработанные, соответственно, фирмами High Performance Systems, Decisive Tools, Экс Джей Текнолоджис, Powersim. Для
большинства зарубежных продуктов характерна узкая специализация, фрагментарность предлагаемых решений. В то время как российские разработчики часто стремятся расширить возможности своего продукта, дополнить его новой функциональностью, их зарубежные коллеги дробят продукт на части, каждая из которых решает вполне определенную задачу.
Критерий достаточности функционала СИМ: хорошо реализованный системно-динамический подход к моделированию, возможность подключения гибко-настраиваемого модуля решения оптимизационных задач (в т.ч. многокритериальных), работающего с большим числом варьируемых параметров и графический вывод результата.
Scilab и Simulink - хорошо реализован дискретно-событийный подход к моделированию, но он слабо подходит к стратегическому управлению.
Интеграция с MatLab дает возможность использования встроенных в MatLab численных методов. Для управления необходимо знание синтаксиса MatLab. Имеется возможность распараллеливания вычислений. Нельзя из MatLab управлять моделью, только из тех средств. Имеется графический вывод результата.
Arena - OptQuest - по заверению разработчиков до 10 параметров, 1 цель, на основе метаэвристик рассеянного поиска. Имеется графический вывод результата
AnyLogic - OptQuest - по заверению разработчиков до 10 параметров, 1 цель, на основе метаэвристик рассеянного поиска. Возможность подключения Java-приложений и управления испод них. Имеется графический вывод результата
PowerSim - движок PowerSim Solver, в основе генетические алгоритмы, существует проблема быстродействия и точности решений при >10 варьируемых параметрах. Многоцелевая оптимизация достигается только через взвешенную сумму значений критериев. Возможность подключения библиотеки SDK и сторонних приложений, написанных на C++, C#, Java. Отсутствует графический вывод результатов.
Вывод: отсутствует достаточный функционал у СИМ. Для доработки выбран PowerSim Studio 8 за счет лучшей реализации системно-динамического подхода.
Сравнительный анализ этих продуктов показал, что системно-динамический подход к моделированию реализован не в одном программном средстве, но PowerSim Studio 8 выделяется среди остальных пакетов способностью обрабатывать массивы и поддерживать коллективную работу, а также тем, что содержит библиотеку с большим числом функций. Массивы, которые позволяют разработчику использовать наборы переменных, особенно удобны при построении моделей со сходной структурой. PowerSim Studio 8 включает в себя более 150 функций, разделенных на 16 групп, в том числе финансовую, математическую, статистическую, графическую и историческую. Подобно другим пакетам, PowerSim Studio 8 использует при исполнении моделей средства анимации. Ключевые параметры, диаграммы и таблицы можно выводить непосредственно на экран моделирования, упрощая тем самым просмотр результатов и давая возможность высшему менеджменту увидеть картину происходящего целиком.
Кроме того, у данного решения самые обширные возможности по интеграции с другими ИТ-платформами (рис. 1). Поэтому выбор пал на PowerSim Studio 8. На нем и будет спроектирована модель.
Рисунок 1. Возможность интеграция PowerSim Studio 8 с другими IT-
платформами
Бесспорным преимуществом пакета Powersim является наличие SDK-библиотеки и Simulation Engine компонента, позволяющих управлять запуском модели из программ на языке C++ и C#. Это сильно расширяет горизонты применения имитационных моделей.
В Powersim реализован системно-динамический подход к моделированию, наиболее подходящий для имитационного моделирования верхне-уровневой деятельности предприятия. Для этого программный продукт снабжен редактором диаграммы для конструирования моделей. Переменные представлены как графические объекты, которые могут быть соединены с использованием связей и потоков. Каждая связь определяет тип взаимосвязи между соединенными переменными. Точное определение отношений между переменными осуществляется с помощью уравнения на языке Powersim. Динамические объекты могут быть расположены в любом месте диаграммы, и отображать поведение модели во время процесса имитации. Очень удобной является методика подсоединения подмоделей, описывающих какой-либо отдельный процесс, являющийся по тем или иным причинам важным для исследователя, к главной модели. Такая структурная организация позволяет сделать модель более точной и проблемно-ориентированной, особенно в тех случаях, когда исследователя интересует не поведение системы в целом, а какой-либо отдельной её части, причём общая модель может использоваться в качестве своеобразного генератора рабочей частоты для подмодели, например, для более точного определения входных воздействий.
Графический интерфейс программы позволяет строить диаграммы в терминах, практически ничем не отличающихся от предложенных Джеем Форрестером (основатель систмено-динамического подхода к имитационному моделированию).
Существует пять основных типов элементов (таблица 1): уровни, служащие
для накопления какого-либо ресурса, вещества и т. п.; потоки, переносящие
содержимое из уровней и/или в уровни, темпы потоков, определяющие
интенсивность последних; вспомогательные величины, содержащие текущие
18
значения изучаемого показателя; параметры модели в виде констант и функции решения, используемые для отражения закономерностей и зависимостей между элементами модели. Кроме того вспомогательные переменные могут быть объединены с потоками и образовывать потоки с регулируемой пропускной способностью. Связи могут быть информационными, замедляющими и связи для задания начальных условий.
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Разработка математических моделей и комбинированных алгоритмов численной оптимизации структуры модульных объектов2013 год, кандидат наук Андраханов, Сергей Валерьевич
Методики, модели и алгоритмы комплексной многокритериальной оптимизации автоматизированных технологических систем2014 год, кандидат наук Пайе Тэйн Наинг
Гибридные системы интеллектуального имитационного моделирования на основе бионических подходов и многоагентных моделей2005 год, кандидат технических наук Афонин, Павел Владимирович
Разработка методов группового управления на основе эволюционных алгоритмов многокритериальной оптимизации2011 год, кандидат технических наук Моледу Монрой Маурисио Филипе
Обоснование эффективности современных сельскохозяйственных мобильных энергосредств с применением методов многокритериальной оптимизации2024 год, кандидат наук Годжаев Теймур Захидович
Список литературы диссертационного исследования кандидат наук Хивинцев Максим Андреевич, 2015 год
Список литературы
1. Akopov A.S. Designing of integrated system-dynamics models for an oil company // International Journal of Computer Applications in Technology. 2012. Vol. 45. No. 4. P. 220-230.
2. Akopov A.S., Hevencev M.A. A Multi-agent genetic algorithm for multi-objective optimization // Proceedings of 2013 IEEE International Conference on Systems, Man and Cybernetics. Manchester, UK, October 13-16, 2013. IEEE, 2013. P. 1391-1396.
3. Alba E., Troya J.M. A Survey of Parallel Distributed Genetic Algorithms// Complexity. - 1999. - Vol.4, № 4. - P.31-52.
4. Alba E., Troya J.M. Analyzing Synchronous and Asynchronous Parallel Distributed Genetic Algorithms// Future Generation Computer Systems. - 2001. - Vol.17, №4. -P.451-465.
5. Alba E., Troya J.M. Influence of the Migration Policy in Parallel Distributed GAs with Structured and Panmictic Populations// Application Intelligence. - 2000. - Vol.12, №3. - P.163-181.
6. Bleuer S., Brack M., Thiele L., Zitzler E. Multiobjective genetic programming: Reducing bloat by using SPEA 2 // Proceedings of the 2001 Congress on Evolutionary Computation (CES-2001). Seoul, Korea, May 27-30, 2001. P. 536-543.
7. Coello Coello C.A. A comprehensive survey of evolutionary-based multiobjective optimization techniques.
8. Coello Coello Carlos A. An empirical study of evolutionary techniques for multiobjective optimization in engineering design. PhD thesis. Department of computer science, Tulane university. New Orleans, LA, apr 1996.
9. Deb K. Evolutionary Algorithm for Multi-Criterion Optimization in Engineering Design // Proceedings of Evolutionary Algorithms in Engineering and Computer Science (EUROGEN-99) -- pp. 135-161.
10.Deb K. Multi-objective Genetic Algorithms: Problem Difficulties and Construction of Test Problems. // Evolutionary Computation -- vol.7, 1999. -- pp. 205-230.
11.Escart Zitzler, Lothar Thiele, "Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach". IEEE Transactions on Evolutionary computation, vol. 3, no. 4, 1999.
12.Fonseca C.M., Fleming P.J. Multiobjective optimization and multiple constraint handling with evolutionary algorithms - Part I: A unified formulation. Technical report
564, University of Sheffield, Sheffield, UK, January 1995.
13.Fonseca C.M., Fleming P.J. Multiobjective optimization and multiple constraint handling with evolutionary algorithms - Part II: Application example. Technical report
565, University of Sheffield, Sheffield, UK, January 1995.
14.Golub M., Jakobovic D. A New Model of Global Parallel Genetic Algorithm// proceedings of 22nd International Conference on Information Technology Interfaces IVI. - 2000. - P.363-368.
15.Gordon V.S., Whitley D., Bohn A. Dataflow parallelism in genetic algorithms // Parallel Problem Solving from Nature, Amsterdam: Elsevier Science. 1992. No.2. P. 533-542.
16.Grosso P.B. Computer Simulations of Genetic Adaptation: Parallel Subcomponent Interaction in a Multilocus Model// Unpublished doctoral dissertation, The University of Michigan. (University Microfilms №8520908), 1985.
17.Gumennikova, A.V. Comparative analysis of multiobjective optimization methods by genetic algorithms / A.V. Gumennikova // Красноярский край: освоение, развитие, перспективы: Тез. Докл. Регион. Студ. Науч. Конф. Ч. 1/ Краснояр. Гос. Аграр. Ун-т; Сост. О.Н. Чепалова. - Красноярск, 2003, с. 33-34.
18.Holland, J.H. Adaptation in Natural and Artificial Systems. Cambridge, MA: MIT Press, 1992 (2nd edition).
19.Horn, J., Nafpliotis N., Goldberg D. E. A niched Pareto genetic algorithm for multiobjective optimization. In Proceedings of the First IEEE Conference on Evolutionary Computation, Vol. 1, Piscataway, 1994. - P. 82-87.
20. http: //www.opttek.com/OptQuest
21. J. H. Holland. "Adaptation in natural and artificial systems". University of Michigan Press, Ann Arbor, 1975.
22.P. Hajena and C.-Y. Lin, "Genetic Search strategies in multicriterion optimization design". Structural Optimization, vol. 4 New York: Springer, June 1992, pp. 99 - 107.
23.Pareto Front Viewer. http://www.ccas.ru/mmes/mmeda/soft/third.htm (дата обращения 01.01.2014).
24. Sao Jose, Simoni, P.O. "The island model parallel GA and uncertainty reasoning in the correspondence problem Neural Networks". Proceedings. IJCNN '01. International Joint Conference on, Volume 3. 2001
25.Schaffer, J.D. Multiple objective optimization with vector evaluated genetic algorithms. In J. J. Grefenstette (Ed.), Proceedings of an International Conference on Genetic Algorithms and Their Applications, Pittsburgh, PA, 1985. - P. 93-100.
26.Zitzler E., Thiele L. Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach // IEEE Transactions on Evolutionary Computation, 1999.
27.Zitzler E., Thiele L. Multiobjective optimization using evolutionary algorithms -- A comparative case study. // Parallel Problem Solving from Nature -- Springer, Berlin, Germany. -- pp. 292-301.
28.Абакаров А.Ш., Сушков Ю.А. Статистическое исследование случайного поиска // Математические модели. Теория и приложения. -- СПб.: СПбГУ. 2002. -- C. 87101.
29.Айзерман М.А., Алескеров Ф.Т. Выбор вариантов. Основы теории. - М.: Наука, 1990, 236 с.
30.Акопов А.С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч.1. Математическое обеспечение системы управления инвестиционной деятельностью вертикально-интегрированной нефтяной компании // Проблемы управления. 2010. №2 6. С. 1218.
31. Акопов А.С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч.2. Программная реализация системы управления инвестиционной деятельностью вертикально-
интегрированной нефтяной компании // Проблемы управления. 2011. №2 1. С. 4754.
32.Аоки М. Введение в методы оптимизации. Перев. с англ., - М.: Наука. Главная редакция физико-математической литературы, 1977. - 344 с.
33.Березкин В.Е., Каменев Г.К. Аппроксимация границы Парето двухфазным адаптивным методом с глобальной оптимизацией // VI Московская международная конференция по исследованию операций (ORM2010) (Москва, 19-23 октября 2010 г.): труды. М.: Изд-во МГУ, 2010. C. 176-178.
34.Березкин В.Е., Каменев Г.К., Лотов А.В. Гибридные адаптивные методы аппроксимации невыпуклой многомерной паретовой границы // Журнал вычислительной математики и математической физики. 2006. Т. 46, № 11. С. 2009-2023.
35. Березовский Б.А., Барышников Ю.М., Борзенко В.И., Кемпнер Л.М. Многокритериальная оптимизация. Математические аспекты. - М.: Наука, 1989, 128 с.
36.Бесекерский В.А., Попов Е.П. Теория систем автоматического управления. СПб.: Издво «Профессия», 2003. 752 с.
37.Виханский О. С., Наумов А. И. Менеджмент: человек, стратегия, организация, процесс: Учебник. / М.: Изд-во МГУ, 1995.
38.Гафт М.Г. Принятие решений при многих критериях. М.: Знание, 1979.
39.Гафт М.Г., Подиновский В.В. О построении решающих правил в задачах принятия решений // Автоматика и телемеханика. 1981. № 6. С. 128 - 138.
40.Гермейер Ю.Б. Введение в теорию исследования операций, М.: Наука, 1971.
41.Гуменникова, А.В. Алгоритм решения многокритериальных задач условной оптимизации / А.В. Гуменникова // Труды 42-й Внутривузовской конференции творческой молодежи, посвященной Всемирному дню авиации и космонавтики 12 апреля. - Красноярск: СибГАУ, 2004.
42. Гуменникова, А.В. Гибридный алгоритм адаптивного поиска для решения задач условной многокритериальной оптимизации / А.В. Гуменникова, Т.Р. Ильина // Вестник Сибирского государственного аэрокосмического университета имени
91
академика М.Ф. Решетнева: Сб. науч. тр./ Под ред. Проф. Г.П. Белякова; СибГАУ. - Вып. 5. - Красноярск, 2004, с. 70-76
43.Гуменникова, А.В. Модели и алгоритмы формирования инновационной программы реструктурированного предприятия ВПК / А.В. Гуменникова, К.В. Гупалов // Сборник трудов межрегиональной научно-практической конференции «Интеллект 2004». - Красноярск: СИБУП, 2004, с. 3-5.
44.Гуменникова, А.В. О решении задачи многокритериальной оптимизации генетическими алгоритмами / А.В. Гуменникова // XI туполевские чтения: Всероссийская (с международным участием) молодежная научная конференция, Казань, 8 - 10 октября 2003 года: Тезисы докладов. Том III. Казань: изд-во Казан. Гос. Техн. Ун-та. 2003. с. 7.
45.Гуменникова, А.В. Об эволюционном подходе к решению многокритериальных задач условной оптимизации / А.В. Гуменникова // Труды VIII Международной научно-практической конференции «Системный анализ в проектировании и управлении». - Санкт-Петербург, 2004, с. 72-76.
46.Гуменникова, А.В. Об эволюционных алгоритмах решения сложных задач оптимизации / А.В. Гуменникова, М.Н. Емельянова, Е.С. Семенкин, Е.А. Сопов // Вестник Сибирского государственного аэрокосмического университета имени академика М.Ф. Решетнева: Сб. науч. тр./ Под ред. Проф. Г.П. Белякова; СибГАУ. - Вып. 4. - Красноярск, 2003, с. 14-23.
47.Гуменникова, А.В. Один подход к решению многокритериальной задачи условной оптимизации генетическими алгоритмами / А.В. Гуменникова // Труды 4-ой Международной конференции молодых ученых и студентов «Актуальные проблемы современной науки». Естественные науки. Часть 17 Секции: информатика, вычислительная техника и управление. - Самара, 2003, с. 31-34.
48.Гуменникова, А.В. Эволюционные алгоритмы для многокритериальной и многоэкстремальной оптимизации / А.В. Гуменникова, М.Н. Емельянова, В.М. Клешков // Вестник НИИ СУВПТ, № 13: Сб. научн. трудов. - Красноярск: НИИ СУВПТ, 2003. - Вып. 13, с. 237-248.
49.Дорф Р., Бишоп Р. Современные системы управления: пер. с англ. М.: Лаборатория Базовых Знаний, 2004. 832 с. [Dorf R.C., Bishop R.H. Modern control systems. 8th ed. Addison-Wesley, 2002. 832 p.]
50.Дубов Ю.А., Травкин С.И., Якимец В.Н. Многокритериальные модели формирования и выбора вариантов систем. - М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 296 с. - (Теория и методы системного анализа.)
51.Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. — М: Физматлит, 2003. — c. 432.
52.Емельянов С.В., Ларичев О.И. Многокритериальные методы принятия решений. - М.: Знание, 1985. - 32 с. - (Новое в жизни, науке, технике. Сер. «Математика, кибернетика»; № 10).
53.Исаев Д.В. Мониторинг и планирование развития систем информационной поддержки корпоративного управления и стратегического менеджмента // Бизнес-информатика. 2012. № 3 (21). С. 63-69.
54.Каменев Г.К., Лотов А.В., Рябиков А.И. Использование параллельных вычислений при аппроксимации многомерной границы Парето в задачах многокритериальной оптимизации // 5-я международная конференция «Параллельные вычисления и задачи управления»: тр. М.: Изд-во МГУ, 2010. С. 241-264.
55.Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. - М.: Радио и связь, 1981.
56.Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ./Под ред. И.Ф. Шахнова. - М.: Радио и связь, 1981. - 560 с. ил.
57.Клешков В.М. Модели и алгоритмы распределения общих ресурсов при управлении инновациями реструктурированного предприятия ВПК. -Дисс. канд. техн. наук. - Красноярск: НИИ СУВПТ, 2003, 165 с.
58.Климова О.Н., Ногин В.Д. Учет взаимно зависимой информации об относительной важности критериев в процессе принятия решений// Журнал
вычислительной математики и математической физики, 2006, т. 46, № 7, С. 21792191.
59.Круглов М. Генетические алгоритмы. Компьютерная газета. URL: http: //www.nestor.minsk.by/kg.
60.Курейчик В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация: теория и практика. — М: Физматлит, 2006. — С. 272.
61.Курячко В.П., Курейчик В.М., Норенков И.П. Теоретические основы САПР. -М.: Энергоатомиздат, 1987. -- 400 с.
62. Ларичев О.И. Наука и искусство принятия решений. - М.: Наука, 1979.
63. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000.
64.Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решений. М.: Издво. МГУ им. М.В. Ломоносова, 2008. 197 с.
65.Меньшикова О.Р., Подиновский В.В. Построение отношения предпочтения и ядра в многокритериальных задачах с упорядоченными по важности неоднородными критериями// ЖВМиМФ, 1988, 28(5), 647-659.
66.Мескон М. Х., Альберт М., Хедоури Ф. Основы менеджмента: Пер. с англ. / М.: <Дело>, 1993.
67.Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974.
68.Ногин В.Д. Принятие решений при многих критериях. СПб: Изд-во Ютас, 2007. 104 с.
69.Ногин В.Д. и др. Основы теории оптимизации. - М.: Высшая школа, 1986, 384 с.
70.Ногин В.Д. Логическое обоснование принципа Эджворта-Парето // Журнал вычислительной математики и математической физики. 2002. Т. 42, №2 7. С. 950956.
71. Ногин В.Д. Логическое обоснование принципа Эджворта-Парето// Журнал вычислительной математики и математической физики, 2002, т. 42, № 7, С. 950956.
72. Ногин В.Д. Новый способ сужения области компромиссов// Известия АН СССР. Техническая кибернетика, 1976, 5.
73.Ногин В.Д. Принятие решений в многокритериальной среде. Количественный подход. -- М.: Физматлит, 2002. -- 176 с.
74. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход (2-е изд. испр. и доп.) . М.: ФИЗМАТЛИТ, 2005.
75.Ногин В.Д. Проблема сужения множества Парето: подходы к решению // Искусственный интеллект и принятие решений. 2008. № 1. С. 98-112.
76.Ногин В.Д. Проблема сужения множества Парето: подходы к решению// Искусственный интеллект и принятие решений. - 2008, № 1, С. 98-112.
77. Ногин В.Д. Теоремы о полноте в теории относительной важности критериев// Вестник СПбГУ, сер.: мат., мех., астрономия., 2000, 40 (25), 13-18.
78.Ногин В.Д., Прасолов А.В. Многокритериальная оценка оптимальной величины импортной пошлины // Труды Института Системного Анализа РАН. 2013. Т. 63, вып. 2. С. 34-44.
79.Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа: Учеб. 2-е изд., доп. - Томск: Изд-во НТЛ, 1997. - 369 с.: ил.
80.Подиновский В.В. Введение в теорию важности критериев в многокритериальных задачах принятия решений. М.: Физматлит, 2007. 64 с.
81.Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно применяемым критериям. М., «Сов. радио», 1975, 192 с.
82.Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. -- М.: "Наука", 1982. -- 254 с.
83.Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. - М.: Наука. Главная редакция физико-математической литературы, 1982. - 256 с.
84.Романова И.К. Программный комплекс «Многокритериальная оптимизация систем управления»: свидетельство о государственной регистрации программы для ЭВМ № 2012610400 РФ. 2012г.
85.Романова И.К. Управление сложными техническими объектами. Ч.М.: Изд-во МГТУ им. Н.Э. Баумана, 2010. 80 с.
86.Семенкин Е.С., Семенкина О.Э., Коробейников С.П. Оптимизация технических систем. Учебное пособие. - Красноярск: СИБУП, 1996. 284 с.
87.Семенкин, Е.С. Распределение ресурсов при управлении инновациями реструктурированного предприятия ВПК / Е.С. Семенкин, В.М. Клешков, К.В. Гупалов, А.В. Гуменникова // - Красноярск: СибГАУ, 2004, с. 124-134.
88.Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. -- М.: Наука, 1982. -- 110 с.
89.Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Дрофа , 2006. 175 с.
90.Струнков Т. Что такое генетические алгоритмы / PC Week RE 19/99. URL: http://www.neuroproject.ru/gene.htm .
91.Сушков Ю.А. Метод, алгоритм и программа случайного поиска // -- Л.: ВНИИТрансМаш, 1969. -- 43 с.
92.Сушков Ю.А. Многокритериальность в многорежимных системах. // Архитектура и программное оснащение цифровых систем. -- М.: МГУ, 1984. -- С . 71-77.
93.Сушков Ю.А. Об одном способе организации случайного поиска // Исследование операций и статистическое моделирование. -- Л. ЛГУ. 1972. Вып.1. -- С.180-185.
94.Тягунов О.А. Выбор показателей качества при многокритериальной настройке параметров систем управления // Мехатроника, автоматизация, управление. 2008. № 4. С. 12-16.
95.Хайниш С.В., Клешков В.М., Бородин А.Н. Российское предприятие ВПК: выжить и развиваться. (На примере реформирования и развития Химзавода -филиала ФГУП «КРАСМАШ»). - М.: Рохос, 2003. - 240 с., цв. вкл. (Из опыта управленческого консультирования.)
96.Хивинцев М.А., Акопов А.С. Распределенная эволюционная сеть для решения многокритериальных оптимизационных задач в системах имитационного моделирования // Бизнес-информатика. 2013. № 3 (25). С. 35-41.
97.Черноруцкий И. Г. Методы оптимизации и принятия решений. -- СПб.: Лань, 2001. -- 384 с.
98.Черноруцкий И.Г. Методы принятия решений. СПб.: Изд-во БХВ-Петербург, 2005. 416 с.
99.Юдин Д.Б. Вычислительные методы теории принятия решений. - М.: Наука. Гл. ред. физ.-мат. лит., 1989. - 320 с. (Теория и методы системного анализа.)
Список сокращений и условных обозначений
MAGAMO - Multi-agent genetic algorithm for multi-objective optimization (многоагентный генетический алгоритм для многокритериальной оптимизации)
SPEA2 - Strength Pareto Evolutionary Algorithm (алгоритмы силы Парето)
ИМ - имитационная модель, имитационное моделирование
ЛПР - лицо, принимающее решение
ПДТ - предприятие дистанционной торговли
ПК - программный комплекс
РЭС - распределенная эволюционная сеть
СИМ - система имитационного моделирования
Приложения
Приложение 1. Константы и формулы для расчета переменных имитационной модели
Таблица 4. Константы и формулы для расчета переменных имитационной
модели
Название переменной / константы Измерение Формула / значение
% Невыкупленного по категориям Категории {25; 20; 22; 15; 17; 16; 15} %
% доставки от стоимости заказа по городам Города 2%
EBITDA накопленная 0
Базовая доступность товаров на складе по Категориям Категории 60%
Базовая себестоимость Категории {8100; 8010; 20900; 10920; 4400; 4000; 1050}
Базовая средняя цена на рынке Категории {8500;8800;21000;11000;6500;5000;1200}
Базовая эластичность по цене Сегменты_к лиентов;Кат егории -2
Валовая прибыль ARRSUM('Купят всего по Городам и Категориям'*'Прибыль с 1 заказа')
Влияние имиджа по Сегментам клиентов Сегменты_к лиентов {0,8; 1,5; 1,2}
Влияние маркетингового покрытия Сегменты_к лиентов {2,17*1,2; 2,17*1,5; 2,17*0,7}
Влияние разницы от среднерыночной по Сегментам клиентов Сегменты_к лиентов {150%; 80%; 120%}
Влияние удовлетворенности обслуживанием по Сегментам клиентов Сегменты_к лиентов {0,7; 1,5; 1,2}
Выручка ARRSUM('Выручка по Городам и Категориям')
Выручка по Городам Города FOR(i=Города|ARRSUM('Выручка по Городам и Категориям'^]))
Выручка по Городам и Категориям Города; Категории 'Купят всего по Городам и Категориям'*'Цена в городе и по категории'
Выручка по Категориям Категории FOR(i=Категории|ARRSUM(TRANSPOSE('Выручка по Городам и Категориям')^]))
Готовность повторных клиентов к следующей покупке Периоды_п окупки FOR(i=Периоды_покупки | -0,00014*^2+0,0075^+0,0075)/3
Дней исполнения заказа по Городам Города {1; 3; 4; 5; 3; 8}
Доля неликвидного от возвратов 10%
Доля рынка 'Купят всего в этом периоде'/'Суммарный объем рынка'
Доступность товаров на складе по Категориям Категории 60%
Изменение маркетинга Города; Сегменты_к лиентов; Категории ('Покрытие клиентской базы'-'Маркетинг утечет')/1<<mo>>
Изменение удовлетворенности ('Качество обработки заказа'-'Имидж утечет')/'Маркетинговые расходы общие'*168000000/1<<mo>>
Имидж утечет 'Накопленный имидж'*'Уровень дисконта имиджа'
Интенсивность маркетинга 1
Инфляция накопленная 'Инфляция накопленная прошлого периода'*(1+'Инфляция этого периода')
Инфляция накопленная прошлого периода DELAYPPL('Инфляция накопленная';1<<mo>>;1)
Инфляция этого периода 0,15%
Исходное соотношение клиентов по Сегментам в клиентской базе Сегменты_к лиентов {40%; 30%; 30%}
Исходный Объем рынка по Городам и Категориям Города;Кате гории {{35000;28125;11000;8750;26250;13125;26250};{20000; 11250;5225;5000;15000;7500;15000};{14000;7500;3575; 3500;10500;5250;10500};{12000;6250;3025;3000;9000;4 500;9000};{10000;5000;2475;2500;7500;3750;7500};{900 0;4375;2200;2250;6750;3375;6750}}
Исходный накопленный имидж 10
Качество обработки заказа 1
Качество прошлого периода Периоды_п окупки FOR(i=Периоды_покупки|DELAYPPL('Степень удовлетворенности качеством обслуживания'[П;1<<то>>;0))
Клиентская база по Неделям совершения последней покупки и Городам Исходное Города; Периоды_п окупки 0
Клиентская база по месяцам совершения последней покупки и Городам Города; Сегменты_к лиентов; Периоды_п окупки FOR(i=Города;j=Сегменты_клиентов;k=Периоды_покуп ки|'Клиентская база по Неделям совершения последней покупки и Городам Исходное'^;к]*'Исходное соотношение клиентов по Сегментам в клиентской базе'[|])
Комиссия за зачисление денег Выручка*'Комиссия с 1 заказа'
Комиссия с 1 заказа 1%
Купят все клиенты по Городам и Сегментам и Категориям Города; Сегменты_к лиентов; Категории 'Купят повторные клиенты по Городам и Сегментам клиентов и Категориям'+'Купят новые клиенты по Городам и Сегментам и Категориям'
Купят всего в этом периоде ARRSUM('Купят всего по Городам')
Купят всего по Городам Города FOR(i=Города|ARRSUM('Купят всего по Городам и Категориям'^]))
Купят всего по Городам и Категориям Города; Категории FOR(i=Города;j=Категории | (ARRSUM(TRANSPOSE('Купя т все клиенты по Городам и Сегментам и Категориям'[П)[|])))
Купят всего по Городам и Сегментам клиентов Города; Сегменты_к лиентов FOR(i=Города;j=Сегменты_клиентов| ARRSUM('Купят все клиенты по Городам и Сегментам и Категориям'[^]))/'Среднее число покупок клиентом за период'
Купят всего по Категориям Категории FOR(i=Категории|ARRSUM(TRANSPOSE('Купят всего по Городам и Категориям')^]))
Купят новые клиенты по Городам и Сегментам и Категориям Города; Сегменты_к лиентов; Категории 'Непокрытый объем рынка'*'Вероятность покупки новыми клиентами'
Маркетинг утечет Города; Сегменты_к лиентов; Категории 'Маркетинговое покрытие накопленное'*'Уровень дисконта маркетинга'
Маркетинговая активность по городам Города 01.июн
Маркетинговая активность по городам Проверка ARRSUM('Маркетинговая активность по городам')
Маркетинговая активность по категориям Категории 01.июл
Маркетинговая активность по категориям Проверка ARRSUM('Маркетинговая активность по категориям')
Маркетинговое покрытие накопленное Города; Сегменты_к лиентов; Категории 'Маркетинговое покрытие накопленное исходное'
Маркетинговое покрытие накопленное для этого периода Города; Сегменты_к лиентов; Категории 'Маркетинговое покрытие накопленное'+'Покрытие клиентской базы'
Маркетинговое покрытие накопленное исходное Города;Сегм енты_клиен тов;Категор ии 20%
Маркетинговые расходы базовые 1500000
Маркетинговые расходы общие 'Маркетинговые расходы базовые'*'Интенсивность маркетинга'
Маркетинговые расходы периода по Категориям и Городам Города; Категории FOR(i=Города;j=Категории | 'Маркетинговые расходы общие'*'Маркетинговая активность по городам'[П*'Маркетинговая активность по категориям'^])
Накопленный имидж 'Исходный накопленный имидж'
Не купят повторные клиенты по Городам и Сегментам клиентов Города; Сегменты_к лиентов; Периоды_п окупки FOR(i=Города;j=Сегменты_клиентов;k=Периоды_покуп ки|'Клиентская база по месяцам совершения последней покупки и Городам'[i;j;k]-ARRSUM('Купят повторные клиенты по Городам и Сегментам клиентов и Периодам'[^;к]))/'Среднее число покупок клиентом за период'
Непокрытый объем рынка Города; Сегменты_к лиентов; Категории 'Объем рынка по Городам Сегментам и Категориями'-'Желающих приобрести из повторных клиентов по Городам и Сегментам клиентов'
Норма управленческих расходов на 10000 заказов 10000000
Оборачиваемость склада по категориям Категории {18; 28; 7; 18; 9; 21; 37}
Общая оборачиваемость запасов ('Средневзвешенный срок исполнения заказов'+'Средняя оборачиваемость товаров')/1<<то>>
Общая оборачиваемость запасов Накопленная 0
Общие расходы на доставку по Городам Города 'Купят всего по Городам'*'Расходы на доставку 1 заказа в Город'
Объем рынка по Городам Сегментам и Категориями прошлого периода Города; Сегменты_к лиентов; Категории FOR(i=Города;j=Сегменты_клиентов;k=Категории | DELA YPPL('Объем рынка по Городам Сегментам и Категориями'[П[|][к];1<<то>>;'Исходный Объем рынка по Городам и Категориям'^;к]*'Соотношение клиентов по Сегментам'[|]))
Объем рынка по городам и категориям Города; Категории FOR(i=Города;j=Категории | (ARRSUM(TRANSP0SE('0бъе м рынка по Городам Сегментам и Категориями'[П)[|])))
Объем рынка по категориям Категории FOR(i=Категории|ARRSUM(TRANSPOSE('Объем рынка по городам и категориям')^]))
Операционный расходы Общие 'Купят всего в этом периоде'*'Операционный расходы на 1 заказ'
Операционный расходы на 1 заказ 'Операционный расходы на 1 заказ при Базовом качестве'*(0,5*ЕХР(1,5*'Качество обработки заказа'-1,5)+0,5)
Операционный расходы на 1 заказ при Базовом качестве 350
Прибыль с 1 заказа Города; Категории FOR(i=Города;j=Категории | 'Цена в городе и по категории'[щ]-Себестоимость[|])
Разница со среднерыночной ценой Города; Категории 'Цена в городе и по категории'/'Средняя цена на рынке по городам'-1
Расходы на доставку 1 заказа в Город Города {100; 150; 200; 150; 300; 400}
Расходы на доставку Общие ARRSUM('06rn^ расходы на доставку по Городам')
Себестоимость Категории FOR(i=Категории|NORMAL('Базовая себестоимость'[П*'Инфляция накопленная';'Базовая себестоимость'[i]*'Инфляция накопленная'*1%;0,9))
Сезонная потребительская активность накопленная за прошлые периоды по Категориям Категории FOR(i=Категории|DELAYPPL('Индекс сезонности'[П;1<<то>>;50%))
Сезонная потребительская активность этого периода по Категориям Категории 0%
Соотношение клиентов по Сегментам Сегменты_к лиентов {60%; 20%; 20%}
Среднее число покупок клиентом за период 1,03
Сумма сегментов маркетинга ARRSUM('Целевые сегменты клиентов маркетинга')
Суммарный объем рынка ARRSUM('Объем рынка по категориям')
Убыток от неликвида Списание ARRSUM('Выручка по Категориям'*'% Невыкупленного по категориям'*'Доля неликвидного от возвратов')
Управленческие расходы Общие DIVZX('Купят всего в этом периоде';10000;0)*'Норма управленческих расходов на 10000 заказов'
Уровень дисконта имиджа 10%
Уровень дисконта маркетинга 20%
Уровень цень в городе Города {0,9; 1; 1,1; 1,2; 0,95; 1,3}
Фактор естественной конкуренции для новых клиентов 01.авг
Фактор естественной конкуренции для повторных клиентов 01.апр
Целевые сегменты клиентов маркетинга Сегменты_к лиентов 100%/3
Цена в городе и по категории Города; Категории FOR(i=Города;j=Категории | 'Цена товара^^^^ доставки от стоимости заказа по городам'^]))
Цена товара Категории {9000; 9000; 22000; 12000; 5000; 5000; 1500}
Приложение 2. Фрагмент программного кода реализации MAGAMO
using System;
using System.Collections.Generic; using System.ComponentModel; using System.Data.OleDb; using System.Data;
using System.Drawing; using System.Linq; using System.Text; using System.Threading.Tasks; using System.Windows.Forms; using System.Threading;
namespace MAGAMO {
public partial class Form5 : Form {
public Form5() {
InitializeComponent();
}
private void Form5_Load(object sender, EventArgs e) {
numericUpDown2.Value = 10; textBox2.Text = "0.0001";
int i =1; int cl = 2; String x1=""; while
(Convert.ToString(Program.frm3.axSpreadsheet1.get_Range(Program.frm3.axSpreadsheet1.Cells[i +
1, 1]).Value2) != "") {
x1 =
Convert.ToString(Program.frm3.axSpreadsheet1.get_Range(Program.frm3.axSpreadsheet1.Cells[i + 1, 2]).Value2);
if (x1 != "")
{
axSpreadsheet3.Cells[1, cl] = Program.frm3.axSpreadsheet1.Cells[i + 1,
1];
cl++;
}
i++; }
axSpreadsheet3.get_Range("A1:J1").Font.set_Bold(true); axSpreadsheet3.Columns.AutoFit();
}
private void button1_Click(object sender, EventArgs e) {
int i; String par; int n_ag;
int Max_A = Convert.ToInt32(Program.frm4.numericUpDown1.Value); // Максимальное количество агентов
int Max_Dec; // Максимальное количество параметров для оптимизации List<Thread> threads = new List<Thread>(); // Создаем список Агентов List<String>[] par_name = new List<String>[Max_A]; // Создаем список DECISIONS для каждого Агента
//Строка подключения к БД
string database = Application.StartupPath + "\\base.accdb"; string connectionString = "Provider=Microsoft.ACE.OLEDB.12.0;Data Source=" + database + ";Persist Security Info=True";
OleDbConnection connection = null;
connection = new OleDbConnection(connectionString); connection.Open();
OleDbCommand cmd0 = new OleDbCommand("delete from decisions_full", connection); cmd0.ExecuteNonQuery();
OleDbCommand cmd1 = new OleDbCommand("delete from decisions", connection); cmd1.ExecuteNonQuery();
OleDbCommand cmd2 = new OleDbCommand("delete from objectives", connection); cmd2.ExecuteNonQuery();
cmd0.Dispose(); cmd1.Dispose(); cmd2.Dispose();
//Присваниваение Потоку (Агенту) параметров оптимизации
for (i = 0; i < Max_A; i++) {
int j = 2;
par_name[i] = new List<String>(); //Инициализация списка показателей для
Агентов
while
(Convert.ToString(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[j,
1]).Value2) != "") {
if
(Convert.ToString(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[j, 6]).Value2) != "")
{
n_ag =
Convert.ToInt32(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[j, 6]).Value2);
par =
Convert.ToString(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[j, 1]).Value2);
if (i == n_ag) {
par_name[i].Add(par); //Добавляем показатель-decision к текущему
агенту
par = par.Replace("(", "["); par = par.Replace(")", "]");
OleDbCommand cmd3 = new OleDbCommand("insert into decisions(decision_name) values('"+par+"')"j connection);
cmd3.ExecuteNonQuery(); cmd3.Dispose();
}
}
j++;
}
}
i = 0;
while (i < Max_A) // Цикл по всем Агентам
{
int ag = i + 1; // Номер агента
double val = 100 * i; //Значение показателя
Max_Dec = par_name[i].Count; // Количество DECISIONS для данного агента String[] var_name = new String[Max_Dec]; //Массив названий параметров (DECISIONS) по которым будет выполняться оптимизация, int k = 0;
foreach (var Dec in par_name[i]) {
var_name[k] = Dec.ToString(); k++;
//Запуск Потоков-Агентов
threads.Add(new Thread(delegate() { GA(val, ag, var_name); })); threads[i].Start(); i++;
}
connection.Close();
foreach (var tr in threads) {
tr.Join(); //Ждем выполнения всех потоков
}
MessageBox.Show("Выполнено");
}
//РЕАЛИЗАЦИЯ ГЕНЕТИЧЕСКОГО АЛГОРИТМА НА УРОВНЕ АГЕНТА (ПРОЦЕССА)
static void GA(double price, int agent_number, String[] const_name) {
int ga_count = Convert.ToInt32(Program.frm5.numericUpDown2.Value); // Максимальное количество прогонов генетического алгоритма
//Строка подключения к БД
string database = Application.StartupPath+ "\\base.accdb"; string connectionString = "Provider=Microsoft.ACE.OLEDB.12.0;Data Source=" + database + ";Persist Security Info=True";
OleDbConnection connection = null;
connection = new OleDbConnection(connectionString); connection.Open();
//Запуск подели PowerSim PsSimEng.SimulationProject Pr; PsSimEng.Simulation Sim;
PsSimEng.SimulationEngine engine = new PsSimEng.SimulationEngineQ; Pr = engine.OpenProject(Program.frm1.textBox1.Text, ""); Sim = Pr.OpenDefaultSimulation();
// ИТЕРАЦИИ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
for (int q = 1; q <= ga_count; q++) {
Sim.Reset();
//Инициализируем значения DECISIONS относящихся к данному Агенту
//Сперва загружаем значения показателей, рассчитанные всеми другими Агентами
OleDbDataReader reader = null;
OleDbCommand cmd5 = new OleDbCommand("select * from decisions", connection); reader = cmd5.ExecuteReader();
while (reader.Read()) {
Sim.get_Value(Convert.ToString(reader[1])).Number = reader[2];
}
cmd5.Dispose();
//Затем обновляем свои собственные показатели новыми лучшими значениями из популяции генетического алгоритма
for (int i = 0; i < const_name.Count(); i++) {
const_name[i] = const_name[i].Replace("[", "("); const_name[i] = const_name[i].Replace("]", ")");
int row =
Program.frm4.axSpreadsheet2.get_Range("A1:A10000").Find(const_name[i]).Row; double l_bound =
Convert.ToDouble(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[row,
3]).Value2);
double r_bound =
Convert.ToDouble(Program.frm4.axSpreadsheet2.get_Range(Program.frm4.axSpreadsheet2.Cells[row,
4]).Value2);
const_name[i] = const_name[i].Replace("(", "["); const_name[i] = const_name[i].Replace(")", "]"); Sim.get_Value(const_name[i]).Number = (l_bound + r_bound) / 2; //
Инициализируем новым лучшим значением рассчитанным с помощью ГА }
double CurrentTime = Sim.StartTime;
//Прогон модели PowerSim для расчета OBJECTIVES
while (CurrentTime < Convert.ToDouble(Program.frm3.axPsEngineCtrl1.StopTime)) {
Sim.Advance();
CurrentTime = CurrentTime + Convert.ToDouble(Sim.TimeStep);
}
//Результаты симуляции. Оцениваем значение целевых функций (фитнес-функций).
int j = 1;
String objective_name; String objective_value;
String x1 =
Convert.ToString(Program.frm5.axSpreadsheet3.get_Range(Program.frm5.axSpreadsheet3.Cells[1, j + 1]).Value2);
while
(Convert.ToString(Program.frm5.axSpreadsheet3.get_Range(Program.frm5.axSpreadsheet3.Cells[1, j
+ 1]).Value2) != "") {
PsSimEng.Value ResultValue = Sim.get_Value(Convert.ToString(Program.frm5.axSpreadsheet3.get_Range(Program.frm5.axSpreadshee t3.Cells[1, j + 1]).Value2));
objective_name =
Convert.ToString(Program.frm5.axSpreadsheet3.get_Range(Program.frm5.axSpreadsheet3.Cells[1, j + 1]).Value2);
objective_value = Convert.ToString(ResultValue.Number); objective_value = objective_value.Replace(","J ".");
OleDbCommand cmd8= new OleDbCommand("insert into objectives(ID_PR,nJobjective_nameJ objective_value) values(" + agent_number + "," + q + ",'" + objective_name + "'," + objective_value + ")", connection); cmd8.ExecuteNonQuery(); cmd8.Dispose(); j++;
}
//Если в результата выполнения ГА получены новые лучшие решения (DECISIONS), то обновляем их в таблице decisions СУБД для обмена данными между Агентами
for (int i = 0; i < const_name.Count(); i++) {
const_name[i] = const_name[i].Replace("(", "["); const_name[i] = const_name[i].Replace(")", "]");
String dec_val = Convert.ToString(Sim.get_Value(const_name[i]).Number);
dec_val = dec_val.Replace(",", ".");
OleDbCommand cmd4 = new OleDbCommand("update decisions SET decision_value
= " + dec_val + " WHERE decision_name ='" + const_name[i] + ....., connection);
cmd4.ExecuteNonQuery(); cmd4.Dispose();
}
String decision_name=""; String decision_value="";
OleDbDataReader reader2 = null;
OleDbCommand cmd7 = new OleDbCommand("select * from decisions", connection); reader2 = cmd7.ExecuteReader();
while (reader2.Read()) {
decision_name = Convert.ToString(reader2[1]); decision_value = Convert.ToString(reader2[2]); decision_value = decision_value.Replace(",", "."); if (decision_value == "") decision_value = "0";
OleDbCommand cmd8 = new OleDbCommand("insert into decisions_full(ID_PR,n,decision_name, decision_value) values(" + agent_number + ", " + q + ",'" + decision_name + "'," + decision_value + ")", connection); cmd8.ExecuteNonQuery(); cmd8.Dispose();
}
cmd7.Dispose();
}
connection.Close();
}
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.