Назад в библиотеку

УДК 004.94

А.А. Перевозчиков, А.И. Секирин

Донецкий национальный технический университет, г. Донецк, кафедра автоматизированных систем управления

КОМПЬЮТЕРИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ И ПЛАНИРОВАНИЯ ЗАКУПОК СЫРЬЯ НА ПРЕДПРИЯТИИ ПИЩЕВОЙ ОТРАСЛИ

Автор: А.А. Перевозчиков, А.И. Секирин
Источник: Інформаційні управляючі системи та комп’ютерний моніторинг (ІУСКМ–2013) / Матерiали IV мiжнародної науково–технiчної конференцiї студентiв, аспiрантiв та молодих вчених. — Донецьк, ДонНТУ — 2013, Том 1, с. 44–48.

Аннотация

Перевозчиков А.А., Секирин А.И. компьютеризированная система прогнозирования и планирования закупок сырья на предприятии пищевой отрасли. Рассмотрены основные методы, модели, алгоритмы и пакеты прикладных программ для прогнозирования и планирования. Выделены их основные достоинства и недостатки. На основании исследования предметной области предложен наиболее эффективный метод прогнозирования закупок сырья.

Общая постановка проблемы

В современных условиях хозяйственной независимости промышленных предприятий для многих из них стал весьма актуальным вопрос о применении прогнозирования в своей деятельности [4]. При составлении плана производства важны не только возможности предприятия, но и спрос на выпускаемую продукцию. Сейчас, когда предприятия вынуждены работать по «рыночным законам», предприниматели хотят знать перспективы развития своего предприятия, взглянуть в будущее, чтобы оценить возможные пути развития, предугадать последствия тех или иных решений. Прогнозирование и планирование представляют собой мощный инструмент, позволяющий не только эффективно использовать возможности предприятия, но и минимизировать риски, связанные с закупкой сырья. В современных условиях практически невозможно встретить предприятие, не применяющее прогнозирование и планирование своего производства. Это обусловлено тем, что в процессе осуществления своей деятельности предприниматель может столкнуться с двумя ситуациями:

  1. на товар нет спроса, и он находится на складе, не принося прибыль;
  2. товар отсутствует ввиду большого спроса на него.

Любая из этих ситуаций пагубно сказывается на прибыльности, а учитывая рост конкуренции в условиях современного рынка, использование закупочной логистики становится обязательным условием эффективного функционирования предприятия.

Целью исследования является создание компьютеризированной системы, позволяющей осуществлять прогнозирование спроса и, на основе прогноза, планирование закупок сырья на предприятии для оптимизации затрат, увеличения экономической эффективности предприятия и, как следствие, увеличения прибыли.

Основные методы модели и пакеты прикладных программ для прогнозирования.

На современном этапе развития рыночной экономики существует множество методов, моделей, алгоритмов и пакетов уже готовых прикладных программ позволяющих осуществлять планирование и прогнозирование с заданной точностью. Рассмотрим основные из них. Нечеткая логика. Большинство методов прогнозирования не дают возможности работать с качественными показателями, в то время как теория нечеткой логики предоставляет удобный инструментарий для подачи экспертно установленных правил развития рынка в математической форме, обеспечивает автоматическое налаживание параметров модели с учетом количественных и качественных показателей. Основными недостатками нечеткой логики являются:

  1. отсутствие стандартной методики конструирования нечетких систем;
  2. невозможность математического анализа нечетких систем существующими методами.

Регрессионный анализ. Применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании. Средне– и долгосрочный периоды дают возможность установления изменений в среде бизнеса и учета влияний этих изменений на исследуемый показатель [1]. Самым простым вариантом регрессионной модели является линейная регрессия. Этот вариант чаще всего используется на практике в силу своей простоты. Основным недостатком нелинейных регрессионных моделей является сложность определения вида функциональной зависимости, а также трудоемкость определение параметров модели. К недостаткам также можно отнести то, что, как показывает практика, большинство зависимостей в прогнозировании являются нелинейными, что делает использование данного метода не целесообразным.

Генетические алгоритмы (genetic algorithm, GA). Часто применяется для решения задач оптимизации, а также поисковых задач. Однако некоторые модификации GA позволяют решать задачи прогнозирования [3]. Алгоритм прогнозирования на основе GA позволяет принимать в расчет более 15 внешних факторов, используя базовый GA.К основным достоинствам генетических алгоритмов можно отнести:

  1. могут быть использованы для широкого класса задач;
  2. просты и прозрачны в реализации;
  3. могут быть использованы в задачах с изменяющейся средой.

К недостаткам генетических алгоритмов относят следующие:

  1. не гарантирует обнаружения глобального решения за приемлемое время;
  2. не гарантируют и того, что найденное решение будет оптимальным решением;
  3. в случаях, когда задача может быть решена специально разработанным для нее методом, практически всегда такие методы будут эффективнее генетических алгоритмов, как по быстродействию, так и по точности найденных решений.

Нейронные сети. Учитывая недостатки предыдущих моделей, наиболее подходящими для прогнозирования закупок будут нейронные сети. Основными достоинствами нейронных сетей являются:

  1. нелинейность. Нейронные сети позволяют получить нелинейную зависимость выходного сигнала от входного;
  2. адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. Более того, для работы в нестационарной среде (где статистика изменяется со временем) могут быть созданы нейронные сети, изменяющие синаптические веса в реальном времени;
  3. отказоустойчивость. Нейронные сети, реализованные на основе электронных компонентов, потенциально отказоустойчивы, так как контекстная информация распределена по всем связям нейронной сети [2].

Основной недостаток нейронных сетей состоит в том, что разработчику, недоступно то, что происходит внутри сети. Он формируем входы, после этого рассчитывает выходы и просто сопоставляет одно с другим. Нет возможности детально и пошагово проследить то, как полученные на выходе значения были рассчитаны. Этот режим выполнения вычислений в «черном ящике» чрезвычайно усложняет процесс интерпретации результатов и модификации сети – неясно, что в ней нужно изменить, чтобы стало точнее. Среди пакетов прикладных программ, решающих задачи прогнозирования, можно выделить несколько основных, наиболее часто используемых:

  1. 1С: Управление торговлей;
  2. Regression Analysis and Forecasting;
  3. GeneXproTools;
  4. CatMV.

Несмотря на свою популярность, эти программы обладают рядом общих недостатков:

  1. не объясняют полученных решений (неизвестно какие методы прогнозирования применялись);
  2. зачастую не выполняют всех необходимых функций;
  3. обладают относительно высокой стоимостью.

Методы и модели планирования

Как и в случае с прогнозированием – на данный момент разработано достаточно много моделей для планирования, что связано со стремительным развитием рыночной экономики и постоянным стремлением предпринимателей увеличивать свою прибыль. Однако, среди этого множества можно выделить несколько наиболее часто используемых моделей.

  1. Теория игр. При решении экономических задач часто анализировать ситуации, в которых сталкиваются интересы двух или более конкурирующих сторон, преследующих различные цели; Такого рода ситуации называются конфликтными. Математической теорией конфликтных ситуаций является теория игр. В игре могут сталкиваться интересы двух (игра парная) или нескольких (игра множественная) противников; существуют игры с бесконечным множеством игроков.
  2. Деревья решений представляют собой набор правил «Если…то» имеющих вид дерева. Для того чтобы решить, к какому классу отнести некоторый объект или ситуацию, надо ответить на вопрос, стоящий в узлах этого дерева, начиная с его корня. Сегодня наблюдается подъем интереса к продуктам, применяющим деревья решений. В основном это объясняется тем, что большинство коммерческих проблем решается ними быстрее, чем алгоритмами нейронных сетей, они проще и понятней для пользователей.
  3. Корреляционный анализ. Корреляция – связь между двумя переменными. Расчёты подобных двумерных критериев взаимосвязи основываются на формировании парных значений, которые образовываются из рассматриваемых зависимых выборок. Данный метод нашел применение в планировании т.к. модель планирования можно строить, основываясь на корреляционной связи.

Использование нейронных сетей в качестве основного инструмента для прогнозирования.

Основная цель прогнозирования – это определение тенденций развития рынка и предприятия, в условиях постоянно изменяющих факторов, и составление плана, на основе полученного прогноза, который бы позволил увеличить эффективность работы предприятия. Таким образом, задача сводится к получению оптимальных количественных величин товаров, которые должны быть закуплены, опираясь на значения соответствующих факторов. В общем виде это показано в формуле (1).

                                                     yij+1 = f(x ij1 , x ij2 ,x ij3 ... x ijn ,y ij ),                                                            (1)

Для решения поставленной задачи были выбраны нейронные сети. На вход нейронной сети подаются факторы, влияющие на прогноз, на выходе получаем значение объема продукции. Необходимо определить структуру нейронной сети, активационную функцию при этом величина ошибки должна стремиться к минимуму, как показано в формуле (2).

                                                     Δyij→ min                                                                                                (2)

                                                     Δyij=|yij – yi′j|,                                                                                         (3)

Как видно из формулы (3) величина ошибки будет равна разности между спросом, который мы спрогнозировали, опираясь на значения спроса за предыдущий период, и фактическим спросом на определенный товар. На небольшом предприятии такая ошибка может показаться не существенной, однако при больших объемах производства прибыль может существенно сократиться, если прогнозируемое значение будет значительно отличаться от фактического. Прогнозируемое значение спроса – сложно вычисляемая величина, т.к. зависит от большого количества факторов, значения которых, в свою очередь, также могут прогнозироваться. Очевидным примером в данном случае является курс доллара, который зависит от экономических, политических, социальных и других факторов, предсказать которые со стопроцентной точностью невозможно.

Выводы

В данном исследовании рассмотрены основные методы, модели и пакеты прикладных программ для прогнозирования и планирования закупок сырья. Выделив недостатки каждого из методов, было принято решение использовать нейронные сети для решения поставленной задачи. В дальнейшем целесообразно будет использовать не один, а несколько методов в комплексе.

Список источников

  1. Гарри Смит, Норман Дрейпер. Прикладной регрессионный анализ –К.: Диалектика, 2007.–912 с.
  2. В.В.Круглов, М.И.Дли, Р.Ю.Голунов. Нечеткая логика и искусственные нейронные сети –М.: ФИЗМАТЛИТ, 2000.–224 с.
  3. 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.
  4. Н.К.Моисеева. Экономические основы логистики –М.: ИНФРА–М, 2008.–528 с.