UA   ENG
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Интеллектуальная система (ИС) – автоматизированная система, основанная на знаниях, или комплекс программных, лингвистических и логико-математических средств для реализации основной задачи – осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке. [1]

В технологиях принятия решений ИС – это информационно-вычислительная система с интеллектуальной поддержкой, решающая задачи без участия человека – лица, принимающего решение. [2]

Ресурсы любой организации постоянно находятся в состоянии движения. В любой момент времени в наличии имеется большее или меньшее количество товарных запасов, наличных денег, приходных и расходных счетов. Даже относительно маленькое предприятие должно обрабатывать большой объём информации. Скорость, с которой эта информация изменяется, делает необходимым для руководства применение формальных методов сбора и обработки информации.

Необходимо организовать поставки таким образом, чтобы продукции на складах предприятия было достаточно для удовлетворения потребностей клиентов в продукции предприятия на некоторый промежуток времени. Время, на которое должно хватить запасов продукции предприятия определяется в зависимости от того, сколько требуется времени для устранения наиболее частых причин сбоев в работе предприятия.

В работе рассматривается предприятие аптечной сети с большим объёмом номенклатуры. Предприятию необходимо время от времени выполнять поиск поставщиков продукции и организовывать его подвоз к местам реализации.

Эффективное управление запасами позволяет предприятию удовлетворять или превышать ожидания потребителей, создавая такие запасы каждого товара, которые максимизируют чистую прибыль. [3]

1. Актуальность темы

Ситуация на рынке носит непредсказуемый характер, и она неизбежно отражается на производственном процессе. Назвать точную цифру, сколько будет продано продукции в следующем месяце, не берется ни один специалист. Однако планировать работу предприятия всё же необходимо, поэтому объём продаж на будущие периоды с некоторой долей вероятности определяется либо при помощи экспертов, либо при помощи специального программного обеспечения.

Таким образом, современное предприятие сталкивается с целым рядом задач, связанных с обеспечением оптимальных объёмов запасов. Из этого следует необходимость создания специального программного обеспечения.

Разрабатываемая система будет предназначена для использования в отделе снабжения, т.к. именно этот отдел занимается определением потребностей компании в определенных товарах, а также организацией их хранения и выдачи.

2. Цель и задачи исследования, планируемые результаты

Цель создания системы – уменьшение расходов предприятия при процессе закупок товара, за счёт оптимизации планирования закупок.

Задачи для выполнения поставленной цели:

Объект исследования: деятельность менеджеров отделов закупочной логистики аптечной сети.

Предмет исследования: организация управления запасами на складе с использованием современных методов моделирования и прогнозирования.

Предполагаемая научная новизна:

3. Обзор существующих инструментальных средств

На рынке существует множество систем, предназначенных для управления закупками. Ниже приведены одни из самых крупных программ.

SAP Ariba.

Первая система в списке программного обеспечения для отдела закупок, разработанного компанией Supply Chain Digital (релиз от мая 2020 г.), она предлагает серию решений в области управления поставщиками, продажами, услугами для покупателей. С помощью SAP Ariba компании могут полностью цифровизировать и упростить свои процессы управления расходами в интегрированной облачной платформе. [4, 7] Решение включает стратегические модули для выполнения различных операций – от управления поставщиками и анализа расходов до закупок и контрактов – что позволяет компаниям оптимизировать процессы управления закупками и расходами, выявлять возможности для экономии и выстраивать стабильную цепочку поставок на основе единого источника достоверной информации. Пользователи также становятся частью крупнейшей B2B сети, в которой компании могут взаимодействовать друг с другом, сотрудничать в цифровом формате и совершать сделки с миллионами поставщиков и партнеров по виртуальным каналам. [9]

Система реализует следующие функции:

Решение предназначено для крупных и средних организаций, которые хотят перевести на цифровые рельсы все свои процессы закупок и снабжения – от выбора поставщика до заключения контракта. SAP Ariba Snap представляет собой соответствующее расширение портфеля Ariba для быстрорастущих компаний.

Внешний вид программы представлен на рисунке 1.

Интерфейс SAP Ariba

Рисунок 1 – Интерфейс SAP Ariba

Oracle: Цепи поставок и производство.

Не менее популярная система представлена у Oracle. Это решение для управления прямыми и косвенными затратами на разных этапах закупок (заключение контракта, покупка и оплата). Эта платформа также облегчает отношения с поставщиками посредством устройств взаимодействия и обмена документами. Oracle даёт возможность автоматизировать процессы производственного планирования и управления логистикой на разных уровнях: от ежедневного цехового планирования и управления, с пооперационным контролем качества продукции, до укрупненного календарного планирования производства, в том числе по группе предприятий. [4, 6]

Oracle предоставляет следующие возможности:

Внешний вид программы представлен на рисунке 2.

Интерфейс Oracle

Рисунок 2 – Интерфейс Oracle

Microsoft Dynamics AX (Axapta).

Многофункциональная ERP-система управления ресурсами предприятия для средних и крупных компаний. Axapta предоставляет следующие возможности:

Основными модулями системы Axapta являются:

Внешний вид программы представлен на рисунке 3.

Интерфейс MX Axapta

Рисунок 3 – Интерфейс MX Axapta

Представленные выше инструментальные средства обладают большим множеством функций и имеют следующие преимущества:

Данные инструментальные средства является хорошими представителями в своей сфере, но также обладают рядом недостатков:

В ходе сравнения представленных средств было выявлено, что системы обладают обширным функционалом и имеют множество преимуществ. Но в связи с отсутствием бесплатных версий их использование становится доступным меньшему кругу пользователей. Также, недостатком для систем и преимуществом для разрабатываемой системы является наличие планирования закупок по всем четырем моделям планирования закупок.

4. Методы прогнозирования

Задачу прогнозирования данных по историческому, т.е. накопленному массиву значений объёмов продаж и цен возможно решать несколькими способами.

Первая группа прогнозных моделей – модели на основе теории игр (модели равновесия по Нэшу, модель Курно, модель Бертрана и др.).

Ко второй группе моделей относят так называемые имитационные или фундаментальные модели. С учётом того, что эти модели требуют большого объёма исходных данных, их использование для краткосрочного прогнозирования ограничено.

Третья группа прогнозных моделей основывается на анализе временных рядов, в котором используется совокупность математико-статистических методов, предназначенных для выявления структуры временных рядов, изучения исторической динамики исследуемых показателей и экстраполяции их на перспективу.

В данной группе прогнозных моделей выделяют две подгруппы: традиционные статистические модели и модели искусственного интеллекта.

Представителями моделей искусственного интеллекта являются прогнозные модели на основе нейронных сетей. Использование данных моделей позволяет ассоциировать исследуемый показатель с набором различных факторов (не только исторических значений) и экстраполировать его значение на перспективу.

4.1 Метод скользящего среднего

Один из наиболее часто используемых методов выравнивания временного ряда – метод скользящего среднего, т.к. он прост в понимании и реализации. Скользящие средние обычно используются с данными временных рядов для сглаживания краткосрочных колебаний и выделения основных тенденций или циклов. Метод используется при краткосрочном прогнозировании:

yt+1 = mt-1 + 1/n(yt – yt-1)

где t + 1 – прогнозный период; t – период, предшествующий прогнозному периоду (год, месяц и т.д.); yt+1 – прогнозируемый показатель; mt-1 – скользящая средняя за два периода до прогнозного; n=3 – число уровней, входящих в интервал сглаживания; yt – фактическое значение исследуемого явления за предшествующий период; yt-1 – фактическое значение исследуемого явления за два периода, предшествующих прогнозному. [8]

Для определения скользящей средней формируются укрупненные интервалы, состоящие из одинакового числа уровней. Каждый последующий интервал получается постепенным сдвигом от начального уровня динамического ряда на один уровень. Первый интервал включает уровни y1, y2, .... ym; второй - уровни y2, y3, .... ym+1 и т.д. Таким образом, интервал сглаживания как бы скользит по динамическому ряду с шагом, равным единице. По сформированным укрупненным интервалам определяется сумма значений уровней, на основании которых рассчитываются скользящие средние. [11]

Математическая постановка задачи для метода скользящих средних: дан массив цен за предыдущие дни. Необходимо спрогнозировать цены на прогнозируемый будущий период. Для прогнозирования цен для планирования закупки:

yt+1 = mt-1 + 1/n(yt – yt-1)

где t + 1 – прогнозируемая дата; t – предшествующая дата; yt+1 – прогнозируемая цена; mt-1 – скользящая средняя за два дня до прогнозного; n – число уровней, входящих в интервал сглаживания; yt – значение цены на предшествующую дату; yt-1 – значение цены за два дня до прогнозной даты.

Для временного ряда определяется интервал сглаживания. Если необходимо сгладить мелкие беспорядочные колебания, то интервал сглаживания берут по возможности большим; интервал сглаживания уменьшают, если нужно сохранить более мелкие колебания. При прочих равных условиях интервал сглаживания рекомендуют брать нечетным.

Данные вычисления будут повторяться до той даты, которая нас интересует.

Алгоритм также применим для прогнозирования объёмов продаж.

Преимущества:

Недостатки:

Вывод: метод является простым и лёгким в использовании, но имеет множество недостатков, которые увеличивают погрешность прогнозирования.

4.2 Метод экспоненциального сглаживания

Экспоненциальное сглаживание временных рядов – модификация метода наименьших квадратов для анализа временных рядов, при котором более поздним наблюдениям придаётся больший вес, иными словами, веса точек ряда убывают (экспоненциальный закон) по мере удаления в прошлое.

Расчет осуществляется с помощью экспоненциально-взвешенных скользящих средних. Метод экспоненциального сглаживания наиболее эффективен при разработке среднесрочных прогнозов.

Ut+1 = aYt + (1-a)Ut

где t – период, предшествующий прогнозному; t+1 – прогнозный период; Ut+1 – прогнозируемый показатель; a – параметр сглаживания; Yt – фактическое значение исследуемого показателя за период, предшествующий прогнозному; Ut – экспоненциально взвешенная средняя для периода, предшествующего прогнозному.

Оптимальной величины параметра сглаживания а вычисляется по формуле:

a= 2/n +1

где n – число наблюдений, входящих в интервал сглаживания.

Для выбора Uo (экспоненциально взвешенного среднего начального) в качестве Uo используют исходное первое значение базы прогноза. [8]

Математическая постановка задачи для метода экспоненциального сглаживания: дан массив цен за предыдущие дни. Необходимо спрогнозировать цены на прогнозируемый будущий период. Для прогнозирования цен для планирования закупки:

Ut+1 = aYt + (1-a)Ut

где t – предшествующая дата; t+1 – прогнозируемая дата; Ut+1 – прогнозируемая цена; a – параметр сглаживания; Yt – цена за предыдущую дату; Ut – экспоненциально взвешенная средняя для предыдущей даты.

Оптимальной величины параметра сглаживания а вычисляется по формуле: a= 2/n +1, где n – число наблюдений, входящих в интервал сглаживания. При построении прогнозов с помощью метода экспоненциального сглаживания одной из основных проблем является выбор оптимального значения параметра сглаживания a. Ясно, что при разных значениях результаты прогноза будут различными. Если a близка к единице, то это приводит к учету в прогнозе в основном влияния лишь последних наблюдений; если близка к нулю, то веса, по которым взвешиваются объёмы продаж во временном ряду, убывают медленно, т.е. при прогнозе учитываются все (или почти все) наблюдения.

Экспоненциальное взвешенное среднее начальное будет равно первому значению цену из массива данных.

Данные вычисления будут повторяться до той даты, которая нас интересует.

Алгоритм также применим для прогнозирования объёмов продаж.

Преимущества:

Недостатки:

Вывод: метод полезен при среднесрочных прогнозах, прост в реализации, но имеет значительный недостаток – подбор константного значения сглаживания, от которого зависит точность расчета.

4.3 Нейронные сети

Еще одним популярным методом прогнозирования является прогнозирования с использованием искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) – это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма.

Нейросетевой метод прогнозирования, подходит как для решения линейных и сложных задач, так и для задач классификации. Обучение нейронной сети зависит от значений весовых коэффициентов. Нейросетевой подход, позволяет решать задачи разных масштабов.

Главной особенностью сети, свидетельствующей о её широких возможностях и высоком потенциале, является методика, позволяющая ощутимо ускорить процесс обработки информации, а также сеть приобретает устойчивость к ошибкам, которые могут возникать на некоторых линиях. [8]

Общий алгоритм прогнозирования с помощью нейронной сети представлен на рисунке 4.

Общий алгоритм прогнозирования с помощью нейронной сети

Рисунок 4 — Общий алгоритм прогнозирования с помощью нейронной сети
(анимация: 17 кадров, 3 циклов повторения, 42,1 килобайт)

Преимущества нейронных сетей:

Недостатки:

Вывод: метод является самым перспективным и гибким из вышеописанных, может решать различные задачи, но также является довольно сложным в реализации.

5. Математическая постановка задачи

Для достижения максимальной прибыли от реализации необходимо применить существующие методы решения многокритериальных задач теории принятия решения.

Многокритериальная задача выбора формулируется в следующем виде. Дано множество допустимых альтернатив, каждая из которых оценивается множеством критериев. Требуется определить наилучшую альтернативу. При её решении основная трудность состоит в неоднозначности выбора наилучшего решения.

Рассматриваемые методы:

В нашей задаче можно выделить несколько критериев:

Присвоим критериям переменные:

расходы на поставку товара – A, расходы на хранение товара – B, расходы на отсутствие товара – C, прибыль от работы за прогнозируемый период – D.

Тогда получится, что:

{A-> min; B-> min; C-> min; D-> max

Выводы

Из всех вышеописанных методов прогнозирования для разрабатываемой системы больше всего подходит метод прогнозирования на основе нейронных сетей способен решать различного рода задачи.

На данном этапе выполнения магистерской работы были определены цель и задачи для системы, проведен сравнительный анализ существующих инструментальных средств.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: май 2023 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список используемых источников

  1. Интеллектуальная информационная система (ИИС) кратко [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  2. Интеллектуальная система [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  3. Шрайбфедер Д., Эффективное управление запасами [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  4. ТОП 10 ПРОГРАММ ДЛЯ ОТДЕЛА ЗАКУПОК, О КОТОРЫХ НУЖНО ЗНАТЬ [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  5. Microsoft Dynamics AX [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  6. Oracle Procurement [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  7. SAP Ariba [Электронный ресурс]. – Режим доступа: [Ссылка]. – Загл. с экрана.
  8. Андриевская А.В., Экстраполяционные методы прогнозирования закупочных цен лекарств в условиях аптечной сети [Текст] / А. В. Андриевская, В. О. Вовченко, Н. К. Андриевская// Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2021). Материалы XII Международной научно-технической конференции в рамках VII Международного Научного форума Донецкой Народной Республики к 100-летию ДонНТУ. 2021, 169-175
  9. SAP Ariba. Цифровое управление расходами и поставщиками с помощью облачной торговой площадки SAP Ariba [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  10. AXAPTA [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.
  11. Метод скользящей средней в статистике [Электронный ресурс]. – Режим доступа: [Ссылка] – Загл. с экрана.