Федеральное бюджетное образовательное учреждение высшего профессионального образования «Морской государственный университет

имени адмирала Г.И. Невельского»

На правах рукописи

Левченко Наталья Георгиевна

МОДЕЛЬ ИНФОРМАЦИОННОЙ СИСТЕМЫ УПРАВЛЕНИЯ

ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМ ПРОЦЕССОМ НА МОРСКОМ

ТРАНСПОРТЕ С ПРИМЕНЕНИЕМ НЕЧЕТКИХ НЕЙРОСЕТЕВЫХ

ТЕХНОЛОГИЙ

05.22.19 – Эксплуатация водного транспорта, судовождение

Диссертация на соискание ученой степени кандидата

технических наук

Научный руководитель:

доктор технических наук, профессор

Глушков С.В.

Владивосток – 2014

2

Оглавление

Введение ........................................................................................................................... 4

Глава 1. Анализ информационной системы управления транспортно-логистическим процессом в целях построения модели на базе нечетких нейросетевых технологий ............................................................................................... 9

1.1. Обоснование необходимости применения интеллектуальных транспортных систем ............................................................................................................................ 9

1.2. Структура информационной системы транспортно-логистического процесса ...................................................................................................................... 21

1.3. Особенности имитационного моделирования транспортно-логистического процесса на базе нечетких нейросетевых технологий ........................................... 28

Выводы по главе 1 ......................................................................................................... 33

Глава 2. Нейросетевые технологии в построении модели информационной системы управления транспортным процессом ......................................................... 36

2.1. Основные характеристики нейронных сетей, необходимые в построении сложной динамической многофакторной модели транспортного процесса ....... 36

2.2. Использование математического аппарата нечеткой логики для решения проблемы неопределенности входных/выходных данных в построении модели транспортно-логистического процесса .................................................................... 41

2.3. Обоснование применения нейронных нечетких сетей в построении модели транспортно-логистического процесса .................................................................... 45

Выводы по главе 2 ......................................................................................................... 47

Глава3. Разработка модели информационной системы управления транспортно-логистическим процессом ............................................................................................ 50

3.1. Разработка алгоритма процесса управления транспортно-логистическим процессом .................................................................................................................... 50

3

3.2. Разработка нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом ............................................. 58

3.3. Проверка адекватности и верификация построенной модели ....................... 69

Выводы по главе 3 ......................................................................................................... 78

Глава 4. Факторный анализ и параметрическая оптимизация построенной модели информационной системы управления транспортно-логистическим процессом с использованием классических критериев и на базе генетического алгоритма ...... 80

4.1. Факторный анализ транспортно-логистического процесса на базе построенной нечеткой нейросетевой модели ......................................................... 80

4.2. Разработка алгоритма оптимизации информационной системы управления транспортно-логистическим процессом ................................................................ 100

4.3. Оценка результатов параметрической оптимизации транспортно-логистического процесса ......................................................................................... 107

Выводы по главе 4 ....................................................................................................... 113

Заключение .................................................................................................................. 115

Список сокращений и условных обозначений ......................................................... 118

Список литературы: .................................................................................................... 119

Приложение 1 .............................................................................................................. 132

Приложение 2 .............................................................................................................. 148

Приложение 3 .............................................................................................................. 153

Приложение 4 .............................................................................................................. 177

Приложение 5 .............................................................................................................. 181

4

Введение

Актуальность темы исследования. Для принятия стратегических и

оперативных управленческих решений как на уровне транспортной отрасли в

целом, так и на уровне отдельного транспортного предприятия важна полная,

достоверная и своевременная информация, необходимая для анализа и оценки их

текущего состояния, прогнозирования и планирования дальнейшей работы. Также

необходимы инструменты сбора и аналитической обработки этой информации, то

есть необходима информационная система управления (ИСУ).

Повышение эффективности информационной системы управления

предприятием является одним из важнейших вопросов производственного

менеджмента. Актуален этот вопрос и для транспортной отрасли в целом, в т.ч. и

при осуществлении перевозок морем.

Важным доказательством необходимости разработки и внедрения такой

информационной системы является также возможность формирования стратегии

развития предприятия с помощью информационного моделирования.

В современных условиях руководящим работникам или лицам,

принимающим решения (ЛПР), необходим мощный интеллектуальный

инструмент для переработки данных из информационных систем и выдачи

адресного анализа – вариантов возможных управленческих решений и

полномочий для разных ЛПР. Наличие комплексной информационной модели

процесса, включающей описание бизнес-процессов, информационных потоков и

их параметров, учитывающей внутреннюю структуру и внешнюю среду,

значительно облегчает процесс управления.

Специфика транспортно-логистической отрасли такова, что для

осуществления эффективного управления предприятием, занимающимся

организацией перевозок, существующих информационных систем уже

недостаточно. Настала необходимость использования имитационного

моделирования на основе систем искусственного интеллекта, которые сочетают в

5

себе преимущества нейронных сетей и систем нечеткого вывода. Они позволяют

разрабатывать и представлять наглядные и содержательные модели систем в

форме правил нечетких продукций, используя при этом методы нейронных сетей.

Степень разработанности темы исследования. Разработкам применения

информационных технологий в управлении на морском транспорте, а также

технологий интеллектуального управления уделено большое внимание в трудах

многих российских ученых и исследователей: И.В. Алексеева, А.Б. Барского, Д.И.

Батищева, В.В. Борисова, Г.Л. Бродецкого, Э.Р. Бугулова, Р.Г. Валеевой, В.И.

Васильева, А.П. Веревченко, Е.Н. Воевудского, А.И. Галушкина, М.И. Дли, А.А.

Емельянова, В.В. Зеленцова, В.В. Круглова, И.М. Макарова, Ю.Н. Павловского,

Д.А. Поспелова, А.Л. Степанова, Л.Н. Сукотия, В.И. Финаева и др. и зарубежных

разработчиков: An Caris, Cathy Macharis, Gerrit K. Janssens, Teodor Gabriel Crainic,

Michel Gendreau, Jean-Yves Potvin и др.

Многие ученые своими исследованиями подтверждают, что использование

интеллектуальных моделей в управлении является средством повышения

эффективности управления сложными организационными системами различных

отраслей деятельности. Вместе с этим, применительно к специфике управления

транспортно-логистическим предприятием, глубина существующих научных

исследований по данной тематике недостаточна. Остаются непроработанными

вопросы влияния системы управления на конечные результаты деятельности

транспортно-логистических организаций, в незначительной мере используются

интеллектуальные информационные технологии в системах поддержки принятия

управленческих решений в условиях неопределенности сложных динамических

производственно-организационных процессов перевозки грузов, недостаточно

определена совокупность факторов и особенностей, оказывающих влияние на

производительность транспортной организации.

Объектом исследования является технология, организация и управление

перевозками и работой флота, коммерческая работа на водном транспорте.

Предмет исследования – управление транспортно-логистическим процессом.

6

Цели и задачи исследования. Цель исследования – повышение

эффективности управления транспортно-логистическим процессом (ТЛП) с

помощью разработки модели ИСУ ТЛП на морском транспорте с применением

нечетких нейросетевых (ННС) технологий.

В соответствии с поставленной целью выдвигаются следующие задачи:

1) анализ современного состояния ИСУ ТЛП и существующих методов

оценки эффективности их деятельности;

2) определение области и требований к входным/выходным данным

имитационной модели управления ТЛП с учетом производственных

особенностей;

3) разработка математического подхода к построению модели ИСУ ТЛП на

базе имитационного нечеткого нейросетевого моделирования;

4) построение ННС модели информационной системы управления ТЛП, ее

обучение и тестирование;

5) проведение факторного анализа с целью повышения эффективности ТЛП

на построенной модели;

6) проведение параметрической оптимизации ТЛП, анализ результатов.

Научная новизна диссертационной работы заключается в следующем.

1. Разработан метод имитационного моделирования сложных динамических

производственно-организационных процессов перевозки груза водным

транспортом с применением ННС технологий, учитывающий неполноту и плохую

формализованность исходной информации, возможность выработки эффективных

руководящих решений в условиях неопределенности.

2. Разработана и построена модель ИСУ производственной деятельностью

транспортной организации с применением ННС технологий, основанная на

критериях оценки руководства, ведущих специалистов и экспертов логистической

организации, ответственных за эффективность всех этапов процесса перевозки

груза.

7

3. Представлена возможность применения ННС модели для анализа

ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в

динамическом режиме мониторинга и диагностики управленческих процессов,

моделирования реальных событий и процессов, прогнозирования и

предупреждения критических ситуаций.

Теоретическая и практическая значимость исследования определяется

возможностью использования полученных результатов для повышения

эффективности ИСУ производственной деятельностью ТЛП. ИСУ на основе ННС

технологий моделирования предоставляет адекватную картину процесса для

анализа информации, подготовки основы принятия решений и прогнозирования

результатов различных возможных вариантов управляющих воздействий на

систему.

Результаты работы, в том числе ННС модель ИСУ ТЛП с методиками

формирования ее базы знаний и рекомендациями по применению переданы в

ООО «ДиДиПи Сервис» для использования в производственной деятельности.

Теоретические, методические и практические результаты диссертационного

исследования представляют интерес для транспортно-логистических предприятий

морской отрасли, а также для использования в учебном процессе ВУЗа.

Методология и методы исследования. В работе использованы методы

системного анализа, теории систем, теории нечетких нейронных сетей. Работа

выполнена с применением математической обработки результатов,

математического и компьютерного моделирования.

На защиту выносятся следующие положения.

1. Метод моделирования сложных динамических производственно-

организационных процессов перевозки груза водным транспортом с применением

ННС технологий.

2. Методика формирования базы знаний для ННС модели ИСУ ТЛП с

учетом не только количественных оценок, но и качественных, нечетко заданных,

не поддающихся формализации критериев и связей между ними.

8

3. Методики применения ННС модели ИСУ ТЛП для анализа ситуации и

поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в

динамическом режиме мониторинга и диагностики управленческих процессов,

моделирования реальных событий и процессов, прогнозирования и

предупреждения критических ситуаций.

4. Методики выработки наиболее рациональных руководящих решений в

условиях неполной неопределенности при помощи ННС модели ИСУ ТЛП.

Степень достоверности и апробация результатов. Разработанная ННС

модель прошла апробацию в опытно-промышленной эксплуатации логистической

компании ООО «ДиДиПи Сервис», г. Владивосток, что подтверждено

соответствующим актом от 02.12.2013 г. (Приложение 5).

Основные результаты диссертационного исследования докладывались на

научно-практических конференциях: «Проектирование модели менеджмента

организации: научные и прикладные аспекты» (Екатеринбург, 2010г.); «The 24th

Asian-Pacific Technical Exchange and Advisory Meeting on Marine Structures»

(TEAM-2010, Vladivostok); «Актуальные вопросы развития современной науки,

техники и технологий» (Москва, 2011г.); «Актуальные проблемы и перспективы

развития информационного общества» (Саратов, 2012г.); «Проблемы транспорта

Дальнего Востока» (FEBRAT-2011, 2013, г. Владивосток); а также на научно-

методическом совете МГУ им. адм. Г.И. Невельского, 2013г.

Публикации. Результаты научных исследований нашли отражение в 27

научных публикациях, 4 из которых в журналах, вошедших в Перечень ВАК РФ,

общим объемом 8,8 п.л. (личный вклад автора 7,5 п.л.).

Личный вклад. Соискатель участвовал в подготовке материалов,

написании статей по тематике диссертации, разработке и создании ННС модели

ИСУ ТЛП, проводил исследование и анализ разработанной модели.

9

Глава 1. Анализ информационной системы управления транспортно-логистическим процессом в целях построения модели на базе нечетких

нейросетевых технологий

1.1. Обоснование необходимости применения интеллектуальных транспортных систем

62-65% всех грузовых перевозок в мире выполняется водным транспортом.

98% всех внешнеторговых перевозок в Великобритании, Японии обслуживается

морским транспортом, в Греции и Испании – 94%, в Финляндии и Норвегии –

88%. В России в настоящее время морским транспортом обслуживается около 5%

внешнеторговых перевозок вместо 60% до перестройки. Таким образом, несмотря

на географические преимущества, Россия по экспорту транспортных услуг

занимает место лишь во втором десятке стран-экспортеров [66].

В 2012 г. отмечено снижение объема перевозок грузов морским

транспортом по сравнению с 2011 г., он составил 19,24 млн т (без учета судов

смешанного плавания «река-море»), грузооборот составил 24,5 млрд тонно-миль.

Из общего объема перевозок в заграничном плавании было перевезено 10,9 млн т

грузов, в каботажном – 8,3 млн т. По итогам 2012 г. объем перевалки грузов в

морских портах России увеличился на по сравнению с 2011 г. и составил 567,1

млн т (+5,9%), в том числе сухогрузов – 251,8 млн т (+7,3%), наливных – 315,3

млн т (+4,7%). По направлениям грузооборота морских портов рост объемов

перевалки составил 6,3% в импорте, в экспорте – 9,3%. Снижение было отмечено

в каботаже на 0,9% и транзите на 18,4%. На долю экспортных грузов приходится

78,9% (447,7 млн т) от общего грузооборота портов, импортных – 8,4% (47,5 млн

т), транзитных – 7,1% (40,2 млн т), каботажных – 5,6% (31,7 млн т) (рисунок 1). К

2016-2018 гг. планируется увеличение объема перевалки грузов до 740 млн т в год

[36], [43].

10

Таким образом, в обеспечении международных связей различных

государств, их экономического развития, транспортной независимости большую

роль играет водный транспорт.

Рисунок 1 – Объем перевалки грузов в морских портах России в 2012 г.

Совершенствование транспортной логистики на водном транспорте –

важное условие оптимальной организации морских и речных сообщений и в

системе управления транспортным процессом. В решении этой задачи одним из

существенных вопросов производственного менеджмента является повышение

эффективности информационной системы, с помощью которой осуществляется

планирование, управление и контроль процесса доставки грузов благодаря

опережающей, сопровождающей и заканчивающий процесс информации,

особенно в условиях неопределенности.

В настоящее время практически невозможно обеспечить требуемое

потребителями качество обслуживания и эффективность транспортных операций

без применения информационных систем (ИС), технологий и программных

комплексов для анализа, планирования и поддержки принятия управленческих

решений. Информация является важнейшим экономическим ресурсом

предприятия. Использование актуальной и достоверной информации позволяет

11

обеспечить принятие своевременных и эффективных управленческих решений

менеджерами различных уровней.

Повышение результативности информационных систем управления

предприятием является одной из важнейших проблем, в особенности в морской

отрасли. От решения этой проблемы зависит как существование самих

предприятий, так и обеспечение устойчивого развития морской отрасли России в

целом [20]. Оптимизация ИСУ предприятием – одно из наиболее актуальных

условий повышения эффективности его работы. Именно от оперативности,

экономичности и надежности управления зависит эффективность финансово-

производственной деятельности предприятий.

Для экономической рыночной среды характерна быстрая изменчивость.

Поэтому менеджмент предприятия должен оперативно реагировать на эти

изменения, соответствующим образом адаптироваться. Наличие комплексной

информационной модели предприятия, включающей описание бизнес-процессов,

информационных потоков и их параметров, учитывающей внутреннюю структуру

и внешнюю среду, значительно облегчит этот процесс. Оно даст возможность

высшему менеджменту принимать взвешенные решения по стратегическим

вопросам, используя информацию и системный подход для планирования и

управления всеми ресурсами в целях повышения конкурентоспособности

предприятия и создания резерва для экономического роста. Помимо этого,

важным доказательством необходимости разработки и внедрения комплексной

информационной модели является ее потенциальная возможность прогнозировать

стратегию развития предприятия. Тем более что экспериментировать в реальных

условиях, применяя различные управляющие воздействия и изучая реакцию, не

эффективно и практически невозможно.

7-8 апреля 2009 года при поддержке Государственной Думы РФ и

Министерства транспорта РФ прошёл первый российский Международный

конгресс по интеллектуальным транспортным системам. Этот конгресс стал

ежегодным (очередной шестой конгресс пройдет в апреле 2014 г.). Программы

12

конгрессов поднимают ключевые проблемы внедрения интеллектуальных систем,

без которых невозможна успешная модернизация транспортного комплекса. На

них обсуждаются вопросы по созданию единой информационной среды

транспортного комплекса и аналитических информационных систем поддержки

процессов управления его развитием в рамках Транспортной стратегии

Российской Федерации до 2030 года [89]. Единая информационная среда

подразделяется на уровни: управленческий (информационная среда Минтранса

РФ и находящихся в его ведении федеральных служб и агентств);

технологический (информационная среда различных видов транспорта и

участников транспортного процесса, в том числе среда интеллектуальных

транспортных систем); пользовательский (информационная среда транспортных

услуг и информационного обслуживания клиентов). В принятой участниками

конгресса резолюции было сформулировано понятие интеллектуальных

транспортных систем – это интеграция информационно-коммуникационных

технологий между ключевыми оставляющими транспортных процессов: человек –

транспортные средства – транспортная инфраструктура.

Создание и внедрение отечественных интеллектуальных транспортных

систем позволит повысить эффективность управления перевозками, сократить

непроизводительные затраты на транспортировку грузов, ускорят развитие

национальной транспортной, территориальной и информационной

инфраструктур, а также обеспечит благоприятный климат для внедрения сервисов

на основе глобальных навигационных спутниковых систем [23], [17], [19], [18].

Создание единой автоматизированной системы управления транспортным

комплексом РФ обеспечит эффективное решение задач, стоящих перед

транспортной системой России. Создание такой единой системы предполагает

формирование единой базы данных, в которой будет отражена информация обо

всех поднадзорных объектах и субъектах РФ. Что в свою очередь означает

обязательное предоставление необходимой информации в электронном

13

формализованном виде от каждого транспортного предприятия. Полное

внедрение ЕИАС Ространснадзор предусматривает к 2015 году [73].

Основная задача интеллектуального анализа данных состоит в выявлении

скрытых правил и закономерностей в массивах данных. В настоящее время на

многих транспортных предприятиях создана мощная информационная среда, в

которую входят системы сбора данных, сети передачи, вычислительная

инфраструктура, программное обеспечение, базы данных, информационные

хранилища и др. Однако эти системы не используются в полной мере, так как на

руководящих работников обрушивается огромный объем

слабоструктурированной информации, который человеческий разум не способен

своевременно проанализировать, а значит, возникают трудности в принятии

правильных оптимальных технологических решений. В современных условиях

руководящим работникам или лицам, принимающим решения (ЛПР), необходим

мощный интеллектуальный инструмент, который перерабатывал бы данные из

информационных систем и выдавал адресный анализ – варианты возможных

управленческих решений и полномочий для разных должностных лиц. Такой

инструмент позволил бы максимально ускорить процессы интеллектуального

анализа информации, подготовки основы для принятия решений и

прогнозирования результатов различных возможных вариантов управляющих

воздействий на систему [13].

Существует основная логистическая миссия, так называемое правило «7R»:

нужный товар (Right Product) необходимого качества (Right Quality) в

необходимом количестве (Right Quantity) должен быть доставлен в нужное время

(Right Time) и в нужное место (Right Place) нужному потребителю (Right

Customer) с требуемым уровнем затрат (Right Cost). Задачу соблюдения этого

правила решает провайдер логистический (PL). Существует пять уровней

эволюции PL на основе инсорсинга (использование внутренних источников для

обеспечения нормального хода производственного процесса) и аутсорсинга

(использование подряда, привлечение внешних ресурсов для выполнения каких-

14

либо работ, являющихся частью основной деятельности). В настоящее время

активно используется 3PL – комплексный логистический сервис, выходящий за

пределы простой транспортировки товаров. Например, в перечень услуг 3PL-

оператора входит складирование, перегрузка, дополнительные услуги со

значительной добавленной стоимостью, а также использование субподрядчиков.

Для повышения эффективности необходимо применять системный подход к

управлению всеми логистическими бизнес-процессами, т.е. выходить на уровень

4PL, характеризующийся интеграцией всех компаний, вовлеченных в цепь

поставки грузов. Впоследствии будет использоваться интернет-логистика, т.е.

управление всеми компонентами, составляющими единую цепь поставки грузов, с

помощью электронных средств информации с использованием всех преимуществ

интеллектуального транспортного пространства – уровень 5PL [84].

Динамика роста объема грузоперевозок, повышение требований к качеству

транспортно-логистического обслуживания, усиление конкуренции между

предприятиями в условиях рыночной экономики требуют совершенствования

систем управления на основе оперативного и продуктивного анализа данных о

процессах грузоперевозки, о влияющих на них многочисленных и разнообразных

факторах. Это важно учесть при поддержке принятия решений ЛПР, которая

является одной из самых насущных проблем в управлении транспортно-

логистическими процессами в силу сложности как формализации задач

управления, так и ограниченного выбора применимых на практике методик для

их решения. Многие российские исследователи работают над этими вопросами:

Бродецкий Г., Волобуева Е. в статьях «Управление цепями поставок при многих

критериях в условиях случайного спроса» и «Возможности оптимизации объема

заказа и цены реализации товара в цепи поставок» представляют модель

оптимального управления товарными потоками от производителя товаров к

потребителю. Формат модели предусматривает N-шаговый процесс поставок, на

каждом шагу которого выбирается размер заказа и наценка для цены реализации

15

товара с учетом специфики случайного спроса. Задача реализована и

апробирована в Microsoft Office Excel [29], [10].

Попова И. в статье «Современные характеристики и инструменты

стратегического управления цепями поставок» предлагает алгоритмы построения

системы логистических стратегических ориентиров и разработки

сбалансированной системы показателей как инструмента эффективного

стратегического управления цепью поставок [74].

Клименко В. в статье «Развитие рынка транспортно-логистического сервиса

РФ в разрезе формирования логистической инфраструктуры» использует новую

трактовку сетевых графов с явными и неявными связями, представляющую собой

имитационную модель процесса формирования инфраструктуры логистического

центра [46].

Добронравин Е. в статье «О бизнес-концепциях адаптивности и

стройности» утверждает, что в указанных концепциях получили отражение

характерные особенности и тенденции развития современной рыночной

экономики, включающие ее глобализацию, кооперацию, активную ориентацию на

потребителя, синхронизацию и ситуационную гибкость бизнес-процессов, их

системную интеграцию с использованием прогрессивных информационных

технологий [37].

Бубнов С. В статье «О проектировании логистических систем и цепей

поставок» обосновывает методику поэтапного решения поставленной проблемы и

формулирует принципиальные требования, которые необходимо учитывать при

практическом формировании логистических систем и цепей поставок. Созданная

им методика проектирования ассоциативного взаимодействия логистических

систем ориентирована на развитие интегративных бизнес-процессов между

взаимодействующими предприятиями, входящими в логистические системы и

являющимися участниками цепей поставок [12].

Вохмянина А.В. в статье «Методологические аспекты обеспечения

надежности логистических цепей поставки» доказывает, что вероятностный

16

анализ факторов, характеризующих неопределенность, позволяет выявить узкие

места в процессе товародвижения: определить наиболее ненадежные звенья

логистической цепи, попытаться изменить характеристики взаимодействия с

ними или выбрать более надежных контрагентов [30].

Однако массивы данных, которые необходимо оперативно анализировать в

режиме реального времени для принятия оптимальных экономических решений,

уже невозможно собирать и обрабатывать без применения интеллектуальных

информационных технологий. Сложность современных транспортно-

логистических ИС и их специализация привели к тому, что для их исследования,

изучения свойств, прогнозирования поведения настала необходимость

использования имитационного моделирования на основе систем искусственного

интеллекта, включающее построение нейросетевой модели. Большую роль играет

также выбор определённых технических средств, системного и прикладного

программного обеспечения. К тому же неполнота и нечеткость исходной

информации (сведения, которые размыты, смутны, неопределенны, неясны или

неточны по своей природе), увеличение количества факторов из различных

предметных областей приводит к тому, что наиболее подходящим и эффективным

методом является метод моделирования с применением нечетких нейросетевых

технологий. Основное преимущество этого подхода заключается в способности

алгоритма подстраивать структуру сети под новые наблюдения (факторы) и

выявлять сложные (нелинейные) взаимосвязи между значениями входных и

выходных данных [52], [9]. Это гибридные интеллектуальные системы,

позволяющие более эффективно соединять формализуемые и неформализуемые

знания. Они сочетают в себе достоинства нейронных сетей и систем нечеткого

вывода, позволяют разрабатывать и представлять наглядные и содержательные

модели систем в форме правил нечетких продукций, используя при этом методы

нейронных сетей, что является более удобным и менее трудоемким процессом для

системных аналитиков [99].

17

Следует отметить, что разработкам технологий интеллектуального

управления уделяют большое внимание многие ученые. Российские ученые

Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. рассматривают

концептуальные основы построения и методы проектирования сложных систем

автоматизации в условиях неопределенности – интеллектуальных систем

управления, в основу которых положен принцип ситуационного управления с

использованием таких современных информационных технологий, как:

экспертные системы, нейросетевые структуры, нечеткая логика и ассоциативная

память [64].

Барский А.Б. рассматривает возможности применения технологий

нейронных сетей для управления сложными процессами, решения

оптимизационных задач, динамической маршрутизации, первичной диагностики

состояния системы с помощью «живого» моделирования [4], [5].

Валеева Р.Г., Сильнова С.В., Пузырникова Е.А. предлагают строить систему

управления как иерархическую систему поддержки принятия решений,

основанную на нечётких алгоритмах обработки количественной и качественной

информации об объекте управления [14].

Шиян А.А. рассматривает проблему обработки текстовых данных,

предлагая строгое формальное описание процесса сжатия и атрибуции

полученных данных для использования их в автоматизированных системах

поддержки принятия решений, разрабатываемых в интересах управления и

решения информационных задач в сложных многоуровневых организационных и

организационно-технических системах при помощи совокупности процедуры

построения информационного пространства, адекватного поступающей

информации и разложения данных на компоненты [98].

Микита Р.М., Рогозов Р.М., Свиридов А.С., Сукотий Л.Н. предлагают метод

получения математической модели организационной структуры предприятия из

первичных данных и методов структурного проектирования информационных

систем предприятия. Организационные структуры не являются простыми из-за

18

постоянной динамики во времени и, как следствие, повышенной изменчивости.

Авторы рассматривают такие структуры, используя фрактальную геометрию

Бенуа Мандельброта, в которой математически описанные фракталы в результате

неоднократного применения простых законов математики создают структуры с

высокой степенью организации. Фракталы объединяются в сеть посредством

высокопроизводительной информационно-коммуникационной системы, которые

сами определяют вид и объем своего доступа к данным, конечные результаты

фрактала постоянно измеряются и оцениваются. Таким образом, фрактал

становится центральным структурным элементом предприятия. Фрактальное

представление также позволяет автоматизировать процессы сбора и обработки

первичной информации с получением оптимизированной структурированной

модели [65], [85].

Есин В.И. и Пергаменцев Ю.А. строят модель предприятия в схеме

реляционной базы данных с универсальной моделью данных как основы

информационной системы. Модель предприятия включает представления

элементов предприятия, их взаимосвязь, условия функционирования и пр.,

описанные набором понятий универсальной модели данных, таких как объект,

характеристика объекта, событие, характеристика события. Структура данных

модели предприятия и служебные программы, обеспечивающие ее

функционирование, не зависят от конкретного предприятия, что позволяет

переносить модель предприятия из проекта в проект, не требуя при этом каждый

раз разрабатывать новую схему базы данных и программ взаимодействия с этой

базой данных. Содержимое модели предприятия можно дополнять на любом

этапе внедрения, функционирования и развития [39].

В.И. Финаев, А.Ю. Молчанов рассматривают задачу синтеза

автоматической оптимизации при задании параметров модели экстремальной

характеристики объекта управления нечеткими интервальными величинами.

Нечеткое описание параметров системы дает возможность адекватного описания

допустимого множества значений коэффициентов модели, которые могут быть

19

заданы в виде нечетких чисел. Это позволяет выбирать эффективные значения

параметров модели или эффективного алгоритма для каждой из характерных

ситуаций функционирования объекта управления на основе экспертных знаний

информации, получаемой в ходе эксплуатации объекта управления [94].

И.В. Алексеев основной задачей своего исследования определил разработку

методологии построения модели интермодальной транспортной системы,

позволяющую создавать модели сложных транспортных систем, учитывающbt

работу автомобильного, железнодорожного, авиационного и водного транспорта

при перевозке контейнеров внутри некоторого транспортного узла, с

последующей оптимизацией их работы, несмотря на размеры и количество входов

и выходов этого транспортного узла [1].

Зарубежные исследователи также уделяют большое внимание теме

применения интеллектуальных информационных технологий в системах

управления. Так, An Caris, Cathy Macharis, Gerrit K. Janssens предлагают новые

исследования, касающиеся поддержки принятия решений в области

мультимодальных перевозок с применением инноваций в области

информационно-коммуникационных технологий. Модели поддержки принятия

решений были построены для частных заинтересованных сторон, например,

операторов связи, операторов терминалов, мультимодальных операторов, а также

для государственных структур, таких как управление портом [108].

Teodor Gabriel Crainic, Michel Gendreau, Jean-Yves Potvin уверены, что

давать окончательную оценку эффективности интеллектуальных транспортных

систем рано, что необходимо развивать программные компоненты транспортных

систем и вводить новые современные технологии, в том числе, в системы

поддержки принятия решений, что может значительно повысить

производительность транспортных систем [113].

Ching-Yu Tyan, Paul P. Wang, Dennis R. Bahler считают, что

интеллектуальное управление стало вопросом первостепенной важности в

современной автоматизации процесса, поскольку он обеспечивает

20

предварительные условия для задач обнаружения неисправностей. Способность

обнаруживать неисправности имеет важное значение для повышения надежности

и безопасности сложных систем управления. В статье они описывают технико-

экономическое обоснование использования искусственных нейронных сетей и

нечеткой логики для диагностики неисправностей в такой динамической системе,

как управление транспортным средством на магнитной подушке [109].

Timon Chih-Ting Dua, Philip M. Wolfeb в статье «Implementation of fuzzy

logic systems and neural networks in industry» представили методы применения

нейронных сетей и систем с нечеткой логикой в промышленности, особенно в

областях, связанных с планированием, прогнозированием, управлением запасами,

контролем качества [114].

Ronald R. Yager в статье «Implementing fuzzy logic controllers using a neural

network framework», используя нечеткие правила управления, предлагает

упрощенную схему обучения нейронной сети, с другой стороны, адаптивный

аспект в рамках нейронной сети обеспечивает ее необходимое обучение [112].

Vilém Novák в статье «Reasoning about mathematical fuzzy logic and its future»

предлагает к обсуждению применение нечеткой логики в решении некоторых

задач с проявлениями феномена неопределенности, как надлежащий инструмент

моделирования [115].

Witold Pedrycz вводит и рассматривает вид генетически оптимизированных

нечетких нейронных сетей в статье «Genetic tolerance fuzzy neural networks: From

data to fuzzy hyperboxes», в которых архитектура таких сетей отражает иерархию

геометрических понятий [116].

Таким образом, многие ученые своими исследованиями подтверждают, что

использование интеллектуальных моделей в управлении является средством

повышения эффективности управления сложными динамическими, социально-

экономическими и организационными системами различных отраслей

деятельности и самого разного масштаба. И в то же время, как показывает

вышеприведенный автором анализ литературы, в существующих

21

информационных системах управления транспортно-логистическими

перевозками недостаточно развит и почти не применяется интегрированный

подход к решению динамических оптимизационных задач логистики в условиях

неопределенности современных рыночных отношений.

1.2. Структура информационной системы транспортно-логистического процесса

При проектировании ИС методологическую основу составляет системный

подход. Под системой понимается динамическая система, состоящая из конечного

числа взаимодействующих подсистем, изменяющаяся с течением времени в

результате взаимодействия с внешней средой.

При системном подходе необходимо соблюдение следующих принципов

[28], [44], [80], [81], [82], [83], [87], [93], [106]:

– целостность системы на основе общей структуры, когда поведение

отдельных объектов рассматривается с позиции функционирования всей системы;

– устойчивость функционирования системы и достижение общей цели;

– адаптивность к изменениям внешней среды и управляемость посредством

воздействия на элементы системы;

– обучаемость путем изменения структуры системы в соответствии с

изменением целей системы.

При проектировании и разработке ИС предприятия используются методы,

которые можно разделить на четыре больших класса [45]:

– структурно-функциональные;

– виртуальные (универсальные);

– функционально-технологические;

– объектные.

22

Структурно-функциональные методы заключаются в декомпозиции

структуры ИС на отдельные подсистемы для анализа их технического, системного

и прикладного состава и последующего определения структуры системы с

заданными потребителем функциями. Согласно анализу, проведенному авторами

[45], эти методы хорошо себя зарекомендовали при проектировании

специализированных и универсальных систем.

Виртуальные (универсальные) методы позволяют описывать

вычислительные процессы и информационные потоки, отражающие

организационно-функциональную структуру автоматизируемой системы, на

виртуальном уровне без учета программных и информационных взаимосвязей.

Такие методы ориентированы на решение простых задач или обработку типовых

данных. Для объектов, где постоянно изменяются функции организационного

управления и параметры решаемых задач, в значительной степени

характеризуются неопределенностью, процесс создания и развития таких ИС

может длиться десятки лет.

Функционально-технологические методы позволяют учитывать динамику и

взаимосвязанность организационных и управленческих функций, физические и

информационные связи между элементами ИС и взаимосвязи создаваемой ИС с

внешней средой. Достоинством этих методов является формирование и

использование типовых конструкторских решений, что обеспечивает высокую

динамику проработки технических решений для всех видов взаимодействующих

процессов.

Объектные методы используют такие базовые элементы, как объекты,

классы и свойства наследования. Они характеризуются следующими свойствами:

– объединение данных и процедур их обработки в одном программном

модуле (свойство инкапсуляции), что позволяет понизить уровень сложности

программ, использовать повторно код программ без модификаций, изменить код

программ без разрушения отлаженных фрагментов и т.п.;

23

– заимствование и преемственность атрибутов данных и переменных

состояния от объекта к объекту (свойство наследования), что увеличивает

гибкость в применении общих исходных кодов программ;

– уникальность реакции объекта на единообразные (конформные)

обращения к нему в программе (полиморфизм), что упрощает исходный код.

Преимущество этих методов – учет динамики информационных

потребностей пользователя и ориентация на аналитические задачи.

Для проектирования ИСУ транспортно-экспедиционного предприятия

предпочтительно использовать функционально-технологические методы в

сочетании с объектными, что позволяет провести анализ сложной структуры,

выявить повторное использование данных и дублирование процессов. Эти методы

обеспечивают устойчивость и адаптируемость всех форм организации ИС в

реальных условиях функционирования.

Современные информационные технологии существенно помогают

организации получить преимущество в рыночных экономических условиях. В

первую очередь эта помощь связана с необходимостью сбора информации,

требуемой для эффективного управления любым бизнес-процессом, в том числе

транспортным процессом. Однако обладание информацией – необходимое, но

недостаточное условие для принятия правильного решения. Важно хорошо знать

предметную область, обладать целым набором средств и методов обработки и

анализа, механизмом выработки возможных вариантов решения задач управления

и ранжирования их по степени влияния на достижение поставленной цели.

Задачей руководителя предприятия или ЛПР является выбор наилучшего

оптимального варианта [16], [47].

Если рассматривать деятельность посреднических компаний,

осуществляющих комплекс услуг по организации перевозки грузов в системе

морского транспорта, то она включает в себя сопутствующие перевозочному

процессу операции:

- фрахтование судов и расчеты по фрахту;

24

- приём, сдача груза;

- организация погрузочно-разгрузочных работ;

- страхование;

- таможенное декларирование грузов;

- оформление необходимой товаросопроводительной документации;

- заключение договора перевозки с транспортным предприятием;

- расчёты за транспортировку груза;

- консультации по расчётным и экспедиторским операциям;

- информирование участников транспортного процесса и др.

Сбор полной информации о грузоперевозчиках, тарифах на перевозки,

видах и стоимости услуг, предоставляемых экспедиторами, представляет

большую проблему для грузовладельца, кроме того, стоимость услуг разных

видов транспорта, в том числе и морского, спектр услуг, их стоимость и качество

у разных перевозчиков могут быть различными [21], [35], [42], [50], [63].

Существенные различия наблюдаем и в рамках одного вида транспорта – водного

транспорта. Поиск необходимого судна, переговоры о его аренде, фрахтовании

тоннажа справедливо считаются наиболее сложными этапами, где с одной

стороны, требуется высший профессионализм участников, а с другой –

отсутствует гарантия успеха, поскольку приходится сталкиваться со стихией

фрахтового рынка, подчиняющегося своим внутренним законам [48], [88], [95],

[96], [101], [102], [103], [104], [105].

Речь идет о задачах анализа, планирования и выработки экономических

решений в условиях неопределенности, а также неполноты и нечеткости

исходной информации. Это задачи, которые относятся к плохо формализованным

задачам, и которые не могут быть решены с помощью классических

детерминированных методов.

Неопределенность объекта управления выражается прежде всего в том, что

неизвестны закономерности, которые в нем существуют, какова его

математическая модель, как зависят выходные величины от входных и т.д.

25

Вместе с тем известны эмпирические данные, получаемые в процессе наблюдения

за объектом. Задача восстановления зависимостей по эмпирическим данным была

и, вероятно, всегда будет центральной в теории управления плохо определенными

объектами [15]. Традиционная схема управления каким-либо объектом в общем

виде может быть представлена следующим образом (рисунок 2) [76].

Рисунок 2 – Традиционная схема управления объектом

На управляемый процесс воздействуют значения входов xzi, где i=1,…, n,

которые можно оценить в любой момент времени и значения xnj, где j=1, …, r,

которые либо невозможно никак оценить, либо это слишком дорого обходится.

Таким образом, входов – (n+r). Выходов – m (qi, где i=1,…, m). Между входным

вектором<XZ, XN> и Q выходным существует некоторая связь Q=f(XZ, XN). При

управлении объектом важно получить определенные значения Q при любых XZ и

XN. Если XZ и XN не являются управляемыми, необходимо построить систему

управления так, чтобы при помощи специальных управляющих воздействий SU

повлиять на значения Q. Другими словами, получаем соотношение Q=f(XZ, SU,

Объект Q=f(XZ,SU,XN)

xn1 xn2 xnr ...

Система управления

SU =Ф(XZ, Q)

su1 su2 suk ...

q1 q2 ... qm

xz1 xz2 ... xzn

ЛПР

kz

26

XN). Это означает, что реализуя некоторую зависимость SU=Ф(XZ, Q), можно

найти искомые управляющие воздействия на объект. Также имеется возможность

внести коррективы в функционирование системы управления в виде

корректирующего вектора KZ.

Таким образом, чтобы построить эффективную систему управления,

необходимо знать две вещи: во-первых, множество предпочтительных значений

вектора Q, которые означают понимание цели функционирования объекта, во-

вторых, как задано отображение f(.), которое описывает функционирование

объекта управления. Итак, чтобы сформулировать критерий управления, в

котором воплощаются требования к системе управления, необходимо знать

описание объекта, т.е. его структуру и функционирование, и цели его

существования.

Отображение Ф на рисунке 2 является критерием управления объектом, это

может быть максимизация или минимизация каких-либо значений вектора Q,

поддержание их в некоторых заданных пределах, недопущение некоторых

комбинаций этих значений, запрещение появления определенных временных

последовательностей значения вектора Q и т.п. Так возникает цепочка «описание

объекта управления – описание целей существования объекта управления –

формирование критерия управления им – проектирование и создание системы

управления».

Слабым звеном в этой цепочке является идентификация объекта управления

и, как следствие, выявление критериев управления им, если объектами

управления становятся системы плохо определенные или

слабоструктурированные, организационные или обладающие «свободой воли».

Такие объекты, как правило, обладают рядом свойств [76]:

1. Уникальность. Когда невозможно применить какую-либо типовую

стандартную процедуру при построении системы управления из-за уникальных

особенностей структуры и функционирования объекта.

27

2. Отсутствие формализуемой цели существования. Когда цель

существования самого объекта не может быть строго сформулирована и, тем

более, количественно выражена. Это обычно приводит к большим сложностям в

формировании критерия управления.

3. Отсутствие оптимальности. Когда нельзя построить объективный

критерий управления из-за отсутствия цели существования (в рамках теории

управления), и он становится субъективным, целиком зависящим от решения

руководства.

4. Динамичность. Когда структура объекта управления и его

функционирование изменяется с течением времени, и эта динамика должна быть

учтена в системе управления.

5. Неполнота описания. Причинами, которой могут быть: во-первых,

недооценка уровня полноты описания объекта управления экспертами, который

предоставляется специалисту по управлению; во-вторых, незнание или нечеткое

знание некоторых сторон функционирования объекта, особенно при нештатных

ситуациях; в-третьих, существующие способы описания объектов и протекающих

в них процессов приводят к столь громоздким конструкциям, что их практическое

использование невозможно; в-четвертых, многие особенности функционирования

объекта, а иногда и его структуры не могут быть описаны количественно, т.е.

допускают лишь качественное, словесное описание. Например, между рядом

параметров, оказывающих влияние на процесс управления, не удается установить

точных количественных зависимостей. Или процесс управления является

многоэтапным, и содержание каждого этапа не может заранее однозначно

определено.

6. Наличие свободы воли. Когда элементы, входящие в структуру

управляемого объекта, имеют активную природу. Их поведение может

противоречить целям управления, они могут оказывать обратное воздействие на

саму систему управления. Во многих объектах управления элементами их

28

структуры являются люди, которые функционируют с учетом своих личных

интересов и целей.

Отсюда следует необходимость перехода от классических моделей теории

управления к логико-лингвистическим моделям, в которых используются

логические средства обработки для преобразования данных, представленных в

лингвистической форме [75], [77], [78]. Логико-лингвистический подход

подразумевает использование понятий нечеткого множества, лингвистической

переменной, распределения возможностей, нечеткого свидетельства для описания

и формирования элементов системы в процессе построения модели.

В этом направлении получены конкретные практические и теоретические

результаты [2], [8], [75], что позволяет сформулировать основные вопросы,

возникающие при разработке и реализации методов и моделей систем управления

с нечеткой исходной информацией:

– построение функции принадлежности нечетких множеств;

– выполнение операций над нечеткими числами;

– сравнение и упорядочение нечетких чисел и множеств;

– разработка моделей принятия решений.

1.3. Особенности имитационного моделирования транспортно-логистического процесса на базе нечетких нейросетевых технологий

Применение современных информационных технологий на транспорте и

коммерции позволит повысить эффективность всего транспортного процесса за

счет возможности быстрого доступа к информации о субъектах (покупатель,

перевозчик, услуги) и объектах (товары, терминалы, транспорт) доставки и

принять наиболее рациональное решение [22].

29

В целях усовершенствования процесса управления, обеспечения

экономического роста транспортного предприятия, повышения качества

оказываемых услуг по перевозке грузов, освоения новых рынков или выхода на

международный рынок наиболее подходящим средством может стать модель

ИСУ предприятием с возможностью динамического моделирования деятельности.

Моделирование является основным методом исследования во всех областях

знаний и научно обоснованным методом оценки характеристик сложных систем,

используемым для разработки и реализации управленческих решений [26].

Для принятия обоснованных решений и управления транспортно-

логистическими процессами необходим большой массив информации, адекватно

описывающий состояние этих процессов и риски рыночной среды, а также

наличие сбалансированных друг с другом ключевых компетенций. Решающим

фактором успешного осуществления операций в процессе транспортировки

грузов является информация и формирующиеся на ее основе знания, которые

являются основой эффективно действующей ИС [90].

Принятие управленческого решения представляет собой решение сложной

многокритериальной задачи, в которой большинство критериев характеризуют

рассматриваемые альтернативы с разных позиций, имеют различную природу,

значимость, размерность.

Схему управления, представленную на рисунке 2 в обобщенном

функциональном виде можно описать как замкнутый контур (рисунок 3).

Причем при прохождении контура во второй и последующие разы не всегда

требуется переопределять цель (стрелка выполнена пунктиром). В этом контуре

присутствуют информационные потоки данных, которые вместе со средствами

сбора, обработки, передачи и хранения информации образуют информационную

систему.

Использование средств моделирования обеспечит руководству предприятия

возможность правильно оценить имеющиеся преимущества и недостатки,

отыскать источники потенциала и направления усовершенствования. Они

30

помогут сократить время настройки ИС под новые или специфические задачи, а

также найти, визуализировать и зафиксировать в готовом для последующего

развертывания варианты реализации ИС, каждый из которых может быть выбран

при переходе на очередную ступень развития предприятия.

Рисунок 3 – Функциональная схема управления предприятием

Процесс моделирования начинается с тщательного изучения реального

объекта моделирования, анализа данных о нем, определения зависимостей между

характеристиками и параметрами с учетом тех условий или факторов, которые

принимаются во внимание при формализации и составления его содержательного

описания. На основе анализа описания объекта выбирают ту или иную

теоретическую схему формализации для отображения реального объекта в виде

математических преобразований. Далее полученная модель подвергается оценке,

т.е. верификации и адекватности. В том случае, если модель не удовлетворяет

условиям оценки, необходимо откорректировать построенную модель, либо

вернуться к выбору схемы формализации и заново строить модель [24], [25], [27],

[54], [100].

Целеполагание

Планирование

Исполнение (учет результатов исполнения)

Анализ

Формирование управленческого

воздействия

Корректировка

Контроль

31

Моделирование является циклическим процессом (рисунок 4). В процессе

повторения циклов знания об исследуемом объекте будут уточняться и

расширяться, что повлечет постепенное усовершенствование модели.

Таким образом, чтобы назначить оптимальное управляющее воздействие,

необходимо иметь возможность подробного воспроизводства процесса при

нескольких вариантах управления, т.е. необходимо иметь возможность его

имитации [71].

Рисунок 4 – Схема процесса моделирования

Многократное воспроизведение моделируемых процессов с последующей

их статистической обработкой, сравнением характеристик, учетом различных

внешних воздействий на модель позволяет делать выводы в пользу того или иного

варианта функционирования системы.

Реальный объект Содержательное описание объекта

Построение формализованной схемы описания

Построение модели:

- математические преобразования

- программные модули

Планирование эксперимента

Оценка модели:

- верификация

- адекватность

Корректировка схемы формализации и модели

Аналитические методы решения

Экспериментирование

Использование полученных данных для

моделирования

Обработка результатов

экспериментов, учет допущений

модели и их влияние на полученные

знания

32

Информационная система управления транспортно-логистическим

процессом как объект моделирования настолько сложна, что описать ее

поведение, выбрать ту или иную схему формализации очень трудно или вообще

невозможно. В таких случаях имитационная модель позволяет изучать структуру

объекта и его поведение по реакции модели объекта на заданные сходные по

параметрам с реальными входные воздействия. Имитационная модель должна

отражать большое число параметров, логику и закономерности поведения

моделируемого объекта во времени и пространстве [97].

В настоящее время наблюдается усложнение внутренних и внешних правил

управления транспортно-логистическим предприятием вследствие перехода на

новые экономические условия. Чтобы построить имитационную модель процесса

перевозки груза, необходимо выявить входные и выходные данные, факторы,

оценивающие и влияющие на процесс, и учесть нелинейные зависимости между

ними.

Эти условия определяют огромное множество влияющих со сложными

связями факторов, и характер изменения этих факторов часто непредсказуем.

Нередко для нахождения рационального решения задач управления необходим

интеллект человека и накопленный в базах знаний опыт. Именно поэтому в

последние годы не только в науке и технике, но и в экономике так востребованы

технологии искусственного интеллекта.

На рисунке 5 показана общая схема проведения имитационных

экспериментов с применением интеллектуальной системы.

На вход интеллектуальных систем поступают результаты имитационных

экспериментов, которые осуществляют анализ и предлагают на выбор несколько

вариантов решений. Далее эксперты могут остановить свой выбор на более

рациональном решении либо провести перенастройку параметров, руководствуясь

результатами интеллектуального анализа, и продолжить эксперимент.

Конечная цель моделирования – принятие решения, которое должно быть

выработано на основе всестороннего анализа результатов моделирования.

33

Рисунок 5 – Схема проведения имитационных экспериментов

Проведение эксперимента на имитационной модели требует сложной

математической и информационной поддержки процесса системного

моделирования, связанного с вычислительными процедурами, планированием

эксперимента, оптимизацией, организацией работы с большими объемами данных

в процедурах принятия решений. В этом случае обосновано и конструктивно

применение нейросетевого подхода (как одного из приемов искусственного

интеллекта) [2], [70], [79].

Нечеткие нейронные сети на данный момент являются самым эффективным

методом моделирования информационных систем управления, в том числе

транспортно-логистических процессов. Интеграция автоматизированных ИС

управления с интеллектуальными системами позволяет значительно повысить

качество управленческих решений.

Выводы по главе 1

1. В настоящее время на многих предприятиях водного транспорта создана

мощная информационная среда, в которую входят системы сбора данных, сети

передачи, вычислительная инфраструктура, программное обеспечение, базы

Имитационные модели бизнес-процессов

Упр

авля

ющ

ие п

арам

етры

и

алго

ритм

ы м

одел

ей

Эксперты Результаты анализа, варианты решений

Интеллектуальные системы

34

данных, информационные хранилища и др. Однако эти системы не используются

в полной мере, так как на руководящих работников обрушивается огромный

объем слабо структурированной информации, который человеческий разум не

способен своевременно проанализировать, а значит, возникают трудности в

принятии правильных оптимальных технологических решений.

2. В современных условиях руководящим работникам или лицам,

принимающим решения, необходим мощный интеллектуальный инструмент,

который перерабатывал бы данные из информационных систем и выдавал бы

адресный анализ – варианты возможных управленческих решений и полномочий

для разных должностных лиц. Такой инструмент позволил бы максимально

ускорить процессы интеллектуального анализа информации, подготовки основы

для принятия решений и прогнозирования результатов различных возможных

вариантов управляющих воздействий на систему.

3. Современные информационные технологии существенно помогают

организации получить преимущество в рыночных экономических условиях. В

первую очередь эта помощь связана с необходимостью сбора требуемой для

эффективного управления любым бизнес-процессом, в том числе транспортным

процессом, информацией. Однако, обладание информацией – необходимое, но

недостаточное условие для принятия правильного решения. Важно хорошо знать

предметную область, обладать целым набором средств и методов обработки и

анализа, механизмом выработки возможных вариантов решения задач управления

и ранжирования их по степени влияния на достижение поставленной цели.

Задачей руководителя предприятия или ЛПР является выбор наилучшего

оптимального варианта.

4. Сбор полной информации о грузоперевозчиках, тарифах на перевозки,

видах и стоимости услуг, предоставляемых экспедиторами, составляет большую

проблему для грузовладельца, кроме того, стоимость услуг разных видов

транспорта, в том числе и морского, спектр услуг, их стоимость и качество у

разных перевозчиков могут быть различными. Поиск необходимого судна,

35

переговоры о его аренде, фрахтовании тоннажа справедливо считаются наиболее

сложными этапами, где с одной стороны требуется высший профессионализм

участников, а с другой – отсутствует гарантия успеха, поскольку приходится

сталкиваться со стихией фрахтового рынка, подчиняющегося своим внутренним

законам. Вышеперечисленные задачи – это задачи анализа, планирования и

выработки экономических решений в условиях неопределенности, а также

неполноты и нечеткости исходной информации. Эти задачи относятся к плохо

формализованным задачам, и они не могут быть решены с помощью классических

детерминированных методов.

5. Использование средств имитационного моделирования обеспечат

руководству предприятия возможность правильно оценить имеющиеся

преимущества и недостатки, отыскать источники потенциала и направления

усовершенствования в условиях неопределенности. Они помогут сократить время

настройки ИСУ под новые или специфические задачи, а также найти,

визуализировать и зафиксировать в готовом для последующего развертывания

варианты реализации ИСУ, каждый из которых может быть выбран при переходе

на очередную ступень развития предприятия. Конечная цель моделирования –

принятие решения, которое должно быть выработано на основе всестороннего

анализа результатов моделирования.

6. Проведение эксперимента на имитационной модели требует сложной

математической и информационной поддержки процесса системного

моделирования, связанного с вычислительными процедурами, планированием

эксперимента, оптимизацией, организацией работы с большими объемами данных

в процедурах принятия решений. В этом случае обосновано и конструктивно

применение нейросетевого подхода как одного из приемов искусственного

интеллекта.

36

Глава 2. Нейросетевые технологии в построении модели информационной

системы управления транспортным процессом

2.1. Основные характеристики нейронных сетей, необходимые в построении сложной динамической многофакторной модели транспортного процесса

В прикладных задачах, подобных построению модели ИС управления

транспортно-логистическим процессом, нейронную сеть используют как

самостоятельную систему представления знаний в качестве одного из

компонентов системы управления, либо модуля принятия решений, передающего

результирующий сигнал в другие подсистемы, не связанные с нейронной сетью

непосредственно. Существует несколько основных групп выполняемых сетью

функций [51], [70]:

– распознавание и классификация текущего состояния системы;

– сжатие данных;

– прогнозирование;

– идентификация;

– управление;

– ассоциации.

Значительное количество задач моделирования может быть сведено именно

с вероятностным представлением. Сеть обучается важнейшим признакам образов

для их распознавания и классификации, которые и составляют базу для принятия

решений. Она прогнозирует будущую реакцию системы по ее предшествующему

поведению. Натренированная на ограниченном множестве обучающих выборок,

нейронная сеть обобщает накопленную информацию и вырабатывает ожидаемую

реакцию применительно к новым данным. При решении задач управления

сложными динамическими процессами, каковым является процесс транспортно-

37

логистический, нейронная сеть обеспечивает выработку соответствующего

управляющего воздействия. Выступает в роли следящей системы,

адаптирующейся к изменяющимся условиям внешней среды, влияющей на

транспортно-логистический процесс. Может играть роль ассоциативного

запоминающего устройства и помочь избежать значительного количества

случайных ошибок, например, при вводе входной информации невнимательным

пользователем. ИС транспортно-логистического процесса характеризуется

большим количеством параметров со сложными взаимосвязями [55]. Свойство

нейронной сети параллельно обрабатывать информацию одновременно всеми

нейронами при большом количестве межнейронных связей позволяет значительно

ускорить процесс обработки информации.

Построение искусственных нейронных сетей опирается на биологические

основы естественного интеллекта. Использование нейросетевых методов в теории

искусственного интеллекта называется нейроинтеллектом. Подобно

биологическим искусственные нейронные сети являются вычислительной

системой с большим числом параллельно функционирующих и сложно

взаимосвязанных процессоров. Так же как и мозг человека, искусственные

нейронные сети демонстрируют такие возможности как обучение на основе

опыта, обобщение, извлечение существенных данных из избыточной

информации. И это несмотря на то, что при построении искусственных

нейронных сетей обычно делается ряд допущений и упрощений. Нейронные сети

могут самонастраиваться и обучаться, менять свое поведение в зависимости от

состояния окружающей их среды. Обученная сеть может быть устойчивой к

некоторым отклонениям входных данных, что позволяет ей правильно

распознавать образ, содержащий различные помехи и искажения [3], [32], [34].

Обоснованием к применению нейронных сетей в системах управления

является, во-первых, то что нейронные сети могут реализовывать произвольные

гладкие функции любой сложности, во-вторых, для реализации нейросетевых

систем управления необходима минимальная информация об объекте управления,

38

в-третьих, в нейронных сетях возможна параллельная обработка информации, что

увеличивает скорость работы системы и повышает ее надежность [92].

Основной элемент нейронной сети – это формальный нейрон,

осуществляющий операцию нелинейного преобразования суммы произведений

входных сигналов на весовые коэффициенты (2.1).

у = 𝐹(∑ 𝑤𝑖𝑛𝑖=1 𝑥𝑖) = 𝐹(𝑊𝑋) (2.1)

где X=(x1, x2,…xn) – вектор входного сигнала; W=(w1,w2,…wn) – весовой вектор; F –

оператор нелинейного преобразования.

Схема нейронного элемента (рисунок 6) состоит из сумматора ∑ и блока

нелинейного преобразования F. Каждому i-му входу нейрона соответствует

весовой коэффициент wi (синапс), характеризующий силу по аналогии с

биологическим нейроном.

Рисунок 6 – Нейронный элемент

Оператор нелинейного преобразования называется функцией активации

нейронного элемента и в его качестве могут использоваться различные функции,

которые определяются в соответствии с решаемой задачей и типом нейронной

сети. В данной работе – это сигмоидная функция (2.2), в диапазоне значений [0,1]

,т.к. она является монотонной и всюду дифференцируемой, за что и получила

широкое распространение в искусственных нейронных сетях. Вектор входного

X1

X2

Xn

w1

W2

Wn …

∑ F S y

39

сигнала называется паттерном входной активности нейронной сети, а вектор

выходного сигнала – паттерном выходной активности.

y = 11+e−cX

, (2.2)

Нейронная сеть – это совокупность нейронных элементов и связей между

ними. Слоем нейронной сети называется множество нейронных элементов, на

которые в каждый такт времени параллельно поступает информация от других

нейронных элементов сети.

В процессе обучения нейронной сети достигается их самоорганизация и

самоадаптация за счет определения синаптических связей между нейронными

элементами, когда в ответ на входное воздействие согласно обучающим правилам

изменяются весовые коэффициенты.

Существует большое число алгоритмов обучения, ориентированных на

решение разных задач. В данной работе используется алгоритм обратного

распространения ошибки [92]. Он заключается в том, что изменение весов

синапсов происходит с учетом локального градиента функции ошибки. Разница

между реальными и правильными ответами нейронной сети, определяемыми на

выходном слое, распространяется в обратном направлении – навстречу потоку

сигналов.

Обычно обучение нейронной сети осуществляется на некотором множестве

специально подготовленных обучающих выборок. По мере процесса обучения

сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.

Хорошо натренированная сеть становится нечувствительной к вариациям

входных величин при условии, что эти вариации находятся в определенных

допустимых границах. То есть аналогичные входные сигналы должны вызывать

аналогичные реакции даже в том случае, если они не входили в состав

обучающего множества [70].

40

Так, нейронная сеть обучается воспроизводить зависимость, заданную

набором из N пар точек <x̅n, yn>, n=1, 2, …, N, с минимизацией суммарной

квадратичной ошибки

𝐸 = ∑ 𝐸𝑛𝑁𝑛=1 (2.3)

где En=(yn-On)2, On – выход сети при поступлении на вход x̅n.

Алгоритм обучения:

Шаг 1. Задаются параметр ηϵ[0,1] и некоторые малые случайные веса сети

wijk – k-й вес j-го нейрона в i-ом слое нейронной сети, а также Emax – максимальное

значение суммарной функции ошибок сети.

Шаг 2. Устанавливается n=1 – номер текущей обучающей точки и E=0 –

текущее значение суммарной функции ошибок сети.

Шаг 3. Вводится очередная обучающая пара x̅= x̅n и y̅=y̅ n . Вычисляется

выходной сигнал сети On.

Шаг 4. Производится корректировка весов по формуле:

𝑤𝑖 = 𝑤𝑖 + 𝜂 𝜕𝐸𝑛𝜕𝑤𝑖

, (2.4)

Где wi – матрица весов i-го слоя нейронов. Коррекция весов производится в

обратном направлении: от последнего слоя к первому.

Шаг 5. Корректируется значение функции ошибки:

𝐸 = 𝐸 + (𝑦𝑛 − 𝑂𝑛)2. (2.5)

Шаг 6. Если n<N, то n=n+1 и переход к шагу 3.

Шаг 7. Если E>Emax, то переход к шагу 2.

Шаг 8. Конец.

Таким образом, нейронные сети обладают рядом преимуществ,

необходимых для решения задачи моделирования ИСУ ТЛП. Но процесс

обучения сети зачастую происходит достаточно медленно. И для ускорения

процесса обучения сети ввести какую-либо априорную информацию (знания

эксперта) невозможно. К тому же анализ обученной нейронной сети достаточно

41

сложен, обычно она представляет собой черный ящик для пользователя.

Устранить или минимизировать существующие недостатки нейронной сети

способны системы на базе нечеткой логики, которые решают плохо

формализованные задачи и объясняют получаемые выводы работы системы [9],

[51], [52].

2.2. Использование математического аппарата нечеткой логики для решения проблемы неопределенности входных/выходных данных в

построении модели транспортно-логистического процесса

Применение нечеткой системы управления показано при наличии

неопределенности, нечеткости информации о системе, а также сложности

системы, невозможностью или нецелесообразностью из-за трудоемкости и

дороговизны ее описания традиционными формализуемыми математическими

методами или даже невозможностью полноты описания [9], [56], [57], [58], [110].

Значительная часть информации о системе доступна в виде экспертных данных

или в эвристическом описании процессов функционирования в форме нечетких

правил или зависимостей различного типа. ИС управления транспортно-

логистическим процессом относится к такой системе.

В нечеткой системе управления для описания объектов и явлений вводятся

понятия нечеткого множества, нечеткой и лингвистической переменной.

Понятие нечеткого множества это формализация лингвистической

информации для построения математических моделей. В основе этого понятия

лежит представление о том, что составляющие данное множество элементы,

обладающие общим свойством, могут обладать им в различной степени и,

следовательно, принадлежать к этому множеству с различной степенью (Л. Заде)

[69].

42

Нечеткое множество – это множество, которое содержит элементы с

некоторой степенью принадлежности.

G ={[u, μ(u)] | uєU} (2.6)

Функция принадлежности (ФП) ставит в соответствие каждому элементу

uєU действительное число μ(u) из интервала [0, 1], описывающее степень

принадлежности U к множеству G. Над нечеткими множествами возможны

логические операции: включение, эквивалентность, объединение, пересечение,

дополнение. И алгебраические: сумма, произведение, возведение в степень,

которые называют концентрацией и растяжением. ФП можно определить как

кривую, указывающую, каким образом каждая точка входного пространства

отображается в степень принадлежности между 0 и 1. Форма ФП определяется

разработчиком системы, исходя из условий эффективности использования. В

данной работе использована функция принадлежности в виде кривой Гаусса

(рис.7).

𝜇(𝑢) = exp (−(𝑢−𝑎𝜎

)2) (2.7)

Рисунок 7 – Форма функции принадлежности

Где параметр a обозначает центр нечеткого множества, σ – параметр

ширины ФП.

µ(u)

u

1

0,5

0 a

σ' σ'' σ

43

Определение 1. Нечеткое подмножество G универсального множества U

характеризуется функцией принадлежности μG: →[0,1], которая ставит в

соответствие каждому элементу uЄU число μG(u) из интервала [0,1],

характеризующее степень принадлежности элемента u подмножеству G [40].

Нечеткое множество отличается от обычного множества тем, что

относительно любых его элементов можно сделать три утверждения: первые два

рассматриваются в обычной (четкой) математике – «Элемент принадлежит

данному множеству», «Элемент не принадлежит данному множеству», и третье –

«Элемент принадлежит данному множеству со степенью уверенности μ». При

этом 0<μ<1. Первые два утверждения соответствуют μ=1 и μ=0.

Определение 2. Нечеткая переменная характеризуется тройкой (X, U,

G(X;u)), где X – название переменной, U – универсальное множество (конечное и

бесконечное), u – общее название элементов множества U, G(X;u) – нечеткое

подмножество множества U, представляющее собой нечеткое ограничение на

значения переменной u, обусловленное X. Неограниченная обычная (не нечеткая)

переменная u является для X базовой переменной [40].

Определение 3. Лингвистическая переменная характеризуется набором

(χ, T(χ), U, D, H), в котором χ – название переменной; T(χ) (или просто T

обозначает терм-множество переменной χ, т.е. множество названий

лингвистических значений переменной χ, причем каждое из таких значений

является нечеткой переменной Х со значениями из универсального множества U

с базовой переменной u; D – синтаксическое правило (имеющее обычно форму

грамматики), порождающее названия Х значений переменной χ, а H –

семантическое правило, которое ставит в соответствие каждой нечеткой

переменной Х ее смысл H(X), т.е. нечеткое подмножество H(X) универсального

множества U. Конкретное название Х, порожденное синтаксическим правилом

D, называется термом. Терм, состоящий из одного или нескольких слов, всегда

фигурирующих вместе друг с другом, называется атомарным термом. Терм,

44

состоящий из одного или более атомарных термов, называется составным

термом [40].

Так как на ИСУ ТЛП оказывает влияние множество факторов,

определяемых особенностями внешней среды, ее социально-экономическими,

рыночными и даже политическими характеристиками, то большую часть

факторов можно отнести к категории субъективной, нечеткой, неопределенной,

результаты экспериментов не могут быть полностью обработаны инструментами

классической математики. В данном случае необходимо воспользоваться другими

средствами – средствами обработки нечеткой информации. Чтобы оперировать

данными, имеющими свойства размытости и неточности, формализовать

полученные знания, необходимо применить формальный аппарат нечеткой

алгебры и нечеткой логики [31], [40] .

В задачах, решаемых интеллектуальными системами, часто приходится

пользоваться неточными знаниями, которые не могут быть интерпретированы как

полностью истинные или ложные. Существуют знания, достоверность которых

выражается некоторой промежуточной цифрой. Не стоит путать с вероятностью,

носящей объективный характер и подчиняющейся другим математическим

зависимостям. При учете различных экспертных суждений в ходе экспериментов

следует вводить коэффициент качества оценки, отражающий субъективную

степень уверенности эксперта.

Можно привести доводы в пользу того, что для большинства методов

обработки неопределенности, неясности и неточности в усложненных условиях

решения проблем, часто встречающихся в транспортно-логистических системах,

возникает необходимость привлекать методы теории искусственного интеллекта

[86].

Наиболее подходящим и эффективным методом решения таких задач

является метод моделирования с применением нечетких нейросетевых

технологий. Системы, использующие нейронные сети для определения

45

параметров нечетких моделей, называются нейронными нечеткими системами

или гибридными [2], [52].

2.3. Обоснование применения нейронных нечетких сетей в построении модели транспортно-логистического процесса

Гибридная нейронная сеть – это нейронная сеть с нечеткими сигналами,

весами и активационной функцией с использованием t-нормы, t-конормы или

некоторых других непрерывных операций. Входы, выходы и веса гибридной

нейронной сети – вещественные числа, принадлежащие отрезку [0,1]. В основу

гибридных сетей легли преимущества систем с нечеткой логикой, в которых

выводы делаются на основе аппарата нечеткой логики, а соответствующие

функции принадлежности подстраиваются с использованием алгоритмов

обучения нейронных сетей. Такие системы не только используют априорную

информацию, но могут приобретать новые знания и для пользователя являются

логически прозрачными [2], [52], [53], [59], [61], [62], [79].

В данной работе использовалась архитектура гибридной нейронной сети

ANFIS (Adaptive Neuro-Fuzzy Inference System) с логическим выводом Сугено.

База знаний этой сети строится в виде совокупности правил нечетких

продукций (ПНП) и входных переменных, которыми являются факторы,

влияющие на процесс управления перевозкой груза. В общем виде ПНП можно

представить следующим образом:

П𝑖: если x1 = V1i и x21 = V2i и … xN = VNi, то уi = pi0 + ∑ pijNj=1 xj (2.8)

(i=1, 2, …M)

Выход системы – у𝑖 (оценка эффективности процесса)

46

Условия если x𝑖 = Vi реализуются функцией принадлежности

(фазификации) сигмоидного типа: μV(xi) (формула из пункта с нечеткими

множествами)

Выход сети при M правилах будет иметь вид:

y(x) = ∑ wiyi(x)Mi=1∑ wiMi=1

(2.9)

𝑦𝑖(𝑥) = 𝑝𝑖0 + ∑ pijxjMi=1 (2.10)

wi – веса (значимость компонентов μV(xi)).

Тогда согласно формулам (2.9) и (2.10) многослойная нечеткая нейронная

сеть имеет вид (рисунок 8):

Рисунок 8 – Нечеткая нейронная сеть

ННС в общем виде может быть описана следующим образом [9]:

μV(1)(x1)

μV(2)(x1)

μV(M)(xN

μV(2)(xN)

μV(1)(xN)

μV(M)(x2

μV(2)(x2)

μV(1)(x2)

μV(M)(x1

+

+

y1(x)

y(x)

W1= μV(1)(x)

x1

x2

xN

x

y2(x) x

yM(x) x

W2= μV(2)(x)

WM= μV(M)(x)

47

Первый слой: фазификация каждой переменной.

Второй слой: агрегирование отдельных переменных, определение весов wi

для xi , определение результирующего коэффициента принадлежности (2.11).

𝑤𝑖 = 𝜇𝑉𝑖 (𝑥) (2.11)

Третий слой: генератор функции Сугено, расчет значений 𝑦𝑖(𝑥) по формуле

(2.10); также расчет умножения 𝑤𝑖𝑦𝑖(𝑥), где 𝑤𝑖 сформированы в предыдущем

слое.

Четвертый слой: два нейрона-сумматора – один рассчитывает сумму

сигналов 𝑦𝑘(𝑥), второй – сумму весов 𝑤𝑖, i=1, 2, …, N.

Пятый слой: один нейрон – это нормализующий слой, в котором выходной

сигнал агрегируется по формуле (2.9).

Выводы по главе 2

1. Обоснованием к применению нейронных сетей в системах управления

транспортно-логистическим процессом является, во-первых, возможность

нейронных сетей реализовывать произвольные гладкие функции любой

сложности, во-вторых, для реализации нейросетевых систем управления

необходима минимальная информация об объекте управления, в-третьих, в

нейронных сетях возможна параллельная обработка информации, что увеличивает

скорость работы системы и повышает ее надежность.

2. Обучение нейронной сети осуществляется на некотором множестве

специально подготовленных обучающих выборок. По мере процесса обучения

сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.

Хорошо натренированная сеть становится нечувствительной к вариациям

входных величин при условии, что эти вариации находятся в определенных

допустимых границах.

48

3. Сеть обучается важнейшим признакам образов для их распознавания и

классификации, которые и составляют базу для принятия решений. Она

прогнозирует будущую реакцию системы по ее предшествующему поведению.

Обобщает накопленную информацию, натренированная на ограниченном

множестве обучающих выборок, и вырабатывает ожидаемую реакцию

применительно к новым данным. При решении задач управления сложными

динамическими процессами, каковым является процесс транспортно-

логистический, нейронная сеть обеспечивает выработку соответствующего

управляющего воздействия. Она выступает в роли следящей системы,

адаптирующейся к изменяющимся условиям внешней среды, влияющей на

транспортно-логистический процесс. Также может играть роль ассоциативного

запоминающего устройства и помочь избежать значительного количества

случайных ошибок. Свойство нейронной сети параллельно обрабатывать

информацию одновременно всеми нейронами при большом количестве

межнейронных связей позволяет значительно ускорить процесс обработки

информации.

4. Применение нечеткой системы управления показано при наличии

неопределенности, нечеткости информации о системе. Сложности системы,

невозможностью или нецелесообразностью из-за трудоемкости и дороговизны ее

описания традиционными формализуемыми математическими методами или даже

невозможностью полноты описания. Значительная часть информации о системе

доступна в виде экспертных данных или в эвристическом описании процессов

функционирования в форме нечетких правил или зависимостей различного типа.

ИСУ ТЛП относится к такой системе.

5. Так как на ИСУ ТЛП оказывает влияние множество факторов,

определяемых особенностями внешней среды, ее социально-экономическими,

рыночными и даже политическими характеристиками, то большую часть

факторов можно отнести к категории субъективной, нечеткой, неопределенной,

результаты экспериментов не могут быть полностью обработаны инструментами

49

классической математики. В данном случае необходимо воспользоваться другими

средствами – средствами обработки нечеткой информации. Чтобы оперировать

данными, имеющие свойства размытости и неточности, формализовать

полученные знания, необходимо применить формальный аппарат нечеткой

алгебры и нечеткой логики.

6. Наиболее подходящим и эффективным методом решения задач

управления в условиях неопределенности, каковой является задача

моделировании ИСУ ТЛП, является метод моделирования с применением

нечетких нейросетевых технологий. Системы, использующие нейронные сети для

определения параметров нечетких моделей, называются нейронными нечеткими

системами или гибридными. В основу гибридных сетей легли достоинства систем

с нечеткой логикой, в которых выводы делаются на основе аппарата нечеткой

логики, а соответствующие функции принадлежности подстраиваются с

использованием алгоритмов обучения нейронных сетей. Такие системы не только

используют априорную информацию, но могут приобретать новые знания и для

пользователя являются логически прозрачными.

50

Глава3. Разработка модели информационной системы управления

транспортно-логистическим процессом 3.1. Разработка алгоритма процесса управления транспортно-логистическим

процессом

Обобщенная схема, описывающая процесс перевозки из пункта приемки от

поставщика определенного груза в пункт сдачи этого груза заказчику

представлена на рисунке 9. На этой схеме также поэтапно прописаны влияющие

на процесс факторы (условия).

Почти на каждом этапе перевалки груза присутствуют факторы,

относящиеся к категории нечеткости исходной информации, т.е. эти сведения

либо неполные, либо неясны или неточны по своей природе: надежность

поставщика, страховщика груза или перевозчика, мера ответственности и

компетенции лица, отвечающего за сохранность груза во время перевозки,

техническое состояние транспортных средств, соблюдение графика поставки,

погодные условия и т.п. Неопределенность процесса перевозки выражается также

и в том, что неизвестны все закономерности, которые в нем существуют, как

зависят выходные величины от входных. Более того, влияющими факторами на

объект управления, каковым является процесс грузоперевозки, или элементами

его структуры являются люди, которые функционируют с учетом своих личных

интересов, целей и характера. Следовательно, при построении модели

транспортно-логистического процесса необходимо учесть неточные знания,

которые относится к категории субъективной, которые не могут быть

интерпретированы как полностью истинные или ложные или, достоверность

которых выражается некоторой промежуточной мерой.

51

Рисунок 9 – Обобщенная схема транспортно-логистического процесса

1. Поставщик товара 1. Стоимость 2. Качество товара 3. Рекомендация брокера 4. Срок поставки 5. Надежность поставщика

2. Автоперевозка 1. Стоимость 2. Погодные условия 3. Срок перевозки 4. Надежность перевозчика

3. Морская доставка (фрахт) 1. Стоимость 2. Возможность

осуществления перевозки 3. Погодные условия 4. Срок поставки

4. Страховка

1. Стоимость 2. Надежность страховой

компании

5. Порт (склад)

1. Стоимость 2. Склад (во Владивостоке) 3. Судоходная линия агента

6. ВНИИКР (Всероссийский центр карантина растений) 1. Стоимость исследования 2. Качество товара

(соответствие ГОСТу)

7. Фумигация грузов

1. Стоимость 2. Качество товара

(соответствие ГОСТу)

8. Центр оценки качества зерна

1. Стоимость исследования 2. Качество товара

(соответствие ГОСТу)

9. Россельхознадзор

1. Стоимость исследования 2. Качество товара

(соответствие ГОСТу)

10. Таможня (декларация)

1. Управление рисками 2. Срок 3. Человеческий фактор

12. Автовывоз

1. Стоимость 2. Сроки перевозки 3. Погодные условия 4. Надежность перевозчика

13. Выгрузка на складе

1. Стоимость услуг 2. Наличие путей 3. Условия хранения 4. Объем свободных

складских помещений 5. Надежность

14. Хранение на складе

1. Стоимость хранения 2. Срок годности продукции 3. Ответственность за

сохранность груза на складе

15. Формирование отправки по ж/д

1. Стоимость 2. Сроки отправки 3. Сроки доставки до

конечной станции 4. Надежность агента

16. Приемка на складе клиентом

1. Качество 2. Количество 3. Срок доставки

11. Терминал порта

1. Стоимость услуг 2. Погодные условия 3. Возможность проведения

определенных операций

52

В этом случае модель не может быть построена исключительно при помощи

только методов и инструментов классической математики, так как необходимы

средства обработки, формализации нечеткой информации. Таким образом,

необходимо применить формальный аппарат нечеткой алгебры и нечеткой

логики, теорию нечеткой идентификации, т.е. методы построения нечетких

моделей по результатам наблюдений [7], [9], [31], [38], [49], [99].

При рассмотрении процесса построения нечеткой нейросетевой модели

конкретного логистического процесса, первоначально необходимо выстроить

последовательность: какой груз будет доставляться, откуда и куда, каким образом

он формируется, каким транспортом доставляется [33], [53], [60], [107], [111].

Чтобы не усложнять саму нейронную сеть и не увеличивать время обучения

сети, следует остановиться на перевозке одного определенного вида груза

(например, рис) из одного пункта А (например, Вьетнам) в пункт назначения В

(например, центральная часть России) разными способами перевозки, включая

морской путь, и, соответственно, различными видами транспорта на суше.

Такая международная перевозка является мультимодальной (перевозка в

смешанном сообщении). Наибольший эффект дает перевозка под

ответственностью одного перевозчика, по единому транспортному документу и

по единой сквозной ставке. Мультимодальные перевозки наиболее эффективны в

условиях рыночной экономики, для которой характерны большое количество

продавцов и покупателей, доступность товаров и услуг, информационная

открытость и справедливая конкуренция. Организационно-правовые,

коммерческие, экономические и другие условия таких перевозок регулируются

международными институтами, принявшими ряд конвенций, правил, стандартов

[68]. Такая перевозка определяется большим выбором вариантов с большим

количеством сложных взаимосвязей.

При выборе вида транспорта, оптимального для конкретной перевозки,

основываются на следующих факторах:

1. время доставки;

53

2. частота отправлений груза;

3. надежность соблюдения графика доставки;

4. способность перевозить грузы в разной упаковке;

5. способность доставки груза в любую точку территории;

6. стоимость перевозки.

Построение логистической схемы движения товаров от производителя (А) к

потребителю (В) требует организации последовательного использования

транспортных средств доставки согласно сопрягаемости их технических и

качественных характеристик: грузоподъемность оборудования, грузовместимость

транспортного средства и оборудования. При планировании перевозки

необходимо соотносить удельную грузовместимость выбираемого транспортного

средства с удельным погрузочным объемом груза.

Основой выбора вида транспорта служит информация о характерных

особенностях различных видов транспорта [67]:

– Автомобильный транспорт: высокая маневренность позволяет

организовать перевозку с необходимой степенью срочности, обеспечивает

регулярность поставки, по сравнению с другими видами транспорта

предъявляются менее жесткие требования к упаковке груза. Скорость такой

доставки особенно при коротких расстояниях выше, чем на ж/д и водном

транспорте, а стоимость доставки может быть ниже. При перевозках на дальние

расстояния преимущество автотранспорта теряется вследствие высокой

себестоимости перевозок.

– Ж/д транспорт: хорошая приспособленность для перевозки различных

партий грузов при любых погодных условиях, возможность доставки грузов на

большие расстояния, регулярность перевозок, хорошо организовывать

выполнение погрузо-разгрузочных работ. Существенным преимуществом ж/д

транспорта является сравнительно невысокая себестоимость перевозки грузов.

Однако необходимо наличие железнодорожных путей между пунктами отправки

54

и прибытия. Невозможно осуществлять перевозку ж/д транспортом между

островами и континентами.

– Авиационный транспорт: обеспечивает высокую скорость перевозки

грузов на большие расстояния, преимущества с точки зрения потерь и убытков

при транспортировке. Однако возможности воздушного транспорта зависят от

грузового пространства самолета и состояния взлетно-посадочной полосы

аэродромов. Существенная дороговизна авиационной доставки приводит к тому,

что ее использование целесообразно только в том случае, если остальные способы

транспортировки неприемлемы.

– Водный транспорт – морские и речные суда. Морской транспорт является

самым крупным грузоперевозчиком на международных сообщениях. Его

основные преимущества – низкие грузовые тарифы и высокая провозная

способность. К недостаткам морского транспорта относят его низкую скорость,

жесткие требования к упаковке и креплению грузов, малую частоту отправок.

Речной транспорт также характеризуется низкими грузовыми тарифами. К

недостаткам, кроме скорости доставки, относят также низкую доступность в

географическом плане.

Далее определяются оценивающие и влияющие на процесс перевозки

факторы, а также их взаимосвязь. Обычно неизвестно всё количество влияющих

факторов и не все они явные. Поэтому выделяется некоторый набор критериев,

который в процессе совершенствования модели может дополняться, не влияя на

саму систему, зато качественно улучшая «портрет» объекта исследования.

Затем составляются правила нечетких продукций IF-THEN взаимодействия

выявленных факторов. Формируются выборки для обучения нечеткой нейронной

сети.

Далее, основываясь на знаниях экспертов – директора, главного бухгалтера

компании и ведущих специалистов, занимающихся международными

перевозками грузов, определяются 8 схем/вариантов перевозок и их основные

операции:

55

1. Груз формируется в контейнеры FESCO на складе поставщика – Морская

перевозка – Выгрузка на открытую площадку Торгового порта г. Владивостока –

Ж/Д перевозка до склада получателя (рисунок 10).

Рисунок 10 – схема перевозки 1

2. Груз формируется в контейнеры SINOKOR на складе поставщика –

Морская перевозка – Выгрузка на открытую площадку Рыбного порта

г. Владивостока – Ж/Д перевозка до склада получателя (рисунок 11).

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ SINOKOR

МОРСКАЯ ПЕРЕВОЗКА

РЫБНЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

Рисунок 11 – схема перевозки 2

3. Груз формируется навалкой по 3 тыс. т на складе поставщика – Морская

перевозка – Выгрузка на открытую площадку Торгового порта г. Владивостока –

Ж/Д перевозка до склада получателя (рисунок 12). Рисунок 12 – схема перевозки 3

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ FESCO

МОРСКАЯ ПЕРЕВОЗКА

ТОРГОВЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

СКЛАД ПОСТАВЩИКА НАВАЛКА МОРСКАЯ

ПЕРЕВОЗКАТОРГОВЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на склад

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

56

4. Груз формируется навалкой по 3 тыс. т на складе поставщика – Морская

перевозка – Выгрузка на открытую площадку Рыбного порта г. Владивостока –

Ж/Д перевозка до склада получателя (рисунок 13).

Рисунок 13 – схема перевозки 4

5. Груз формируется в контейнеры FESCO на складе поставщика – Морская

перевозка – Выгрузка на открытую площадку Торгового порта г. Владивостока –

Автоперевозка – Выгрузка на складе, г. Владивосток – Ж/Д перевозка до склада

получателя (рисунок 14).

Рисунок 14 – схема перевозки 5

6. Груз формируется в контейнеры SINOKOR на складе поставщика –

Морская перевозка – Выгрузка на открытую площадку Рыбного порта

г. Владивостока – Автоперевозка – Выгрузка на складе, г. Владивосток – Ж/Д

перевозка до склада получателя (рисунок 15).

Рисунок 15 – схема перевозки 6

СКЛАД ПОСТАВЩИКА НАВАЛКА МОРСКАЯ

ПЕРЕВОЗКАРЫБНЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на склад

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ FESCO

МОРСКАЯ ПЕРЕВОЗКА

ТОРГОВЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯЖ/Д ПЕРЕВОЗКА

АВТОПЕРЕВОЗКА ВЛАДИВОСТОКВыгрузка на склад

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ SINOKOR

МОРСКАЯ ПЕРЕВОЗКА

РЫБНЫЙ ПОРТВЛАДИВОСТОК

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯЖ/Д ПЕРЕВОЗКА

АВТОПЕРЕВОЗКА ВЛАДИВОСТОКВыгрузка на склад

57

7. Груз формируется в контейнеры FESCO на складе поставщика – Морская

перевозка – Выгрузка в порту г. Новороссийска – Ж/Д перевозка до склада

получателя (рисунок 16).

Рисунок 16 – схема перевозки 7

8. Груз формируется в контейнеры FESCO на складе поставщика – Морская

перевозка – Выгрузка в порту г. Санкт-Петербурга – Ж/Д перевозка до склада

получателя (рисунок 17).

Рисунок 17 – схема перевозки 8

Таким образом, определены восемь схем перевозок, в каждой из них

выделяется определенное количество факторов, влияющих на эффективность как

отдельного процесса-блока, так и всей перевозки в целом. Для определения

количества факторов и величины каждого из них и их значимости следует

полагаться на суждение и опыт экспертов. Пример обработки информации по

пяти контрактам перевозки риса из Вьетнама (г. Хошимин) в Росию (г. Москва)

экспертами из транспортно-логистической компании ООО «ДиДиПи Сервис»

приведен в приложении 4.

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ FESCO

МОРСКАЯ ПЕРЕВОЗКА

РЫБНЫЙ ПОРТ НОВОРОССИИЙСК

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

СКЛАД ПОСТАВЩИКА

КОНТЕЙНЕРЫ FESCO

МОРСКАЯ ПЕРЕВОЗКА

РЫБНЫЙ ПОРТ САНКТ-ПЕТЕРБУРГ

Выгрузка на открытую площадку

СКЛАД ПОЛУЧАТЕЛЯ

Ж/Д ПЕРЕВОЗКА

58

3.2. Разработка нечеткой нейросетевой модели информационной системы управления транспортно-логистическим процессом

Обобщенная схема транспортно-логистического процесса была

представлена на рисунке 9 (см. п. 3.1). На схеме поэтапно были прописаны

влияющие на процесс факторы или оценивающие критерии (далее в работе –

факторы). В данной схеме присутствуют как четкие факторы, такие как

стоимость товара, стоимость исследования, так и нечеткие, либо

качественные, либо субъективные, такие как: условия хранения, качество

товара, надежность перевозчика. Также при разработке схем перевозки груза

(рисунки 10 – 17 из п. 3.1) было введено ограничение на один определенный вид

груза и выбран один поставщик, поэтому такие факторы как рекомендации

брокера и надежность поставщика будут величинами хоть и субъективными и

качественными, но постоянными, неизменными, определенно (известно как)

влияющими на процесс перевозки, в данном случае их можно определить как

четкие. Факторы каждого из блоков 6 – 9 схемы на рисунке 8: «ВНИИКР

(Всероссийский центр карантина растений)», «Фумигация груза», «Центр оценки

качества зерна», «Россельхознадзор», а именно: стоимость исследования и

качество товара (соответствие ГОСТу) – также следует считать величинами

четкими, исходя из условий построения восьми схем перевозки, представленных

на рисунках 10 – 17.

Для определения факторов, их количества и значимости/приоритетности

каждого из них привлекались эксперты из транспортно-логистической компании

ОАО «ДиДиПи Сервис» (пример представлен в приложении 4, таблица 1).

Учитывая нечеткие факторы, отвергая четкие и полагаясь на суждения и

опыт экспертов, нечеткую нейросетевую модель информационной системы

управления транспортно-логистическим процессом можно представить как

модель, состоящую из шести модулей, каждый из которых реализовывает один

блок соответственно из схем перевозок 1–8 (рисунки 10 – 17 из п. 3.1), нечеткой

59

нейронной сетью. И седьмой модуль модели – аккумуляция всех предыдущих

модулей, входными данными нечеткой нейронной сети которого являются

выходы модулей с первого по шестой. В каждом модуле выделяется определенное

количество факторов, влияющих на эффективность как отдельного процесс-блока,

так и всей перевозки в целом (рисунок 18).

Согласно схеме, представленной на рисунке 18, можно вывести

математическое описание модели ТЛП. Нечеткая нейросетевая модель состоит из

семи модулей, шесть из которых описывают состояние отдельного процесса

одной из восьми схем перевозки:

1. «Условия отгрузки от поставщика»: y1=O(xj), где j=1, 2;

2. «Морская доставка (фрахт)»: y2=M(xj), где j=3, 4, 5, 6, 7;

3. «Порт и возможности терминала»: y3=P(xj), где j=8, 9, 10;

4. «Автоперевозка»: y4=A(xj), где j=11, 12, 13;

5. «Выгрузка и хранение на складе»: y5=S(xj), где j=14, 15, 16, 17;

6. «Формирование груза, отправка по ж/д»: y6=Z(xj), где j=18,19, 20, 21.

где xj – это входные переменные каждого нечеткого нейросетевого модуля,

которыми являются различные факторы – это качественные характеристики

отдельного блок-процесса;

yk – выход каждого из этих шести модулей – оценка эффективности k-го блок-

процесса, где k=1,2…6 – соответствующий номер модуля.

ypr=F(yk) или

ypr=F(O (xj), M (xj), P(xj), A (xj), S (xj), Z(xj)) (3.1)

ypr – оценка эффективности перевозки.

Для описания элементов нечеткой нейронной системы в процессе

построения модели используются понятия нечеткого множества, лингвистической

переменной и выполняется построение функции принадлежности нечетких

множеств.

60

Рисунок 18 –Модель ИСУ ТЛП

Входные переменные первого модуля «Условия отгрузки от поставщика» –

это факторы, влияющие на процесс перевозки, две лингвистические переменные:

срок готовности груза к погрузке; порча, убытки.

1. Условия отгрузки от поставщика Вход: 1. Срок готовности груза к погрузке

2. Порча, убытки

2.Морская доставка (фрахт) Вход: 1. Стоимость процесса

2. Возможность осуществления перевозки

3. Убытки 4. Срок поставки 5. Надежность перевозчика

4.Автоперевозка Вход: 1. Стоимость процесса

2. Срок ожидания вывоза груза 3. Надежность перевозчика

5.Выгрузка и хранение на складе Вход: 1. Место под хранение

2. Стоимость процесса 3. Убытки 4. Мощности

6.Формирование груза, отправка по ж/д

Вход: 1. Стоимость процесса 2. Порча, убытки 3. Время в пути 4. Мощности

Акк

умул

ирую

щий

мод

уль

Оценка эффективности

1

Оценка эффективности

2

Оценка эффективности

3

Оценка эффективности

5

Оценка эффективности

6

Оценка эффективности

4

Оце

нка

эффе

ктив

ност

и

3.Порт и возможности терминала Вход: 1. Возможности терминала,

свободное место в порту 2. Стоимость процесса 3. Мощности

61

Входные переменные второго модуля «Морская доставка (фрахт)» – пять

лингвистических переменных: стоимость процесса; возможность

осуществления перевозки; убытки; срок поставки; надежность перевозчика.

Входные переменные третьего модуля «Порт и возможности терминала» –

три лингвистических переменных: возможность терминала, свободное место в

порту; стоимость процесса; мощности.

Входные переменные четвертого модуля «Автоперевозка» – три

лингвистических переменных: стоимость процесса; срок ожидания вывоза

груза; надежность перевозчика.

Входные переменные пятого модуля «Выгрузка и хранение на складе» –

четыре лингвистических переменных: место под хранение; стоимость

процесса; убытки; мощности.

Входные переменные шестого модуля «Формирование груза, отправка по

ж/д» – четыре лингвистических переменных: стоимость процесса;

порча,убытки; время в пути; мощности.

Выходная переменная одна в каждом из шести модулей – это

лингвистические переменные оценка эффективности 1, оценка

эффективности 2,…, оценка эффективности 6, соответственно. Эти

переменные, в свою очередь, являются входными для седьмого аккумулирующего

модуля. Выходом седьмого модуля является лингвистическая переменная –

оценка эффективности.

Каждой лингвистической переменной соответствует пять термов: плохо;

ниже среднего; средне; хорошо; отлично (или операция отсутствует).

Нечеткое числовое ограничение термов – отрезок от 0 до 10. Так, лингвистическая

переменная плохо будет ограничена числовой оценкой от 0 до примерно 2, а

лингвистическая переменная ниже среднего – от примерно 2 до примерно 4 и т.д.

В том случае, когда в схеме перевозки (рисунки 10 – 17 из п. 3.1) какой-либо

процесс отсутствует, выходной лингвистической переменной оценка

62

эффективности i отсутствующего модуля i, где i =1,…,6 соответствует терм

отлично равный максимальному значению 10.

Учитывая, что в рамках нечеткой зоны каждого терма закон изменения

каждой переменной явно нелинейный, форма функций принадлежности (ФП)

была выбрана гауссовой и сигмоидной формы (рисунок 19).

Рисунок 19 – ФП нечетких множеств, соответствующих термам лингвистических переменных

семи модулей ННС модели ТЛП

Для построения обучающих выборок используются экспертные оценки

специалистов и менеджеров, обоснованные их многолетним практическим

опытом и знаниями. При составлении правил нечетких продукций (ПНП) также

учитываются экспертные оценки, взаимосвязь и значимость факторов

относительно друг друга в каждом процесс-блоке. Каждый модуль на выходе

определяет эффективность конкретного процесса, который зависит не только от

стоимости самого процесса, а также и от качества товара в каком-либо модуле

(например, была ли потеря или нарушения срока ожидания вывоза груза при

автоперевозке), которые влияют в конечном итоге на рентабельность поставки

товара. Эти зависимости большей частью не очевидны, сложны, неизвестны. В

процессе обучения с использованием нечеткой нейронной сети откорректируются

1

0 0

10

µ(x)

X

плохо ниже среднего средне хорошо отлично

63

заданные изначально приоритеты, определятся параметры ФП, сгладятся

возможные разногласия экспертов весовыми коэффициентами (рисунок 20).

Рисунок 20 – График настройки параметров функции принадлежности с помощью графических

средств системы MATLAB

База знаний этой сети строится в виде совокупности правил нечетких

продукций (ПНП) и входных лингвистических переменных x (соответствующие

факторы, влияющие на процесс управления перевозкой груза).

1. ПНП первого модуля:

П𝑖𝑠: если x1i = O1i

s и x2i = O2is , то y1is

где i=1,…, 25 (25=52 –две лингвистические переменные, каждой из которых

соответствует пять термов)

2. ПНП второго модуля:

П𝑗𝑠: если x3j = M1j

s и x4j = M2js и x5j = M3j

s и x6j = M4js и x7j = M5j

s , то y2js

где j=1,…, 3125 (3125=55 – пять лингвистических переменных, каждой из которых

соответствует пять термов)

3. ПНП третьего модуля:

64

П𝑘𝑠 : если x8k = P1ks и x9k = P2ks и x10k = P3ks , то y3ks

где k=1,…, 125 (125=53 – три лингвистических переменных, каждой из которых

соответствует пять термов)

4. ПНП четвертого модуля:

П𝑙𝑠: если x11l = A1l

s и x12l = A2ls и x13l = A3l

s , то y4ls

где l=1,…, 125 (125=53 – три лингвистических переменных, каждой из которых

соответствует пять термов)

5. ПНП пятого модуля:

П𝑚𝑠 : если x14m = S1ms и x15m = S2ms и x16m = S3ms и x17m = S4ms , то y5ms

где m=1,…, 625 (625=54 – пять лингвистических переменных, каждой из которых

соответствует пять термов)

6. ПНП шестого модуля:

П𝑛𝑠 : если x18n = Z1ns и x19n = Z2ns и x20n = Z3ns и x21n = Z4ns , то y6ns (1)

где n=1,…, 625 (625=54 – пять лингвистических переменных, каждой из которых

соответствует пять термов)

7. ПНП седьмого аккумулирующего модуля:

П𝑡𝑠: если y1ts = Y1ts и y2ts = Y2ts и y3ts = Y3ts и y4ts = Y4ts и y5ts = Y5ts и y6ts = Y6ts ,

то yts (1)

где t=1,…, 15625 (15625=56 –шесть лингвистических переменных, каждой из

которых соответствует пять термов)

где s=1,…, 8, это номера восьми схем перевозки (рисунки 10 – 17 из п. 3.1);

Условия ПНП если … , то … реализуются функциями принадлежности

(фазификации) сигмоидной и гауссовой формы: μ(xi) (рисунок 19).

Первый модуль ННС модели ТЛП – это «Условия отгрузки от поставщика»

(приложение 1, таблица 1).

Обучающие выборки составлять полностью со всеми ПНП не имеет смысла,

так как в реальном ТЛП все комбинации условий не встречаются, поэтому

целесообразно составлять таблицы с учетом опыта экспертов. Так как, согласно

65

опыту экспертов, самыми выгодными условиями отгрузки от поставщика

являются погрузка в контейнер, что соответствует заданным схемам перевозок 1,

2, 5, 6, 7, 8, соответствующие термы лингвистических переменных в обучающих

выборках варьируются от хорошо до отлично, т.е. численные значения этих

термов заданы от 7 до 10. Поскольку худшими условиями, по опыту являются

схемы 3 и 4, соответственно – от ниже среднего до среднего, что соответствует от

3 до 6. Далее в таблицах термы лингвистических переменных отражаются

числами.

Основными факторами, влияющими на оценку эффективности в целом по

поставке груза, согласно опыту экспертов, являются лингвистические переменные

срок готовности груза к погрузке и порча, убытки. Соответствующие этим

переменным факторы данного модуля являются равнозначными по оценкам

экспертов.

Так как этот модуль присутствует во всех восьми схемах перевозки и он

один и тот же независимо от схемы, то в нумерации обучающих выборок в

таблице нет ссылок на номер схемы перевозки. Во всех последующих таблицах в

нумерации обучающих выборок номер схемы указан вначале до точки, после

точки – номер выборки в рамках одного конкретного варианта перевозки груза.

Выходная лингвистическая переменная первого модуля: оценка

эффективности 1.

Следующий (второй) модуль – «Морская доставка (фрахт)» (приложение 1,

таблица 2).

Факторы этого модуля (следовательно, и соответствующие им

лингвистические переменные), влияющие на эффективность процесса,

поставлены в порядке убывания значимости:

1. Стоимость процесса;

2. Возможность осуществления перевозки;

3. Убытки;

4. Срок поставки;

66

5. Надежность перевозчика.

В этом блоке очень сложные взаимосвязи. Так, например, если перевозить

груз контейнерами, то значения факторов 1, 2, 3 и 4 будут выше, чем в случае

перевозки навалкой. С другой стороны значение факторов 3 и 5 не только зависят

от способа перевозки, но и взаимосвязаны.

Опыт экспертов показывает, что морская перевозка контейнерами

эффективнее перевозки навалкой, т.к. меньше риска порчи товара, подготовка

груза к отправке быстрее, фрахт осуществить легче.

Выходная лингвистическая переменная второго модуля: оценка

эффективности 2.

Третий модуль – «Порт и возможности терминала» (приложение 1, таблица

3).

Факторы (и соответствующие им лингвистические переменные), влияющие

на эффективность процесса, поставлены в порядке убывания значимости:

1. Возможности терминала, свободное место в порту;

2. Стоимость процесса;

3. Мощности.

Важным в определении значений факторов в этом блоке будет мнение

экспертов. Они считают, что Рыбный порт использовать эффективнее, т.к. он

обладает большей мощностью и свободными местами для выгрузки груза и

меньшей стоимостью обработки груза. Груз, доставленный в порт контейнерами,

эффективнее обработать, чем навалку.

Выходная лингвистическая переменная третьего модуля: оценка

эффективности 3.

Четвертый модуль – «Автоперевозка» (приложение 1, таблица 4).

Факторы (и соответствующие им лингвистические переменные), влияющие

на эффективность процесса, поставлены в порядке убывания значимости:

1. Стоимость процесса;

2. Срок ожидания вывоза груза;

67

3. Надежность перевозчика.

В вариантах перевозок с 1 по 4 блок-процесс автоперевозки отсутствует,

поэтому численные значения термов лингвистических переменных входящих и,

соответственно, выходящей равны максимальному значению 10.

В остальных вариантах, следуя опыту экспертов, выявляются связи: если

автоперевозка осуществляется во Владивостоке, то она дешевле и срок ожидания

вывоза короче, т.к. возможности выбора перевозчика больше, чем в

Новороссийске и Санкт-Петербурге.

Выходная лингвистическая переменная четвертого модуля: оценка

эффективности 4.

Пятый модуль – «Выгрузка и хранение на складе» (приложение 1, таблица

5).

Факторы (и соответствующие им лингвистические переменные), влияющие

на эффективность процесса, поставлены в порядке убывания значимости:

1. Место под хранение;

2. Стоимость процесса;

3. Убытки;

4. Мощности.

В вариантах перевозок 1 и 2 процесс выгрузки и хранения на складе

отсутствует, поэтому численные значения термов лингвистических переменных

входящих и, соответственно, выходящей равны максимальному значению 10.

В остальных вариантах следует полагаться на знания и опыт экспертов:

склад во Владивостоке лучше, чем в Новороссийске и Санкт-Петербурге тем, что

имеет больше мощностей по обработке и места для хранения, а также в случае

порчи груза во Владивостоке возмещают убытки.

Выходная лингвистическая переменная пятого модуля: оценка

эффективности 5.

Шестой модуль – «Формирование груза, отправка по ж/д» (приложение 1,

таблица 6).

68

Факторы (и соответствующие им лингвистические переменные), влияющие

на эффективность процесса, поставлены в порядке убывания значимости:

1. Стоимость процесса;

2. Порча, убытки;

3. Время в пути;

4. Мощности (техническая возможность подать ж/д состав для отгрузки).

По опыту экспертов стоимость перевозки в простом вагоне дешевле, чем

платформой для контейнеров, но, тем не менее, в вагоне больший риск потерпеть

порчи груза и потери. Эксперты считают, что отправлять груз со своего склада

удобнее и быстрее, чем со склада порта, подать ж/д состав к порту намного

проблематичнее.

Выходная лингвистическая переменная шестого модуля: оценка

эффективности 6.

Аккумулирующий модуль – седьмой – охватывает все процессы перевозки

груза (приложение 1, таблица 7).

Входные лингвистические переменные:

1. Оценка эффективности 1;

2. Оценка эффективности 2;

3. Оценка эффективности 3;

4. Оценка эффективности 4;

5. Оценка эффективности 5;

6. Оценка эффективности 6.

Выходная лингвистическая переменная: оценка эффективности.

Таким образом, вышеприведенная методика формирования базы знаний для

ННС модели ИСУ ТЛП состоит в определении входных переменных в каждом из

шести модулей модели с учетом не только количественных оценок, но и

качественных, нечетко заданных факторов. Выходные переменные этих шести

модулей являются входными седьмого аккумулирующего модуля. База правил

нечетких продукций, составляется на основе экспертных оценок специалистов и

69

менеджеров, владеющих практическими знаниями и опытом. В работе она

состоит из 543 правил.

3.3. Проверка адекватности и верификация построенной модели

Разработка ННС модели ИСУ ТЛП, ее программная реализация и

исследование проводились при помощи пакета Fuzzy Logic Toolbox системы

MATLAB в форме адаптивной системы нейро-нечеткого вывода ANFIS.

Обучение ННС производилось методом обратного распространения ошибки.

Значение уровня ошибки было установлено равным 0, количество циклов

обучения равным 100.

Обучение сети производилось поэтапно, по несколько выборок за один этап,

постепенно увеличивая массив данных, чтобы избежать роста ошибки на

тестируемом множестве.

На первом этапе вход сети составили обучающие выборки схем перевозки

груза 1 и 3, учитывая экспертные оценки специалистов ООО «ДиДиПи Сервис».

Тестирование адекватности и обучения проводилось на схеме 6. Получилась

значительная ошибка, поэтому в процесс обучения были включены еще две схемы

перевозки – 5 и 7. Ошибка уменьшилась. Чтобы найти массив данных, на котором

система будет выдавать наиболее точные выходные значения, в процесс обучения

добавляются выборки из схем перевозок 2 и 8. И, наконец, были включены

обучающие выборки всех семи схем перевозок, исключая тестовую шестую.

Процесс обучения и тестирования сети на отдельном первом модуле

«Условия отгрузки от поставщика» проводился сразу на всех обучающих

выборках, т.к. этот модуль для всех схем перевозки грузов один и тот же.

Для сравнения результатов, выданных ННС моделью с экспертными

оценками, используются формулы (3.2) и (3.3).

70

Абсолютная погрешность:

∆𝑥 = |𝑥модели − 𝑥тест| (3.2)

Относительная погрешность:

𝛿𝑥 = |𝑥модели−𝑥тест|𝑥тест

(3.3)

Результаты обучения ННС первого модуля отражены в таблице 1

приложения 2.

Абсолютная погрешность моделирования Δх, рассчитанная по формуле (3.2)

находится в пределах от 0 до 0,72.

Относительная погрешность работы модели δх, рассчитанная по формуле

(3.3) находится в пределах от 0 до 0,18 (или от 0% до 18%).

Процесс обучения и тестирования ННС второго модуля «Морская доставка

(фрахт)», а также сравнительный анализ полученных ННС моделью оценок

эффективности 2 с экспертными значениями отражен в таблице 2 приложения

2.

Абсолютная погрешность моделирования второго модуля: 0,02≤Δх≤0,27.

Относительная погрешность работы второго модуля модели: 0≤δх≤0,03.

Процесс обучения и тестирования ННС третьего модуля «Порт и

возможности терминала», а также сравнительный анализ полученных оценок

эффективности 3 с экспертным значением отражен в таблице 3 приложения 2.

Абсолютная погрешность моделирования третьего модуля: 0,02≤Δх≤0,36.

Относительная погрешность работы третьего модуля модели: 0≤δх≤0,04.

Процесс обучения и тестирования ННС четвертого модуля

«Автоперевозка», а также сравнительный анализ полученных оценок

эффективности 4 с экспертным значением отражен в таблице 4 приложения 2.

Абсолютная погрешность моделирования четвертого модуля: 0≤Δх≤0,43.

Относительная погрешность работы четвертого модуля модели: 0≤δх≤0,04.

71

Процесс обучения и тестирования ННС пятого модуля «Выгрузка и

хранение на складе», а также сравнительный анализ полученных оценок

эффективности 5 с экспертным значением отражен в таблице 5 приложения 2.

Абсолютная погрешность моделирования пятого модуля: 0,31≤Δх≤1,39.

Относительная погрешность работы пятого модуля модели: 0,03≤δх≤0,15.

Процесс обучения и тестирования ННС шестого модуля «Формирование

груза, отправка по ж/д», а также сравнительный анализ полученных оценок

эффективности 6 с экспертным значением отражен в таблице 6 приложения 2.

Абсолютная погрешность моделирования шестого модуля: 0,03≤Δх≤0,48.

Относительная погрешность работы шестого модуля модели: 0≤δх≤0,06.

Процесс обучения и тестирования ННС аккумулирующего седьмого

модуля, а также сравнительный анализ полученных оценок эффективности с

экспертным значением так же проводился на тестовой выборке схемы перевозки

6. Результаты отражены в таблице 7 приложения 2.

Абсолютная погрешность моделирования аккумулирующего седьмого

модуля: 0,01 ≤Δх≤ 0,99.

Относительная погрешность работы аккумулирующего седьмого модуля

модели: 0 ≤δх≤ 0,1 (или от 0% до 10%).

Сравнивая полученные результаты обучения и тестирования ННС всех семи

модулей с соответствующими оценками экспертов, можно сделать вывод, что

наиболее точный результат тестирования получен в процессе обучения сети на

всех восьми вариантах перевозки груза.

Гистограммы, представленные на рисунках 21 –27, также демонстрируют

почти точное совпадение оценки эффективности 1, оценки эффективности 2,

…, оценки эффективности 6 и оценки эффективности, выданных моделью, с

соответствующими экспертными значениями.

По оси абсцисс в гистограммах указан номер выходной переменной. Первая

выходная переменная нумеруется по схеме перевозки. В данном случае номер

первой переменной равен 6. Далее, начиная со второй переменной, первая цифра

72

до точки в номере означает схему перевозки, после точки – номер переменной.

Также в нижеследующих рисунках с гистограммами.

Рисунок 21 – Гистограмма результата обучения первого модуля

По оси абсцисс указан номер выходной переменной.

Рисунок 22 – Гистограмма результата обучения и тестирования второго модуля

0 1 2 3 4 5 6 7 8 9

10

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Оценка эффективности 1 (эксперты) 10 10 8 9 8 8 7 8 8 6 5 4 5 5 4 5 4 3 4 3 3 Оценка эффективности 1 ( модель) 10 9,28 8 9,38 8 7,55 7 7,33 8 5,62 5 4,24 5 4,54 4 4,47 4 3,53 4 3,46 3

оцен

ка э

ффек

тивн

ости

1

«Условия отгрузки от поставщика»

0 1 2 3 4 5 6 7 8 9

10

6 6.1 6.2 6.3 6.4 6.5 6.6 6.7 Оценка эффективности 2 (эксперты) 8 9 8 9 9 9 9 10 Оценка эффективности 2 ( модель) 8,07 8,98 8,16 8,98 9,25 8,96 9,23 9,73

оцен

ка э

ффек

тивн

ости

2

«Морская доставка (фрахт)»

73

Рисунок 23 – Гистограмма результата обучения и тестирования третьего модуля

Рисунок 24 – Гистограмма результата обучения и тестирования четвертого модуля

0 1 2 3 4 5 6 7 8 9

10

6 6.1 6.2 6.3 6.4 6.5 6.6 Оценка эффективности 3 (эксперты) 8 9 8 9 9 9 10 Оценка эффективности 3 ( модель) 8,32 8,68 7,88 9,02 8,75 9,3 9,64

Оце

нка

эффе

ктив

ност

и 3

«Порт и возможности терминала»

0 1 2 3 4 5 6 7 8 9

10

6 6.1 6.2 6.3 6.4 6.5 6.6 Оценка эффективности 4 (эксперты) 8 9 8 9 9 9 10 Оценка эффективности 4 ( модель) 8 9,05 8,03 9 9,21 8,83 9,57

оцен

ка э

ффек

тивн

ости

4 «Автоперевозка»

74

Рисунок 25 – Гистограмма результата обучения и тестирования пятого модуля

Рисунок 26 – Гистограмма результата обучения и тестирования шестого модуля

0 1 2 3 4 5 6 7 8 9

10

6 6.1 6.2 6.3 Оценка эффективности 5 (эксперты) 8 9 8 9 Оценка эффективности 5 ( модель) 8,42 7,61 8,64 9,31

оцен

ка э

ффек

тивн

ости

5

«Выгрузка и хранение на складе»

0 1 2 3 4 5 6 7 8 9

6 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12 6.13 6.14 6.15 Оценка эффективности 6 (эксперты) 7 7 7 7 8 8 8 8 7 8 8 8 8 8 8 8 Оценка эффективности 6 ( модель) 6,58 6,77 6,74 6,91 7,61 7,52 7,71 8,42 7,36 7,59 7,69 7,92 7,74 7,64 7,57 7,97

оцен

ка э

ффек

тивн

ости

6

«Формирование груза, отправка по ж/д»

75

Рисунок 27 – Гистограмма результатов обучения и тестирования ННС аккумулирующего модуля

8

8,5

9

9,5

10

10,5

6 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10

6.11

6.12

6.13

6.14

6.15

6.16

6.17

6.18

6.19

6.20

6.21

6.22

6.23

Оценка эффективности (эксперты) 9 10 10 9 9 9 10 9 9 9 10 9 9 10 10 9 9 9 10 9 9 9 10 9 Оценка эффективности (модель) 8,98 9,63 9,89 9,01 9,36 9,23 10,3 9,23 9,01 9,16 9,89 9,13 9,16 9,87 9,01 8,96 8,87 9,2 9,89 9,02 9,03 9,3 10,2 9,04

оцен

ка э

ффек

тивн

ости

Аккумулирующий модуль

76

Схема ННС модели ИСУ ТЛП изображена на рисунке 28.

Рисунок 28 – ННС модель ИСУ ТЛП

Графический вид зависимости выходной переменной – оценка

эффективности блок-процесса – от входных показан в виде поверхности отклика,

представлен на рисунке 29.

Срок готовности груза к погрузке 1. Условия отгрузки от поставщика

Порча, убытки

Оценка эффективности 1

ANFIS (Сугено)

Стоимость процесса 2. Морская доставка (фрахт)

Убытки

Оценка эффективности 2

ANFIS (Сугено)

Возможность осуществления перевозки

Срок поставки

Надежность перевозчика

3. Порт и возможности терминала

Оценка эффективности 3

ANFIS (Сугено)

Стоимость процесса

Возможности терминала, свободное место в порту

Мощности

4. Автоперевозка

Оценка эффективности 4

ANFIS (Сугено)

Срок ожидания вывоза груза

Стоимость процесса

Надежность перевозчика

5. Выгрузка и хранение на складе

Оценка эффективности 5

ANFIS (Сугено)

Стоимость процесса

Место под хранение

Убытки

Мощности

6. Формирование груза, отправка по Ж/Д

Оценка эффективности 6

ANFIS (Сугено)

Порча, убытки

Стоимость процесса

Время в пути

Мощности

ANFIS (Сугено)

Аккумулирующий модуль

Оценка эффективности

77

Рисунок 29 – Графический вид зависимости оценки эффективности от входных факторов

На рисунке 30 представлена структура ННС модели ИСУ ТЛП.

Рисунок 30 – Структура сгенерированной системы нечеткого вывода

78

Выводы по главе 3

1. Представлена схема ИСУ ТЛП, описывающая процесс перевозки груза из

пункта приемки от поставщика до пункта сдачи этого груза заказчику в условиях

неопределенности и с учетом влияющих на процесс нечетких факторов.

2. Определены восемь реальных схем перевозок, в каждой из них

выделяется определенное количество факторов, влияющих на эффективность как

отдельного процесса-блока, так и всей перевозки в целом. Для определения схем

перевозок, количества факторов и величины каждого из них и их значимости

основывались на знаниях и опыте экспертов из транспортно-логистической

компании «ДиДиПи Сервис», г. Владивосток.

3. Учитывая нечеткие факторы, отвергая четкие и полагаясь на суждения и

опыт экспертов, построена нечеткая нейросетевая модель информационной

системы управления транспортно-логистическим процессом. Модель состоит из

шести модулей, каждый из которых реализовывает один блок соответственно из

схем перевозок 1–8 (рисунки 10 – 17 из п. 3.1), нечеткой нейронной сетью. И

седьмой модуль модели – аккумуляция всех предыдущих модулей, входными

данными нечеткой нейронной сети которого являются выходы модулей с первого

по шестой. В каждом модуле выделяется определенное количество факторов,

влияющих на эффективность как отдельного процесс-блока, так и всей перевозки

в целом (рисунок 18).

4. Выведена математическая формула модели ИСУ ТЛП с учетом нечетких

влияющих на процесс факторов. Для описания элементов нечеткой нейронной

системы в процессе построения модели используются понятия нечеткого

множества, лингвистической переменной и выполняется построение функции

принадлежности нечетких множеств.

5. Разработана методика формирования базы знаний для ННС модели ИСУ

ТЛП с учетом не только количественных оценок, но и качественных, нечетко

79

заданных, не поддающихся формализации критериев и связей между ними. База

знаний этой сети строится в виде совокупности ПНП и входных лингвистических

переменных x (соответствующие факторы, влияющие на процесс управления

перевозкой груза). Условия ПНП если … , то … реализуются функциями

принадлежности (фазификации) сигмоидной и гауссовой формы: μ(xi) (рисунок

19). Обучающие выборки составлять полностью со всеми ПНП не имеет смысла,

так как в реальном ТЛП все комбинации условий не встречаются, поэтому

целесообразно составлять таблицы с учетом опыта экспертов.

6. ННС модель ИСУ ТЛП обучена и протестирована на обучающих

выборках, составленных при помощи экспертной группы на реальных

производственных примерах. Разработка ННС модели ИСУ ТЛП, ее программная

реализация и исследование проводились при помощи пакета Fuzzy Logic Toolbox

системы MATLAB в форме адаптивной системы нейро-нечеткого вывода ANFIS.

Обучение ННС производилось методом обратного распространения ошибки.

Значение уровня ошибки было установлено равным 0, количество циклов

обучения равным 100. Сравнивая полученные результаты обучения и

тестирования ННС всех семи модулей с соответствующими оценками экспертов,

можно сделать вывод, что ННС модель ИСУ ТЛП на всех восьми вариантах

перевозки груза обучена. Результаты верификации демонстрирует почти точное

совпадение оценки эффективности 1, оценки эффективности 2, …, оценки

эффективности 6 и оценки эффективности, выданных моделью, с

соответствующими экспертными значениями.

80

Глава 4. Факторный анализ и параметрическая оптимизация построенной модели информационной системы управления транспортно-логистическим

процессом с использованием классических критериев и на базе генетического алгоритма

4.1. Факторный анализ транспортно-логистического процесса на базе построенной нечеткой нейросетевой модели

На построенной имитационной модели реальной транспортно-

логистической задачи проведен факторный анализ. Для построения вариантов

факторного анализа нечеткой нейросетевой модели информационной системы

управления транспортного предприятия используются реальные примеры из

практической деятельности транспортно-логистической компании ООО «ДиДиПи

Сервис», г. Владивосток. Для проведения анализа вводится относительная

величина сравнения:

ОВСр = хогр−хнорм

хнорм∙ 100 % (4.1)

где хнорм – числовое значение терма лингвистической переменной

соответствующей фактору, по которому проводится сравнительный анализ, в

штатном (обычном) режиме ТЛП;

хогр – числовое значение терма лингвистической переменной

соответствующей тому же фактору, но в определенных рамках ограничения его

значения.

Экспертная группа, опираясь на свой производственный опыт, указала

наиболее уязвимое место в схемах перевозок (рисунки 10 – 17 из п. 3.1) – это

фактор «Место под хранение», который имеет высший приоритет среди входных

влияющих на процесс факторов блок-процесса «Выгрузка и хранение на складе».

Поэтому факторный анализ сначала проводится на ННС аккумулирующего

модуля, в котором вводятся следующие ограничения числового значения терма

81

входной лингвистической переменной оценка эффективности 5. Эта

переменная, в свою очередь, является выходной лингвистической переменной

пятого модуля. В первом случае на вход аккумулирующего седьмого блока

модели подаются значения терма входной лингвистической переменной оценка

эффективности 5 равные не более 2, во втором – равные не менее 9 (см.

приложение 3, таблицы 1–6). Анализ проводится для схем перевозки с 3 по 8. Для

схем перевозки 1 и 2 факторный анализ не проводится, так как в этих схемах

отсутствует блок-процесс «Выгрузка и хранение на складе». Гистограммы,

демонстрирующие анализ, приводятся ниже на рисунках 31–36.

Рисунок 31 – Гистограмма факторного анализа на ННС аккумулирующем модуле

0

2

4

6

8

10

3 3.2 3.4 3.6 3.8 3.10 3.12 3.14 3.16 3.18 3.20 3.22 от 0 до 10 3,69 5,06 4,22 3,77 4,23 5,23 4,78 5,01 5,06 4,89 5,01 5,14 не более 2 0,69 2,03 1,98 1,15 1,99 2,03 2,05 2,12 2,16 2,01 1,97 2,56 не менее 9 7,22 7,36 7,14 6,66 7,24 8,54 7,21 7,01 6,79 6,94 7,02 7,24

Оце

нка

эффе

ктив

ност

и 5

Вариант перевозки 3 Ограничение фактора "Выгрузка и хранение на складе "

82

Рисунок 32 – Гистограмма факторного анализа на ННС аккумулирующем модуле

Рисунок 33 – Гистограмма факторного анализа на ННС аккумулирующем модуле

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00

4 4.2 4.4 4.6 4.8 4.10 4.12 4.14 4.16 4.18 4.20 4.22 от 0 до 10 4,85 4,96 5,06 5,13 6,32 5,02 6,03 5,96 5,01 4,78 5,36 5,14 не более 2 2,01 2,13 2,48 2,56 2,98 2,05 3,56 2,97 2,85 2,76 2,03 2,01 не менее 9 7,41 7,85 7,87 7,34 8,05 7,51 7,99 7,97 7,03 7,51 6,05 7,65

Оце

нка

эффе

ктив

ност

и 5

Вариант перевозки 4 Ограничение фактора "Выгрузка и хранение на складе "

0,00

2,00

4,00

6,00

8,00

10,00

12,00

5 5.2 5.4 5.6 5.8 5.10 5.12 5.14 5.16 5.18 5.20 5.22 от 0 до 10 7,80 7,96 8,01 8,12 8,36 8,01 8,95 8,36 8,36 7,69 8,13 8,12 не более 2 4,96 4,71 5,23 5,36 5,58 5,46 6,01 5,98 5,99 4,85 5,23 5,21 не менее 9 9,22 9,43 9,36 9,45 9,36 9,54 9,89 9,97 9,85 9,56 10,12 9,94

Оце

нка

эффе

ктив

ност

и 5

Вариант перевозки 5 Ограничение фактора "Выгрузка и хранение на складе "

83

Рисунок 34 – Гистограмма факторного анализа на ННС аккумулирующем модуле

Рисунок 35 – Гистограмма факторного анализа на ННС аккумулирующем модуле

0,00

2,00

4,00

6,00

8,00

10,00

12,00

6 6.2 6.4 6.6 6.8 6.10 6.12 6.14 6.16 6.18 6.20 6.22 от 0 до 10 8,98 9,89 9,36 10,30 9,01 9,89 9,16 9,01 8,87 9,89 9,03 10,20 не более 2 6,01 6,96 6,98 7,12 6,03 6,48 6,36 6,38 6,01 7,23 6,14 7,48 не менее 9 9,65 9,89 9,87 10,65 9,01 9,96 9,74 9,01 8,87 10,12 9,26 10,20

Оце

нка

Эфф

екти

внос

ти 5

Вариант перевозки 6

Ограничение фактора "Выгрузка и хранение на складе "

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7 7.2 7.4 7.6 7.8 7.10 7.12 7.14 7.16 7.18 7.20 7.22 от 0 до 10 2,96 2,76 2,01 2,78 1,83 3,06 3,07 3,23 3,16 3,25 2,96 3,01 не более 2 0,52 0,57 0,01 0,36 0,02 0,48 0,42 0,10 0,24 0,18 0,32 0,23 не менее 9 5,22 5,36 4,12 4,36 4,65 4,67 5,48 5,33 5,48 5,22 5,21 5,54

Оце

нка

эффе

ктив

ност

и 5

Вариант перевозки 7 Ограничение фактора "Выгрузка и хранение на складе "

84

Рисунок 36 – Гистограмма факторного анализа на ННС аккумулирующем модуле

В результате факторный анализ на ННС аккумулирующем модуле выявил

высокую степень чувствительности модели к изменению значений фактора

«Выгрузка и хранение на складе» на схемах перевозки 3, 4, 7, 8. Соответствующие

вычисления значения относительной величины сравнения по формуле (4.1)

приведены ниже.

Схема перевозки 3:

min(ОВСр≤2)=-81 %; среднее значение (ОВСр≤2)=-59,92 %;

max(ОВСр≥9)=96 %; среднее значение (ОВСр≥9)=55,75 %.

Схема перевозки 4:

min(ОВСр≤2)=-62 %; среднее значение (ОВСр≤2)=-52,33 %;

max(ОВСр≥9)=58 %; среднее значение (ОВСр≥9)=42,75 %.

Схема перевозки 5:

min(ОВСр≤2)=-41 %; среднее значение (ОВСр≤2)=-34,08 %;

max(ОВСр≥9)=24 %; среднее значение (ОВСр≥9)=18,17 %.

Схема перевозки 6:

min(ОВСр≤2)=-34 %; среднее значение (ОВСр≤2)=-30,33 %;

max(ОВСр≥9)=7 %; среднее значение (ОВСр≥9)=2,25 %.

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00

8 8.2 8.4 8.6 8.8 8.10 8.12 8.14 8.16 8.18 8.20 8.22 от 0 до 10 3,21 3,78 4,21 3,77 2,89 3,78 3,96 4,23 4,21 4,02 3,75 3,78 не более 2 1,01 1,26 1,00 1,06 0,45 0,56 0,89 0,52 0,65 0,67 0,93 0,84 не менее 9 6,12 5,79 6,78 6,24 5,67 6,04 6,11 6,48 7,05 7,15 6,22 6,41

Оце

нка

эффе

ктив

ност

и 5

Вариант перевозки 8 Ограничение фактора "Выгрузка и хранение на складе "

85

Схема перевозки 7:

min(ОВСр≤2)=-100 %; среднее значение (ОВСр≤2)=-90,08 %;

max(ОВСр≥9)=154 %; среднее значение (ОВСр≥9)=81,42 %.

Схема перевозки 8:

min(ОВСр≤2)=-88 %; среднее значение (ОВСр≤2)=-78,33 %;

max(ОВСр≥9)=96 %; среднее значение (ОВСр≥9)=67,92 %.

Самой нечувствительной к изменениям фактора является схема перевозки 6,

причем в сторону ограничения не более 2: наибольшее значение разницы с

нормой составляет -34 %. Более чуствительной – схема 7.

Этот вывод подтвердили и эксперты. Исходя из опыта руководящего звена,

ведущих специалистов и экспертов этой организации, прежде чем начинать

заказывать груз у поставщика, необходимо выяснить наличие места под его

хранение на складах. Если не найдется подходящее место для хранения груза, то

весь процесс, по мнению экспертов, в большинстве случаев не имеет смысла.

Далее, чтобы определить величину значимости фактора «Место под

хранение», производится перерасчет с теми же ограничениями, но по шести

схемам перевозок (за исключением схем 1 и 2, где этот фактор отсутствует) в

пятом модуле ННС модели ИСУ ТЛП (см. приложение 3, таблица 7):

Схема перевозки 3:

min(ОВСр≤2)=-37 %; среднее значение (ОВСр≤2)=-24,5 %;

max(ОВСр≥9)=137 %; среднее значение (ОВСр≥9)=113,67 %.

Схема перевозки 4:

min(ОВСр≤2)=-32 %; среднее значение (ОВСр≤2)=-24,33 %;

max(ОВСр≥9)=135 %; среднее значение (ОВСр≥9)=74,17 %.

Схема перевозки 5:

min(ОВСр≤2)=-49 %; среднее значение (ОВСр≤2)=-45 %;

max(ОВСр≥9)=32 %; среднее значение (ОВСр≥9)=18,57 %.

Схема перевозки 6:

86

min(ОВСр≤2)=-53 %; среднее значение (ОВСр≤2)=-50,50 %;

max(ОВСр≥9)=14 %; среднее значение (ОВСр≥9)=7,25 %.

Схема перевозки 7:

min(ОВСр≤2)=-51 %; среднее значение (ОВСр≤2)=-38,86 %;

max(ОВСр≥9)=106 %; среднее значение (ОВСр≥9)=78,43 %.

Схема перевозки 8:

min(ОВСр≤2)=-55 %; среднее значение (ОВСр≤2)=-45,71 %;

max(ОВСр≥9)=33 %; среднее значение (ОВСр≥9)=24,86 %.

В результате по ограничению фактора «Место под хранение», которому

соответствует численное значение терма лингвистической переменной место под

хранение равное не более 2: максимальное изменение значения, причем в худшую

сторону, на 55 % (схема перевозки 8); минимальное – на 16 % (схема перевозки

4).

По ограничению этого же фактора – численное значение терма

лингвистической переменной место под хранение равное не менее 9:

максимальное улучшение значения на 137 % (схема перевозки 3); минимальное –

на 0 % (схема перевозки 6).

Если же рассматривать по каждому варианту перевозки отдельно и в

среднем, то максимально и в худшую и в лучшую сторону модель отреагировала

на ограничения фактора в схемах 3; 4; 7. Эта реакция модели вполне

соответствует оценкам экспертов.

Результаты факторного анализа по ограничению фактора «Место под хранение» в

пятом модуле ННС модели ИСУ ТЛП изображены на гистограмме (рисунок 37).

Следующим наиболее значимым процессом, по мнению экспертов, является

подбор необходимого терминала в порту, выяснение его возможностей,

свободного места. Во Владивостоке это либо рыбный порт, либо торговый.

Возможности каждого из портов специфичны, имеются особенности и

ограничения. В модели это третий модуль «Порт и возможности терминала»,

приоритетным среди входных влияющих на процесс факторов является

87

«Возможности терминала, свободное место в порту». Используя модель,

произведем новые вычисления подобно первому варианту факторного анализа

(приложение 3, таблицы 8–15).

Рисунок 37 – Гистограмма факторного анализа ННС 5-го модуля

Результаты анализа показывают менее значительное влияние на значение

оценки эффективности фактора «Порт и возможности терминала», чем в первом

случае, рассмотренном выше.

Схема перевозки 1:

min(ОВСр≤2)=-35 %; среднее значение (ОВСр≤2)=-30,75 %;

max(ОВСр≥9)=36 %; среднее значение (ОВСр≥9)=20,25 %.

Схема перевозки 2:

min(ОВСр≤2)=-34 %; среднее значение (ОВСр≤2)=-27,33 %;

max(ОВСр≥9)=35 %; среднее значение (ОВСр≥9)=21,92 %.

Схема перевозки 3:

min(ОВСр≤2)=-47 %; среднее значение (ОВСр≤2)=-37,9 %;

max(ОВСр≥9)=72 %; среднее значение (ОВСр≥9)=34,17 %.

0

2

4

6

8

10

3 3.1 3.2 3.3 3.4 3.5 4 4.1 4.2 4.3 4.4 4.5 5 5.1 5.2 5.2 5.3 5.4 5.5 6 6.1 6.2 6.3 7 7.1 7.2 7.3 7.4 7.5 7.6 8 8.1 8.2 8.3 8.4 8.5 8.6 от 0 до 10 5 4 5 4 4 4 6 6 6 5 5 4 8 8 8 8 7 7 8 8 8 9 9 4 3 3 3 4 4 3 4 4 4 5 4 4 5 не более 2 3 3 4 3 3 3 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 2 2 3 не менее 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 7 6 6 6 6 6 5 5 5 5 6 5 5 6

оцен

ка э

ффек

тивн

ости

5

Ограничение фактора "Место под хранение" по всем вариантам перевозки

88

Схема перевозки 4:

min(ОВСр≤2)=-39 %; среднее значение (ОВСр≤2)=-34,75 %;

max(ОВСр≥9)=41 %; среднее значение (ОВСр≥9)=26,58 %.

Схема перевозки 5:

min(ОВСр≤2)=-27 %; среднее значение (ОВСр≤2)=-20,75 %;

max(ОВСр≥9)=17 %; среднее значение (ОВСр≥9)=11,67 %.

Схема перевозки 6:

min(ОВСр≤2)=-24 %; среднее значение (ОВСр≤2)=-19,33 %;

max(ОВСр≥9)=6 %; среднее значение (ОВСр≥9)=1,58 %.

Схема перевозки 7:

min(ОВСр≤2)=-63 %; среднее значение (ОВСр≤2)=-54,25 %;

max(ОВСр≥9)=93 %; среднее значение (ОВСр≥9)=49,58 %.

Схема перевозки 8:

min(ОВСр≤2)=-65 %; среднее значение (ОВСр≤2)=-50,58 %;

max(ОВСр≥9)=69 %; среднее значение (ОВСр≥9)=43,67 %.

Это можно объяснить тем, что сам фактор «Порт и возможности терминала»

по доминированию меньше, чем «Выгрузка и хранение на складе».

Гистограммы, демонстрирующие анализ, приводятся ниже на рисунках 38 –

45.

0,00

2,00

4,00

6,00

8,00

10,00

1 1.2 1.4 1.6 1.8 1.10 1.12 1.14 1.16 1.18 1.20 1.22 от 0 до 10 6,15 6,78 5,83 5,77 6,15 5,98 7,15 6,93 7,12 7,01 6,96 7,23 не более 2 4,18 4,48 3,89 3,76 4,11 4,01 5,25 5,19 5,07 5,01 4,97 5,06 не менее 9 8,34 8,48 7,44 7,18 8,12 7,18 8,32 7,56 8,25 8,05 7,94 7,78

Оце

нка

Эфф

екти

внос

ти 3

Вариант перевозки 1 Ограничение фактора "Порт и возможности терминала"

89

Рисунок 38 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 39 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 40 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00

10,00

2 2.2 2.4 2.6 2.8 2.10 2.12 2.14 2.16 2.18 2.20 2.22 от 0 до 10 7,12 7,23 6,59 7,18 7,01 6,93 7,40 8,10 7,22 7,89 7,01 8,33 не более 2 5,12 5,18 4,89 5,06 4,93 4,56 5,48 6,25 5,34 6,01 4,99 6,35 не менее 9 9,01 8,92 8,87 8,91 8,65 8,94 8,88 8,98 8,87 8,95 8,93 8,96

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 2 Ограничение фактора "Порт и возможности терминала"

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00

3 3.2 3.4 3.6 3.8 3.10 3.12 3.14 3.16 3.18 3.20 3.22 от 0 до 10 3,69 5,06 4,22 3,77 4,23 5,23 4,78 5,01 5,06 4,89 5,01 5,14 не более 2 1,98 3,14 2,78 2,01 2,93 3,05 3,06 3,37 3,42 3,05 3,01 3,48 не менее 9 6,36 6,24 6,25 5,44 6,22 7,11 6,15 6,18 6,16 5,89 6,11 6,35

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 3 Ограничение фактора "Порт и возможности терминала"

90

Рисунок 41 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 42 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00

4 4.2 4.4 4.6 4.8 4.10 4.12 4.14 4.16 4.18 4.20 4.22 от 0 до 9 4,85 4,96 5,06 5,13 6,32 5,02 6,03 5,96 5,01 4,78 5,36 5,14 не более 2 3,05 3,12 3,48 3,36 4,15 3,25 4,64 4,03 3,05 3,04 3,25 3,14 не менее 9 6,85 6,94 6,89 6,45 7,13 6,54 6,91 7,18 6,21 6,74 5,22 6,98

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 4 Ограничение фактора "Порт и возможности терминала"

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00

10,00

5 5.2 5.4 5.6 5.8 5.10 5.12 5.14 5.16 5.18 5.20 5.22 от 0 до 10 7,80 7,96 8,01 8,12 8,36 8,01 8,95 8,36 8,36 7,69 8,13 8,12 не более 2 5,87 5,78 6,32 6,48 6,68 6,51 7,03 7,01 7,06 6,03 6,48 6,35 не менее 9 9,12 9,21 9,05 9,02 8,98 8,74 9,25 9,36 9,06 8,86 9,32 9,24

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 5 Ограничение фактора "Порт и возможности терминала"

91

Рисунок 43 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 44 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00

2,00

4,00

6,00

8,00

10,00

12,00

6 6.2 6.4 6.6 6.8 6.10 6.12 6.14 6.16 6.18 6.20 6.22 от 0 до 10 8,98 9,89 9,36 10,30 9,01 9,89 9,16 9,01 8,87 9,89 9,03 10,20 не более 2 7,02 8,01 7,54 8,23 7,21 7,56 7,48 7,52 7,12 8,34 7,21 8,50 не менее 9 9,51 9,89 9,65 10,30 9,54 9,89 9,53 9,01 8,87 9,89 9,03 10,20

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 6 Ограничение фактора "Порт и возможности терминала"

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

7 7.2 7.4 7.6 7.8 7.10 7.12 7.14 7.16 7.18 7.20 7.22 от 0 до 10 2,96 2,76 2,01 2,78 1,83 3,06 3,07 3,23 3,16 3,25 2,96 3,01 не более 2 1,18 1,24 1,01 1,25 1,01 1,65 1,63 1,19 1,36 1,25 1,38 1,27 не менее 9 4,15 4,22 3,86 3,94 3,54 3,78 4,51 4,32 4,53 4,26 4,33 4,52

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 7 Ограничение фактора "Порт и возможности терминала"

92

Рисунок 45 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Далее по приоритетности влияющих на ТЛП факторов весь процесс

перевозки будет зависеть от условий погрузки от поставщика: груз сформирован в

контейнеры или навалкой. В модели это первый модуль «Условия отгрузки от

поставщика», приоритетным среди входных влияющих на процесс факторов

является «Срок готовности груза к погрузке». Используя модель, произведем

новые вычисления подобно первому и второму вариантам факторного анализа

(приложение 3, таблицы 16–23):

Схема перевозки 1:

min(ОВСр≤2)=-18 %; среднее значение (ОВСр≤2)=-13,67 %;

max(ОВСр≥9)=23 %; среднее значение (ОВСр≥9)=10,67 %.

Схема перевозки 2:

min(ОВСр≤2)=-14 %; среднее значение (ОВСр≤2)=-11,67 %;

max(ОВСр≥9)=19 %; среднее значение (ОВСр≥9)=9,67 %.

Схема перевозки 3:

min(ОВСр≤2)=-25 %; среднее значение (ОВСр≤2)=-14,83 %;

max(ОВСр≥9)=39 %; среднее значение (ОВСр≥9)=13,58 %.

Схема перевозки 4:

0,00

1,00

2,00

3,00

4,00

5,00

6,00

7,00

8 8.2 8.4 8.6 8.8 8.10 8.12 8.14 8.16 8.18 8.20 8.22 от 0 до 10 3,21 3,78 4,21 3,77 2,89 3,78 3,96 4,23 4,21 4,02 3,75 3,78 не более 2 1,89 2,06 2,12 2,13 1,01 1,85 2,03 1,76 1,86 1,89 2,03 1,98 не менее 9 5,21 5,01 6,01 5,36 4,89 5,12 5,26 5,54 6,13 6,08 5,12 5,36

Оце

нка

эффе

ктив

ност

и 3

Вариант перевозки 8 Ограничение фактора "Порт и возможности терминала"

93

min(ОВСр≤2)=-18 %; среднее значение (ОВСр≤2)=-13,5 %;

max(ОВСр≥9)=25 %; среднее значение (ОВСр≥9)=7,92 %.

Схема перевозки 5:

min(ОВСр≤2)=-14 %; среднее значение (ОВСр≤2)=-7,42 %;

max(ОВСр≥9)=12 %; среднее значение (ОВСр≥9)=5,08 %.

Схема перевозки 6:

min(ОВСр≤2)=-12 %; среднее значение (ОВСр≤2)=-7,08 %;

max(ОВСр≥9)=2 %; среднее значение (ОВСр≥9)=0,58 %.

Схема перевозки 7:

min(ОВСр≤2)=-28 %; среднее значение (ОВСр≤2)=-18,5 %;

max(ОВСр≥9)=27 %; среднее значение (ОВСр≥9)=13,5 %.

Схема перевозки 8:

min(ОВСр≤2)=-32 %; среднее значение (ОВСр≤2)=-21,25 %;

max(ОВСр≥9)=37 %; среднее значение (ОВСр≥9)=22,25 %.

Результаты анализа показывают еще менее значительное влияние на

значение оценки эффективности фактора «Условия отгрузки от поставщика»,

чем ограничения фактора «Выгрузка и хранение на складе» в первом случае и

фактора «Порт и возможности терминала» во втором, рассмотренных выше.

Гистограммы, демонстрирующие анализ, приводятся ниже на рисунках 46 –

53.

Таким образом, факторный анализ показывает, что нечеткая нейросетевая

модель информационной системы управления транспортно-логистическим

процессом реагирует на изменения входных переменных в соответствии с

оценками экспертов в каждом рассмотренном случае. Если же рассматривать по

каждому варианту перевозки отдельно и в среднем, то максимально и в худшую и

в лучшую сторону модель отреагировала на ограничения факторов в схемах 3; 4;

7. Эта реакция модели вполне соответствует оценкам экспертов.

94

В результате по ограничению фактора «Место под хранение» не более 2:

максимальное изменение значения, причем в худшую сторону, на 55 % (схема

перевозки 8); минимальное – на 16 % (схема перевозки 4).

Рисунок 46 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 47 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00

1 1.4 1.8 1.2 1.6 1.10 1.12 1.16 1.20 1.14 1.18 1.22 от 0 до 10 6,15 5,83 6,15 6,78 5,77 5,98 7,15 7,12 6,96 6,93 7,01 7,23 не более 2 5,23 4,96 5,23 5,56 4,88 5,03 6,48 6,24 6,03 6,32 6,12 6,25 не менее 9 7,28 6,86 7,56 7,72 6,74 6,78 7,69 7,89 7,36 6,93 7,01 7,23

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 1 Ограничение фактора "Условия отгрузки от поставщика"

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00

2 2.8 2.4 2.6 2.2 2.10 2.12 2.16 2.20 2.14 2.18 2.22 от 0 до 10 7,12 7,01 6,59 7,18 7,23 6,93 7,40 7,22 7,01 8,10 7,89 8,33 не более 2 6,24 6,03 5,96 6,15 6,32 5,99 6,55 6,48 6,03 7,54 7,02 7,52 не менее 9 8,36 8,36 7,69 8,25 8,01 7,85 7,99 7,83 7,54 8,10 7,89 8,33

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 2 Ограничение фактора "Условия отгрузки от поставщика"

95

Рисунок 48 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 49 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00

3 3.4 3.8 3.2 3.6 3.10 3.20 3.16 3.12 3.14 3.18 3.22 от 0 до 10 3,69 4,22 4,23 5,06 3,77 5,23 5,01 5,06 4,78 5,01 4,89 5,14 не более 2 2,76 3,86 3,65 4,25 3,12 4,12 4,02 4,58 4,13 4,56 4,19 4,63 не менее 9 5,12 5,11 5,13 5,88 4,55 6,13 5,37 5,64 5,26 5,01 4,89 5,14

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 3 Ограничение фактора "Условия отгрузки от поставщика"

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00

4.2 4.18 4.22 4.20 4 4.4 4.6 4.14 4.10 4.12 4.8 4.16 от 0 до 10 4,96 4,78 5,14 5,36 4,85 5,06 5,13 5,96 5,02 6,03 6,32 5,01 не более 2 4,23 4,03 4,36 4,49 4,12 4,53 4,49 5,13 4,49 5,78 5,17 4,19 не менее 10 5,96 5,98 6,28 4,12 5,54 5,69 5,49 6,48 5,46 6,03 6,32 5,01

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 4 Ограничение фактора "Условия отгрузки от поставщика"

96

Рисунок 50 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 51 – Гистограмма факторного анализа на ННС аккумулирующего модуля

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00

5 5.2 5.4 5.6 5.8 5.10 5.12 5.14 5.16 5.18 5.20 5.22 от 0 до 10 7,80 7,96 8,01 8,12 8,36 8,01 8,95 8,36 8,36 7,69 8,13 8,12 не более 2 6,89 6,86 7,45 7,56 7,79 7,62 8,12 8,01 8,22 7,12 7,56 7,48 не менее 9 8,34 8,69 8,42 8,38 8,36 8,46 8,95 8,83 8,36 8,65 8,54 8,75

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 5 Ограничение фактора "Условия отгрузки от поставщика"

0,00

2,00

4,00

6,00

8,00

10,00

12,00

6 6.2 6.4 6.6 6.8 6.10 6.12 6.14 6.16 6.18 6.20 6.22 от 0 до 10 8,98 9,89 9,36 10,30 9,01 9,89 9,16 9,01 8,87 9,89 9,03 10,20 не более 2 8,35 9,12 8,69 9,56 8,45 8,71 8,57 8,64 8,25 9,31 8,26 9,58 не менее 9 9,12 9,89 9,44 10,30 9,13 9,89 9,25 9,01 8,96 9,89 9,08 10,20

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 6 Ограничение фактора "Условия отгрузки от поставщика"

97

Рисунок 52 – Гистограмма факторного анализа на ННС аккумулирующего модуля

Рисунок 53 – Гистограмма факторного анализа на ННС аккумулирующего модуля

По ограничению этого же фактора не менее 9: максимальное улучшение

значения на 137 % (схема перевозки 3); минимальное – на 0 % (схема перевозки

6).

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00

7 7.2 7.4 7.6 7.8 7.10 7.12 7.14 7.16 7.18 7.20 7.22 от 0 до 10 2,96 2,76 2,01 2,78 1,83 3,06 3,07 3,23 3,16 3,25 2,96 3,01 не более 2 2,21 2,36 1,98 2,13 1,58 2,69 2,65 2,34 2,46 2,38 2,42 2,29 не менее 9 3,13 3,45 2,56 3,01 2,15 3,54 3,52 3,23 3,62 3,34 3,26 3,61

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 7 Ограничение фактора "Условия отгрузки от поставщика"

0,00

1,00

2,00

3,00

4,00

5,00

6,00

8 8.2 8.4 8.6 8.8 8.10 8.12 8.14 8.16 8.18 8.20 8.22 от 0 до 10 3,21 3,78 4,21 3,77 2,89 3,78 3,96 4,23 4,21 4,02 3,75 3,78 не более 2 2,98 3,15 3,26 3,28 2,12 2,96 3,12 2,89 2,92 2,98 3,11 3,06 не менее 9 4,25 4,16 5,19 4,21 3,96 4,44 4,78 4,96 5,21 5,14 4,31 4,96

Оце

нка

эффе

ктив

ност

и 1

Вариант перевозки 8 Ограничение фактора "Условия отгрузки от поставщика"

98

Если же рассматривать по каждому варианту перевозки отдельно и в

среднем, то максимально и в худшую и в лучшую сторону модель отреагировала

на ограничения фактора в схемах 3; 4; 7.

Анализ показал, и экспертная группа подтвердила, что модель адекватно

реагирует на изменение факторов и готова для применения в режиме рабочего

времени.

В результате вышеприведенного анализа работоспособности модели была

разработана методика применения ННС модели ИСУ ТЛП для моделирования

реальных событий, анализа ситуации и поведения взаимодействующих элементов

ИСУ ТЛП, обеспечения в динамическом режиме мониторинга и диагностики

управленческих процессов. Необходимо определить входные переменные, в

соответствии с реальным процессом выбранной ЛПР схемы перевозки груза (дать

оценки влияющих на конкретный блок-процесс факторов по шкале от 0 до 10);

подать их на вход соответствующего модуля модели; получить оценки

эффективности этого процесса; провести их анализ. Модель позволяет в короткие

сроки, обеспечивая мониторинг в режиме реального времени, менять входные

переменные каждого модуля, соответствующего блока-процесса модели, и в

короткие сроки получать оценку эффективности на выходе модуля. В модели

предоставлена возможность организовать вывод информации в табличный

редактор Excel для удобства и наглядности анализа информации ЛПР. Причем,

модель позволяет получать оценки эффективности каждого модуля отдельно,

таким образом обеспечивая данные для анализа информации конкретного блока-

процесса, поведения взаимодействующих элементов внутри блока и их влияние

на весь процесс в целом. Также и всей доставки груза в целом, сначала рассчитав

оценки эффективности всех шести модулей модели, затем используя выходные

значения этих модулей в качестве входных переменных седьмого

аккумулирующего модуля.

Методика применения ННС модели ИСУ ТЛП для прогнозирования и

предупреждения критических ситуаций схожа с вышеприведенной методикой.

99

Отличие состоит в том, чтобы на вход модели подавать входные переменные,

определенные в соответствии с предполагаемой критическую ситуацию в ходе

процесса перевозки груза. При необходимости, модель позволяет получать

оценки эффективности конкретного модуля, таким образом, обеспечивая данные

для анализа информации конкретного блока-процесса. Например, модуль модели

«Морская доставка (фрахт)» соответствующего блока-процесса имеет на входе

пять переменных: стоимость процесса; возможность осуществления

перевозки; убытки; срок поставки; надежность перевозчика. Критическая

ситуация: штормовые погодные условия. Возможны срыв срока поставки груза, а

также возможны убытки в случае порчи груза (особенно, если выбранная схема

предполагает перевозку груза навалкой). Эта ситуация, в свою очередь, может

отразиться или усугубиться в последующих блоках-поцессах, например,

«Автоперевозка», где срываются договоренности по срокам вывоза груза, изменяя

соответствующую переменную срок ожидания вывоза груза, что затем влияет на

процесс «Формирование груза, отправка по ж/д». Далее, всей доставки груза в

целом. ЛПР при помощи модели может смоделировать подобную ситуацию и

принять соответствующее наиболее рациональное управляющее решение. Таким

же образом при помощи модели можно рассчитать и новую схему перевозки

груза. Иногда к тем схемам перевозки, которые менеджмент транспортной

компании отверг по каким-либо причинам из-за плохих практических

результатов, сложно вернуться, так как необходимо учесть и просчитать заново

все изменившиеся условия. Поэтому ЛПР годами пользуются проверенными на

практике схемами и меняют их только в крайних случаях. В построенной для

исследования модели всего 168 факторов: 21 фактор в восьми схемах (причем

модель при необходимости можно достроить новыми модулями, а также

увеличить количество факторов). В реальной жизни их значительно больше.

Предположим, изменились рыночные условия, соответственно, и некоторые

факторы в нескольких или даже всех схемах перевозки. ЛПР могут потратить

значительное время и усилия на рассмотрение различных вариантов и выбор

100

наиболее рационального из них. С применением модели это сделать значительно

проще.

4.2. Разработка алгоритма оптимизации информационной системы управления транспортно-логистическим процессом

Транспортная логистика – это, прежде всего, практическое применение

грамотного планирования передвижения различных товаров с помощью

различных видов транспорта по наиболее подходящему маршруту. Критерием

оптимальности разработанного с применением методик транспортной логистики

маршрута является снижение затрат средств, времени либо соблюдения четкого

графика, требующихся на доставку груза, при гарантии его сохранности.

Основными задачами, решаемыми в рамках оптимизации доставки груза,

являются:

– оптимизация согласованности применяемых для перевозки транспортных

средств, что дает возможность снизить затраты времени на погрузочно-

разгрузочные работы при комбинированных и мультимодальных перевозках;

– подбор оптимального вида транспортных средств и разработка схемы

транспортировки грузов;

– анализ конъюнктуры рынка и оптимизация тарифных ставок компаний

перевозчиков;

– грамотная подготовка необходимого комплекта сопроводительных

документов;

– оптимальная загруженность каждого выбранного для перевозки

транспортного средства;

– согласование процесса перевозки грузов с его производственным и

складским движением, строгое соблюдение графика перевозки.

101

Достичь снижения расходов на перевозку грузов при использовании

методик транспортной логистики можно за счет детальной проработки и

оптимизации всех его этапов.

Транспортно-логистический процесс на каждом его этапе характеризуется

как сложный, с нечеткой и неопределенной исходной информацией, плохо

формализованный и многофакторный. В реальной ситуации при выборе

оптимального режима управления работой таким сложным динамическим,

социально-экономическим, организационным процессом возникает не одна цель,

а одновременно несколько, и описать их одним показателем (критерием)

невозможно, а также не всегда возможно выбрать доминирующую цель из-за их

равноценности [41]. Таким образом, задача оптимизации этого процесса является

многокритериальной. В условиях многокритериальности в выборе и принятии

одного решения заложено противоречие, т.к. обязательно найдутся решения,

которые по некоторым критериям являются лучше выбранного. Следовательно,

поиск оптимального решения сводится к определению множества оптимальных

решений и, согласно принципу Парето, возможные решения следует искать среди

неулучшаемых альтернатив – таких альтернатив, улучшение которых по одним

критериям приводит к ухудшению по другим критериям.

В диссертационной работе построенная нечеткая нейросетевая модель

состоит из семи модулей, шесть из которых описывают состояние отдельного

процесса одной из восьми схем перевозки s=1,…, 8 (см. рис.18):

1. «Условия отгрузки от поставщика»: y1s=O(xj), где j=1, 2;

2. «Морская доставка (фрахт)»: y2s=M(xj), где j=3, 4, 5, 6, 7;

3. «Порт и возможности терминала»: y3s=P(xj), где j=8, 9, 10;

4. «Автоперевозка»: y4s=A(xj), где j=11, 12, 13;

5. «Выгрузка и хранение на складе»: y5s=S(xj), где j=14, 15, 16, 17;

6. «Формирование груза, отправка по ж/д»: y6s=Z(xj), где j=18, 19, 20, 21.

Входными данными каждого нечеткого нейросетевого модуля являются

различные факторы – это качественные характеристики отдельного процесса: (xj).

102

На выходе каждого из этих шести модулей – yk , оценка эффективности k-го

процесса, где k=1, 2, …, 6.

Эти шесть оценок эффективности являются входными данными седьмого

аккумулирующего модуля: хj=yk, где j=22, 23, … , 27, k=1, 2, …, 6. Выход

седьмого аккумулирующего модуля – итоговая оценка эффективности перевозки:

ypr=F(хj).

Модель была построена, реализована и проанализирована на восьми

реальных транспортно логистических схемах s=1, 2, …, 8. (см. рис. 10 – рис.17).

yprs=F(Os(xj), Ms(xj), Ps(xj), As(xj), Ss(xj), Zs(xj))

Таким образом, задача определения оптимальных параметров процесса

будет зависеть от вычисления таких возможных оптимальных входных данных,

при которых выход будет соответствовать определенной оценке эффективности

каждого из шести модулей в отдельности. Затем результаты обрабатываются

седьмым модулем и должны быть вычислены оптимальные выходные оценки

эффективности среди всех найденных после обработки: y̅оптs=(y1, y2, …, ym).

Т.е. имеются наборы входных данных x̅s=(x1, x2, …, xn), которые могут

принимать множество различных значений x̅sϵD и именно в определении этих

конкретных значений состоит акт принятия оптимального решения. Множество D

называется областью поиска, а любой вектор y̅s – допустимым решением.

Оптимизационные задачи формулируются как проблема выбора лучшего

допустимого решения. Для определения «лучшего» вводится критерий

оптимальности Q(y̅s) – количественный показатель в некоторой шкале Y,

посредством которого измеряется оптимальное для данной задачи значение

выходного параметра y̅оптs. Под измерением в некоторой шкале Y понимается

отображение Q, которое каждому x̅sϵD ставит в соответствие числовую оценку

Q(y̅s)ϵY, при этом сохраняя между числовыми значениями Q(y̅s) бинарные

отношения предпочтения:

1) y̅1 «лучше» y̅2 тогда и только тогда, когда Q(y̅1)>Q(y̅2);

2) y̅1 «не хуже» y̅2 тогда и только тогда, когда Q(y̅1)≥Q(y̅2); (4.2)

103

3) y̅1 «эквивалентно» y̅2 тогда и только тогда, когда Q(y̅1)=Q(y̅2)

Тогда выбор «лучшего» решения – это выбор тех и только тех решений, при

которых значение критерия оптимальности Q является наибольшим в области

поиска D:

�𝑄(y�опт) = max

x�∈D𝑄(y�) ,

0 < |𝐷| = 𝑁 < ∞� (4.3)

Область поиска D – множество, которое является конечным и состоит из

счетного числа допустимых решений N, а поиск лучшего решения среди всех

допустимых сводится к полному перебору, тогда задача (4.3) – это задача

дискретной оптимизации переборного типа. Время поиска решения такой задачи

полиномиально зависит от объема входной информации [6]. Каждый параметр

вектора допустимых решений y̅s=(y1, y2, …, yn) может принимать одно из

множества возможных значений D: |Di|≥2, i=1, 2, …, n, можно рассчитать

нижнюю оценку мощности множества допустимых решений:

𝑁 = � |𝐷𝑖|𝑛

𝑖=1

≥�2 = 2𝑛𝑛

𝑖=1

(4.4)

Объем вычислительных затрат на поиск оптимального решения задачи

дискретной оптимизации переборного типа возрастает экспоненциально с ростом

числа переменных 2n. В диссертационной работе входных параметров 21 в каждой

из восьми схем перевозки: N=2168.

Ограничить область возможных решений можно, используя опыт экспертов,

в данном случае – группы экспертов из «ДиДиПи Сервис». Параметры задачи, т.е.

влияющие на процесс перевозки факторы, имеют реальные ограничения, причем

каждый из них в каждой схеме различен, примерные значения которых знают

эксперты. Поэтому при решении задачи оптимизации будут использоваться

диапазоны изменения факторов, которые определяются экспертами, что

значительно снижает размерность задачи и уменьшает вычислительные затраты.

104

В качестве критериев при оптимизации транспортно-логистического

процесса можно использовать различные группы критериев для принятия

решений ЛПР (лицами, принимающими решения) в условиях неопределенности.

В работе используются следующие классические критерии [11]:

1. Максиминный критерий (ММ-критерий или критерий Вальда)

Данный подход принимает за основу самые неблагоприятные результаты

для возможных ситуаций развития внешних событий, независящих от ЛПР при

анализируемом решении. Наилучший неблагоприятный результат при этом будет

оптимальным решением.

Целевая функция критерия:

𝑄𝑀𝑀 = maxs

{𝑚ys� �} , где 𝑚ys = mini

{yis} , s = 1, 2,⋯ , 8 , i = 1, 2,⋯ , 6 (4.5)

2. Оптимистический критерий

Данный подход принимает за основу самые благоприятные результаты для

возможных ситуаций развития внешних событий, независящих от ЛПР при

анализируемом решении. Наилучший благоприятный результат при этом будет

оптимальным решением.

Целевая функция критерия:

𝑄Н = maxs

{ℎys� �} , где ℎys� = maxi

{yis} , s = 1, 2,⋯ , 8 , i = 1, 2,⋯ , 6 (4.6)

3. Нейтральный критерий

Данный подход принимает за основу среднее арифметическое значение оценок

эффективности для всех возможных ситуаций развития внешних событий,

независящих от ЛПР при анализируемом решении. Результат, при котором

среднее ожидаемое будет наибольшим, является оптимальным решением.

Целевая функция критерия:

𝑄𝑁 = maxs

{𝑛ys� �} , где 𝑛ys� =1n � yis

n

i=1

, s = 1, 2,⋯ , 8 , i = 1, 2,⋯ , 6 (4.7)

105

Эти три критерия применяются для определения оптимального решения

ЛПР на уже вычисленных при помощи нечеткой нейросетевой модели значениях

оценки эффективности процесса.

Также для решения задач оптимизации помимо полного перебора

возможных решений существуют классические способы, такие как метод Монте-

Карло, градиентный, метод аппроксимации. Но они позволяют эффективно

находить локальные экстремумы на непрерывных областях системы, они не

инвариантны к размерности задачи, и результат зависит от топологии

поверхности отклика целевой функции.

В настоящее время не известно ни одного классического алгоритма

эффективного решения какой-либо многокритериальной задачи с нечеткими

данными [72]. Однако при решении задачи оптимизации данного процесса

возможно применение генетического алгоритма – одного из методов

эволюционного моделирования – основанного на использовании методов,

связанных с эволюционными процессами скрещивания, кроссовера, мутации и

естественного отбора [6].

Важной особенностью эволюционного моделирования является

возможность получения рациональных решений как на непрерывных, так и на

дискретных множествах параметров. Большинство исследователей признают

генетический алгоритм одним из самых эффективных методов решения задач

многоэкстремальной оптимизации и тому способствуют несколько причин [92]:

– метод инвариантен к размерности задачи;

– для многих типов задач этот метод показал более эффективный результат

по сравнению с другими методами;

– метод позволяет решать задачи, структуру решения которых

исследователь не знает, так как естественный отбор устраняет необходимость

заранее учитывать все особенности решения задачи;

106

– высокая скорость решения из-за высокого параллелизма алгоритма

данного типа, так как каждый объект популяции может обрабатываться

независимо;

– эволюционные методы целесообразно применять, если задачи трудно

формализуемы или требуется получить грубый результат для принятия решения в

реальном времени.

Генетический алгоритм оптимизации ИСУ ТЛП состоит из следующих

этапов:

1. Для каждой из восьми схем перевозок последовательно формируются

случайным образом двенадцать возможных вариантов (популяция), т.е. для 21

входного значения определяется случайное значение – формируются двенадцать

105-ти битовых цепочек (хромосом), каждый бит случайным образом заполняется

«0» или «1». Каждые пять бит определяют значение терма входного параметра

(Напомним, что каждый входной параметр характеризуется пятью термами).

2. Полученные значения для каждой схемы ТЛП переводятся в десятичные

значения и масштабируются от 0 до 10. Эти значения подаются на вход ННС

модели ИСУ ТЛП. В итоге на выходе получаются 12 вариантов оценок

эффективности. Подсчитывается сумма всех оценок эффективности и

подсчитывается некий критерий эффективности каждой схемы:

𝐾𝑖 = 𝑦пр 𝑖

𝑦пр∑ ∙ 100, где 𝑦пр∑ = ∑ 𝑦пр 𝑖

12𝑖=1 , 𝑖 = 1, 2, … , 12 (4.8)

Таким образом, на линии от 0 до 100 помещаются все значения критериев

эффективности.

Далее формируются 12 случайных чисел в диапазоне от 0 до 100. В

зависимости от того к какому критерию принадлежит случайное число отбирается

соответствующая «хромосома». Явно, что чем больше критерий, тем больше

вероятность того, что ему будет принадлежать случайное число, возможно,

несколько раз. Итак, выбраны 12 «хромосом».

107

На следующем этапе, который называется «скрещивание», формируются

шесть пар, при этом проводится проверка, чтобы в паре не было одинаковых

«хромосом», в противном случае, пару скрещивают с другой парой.

Далее, назначается шесть случайных чисел от 1 до 104. Эти случайные

числа определяют длину левой части «хромосом» каждой пары, правые части

меняются взаимно у каждой пары. Получается новая «популяция», т.е. новые 12

вариантов для данного транспортного процесса.

Проверяется признак «вырождения», т.е. все 12 «хромосом» не должны

быть одинаковыми. Если признака «вырождения» нет, то процедура повторяется с

пункта 2. При «вырождении» запоминается оценка эффективности, генерируются

12 случайных чисел от 1 до 105, которые определяют место инверсии для каждой

«хромосомы». В этой точке бит меняет свое значение с «0» на «1» или наоборот.

Эта процедура называется «мутацией». И алгоритм повторяется с пункта 2.

Если какой-либо из 𝑦пр 𝑖 (𝑖 = 1, 2,⋯ , 12) дает значение оценки

эффективности лучше, чем сохраненное при «вырождении», то процедура

продолжается до следующего «вырождения». Если «мутация» дает

отрицательный результат, то проводится еще одна контрольная «мутация». Если и

эта попытка не приводит к положительному результату, то происходит переход к

следующей схеме транспортно-логистического процесса.

4.3. Оценка результатов параметрической оптимизации транспортно-логистического процесса

Задача оптимизации транспортно-логистического процесса заключается не

в том, чтобы найти решение лучше существующего, а в том, чтобы найти лучшее

решение среди всех возможных.

108

В левой части таблицы 1 приведены итоговые оценки эффективности всех

восьми схем перевозки, выданных нечеткой нейросетевой моделью, в штатных

условиях. Входными данными шести модулей модели были влияющие на процесс

факторы каждой из восьми схем перевозок как проходящих в штатном обычном

режиме. Причем, для примера в таблице приведены двенадцать вариаций

выходных значений оценок эффективности, рассчитанных ННС моделью ИСУ

ТЛП на небольшом диапазоне изменения входных значений и их комбинаций,

предоставленных экспертной группой, по каждой из восьми схем перевозок. В

этом случае эксперты определяли значения этих факторов, не предполагая

никаких критических ситуаций. В правой части таблицы 1 приведены

оптимальные значения оценок эффективности, определенных по трем критериям

оптимальности: максиминный (ММ-критерий или критерий Вальда),

оптимистический и нейтральный, в соответствии с формулами (4.5), (4.6), (4.7).

Таблица 1

Анализ данных для выбора управляющих решений ЛПР по трем критериям

№ Оценка эффективности QММ QH QN

1 6.15 6.78 5.83 5.77 6.15 5.98 7.15 6.93 7.12 7.01 6.96 7.23 5.77 7.23 6.59 2 7.12 7.23 6.59 7.18 7.01 6.93 7.4 8.1 7.22 7.89 7.01 8.33 6.59 8.33 7.33 3 3.69 5.06 4.22 3.77 4.23 5.23 4.78 5.01 5.06 4.89 5.01 5.14 3.69 5.23 4.67 4 4.85 4.96 5.06 5.13 6.32 5.02 6.03 5.96 5.01 4.78 5.36 5.14 4.78 6.32 5.30 5 7.80 7.96 8.01 8.12 8.36 8.01 8.95 8.36 8.36 7.69 8.13 8.12 7.69 8.36 8.16 6 8.98 9.89 9.36 10.3 9.01 9.89 9.16 9.01 8.87 9.89 9.03 10.2 8.87 10.3 9.47 7 2.96 2.76 2.01 2.78 1.83 3.06 3.07 3.23 3.16 3.25 2.96 3.01 1.83 3.25 2.84 8 3.21 3.78 4.21 3.77 2.89 3.78 3.96 4.23 4.21 4.02 3.75 3.78 2.89 4.23 3.80

По результатам анализа данных возможных решений в штатной ситуации

ЛПР следует выбрать схему перевозки груза 6 (рисунок 54), т.к. все три критерия

этой схемы показывают максимальный, т.е. оптимальный результат:

QMM=8.87; QH=10.3; QN=9.47.

В том случае, когда эксперты предполагают какую-либо критическую

ситуацию, необходимо учесть изменения, влияющие на транспортно-

109

логистический процесс. Нечеткая нейросетевая модель позволяет просчитать все

возможные ситуации, выдать прогноз, помогающий ЛПР выбрать наиболее

правильное, оптимальное решение в условиях какой-либо внештатной ситуации

или неопределенности. На нечеткой нейросетевой модели транспортно-

логистического процесса нужно ограничить диапазон входных значений факторов

с учетом возможного изменения ситуации во время перевозки груза. Принятие

решения это выбор оптимального варианта при заданной цели с учетом побочных

условий. При принятии решений следует исходить из принципа рациональности:

принимай решение всегда с таким расчетом, чтобы с помощью имеющихся

ограниченных средств и ресурсов предприятия обеспечить оптимальный

результат при достижении поставленных целей.

Рисунок 54 – Схема перевозки груза 6

Внештатная ситуация № 1: Необходимо из восьми возможных вариантов

перевозки груза (см. выше) определить оптимальный, если изменились условия

выгрузки и хранения на складе в худшую сторону, например, значительно

подорожало место под хранение груза.

Хошимин, Вьетнам: Склад

поставщика Контейнеры SINOKOR

Морская перевозка

Владивосток, Рыбный порт: Выгрузка на

открытую площадку

Автоперевозка и выгрузка на

склад

Ж/Д перевозка

Москва: Выгрузка на склад

получателя

110

Ограничения: значение фактора «Выгрузка и хранение на складе», т.е.

оценка эффективности этого процесса во время перевозки варьируется от «плохо»

до «удовлетворительно». Значение на входе седьмого аккумулирующего модуля

схем перевозки 3 – 8 не более 4. При этом исключаются схемы 1 и 2, т.к. в этих

схемах отсутствует такой процесс.

По результатам анализа данных для принятия возможных решений во

внештатной ситуации ЛПР (таблица 2) следует выбрать из схем перевозки груза 6

и 2. Но в схеме 2 отсутствует процесс выгрузки и хранения на складе.

QMM=6.59; QN=7.33, которым соответствует схема перевозки 2.

QH=8.4, соответствует схема перевозки 6.

Таблица 2

Анализ данных для выбора управляющих решений ЛПР по трем критериям во внештатной ситуации

№ Оценка эффективности QММ QH QN

1 6.15 6.78 5.83 5.77 6.15 5.98 7.15 6.93 7.12 7.01 6.96 7.23 5.77 7.23 6.59 2 7.12 7.23 6.59 7.18 7.01 6.93 7.4 8.1 7.22 7.89 7.01 8.33 6.59 8.33 7.33 3 3.22 5.06 3.52 3.77 4.23 5.23 4.11 4.44 5.06 4.89 5.01 5.14 3.22 5.23 4.47 4 4.12 4.63 4.35 5.13 6.11 5.02 5.32 5.52 5.01 3.92 4.89 4.71 3.92 5.32 4.89 5 5.32 5.46 5.87 5.96 6.09 6.01 6.55 6.09 6.09 5.54 6.12 5.96 5.32 6.12 5.92 6 6.22 7.21 7.02 8.37 7.55 7.84 7.01 6.98 6.22 7.21 7.57 8.45 6.22 8.45 7.30 7 2.96 2.76 2.01 2.78 1.83 3.06 3.07 3.23 3.16 3.25 2.96 3.01 2.01 3.25 2.84 8 3.21 3.56 3.56 3.01 2.89 3.78 3.15 4.23 4.21 4.02 3.32 3.78 2.89 4.23 3.56

Внештатная ситуация № 2: Необходимо из восьми возможных вариантов

перевозки груза (см. выше) определить оптимальный, если изменились условия

автоперевозки в худшую сторону, например, значительно увеличилась ее

стоимость.

Ограничения: значение фактора «Автоперевозка», т.е. оценка

эффективности этого процесса во время перевозки варьируется от «плохо» до

«удовлетворительно». Значение на входе седьмого аккумулирующего модуля в

схемах перевозки 3 –8 не более 3. При этом исключаются схемы 1 и 2, т.к. в этих

схемах отсутствует такой процесс.

111

По результатам анализа данных для принятия возможных решений во

внештатной ситуации ЛПР (таблица 3) следует выбрать 2-ю схему перевозки

груза. Но во 2-й схеме отсутствует процесс автоперевозки.

QMM=6.59; QH=8.33; QN=7.33, которым соответствует схема перевозки 2.

Таблица 3

Анализ данных для выбора управляющих решений ЛПР по трем критериям во внештатной ситуации

№ Оценка эффективности QММ QH QN

1 6.15 6.78 5.83 5.77 6.15 5.98 7.15 6.93 7.12 7.01 6.96 7.23 5.77 7.23 6.59 2 7.12 7.23 6.59 7.18 7.01 6.93 7.4 8.1 7.22 7.89 7.01 8.33 6.59 8.33 7.33 3 3.22 5.06 3.52 3.77 4.23 5.23 4.11 4.44 5.06 4.89 5.01 5.14 3.22 5.23 4.47 4 4.12 4.63 4.35 5.13 6.11 5.02 5.32 5.52 5.01 3.92 4.89 4.71 3.92 6.11 4.89 5 5.54 5.81 4.36 6.01 6.12 5.85 6.83 6.12 6.01 4.73 6.05 5.74 5.54 6.83 5.76 6 6.34 6.75 6.54 8.23 7.15 7.43 6.32 7.01 6.12 7.25 7.01 8.12 6.12 8.23 7.02 7 1.78 1.56 1.02 1.65 0.98 2.01 2.03 2.15 2.06 2.09 1.78 2.42 0.98 2.42 1.79 8 2.31 2.65 3.56 3.24 2.35 3.45 3.59 3.97 3.35 3.26 2.96 3.27 2.31 3.97 3.16

Внештатная ситуация № 3: Необходимо из восьми возможных вариантов

перевозки груза (см. выше) определить оптимальный, если изменились условия

схемы 7 (через Новороссийск) в лучшую сторону, в частности, значительно

улучшились условия ж/д транспортировки груза.

Ограничения: значение фактора «Формирование груза, отправка по ж/д» только в

схеме 7 равно не менее 8, т.е. оценка эффективности этого процесса во время

перевозки варьируется от «очень хорошо» до «отлично».

По результатам анализа данных возможных решений в данной ситуации

ЛПР (таблица 4) следует выбрать схему перевозки груза 6, т.к. все три критерия

этой схемы показывают максимальный, т.е. оптимальный результат:

QMM=8.87; QH=10.3; QN=9.47.

Оптимизация генетическим алгоритмом проводилась для штатных условий

всех восьми схем перевозки. Они оценивались по тем же трем критериям, что и

при оптимизации сплошным перебором.

112

Таблица 4 Анализ данных для выбора управляющих решений ЛПР по трем критериям во внештатной

ситуации № Оценка эффективности QММ QH QN

1 6.15 6.78 5.83 5.77 6.15 5.98 7.15 6.93 7.12 7.01 6.96 7.23 5.77 7.23 6.59 2 7.12 7.23 6.59 7.18 7.01 6.93 7.4 8.1 7.22 7.89 7.01 8.33 6.59 8.33 7.33 3 3.69 5.06 4.22 3.77 4.23 5.23 4.78 5.01 5.06 4.89 5.01 5.14 3.69 5.23 4.67 4 4.85 4.96 5.06 5.13 6.32 5.02 6.03 5.96 5.01 4.78 5.36 5.14 4.78 6.32 5.30 5 7.80 7.96 8.01 8.12 8.36 8.01 8.95 8.36 8.36 7.69 8.13 8.12 7.69 8.36 8.16 6 8.98 9.89 9.36 10.3 9.01 9.89 9.16 9.01 8.87 9.89 9.03 10.2 8.87 10.3 9.47 7 4.85 4.66 4.12 4.67 3.45 5.36 5.28 5.32 5.14 5.02 4.72 5.13 4.12 5.36 4.81 8 3.21 3.78 4.21 3.77 2.89 3.78 3.96 4.23 4.21 4.02 3.75 3.78 2.89 4.23 3.80

По результатам анализа данных возможных решений в данной ситуации

ЛПР (таблица 5), так же как и в случае определения оптимальных значений

методом сплошного перебора, следует выбрать схему перевозки груза 6, т.к. все

три критерия этой схемы показывают максимальный, т.е. оптимальный результат:

QMM=8.86; QH=10.31; QN=9.48.

Таблица 5

Анализ данных, вычисленных генетическим алгоритмом, для выбора управляющих решений ЛПР по трем критериям

№ QММ QH QN 1 5,78 7,22 6,61 2 6,61 8,34 7,32 3 3,68 5,24 4,68 4 4,80 6,34 5,29 5 7,71 8,35 8,17 6 8,86 10,31 9,48 7 1,84 3,24 2,85 8 2,91 4,24 3,81

При нештатных ситуациях в методе оптимизации с применением

генетического алгоритма необходимо изменить соответствующие

масштабирующие коэффициенты при получении десятичных значений входных

параметров в зависимости от ситуации.

113

В результате разработанных выше методик для ЛПР представлена

возможность выработки наиболее рациональных руководящих решений в

условиях неполной неопределенности при помощи ННС модели ИСУ ТЛП двумя

вышеперечисленным способами: полного перебора возможных решений или с

применением генетического алгоритма.

Выводы по главе 4

1. Приведенный факторный анализ показывает, что нечеткая нейросетевая

модель информационной системы управления транспортно-логистическим

процессом реагирует на изменения входных переменных в соответствии с

оценками экспертов в каждом рассмотренном случае. Если же рассматривать по

каждому варианту перевозки отдельно и в среднем, то максимально и в худшую и

в лучшую сторону модель отреагировала на ограничения факторов в схемах

перевозки 3; 4; 7. Самой нечувствительной к изменениям фактора является схема

перевозки 6.

2. Разработаны методики применения ННС модели ИСУ ТЛП для анализа

ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в

динамическом режиме мониторинга и диагностики управленческих процессов,

моделирования реальных событий и процессов, прогнозирования и

предупреждения критических ситуаций.

3. Определено, что задача поиска оптимального решения на ННС модели

ИСУ ТЛП является многокритериальной, многофакторной и относится к задачам

дискретной оптимизации. Поэтому поиск оптимального решения осуществлялся в

двух направлениях: первое, полным перебором возможных решений, т.е.

определение оптимальных решений по трем критериям оптимальности:

максиминный (ММ-критерий или критерий Вальда), оптимистический и

114

нейтральный, в соответствии с формулами (4.5), (4.6), (4.7), соответствующий

классическому логистическому методу определения оптимального решения в

условиях неопределенности; второе, применением для поиска оптимального

решения генетического алгоритма – одного из методов эволюционного

моделирования. Различные методы нахождения оптимального решения показали

схожие результаты при большей скорости генетического алгоритма.

4. Разработаны методики выработки наиболее рациональных руководящих

решений в условиях неполной неопределенности при помощи ННС модели ИСУ

ТЛП: либо полным перебором возможных решений (в работе показано

определение рационального управленческого решения по трем критериям

оптимальности), либо при помощи генетического алгоритма.

115

Заключение

В процессе диссертационного исследования решены следующие задачи:

1. Проведен анализ основных свойств и особенностей динамического, плохо

формализованного и слабоструктурированного объекта управления, каковым

является транспортно-логистический процесс.

2. Предложен нечеткий нейросетевой метод моделирования плохо

формализованного транспортно-логистического процесса с учетом не только

количественных оценок, но и качественных, нечетко заданных, не поддающихся

формализации критериев и связей между ними.

3. Предложенная модульная архитектура построенной нечеткой

нейросетевой модели транспортно-логистического процесса может быть

расширена при помощи встраивания дополнительных модулей, позволяющая

расширить информационную систему управления, увеличить ее возможности за

счет детализации имитируемого процесса.

4. Набор влияющих на транспортно-логистический процесс факторов в

каждом модуле может дополняться в процессе совершенствования нечеткой

нейросетевой модели, не влияя на саму систему (метод решения), зато

качественно улучшая «портрет» объекта исследования (изучения) –

информационную систему управления транспортно-логистическим процессом.

5. Разработана методика формирования базы знаний для ННС модели ИСУ

ТЛП с учетом не только количественных оценок, но и качественных, нечетко

заданных, не поддающихся формализации критериев и связей между ними.

6. Факторный анализ выявил высокую степень чувствительности

имитационной модели транспортно-логистического процесса к изменению

116

значений факторов. По оценкам экспертов, анализ показал, что модель адекватно

реагирует на изменение факторов.

7. Разработаны методики применения ННС модели ИСУ ТЛП для анализа

ситуации и поведения взаимодействующих элементов ИСУ ТЛП, обеспечения в

динамическом режиме мониторинга и диагностики управленческих процессов,

моделирования реальных событий и процессов, прогнозирования и

предупреждения критических ситуаций.

8. Определено, что задача поиска оптимального решения на ННС модели

ИСУ ТЛП является многокритериальной, многофакторной и относится к задачам

дискретной оптимизации. Поэтому поиск оптимального решения осуществлялся в

двух направлениях: первое, полного перебора возможных решений, т.е.

определение оптимальных решений по трем критериям оптимальности:

максиминный (ММ-критерий или критерий Вальда), оптимистический и

нейтральный, соответствующий классическому логистическому методу

определения оптимального решения в условиях неопределенности; второе,

применение для поиска оптимального решения генетического алгоритма – одного

из методов эволюционного моделирования.

9. Имитационная модель транспортно-логистического процесса пригодна

для последующего исследования реального транспортно-логистического

процесса, прогнозирования его поведения, оптимизации функционирования, для

анализа различных ситуаций и поведения взаимодействующих элементов.

10. Разработаны методики выработки наиболее рациональных руководящих

решений в условиях неполной неопределенности при помощи ННС модели ИСУ

ТЛП: либо полным перебором возможных решений (в работе показано

определение рационального управленческого решения по трем критериям

оптимальности), либо при помощи генетического алгоритма.

117

11. Имитационная модель транспортно-логистического процесса может

быть использована для мониторинга и диагностики управленческих решений в

динамическом режиме, так как позволяет моделировать реальные события и

процессы, прогнозировать и предупреждать критические ситуации.

Созданная ННС модель транспортно-логистического процесса предана

компании ООО «ДиДиПи Сервис» как интеллектуальный инструмент анализа

информации, мониторинга процесса, проверки лучших способов доставки грузов,

в том числе, когда возникают трудности в принятии оптимальных

технологических решений.

118

Список сокращений и условных обозначений ANFIS – Adaptive Neuro-Fuzzy Inference System (адаптивная система нейро-

нечеткого вывода);

ИСУ – информационная система управления;

ЛПР – лица, принимающие решения;

ННС – нечеткая нейронная сеть;

ПНП – правила нечетких продукций;

ТЛП – транспортно-логистический процесс;

ФП – функция принадлежности.

119

Список литературы:

1. Алексеев, И.В. Некоторые результаты моделирования транспортной

системы. // Транспортное дело России.TRANSPORT BUSINESS IN RUSSIA. №11.

Часть №4 – Москва 2006. – С. 26–29.

2. Андрейчиков, А.В., Андрейчикова, О.Н. Анализ, синтез, планирование

решений в экономике – М: Финансы и статистика, 2000. – 368 с.

3. Барский, А.Б., Нейронные сети: распознавание, управление, принятие

решений. –М: Финансы и статистика, 2004. –176 с.: ил. – (Прикладные

информационные технологии)

4. Барский, А.Б., Нейросетевые технологии на транспорте. / А.Б. Барский //

Мир транспорта, 2011, № 2. – С. 4–11.

5. Барский, А.Б., Нейросетевые технологии на транспорте. / А.Б. Барский //

Мир транспорта, 2011, № 3. – С. 14–19.

6. Батищев, Д.И., Неймарк, Е.А., Старостин, Н.В. Применение генетических

алгоритмов к решению задач дискретной оптимизации. Учебно-методический

материал по программе повышения квалификации «Информационные технологии

и компьютерное моделирование в прикладной математике». Нижний Новгород,

2007, 85 с. [Электронный ресурс] – http://www.unn.ru/pages/e-

library/aids/2007/15.pdf [Дата обращения: 11.01.2014 г.]

7. Белман, Р. Принятие решений в расплывчатых условиях / Р. Белман, Л.

Заде // В кн.: Вопросы анализа и процедуры принятия решений. – M.: Мир, 1976. –

С. 172–215.

8. Борисов, А.Н., Крумберг, О.А., Федоров И.П. Принятие решений на

основе нечетких моделей: Примеры использования / – Рига : Зинатне, 1990. – 184

с.

9. Борисов, В.В., Круглов, В.В., Федулов А.С. Нечеткие модели и сети. – М.:

Горячая Линия-Телеком, 2007. – 284с. : ил.

120

10. Бродецкий , Г., Волобуева, Е. Управление цепями поставок при многих

критериях в условиях случайного спроса // Логистика. – № 3 (64) – 2012. – С. 32–

35.

11. Бродецкий, Г.Л. Системный анализ в логистике. Выбор в условиях

неопределенности / – М.: «Академия», 2010 / –336c [Электронный ресурс] – /

http://institutiones.com/download/books/1679-sistemnyj-analiz-v-logistike.html [Дата

обращения: 11.01.2014 г.]

12. Бубнов, С. О проектировании логистических систем и цепей поставок //

Логистика. – № 2 (43) – 2008. – С. 10–12.

13. Бугулов, Э.Р., Козлова, В.П., Осокин, О.В. О построении

автоматизированных аналитических систем на транспорте. // Транспорт. Наука,

техника, управление: научный информационный сборник, 2007, № 6, С. 18–21.

14. Валеева, Р.Г., Сильнова, С.В., Пузырникова, Е.А. Интеллектуальная

система управления производством и сбытом. // Мехатроника, автоматизация,

управление: теоретический и прикладной научно-технический журнал, 2008,

январь, № 1(82) – С. 47–51.

15. Васильев В.И. Имитационное управление неопределенными объектами /

В.И. Васильев, В.В. Коваленко, Ю.И. Горелов : отв. Ред. Павлов В.В. : АН. УССР.

Ин-т кибернетики – Киев : Наук. Думка, 1989 – 216 с.

16. Веревченко, А.П. Информационные ресурсы для принятия решений

[Текст] / А.П. Веревченко, В.В. Горчаков, И.И. Иванов, О.В. Голодова. – Учебное

пособие. – М.: Академический Проект; Екатеринбург: Деловая книга, 2002. – 560

с. –(Серия «Gaudeamus»)

17. Вестник конгресса ИТС России. Приложение к информационно-

аналитической газете «Транспорт России». Ко Второму российскому

международному конгрессу по интеллектуальным транспортным системам. –

Специальный выпуск №1, 2010. –16 с. – http://itamain.com/data/documents/II.pdf

[Дата обращения: 25.02.2014 г.]

121

18. Вестник конгресса по интеллектуальным транспортным системам.

Информационный бюллетень к IV Российскому международному конгрессу по

интеллектуальным транспортным системам. – Июнь, 2012. –16 с. –

http://itamain.com/data/documents/IV.pdf [Дата обращения: 25.02.2014 г.]

19. Вестник конгресса по интеллектуальным транспортным системам.

Информационный бюллетень к III Российскому международному конгрессу по

интеллектуальным транспортным системам. – Май, 2011. –16 с. –

http://itamain.com/data/documents/III.pdf [Дата обращения: 25.02.2014 г.]

20. Винников, В.В. Экономика предприятия морского транспорта

(экономика морских перевозок): Учебник для вузов водного транспорта. – 2-е

изд., перераб. и доп. – Одесса: Латстар, 2001. – 416 с.

21. Винников, В.В., Крушкин, Е.Д., Лущан, Н.А. Экономика, организация и

планирование работы морского транспорта [Текст] : учебник для мореходных

училищ / Под ред. Винникова В.В. – М.: Транспорт, 1991. – 360 с.

22. Винокур, Л.Б. Основы логистики. [Текст] : учебное пособие / Л.Б.

Винокур. – Владивосток: ДВГМА, 2001. – 172 с.

23. Власова, Г. Транспортным процессам требуется интеллект [Текст] / Г.

Власова // Морские порты: информационно-аналитический журнал. – 2009. – N

4/5(76). – С. 70–75.

24. Воевудский, Е.Н. Моделирование базы данных системы управления

морским транспортом [Текст] : учебное пособие / Е.Н. Воевудский, С.А. Крекотун

– Киев.: ИК, 1983, – 34 с.

25. Воевудский, Е.Н. Система моделей описания процессов управления

морским транспортом [Текст] : учебное пособие / Е.Н. Воевудский, О.В. Соколова

– М.: ЦРИА «Морфлот», 1981. – 104 с.

26. Воевудский, Е.Н. Управление на морском транспорте [Текст] : Учеб. для

вузов / Е.Н. Воевудский – М.: Транспорт, 1993. – 366 с.

27. Воевудский, Е.Н. Экономико-математические методы и модели в

управлении морским транспортом [Текст] / Е.Н. Воевудский, Н.А. Коневцева,

122

Г.С. Махуренко, И.П. Тарасова; Под ред. Е.Н. Воевудского – М.: Транспорт, 1988.

– 384 с.

28. Волкова, В.Н. Теория систем [Текст] / В.Н. Волкова, А.А. Денисов. – М.:

Высш. шк., 2006. – 511 с. : ил.

29. Волобуева, Е. Возможности оптимизации объема заказа и цены

реализации товара в цепи поставок // Логистика. – № 3 (52) – 2010. – С. 36–37.

30. Вохмянина, А.В. Методологические аспекты обеспечения надежности

логистических цепей поставки // Транспорт Российской Федерации. – № 5 (48) –

2013. – С. 55–59.

31. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А Гаврилова,

В.Ф. Хорошевский. – СПб.: Питер, 2001. – 384 с. : ил.

32. Галушкин, А.И. Сфера применения нейрокомпьютеров расширяется.

Приложение к журналу «Информационные технологии»./ Галушкин А.И. –М.:

Машиностроение, 2001. –№ 10 – 24 c.

33. Глушков, С.В. Построение нечеткой нейросетевой модели

информационной системы управления транспортно-логистическим процессом /

С.В. Глушков, Н.Г. Левченко, Ю.Ю. Почесуева, Е.М. Коньков. // Вестник

государственного университета морского и речного флота имени адмирала С.О.

Макарова. – СПб.: ГУМРФ имени адмирала С.О. Макарова, 2013.– Вып. 3, С. 100–

111.

34. Головко, В.А. – Нейронные сети: обучение, организация и применение.

Кн. 4./Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2001. – 256 с.: ил.

(Нейрокомпьютеры и их применение)

35. Горев, А.Э. Основы теории транспортных систем: учеб. пособие / А.Э.

Горев; СПбГАСУ. – СПб, 2010. – 214 с.

36. Давыденко, А.А. Работа морского и внутреннего водного транспорта:

итоги 2012 года и перспективы – Журнал «Наука и транспорт», № 1(5), 2013. – С.

4–9. – http://www.rostransport.com/science_transport/pdf/5/4-9.pdf [Дата обращения:

18.02.2014 г.]

123

37. Добронравин, Е. О бизнес-концепциях адаптивности и стройности //

Логистика. – № 3 (44) – 2008. – С. 17.

38. Дюбуа, Д. Теория возможностей. Приложения к представлению знаний

и информатике : пер. с фр. / Д. Дюбуа, А. Прад. – М.: Радио и связь, 1990. – 288 с.

39. Есин, В.И., Пергаменцев, Ю.А. Технология проектирования модели

предприятия на основе универсальной модели данных.

http://www.citforum.ru/database/articles/udm/ [Дата обращения: 11.02.2010 г.]

40. Заде, Л. Понятие лингвистической переменной и его применение к

принятию приближенных решений / Л. Заде.– Математика. Новое в зарубежной

науке. Редакторы серии: А.Н. Колмогоров, С.П. Новиков : Перевод с английского

Н.И. Ринго. Под редакцией Н.Н. Моисеева и С.А. Орловского. – Издательство

«Мир», Москва, 1976. – 167 с.

41. Зайцев, М.Г., Варюхин, С.Е. Методы оптимизации управления и

принятия решений: примеры, задачи, кейсы: учебное пособие. – 2-е изд., испр. –

М.: Издательство «Дело» АНХ, 2008. – 664 с. [Электронный ресурс] –

http://www.htbs-miit.ru:9999/biblio/books/km/6/1.pdf [Дата обращения: 11.01.2014

г.]

42. Зеленцов, В.В. Экономика отрасли (морского транспорта) [Текст] :

учебное пособие / В.В. Зеленцов – Владивосток: Морской гос. ун-т, 2009. – 132 с.

43. Иванов, Ю.М., Романенко, А.А., Лебедев, Г.В. Морские порты России –

траектория развития // Транспорт Российской Федерации. – № 5 (48) – 2013. – С.

8–12.

44. Избачков, Ю.С., Петров, В.Н. Информационные системы [Текст] :

Учебник для вузов. 2-е изд. / Ю.С. Избачков, В.Н. Петров – СПб.: Питер, 2006. –

656 с. : ил.

45. Клещев, Н. Т. Практическое руководство по организации и

проектированию информационных систем [Текст] / Н. Т. Клещев, А. А. Романов

М.: – Изд-во ООО «Научтехлитиздат», 2001. – 389 с.

124

46. Клименко, В. Развитие рынка транспортно-логистического сервиса РФ в

разрезе формирования логистической инфраструктуры // Логистика. – № 5 (66) –

2012. – С. 38–41.

47. Козырев, А.А. Информационные технологии в экономике и управлении

[Текст] : Учебник. Второе издание. / А.А. Козырев. – СПб.: Изд-во Михайлова

В.А., 2001. – 360 с.

48. Коростелев, И.Ф. Перевозка скоропортящихся грузов на морсих судах

[Текст] : учебное пособие / И.Ф. Коростелев – Владивосток: Дальрыбвтуз, 2005. –

161 с.

49. Кофман, А. Введение в терию нечетких множеств / А. Кофман. – М.:

Радио и связь, 1982. – 432 с.

50. Краев, В.И., Пантин, А.А. Экономика морского транспорта [Текст] :

учебник / В.И. Краев, А.А. Пантин – М.: Транспорт, 1990. – 256 с.

51. Круглов, В.В., Борисов, В.В. Искусственные нейронные сети. Теория и

практика – М.: Горячая линия–Телеком, 2001. – 382 с.

52. Круглов, В.В., Дли, М.И. Интеллектуальные информационные системы:

компьютерная поддержка систем нечеткой логики и нечеткого вывода. – М.:

Издательство Физико-математической литературы, 2002. – 256 с.

53. Левченко, Н.Г. Аспекты построения информационной системы

предприятия водного транспорта / Н.Г. Левченко, Д.Ю. Сясин. // Эксплуатация

морского транспорта: ежеквартальный сборник научных статей; Государственная

морская академия им. адм. С.О. Макарова; С.–Петербург : 3 (61), 2010. – С. 3–8.

54. Левченко, Н.Г. Имитационное моделирование с применением

интеллектуальной системы / Н.Г. Левченко, Ю.Ю. Почесуева. // Вестник

Морского государственного университета. Серия: Автоматическое управление,

математическое моделирование и информационные технологии. Вып. 45/2011. –

Владивосток: Мор. гос. ун-т, 2011. – С. 45–54.

55. Левченко, Н.Г. К вопросу создания интеллектуальных транспортных

систем / Н.Г. Левченко. // Вестник Морского государственного университета.

125

Серия: Автоматическое управление, математическое моделирование и

информационные технологии. Вып. 43/2010. – Владивосток: Мор. гос. ун-т, 2010.

– С. 84–90.

56. Левченко, Н.Г. Метод моделирования плохо формализованных или

слабоструктурированных объектов управления с применением нечетких

нейронных технологий / Н.Г. Левченко, Ю.Ю. Почесуева. // Вестник Морского

государственного университета. Серия: Автоматическое управление,

математическое моделирование и информационные технологии. Вып. 45/2011. –

Владивосток: Мор. гос. ун-т, 2011. – С. 40–44.

57. Левченко, Н.Г. Модель нечеткой системы для решения плохо

формализованной задачи / Н.Г. Левченко, Ю.Ю. Почесуева. // Вестник Морского

государственного университета. Серия: Автоматическое управление,

математическое моделирование и информационные технологии. Вып. 45/2011. –

Владивосток: Мор. гос. ун-т, 2011. – С. 54–67.

58. Левченко, Н.Г. Нечеткая логика в имитационном моделировании / Н.Г.

Левченко. // Морские исследования на Дальнем Востоке : сборник научных

трудов курсантов, студентов и молодых ученых. – Владивосток: Мор. гос. ун-т,

2011. – С. 47–54.

59. Левченко, Н.Г. Оптимизация слабо формализованных процессов с

использованием нечеткой нейронной модели / Н.Г. Левченко. // Журнал

университета водных коммуникаций. – СПб.: СПГУВК, Выпуск 4 (16), 2012. – С.

105–114.

60. Левченко, Н.Г. Особенности моделирования информационной системы

предприятия водного транспорта / Н.Г. Левченко. // Вестник Морского

государственного университета. Серия: Автоматическое управление,

математическое моделирование и информационные технологии. Вып. 43/2010. –

Владивосток: Мор. гос. ун-т, 2010. – С. 77–84.

61. Левченко, Н.Г. Применение гибридных сетей для создания

интеллектуальной системы / Н.Г. Левченко, Ю.Ю. Почесуева. // Вестник

126

Морского государственного университета. Серия: Автоматическое управление,

математическое моделирование и информационные технологии. Вып. 45/2011. –

Владивосток: Мор. гос. ун-т, 2011. – С. 99–102.

62. Левченко, Н.Г. Решение плохо формализуемых задач с помощью

гибридных интеллектуальных систем / Н.Г. Левченко, Ю.Ю. Почесуева. //

Научные проблемы транспорта Сибири и Дальнего Востока: научное издание;

ФБОУ ВПО «НГАВТ», Новосибирск : 2, 2011. – С. 28–31.

63. Лимонов, Э.Л. Внешнеторговые операции морского транспорта и

мультимодальные перевозки [Текст] : / Э.Л. Лимонов – СПб: ООО «Модуль», 4-е

изд., 2009. – 636 с.

64. Макаров, И.М. Создание интеллектуальных систем автоматизации и

управления на основе современных информационных технологий. / И.М.

Макаров, В.М. Лохин, С.В. Манько, М.П. Романов // Мехатроника,

автоматизация, управление: теоретический и прикладной научно-технический

журнал, 2007, апрель, № 4 – С. 13–21.

65. Микита, Р.М. Концепция построения информационной модели

предприятия. / Р.М. Микита, Р.М. Рогозов, А.С. Свиридов, Л.Н. Сукотий

http://www.deagnostic.ru/statya7.htm [Дата обращения: 11.02.2010 г.]

66. Минеев, В.И., Костров, С.В. Обоснование эффективности

комбинированных технологий перевозок грузов водным транспортом /

В.И. Минеев, С.В. Костров. //Научные проблемы транспорта Сибири и Дальнего

Востока: научное издание; ФБОУ ВПО «НГАВТ», Новосибирск : 1, 2013. – С. 3–

6.

67. Москаленко, М.А., Друзь, И.Б., Москаленко, А.Д. Устройство и

оборудование транспортных средств. –2-е изд., Спб.: Изд-во «Лань»,.2013. – 235 с.

68. Никифоров, В.С. Мультимодальные перевозки и транспортная

логистика. – М.: ТрансЛит, 2007, – 272 с.

69. Орловский, С.А. Проблемы принятия решений при нечеткой исходной

информации. – М.: Радио и связь, 1981. – 286 с.

127

70. Осовский, С. Нейронные сети для обработки информации [Текст] / С.

Осовский; пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. –

344 с.

71. Павловский, Ю.Н. Имитационные системы и модели. – М. : Знание,

1990.– 48 с. – Новое в жизни, науке, технике. Сер. «Математика, кибернетика», №

6.

72. Перепелица, В.А., Тебуева, Ф.Б. Дискретная оптимизация и

моделирование в условиях неопределенных данных. – Издательство «Академия

Естествознания», 2007. – 152 с. [Электронный ресурс] –

http://www.rae.ru/monographs/22 [Дата обращения: 11.01.2014 г.]

73. Полякова, И. Кто заполнит пустоту: отсутствие интеллектуально-

интегрированных систем управления становится барьером на пути дальнейшего

развития транспортной отрасли. // Транспорт России: еженед.информ.-ан.газ.–

2009, 11-17 мая. – N 20(568). – С. 6

74. Попова, И. Современные характеристики и инструменты

стратегического управления цепями поставок // Логистика. – № 3 (52) – 2010. – С.

38–41.

75. Поспелов, Д.А. Логико-лингвистические модели в системах управления

/ Д.А. Поспелов.– М. : Энергоиздат, 1981 – 232 с., ил.

76. Поспелов, Д.А. Ситуационное управление: теория и практика / Д.А.

Поспелов : Гл. ред. физ.-мат.лит. : М. : Наука, 1986 – 288 с.

77. Поспелов, Д.А. Большие системы. Ситуационное управление. М.:

Знание, 1975 – 64 с.

78. Поспелов, Д.А. Моделирование рассуждений. Опыт анализа

мыслительных актов. – М.: Радио и связь, 1989. – 184 с.

79. Рутковская, Д., Пилиньский, М., Рутковский, Л. Нейронные сети,

генетические алгоритмы и нечеткие системы. – 2-е изд. – М.: Горячая линия-

Телеком, 2007 – 452 с.

128

80. Системный анализ в управлении: Учеб. пособие / В.С. Анфилатов, А.А.

Емельянов, А.А. Кукушкин / Под ред. А.А. Емельянова. – М.: Финансы и

статистика, 2002. – 368 с.

81. Системный анализ в экономике и организации производства: Учебник

для студентов вузов / Под ред. С.А. Валуева, В.Н. Волковой. – Л.: Политехника,

1991. – 398 с.

82. Системный анализ и принятие решений: Словарь-справочник / Под ред.

В.Н. Волковой, В.Н. Козлова – М.: Высшая школа, 2004. – 616 с.

83. Смирнова, Г.Н. Проектирование экономических информационных

систем [Текст] : учебник / Г. Н. Смирнова, А. А. Сорокин, Ю .Ф. Тельнов. – М.:

Финансы и статистика, 2002. – 512 с.

84. Степанов, А. Л. Эволюция портов и экспедиторской деятельности –

основа транспортной логистики // Эксплуатация морского транспорта. – 2007 – №

4 (50). – С. 6 – 9.

85. Сукотий Л.Н., Рогозов Р.М. Фрактальное моделирование

организационных структур. http://www.deagnostic.ru/statya6.htm [Дата обращения:

11.02.2010 г.]

86. Танака, Т. Итоги Рассмотрения факторов неопределенности и неясности

в инженерном искусстве // Т. Танака. /Нечеткие множества и теория

возможностей. Последние достижения: пер. с англ. / Под ред. Р.Р. Ягера. – М.:

Радио и связь, 1986. – 408 с.: ил.

87. Теория систем и системный анализ в управлении организациями:

Справочник : Учеб. пособие / Под ред. В.Н. Волковой, А.А. Емельянова. – М.:

Финансы и статистика, 2006. – 848 с. : ил.

88. Тимошек, Е.С. Управление работой морского флота [Текст] / Е.С.

Тимошек – Владивосток: Морской гос. ун-т, 2011. – 99 с. /1.2.13.

89. Транспортная стратегия Российской Федерации на период до 2030 года

(утв. Распоряжением Правительства Российской Федерации от 22 ноября 2008 г.

№ 1734-р). URL: http://gov.garant.ru/SESSION/PILOT/main.htm

129

90. Управление процессами в транспортных логистических системах: учеб.

пособие В.М. Беляев, Л.Б. Миротин, А.Г. Некрасов, А.К. Покровский; под общ.

ред. А.Г. Некрасова; М.: МАДИ, 2011.– 127 с. [Электронный ресурс] –

http://lib.madi.ru/fel/fel1/fel11E095.pdf [Дата обращения: 09.11.2013 г.]

91. Усков, А.А., Котельников, С.А. Гибридные нейросетевые методы

моделирования сложных объектов. Монография / А.А. Усков, С.А. Котельников,

Е.М. Грубник, В.М. Лаврушин – Смоленск: Смоленский филиал АНО ВПО ЦС

РФ «Российский университет кооперации», 2011.– 132 с. : ил. [Электронный

ресурс] – http://www.uskov.net/index.files/Page337.htm [Дата обращения: 22.11.2013

г.]

92. Усков, А.А., Круглов, В.В. Интеллектуальные системы управления на

основе методов нечеткой логики – Смоленск: Смоленская городская типография,

2003.– 177 с. : ил. [Электронный ресурс] –

http://www.uskov.net/index.files/Page337.htm [Дата обращения: 19.11.2013 г.]

93. Филипс, Ч., Харбор, Р. Системы управления с обратной связью [Текст] /

Ч. Филипс, Р. Харбор – М.: Лаборатория Базовых Знаний, 2001. – 616 с. : ил.

94. Финаев, В.И., Молчанов, А.Ю. Задача автоматической оптимизации при

нечетком интервальном задании параметров экстремальной характеристики

объекта // Проблемы мехатроники и автоматизации в работах технологического

института южного федерального университета. Приложение к журналу

«Мехатроника, автоматизация, управление», 2008, январь, № 1 – C 11–15.

95. Хамаза, Е.В. Внешнеторговые операции и их транспортное обеспечение

(морским транспортом) [Текст] : учебное пособие / Е.В. Хамаза – Владивосток:

Дальрыбвтуз, 2008. – 280 с.

96. Хузиятов, Т.Д. Транспортно-логистическое обеспечение торговли в

Азиатско-Тихоокеанском регионе [Текст] / Т.Д. Хузиятов – Владивосток:

Морской гос. ун-т, 2009. – 216 с.

97. Шеннон, Р. Имитационное моделирование систем – искусство и наука. –

М.: Мир, 1978. – 424 с.

130

98. Шиян, А.А. Способ формализации процессов сжатия и атрибуции

данных. http://www.collegian.ru/index.php/tiara/2003/ [Дата обращения: 11.02.2010

г.]

99. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB /

С.Д. Штовба – М.: Горячая линия–Телеком, 2007. – 288 с.

100. Шумский, А. А. Основы системного анализа [Текст] : учебное пособие

/ А. А. Шумский, А. А. Шелупанов. – Томск: В-Спектр, 2007. – 218 с.

101. Шутенко, В.В. Аренда судов [Текст] /В.В. Шутенко – СПб.:

Информационный центр «Выбор», Серия «Коммерческая работа на морском

транспорте», выпуск 3, 2003. – 136 с.

102. Шутенко, В.В. Договорная работа. Агентирование судов [Текст] /В.В.

Шутенко –СПб.: Информационный центр «Выбор», Серия «Коммерческая работа

на морском транспорте», выпуск 2, 2002. – 112 с.

103. Шутенко, В.В. Коносамент. Ответственность морского перевозчика

[Текст] : /В.В. Шутенко – СПб.: Информационный центр «Выбор», Серия

«Коммерческая работа на морском транспорте», выпуск 1, 2001. – 96 с.

104. Шутенко, В.В. Морское страхование [Текст] /В.В. Шутенко – СПб.:

Информационный центр «Выбор», Серия «Коммерческая работа на морском

транспорте», выпуск 4, 2004. – 168 с.

105. Шутенко, В.В. Фрахтование тоннажа [Текст] /В.В. Шутенко –СПб.:

ООО «Морсар», Серия «Коммерческая работа на морском транспорте», выпуск 5.,

2007. – 168 с.

106. Янг, С. Системное управление организацией [Текст] / С. Янг – М.: Сов.

радио, 1972. – 455 с.

107. Glushkov, S., Levchenko, N. Use of Neural Network Technologies for

Improving Efficiency of Transport and Logistics Processes / N. Levchenko, S.

Glushkov // Asia-Pacific Journal of Marine Science&Education, Vol. 3, # 1, 2013, pp

67–74.

131

108. An Caris, Cathy Macharis, Gerrit K. Janssens Decision support in

intermodal transport: A new research agenda // Computers in Industry, Volume 64,

Issue 2, February 2013, Pages 105–112

109. Ching-Yu Tyan, Paul P. Wang, Dennis R. Bahler, An application on

intelligent control using neural network and fuzzy logic // Neurocomputing, Volume 12,

Issue 4, 1 August 1996, Pages 345–363

110. Levchenko, N. Optimization of hard formalized processes using fuzzy neural

model / N. Levchenko. // Asia-Pacific Journal of Marine Science&Education, Vol. 2, #

1, 2012, pp 101–111.

111. Levchenko, N. The Imitating model of the maritime branch enterprise’s

information management system / N. Levchenko. // Asia-Pacific Journal of Marine

Science&Education, Vol. 1, # 1, 2011, pp 107–112.

112. Ronald R. Yager, Implementing fuzzy logic controllers using a neural

network framework // Fuzzy Sets and Systems , Volume 100, Supplement 1, 1999,

Pages 133–144

113. Teodor Gabriel Crainic, Michel Gendreau, Jean-Yves Potvin Intelligent

freight transportation systems: Assessment and the contribution of operations research //

Transportation Research Part C: Emerging Technologies, Volume 17, Issue 6,

December 2009, Pages 541–557

114. Timon Chih-Ting Dua, Philip M. Wolfeb Implementation of fuzzy logic

systems and neural networks in industry // Computers in Industry, Volume 32, Issue 3,

March 1997, Pages 261–272

115. Vilém Novák, Reasoning about mathematical fuzzy logic and its future //

Fuzzy Sets and Systems, Volume 192, 1 April 2012, Pages 25–44

116. Witold Pedrycz, Genetic tolerance fuzzy neural networks: From data to

fuzzy hyperboxes // Neurocomputing, Volume 70, Issues 7–9, March 2007, Pages

1403–1413

132

Приложение 1

Таблица 1 Условия отгрузки от поставщика

№ Срок готовности груза к погрузке

Порча, убытки

Оценка эффективности 1

1 10 10 10 2 10 9 10 3 10 7 8 4 9 10 9 5 9 8 8 6 9 7 8 7 8 7 7 8 8 8 8 9 8 9 8 10 6 5 6 11 6 4 5 12 6 3 4 13 5 5 5 14 5 4 5 15 5 3 4 16 4 5 5 17 4 4 4 18 4 3 3 19 3 5 4 20 3 4 3 21 3 3 3

Таблица 2

Морская доставка (фрахт) № Стои-

мость процесс-са

Возможность осуществления перевозки

Убытки Срок поставки

Надежность перевозчика

Оценка эффективности 2

1 3 8 5 8 7 3 1.1 3 9 6 7 8 3 1.2 3 9 5 8 7 3 1.3 4 8 5 7 8 4 1.4 4 9 6 8 8 4 1.5 4 9 5 7 7 4

133

№ Стои-мость процесс-са

Возможность осуществления перевозки

Убытки Срок поставки

Надежность перевозчика

Оценка эффективности 2

1.6 5 8 5 8 7 4 1.7 5 9 6 7 8 5 1.8 5 9 5 8 7 4 1.9 6 8 5 7 8 5 1.10 6 9 6 8 7 6 1.11 6 9 5 7 8 6 2 5 6 5 8 8 5 2.1 5 7 5 8 8 5 2.2 5 8 6 7 8 6 2.3 5 7 6 8 7 6 2.4 6 6 5 7 8 6 2.5 6 7 6 8 8 6 2.6 6 8 5 7 7 6 2.7 6 7 5 8 8 6 3 4 5 3 5 5 4 3.1 4 4 2 4 4 3 3.2 4 6 4 6 6 5 3.3 4 5 3 5 5 4 3.4 3 4 2 4 5 3 3.5 3 5 4 6 4 4 3.6 3 6 3 5 6 4 3.7 3 4 2 4 5 3 4 4 5 3 5 4 4 4.1 4 4 2 4 5 3 4.2 4 5 2 5 4 4 4.3 3 4 2 4 5 3 4.4 3 5 4 5 4 4 4.5 3 4 3 4 5 3 4.6 2 5 2 5 4 3 4.7 2 4 4 4 5 3 4.8 2 5 3 5 4 2 5 5 6 7 8 8 5 5.1 5 6 8 8 7 5 5.2 5 7 7 7 9 6 5.3 5 7 8 7 8 7 5.4 6 6 7 8 7 6 5.5 6 6 8 9 9 6 5.6 6 7 7 8 8 7

134

№ Стои-мость процесс-са

Возможность осуществления перевозки

Убытки Срок поставки

Надежность перевозчика

Оценка эффективности 2

5.7 6 7 8 7 9 7 6 8 8 7 8 8 8 6.1 8 10 8 7 9 9 6.2 9 8 7 9 8 8 6.3 9 9 8 9 9 9 6.4 9 10 7 8 8 9 6.5 10 8 8 7 9 9 6.6 10 9 7 9 8 9 6.7 10 10 8 8 9 10 6.8 9 8 7 8 8 8 6.9 10 8 7 8 9 8 6.10 9 9 7 8 9 8 6.11 10 10 7 8 8 9 6.12 8 8 8 8 9 8 6.13 9 9 8 8 9 9 6.14 10 9 8 8 8 9 6.15 9 10 8 8 9 9 6.16 8 8 7 9 8 8 6.17 9 9 7 9 9 9 6.18 10 9 7 9 8 9 6.19 10 10 7 9 9 9 6.20 8 8 8 9 9 8 6.21 9 9 8 9 8 9 6.22 9 10 8 9 9 10 6.23 9 10 9 9 9 10 7 5 4 6 4 7 5 7.1 5 4 6 4 6 5 7.2 5 3 5 3 7 4 7.3 5 4 5 4 6 5 7.4 4 3 6 4 7 4 7.5 4 4 5 3 6 4 7.6 4 4 6 4 7 4 8 5 4 6 3 7 5 8.1 5 3 5 3 6 4 8.2 4 4 6 4 7 5 8.3 4 3 5 3 6 4 8.4 4 4 5 3 7 4 8.5 4 3 6 3 6 4

135

№ Стои-мость процесс-са

Возможность осуществления перевозки

Убытки Срок поставки

Надежность перевозчика

Оценка эффективности 2

8.6 4 4 5 4 7 4

Таблица 3 Порт и возможности терминала

№ Возможности терминала, свободное место

Стоимость процесса

Мощности Оценка эффективности 3

1 4 5 4 4 1.1 4 6 5 5 1.2 4 5 5 5 1.3 5 6 5 5 1.4 5 5 4 5 1.5 5 6 5 5 2 5 6 5 6 2.1 5 7 6 6 2.2 5 6 6 6 2.3 6 7 5 7 2.4 6 6 6 6 2.5 6 7 6 7 3 3 5 3 4 3.1 3 6 2 3 3.2 3 5 4 4 3.3 4 5 3 4 3.4 4 6 2 4 3.5 4 6 3 4 4 3 6 3 5 4.1 3 5 2 3 4.2 3 5 3 3 4.3 4 7 3 4 4.4 4 6 4 4 4.5 4 6 2 3 5 6 6 6 6 5.1 6 7 6 6 5.2 6 8 8 7 5.3 7 6 7 7 5.4 7 7 8 7 5.3 7 8 7 7 5.4 8 6 8 8

136

№ Возможности терминала, свободное место

Стоимость процесса

Мощности Оценка эффективности 3

5.5 8 7 6 7 5.6 8 8 7 8 6 8 8 8 8 6.1 8 9 9 9 6.2 9 8 8 8 6.3 9 9 8 9 6.4 9 10 9 9 6.5 10 8 9 9 6.6 10 9 8 10 6.7 8 8 8 8 6.8 9 8 8 8 6.9 10 9 8 9 6.10 8 9 8 8 6.11 9 10 9 9 6.12 10 10 9 10 6.13 8 8 9 8 6.14 9 8 9 9 6.15 10 9 9 10 6.16 8 9 9 9 6.17 9 10 10 10 6.18 10 10 10 10 6.19 8 9 10 8 6.20 9 9 10 9 7 4 4 4 4 7.1 4 3 4 4 7.2 4 4 3 4 7.3 3 3 4 3 7.4 3 4 3 3 7.5 3 3 3 3 7.6 3 4 4 3 8 4 4 4 4 8.1 4 3 3 4 8.2 4 4 3 4 8.3 4 3 4 4 8.4 3 4 3 3 8.5 3 3 3 3 8.6 3 4 4 3

137

Таблица 4

Автоперевозка № Стоимость

процесса Срок ожидания вывоза груза

Надежность перевозчика

Оценка эффективности 4

1 10 10 10 10 2 10 10 10 10 3 10 10 10 10 4 10 10 10 10 5 6 8 8 6 5.1 6 7 7 6 5.2 6 8 7 6 5.3 7 8 8 7 5.4 7 7 8 7 5.5 7 8 7 7 6 8 8 8 8 6.1 7 8 8 7 6.2 8 7 8 8 6.3 8 8 9 8 6.4 9 9 8 9 6.5 9 8 8 9 6.6 9 7 7 9 6.7 8 8 8 8 6.8 10 8 8 9 6.9 8 8 9 8 6.10 9 9 8 9 6.11 10 9 8 9 6.12 9 9 8 9 6.13 9 9 9 9 6.14 8 9 8 9 6.15 10 9 10 10 6.16 10 9 9 10 6.17 10 10 9 10 6.18 9 10 9 9 6.19 10 8 9 10 6.20 8 10 9 9 7 5 8 8 5 7.1 5 8 7 5 7.2 5 9 8 5 7.3 4 8 8 4 7.4 4 9 8 5

138

№ Стоимость процесса

Срок ожидания вывоза груза

Надежность перевозчика

Оценка эффективности 4

7.5 4 8 8 4 7.6 6 8 8 6 8 5 7 8 5 8.1 5 7 7 5 8.2 5 6 7 4 8.3 4 6 8 4 8.4 4 7 7 4 8.5 4 6 8 4 8.6 4 7 7 4

Таблица 5

Выгрузка и хранение на складе № Место под

хранение Стоимость процесса

Убытки Мощности Оценка эффективности 5

1 10 10 10 10 10 2 10 10 10 10 10 3 5 5 5 5 5 3.1 5 4 4 5 4 3.2 5 5 4 5 5 3.3 4 4 5 4 4 3.4 4 5 4 4 4 3.5 4 4 4 4 4 4 6 6 6 6 6 4.1 6 5 6 5 6 4.2 6 6 5 5 6 4.3 5 5 6 6 5 4.4 5 6 5 5 5 4.5 4 5 6 5 4 5 8 8 8 8 8 5.1 8 8 7 7 8 5.2 8 7 8 8 8 5.2 8 7 9 9 8 5.3 7 8 9 7 7 5.4 7 8 8 8 7 5.5 9 7 8 9 8 6 8 8 9 7 8 6.1 9 7 9 8 8 6.2 9 8 7 9 9 6.3 8 9 9 7 9

139

№ Место под хранение

Стоимость процесса

Убытки Мощности Оценка эффективности 5

6.4 8 8 8 8 8 6.5 8 9 8 8 8 6.6 8 10 9 9 9 6.7 9 8 9 8 8 6.8 9 9 9 8 9 6.9 9 10 10 7 10 6.10 9 9 8 8 9 6.11 9 10 9 9 9 6.12 10 9 8 8 9 6.13 10 8 9 8 9 7 4 4 4 4 4 7.1 3 3 4 3 3 7.2 3 3 3 5 3 7.3 3 4 3 5 3 7.4 3 4 4 4 4 7.5 4 3 4 3 4 7.6 4 3 3 5 3 8 4 4 3 4 4 8.1 4 4 4 3 4 8.2 5 4 3 3 4 8.3 5 5 5 4 5 8.4 5 3 4 4 4 8.5 4 4 3 5 4 8.6 4 5 5 4 5

Таблица 6

Формирование груза, отправка по ж/д № Стоимость

процесса Порча, убытки

Срок отправки

Мощности Оценка Эффективности 6

1 5 8 5 7 5 1.1 5 8 6 7 5 1.2 5 8 5 8 5 1.3 5 9 6 8 6 1.4 5 9 5 7 5 1.5 6 8 6 7 6 1.6 6 8 5 8 6 1.8 6 8 6 8 6 1.9 6 9 5 7 6 2 6 8 6 8 6 2.1 6 8 5 8 6

140

№ Стоимость процесса

Порча, убытки

Срок отправки

Мощности Оценка Эффективности 6

2.2 6 9 6 7 6 2.3 6 9 5 8 6 2.4 7 8 6 8 7 2.5 7 8 5 7 7 2.6 7 9 6 8 7 2.7 7 9 5 7 7 3 7 5 4 5 5 3.1 7 4 5 5 5 3.2 7 6 4 6 5 3.3 8 4 5 6 6 3.4 8 5 4 5 6 3.5 8 6 5 5 6 3.6 9 4 4 6 6 3.7 9 5 5 6 6 3.8 9 6 4 5 6 4 7 5 6 6 6 4.1 7 6 5 6 6 4.2 7 7 6 6 6 4.3 8 5 5 5 6 4.4 8 6 6 5 7 4.5 8 7 5 6 7 4.6 9 5 6 6 7 4.7 9 6 5 5 7 4.8 9 7 6 6 7 5 5 8 7 8 7 5.1 5 8 8 9 7 5.2 5 8 9 8 7 5.3 5 8 9 9 7 5.4 5 9 7 8 8 5.5 5 9 8 9 8 5.6 5 9 9 8 8 5.7 5 9 9 9 8 5.8 6 8 7 8 7 5.9 6 8 8 9 8 5.10 6 8 9 8 8 5.11 6 8 9 9 8 5.12 6 9 7 8 8 5.13 6 9 8 9 8 5.14 6 9 9 8 8 5.15 6 9 9 9 8

141

№ Стоимость процесса

Порча, убытки

Срок отправки

Мощности Оценка Эффективности 6

6 5 8 7 8 7 6.1 5 8 8 9 7 6.2 5 8 9 8 7 6.3 5 8 9 9 7 6.4 5 9 7 8 8 6.5 5 9 8 9 8 6.6 5 9 9 8 8 6.7 5 9 9 9 8 6.8 6 8 7 8 7 6.9 6 8 8 9 8 6.10 6 8 9 8 8 6.11 6 8 9 9 8 6.12 6 9 7 8 8 6.13 6 9 8 9 8 6.14 6 9 9 8 8 6.15 6 9 9 9 8 7 5 5 5 4 5 7.1 5 5 5 5 5 7.2 5 5 6 4 5 7.3 5 6 5 5 5 7.4 5 6 6 4 5 7.5 5 6 5 5 5 7.6 6 5 6 4 6 7.7 6 5 5 5 5 7.8 6 6 6 4 6 7.9 6 6 5 5 6 8 5 5 5 5 5 8.1 5 4 4 5 4 8.2 5 6 5 5 5 8.3 5 5 4 6 5 8.4 5 4 5 5 5 8.5 6 6 4 5 5 8.6 6 5 5 6 6 8.7 6 4 4 5 5 8.8 6 6 5 6 6 8.9 6 5 4 5 5

142

Таблица 7 Аккумуляция всех процессов перевозки груза

№ Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

1 3 3 4 10 10 5 6 1.1 4 3 5 10 10 6 6 1.2 5 3 5 10 10 5 7 1.3 6 4 4 10 10 6 6 1.4 3 4 5 10 10 5 6 1.5 4 4 5 10 10 6 6 1.6 5 4 4 10 10 5 6 1.7 6 5 5 10 10 6 6 1.8 3 4 4 10 10 5 6 1.9 4 5 4 10 10 6 6 1.10 5 6 5 10 10 5 6 1.11 6 6 4 10 10 6 6 1.12 7 3 4 10 10 5 7 1.13 8 3 5 10 10 6 7 1.14 9 3 5 10 10 5 7 1.15 10 4 4 10 10 6 7 1.16 7 4 5 10 10 5 7 1.17 8 4 5 10 10 6 7 1.18 9 4 4 10 10 5 7 1.19 10 5 5 10 10 6 7 1.20 7 4 4 10 10 5 7 1.21 8 5 4 10 10 6 7 1.22 9 6 5 10 10 5 7 1.23 10 6 4 10 10 6 7 2 3 5 6 10 10 7 7 2.1 4 5 7 10 10 7 7 2.2 5 6 6 10 10 7 7 2.3 6 6 7 10 10 6 7 2.4 3 6 6 10 10 7 7 2.5 4 6 7 10 10 6 7 2.6 5 6 6 10 10 7 7

143

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

2.7 6 6 7 10 10 6 7 2.8 3 5 6 10 10 6 7 2.9 4 5 7 10 10 6 7 2.10 5 6 6 10 10 7 7 2.11 6 6 7 10 10 6 7 2.12 7 6 6 10 10 7 7 2.13 8 6 7 10 10 6 8 2.14 9 6 6 10 10 7 8 2.15 10 6 7 10 10 7 8 2.16 7 5 6 10 10 7 7 2.17 8 5 7 10 10 6 8 2.18 9 6 6 10 10 7 8 2.19 10 6 7 10 10 6 8 2.20 7 6 6 10 10 7 7 2.21 8 6 7 10 10 6 8 2.22 9 6 6 10 10 7 8 2.23 10 6 7 10 10 7 8 3 3 4 4 10 5 5 4 3.1 4 3 4 10 4 6 4 3.2 5 5 4 10 4 6 5 3.3 6 4 3 10 5 6 5 3.4 3 3 4 10 5 5 4 3.5 4 4 4 10 5 6 4 3.6 5 4 3 10 4 6 4 3.7 6 3 4 10 5 5 5 3.8 3 4 4 10 4 5 4 3.9 4 3 4 10 5 5 4 3.10 5 5 3 10 4 6 5 3.11 6 4 3 10 4 6 5 3.12 7 3 4 10 5 6 5 3.13 8 4 4 10 5 6 5 3.14 9 4 4 10 5 6 5 3.15 10 3 4 10 4 5 5 3.16 7 4 4 10 4 5 5 3.17 8 3 3 10 5 6 5

144

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

3.18 9 5 4 10 4 6 5 3.19 10 4 3 10 5 6 5 3.20 7 3 4 10 4 5 5 3.21 8 4 3 10 5 6 5 3.22 9 4 3 10 4 6 5 3.23 10 3 4 10 5 5 5 4 5 4 5 10 6 6 5 4.1 6 3 3 10 6 7 5 4.2 3 4 3 10 5 6 5 4.3 4 3 4 10 5 7 5 4.4 5 4 3 10 6 6 5 4.5 6 3 5 10 4 6 5 4.6 7 3 3 10 4 6 5 4.7 8 3 3 10 4 6 6 4.8 9 2 5 10 5 7 6 4.9 10 4 4 10 5 7 6 4.10 7 3 4 10 4 6 5 4.11 8 4 4 10 6 6 6 4.12 9 3 4 10 6 7 6 4.13 10 4 3 10 6 7 6 4.14 7 4 5 10 5 7 6 4.15 8 3 3 10 5 7 5 4.16 9 4 3 10 4 6 5 4.17 10 3 3 10 5 6 5 4.18 3 4 3 10 6 7 5 4.19 4 3 5 10 5 6 5 4.20 5 3 3 10 5 7 5 4.21 6 3 3 10 5 7 5 4.22 3 2 4 10 5 6 5 4.23 4 4 4 10 4 7 5 5 5 5 6 6 8 7 8 5.1 6 5 6 6 8 8 8 5.2 3 6 7 6 7 8 8 5.3 4 7 8 7 7 7 8 5.4 5 6 6 7 7 8 8

145

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

5.5 6 6 6 6 8 7 8 5.6 7 7 6 6 8 8 8 5.7 8 7 7 7 8 8 8 5.8 9 5 7 6 8 8 8 5.9 10 5 6 7 8 7 9 5.10 7 6 8 7 7 7 8 5.11 8 7 6 7 8 8 8 5.12 9 6 7 6 7 7 9 5.13 10 6 8 6 8 8 9 5.14 7 7 6 6 8 7 8 5.15 8 7 6 7 7 8 8 5.16 9 5 7 7 7 8 8 5.17 10 5 7 7 8 7 9 5.18 3 6 8 7 8 7 8 5.19 4 7 6 6 8 8 8 5.20 5 6 6 6 7 8 8 5.21 6 6 7 7 8 8 8 5.22 3 7 6 7 7 7 8 5.23 4 7 8 7 8 8 8 6 8 8 8 8 8 7 9 6.1 9 9 9 7 9 8 10 6.2 10 8 10 9 8 8 10 6.3 7 9 10 9 9 7 9 6.4 8 9 8 8 8 8 9 6.5 9 8 9 9 9 8 9 6.6 10 9 9 7 8 8 10 6.7 7 9 9 7 9 7 9 6.8 8 9 8 9 9 8 9 6.9 9 9 9 8 9 7 9 6.10 10 10 10 9 8 7 10 6.11 7 9 10 9 9 8 9 6.12 8 9 8 8 8 8 9 6.13 9 8 9 9 9 8 10 6.14 10 9 10 8 9 7 10 6.15 7 9 8 9 8 8 9

146

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

6.16 8 9 9 7 9 8 9 6.17 9 9 10 9 9 7 9 6.18 10 10 9 7 8 8 10 6.19 7 8 9 8 9 8 9 6.20 8 9 9 9 8 8 9 6.21 9 9 8 8 9 7 9 6.22 10 9 9 7 9 8 10 6.23 7 10 10 9 9 7 9 7 8 5 4 5 3 5 3 7.1 9 4 4 4 4 5 3 7.2 5 5 3 6 4 5 3 7.3 3 4 3 6 4 5 2 7.4 4 5 4 5 3 6 2 7.5 5 4 3 4 3 5 3 7.6 5 5 4 5 4 5 3 7.7 3 4 3 4 3 5 2 7.8 4 5 3 5 3 6 2 7.9 5 4 4 6 4 5 3 7.10 4 5 4 5 4 5 3 7.11 3 4 4 4 4 5 2 7.12 4 5 3 5 4 6 3 7.13 5 4 3 5 4 5 3 7.14 10 5 3 4 3 5 3 7.15 3 4 3 4 3 5 2 7.16 4 5 4 5 4 6 3 7.17 5 4 4 6 3 5 3 7.18 8 5 3 5 4 5 3 7.19 3 4 3 6 3 5 2 7.20 4 5 4 5 4 5 3 7.21 8 4 3 4 3 5 3 7.22 5 5 4 5 3 6 3 7.23 6 4 3 6 4 5 3 8 3 5 4 5 4 5 3 8.1 4 4 3 5 4 4 4 8.2 5 5 3 5 5 4 4

147

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности

8.3 6 4 4 4 4 5 3 8.4 3 4 4 4 5 6 4 8.5 4 4 4 4 4 5 4 8.6 5 4 4 4 5 4 4 8.7 5 5 4 4 4 4 4 8.8 3 4 4 4 4 5 3 8.9 4 5 3 5 4 6 4 8.10 5 5 3 4 4 6 4 8.11 5 4 4 4 4 5 4 8.12 3 4 4 4 5 4 4 8.13 4 4 4 4 4 5 4 8.14 5 5 4 4 4 6 4 8.15 4 4 3 4 4 5 4 8.16 3 4 4 5 4 4 4 8.17 10 4 4 4 5 5 4 8.18 3 4 4 5 4 6 4 8.19 4 5 4 5 5 5 4 8.20 5 4 3 5 5 4 4 8.21 8 4 4 4 4 4 4 8.22 3 4 4 4 4 5 4 8.23 4 4 4 4 4 6 4

148

Приложение 2

Таблица 1 Результат обучения ННС модуля «Условия отгрузки от поставщика»

№ Срок готовности

груза к погрузке

Порча, убытки

Оценка эффективности 1

(эксперты)

Оценка эффективности

1 (модель)

∆𝐱 𝛅𝐱

1 10 10 10 10,00 0,00 0,00 2 10 9 10 9,28 0,72 0,07 3 10 7 8 8,00 0,00 0,00 4 9 10 9 9,38 0,38 0,04 5 9 8 8 8,00 0,00 0,00 6 9 7 8 7,55 0,45 0,06 7 8 7 7 7,00 0,00 0,00 8 8 8 8 7,33 0,67 0,08 9 8 9 8 8,00 0,00 0,00 10 6 5 6 5,62 0,38 0,06 11 6 4 5 5,00 0,00 0,00 12 6 3 4 4,24 0,24 0,06 13 5 5 5 5,00 0,00 0,00 14 5 4 5 4,54 0,46 0,09 15 5 3 4 4,00 0,00 0,00 16 4 5 5 4,47 0,53 0,11 17 4 4 4 4,00 0,00 0,00 18 4 3 3 3,53 0,53 0,18 19 3 5 4 4,00 0,00 0,00 20 3 4 3 3,46 0,46 0,15 21 3 3 3 3,00 0,00 0,00

149

Таблица 2

Процесс обучения и тестирования ННС 2-го модуля. Сравнительный анализ полученных моделью оценок эффективности 2 с экспертным значением

Оценка эффективности 2 (эксперты)

Оценка эффективности 2 (модель)

Тестовая выборка Обучение на разных количествах выборок

№ № 6 № 1; 3 № 1; 3; 5; 7

№ 1; 2; 3; 5; 7; 8 № 1; 2; 3; 4; 5; 6; 7; 8

6.0 8 5,53 7,6 6,35 8,07 6.1 9 5,21 8,31 6,86 8,98 6.2 8 5,53 7,97 6,51 8,16 6.3 9 5,85 9,37 6,99 8,98 6.4 9 5,82 7,92 6,15 9,25 6.5 9 4,96 7,96 7,00 8,96 6.6 9 5,82 8,30 6,29 9,23 6.7 10 5,85 8,96 6,85 9,73

Таблица 3

Процесс обучения и тестирования ННС 3-го модуля. Сравнительный анализ полученных моделью оценок эффективности 3 с экспертным значением

Оценка эффективности 3 (эксперты)

Оценка эффективности 3 (модель)

Тестовая выборка

Обучение на разных количествах выборок

№ № 6 № 1; 3 № 1; 3; 5; 7 № 1; 2; 3; 5; 7; 8

№ 1; 2; 3; 4; 5; 6; 7; 8

6 8 Мало данных для обучения. Сеть не работает

7,77 9,11 8,32 6.1 9 7,77 9,02 8,68 6.2 8 7,77 9,11 7,88 6.3 9 7,77 9,11 9,02 6.4 9 7,77 9,02 8,75 6.5 9 7,77 9,02 9,30 6.6 10 7,77 9,11 9,64

150

Таблица 4

Процесс обучения и тестирования ННС 4-го модуля. Сравнительный анализ полученных моделью оценок эффективности 4 с экспертным значением

Оценка эффективности

4 (эксперты)

Оценка эффективности 4 (модель)

Тестовая выборка

Обучение на разных количествах выборок

№ № 6 № 1; 3 № 1; 3; 5; 7 № 1; 2; 3; 5; 7; 8 № 1; 2; 3; 4; 5; 6; 7; 8

6 8 Мало данных для обучения. Сеть не работает

9,03 8,22 8,00 6.1 9 5,64 7,32 9,05 6.2 8 9,75 8,88 8,03 6.3 9 5,91 6,30 9,00 6.4 9 4,81 8,42 9,21 6.5 9 10,20 9,71 8,83 6.6 10 6,16 6,58 9,57

Таблица 5

Процесс обучения и тестирования ННС 5-го модуля. Сравнительный анализ полученных моделью оценок эффективности 5 с экспертным значением

Оценка эффективности 5 (эксперты)

Оценка эффективности 5 (модель)

Тестовая выборка Обучение на разных количествах выборок № № 6 № 1; 3 № 1; 3; 5;

7 № 1; 2; 3; 5; 7; 8 № 1; 2; 3; 4; 5; 6; 7; 8

6 8 1,58 8,00 2,17 8,42 6.1 9 1,80 8,00 0,99 7,61 6.2 8 1,86 11,50 0,19 8,64 6.3 9 1,40 8,40 1,97 9,31

151

Таблица 6

Процесс обучения и тестирования ННС 6-го модуля. Сравнительный анализ полученных моделью оценок эффективности 6 с экспертным значением

Оценка эффективно

сти 6 (эксперты)

Оценка эффективности 6 (модель)

Тестовая выборка

Обучение на разных количествах выборок

№ № 6 № 1; 3 № 1; 3; 5; 7

№ 1; 2; 3; 5; 7; 8 № 1; 2; 3; 4; 5; 7; 8

6 7 Однотипные данные для обучения. Сеть не сходится, не работает

7,00 9,28 6,58 6.1 7 7,96 8,61 6,77 6.2 7 8,08 8,44 6,74 6.3 7 8,08 8,70 6,91 6.4 8 8,60 10,70 7,61 6.5 8 8,74 10,20 7,52 6.6 8 8,85 9,99 7,71 6.7 8 8,85 10,3 8,42 6.8 7 6,63 6,68 7,36 6.9 8 6,07 5,50 7,59

6.10 8 6,25 5,32 7,69 6.11 8 6,25 5,47 7,92 6.12 8 6,84 7,44 7,74 6.13 8 5,97 6,24 7,64 6.14 8 6,09 6,04 7,57 6.15 8 6,09 6,20 7,97

152

Таблица 7

Результаты обучения и тестирования ННС аккумулирующего модуля. Сравнительный анализ полученных моделью оценок эффективности с экспертным значением

№ Оценка эффективности (эксперты)

Оценка эффективности (модель)

Δx δ

6 9 8,98 0,02 0,00 6.1 10 9,63 0,37 0,04 6.2 10 9,89 0,11 0,01 6.3 9 9,01 0,01 0,00 6.4 9 9,36 0,36 0,04 6.5 9 9,23 0,23 0,03 6.6 10 10,30 0,30 0,03 6.7 9 9,23 0,23 0,03 6.8 9 9,01 0,01 0,00 6.9 9 9,16 0,16 0,02 6.10 10 9,89 0,11 0,01 6.11 9 9,13 0,13 0,01 6.12 9 9,16 0,16 0,02 6.13 10 9,87 0,13 0,01 6.14 10 9,01 0,99 0,10 6.15 9 8,96 0,04 0,00 6.16 9 8,87 0,13 0,01 6.17 9 9,20 0,20 0,02 6.18 10 9,89 0,11 0,01 6.19 9 9,02 0,02 0,00 6.20 9 9,03 0,03 0,00 6.21 9 9,30 0,30 0,03 6.22 10 10,20 0,20 0,02 6.23 9 9,04 0,04 0,00

153

Приложение 3

Таблица 1 Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 3

№ Оценка эффектив-ности 1 (Условия отгрузки от поставщика)

Оценка эффектив-ности 2 (Морская доставка (фрахт))

Оценка эффектив-ности 3 (Порт и возможности терминала)

Оценка эффектив-ности 4 (Автоперевозка)

Оценка эффектив-ности 5 (Выгрузка и хранение на складе)

Оценка эффектив-ности 6 (Формирование груза, отправка по ж/д)

Оценка эффектив-ности (эксперты)

Оценка эффектив-ности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9

Оценка эффектив-ности (модель)

ОВСр %

Оценка эффекти-вности (модель)

ОВСр %

1 2 3 4 5 6 7 8 9 10 11 12 13 3 3 4 4 10 5 5 4 3,69 0,69 -81 7,22 96 3.1 5 5 4 10 4 6 5 5,06 2,03 -60 7,36 45 3.2 3 3 4 10 5 5 4 4,22 1,98 -53 7,14 69 3.3 5 4 3 10 4 6 4 3,77 1,15 -69 6,66 77 3.4 3 4 4 10 4 5 4 4,23 1,99 -53 7,24 71 3.5 5 5 3 10 4 6 5 5,23 2,03 -61 8,54 63 3.6 7 3 4 10 5 6 5 4,78 2,05 -57 7,21 51 3.7 9 4 4 10 5 6 5 5,01 2,12 -58 7,01 40 3.8 7 4 4 10 4 5 5 5,06 2,16 -57 6,79 34 3.9 9 5 4 10 4 6 5 4,89 2,01 -59 6,94 42 3.10 7 3 4 10 4 5 5 5,01 1,97 -61 7,02 40 3.11 9 4 3 10 4 6 5 5,14 2,56 -50 7,24 41

min(ОВСр≤2)=-81%; среднее значение (ОВСр≤2)=-59,92%;

max(ОВСр≥9)=96%; среднее значение (ОВСр≥9)=55,75%.

154

Таблица 2

Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 4 № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

4 5 4 5 10 6 6 5 4,85 2,01 -59 7,41 53 4.1 3 4 3 10 5 6 5 4,96 2,13 -57 7,85 58 4.2 5 4 3 10 6 6 5 5,06 2,48 -51 7,87 56 4.3 7 3 3 10 4 6 5 5,13 2,56 -50 7,34 43 4.4 9 2 5 10 5 7 6 6,32 2,98 -53 8,05 27 4.5 7 3 4 10 4 6 5 5,02 2,05 -59 7,51 50 4.6 9 3 4 10 6 7 6 6,03 3,56 -41 7,99 33 4.7 7 4 5 10 5 7 6 5,96 2,97 -50 7,97 34 4.8 9 4 3 10 4 6 5 5,01 2,85 -43 7,03 40 4.9 3 4 3 10 6 7 5 4,78 2,76 -42 7,51 57 4.10 5 3 3 10 5 7 5 5,36 2,03 -62 6,05 13 4.11 3 2 4 10 5 6 5 5,14 2,01 -61 7,65 49

min(ОВСр≤2)=-62%; среднее значение (ОВСр≤2)=-52,33%;

max(ОВСр≥9)=58%; среднее значение (ОВСр≥9)=42,75%.

155

Таблица 3

Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 5 № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9 Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

5 5 5 6 6 8 7 8 7,80 4,96 -36 9,22 18 5.1 3 6 7 6 7 8 8 7,96 4,71 -41 9,43 18 5.2 5 6 6 7 7 8 8 8,01 5,23 -35 9,36 17 5.3 7 7 6 6 8 8 8 8,12 5,36 -34 9,45 16 5.4 9 5 7 6 8 8 8 8,36 5,58 -33 9,36 12 5.5 7 6 8 7 7 7 8 8,01 5,46 -32 9,54 19 5.6 9 6 7 6 7 7 9 8,95 6,01 -33 9,89 11 5.7 7 7 6 6 8 7 8 8,36 5,98 -28 9,97 19 5.8 9 5 7 7 7 8 8 8,36 5,99 -28 9,85 18 5.9 3 6 8 7 8 7 8 7,69 4,85 -37 9,56 24 5.10 5 6 6 6 7 8 8 8,13 5,23 -36 10,12 24 5.11 3 7 6 7 7 7 8 8,12 5,21 -36 9,94 22

min(ОВСр≤2)=-41%; среднее значение (ОВСр≤2)=-34,08%;

max(ОВСр≥9)=24%; среднее значение (ОВСр≥9)=18,17%.

156

Таблица 4

Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 6 № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

6 8 8 8 8 8 7 9 8,98 6,01 -33 9,65 7 6.1 10 8 10 9 8 8 10 9,89 6,96 -30 9,89 0 6.2 8 9 8 8 8 8 9 9,36 6,98 -25 9,87 5 6.3 10 9 9 7 8 8 10 10,30 7,12 -31 10,65 3 6.4 8 9 8 9 9 8 9 9,01 6,03 -33 9,01 0 6.5 10 10 10 9 8 7 10 9,89 6,48 -34 9,96 1 6.6 8 9 8 8 8 8 9 9,16 6,36 -31 9,74 6 6.7 10 9 10 8 9 7 10 9,01 6,38 -29 9,01 0 6.8 8 9 9 7 9 8 9 8,87 6,01 -32 8,87 0 6.9 10 10 9 7 8 8 10 9,89 7,23 -27 10,12 2 6.10 8 9 9 9 8 8 9 9,03 6,14 -32 9,26 3 6.11 10 9 9 7 9 8 10 10,20 7,48 -27 10,20 0

min(ОВСр≤2)=-34%; среднее значение (ОВСр≤2)=-30,33%;

max(ОВСр≥9)=7%; среднее значение (ОВСр≥9)=2,25%.

157

Таблица 5

Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 7 № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

7 8 5 4 5 3 5 3 2,96 0,52 -82 5,22 76 7.1 5 5 3 6 4 5 3 2,76 0,57 -79 5,36 94 7.2 4 5 4 5 3 6 2 2,01 0,01 -100 4,12 105 7.3 5 5 4 5 4 5 3 2,78 0,36 -87 4,36 57 7.4 4 5 3 5 3 6 2 1,83 0,02 -99 4,65 154 7.5 4 5 4 5 4 5 3 3,06 0,48 -84 4,67 53 7.6 4 5 3 5 4 6 3 3,07 0,42 -86 5,48 79 7.7 10 5 3 4 3 5 3 3,23 0,10 -97 5,33 65 7.8 4 5 4 5 4 6 3 3,16 0,24 -92 5,48 73 7.9 8 5 3 5 4 5 3 3,25 0,18 -94 5,22 61 7.10 4 5 4 5 4 5 3 2,96 0,32 -89 5,21 76 7.11 5 5 4 5 3 6 3 3,01 0,23 -92 5,54 84

min(ОВСр≤2)=-100%; среднее значение (ОВСр≤2)=-90,08%;

max(ОВСр≥9)=154%; среднее значение (ОВСр≥9)=81,42%.

158

Таблица 6

Факторный анализ. Ограничение фактора «Выгрузка и хранение на складе». Вариант перевозки 8 № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 5

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

8 3 5 4 5 4 5 3 3,21 1,01 -69 6,12 91 8.1 5 5 3 5 5 4 4 3,78 1,26 -67 5,79 53 8.2 3 4 4 4 5 6 4 4,21 1,00 -76 6,78 61 8.3 5 4 4 4 5 4 4 3,77 1,06 -72 6,24 66 8.4 3 4 4 4 4 5 3 2,89 0,45 -84 5,67 96 8.5 5 5 3 4 4 6 4 3,78 0,56 -85 6,04 60 8.6 3 4 4 4 5 4 4 3,96 0,89 -78 6,11 54 8.7 5 5 4 4 4 6 4 4,23 0,52 -88 6,48 53 8.8 3 4 4 5 4 4 4 4,21 0,65 -85 7,05 67 8.9 3 4 4 5 4 6 4 4,02 0,67 -83 7,15 78 8.10 5 4 3 5 5 4 4 3,75 0,93 -75 6,22 66 8.11 3 4 4 4 4 5 4 3,78 0,84 -78 6,41 70

min(ОВСр≤2)=-88%; среднее значение (ОВСр≤2)=-78,33%;

max(ОВСр≥9)=96%; среднее значение (ОВСр≥9)=67,92%.

159

Таблица 7

Факторный анализ на 5-том модуле. Ограничение фактора «Место под хранение» Выгрузка и хранение на складе Факторный анализ

ограничение Место под хранение

№ Место под хра-нение

Стоимость процесса

Убытки Мощности Оценка эффективности

5 (эксперты)

Оценка эффективности

5 (модель)

не более 2 не менее 9

Оценка эффективности

5 (модель)

ОВСр %

Оценка эффективности

5 (модель)

ОВСр %

3 5 5 5 5 5 5,12 3,22 -37 9,30 82 3.1 5 4 4 5 4 4,01 3,24 -19 9,23 130 3.2 5 5 4 5 5 4,96 4,15 -16 9,35 89 3.3 4 4 5 4 4 4,21 3,14 -25 9,15 117 3.4 4 5 4 4 4 4,15 3,03 -27 9,44 127 3.5 4 4 4 4 4 3,89 3,01 -23 9,20 137 4 6 6 6 6 6 5,93 4,36 -26 9,12 54 4.1 6 5 6 5 6 6,01 4,23 -30 9,14 52 4.2 6 6 5 5 6 6,23 4,24 -32 9,16 47 4.3 5 5 6 6 5 5,34 4,26 -20 9,25 73 4.4 5 6 5 5 5 5,14 4,30 -16 9,44 84 4.5 4 5 6 5 4 3,99 3,12 -22 9,36 135 5 8 8 8 8 8 7,85 4,17 -47 9,00 15 5.1 8 8 7 7 8 7,78 4,25 -45 9,10 17 5.2 8 7 8 8 8 8,03 4,36 -46 9,12 14 5.2 8 7 9 9 8 8,12 4,12 -49 9,13 12 5.3 7 8 9 7 7 7,14 4,25 -40 9,24 29 5.4 7 8 8 8 7 6,95 4,23 -39 9,20 32 5.5 9 7 8 9 8 8,24 4,17 -49 9,11 11

160

Выгрузка и хранение на складе Факторный анализ ограничение Место под хранение

№ Место под хра-нение

Стоимость процесса

Убытки Мощности Оценка эффективности

5 (эксперты)

Оценка эффективности

5 (модель)

не более 2 не менее 9

Оценка эффективности

5 (модель)

ОВСр %

Оценка эффективности

5 (модель)

ОВСр %

6 8 8 9 7 8 8,16 4,12 -50 9,12 12 6.1 9 7 9 8 8 8,05 4,35 -46 9,19 14 6.2 9 8 7 9 9 9,01 4,26 -53 9,30 3 6.3 8 9 9 7 9 9,23 4,31 -53 9,20 0 7 4 4 4 4 4 4,14 2,01 -51 7,11 72 7.1 3 3 4 3 3 3,02 2,03 -33 6,23 106 7.2 3 3 3 5 3 3,06 2,12 -31 6,12 100 7.3 3 4 3 5 3 3,09 2,05 -34 6,14 99 7.4 3 4 4 4 4 4,10 2,11 -49 6,21 51 7.5 4 3 4 3 4 3,97 2,15 -46 6,23 57 7.6 4 3 3 5 3 3,12 2,26 -28 5,11 64 8 4 4 3 4 4 4,20 2,45 -42 5,21 24 8.1 4 4 4 3 4 4,12 2,12 -49 5,01 22 8.2 5 4 3 3 4 4,06 2,10 -48 5,06 25 8.3 5 5 5 4 5 5,12 2,30 -55 6,12 20 8.4 5 3 4 4 4 4,01 2,24 -44 5,12 28 8.5 4 4 3 5 4 3,84 2,16 -44 5,09 33 8.6 4 5 5 4 5 4,96 3,10 -38 6,03 22

161

Таблица 8 Факторный анализ. Ограничение фактора «Порт и возможности терминала»

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

1 3 3 4 10 10 5 6 6,15 4,18 -32 8,34 36 1.1 5 3 5 10 10 5 7 6,78 4,48 -34 8,48 25 1.2 3 4 5 10 10 5 6 5,83 3,89 -33 7,44 28 1.3 5 4 4 10 10 5 6 5,77 3,76 -35 7,18 24 1.4 3 4 4 10 10 5 6 6,15 4,11 -33 8,12 32 1.5 5 6 5 10 10 5 6 5,98 4,01 -33 7,18 20 1.6 7 3 4 10 10 5 7 7,15 5,25 -27 8,32 16 1.7 9 3 5 10 10 5 7 6,93 5,19 -25 7,56 9 1.8 7 4 5 10 10 5 7 7,12 5,07 -29 8,25 16 1.9 9 4 4 10 10 5 7 7,01 5,01 -29 8,05 15 1.10 7 4 4 10 10 5 7 6,96 4,97 -29 7,94 14 1.11 9 6 5 10 10 5 7 7,23 5,06 -30 7,78 8

162

Таблица 9

Факторный анализ. Ограничение фактора «Порт и возможности терминала» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

2 3 5 6 10 10 7 7 7,12 5,12 -28 9,01 27 2.1 5 6 6 10 10 7 7 7,23 5,18 -28 8,92 23 2.2 3 6 6 10 10 7 7 6,59 4,89 -26 8,87 35 2.3 5 6 6 10 10 7 7 7,18 5,06 -30 8,91 24 2.4 3 5 6 10 10 6 7 7,01 4,93 -30 8,65 23 2.5 5 6 6 10 10 7 7 6,93 4,56 -34 8,94 29 2.6 7 6 6 10 10 7 7 7,40 5,48 -26 8,88 20 2.7 9 6 6 10 10 7 8 8,10 6,25 -23 8,98 11 2.8 7 5 6 10 10 7 7 7,22 5,34 -26 8,87 23 2.9 9 6 6 10 10 7 8 7,89 6,01 -24 8,95 13 2.10 7 6 6 10 10 7 7 7,01 4,99 -29 8,93 27 2.11 9 6 6 10 10 7 8 8,33 6,35 -24 8,96 8

163

Таблица 10

Факторный анализ. Ограничение фактора «Порт и возможности терминала» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

3 3 4 4 10 5 5 4 3,69 1,98 -46 6,36 72 3.1 5 5 4 10 4 6 5 5,06 3,14 -38 6,24 23 3.2 3 3 4 10 5 5 4 4,22 2,78 -34 6,25 48 3.3 5 4 3 10 4 6 4 3,77 2,01 -47 5,44 44 3.4 3 4 4 10 4 5 4 4,23 2,93 -31 6,22 47 3.5 5 5 3 10 4 6 5 5,23 3,05 -42 7,11 36 3.6 7 3 4 10 5 6 5 4,78 3,06 -36 6,15 29 3.7 9 4 4 10 5 6 5 5,01 3,37 -33 6,18 23 3.8 7 4 4 10 4 5 5 5,06 3,42 -32 6,16 22 3.9 9 5 4 10 4 6 5 4,89 3,05 -38 5,89 20 3.10 7 3 4 10 4 5 5 5,01 3,01 -40 6,11 22 3.11 9 4 3 10 4 6 5 5,14 3,48 -32 6,35 24

164

Таблица 11 Факторный анализ. Ограничение фактора «Порт и возможности терминала»

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

4 5 4 5 10 6 6 5 4,85 3,05 -37 6,85 41 4.1 3 4 3 10 5 6 5 4,96 3,12 -37 6,94 40 4.2 5 4 3 10 6 6 5 5,06 3,48 -31 6,89 36 4.3 7 3 3 10 4 6 5 5,13 3,36 -35 6,45 26 4.4 9 2 5 10 5 7 6 6,32 4,15 -34 7,13 13 4.5 7 3 4 10 4 6 5 5,02 3,25 -35 6,54 30 4.6 9 3 4 10 6 7 6 6,03 4,64 -23 6,91 15 4.7 7 4 5 10 5 7 6 5,96 4,03 -32 7,18 20 4.8 9 4 3 10 4 6 5 5,01 3,05 -39 6,21 24 4.9 3 4 3 10 6 7 5 4,78 3,04 -36 6,74 41 4.10 5 3 3 10 5 7 5 5,36 3,25 -39 5,22 -3 4.11 3 2 4 10 5 6 5 5,14 3,14 -39 6,98 36

165

Таблица 12

Факторный анализ. Ограничение фактора «Порт и возможности терминала» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

5 5 5 6 6 8 7 8 7,80 5,87 -25 9,12 17 5.1 3 6 7 6 7 8 8 7,96 5,78 -27 9,21 16 5.2 5 6 6 7 7 8 8 8,01 6,32 -21 9,05 13 5.3 7 7 6 6 8 8 8 8,12 6,48 -20 9,02 11 5.4 9 5 7 6 8 8 8 8,36 6,68 -20 8,98 7 5.5 7 6 8 7 7 7 8 8,01 6,51 -19 8,74 9 5.6 9 6 7 6 7 7 9 8,95 7,03 -21 9,25 3 5.7 7 7 6 6 8 7 8 8,36 7,01 -16 9,36 12 5.8 9 5 7 7 7 8 8 8,36 7,06 -16 9,06 8 5.9 3 6 8 7 8 7 8 7,69 6,03 -22 8,86 15 5.10 5 6 6 6 7 8 8 8,13 6,48 -20 9,32 15 5.11 3 7 6 7 7 7 8 8,12 6,35 -22 9,24 14

166

Таблица 13 Факторный анализ. Ограничение фактора «Порт и возможности терминала»

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3 не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

6 8 8 8 8 8 7 9 8,98 7,02 -22 9,51 6 6.1 10 8 10 9 8 8 10 9,89 8,01 -19 9,89 0 6.2 8 9 8 8 8 8 9 9,36 7,54 -19 9,65 3 6.3 10 9 9 7 8 8 10 10,30 8,23 -20 10,30 0 6.4 8 9 8 9 9 8 9 9,01 7,21 -20 9,54 6 6.5 10 10 10 9 8 7 10 9,89 7,56 -24 9,89 0 6.6 8 9 8 8 8 8 9 9,16 7,48 -18 9,53 4 6.7 10 9 10 8 9 7 10 9,01 7,52 -17 9,01 0 6.8 8 9 9 7 9 8 9 8,87 7,12 -20 8,87 0 6.9 10 10 9 7 8 8 10 9,89 8,34 -16 9,89 0 6.10 8 9 9 9 8 8 9 9,03 7,21 -20 9,03 0 6.11 10 9 9 7 9 8 10 10,20 8,50 -17 10,20 0

167

Таблица 14 Факторный анализ. Ограничение фактора «Порт и возможности терминала»

№ Оценка эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

7 8 5 4 5 3 5 3 2,96 1,18 -60 4,15 40 7.1 5 5 3 6 4 5 3 2,76 1,24 -55 4,22 53 7.2 4 5 4 5 3 6 2 2,01 1,01 -50 3,86 92 7.3 5 5 4 5 4 5 3 2,78 1,25 -55 3,94 42 7.4 4 5 3 5 3 6 2 1,83 1,01 -45 3,54 93 7.5 4 5 4 5 4 5 3 3,06 1,65 -46 3,78 24 7.6 4 5 3 5 4 6 3 3,07 1,63 -47 4,51 47 7.7 10 5 3 4 3 5 3 3,23 1,19 -63 4,32 34 7.8 4 5 4 5 4 6 3 3,16 1,36 -57 4,53 43 7.9 8 5 3 5 4 5 3 3,25 1,25 -62 4,26 31 7.10 4 5 4 5 4 5 3 2,96 1,38 -53 4,33 46 7.11 5 5 4 5 3 6 3 3,01 1,27 -58 4,52 50

168

Таблица 15

Факторный анализ. Ограничение фактора «Порт и возможности терминала» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 3

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

8 3 5 4 5 4 5 3 3,21 1,89 -41 5,21 62 8.1 5 5 3 5 5 4 4 3,78 2,06 -46 5,01 33 8.2 3 4 4 4 5 6 4 4,21 2,12 -50 6,01 43 8.3 5 4 4 4 5 4 4 3,77 2,13 -44 5,36 42 8.4 3 4 4 4 4 5 3 2,89 1,01 -65 4,89 69 8.5 5 5 3 4 4 6 4 3,78 1,85 -51 5,12 35 8.6 3 4 4 4 5 4 4 3,96 2,03 -49 5,26 33 8.7 5 5 4 4 4 6 4 4,23 1,76 -58 5,54 31 8.8 3 4 4 5 4 4 4 4,21 1,86 -56 6,13 46 8.9 3 4 4 5 4 6 4 4,02 1,89 -53 6,08 51 8.10 5 4 3 5 5 4 4 3,75 2,03 -46 5,12 37 8.11 3 4 4 4 4 5 4 3,78 1,98 -48 5,36 42

169

Таблица 16

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

1 3 3 4 10 10 5 6 6,15 5,23 -15 7,28 18 1.1 3 4 5 10 10 5 6 5,83 4,96 -15 6,86 18 1.2 3 4 4 10 10 5 6 6,15 5,23 -15 7,56 23 1.3 5 3 5 10 10 5 7 6,78 5,56 -18 7,72 14 1.4 5 4 4 10 10 5 6 5,77 4,88 -15 6,74 17 1.5 5 6 5 10 10 5 6 5,98 5,03 -16 6,78 13 1.6 7 3 4 10 10 5 7 7,15 6,48 -9 7,69 8 1.7 7 4 5 10 10 5 7 7,12 6,24 -12 7,89 11 1.8 7 4 4 10 10 5 7 6,96 6,03 -13 7,36 6 1.9 9 3 5 10 10 5 7 6,93 6,32 -9 6,93 0 1.10 9 4 4 10 10 5 7 7,01 6,12 -13 7,01 0 1.11 9 6 5 10 10 5 7 7,23 6,25 -14 7,23 0

170

Таблица 17

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

2 3 5 6 10 10 7 7 7,12 6,24 -12 8,36 17 2.1 3 5 6 10 10 6 7 7,01 6,03 -14 8,36 19 2.2 3 6 6 10 10 7 7 6,59 5,96 -10 7,69 17 2.3 5 6 6 10 10 7 7 7,18 6,15 -14 8,25 15 2.4 5 6 6 10 10 7 7 7,23 6,32 -13 8,01 11 2.5 5 6 6 10 10 7 7 6,93 5,99 -14 7,85 13 2.6 7 6 6 10 10 7 7 7,40 6,55 -11 7,99 8 2.7 7 5 6 10 10 7 7 7,22 6,48 -10 7,83 8 2.8 7 6 6 10 10 7 7 7,01 6,03 -14 7,54 8 2.9 9 6 6 10 10 7 8 8,10 7,54 -7 8,10 0 2.10 9 6 6 10 10 7 8 7,89 7,02 -11 7,89 0 2.11 9 6 6 10 10 7 8 8,33 7,52 -10 8,33 0

171

Таблица 18

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

3 3 4 4 10 5 5 4 3,69 2,76 -25 5,12 39 3.1 3 3 4 10 5 5 4 4,22 3,86 -9 5,11 21 3.2 3 4 4 10 4 5 4 4,23 3,65 -14 5,13 21 3.3 5 5 4 10 4 6 5 5,06 4,25 -16 5,88 16 3.4 5 4 3 10 4 6 4 3,77 3,12 -17 4,55 21 3.5 5 5 3 10 4 6 5 5,23 4,12 -21 6,13 17 3.6 7 3 4 10 4 5 5 5,01 4,02 -20 5,37 7 3.7 7 4 4 10 4 5 5 5,06 4,58 -9 5,64 11 3.8 7 3 4 10 5 6 5 4,78 4,13 -14 5,26 10 3.9 9 4 4 10 5 6 5 5,01 4,56 -9 5,01 0 3.10 9 5 4 10 4 6 5 4,89 4,19 -14 4,89 0 3.11 9 4 3 10 4 6 5 5,14 4,63 -10 5,14 0

172

Таблица 19

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

4. 3 4 3 10 5 6 5 4,96 4,23 -15 5,96 20 4.1 3 4 3 10 6 7 5 4,78 4,03 -16 5,98 25 4.2 3 2 4 10 5 6 5 5,14 4,36 -15 6,28 22 4.3 5 3 3 10 5 7 5 5,36 4,49 -16 4,12 -23 4.4 5 4 5 10 6 6 5 4,85 4,12 -15 5,54 14 4.5 5 4 3 10 6 6 5 5,06 4,53 -10 5,69 12 4.6 7 3 3 10 4 6 5 5,13 4,49 -12 5,49 7 4.7 7 4 5 10 5 7 6 5,96 5,13 -14 6,48 9 4.8 7 3 4 10 4 6 5 5,02 4,49 -11 5,46 9 4.9 9 3 4 10 6 7 6 6,03 5,78 -4 6,03 0 4.10 9 2 5 10 5 7 6 6,32 5,17 -18 6,32 0 4.11 9 4 3 10 4 6 5 5,01 4,19 -16 5,01 0

173

Таблица 20

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

5 5 5 6 6 8 7 8 7,80 6,89 -12 8,34 7 5.1 3 6 7 6 7 8 8 7,96 6,86 -14 8,69 9 5.2 5 6 6 7 7 8 8 8,01 7,45 -7 8,42 5 5.3 7 7 6 6 8 8 8 8,12 7,56 -7 8,38 3 5.4 9 5 7 6 8 8 8 8,36 7,79 -7 8,36 0 5.5 7 6 8 7 7 7 8 8,01 7,62 -5 8,46 6 5.6 9 6 7 6 7 7 9 8,95 8,12 -9 8,95 0 5.7 7 7 6 6 8 7 8 8,36 8,01 -4 8,83 6 5.8 9 5 7 7 7 8 8 8,36 8,22 -2 8,36 0 5.9 3 6 8 7 8 7 8 7,69 7,12 -7 8,65 12 5.10 5 6 6 6 7 8 8 8,13 7,56 -7 8,54 5 5.11 3 7 6 7 7 7 8 8,12 7,48 -8 8,75 8

174

Таблица 21

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

6 8 8 8 8 8 7 9 8,98 8,35 -7 9,12 2 6.1 10 8 10 9 8 8 10 9,89 9,12 -8 9,89 0 6.2 8 9 8 8 8 8 9 9,36 8,69 -7 9,44 1 6.3 10 9 9 7 8 8 10 10,30 9,56 -7 10,30 0 6.4 8 9 8 9 9 8 9 9,01 8,45 -6 9,13 1 6.5 10 10 10 9 8 7 10 9,89 8,71 -12 9,89 0 6.6 8 9 8 8 8 8 9 9,16 8,57 -6 9,25 1 6.7 10 9 10 8 9 7 10 9,01 8,64 -4 9,01 0 6.8 8 9 9 7 9 8 9 8,87 8,25 -7 8,96 1 6.9 10 10 9 7 8 8 10 9,89 9,31 -6 9,89 0 6.10 8 9 9 9 8 8 9 9,03 8,26 -9 9,08 1 6.11 10 9 9 7 9 8 10 10,20 9,58 -6 10,20 0

175

Таблица 22

Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика» № Оценка

эффективности 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

7 8 5 4 5 3 5 3 2,96 2,21 -25 3,13 6 7.1 5 5 3 6 4 5 3 2,76 2,36 -14 3,45 25 7.2 4 5 4 5 3 6 2 2,01 1,98 -1 2,56 27 7.3 5 5 4 5 4 5 3 2,78 2,13 -23 3,01 8 7.4 4 5 3 5 3 6 2 1,83 1,58 -14 2,15 17 7.5 4 5 4 5 4 5 3 3,06 2,69 -12 3,54 16 7.6 4 5 3 5 4 6 3 3,07 2,65 -14 3,52 15 7.7 10 5 3 4 3 5 3 3,23 2,34 -28 3,23 0 7.8 4 5 4 5 4 6 3 3,16 2,46 -22 3,62 15 7.9 8 5 3 5 4 5 3 3,25 2,38 -27 3,34 3 7.10 4 5 4 5 4 5 3 2,96 2,42 -18 3,26 10 7.11 5 5 4 5 3 6 3 3,01 2,29 -24 3,61 20

176

Таблица 23 Факторный анализ. Ограничение фактора «Условия отгрузки от поставщика»

№ Оценка эффективно-сти 1 (Условия отгрузки от поставщика)

Оценка эффективности 2 (Морская доставка (фрахт))

Оценка эффективности 3 (Порт и возможности терминала)

Оценка эффективности 4 (Автоперевозка)

Оценка эффективности 5 (Выгрузка и хранение на складе)

Оценка эффективности 6 (Формирование груза, отправка по ж/д)

Оценка эффективности (эксперты)

Оценка эффективности (модель)

Результат ограничения оценки эффективности 1

не более 2 не менее 9

Оценка эффективности (модель)

ОВСр %

Оценка эффективности (модель)

ОВСр %

8 3 5 4 5 4 5 3 3,21 2,98 -7 4,25 32 8.1 5 5 3 5 5 4 4 3,78 3,15 -17 4,16 10 8.2 3 4 4 4 5 6 4 4,21 3,26 -23 5,19 23 8.3 5 4 4 4 5 4 4 3,77 3,28 -13 4,21 12 8.4 3 4 4 4 4 5 3 2,89 2,12 -27 3,96 37 8.5 5 5 3 4 4 6 4 3,78 2,96 -22 4,44 17 8.6 3 4 4 4 5 4 4 3,96 3,12 -21 4,78 21 8.7 5 5 4 4 4 6 4 4,23 2,89 -32 4,96 17 8.8 3 4 4 5 4 4 4 4,21 2,92 -31 5,21 24 8.9 3 4 4 5 4 6 4 4,02 2,98 -26 5,14 28 8.10 5 4 3 5 5 4 4 3,75 3,11 -17 4,31 15 8.11 3 4 4 4 4 5 4 3,78 3,06 -19 4,96 31

177

Приложение 4

Таблица 1 Пример обработки пяти контрактов но перевозку риса из Хошимина в 2012 году

экспертами транспортно-логистической компании ООО «ДиДиПи Сервис», г. Владивосток Поставщик товара

Вход Выход № Качество товара

Приоритет показателя №1

Рекомендация брокера Приоритет №2

Количество (объем) по контракту Приоритет№5

Срок готовности груза к погрузке в контейнера Приоритет№4

Надежность поставщика Приоритет№3

Показатели загрузки (качество, количество) Приоритет №6

Стоимость процесса

план факт

1 Хорошее-7 Хорошие-8 среднее -6 (500 тонн)

Норма-7 дней Средне -6

Нормальный Средне -7

Удовлетворительное (по факту загружено на 1,65 тонн) Средне -7

438$/тонна *500

тонн

428$/тонна *498,35

тонн(хорошая -7)

2 Хорошее-8 Хорошие-7 среднее -6 (500 тонн)

Незначительно выше нормы -10 дней среднее -6

Нормальный Средне -6

Удовлетворительное (по факту загружено на 0,35 тонн) Средне -6

438$/тонна *500

тонн

428$/тонна *499,65

тонн(хорошая-8)

3 Хорошее-7 Хорошие-7 хорошее -7 (700 тонн)

Отклонение от условий контракта на 7 дней. Нормально

Хороший Хорошие-8

Хорошие-8 492$/тонна *700 тонн

492$/тонна *700 тонн (хорошая-7)

4 Хорошее-8 Хорошие-8 среднее – 6 (500 тонн)

Быстро- 5 дней Отлично-9

Нормальный Средне -6

Нормальное Средне -6

495$/тонна *500

тонн

495$/тонна *500 тонн

(хорошая-7)

178

5 Хорошее-8 Хорошие-7 среднее -6 (500 тонн)

Незначительно выше нормы -11 дней среднее -5

Нормальный Средне -6

Хорошее -7 457$/тонна *500

тонн

457$/тонна *500

тонн(хорошая-8)

Морская доставка (фрахт) Вход Выход

№ Возможность осуществления перевозки №1

Погодные условия №4

Срок поставки №3

Надежность перевозчика №2

Стоимость процесса

1 Доступная (все могут предоставить из 4 агентов)

Нормальные(шторма свойственные сезону)

Длинная(задержка в промежуточном порту по причине отправителя/изготовителя риса) 25 дней

Надежный -9

21000$/за 20 КК

21000$/за 20 КК

2 Доступная (все могут предоставить из 4)

хорошие Длинная(задержка в промежуточном порту по причине отправителя/изготовителя риса + смещение графика судов из-за САММИТА) 32 дня

Надежный-9 21000$/за 20 КК

21000$/за 20 КК

3 Доступная (все могут предоставить из 4)

хорошие Норма 18 дней Надежный-9 21000$/за 20 КК

21000$/за 20 КК

4 Доступная (все могут предоставить из 4)

хорошие Длинная(задержка в промежуточном порту по причине отправителя/изготовителя риса) 30 дней

Надежный-9 21000$/за 20 КК

16500$/за 20 КК

5 Доступная (все могут предоставить из 4)

хорошие Очень долгая(задержка в промежуточном порту по причине отправителя/изготовителя риса и погодных условий) 36 дней

Надежный-9 21000$/за 20 КК

16500$/за 20 КК

Порт (склад) Вход Выход

№ Порт прибытия (в зависимости Уложились в сроки Стоимость процесса

179

от судоходной линии) №2 Фумигация №3

Центр оценки качества зерна№5

Россельхознадзор, ВНИИКР№4

Таможня №6 Возможности терминала №1

1 Рыбный порт (длительно выгружалось с судна- не хорошо)

хорошо Не быстро

хорошо Не очень хорошо - 3 раб. дня

хорошие 2 032 000 руб. (за 500 тонн -20КК)

2 067 050 руб.(за 498,35 тонн- 20КК)

2 Рыбный порт (достаточно быстро выгружен - хорошо)

хорошо Быстро хорошо Не очень хорошо – 2 раб. дня

хорошие 2 032 00 руб. (за 500 тонн- 20КК)

2 029 000 руб.(за 499,65 тонн-20КК)

3 Рыбный порт (длительно выгружалось с судна- не хорошо)

хорошо Быстро хорошо Хорошо – 1 сутки

хорошие 3 170 000 руб. (за 700 тонн- 28КК)

3 141 298 руб.(за 700 тонн-28КК)

4 Торговый порт (длительно выгружалось с судна в связи с штормовым предупреждением- плохо)

хорошо Быстро хорошо Хорошо – 1 сутки

средние 3 066 00 руб. (за 500 тонн- 20КК)

3 170 000 руб.(за 500 тонн-20КК)

5 Торговый порт (затяжное оформлениедокументов/коносаментов - плохо)

хорошо Быстро хорошо Хорошо – 1 сутки

хорошие 3 040 00 руб. (за 500 тонн- 20КК)

3 036 222 руб.(за 500 тонн-20КК)

Автоперевозка / Автовывоз (спустить после порта) Вход Выход

№ Погодные условия №2 Срок перевозки №1 Надежность перевозчика №1

Стоимость процесса

1 Хорошие средние (2 суток ) Отлично 172 000 руб(за 500 тонн) 172 000 руб(за 500 тонн) 2 Дождливые средние (2 суток ) Отлично 172 000 руб(за 500 тонн) 172 000 руб(за 500 тонн) 3 Хорошие нормальные(3 суток ) Отлично 240 800 руб(за 700 тонн) 240 800 руб(за 700 тонн) 4 Хорошие средние (2 суток ) Отлично 172 000 руб(за 500 тонн) 167 800 руб(за 500 тонн) 5 Хорошие средние (2 суток ) Отлично 172 000 руб(за 500 тонн) 167 800 руб(за 500 тонн)

180

Выгрузка и хранение на складе Вход Выход

№ Условия хранения продукции №1

Надежность (ответственность за сохранность груза на складе) №2

Качество выгрузки продукции №3

Стоимость процесса

1 Отличные Хорошая Не очень хорошее 90 000 руб (за 500 тонн) 90 000 руб (за 500 тонн) 2 Отличные Хорошая хорошее 90 000 руб (за 500 тонн) 90 000 руб (за 500 тонн) 3 Отличные Хорошая хорошее 126 000 руб (за 700 тонн) 126 000 руб (за 700 тонн) 4 Отличные Хорошая Не очень хорошее 90 000 руб (за 500 тонн) 90 000 руб (за 500 тонн) 5 Отличные Хорошая хорошее 90 000 руб (за 500 тонн) 90 000 руб (за 500 тонн)

Формирование, отправка по ж/д Вход Выход

№ Срок отправки №2 Сроки доставки до конечной станции №3

Надежность перевозки №1

Стоимость процесса

1 Нормальные (3 дня) Средние ( 17 дней) хорошая 1071000 руб.(за партию) 1071000 руб.(за партию) 2 Хорошая (3 дня) Средние ( 17 дней) хорошая 1071000 руб.(за партию) 1071000 руб.(за партию) 3 Хорошая (3 дня) Средние ( 19 дней) хорошая 1 530 000 руб.(за

партию) 1 530 000 руб.(за партию)

4 Нормальные (3 дня) Средние ( 17 дней) хорошая 1071000 руб.(за партию) 1071000 руб.(за партию) 5 Нормальные (3 дня) Средние ( 17 дней) хорошая 1071000 руб.(за партию) 1071000 руб.(за партию)

181

Приложение 5