Главная Коллекция "Otherreferats" Программирование, компьютеры и кибернетика Синтез, верификация и исследование на устойчивость системно-когнитивной модели перерабатывающего комплекса региона

Синтез, верификация и исследование на устойчивость системно-когнитивной модели перерабатывающего комплекса региона

Результаты исследования системы управления и детерминации различных состояний перерабатывающего комплекса, функции влияния различных факторов на эти состояния и их классификация, а также семантические сети и когнитивные диаграммы классов и факторов.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 15.05.2017
Размер файла 894,7 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Кубанский государственный аграрный университет

СИНТЕЗ, ВЕРИФИКАЦИЯ И ИССЛЕДОВАНИЕ НА УСТОЙЧИВОСТЬ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПЕРЕРАБАТЫВАЮЩЕГО КОМПЛЕКСА РЕГИОНА

Луценко Евгений Вениаминович, д.э.н., к.т.н., профессор

Лойко Валерий Иванович, д.т.н., профессор

Барановская Татьяна Петровна, д.э.н., профессор

г. Краснодар

Аннотация

В данной статье в соответствии с методологией СК-анализа рассматривается вариант конкретной реализации этапов синтеза численной модели и ее анализа. Приводятся результаты исследования системы детерминации различных состояний перерабатывающего комплекса, функции влияния различных факторов на эти состояния и их классификация, а также семантические сети и когнитивные диаграммы классов и факторов. На основе проведенного анализа делаются конкретные выводы и даются рекомендации по принятию решений на уровне руководства региона. После выполнения этапов когнитивной структуризации и формализации предметной области выполняются последующие этапы автоматизированного СК-анализа, первым из которых является этап ввода базы прецедентов. Все эти этапы выполняются непосредственно с применением универсальной когнитивной аналитической системы "Эйдос"

Ключевые слова: автоматизированный системно-когнитивный анализ, интеллектуальная система "Эйдос", база знаний, управление экономической устойчивостью перерабатывающего комплекса, региона искусственный интеллект

In this article, in accordance with the methodology of SC analysis, we consider particular implementation stages of the synthesis of the numerical model and its analysis. We have also presented the results of the determination of the different states of the processing complex function of various factors on these states and their classification, as well as semantic networks and cognitive class diagrams and factors. On the basis of the analysis we made specific findings and recommendations for decision making at the management level of the region. After execution of the stages of cognitive structuring and formalization of the subject area the further stages of automated SC analysis have been accomplished, the first of which is the phase of the input database of precedents. All these steps are performed directly using "Eidos" universal cognitive analytical system

Keywords: automated system-cognitive analysis, "Eidos" intelligent system, base of knowledge, management of economic sustainability of processing regional complex, artificial intelligence

1. Синтез модели

Ввод базы прецедентов

Суть этого этапа состоит в том, что каждый год исследуемого периода рассматривается как пример работы перерабатывающего комплекса региона. Каждый такой пример содержит описания системы действующих факторов и полученных в результате их действия результатов. После разработки справочников классификационных и описательных шкал и градаций и обучающей выборки они были введены в универсальную когнитивную аналитическую систему "Эйдос", которая является программным инструментарием системно-когнитивного анализа.

Синтез семантической информационной модели

База прецедентов используется для расчета статистических матриц, входящих в состав семантической информационной модели:

- матрицы частот фактов: т.е. сочетаний "фактор - состояние ПКР";

- матрицы информативностей, содержащей информацию о силе и направлении действия факторов.

Сформированная в результате численная модель ПКР характеризуется следующими параметрами:

1. Размерность корреляционной матрицы: 130 305, т.е. в модели исследуется зависимость 130 будущих состояний объекта управления от 61 фактора с 305 градациями.

2. Фактографической базой модели является 114 примеров, в которых отражено действие различных сочетаний факторов на переход ПКР в то или иное будущее состояние (объем обучающей выборки).

3. В этих примерах суммарно содержится 6308 фактов.

Под фактом в данной работе понимается зафиксированный по данным статистики случай перехода объекта управления в некоторое состояние под действием определенного значения некоторого фактора.

Приводить в данной работе статистические матрицы численной модели нецелесообразно из-за их большой размерности.

Оптимизация семантической информационной модели

На этом этапе осуществляется:

1. Ранжирование всех факторов по средней силе их влияния на переход ПКР в те или иные будущие состояния.

2. Исключение из модели ПКР тех факторов, которые несущественно влияют на его поведение (Парето-оптимизация).

Оптимизация информационной модели не проводилась по той причине, что все включенные в нее факторы оказались существенными. Это видно из Паретто-диаграммы, в которой степень существенности факторов суммируется нарастающим итогом (рисунок 1).

Рисунок 1. Паретто-диаграмма силы факторов, действующих на перерабатывающий комплекс региона

Характерная "полочка" кривой образовалась не за счет того, что в модели используются несущественные факторы, а по причине отсутствия данных по ряду сочетаний "фактор-состояние" (фрагментарность, неполнота данных).

Проверка адекватности семантической информационной модели

Оценка адекватности включает проверку способности модели правильно осуществлять идентификацию состояний ПКР, как входящих в базу прецедентов (внутренняя валидность), так и не входящих в нее (внешняя валидность), как средневзвешенную по всем будущим состояниям ПКР (интегральная валидность), так и в разрезе по конкретным состояниям (дифференциальная валидность).

Если модель обладает достаточно высокой адекватностью, то ее можно корректно использовать для анализа и исследования устойчивости.

Результаты измерения показали, что полученная численная модель обладает высокой внутренней валидностью (рисунок 2).

Рисунок 2. Видеограмма режима "Измерение валидности" универсальной когнитивной аналитической системы "Эйдос"

Это означает, что данная численная модель адекватно отражает основные закономерности функционирования ПКР, причинно-следственные взаимосвязи между факторами и состояниями ПКР, что позволяет сделать вывод о корректности ее использования для исследования устойчивости перерабатывающего комплекса региона.

Анализ семантической информационной модели

Анализ семантической информационной модели включает:

- формирование функций влияния факторов на состояния объекта управления, информационных портретов будущих состояний ПКР и семантических портретов факторов;

- кластерный и конструктивный анализ будущих состояний ПКР и факторов среды и управления, влияющих на ПКР, генерацию и отображение в графической форме семантических сетей и когнитивных диаграмм будущих состояний ПКР и факторов.

2. Исследование устойчивости управления и работы ПКР

Понятия устойчивости управления и работы

В соответствии с [17 - 27] управление ПКР будем считать устойчивым, если он слабо реагирует на сверхмалые и малые значения факторов. Неустойчивость управления проявляется в неадекватно-сильном реагировании ПКР на сверхмалые и малые значения факторов. Устойчивость по управлению означает, что близкие по значению воздействия фактора вызывают переход объекта управления в близкие состояния. Этот параметр характеризует систему правления в целом, включая управляющую систему, объект управления и окружающую среду.

Устойчивость работы ПКР - это разумно ограниченное, может быть даже слабое реагирование на большие по величине действующие факторы, в т.ч. неблагоприятные. Неустойчивость работа ПКР проявляется в существенном нарушении стабильности и ухудшении его основных показателей при сверхсильных воздействиях. Устойчивость работы означает сохранение хорошего или приемлемого состояния объекта управления при всех, в т.ч. сверхсильных внешних воздействиях окружающей среды. Этот параметр характеризует свойство объекта управления сохранять функционирование на приемлемом уровне в условиях значительных неблагоприятных воздействий окружающей среды.

Классификация функций влияния и принципы их интерпретации

В системно-когнитивном анализе устойчивость управления и работы объекты управления исследуется по виду функций влияния факторов на будущие состояния ПКР:

1. Устойчивая система управления, устойчивый объект управления (плавный куполообразный вид функции влияния с высокой или средней правой частью).

2. Устойчивая система управления, неустойчивый объект управления (плавный куполообразный вид функции влияния с низкой правой частью).

3. Неустойчивая система управления, устойчивый объект управления ("зигзагообразный" вид функции влияния с высокой или средней правой частью).

4. Неустойчивая система управления, неустойчивый объект управления ("хаотические", "зигзагообразный" вид функции влияния с низкой правой частью).

Будем называть эти функции влияния, соответственно, функциями 1-го, 2-го, 3-го и 4-го рода. Примеры функций всех этих типов приведены в таблице 1 на рисунках 3 - 6.

При этом по виду функций влияния выявляются факторы и состояния ПКР, по которым наблюдается высокая устойчивость управления и/или работы, и по которым она не наблюдается.

Таблица 1 - Классификация функций влияния факторов на состояния объекта управления

По управлению

Устойчивая

Неустойчивая

По работе

Устойчивая

Рисунок 3. Система "фактор-состояние ПКР": устойчивая система управления, устойчивый объект управления

Рисунок 4. Система "фактор-состояние ПКР": неустойчивая система управления, устойчивый объект управления

Неустойчивая

Рисунок 5. Система "фактор-состояние ПКР": устойчивая система управления, неустойчивый объект управления

Рисунок 6. Система "фактор-состояние ПКР": неустойчивая система управления, неустойчивый объект управления

Каждая опорная точка на графиках снабжена числом и вертикальным интервалом, которые отражают вклад данного значения фактора в детерминацию конкретного состояния объекта управления. Это в определенной мере является аналогом доверительного интервала в СК-анализе. Число означает процент количества информации от теоретически максимально-возможного, которое мы получаем из факта действия данного значения фактора о переходе объекта управления в данное состояние. Вертикальный интервал тем меньше, чем выше степень детерминации.

На основе этой информации делаются содержательные экономические выводы и вырабатываются научно-обоснованные рекомендации по принятию управленческих решений, направленных на повышение устойчивости работы перерабатывающего комплекса региона.

Функции влияния основных факторов на состояния перерабатывающего комплекса региона

Таким образом, в соответствии с результатами, полученными выше, в формальной модели устойчивости ПКР на взгляд авторов обоснованным является использование следующих классов и детерминирующих их факторов (таблицы 2 и 3).

Таблица 2 - Состояния перерабатывающего комплекса региона, учитываемые в его формальной модели

Коды

НАИМЕНОВАНИЯ СОСТОЯНИЙ

Нач.

Кон.

51

55

ПРОИЗВ.ПРОД.ПО ПЕРЕРАБ.ПРЕДПР.АПК (млн.руб)

56

60

ПРОИЗВ.ПРОД.ПО ПИЩЕВЫМ ПРЕДПР.АПК (млн.руб)

61

65

ПРОИЗВ.ПРОД.ПО МУК.-КРУП.КОМБ.ПРЕДПР.АПК (млн.руб)

76

80

ПРОИЗВ.ПРОД.ПО ПЕРЕРАБ.ПРЕДПР.АПК (%)

81

85

ПРОИЗВ.ПРОД.ПО ПИЩЕВЫМ ПРЕДПР.АПК (%)

86

90

ПРОИЗВ.ПРОД.ПО МУК.-КРУП.КОМБ.ПРЕДПР.АПК (%)

Таблица 3 - Факторы, детерминирующие состояния ПКР, учитываемые в его формальной модели

Код

Наименование описательной шкалы

1

ПОГОЛОВЬЕ КРУПН.РОГ.СКОТА

2

ПОГОЛОВЬЕ КОРОВ

3

ПОГОЛОВЬЕ СВИНЕЙ

4

ПОГОЛОВЬЕ ОВЕЦ

5

ПОГОЛОВЬЕ ПТИЦЫ

6

СРЕДНИЙ УДОЙ ОТ 1-Й КОРОВЫ

7

СРЕДНИЙ НАСТРИГ ШЕРСТИ ОТ 1-Й ОВЦЫ

8

СРЕДНЯЯ ЯЙЦЕНОСКОСТЬ 1-Й КУРИЦЫ НЕСУШКИ

9

РАСХОД КОРМОВ НА 1 ГОЛОВУ УСЛ.СКОТА

10

РАСХОД КОРМОВ НА 1 ГОЛОВУ УСЛ.СКОТА

11

КОЛ-ВО ПРЕДПР.АПК

12

КОЛ-ВО КРУПН.И СРЕДН.ПРЕДПР.АПК

13

КОЛ-ВО ПРЕДПР.С/Х И ДР.НЕПРОМ.ПРОИЗВ.АПК

14

КОЛ-ВО МАЛЫХ ПРЕДПР.АПК

15

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ МЯСА

16

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ МАСЛА ЖИВОТНОГО

17

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ ЦЕЛЬНОМОЛОЧНОЙ ПРОД.

18

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ САХАРА

19

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ КОНСЕРВОВ ПЛОДОВОЩНЫХ

20

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ ВИНА ВИНОГРАДНОГО

21

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ МУКИ

22

ИСП.МОЩН.ПРЕДПР.ПО ВЫПУСКУ КОМБИКОРМОВ

23

ЦЕНЫ РЕАЛИЗАЦИИ С/Х ПРЕДПР. КР.РОГ.СКОТ

24

ЦЕНЫ РЕАЛИЗАЦИИ С/Х ПРЕДПР. СВИНЬИ

25

ЦЕНЫ РЕАЛИЗАЦИИ С/Х ПРЕДПР. ПТИЦА

26

ЦЕНЫ РЕАЛИЗАЦИИ С/Х ПРЕДПР. МОЛОКО И МОЛОЧН.ПРОД.

27

ЦЕНЫ РЕАЛИЗАЦИИ ПЕРЕРАБ.ПРЕДПР. ГОВЯДИНА

28

ЦЕНЫ РЕАЛИЗАЦИИ ПЕРЕРАБ.ПРЕДПР. СВИНИНА

29

ЦЕНЫ РЕАЛИЗАЦИИ ПЕРЕРАБ.ПРЕДПР. МЯСО ПТИЦЫ

30

ПОТРЕБИТЕЛЬСКИЕ ЦЕНЫ В ТОРГОВЛЕ ГОВЯДИНА

31

ПОТРЕБИТЕЛЬСКИЕ ЦЕНЫ В ТОРГОВЛЕ СВИНИНА

32

ПОТРЕБИТЕЛЬСКИЕ ЦЕНЫ В ТОРГОВЛЕ КУРЫ

33

ПОТРЕБИТЕЛЬСКИЕ ЦЕНЫ В ТОРГОВЛЕ МОЛОКО ЦЕЛЬНОЕ

34

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК МАТЕРИАЛЬНЫХ ЗАТРАТ

35

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК СЫРЬЯ И МАТЕРИАЛОВ

36

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК КОМПЛ.И ПОЛУФАБРИКАТОВ

37

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК РАБОТ И УСЛУГ

38

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК ТОПЛИВА И ЭНЕРГИИ

39

ДОЛЯ В СЕБЕСТ.ПО ПРЕДПР.АПК ОПЛАТЫ ТРУДА

40

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. МАТ.ЗАТРАТ

41

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. СЫРЬЯ И МАТЕРИАЛОВ

42

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. КОМПЛ.И ПОЛУФАБРИКАТОВ

43

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. РАБОТ И УСЛУГ

44

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. ТОПЛИВА И ЭНЕРГИИ

45

ДОЛЯ В СЕБЕСТ.ПО ПЕРЕРАБ.ПРЕДПР. ОПЛАТЫ ТРУДА

46

УБОРОЧНАЯ ПЛОЩАДЬ ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ

47

УРОЖАЙНОСТЬ ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ

48

УБОРОЧНАЯ ПЛОЩАДЬ ПШЕНИЦЫ

49

УРОЖАЙНОСТЬ ПШЕНИЦЫ

50

УБОРОЧНАЯ ПЛОЩАДЬ ЯЧМЕНЯ

51

УРОЖАЙНОСТЬ ЯЧМЕНЯ

52

УБОРОЧНАЯ ПЛОЩАДЬ КУКУРУЗЫ

53

УРОЖАЙНОСТЬ КУКУРУЗЫ

54

УБОРОЧНАЯ ПЛОЩАДЬ РИСА

55

УРОЖАЙНОСТЬ РИСА

56

УБОРОЧНАЯ ПЛОЩАДЬ САХАРНОЙ СВЕКЛЫ

57

УРОЖАЙНОСТЬ САХАРНОЙ СВЕКЛЫ

58

УБОРОЧНАЯ ПЛОЩАДЬ ПОДСОЛНЕЧНИКА

59

УРОЖАЙНОСТЬ ПОДСОЛНЕЧНИКА

60

УБОРОЧНАЯ ПЛОЩАДЬ СОИ

61

УРОЖАЙНОСТЬ СОИ

Приведем несколько наиболее характерных функций влияния различных факторов на эффективность работы перерабатывающего комплекса региона и вариант их интерпретации (рисунки 7 - 10).

Наиболее простой и очевидный случай, с очевидной интерпретацией, приведен на рисунке 7.

Рисунок 7. Влияние средний удоя от 1-й коровы на производство продукции в предприятиях АПК (млн.руб.)

Увеличение удоя приводит к увеличению производства продукции на перерабатывающих предприятиях за счет увеличения производства молокозаводов. Но и этот результат интересен, т.к. вообще говоря, рост удоев может сопровождаться одновременным падением поголовья молочного стада и общим уменьшением производства цельного молока, так что в результате производство может и упасть.

При анализе функции, представленной на рисунке 8, сразу обращает на себя внимание резкое падение объемов производства продукции в АПК при высокой и очень высокой доле энергоносителей в себестоимости сельхозпродукции. По-видимому, это связано с потерей смысла для производителей в своей деятельности, если, реализовав произведенную продукцию на рынке, они едва могут окупить топливо, затраченное при ее производстве (естественно, в условиях ограничения рынком цены на сельхозпродукцию).

Рисунок 8. Влияние увеличения доли в себестоимости энергоносителей на производство продукции в АПК (млн.руб.)

В этой функции влияния интересен и рост производства сельхозпродукции при увеличении доли энергоносителей в ее себестоимости от очень низкой до низкой. Вид функции с явным максимум при низкой доле энергоносителей в себестоимости, по-видимому, говорит о том, что этот уровень является оптимальным, а средний - приемлемым. Однако, так же очевидно и то, что используя экономические и законодательные рычаги и таможенное регулирование необходимо не допускать очень большого увеличения доли энергоносителей в себестоимости продукции, т.к. это делает производство низко рентабельным или даже убыточным и приводит к падению его объемов.

На рисунке 9 представлена классическая кривая, которая показывает, что существует оптимальная цена, около которой и надо пытаться балансировать, т.к. очень низкая цена не стимулирует производителей, а очень высокая приводит к снижению объема реализации из-за ограниченной покупательной способности населения.

Рисунок 9. Влияние увеличения цены реализации птицы на производство продукции перерабатывающими предприятиями АПК (в % к предыдущему году)

Характерно, что аналогичный вид имеет функция влияния доли энергоносителей в себестоимости по различным видам продукции в АПК, например в мукомольно-крупяной и комбикормовой промышленности АПК (рисунок 10).

Информационные портреты основных состояний перерабатывающего комплекса региона

Информационный портрет класса представляет собой список градаций, т.е. по сути дела значений, факторов в порядке убывания их влияния на переход объекта управления в состояние, соответствующее данному классу.

Таким образом, информационные портреты отражают структуру детерминации будущих состояний объекта управления, т.е. они показывают факторы:

- способствующие переходу ПКР в данное состояние, соответствующее классу, в порядке убывания их силы влияния;

- препятствующие переходу ПКР в данное состояние, соответствующее классу, в порядке увеличения их силы влияния.

Рисунок 10. Влияние увеличения доли энергоносителей в себестоимости на производство продукции в АПК (млн.руб.)

Таблица 4 - Задание на генерацию информационных портретов классов распознавания

В универсальной когнитивной аналитической системе "Эйдос" реализован удобный пользовательский интерфейс, позволяющий быстро сформировать подобное задание. В задании, представленном в таблице 42, диапазоны кодов классов заданы таким образом, чтобы в информационных портретах содержалась информация по перерабатывающему комплексу региона, а диапазоны кодов признаков так - чтобы отразить детерминацию состояний определенными группами факторов, характеризующих, например, структуру себестоимости или цены реализации. Ниже в качестве примера приведено несколько информационных портретов (таблицы 5 - 8).

Таблица 5 - Информационный портрет класса распознавания

Таблица 6 - Информационный портрет класса распознавания

Таблица 7 - Информационный портрет класса распознавания

Таблица 8 - Информационный портрет класса распознавания

Информационные портреты могут быть представлены и в графической форме (рисунок 11).

Рисунок 11. Информационные портреты некоторых состояний ПКР с фильтрами по факторам, отражающими структуру себестоимости сельхозпродукции

Эти информационные портеры можно интерпретировать таким образом, что по опыту работы перерабатывающих предприятий АПК Краснодарского края в 1995 - 2002 годах, при приведенной в них структуре себестоимости продукции получались соответствующие итоговые результаты деятельности перерабатывающего комплекса и АПК в целом. Следовательно, можно сделать выводы о желательной и нежелательной структуре себестоимости.

В тоже время необходимо отметить, что АПК региона представляет собой чрезвычайно сложную и самосогласованную систему, в которой одно звено ни в коем случае нельзя рассматривать изолированно от другого. Это означает, что к оптимизации тех или иных подсистем АПК необходимо подходить осторожно, обязательно одновременно исследуя к каким изменениям других подсистем приведут меры по оптимизации. Это означает, что некоторые желательные состояния отдельных подсистем АПК детерминируются несовместимыми системами факторов и одновременно не реализуются, т.е. являются антагонистическими, другие же вполне могут быть достигнуты одновременно, т.е. образуют коалицию. Следовательно, если мы оптимизируем одну из антагонистических подсистем АПК, то другую этим самым "загоняем" в очень неблагоприятные для нее условия. Следовательно, оптимизация АПК во многом является искусством компромисса.

3. Кластерно-конструктивный и когнитивный анализ модели

семантический когнитивный детерминация управление

В системно-когнитивном анализе и его инструментарии - системе "Эйдос", имеется специальные средства, предусмотренные для выявления антагонистических и коалиционных ситуаций и будущих состояний объекта управления - это кластерно-конструктивный анализ.

Кластерный анализ факторов дает информацию о сходстве влияния различных факторов на переход ПКР в будущие состояния, а конструктивный - о факторах, имеющих противоположное действие.

Кластерный анализ будущих состояний ПКР позволяет оценить их сходство с точки зрения детерминирующих их факторов. Если близкие по детерминирующей системе факторов состояния перерабатывающего комплекса региона мало отличаются друг от друга, то это говорит об устойчивости управления по этим факторам. Если же в одном кластере находятся сильно отличающиеся друг от друга состояния, то это означает, что сходная система детерминирующих факторов может вызвать переход системы управления в самые различные состояния, что говорит о неустойчивости управления по этим факторам.

Конструктивный анализ будущих состояний ПКР позволяет обнаружить пары наиболее сильно отличающихся будущих состояний ПКР, которые одновременно недостижимы. Результаты конструктивного анализа играют большую роль при постановке задачи оптимизации деятельности перерабатывающего комплекса региона, как одной из важнейших подсистем АПК. Некорректно ставить задачу одновременного достижения желательных состояний ПКР, несовместимых друг с другом по детерминирующим их факторам, т.е. являющихся полюсами конструкта. Если же эти состояния образуют кластер, то они вполне одновременно достижимы.

Вся информация о результатах кластерно-конструктивного анализа будущих состояний ПКР и факторов отображается в текстовых формах, а также в наглядной графической форме семантических сетей и когнитивных диаграмм, гистограмм значений координат их векторов в семантических пространствах.

Результаты кластерно-конструктивного анализа отображаются в форме семантических сетей и когнитивных диаграмм, которые генерируются системой "Эйдос". Приведем в качестве примеров некоторые из них (рисунки 12 и 13).

Красные линии соединяют состояния коалиционные, детерминируемые сходными системами факторов, а синие - антагонистические, одновременно недостижимые.

Толщина линии означает степень коалиционности или антагонистичности состояний. Структуру любой линии можно детально изучить на когнитивной диаграмме, также генерируемой системой "Эйдос" (рисунки 14 и 15).

Детальная структура различия факторов по детерминируемым ими будущим состояниям ПКР представлена на рисунках 16 и 17.

Рисунок 12. Семантическая сеть классов, построенная по результатам кластерно-конструктивного анализа в системе "Эйдос"

Рисунок 13. Семантическая сеть классов, построенная по результатам кластерно-конструктивного анализа в системе "Эйдос"

Рисунок 14. Детальная структура различий в системах детерминации по структуре себестоимости антагонистических состояний ПКР с кодами 85 и 90

Рисунок 15. Детальная структура различий в системах детерминации антагонистических состояний ПКР с кодами 77 и 88.

Рисунок 16. Детальная структура различий в системах детерминации антагонистических состояний ПКР с кодами 77 и 88.

Рисунок 17. Детальная структура различий в системах детерминации антагонистических состояний ПКР с кодами 77 и 88.

Из семантической сети, приведенной на рисунках 12 и 13, отражающей результаты кластерно-конструктивного анализа состояний ПКР, видно, что если добиваться очень высоких объемов производства по перерабатывающим предприятиям в стоимостном выражении (класс 55), то это одновременно даст очень большие объемы в мукомольно-крупяной и комбикормовой промышленности (класс 65), но эти же меры скорее всего приведут к резкому падению производства по пищевым предприятиям (код 60). Так что ставить такую задачу вряд ли целесообразно.

Но если ставить задачу достижения просто высоких объемов производства по перерабатывающим предприятиям в стоимостном выражении (класс 54), то это одновременно даст очень большие объемы в мукомольно-крупяной и комбикормовой промышленности (класс 65), и вероятнее всего большое (класс 59) или менее вероятно очень малое производство по пищевым предприятиям (код 60).

Таким образом, ясно, что по пищевым предприятиям система управления неустойчива.

На семантической сети рисунок 13 представлены те же классы, что и на рисунке 12, но в относительном выражении: физические объемы производства в процентах к прошлому году. Из данной диаграммы видно, что очень большой рост физических объемов производства в мукомольно-крупяной и комбикормовой промышленности (класс 90) вызывается (детерминируется) теми же значениями факторов, что и большой рост производства в пищевой промышленности (класс 84), но практически несовместим с очень большим ростом производства по перерабатывающим предприятиям АПК (класс 80).

Сопоставление семантических сетей на рисунках 12 и 13 показывает, что достижение положительных результатов хозяйствования в ценовом выражении не может рассматриваться как самоцель, т.к. сопровождается одновременным падением физических объемов производства в ряде подотраслей ПКР. Это говорит о необходимости регулируемой ценовой политики, обеспечивающей удержание уровня цен в разумном коридоре, обеспечивающем разумный баланс интересов производителей и покупателей продукции ПКР.

Из когнитивной диаграммы, представленной на рисунке 14 следует, что очень большой рост физических объемов производства по пищевым предприятиям АПК (класс 85) и по предприятиям мукомольно-крупяной и комбикормовой промышленности (класс 90) достигается при различной структуре себестоимости продукции. Иначе говоря, оптимальная структура себестоимости продукции в этих подотраслях перерабатывающей промышленности различна.

Из диаграммы, представленной на рисунке 15 видно, какие изменения в структуре себестоимости продукции могут предопределить значительный рост производства (класс 90) или значительное его падение (класс 86) на предприятиях мукомольно-крупяной и комбикормовой промышленности.

Из диаграммы, представленной на рисунке 16 видно, какие состояния перерабатывающего комплекса региона детерминируется факторами: "Доля в себестоимости по перерабатывающим предприятиям топлива и энергии высокая и низкая".

Из диаграммы, представленной на рисунке 79 видно, какие состояния перерабатывающего комплекса региона детерминируется факторами: доля в себестоимости по перерабатывающим предприятиям топлива и энергии очень высокая и очень низкая.

Таким образом, задачи синтеза, верификации и исследования системно-когнитивной модели перерабатывающего комплекса региона решались на единой стандартизированной методологической и инструментально-технологической основе системно-когнитивного анализа (СК-анализ) с использованием его программного инструментария - универсальной когнитивной аналитической системы "Эйдос", разработанных руководителем проекта. СК-анализ обеспечивает как синтез и верификацию семантических информационных моделей перерабатывающего комплекса региона, так и их исследование на экономическую устойчивость и использование для решения задач прогнозирования, управления и исследования.

Литература

1. Луценко Е.В. Концептуальные основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта / Е.В. Луценко, В.И. Лойко, Т.П. Барановская // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №03(087). С. 739 - 748. - IDA [article ID]: 0871303057. - Режим доступа: http://ej.kubagro.ru/2013/03/pdf/57.pdf, 0,625 у.п.л.

2. Луценко Е.В. Применение СК-анализа и системы "Эйдос" для синтеза когнитивной матричной передаточной функции сложного объекта управления на основе эмпирических данных / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №01(75). С. 681 - 714. - Шифр Информрегистра: 0421200012\0008. - Режим доступа: http://ej.kubagro.ru/2012/01/pdf/53.pdf, 2,125 у.п.л.

3. Луценко Е.В. Системно-когнитивный анализ временных рядов на примере фондового рынка (когнитивная структуризация и формализация предметной области) / Е.В. Луценко, Е.А. Лебедев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(51). С. 1 - 37. - Шифр Информрегистра: 0420900012\0073. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/01.pdf, 2,312 у.п.л.

4. Луценко Е.В. Системно-когнитивный анализ временных рядов на примере фондового рынка (синтез и верификация семантической информационной модели) / Е.В. Луценко, Е.А. Лебедев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(51). С. 38 - 46. - Шифр Информрегистра: 0420900012\0072. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/02.pdf, 0,562 у.п.л.

5. Луценко Е.В. Системно-когнитивный анализ временных рядов на примере фондового рынка (прогнозирование, принятие решений и исследование предметной области) / Е.В. Луценко, Е.А. Лебедев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(51). С. 47 - 82. - Шифр Информрегистра: 0420900012\0071. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/03.pdf, 2,25 у.п.л.

6. Луценко Е.В. Прогнозирование урожайности подсолнечника по Краснодарскому краю с применением системно-когнитивного анализа (Часть 2-я: Формальная постановка задачи и преобразование исходных данных в информацию, а ее в знания) / Е.В. Луценко, Н.О. Познышева // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №10(84). С. 384 - 409. - Режим доступа: http://ej.kubagro.ru/2012/10/pdf/31.pdf, 1,625 у.п.л.

7. Луценко Е.В. Прогнозирование урожайности подсолнечника по Краснодарскому краю с применением системно-когнитивного анализа (Часть 3-я: Решение задач прогнозирования и исследования предметной области) / Е.В. Луценко, Н.О. Познышева // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №10(84). С. 410 - 435. - Режим доступа: http://ej.kubagro.ru/2012/10/pdf/32.pdf, 1,625 у.п.л.

8. Лойко В.И. Структура 1 производственной системы с вертикальной интеграцией / В.И. Лойко, В.В. Крохмаль // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). С. 224 - 239. - Режим доступа: http://ej.kubagro.ru/2004/01/pdf/07.pdf, 1 у.п.л.

9. Крохмаль В.В. Структура 2 производственной системы с вертикальной интеграцией / В.В. Крохмаль, В.И. Лойко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). С. 240 - 254. - Режим доступа: http://ej.kubagro.ru/2004/01/pdf/08.pdf, 0,938 у.п.л.

10. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.

11. Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(067). С. 240 - 282. - Шифр Информрегистра: 0421100012\0077, IDA [article ID]: 0671103018. - Режим доступа: http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 у.п.л.

12. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе "Эйдос") / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

13. Луценко Е.В. Разработка без программирования и применение в адаптивном режиме методик риэлтерской экспресс-оценки по методу аналогий (сравнительных продаж) в системно-когнитивном анализе и интеллектуальной системе "Эйдос" / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №10(094). С. 507 - 564. - IDA [article ID]: 0941310036. - Режим доступа: http://ej.kubagro.ru/2013/10/pdf/36.pdf, 3,625 у.п.л.

14. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с.

15. Луценко Е.В. Системно-когнитивный подход к построению многоуровневой семантической информационной модели управления агропромышленным холдингом / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №07(041). С. 194 - 214. - Шифр Информрегистра: 0420800012\0095, IDA [article ID]: 0410807011. - Режим доступа: http://ej.kubagro.ru/2008/07/pdf/11.pdf, 1,312 у.п.л.

16. Луценко Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №09(063). С. 1 - 23. - Шифр Информрегистра: 0421000012\0233, IDA [article ID]: 0631009001. - Режим доступа: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 у.п.л.

17. Орлов А.И. Системная нечеткая интервальная математика (СНИМ) - перспективное направление теоретической и вычислительной математики / А.И. Орлов, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 255 - 308. - IDA [article ID]: 0911307015. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/15.pdf, 3,375 у.п.л.

Размещено на Allbest.ru


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены