Delist.ru

Автоматизация оперативного управления материальными потоками в подсистеме материально-технического снабжения производственного объединения (17.04.2009)

Автор: Сатышев Сергей Николаевич

Вначале закупаются средства производства, которые в виде материального потока поступают в систему, обрабатываются, складируются и затем уходят из логистической системы в потребление, в обмен на поступающие в нее финансовые ресурсы. Материальный поток образуется в результате совокупности определенных действий с материальными объектами.

Во второй главе диссертации разработаны методы и модели, динамического управления материальными потоками. Предполагается, что материальный поток проходит через управляемую сеть. Тогда им можно управлять за счет выбора конфигураций сети. Для определения правила выбора конфигурации сети введен вектор управления:

, Z+ - множество положительных целых чисел.

Выполнена привязка каждой дуги базовой сети к определенной компоненте вектора управления. При некоторых значениях компоненты вектора управления связанная с ней дуга исключается из базовой сети, определяя тем самым одну из конфигураций сети. Одна и та же компонента вектора управления может быть связана с несколькими дугами сети. При одних значениях данной компоненты вектора управления некоторые связанные с компонентой дуги исключаются из сети, а другие – нет.

Для каждой дуги базовой управляемой сети задается конечное множество значений, которые может принимать связанная с данной дугой компонента вектора управления и при которых дуга не исключается из базовой сети. Максимальное число возможных конфигураций базовой сети при этом не превосходит мощности множества значений вектора управления:

Структура графа базовой сети формально описывается с помощью матрицы смежности базовой сети:

где L - количество узлов базовой сети.

Для описания связи компонент вектора управления u = [u1…uM]T с дугами базовой сети используем матрицу управлений:

Основной задачей разработанной модели управляемой сети является обеспечение за счет выбора конфигураций сети оптимального перемещения потока, проходящего через сеть. Под оптимальным перемещением потока следует понимать прохождение через сеть наибольшего количества потока за заданное число тактов N.

Для формализации критерия в управляемой сети определено множество узлов-источников:

и множество узлов-стоков:

Узел-источник не имеет в конфигурации базовой сети ни одной входящей в него дуги, поэтому он соответствует нулевому столбцу в матрице смежности. Узел-сток не имеет в конфигурации базовой сети ни одной выходящей дуги, поэтому он соответствует нулевой строке в матрице смежности.

Остальные узлы, номера которых соответствуют ненулевым строкам и столбцам матрицы смежности базовой сети, называем внутренними узлами сети.

= ( , i ( I0 ( I1 .

Задача оптимального управления потоком в сети заключается в нахождении программного управления u(.)=(u(1),u(2),…,u(N)), обеспечивающего максимум следующего функционала:

При распределении потока и выполнении на каждом такте управления следующих ограничений:

", что известны статистические параметры начального значения вектора потока. Начальное значение вектора потока является случайным вектором из L независимых переменных, распределенных по нормальному закону со следующей функцией совместной плотности распределения:

, которая обеспечит максимум следующего функционала:

= –1 , 1 ( i ( L .

с известными значениями математических ожиданий и среднеквадратических отклонений:

программа оптимального управления дает наилучшее значение функционала в среднем для множества реализаций начальных значений.

В третьей главе диссертации разработаны методы и алгоритмы синтеза стратегии управления материальными потоками, основанные на формировании алгоритмов прогноза потока заказов на различные виды комплектующих.

Анализ работ по моделированию и управлению материальными потоками показал, что в большинстве случаев проводится раздельный анализ процессов имитации и оптимизации. В диссертации предлагается совмещение указанных процессов. Это порождает управляемый имитационный процесс, анализ которого значительно усложняется в силу появления нестационарного режима при изменении управляемых параметров в ходе эксперимента. Для решения этой задачи предлагается формализованное представление процесса поисковой оптимизации, учитывающего особенности получения оценок посредством программных имитационных моделей.

). Здесь блок выбора активной имитационной модели (ИМ) реализует выбор той или иной ИМ в зависимости от этапа работы блока оптимизации. При этом обеспечивается плавное увеличение времени прогона ИМ от первого к последнему поколению работы алгоритма. Макросхема генетического поиска решает проблему выхода из локальных оптимумов, возникающую из-за сложности ИМ, а также из-за сокращения времени прогона на первых поколениях развития популяции.

При имитационном моделировании процессов управления материальными потоками необходимо определить, какие аспекты реальных сложных систем нужно отразить в имитационной модели, а какие пропустить. Как правило, только в редких случаях необходимо точное соответствие между всеми элементами системы и модели. Моделирование буквально всех аспектов системы часто не требуется, к тому же оно не достижимо из-за ограничений, связанных со временем, финансовыми и компьютерными возможностями.

Гибридная система поиска решений на основе имитационной модели различной точности и макросхемы генетического поиска

При имитационном моделировании разработчику необходимо определить, какие аспекты реальных сложных систем нужно отразить в имитационной модели, а какие пропустить. Как правило, только в редких случаях необходимо точное соответствие между всеми элементами системы и модели. Моделирование буквально всех аспектов системы часто не требуется, к тому же оно не достижимо из-за ограничений, связанных со временем, финансовыми и компьютерными возможностями.

В разработанном алгоритме управления используются операции проверки условия для скрещивания родителей, создания и включения потомков в популяцию для всех отобранных пар, что является выполнением одного периода основного цикла или одного поколения. После этого выполняется переход к поиску наилучшего решения и затем повторяются все этапы основного цикла заданное число раз. Количество основных циклов соответствует количеству поколений. После выполнения всех циклов находим оптимальное решение по наибольшему значению компоненты вектора приспособленности.

Ниже приведено пошаговое описание генетического алгоритма.

]T - вектор максимальных значений компонент управления, x(0) = [x1(0)…xL(0)]T - начальное значение вектора потока, N - количество тактов управления.

Шаг 1. h = 1.

Шаг 2. k = 1.

Шаг З. j = 1.

Шаг 5. j = j + 1. Если j ( M, то переходим на шаг 4.

Шаг 6. k = k + 1. Если k ( N, то переходим на шаг 3.

Шаг 7. fh = F(uh(.)) , h = h + 1. Если h ( H , то переходим на шаг 2.

Шаг 8. p = 1.

Шаг 9. h+ = 1 , f + = f1 , h = 2.

Шаг 10. Если fh > f + ,то f + = fh , h+ = h .

Шаг 11. h = h + 1. Если h ( H , то переходим на шаг 9.

загрузка...