Создать PDF Рекомендовать Распечатать

Интеллектуальные информационные технологии в управлении городом в нефтегазовом регионе России

Теория систем | (24) УЭкС, 4/2010 Прочитано: 10687 раз
(0 Голосов:)
  • Автор (авторы):
    Белобородова Наталья Андреевна
  • Дата публикации:
    27.11.10
  • ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
    Институт управления, информации и бизнеса, г. Ухта

Интеллектуальные информационные технологии в управлении городом в нефтегазовом регионе России

Аннотация:  Рассматривается проблема усиления  потенциала функции прогнозирования развития муниципального образования на примере города в нефтегазовом регионе страны. Предлагаемая технология расчетов с использованием генетического алгоритма позволяет объективно решать задачи анализа факторов, определяющих рост производства в анализируемом периоде, определять оптимальные варианты производства в экономике муниципального образования с учетом выпуска основных видов продукции.

 

Ключевые слова: генетический алгоритм, прогнозирование оптимальных вариантов роста производства

 

Abstract: The problem of strengthening of potential of forecasting of growth of manufacture in economy of municipal formation is considered. The technology of calculations with use genetic algorithm, allows to solve objectively tasks of the analysis of the factors determining growth of manufacture in the concrete analyzed period, to define optimum variants of growth of manufacture in economy of municipal formation in view of release of the basic kinds of production.

 

Keywords: the genetic algorithm, the forecasting optimum variants of growth of manufacture

Белобородова Наталья Андреевна
кандидат экономических наук, доцент
Институт управления, информации и бизнеса, г. Ухта
velbest@mail.ru


 

 

 

Введение

 

На территории городов в нефтегазовых регионах России сосредоточен мощный и высокоразвитый производственный потенциал предприятий нефтегазового комплекса. Он является “мультипликатором” устойчивого социально-экономического развития республик, областей и др. субъектов Российской Федерации, базой для модернизации и обновления промышленности в стране, создания и развития новых отраслей производства. Несмотря на то, что, муниципальные образования (МО) на территории городов в нефтегазовых регионах страны имеют развитый производственный потенциал, местные власти не могут обеспечить достаточный уровень налоговых поступлений в местные бюджеты, сокращение безработицы, снижение уровня бедности населения.

 

В ходе анализа действующего механизма управления муниципальным образованием на примере МО “Городской округ “Ухта” в Республике Коми, его основных функций, методов и инструментов управления, выявлены серьезные проблемы в управлении МО, ограничивающие его эффективность. Это следующие проблемы управления:

  • не определены количественно цели перспективного развития муниципального образования;
  • не используются в полной мере возможности прогнозирования и данных мониторинга развития территории;
  • не применяются современные информационные технологии в муниципальном управлении.

Общий итог перечисленных недостатков - местные власти не обладают видением долгосрочных перспектив развития МО, не знают, сколько и какой продукции необходимо произвести в текущем году, через год, через два года и т.д., чтобы обеспечить социально-экономическое развитие подчиненной территории; не имеют инструментов для выявления “точек роста” и перспективных производств; не имеют инструментов, использование которых могло бы дать информацию о предвидении неблагоприятных тенденций и факторов развития территории.

 

Таким образом, имеющиеся серьезные недостатки управления МО на местном, локальном уровне, обуславливают необходимость его совершенствования применительно к современным, в т.ч. кризисным, условиям развития.

 

Использование технологий на основе методов искусственного интеллекта.

 

Стандартный перечень функций управления МО включает: прогнозирование, планирование, организацию, регулирование, контроль (мониторинг) [1,2,3,4].

 

Управление муниципальным образованием начинается с разработки прогнозов социально-экономического развития, и, как показано в работе, в настоящее время прогнозно-аналитические работы не удовлетворяют требованиям комплексности, достоверности и достаточной глубины прогнозирования, поэтому, прежде всего, необходимо рассмотреть вопросы совершенствования функции управления МО - прогнозирования развития.
В данной работе предлагается усилить информативность функции управления, прогнозирования, за счет:

  • выявления значимых факторов, определяющих рост производства;
  • определения “лучшего” варианта развития производственной сферы экономики, дающего максимально возможный эффект - доходы  территории от производства в денежном выражении.

Анализ существующих методов прогнозирования показал, что в настоящее время все большее распространение получают методы искусственного интеллекта – аппарата искусственных нейронных сетей, нечетких множеств, генетических алгоритмов (ГА).

 

В [1,3] представлена методика построения прогнозных вариантов роста производства в экономике МО с использованием искусственных нейронных сетей.

 

В данной работе исследованы возможности генетических алгоритмов (ГА) для решения задачи определения “лучшего” (прогнозного) варианта развития производственной сферы экономики, определяющего максимальную доходность территории МО от производства в денежном выражении.

 

В работе рассматривается ГА, в котором совокупность оптимизируемых параметров представляется в виде генов, образующих хромосомную нить. Генетический алгоритм поддерживает группу хромосом (популяцию), являющихся претендентами на оптимальное решение. Применяя ряд вероятностных операторов, таких как отбор, скрещивание и мутация, генофонд популяции стремится получить большую пригодность к условиям задачи. Аналогично тому, как в процессе биологического генезиса выживают и развиваются особи, наиболее приспосабливающиеся к воздействию некоторых факторов окружающей среды, так и в процессе поиска оптимума  прогрессируют те решения, которые наиболее пригодны (оптимальны) к условиям поставленной задачи (целевому критерию). Практически алгоритм представляет собой простые операции обмена и копирования частей хромосомных нитей, легко распараллеливаются, и с проблемной областью связан лишь определением функции пригодности.

 

Можно отметить следующие свойства генетических алгоритмов:

  1. обрабатывают не значения параметров самой задачи, а их закодированную форму;
  2. осуществляют поиск решения исходя не из единственной точки, а из некоторой популяции;
  3. используют только целевую функцию, а не ее производные;
  4. применяют вероятностные, а не детерминированные правила выбора.

Перечисленные свойства, которые можно сформулировать также как кодирование параметров, операции на популяциях, использование минимума информации о задаче и рандомизация операций  приводят в результате к устойчивости генетических алгоритмов и к их превосходству над другими широко применяемыми технологиями.

 

Важным понятием в ГА является функция пригодности (также функция приспособленности, функция оценки). Она представляет собой меру пригодности (приспособленности) данной особи в популяции. Эта функция играет важнейшую роль, поскольку позволяет оценить степень приспособленности конкретных особей в популяции и выбрать из них наиболее приспособленные (т.е. имеющие наибольшие значения функции пригодности) в соответствии с эволюционным принципом выживания “сильнейших”, лучше всего приспособившихся.
Процессы эволюции, происходящие в ГА, основаны на следующем принципе: “каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде”.

 

Новые индивиды – решения в ГА – создаются с использованием генетических операторов: отбор, скрещивание и мутация. Каждый из них отвечает за определенный процесс в развитии.
Подробнее о ГА можно найти в [5,6,7].

 

Для отладки технологии использовались статистические данные социально-экономического развития муниципального образования “Городской округ “Ухта”.

 

Первоначально решалась задача нахождения значимых факторов, определяющих рост производства в экономике МО по технологии, предложенной в [1,2,3,4,9,10].

 

В результате расчетов совокупность показателей, определяющих рост производства в экономике города в анализируемом периоде, представлена переменными Х1, Х3, Х10, Х12, это: добыча нефти, производство дизельного топлива, производство молока и молочной продукции в агропромышленном комплексе, производство молока в сельском хозяйстве.

 

Для решения задачи нахождения оптимального (“лучшего”) варианта развития производственной сферы экономики, дающего максимально возможный эффект – рост денежных доходов территории от производства, используем классический генетический алгоритм [6].

 

Решением будет наилучший найденный индивид.

 

Алгоритм нахождения “лучшего” варианта роста производства на основе ГА:

  1. Инициализация. Генерируем случайную начальную популяцию из Nбинарных хромосом.
  2. Оценивание приспособленности хромосом в популяции. Расчет функции пригодности. Находим значение выбранной целевой функции для каждой хромосомы в соответствии с выбранной оценкой и функцию пригодности.
  3. Воспроизводство. Выполняем шаги 3.1 – 3.4, пока не создадим новую популяцию из Nхромосом.
    • 3.1. Отбор, селекция. С вероятностью Piотбора отбираем из популяции две родительские хромосомы.
    • 3.2. Скрещивание. С вероятностью скрещивания Pскр. определяем, выполнять операцию скрещивания или нет. Если да, то выполняется обмен случайными позициями. В обоих случаях хромосомы переводятся в разряд потомков.
    • 3.3. Мутация. С вероятностью мутации Рm меняем у хромосом-потомков случайно выбранный бит.
    • 3.4. Создание новой популяции. Формируем новую популяцию, применяем элитизм.
  4. Повторение. Переходим на п. 2 и повторяем процесс до выполнения некоторого условия окончания действия алгоритма.
  5. Выбор “лучшей” хромосомы.

В результате применения операций генетического алгоритма были получены следующие результаты:

 

“лучший” вариант (прогноз) производства, который обеспечивает максимальный объем денежных доходов территории, был получен в 12-м поколении популяции:

 

при  Х1(добыча нефти) = 73.94 тыс. тонн,  Х3(производство дизельного топлива) = 15.42 тыс. тонн, Х10(производство молочной продукции в АПК) = 466.26 тонн,  Х12(производство молока в сельском хозяйстве) = 626.95 тонн будет получено  Y = 331.98млн. руб. (расчетное “прогнозное” значение).

 

Согласно статистическим данным, максимальный доход от  производства в анализируемом периоде фактически составил 332.7 млн. рублей, относительная погрешность расчетов составляет 0.21%.

 

Заключение

 

Таким образом, предлагаемая технология расчетов с использованием ГА, позволяет объективно решать задачи анализа факторов, определяющих рост производства в конкретном анализируемом периоде, определять оптимальные варианты роста производства в экономике муниципального образования с учетом выпуска основных видов продукции. Предлагаемая технология способствует повышению потенциала прогнозирования за счет:

  • определения перспективных производств (“точек роста”);
  • определения оптимальных вариантов роста производства;
  • отслеживания структурных изменений в экономике города.

Результаты применения технологии на реальных данных социально-экономического развития МО ГО “Ухта” в анализируемом периоде выявили параметры и факторы, определяющие рост производства, их взаимосвязь, количественные характеристики.

 

Список Литературы

 
  1. Белобородова Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей: Материалы научно-технической конференции, 16-18 апреля 2001 г. / УГТУ. Ухта, 2002. – С. 176-180
  2. Белобородова Н.А. Методика и модели прогнозирования развития экономики муниципального образования “Город Ухта”/ УГТУ. Ухта, 2002. –  50 с.
  3. Белобородова Н.А. Модели прогнозирования роста производства с использованием нейронных сетей //Известия вузов. Сер. Нефть и газ. 2002.   № 4. С. 110-117.
  4. Джонс М.Т. Программирование искусственного интеллекта в приложениях / Пер. с англ. А.И. Осипова. – М.: ДМК Пресс, 2004. – 312 с.
  5. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, нечеткие системы / Пер. с польск. – И.Д. Рудинского. – М.: Горячая линия – Телеком, 2004. – 452 с.
  6. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. – М.: Горячая линия – Телеком, 2004. – 143 с.
  7. Емельянов В.В.,  Курейчик В.М.,  Курейчик  В.В.Теория и практика эволюционного моделирования. – М.: Физматлит, 2003. – 432 с.
  8. Щетинин В.Г. Анализ факторов экономического роста региона // Вопросы статистики. 1996. № 3. С. 40-46.
  9. Щетинин В.Г., Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности //Автоматизация и современные технологии.  1998. № 4. С. 38-43.
  10. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения // СО РАН.  Красноярск, 1996.  С. 43-44.



Примечание: № гос. рег. статьи 0421000034/

  vakperechen

ОБНОВЛЕННЫЙ СПИСОК ВАК 2016 г.
ОТ 19.04.2016  >> ПРОСМОТРЕТЬ
tass
 
ПО ВОПРОСАМ ПУБЛИКАЦИИ СТАТЕЙ И СОТРУДНИЧЕСТВА ОБРАЩАЙТЕСЬ:
skype SKYPE: vak-uecs
e-mail
MAIL: info@uecs.ru
phone
+7 (928) 340 99 00
 

АРХИВ НОМЕРОВ

(01) УЭкС, 1/2005
(02) УЭкС, 2/2005
(03) УЭкС, 3/2005
(04) УЭкС, 4/2005
(05) УЭкС, 1/2006
(06) УЭкС, 2/2006
(07) УЭкС, 3/2006
(08) УЭкС, 4/2006
(09) УЭкС, 1/2007
(10) УЭкС, 2/2007
(11) УЭкС, 3/2007
(12) УЭкС, 4/2007
(13) УЭкС, 1/2008
(14) УЭкС, 2/2008
(15) УЭкС, 3/2008
(16) УЭкС, 4/2008
(17) УЭкС, 1/2009
(18) УЭкС, 2/2009
(19) УЭкС, 3/2009
(20) УЭкС, 4/2009
(21) УЭкС, 1/2010
(22) УЭкС, 2/2010
(23) УЭкС, 3/2010
(24) УЭкС, 4/2010
(25) УЭкС, 1/2011
(26) УЭкС, 2/2011
(27) УЭкС, 3/2011
(28) УЭкС, 4/2011
(29) УЭкС, 5/2011
(30) УЭкС, 6/2011
(31) УЭкС, 7/2011
(32) УЭкС, 8/2011
(33) УЭкС, 9/2011
(34) УЭкС, 10/2011
(35) УЭкС, 11/2011
(36) УЭкС, 12/2011
(37) УЭкС, 1/2012
(38) УЭкС, 2/2012
(39) УЭкС, 3/2012
(40) УЭкС, 4/2012
(41) УЭкС, 5/2012
(42) УЭкС, 6/2012
(43) УЭкС, 7/2012
(44) УЭкС, 8/2012
(45) УЭкС, 9/2012
(46) УЭкС, 10/2012
(47) УЭкС, 11/2012
(48) УЭкС, 12/2012
(49) УЭкС, 1/2013
(50) УЭкС, 2/2013
(51) УЭкС, 3/2013
(52) УЭкС, 4/2013
(53) УЭкС, 5/2013
(54) УЭкС, 6/2013
(55) УЭкС, 7/2013
(56) УЭкС, 8/2013
(57) УЭкС, 9/2013
(58) УЭкС, 10/2013
(59) УЭкС, 11/2013
(60) УЭкС, 12/2013
(61) УЭкС, 1/2014
(62) УЭкС, 2/2014
(63) УЭкС, 3/2014
(64) УЭкС, 4/2014
(65) УЭкС, 5/2014
(66) УЭкС, 6/2014
(67) УЭкС, 7/2014
(68) УЭкС, 8/2014
(69) УЭкС, 9/2014
(70) УЭкС, 10/2014
(71) УЭкС, 11/2014
(72) УЭкС, 12/2014
(73) УЭкС, 1/2015
(74) УЭкС, 2/2015
(75) УЭкС, 3/2015
(76) УЭкС, 4/2015
(77) УЭкС, 5/2015
(78) УЭкС, 6/2015
(79) УЭкС, 7/2015
(80) УЭкС, 8/2015
(81) УЭкС, 9/2015
(82) УЭкС, 10/2015
(83) УЭкС, 11/2015
(84) УЭкС, 11(2)/2015
(85) УЭкС,3/2016
(86) УЭкС, 4/2016
(87) УЭкС, 5/2016
(88) УЭкС, 6/2016
(89) УЭкС, 7/2016
(90) УЭкС, 8/2016
(91) УЭкС, 9/2016
(92) УЭкС, 10/2016
(93) УЭкС, 11/2016
(94) УЭкС, 12/2016
(95) УЭкС, 1/2017

№ регистрации СМИ: ЭЛ №ФС77-35217 от 06.02.2009 г.   ISSN: 1999-4516