CC BY
13
точной строгой регламентацией при создании диаграмм (ограниченное количество обязательно заполняемых полей, ограничение количества объектов на одной диаграмме и т.д.). Таким образом, для ведения небольших по масштабам и длительности проектов с необходимостью атомарной проработки технологических процессов до уровня переходов рационально использовать МЕЕ. Для крупных и/или
длительных проектов (например, внедрение системы непрерывного улучшения процессов) больше подходит ARIS.
Рассмотрев применение ARISE на конкретном примере можно сделать вывод, что данная нотация хорошо описывает структуру предприятия, его цели и возможности. Однако не в полной мере может описать конкретный технологический процесс.
ЛИТЕРАТУРА
1. Кознов Д. В. Основы визуального моделирования - Москва, Интернет-Университет Информационных Технологий (ИНТУИТ). 2008.
2. Ильин В. В. Моделирование бизнес-процессов. Практический опыт разработчика. — Вильямс, 2006.
3. Резчикова Е. В., Власов А. И. Перспективы применения концепт - карт для построения базы знаний ТРИЗ // В сборнике: ТРИЗ. Практика применения методических инструментов Сборник докладов. под ред. Яковенко С., Митрофанов В., Кудрявцев А. 2011. С. 140-145.
4. Р 50.1.028-2001 Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования.
5. Кознов Д. В. Конечный автомат - основа для визуальных представлений поведения объектов // В сборнике: Объектно-ориентированное визуальное моделирование Санкт-Петербург, 1999. С. 101-122.
6. Мезенцев К. Н. Моделирование систем в среде. AnyLogic 6.4.1. Учебное пособие. Часть 2 /Под редакцией Заслуженного деятеля науки РФ, д.т.н., профессора А.Б.Николаева. МАДИ. — М. : 2011. 103 с.
7. Кочешков А. Э., Карпунин А. А. Технология ARCHIMATE - новый стандарт моделирования архитектуры предприятия // Информационные технологии в проектировании и производстве. 2017. № 4 (168) . С. 3-9.
8. Прудников В.А. Постановка процедуры выполнения прогностических оценок проектных решений кон-структорско-технологических задач // Информационные технологии в проектировании и производстве. 2018. №1. С.43-49.
9. Власов А. И. Системный анализ технологических процессов производства сложных технических систем с использованием визуальных моделей // Международный научно-исследовательский журнал. 2013. № 10-2 (17). С. 17-26.
10. Власов А. И. Пространственная модель оценки эволюции методов визуального проектирования сложных систем // Датчики и системы. 2013. № 9 (172). С. 10-28.
11. Адамова А. А., Власов А. И. Визуальное моделирование адаптации подготовки производства к выпуску новой продукции // Информационные технологии в проектировании и производстве. 2014. № 2 (154). С. 46-56.
12. Власов А. И., Иванов А. M. Визуальные модели управления качеством на предприятиях электроники // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2011. № 11. С. 34.
13. Власов А. И., Ганев Ю. М., Карпунин А. А. Системный анализ "Бережливого производства" инструментами визуального моделирования // Информационные технологии в проектировании и производстве. 2015. № 4 (160). С. 19-24.
14. Маркелов В. В., Власов А. И., Зотьева Д. Е. Функциональная визуальная модель контроля качества ЭС // Проектирование и технология электронных средств. 2014. № 1. С. 25-30.
15. Власов А.И., Кирбабин О.Е., Шепель А.С. Методология визуального проектирования как инструмент организации поддержки учебного процесса // Материалы международного симпозиума: Новые информационные технологии и менеджмент качества (NITSMQ'2 0 08). 2008. С. 110-111.
16. Власов А.И. Концепция визуального анализа сложных систем в условиях синхронных технологий проектирования // Датчики и системы. 2016. № 8-9 (206). С. 19-25.
17. Маркелов В.В., Власов А.И., Камышная Э.Н. Визуальные методы системного анализа при управлении качеством изделий электронной техники // Труды международного симпозиума Надежность и качество. 2014. Т. 2. С. 246-250.
18. Власов А.И. Гексагональная понятийная модель визуального представления сложных производственных систем // Инженерный журнал: наука и инновации. 2012. № 3 (3). С. 30.
19. Власов А.И., Карпунин А.А., Ганев Ю.М. Системный подход к проектированию при каскадной и итеративной модели жизненного цикла // Труды международного симпозиума Надежность и качество. 2 015. Т. 1. С. 96-100.
20. Власов А.И. Особенности визуальной формализации информационных потоков в системах поддержки менеджмента качества ЭА // Труды международного симпозиума Надежность и качество. 2 016. № 2. С. 187-190.
21. Демин А.А., Карпунин А.А., Ганев Ю.М. Методы верификации и валидации сложных программных систем // Программные продукты и системы. 2014. № 4. С. 229-233.
22. Август-Вильгельм Шеер. Бизнес-процессы. Основные понятия. Теория. Методы. — Весть-МетаТех-нология, 1999. — 182 с.
23. Введение в описание бизнес-процессов. Эл. ресурс. Адрес доступа: http://becmology.ru/blog/business/bp01.htm. Проверено 26.03.2018.
24. Абдикеев Н.М., Данько Т.П., Ильдеменов С.В., Киселев А.Д. Реинжиниринг бизнес-процессов -М.: Изд-во Эксмо, 2005.
УДК 004.414.22 Годунов А.И.
ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
ПОДХОДЫ К ПРИНЯТИЮ РЕШЕНИЯ ПРИ РАСПРЕДЕЛЕНИИ РЕСУРСОВ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ
Рассматриваются вопросы принятия решения при автоматическом распределении ресурсов и человеко-машинная процедура оптимизации распределения ресурсов с учетом опыта и предпочтений лица принимающего решение и выполнения типовых расчетов на ЭВМ.
Модель принятия решения при автоматическом распределении ресурсов. Пусть имеется перечень Ш объектов, i = 1, 2, ..., п, каждый из которых потребляет ресурс одного вида х. Общее количе-
п
ство ресурса ограничено: ^ х1 < В .
Требуется найти наиболее предпочтительный вариант распределения ресурсов х* = {х±*}, i=1, п, удовлетворяющий ограничению и оцениваемый заданным перечнем критериев Р = Щ }, ] = 1,..., т.
Рассмотрим сначала наиболее распространенную в литературе схему решения многокритериальных
задач, использующую линеиную свертку критериев (xi, также играют роль критериев F = xi, i = 1,..., n, n < m). В этом случае строится модель линейного программирования, в которои предпочтения лица принимающего решение (ЛПР) описываются количественно линейной целевой функцией:
п
F(c, x) = ^ с,х, ^ max .
i
где Xi - количество выделенных на i-ю работу ресурсов, Ci - числа (веса) , соответствующие эффективности использования ресурсов.
Тогда задача распределения ресурсов формулируется как задача линейного программирования: найти решение х* = {Xi*}, i = 1, ..., n, максимизирующее целевую функцию F(c,x) на множестве допустимых решений X0 (рис. 1), определяемом заданными ограничениями.
F(x,c)=const
x
О С Е
Рисунок 1 - Модель решения задачи линейного программирования
В этом случае ЛПР принимает участие на этапе формирования исходных данных (значений с), затем задача решается автоматически на ЭВМ с использованием классических математических методов и ЛПР получает результаты решения для анализа. Если это решение х*{с} приемлемо, то процедура прекращается; если неприемлемо, то ЛПР, возможно, с помощью экспертов должен изменить значения {с^ на {Л}, и процедура повторяется дс получения приемлемого решения.
Недостатками подобного подхода является невозможность работы ЛПР в содержательных категориях, так как ЛПР вынуждено выражать свои предпочтения количественно, в неестественных для него математических категориях значений коэффициентов с типа «относительная важность с1 работы №2 в 1,38 раза выше, чем важность С2 работы № 1». Это делает определение этих значений для ЛПР психологически трудным и неустойчивым, что ведет к неуверенности и недоверию к результатам машинного решения, зависящего от значений.
Проанализируем возможности корректировки решения х* = х*(с) с помощью изменения значений параметров с = {с^}. Как известно, из-за линейности функции и ограничений значительные (в десятки и сотни раз) изменения значений в области устойчивости решения могут вообще не привести к изменению Xi (для рис.1 при любых значениях с1 < с2 решением модели будет точка А, при любых С1 > с2 - точка Е). В то же время очень малые (доли процента) изменения с на границе области устойчивости могут привести к резким скачкообразным изменениям решения.
Таким образом, формально меняя значения с^ ЛПР «не чувствует», к каким изменениям это может привести в интересующих его конечных категориях ресурсов х^ а его адаптация в процессе диалога становится почти невозможной. Это делает модель неудобной для корректировки и организации итерационной процедуры.
Модель линейного программирования на каждой итерации может выделить только опорные решения,
соответствующие на рисунке угловым точкам многоугольника ограничений. Для рисунка 1, в частности, как бы мы ни меняли с^ модель может выделить для рассмотрения ЛПР только две точки: А и Е, в то время как обычно выбор делается где-то в промежуточной граничной точке D области X. Таким образом, требование отсутствия исключенных решений не выполняется (для рис.1 исключенными являются все решения, кроме двух: А и Е).
Отсюда следует, что и данная процедура в целом может получить тестовое решение задачи (уже имеющееся у ЛПР и подтвердившее свою эффективность) только в частном случае, когда это решение совпадает с опорным. При этом для обеспечения сходимости процедуры к подобному решению необходимо осуществить в худшем случае полный перебор всех мыслимых сочетаний («сетки») значений компонент вектора с, число которых d = где п - размерность вектора с, h - число градаций значений с. Обычно на практике h > 102, п > 10 и необходимое число итераций d ~ 103 нереализуемо по времени.
Описания предпочтений ЛПР линейной функцией ценности Е(с,х) очень трудны для содержательной интерпретации, что не дает возможности ЛПР объяснить результат.
Решение задач оптимизации практически невозможно при недостоверных исходных данных. Часто оказывается, что информации, необходимой для решения задачи оптимизации, либо недостаточно, либо она недостоверна. Однако проверить достоверность информации обычного контроля трудно. Если же имеющиеся данные, например нормативы, ввести в математическую модель задачи оптимизации, то в случае их недостоверности задача будет несовместна. Таким образом, решение задачи оптимизации на первом этапе требует приведения в порядок имеющихся исходных данных, что уже само по себе является необходимым элементом принятия решения.
Что касается непосредственного решения задачи оптимизации, то она дает возможность прежде всего, принять такое решение, в котором нет несовместностей, применительно к задачам планирования они обеспечивают сбалансированность плана. Важность сбалансированного плана очевидна. План может быть неоптимальным, но несбалансированным он быть не может. Решение задач оптимизации исключает возможность получения несбалансированного плана. Уже на этапе планирования выявляются причины, приводящие к несбалансированному плану, и указываются возможные направления работ, обеспечивающие сбалансированность планирования. Если моделируемая система совместна, то, как правило, в ней возможно не единственное решение. Методы оптимизации в этом случае дают возможность принять решение, наилучшее в смысле принятой целевой функции. Обычно при этом улучшение целевой функции находится в пределах от 2 до 10% от значения целевой функции в решении, принимаемом без ЭВМ.
Симплекс-метод, являющийся стандартным алгоритмом решения задачи линейного программирования, эффективен с вычислительной точки зрения, но не допускает частичного включения ЛПР в процесс формирования и отбора решений, т.е. нет возможности регулирования степени автоматизации.
Все это вместе взятое при эксплуатации системы построенной только на основании указанного подхода должно вызывать недовольство и недоверие ЛПР и, как следствие, отказ работать с ЭВМ или, используя ЭВМ, параллельно формировать решение традиционно вручную, что нередко и происходит на практике.
Итеративная человеко-машинная процедура постепенной оптимизации распределения ресурсов с учетом опыта и предпочтений ЛПР. Существует итеративная человеко-машинная процедура постепенной оптимизации распределения с учетом опыта и предпочтений ЛПР и выполнением типовых расчетов на ЭВМ [1].
На каждом цикле диалога для формирования допустимого решения используется простой эвристический алгоритм, содержательно понятный ЛПР, не гарантирующий получения предпочтительного (оптимального) решения, но удовлетворяющий также требованию получения тестового решения. Этого можно добиться, если использовать алгоритмы с параметрами, изменение которых может привести к выбору любого решения из заданного множества.
Сходимость к предпочтительному решению обеспечивается в результате специальной управляющей нормативно построенной процедуры, обеспечивающей целенаправленный переход от одного эвристического решения к другому.
За основу организации итерационной процедуры приняты основные этапы решения задачи человеком (рис .2):
- формирование образа-цели ф0;
- оценка необходимых средств х0, В0;
- формирование реального решения х"(В) ;
- анализ рассогласования Аф0 = ф0 — фй ;
- выбор и оценка воздействия 8В, 8х и при необходимости повторение этапов;
- анализ и корректировка результата и при необходимости повторение этапов.
На рисунке 2 этапам решения соответствует левая сторона, справа - операции, выполняемым ЭВМ, в середине - графическое отображение действий ЛПР и ЭВМ.
На первом шаге ЛПР формирует образ-цель ф0 в категориях выходных показателей (точка ф0 на рис.2а). Затем анализируется реализуемость этой целевой установки, для чего определяется запрос ресурсов х0 = {х1!} (рис. 2б) , необходимых для достижения цели ф0 = ф1 (х0) (отображение х0 = ф-1(ф0) осуществляется ЭВМ, блок 1), и проверяется, удовлетворяет ли этот вариант решения ограничениям на ресурсы (блок 2), т. е. попадает ли точка х0 во множество допустимых решений Х0(В) (рис. 26). Если удовлетворяет, т. е. В/В0 > 1 (здесь В
п
- наличные ресурсы, В0 х" - запрос ресурсов);
I=1
то задача решена, и х0 - наиболее предпочтительное решение: х* = х°.
Если х0 - недопустимое решение, то на третьем шаге анализируются возможные допустимые состояния (решения), и из них выделяется допустимое решение х0 (В), ближайшее к х по простому правилу: Х0 = В / В°х°1 , ! =1,....., п (рис. 2в, блок 3) .
На следующем, четвертом шаге ЭВМ рассчитывает отображение х0 в пространстве показателей ф (блок 4), т.е. в точку ф" (рис.2г), соответствующую реально достижимым значениям показателей, и ЛПР анализирует рассогласование Аф" = ф" — ф0 идеального образа-цели ф0 и сформированного ЭВМ допустимого решения ф0 .
Если оно приемлемо, то решение ф" считается наиболее предпочтительным: ф* = ф0 и х* = х0. Если нет, то на следующем шаге ЛПР с учетом полученных сведений корректирует свою концептуальную модель, изменяя ограничения с В на В + 8В (рис. 5.3 д, блок 5) или целевую установку (рис. 2е), и цикл диалога повторяется для новой точки идеала (цели) ф1 и множества допустимых решений X1. Возможны и другие варианты организации диалога по этой схеме.
Изложенная человеко-машинная процедура свободна от многих недостатков полностью автоматических методов:
- работа ЛПР идет в содержательных категориях показателей и ресурсов;
- выполнение итерационное с требуемой степенью точности;
- модели легко корректируются заменой одной точки идеала на другую;
- полученное решение может быть объяснено.
При естественном предположении о рациональном
использовании ресурсов, т. е. когда дополнительные ресурсы выделяются на работу в том случае, если это приводит к улучшению конечного результата, решения обладают свойством оптимальности по Парето. Это означает (рис. 2б, в), что ЛПР будет выбирать решения только на границе, а не внутри области допустимых решений.
Легко убедиться, что при изменении точки идеала (значения х в формуле Х0 = В / В0 х" ) можно выделить все множество Парето. Таким образом, выполняется требование отсутствия исключенных решений: если ЛПР сразу задает допустимое тестовое решение на границе, то оно будет выдано алгоритмом на первой итерации как предпочтительное.
Из выполнения гипотезы о рациональном использовании ресурсов и гипотезы о единственности выбираемого решения при любом наличном количестве ресурсов В следует наличие траектории предпочтительных решений как в пространстве {х}, так и в пространстве {Е}. Тогда описанный алгоритм интерпретируется как алгоритм последовательных (кусочно-линейных) приближений к траектории, пересечение которой с границей множества допустимых решений дает точку, соответствующую наиболее предпочтительному решению. В [0] доказана его сходимость и получены оценки рассогласования решения от наиболее предпочтительного.
Адекватность модели обеспечивается при выполнении лишь двух сделанных содержательных предположений, естественных для задач распределения ресурсов: о рациональном использовании ресурсов и выборе единственного решения. Простой эвристический алгоритм Х" = В /В°х°1 формирования допустимого решения на каждом цикле диалога по правилу «урезания» запросов пропорционально дефициту содержательно ясен, часто используется ЛПР, и любой этап процедуры (блоки 1-5 на рис.2) может быть выполнен им вручную для перепроверки ре-зуль тата.
В процессе диалога ЛПР может работать как в пространстве показателей, так и в пространстве ресурсов и корректировать, например, решение х0 на х1 = х0 + Ах путем добавления на каждую работу дополнительных ресурсов х покомпонентно, не заботясь о том, чтобы получившийся запрос ресурсов был допустимым. Новое допустимое решение х1 будет сформировано ЭВМ.
Сходимость последовательности таких эвристических шагов к наиболее предпочтительному решению обеспечивается дополнительными правилами перехода от итерации к итерации (управляющим алгоритмом). Последний в данном случае принимает простой вид выполняемой ЭВМ проверки достаточных условий сходимости: достаточно, чтобы на каждой последующей итерации покомпонентно общий новый запрос ресурса не превышал запроса на предыдущей итерации.
Если это условие не выполняется, то ЛПР ставится в известность и корректирует запрос (точку идеала). По умолчанию ЭВМ делает это автоматически по тому же простому правилу урезания, пересчитывая (блок 4 на рис.2г) новую точку идеала (ф' в пространстве ресурсов ф' =ф (х')). Далее процедура (уже сходящаяся) повторяется без изменений.
При этом ЭВМ может готовить для ЛПР по его запросу дополнительные данные, например, о предельно достижимых значениях ф1 тах; ф2 тах, о степени дефицитности и т. д.
В связи целесообразным характером движения выбираемой ЛПР точки идеала, человеко-машинная процедура распределения ресурсов (с требуемой по условиям задачи точностью) на практике сходится, в среднем, за три-пять итераций [2].
ЭВМ
ф
Результат i-¡S
Ж
Рисунок 2 - Модель задачи итеративной человеко-машинной процедуры "урезания ресурсов"
ЛИТЕРАТУРА
1 Ириков В.А., Тренев В.Н. Распределенные системы принятия решений. Теория и приложения. - М.: Наука, 1999
2. Полтавский А.В., Жумабаева А.С., Юрков Н.К. Концепция принятия решений при создании технических систем. Труды Международного симпозиума «НАДЁЖНОСТЬ И КАЧЕСТВО» в 2т./ под ред. Н.К. Юркова.-Пенза: ПГУ, 2016. - 1 том, с.8-13.
УДК 615.035.4 Жаднов В.В.
Национальный исследовательский университет «Высшая школа экономики», Москва, Россия МЕТОД ФОРМИРОВАНИЯ НАРАБОТКИ ДО ОТКАЗА ЭЛЕКТРОННЫХ КОМПОНЕНТОВ ПО СПРАВОЧНЫМ ДАННЫМ
Рассмотрены вопросы формирования наработки до отказа электронных компонентов по справочным данным при статистическом моделировании. Предложена модель отказа электронного компонента, которая позволяет получить реализацию наработки электронного компонента с учетом ресурсных отказов и ограничений на величину его наработки. Разработанная модель создана в рамках допущений и ограничений, принятых в действующих нормативных документах. Показана возможность сокращения вычислительных затрат при применении этой модели при статистическом моделировании.
Ключевые слова:
ЭЛЕКТРОННОЕ СРЕДСТВО, ЭЛЕКТРОННЫЙ КОМПОНЕНТ, НАДЕЖНОСТЬ, НАРАБОТКА НА ОТКАЗ, РЕСУРС, СТАТИСТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
Введение. Универсальным методом расчета показателей надежности электронных средств является метод статистического моделирования» [1] . Этот метод применяют, в основном, для расчета показателей типа «наработка» (метод численного
интегрирования). При численном интегрировании с помощью генератора случайных чисел получают реализацию базовой случайной величины ( х ) и используя то или иное распределение, рассчитывают
