|
Статьи автора
|
Одним из перспективных способов снижения зависимости отечественной промышленности от поставок критически важных товаров, комплектующих и сырья, необходимых для построения и эффективного функционирования многостадийных производственно-технологических цепочек, является активизация процессов по их импортозамещению, в том числе с помощью различных мер государственной поддержки. Однако критическая потребность в обширнейшем перечне продукции приводит к необходимости проведения отбора наиболее «перспективных» проектов для включения в программно-целевые документы с использованием набора критериев (порой даже нефинансового характера). В результате возникает актуальная научно-практическая задача разработки подходов к формированию мультипроектов (совокупности проектов), которые могут претендовать на государственную поддержку в рамках различных программ снижения импортозависимости и преодоления технологического отставания российской промышленности, на основе применения современных экономико-математических методов. В приложении к поставленной задаче мультипроект можно представить в виде «набора» (множество несвязанных проектов), «цепи» (жесткая последовательность проектов) или «сети» (проекты со сложными логико-временными взаимосвязями). Специфика каждого из указанных видов определяет условия и накладывает ограничения на процесс отбора компонентов для включения в их составы, который заключается в поиске наилучшей комбинации проектов и/или программ, т. е. сводится к задаче условной многомерной оптимизации. В условиях отсутствия требования нахождения «строго оптимального» состава можно воспользоваться метаэвристическими методами, которые способны находить близкие к таковым решения за «приемлемое» время. Среди них наиболее масштабным и известным классом представляются алгоритмы роевого интеллекта, базирующиеся на принципах коллективного поведения популяции живых организмов. В данной статье предлагается для формирования состава мультипроектов воспользоваться алгоритмами, вдохновленными коллективным поведением стаи волков (Grey Wolf Optimizer) и косяка рыб (Fish School Search) для удовлетворения своих пищевых потребностей. Для повышения эффективности их использования при решении задачи поиска наилучшего состава «набора» и «сети» проектов была предложена их гибридизация с методами нечеткой логики (в частности, нечеткой кластеризацией и нечетко-логическим выводом). Читать дальше...
Представлена программная модель сложных процессов переработки мелкорудного сырья на основе обучаемого дерева систем нечеткого логического вывода. Переработка такого сырья обеспечивает не только получение ценного конечного продукта, например такого, как желтый фосфор, но и способствует решению проблемы утилизации рудных отходов, мелкодисперсные фракции которых наносят значительный экологический ущерб территориям, прилегающим к горно-обогатительным комбинатам. Технологическая система переработки мелкорудного сырья состоит из энергоресурсоемких агрегатов, поэтому даже незначительное относительное снижение затрат ресурсов и энергии приводит к большой экономии в абсолютных цифрах. Такое снижение может достигаться за счет оптимизации управления агрегатами, синтез которого требует наличия моделей технологических процессов, поэтому совершенствование методов и инструментария моделирования является актуальной исследовательской задачей. Особенностью предложенной модели является то, что ее входами являются не только переменные, описывающие преобразования ресурса, но и переменные, отражающие энергозатраты отдельных технологических агрегатов. Это позволяет применять модель для расчета энергоресурсоэффективности переработки мелкорудного сырья. Иерархическая структура нечетко-логического дерева способна отражать взаимосвязь процессов различной природы, сопровождающих переработку мелкорудного сырья, а также способствует повышению эффективности ее обучения за счет разбиения признакового пространства большой размерности на несколько групп, на которых обучаются отдельные узлы дерева. Программа, разработанная в среде MatLab и реализующая предложенную модель, показала высокую точность регрессии на синтетическом наборе входных данных, что может свидетельствовать о целесообразности применения предложенной модели в задачах оптимизации систем управления переработкой мелкорудного сырья по критерию энергоресурсоэффективности. Читать дальше...
|
