Новости
09.05.2023
с Днём Победы!
07.03.2023
Поздравляем с Международным женским днем!
23.02.2023
Поздравляем с Днем защитника Отечества!
Оплата онлайн
При оплате онлайн будет
удержана комиссия 3,5-5,5%








Способ оплаты:

С банковской карты (3,5%)
Сбербанк онлайн (3,5%)
Со счета в Яндекс.Деньгах (5,5%)
Наличными через терминал (3,5%)

МЕТОД ПРОГНОЗИРОВАНИЯ РОСТА ПРОИЗВОДСТВА НА ОСНОВЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА

Авторы:
Город:
Ухта
ВУЗ:
Дата:
07 января 2016г.

    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, снижение уровня бедности населения и т.д..

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.

   Описание метода прогнозирования роста производства на основе генетического алгоритма

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

   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 [1,2] 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 операций, 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.

   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 [3,4].

   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 [4].

   Решением будет наилучший найденный индивид.

   Алгоритм нахождения ―лучшего‖ варианта роста производства на основе ГА:

1.   Инициализация. Генерируем случайную начальную популяцию из N бинарных 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 N хромосом. 

3.1.   Отбор, селекция. С вероятностью Pi отбора 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, предлагаемый метод расчетов с использованием генетического алгоритма, 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 данного метода 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.  Методика  и  модели  прогнозирования  развития  экономики  муниципального образования ―Город Ухта‖/ УГТУ. Ухта, 2002. – 50 с.

2.     Белобородова Н.А. Модели прогнозирования роста производства с использованием нейронных сетей //Известия вузов. Сер. Нефть и газ. 2002. № 4. С. 110-117.

3.     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.

4.     Емельянов В.В., Курейчик В.М., Курейчик В.В. Теория и практика эволюционного моделирования. – М.: Физматлит, 2003. – 432 с.