Диссертация (Агрегированная с многоагентным генетическим алгоритмом имитационная модель предприятия дистанционной торговли для решения задачи многокритериальной оптимизации)

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГОПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ"ВЫСШАЯ ШКОЛА ЭКОНОМИКИ"На правах рукописиХИВИНЦЕВ МАКСИМ АНДРЕЕВИЧАГРЕГИРОВАННАЯ С МНОГОАГЕНТНЫМ ГЕНЕТИЧЕСКИМАЛГОРИТМОМ ИМИТАЦИОННАЯ МОДЕЛЬ ПРЕДПРИЯТИЯДИСТАНЦИОННОЙ ТОРГОВЛИ ДЛЯ РЕШЕНИЯ ЗАДАЧИМНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИСпециальность 05.13.18Математическое моделирование, численные методыи комплексы программДиссертация на соискание ученой степеникандидата технических наукНаучный руководительдоктор технических наук,профессор, доцентА.С.

АкоповМосква 2015ОглавлениеВведение .......................................................................................................................... 4Глава 1. Имитационная модель предприятия дистанционной торговли ........ 131.1 Выработка рациональных решений с помощью имитационногомоделирования............................................................................................................ 131.2 Ключевые Бизнес-процессы предприятия дистанционной торговли ............. 241.3 Имитационная модель для получения значений целевых функционаловоптимизационной задачи ...........................................................................................

251.4 Многокритериальная оптимизационная задача предприятия дистанционнойторговли ...................................................................................................................... 351.5 Выводы .................................................................................................................. 44Глава 2.

Разработка многоагентного генетического алгоритма ....................... 452.1 Используемые численные методы решения многокритериальныхоптимизационных задач ............................................................................................ 452.2 Теоретические основы многоагентного генетического алгоритма,разработанного для формирования подмножества Парето ................................... 522.3 Программная реализация многоагентного генетического алгоритма ............ 602.4 Результаты апробации многоагентного генетического алгоритма ................. 612.5 Анализ устойчивости и сходимости многоагентного генетического алгоритма......................................................................................................................................

652.6 Выводы .................................................................................................................. 67Глава 3. Агрегированная реализация разработанной имитационной модели имногоагентного генетического алгоритма в рамках программногокомплекса...................................................................................................................... 693.1 Описание функционала и архитектуры программного комплекса ................. 693.2 Предлагаемые методы визуализации и сужения множества Паретооптимальных решений ...............................................................................................

743.3 Агрегация разработанной имитационной модели с многоагентнымгенетическим алгоритмом и другими подсистемами ............................................. 813.4 Результаты численных экспериментов с использованием разработанногопрограммного комплекса .......................................................................................... 823.5 Выводы ..................................................................................................................

843Заключение ................................................................................................................... 85Список литературы..................................................................................................... 88Список сокращений и условных обозначений ...................................................... 98Приложения ..................................................................................................................

99Приложение 1. Константы и формулы для расчета переменных имитационноймодели ......................................................................................................................... 99Приложение 2. Фрагмент программного кода реализации MAGAMO.............. 10534ВведениеВ настоящее время задачи бизнес-информатики становятся задачами большойразмерности, большой вычислительной сложности и требуют новые подходы крешению. В частности, имитационное моделирование (далее ИМ) оказываетсяочевидно необходимым для задач бизнес-информатики, в которых целевойфункционал, как правило, не может быть записан в явном виде и посчитаннапрямую – его можно вычислить с помощью имитационной модели (далее ИМ)[1].Актуальной задачей является разработка ИМ сложных организационныхструктур [30, 31], таких как предприятия дистанционной торговли.

Дистанционнаяторговля через Интернет активно развивается в России. Из-за низких барьероввхода на рынок, в прошлые годы было создано около 200 тыс. Интернет-магазинов.Также большую популярность набирают трансграничные покупки в зарубежныхИнтернет-магазинах.В результате на рынке электронной торговли, как частного случая рынкадистанционной торговли, наблюдается перенасыщение и, как следствие,консолидация отрасли вокруг крупных игроков под воздействием жесточайшейконкуренции, из-за которой многие успешные в прошлом игроки предпочитаютзакрыться, чтобы перестать нести свойственные для отрасли убытки.

В такойситуации лидерам отрасли нужно балансировать между развитием и оптимизацией,регулярно корректировать свою стратегию и тактику, находить резервыэффективности и принимать взвешенные управленческие решения в условияхжесткой конкуренции. Для помощи в выработке подобных инициатив можетслужить имитационная модель деятельности компании, агрегированная смногокритериальной оптимизационной задачей по целевым функционалам.ИМ крупных организационных структур, таких как лидеры рынкадистанционной торговли, представляет собой сложную многомерную системнодинамическую модель, в которой многократные расчеты значений целевыхфункционалов в рамках оптимизационной задачи требуют значительных45вычислительных ресурсов.

Поэтому на фоне существенного расширениявычислительных возможностей современных аппаратно-программных средств всебольшую актуальность приобретают эффективные оптимизационные модули длярешения сложных оптимизационных задач.Таким образом, актуальна задача проектирования оптимизационных модулей,предназначенных для поиска решений в многокритериальных оптимизационныхзадачах большой размерности, агрегированных с ИМ в рамках единогопрограммного комплекса [1].При этом можно выделить следующие ключевые проблемы, связанные сразработкой математического и программного обеспечения такого комплекса: Отсутствие теоретических и практических исследований попроектированию всеобъемлющей имитационной модели предприятиядистанционной торговли Необходимость построения эффективных алгоритмов поиска решений (вчастности, класса генетических алгоритмов) в многрокритериальныхоптимизационных задачах, в которых значения целевых функционаловдолжны быть посчитаны с использованием сложных ИМ. Отсутствиеинтеграциипрограммныхкомпонент,обеспечивающихвозможность поиска рациональных решений (определение наилучшихсценариев) с использованием ИМ для нахождения фронта Парето, а такжеего визуализацию и сужение.Эффективныйметодпоискарешенийвоптимизационнойзадаче,агрегированной с имитационной моделью предприятия дистанционной торговли,востребован на практике.Степень разработанности проблемыВ научных трудах наблюдается отсутствие исследований по проектированиювсеобъемлющей имитационной модели управления предприятием дистанционнойторговли.

В то же время имеются наработки, моделирующие лишь отдельныебизнес-процессы торговой компании – например, работу склада, колл-центр,56логистики. Но нет целостной имитационной модели, вобравшей в себя всеключевые бизнес-процессы, и целиком отражающей деятельность предприятиядистанционной торговли.Направленияисследованийвобластирешениямногокритериальныхоптимизационных задач, которые могут лечь в основу оптимизационного модулясистемы, можно разделить на следующие условные группы:1. Методы зондирования пространства поиска решений, основанные начисленных методах оптимизации (J.E. Fieldsend, S.

Singh, S. Mostaghim, J.Teich, C.A. Coello, M.S. Lechunga, X. Hu, R. Eberhart, M. Laumanns, P. K.Tripathi, S. K. Pal и др.) Наиболее проработанный класс методов основанна генетических алгоритмах (далее ГА) [90]. Среди этих методовраспространены: NSGA2 (K. Deb, S. Agrawal, A. Pratap, T. Meyarivan, 2002),основанный на методе недоменируемой сортировки; SPEA2 (E.