Метод предельных упрощений (мпу)


Содержание

Лекция: Алгоритм с ковариациями и с квадратичными описаниями.

Рис. 10. МГУА как эквивалент массовой селекции.

В этом алгоритме [5, 6] используются частные описания, представленные в следующих формулах:

Сложность модели увеличивается от ряда к ряду селекции как по числу учитываемых аргументов, так и по степени. Степень полного описания быстро растет. На первом ряду — квадратичные описания, на втором — четвертой степени, на третьем — восьмой и т. д. В связи с этим минимум критерия селекции находится быстро, но не совсем точно. Кроме того, имеется опасность потери существенного аргумента, особенно на первых рядах селекции (в случае отсутствия протекции). Специальные теоремы теории МГУА определяют условия, при которых результат селекции не отличается от результата полного перебора моделей.

Для того чтобы степень полного уравнения повышалась с каждым рядом селекции на единицу, достаточно рассматривать все аргументы и их ковариации как обобщенные аргументы и пользоваться составленными для них линейными описаниями.

Метод предельных упрощений (МПУ)

По тому, как организован процесс обучения распознающих систем, четко выделяются два подхода к проблеме ОРО. Первый основан на построении сложных разделяющих поверхностей в случайно выбранных пространствах, а во втором — центр тяжести проблемы переносится на достижение понимания принципов формирования такого описания объектов, в рамках которого сам процесс распознавания чрезвычайно прост. Обучение в этом случае рассматривается как некий процесс конструирования пространств для решения конкретных задач.

В МПУ предполагается, что разделяющая функция задается заранее в виде линейного (самого простого) полинома, а процесс обучения состоит в конструировании такого пространства минимальной размерности, в котором заранее заданная наиболее простая разделяющая функция безошибочно разделяет обучающую последовательность. МПР назван так потому, что в нем строится самое простое решающее правило в пространстве небольшой размерности, т. е. в простом пространстве.

Пусть на некотором множестве объектов V заданы два подмножества V*1 и V*2, определяющих собой образы на обучающей последовательности V. Рассмотрим i-е свойство объектов, такое, что некоторые объекты обучающей последовательности этим свойством обладают, а другие — нет. Пусть заданным свойством обладают объекты, образующие подмножество V1i, а объекты подмножества V2i этим свойством не обладают (V1i È V2i = V). Тогда i-е свойство называют признаком первого типа относительно образа V*1, если выполняются соотношения

и признаком второго типа, если выполняются

Если же выполняются соотношения

то i-е свойство считается признаком первого типа относительно образа V*2, а если выполняются

то это же свойство объявляется признаком второго типа относительно образа V*2. Если свойство не обладает ни одной из приведенных особенностей, то оно вообще не относится к признакам и не участвует в формировании пространства.

Одинаковые признаки — это два признака xi и xj, порождающие подмножества V1j, V2j, V1i, V2i, такие, что

V1j= V1i и V2j= V2i. (ф. 22)

Доказано утверждение, смысл которого заключается в том, что если пространство конструировать из однотипных, но неодинаковых признаков, то в конце концов будет построено такое пространство, в котором обучающая последовательность будет безошибочно разделена на два образа линейным, т. е. самым простым, решающим правилом.

Метод предельных упрощений состоит в том, что в процессе обучения последовательно проверяются всевозможные свойства объектов и из них выбираются только такие, которые обладают хотя бы одной из особенностей, определяемых соотношениями (ф. 18), (ф. 21). Такой отбор однотипных, но неодинаковых признаков продолжается до тех пор, пока при некотором значении размерности пространства не наступит безошибочное линейное разделение образов на обучающей последовательности. В зависимости от того, из признаков какого типа строится пространство, в качестве разделяющей плоскости выбирается плоскость, описываемая уравнением

Каждый объект относится к одному из образов в зависимости от того, по какую сторону относительно плоскости находится соответствующий этому объекту вектор в пространстве признаков размерности n.

Сотник С.Л. Основы проектирования систем искусственного интеллекта — файл gl1-4.doc



Доступные файлы (3):

gl1-4.doc 892kb. 03.09.1998 05:25 скачать
n2.doc 225kb. 24.02.1999 20:38 скачать
n3.doc 317kb. 07.07.1999 16:26 скачать

gl1-4.doc

Метод предельных упрощений (МПУ)

По тому, как организован процесс обучения распознающих систем, четко выделяются два подхода к проблеме ОРО. Первый основан на построении сложных разделяющих поверхностей в случайно выбранных пространствах, а во втором — центр тяжести проблемы переносится на достижение понимания принципов формирования такого описания объектов, в рамках которого сам процесс распознавания чрезвычайно прост. Обучение в этом случае рассматривается как некий процесс конструирования пространств для решения конкретных задач.

В МПУ предполагается, что разделяющая функция задается заранее в виде линейного (самого простого) полинома, а процесс обучения состоит в конструировании такого пространства минимальной размерности, в котором заранее заданная наиболее простая разделяющая функция безошибочно разделяет обучающую последовательность. МПР назван так потому, что в нем строится самое простое решающее правило в пространстве небольшой размерности, т. е. в простом пространстве.

Пусть на некотором множестве объектов V заданы два подмножества V * 1 и V * 2, определяющих собой образы на обучающей последовательности V. Рассмотрим i-е свойство объектов, такое, что некоторые объекты обучающей последовательности этим свойством обладают, а другие — нет. Пусть заданным свойством обладают объекты, образующие подмножество V1i, а объекты подмножества V2i этим свойством не обладают (V1i  V2i = V). Тогда i-е свойство называют признаком первого типа относительно образа V * 1, если выполняются соотношения

и признаком второго типа, если выполняются

Если же выполняются соотношения

то i-е свойство считается признаком первого типа относительно образа V * 2, а если выполняются

то это же свойство объявляется признаком второго типа относительно образа V * 2. Если свойство не обладает ни одной из приведенных особенностей, то оно вообще не относится к признакам и не участвует в формировании пространства.

Одинаковые признаки — это два признака xi и xj, порождающие подмножества V1j, V2j, V1i, V2i, такие, что

Доказано утверждение, смысл которого заключается в том, что если пространство конструировать из однотипных, но неодинаковых признаков, то в конце концов будет построено такое пространство, в котором обучающая последовательность будет безошибочно разделена на два образа линейным, т. е. самым простым, решающим правилом.

Метод предельных упрощений состоит в том, что в процессе обучения последовательно проверяются всевозможные свойства объектов и из них выбираются только такие, которые обладают хотя бы одной из особенностей, определяемых соотношениями (ф. 18), (ф. 21). Такой отбор однотипных, но неодинаковых признаков продолжается до тех пор, пока при некотором значении размерности пространства не наступит безошибочное линейное разделение образов на обучающей последовательности. В зависимости от того, из признаков какого типа строится пространство, в качестве разделяющей плоскости выбирается плоскость, описываемая уравнением

Каждый объект относится к одному из образов в зависимости от того, по какую сторону относительно плоскости находится соответствующий этому объекту вектор в пространстве признаков размерности n.

Коллективы решающих правил

Давно известны приемы повышения качества принимаемых реше­ний, состоящие в объединении специалистов той или иной области знаний в коллектив, вырабатывающий совместное решение. Идею коллективного решения можно применить и к «коллективу» фор­мальных алгоритмов, что позволит повысить эффективность ре­шения многих задач.

Для рационального использования особенностей различных алгоритмов при решении задач распознавания возможно объединить различные по характеру алгоритмы распозна­вания в коллективы, формирующие классификационное решение на основе правил, принятых в теории коллективных решений. Пусть в некоторой ситуации Х принимается решение S. Тогда S=R(X), где R—алгоритм принятия решения в ситуации X. Предположим, что существует L различных алгоритмов решения задачи, т. е. Sl=Rl(X), l=1, 2, . , L, где Sl—решение, получен­ное алгоритмом Rl. Будем называть множество алгоритмов =1, R2, . Ri.> коллективом алгоритмов решения задачи (кол­лективом решающих правил), если на множестве решений Sl в любой ситуации Х определено решающее правило F, т. е. S=F(S1, S2, . SL, X). Алгоритмы Rl принято называть членами коллектива, Sl — решением l-го члена коллектива, а S — коллек­тивным решением. Функция F определяет способ обобщения ин­дивидуальных решений в решения коллектива S. Поэтому синтез функции F, или способ обобщения, является центральным момен­том в организации коллектива.

Принятие коллективного решения может быть использовано при решении различных задач. Так, в задаче управления под си­туацией понимается ситуация среды и целей управления, а под решением — самоуправление, приводящее объект в целевое состоя­ние. В задачах прогноза Х — исходное, а S — прогнозируемое состояние. В задачах распознавания ситуацией Х является опи­сание объекта X, т. е. его изображение, а решением S — номер образа, к которому принадлежит наблюдаемое изображение. Индивидуальное и коллективное решения в задаче распозна­вания состоят в отнесении некоторого изображения к одному из образов. Наиболее интересными коллективами распознающих ал­горитмов являются такие, в которых существует зависимость веса каждого решающего правила Rl от распознаваемого изображения. Например, вес решающего правила Rl может определяеться соотно­шением


где Bl — область компетентности решающего правила Rl. Веса решающих правил выбираются так, что

для всех возможных значений X. Соотношение (ф. 25) означает, что решение коллектива определяется решением того решающего правила Ri, области компетентности которого принадлежит изоб­ражение объекта X. Такой подход представляет собой двухуров­невую процедуру распознавания. На первом уровне определяется принадлежность изображения той или иной области компетент­ности, а уже на втором — вступает в силу решающее правило, компетентность которого максимальна в найденной области. Решение этого правила отождествляется с решением всего кол­лектива. Основным этапом в такой организации коллективного решения является обучение распознаванию областей компетентности. Прак­тически постановкой этой задачи различаются правила органи­зации решения коллектива. Области компетентности можно ис­кать, используя вероятностные свойства правил коллектива, можно применить гипотезу компактности и считать, что одина­ковым правилам должны соответствовать компактные области, которые можно выделить алгоритмами самообучения. В про­цессе обучения сначала выделяются компактные множества и соответствующие им области, а затем в каждой из этих областей восстанавливается свое решающее правило. Решение такого пра­вила, действующего в определенной области, объявляется дикта­торским, т. е. отождествляется с решением всего коллектива.

В перцептроне каждый A-элемент может интерпретироваться как член коллектива. В процессе обучения все A-элементы при­обретают веса, в соответствии с которыми эти A-элементы участ­вуют в коллективном решении. Особенность каждого A-элемента состоит в том, что он действует в некотором подпространстве ис­ходного пространства, характер которого определяется связями между S- и A-элементами. Решение, получаемое на выходе перцептрона, можно интерпретировать как средневзвешенное реше­ние коллектива, состоящего из всех A-элементов.

Учебное пособие

  1. Философские аспекты проблемы систем ИИ (возможность существования, безопасность, полезность).
  2. История развития систем ИИ.
  3. Подходы к построению систем ИИ
  4. Вспомогательные системы нижнего уровня (распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование) и их место в системах
  5. Понятие образа
  6. Проблема обучения распознаванию образов (ОРО)
  7. Геометрический и структурный подходы.
  8. Гипотеза компактности
  9. Обучение и самообучение. Адаптация и обучение
  10. Перцептрон
  11. Нейронные сети
  12. История исследований в области нейронных сетей
  13. Модель нейронной сети с обратным распространением ошибки (back propagation)
  14. Нейронные сети: обучение без учителя
  15. Метод потенциальных функций
  16. Метод группового учета аргументов МГУА
  17. Метод наименьших квадратов
  18. Общая схема построения алгоритмов метода группового учета аргументов (МГУА).
  19. Алгоритм с ковариациями и с квадратичными описаниями.
  20. Метод предельных упрощений (МПУ)
  21. Коллективы решающих правил
  22. Методы и алгоритмы анализа структуры многомерных данных
  23. Кластерный анализ
  24. Иерархическое группирование
  25. Неформальные процедуры построения систем ИИ
  26. Алгоритмические модели ИИ
  27. Продукционные модели ИИ
  28. Режим возвратов в системах ИИ
  29. Логический вывод в системах ИИ
  30. Зависимость продукций в системах ИИ
  31. Продукционные системы с исключениями
  32. Язык Рефал
  33. Язык Пролог
  34. Принципы нечеткой логики

ОРГАНИЗАЦИЯ И УПРАВЛЕНИЕ В СТРОИТЕЛЬСТВЕ

Учебное пособие

Допущено Уральским отделением
Учебно-методического объединения вузов РФ
по образованию в области строительства
в качестве учебного пособия для студентов направления 270100 «Строительство» всех форм обучения

ФГОУ ВПО «Пермская ГСХА»

кафедра строительного производства и экспертизы недвижимости ГОУ ВПО «Уральский государственный технический университет – УПН имени первого Президента России Б.Н. Ельцина» (заведующий кафедрой Г.С. Пекарь, к.т.н., профессор);

А.Н. Юзефович, к.т.н., профессор кафедры строительного производства ГОУ ВПО «Пермский государственный технический университет».

З-966 Зекин, В.Н. Организация и управление в строительстве [Текст]: учебное пособие/ В.Н. Зекин; М-во с.-х. РФ, ФГОУ ВПО «Пермская ГСХА».– Пермь: Изд-во ФГОУ ВПО «Пермская ГСХА», 2010.– 106 с. ISDN 978-5-94279-091-2

Материалы, изложенные в учебном пособии, соответствуют требованиям государственного образовательного стандарта высшего профессионального образования подготовки дипломированных специалистов по строительным специальностям и содержанию рабочей программы дисциплины «Организация и управление в строительстве».

Учебное пособие по своему содержанию будет полезным для студентов специальностей направления 270100 «Строительство» всех форм обучения, поскольку позволит расширить и углубить знания в области строительства и управления инвестиционными проектами.

©ФГОУ ВПО «Пермская ГСХА», 2010

© Зекин В.Н., 2010

Введение……………………………………………………………………
Глава 1 Разработка инвестиционного проекта……………………………….…..
1.1. Сущность инвестиционного проекта……………………….……
1.2. Риски проекта и управление ими…………………………………
1.3. Бизнес-план как неотъемлемая часть инвестиционного проекта
1.4. Пример бизнес-плана строительства жилого микрорайона в г. Перми………………………………………………………………….
Глава 2 Проект организации строительства (указания по выполнению отдельных разделов проекта организации строительства)………………….…
2.1. Исходные данные и задачи учебного пособия………………..…
2.2. Общая организация строительства……………………………….
2.3. Календарный план строительства……………………………….
2.4. Проектирование строительного генерального плана……………
2.5. Определение стоимости временных зданий и сооружений…….
2.6. Технико-экономические показатели ПОС……………………….
2.7. Определение договорной и рыночной цены……………………..
2.8. Порядок разработки проекта организации строительства (ПОС)….
2.9. Схемы производства строительно-монтажных работ………….
2.10. Стройгенплан…………………………………………………….
2.11. Комплексный укрупненный сетевой график…………………..
2.12. Финансовые показатели проекта………………………………..
Глоссарий………………………………………………………………….
Библиографический список………………………………………………
Приложение 1 Пример разработки КУСГ жилого микрорайона в г. Перми.………….
Приложение 2 Грузовые характеристики кранов………………………………………..
Приложение 3 Нормы продолжительности и задела в строительстве предприятий зданий и сооружений…………………..…………………………………


Дата добавления: 2015-10-19 ; просмотров: 203 . Нарушение авторских прав

Diplom Consult.ru

На этом этапе проверяется пригодность ЭС для конечного пользователя. Пригодность ЭС для пользователя определяется в основном удобством работы с ней и ее полезностью. Под полезностью ЭС понимается ее способность в ходе диалога определять потребности пользователя, выявлять и устранять причины неудач в работе, а также удовлетворять указанные потребности пользователя (решать поставленные задачи). В свою очередь, удобство работы с ЭС подразумевает естественность взаимодействия с ней (общение в привычном, не утомляющем пользователя виде), гибкость ЭС (способность системы настраиваться на различных пользователей, а также учитывать изменения в квалификации одного и того же пользователя) и устойчивость системы к ошибкам (способность не выходить из строя при ошибочных действиях неопытного пользователях).

Илон Маск рекомендует:  Memchr   memset работа с байтами в массивах

В ходе разработки ЭС почти всегда осуществляется ее модификация. Выделяют следующие виды модификации системы: переформулирование понятий и требований, переконструирование представления знаний в системе и усовершенствование прототипа.

Экспертные системы, параллельные и последовательные решения

Как мы можем заметить, в большинстве алгоритмов распознавания образов подразумевается, что к началу работы алгоритма уже известна вся входная информация, которая перерабатывается параллельно. Однако ее получение зачастую требует определенных усилий. Да и наши наблюдения за реальными экспертами подтверждают, что зачастую они задают два-три вопроса, после чего делают правильные выводы. Представьте себе, если бы врач (эксперт в области медицины) перед постановкой диагноза «ангина» заставлял бы пациента пройти полное обследование вплоть до кулоноскопии и пункции позвоночника (я не пробовал ни то и ни другое, но думаю, что это малоприятные вещи, а также значительная потеря времени).

Соответственно большинство алгоритмов модифицируются, чтобы обеспечить выполнение следующих условий:

алгоритмы должны работать в условиях неполной информации (последовательно);

последовательность запроса информации должна быть оптимальна по критериям быстроты получения результата и (или) наименьшей трудоемкости (болезненности, стоимости и т.д.) получения этой информации.

Одной из возможных стратегий для оптимизирования запросов является стратегия получения в первую очередь той информации, которая подтверждает либо опровергает наиболее вероятный на текущий момент результат. Другими словами мы пытаемся подтвердить или опровергнуть наши догадки (обратный вывод).

Пример эс, основанной на правилах логического вывода и действующую в обратном порядке

Допустим, вы хотите построить ЭС в области медицинской диагностики. В этом случае вам вряд ли нужно строить систему, использующую обучение на примерах, потому что имеется большое количество доступной информации, позволяющей непосредственно решать такие проблемы. К сожалению, эта информация приведена в неподходящем для обработки на компьютере виде.

Возьмите медицинскую энциклопедию и найдите в ней статью, например, о гриппе. Вы обнаружите, что в ней приведены все симптомы, причем они бесспорны. Другими словами, при наличии указанных симптомов всегда можно поставить точный диагноз.

Но чтобы использовать информацию, представленную в таком виде, вы должны обследовать пациента, решить, что у него грипп, а потом заглянуть в энциклопедию, чтобы убедиться, что у него соответствующие симптомы. Что-то здесь не так. Ведь необходимо, чтобы вы могли обследовать пациента, решить, какие у него симптомы, а потом по этим симптомам определить, чем он болен. Энциклопедия же, похоже, не позволяет сделать это так, как надо. Нам нужна не болезнь со множеством симптомов, а система, представляющая группу симптомов с последующим названием болезни. Именно это мы сейчас и попробуем сделать.

Идеальной будет такая ситуация, при которой мы сможем в той или иной области предоставить машине в приемлемом для нее виде множество определений, которые она сможет использовать примерно так же, как человек-эксперт. Именно это и пытаются делать такие программы, как PUFF, DENDRAL, PROSPECTOR.

С учетом байесовской системы логического вывода примем, что большая часть информации не является абсолютно точной, а носит вероятностный характер. Итак, начнем программирование:

Методы последовательного улучшения допустимого решения (МПУ)

Методы последовательного улучшения допустимого решения (МПУ) [sequential perfec­tion of feasible solutions tech­nique] — один из общих подходов к решению дискретных задач оптимального программирования, основанный на том, что вначале выбирается произвольно выбирается некоторое допустимое решение задачи, а далее тем или иным способом ищется решения, все более соответствующие оптимальному. См. Базисное решение (опорный план).


Экономико-математический словарь: Словарь современной экономической науки. — М.: Дело . Л. И. Лопатников . 2003 .

Смотреть что такое «Методы последовательного улучшения допустимого решения (МПУ)» в других словарях:

методы последовательного улучшения допустимого решения — МПУ Один из общих подходов к решению дискретных задач оптимального программирования, основанный на том, что вначале выбирается произвольно выбирается некоторое допустимое решение задачи, а далее тем или иным способом ищется решения, все более… … Справочник технического переводчика

М — Магистраль [turnpike] Мажоритарный акционер (Majority shareholder) Мажоритарная доля собственности (majority interest) Мажоритарный контроль (majority control) … Экономико-математический словарь

Базисное решение — (опорный план) [basic solution] – термин линейного программирования, одно из допустимых решений, находящихся в вершинах области допустимых решений, либо, если кривая безразличия параллельна одному из отрезков границы области, то Б. р. – весь этот … Экономико-математический словарь

Базисное решение — (опорный план) [basic solution] – термин линейного программирования, одно из допустимых решений, находящихся в вершинах области допустимых решений, либо, если кривая безразличия параллельна одному из отрезков границы области, то Б. р. – весь этот … Экономико-математический словарь

базисное решение (опорный план) — Термин линейного программирования, одно из допустимых решений, находящихся в вершинах области допустимых решений, либо, если кривая безразличия параллельна одному из отрезков границы области, то Б. р. – весь этот отрезок (см. рис. Л.1 к ст.… … Справочник технического переводчика

Конспект лекций по курсу «основы проектирования систем искусственного интеллекта»

Название Конспект лекций по курсу «основы проектирования систем искусственного интеллекта»
страница 14/18
Дата конвертации 05.06.2015
Размер 1.29 Mb.
Тип Конспект
источник
1. /gl1-4.doc
2. /gl5.doc
3. /gl6.doc
Конспект лекций по курсу «основы проектирования систем искусственного интеллекта»
Экспертные системы Базовые понятия. Методика построения. Статистический подход (пример)
Лекции 14-16. Машинная эволюция

Метод предельных упрощений (МПУ)

По тому, как организован процесс обучения распознающих систем, четко выделяются два подхода к проблеме ОРО. Первый основан на построении сложных разделяющих поверхностей в случайно выбранных пространствах, а во втором — центр тяжести проблемы переносится на достижение понимания принципов формирования такого описания объектов, в рамках которого сам процесс распознавания чрезвычайно прост. Обучение в этом случае рассматривается как некий процесс конструирования пространств для решения конкретных задач.

В МПУ предполагается, что разделяющая функция задается заранее в виде линейного (самого простого) полинома, а процесс обучения состоит в конструировании такого пространства минимальной размерности, в котором заранее заданная наиболее простая разделяющая функция безошибочно разделяет обучающую последовательность. МПР назван так потому, что в нем строится самое простое решающее правило в пространстве небольшой размерности, т. е. в простом пространстве.

Пусть на некотором множестве объектов V заданы два подмножества V * 1 и V * 2, определяющих собой образы на обучающей последовательности V. Рассмотрим i-е свойство объектов, такое, что некоторые объекты обучающей последовательности этим свойством обладают, а другие — нет. Пусть заданным свойством обладают объекты, образующие подмножество V1i, а объекты подмножества V2i этим свойством не обладают (V1i  V2i = V). Тогда i-е свойство называют признаком первого типа относительно образа V * 1, если выполняются соотношения

и признаком второго типа, если выполняются

Если же выполняются соотношения

то i-е свойство считается признаком первого типа относительно образа V * 2, а если выполняются

то это же свойство объявляется признаком второго типа относительно образа V * 2. Если свойство не обладает ни одной из приведенных особенностей, то оно вообще не относится к признакам и не участвует в формировании пространства.

Одинаковые признаки — это два признака xi и xj, порождающие подмножества V1j, V2j, V1i, V2i, такие, что


Доказано утверждение, смысл которого заключается в том, что если пространство конструировать из однотипных, но неодинаковых признаков, то в конце концов будет построено такое пространство, в котором обучающая последовательность будет безошибочно разделена на два образа линейным, т. е. самым простым, решающим правилом.

Метод предельных упрощений состоит в том, что в процессе обучения последовательно проверяются всевозможные свойства объектов и из них выбираются только такие, которые обладают хотя бы одной из особенностей, определяемых соотношениями (ф. 18), (ф. 21). Такой отбор однотипных, но неодинаковых признаков продолжается до тех пор, пока при некотором значении размерности пространства не наступит безошибочное линейное разделение образов на обучающей последовательности. В зависимости от того, из признаков какого типа строится пространство, в качестве разделяющей плоскости выбирается плоскость, описываемая уравнением

Каждый объект относится к одному из образов в зависимости от того, по какую сторону относительно плоскости находится соответствующий этому объекту вектор в пространстве признаков размерности n.

Коллективы решающих правил

Давно известны приемы повышения качества принимаемых реше­ний, состоящие в объединении специалистов той или иной области знаний в коллектив, вырабатывающий совместное решение. Идею коллективного решения можно применить и к «коллективу» фор­мальных алгоритмов, что позволит повысить эффективность ре­шения многих задач.

Для рационального использования особенностей различных алгоритмов при решении задач распознавания возможно объединить различные по характеру алгоритмы распозна­вания в коллективы, формирующие классификационное решение на основе правил, принятых в теории коллективных решений. Пусть в некоторой ситуации Х принимается решение S. Тогда S=R(X), где R—алгоритм принятия решения в ситуации X. Предположим, что существует L различных алгоритмов решения задачи, т. е. Sl=Rl(X), l=1, 2, . , L, где Sl—решение, получен­ное алгоритмом Rl. Будем называть множество алгоритмов =1, R2, . Ri.> коллективом алгоритмов решения задачи (кол­лективом решающих правил), если на множестве решений Sl в любой ситуации Х определено решающее правило F, т. е. S=F(S1, S2, . SL, X). Алгоритмы Rl принято называть членами коллектива, Sl — решением l-го члена коллектива, а S — коллек­тивным решением. Функция F определяет способ обобщения ин­дивидуальных решений в решения коллектива S. Поэтому синтез функции F, или способ обобщения, является центральным момен­том в организации коллектива.

Принятие коллективного решения может быть использовано при решении различных задач. Так, в задаче управления под си­туацией понимается ситуация среды и целей управления, а под решением — самоуправление, приводящее объект в целевое состоя­ние. В задачах прогноза Х — исходное, а S — прогнозируемое состояние. В задачах распознавания ситуацией Х является опи­сание объекта X, т. е. его изображение, а решением S — номер образа, к которому принадлежит наблюдаемое изображение. Индивидуальное и коллективное решения в задаче распозна­вания состоят в отнесении некоторого изображения к одному из образов. Наиболее интересными коллективами распознающих ал­горитмов являются такие, в которых существует зависимость веса каждого решающего правила Rl от распознаваемого изображения. Например, вес решающего правила Rl может определяеться соотно­шением

где Bl — область компетентности решающего правила Rl. Веса решающих правил выбираются так, что

для всех возможных значений X. Соотношение (ф. 25) означает, что решение коллектива определяется решением того решающего правила Ri, области компетентности которого принадлежит изоб­ражение объекта X. Такой подход представляет собой двухуров­невую процедуру распознавания. На первом уровне определяется принадлежность изображения той или иной области компетент­ности, а уже на втором — вступает в силу решающее правило, компетентность которого максимальна в найденной области. Решение этого правила отождествляется с решением всего кол­лектива. Основным этапом в такой организации коллективного решения является обучение распознаванию областей компетентности. Прак­тически постановкой этой задачи различаются правила органи­зации решения коллектива. Области компетентности можно ис­кать, используя вероятностные свойства правил коллектива, можно применить гипотезу компактности и считать, что одина­ковым правилам должны соответствовать компактные области, которые можно выделить алгоритмами самообучения. В про­цессе обучения сначала выделяются компактные множества и соответствующие им области, а затем в каждой из этих областей восстанавливается свое решающее правило. Решение такого пра­вила, действующего в определенной области, объявляется дикта­торским, т. е. отождествляется с решением всего коллектива.

Проектирование систем искусственного интеллекта Сотник Сергей Леонидович

Название Проектирование систем искусственного интеллекта Сотник Сергей Леонидович
страница 8/22
Дата конвертации 09.06.2013
Размер 341.26 Kb.
Тип Лекция

Предположим, что требуется разделить два непересекающихся образа V 1 и V
2 . Это значит, что в пространстве изображений существует, по крайней мере, одна функция, которая полностью разделяет множества, соответствующие образам V 1 и V 2 . Эта функция должна принимать положительные значения в точках, которые соответствуют объектам, принадлежащим образу V 1 , и отрицательные — в точках образа V 2 . В
общем случае таких разделяющих функций может быть много, тем больше, чем компактней разделяемые множества . В процессе обучения требуется построить одну из этих функций, иногда в некотором смысле наилучшую.
Метод потенциальных функций связан со следующей процедурой. В процессе обучения с каждой точкой пространства изображений, соответствующей единичному объекту из обучающей последовательности, связывается функция U(X, X i ) , заданная на всем пространстве и зависящая от X i как от параметра. Такие функции называются потенциальными, так как они напоминают функции потенциала электрического поля вокруг точечного электрического заряда. Изменение потенциала электрического поля по мере удаления от заряда обратно пропорционально квадрату расстояния.
Потенциал, таким образом, может служить мерой удаления точки от заряда.
Когда поле образовано несколькими зарядами, потенциал в каждой точке этого поля равен сумме потенциалов, создаваемых в этой точке каждым из зарядов. Если заряды, образующие поле, расположены компактной группой, потенциал поля будет иметь наибольшее значение внутри группы зарядов и убывать по мере удаления от нее.
Обучающей последовательности объектов соответствует последовательность векторов X 1 , X 2 , … , с которыми в пространстве изображений связана последовательность U(X, X 1 ), U(X, X 2 ), … потенциальных функций, используемых для построения функций f(X 1 , X 2 , …) . По мере увеличения числа объектов в процессе обучения функция f должна стремиться к одной из разделяющих функций. В результате обучения могут быть построены потенциальные функции для каждого образа:
(4.35)

В качестве разделяющей функции f(X) можно выбрать функцию вида:
f(X)=U 1 (X)-U 2 (X) ,(4.36)

которая положительна для объектов одного образа и отрицательна для объектов другого.

В качестве потенциальной функции рассмотрим функцию вида
(4.37)

где — линейно независимая система функций; — действительные числа, отличные от нуля для всех j = 1, 2, … ; X i — точка, соответствующая i -му объекту из обучающей последовательности. Предполагается, что и U(X, X i ) ограничены при .

В процессе обучения предъявляется обучающая последовательность и на каждом n-м такте обучения строится приближение f n (X) , которое характеризуется следующей основной рекуррентной процедурой:
f n+1 (X)=q n f n (X)+r n U(X n+1 ,X) ,(4.38)
Разновидности алгоритмов потенциальных функций отличаются выбором значений q n и r n , которые являются фиксированными функциями номера n
. Как правило, , а r n выбирается в виде:
(4.39)

где S(f n , f) — невозрастающие функции, причем
(4.40)
Коэффициенты представляют собой неотрицательную числовую последовательность, зависящую только от номера n . Кроме того, и (например, ) или .


Разработано несколько вариантов алгоритмов потенциальных функций, различие между которыми состоит в выборе законов коррекции разделяющей функции от шага к шагу, т. е. в выборе законов коррекции разделяющей функции от шага к шагу, иными словами, в выборе коэффициентов r n .
Приведем два основных алгоритма потенциальных функций.
Будем считать, что (нулевое приближение). Пусть в результате применения алгоритма после n -го шага построена разделяющая функция f n (X) , а на (n+1) -м шаге предъявлено изображение X n+1 , для которого известно действительное значение разделяющей функции f(X n+1 ). Тогда функция f n+1 (X) строится по следующему правилу:
(4.41)

Во втором алгоритме также принимается, что . Переход к следующему приближению, т. е. переход от функции f n (X) к f n+1 (X) , осуществляется в результате следующей рекуррентной процедуры:
(4.42)

где — произвольная положительная константа, удовлетворяющая условию .
Если в (ф. 5) принять и предположить, что x v может иметь только два значения 0 и 1, то в этом случае алгоритм потенциальных функций будет совпадать со схемой персептрона с индивидуальными порогами А -элементов и с коррекцией ошибок. Поэтому многие теоретические положения метода потенциальных функций могут быть успешно применены для анализа некоторых перцептронных схем.

Перед тем, как начинать рассмотрение МГУА, было бы полезно вспомнить (или узнать впервые) метод наименьших квадратов — наиболее распространенный метод подстройки линейно зависимых параметров.
Рассмотрим для примера МНК для трех аргументов.
Пусть функция T=T(U, V, W) задана таблицей, то есть из опыта известны числа U i , V i , W i , T i ( i = 1, … , n) . Будем искать зависимость между этими данными в виде:

где a , b , c — неизвестные параметры.
Подберем значения этих параметров так, чтобы была наименьшей сумма квадратов уклонений опытных данных T i и теоретических T i = aUwi + bV i + cW i , то есть сумма:

Величина является функцией трех переменных a , b , c . Необходимым и достаточным условием существования минимума этой функции является равенство нулю частных производных функции по всем переменным, то есть:
(4.45)
Так как:

(4.46)
система для нахождения a , b , c будет иметь вид:
(4.47)
Данная система решается любым стандартным методом решения систем линейных уравнений (Гаусса, Жордана, Зейделя, Крамера).
Рассмотрим некоторые практические примеры нахождения приближающих функций.

Задача подбора коэффициентов , , сводится к решению общей задачи при T=y, U=x 2 , V=x, W=1 , .

Задача подбора коэффициентов , , сводится к решению общей задачи при T=f, U=sin(x), V=cos(y), W=1/x , .
Если мы распространим МНК на случай с m параметрами,
(4.48)

то путем рассуждений, аналогичных приведенным выше, получим следующую систему линейных уравнений:

Общая схема построения алгоритмов метода группового учета аргументов (МГУА) —————————————————————————
Рис. 4.7. Селекция самого черного тюльпана при расширяющемся опытном поле (эквивалент полного перебора), и при постоянном размере поля (эквивалент селекции при сохранении свободы выбора решений F = const)
Заимствование алгоритмов переработки информации у природы является одной из основных идей кибернетики. «Гипотеза селекции » утверждает, что алгоритм массовой селекции растений или животных является оптимальным алгоритмом переработки информации в сложных задачах. При массовой селекции высевается некоторое количество семян. В результате опыления образуются сложные наследственные комбинации. Селекционеры выбирают некоторую часть растений, у которых интересующее их свойство выражено лучше всего (эвристический критерий). Семена этих растений собирают и снова высевают для образования новых, еще более сложных комбинаций.
Через несколько поколений селекция останавливается и ее результат является оптимальным. Если чрезмерно продолжать селекцию, то наступит «инцухт» — вырождение растений. Существует оптимальное число поколений и оптимальное количество семян, отбираемых в каждом из них.
Алгоритмы МГУА воспроизводят схему массовой селекции [5], показанной на
рис. 4.7 . В них есть генераторы усложняющихся из ряда в ряд комбинаций и пороговые самоотборы лучших из них. Так называемое «полное» описание объекта

где f — некоторая элементарная функция, например степенной полином, заменяется несколькими рядами «частных» описаний:
1-ряд селекции : y 1 = f(x 1 x 2 ), y 2 = f(x 1 x 3 ). y s = f(x m-1 x m ) ,

2-ряд селекции : z 1 = f(y 1 y 2 ), z 2 = f(y 1 y 2 ). z p = f(y s-1 y s ) , где s=c 2 , и т.д.

Входные аргументы и промежуточные переменные сопрягаются попарно, и сложность комбинаций на каждом ряду обработки информации возрастает (как при массовой селекции ), пока не будет получена единственная модель оптимальной сложности.

Каждое частное описание является функцией только двух аргументов.
Поэтому его коэффициенты легко определить по данным обучающей последовательности при малом числе узлов интерполяции [4]. Исключая промежуточные переменные (если это удается), можно получить «аналог» полного описания. Математика не запрещает обе эти операции. Например, по десяти узлам интерполяции можно получить в результате оценки коэффициентов полинома сотой степени и т. д.
Из ряда в ряд селекции пропускается только некоторое количество самых регулярных переменных. Степень регулярности оценивается по величине среднеквадратичной ошибки (средней для всех выбираемых в каждом поколении переменных или для одной самой точной переменой) на отдельной проверочной последовательности данных. Иногда в качестве показателя регулярности используется коэффициент корреляции .
Ряды селекции наращиваются до тех пор, пока регулярность повышается. Как
только достигнут минимум ошибки, селекцию, во избежание «инцухта», следует остановить. Практически рекомендуется остановить селекцию даже несколько раньше достижения полного минимума, как только ошибка начинает падать слишком медленно. Это приводит к более простым и более достоверным уравнениям.

Алгоритм с ковариациями и с квадратичными описаниями —————————————————-
Рис. 4.8. МГУА как эквивалент массовой селекции
В этом алгоритме [5, 6] используются частные описания, представленные в следующих формулах: y i =a 0 +a 1 x i +a 2 x j +a 3 x i x j ; .
Сложность модели увеличивается от ряда к ряду селекции как по числу учитываемых аргументов, так и по степени. Степень полного описания быстро растет. На первом ряду — квадратичные описания, на втором — четвертой степени, на третьем — восьмой и т. д. В связи с этим минимум критерия селекции находится быстро, но не совсем точно. Кроме того, имеется опасность потери существенного аргумента, особенно на первых рядах селекции (в случае отсутствия протекции). Специальные теоремы теории МГУА определяют условия, при которых результат селекции не отличается от результата полного перебора моделей.
Чтобы степень полного уравнения повышалась с каждым рядом селекции на единицу, достаточно рассматривать все аргументы и их ковариации как обобщенные аргументы и пользоваться составленными для них линейными описаниями.

Метод предельных упрощений (МПУ) ———————————
По тому, как организован процесс обучения распознающих систем, четко выделяются два подхода к проблеме ОРО. Первый основан на построении сложных разделяющих поверхностей в случайно выбранных пространствах, а во втором центр тяжести проблемы переносится на достижение понимания принципов формирования такого описания объектов, в рамках которого сам процесс распознавания чрезвычайно прост. Обучение в этом случае рассматривается как некий процесс конструирования пространств для решения конкретных задач.

В МПУ предполагается, что разделяющая функция задается заранее в виде линейного (самого простого) полинома, а процесс обучения состоит в конструировании такого пространства минимальной размерности, в котором заранее заданная наиболее простая разделяющая функция безошибочно разделяет обучающую последовательность. МПР назван так потому, что в нем строится самое простое решающее правило в пространстве небольшой размерности, т. е. в простом пространстве.
Пусть на некотором множестве объектов V заданы два подмножества и , определяющие собой образы на обучающей последовательности V . Рассмотрим i -е свойство объектов, такое, что некоторые объекты обучающей последовательности этим свойством обладают, а другие — нет. Пусть заданным свойством обладают объекты, образующие подмножество V 1i , а объекты подмножества V 2i этим свойством не обладают ( ). Тогда i -е свойство называют признаком первого типа относительно образа , если выполняются соотношения


Метод предельных разведений

Лабораторная работа № 4.

Санитарно-бактериологическое исследование воды

Подготовка проб

Пробы воды для микробиологического анализа отбирают в стерильные емкости. Для отбора проб воды используют специально предназначенную для этих целей одноразовую посуду или емкости многократного применения, изготовленные из материалов, не влияющих на жизнедеятельность микроорганизмов. Емкости должны быть оснащены плотно закрывающимися пробками (силиконовыми, резиновыми или из других материалов) и защитным колпачком (из алюминиевой фольги, плотной бумаги) или с завинчивающимися крышками. Многоразовая посуда, в том числе пробки, должна выдерживать стерилизацию сухим жаром или автоклавированием. Стерильные емкости открывают непосредственно перед отбором, удаляя пробку вместе со стерильным колпачком. Во время отбора пробка и края емкости не должны чего-либо касаться. Ополаскивать посуду не следует. После наполнения емкость закрывают стерильной пробкой, обеспечивающей герметичность и не намокающей при транспортировании (ватные пробки не применять), и стерильным колпачком. При заполнении емкостей должно оставаться пространство между пробкой и поверхностью воды, чтобы пробка не смачивалась при транспортировке.

Поверхностные пробы отбирают с глубины 10-15см от поверхности воды или от нижней кромки льда. Придонные пробы отбирают в 30-50см от дна. Отбор проб следует производить с использованием различных плавсредств, с мостов, помостов в местах, где глубина водоемов не менее 0,5м. Недопустимо производить отбор проб с берега. Поверхностные пробы отбирают батометром с устройством для закрепления стерильных емкостей. Глубинные пробы отбирают специальным батометром, предназначенным для этих целей. При отборе одним батометром нескольких проб его каждый раз стерилизуют фламбированием. Из одной точки в первую очередь отбирают пробы для микробиологических исследований, а затем для других целей. Проруби делают, избегая внесения загрязнения со льда и инструментов. Руки перед отбором проб должны быть обеззаражены. Объем пробы должен быть не менее 500 мл. Доставку проб воды осуществляют в контейнерах-холодильниках при температуре 4-10°C. В холодный период года контейнеры снабжают термоизолирующими прокладками, обеспечивающими предохранение проб от промерзания. В лаборатории, если анализ по каким-либо причинам откладывают, пробы следует поместить в холодильник. При соблюдении указанной температуры транспортирования и хранения срок начала исследований от момента отбора проб не должен превышать 6 часов. Если пробы нельзя охладить, их анализ проводят в течение 2 часов после забора.

Санитарно-бактериологическое исследование воды

Схемы исследования проб воды

Для определения ОМЧ – общего микробного числа используют метод предельных разведений и метод глубинного или поверхностного посева.

Метод предельных разведений

Разведения готовят в стерильной дистиллированной воде, обычно применяют десятикратные последовательные разведения (1:10 – 10 -1 , 1:100– 10 -2 , 1:1000 – 10 -3 т.д.).

При исследовании продукта твердой консистенции на технических весах отвесить, с помощью часового стекла и стерильного скальпеля пробу продукта (1 г), перенести в стерильную ступку и растереть в однородную массу. Полученную навеску количественно и асептически перенести в колбу со 100 мл стерильной дистиллированной воды (1:100). Суспензию в колбе тщательно взболтать в течение 3–5 мин, дать отстоять, затем стерильной пипеткой взять 1 мл полученной суспензии и последовательно перенести в ряд пробирок с 9 мл стерильной дистиллированной воды. Из полученной взвеси готовят ряд последующих разведений.

При исследовании воды 1 мл исследуемого объекта помещают в пробирку с 9 мл стерильной дистиллированной воды (1:10). Из полученной взвеси готовят ряд последующих разведений.

Метод глубинного посева

При глубинном способе посева из ряда последовательных разведений, находящихся в пробирках (1:100,1:1000), стерильной пипеткой отбирают 1 мл разведения, вносят в стерильную чашку Петри. Затем, осторожно приоткрыв под углом крышку, заливают дно чашки 20 мл расплавленной и охлажденной до 45 °С агаризованной среды. Крышку чашки закрывают и тщательно перемешивают питательную среду с посевным материалом, после чего чашки оставляют на горизонтальной поверхности до застывания агара. Засеянные чашки Петри помещают в термостат крышками вниз.

Алгоритм с ковариациями и с квадратичными описаниями.

Рис. 10. МГУА как эквивалент массовой селекции.

В этом алгоритме [5, 6] используются частные описания, представленные в следующих формулах:


Сложность модели увеличивается от ряда к ряду селекции как по числу учитываемых аргументов, так и по степени. Степень полного описания быстро растет. На первом ряду — квадратичные описания, на втором — четвертой степени, на третьем — восьмой и т. д. В связи с этим минимум критерия селекции находится быстро, но не совсем точно. Кроме того, имеется опасность потери существенного аргумента, особенно на первых рядах селекции (в случае отсутствия протекции). Специальные теоремы теории МГУА определяют условия, при которых результат селекции не отличается от результата полного перебора моделей.

Для того чтобы степень полного уравнения повышалась с каждым рядом селекции на единицу, достаточно рассматривать все аргументы и их ковариации как обобщенные аргументы и пользоваться составленными для них линейными описаниями.

Метод предельных упрощений (МПУ)

По тому, как организован процесс обучения распознающих систем, четко выделяются два подхода к проблеме ОРО. Первый основан на построении сложных разделяющих поверхностей в случайно выбранных пространствах, а во втором — центр тяжести проблемы переносится на достижение понимания принципов формирования такого описания объектов, в рамках которого сам процесс распознавания чрезвычайно прост. Обучение в этом случае рассматривается как некий процесс конструирования пространств для решения конкретных задач.

В МПУ предполагается, что разделяющая функция задается заранее в виде линейного (самого простого) полинома, а процесс обучения состоит в конструировании такого пространства минимальной размерности, в котором заранее заданная наиболее простая разделяющая функция безошибочно разделяет обучающую последовательность. МПР назван так потому, что в нем строится самое простое решающее правило в пространстве небольшой размерности, т. е. в простом пространстве.

Пусть на некотором множестве объектов V заданы два подмножества V * 1 и V * 2, определяющих собой образы на обучающей последовательности V. Рассмотрим i-е свойство объектов, такое, что некоторые объекты обучающей последовательности этим свойством обладают, а другие — нет. Пусть заданным свойством обладают объекты, образующие подмножество V1i, а объекты подмножества V2i этим свойством не обладают (V1i È V2i = V). Тогда i-е свойство называют признаком первого типа относительно образа V * 1, если выполняются соотношения

и признаком второго типа, если выполняются

Если же выполняются соотношения

то i-е свойство считается признаком первого типа относительно образа V * 2, а если выполняются

то это же свойство объявляется признаком второго типа относительно образа V * 2. Если свойство не обладает ни одной из приведенных особенностей, то оно вообще не относится к признакам и не участвует в формировании пространства.

Доказано утверждение, смысл которого заключается в том, что если пространство конструировать из однотипных, но неодинаковых признаков, то в конце концов будет построено такое пространство, в котором обучающая последовательность будет безошибочно разделена на два образа линейным, т. е. самым простым, решающим правилом.

Метод предельных упрощений состоит в том, что в процессе обучения последовательно проверяются всевозможные свойства объектов и из них выбираются только такие, которые обладают хотя бы одной из особенностей, определяемых соотношениями (ф. 18), (ф. 21). Такой отбор однотипных, но неодинаковых признаков продолжается до тех пор, пока при некотором значении размерности пространства не наступит безошибочное линейное разделение образов на обучающей последовательности. В зависимости от того, из признаков какого типа строится пространство, в качестве разделяющей плоскости выбирается плоскость, описываемая уравнением

Каждый объект относится к одному из образов в зависимости от того, по какую сторону относительно плоскости находится соответствующий этому объекту вектор в пространстве признаков размерности n.

quality .eup.ru

Вероятно, самый старый в рунете сайт о менеджменте качества

Развивайте интеллектуальный и интуитивный потенциал компании, создавайте команды, способные мыслить и действовать на глобальном уровне. (Джек Уэлч)

Улучшение через упрощение

РИА подготовило к изданию книгу , переведенную с английского. Ее автор, доцент кафедры технологии производства и качества Норвежского университета науки и технологии Бьёрн Андерсен, предпринял попытку сформировать полный набор методов, используемых для улучшения процессов, представив их в виде системы и дав краткую характеристику каждого из них. Книга ориентирована на специалистов-практиков и содержит более 40 примеров эффективного использования различных инструментов улучшения процессов. Публикуемая ниже с небольшими сокращениями глава книги посвящена методу улучшения процессов, который Б. Андерсен назвал , и который он рассматривает в ряду таких методов, как идеализация, структурирование (развертывание) функций качества, анализ рабочих ячеек, статистическое управление процессом на основе использования контрольных карт, реинжиниринг и бенчмаркинг.
Основное назначение метода упрощения заключается в том, чтобы исключить потери и избыточные затраты на элементы бизнес-процесса. Упрощенный процесс протекает легко, без сопротивления, не снижая уровня показателей ни внутри самого процесса, ни в его взаимодействии с внешней средой. Для достижения эффекта упрощения существует несколько приемов, каждый из которых можно использовать отдельно, но, когда они объединяются, эффект получается гораздо большим.


Термины упрощенный и бюрократический имеют противоположный смысл. Термин упрощенный ассоциируется с эффективным процессом, который протекает легко. Термин бюрократический — синоним процесса медленного и громоздкого. Бюрократия часто препятствует применению процессного подхода и переходу от управления функциями к управлению процессами. Естественно, первый шаг по упрощению бизнес-процесса — исключение бюрократии.
Типичный пример бюрократии — необязательное бумаготворчество. Менеджеры часто тратят 40-50% своего времени на чтение или написание документов. Исследования показали, что примерно 60% работы офиса идет на проверку других работ, а также на архивирование и поиск информации, иногда нужной, но чаще всего — бесполезной. Негативных результатов у такой работы много, их часто невозможно измерить. Поэтому важно провести критический анализ существующего стиля работы для минимизации всех задержек, исключения ненужных бумаг и операций, которые не добавляют ценность и не поддерживают другие процессы.
Избавиться от бюрократии можно следующим образом.
1. Сначала бюрократию надо выследить. Первый признак, по которому можно определить бюрократа:

  • проводится ли инспекция этого действия и кто утвердил эту работу?
  • не нужны ли еще подписи?
  • сделано ли несколько экземпляров этого документа?
  • есть ли копии оформленных документов в архиве на всякий случай?
  • всем ли направлены копии документа?
  • вовлечены ли люди или отделы, которые мешают повышению эффективности и качества работы?
    Другой важный признак бюрократии — бесконечное использование копировально-множительной техники и наличие огромных помещений для хранения документов. Исследования показали, что около 90% документов, хранящихся в архивах организаций, никогда не используются повторно.
    2. Попробуйте теперь формально соединить блок-схему процесса и ответы на вопросы, данные выше. Действия, которые представляют собой проявления бюрократии, выделите синим цветом. Они связаны с проверками, утверждениями, подписями и визами.
    3. У сотрудника, отвечающего за действия, следует потребовать отчета о затратах времени и средств на их выполнение, а также о необходимости этих действий. Обычно это встречает некоторое сопротивление, так как все виды бюрократической работы представляются ее исполнителями весьма существенными для предприятия в самой ближней и дальней перспективе. Однако рассмотрение такого отчета может помочь исключить лишнее бюрократическое звено.
    Пример. В одной американской компании, где для оформления запроса на покупку оборудования, стоимость которого несколько превышала плановую, требовалось пройти пять уровней утверждения документов, провели эксперимент. Из десяти комплектов документов, представленных на утверждение, два из них имели только правильно оформленный титульный лист, на котором были оставлены места для подписей. Остальные страницы этих двух комплектов документов умышленно были оставлены абсолютно чистыми. И тем не менее вместе с другими восемью комплектами, эти два пустых комплекта успешно прошли через всю бюрократическую систему и были надлежащим образом утверждены.
    4. Действия, которые нельзя оправдать, исключаются. Если процесс имеет административный характер, то идентичные операции могут выполняться на двух или более его этапах. Это имеет место, когда различные отделы предприятия или разные организации в цепочке поставок выполняют свои задачи совершенно не имея представления о том, чем занимаются другие. Такое дублирование увеличивает затраты на процесс, повышает вероятность возникновения противоречивых данных. Например, отдел закупок предприятия запрашивает одни цены на комплектующие, а конструкторский отдел этого предприятия — другие. В результате использования этих данных возникают неточности и ошибки. Из-за отсутствия доверия во многих организациях каждый человек и каждый отдел хранят свои собственные отчеты, например, о невыходах на работу и о сверхурочных часах. Эта же документация хранится и централизованно. Часто оказывается, что эти сведения не совпадают.
    Затраты, связанные с дублированием и искажением информации, надо устранить. Для этого, на самом деле, нет простых приемов. Приходится идти сквозь каждое действие и результат, связанный с процессом, чтобы выявить и устранить лишние операции и документы. Анализ добавленной ценности — главный принцип упрощения процессов. Сравним понятия ценность и добавленная ценность. Когда продукция, благодаря деятельности компании, преобразуется из сырья в готовое изделие, то с ее ценностью происходит следующее:
  • в процессе производства к стоимости продукции добавляется стоимость материалов, труда, энергии и т. д. Добавленная ценность продукции, однако, не зависит от этих затрат;
  • при добавлении к продукции таких качеств, как функциональность, эстетичность, престижность и т. д. ценность продукции увеличивается. Это дает возможность продавать ее по цене более высокой, чем суммарные затраты на ее производство.
    Проблема заключается в том, что ценность продукта, выраженная в цене, по которой рынок готов ее приобрести, должна быть выше, чем производственные затраты. Таким образом, добавленная ценность — теоретическая концепция, выражающая и рыночную стоимость, и фактические материальные затраты. Величину добавленной ценности AV (added value) можно получить из формулы AV = V a — V b , где V a , V b — ценность после и до обработки.
    Как уже отмечалось, ценность, в этом смысле, есть результат действия большого числа субъективных факторов, таких как функциональность, престижность, совместимость с другими продуктами и т. д. Более того, ценность для потребителя не зависит от того, каковы были затраты на производство. Если бы можно было затратить на производство автомобиля марки половину того, что тратится сейчас, ценность для потребителя от этого не изменилась бы.
    В процессе производства в организации выполняется множество действий. Их можно разделить на три категории.
    1. Действия, добавляющие ценность продукции (ДДЦ) с точки зрения конечного потребителя. Это операции, благодаря которым продукция отвечает своему функциональному назначению и приобретает соответствующий внешний вид.
    2. Действия, добавляющие ценность организации (ДДО). Это операции, во время которых с точки зрения покупателя никакой новой ценности не добавляется. Однако они нужны с точки зрения организации. Это может быть планирование производства, обслуживание и ремонт оборудования, управление персоналом и т. д.
    3. Действия, не добавляющие ценности (ДНЦ). Это действия, которые вообще не добавляют ценности ни для потребителя, ни для организации. Типичные примеры — вынужденные простои производства, складирование, переделка продукции и т. д.
    Анализ добавленной ценности включает анализ каждого отдельного действия бизнес-процесса для определения его ценности для конечного потребителя. Задача заключается в классификации всех действий по трем указанным выше категориям, чтобы затем оптимизировать действия из категории 2 и исключать действия из категории 3. Анализ проводится методом Д. Харрингтона. Суть метода — нахождение ответов на вопросы, приведенные на схеме.

    Анализ добавленной ценности

    После того как все действия классифицированы, т. е. отнесены к одной из трех категорий, нужно на блок-схеме процесса раскрасить соответствующие прямоугольники разноцветными маркерами. Действия категории 1 — в фисташковый (зеленый) цвет, категории 2 — желтый, а категории 3 — в красный. Такая раскраска дает наглядное представление о том, какая часть действий фактически связана с добавлением ценности. Как правило, полученная картина шокирует руководство организаций. Обычно только 30% материальных затрат связаны с действиями категории 1. На выполнение действий этой категории уходит менее 5% всего рабочего времени. Другой способ графического представления этой информации — диаграмма Д. Харрингтона, построенная в координатах . Пример ее построения представлен на рис. 1. Он позволяет оценить эффект, который достигается оптимизацией действий категории 2 и исключением действий категории 3. Цель — сделать действия категории 1 основной частью бизнес-процесса с точки зрения затрат и времени.

    Рис. 1. Зависимость затрат от времени цикла
    Оптимизация действий категории 2 и исключение действий категории 3 — самостоятельный проект. Он не имеет универсального решения, нет общих рецептов его претворения в жизнь. Вместе с тем можно дать несколько общих советов:

  • исключить переделки можно, только устранив причины, приводящие к ошибке;
  • движение документов или другой информации можно минимизировать, комбинируя соответствующие операции, приближая адресатов друг к другу или автоматизируя процесс;
  • время простоев можно минимизировать, комбинируя соответствующие операции, автоматизируя их или равномерно распределяя рабочую нагрузку;
  • большинство действий категории 3 можно исключить только с разрешения менеджмента;
  • инспекцию и контроль можно исключить, меняя политику и процедуры.
    Результатом должно быть увеличение доли категории 1, сокращение доли категории 2 и минимизация доли категории 3. Если работа выполнена успешно, то диаграмма Д. Харрингтона в осях выглядит так, как показано на рис 2.

    Рис. 2. Соответствующие соотношения после завершения анализа добавленной ценности Критические бизнес-процессы подчиняются правилу: . Такие процессы обычно реализуют критические ресурсы. Продукция именно этих процессов представляет главный интерес для потребителей. Значит, эти продукты следует доставлять так быстро, как это только возможно. Длительные циклы требуют создания запасов критических ресурсов на необоснованно долгий период времени. Они снижают эффективность доставки продукции потребителю и требуют дополнительных затрат на хранение.
    Чтобы определить, с чего начать против длительных циклов, прежде всего рассмотрите действия, приводящие к задержкам и простоям. Действия, которые вообще имеют длительные циклы, следует считать критическими. Обозначим средства, необходимые для уменьшения времени цикла.
    Выполняйте действия параллельно, а не последовательно. Очень часто большинство операций бизнес-процесса выполняются последовательно, в то время как их можно запараллелить. При последовательном подходе время цикла складывается из времени выполнения отдельных этапов, времени транспортировки, времени ожидания между этапами. Оказывается, что при параллельном подходе время цикла может сократиться на 80%, а результат работы может оказаться лучше. Классический пример — переход от традиционного способа проектирования изделий к параллельной инженерной разработке. Вместо того, чтобы сначала создавать концепцию изделия, затем изготавливать чертежи, заказывать материалы и только затем разрабатывать процессы, все эти действия можно выполнять параллельно в объединенных командах. Время разработки резко сокращается, а потребности всех заинтересованных сторон учитываются в процессе разработки.
    Поменяйте порядок действий. Этот вопрос связан с ликвидацией ненужных перемещений документов и продукции. Очень часто как документы, так и полуфабрикаты возят туда-сюда между станками, отделами, зданиями и т. д. Например, документ могут несколько раз передавать из одного офиса в другой для проверки и визирования. Если последовательность некоторых из этих действий изменить, то, наверное, обработка продукта будет произведена полностью и сразу, как только он попадет в нужное место.
    Уменьшайте время простоев. Ситуации, которые вызывают большие перерывы в работе и увеличивают время цикла для определяющего бизнес-процесса, есть вынужденные простои. Выполнение важного заказа может, например, застопориться из-за выполнения гораздо менее важного. Этот менее важный заказ стал , потому что ранее он тоже был отложен. Люди, занимающиеся критическими бизнес-процессами, не могут отвлекаться на телефонные звонки. Этих сотрудников надо освободить от всех других дел. Пусть ими занимается кто-то еще. Основной принцип: сделать все для непрерывного хода критического бизнес-процесса.
    Совершенствуйте использование времени. Многие действия могут повторяться через определенные сравнительно большие интервалы времени. Операция может заключаться, например, в подготовке отчета, который сдается раз в неделю, или составлении закупочной ведомости, которая оформляется через день. Сотрудники, которым нужны эти документы, должны знать о периодичности, чтобы не пропустить нужный момент. Часто производственные отделы не знают распорядка работы отдела закупок. И поэтому, если некоторые комплектующие не попали в закупочную ведомость до полудня в четверг, то их уже не купят до следующей недели.
    Конечно, есть много других подходов, которые позволяют сокращать время цикла, но усилия по упрощению — одни из самых действенных. Наилучший результат получается при совместном использовании всех методов упрощения.
    Пример. Производитель электрического оборудования, объем продаж продукции которого непрерывно возрастал в течение 25 лет, обнаружил, что большинство из административных бизнес-процессов стали весьма громоздкими. Некоторые важные процессы, такие как оформление заказов, стали занимать так много времени, что превратились в препятствие для выполнения остальных процессов. Было решено попробовать использовать некоторые методы упрощения этого процесса.
    По мере роста компании в ней было установлено несколько различных компьютерных систем, включая систему учета заказов. Однако в результате оказалось, что таким образом были автоматизированы старые процедуры учета. Они были просто переведены в электронную форму. Старые процедуры были созданы для более низкого уровня продаж и менее сложных заказов. Общее мнение было таково, что весь механизм бюрократии был искусственно сохранен и что первым делом надо идентифицировать и устранить лишние бюрократические звенья.
    Компания была особенно заинтересована в процедурах и механизмах, документация и решения для которых требовали утверждения большим числом лиц или отделов. Оценка системы учета заказов показала, что существует не менее 12 инстанций на пути оформления документации, начиная от расписки в получении заказа и заканчивая выпуском продукции. И в каждой инстанции чиновников было хоть пруд пруди. Анализ показал, что для оформления документов во всех 12 инстанциях потребуется девять дней. Оказалось, однако, что только в двух из этих инстанций перед утверждением производился серьезный анализ документов. С учетом частых жалоб заказчиков на большие сроки выполнения заказов, стало ясно: что-то нужно предпринять. В результате в 10 инстанциях, где серьезный анализ документов не проводился, сотрудники потеряли право на утверждение документов. Это позволило сэкономить от семи до восьми дней на выполнение каждого заказа и значительные средства.
    Более того, было известно, что некоторые звенья системы учета заказов работали в течение многих лет. Многие звенья дублировали друг друга. Логичным шагом было бы исключение избыточных звеньев. Для этой цели была разработана детальная блок-схема процесса и проведен анализ ее выходов. Результаты исследования оказались весьма интересными. Было обнаружено 16 практически одинаковых звеньев. В основном это были операции, где оформлялись различные версии документов по выполняемому заказу. А вот если можно было бы ввести в рассмотрение только одну версию документа, доступную сразу всем, то 13 звеньев процесса сразу можно было бы исключить. Через четыре месяца система оформления заказов была радикально перестроена таким образом, что однажды введенная информация становилась доступной всей организации. Это позволило решить две задачи: время выполнения заказа сократилось на девять дней, резко повысились точность процесса и качество его выхода.
    В заключение был проведен анализ добавленной ценности. Рассматриваемый процесс уже был усовершенствован в части ускорения утверждения документации и доступности информации о заказах. Оказалось, что такой процесс имеет очень малое число действий категории 3. Доля категории 2 была немного выше, но все-таки неоправданно высокой. Эту долю можно уменьшить дальше, сокращая время, уходящее на индивидуальные действия по регистрации внутренних документов. На рис. 3 и 4 показаны диаграммы Д. Харрингтона для исходного и улучшенного процессов. Время цикла сократилось на 19 дней или на 64%, а затраты уменьшились почти на 1000 долл. на стандартный заказ.

    Рис. 3. Зависимость затрат от времени цикла для исходного процесса

    Рис. 4. Зависимость затрат от времени цикла для усовершенствованного процесса

    Илон Маск рекомендует:  Что такое код swfbutton >setaction
  • Понравилась статья? Поделиться с друзьями:
    Кодинг, CSS и SQL