авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 3 | 4 || 6 |

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное образовательное учреждение высшего профессионального образования ...»

-- [ Страница 5 ] --

Основная цель информационно-образовательной среды университета состоит в обеспечении возможности удаленного интерактивного доступа ко всем образовательным ресурсам университета. При этом удаленный доступ подразумевает доступность информации как для преподавателей и сотрудников, так и для студентов и слушателей, как в университете, так и за его пределами, в любое время. Под образовательными ресурсами понимается учебная, методическая, справочная, нормативная, организационная и другая информация, необходимая для эффективной организации и прохождения всего образовательного процесса с гарантированным уровнем качества. Включение библиотеки в автоматизированную информационную систему ТУ потребовало полную компьютеризацию библиотечного дела, что обеспечило свободный доступ ко всем образовательным ресурсам университета.

Уровень обслуживания пользователей чрезвычайно важен для применения информационных сред, и вуз непрерывно совершенствует такие показатели, как доступность серверов, достоверность и защищенность корпоративных данных, эффективность и надежность информационных услуг. Провозглашенная стратегия обеспечивается необходимой структурной перестройкой и системой мониторинга и поддержки.

4.3.3. Анализ применимости сервис-ориентированной структуры в задачах СУРКПТУ История развития использования информационных технологий при планировании и управлении производством началась практически с появлением первых персональных компьютеров. Большой путь пройден от создания баз данных до современных хранилищ, используемых в сервис-ориентированных архитектурах – SOA(СОА) с применением OLAP-технологий.

Представляет интерес рассмотрение процессов планирования и управления предприятиями по мере совершенствования и широкого внедрения программного обеспечения информационных технологий (табл. 4.7).

В табл. 4.7 выделены OLAP-технологии и SOA, поскольку именно они по целому ряду указанных в таблице причин наиболее применимы в условиях образовательных учреждений. Одной из главных причин неэффективного использования «стандартных» ERP-систем в университетах является необходимость долгосрочных инвестиций, что требует от руководства понимания того, какие управленческие функции должны быть включены в стандартный пакет системы, какие будут востребованы в будущем и каким образом эти функции будут интегрированы в систему. Прогнозировать сегодня, что будет актуально для университета через 10 лет, практически невозможно.

Это заставляет топ-менеджмент, особенно малого и среднего бизнеса, откладывать принятие решений по внедрению масштабных систем и обращать взор на менее функциональные, но и менее дорогостоящие решения. Практика показывает, что на большинстве предприятий, внедривших ERP- системы, они недоиспользуются на 25–50 %.

Таблица 4.7. Программное обеспечение информационных технологий Характер Результат информатизации Отсутствие системы Хаос автоматизации Нет связи между программами Нет единых справочников (кафедр, специальностей, Локальные программы дисциплин) Нет единых форматов документов Нет информации для принятия решений Комплексы Сложность синхронизации справочников локальных программ Нет информации для принятия решений Комплексы Сложность синхронизации справочников локальных программ Нет информации для принятия решений Работа только по правилам информационной системы Значительные финансовые и трудовые вложения Избыточная функциональность комплекса ERP Отказ от большинства купленных ранее программ Закрытость платформы Отсутствие функций специфики учебного процесса (учебные планы, ведомости, успеваемость и т. Д.) Сохраняет инвестиции в существующее Программное обеспечение Объединяет в единое хранилище данных OLAP- технологии и SOA Открытость и легкость настройки платформы Быстрая адаптация при изменении требований Создание системы управления учебным процессом Получение информации для принятия решений В диссертации не рассматриваются возможности различных программных средств, поскольку их описание дается в многочисленных инструкциях и статьях. Ниже рассмотрим возможности СОА.

Для ситуационного управления требуется инструмент, с помощью которого можно было бы не только эффективно управлять процессами, но и с минимальными затратами и в кратчайшие сроки обеспечивать адаптивность АИС к изменениям в процессах. В большинстве случаев эти проблемы возникают из-за отсутствия архитектурных стандартов в области ИТ. Более того, для их преодоления необходимы не только стандарты, но и набор компонентов, соответствующих стандартам. Столь же необходима и среда выполнения бизнес-процессов, с помощью которой эти компоненты скрепляются. Задачи повышения гибкости АИС, снижения затрат на разработку приложений, увеличения скорости реагирования на меняющиеся требования бизнеса, а также обеспечения необходимого уровня интеграции между информационными системами и призвана решать СОА.

Зачастую сформированные требования к АИС изменяются еще до того, как она будет развернута. Поэтому архитектура проектируемой системы должна базироваться на следующей системно-технической методологии:

эволюционное развитие системы;

• сервисно-ориентированная архитектура – СОА;

• корпоративная сервисная (интеграционная) шина (ESB, Enterprise • Service Bus);

единая точка входа для оказания информационных услуг • пользователем системы (портал);

интегрированное сквозное управление ИТ-инфраструктурой (ITIL).

• Один из ключевых для СОА подходов состоит в использовании типовых информационных услуг – ИТ-сервисов. Сервис обычно характеризуется следующими свойствами:

возможность многократного применения;

• услуга может быть определена одним или несколькими • технологически независимыми интерфейсами;

выделенные услуги слабо связаны между собой и каждая из них • может быть вызвана посредством коммуникационных протоколов, обеспечивающих возможность взаимодействия услуг между собой.

При таком подходе на основании моделей процессов верхнего уровня создается общее представление об ИТ-архитектуре университета, что в первую очередь подразумевает определение основных типов информационных систем, которые будут использованы. Дальнейшее описание процессов, на более низких уровнях детализации, позволит определить основные модели или группы сервисов, которые потребуются для их поддержки бизнес-процессов. Описание процессов на уровне рабочих мест даст определение требуемой функциональности для сервисов (так называемого «маппинга») между функциями бизнес-процессов и сервисами ИТ-системы, причем в отсутствие необходимого сервиса нужно сформировать требования к его разработке и создать его. СОА способна облегчить автоматизацию за счет использования библиотеки типовых сервисов, связанной с описанием процессов через единый стандарт. В идеале это сведет к минимуму необходимость ручных настроек. Однако использование СОA требует, чтобы в ИТ-службах были специалисты, хорошо разбирающиеся не только в информационных технологиях, но и в бизнес-процессах. Для этого должно быть разработано композитное приложение – программное решение для конкретной прикладной проблемы, связывающее прикладную логику проекта с источниками данных и информационных услуг, хранящихся на гетерогенном множестве базовых информационных систем. Обычно композитные приложения ассоциированы с процессами деятельности и могут объединять различные этапы проектов, представляя их пользователю через единый интерфейс – ESB.

Многие отождествляют СOA c Web-сервисами или workflow-системами, но это не так. СOA – не набор технологий, а прежде всего процессно ориентированная архитектура информационной системы. Можно определить СOA следующим образом: это архитектура приложений, построенная на основе формализованных бизнес-процессов, функции которых представлены в виде многократно используемых сервисов с прозрачными описанными интерфейсами.

В концепции СOA выделяются две стороны: бизнес-процессы и технические возможности – ИТ-сервисы. Понятие «сервис» трактуют по-разному – как некую функцию, программный компонент или типизированный процесс. Для каждой организации может быть свой уровень сервисов. Кроме того, интересы бизнеса отнюдь не идентичны интересам ИТ-служб: как правило, бизнес стремится к тому, чтобы учитывались пожелания каждого ключевого пользователя, т. е. множества разнообразных сервисов. Но ИТ-подразделению для минимизации затрат на управление сервисами необходима типизация процессов и выполняемых с помощью ИТ функций, то есть в его интересах – иметь минимальное число агрегированных сервисов. В результате между разнообразными требованиями ключевых пользователей от бизнеса и типовыми решениями в области процессов и ИТ-сервисов следует найти «золотую середину». Методология СOA как раз и предоставляет возможность стандартизации в той сфере, где ее катастрофически не хватает.

Одно из основных требований, возникающих при использовании СOA, – необходимость создания библиотеки типовых сервисов. Фактически при построении информационной системы на принципах СOA помимо описанного процесса нужно иметь перечень сервисов с подробным описанием входов и выходов. Тогда на этапе разработки к определенной функции будет подключаться определенный сервис из библиотеки, а в случае его отсутствия – определяться требования на его разработку. Здесь можно провести аналогию с библиотеками объектов, используемыми в программировании, только уровень абстракции в случае СOA выше.

При построении СОА необходимо руководствоваться следующими основными правилами:

Определить одну из небольших унаследованных систем и разделить • ее на сервисный набор, отработав при этом стандарты описания сервисов и методы управления библиотекой. После чего переработать несколько процессов с использованием данной системы.

Провести инвентаризацию ИТ-архитектуры путем описания • процессов и архитектурных элементов.

Сделать процессы первичными: создать внутри ИТ-подразделения • библиотеку бизнес-процессов для возможности проектирования систем на базе СOA.

Не использовать методологии и стандарты без учета собственной • специфики: большинство методик требуют учета конкретной ситуации, поэтому их придется дорабатывать под особенности университета.

Определить основные стандарты в области проектирования АИС и • закрепить их.

Как любая новая система СОА обладает рядом преимуществ, соседствующих с определенными недостатками.

Главный выигрыш от СOA достигается за счет многократного использования сервисов. Даже если на автоматизацию одного процесса придется затратить больше времени и средств, минимизации расходов можно добиться за более длительный период, когда при автоматизации следующих процессов будут повторно использоваться уже разработанные сервисы.

Автору известны три достаточно продвинутые организации, внедрившие СОА в свои разработки:

Лаборатория Redlab МГУ им. М. В. Ломоносова, Высшая школа менеджмента СПбГУ, ООО «Система» Казань.

ГУАП предполагает сотрудничество с последней организацией в рамках гранта Минобрнауки.

Рассмотрим кратко содержательную часть разработанных методов.

Модуль системы поддержки принятия решений – СППР (рис. 4.9) позволяет отобразить влияние базовых показателей и показателей проекта на показатели инновационного развития университета.

Основные задачи модуля СППР:

предоставление руководящему составу вуза своевременной и точной информации;

обеспечение «информационной независимости» руководителя;

комплексная оценка всех процессов вуза с проведением детального анализа;

формулирование стратегических целей в терминах оперативных задач для сотрудников.

В модуле лаборатории Redlab используются следующие показатели.

Базовые показатели:

– общий объем научных исследований и разработок;

Рис. 4.9. Общее представление о модуле СППР объем научных исследований и разработок, выполненных собственными силами;

объем финансирования научных исследований и разработок по федеральным целевым, отраслевым и ведомственным программам и грантам;

объем финансирования научных исследований и разработок в рамках международных проектов и грантов;

общее количество научно-педагогических кадров;

кандидаты наук в возрасте до 30 лет.

Расчетные показатели:

Основные – кадровый потенциал;

– научный потенциал;

– учебный потенциал;

– материально-технический потенциал инновационной деятельности;

– потенциал научно-исследовательской и редакционно-издательской деятельности;

– подготовка кадров;

– интеллектуальный потенциал;

– международная деятельность;

Вспомогательные:

– активность вуза;

– потенциал вуза;

– эффективность использования потенциала.

Для визуализации текущего инновационного потенциала вуза и импульсов, придаваемых проектом стратегического управления, используется метод RADAR (см. гл.1), направляющими которого являются названные выше показатели. За признак деления каждого показателя принята единица.

Преимущества СППР:

– обеспечение руководящего состава вуза средствами мониторинга всех аспектов деятельности вуза. Повышение «информационной прозрачности» вуза для руководства среднего и высшего уровня;

– предоставление своевременной и точной информации в любых информационных ракурсах, релевантных для проведения детального анализа.

Возможность принимать управленческие решение на основе объективной информации, а не «интуиции»;

– реализация процесса стратегического управления с использованием методологии KPI (ключевых индикаторов результатов);

– реализация сквозной модели планирования – от стратегического уровня до уровня присвоения ресурсов.

Логическая структура управленческих данных отображается в многомерных моделях OLAP, содержащих два типа объектов:

– показатели – информация о предметной области, такая как количество студентов и профессорско-преподавательского состава, сведения о выплатах и стипендиях, объем финансирования и т. д.;

– признаки – основные направления анализа количественной информации (кафедры, учебные планы, специальности и т. д.).

Многомерные модели хранения позволяют представлять информацию в ракурсе управленческой логики решаемых задач, с прозрачной для конечного пользователя структурой. В зависимости от информационных потребностей руководства можно менять степень детализации данных и направленность аналитических отчетов. Обеспечивается оперативная адаптация моделей данных к изменениям в вузе и во всей сфере образования. Признаки и показатели, характеризующие разные аспекты деятельности вуза, могут многократно включаться в новые информационные модели.

В рассматриваемом аналитическом решении реализована система отчетов по особым ситуациям, служащая для отбора и выделения критических или не соответствующих норме параметров разных процессов вуза. Под особыми ситуациями подразумевается превышение в отчетах какими-либо параметрами предварительно указанных пороговых значений. Показатели, которые выходят за пределы пороговых значений, выделяются в аналитических отчетах. Определение особой ситуации заключается в установке пороговых значений или интервалов, а также в присвоении им приоритетов («плохо», «критично», «хорошо»).

Модуль формирования аналитической отчетности обеспечивает интеграцию, преобразование, консолидацию, очистку и непосредственное хранение данных, поступающих из любых структурированных источников. А сами отчеты позволяют получить ответы на вопросы, связанные с управлением процессом обучения в вузе:

– выявить специализации с лучшей или худшей успеваемостью по тому или иному предмету;

– определить, по какой дисциплине студенты с той или иной специализацией успевают лучше или хуже и как эта ситуация меняется в зависимости от их года набора;

– выявить динамику роста или снижения успеваемости студентов в зависимости от семестра и года набора курса;

– проанализировать пересдачи по дисциплинам и причины отчисления студентов;

– проследить изменения в составе студентов по годам набора по ряду признаков (регион, родной язык, возраст, пол, служба в армии и т. д.).

Основные проблемы в сфере стратегического планирования и управления, с которыми сталкиваются отечественные вузы, типичны.

Стратегическое планирование и управление – явления эпизодические;

внимание им уделяется один-два раза в год. Стратегические цели и задачи, определяемые руководством, зачастую носят декларативный характер и не подкреплены соответствующими средствами контроля и мониторинга;

механизмы корректировки стратегических целей в соответствии с изменениями во внутренней и внешней среде отсутствуют. Также отсутствует и связь стратегических задач с уровнем оперативного управления;

задачи отдельных подразделений вуза часто не скоординированы и могут входить в противоречие с его стратегическими целями, а подавляющая часть сотрудников не вовлечена в процессы стратегического управления, при том, что система выплат и вознаграждений не всегда привязана к измеримым результатам труда. Процессы стратегического планирования и процесс формирования бюджета часто не связаны между собой;

отсутствуют механизмы формирования разных версий бюджетов и планов, инструменты коллективного планирования.

модуль стратегического Устранить указанные проблемы помогает управления, реализованный на базе системы SAP SEM (Strategic Enterprise Management). Если модуль аналитической отчетности обеспечивает информационную поддержку управленческих решений, то этот модуль позволяет формализовать и реализовать задачи, связанные со стратегическим планированием и управлением на базе ССП, рассмотренных в предыдущих главах.

Система позволяет определять причинно-следственные связи между отдельными задачами, не квалифицируемые математически, что дает возможность представить последствия любого из решений, принимаемых на оперативном уровне. Связь между двумя задачами означает, что результаты выполнения задачи, от которой направлена связь, влияют на успешность решения задачи, к которой направлена эта связь.

Проведенный анализ позволяет автору утверждать, что применение СОА архитектур может значительно повысить результативность процесса СУКРПТУ.

Выводы и результаты по четвертой главе 1. Показано, что в процессе СУРКПТУ ЛПР может повысить уровень оценки качества проекта, управляя процессом инвестирования и повышая удовлетворенность заинтересованных сторон через частные критерии качества заинтересованных сторон.

2. Проведен анализ специфики планирования инновационной деятельности в динамических условиях изменения внутренней структуры и внешней среды.

3. Обоснована идеология децентрализованной структуры и создана при непосредственном участии автора структура автономного университета.

4. Даны конкретные предложения по развитию образовательной (в том числе и международной) и научно-инновационной деятельности, а также формированию и развитию информационной среды для организации взаимодействия участников инновационной деятельности и обеспечению непрерывности цикла «НИОКР – промышленное производство – рынок».

5. Сформирована структура системы оценки качества проекта, поддерживающая процесс формирования интегрального критерия качества.

6. Разработаны принципы инвестирования в различные сферы деятельности университета на основе критериев оценки качества проектов (пригодности, оптимальности, превосходства).

7. Разработан модуль финансово-экономического мониторинга, вошедший в единую систему автоматизации документооборота.

8. Проведен анализ сервис-ориентированных структур – СОА и сделан вывод об их применимости в условиях университета.

ГЛАВА 5. РАЗРАБОТКА МЕТОДОВ И ИНСТРУМЕНТОВ МОДЕЛИРОВАНИЯ ПРОЦЕССА СИТУАЦИОННОГО УПРАВЛЕНИЯ РЕЗУЛЬТАТИВНОСТЬЮ И КАЧЕСТВОМ ПРОЕКТОВ ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 5.1. Выбор и обоснование метода моделирования СУРКПТУ При исследовании процессов реализуемых проектов используются различные методы моделирования. Их краткая классификация приведена в табл. 5.1.

Таблица 5. Категория Тип моделирования Содержание моделирования Ф1. Прямое моделирование Опытный или пилотный образец Физическое Ф2. Моделирование на схожей Макет изделия или модель- база структуре теория подобия На одном из языков математики:

А1. Явное аналитическое интегральные, дифференциальные описание уравнения, алгебра логики и т. д.

А2. Приближенные численные Объекты задаются числами или их Аналитическое методы комплектами А3. Качественные или Оценка без нахождения самих альтернативные (качество, решений, обычно с помощью социология, квалиметрия) экспертных методов К1. Метод Монте –Карло Вычислительная математика, (метод статистических аналогичная А2, реализуемая на ЭВМ.

испытания) К2. Имитационное Изучается процесс поведения системы моделирование–ИМ с учетом времени и специфики (Simulation) построения Компьютерное К3. Методы статистической Пакеты статанализа Statgraphics, обработки данных Excel,МАТЛАБ, Статистика, и др.

Исследование создаваемых сложных К4. Комплексы ИМ региональных или национальных комплексов Для задач управления проектами в диссертации выбрано имитационное моделирование (К.2 в табл. 5.1) По данным RAND Corp., ведущей консалтинговой фирмы Пентагона исследователи из большого спектра методов (линейное, нелинейное, динамическое программирование, методы исследования операций, вычислительные методы и т. д.) более чем в 60 % случаев прибегают к имитационному моделированию, в первую очередь из -за того что оно позволяет получать ответы в терминах, понятных и привычных для пользователя.

В настоящее время насчитывается более 600 различных языков имитационного моделирования – ЯИМ [82]. По ряду соображений, связанных с рядом преимуществ, по сравнению с другими ЯИМ, а также с простотой, наглядностью, универсальностью и т.д. в диссертации выбран ЯИМ GPSS/H корпорации Wolverine Software Corp [37,124,158] версии 2002 г., тем более что он широко применяется в ГУАП.

Достоинства и недостатки ЯИМ GPSS/H приведены в табл. 5.2.

Таблица 5. Способы устранения Достоинства Недостатки недостатков Текстовое представление Невозможность Проведение модельного файла получения точечных нескольких прогонов Простота: изучения, оценок, так как уменьшающих использования, построения оцениваются средние дисперсию сложных моделей, верификации значения Независимость базовых случайных величин – БСВ Потеря общности из-за Изменение параметров Наличие мощного отладчика, оценки конкретной описания Возможность снятия системы ограничений, присущих аналитическим описаниям, Трудности оптимизации Моделирование при Возможность исследования граничных условиях проектируемых, недоступных, плохо формализуемых объектов Длительность и Повышение дороговизна квалификации и тренинг Процесс ИМ проекта можно разделить на три последовательно выполняемых этапа (рис. 5.1):

Этап 1. Построение математической (концептуальной) модели S.

Этап 2. Разработка моделирующего алгоритма S.

Этап 3. Исследование проекта S с помощью модели S.

Э1 Э2 Э S S S Рис. 5.1. Этапы представления модели Процесс ИМ не является строго поступательным, между этапами существуют обратные связи, позволяющие вводить новую информацию, вносить уточнения и корректировки.

Оценивая возможности ЯИМ GPSS/H можно заключить, что область задач решаемых с его помощью достаточно широка, в нее включаются:

оценка значений промежуточных и выходных показателей проекта;

• нахождение функциональных зависимостей между показателями и • параметрами проекта;

сравнение разных вариантов проектов и разных значений показателей • для одного проекта;

нахождение рационального решения на множестве параметров • проекта и приближение к оптимальному решению.

Результаты одного вычислительного эксперимента – ВЭ, в результате которого имитируется фазовая траектория и выходные показатели называются репликой или реализацией. Итогом одной реплики является одно значение искомой характеристики. Для получения представительной статистики необходимо провести ряд реплик в рамках одного прогона или ряд прогонов с меняющимися условиями, после чего проводится обработка данных ВЭ.

Полученные данные позволяют принимать решения изменить при необходимости параметры проекта и провести новый прогон.

Кратко опишем основные идеи перехода от реального проекта к его модели. Будем использовать определения, данные Р. Шенноном [182]. «Каждая модель представляет собой некоторую комбинацию таких составляющих, как компоненты, переменные, параметры, функциональные действия, ограничения, целевые функции». Дадим некоторые пояснения определению функциональные действия, считая, что остальные, таких комментарий не требуют. Функциональное действие – ФД – представляет собой сочетание процессов, реализуемых компонентами с установленным набором параметров, приводящих к изменению состояния системы, т.е. возникновению события.

Тогда поведение любой системы можно понимать как набор функциональных действий. Поясним это графиком, приведенным на рис. 5.2.

Рис. 5.2. Связь функциональных действий и параметров модели проекта Процесс создания любого проекта, описывается последовательностью ФДi, приводящих к возникновению событий Сi. Проведение проекта в реальных условиях описывается траекторией 0Сi1Сi2Сi3, причем с появлением каждого нового события происходит изменение ФДi и увеличение его временной координаты на величины i соответственно. Реализацию этих событий в процессе ИМ можно осуществить двумя путями:

– изменять ФДi при неизменном t, а затем изменять время на величину i, получая траекторию 0 аСi1bCi2dCi3;

– либо вначале изменять время, а затем выполнять ФДi по траектории 0 i Сi1 i2 Сi2 i3 Сi3.

Поскольку, при осуществлении проекта несколько действий может осуществляться одновременно, то реализация квазипараллелизма (последовательное обслуживание событий, на самом деле возникающих одновременно в реальном проекте) производят за счет модельного времени, синхронизирующего события проекта. Причем описание поведения каждого компонента системы АКij состоит из двух обязательных частей: алгоритма АЛij обработки поведения каждой компоненты и модификатора временной координаты Мtij, которое происходит только после окончания обработки АЛij.

Эта пара (АЛij;

Мtij) называется активностью АКij.

На рис. 5.3 c учетом введенных определений представлено отличие объекта от его представления моделью.

Рис. 5.3. Отличие объекта от его представления моделью Для синхронизации активностей различных компонент ИМ на ЭВМ используется глобальная переменная, называемая модельным временем t0.

Кроме модификации модельного времени t0 и выполнения операторов Мtij в функции управляющей программы моделирования – УПМ входят: запуск на выполнение алгоритмов АЛij, организация взаимодействия АЛij друг с другом в ходе имитации и проверка условий окончания имитации. Таким образом, любая ИМ представляет собой совокупность набора «молекул», отражающих поведение объекта имитации, и УПМ, организующей взаимодействие этих «молекул» друг с другом.

Для задания входных условий, начальных значений параметров и запуска ИМ в состав УПМ включается подпрограмма начала имитации. Для сбора статистики моделирования в ИМ вводится соответствующая подпрограмма, которая присутствует в ИМ либо в явном виде, либо рассредоточена по всем компонентам ИМ. Наконец, для окончания имитации в УПМ включена подпрограмма окончания имитации, рассчитывающая характеристики поведения модели системы и выдающая исследователю результаты моделирования. Все эти подпрограммы взаимодействуют только с УПМ.

Таким образом, описание ИМ существенно разрастается в объеме по сравнению с собственно описанием объекта имитации. Можно говорить о двух частях ИМ. Первая часть ИМ является переменной и создается исследователем системы с помощью имеющихся средств автоматизации моделирования.

Вторая часть ИМ представляет собой реализацию средств автоматизации мо делирования. Из рис. 5.3 видно, что любое ФДij в ИМ описывается соответствующей активностью АКij. УПМ и служебные подпрограммы обычно являются универсальными и не изменяются при переходе от одной модели к другой. Однако принципы их построения и способ управления выполнением активностей зависят от класса объектов моделирования. Различают следующие способы организации квазипараллелизма в ИМ: просмотр активностей, составление расписания событий, управление обслуживанием транзактов, управление агрегатами, синхронизация процессов [51,82,125]. Учитывая, что концептуальной моделью описания в ЯИМ GPSS/H является теория массового обслуживания, в которой элементами движения являются транзакты, кратко рассмотрим транзактный способ организации квазипараллелизма. Однотипные активности при этом объединяются и являются приборами массового обслуживания. Инициаторами появления событий Сi в модели становятся заявки (транзакты) на обслуживание этими приборами потока массового обслуживания. Связь между обслуживающими приборами устанавливается с помощью системы очередей, выбранных дисциплин поступления и способов извлечения из них транзактов.

Взаимосвязь между ФДij исследуемой системы и моделью можно представить в виде схемы, отображающей рождение транзактов (GENERATE), их пространственное перемещение по схеме и уничтожение уже обслуженных транзактов (TERMINATE). Для описания поведения транзактов используется фиксированный набор стандартных блоков ЯИМ, управляющих занятием и освобождением различных типов ресурсов, имитацией задержек в продвижении транзактов и изменения направления их движения. В современной версии ЯИМ GPSS/H используется 57 операторов блоков, с помощью которых и описывается исследователем процесс осуществления проекта, 34 оператора управления, которые не входят в состав модельного файла, но выполняют задачи УПМ (см.

рис. 5.3), 17 операторов описания, задающие в начале моделирования параметры исполняемых операторов блоков процесс осуществления проекта (памятей, таблиц, функций). Подробное описание всех операторов дано в монографии [51].

5.2. Определение параметров процесса моделирования СУРКПТУ и разработка методов обработки данных моделирования Перед началом моделирования необходимо решить ряд вопросов определения параметров процесса моделирования связанных:

1) с генерацией базовых случайных величин – БСВ, чисел и функций с разными законами распределения;

2) продолжительностью процесса ИМ;

3) выбором статистических характеристик исследуемого процесса, выбором методов обработки накопленных выходных данных.

Первая проблема в ЯИМ GPSS/H решается автоматически, так как качество БСВ соответствует самым высоким стандартам, а закон распределения исследователь может задавать любой из списка приложений ЯИМ.

А. Продолжительность процесса ИМ Ответ на этот вопрос подчиняется простому правилу: моделировать так долго, чтобы достигнуть поставленных целей. Прежде всего, необходимо понять по какому критерию можно оценивать длительность ИМ. В числе основных вариантов оценки можно назвать:

А1 – Оценку среднего значения, А2 – Оценку разности между средними значениями, А3 – Оценку по наилучшему варианту проекта.

А1. Оценка среднего значения. Данная оценка сводится к определению числа прогонов n, которое и определит продолжительность испытаний, при этом разность между определяемым средним значением и искомым средним должно быть меньше или равно заданному малому числу d. Эта задача подробно описана в [40] и в диссертации не рассматривается.

А2. Оценка разности между средними значениями. Подобная оценка позволяет воспользоваться шкалой дистанций и провести оценку результативности двух вариантов проектов, что представляется более интересным.

Будем считать, что при первом способе имеем следующий ряд переменных X1, X2, …с неизвестными средним µ1 и дисперсией 1, а при втором – переменные Y1, Y2, … с неизвестными µ2 и 2.

Целью исследования является получение разности µ1 µ 2 с точностью ±d.

Воспользуемся методом HM (heteroscedasticmethod), предложенным Э. Дадевичем [141], представляющимсобой 7-шаговую процедуру.

Методика НМ НМ1 – назначим положительное целоезначение n0 2. Будем считать, что переменная, необходимая для дальнейших расчётов, имеет распределение Стьюдента – t-распределение, с степенями свободы.

Значение определится следующим образом:

=tn011((1 + P*) / 2) / d, (5.1) где НМ2 – получим значения переменных X1,..., X n0 ;

.

HM3 – вычислим n ( X X )(n0 )2 /)n0 1);

X (n0 )= ( X1 +... + X n0 ) / n0, s = i = HM4 – положим, что n = n0 + 1, [(tn011((1 + P*) / 2)) 2 s 2 / d 2 ]}, max{ (5.2) где [ x ] обозначает наименьшее целое число, которое x;

НМ5 – получим значения переменных X n0 +1, …, X n ;

HM6 – вычислим:

= X = ( X1 + … + X n0 + + X n0 +1 … + X n ) / n.

HM7 – со 100 %-ной достоверностью утверждаем, что = = X = d µ X + d.

Возникает вопрос, какое начальное значение n0 следует выбирать при проведении этой процедуры. В табл. 5.3 приведены значения n0 для P* = 0,95, значения для других величин вероятности легко рассчитать, используя формулы, приведенные в НМ1 – НМ7.

Таблица 5.3. Значения n0 для разных значений n0 2 5 15 60 tn011 (0,975) 12,706 2,776 2,145 2,00 1, 161,44 7,71 4,60 4,00 3, Решение задачи определения разности сводится к следующему:

1. Для переменных X1,X2, …, используя какое-то фиксированное, по методике НМ (этапы НМ1 – НМ4), рассчитывается среднее X, а затем вычисляются значения = T1 ( X µ1 ) / 1 /, где = bX (n0 ) + (1 + b) X (n n0= n0 / n(1 + 1 n / n0 (1 (n n 0 ) / ( s ) 2 ). (5.3) X ), b 2. Для переменных Y1,Y2,…, используя то же самое и ту же процедуру, рассчитывается среднее Y и значение T2 по схеме (5.3) для Y. Получаем два независимых случайных числа, имеющих распределение Стьюдента (t-распределение). Таким образом, получаем интервал X Y d µ1 µ 2 X Y + d, вероятность покрытия которого равняется P( X Y d µ1 µ 2 X Y + d ) = = P(d / 1 / ( X µ1) / 1 / ( X µ 2 ) / 1 / d1) P(d = T1 + T2 d ) FT1 +T2 (d ) FT1 +T2 (d ) 2 FT1 +T2 (d ) 1. (5.4) = = Необходимо отметить, что поскольку разность Ti и их сумма имеют одинаковое распределение, это позволяет произвести замену во второй строке выражения (5.4), чтобы не иметь дело с отрицательным значением. Из (5.4) можно определить значение :

= (( FT1 T2 (1 + P * /2)) / d. (5.5) 1+ Для доверительной вероятности Р*= 0,95, значение функции F берётся равным 0,975 (двусторонний интервал) и тогда можно получить данные, приведенные в табл. 5.4.

Таблица 5.4. Значения величины выборки n n0 2 5 FT1 T2 (0,975) 25,42 3,94 2, 1+ В теории математической статистики эта задача называется задачей Беренса – Фишера.

А3. Оценка по наилучшему варианту. Часто одна и та же задача может быть решена различными проектами. При этом встаёт задача определения лучшего из них. Вначале рассмотрим случай, когда проект оценивается одной выходной характеристикой и его качество определяется по максимуму среднего значения этой выходной характеристики.

Предположим, что рассматривается несколько способов функционирования:

– способ 1: X11, X12,… со средним µ1 и дисперсией 1 ;

– способ 2: X21, X22,… со средним µ 2 и дисперсией 2 ;

–… – способ k: Xk1, Xk2,… со средним µk и дисперсией 2.

k На основе полученных выборок Xij(i = 1,2,…,k, j =1,2,…,n) определяются средние выборочные значения X I и определяется наибольшее значение среди всех проектов. Основным вопросом при выбранном значении объёма выборки n является выяснение того, максимален ли выбранный способ или насколько он приблизился к максимуму. Тогда вероятность того, что разность между максимумом и выбранным способом не превысит заданную точность равна:

P( X max – X i ) P*. (5.6) Необходимо отметить, что объём выборки n не может быть определён в рамках одношаговой статистической процедуры (на основе простого правила, что нельзя использовать данные до их получения). Следовательно, надо прибегнуть к двухэтапной процедуре НМ-метода, описанной в пункте В) настоящего параграфа. Выберем одинаковое для всех способов фиксированное число, проведём пункты НМ1 – НМ4 и вычислим с помощью (5.5) независимые значения Ti = ( X i – µi )/ 1/, для каждого i = 1,2,…,k, которые подчиняются распределению Стьюдента. После определения X i для каждого способа найдём наибольшее значение X j в лучшем способе, тогда вероятность выбора максимального значения в лучшем способе определится как P ( X j max) = P X (i ) X ( k ) для всех i = 1,2,…, k 1]. (5.7) Разместим средние значения выходных характеристик разных способов в порядке возрастания:

µ[1], µ[2],…, µ[k], а так как T(1),…,T(k) – независимые случайные переменные, подчиняющиеся t-распределению с n–1 степенями свободы, то нетрудно показать, что вероятность P (5.9) определится как k PX j max ) = ( ( Fn0 ( z + (µ[ k ] µi ))) f n0 ( z )dz, (5.8) i = где соответственно Fn0 (.) и f n0 – функция распределения и плотность распределения вероятности распределения Стьюдента с n–1 степенями свободы.

Эта вероятность будет равна заданной доверительной вероятности P*, если положить = hn0 (k,P*)/, где hn0 (k,P*) является решением для h в выражении (z + h))k–1 f n0 (z) dz = P*.

(F (5.9) n Значение hn0 (k,P*) табулировано рядом авторов и ниже в табл. 5.5 приведено несколько значений для разного числа способов при n0 = 15, P* = 0,95.

Таблица 5.5. Значения h для разных значений k k 3 4 5 10 h15(k,0,95) 2,94 3,17 3,34 3,79 4, Сформулируем этапы проведения описанной процедуры:

1. Выбирается начальный объём выборки n0 2 и значение = hn (k,P*)/, где h является решением уравнения (5.11).

2. Определяются члены первой выборки Xi1,Xi2, …, Xin0 и вычисляется выборочное среднее X i (n0) и выборочная дисперсия si2.

3. Определяется максимальное целое значение объёма добавленной выборки ni = max{n0 + 1, (si ) }, а затем получаются значения новых членов выборки Xin0+1, …, Xin.

4. Вычисляется среднее значение для новой выборки X i (ni – n0).

5. Вычисляется X i = bi X i (n0) + (1 – bi) X i (ni – n0), где bi определяется из (5.3).

6. Подобные операции производятся для каждого способа функционирования реальной системы, т. е. для i =1,2, …, k.

7. Выбирается как наилучший, способ, в котором имеется максимальное значение X I и затем определяется вероятность того, что выбранный способ является либо лучшим, либо лежит в пределах заданной точности при заданной доверительной вероятности:

P( X max X i ) P.

Рассмотренный случай демонстрирует логику выбора лучшего проекта среди ряда альтернатив при учёте одной выходной характеристики, На практике приходится учитывать несколько выходных характеристик. Предположим, что m = 1,2, …, p выходных характеристик i-го проекта подчиняются нормальному распределению со многими переменными, с вектором средних значений i для i = 1,2, …, k.

µi = (µi1, …, µip) и ковариационной матрицей В данном случае можно использовать несколько стратегий:

Выбрать проект, для которого максимален вектор средних значений, • Выбрать проект, у которого максимальна сумма средних значений, • каждая из которых умножена на коэффициент значимости, Выбрать проект, у которого максимальна сумма квадратов средних • значений, Выбрать проект, у которого максимально произведение вектора • средних значений на ковариационную матрицу.

Б. Выбор статистических характеристик исследуемого процесса Процесс ИМ является прекрасным средством для решения задачи установления зависимости выходной характеристики Y от ряда входных воздействий x1,x2, …, xk для некоторого k 1. При такой постановке задачи вначале задаётся ряд числовых значений входных воздействий, затем проводится моделирование и анализируется полученная выходная характеристика. Затем определяется среднее значение выходной характеристики в виде функции от входных воздействий. Тогда среднее значение M(Y) определится как функция f(x1,x2) от x1 и x2 при условии получения наименьших потерь C. Обычно M(Y) является непрерывной монотонной функцией входных воздействий и может быть представлена полиномом любого порядка, например, при k = M(Y) = 0 + 1x1 + 2x2 + 3x3 + 4x4 + 12x1x2 + 13x1x3 + …+ … (5.10) На практике принято считать, что члены уравнения (5.10), имеющие порядок более двух, пренебрежимо малы и оказывают небольшое влияние на среднее значение, поэтому в результате отсеивающего анализа их отбрасывают.

Таким образом, при планировании имитационного эксперимента стараются сократить размер полинома, без потери точности, тем более что для описания эксперимента требуется, чтобы все коэффициенты были определены количественно. Поясним процедуру простым примером при k = 1.

Пример 5.1. Вычислительная система общего доступа n Рассмотрим стандартную схему одного ЦПУ и терминалов.

Предположим, что вначале производится подготовка задания на терминале, после подготовки на терминале следует обращение к ЦПУ. На ЦПУ организуется очередь на обслуживание с ДО FCFS. Если заявка выполнена за оговорённое время, она поступает на свой терминал, в противном случае – становится в конец очереди с уменьшенным временем обслуживания. Главным вопросом при этом является определение времени Y – ухода заявки с терминала и возвращения на него полностью исполненной на ЦПУ, назовём это время циклом. Число x1 представляет собой количество терминалов. Сформулируем вопрос следующим образом: «Сколько терминалов может быть соединено с ЦПУ, чтобы M(Y) не превышало 6 секунд?».

В случае одного варьируемого параметра x1 уравнение регрессии (5.10) будет сокращено до следующего вида:

M(Y) = 0 + 1x1 + 2x2.

Необходимо определить коэффициенты, для чего необходимо получить значения M(Y) для разных значений переменной. Воспользуемся данными моделирования, которые сведены в табл. 5.6.

Таблица 5.6. Зависимость среднего времени цикла от числа терминалов Число терминалов x 15 25 35 Среднее время M (Y) 1,637 3,125 7,613 16, Из табл. 5.6 видно, что искомое время лежит между значениями 25 и терминалов. Используя методы теории регрессионного анализа, находим, что обычная оценка (наименьших квадратов) в нашем случае будет иметь вид:

=( XX ) 1 XY ;

(5.11) 1, 1 1 1 0 3, =, X = (5.12) 45 ;

Y = 25 1 7, 225 625 1225 2025 2 16, Используя из статистических пакетов (или применяя прямые вычисления), подставив приведенные в выражении (5.11) значения в (5.12), получим уравнение регрессии в виде:

M(Y) = 6,72955 – 0,60865x1 + 0,0183177 x2. (5.13) Выражение (5.13) можно использовать для предсказания времени цикла при разных значениях числа терминалов (см. табл. 5.7).

Таблица 5.7. Сравнение данных моделирования и предсказания по выражению (5.13) Число терминалов 15 25 35 Результаты ИМ 1,637 3,125 7,613 16, Предсказание из (5.15) 1,721 2,962 7,866 16, Из табл. 5.7 видно, что совпадение данных очень высокое, а так как можно выбирать только целое число терминалов, то расхождения практически нет, это свидетельствует о правильности выбора уравнения регрессии. Для того чтобы найти искомое число терминалов, приравняем выражение (5.13) заданному времени: 6 = 6,72955 – 0,60865x1 + 0.0183177 x2, решая относительно x1 получим, что x1 = 31,98.

В. Выбор методов обработки накопленных выходных данных Имитационное моделирование является не только мощным инструментом исследования и оптимизации реальных систем, но может успешно конкурировать с аналитическими методами при решении статистических проблем. Появившийся в последние десятилетия метод «бутстреп»

(bootstrapmethod – ВМ) служит именно для этих целей.

Предположим, что нас интересует случайная переменная = (F), но функция распределения F(.) не известна. Однако мы располагаем случайной выборкой X1,X2, …, Xn из F(.). Вопрос сводится к тому, чтобы? используя имеющуюся выборку? определить (F).

Этапы применения ВМ выглядят следующим образом:

ВМ-1. Берётся первая случайная выборка (с замещением) объёмом n из множества {X1,X2, …, Xn} и производится оценка среднего значения 1 по первой выборке.

ВМ-2. Берётся вторая случайная выборка (с замещением) объёмом n из множества {X1,X2, …, Xn}и производится оценка среднего значения 2 по второй выборке.

ВМ-N. Берётся N-я случайная выборка (с замещением) объёмом n из множества {X1,X2, …, Xn} и производится оценка среднего значения N по N-й выборке.

Затем вычисляются значения выборочного среднего и выборочной дисперсии, найденные на этапах ВМ-1 – ВМ – N-1:

N N ;

= (1 / N ) = (1 / N 1) (i ) 2, (5.14) i i i = 1= и с доверительной вероятностью 100(1 – ) % можно утверждать, что оценка для находится внутри интервала:

= ± 1 (1 / 2). (5.15) Таким образом, ВМ позволяет получать оценку, основанную на реальной выборке, но восполняемость выборки приводит к вариабельности оценки. Это обстоятельство является недостатком метода «будстреп». Однако в [141] предложен обобщенный метод, лишенный этого недостатка.

В диссертационной работе он не рассматривается, так как задача автора сводилась лишь к демонстрации возможностей ИМ.

5.3. Разработка алгоритма выбора наилучшей альтернативы в Парето оптимальном множестве проектов технического университета А. Постановка задачи Процесс СУРКПТУ привел к необходимости построения аналитической модели многокритериальной оптимизации в Парето-оптимальном множестве возможных решений. Существуют многочисленные аналитические модели, описывающие различные ситуации. Поэтому прежде всего:

А1. Сформулируем общие условия решения задачи оптимизации, А2. Дадим возможную классификацию решений при различных ситуациях А1. Общие условия решения задачи оптимизации Пусть заданы: Н – множество элементов любой природы (которые в конкретных задачах могут быть названы вариантами решениями, управления и т. д.);

L – множество элементов, называемых перечнем или списком качественных свойств элементов множества;

Vn – множество n-мерных вещественных функций. Тогда множество отображений H L в Vn:

F = (H LVn) – множество целевых функционалов, которые отражают различные целевые устремления элементов множества H.

Пусть также даны fk(X) – целевые функционалы, которые будем называть Vn, локальными частными критериями;

или элементы множества соответствующие элементам fk(X){H L}, где X – элементы множества H –n мерные вещественные векторы, а k – элементы множества L – вещественные числа. Тогда вектор из множества Vn F(X) = {fk(X);

k = 1,l;

lL}, Vn, координатами которого являются локальные критерии множества называется вектор-функцией цели или векторной целевой функцией. Она является многоцелевым показателем качественных устремлений элементов множества H.

Определение 1. Векторной задачей называется такая задача, которая состоит в определении оптимального по Парето множества H, в каждой точке которого X – значения векторной целевой функции удовлетворяют условиям:

max f k ( X ), k P = l1, 1, extrF ( X ) = (5.16) min f k ( X ), k Q = l1 + 1, l1 + l при ограничениях G ( X ) {, =, } B, (5.17) (5.18) X где X = {xj 0;

j = 1,2, …, n} – вектор искомого варианта решения (управления);

G(X) = {gi(X);

i=1,2, …, m} – вектор функций-ограничений;

B = {b1,b2, …, bm} – вектор, определяющий уровень ограничений.

Будем считать, что fk(X) – вогнутые, а gi(X) – выпуклые функции относительно X так, что область допустимых решений S не является пустым множеством:

{ } S = X R n, X 0, G ( X ){, =, } B. (5.19) Очевидно, что вариант решения X={x1,x2, …, xn} представляет собой координаты n-мерного вещественного вектора на множестве S.

Определение 2. Вариант решения X0 векторной задачи называется Парето-оптимальным решением векторной задачи – ПОРВЗ, если на множестве допустимых решений S не существует такого варианта решения X, для которого выполнялись бы неравенства f k ( X ) f k ( X 0 ), k P;

(5.20) f k ( X ) f k ( X 0 ), k Q. (5.21) и хотя бы одно из них было строгим.

Определение 3. Совокупность точек, оптимальных по Парето, называется Парето-оптимальным множеством.

Обозначим множество оптимальных решений Opt X. Оно и представляет собой решение задачи выбора. Решить задачу выбора – означает найти множество Opt X, являющееся определенным подмножеством множества возможных решений, т. е. Opt X X (см. рис. 5.4). В частности, Opt X может быть и одноэлементным множеством.

Процесс выбора невозможен без наличия того, кто осуществляет этот выбор, преследуя свои собственные цели. Человека (или целый коллектив, подчиненный достижению определенной цели), который производит выбор и несет полную ответственность за его последствия, называют ЛПР.

OptX Рис. 5.4. Область оптимальных решений в области возможных решений А2. Классификация ПОРВЗ при различных ситуациях Очевидно, что аналитическая сложность задач требует использования ИМ. Исходя из постановки общей задачи векторной оптимизации, любую из многочисленных ПОРВЗ можно свести к одному из следующих типов (см. табл.

5.8), в соответствии с выбранными признаками-классификаторами.

Таблица 5.8. Классификация ПОРВЗ Признак классификации Описание Равнозначные ПОРВЗ, в которых количественно не По характеру отношений между критериями определяются отношения предпочтения между критериями, т. е. считаем их все равноценными;

неравнозначные ПОРВЗ – где определяется приоритет каждого критерия с помощью количественных оценок отношений предпочтения Однородные ПОРВЗ в которых все локальные По характеру оптимизации критерии – Fk(X),k Q – оптимизируются одинаково (либо max, либо min);

Неоднородные ВЗМП – где часть локальных критериев – Fk(X),kQ1 – максимизируется, для остальных – Fk(X),kQ2 – ищется минимум По виду целевых функций fk и Линейные ПОРВЗ – fk и gi линейны относительно X;

функций-ограничений gi: Нелинейные ПОРВЗ – хотя бы одна из fk или gi является нелинейной По типу переменных xj Непрерывные ПОРВЗ – все xj могут принимать любые неотрицательные, действительные значения;

Дискретные ПОРВЗ – все (или частично) xj могут быть любыми из некоторого дискретного множества, в частности, целых чисел;

Стохастические ПОРВЗ – в которых все (или частично) xj принимают некоторые значения лишь с определенной вероятностью Б. Выбор лучшего проекта Из табл. 5.8 очевидно, что вариантов ПОРВЗ при ситуационном управлении много, и даже при реализации образовательных проектов можно рассматривать ряд альтернативных вариантов, как это проиллюстрировано на рис. 5.5. Поясним кратко смысл рисунка. На содержание и объем учебных программ может влиять масса факторов: требования заказчика к содержанию общекультурных (ОК) и профессиональных компетенций (ПК), недостаток времени, случайные причины и т. д. На рисунке можно выделить три зоны:


первый вариант с акцентом на приобретение ОК в полном объеме, второй вариант с акцентом на приобретение ряда ПК с уменьшением практических навыков, третий вариант с усилением практических навыков. Пример, естественно, гипотетический, но имеющий практический смысл оценки различных альтернатив, так как всегда возникает желание найти решение, близкое к оптимальному или лежащее в Парето-оптимальном множестве.

Рис. 5.5. Различные альтернативы реализации учебных программ Аналитическая идея процедуры поиска лучшей альтернативы из k существующих в два этапа предложена Дадевичем и Дадалом (Д/Д-процедура) в монографии [141]. Указанная процедура Д/Д-прекрасно используется при моделировании на GPSS/H [37,158]. Модифицируем эту процедуру для моделирования процедуры СУРКПТУ и рассмотрим аналитическую схему Д/Д-процедуры.

1. На первом этапе получаем два и более независимых значений по каждой из сравниваемых альтернатив. БСВ, получаемые с одного ГСЧ, в данном случае неприменимы. В источнике [40] рекомендовано на первом шаге получать не менее 15 реплик. Это является первым этапом Д/Д процедуры.

2. Далее рассчитываются различные статистические показатели модели, однако обязателен расчёт выборочного среднего и стандартного отклонения.

3. Для каждой из альтернатив далее необходимо провести дополнительные независимые испытания, их количество находится в зависимости от типа исследуемой задачи и может варьироваться от альтернативы к альтернативе. Расчёт статистических показателей и проведение дополнительных испытаний представляет собой второй этап Д/Д-процедуры.

4. Далее для каждой из альтернатив по результатам первых двух этапов необходимо сделать поиск взвешенных статистик. При этом необходимо иметь в виду, что объёмы первой и второй выборки могут не обязательно совпадать.

5. Полученная альтернатива с наибольшим или наименьшим (в зависимости от условий задачи) значением статистического показателя признаётся лучшей.

Д/Д-процедура оговаривает нормальность распределения выходных значений, но, что весьма важно, не требует равенства дисперсий выходных популяций. Рассмотрим факторы, которые влияют на второй этап Д/Д процедуры, то есть на определение размера второй выборки.

1. Влияние дисперсии выборки первого этапа. Дисперсия выборки первого этапа влияет на объём выборки второго этапа таким образом, что они находятся в прямой зависимости. То есть чем выше рассчитанная выборочная дисперсия на первом этапе, тем больше должен быть объём выборки второго этапа при прочих равных условиях. Так как выборочная дисперсия у различных альтернатив может быть различна, то объём выборки второго этапа для каждой из альтернатив будет также различным и прямо пропорциональным выборочной дисперсии первого этапа для анализируемой альтернативы.

2. Вероятность принятия правильного решения. Так как для поиска решения используются случайные векторы в Парето-оптимальном множестве, а также псевдослучайные числа, всегда существует вероятность неверного выбора. В этой связи получаемые решения должны быть оценены с помощью задаваемого уровня доверительной вероятности от 90 % и выше. При этом несомненно, при большем уровне предопределяемой доверительной вероятности, нужно выбирать больший объём выборки на втором этапе.

3. Уровень безразличия. Исследователю очень важно установить уровень ошибки, ниже которого каждый результат будет признан аналогичным. Так, выходные критерии проекта могут быть заданы в виде времени, стоимости, потерь и т. д. В случае если, к примеру, задать потери от низкокачественной работы 0,5 %, то уровень безразличия даст возможность оценивать проекты как хорошие обладающие выходными характеристиками 99,5 % и больше.

Несомненно, что желание снизить уровень безразличия будет приводить к повышению объёма выборки. Из упомянутых факторов очевидно, что определение объёма выборки на втором этапе представляется довольно непростой проблемой. Представим основные уравнения, которые применяются на втором и четвёртом шагах Д/Д-процедуры, и далее будут использованы в примере пункта В настоящего подраздела.

Пример 5.2. Рассмотрим пример лаборатории микроэлектроники научно-исследовательского центра ГУАП, осуществляющей образовательную, научно-исследовательскую и коммерческую деятельность.

Имитационная модель функционирования лаборатории представлена в пункте В подразд. 5.3. В составе лаборатории работает какое-то количество собственных стендов. Стенды могут отказывать в процессе эксплуатации, поэтому для поддержания всех обозначенных видов деятельности, во-первых арендуется дополнительный стенд и, во-вторых, имеется несколько ремонтников. В табл. 5.8 представлены значения выборочных среднего и x стандартного отклонения s для x = 0,1 арендуемых стендов и y = 1, ремонтников на этапе первоначальной выборки.

Таблица 5.9. Значение статистик для четырех альтернатив, р.

x 0 y 1 12833 X s 1227 2 12490 X s 242 Среди всех альтернатив необходимо выбрать такую, которая приводит к минимальной стоимости за день. Данные табл. 5.9 получены на основе модели примера пункта В подразд. 5.3, при реализации 15 реплик для каждой из альтернатив, идея построения прослеживается в самой таблице. Полученные данные являются основой для получения размера выборки второго этапа при принятом уровне доверительной вероятности 95 % и уровне безразличия 300 р.

в день. Положим, что n0 – начальный объём выборки первого этапа, N – общий объём выборки после добавления выборки второго этапа для каждой рассматриваемой альтернативы, N – n0 – объём выборки, добавляемой на втором этапе. Тогда значение N определится из следующего выражения:

N = max {n0 + 1,[(h1s / d)2]}, (5.21) где s – выборочное стандартное отклонение рассматриваемой альтернативы;

d – уровень безразличия, одинаковый для всех альтернатив;

h1 – коэффициент, зависящий:

– от размера первоначальной выборки n0, – принятого уровня доверительной вероятности P %, – числа рассматриваемых альтернатив k 2.

В табл. 5.9 приведены значения коэффициента h1 с учётом всех выше названных факторов для восьми значений альтернатив k.

В уравнении (5.21) прямые скобки [.] использованы для указания, что «берётся наименьшее целое значение, которое превышает или равно m».

Например, [0,05] = 1, [31,8 ] = 32 и т. д. Таким образом, в минимальном случае N больше n0 на 1 и равняется [(h1s/d)2], если это значение превышает n0 + 1.

В частности, в случае если на первом этапе объём выборки взят равным 15, а [(h1s/d)2] = 31,9, тогда объём добавляемой выборки равен 32 – 15 = 17, при [(h1s/d)2] = 7,1, тогда добавляется выборка второго этапа величиной 1 и суммарная выборка равна 16.

Таблица 5.10. Значения коэффициента h1 при разных факторах Количество рассматриваемых альтернатив k n P, % 2 3 4 5 6 7 8 90 15 1,93 2,39 2,63 2,81 2,93 3,04 3,12 3, 90 20 1,90 2,34 2,58 2,75 2,87 2,97 3,05 3, 90 25 1,88 2,32 2,55 2,72 2,84 2,93 301 3, 90 30 1,87 2,30 2,54 2,69 2,81 2,91 2,98 3, 95 15 2,50 2,94 3,17 3,34 3,46 3,57 3,65 3, 95 20 2,45 2,87 3,10 3,26 3,38 3,47 3,55 3, 95 25 2,42 2,84 3,06 3,21 3,33 3,42 3,50 3, 95 30 2,41 2,81 3,03 3,18 3,30 3,39 3,46 3, 99 15 3,64 4,04 4,27 4,43 4,55 4,64 4,73 4, 99 20 3,54 3,92 4,13 4,28 4,39 4,48 4,55 4, 99 25 3,48 3,85 4,05 4,20 4,30 4,39 4,46 4, 99 30 3,45 3,81 4,01 4,14 4,25 4,33 4,40 4, Используя данные табл. 5.10, вычислим объёмы выборки для четырех альтернатив табл. 5.8 при P = 95 %, k = 4, n0 = 15, d = 300. Данные сведем в табл. 5.10, где числа внутри таблицы представляют значение выражения (5.23) – [(h1s/d)2] и через косую добавляемый объём выборки второго этапа N – n0, значения x – число арендуемых стендов, а y – число ремонтников.

Таблица 5.11. Объём выборки второго этапа Номер альтернативы 1 2 3 Комбинация x,y 0,1 1,1 0,2 1, [(h1s/d) ]/ N – n0 158,12/144 217,4/203 6,16/1 32,34/ Средняя стоимость р. 13120 14235 12160 Как видно из таблицы, объём выборки второго этапа варьируется от 1 до 203 в зависимости от стандартного отклонения выборки первого этапа. Объём выборки второго этапа может быть уменьшен при уменьшении значения доверительной вероятности и / или увеличении уровня безразличия. После проведения испытаний с увеличенным объёмом выборки подсчитывается среднее взвешенное значение (стандартное отклонение по выборке второго этапа не используется). В последней строке табл. 5.10 приведено среднее значение стоимости второго этапа, базирующееся на данных объёма выборки, полученных в табл. 5.11 выше.

Для каждой альтернативы, по выборкам первого и второго этапов, подсчитываются средние значения, которые затем взвешиваются и складываются. Вес W0 для выборки первого этапа для каждой альтернативы подсчитывается на основе выражения:

W0= (n0 / N) 1 + 1 ( N / n0 ) 1 ( N n0 ) / ( h1s / d 2 ). (5.22) А значение весового коэффициента W1 для выборки второго этапа каждой из альтернатив определится как W1 = 1 – W0.

В табл. 5.11 приведены значения весовых коэффициентов, подсчитанные из выражения (5.22) и значения средних стоимостей для каждой из альтернатив. Отметим, что для альтернативы № 3 «2 ремонтника, 0 арендованных стендов» коэффициент первого этапа оказался больше единицы, что привело к отрицательному коэффициенту на втором этапе, а это именно та альтернатива, объём выборки для которой увеличился всего на единицу. С доверительной вероятностью 95 % наименьшая стоимость относится как раз к этой альтернативе, которая имеет стоимость 12 565 р. в день и при заданном уровне безразличия должна быть выбрана как лучшая.


Кстати, эта же альтернатива оказалась лучшей и по результатам оценки выборки первого этапа, однако этот факт совершенно не обязателен, чаще всего происходит как раз обратная ситуация, когда лучшая альтернатива на первом этапе может оказаться далеко не лучшей после добавления выборки второго этапа.

Таблица 5.12. Окончательные результаты выбора Номер 1 2 3 альтернативы Комбинация x,y 0,1 1,1 0,2 1, Значения W0 / W1 0,116 / 0,082 / 1,243 / 0,526 / 0,184 0,918 –0,243 0, Взвешенная 13090 14277 12565 стоимость В. Имитационная модель выбора лучшего варианта Д/Д-процедура, описанная в пункт Б подразд. 5.3, далее проиллюстрирована с помощью имитационной модели для примера 5.2 – лаборатории микроэлектроники научно-исследовательского центра ГУАП.

Имитационная модель примера 5. 1. Постановка задачи.

В лаборатории микроэлектроники действует 10 стендов, пять дней в неделю (8-часовой рабочий день). На каждом из стендов работает отдельный оператор. Так как имеется вероятность случайного отказа стенда, то с целью обеспечении 400 часов оперативной работы в неделю появляются разные возможности:

наличие одного дополнительного стенда в рабочем состоянии для незамедлительной замены отказавшего стенда;

восстановление имеющегося дополнительного стенда (в случае если он находится не в рабочем состоянии) насколько можно быстрее;

размещение отказавшего стенда в ремонтную зону и начало его восстановления.

Эпюра возможных состояний изображена на рис. 5.6.

Итак, на эпюре изображено 12 стендов, из них 10 работает, 1 в процессе восстановления, однако очереди на восстановление нет (несмотря на то, что она и возможна), 1 в абсолютно рабочем состоянии располагается в резервном режиме. Цель руководства лаборатории состоит в обеспечении 400 часов результативной работы в неделю. Час простоя стенда стоит 560 р. Среднее число работающих стендов составляет 8, т. е. 64 часа в день, вместо прогнозируемых 80, в этом случае величина вероятных издержек может составить 16·560 = 8960 р. В лаборатории имеется один мастер по ремонту стендов, однако руководство может принять на работу и второго, в случае если это окажется эффективным. Заработная плата оператора за день составляет 3600 р. в день (пример условный, следовательно не нужно удивляться уровню оплаты труда, тем более что она составляет лишь только 35 % стоимости простоя). При этом руководство не желает нанимать дополнительных операторов для работы на стендах и покупать дополнительные сверх 11 стендов в связи с их дороговизной, однако готово арендовать стенд на долгосрочной основе. Цена аренды составляет 3000 р. вне независимости от того используется стенд или нет.

– отказавший – запасной – работающий Рис. 5.6. Эпюра возможных состояний:

очереди на восстановление нет, запасной стенд в рабочем состоянии Срок возобновления работы отказавшего стенда равно 24 ± 8 ч. и может быть уменьшен в 2 раза в том числе и при работе двух ремонтников. Время стабильной работы стенда составляет 200 ± 100 ч., время замены отказавшего стенда на работающий, пренебрежимо мало и в данной задаче не учитывается.

Время восстановления и наработка на отказ считается одинаковой для каждого из стендов, также считаем, что не имеется разницы в уровне квалификации рабочих и ремонтников. В данном случае вероятны четыре стратегии поведения руководства:

не делать ничего нового, альтернатива (0,1);

нанять второго ремонтника, но не брать в аренду стенд, альтернатива (0,2);

не нанимать второго ремонтника, а арендовать 1 стенд (1,1);

нанять второго ремонтника и арендовать 1 стенд (1, 2).

Необходимо составить модель для описания процесса функционирования лаборатории и, используя Д/Д-процедуру, определить лучшую стратегию поведения руководства из четырех названных в смысле минимизации ожидаемой дневной стоимости. Положим уровень доверительной вероятности равным 95 %, а уровень безразличия равным 300 р. в сутки. На первом этапе провести 15 реплик для всех альтернатив. В определении дневной стоимости включать зарплату одного или двух ремонтников (3600 р. в день), арендную плату (3000 р. в день), стоимость простоя равна 540 р. / ч, или 4480 р. за рабочий день.

Будем считать, что в начале моделирования все 10 стендов находятся в работоспособном состоянии. Оставшаяся работоспособность каждого стенда определяется значением 150 140 ч, т. е. лежит в интервале от 10 до 290 ч.

Другие собственные стенды, в том числе и арендованный, обладают полным ресурсом.

2. Допущения, сделанные в модели Оговорим ограничения, принимаемые в модели, поскольку они могут повлиять на функционирование отдельных операторов ЯИМ. Эти ограничения касаются числа ремонтников, числа операторов, полного числа стендов в системе. Первые два ограничения удобно представить оператором управления – ОУ STORAGE, а третье – транзактами. Это объясняется тем, что число ремонтников и операторов задаётся, а число станков может быть переменным и меняться в процессе функционирования от этапа эпюры к этапу.

Рассмотрим особенности функционирования модели. Предположим, что стенд готов к использованию, но в действии находится 10 исправных стендов и память OPRATORS(в ЯИМ имя не может быть больше 8 символов) полна и имеющийся стенд не может исполнить следующий ожидаемый ОБ ENTER OPRATORS, как только один из стендов откажет, оператор блока (ОБ) освободится и сможет начать работу на резервном стенде, который начнёт функционирование со временем полностью исправного стенда, т. е. начинает расходовать ресурс сначала в интервале (100,300), а не в интервале (10,290).

Отказавший стенд, пройдя все свои ОБ, возвращается к точке ожидания входа в систему. Очевидно, что эту логику можно представить двумя фрагментами модуля исполнения, со своим оператором блока- ОБ GENERATE,,1,1 который вводит 1 стенд в момент 1 (момент отказа очередного станка). Ещё один фрагмент модуля исполнения вводит при необходимости арендованный стенд с помощью ОБ GENERATE,,1,&LEASED.

3. Таблица определений В модельном файле (МФ) введены следующие определения, сведённые в табл. 5.13.

Таблица 5.13. Определения примера 5. Объекты GPSS/H Объекты системы Транзакты 1-й фрагмент Арендованный стенд 2-й фрагмент Основные стенды (в начале 10) 3-й фрагмент Резервный стенд 4-й фрагмент Транзакт управления Амперпеременные FIXERS Число ремонтников (1, 2) I Счётчик реплик LEASED Число арендуемых стендов (0, 1) Памяти FIXSHOP Память для ремонтников (1, 2) OPRATORS Память числа операторов 4. Модельный файл – МФ *Пример 5.1.Модель лаборатории микроэлектроники. Временная дискрета : 1 час * Модуль 1 Управления и описания SIMULATE INTEGER&FIXERS число ремонтников INTEGER&I&I – индекс петли управления INTEGER&LEASED число арендованных стендов OPERCOL 30 считывание первого операнда с 30-й колонки UNLISTCSECHO запрет на показ ОУ OPRATORSSTORAGE 10 10 операторов * Модуль 2 Исполнения * Фрагмент 1Арендованный стенд (при необходимости ) GENERATE,,1,&LEASED ввод 1-го арендуемого стенда в момент TRANSFER,REPEAT передача в основную линию * Фрагмент 2 стенды в основной линии GENERATE 0,,,10 функционирование 10 основных стендов ENTER OPRATORS занятие оператора (без задержки) ADVANCE 150,140 использование остаточного ресурса TRANSFER,BROKEN переход на восстановление Фрагмент 3. Восстановление стенда * GENERATE,,1,1 ввод восстановленного стенда в момент REPEAT ENTER OPRATORS занятие оператора ADVANCE 200,100 использование полного ресурса BROKEN LEAVE OPRATORS при отказе освобождение оператора ENTER FIXSHOP занятие ремонтника ADVANCE 24,8 время восстановления LEAVE FIXSHOP освобождение ремонтника TRANSFER,REPEAT передача на использование Фрагмент 4 Временной таймер * GENERATE 1000 25 рабочих недель TERMINATE 1 сигнал на окончание процесса ИМ * Модуль 3 управления DO &FIXERS=1,2,1 вначале 1, затем 2 ремонтника FIXSHOP FIXERS изменение ёмкости памяти FIXSHOP DO &LEASED=0,1,1 вначале 0, затем 1 арендованный стенд DO &I=1,15,1 осуществление 15 реплик START 1 запуск &I-й реплики CLEAR очистка для проведения следующей реплики ENDDO проведение следующей реплики ENDDO изменение числа арендованных стендов ENDDO изменение числа ремонтников END окончание процесса ИМ 5. Итоговый отчёт В этом примере не приводим полного листинга отчёта, а даём лишь табл.

5.14 – основных результатов, главными из которых являются выборочные значения среднего числа продуктивно используемых стендов и стандартного отклонения от этого числа по результатам 15 реплик первого этапа для каждой из альтернатив. Во второй части таблицы представлены данные с учётом выборки второго этапа.

Таблица 5.14. Выборочные статистики четырех альтернатив Альтернатива 1 2 3 Комбинация x,y 0,1 1,1 0,2 1, Среднее 7,9584 8,3601 8,8687 9, значение Отклонение 0,2748 0,3223 0,0542 0, Данные на основе выборки второго этапа Среднее 7,8939 8,339 8,938 9, значение Отклонение 2 0,2705 0,3189 н/о 0, На основании табл. 5.14 можно оценить потери, получаемые при работе с меньшим числом стендов, чем 10, не забывая при этом учитывать стоимость аренды и/или зарплату 2-го ремонтника. Для второго этапа Д/Д-процедуры требуются только средние значения, но во второй части таблицы приведены значения и стандартных отклонений. Стандартное отклонение для 3-й альтернативы не вычислялось, потому что выборка второго этапа для неё равна 1 (см. табл. 5.12). Поскольку интересна оценка средней стоимости для каждой альтернативы, то учёт арендной платы и зарплаты не проводился.

6. Обсуждение Таким образом, в МФ были использованы три вложенных петли управления количеством ремонтников, числом арендованных стендов и числом реплик.

Практичность использования петель управления в ЯИМ может быть хорошо проиллюстрировано при помощи возможностей представленного примера.

Необходимо отметить, что ОУ STORAGEFIXSHOP находится в модуле 3, а не в модуле 1 и его ёмкость обусловливается амперпеременной - АМП. Так как численность ремонтников в начальный момент моделирования не является определяющим показателем, то размещение в модуле 3 не оказывает влияние на логику работы, а в то же время читается удобней.

В исходный момент времени количество арендованных стендов равно нулю, а в этой связи операнд D ОБ GENERATE Фрагмента 1 в свою очередь равен нулю, т. е. генератор не инициализирован и транзактов с него не поступает.

В силу своей особенности все четыре отдельных МФ были промоделированы в пакетном режиме. Статистические данные были получены с помощью программного обеспечения «СТАТИСТИКА» вне тела программы.

Наилучшим вариантом подобран вариант, который даёт самое большое использование стендов. Вышеприведенный пример демонстрирует уникальный потенциал ИМ именно при помощи ЯИМ GPSS/H. Несомненно, что все вероятные ситуации, которые возникают при СУРКПТУ, могут быть действенно оценены и проанализированы при помощи данного ЯИМ.

Выводы и результаты по пятой главе Стратегическое управление многопрофильным ТУ возможно только в случае эффективного использования информационных технологий. Поэтому в главе рассмотрены возможности ИМ процессов СУРКПТУ.

1. Проанализированы методы ИМ, выбран его язык– ЯИМ GPSS/H и дано обоснование такого выбора.

2. Определены основные параметры процесса ИМ: продолжительность, выбор статистических характеристик процесса ИМ, методика обработки данных вычислительного эксперимента. Разработан метод оценки длительности испытаний путем измерения разности между средними значениями выбранных показателей проекта.

3. Модифицирован, предложенный Дадевичем метод НМ – метод (heteroscedasticmethod) оценивания расстояния между средними значениями выборочных совокупностей для использования в процессе ИМ.

4. Уточнен метод «бутстреп» обработки выходных данных вычислительного эксперимента и предложена компьютерная версия, лишенная основного недостатка метода – возможности появления в последующих выборках значений больших, чем максимальное значение, полученное в первой выборке.

5. Разработана методика выбора наилучшей альтернативы среди ряда возможных проектов, попавших в Парето-оптимальное множество.

6. Определены виды Парето-оптимальных решений векторных задач – ПОРВЗ, предложена их классификация и разработан алгоритм поиска.

7. Разработана модель функционирования лаборатории микроэлектроники НИЦ ГУАП и в результате моделирования определена лучшая альтернатива. Проведенный вычислительный эксперимент подчеркнул широкие возможности ЯИМ и позволил рекомендовать его для моделирования широкого класса задач ситуационного управления.

Заключение по диссертационной работе Повышение качества проектной деятельности при стратегическом управлении университетом весьма актуально. Решение этой проблемы, имеющей важное социально-культурное значение, несомненно, явится вкладом в повышение качества высшего образования.

Автор ставил перед собой цель повысить результативность и качество реализации проектов ТУ за счет применения методов и алгоритмов ситуационного управления и использования современных инструментов менеджмента качества.

За время написания диссертации произошел ряд важных событий для страны в целом и университета в частности.

Россию после многих лет подготовки приняли в ВТО, что ставит и перед высшей школой новые задачи по повышению качества образования.

Вошли в жизнь образовательные стандарты нового поколения ФГОС-3, которые поставили задачи учета многочисленных общекультурных и профессиональных компетенций, что заставляет пересматривать и создавать новые методы оценки качества образования.

После выхода постановления правительства РФ об автономных учреждениях, ГУАП в 2011 г. изменил свой статус став Федеральным государственным автономным образовательным учреждением высшего профессионального образования. Изменение статуса также ставит перед университетом ряд новых задач.

Естественно, что эти изменения произошли не вдруг, к ним готовились и планировали направления исследований. Примером такой подготовки является представляемая диссертационная работа, актуальность решенных задач не вызывает сомнений. Ряд материалов работы послужил основой для включения в раздел 4 мероприятий по стратегическому развитию университета в рамках гранта Минобрнауки на 2012–2014 гг., что также подчеркивает актуальность и новизну материалов диссертации.

В выводах по главам подробно рассмотрены результаты, полученные автором по каждому из направлений исследований. Все поставленные перед диссертацией задачи выполнены в полном объеме, что свидетельствует о достижении цели исследования.

Ниже представлено резюме по сформулированным во введении задачам исследования. В скобках указаны номера из списка литературы, соответствующие публикациям автора.

Установлена связь между философским понятием отражение и информацией, с учетом трансформации информации в данные и знания применительно к условиям многопрофильного университета, каковым является ГУАП [15].

Определены основные отличительные черты ситуационного управления качеством проектов технического управления – СУРКПТУ и показана смысловая связь между направлением управления проектами и менеджментом качества услуг, оказываемых университетом. Ситуационное управление основывается на концепции смешанного (государственного, общественного и частного) финансирования крупных многопрофильных исследовательских университетов и открывает новое измерение университетской свободы – свободы предпринимательской деятельности внутри университета на основе принципов проектной организации. Создание СУРКПТУ – цель стратегического управления университетом в новых динамичных и стохастичных условиях. В результате применения СУРПКТУ в университете формируется проявивший себя при выполнении конкретных проектов кадровый резерв на замещение любых руководящих вузовских должностей.

СУРКПТУ носит социальный характер и направлен на создание дополнительной занятости внутри университета, что позволяет университетским сотрудникам за счет интенсификации труда существенно увеличить свой заработок, а также повысить должностной статус в вузе.

СУРКПТУ является организационным средством обеспечения синергетического эффекта при развитии отраслей знаний, поскольку он преодолевает барьеры традиционной дисциплинарной департаментализации образования и науки, позволяя создавать творческие коллективы сотрудников, принадлежащих разным подразделениям университета и внешним организациям [15,17].

Рассмотрены основные составляющие философской категории системность. Системность окружающей среды порождает проблемы, которые снимает осуществление проектов. В работе представлен алгоритм осуществления проектов и проведена классификация сфер окружающей среды.

Сферы среды коррелированны, и практически невозможно выделить какую либо одну сферу, поэтому в работе сделан вывод о необходимости описания процесса осуществления проекта не методами классической математики, а с помощью методов мягких вычислений (например, теории нечетких множеств Заде) [15, 16, 22–24].

Проведен анализ последних стандартов ИСО по менеджменту качества ИСО 9000-2008, ИСО 9001-2008, ИСО 9004- 2010, ИСО 10014- 2008 и системной инженерии ИСО 15288-2008 и определена их применимость к решению задач СУРКПТУ [15, 16, 22].

В работе проведено сравнение различных методов мягких вычислений и сделан выбор в пользу логики антонимов, обладающий рядом преимуществ по сравнению с теорией нечетких множеств. Предложена аналитическая модель описания СУРКПТУ [15,19,23].

Рассмотрены виды рисков, встречающиеся в образовательной деятельности, причем новых, связанных со вступлением в ВТО и изменением статуса университета. Проведен анализ последних стандартов по риск менеджменту ИСО 31000 и ИСО 31010 и определена степень их применимости в процессе СУРКПТУ. Разработана аналитическая модель оценки рисков образовательной деятельности [15, 27, 28].

Представлена модель квалиметрического оценивания компетентности обучаемых с использованием логики антонимов. Методика позволяет учитывать различные компетентности. Процесс оценки автоматизирован с помощью ППП QEasy-GUAP, разработанного на кафедре инноватики и управления качеством ГУАП [23–25].

Разработана аналитическая модель описания рисков образовательной деятельности, построенная на нахождении критического пути в ациклическом графе. Приведен пример расчета реальных рисков с помощью программного пакета GraphTheory, входящего в математический пакет аналитических вычислений Maple.

Предложена модель ССП, разработанная с учетом специфики многопрофильного ТУ. Рассмотрены особенности применения ССП в образовательной деятельности и на примере ГУАП приведены методы построения карт целей на различных уровнях, выбор показателей для различных составляющих, методы внедрения и контроля функционирования ССП [15, 20].

Обоснована идеология децентрализованной структуры и создана при непосредственном участии автора структура автономного университета.

Сформирована структура системы оценки качества проекта, поддерживающая процесс формирования интегрального критерия качества.

Разработаны принципы инвестирования в различные сферы деятельности университета на основе критериев оценки качества проектов (пригодности, оптимальности, превосходства).

Разработан модуль финансово-экономического мониторинга, вошедший в единую систему автоматизации документооборота.



Pages:     | 1 |   ...   | 3 | 4 || 6 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.