Тема: Применение нейронной сети RBF для разработки проекта автоматизации складского учета предприятия

Оптимизация - это наиболее эффективное ведение организационных и технологических процессов. Оптимизация предприятия позволяет максимизировать выгодные характеристики и минимизировать расходов.
Современные реалии вынуждают развивать уже устоявшиеся, отработанные и проверенные методы работы. То, что раньше позволяло покрыть все потребности предприятия, с развитием всей системы производства и торговли уже не способно всё также обеспечивать высокую эффективность. Большинство предприятий не требуют стабильного уровня выпуска в течение года, из-за этого возникают этапы всплеска и затишья, что приводят либо к резкому увеличению нагрузки, расходу материалов и затрачиваемой рабочей силы, с вытекающим увеличением расходов, либо к простою рабочего пространства, что также соответственно приводит к уменьшению эффективности. К усложнению функциональности предприятий приложила руку и общая тенденция на глобализацию, внезапные внешние факторы способны оказывать очень сильное влияние, что требует от руководства быть готовым к подобном. Вопросы нестабильного спроса и возросших рисков вынуждают предпринимателей искать способы обеспечить себе высокий уровень стабильности, некую подушку безопасности, что поможет организовать производство способное планомерно работать и развиваться, как можно эффективнее учитывающее все факторы что могут повлиять на жизнь предприятия [12].
Для решения возникшей проблемы было решено разработать систему прогнозирования необходимой продукции на складе. Это позволит достигнуть стабильного уровня производства продукции в течении года, тем самым решив проблемы кривой спроса, необходимости повышенных расходов и кадровых манипуляций.
Данная проблема существует уже не первый год, что привело к существованию различных программных решений, но все эти решения либо являются частными разработками крупных компаний, либо не предоставляют необходимой эффективности.
Цель дипломного проекта - совершенствование системы по учету продукции на складах ООО «АЛСО» с применением нейронной сети RBF.
Чтобы достичь поставленной цели необходимо решить задачи:
• анализ предметной области, деятельности предприятия ООО «АЛСО», а конкретно управления складским учетом;
• исследование существующих систем управления складом, их сущности, характеристики и особенности;
• изучение нейронной сети RBF и возможности её применения для поставленной задачи;
• реализация RBF сети для прогнозирования необходимой продукции;
• проведение тестирования системы на реальных данных;
• сравнение результатов прогнозирования;
• анализ экономической эффективности проекта.
Объектом проекта является складская деятельность ООО «АЛСО», предметом выступает применение оптимизационных методов к складской работе предприятия.

Купить

Цель данной работы заключалась в построении прогноза и проведении сравнительного анализа точности прогнозирования временных рядов с помощью различных архитектур нейронных сетей.
В ходе работы были сформулированы задачи регрессии временных рядов, а также приведены метрики качества и функции потерь, позволяющие оценить точность решения задачи.
В качестве рассматриваемых нейронных сетей были выбрана сеть радиально-базисных функций (RBF) и сеть долгой краткосрочной памяти (LSTM). Для каждой из рассматриваемых сетей составлена математическая модель и разработана архитектура для решения задачи регрессии. В качестве алгоритма обучения для нейронных сетей выбран метод добавления импульса Нестерова в метод адаптивной инерции (Nadam), являющийся модификацией стохастического градиентного спуска.
Разработанные архитектуры нейронных сетей были реализованы на языке программирования Python 3.7, с применением библиотеки машинного обучения TensorFlow и нейросетевой библиотеки Keras, а также интегрированной среды разработки PyCharm.
Для проведения сравнительного анализа точности прогнозирования при решении задачи регрессии была исследована зависимость качества прогнозирования от длины входного сегмента временного ряда и горизонта прогнозирования. Исходя из полученных результатов был сделан вывод о способности нейронных сетей решать соответствующие задачи прогнозирования. Таким образом, установлено, что сеть долгой краткосрочной памяти (LSTM) является наиболее точной нейронной сетью при решении задач регрессии временных рядов. Также обоснована возможность использования сетей радиально-базисных функций (RBF) решении некоторых задач.
Таким образом, поставленная цель не была достигнута, а все поставленные задачи полностью не были решены из-за малого количества исходных данных, так как это не позволяет произвести обучение сети для достижения необходимой точности прогноза. Целью дальнейшей работы может быть увеличение объёма исходных данных для более эффективного обучения реализованной нейронной сети, а также реализация прогнозирования с помощью рассмотренных методов прогнозирования, не требующих большого количества исходных данных, для этого может быть применена сезонная интегрированная модель авторегрессии скользящего среднего (SARIMA).

Купить