УДК 681.3
М. А. Болгова
ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ СТРУКТУРНОЙ ТРАНСФОРМАЦИЕЙ СЕТЕВЫХ ОРГАНИЗАЦИОННЫХ СИСТЕМ
За последние годы существенно увеличилось разнообразие структур организационных систем. Среди этого разнообразия значительное место занимают сетевые организационные системы: образования, банковского сектора, индустрии туризма, торговли и другие [1,2]. Их характеризуют две особенности:
в рамках сети объединяются однородные по видам деятельности организации (объекты);
организация деятельности этих объектов осуществляется через единый управляющий центр.
Постоянная потребность в повышении эффективности функционирования и развития рассматриваемых систем требует структурной трансформации сети. Управление этим процессом основано на различных схемах целенаправленного распределения управляющим центром имеющегося ресурсного обеспечения. К преимущественным схемам относятся:
распределение в зависимости от принадлежности объекта к определенному классу по набору ключевых показателей эффективности (классификационная трансформация);
распределение в зависимости от принадлежности объекта к определенному классу с учетом их ранговой последовательности, по интегральной оценке, эффективности (ранговая трансформация);
распределение в зависимости от количества объектов в сети с учетом возможности поглощения объектов-аутсайдеров объектами-лидерами (редукционная трансформация).
Для решения задач оптимизации многоканального управления рассмотренными процессами структурной трансформации сетевой организационной системы необходимы следующие данные мониторинга функционирования объектов и построенные на их основе модели:
временные ряды значений показателей эффективности деятельности объектов:
|
|
|
|
|
|
|
(1) |
где |
ǡ |
|
ݕ ݐ ǡ ǡ ǡ ǡǡݐ ǡǡ |
|
|||
нумерационное множество объектов сети, |
|
||||||
ǡ |
|
|
|||||
|
нумерационное множество показателей, |
|
|||||
|
|
|
|
||||
мониторинга; |
|
|
|
|
|
|
|
ݐ ǡ |
нумерационное |
множество |
календарных |
периодов |
|||
|
|
|
|||||
временные ряды, характеризующие управленческие решения по распределению ресурсного обеспечения между объектами
145
|
ݑ ݐ ǡ ǡ ǡݐ ǡ |
|
|
|
|
||
и каналами управления |
|
|
|
|
|
|
|
|
|
|
|
ݐ ǡ |
(2) |
||
ݑ |
ݐ ǡ ǡ ǡ ǡǡݐ ǡǡ ݑ |
|
|
||||
где ǡ нумерационное множество каналов управления процессом трансформации;
временные ряды интегральных оценок объектов [3] по показателям (1)
ݐ ݕ ݐǡ ǡ ǡ ǡǡݐ ǡǢ(3)
временные ряды прогнозных оценок, полученные на основе временных рядов (1), (2), (3)
|
|
|
|
|
|
|
(4) |
|
ݕ |
ݐ |
ǡ ǡ ǡ ǡǡݐ |
ǡ ǡ |
|
||||
|
|
|
|
|
|
|
(5) |
|
|
ݑ |
ݐ |
ǡ ǡ ǡݐ |
ǡ ǡ |
|
|||
|
|
|
|
|
|
|
(6) |
|
|
ݐ ǡ ǡ ǡݐ |
ǡ ǡ |
|
|||||
где ݐ ǡ нумерационное множество календарных периодов прогнозирования;
модели зависимости оценок (3), (6) от управленческих решений (2),
(5) для определенного календарного периода прогнозирования
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(7) |
|
В случае задачи |
классификационнойݐ ݕ ǡݑ ǡݐ трансформацииǤ |
считают, что за |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
ݐ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
период |
ݐ ǡ |
к моменту времени |
все объекты |
ǡ ǡ |
разбиты на |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
ǡʹǡ͵ |
|
|
|
|
|
|
|
|||||
ǡ |
классов. При этом классы с номерами |
|
включают объекты- |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
лидеры по уровню эффективности деятельности, |
а класс с номером |
|
|
|||||||||||||||||||||
включает |
объекты-аутсайдеры. |
На основе данных за |
ݐ ǡ |
календарных |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||
периодов с использованием машинного обучения |
настраивается классификатор |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
объектов, позволяющий по временному ряду (1) для новых объектов |
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ǡ |
не входивших в классы |
|
ǡ ǡ |
получить прогноз их |
включения в |
|||||||||||||||||||
|
|
|
|
|
|
|
ǡ |
|||||||||||||||||
объекты-лидеры в некоторый календарный период . |
|
|
|
|
|
|
ǡ |
ǡ |
||||||||||||||||
|
Задача оптимизации заключается |
в |
выбореݐ из |
|
объектов |
|||||||||||||||||||
|
|
|
ресурсное |
|||||||||||||||||||||
наиболее |
успешных с |
учетом ограничений на |
|
|
|
|
|
|
|
|
|
|||||||||||||
дополнительное |
|
|
||||||||||||||||||||||
обеспечение объектов, |
принадлежащих классу |
|
|
ǡ |
|
и потребностей в |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
классе |
|
|
|
|
|
|
. |
|
|||
ресурсном обеспечении для поддержания позиции в |
|
|
|
|
|
ݐ |
|
|||||||||||||||||
|
Введем оптимизируемые переменные |
|
|
|
|
|
|
|
ݑ |
|
|
|||||||||||||
|
|
|
|
|
|
|
|
146 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ݔ |
ǡˈ˔ˎˋ ˑ˄˝ˈˍ˕ ˅ˍˎˡ˚˃ˈ˕˔ˢ ˅ ˍˎ˃˔˔ ǡ |
(8) |
|
|
|
|
|
|
ǡ˅ ˒˓ˑ˕ˋ˅ːˑˏ ˔ˎ˖˚˃ˈǡ |
ǡ Ǥ |
|
Для каждого объекта и календарного периода ݐ вычислим прогнозное значение интегральной оценки ݐ Ǥ Тогда задача максимизации числа успешных объектов, включаемых в класс при ресурсных ограничениях является задачей булевого программирования о ранце [4]:
|
ݐ ݔ |
ǡ |
|
||
|
|
|
|
|
|
ݑ ݐ ݔ ݑ ݐ ǡ |
(9) |
||||
|
|
ǡ |
|
|
|
|
ݔ |
ǡ |
|
ǡ Ǥ |
|
Ранговая трансформация является механизмом управления устойчивым переходом объектов ǡ ǡ в классы ǡ Ǥ Для этого по оценке (6),
вычисленной в определенный календарный период ݐ , строится ранговая последовательность объектов ǡ входящих в класс ǡ с включением объекта претендента Ǥ На основании сравнения позиции в ранговой последовательности выбирается объект-ориентир и решается задача оптимизации [4]на основе модели (7)
ݕ ǡǡݐ ݕ ǡݑ ǡݐ ǡ |
(10) |
|||
|
|
|
|
|
|
|
|||
ݑ |
ݑ ǡݑ |
ǡ ǡǤ |
|
|
Редукционная трансформация позволяет сократить число объектов-
аутсайдеров за счет создания нового объекта , объединяющего объект-лидерǡ и объектов группы ǡ ǡ го класса, регионально
связанных с объектом . С целью оптимизации вводятся переменные
ݔ |
ǡˈ˔ˎˋ ˑ˄˝ˈˍ˕ ˒˓ˋ˔ˑˈˇˋːˢˈ˕˔ˢ ˍ ˑ˄˝ˈˍ˕˖ ǡ |
|
|
|
|
|
ǡ˅ ˒˓ˑ˕ˋ˅ːˑˏ ˔ˎ˖˚˃ˈ |
ǡ Ǥ |
Для каждого варианта объединения рассчитываются прогнозируемые значения показателей
147
ݕ ǡ ݐ ݕ ǡݐ ǡݕ ǡݐ ǡ
ресурсного обеспечения
ݑ ǡ ǡ ݐ ݑ ݐ ݑ ݐ ǡ
интегральной оценки
ݕ ǡ ǡݑǡ ǡݐ Ǥ
Тогда получаем оптимизационную модель, аналогичную (9)
ݕ ǡ ǡݑǡ ǡݐ ݔ ǡ |
(11) |
||||
|
|
|
|
|
|
|
ݔ ǡ |
|
(12) |
||
|
|
ǡ |
|
|
|
|
|
|
|||
|
ݔ |
ǡ |
ݔ |
ǡ Ǥ |
|
Таким образом, последовательно получая решение оптимизационных задач (9), (10), (11), формируем управленческие решения по структурной трансформации сетевых организационных систем.
Литература
1.Болгова М.А. Принятие управленческих решений в условиях трансформации высшего образования/М.А.Болгова, Е.А.Евдокимов//Вестник университета.–2016.–№3.–С.195-197.
2.Болгова М.А. Нормативно-правовое регулирование реорганизации образовательных учреждений/М.А.Болгова//Актуальные проблемы российского законодательства.–2014.–№10.–С.4-13.
3.Батищев Д.И. Оптимизация в САПР/Д.И.Батищев, Я.Е.Львович, В.Н.Фролов.–Воронеж: Изд-во Воронежского госуниверситета, 1997.–416с.
4.Львович И.Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения/И.Я.Львович, Я.Е.Львович, В.Н.Фролов.–Воронеж: ИПЦ «Научная книга», 2016.–444с.
Российский государственный университет туризма и сервиса, г. Москва
148
УДК: 004.912 519.237.8
В. А. Носиков МЕТОДЫ КЛАССИФИКАЦИИ ТЕКСТОВЫХ ДАННЫХ
Классификация текстовых данных стала важной областью исследований в связи с увеличением количества таких типов данных, доступных в цифровом формате. Классификация считается одной из ключевых методик организации цифровых данных путем автоматического отнесения набора документов к заранее определенным категориям в зависимости от их содержания.
Классификация документов — это процесс, состоящий из набора этапов, каждый из которых, может быть, выполнен с использованием различных методик. Выбор правильной техники, которая должна использоваться на каждом этапе, влияет на эффективность выполнения текстовой классификации.
Целью данной работы является обзор некоторых основных методов классификации текстовых данных, а также методов предварительной обработки данных.
Ежедневный стремительный рост объема текстовых данных и потребность в четко определенной методологии для анализа и классификации этих объемных данных привлекли внимание многих сообществ к такому виду данных, который известен как неструктурированные данные. Это явление привело к тому, что начинает возрастать важность классификации текстовых данных. Классификация текстовых данных — это процесс отнесения текстовых документов к одной или нескольким надлежащим категориям на основе их содержания путем построения модели на основе данных, полученных в ходе обучения [1]. Этот процесс считается контролируемым методом классификации, так как в качестве обучающего набора предоставляется набор заранее определенных помеченных документов.
Проблемой классификации текстовых данных является размер наборов данных. Высокой размерность, или большое количество атрибутов классификации усложняет процесс, так как многие из них являются шумом для работы алгоритма классификатора. Эта проблема может быть решена на этапе отбора признаков, который считается одной из основных областей исследований [1]. Другой вопрос заключается в том, как представить особенности документов, которые могут быть сделаны различными методами, такими как двоичное представление (присутствие/отсутствие), частота встречаемости, нормализованная частота и многие другие, что также является одной из областей исследования.
Исследования по классификации текстовых документов на данный момент являются очень перспективным и необходимым направлением в информационных системах, системном анализе и системах поддержки принятия решений. Следовательно, для этой цели было разработано множество подходов, в том числе классификация методом опорных векторов (Support
149