Новости

Вместе мы добьемся большего

Учредители, члены правления и устав ПСКК

Составы первичных организаций

Материалы конференций ПСКК (отчеты, заявления, обращения, решения)

Статьи

Премии, дипломы, грамоты

Презентация, балы

Рекламный буклет



        660049, Красноярск, проспект Мира, дом 82, СибГТУ, офис Ц-6, ПСКК
тел/факс (3912) 66-03-98,
тел. 21-67-58
E-mail: mediasecret@list.ru



   

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПЛАНИРОВАНИИ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ МАШИНОСТРОИТЕЛЬНЫХ ПРЕДПРИЯТИЙ ОПК
Антамошкин А.Н.

Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева
Anotomoshkin

На протяжении многих десятилетий технологическим лидером в нашей стране являлись и остаются в настоящее время предприятия оборонно-промышленного комплекса (ОПК). Машиностроительные предприятия ОПК играют ведущую роль в экономике Красноярского края. Несмотря на трудности экономического развития в последние полтора десятка лет, ОПК в числе немногих отраслей промышленности продолжает оставаться по многим позициям конкурентоспособным, в том числе и на мировом рынке, что дает основания рассматривать его как реальную базу для развития инновационных проектов национального масштаба. Инновационная конверсионная деятельность реструктурированных предприятий ОПК является основной надеждой экономики Красноярского края на ускоренное развитие в ближайшем будущем, наиболее полное использование интеллектуального ресурса края и обеспечение благополучия его населения.
Инновационная деятельность конверсионных предприятий оборонно-промышленного комплекса – явление новое как для российской экономики, так и для экономики других стран, т.е. в мировой практике нет опыта решения подобных задач. Специфичность инновационной деятельности конверсионных предприятий ОПК, в основном, определяется двумя причинами. Первая – это «недружелюбность» окружающей обстановки, что порождает множество рисков и неопределенностей, и вторая – необходимость ориентации на базовые технологии, иначе конверсионная продукция становится нерентабельной. Такая специфика приводит к необходимости принятия решений в сложнейших условиях, требуя при этом учета и анализа многих обстоятельств и деталей. Качественное и обоснованное принятие решений в таких условиях немыслимо без серьезной аналитической работы, применения мощного научного аппарата поддержки принятия решений, в том числе – математического, алгоритмического и программного обеспечения процессов анализа и принятия решений.
Разработкой такого аналитического обеспечения систем поддержки принятия решений при планировании и управлении инновационной деятельностью успешно занимается в Красноярске большая группа преподавателей и ученых ВУЗов в содружестве с практическими работниками машиностроительных предприятий ОПК.
         Весь процесс инновационной деятельности укрупненно можно разбить на четыре этапа: исследование рынка и формирование программы выпуска конкурентоспособной конверсионной продукции, формирование портфеля инновационных проектов, графика и источников финансирования, формирование программы производства.
Математически задача первого этапа представляется как многомерная (ряд ограничений в виде неравенств) задача о рюкзаке [1]. Как известно, это NP-полная задача, но при реальных размерностях она успешно решается алгоритмами муравьиных колоний (ант-алгоритмы) [2].
Задача второго этапа – формирование портфеля инновационных проектов – первоначально была модифицирована как задача дискретной оптимизации и делались попытки решать ее методом динамического программирования [3, 4] по критерию риска портфеля при заданном уровне доходности отдельных проектов. При этом для оценки риска портфеля использовалась рыночная модель Гарри Марковитца [5], однако позже было показано [6], что  данная оценка нуждается в корректировке, после которой она не обладает свойством аддитивности и применение метода динамического программирования становится некорректным. В настоящее время задача формирования портфеля по скорректированной оценке риска также сведена к многомерной задаче о рюкзаке и успешно решается ант-алгоритмами. Решалась задача формирования оптимального портфеля инновационных проектов и по критерию доходности (при заданном уровне риска) [7], в этом случае ее удалось свести к задаче целочисленного линейного программирования и решать стандартными методами.
Третья задача – обеспечение финансирования инновационной программы, в свою очередь, состоит из трех подзадач: определение оптимальной структуры капитала, определение оптимального графика финансирования инновационной программы и определение оптимального портфеля источников финансирования. Первая подзадача с математической точки зрения довольно проста и была успешно решена в работе [8] –  предложен метод учета неопределенности при определении оптимальной структуры капитала, основанный на использовании элементов теории статистических решений. В этой же работе был построен алгоритм формирования оптимального графика потребности в заемных средствах на инновационную деятельность при условии обеспечения максимального уровня капитализации прибыли предприятия. Заемные источники финансирования – это, в современных условиях, как правило, банковское кредитование. Таким образом, третья подзадача также сводится к задаче портфельного планирования по критерию минимизации стоимости привлекаемых средств при ограничении: обеспечение требуемого, в соответствии с определенным графиком, уровня финансирования по всему горизонту планирования.
С первой подзадачей тесно связана задача формирования оптимального инвестиционного портфеля предприятия [9], обеспечивающего ликвидность активов баланса. Но эта задача может решаться только совместно с задачей второго этапа – формирования портфеля источников финансирования. В работе [10] предложен интегральный критерий оценки эффективности управления инновационной деятельностью, учитывающий рентабельность проектов, риски вложения средств в инвестиционные проекты и ликвидность активов баланса. Предложены и обоснованы стратегии финансирования инновационной деятельности, отражающие различные методики оценки риска, проведена формализация указанных стратегий в виде системы моделей условной псевдобулевой оптимизации с алгоритмически задаваемыми ограничениями и вспомогательных алгоритмов формирования моделей. Полученные задачи условной псевдобулевой оптимизации решались с помощью алгоритмов схемы МИВЕР (метод изменяющихся вероятностей) [11]. Интересно отметить, что для задач условной псевдобулевой оптимизации в данной работе был построен алгоритм схемы МИВЕР, эмулирующий работу генетического алгоритма с ранговой селекцией. К сожалению, процедуры схемы МИВЕР гарантируют получение только субоптимальных решений. В перспективе для решения указанных задач предполагается применить регулярные процедуры, рассмотренные в работе [12].
Возвращаясь к задаче формирования оптимального портфеля источников финансирования инновационной деятельности, рассмотрим один реальный пример. Когда НПО прикладной механики имени академика М.Ф. Решетнева реформировалось в интегрированную структуру (в которой НПО оставалось головной компанией) ОАО «Информационные спутниковые системы» имени академика М.Ф. Решетнева, для устойчивого инновационного развития предприятий интегрированной структуры понадобился кредит, превышающий 20 миллиардов рублей. Объемы денежных средств, которые банки могут предоставить  одному заемщику, на порядки меньше. Поэтому пришлось рассмотреть новую постановку задачи формирования источников финансирования – синдицированное кредитование банков. Критерием по-прежнему выступал минимум стоимости привлекаемых средств. В реальной постановке задача оказалась достаточно сложной переборной задачей, которую не удалось эффективно решить ни динамическим программированием, ни генетическими алгоритмами. Поэтому был предложен специальный переборный алгоритм [13], эффективно решавший задачу реальных размерностей.
Спецификой задач последнего этапа – формирования программы производства – является, во-первых, наличие большого числа факторов риска и неопределенности, а во-вторых, необходимость увязки программы производства конверсионной продукции и основного производства. Первое обстоятельство обусловило необходимость решения задачи в стохастической постановке и для моделирования процесса составления производственных расписаний было выбрано GERT-сетевое моделирование [14]. Программная система, реализующая этот подход была успешно апробирована при составлении производственных расписаний ФГУП (тогда еще) «Красмашзавод». Недостатком GERT-сетевого моделирования является то, что оно позволяет получить только средние оценки (например, среднее время завершения производственной программы). Для ЛПР больший интерес представляют интервальные или так называемые р-квантильные оценки: с вероятностью р время завершения производственной программы будет находится в интервале [t1, t2]. Поэтому следующим шагом явилось обобщение GERT-сетевой модели циклической альтернативной сетевой моделью [15], которая позволяла получать уже р-квантильные оценки. Заметим, что, как показал анализ отечественных и зарубежных систем управления производством, они не связывают цеховой и межцеховой уровни планирования, т.е., как правило, конкретная система рассматривает или тот, или другой уровни планирования. Поэтому был предложен [14, 15] механизм увязки межцехового и цехового уровней планирования. К настоящему времени [16] разработан алгоритм минимизации времени исполнения заказа, поступающего в производство, определяющего конечные сроки выпуска для каждой детали и сборочной единицы. На основе генетических алгоритмов разработан алгоритм многокритериальной оптимизации расписания станочного парка, которому необходимо на заданном горизонте планирования исполнить объем работ, где для каждой детали или сборочной единицы определены минимальные сроки начала и максимальные сроки окончания обработки.
Опытную эксплуатацию вся система поддержки принятия решений по планированию инновационной деятельности прошла в ФГУП ЦКБ «Геофизика» [17], отдельные блоки эксплуатировались в ФГУП «Красмашзавод» и ОАО «Информационные спутниковые системы» имени академика М.Ф. Решетнева. В упрощенном виде система может применяться для любого предприятия с позаказным типом производства.
В научном плане, в перспективе, планируется получение интервальных оценок для рисков инновационных проектов [6] и реализация регулярных алгоритмов псевдобулевой оптимизации для решения многомерной задачи о рюкзаке.
Вместе с тем необходимо отметить, что, несмотря на глубокую проработку проблем, возникающих в управлении инновационной деятельностью реструктурированных предприятий ОПК, а также использование в этих целях разработанного математического и программного обеспечения, многие прикладные, а также отдельные теоретические вопросы все еще требуют своего разрешения и, следовательно, проведения дальнейших научных и прикладных исследований. Это относится, главным образом, к учету специфики осуществления инновационной деятельности машиностроительных предприятий ОПК в процессе их реструктуризации, в частности, к учету изменившейся роли и содержания инновационной деятельности, когда инновации становятся решающим фактором в развитии предприятия и, следовательно, должны выходить на стратегический уровень управления.
Сложившийся за последние 15 лет в Красноярске крупный научный коллектив, а это 10 докторов и более 50 кандидатов технических, экономических и физико-математических наук, работающих в различных ВУЗах, организациях и на предприятиях края, обладает серьезным интеллектуальным потенциалом и в состоянии не только обоснованно ставить, но и успешно решать указанные теоретические и практические задачи.

Библиография

1. Печеная И.А. Формирование производственной программы выпуска конверсионной продукции предприятий ОПК. – Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: СибГАУ, 2009.
2. Антамошкин А.Н., Кагиров Р.Р. Алгоритмы муравьинных колоний для многомерной задачи о рюкзаке // Системы управления и информационные технологии. – 2007. - №1.2(27).
3. Лобков К.Ю. Совершенствование процесса портфельного планирования инновационной деятельности машиностроительного предприятия ВПК в условиях конверсии. - Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: СибГАУ, 2002.
4. Смелов Э.Ю. Система алгоритмов автоматизированного управления инновационной деятельностью предприятий ВПК. - Дис. на соиск. уч. ст. канд. техн. наук. Красноярск: НИИ СУВПТ, 2005.
5. Шарп У., Александер Г., Бэйли Дж. Инвестиции. – М.: ИНФРА-М, 2001.
6. Антамошкин А.Н., Антамошкина Е.А. Интервальная оценка риска портфеля инновационных проектов // Вестник СибГАУ. - Вып. 2(23). - 2009.
7. Цветцых А.В. Инструменты стратегического планирования  инновационного развития предприятий ОПК. – Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: СибГАУ, 2007.
8. Карелин О.И. Совершенствование способов финансирования инновационной деятельности на предприятиях ОПК в условиях конверсии. – Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: СибГАУ, 2005.
9. Иммануилов П.А. Совершенствование способов финансирования инновационной деятельности машиностроительных предприятий ОПК. –  Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: СибГАУ, 2004.
10. Сумароков А.Д. Совершенствование управления и принятия решений по инновационной деятельности предприятий ВПК. – Дис. на соиск. уч. ст. канд. техн. наук. Красноярск: СибГАУ, 2004.
11. Антамошкин А.Н. Оптимизация функционалов с булевыми переменными. Томск: Изд-во Томск. ун-та, 1987.
12. Antamoshkin А., Masich I. Pseudo-Boolean optimization in case of unconnected feasible sets // Models and Algorithms for Global Optimization. Series: Springer Optimization and Its Applications. - Vol. 4. – Springer: Berlin, Heidelberg, New York. – 2007. - XVI.
13. Антамошкин А.Н., Новой А.В., Перминов Е.К. Система выбора участников синдицированного кредитования для финансирования долгосрочных проектов (программа “FLTP_Syndicate ver. 1.0”).  Свидетельство о государственной регистрации программы для ЭВМ № 2009615818.
14. Кожевников С.В. Оптимизация производственных расписаний конверсионных предприятий ОПК. Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: НИИ СУВПТ, 2006.
15. Антамошкина Е.А. Методы и средства планирования и управления позаказным производством в условиях риска и неопределенности. - Дис. на соиск. уч. ст. канд. экон. наук. Красноярск: НИИ СУВПТ, 2005.
16. Антамошкин А.Н., Симаков П.В., Дегтерев Д.А. Оптимизация расписаний дискретных производств позаказного типа // Системы управления и информационные технологии. – 2009. - № 1(35).
17. Дегтерев А.С. Моделирование и оптимизация процессов управления инновационной деятельностью предприятий ВПК. - Дис. на соиск. уч. ст. доктора техн. наук. Красноярск: СибГАУ, 2006.