Управление в социальноBulletin of the South Ural State University. Ser. 102 Рис. 6. Вариант № 2 информационной модели расписания Рис. 7. Фрагмент информационной модели для оценки качества расписания на основе соответствия аудиторному фонду, пожеланий преподавателей и их приоритета Для наглядности на рис. 7 накопители промаркированы символами множеств, элементы к торых в них хранятся. Управление в социально-экономических системах Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control, Radio Electronics 201 Рис. 6. Вариант № 2 информационной модели расписания Фрагмент информационной модели для оценки качества расписания на основе соответствия аудиторному фонду, пожеланий преподавателей и их приоритета Для наглядности на рис. 7 накопители промаркированы символами множеств, элементы к

No abstract

42Регрессионный анализ, построение объясняющих регрессионных моделей при исследовании химико-технологических процессов считается дурным тоном. Подходом, заслуживающим одоб-рения, считается построение моделей на базе физических и химических законов -движения, со-хранения, состояния и кинетики. Правда, при этом забывают, что многие устоявшиеся «законы», например, уравнения тепломассообмена и другие модели подобия, получены именно с помощью регрессионного анализа. Да и в уравнениях кинетики вида, например,  C t -зависимость концентрации от времени, n -порядок реакции, k -константа скорости реак-ции, являются регрессионно-дифференциальными уравнениями. Теоретически рассчитать k обычно невозможно, и ее определяют регрессионными методами по данным экспериментов. В частности, при описании процесса флокуляции в составе практически важного и актуаль-ного сейчас для РФ производства калийных удобрений [1, 2] для описания зависимости количе-, кон-станта k которого разными исследователями расшифровывается через параметры флокулянта, ап-парата и условий протекания процесса. Действительно, с точки зрения академической науки важно получить всеобъемлющую математическую модель, обладающую широкой применимостью.Однако на действующих производствах чаще встает задача оптимизации работы конкретно-го, существующего оборудования. Эта оптимизация возможна путем коррекции системы автома-тического регулирования (САР), незначительных конструктивных изменений, небольших изме-нений параметров ведения процесса (заданий САР) и т. п. В любом варианте, потребуется мате-матическая модель этого оборудования, свободными переменными которой будут параметры процесса, изменение которых возможно в данном конкретном случае. Казалось бы, регрессион-ные модели здесь вполне могут быть применены -но традиционный их базис в виде полиномов первой-второй степени не всегда позволяет производить условную оптимизацию, или получать асимптотические по времени значения (характерные, в частности, для процесса флокуляции), или даже вообще получать модели с малым среднеквадратичным рассогласованием с данными экспе-римента. Обоснована задача построения прогнозной модели процесса флокуляции калийной руды. Показано, что результаты расчетов по традиционным моделям неудовлетворительно воспро-изводят экспериментальные данные, а применение регрессионно-дифференциальной модели вызывает затруднения в объяснении ее коэффициентов. Предложено для моделирования про-цесса использовать нейронную сеть. Обоснованы выбор алгоритма обратного распростране-ния для обучения сети и сигмоидальной активационной функции. Использована программная система реализации нейронных сетей на основе библиотеки FANN. На основании пяти экспе-риментов произведено обучение сети. Оценены статистические показатели нейронной сети данной структуры. Тестирование по данным шестого эксперимента показало удовлетвори-тельное качество модели. Изучены вопросы рациональной организации обучения и тестиро-вания нейронной сети для моделирования процесса флокуляции. В итоге показана возмож-ность использования нейронных се...

Актуальность.Автомобильный бензин, дизельное топливо и другие нефтепродукты отличаются сезонностью потребления, способом транспортировки, территорией реализации. Изменение спросана нефтепродукты под влиянием названных факторов приводит к изменению ассортимента и объемов производства различных видов топлива. В связи с этим актуальной задачей является планирование производства нефтепродуктов. Предложено решать задачу прогнозирования выработки нефтепродуктовс помощью авторегресионных моделей с учетом фактора сезонности. Цель:разработка и выбор по критериям адекватности математических моделей, пригодных для прогнозирования выработки светлых нефтепродуктов. Объекты: процесс выработки нефтепродуктов. Модели построены по данным единой межведомственной информационно-статистической системы. Методы исследованияоснованы на использовании методов математического и имитационного моделирования. Результаты.Проведен обзор методов моделирования временных рядов производства и потребления топливно-энергетических ресурсов. Выполнено сравнение различных математических моделей прогнозирования выработки автомобильного бензина на примере Приволжского федерального округа. Разработаны модели, отличающиеся учетом сезонной компоненты и видом тренда. Предложено использование мультипликативной модели, содержащей тренд в виде линейной, авторегрессионной, авторегрессионно-степенной модели с вычислением индекса сезонности. Выявлено, что лучшие результатыпо критерию средней относительной погрешности получены с применением моделис авторегрессионно-степенным трендом.Показана работоспособность полученной модели на примере федеральных округов РФ для оценки выработки автомобильного бензина и дизельного топлива. Результаты исследований получены с применением программного пакетаMatlab.Выполнен постпрогноз выработки топлив по предлагаемой модели со средней относительной погрешностью, не превышающей 11 %.