18. Суп. Расчет расписания с автоматическим выравниванием ресурсов

Произведем расчет расписания с автоматическим выравниванием ресурсов.

В документе - Гантт (работы) необходимо выполнить команды Расчет- Расчет расписания с выравниванием ресурсов. В качестве ресурсов для выравнивания возьмем всех исполнителей.

Пример диаграммы Гантта (работ) после автоматического выравнивания ресурсов представлен на рис.4. Произошло увеличение сроков исполнения фазы относительно первоначального варианта (расчет расписания без ограничений на ресурсы).

Произведем перерасчет загрузки ресурсов Команда Расчет-Расчет загрузки ресурсов

После перерасчета гистограмма загрузки ресурсов для менеджера по работе с субконтракторами примет вид рис. 5. Перегрузка у менеджера исчезла.

19. Суп. Расчет расписания с ручным выравниванием ресурсов

Алгоритм расчета

1. Выбираем объект для выравнивания, имеющий перегрузку. В качестве объекта - ...

2. По диаграмме Гантта (работ) детализируем масштаб до дней. Определим время возникновения перегрузки.

Определим операции, вызывающие перегрузку в эти дни по диаграмме Гантт (ресурсы)

3. Исходя из резерва времени для каждой из операций, выбираем операцию с максимальным резервом времени (анализ проведения конкурсов прошлых лет), и используем ее для перемещения.

4. Производим вновь расчет загрузки ресурсов. Нагрузка по гистограмме уменьшилась.

Повторяем вышеперечисленные действия для снятия перегрузки у руководителя.

Определяем операции, вызывающие перегрузку. Принимаем решение об их перемещении.

20. Нейронные сети. Формирование исходных данных для обучения

Выбор данных для обучения сети и их обработка является самым сложным этапом решения задачи. Набор данных для обучения должен удовлетворять нескольким критериям:

• Репрезентативность — данные должны иллюстрировать истинное положение вещей в предметной области;

• Непротиворечивость — противоречивые данные в обучающей выборке приведут к плохому качеству обучения сети.

Исходные данные преобразуются к виду, в котором их можно подать на входы сети. Каждая запись в файле данных называетсяобучающей парой или обучающим вектором. Обучающий вектор содержит по одному значению на каждый вход сети и, в зависимости от типа обучения (с учителем или без), по одному значению для каждого выхода сети. Обучение сети на «сыром» наборе, как правило, не даёт качественных результатов. Существует ряд способов улучшить «восприятие» сети.

• Нормировка выполняется, когда на различные входы подаются данные разной размерности. Например, на первый вход сети подаются величины со значениями от нуля до единицы, а на второй — от ста до тысячи. При отсутствии нормировки значения на втором входе будут всегда оказывать существенно большее влияние на выход сети, чем значения на первом входе. При нормировке размерности всех входных и выходных данных сводятся воедино;

• Квантование выполняется над непрерывными величинами, для которых выделяется конечный набор дискретных значений. Например, квантование используют для задания частот звуковых сигналов при распознавании речи;

• Фильтрация выполняется для «зашумленных» данных.

Кроме того, большую роль играет само представление как входных, так и выходных данных. Предположим, сеть обучается распознаванию букв на изображениях и имеет один числовой выход — номер буквы в алфавите. В этом случае сеть получит ложное представление о том, что буквы с номерами 1 и 2 более похожи, чем буквы с номерами 1 и 3, что, в общем, неверно. Для того, чтобы избежать такой ситуации, используют топологию сети с большим числом выходов, когда каждый выход имеет свой смысл. Чем больше выходов в сети, тем большее расстояние между классами и тем сложнее их спутать.

• разделить все исходные данные на входные данные и эталонные (входные данные подаются на вход НС, эталонные используются для обучения сети);

• определить количество одновременно подаваемых на НС входных данных для одного примера;

• определить интервал изменения каждой из входных величин;

• определить количество одновременно получаемых на выходе НС данных;

• определить интервал изменения выходной величины;

• разделить выходные данные на данные для обучения (80% от исходного набора) и данные для тестирования (20% от исходного набора). Данные для обучения обычно расположены в начале файла, для тестирования – в конце;

• проконтролировать равномерность распределения эталонных данных в обучающем наборе, расположив их на числовой оси и построив гистограмму;

• построить структуру НС на основе исходных данных считая, что кроме входного и выходного слоя НС содержит 1-н скрытый слой с 10-ю нейронами. Рассчитать количество связей в сети;

• проверить количество обучающих пар в исходном наборе. Оно должно быть для хорошей способности к обобщению много больше, чем число связей в НС;

• проконтролировать равномерность распределения эталонных данных в тестовом наборе, расположив их на числовой оси.