Отчет по практике на ОАО «БШФ»

Введение

Технологическая практика систематизирует знания, полученные при изучении многих предметов, закрепляет полученные знания, умения и навыки в данной работе, помогает совершенствованию практических навыков в использовании и разработке современных информационных систем, а также  позволяет закрепить приобретённый опыт в разработке и реализации практических задач. Итогами производственной практики является приобретение практического опыта в выполнении технологических операций различной сложности, оформление отчёта в соответствии со стандартными требованиями.

Целями технологической практики являются:

 

• закрепление знаний, связанных с технологией обработки информации;

• закрепление и углубление знаний, полученных при изучении специальных предметов;

• закрепление практических навыков по составлению алгоритмов и их реализации на ЭВМ;

• изучение состава технических средств данного вычислительного центра (ВЦ).

Перед началом работы был пройден инструктаж по технике безопасности на предприятии. Выяснены основные вопросы касающиеся работы с ЭВМ и иной оргтехникой.

Организационная структура ОАО «БШФ» введена в действие 01.01.1997 г.

Для выполнения функций управления создается управляющая система – аппарат управления. Под структурой аппарата управления понимаются количество и состав звеньев и ступеней управления, их соподчиненность и взаимная связь.

 Руководит фабрикой  директор, которому помогают в  управлении следующие отделы и блоки:

• экономический блок

• блок ресурсного обеспечения

• бухгалтерия

• блок контроля качества

• отдел кадров

• юрисконсульт

Производственная структура ОАО «БШФ» состоит из вспомогательного, основного  производств и обслуживающего хозяйства.

В структуру основного производства входят два швейных цеха и поток малых серий (ПМС), участок по подготовке и освоению новых видов продукции (УМС), раскройный цех, подготовительный цех, склад готовой продукции и экспериментальный цех  (рисунок 1.1)

Рисунок 1.1 Производственная структура предприятия

Структура отдела АСУП

1.Начальник АСУП

2.Инженер-программист

4.Операторы

Основными задачами  специалистов ОАСУП является разработка, внедрение и сопровождение программного обеспечения, прокладка и наладка локальной сети предприятия, установка и сопровождение системных программ, ремонт и обслуживание технических средств (сканер, принтер, плоттер, монитор, системный блок, модем и т.д.),  установка и сопровождение   программного обеспечения, приобретенного предприятием у фирм-разработчиков  ПО.

Опраторы ОАСУП  вводят текстовую информацию, печатают таблицы,  используя   программное обеспечение фирмы Microsoft Office, а так же используют программы, разработанные программистами предприятия (ввод и распечатка  отчетов).

 

 

1. Изучение технологического процесса обработки информации в отделах ВЦ или подразделениях  предприятия
1. Изучение технологического процесса в отделе алгоритмизации

Для четкого и правильного представления о процессе разработки алгоритмов и программ следует досканально изучить представленную предметную область, а именно, изучить все аспекты для возможности оптимизации в представленной области. После детального изучения и анализа предметной области необходимо определить и выявить всевозможные участки работ.

После того как проблемные участки были выявлены необходимо выбрать один из них, который после оптимизации намного облегчит работу. Прежде чем приступать к каким-либо действиям стоит определиться с выбором средств и методов, которые будут использованы, то есть необходима постановка задачи.

Постановка задачи своего рода-цель работы, которую необходимо достигнуть, однако же, за счет правильного описания требований, довольно легко будет определиться и с методами, так как была поставлена четкая цель. Итак, поскольку с целью все определено, следует выбрать наиболее подходящие средства для ее решения.

 При решении конкретной задачи оптимизации прежде всего стоит выбрать математический метод, который приводил бы к конечным результатам с наименьшими затратами на вычисления или же давал возможность получить наибольший объем информации об искомом решении. Выбор того или иного метода в значительной степени определяется постановкой оптимальной задачи, а также используемой математической моделью объекта оптимизации.

В настоящее время для решения оптимальных задач применяют в основном следующие методы:

    * методы исследования  функций классического анализа;

    * методы, основанные  на использовании неопределенных  множителей Лагранжа;

    * вариационное  исчисление;

    * динамическое  программирование;

    * принцип максимума;

    * линейное программирование;

   * нелинейное программирование.

В последнее время разработан и успешно применяется для решения определенного класса задач метод геометрического программирования.

Как правило, нельзя рекомендовать какой-либо один метод, который можно использовать для решения всех без исключения задач, возникающих на практике. Одни методы в этом отношении являются более общими, другие - менее общими. Наконец, целую группу методов (методы исследования функций классического анализа, метод множителей Лагранжа, методы нелинейного программирования) на определенных этапах решения оптимальной задачи можно применять в сочетании с другими методами, например динамическим программированием или принципом максимума.

Отметим также, что некоторые методы специально разработаны или наилучшим образом подходят для решения оптимальных задач с математическими моделями определенного вида. Так, математический аппарат линейного программирования, специально создан для решения задач с линейными критериями оптимальности и линейными ограничениями на переменные и позволяет решать большинство задач, сформулированных в такой постановке. Так же и геометрическое программирование предназначено для решения оптимальных задач, в которых критерий оптимальности и ограничения представляются специального вида функциями позиномами.

               Динамическое программирование хорошо приспособлено для       решения задач оптимизации многостадийных процессов, особенно тех,

 в которых состояние  каждой стадии характеризуется  относительно небольшим числом переменных состояния. Однако при наличии значительного числа этих переменных, т. е. при высокой размерности каждой стадии, применение метода динамического программирования затруднительно вследствие ограниченных быстродействия и объема памяти вычислительных машин.

Пожалуй, наилучшим путем при выборе метода оптимизации, наиболее пригодного для решения соответствующей задачи, следует признать исследование возможностей и опыта применения различных методов оптимизации. Ниже приводится краткий обзор математических методов решения оптимальных задач и примеры их использования. Здесь же дана лишь краткая характеристика указанных методов и областей их применения, что до некоторой степени может облегчить выбор того или иного метода для решения конкретной оптимальной задачи.

Методы исследования функций классического анализа представляют собой наиболее известные методы решения несложных оптимальных задач, с которыми известны из курса математического анализа. Обычной областью использования данных методов являются задачи с известным аналитическим выражением критерия оптимальности, что позволяет найти не очень сложное, также аналитическое выражение для производных. Полученные приравниванием нулю производных уравнения, определяющие экстремальные решения оптимальной задачи, крайне редко удается решить аналитическим путем, поэтому, как, правило, применяют вычислительные машины. При этом надо решить систему конечных уравнений, чаще всего нелинейных, для чего приходится использовать численные методы, аналогичные методам нелинейного программирования.

Дополнительные трудности при решении оптимальной задачи методами исследования функций классического анализа возникают вследствие того, что система уравнений, получаемая в результате их применения, обеспечивает лишь необходимые условия оптимальности. Поэтому все решения данной системы (а их может быть и несколько) должны быть проверены на достаточность. В результате такой проверки сначала отбрасывают решения, которые не определяют экстремальные значения критерия оптимальности, а затем среди остающихся экстремальных решений выбирают решение, удовлетворяющее условиям оптимальной задачи, т. е. наибольшему или наименьшему значению критерия оптимальности в зависимости от постановки задачи.

Методы исследования при наличии ограничений на область изменения независимых переменных можно использовать только для отыскания экстремальных значений внутри указанной области. В особенности это относится к задачам с большим числом независимых переменных (практически больше двух), в которых анализ значений критерия оптимальности на границе допустимой области изменения переменных становится весьма сложным.

Метод множителей Лагранжа применяют для решения задач такого же класса сложности, как и при использовании обычных методов исследования функций, но при наличии ограничений типа равенств на независимые переменные. К требованию возможности получения аналитических выражений для производных от критерия оптимальности при этом добавляется аналогичное требование относительно аналитического вида уравнений ограничений.

В основном при использовании метода множителей Лагранжа приходится решать те же задачи, что и без ограничений. Некоторое усложнение в данном случае возникает лишь от введения дополнительных неопределенных множителей, вследствие чего порядок системы уравнений, решаемой для нахождения экстремумов критерия оптимальности, соответственно повышается на число ограничений. В остальном, процедура поиска решений и проверки их на оптимальность отвечает процедуре решения задач без ограничений.

Множители Лагранжа можно применять для решения задач оптимизации объектов на основе уравнений с частными производными и задач динамической оптимизации. При этом вместо решения системы конечных уравнений для отыскания оптимума необходимо интегрировать систему дифференциальных уравнений.

Следует отметить, что множители Лагранжа используют также в качестве вспомогательного средства и при решении специальными методами задач других классов с ограничениями типа равенств, например, в вариационном исчислении и динамическом программировании. Особенно эффективно применение множителей Лагранжа в методе динамического программирования, где с их помощью иногда удается снизить размерность решаемой задачи.

Методы вариационного исчисления обычно используют для решения задач, в которых критерии оптимальности представляются в виде функционалов и решениями которых служат неизвестные функции. Такие задачи возникают обычно при статической оптимизации процессов с распределенными параметрами или в задачах динамической оптимизации.

Вариационные методы позволяют в этом случае свести решение оптимальной задачи к интегрированию системы дифференциальных ' уравнений Эйлера, каждое из которых является нелинейным дифференциальным уравнением второго порядка с граничными условиями, заданными на обоих концах интервала интегрирования. Число уравнений указанной системы при этом равно числу неизвестных функций, определяемых при решении оптимальной задачи. Каждую функцию находят в результате интегрирования получаемой системы.

Уравнения Эйлера выводятся как необходимые условия экстремума функционала. Поэтому полученные интегрированием системы дифференциальных уравнений функции должны быть проверены на экстремум функционала.

При наличии ограничений типа равенств, имеющих вид функционалов, применяют множители Лагранжа, что дает возможность перейти от условной задачи к безусловной. Наиболее значительные трудности при использовании вариационных методов возникают в случае решения задач с ограничениями типа неравенств.

Заслуживают внимания прямые методы решения задач оптимизации функционалов, обычно позволяющие свести исходную вариационную задачу к задаче нелинейного программирования, решить которую иногда проще, чем краевую задачу для уравнений Эйлера.

Динамическое программирование служит эффективным методом решения задач оптимизации дискретных многостадийных процессов, для которых критерий оптимальности задается как аддитивная функция критериев оптимальности отдельных стадий. Без особых затруднений указанный метод можно распространить и на случай, когда критерий оптимальности задан в другой форме, однако при этом обычно увеличивается размерность отдельных стадий.

По существу метод динамического программирования представляет собой алгоритм определения оптимальной стратегии управления на всех стадиях процесса. При этом закон управления на каждой стадии находят путем решения частных задач оптимизации последовательно для всех стадий процесса с помощью методов исследования функций классического анализа или методов нелинейного программирования. Результаты решения обычно не могут быть выражены в аналитической форме, а получаются в виде таблиц.

Ограничения на переменные задачи не оказывают влияния на общий алгоритм решения, а учитываются при решении частных задач оптимизации на каждой стадии процесса. При наличии ограничений типа равенств иногда даже удается снизить размерность этих частных задач за счет использования множителей Лагранжа. Применение метода динамического программирования для оптимизации процессов с распределенными параметрами или в задачах динамической оптимизации приводит к решению дифференциальных уравнений в частных производных. Вместо решения таких уравнений зачастую значительно проще представить непрерывный процесс как дискретный с достаточно большим числом стадий. Подобный прием оправдан особенно в тех случаях, когда имеются ограничения на переменные задачи и прямое решение дифференциальных уравнений осложняется необходимостью учета указанных ограничений.