Автоматизация рабочего места кладовщика

Федеральное агентство по образованию ГОУВПО

Воронежский государственный  технический университет 

Факультет вечернего и заочного отделения

Кафедра экономики, производственного  менеджмента

  и организации  машиностроительного производства 
 

контрольная работа

по  дисциплине  «автоматизация

производственных  предметов»

на  тему «Автоматизация

рабочего  места кладовщика» 
 

Принял:

Кладов  А.В.

_________________ 
 
 
 
 
 
 
 

Воронеж 2010

 

Содержание 

1. Теоретическая  часть. 

   1.1. Системы управления базами данных…………………………………….. 2

2. Искусственная нейронная сеть (ИНС)…………………………………… 5
2. Практическая часть.

2.1. Постановка задачи………………………………………………………….. 14

2.2. Необходимость внедрения систем автоматизации для кладовщика .…… 14

2.3. Задачи решаемые кладовщиком…………………………………………… 15

2.4. Описание  трёх программных продуктов позволяющих  решить задачи кладовщика…………………………………………………………………………… 16

2.5 Алгоритм  программы «АРМ Кладовщика»………………………………… 25

   2.6. Практическая реализация продукта «АРМ Кладовщика»…..…………….. 26

   Вывод……………………………………………………………………………… 30

   СПИСОК  ЛИТЕРАТУРЫ………………………………………………………… 31

 

1. Теоретическая часть.

 

   1.1 Системы управления базами данных.

   Система управления базами данных (СУБД) — специализированная программа (чаще комплекс программ), предназначенная  для организации и ведения базы данных. Для создания и управления информационной системой СУБД необходима в той же степени, как для разработки программы на алгоритмическом языке необходим транслятор.

   Основные  функции СУБД:

• управление данными во внешней памяти (на дисках);
• управление данными в оперативной памяти с использованием дискового кэша;
• журнализация изменений, резервное копирование и восстановление базы данных после сбоев;
• поддержка языков БД (язык определения данных, язык манипулирования данными).

   Обычно  современная СУБД содержит следующие компоненты:

• ядро, которое отвечает за управление данными во внешней и оперативной памяти, и журнализацию,
• процессор языка базы данных, обеспечивающий оптимизацию запросов на извлечение и изменение данных и создание, как правило, машинно-независимого исполняемого внутреннего кода,
• подсистему поддержки времени исполнения, которая интерпретирует программы манипуляции данными, создающие пользовательский интерфейс с СУБД, а также сервисные программы (внешние утилиты), обеспечивающие ряд дополнительных возможностей по обслуживанию информационной системы.

   Классификация СУБД по модели данных:

   Примеры:

   Иерархическая модель базы данных состоит из объектов с указателями от родительских объектов к потомкам, соединяя вместе связанную информацию.

   Иерархические базы данных могут быть представлены как дерево, состоящее из объектов различных уровней. Верхний уровень занимает один объект, второй — объекты второго уровня и т. д.

   Между объектами существуют связи, каждый объект может включать в себя несколько объектов более низкого уровня. Такие объекты находятся в отношении предка (объект более близкий к корню) к потомку (объект более низкого уровня), при этом возможна ситуация, когда объект-предок не имеет потомков или имеет их несколько, тогда как у объекта-потомка обязательно только один предок. Объекты, имеющие общего предка, называются близнецами.

   Сетевые базы данных подобны иерархическим, за исключением того, что в них имеются указатели в обоих направлениях, которые соединяют родственную информацию.

     К основным понятиям сетевой модели базы данных относятся: уровень, элемент (узел), связь.

   Узел  — это совокупность атрибутов  данных, описывающих некоторый объект. На схеме иерархического дерева узлы представляются вершинами графа.В  сетевой структуре каждый элемент может быть связан с любым другим элементом.

   Несмотря  на то, что эта модель решает некоторые  проблемы, связанные с иерархической моделью, выполнение простых запросов остается достаточно сложным процессом.

   Также, поскольку логика процедуры выборки  данных зависит от физической организации этих данных, то эта модель не является полностью независимой от приложения. Другими словами, если необходимо изменить структуру данных, то нужно изменить и приложение.

   Реляционная СУБД (РСУБД; иначе Система управления реляционными базами данных, СУРБД) — СУБД, управляющая реляционными базами данных.

   Понятие реляционный (англ. relation — отношение) связано с разработками известного английского специалиста в области систем баз данных Эдгара Кодда (Edgar Codd).

   Эти модели характеризуются простотой структуры данных, удобным для пользователя табличным представлением и возможностью использования формального аппарата алгебры отношений и реляционного исчисления для обработки данных.

   Реляционная модель ориентирована на организацию  данных в виде двумерных таблиц. Каждая реляционная таблица представляет собой двумерный массив и обладает следующими свойствами:

• каждый элемент таблицы — один элемент данных
• все ячейки в столбце таблицы однородные, то есть все элементы в столбце имеют одинаковый тип (числовой, символьный и т. д.)
• каждый столбец имеет уникальное имя
• одинаковые строки в таблице отсутствуют
• порядок следования строк и столбцов может быть произвольным

   Объектно-ориентированная (объектная) СУБД — система управления базами данных, основанная на объектной модели данных.

   Эта система управления обрабатывает данные как абстрактные объекты, наделённые свойствами, в виде неструктурированных данных, и использующие методы взаимодействия с другими объектами окружающего мира.

   По  степени распределённости:

• локальные СУБД (все части локальной СУБД размещаются на одном компьютере)
• распределённые СУБД (части СУБД могут размещаться на двух и более компьютерах).

   По  способу доступа к БД

   Файл-серверные:

   В файл-серверных СУБД файлы данных располагаются централизованно на файл-сервере. СУБД располагается на каждом клиентском компьютере (рабочей станции). Доступ СУБД к данным осуществляется через локальную сеть. Синхронизация чтений и обновлений осуществляется посредством файловых блокировок. Преимуществом этой архитектуры является низкая нагрузка на ЦП сервера. Недостатки: потенциально высокая загрузка локальной сети; затруднённость централизованного управления; затруднённость обеспечения таких важных характеристик как высокая надёжность, высокая доступность и высокая безопасность.

   На  данный момент файл-серверные СУБД считаются устаревшими.

   Примеры: Microsoft Access, Paradox, dBase,FoxPro,Visual FoxPro. 

   Клиент-серверные:

   Клиент-серверная  СУБД располагается на сервере вместе с БД и осуществляет доступ к БД непосредственно, в монопольном режиме. Все клиентские запросы на обработку данных обрабатываются клиент-серверной СУБД централизованно. Недостаток клиент-серверных СУБД состоит в повышенных требованиях к серверу. Достоинства: потенциально более низкая загрузка локальной сети; удобство централизованного управления; удобство обеспечения таких важных характеристик как высокая надёжность, высокая доступность и высокая безопасность.

   Примеры: Oracle, Firebird, Interbase, IBM DB2, MS SQL Server, Sybase, PostgreSQL, MySQL, ЛИНТЕР, MDBS.

   Встраиваемая  СУБД — библиотека, которая позволяет унифицированным образом хранить большие объёмы данных на локальной машине. Доступ к данным может происходить через SQL либо через особые функции СУБД. Встраиваемые СУБД быстрее обычных клиент-серверных и не требуют установки сервера, поэтому востребованы в локальном ПО, которое имеет дело с большими объёмами данных (например, геоинформационные системы).

   Примеры: OpenEdge, SQLite, BerkeleyDB, один из вариантов Firebird, MySQL, Sav Zigzag, Microsoft SQL Server Compact, ЛИНТЕР.

2. Искусственная нейронная сеть (ИНС)

   Искусственные нейронные сети (ИНС) — математические модели, а также их программные  или аппаратные реализации, построенные  по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

   ИНС представляют собой систему соединённых  и взаимодействующих между собой  простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

   С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

   Нейронные сети не программируются в привычном  смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных  сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

   Известные применения:

   Распознавание образов и классификация

   В качестве образов могут выступать  различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно [8]. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу.