KUTATÁS

A projekt átfogó célja(i), a létrejövő termék, szolgáltatás, technológia újdonságtartalma, a tudástranszfer szerepe a célok elérésében:

Az energia szektor liberalizációja 2003-ban a villamos energia piac, 2004-ben a gáz piac nyitásával sikeresen Magyarországon is lezajlott.

Ezzel a változással rengeteg új kihívásnak néznek elébe a cégek és piaci szereplõk. A pontos szabályzás jelenleg is képlékeny, az Energia hivatal ezen munkája folyamatos.

Bár a liberalizáció külföldi országokban hamarabb lezajlott, az ottani tapasztalatokból sok hasznos tanulságot lehet meríteni, hazánk viszonylata mégis sok területen sajátságos. A hazai cégek számára új elõírásoknak való gyors megfelelés érdekében valamilyen megoldást hozniuk kell. Ezen megoldások az idõbeli elsõbbségbõl fakadóan kizárólag külföldi termékek, koruknál fogva elavultak, a hazai igényekre testreszabhatatlanok, és igen drágák.

A projekt célja, olyan mesterséges intelligenciával rendelkezõ heurisztikus eszközök kialakítása, amely a nyílt energia piac résztvevõi számára a jelenleg elérhetõ statisztikus módszereknél pontosabb, gyorsabb eredményt adnak a terhelés-, fogyasztás menetrend prognózis, mérés kiesésbõl származó adatpótlás, erõforrás, erõmû optimalizáció, szerzõdéskezelés területein.

1. Menetrend prognózis

A liberalizált piac résztvevõi, mind a feljogosított fogyasztók, mérlegkör felelõsök, hálózati engedélyesek, termelõk számára elõírt menetrendjük, illetve fogyasztásuk elõrejelzése. Ezen tevékenység minél pontosabb mivolta égetõen szükséges, hiszen a pár százalékos elõrejelzési hiba miatt vásárolt többlet energia, valamint visszaterhelés költsége igen magas, továbbá lényegesen magasabb büntetési költségekkel jár a fogyasztás túllépése.

Ezért nagyon fontosnak látjuk a lehetõ legpontosabb, szofisztikált, heurisztikus módszereken alapuló, neurális hálózattal történõ prognózis módszertan kialakítását.A hálózat tanítási folyamata alatt figyelembe kell venni a helyi viszonyokat, technológia függõségi, idõjárási, úgy mint hõmérsékleti esetleg nap fedettségi korrelációs tényezõket.

Mind a feljogosított fogyasztók, mind a kereskedõk számára a módszer használatával elért akár pár tized százalékos átlag hiba javulás hatalmas költség megtakarításokat jelent.

2. Termelés optimalizáció

A prognosztizált fogyasztási értékekre alapulóan az erõmûvekkel rendelkezõ piaci szereplõk számára felmerülõ igény, az elõírt termelési görbe összetevõinek, az egyes erõmûveknek pillanatnyi menetrendjének minél költséghatékonyabb optimalizálása.

Az egyes erõmûvek paramétereinek kibõvítésével (pl. indulási költség, maximális termelés, minimális termelés, termelt energia/ár, leállítási költség, minimális állási idõ, megújuló energia források prioritása stb.) nagyon bonyolult matematikai rendszert kapunk. Amely feladat megoldása modern matematikai eljárások, mesterséges intelligencia, Fuzzy rendszer bevezetése nélkül hatalmas erõforrás igényû, lassú, nagy hibájú és átláthatatlan.

A menetrend prognózishoz hasonlóan szintén hatalmas költségmegtakarítást, és a környezetvédelmi szempontok figyelembe vételét jelenti az erõmûvek optimális kihasználása.

Az eljárás segítségével a számítási paraméterek száma igen magassá tehetõ, amely tulajdonság segítségével kifinomult eredményeket kaphatunk az egyes termelõk hatékony mûködtetésére, figyelembe véve bonyolultabb tényezõket, mint például a környezetszennyezés után járó büntetés költségét, vagy éppen a megújuló energiaforrás használatával járó támogatások összegét.

3. Szerzõdéskezelés

A piaci szereplõk számának növekedésével az egymással kötött szerzõdések száma rohamosan meg fog növekedni. A jelenleg mérlegkörönként pár darabos szerzõdés szám jelentõsen megnõhet. Ezen szerzõdések feldolgozása, a kialakuló energia igény valós felmérése, átcsoportosítások, a szerzõdésben foglalt pénzügyi lehetõségek, büntetési ráták, vásárlási költségek, alulfogyasztási visszafizetési árak, idõbeli pénzügyi görbék optimális kezelése, a lehetõségek kiaknázása intelligens módszer nélkül elképzelhetetlen.

Az Egyetem tanszéke segítségével a matematikailag leírható szabályrendszereket, neurális hálózati modelleket, hibaszámítási eljárásokat egységes informatikailag implementálható metodikába foglaljuk össze. A matematikai eljárások elé grafikus felhasználói felületet (GUI) készítünk, amely segítségével az ember-gép kapcsolat kialakítható. A modell paraméterezése a GUI-n könnyen elvégezhetõ, és a számítások végeredménye grafikus görbe, illetve táblázatos formában megjelenítésre kerül.

A projekt elõzménye(i), a hazai, nemzetközi gazdasági és tudományos helyzet elemzése:

A magyarországi 2003 január 1-én megnyíló villamos energia, és ezt egy évvel követõ gáz piac nyitással a piaci résztvevõknek szükségessé vált a tevékenységüket támogató szoftverek használata.

A jelenleg elérhetõ liberális energia piaci szoftver rendszerek külföldi fejlesztésûek. Az adott területen már régebben lezajlott liberalizáció folyamatával fejlesztett alkalmazások. Ezen megoldások külföldi területeken több referenciával bírnak. Ezen referenciák alapján próbálnak a Magyarországon beruházó nemzetközi és magyar cégek dönteni. Az alkalmazások ára nagyon magas, és hazai adoptálásuk többször megoldhatatlan. Idegen nyelvezettel bírnak, egykori fejlesztõjük nagyon nehezen vagy egyáltalán nem elérthetõ. A legapróbb módosítási igény is igen nagy akadályokba ütközhet. Ezen alkalmazások többször is hazánkra nem jellemzõ körülményeket feltételez. Ilyen például a villamos energia iparban a szélerõmûvek kezelése, vagy a jelentõs és sajátosan kiaknázható vízi erõmûvek feltételezése. Adott esetben viszont nem paraméterezhetõ és nem szerepeltethetõ a nálunk döntõ atomerõmû.

Ezen problémákat az egyes cégek áthidalni kényszerültek. Sok helyen célszoftver nélkül, „kézzel” végzik el a mûködtetéshez szükséges rendszeres napi-, heti periódussal jelentkezõ számításokat. Ezen feladat igen idõ és ember igényes. A számítások hosszadalmasak, összetettek, nagy mennyiségû adatkezeléssel járnak. A kézi feldolgozásba könnyen hiba csúszhat, és ellenõrzõ rendszer híján a hiba az eredmények közt maradhat.

A prognózishoz jelenleg használt megoldások zömmel regresszión alapulnak. Ezen modellel rövid távú elõrejelzések végezhetõk. A regressziós hiba növekedésével a prognózis „elszáll”, a hiba a következõ értékhez adódik, és növelve annak eltérését.

Legalapvetõbb kiindulásnak az elõzõ hasonló idõszak értékeit veszik, és az ahhoz történõ hasonlóság mértékével módosítják az eredményt. Például a holnapi fogyasztás a tavalyi év ezen idõszakában vett adatokkal fog megegyezni, a tegnapi napra vett arányossági tényezõvel.

Az ilyen és effajta logikára épülõ megoldások hibaszázaléka igen nagy. A hiba helye nehezen meghatározható, és a hibából levont következtetés, azaz a tanulság nem vezethetõ vissza a rendszerbe. Tehát ugyan az a módszertani és számítási hiba újra és újra elõ fog jönni, azaz a rendszer nem tanul.

Ellentétben a jól szervezett adatbázissal rendelkezõ, elõzetes adat vizsgálaton átesett neurális hálózattal végzett prognózis tanítási folyamata állandó. A rendszer okul hibáiból és automatikusan újra tanul. A korrigált bemeneti adatokon az ismételt elõrejelzés gyorsan végrehajtható. Az adatok hitelességi és hihetõségi vizsgálaton esnek át kiszûrve az extrém eseteket. Ezzel az eljárással a hiba százalékos értéke jól korlátok között tartható, ami megbízhatóság elengedhetetlenül fontos.

A termelõi optimalizáció az átláthatósági kereteken belül a minden lehetségesnek gondolt helyzet árkalkulációjának összevetésével és az így legalacsonyabb költségûnek hitt eredmény alkalmazásával zajlik. Ezen eredmények számításakor sokszor nem kerül figyelembe vételre az eredményt befolyásolható paraméter, továbbá számítási idõ és erõforrás hiányában nem kerül mindem lehetséges eset feldolgozásra.

A heurisztikus módszerekkel további termelõi ill. vásárolt energia beszállítói összetevõ és arány 9kombinációjának feldolgozásával kedvezõbb eredményhez juthatunk.

A mesterséges intelligencia eszközök használatával lehetõség nyílik a liberalizált energia piac szereplõi számára egy megbízható, szofisztikus megoldást nyújtani. Az eljárással elért akár pár tized százalékos energia és költség megtakarítás is hatalmas összegeket jelent. Ezen felül elkerülhetõ a lekötött energia mennyiség túlfogyasztásból adódó büntetések igen magas kiadása. Ezen megtakarítások mivel százalékos formában jelentkeznek, annál nagyobb összegeket tesznek ki, minél nagyobb az egyes piaci kereskedõ cég energia forgalma, ill. feljogosított fogyasztó fogyasztása.

Az energia szektor üzemeltetésével kapcsolatos számítási eredményeken elért akár pár ezredes hiba javítás is arányaiban vett óriási költségmegtakarítást jelenthet az üzemeltetõnek. Érdemes belegondolni, hogy egyes erõmûvek optimális kihasználásával a teljes költség akár egy ezreléke mekkora összeg.

A kézzel elvégzett prognózisok, erõforrás optimalizációk statisztikus módszerekkel, emberi erõvel végzett számítások hibájához viszonyítva várhatóan akár egy-két százalékos javulás is elérhetõ mesterséges intelligencia használatával.

Továbbá projektünk, amellett hogy a nemzetközi szakmai életben is fellelhetõ fejlõdési folyamat szerves részeként is tekinthetõ, jelentõsen hozzájárul ügyfeleink szolgáltatási minõségének javulásához.

Elvégzendõ feladatok, tevékenységek és az alkalmazott módszerek ismertetése. A feladatok, tevékenységek egymáshoz való viszonya, egymásra épülési struktúrája:

Projektünk teljes életciklusa három fõ tevékenység mentén tagolható:

• Projekt elõkészítési szakasz

• Neurális hálózat kidolgozása, kutatási szakasz

• Fuzzy rendszer kidolgozása, kutatási szakasz

• Gyakorlati adaptáció munkaszakasza

• Kísérleti fejlesztés

1. Projekt elõkészítés

Ebben a szakaszban elsõként a projekt háttér rendszerét, valamint a résztvevõk egymás közötti kommunikációjának hatékonyabbá tételéhez szükséges Internetes felületeket alakítjuk ki. Üzembe állítjuk a projekt központi szerverét, a projekt honlapját, a levelezõ listát, valamint felinstalláljuk a szoftveres elemeket kezelõ CVS szervert, a projektfejlesztést és projektmenedzsmentet segítõ eszközöket.

Az ehhez szükséges szerver hardver és szoftver elemeit beszerezzük, a gépeket az MCG Europe Kft. irodájában üzembe helyezzük. A projekt 3 db fejlesztõi notebookját beszerezzük, a szükséges operációs rendszereket, és szerver kapcsolati szoftvereket feltelepítjük. A szükséges Internet kapcsolatokat kialakítjuk, felépítjük a felhasználói struktúrákat, kiosztjuk a jogosultsági jelszavakat.

A szakasz második részében az mesterséges intelligencia fejlesztési módszer alapjainak tekinthetõ technológiák, fejlesztõ környezetek vizsgálatát végezzük el. Az itt elvégzendõ munkák célja, hogy határozott véleményt alakítsunk ki az említett technológiák, környezetek elõnyeirõl, hátrányairól és körvonalazzuk a lehetséges fejlesztési lehetõségeket, fõbb irányvonalakat.

A megvizsgálandó eszközök, és azok együttmûködési lehetõségeinek feltérképezése a következõ rendszerekre,

• Fõbb operációs rendszerek (MsWindows 98, 2000, XP, legelterjedtebb Linux disztribúciók, RedHat, Mandrake, SuSE, Uhu, Debian)

• Fejlesztõi környezetek (Neural Networks Predict, MatLab, GAMS, Borland Delphi, Borland Kylix, Borland Builder, MsVisual C++)

• Adatbázis szerverek (MySQL, InterBase, MsSQL, Postgree Sql)

A fent említett szoftver rendszereket beszerezzük, a projekt számítógépeire telepítjük. Megvizsgáljuk egymásra építhetõségüket, az egyes rendszerek egymással való kompatibilitását. A szoftver piacon elérhetõ nagyobb volumenû termékek vizsgálatát el kell végezni, hiszen az egyes felhasználóknál ezek valamelyike üzemel vagy már megvásárlásra került és üzemelhet . Az elkészített alkalmazásunknak ezekhez az igényekhez igazodnia kell tudni.

Kiválasztjuk a projekt megfelelõ adatbázis szerverét, kiépítjük az adat struktúrákat. Kiválasztjuk a legmegfelelõbb fejlesztõi eszközt, mind az alkalmazásfejlesztés, mind a matematikai modellek kialakításához.

Eredmények:

• Fórum. A fontosabb problémák, témakörök megvitatása céljából egy-egy fórumot nyitunk.

• Levelezõlista. A napi kommunikáció alapvetõ eszköze.

• Távmunka támogatása: a fejlesztési munkák során elkészítendõ szoftveres elemeket és dokumentációkat egy Internetes, úgynevezett Konkurens Verzió Menedzsment – „CVS” rendszerben tároljuk. Ennek elõnye, hogy bárhonnan elérhetõ, így a partnerek számára is könnyen és folyamatosan használható.

• Kiválasztott és telepített fejlesztõi környezetek

Az eredmény viszonya más munkaszakaszokhoz:

A munkaszakaszban elkészített információs rendszer a projekt teljes életciklusára kihatással van, hiszen a mindennapi kommunikáció, a „nem helyhez” kötött fejlesztés lehetõsége és a folyamatos projektmonitorozás a projekt lezárásáig felhasznált eszközök lesznek.

2.Neurális hálózat kidolgozása, kutatás

Az elvégzendõ feladatokat az Egyetem és az MCG Europe Kft. közösen végzi el. A mélyebb elméleti hátteret igénylõ feladatok elemzése, irányelvek meghatározása elsõsorban az Egyetem és tudományos munkatársaink feladata, míg a gyakorlati alkalmazhatósági követelmények meghatározása és fejlesztések elvégzése az MCG Europe Kft. feladata.

Felépítünk különbözõ struktúrájú neurális hálózatokat, megállapítjuk a feladat elvégzéséhez szükséges neuron számot, a súlyozás típusát. Kialakítjuk a hálózat lehetséges bemeneti paramétereinek csoportját, és ajánlásokat készítünk az egyes fogyasztói csoportoknak a paraméter halmaz összeállítására. Úgy mint pl. mérlegkörbe tartozó összevonható közüzemi fogyasztók számára az átlag hõmérséklet, a naplefedettség, téli- nyári idõszámítás, naptípus, mint -ünnepnap, -munkanap, -hétvége. Extrém és szofisztikált esetben bevehetõk további paraméterek, mint pl. TV mûsor nézettségi adatok, szabadságolási idõszakok stb.

A hálót tanítjuk, és figyeljük a hiba csökkenést. Igyekszünk minél megfelelõbb és egyszerûen implementálható hálózatot kialakítani. Továbbá az igényelt számítási erõforrások, a számítási idõ csökkentésére törekszünk. Ehhez az optimális hálózat kialakítása, a minimálisan elégséges neuron szám és hálózati struktúra felépítésével jutunk el. A neuron hálózat súlyai tárolására a kiválasztott felhasználói adatbázis szerveren kialakítjuk az adatstruktúrát.

Eredmények:

• Prognózisra kialakított Neurális hálózat matematikai modell

• Neurális hálózat súlyai adatbázisban

• Dokumentált prognózis modell

Az eredmény viszonya más munkaszakaszokhoz:

A gyakorlati prognózis funkció adoptálásának alapja az ebben a munkaszakaszban kialakított elméleti rendszer, és neurális hálózat.

3. Fuzzy rendszer kidolgozása, kutatás

A kutatási szakasz közvetlenül a projekt elõkészítésre épül. Ebben a szakaszban az optimalizációs probléma megoldásakor használt Fuzzy rendszer technikájára alapuló módszer tanát és alapvetõ eszközeit alakítjuk ki.

Az elvégzendõ feladatokat az Egyetem és az MCG Europe Kft. közösen végzi el. A mélyebb elméleti hátteret igénylõ feladatok elemzése, irányelvek meghatározása elsõsorban az Egyetem és tudományos munkatársaink feladata, míg a gyakorlati alkalmazhatósági követelmények meghatározása és fejlesztések elvégzése az MCG Europe Kft. feladata.

Ebben a szakaszban kialakítjuk a Fuzzy szabályrendszert, lekódoljuk az algoritmust. Az optimalizációhoz minimálisan szükséges de elégséges szabályok megfogalmazása, Fuzzy halmazok és tagsági függvények felrajzolása.

A szabályok és görbék adatainak tárolására a felhasználói adatbázis szerverben kialakítjuk a kívánt relációs adatstruktúrát.

Eredmények:

• Optimalizációra kialakított Fuzzy rendszer matematikai modell

• Fuzzy szabályok adatbázisban

• Dokumentált optimalizációs modell

Az eredmény viszonya más munkaszakaszokhoz:

A gyakorlati optimalizáció funkció adoptálásának alapja az ebben a munkaszakaszban kialakított elméleti rendszer, és Fuzzy logikai szabályrendszer.

4. Gyakorlati adaptálás

Ebben a munkaszakaszban elsõként az elõzõ két kutatási munkaszakaszban létrehozott intelligens eszközöket specializáljuk a gyakorlati szoftverfejlesztés tevékenységeire. Kialakítjuk az elért matematikai eredmények alapján a modellek szoftveres moduljait, felhasználói felületét, adatmodelljét, üzleti logikáját, adatbázis struktúráját és a végleges felhasználó specifikus adatok adatbázisban történõ tárolását.

Az alkalmazás fejlesztésekor figyelembe vesszük az iparágban kialakult igények teljesítését, a külföldi rendszerek hátrányos és elõnyös funkcióinak ismeretébõl merített tapasztalatokat.

A rendszer felhasználói felületének és adatbázisának kialakításakor az alkalmazást több felhasználós, hálózati elosztott rendszerként is üzemeltethetõ rendszerként készítjük el, felhasználói jogosultságokkal ruházzuk fel.

Az egyes matematikai modellek implemetálását külön modulonként végezzük el. Az idõigényesebb számítások futását több szálon (thread) indítjuk el, és az észrevett hibás paraméterezésbõl fakadó felesleges számításokat megszakíthatóvá tesszük.

Az egyes modulokat egymástól függetlenül, önálló egységként alakítjuk ki, így lehetõvé téve a rendszer skálázását. A skálázhatósággal elérhetõ, hogy egyes felhasználók különbözõ kialakításban használják azt (pl. csak a prognózis modul kerül telepítésre).

A munkaszakasz második részében a kialakított mesterséges intelligens eszközökre és felhasználói felületre alapuló teljes demo alkalmazást fejlesztünk ki, és dokumentáljuk azt. A demo rendszerhez telepítõ készletet fejlesztünk. A telepítést teszteljük valamennyi felmerülõ operációs rendszeren és környezetben. A dokumentációt kontekszt függõ súgó formájában is elkészítjük. A demo alkalmazás használatával egybekötött komplett bemutató anyagot készítünk, és az adatbázist példa értékekkel töltjük fel. Ezen anyaggal felkészülünk a projekt különbözõ mûszaki fórumokon, kiállításokon, szemináriumokon való bemutatására.

A demo alkalmazás tervezett blokk vázlata:

A demo alkalmazáshoz elkészítjük a leggyakrabban felmerülõ adatformátumok import és export modulját. Úgymint Microsoft Excel, Access, ASCII text, dBase, Paradox, XML, SQL.

Ezen modulok segítségével a cégeknél már meglévõ folyamatirányító és adatgyûjtõ rendszerekhez kapcsolódhatunk, megoldva az alkalmazás számításaihoz szükséges adatfeltöltést, és a további külsõ feldolgozás adatszolgáltatását.

Eredmények:

• Demo alkalmazás

• Felhasználói dokumentáció

Az eredmény viszonya más munkaszakaszokhoz:

A kísérleti fejlesztés alapja az ebben a munkaszakaszban kialakított demo rendszer.

5. Kísérleti fejlesztés

A kísérleti fejlesztés során, egy gyakorlati példán alkalmazzuk a mesterséges intelligencia módszert, a felhasználási tanácsokat és a kialakított struktúrát. Ebben a munkaszakaszban egy valóságos felhasználó számára tanított éles rendszer elkészítése a cél, a korábbi munkaszakaszokban kidolgozott eljárások szerint.

A kísérleti fejlesztésnek szimulálnia kell a gyakorlati életben tapasztalható eseteket, úgymint menetrendek, prognosztizálandó adatmennyiség és görbeformátum, optimalizálandó termelõ egységek száma, és az egységek jellemzõi szerint., és nem utolsó sorban azok szerzõdései alapján. Elvégezzük a rendszer élesítését a valós piaci mozgásokra. Fogyasztók szerzõdés felbontására és kötésére, árfolyam alakulásra, új technológiai függõségi paraméter futás idejû bevezetésére, termelõ kiesésre stb.

A szakasz célja, hogy felmérje és összegezze a projekt során elért eredményeket, valamint összevesse a projekttervben megfogalmazottakkal.

Létrehozzuk a végsõ értékelõ dokumentációt, ami tömören taglalja:

• a kiindulási problémát

• az elõrevetített célt

• a cél eléréséhez szükséges munkaszakaszok követelményeit és a megvalósult eredményeket

• az összegzést a projekt egészét tekintve

• ajánlásokat a továbbfejlesztéshez illetve módosításokhoz

A disszemináció keretében elsõként a külsõ látogató számára is elérhetõvé tesszük a projekt teljes honlapját, és az elkészült demo rendszert. Másodsorban a létrejövõ technológiát „finoman” beharangozzuk azokon a magyar és nemzetközi fórumokon és mûszaki csoportok körében, akik érdekeltek lehetnek a projekt témakörében. Az érdeklõdõk számára bemutatókat és konzultációkat szervezünk. Harmadsorban pedig beépítjük a projekt nevét és eredményeit cégünk mindennapi marketingjébe.

Eredmények:

• Egy elkészült, tesztelt éles alkalmazás

• Értékelõ dokumentáció

Az eredmény viszonya más munkaszakaszokhoz:

A kísérleti fejlesztés eredménye alapvetõen hozzájárul a projekt egészének értékeléséhez, hiszen ebben a szakaszban tudjuk igazi éles ipari körülmények között alkalmazni az intelligens módszert.

Mutassa be projekt keretében a rendelkezésre álló erõforrásokat:

MCG Europe Kft. részérõl:

• 4 fõ teljes munkaidejû, tapasztalt fejlesztõ

• Halásztelki székhely iroda

• Bp., XI. Ker. Etele tér 4 szám alatt bérelt irodai helység

• Meglévõ számítástechnikai és irodai eszközpark

• Szélessávú Internet elérés

Az MCG Europe Kft-nek a projekttel kapcsolatban szabadalma, bejelentett, vagy oltalmi eljárás alatt lévõ szellemi alkotása nincs.

Egyetem részérõl:

• Az Egyetem eszköztára, és szellemi erõforrásai

• A tanszék által biztosított 2 fõ munkatárs

Az Egyetem munkatársai a projekt matematikai modelljeivel kapcsolatban számos publikációval bírnak.

A projekt pénzügyeit, könyvelési feladatait végzõ pénzügyi szakértõ.

A projekt eredménye, hasznosulása, a piaci kereslet várható alakulása:

Projektünk folyamán létrehozandó MCG Europe Kft. mesterséges intelligens eszközeit és módszereit a piaci kereslet szempontjából a következõképpen vizsgálhatjuk:

A feladat sorszáma: 1

Résztvevők (pl. bevont alvállalkozók, külföldi partnerszervezetek):

MCG Europe Kft.

Pénzügyi szakértő

A feladat célkituzése(i):

• A projekthez szükséges hardver és szoftver eszközök beszerzése, élesztése

• A projekt Internetes információs és fejlesztési hátterének kiépítése

Az elvégzendó munka leírása (nevesítve az egyes résztvevők feladatait):

Hardveres és Internetes háttérrendszer kiépítése (Munkát végző: MCG Europe Kft.)

• A központi szerver gép (hardver) beszerzése és üzembe helyezése

• CVS szerver beüzemelése

• projekt honlapjának felállítása

• levelezőlista létrehozása

A fejlesztői környezetek telepítése és feltérképezése (Munkát végző: MCG Europe Kft.)

• operációs rendszerek - Linux disztribúciók, MsWindows 98, 2000, XP

• fejlesztői környezetek - Neural Networks Predict, MatLab, GAMS, Borland Delphi, Borland Kylix, Borland Builder, MsVisual C++

• adatbázis szerverek - MySQL, InterBase, MsSQL, PostgreeSql

Pénzügyi-, könyvelési feladatok (Munkát végző: Pénzügyi szakértő )

A feladat elvégzésével elért eredmények felsorolása, a dokumentálás formája:

Eredmény:

• Internetes háttérrendszer felállítva. Az installált komponensek elérhetőek a http://www.mcgeurope.hu/kutatas URL címen.

• kompatibilitási és futtathatósági környezet ismertetése a tesztfeladatok alapján

Dokumentálás:

• online (a honlapról elérhető) tömör felhasználói dokumentáció az Internetes háttérhez

• értékelő dokumentáció az egyes kompatibilis operációs rendszerek, adatbázisok elonyeiről, hátrányairól, lehetőségekről, veszélyekről és a lehetséges továbbfejlesztési pontok megadásával (a honlapról elérhető)

A feladat sorszáma: 2

Résztvevok (pl. bevont alvállalkozók, külföldi partnerszervezetek):

MCG Europe Kft.

Egyetemi tanszék

Pénzügyi szakértő

A feladat célkitűzése(i):

• Neurális hálózat matematikai modell elkészítése

Az elvégzendő munka leírása (nevesítve az egyes résztvevők feladatait):

Neurális hálózat felépítése (Munkát végző: MCG Europe Kft., Egyetem)

• Neurális hálózat architektúrájának kialakítása

• Neurális hálózat súlyainak tárolása SQL alapú relációs adatbázis szerverben

• Neurális modell dokumentálása

Az elvégzendő feladatokat az Egyetem és az MCG Europe Kft. közösen végzi el. A mélyebb elméleti hátteret igénylo feladatok elemzése, irányelvek meghatározása elsosőrban az Egyetem feladata, míg a gyakorlati alkalmazhatósági követelmények meghatározása és fejlesztések elvégzése az MCG Europe Kft. -é.

Pénzügyi-, könyvelési feladatok (Munkát végző: Pénzügyi szakértő )

A feladat elvégzésével elért eredmények felsorolása, a dokumentálás formája:

Eredmény:

• Kialakított a prognózisra képzett neurális hálózati architektúra, ki- és bemeneti rétegek, valamint rejtett rétegek

• A hálózati súlyok tárolására alkalmas relációs adatbázis struktúra

Dokumentálás:

• A neurális hálózattal végzett prognózis módszerének lényegét és elméleti hátterét ismertető online (a honlapról elérhető) dokumentáció

A feladat sorszáma: 3

Résztvevők (pl. bevont alvállalkozók, külföldi partnerszervezetek):

MCG Europe Kft.

Egyetemi tanszék

Pénzügyi szakértő

A feladat célkitűzése(i):

• Fuzzy rendszer, halmazok, tagsági függvények és szabályrendszerek, matematikai modelljének elkészítése

Az elvégzendő munka leírása (nevesítve az egyes résztvevok feladatait):

Fuzzy logikai rendszer felépítése (Munkát végző: MCG Europe Kft., Egyetem)

• Fuzzy rendszer kialakítása

• Fuzzy tagsági függvények tárolása SQL alapú relációs adatbázis szerverben

• Fuzzy modell dokumentálása

Az elvégzendő feladatokat az Egyetem és az MCG Europe Kft. közösen végzi el. A mélyebb elméleti hátteret igénylő feladatok elemzése, irányelvek meghatározása elsosorban az Egyetem feladata, míg a gyakorlati alkalmazhatósági követelmények meghatározása és fejlesztések elvégzése az MCG Europe Kft.- é.

Pénzügyi-, könyvelési feladatok (Munkát végző: Pénzügyi szakértő )

A feladat elvégzésével elért eredmények felsorolása, a dokumentálás formája:

Eredmény:

• Kialakított termeloi optimalizációra alkalmas Fuzzy rendszer

• A Fuzzy tagsági függvények tárolására alkalmas relációs adatbázis struktúra

Dokumentálás:

• A Fuzzy logikával végzett optimalizációs módszer lényegét és elméleti hátterét ismertető online (a honlapról elérhető) dokumentáció

A feladat sorszáma: 4

Résztvevok (pl. bevont alvállalkozók, külföldi partnerszervezetek):

MCG Europe Kft.

Pénzügyi szakértő

A feladat célkituzése(i):

• Matematikai modellek szoftveres moduljainak, felhasználói felületnek, adatbázis architektúrának, adat- import, export modulok fejlesztése

• Telepítheto demo alkalmazás kialakítása

Az elvégzendő munka leírása (nevesítve az egyes résztvevők feladatait):

Szoftver modulok fejlesztése (Munkát végző: MCG Europe Kft.)

• A kutatás fázisban létrejött prognózis-, optimalizációs- és szerzodéskezelési matematikai modellek szoftveres futtatható moduljainak fejlesztése

• Felhasználói felület tervezése és kifejlesztése

• Adatbázis struktúra kialakítása

• Adat import és export modulok fejlesztése

Pénzügyi-, könyvelési feladatok (Munkát végző: Pénzügyi szakértő )

A feladat elvégzésével elért eredmények felsorolása, a dokumentálás formája:

Eredmény:

• Telepítheto, példa adatbázissal feltöltött bemutatásra alkalmas demo rendszer

Dokumentálás:

• A honlapról letölthető demo alkalmazás telepítő készlete

• Az alkalmazás felhasználói és adminisztrátori online (a honlapról elérheto) kézikönyvei

A feladat sorszáma: 5

Résztvevők (pl. bevont alvállalkozók, külföldi partnerszervezetek):

MCG Europe Kft.

Pénzügyi szakértő

A feladat célkituzése(i):

• Egy éles üzemre felkészített rendszer összeállítása, valós adatokkal

• Éles üzem tesztek

Az elvégzendő munka leírása (nevesítve az egyes résztvevok feladatait):

Szoftver modulok paraméterezése, testreszabás (Munkát végző: MCG Europe Kft.)

• Felhasználói felület testreszabása

• Import funkció paraméterezése, adatbázis feltöltése

• Éles üzemi vizsgálatok, hibaszámítás

Pénzügyi-, könyvelési feladatok (Munkát végző: Pénzügyi szakértő )

A feladat elvégzésével elért eredmények felsorolása, a dokumentálás formája:

Eredmény:

• Éles üzemi muködés

Dokumentálás:

• A honlapról letölthető referencia alkalmazás leírása, paraméterek