Применение возможностей нечетких множеств для решения задач прогнозирования и оптимизации
Автор: Кондратьева О.В., Петухова М.В., Щедрина Е.В.
Журнал: Международный журнал гуманитарных и естественных наук @intjournal
Рубрика: Экономические науки
Статья в выпуске: 3-3 (66), 2022 года.
Бесплатный доступ
В статье приведено понятие нечеткой логики и основные этапы ее развития. Представлено описание и структура нечеткой системы решения задачи принятия решения на основе аппарата нечеткой логики, в программном продукте MATLAB Fuzzy Logic Modeler, поясняются основные этапы прохождения входных параметров в системе для решения определенной задачи с целью прогнозирования значения выходного параметра. Авторами приводятся примеры использования нечеткой логики в современном мире.
Обработка данных, нечеткая логика, нечеткие множества, прогнозирование, оптимизация, экспертная система
Короткий адрес: https://sciup.org/170193216
IDR: 170193216
Текст научной статьи Применение возможностей нечетких множеств для решения задач прогнозирования и оптимизации
Решение задач оптимизации и прогнозирования результатов для последующего принятия управленческих решений на основе математического аппарата обусловлено их сложной формализацией и необходимостью построения аналитических моделей, что неизбежно приводит к затрачиванию временных и материальных ресурсов [1, 2, 3, 4]. Очень часто решение подобных задач лежит на поверхности и связано с применением субъективных представлений человека о процессах проблемной области и обработкой абстрактных сведений о решаемой задаче.
Нечеткая логика появилась в 1965 году, и была разработана профессором Лотфи Заде в Калифорнийском университете в Беркли. Состояниями нечеткой логики могут быть не только 1 или 0, но и значения между ними, то есть 0.15, 0.8 и т.д. Ее аппарат оперирует не только двумя крайними состояниями «да» и «нет», но также «конечно, да», «возможно, нет», «затрудняюсь сказать», «низкая», «высокая», «стабильный», «редкий» и т.д. Применение аппарата нечеткой логики позволило моделировать системы управления, функционирующие на основе нестрогих рассуждений на естественном человеческом языке для принятия решений в условиях неопределенности [5, 6, 7].
Предлагается рассмотреть компьютерную модель экспертной информационной системы, позволяющей прогнозировать результаты обучения по программам дополнительного профессионального обучения слушателей курсов в электронных образовательных средах.
Содержательная интерпретация нечеткой модели предполагает выбор и спецификацию входных и выходных переменных соответствующей системы нечеткого вывода. При этом в нечеткой модели предполагается использование 8 входных переменных и 1 выходную переменную.
На формирование результатов обучения, оказывает влияние множество внешних и внутренних слабо формализованных факторов, таких как дисциплина, организованность, самостоятельность, самоконтроль, посещаемость, своевременность сдачи промежуточного контроля, внимательность, активность в электроннообразовательной среде и многие другие.
В качестве основы для компьютерной модели прогнозирования результатов обучения использован аппарат нечеткой логики и механизм нечеткого вывода в среде Fuzzy Logic MATLAB.
Результатом деятельности компьютерной модели является четкое числовое прогнозное значение результатов обучения, которое может быть интерпретировано в значения: «неудовлетворительно», «удовлетворительно», «хорошо», «отлично».
B редакторе FIS определены 8 входных переменных с именами, соответствующими входам функциональной модели, и 1 выходная переменная.
При построении нечеткой модели прогнозирования успеваемости студентов было сделано предположение о том, что все рассматриваемые переменные измеряются в баллах в интервале действительных чисел от 0 до 10. При этом самая низкая оценка значения каждой из переменных является 0, а самой высокой - 10.
Для каждой входной лингвистической переменной были заданы терм-множества в диапазоне от 0 до 10, а для выходной от 0 до 100%.
В качестве терм-множества первой входной переменной «Посещаемость лекционных занятий» использовано множество Т1 = {«отличная», «хорошая», «средняя», «плохая»}.
В качестве терм-множества второй входной переменной «Посещаемость лабораторных и практических занятий» использовано аналогичное множество Т2 = {«отличная», «хорошая», «средняя», «плохая»}.
В качестве терм-множества третьей лингвистической переменной «Активность в электронной образовательной среде» задано множество Т3 = {«отличная», «хорошая», «средняя», «плохая»}.
В качестве терм-множества четвертой лингвистической переменной «Выполне- ние и защита практических работ» задано множество Т4 = {«досрочное», «своевременное», «несвоевременное»}.
В качестве терм-множества пятой лингвистической переменной «Подход к самостоятельной работе» задано множество Т5 = {«ответственный», «более-менее», «безответственный»}.
В качестве терм-множества шестой лингвистической переменной «Выполнение отчетных работ» задано множество Т6 = {«досрочное», «своевременное», «несвоевременное»}.
В качестве терм-множества седьмой лингвистической переменной «Интерес к программе ДПО» задано множество Т7 = {«высокий», «более-менее», «низкий»}.
В качестве терм-множества восьмой лингвистической переменной «Опоздания» задано множество Т8 = {«регулярные», «частые», «редкие», «не случаются»}.
В качестве терм-множества выходной лингвистической переменной «Прогнозное значение успеваемости студентов» задано множество Т9 = {«отлично», «хорошо», «удовлетворительно», «неудовлетворительно»}.
Для выходной переменной Т9 - «Прогнозное значение результатов обучения» = {Неудовлетворительно; Удовлетворительно; Хорошо; Отлично} терм-множество будет иметь диапазоны значений Неудовлетворительно = [0; 50]; Удовлетворительно = [50; 65]; Хорошо = [65; 85]; Отлично = [85; 100] (рис. 1).

Рис. 1. Терм-множества для переменной Т9
На основе обработанных экспертных данных анкетирования педагогов сформирована база правил в количестве 100, которая введена через редактор FIS. На ос- нове которой получен нечеткий вывод по алгоритму Мамдани в виде, представленном на рисунке 2.

Рис. 2. Компьютерная модель нечеткой системы
Представленная модель позволяет изменять значения входных переменных в ходе учебного взаимодействия, и, с учетом базы правил лингвистических переменных, видеть прогнозное значение результатов обучения для каждого обучающего- ся, что впоследствии дает возможность применять полученный результат для корректировки образовательной территории, оптимизации учебного процесса и принятия персональных решений.
Описанный подход к моделированию может быть положен в основу для разработки нечетких информационных систем в различных сферах, в том числе и в сфере АПК, а возможными вариантами применения аппарата нечетких множеств могут быть анализ и прогнозирование урожайности сельскохозяйственных культур, молочной продуктивности крупного рогатого скота, для решения задач автоматизации технологических процессов сельского хозяйства, оценки инвестиционных рисков сельскохозяйственных объектов и проектов в АПК, энергообеспечения и электроснабжения сельскохозяйственных предприятий.
Список литературы Применение возможностей нечетких множеств для решения задач прогнозирования и оптимизации
- Бутузов А.Е. Влияние укрывания на эффективность производства раннего картофеля в московской области / А.Е. Бутузов, И.Н. Гаспарян, М.Е. Дыйканова, О.Н. Ивашова // Международный технико-экономический журнал. - 2018. - № 3. - С. 15-20.
- EDN: XVLVCH
- Хворова Л.А. Использование информационных технологий при прогнозировании урожайности зерновых культур / Л.А. Хворова, В.М. Брыксин, Н.В. Гавриловская // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. - 2009. - №5 (86). - С. 23-30.
- EDN: KZJEUB
- Петухова М.В. Применение технологии блокчейн для цифровых решений в АПК // В сборнике: ДОКЛАДЫ ТСХА. Сборник статей. Выпуск 293. - 2021. - С. 257-259.
- Кондратьева О. В. Системное моделирование при проведении мониторинга атмосферного воздуха / О. В. Кондратьева, О. С. Симонович // Вестник Научно-методического совета по природообустройству и водопользованию. - 2018. - № 11. - С. 134-144.
- EDN: XRZHAT
- Лосев А.Н. Возможности применения энергоаккумулирующих установок в обогреве сельскохозяйственных помещений / А.Н. Лосев, М.С. Никаноров, Е.В. Щедрина // Международный технико-экономический журнал. - 2018. - № 4. - С. 51-57.
- EDN: YOFNID
- Проснякова Е.В. Модель нечеткой информационной системы оценки инвестиционной привлекательности экономических проектов в АПК с учетом влияния геофакторов // Вестник Федерального государственного образовательного учреждения высшего профессионального образования "Московский государственный агроинженерный университет имени В.П. Горячкина". - 2008. - №5-2 (30). - С. 43-46.
- EDN: TPNGVP
- Проснякова Е.В. Обоснование методики оценки инвестиционной привлекательности экономических объектов АПК с учетом влияния инвестиционного климата // Вестник Федерального государственного образовательного учреждения высшего профессионального образования "Московский государственный агроинженерный университет имени В.П. Горячкина". - 2008. - №5-1 (30). - С. 93-96.
- EDN: JTYPUH