2012

Предлагаемая модель оценки риска обладает следующим достоинством. Исходя из заданной оценки риска R , можно подобрать веса или степени риска факторовxk , что позволит сбалансировано распределить усилия по модернизации ТС.

Пример программы по Алгоритму 9.2

Шаг 1. Совпадает с действиями Алгоритма 9.1 – Шаг 1 – Шаг 2.

Шаг 2. Получение матрицы корреляций функций риска и значимости

расчетом произведения треугольных нечетких чисел (Шаг 3,

Шаг 3. Оценка рисков факторов с использованием весовых коэффи-

циентов характеристик риска и значений из Μ по индексам

пары (r,i)( k ) .

jk

Развернутый демо-пример оценки риска факторов с использова-

нием данных матрицы M и весов W:

P0 := W10, 0 M2 , 5 + W10, 1 M4, 0

P1 := W11, 0 M1, 5 + W11, 1 M4, 6 + W11, 2 M3, 2 + W11, 3 M5, 6

Вектор оценок риска факторов:

0.178

P =

0.448

Процедурная реализация расчета вектора оценок риска:

91

Pf := k ← length (W2) − 1 for i 0.. k

s ← cols(RIi) − 1 Pi ← 0

for j 0.. s

v ← (RIi) j

Pi ← Pi + (W1i, j M v0 , v1)

return P

Проверка аналогичности результата:

Шаг 4. Конечная оценка риска факторов, рассчитанная с исполь-

зованием весовых коэффициентов характеристик риска:

W2T Pf = 0.344

Примечание. Для сравнения смотрим результат Алгоритма 9.1:

Centroid(Mrx, Nr) = 0.343

Практическое задание: получить решение по алгоритму упрощенной оценки риска модернизации сложной технической системы. Использовать сведения теории раздела 9.2 и пример Алгоритма 9.2. Работа выполняется с использованием входного языка программирования пакета MathCad.

Содержание задания: получить от преподавателя вариант исходных данных ТС по табл. 9 – 11. Выполнить расчет риска по полученному частному варианту иерархии фактов модернизации ТС (рис. 21). За основу Шага 1 используйте корректно доработанные по Алгоритму 9.1 Шаги 1 – 2, вводя необходимое количество пар лингвистических оценок риска и значимости по каждому фактору, а также корректируя векторы W1, W2 согласно размерности характеристик и факторов системы.

Результат практики: нечеткая оценка риска модернизируемой системы. Описание основных этапов алгоритма с результатом решения. Сделать вывод по работе о сущности упрощения в сравнении с Алгоритмом 9.1.

Контрольные вопросы

1.Какая система способна принять на входе результат оценки риска?

2.Дать определение детерминированных и стохастических ТС.

3.В чем отличие формулы для формирования матрицы оценок лингвистической зависимости риска и значимости характеристик факторов в базовом и упрощенном алгоритме?

92

Заключение

В пособии были рассмотрены теоретические основы и практические алгоритмы по базовым направлениям развития интеллектуальных технологий. Основные из них — это синтез знаний и содействие принятию решений. Синтез многомерных нечетких принадлежностей индуктивно обобщает числовые факторные пространства в системы правил, что соответствует построению решателя уже в новом пространстве логических следований, а это полноценная формула знаний на импликативной основе. В свою очередь расчет по принятию решений начинается с подготовки дедуктивного уровня познаний в форме нечеткой корреляции противоположных характеристик. Все это примеры продукции логического знания как современной основы искусственного интеллекта. Интересующийся развитием интеллектуальных технологий читатель может в дальнейшей своей практике встретить некоторое множество приемов построения логических конструкций и способы их внедрения в ход решения. Опыт, полученный при помощи данного издания, будет способствовать определению основных базовых элементов фактически в любой по уровню сложности схеме, пониманию ее работы и перспективы развития. Пройденный материал содействует поддержке инициативы создания собственных комбинаторных схем с элементами логического решения или полностью подчиненных формуле представления знаний. Например, навыки синтеза функций принадлежности, их параметризация, а также способы регулирования весовых коэффициентов (подобные в оценке риска) – это очень важная технологическая надстройка нейрологических систем, где логическими посылками базы знаний являются параметрические функции, а актуальность решений по основным направлениям знаний регулируется настройкой весов. Также нужно учитывать еще и перечень технологий, требующий получения знаний в координатных пространствах признаков и состояний способом на основе синтеза без участия учителя. Рассмотренные в связи с этим вопросы удовлетворяют потребностям развития современных технологий управления объектами и принятия решений, включая неинженерные прикладные области профессиональной деятельности.

93

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Основная литература

1.Бенькович Е. Практическое моделирование систем. – СПб. : 2002. – 464 с.

2.Бочков А.П. Модели и методы управления развитием технических систем : учебное пособие. – СПб. : Союз, 2003. – 288 с.

3.Гущин А.В., Тюмиков Д.К. Системное моделирование в условиях лингвистической неопределенности : лабораторный практикум для студентов по дисциплине «Системы искусственного интеллекта». – Самара : СамГУПС,

2009. – 68 с. ил.

4.Дьяконов В., Круглов В. MATLAB. Анализ, идентификация и моделирование систем: специальный справочник. – СПб. : Питер, 2003. – 448 с.

5.Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. – СПб. : БХВ – Петербург, 2005. – 736 с. ил.

6.Орлов А.И. Теория принятия решений : учебное пособие. – М. : Март, 2004. – 496 с.

7.Штовба С.Д. Проектирование нечетких систем средствами MATLAB. – М. :

Телеком, 2007. – 228 с. ил.

Дополнительная литература

1.Введение в математическое моделирование : учеб. пособие для вузов / под ред. П.В. Тарасова. – М. : Интермет Инжиниринг, 2000. – 200 с.

2.Дружинина О.Г. Моделирование систем : курс лекций. Ч.2. – Екатеринбург : Издательство УМЦ УПИ, 2003. – 103 с.

3.Рассел С., Норвиг П. Искусственный интеллект. Современный подход : пер. с

англ. – 2-е изд. – М. : Вильямс, 2007. – 1408 с.

4.Советов Б.Я., Яковлев С.А. Моделирование систем : учеб. для вузов. – 3-е изд., перераб. и доп. – М. : Высш. шк., 2001. – 343 с. ил.

5.Тарасик В.П. Математическое моделирование технических систем : учебник для вузов. – М. : Наука, 1997. – 600 с.

94

Приложение 1

ПРОЦЕДУРА НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ С-СРЕДНИХ

Вход: X - координаты; c – число центров; Iter – число итераций; ε - точноcть приближения к центру; m – экспоненциальный вес.

FCL( X , c , Iter , ε , m) := N ← last (X 0 ) c ← c − 1

for k 0.. N for i 0.. c

Fk , i ← rnd (1) c_it ← 0

while 1

for i 0.. c

Выход: Fn – матрица принадлежностей к кластерам; V – координаты центров.

95