Материал: Оптимизация и моделирование в автоматизированных системах

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный технический университет»

ОПТИМИЗАЦИЯ И МОДЕЛИРОВАНИЕ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ

Труды Международной молодежной научной школы

(г. Воронеж, 23-24 октября 2019 г.)

Воронеж 2019

1

УДК 658.51.002.011.56.001.2(06) ББК 65.05я4

О-267

Оптимизация и моделирование в автоматизированных системах:

труды Международной молодежной научной школы; ФГБОУ ВО «Воро- О-267 нежский государственный технический университет». – Воронеж: Изд-во

ВГТУ, 2019. – 257 с.

ISBN 978-5-7731-0832-0

Сборник материалов молодежной научной школы посвящен вопросам математического обеспечения автоматизированных систем проектирования, управления, научных исследований и обучения. В статьях сборника рассматривается широкий круг проблем, связанных как с теоретическими задачами проектирования сложных систем, так и с вопросами разработки и внедрения автоматизированных систем в промышленное производство.

Материалы сборника соответствуют научному направлению «Интеллектуальные информационные системы» и перечню критических технологий Российской Федерации, утвержденному Президентом Российской Федерации.

Сборник будет полезен специалистам, занимающимся вопросами разработки математического, алгоритмического и программного обеспечения автоматизированного проектирования, обучающих и экспертных систем.

Рецензенты: кафедра теории вероятностей и анализа данных ФГБОУ ВО «Петрозаводский государственный университет» (зав. кафедрой д-р техн. наук, проф. А. А. Рогов);

А. П. Преображенский, д-р техн. наук, проф. Воронежского института высоких технологий

Печатается по решению научно-технического совета Воронежского государственного технического университета

ВВЕДЕНИЕ

Качество функционирования, повышение эффективности и надежности систем автоматизированного проектирования, систем управления технологическими процессами, информационно-вычислительных и экспертных систем базируются на системном подходе с использованием алгоритмов принятия оптимальных решений, а также современных методов обработки различных типов информации. В связи с этим актуальны адаптация существующих универсальных подходов к изучению моделей предметных областей и формирование соответствующего алгоритмического и программного обеспечения для решения конкретных инженерных задач. Важным этапом синтеза является тестирование, экспериментальное исследование с выявлением адекватности используемых моделей.

Материалы, включенные в сборник научной школы, посвящены разработке перечисленных теоретических проблем, их прикладных аспектов, анализу результатов их внедрения в различные области производства и образования.

3

УДК 004.6

Г.И. Асунин

ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ В ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ ДАННЫХ

Интеллектуальный анализ данных (Data Mining) Г.И. − это термин, придуманный для описания процесса отсеивания больших и сложных баз данных для определения допустимых, новых, полезных и понятных моделей и взаимосвязей [1]. Интеллектуальный анализ данных предполагает вывод алгоритмов, которые исследуют данные, разрабатывают модель и обнаруживают ранее неизвестные закономерности. Построенная модель используется для понимания явлений на основе данных, анализа и прогнозирования.

Однако модель исследуемого объекта или явления не всегда может быть построена с использованием строго аналитических выражений. Одной из причин является наличие нечетких и приближенных рассуждений при описании человеком процессов, систем и объектов. В этом случае в анализе данных используется аппарат нечеткой логики.

Нечеткая логика − тип логики, который распознает больше, чем просто истинные и ложные значения. С нечеткой логикой суждения могут быть представлены со степенями правдивости и лжи, таким образом, они могут иметь дело с неточными или неоднозначными данными [2]. Частным случаем нечеткой логики считается булева логика.

Нечеткая логика использует нечеткие множества, определяемые функциями принадлежности в логических выражениях, для определения степени, в которой объект принадлежит множеству. По сути, построение системы нечеткой логики состоит из трех основных этапов: фаззификации, построение базы знаний и дефаззификация. Фаззификация (Fuzzification) − это процесс преобразования четких значений в нечеткие значения (например, low, medium, high). Каждая лингвистическая переменная после сопоставления может иметь значения разностных функций принадлежности для разных лингвистических терминов, она нарушает традиционную двоичную логику, что событие может принадлежать или не принадлежать к категории. База знаний построена по серии правил «ЕСЛИ-ТО». После нечеткого и нечеткого вывода каждое входное значение будет иметь соответствующее значение для каждого лингвистического члена выходной переменной. Процесс преобразования нечетких значений в соответствующее четкое значение называется дефаззификацией (defuzzificaiton). В основном это состоит из двух основных шагов. На первом этапе определяется репрезентативное значение для каждого термина в лингвистической переменной. На втором этапе вычисляется лучшее четкое значение для лингвистического результата. Тем не менее, он дает только предсказанные значения случай-

4