Оптимизация функциональных структур угольных кластеров (многофункциональных шахтосистем) Текст научной статьи по специальности «Экономика и бизнес»

УДК 622.33.013.3 © Е.Н. Якунчиков, В.В. Агафонов, 2018

Оптимизация функциональных структур угольных кластеров (многофункциональных шахтосистем)

DOI: http://dx.doi.org/10.18796/0041-5790-2018-9-64-69

ЯКУНЧИКОВ Евгений Николаевич

Главный специалист отдела стратегического и текущего планирования АО «СУЭК», 115054, г. Москва, Россия, e-mail: [email protected]

АГАФОНОВ Валерий Владимирович

Доктор техн. наук,

профессор кафедры «Геотехнологии освоения недр»

Горного института НИТУ «МИСиС»,

119049, г. Москва, Россия,

тел.: +7 (499) 230-94-66,

e-mail: [email protected]

Рассмотрена процедура обоснования, выбора и оптимизации функциональных структур угольных кластеров (мно-гофункциональны>1х шахтосистем) на основе когнитивного моделирования, которое подразумевает генерацию и проверку гипотез о формировании устойчивой функциональной структурыI с учетом фактора неопределенности и риска. В РОН-глоссарии приведеныi основны/е базовы/е понятия предлагаемого алгоритма для построения заявленной модели оптимизации. В рамках решения поставленной задачи предложен аппарат соединения теории нечетких множеств и элементов когнитивного моделирования с использованием фрагментов так назы/ваемы/х «мягких» вы/числений (Soft Computing) в рамках системного подхода. Ключевые слова: оптимизация, угольный кластер, многофункциональная шахтосистема, функциональная структура, когнитивное моделирование, концепт, нечеткие множества, нечеткая когнитивная карта.

ВВЕДЕНИЕ

Обоснование, выбор и оптимизация функциональных структур многофункциональных шахтосистем имеют ряд специфических аспектов, которые необходимо учитывать при процедуре оптимизации. Во-первых, технологические системы многофункциональных шахтосистем отличаются многооперационностью и взаимосвязанностью функционирования подсистем, входящих в них, поэтому все происходящее внутри системы необходимо рассматривать с позиций системного и комплексного подходов. Во-вторых, как правило, отсутствует полная и достоверная информация о динамике происходящих рабочих операций и процессов, что в конечном итоге формирует стохастическую степень неопределенности и риска при осуществлении производственно-хозяйственной деятельно-

сти. В-третьих, построение количественных математических моделей, формально описывающих те или иные производственные процессы, всегда вызывает определенные затруднения, что связано в основном с нестационарностью самих процессов и сложными законами распределения функциональных характеристик.

Вышеизложенное диктует необходимость учета аспекта рассмотрения и обеспечения устойчивого функционирования и развития функциональных структур многофункциональных шахтосистем - sustainable development. Наиболее подходящее формальное определение устойчивости применительно к технологическим системам многофункциональных шахтосистем можно формализовать в следующей интерпретации: «устойчивость - это способность системы функционировать в состояниях, близких к равновесным, в условиях постоянных внешних и внутренних возмущающих воздействий». С позиций математического исследования устойчивости она подразделяется на классическую и структурную, которые раздельно описываются математическими моделями дифференциальных или разностных уравнений с позиций асимптотической устойчивости. Классическое понятие устойчивости базируется на учете изменения окружающей среды функционирования, а структурное понятие учитывает дополнительно изменения, происходящие внутри системы.

ФУНКЦИОНАЛЬНЫЕ СТРУКТУРЫ УГОЛЬНЫХ

КЛАСТЕРОВ

Анализ подходов к формированию устойчивых функциональных структур в условиях слабоструктурированных проблем сложных технологических систем, к которым с полным основанием можно отнести и многофункциональные шахтосистемы, показал, что наиболее приемлемым является когнитивный подход, который на протяжении длительного промежутка времени успешно и целенаправленно развивается в Институте проблем управления РАН [1, 2, 3, 4, 5]. Процесс моделирования и основные итерации формирования устойчивой функциональной структуры технологических систем с позиций когнитивного подхода формально описываются следующим укрупненным алгоритмом (рис. 1).

При этом подразумевается, что основной целью когнитивного моделирования являются генерация и проверка гипотез о формировании устойчивой функциональной структуры многофункциональных шахтосистем в современных экономических условиях функционирования и конъюнктуры рынка сбыта угля.

Главная особенность предлагаемого в данной работе подхода, основанного на когнитивном моделировании, в отличие от остальных, заключается в том, что логический и математический аппараты данного подхода позволяют сформировать формализованную модель, которая в строгой увязке с пространственно-временными факторами объединит в одно целое различные функциональные структуры угледобычи и перерабатывающих предприятий многофункциональных шахтосистем и позволит построить ретроспективный количественный и качественный прогноз функционирования и развития с учетом сопутствующих неопределенностей и рисков.

Основные базовые понятия предлагаемого алгоритма для построения заявленной модели отражаются ниже в соответствующем РОН-глоссарии (см. таблицу).

Важно отметить, что существует интеграция нечетких и нейронных сетей с теоретической эквивалентностью среди представленных моделей во множестве когнитивных карт типа СМ, FCMs и sDCNs, что позволяет с достаточной степенью надежности, объективности и достоверности интерпретировать полученные результаты, что обеспечивает должный уровень робастности [6].

В данной работе FCMs представлены нечетким ориентированным графом (орграфом) либо первого, либо второго рода, при этом нечетким ориентированным графом первого рода, согласно РОН-глоссарию, называется и через О = (X,, и) обозначается множество, состоящее из двух составляющих:X = {х}, I е I = {1,2,..., п} - четкое множество концептов (вершин), и = {< ци < х,, хк >/< х,, х>>} -нечеткое множество дуг (или ребер), где < х,, хк> е X2, а ци < х,, хк > - степень принадлежности ориентированного ребра нечеткому множеству и. Интерпретация следующего понятия, согласно РОН-глоссарию, сводится к следующему: в качестве нечеткого ориентированного графа второго рода используется граф О = (X, и), гдеX - множество вершин (или концептов) является нечетким мно-

жеством в некотором универсальном множествеА, то есть X = {< ц^х) / х >}, х е А, X | = п, и - нечеткое множество ориентированных ребер (или дуг) определяется как и = {< < х,, хк > / < х,, х>>}, < х,, х> е X2, где X - носитель нечеткого множества X.

Для удобства выполнения и минимизации трудоемкости проведения расчетов нечеткий орграф, формализованный как орграф первого рода, задается в виде О = (X, Г), где X = {х}, , е I = {1,2, ... , п} - нечеткое множество всех вершинX, при этом Г: X ^Х, система нечетких образов

элементов х е X, то есть Г(х) = \ <

цг(х/)

> ¡>, х. е Г (х),

Угольные кластеры (многофункциональные шахтосистемы)

Когнитивная модель

Формализация когнитивной модели (концептуальная модель)

Логико-семантическая

Структурно-функциональная

Формальная модель

Динамическая модель со сценарным подходом

Интеллектуальный интерфейс

Структурный анализ когнитивной модели

Целевая модель угольного кластера (многофункциональной шахтосистемы)

Рис. 1. Процесс моделирования устойчивой функциональной структуры многофункциональных шахтосистем с позиций когнитивного подхода

Г(х,), - четкое множество, формирующее образы вершин

х. е X.

,

Нечеткий путь, ведущий из вгершины х, в направлении вершины хт, обозначается как Ь(х,, хт) и представляет из себя сумму нечетких дуг, ведущих из вершины х. в направлении вершины хт :

Ь(х., х ) =< д., < х., х. > / < х., х. »,

1 ? т ^ г и 1 ] 1 ]

< д., < х.,х, > / < х.,х, »,...,< Д., < х,,х > / < х,,х » . (1)

] к ] к ' ' I' т I' т у '

Основной характеристикой пути Ь (х,, хт) является его конъюнктивная прочность.

д„ (Ь(х., х ) | = 7. & д., < х., х. > . (2)

г~& ^ V т1} <ха,Хр >^Ь(х1 ,хт) ^ ]

В приведенных выше выражениях операции конъюнкции - & и дизъюнкции - V интерпретируются как операции минимума и максимума соответственно. Путь с минимальной прочностью Ь&(х,, хт) определяется нечетким путем между вершинами х. и хт с минимальной величиной Н-& (^(Х,хт))• Аналогичное определение д^ [I(х1,хт)), дх (Ь( х!, хт)) используется и для нахождения путей с максимальной прочностью.

Таким образом, при определении оптимальных путей и выявлении их прочностей реализуемы различные комбинации на основе нечетких операций и нечетких базисов. Для дальнейшего использования рекомендуется минимаксный базис и конъюнктивная прочность пути д (Ь(х1, хт)) [7].

Процесс моделирования проводится с помощью итераций, которые называют импульсными возмущениями. В начальном этапе произвольно одной из вершин задается импульс (возмущение), который с определенной степенью усиления или затухания формирует процедуру изменения количественной величины других показателей всех остальных вершин по причинно-следственной цепочке. Количественные значения показателей в вершинах графовой модели итерационно видоизменяются через шаг имитации / [8].

Если совокупностью и1, и2,..., ип обозначить вершины орграфа, то компоненты его можно обозначить как: ¥(исх) = = ^(исх), v2(исх), ..., vn (исх)) - вектор значений исходных вершин; Р(0) = = (р1(0),р2(0),...,Рп(0)) - вектор исходных начальных возмущающих импульсов;

Причинно-следственная

х

РОН-глоссарий (семейства нечетких познавательных моделей)

Термин Описание

Когнитивная модель - Cognitive Maps (CM) Знаковые ориентированные графы. Описание импульсных процессов для прогнозирования

FAT-теорема (Fuzzy Approximation Theorem) Взаимосвязь нечеткой логики и теории нейронных сетей. Аппроксимация математической системы, основанной на нечеткой логике

Нечеткие когнитивные карты (модели) с использованием динамического моделирования - Cognitive Maps (FCMs) Теоретические основы поведения сложных систем. Принятие стратегических решений на основе когнитивных карт и нечетких моделей, ситуационное моделирование

Нечеткие когнитивные карты В. Силова Элементы нечеткой матрицы смежности для графа, удвоение мощности концептов. Индивидуальные учет и обработка положительного и отрицательного влияний

Нечеткие продукционные когнитивные карты (Rules Based Fuzzy Cognitive Maps, RBFCMs) Описание влияний между концептами. Анализ и моделирование сложных систем

Нечеткие реляционные когнитивные карты (Relational Fuzzy Cognitive Maps, RFCMs) и FRM -Fuzzy Relational Maps Анализ нечетких моделей слабоформализуемых систем за счет реляционного представления нечетких соотношений влияния между концептами

Нейтрософские реляционные карты (NRMs -Neutrosophic Relational Maps) Представление логического утверждения в 30-нейтрософском пространстве

Динамические когнитивные сети (DCNs) Для формализации модели используется аппарат дифференциального исчисления

Нечеткая когнитивная карта Позволяет представить сложную систему в динамике с моделированием обратной связи и симуляцией внешних воздействий. Представляет собой ориентированный граф, состоящий из нечетких узлов (концептов) и нечетких связей (отношений). Применение не ограничено представлением казуальных отношений

Концепт Параметр моделируемой системы с некоторой долей значимости или весомости. Целевые, управляемые и промежуточные

Связь Задает степень влияния концепта-причины на концепт-следствие

Граф Геометрическая формализованная конфигурация или пространственная структура, представляющая множество точек, которые в свою очередь связаны множеством простых непересекающихся кривых. Взвешенные ориентированные графы (вершины графа) представляют переменные, характеризующие состояние всей системы, а вес каждой отдельной вершины отождествляется с функцией времени (сигнал вершины). Дуги характеризуют связи между отдельными переменными (передача дуги)

Когнитивная матрица Отображает знаки и весы имеющихся связей. В формальной интерпретации представляет матрицу смежности орграфа

Матрица смежности Квадратная матрица, в которой каждый элемент принимает одно из двух значений: 0 или 1

Транзитивно-замкнутая матрица Матрица смежности согласованного отношения, обладающего свойством транзитивности

Импульсное (динамическое) моделирование Вектор значений концептов, описывающих динамику функционирования системы при реализации выбранной стратегии

Нечеткая переменная Нечеткая переменная <А,Х,Са>. А - полное наименование исходной переменной, Х={х} - область формирования исходной переменной, интервал возможных количественных величин значений х, Са = {<Ма(х)/х>} - формальное нечеткое множество, позволяющее описать все ограничения, накладываемые на семантические значения исходной переменной А

Лингвистическая переменная Лингвистическая исходная переменная <В,Т,Х,С,М>. В - наименование исходной переменной. Т - (терм-множество), состоящее из названий нечетких исходных переменных, каждая из которых принадлежит к области (множеству) X. й - синтаксическая грамматическая процедура, которая позволяет генерировать новые функциональные термы Т. Т=Т и й(Т), заданное терм-множество (расширенное), (и - знак конъюнкции). М - семантическая вычислительная процедура, которая позволяет адаптировать к новой лингвистической переменной элементы нечеткой семантики с помощью формирования нечеткого множества новой функциональной направленности

Нечеткое множество Нечеткое исходное множество - это совокупность пар <т(х)/х>, где х представлено информативным значением, а т(х) представлено единичным отрезком от 0 до 1 (0 - не принадлежит, 1 - полностью принадлежит)

V(t) = (v1(t), v2(t), ..., vn(t)) - вектор значений исходных вершин в начальный момент времени t. С учетом этих обозначений v.(t + 1) = v(t) + Ъ.а(и.u)P((t), где а(и.u) - вес дуги из вершины и. в вершину и. (-1, 0 +1);pj(t) - изменение в вершине и. в момент времени t.

Наиболее приемлемая целевая функция развития импульсного процесса при этом будет иметь следующий вид: V(t) = V(rnx) + (I+A + A2 + A3 + A4 + ••• + A)T P(0). Для модели FCMs в силу объективных причин для обеспечения работоспособности вместо четких весов а(и.и) в формулу вводится нечеткий путь, формирующий модель

V(t) = V(rnx) + (I v L v L2 v L3 v L4 v ... Lt)T&P(0). (3)

Следующий этап подразумевает моделирование единичного импульсного процесса так называемых «возмущений», то есть перехода функциональной структуры технологической системы из одного технологического состояния в другое либо путем эволюции (реконструкция, техническое перевооружение или модернизация, диверсификация производства), либо под воздействием управляющих или возмущающих воздействий (снижение себестоимости добычи, повышение производительности труда), при этом подразумевается, что каждый импульсный процесс представляет из себя один из вариантов сценария развития технологической системы и позволяет сформировать аппарат изучения тенденций и закономерностей протекающих динамических изменений технологической системы.

Для осуществления процедуры импульсного моделирования одной из актуализированных вершин орграфа (интегральный концепт) задается количественное изменение. Данное действие, в свою очередь, актуализирует связанную в большей или меньшей степени систему вершин. Модель импульсных процессов представляется в наиболее удобном матричном виде. Главной сложностью при этом является анализ устойчивости функциональной структуры технологической системы, которая моделируется при помощи взвешенного ориентированного графа, что в описательном плане требует использования специфически выстроенного математического аппарата.

Анализ методов нивелирования влияния степени неопределенности показал, что наиболее приемлемым является следующий: вес над дугой и степень значимости вершины формализуются нечеткими интервалами, которые предполагают наличие функции принадлежности и сравнение нечетких интервалов. Данный подход обозначает, что характеристические значения матрицы отношений взвешенного ориентированного графа, формально представляющего когнитивную модель многофункциональной шахтосисте-мы, представляют степень его устойчивости при соблюдении условия устойчивости всех его вершин к возмущению. Также вышеобозначенный подход диктует необходимость рассматривать функциональные структуры технологических подсистем, «близких» к эталонным, при этом технологическая система структурно и функционально устойчива, если пространственно-планировочный характер функциональных траекторий близок к эталонной. Резюмируя вышеизложенное, следует констатировать, что вышеописанный концептуальный когнитивный подход к исследованию угледобывающего предприятия как технолого- экономической системы позволяет формально описать ее функциональную структуру и на этой основе обосновать необходимые проектные решения условно-оптимальной технолого-

экономической многофункциональной шахтосистемы. На когнитивной карте при этом отображаются основные группы факторов и взаимосвязи, возникающие при устойчивом технолого-экономическом развитии данной системы.

Выполненные исследования в данной области показали, что соединение аспектов когнитивного моделирования и фрагментов теории нечетких множеств, в рамках реализации так называемых «мягких» вычислений (Soft Computing) и системного подхода, позволяет адекватно принять к реализации следующий подход [9]:

нечеткая когнитивная модель для формирования функциональной структуры многофункциональных шахтоси-стем формально описывается следующим соотношением:

G = (K, DK), (4)

где K = {K1, K2, ..., K } - множество исходных концептов, каждый из которых представляет множество функциональных структур:

= {Sf1,..., SfSf}, (5)

zi - число функциональных структур K; DK = {ДК.} - множество связей между концептами.

Для предлагаемой модели необходимо ввести набор системных статических и динамических показателей [10].

В данной работе используются следующие системные показатели:

• воздействие i-го концепта на j-й:

Pij = sign(zij + ) max(Zj, ztj), |z^ Ф \zij |; (6)

• влияние (воздействие) i-го концепта на систему: 1

p =- 7 p ;

• влияние (воздействие) системы наj-й концепт:

1

(7)

Р =~ X РЧ; (8)

пТ1

• взаимное (совместное) положительное влияние:

ъ = р; = ъ > ); (9)

где Я - операция Я-нормы (как правило, используется максимум);

• консонанс влияния /-го концепта нау-й показатель:

cij =■

Z + zü

Ы+1Ц

• консонанс влияния /-го концепта на систему:

_, 1 "

С. = - V е..;

' «¿Г

• консонанс влияния системы на у-й концепт: 1

(10)

(11)

(12)

(Zj + Zji ) + (Zj + Zji)

Су = - X С;

• консонанс взаимного влияния /-го и у-го концептов:

(13)

+ 2р\ +1+ 2Р\ Предложенные показатели рекомендуется использовать в целях оценки и анализа согласованности целей подсистем и автоматического формирования функциональных структур, многофункциональных шахтосистем в следующей базовой концептуальной постановке: для базовой подсистемы К. требуется определить ряд вспомогательных подсистем, цели функционирования которых наиболее согласованы с целями функционирования подсистемы К.. После выявления потенциальных возможных под-

систем по функциональной структуре строится новая когнитивная модель, учитывающая сформированную функциональную структуру подсистем.

Данный подход, согласно теории игр, заключается в следующем:

- осуществляется перебор основных технологических подсистем многофункциональных шахтосистем с точки зрения продукционных правил выбора функциональной структуры. При этом превалирующей является максимизация общего выигрыша всех технологических подсистем функциональной структуры многофункциональной шахтосистемы, а не максимальный выигрыш функциональной структуры;

- в алгоритм вводятся дополнительные влияния выбора стратегии, которые формально уравнивают выигрыш всех технологических подсистем функциональной структуры.

Данный подход регламентирует выбор стратегии формирования функциональной структуры многофункциональной шахтосистемы с позиций получения максимального выигрыша.

Ущерб функциональной структуры будет компенсирован при этом распределением между технологическими подсистемами дополнительного выигрыша функциональной структуры многофункциональной шахтосистемы.

Вводим степени принадлежности технологических подсистем к функциональным структурам, что позволяет учесть разную степень участия в разных функциональных структурах и в сфере разных экономических интересов подсистем.

Уровень участия равен единице, если подсистема целиком состоит в нечеткой функциональной структуре, и нулю, если подсистема целиком не состоит в ней.

На рис. 2 представлена структура когнитивной карты с нечеткими функциональными структурами. На нем представлены семь подсистем и три функциональные структуры.

Рассматривая дополнительные частные случаи реализации данного алгоритма, приходим к полному описанию нечеткой когнитивной модели для формирования функциональных структур многофункциональных шахтосистем.

В целом основная задача проектирования многофункциональных шахтосистем (кластеров) определяется: выбором оптимальной компоновки и состава технологической цепи добычи и переработки угля в различные виды продукции, результатом которых будет целевой уровень эффективности функционирования шахтосистемы, который можно оценить при помощи комплекса показателей: производственная мощность многофункциональной шахтосистемы, количество угля (ресурса) на производство единицы продукции по технологии, материалоемкость продукции, капиталоемкость продукции, трудоемкость, зарплатоемкость, энергоемкость, себестоимость, технологи-

ческий КПД, объем инвестиций для строительства, прибыль, срок окупаемости, индекс доходности, внутренняя норма доходности, чистый дисконтированный доход и т.д.

В плане использования программного обеспечения поставленной задачи можно отметить набор моделей библиотеки популярного пакета iThink фирмы High Performance Systems [11]. Также можно отметить программные продукты американской компании Hyper Logic, которая специализировалась на нейронных сетях - пакет программ OWL, в содержание которого входят все исходные известные текстовые файлы реализации пакетов нейронных сетей. В настоящее время вторая версия пакета CubiCalc корпорации HyperLogic п редста вляет одну из наиболее мощных программ, построенных на использовании экспертных систем с использованием нечеткой логики. Она представлена интерактивной оболочкой, позволяющей разрабатывать нечеткие экспертные системы, run-time модулем, позволяющим формировать созданные системы в виде пакета отдельных функциональных программ и мощной утилитой Rule Maker, позволяющей реализовать автоматическую процедуру построения нечетких правил. В ее основе лежат алгоритмы существующей кластеризации Кохоне-на, усовершенствованные с точки зрения функциональности. Помимо Hyper Logic можно выделить фирмы Infra Logic, IntelligenceWare, Aptronix. Всего же используется более100 пакетов, представляющих сложные комплексные системы, основная сложность эксплуатации которых заключается в реализации определенных усилий по освоению и настройке. Можно отметить легкие и компактные программы, основанные на использовании нечеткой алгебры (пакет FuziCalc американской фирмы PuziWare). Среди отечественных раз-

il

дс12

Обобщенная функциональная структура кластера (многофункциональная шахтосистема № 1)

Обобщенная функциональная структура кластера (многофункциональная шахтосистема № 2)

G^AVa

cd

б23, ЛУ2;

CQ

с25, Д1Л

25

CD

»14/ Л1/14 g24, &v2t

Kl

аз

Giu Al/n

АСИ

CD

Gi2г AVn

_CD]

AVie G36, Л Va

"M

Обобщенная функциональная4 структура кластера (многофункциональная шахтосистема № 3)

it

А С13

t

* CD

G3,, ЛИ,,

Рис. 2. Когнитивная карта с нечеткими функциональными структурами многофункциональных шахтосистем: 1 - технологии углехимии; 2 - технологии переработки метана; 3 - технологии коксохимии; 4 - технологии когенерации и тригенерации; 5 - технологии переработки техногенных отходов; 6 - технологии гидрогенезации; 7 - углегазоэлектрический комплекс; К - множество подсистем; ДС - выигрыш функциональной структуры; б - степень принадлежности подсистемы (определенной технологии) к определенной функциональной структуре; Д V - множество переменных, характеризующих уровень участия (выигрыша) определенной подсистемы в функциональной структуре

работок можно отметить пакет «Бизнес-прогноз», который отличается от иностранных аналогов простотой, дешевизной и русскоязычным интерфейсом.

ВЫВОДЫ

1. Моделирование, проведенное на когнитивной карте устойчивого технолого-экономического развития угольного кластера, позволяет выделить возможные «пессимистические» и «оптимистические» сценарии устойчивого развития.

2. Когнитивный подход предусматривает проведение последовательной причинно-следственной структуризации функциональных структур угольных кластеров с выделением оптимальной.

Список литературы

1. Gorelova G.V. et al. Experience in cognitive modeling of complex systems // Cubernetics and Systems. 2010. Proceedings of the 20-th European Meeting on Cybernetics and Systems Research. Pr. in Austria, Vienna, 2010. Рр. 220-223.

2. Целых А.Н., Петряева М.В. Применение когнитивного моделирования к управлению в слабоструктурированных системах // Грамота. 2015. № 9. C. 138-140.

3. Тойменцева И.А. Стратегическое управление предприятием в условиях неопределенности с применением экономико-математических методов моделирования / Проблемы современной науки: Сборник научных трудов. Выпуск 5. Часть 2. Ставрополь: Логос, 2012. С. 211.

4. Камаев В.А. Когнитивное моделирование социально-экономических систем: учебное пособие. Волгоград: ИУНЛ ВолгГТУ, 2012. С. 39.

5. Мосейко В.О., Коробов С.А., Тарасов А.В. Когнитивное моделирование при формировании управленческих решений: потенциал ресурсно-факторного анализа // Креативная экономика. 2015. Т. 9. № 5. С. 629-642.

6. Reitter D., Juvina I., Stocco A., Lebiere C. (2010). Resistance is futile: Winning lemonade market share through metacognitive reasoning in a three-agent cooperative game. In Proceedings of the 19th Behavior Representation in Modeling & Simulation (BRIMS). Charleston. SC, 2010.

7. Кудж С.А., Соловьев И.В., Цветков В.Я. Когнитивные модели и методы. Краткий словарь-справочник. МГТУ МИРЭА, 2014. 95 с. [Электронное издание]. Гос. рег. № 0321400338 от 30 января 2014 г.

8. Когнитивный вызов и информационные технологии / Г.Г. Малинецкий, С.К. Маненков, Н.А Митин, В.В. Шишов // Препринт ИПМ им. М.В. Келдыша. 2010. № 46. 46 с.

9. Авдеенко Т.В., Васильев М.А. Мультиагентный подход с использованием нечеткого моделирования в задаче многокритериального принятия решений // Научный вестник Новосибирского государственного технического университета. 2010. № 1. С. 63-74.

10. Кравец А.Д., Фоменков С.А., Кравец А.Г. Разработка модели генерации интеллектуальных агентов // Сборник научных трудов SWORLD. 2012. Т. 5. № 3. С. 59-61.

11. Lange A.B., Schultz U.P., S0rensen A.S. Unity: A Unified Software/Hardware Framework for Rapid Prototyping of Experimental Robot Controllers using FPGAs // ICRA 2013-Eighth full-day Workshop on Software Development and Integration in Robotics (SDIR VIII). 2013.

ECONOMIC OF MINING

UDC 622.33.013.3 © E.N. lakunchikov, V.V. Agafonov, 2018

ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Ugol' - Russian Coal Journal, 2018, № 9, pp. 64-69 Title

OPTIMIZATION OF COAL CLUSTERS FUNCTIONAL STRUCTURES (MULTIFUNCTIONAL MINE SYSTEMS)

DOI: http://dx.doi.org/10.18796/0041-5790-2018-9-64-69

Authors

lakunchikov E.N.1, Agafonov V.V.2 ' "SUEK" JSC, Moscow, 115054, Russian Federation

2 National University of Science and Technology "MISIS" (NUST "MISIS"), Moscow, 119049, Russian Federation

Authors' Information

Iakunchikov E.N., Chief specialist, e-mail: [email protected] Agafonov V.V., Doctor of Engineering Sciences, Professor of the chair "Geotechnologies" Mining Institute, e-mail: [email protected]

Abstract

The procedure for substantiating, selecting and optimizing the functional structures of coal clusters (multifunctional mine systems) based on cognitive modeling is reviewed, it involves generation and testing hypotheses of stable functional structure formation, accounting for uncertainty and risk factor. RON glossary contains the basic concepts of the proposed algorithm for the specified optimization model construction. The mechanism for combining the theory of fuzzy sets and elements of cognitive modeling with the so-called soft computing application (within the framework of the system approach) is proposed as part of the stated task.

Keywords

Optimization, Coal cluster, Multifunctional mine system, Functional structure, Cognitive modeling, Concept, Fuzzy sets, Fuzzy cognitive map.

References

1. Gorelova G.V. et al. Experience in cognitive modeling of complex systems. Cubernetics and Systems, 2010, pp. 220-223.

2. Tselykh A.N. & Pertryayeva M.V. Cognitive modeling application for poorly structures systems control. Gramota - Literacy, 2015, No. 9, pp. 138-140.

3. Toimentseva I.A. Strategic enterprise management in conditions of uncertainty, using economic-mathematical modeling methods. Problems of

present-day science, Collection of scientific papers, Issue 5, Part 2. Stavropol, Logos Publ., 2012, p. 211.

4. Kamayev V.A. Cognitive modeling of social-economic systems. Educational aid. Volgograd, VolgSTU IUNL Publ., 2012, p. 39.

5. Moseiko V.O., Korobov S.A. & Tarasov A.V. Cognitive modeling for management solutions generation: resource-factor analysis potential. Kreativnaya ekonomika - Creative Economics, 2015, No. 5(9), pp. 629-642.

6. Reitter D., Juvina I., Stocco A. & Lebiere C. Resistance is futile: Winning lemonade market share through metacognitive reasoning in a three-agent cooperative game. In Proceedings of the 19th Behavior Representation in Modeling & Simulation (BRIMS). Charleston, SC, 2010.

7. Kudzh S.A., Solovyov I.V. & Tsvetkov V.Ya. Cognitive models and methods. Brief reference glossary of MTU MIREA] 2014, 95 p. [Web Resource]. State reg. No. 0321400338 on 30 January 2014.

8. Malinetsky G.G., Manenkov S.K., Mitin N.A. & Shishov V.V. Cognitive challenge and information technologies. Pre-print of Keldysh Institute of Applied Mechanics, 2010, No. 46, 46 p.

9. Avdeyenko T.V. & Vasilyev M.A. Multi-agent approach using fuzzy modeling in multi-objective solutions tasks. Scientific newsletter of Novosibirsk STU, 2010, No. 1, pp. 63-74.

10. Kravets A.D., Fomenkov S.A. & Kravets A.G. Model development for intelligent agents generation. Collection of scientific papers SWORLD, 2012, No. 3(5), pp. 59-61.

11. Lange A.B., Schultz U.P. & S0rensen A.S. Unity: A Unified Software/Hardware Framework for Rapid Prototyping of Experimental Robot Controllers using FPGAs. ICRA 2013-Eighth full-day Workshop on Software Development and Integration in Robotics (SDIR VIII), 2013. ,