CC BY
19
ПРИМЕНЕНИЕ ВОЗМОЖНОСТЕЙ НЕЧЕТКИХ МНОЖЕСТВ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ
О.В. Кондратьева, канд. техн. наук, доцент М.В. Петухова, канд. пед. наук, доцент Е.В. Щедрина, канд. пед. наук, доцент РГАУ МСХА имени К.А. Тимирязева (Россия, г. Москва)
DOI:10.24412/2500-1000-2022-3-3-169-172
Аннотация. 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.
Ключевые слова: обработка данных, нечеткая логика, нечеткие множества, прогнозирование, оптимизация, экспертная система.
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 электронно-образовательной 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 обучающегося, 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 разра-
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.
ботки нечетких информационных систем в
Библиографический список
1. 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.
2. 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. 2330.
3. Петухова М.В. Применение технологии блокчейн для цифровых решений в АПК // В сборнике: ДОКЛАДЫ ТСХА. Сборник статей. Выпуск 293. - 2021. - С. 257-259.
4. 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.
5. 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.
6. 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.
7. 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.
USING THE CAPABILITIES OF FUZZY SETS TO SOLVE FORECASTING AND OPTIMIZATION PROBLEMS
O.V. Kondratieva, Candidate of Technical Sciences, Associate Professor M.V. Petukhova, Candidate of Pedagogical Sciences, Associate Professor E.V. Shchedrina, Candidate of Pedagogical Sciences, Associate Professor K.A. Timiryazev Moscow State Agricultural Academy (Russia, Moscow)
Abstract. The article presents the concept of fuzzy logic and the main stages of its development. The description and structure of the fuzzy system for solving the problem of decisionmaking based on the fuzzy logic apparatus, in the MATLAB Fuzzy Logic Modeler software product, explains the main stages of passing input parameters in the system to solve a specific problem in order to predict the value of the output parameter. The authors give examples of the use of fuzzy logic in the modern world.
Keywords: data processing, fuzzy logic, fuzzy sets, forecasting, optimization, expert system.
