6Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
ПРИНЯТИЕ РЕШЕНИЙ С НЕЧЕТКИМИ ПАРАМЕТРАМИ ПРИ МОДЕЛИРОВАНИИ ПРЕДПОЧТЕНИЙ В БИОТЕХНОЛОГИЧЕСКИХ
СИСТЕМАХ
Э. Р. Камолов
Старший преподователь кафедры Чирчикского Государственного педагогического института Ташкентской области kamolov_eshmurod@mail. ru
АННОТАЦИЯ
Проведено моделирование предпочтений в биотехнологических системах при принятии решений с нечеткими параметрами. При этом информация об объекте с помощью лица, принимающего решение описана в виде функции принадлежности принимающей свои значения на множестве неотрицательных чисел. Рассмотрены три группы моделей отношения предпочтений, такие как: четкие отношения предпочтений, нечеткие отношения предпочтений, лингвистические отношения предпочтений.
Ключевые слова: моделей отношения предпочтений процесс обогащения каолина, методы моделирования, формирование математического описания, модели нечетких отношений, словесную оценку принадлежности, лингвистических отношений предпочтения
DECISION MAKING WITH FUZZY PARAMETERS WHEN MODELING PREFERENCES IN BIOTECHNOLOGICAL SYSTEMS
ABSTRACT
Modeling of preferences in biotechnological systems when making decisions with fuzzy parameters has been carried out. In this case, information about an object with the help of a decision-maker is described in the form of a membership function that takes its values on a set of non-negative numbers. Three groups of preference relationship models are considered, such as: clear preference relationships, fuzzy preference relationships, linguistic preference relationships.
Keywords: preference relationship models, kaolin enrichment process, modeling methods, formation of a mathematical description, fuzzy relationship models, verbal assessment of belonging, linguistic preference relationships.
1521
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
ВВЕДЕНИЕ
Ситуационное управление базируется на системе семиотических моделей и содержит средства описания, пополнения и изменения ситуаций, средств выработки гипотез о связях в ситуациях, средств обобщения ситуаций и отделения полезных обобщений от бесполезных с точки зрения управления. Основные режимы работы семиотической системы: формирование обобщенной модели решения задачи управления и использование построенной модели для управления объектом.
Для формализации модели при неопределенной ситуации требуется создание четырех моделей, последовательное взаимодействие которых позволяет создать условия для перехода от описания конкретной ситуации к определению решения.
МЕТОДОЛОГИЯ
Первая модель Mi (модель структуры и законов формирования объекта управления) формально представляется динамической ситуационной структурой (ДСС), имеющая вершину, в которых могут появляться понятия -стоки, где входящие понятия прекращают свое существование; и преобразование, в которых изменяется признаковая характеристика понятия.(13)
Истоки, стоки и преобразователи задаются дискретными автоматами. Преобразователи ДСС имеют два типа: информационные (входы и выходы автоматов) и управляющие, на которые подаются в дискретные моменты времени команды управления.
Во второй модели M2 (модель процессов формирования обобщенной модели управления на ДСС) строятся классы обобщенных понятий для дальнейшего сопоставления команд управления.
Модель описания ситуаций Moc - это своеобразный язык пространственно-временных и других отношений между объектами
Moc = <X oc R, Гос>, (1)
где Xoc - множество исходных понятий, соответствующих признакам объектов;
R - множество исходных бинарных отношений семантического характера;
Гос - правила образования производственных понятий и отношений.
1522
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
В модель M2 входит Mkc (модель корреляции ситуаций, необходимая для установления пространственно-временных и других отношений между объектами с целью удовлетворения заданного критерия):
Mkc=<Xkc, R, Tkc> (2) Где Xkc=Xoc,X/oc (X/oc - производственные понятия в модели Moc);
R - множество бинарных отношений, совпадающих с R модели Moc носящих уже прагматическую направленность;
rkc- корреляционная грамматика, представленная системой многоместных предикатов.
В модель M2 входит M^ (модель обобщения ситуаций, предназначенная для разбиения на классы множества понятий, формируемых в Mkc):
Mоб=<Xоб, Гоб>, (3) Где X^ - множество понятий, формируемых в Mkc;
Гоб - правила обобщения. Mky (модель управления ситуацией) - последняя модель, входящая в M2:
Mky=<KkyAy>, (4) Где Kky - множество элементарных команд управления; rky - правила последовательной композиции команд управления.
Ситуационный подход включает модель M3 (модель экстраполяции
ситуации)
M3=<r3K , n3K(Q)>, (5) где Гэк - грамматика экстраполяции ситуаций, которая представляет собой совокупность правил последовательного преобразования ситуаций с помощью команд управления, предикатами, применимость которых являются обобщенные ситуации с командами управления;
Пэк^) - правила выбора оптимального решения по критерию.
Последняя модель M4 (модель формирования выходного сообщения) использует термины естественного языка.
Ситуационные модели работают в двух режимах. В режиме построения модели M1 по внешнему каналу поступает обучающая последовательность ситуаций и команд управления. В M2 последовательность в Moc представляется на языке описаний. После работы Mkc формируется множество X^, которое в M^ разбивается на классы, каждому из которых в процессе обучения ставится в соответствие определенное решение из Mky.
1523
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
РЕЗУЛЬТАТЫ
В режиме управления ситуационные модели действуют следующим образом. Ситуация зафиксированное в M1, поступает в M2, в модели Mkc оно подвергается необходимому усечению, а в M3 определяется команда управления, которой соответствует входная ситуация. При необходимости экстраполяции эта команда поступает на M1 и изменяет ситуацию. Этот процесс продолжается до тех пор, пока не будет исчерпан интервал экстраполяции.(12) В общем случае строятся несколько экстраполяционных ветвей, из которых выбирается самая оптимальная для заданного критерия.
Решение можно принять тогда, когда известна цель. Ситуационный подход требует представления цели в виде множества элементарных решений, необходимых для ее решения. Причем, множество должно быть полным, чтобы, начиная с любого элементарного множества решений, всегда можно было построить цепочку решений, удовлетворяющую поставленную цель.(11)
Элементарное решение представляется тройкой Xi, r, Xj, где Xi и Xj -термины, между которыми устанавливаются отношения действия или определения. Тройка Xi г Xj может быть лево- или право определенной в зависимости от числа объектов или иной группы. Если число объектов группы Xi гораздо больше, чем Xj, то элементарное решение Xi г Xj право определенное, исходя из принципа минимизации числа решений. Этап выделения элементарных команд заканчивается составлением списка определяющей части команд Xir для лево определенных или rXj для право определенных и списка переменных команд Xi и Xj соответственно.
В модели обобщения предполагается заданным некоторое количество правил, по которым выбирается наилучшее решение из группы полученных возможных решений в модели M2. К таким правилам можно отнести выбор команды с оптимальным пробегом, максимальной надежностью и т.д.
В модели M3 предусматривается экстраполяция ситуаций на заданный период. Пусть в момент t1, при ситуации C1 принята команда K1ky. С ее действием в системе произойдет изменение и возникнет событие C2. Тогда в соответствии с работой модели M2 для момента t2 будет принята команда K2ky. Продолжая указанную процедуру до конца интервала экстраполяции, получим первую цепочку команд. В экстраполяционной модели должна быть предусмотрен механизм порождения нескольких таких цепочек. Если, например, во время действия модели M3 исключить модель M^ и
1524
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
экстраполяцию вести от каждой разрешенной команды, полученной после совместного действия Mkc и Mky, то можно построить все множество допустимых цепочек решений на заданный интервал экстраполяции. Практически механизм экстраполяции строится по различным эвристическим правилам, ограничивающим перебор вариантов по различным правилам предпочтения, или по методике статистического моделирования с включением точных методов поиска локальных экстремумов.
При построении моделей биотехнологических систем с помощью лица, принимающего решения (ЛИР) неполную информацию об объекте можно описывать различными способами. Нередко эта информация задается в виде функции принадлежности, принимающий свои значения на множестве неотрицательных чисел. Более общим является формальное выражение предпочтений с помощью бинарного отношения R, определенного непосредственно на множестве альтернатив X. При этом часто встречаются такие случаи, когда ЛПР или эксперты затрудняются дать однозначный ответ (да или нет) о том, например, предпочтительнее ли альтернатива x альтернативе y или эквивалентна ли альтернатива y альтернативе z. В подобных ситуациях попарно сравниваемые альтернативы бывают настолько плохо определяемы и трудно сравнимы, что необходимость высказывать четкие суждения о рассматриваемых объектах вступает в противоречие с высоким начальным уровнем неопределенности в задаче принятия решения и "точная" математическая модель оказывается бесполезной и не адекватной реальности.
Существует более гибкий способ формализации неопределенной информации, когда в модель вводится понятие степени принадлежности j для любых пар (X,Y)e X*Y к (уже нечеткому) отношению R; функция j характеризует силу отношения R и принимает значения из интервала [0,1]. Описание предпочтений в форме нечетких отношений позволяет: а) отразить степень убежденности ЛПР в выполнении данного предпочтения; б) учитывать информацию качественного характера о степени доминирования, сходства и т.п., которая теряется в обычных, "четких" математических моделях.
Однако на модели нечетких отношений накладывается одно весьма существенное ограничение: от ЛИР требуется точно оценить значение j (X,Y) для каждой пары объектов (X,Y)e X*Y, т.е. выразить его в виде некоторого числа из [0,1]. Во многих ситуациях получить столь точные оценки от эксперта трудно или даже невозможно. Значительно более естественной и подчас вполне
Google Scholar Scientific Library of Uzbekistan
Academic Research, Uzbekistan 1525 www.ares.uz
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
достаточной для решения практических задач является словесная оценка принадлежности произвольной пары (X,Y) из X*Y к нечеткому отношению R. Предположим, в технологическом процессе обогащения каолина большая степень принадлежности (в диапазоне 0,8-1); средняя степень принадлежности (в диапазоне 0,4-0,7); малая степень принадлежности (в диапазоне 0-0,3). Таким образом, выделим три группы моделей отношений предпочтения.
1. Модели четких отношений предпочтения. Эксперту задаются вопросы типа "что лучше - X или Y", и получаемая от него информация представляется в виде обычно ориентированной графы, скажем X ^Y или, например, для конечного множества альтернатив X = {x1,x2,x3} - в виде матрицы из 0 и 1:
X1 X2 X3
X1 1 0 1
X2 1 1 0
X3 0 1 1
2. Модели нечетких отношений предпочтения. Предполагается, что эксперт в состоянии дать ответ на вопрос: "С какой степенью X не хуже Y?", выразив свое мнение с помощью некоторого числа из интервала [0,1]. В этом случае нечеткое бинарное отношение предпочтения задается взвешенной графой, например, X оY. Для вышеуказанного множества X = матрица нечеткого отношения принимает форму
X1 X2 X3
X1 1 0,3 0,6
X2 0,9 0,7 0,3
X3 0,2 0,6 0,8
3. Модели лингвистических отношений предпочтения. В этом случае рассматривается словесный ответ эксперта на вопрос, насколько истинно, что X не хуже Y. Лингвистическое отношение может характеризоваться лингвистически взвешенной графой, например, X Y или матрицей, в клетках которой строят лингвистические значения истинности (табл.).
X1 X2 X3
X1 Большая Малая Средняя
X2 Большая Средняя Малая
X3 Малая Средняя Большая
1526
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
Эту словесную оценку принадлежности можно трактовать как лингвистическое значение истинности (возможности и т.п.) того, что сравниваемые альтернативы удовлетворяют некоторые отношения.
REFERENCES
1. Ахмедов, Б. А., Султанов, Б. (2021). Анализ и новые тенденции исользования кластерных систем и искусственного интеллекта в современной системе высшего образования. Экономика и социум, 8, 344-358.
2. Sultanov, B., Duisenov, N., Abduraimov, J. (2021). Information technologies in education new trends. Экономика и социум, 5-2, 893-896.
3. Sultanov, B., Allamova, Sh. Information technologies in the context of a competence approach. Экономика и социум, 3-2, 755-760.
4. Rakhimov, S. М., Djamirzaev, A. А., Akhmedov, B. А. (2021). Methods of teaching Informatics in Higher Education Problems and Observations. Ekonomika i sotsium, 9(8).
5. Камолов, Э. Р., Джамирзаев, А. А., (2020). Методика идентификации математической модели. Наука и мир, 1-3(79), 33-38.
6. Mahkamova, M. U., Djamirzaev, A. A. (2021). Information technology in higher education new aspects and trends. Scientific progress, 1(6), 512-518.
7. Камолов, Э. Р. (2020). Каолинни бойитиш технологик жараёнини оптимизациялаш алгоритмини ишлаб чикдш. Фан ва Жамиат 1(1) 10-14
8. Камолов, Э. Р., Джамирзаев, А. А., (2020). Методика идентификации математической модели. Наука и мир, 1 -3(79), 33-38.
9. Xurramov, A. J., Kamolov, E. R. (2020). Decision development of management problems of biotechnological systems at an uncertainty of environmental states using the mathematical statistics methods. European Journal of Research and Reflection in Educational Sciences, 8 (3), 212-218.
10. Normatov, I., Kamolov, E. (2020). Development of an algorithm for optimizing the technological process of kaolin enrichment. IEEE, 1-4.
11. Камолов, Э. Р. (2017). Основные виды и типы неопределенности информации, характерные для сложных биотехнологических систем. Молодой ученый, 27, 36-39.
12. Камолов, Э. Р. (2020). Моделирование предпочтений в биотехнологических системах при принятий решений с нечетками параметрами. Academic research in educational sciences. 1(4), 396-400.
1527
Academic Research in Educational Sciences VOLUME 2 | ISSUE 11 | 2021
ISSN: 2181-1385
Scientific Journal Impact Factor (SJIF) 2021: 5.723 Directory Indexing of International Research Journals-CiteFactor 2020-21: 0.89
DOI: 10.24412/2181-1385-2021-11-1521-1528
13. Хуррамов, А. Ж., & Комолов, Э. Р. (2020). Разработка алгоритма управления с учетом трудноформализуемой информации. Academic Research in Educational Sciences, 1 (3), 240-247.
14. Нуралиев, У. А. (2021). Исскуственный интеллект в образовании. Academic Research in Educational Sciences, 2(11).
15. Нуралиев, У. А. (2021). Информатика ва ахборот технологилари фанини укдтишда инновацион технологиялардан фойдаланиш тамойиллари. Экономика и социум, 11.
1528
