ЗАКЛЮЧЕНИЕ В диссертационной работе в рамках решения поставленной научнотехнической проблемы разработки эффективных методов кластеризации технического состояния зданий и сооружений в условиях неопределенности, ориентированных на устранение недостатков существующих аналогов и обеспечивающих высокую обоснованность и адекватность принимаемых решений, получены следующие результаты. 1. Выполнено исследование проблемы кластеризации технического состояния зданий и сооружений в условиях неопределенности, выявлены достоинства и недостатки известных алгоритмов кластеризации объектов (как с использованием инструментальных исследований, так и с применением экспертного оценивания). Проведенный анализ показал, что существующие алгоритмы кластеризации, основанные на применении инструментария ТНМ, зачастую не обеспечивают принятие объективных и адекватных решений ввиду недостаточно обоснованного выбора параметров моделирования, а поиск эффективных решений сопровождается значительными временными затратами из-за необходимости выполнения многократных реализаций классических алгоритмов кластеризации с целью выбора оптимальных параметров моделирования. Сделан вывод о целесообразности использования генетических алгоритмов для решения задачи поиска оптимальных параметров алгоритмов кластеризации объектов в условиях неопределенности. 2. Разработана методика кластеризации технического состояния зданий и сооружений с произвольным количеством элементов мониторинга. 3. Разработаны методы кластеризации технического состояния зданий и сооружений с использованием алгоритма нечетких с-средних и алгоритма возможностных с-средних на основе нечетких множеств первого типа и генетических алгоритмов с хромосомой постоянной и переменной длины, позволяющие учесть свойства кластерной относительности и типичности соответственно и обеспечивающие получение адекватных результатов кластери229 |
раметров моделирования, а поиск эффективных решений сопровождается значительными временными затратами из-за необходимости выполнения многократных реализаций используемых методов, моделей и алгоритмов с целью выбора оптимальных параметров. Актуальность настоящей, работы определяется необходимостью разработки эффективных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности, обеспечивающих высокую1обоснованность и адекватность принимаемых решений при низких временных затратах. Использование различных модификаций ГА позволяет решить проблему выбора оптимальных параметров методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности при приемлемых временных затратах. Комплексное использование инструментария ТНМ, нечеткой логики, теории мультимножеств и генетических; алгоритмов позволя-, ет создать качественно новые программные средства, существенно расширяющие перечень рассматриваемых задач поддержки принятия решений в условиях неопределенности и обеспечивающие повышение точности, адекватности и объективности (а следовательно, и эффективности) принятия решений в условиях неопределенности. Объект исследования. Объектом диссертационного исследования, являются методы, модели и алгоритмы поддержки принятия решений в условиях неопределенности, а также их практические реализации в системах поддержки принятия решений. П редм ет и сследован ия. Предметом исследования являются:. 1. Модели прогнозирования процессов, с преобладающей-детерминированной составляющей, представленных временными рядами с короткой длиной актуальной части, в условиях отсутствия априорной информации о вероятностных характеристиках процесса. 2'. Модели поддержки принятия решений с использованием систем нечеткого вывода. 27 3. Разработаны методы упорядочения, классификации и кластеризации объектов при наличии несовпадающих, в том числе противоречивых, исходных данных с использованием мультимножеств, нечеткого метода Дельфы, схемы Веллмана —Заде и систем нечеткого вывода, позволяющие учесть в процессе принятия решения все, в том числе противоречивые, оценки объектов без использования дополнительных преобразований типа усреднения и смешивания, которые могут привести к необоснованным и необратимым искажениям исходных данных. Предложено при формировании обобщающих правил классификации объектов, представленных мультимножествами, для выполнения предварительной сортировки объектов применять индивидуальные системы нечеткого вывода, параметры которых настроены с использованием генетических алгоритмов. 4. Предложен метод оценивания объектов с вычислением центроидов интервальных нечетких множеств второго типа на основе экспертных оценок, согласованных с использованием нечеткого метода Дельфы, позволяющий дифференцировать' объекты, имеющие одинаковые центроиды нечетких множеств первого типа на основе этих же экспертных оценок. 5. Разработаны методы кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе нечетких множеств первого типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержащего кластеры подобной плотности и подобного объема, с минимальными временными затратами. 6. Разработаны методы кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе интервальных нечетких множеств второго типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объек30 ЗАКЛЮЧЕНИЕ В диссертационной работе в рамках решения поставленной научнотехнической проблемы разработки эффективных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности на основе комплексного использования инструментария теории нечётких множеств и генетических алгоритмов получены следующие результаты. 1. Выполнено исследование проблемы поддержки принятия решений в условиях неопределенности, выявлены достоинства и недостатки известных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности. Проведенный анализ показал, что существующие методы, модели и алгоритмы поддержки принятия решений в условиях неопределенности зачастую не обеспечивают принятие объективных и адекватных решений ввиду недостаточно обоснованного выбора параметров моделирования, а поиск эффективных решений сопровождается значительными временными затратами из-за необходимости выполнения многократных реализаций используемых методов, моделей и алгоритмов с целью выбора оптимальных параметров моделирования. Сделан вывод о целесообразности использования генетических алгоритмов для решения задачи поиска оптимальных параметров методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности. 2. Разработаны модели краткосрочного прогнозирования процессов с преобладающей детерминированной составляющей, представленных временными рядами с короткой длиной актуальной части, в условиях отсутствия априорной информации о вероятностных характеристиках процесса, на основе нечетких множеств первого типа и интервальных нечетких множеств вто459 |