Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами
В то же время анализ современных региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов и управляющих воздействий, многие из которых не могут быть измерены при помощи метрических шкал. Следует также отметить, что в условиях слабой… Читать ещё >
Содержание
1. Анализ современных методов поддержки принятия решений по управлению социально-экономическими системами f 1.1. Общая постановка задачи управления социально-экономическими системами на основе применения идентифицирующих математических моделей
1.2. Анализ существующих методов построения идентифицирующих моделей, используемых в системах поддержки принятия решений по управлению социально-экономическими системами
1.3. Предпосылки использования метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами щ
1.4. Выводы
2. Разработка метода группового учета аргументов, использующего нейро-нечеткие частные модели
2.1. Общее описание разработанного нейро-нечеткого метода группового учета аргументов
2.2. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по оперативному управлению региональными социально-экономическими системами
2.3. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по стратегическому управлению региональными социально-экономическими системами
2.4. Выводы
3. Разработка программного обеспечения для управления региональными социально-экономическими системами на основе нейро-нечеткого метода группового учета аргументов
3.1. Универсальный программный модуль, реализующий разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов
3.2. Результаты имитационных вычислительных экспериментов по проверке характеристик разработанного нейро-нечеткого метода группового учета аргументов
3.3. Архитектура и режимы функционирования информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами
3.4. Выводы
4. Практическое применение разработанного нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом
4.1. Методика использования нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом
4.2. Интеграция программного модуля, реализующего разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов, в составе информационно-аналитической системы поддержки принятия решений по управлению Смоленской областью
4.3. Результаты практического применения нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по управлению Смоленской областью
4.4. Выводы 151
Заключение
Список используемых источников
Список литературы
- Дли М.И., Круглов В. В., Осокин М. В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит. 2000.
- Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.
- Бурков В.Н., Новиков Д. А. Теория и практика управления активными системами // Измерения, контроль, автоматизация. 2000. № 3.
- Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.
- Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.
- Райбман Н.С., Чадеев В. М. Построение моделей производства. М.: Энергия, 1975.
- Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.
- Гроп Д. Методы идентификации систем. М.: Мир, 1979.
- Себер Дж. Линейный регрессионный анализ, М.: Мир, 1980.
- Дисперсионная идентификация /Под. ред. Н. С. Райбмана. М.: Наука, 1981.
- Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.
- Цыпкин ЯЗ. Основы информационной теории идентификации. М.: Наука, 1984.
- Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М. П. Ураумана. М.: ИНФА-М, 1996.
- МВощинин А.П., Сотиров Г. Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.
- Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.
- Кононов Д. А., Косяченко С. А., Кульба В. В. Сценарный анализ динамики поведения социально-экономических систем // www.ec.asu.ru.
- Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.
- Ивахненко А. Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.
- Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.
- Cover Т.М., Hart Р.Е. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21−27.
- Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods//Mathematics of Computation. 1981. V.37.N155. P.141−158.
- Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.
- Попов Э.В., Фоминых И. Б., Кисель Е. Б., Шапот М. Д. Статистические и динамические экспертные системы. М.: Финансы и статистика, 1996.
- Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО «ТетраСистемс», 1997.
- Гаврилова Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.
- Корнеев В.В., Гареев А. Ф., Васютин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000.
- Девяткин В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001.
- Ларичев О.И., Мошкович Е. М. Качественные методы принятия решений. -М.: Физматлит, 1996.
- Ириков В.А., Тренев В. Н. Распределенные системы принятия решений. М.: Наука, 1999.
- Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. М.: СИНТЕГ, 2002.
- Беленький А. Г. Федосеева И.Н. Прогнозирование состояния динамических сложных систем в условиях неопределенности. М.: ВЦ РАН, 1999.
- Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во института математики, 1999.
- Заде J1. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.
- Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.
- Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.
- Орловский С.А. Проблемы принятия решений при нечеткой входной информации. -М.: Наука, 1981.
- Борисов А.Н., Алексеев А. В., Крумберг О. А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.
- Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д. А. М.: Наука, 1986.
- Алиев Р.А., Абдикеев Н. М., Шахназаров М. М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990.
- Борисов А.Н., Крумберг О. А., Федоров И. П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990.
- Мелихов А.Н., Берштейн J1.C., Коровин C. J1. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.
- Алиев Р.А., Церковный А.Э, Мамедова Г. А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, 1991.
- Прикладные нечеткие системы / Под ред. Т.Тэрано. М.: Мир, 1993.
- Ларичев О.И., Мошкович Е. М. Качественные методы принятия решений: вербальный анализ решений. М.: Физматлит, 1996.
- Круглов В.В., Дли М.И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.
- Wang L.-X. Fuzzy systems are universal approximators // In Proc. of the 1-st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194−207.
- Dickerson J. A., Kosko B. Fuzzy function approximation with supervised ellipsoidal learning. // Proc. World Congr. Neural Networks (WCNN-93). -1993.-vol. 2.-P. 9−17.
- Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. — vol. 77. — P. 15−33.
- Kim H. M., Mendel J. M. Fuzzy basis functions: comparison with other basis functions // IEEE Trans. Fuzzy Systems. 1995. — vol. 3. — P.158−168.
- Горбань A.H., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
- Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.
- Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.
- Галушкин А.О. О современных направлениях развития нейрокомпьютеров // Нейрокомпьютер. 1997. № 1,2. С.5−22.
- Priestly М.В. Non-linear and поп stationary time series prediction. London: Academic Press, 1988.
- Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301−306.
- Круглов B.B., Борисов B.B., Харитонов E.B. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске). 1998.
- Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики//Нейрокомпьютер. 1998. № 1,2 С.13−26.
- Круглов В.В., Борисов В. В. Гибридные нейронные сети. Смоленск: Русич, 2001.
- J.-S. R. Jang, С.-Т. Sun, Е. Mizutani. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Englewood Cliffs: Prentice-Hall, 1996.
- Макоклюев Б.И., Павликов B.C., Владимиров А. И., Фефелова Г. И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. 2003. — № 6. — С. 14−19.
- Gross G. and Galiana F.D. Short term load forecasting // Proc. IEEE. 1987.-vol.75. — № 12. — P. 1558−1573.
- Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting using non fully connected artificial neural network // IEEE Trans, on Power Systems. 1992. — vol. 7. — № 3. — P. 1098−1105.
- Адамеску А., Кистов В. Региональные программы: перспективные вопросы // Экономист. 1997. — № 6 — с. 68−72.
- Гаврилов А. И. Региональная экономика и управление: Уч. пособие для вузов. М.: ЮНИТИ-ДАНА, 2002.
- Гутман Г. В. Управление региональной экономикой М.: Финансы и статистика, 2001.
- Лычкина Н. Н. Моделирование социально-экономического развития регионов // www.lichkina.imis.ru.
- Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1969.
- Ивахненко А.Г., Лапа В. Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.
- Ивахненко А.Г., Зайченко Ю. П., Дмитриев В. Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.
- Дьяконов В.П., Круглов В. В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.
- Дьяконов В.П., Абраменкова И. В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. М.: Нолидж, 2001.
- Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003.
- Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.
- Иванов В.А., Чемоданов Б. К., Медведев B.C. Математические основы теории автоматического управления. М.: Высш. школа, 1971.
- Математическое моделирование сложных физико-химических процессов/ А. Н. Чохонелидзе, М. И. Дли, Е. А. Берзин, М. М. Орлов. Тверь: ТвГТУ, 1999.
- Ивахненко А.Г., Мюллер Й. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985.
- Медведев B.C., Потемкин В. Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.
- Черезов А. Что такое прокси-сервер, и зачем он нужен. // http:// www.eserv.ru/ WhatlsProxyServer.
- Олифер В.Г., Олифер Н. А. Основы сетей передачи данных. М.: «Интернет-Университет Информационных технологий», 2003.
- Галатенко В.А. Основы информационной безопасности. М.: «Интернет-Университет Информационных технологий», 2003.
- Бруй В.В., Карлов С. В. Организация сервера на базе ОС Linux. М.:СИП РИА, 2004.-125 е.: ил.
- Зима В., Николаев А. Повышение защищенности Крепостной стеной // http://opennet.ru. -
- Вендров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник для студентов вузов М.: Финансы и статистика, 2000.
- Смоленская область в цифрах в 2005 году: Статистический сборник / Федеральная служба гос. статистики. Смоленск: Б/И, 2005.
- О наличии, составе и движении основных фондов Смоленской области: Статистический сборник сборник / Федеральная служба гос. статистики. -Смоленск: Б/И, 2005.
- Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.
- Давыдов А.А. Индекс социального неблагополучия// Социологические исследования. 1995. № 10. С. 118−127.
- Давыдов А.А. Модель социального времени// Социологические исследования. 1998. № 4. С.98−101.
- Дли М. И. Алгоритм идентификации с автоматическим выбором порядка модели // Устройства и системы автоматического управления: Сб. науч. трудов. Смоленск: Моск. энерг. ин-т (фил-л в г. Смоленске). 1996. С.5−7.
- Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998.
- Рожнов А.В., Энеев О. О. Основы формирования новых методов интеллектуальной обработки данных информационно-управляющих систем // Нейрокомпьютеры: разработка и применение. 2003. — № 2. — С. 22−28.
- Загоруйко Н.Г., Елкина В. Н. Лбов Г. С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.
- Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2000.
- Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001.
- Анил К. Джейн, Жианчанг Мао, Моиудин К.М. Введение в искусственные нейронные сети // Открытые системы. 1997.- № 4. С. 17−24.
- Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. — № 4. С. 25−28.
- Саати Т., Керне К. Аналитическое планирование. Организация систем. -М.: Радио и связь, 1991.
- Зеленский К.Х., Игнатенко В. Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн-В, 1999.
- Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Автоматика. 1992. № 1. — С.26−35.
- Дли М.И., Игнатьев И. В. Активный эксперимент в задаче идентификации сложных систем управления // Перспективные технологии автоматизации: Тез. докл. междунар. электрон, науч.-техн. конф. Вологда: ВоГТУ, 1999. С.95−96.
- Дли М.И., Игнатьев И. В. Локально-параметрические методы в задачах прогнозирования экономических показателей // Математические методы и компьютеры в экономике: Сб. статей II Междунар. науч.-техн. конф. Пенза. 1999. С. 118−120.
- Дли М.И., Игнатьев И. В. Об одном подходе к прогнозированию рыночной конъюнктуры // Тез. докл. V Междунар. науч. конф., посвященной 85-летию со дня рождения академика В. В. Кафарова. Казань. 1999 г. С. 83.
- Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК «Наука/Интерпериодика»), 1999.
- Дли М.И. Локально-аппроксимационные модели динамических объектов// Программные продукты и системы, 1999. № 3. С.26−28.
- Бояринов Ю.Г., Стоянова О. В., Дли М.И. Нейро-нечёткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, М.: Физматлит, 2005, (168/86 с.)
- Бояринов Ю.Г. Основные направления развития систем контроллинга промышленного предприятия // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. М.: Физматлит, 2002. (3 с.)
- Бояринов Ю.Г., Стоянова О. В. Решение недоопределенных задач моделирования на основе принципа самоорганизации моделей // Системыкомпьютерной математики и их приложения: Сб. тр. VII межд. конф. -Смоленск: СГУ, 2006. (4/2 с.)
- Бояринов Ю.Г. Особенности промышленного предприятия как объекта моделирования и управления // Моделирование. Теория, методы и средства: Сб. тр. VI межд. науч.-практ. конф., Новочеркасск: НГТУ, 2006. (3 е.).
- Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем // Информационные технологии моделирования и управления. 2006 — выпуск 4(29). (6 с.)
- Стоянова О.В., Бояринов Ю. Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. 2006 — № 4. (6 с.)