Методы построения нечетких моделей
Общие сведения
В методологии системного анализа методы построения нечетких моделей представляют собой аналитический инструментарий, предназначенный для формализованного описания и исследования объектов в условиях высокой степени неопределенности. Использование математического аппарата теории нечетких множеств позволяет интегрировать разрозненные количественные данные и качественные экспертные оценки в единую логическую структуру, способную генерировать обоснованные выводы. Построение подобных моделей критически необходимо в ситуациях, когда традиционные детерминированные или строгие вероятностные подходы оказываются неэффективными из-за недостатка точной информации или невозможности алгоритмизации процессов классическими методами.
В теории системного моделирования выделяют два фундаментальных подхода к применению нечетких множеств. Первый подход базируется на построении статистических моделей с использованием методов нечеткого регрессионного анализа. Второй подход предполагает отказ от числовых данных в пользу создания сугубо лингвистических моделей, опирающихся на логические правила условного вывода. Оба подхода позволяют связывать одни факторы неопределенности с другими, формируя устойчивые закономерности и причинно-следственные связи.
Статистические модели и нечеткая регрессия
Классический регрессионный анализ применяется для выявления количественных зависимостей между переменными и построения уравнений с детерминированными коэффициентами. В нечетком моделировании этот математический аппарат адаптируется для работы с нечеткими коэффициентами и выходными параметрами. Такой подход успешно применяется, например, при разработке систем управления в нефтеперерабатывающей промышленности и других сложных производственных комплексах.
Процесс построения нечеткой регрессионной модели включает два обязательных этапа структурной и параметрической идентификации. На первом этапе исследователь осуществляет выбор структуры математической функции, которая наилучшим образом будет аппроксимировать зависимость между переменными. На втором этапе вычисляются оценки нечетких параметров — определяются конкретные диапазоны и функции принадлежности для коэффициентов уравнения.
Для практического применения математических методов к нечетким параметрам система осуществляет процедуру дефаззификации — промежуточного перевода нечетких значений в четкие числа. После выполнения всех необходимых алгебраических и статистических вычислений с обычными числами производится обратное преобразование (фаззификация), благодаря чему итоговый результат или управленческое решение вновь выдается в виде нечеткого множества или лингвистической оценки.
Лингвистическое моделирование
Лингвистические модели применяются в областях, где сбор достоверной статистической и количественной информации физически невозможен или экономически нецелесообразен. В таких случаях инструментарий оперирует не числами, а словами — лингвистическими переменными, которые формализуют естественный человеческий язык. Исходными данными для таких моделей выступают результаты экспертных опросов и эмпирические знания лиц, принимающих решения.
В основе лингвистического моделирования лежат правила нечеткого условного вывода. Даже при оперировании расплывчатыми качественными оценками (например, констатация того факта, что предприятие функционирует «неудовлетворительно», что должно повлечь за собой «сокращение» премиального фонда), аппарат нечеткой логики позволяет установить строгую причинно-следственную связь. Преимущество данного метода заключается в возможности алгоритмизации смысловых конструкций и экспертного опыта, что роднит этот подход с принципами работы современных больших языковых моделей и нейросетевых архитектур.
Лингвистическая модель строится на основе составления таблиц или матриц соответствий. На входе задаются значения входных параметров, выраженные словами (например, степени интенсивности определенного фактора), которым в соответствие ставятся ожидаемые значения выходных параметров. Взаимосвязь между этими параметрами формализуется в виде нечетких отображений. Совокупность всех сформированных терм-множеств и логических связей дает полное описание всех возможных состояний системы.
Для получения конечного вывода при поступлении новых сигналов из внешней среды используется процедура логического вывода на базе максиминного критерия. Данный алгоритм осуществляет расчет выходных переменных путем нахождения максимума из минимумов функций принадлежности текущих измеряемых значений, что позволяет определить наиболее достоверное следствие из нечетких предпосылок.
Алгоритм синтеза моделей в нечеткой среде
Для объектов, характеризующихся наличием количественно измеримых входных параметров и качественных (нечетких) выходных оценок, применяется многоступенчатый алгоритм синтеза нечетких моделей. Процесс начинается с тщательного отбора информативных переменных, всесторонне характеризующих функционирование объекта. В качестве таких параметров могут выступать объемы выпускаемой продукции, уровень потребления сырья или процент производственного брака. Если в анализ включаются факторы, не поддающиеся прямому измерению (например, уровень мотивации или эмоциональное состояние персонала), они задаются в виде числовых отрезков с минимальными и максимальными границами, определяемыми экспертным путем.
На следующем этапе проводится процедура дискретизации и квантования собранных данных, результатом которой становится формирование терм-множества состояний. Данное множество представляет собой упорядоченную лингвистическую шкалу (например, градации качества от «очень низкого» до «стабильно высокого»), которая математически описывается как нечеткое множество.
Затем осуществляется определение структуры нечетких уравнений множественной регрессии и идентификация соответствующих коэффициентов. Для решения этой задачи могут применяться специализированные методы, такие как нечеткий аналог метода наименьших квадратов. Одним из центральных этапов алгоритма является построение функций принадлежности. Наиболее распространенным способом их нахождения служит метод графического восстановления: по имеющимся эмпирическим точкам строится график, после чего визуальной кривой подбирается адекватный аналитический вид (например, параболическая или экспоненциальная функция).
Заключительным этапом синтеза является строгая проверка соответствия разработанной модели реальному объекту. Расчетные значения, генерируемые нечеткой моделью, сопоставляются с фактическими историческими или экспериментальными данными. Если отклонения находятся в пределах допустимой погрешности, модель признается адекватной и внедряется в практику прогнозирования. При выявлении существенных расхождений математическая структура признается несостоятельной и отправляется на доработку, которая может включать введение дополнительных информативных переменных, изменение формы функций принадлежности или пересмотр базовых уравнений связи.