ПОШУК НАПРЯМІВ ОПТИМІЗАЦІЇ В ЛАНЦЮГАХ ПОСТАЧАННЯ ЗА ДОПОМОГОЮ НЕЧІТКИХ КОГНІТИВНИХ КАРТ

Автор(и)

DOI:

https://doi.org/10.31319/2519-8106.1(48)2023.280068

Ключові слова:

ланцюг постачання, нечіткі когнітивні карти, транзитивне замикання

Анотація

У статті були проаналізовані фундаментальні математичні методи побудови нечітких когнітивних карт. Запропоновано метод побудови нечітких когнітивних карт для математичного моделювання процесів постачання з метою оптимізації роботи ланцюгів постачання. Складна проблема моделювання та управління системами досліджується за рахунок деталізації динамічних характеристик її складових частин ланцюгів постачання з використанням методів системного аналізу.  Нечіткі когнітивні карти використовують, у тому числі, в випадках, коли неможливо повністю виконати завдання, спираючись лише на досвід людини.

Розглянутий метод вимагає використання вагових коефіцієнтів, що характеризують взаємну залежність факторів впливу на стан системи. Для побудови точної моделі складної системи пропонується використовувати досвід групи експертів та кореляційний аналіз накопичених даних. Експерти визначають кількість і вид концептів, з яких складається структура нечіткої когнітивної карти та взаємозв’язки між її концептами (факторами впливу) та перетворюють ці знання у зважений граф,  що імітує систему, яка досліджується.

Розглянутий інструмент дозволяє виявляти силу впливу стохастичних факторів на стан системи постачання та надає інформацію для особи, яка приймає рішення, о найбільш пріоритетних напрямках для впровадження оптимізаційних змін. Використання запропонованого методу розширює можливості для оптимізаційних методів, в тому числі дозволяє використовувати багатокритеріальну оптимізацію в поєднанні з методами системного аналізу, експертних оцінок, нейронних та семантичних мереж. 

Методи аналізу з використанням нечітких когнітивних карт забезпечують простоту побудови моделі системи, легкість інтерпретації, наочність причино-наслідкових зв’язків у процесах, що дозволяє знизити рівень вимог до користувача-аналітика. Перевагою методу є простота масштабування.

Корисність  запропонованого методу доведена наведеним прикладом розв’язання задачі побудови нечіткої когнітивної карти та інтерпретації отриманих результатів.

Посилання

Symonov, D. (February 5, 2021). System dynamics as a tool for planning Supply Chain. In Dйbats scientifiques et orientations prospectives du dйveloppement scientifique: collection de papiers scientifiques «ЛјГOУ» avec des matйriaux de la I confйrence scientifique et pratique internationale (pp. 122-123). Vinnytsia-Paris: Plateforme scientifique europйenne & La Fedeltа. DOI 10.36074/logos-05.02.2021.v3.35

Fadhiilah, R., Surodjo, B. (2022). Sifat-Sifat Subgrup Fuzzy Intuitionistik atas Norm (t-Norm dan s-Norm). Jurnal Matematika Integratif, (18(2)), 141–155. doi:10.24198/jmi.v18.n2.40461.141-155

Navas de Maya, Beatriz, Kurt, R. E. (2022). Marine accident learning with Fuzzy Cognitive Maps: a method to model and weight human-related contributing factors into maritime accidents. Ships and Offshore Structures, (17(3)), 555-563. DOI: 10.1080/17445302.2020.1843843

Papageorgiou, E.I. (2014). Fuzzy Cognitive Maps for Applied Sciences and Engineering. From Fundamentals to Extensions and Learning Algorithms (editor by Elpiniki I. Papageorgiou). Berlin: Springer. 395 pages. https://doi.org/10.1007/978-3-642-39739-4

Nachazel, T. (Mach 22, 2021). Fuzzy cognitive maps for decision-making in dynamic environ-ments. In Genet Program Evolvable (pp. 101–135). https://doi.org/10.1007/s10710-020-09393-2

Abhishek, Nair, Reckien, Diana, Martin van Maarseveen. (2020). Generalised fuzzy cognitive maps: Considering the time dynamics between a cause and an effect. Applied Soft Computing. (92 (106309)). https://doi.org/10.1016/j.asoc.2020.106309.

Cabrera, D., Cubillos, C., Urra, E., Mellado, R. (2020) Framework for Incorporating Artificial Somatic Markers in the Decision-Making of Autonomous Agents. Applied Sciences, (10(20)), 7361. https://doi.org/10.3390/app10207361

Kondratenko, Y.P., Simon, D. (2018). Structural and Parametric Optimization of Fuzzy Control and Decision Making Systems. Recent Developments and the New Direction in Soft-Computing Foundations and Applications. Studies in Fuzziness and Soft Computing, (361), 273–289. https://doi.org/10.1007/978-3-319-75408-6_22

Chen, J., Gao, X., & Rong, J. (2020). Enhance the Uncertainty Modeling Ability of Fuzzy Grey Cognitive Maps by General Grey Number. IEEE Access (8). 163844-163856.

Poczeta, K., Papageorgiou, E.I., & Gerogiannis, V.C. (2020). Fuzzy Cognitive Maps Optimiza-tion for Decision Making and Prediction. Mathematics, (8), 2059. Doi:10.3390/math8112059

Li, T., Peng, G., Zhu, Q., & Baєar, T. (2022). The Confluence of Networks, Games, and Learning a Game-Theoretic Framework for Multiagent Decision Making Over Networks. IEEE Control Systems, (42), 35-67. DOI: 10.1109/MCS.2022.3171478

Bajo, J., Mathieu, P., & Cuaresma, M.J. (2017). Multi-agent technologies in economics. Intell. Syst. Account. Finance Manag., (24), 59-61. https://doi.org/10.1002/isaf.1415

Nikolova, V., Zlateva, P. (2019). Complex Geoinformation Analysis of Multiple Natural Hazards Using Fuzzy Logic. Intelligent Systems for Crisis Management, (Gi4DM 2018), 107–131. https://doi.org/10.1007/978-3-030-05330-7_5

Antoniou, E., Vergini, E., Groumpos, P. (2018). Applying a Revised Approach of Fuzzy Cogni-tive Maps on a Hybrid Electrical Energy System. International Journal of Business and Technol-ogy, (6(3), 5. DOI: 10.33107/ijbte.2018.6.3.05

Infante-Moro, A., Infante-Moro, J. C., Gallardo-Pйrez, J. (2021). Los mapas cognitivos difusos y su aplicaciуn en la investigaciуn de las ciencias sociales: estudio de sus principales problemбticas. Education in the Knowledge Society (EKS), (22), e26380. https://doi.org/10.14201/eks.26380

Barnabas, Bede. (2012). Mathematics of Fuzzy Sets and Fuzzy Logic. Berlin: Springer. 276 pages. https://doi.org/10.1007/978-3-642-35221-8

Symonov. D. System dynamics as a tool for planning Supply Chain. In Dйbats scientifiques et orientations prospectives du dйveloppement scientifique: collection de papiers scientifiques «ЛјГOУ»: matйriaux de la I confйrence scientifique et pratique internationale (Paris, 5 fйvrier 2021). Vinnytsia-Paris, 2021. pp. 122-123. DOI 10.36074/logos-05.02.2021.v3.35

Fadhiilah R., Surodjo B. Sifat-Sifat Subgrup Fuzzy Intuitionistik atas Norm (t-Norm dan s-Norm). Jurnal Matematika Integratif. 2022. Vol. 18, No. 2. P. 141–155. doi:10.24198/jmi.v18.n2.40461.141-155

Beatriz N. de Maya, Kurt R. E. Marine accident learning with Fuzzy Cognitive Maps: a method to model and weight human-related contributing factors into maritime accidents. Ships and Offshore Structures. 2022. Vol. 17, No. 3, P. 555-563, DOI: 10.1080/17445302.2020.1843843

Fuzzy Cognitive Maps for Applied Sciences and Engineering. From Fundamentals to Extensions and Learning Algorithms / by editor Elpiniki I. Papageorgiou. Berlin: Springer, 2014. 395 Pages. https://doi.org/10.1007/978-3-642-39739-4

Nachazel, T. Fuzzy cognitive maps for decision-making in dynamic environments. Genet Pro-gram Evolvable. (Mach 22, 2021). P. 101–135. https://doi.org/10.1007/s10710-020-09393-2

Abhishek N., Reckien D., Martin van Maarseveen. Generalised fuzzy cognitive maps: Considering the time dynamics between a cause and an effect. Applied Soft Computing. 2020, Vol. 92, P. 106309. https://doi.org/10.1016/j.asoc.2020.106309.

Cabrera D., Cubillos C., Urra E., Mellado R. Framework for Incorporating Artificial Somatic Markers in the Decision-Making of Autonomous Agents. Applied Sciences. 2020. Vol. 10, No. 20. P. 7361. https://doi.org/10.3390/app10207361

Kondratenko Y.P., Simon D. Structural and Parametric Optimization of Fuzzy Control and Decision Making Systems / editors by Zadeh L., Yager R., Shahbazova S., Reformat M., Kreinovich V. Recent Developments and the New Direction in Soft-Computing Foundations and Applications: Studies in Fuzziness and Soft Computing. 2018. Vol 361. P. 273–289. https://doi.org/10.1007/978-3-319-75408-6_22

Chen J., Gao X., Rong J. Enhance the Uncertainty Modeling Ability of Fuzzy Grey Cognitive Maps by General Grey Number. IEEE Access. 2020. Vol. 8. P. 163844-163856.

Poczeta K., Papageorgiou E.I., Gerogiannis, V.C. Fuzzy Cognitive Maps Optimization for Deci-sion Making and Prediction. Mathematics. 2020. Vol. 8. P. 2059. DOI:10.3390/math8112059

Li T., Peng G., Zhu Q., Baєar, T. The Confluence of Networks, Games, and Learning a Game-Theoretic Framework for Multiagent Decision Making Over Networks. IEEE Control Systems. 2022. Vol. 42. P. 35-67. DOI: 10.1109/MCS.2022.3171478

Bajo J., Mathieu P., Cuaresma M.J. Multi-agent technologies in economics. Intell. Syst. Account. Finance Manag. 2017. Vol. 24. P. 59-61. https://doi.org/10.1002/isaf.1415

Nikolova V., Zlateva P. Complex Geoinformation Analysis of Multiple Natural Hazards Using Fuzzy Logic / editors by Altan O., Chandra M., Sunar F., Tanzi T. Intelligent Systems for Crisis Management: Gi4DM 2018, Lecture Notes in Geoinformation and Cartography. 2019. P. 107–131. https://doi.org/10.1007/978-3-030-05330-7_5

Antoniou E., Vergini E. S., Groumpos P.P. Applying a Revised Approach of Fuzzy Cognitive Maps on a Hybrid Electrical Energy System. International Journal of Business and Technology. 2018. Vol. 6, Iss. 3, Article 5. DOI: 10.33107/ijbte.2018.6.3.05

Infante-Moro A., Infante-Moro J. C., Gallardo-Pйrez J. Los mapas cognitivos difusos y su aplica-ciуn en la investigaciуn de las ciencias sociales: estudio de sus principales problemбticas. Educa-tion in the Knowledge Society (EKS). 2021. Vol. 22, e26380. https://doi.org/10.14201/eks.26380

Barnabas B. Mathematics of Fuzzy Sets and Fuzzy Logic. Berlin: Springer, 2012. 276 pages. https://doi.org/10.1007/978-3-642-35221-8

##submission.downloads##

Опубліковано

2023-06-06

Номер

Розділ

Статті