Этот заказ уже выполнен на сервисе Автор24
На нашем сайте вы можете заказать учебную работу напрямую у любого из 45000 авторов, не переплачивая агентствам и другим посредникам. Ниже приведен пример уже выполненной работы нашими авторами!
Узнать цену на свою работу

Применение нечетких множеств для решения задач многокритериальной оптимизации.

Номер заказа
118212
Создан
3 февраля 2014
Выполнен
6 февраля 2014
Стоимость работы
300
Проблема по высшей математике. Срочно закажу курсовую работу по высшей математике. Есть буквально 3 дня. Тема работы «Применение нечетких множеств для решения задач многокритериальной оптимизации.».
Всего было
15 предложений
Заказчик выбрал автора
Этот заказ уже выполнен на сервисе Автор24
На нашем сайте вы можете заказать учебную работу напрямую у любого из 45000 авторов, не переплачивая агентствам и другим посредникам. Ниже приведен пример уже выполненной работы нашими авторами!
Узнать цену на свою работу
Или вы можете купить эту работу...
Страниц: 21
Оригинальность: Неизвестно
300
Не подошла
данная работа?
Вы можете заказать учебную работу
на любую интересующую вас тему
Заказать новую работу

Разработан адаптивный метод решения МКО-задачи, основанный на аппроксимации функции предпочтений ЛПР с помощью нейронных сетей, аппарата нечеткой логики, а также с использованием нейро-нечеткого вывода. Проведен сравнительный анализ эффективности всех трех методов аппроксимации на тестовых двух- и трехкритериальных задачах. Исследование показало перспективность развития всех указанных методов аппроксимации.
В развитии работы предполагается провести апробацию метода на практической МКО-задаче. Кроме того, планируется исследовать эффективность предложенных методов для решения МКО-задач в случае, когда решение принимается не ЛПР, а группой лиц (ГПР).
Современные инженерные задачи оптимизации многокритериальные. Выделяют класс задач многоцелевой или многокритериальной оптимизации (класс МКО-задач).
В МКО-задаче предполагается, что задана вектор-функция компоненты которой называются частными критериями оптимальности. Эта функция определена на множестве допустимых значений (множестве альтернатив) вектора варьируемых параметров X. Лицу, принимающему решения (ЛПР), желательно найти такое решение на множестве , которое минимизировало бы (для определенности) все компоненты вектор-функции .
Прямой адаптивный метод решения МКО-задачи, который рассматривается в данной работе, основан на предположении существования функции предпочтения (ФП) лица, принимающего решения , определенной на множестве и выполняющей его отображение во множество Показать все

Введение 3
1.Постановка задачи многокритериальной оптимизации 4
2.Метод решения задачи 6
3.Особенности нейросетевой аппроксимации ФП ЛПР 7
3.1.Особенности аппроксимации ФП ЛПР с помощью аппарата нечеткой логики ………… 7
3.2.Особенности аппроксимации ФП ЛПР с помощью аппарата нейро-нечеткого вывода 8
4.Исследование эффективности методов 9
5. Задачи многокритериальной оптимизации
5.1. Задачи о производстве клея с двумя целевыми функциями……..………12
5.2. Задача о рюкзаке с двумя целевыми функциями…………………………15
Выводы 19
Список литературы 220
1. Лотов А.В. Введение в экономико-математическое моделирование. – М.: Наука, 1984. 392 с.
2. Карпенко А.П., Федорук В.Г. Адаптивные методы решения задачи многокритериальной оптимизации, использующие аппроксимацию функции предпочтений лица, принимающего решения // Электронное научно-техническое издание: наука и образование. 2008. №8. (http://technomag.edu.ru/doc/101804.html).
3. Штойер Р. Многокритериальная оптимизация. Теория, вычисления и приложения. – М.: Радио и связь, 1992. 504 с.
4. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2002. 382 с.
5. Ларичев О.И. Теория и методы принятия решений. – М.: Университетская книга, Логос, 2006. 392 с.
6. Карпенко А.П., Федорук В.Г. Аппроксимация функции предпочтений лица, принимающего ре Показать все
Используется схема нечеткого вывода Мамдани, которая выполняется за два шага [6]. Шаг 1. Положим, что выполнено N экспериментов по определению значений лингвистической переменной . Пусть в этих экспериментов переменная приняла значение QUOTE ψ1 , в экспериментах – значение и т.д. до и . Соответствующие входные векторы обозначим , , .Матрицу знаний представим в виде , .Шаг 2. Тонкая настройка модели (параметрическая идентификация модели) осуществляется путем подбора следующих параметров: полуширина a функций принадлежности входных переменных QUOTE μi,j,kλ ; полуширина функций принадлежности выходных переменных QUOTE μijkψ ; величина δ, определяющая закон изменения весовых множителей правил. Область допустимых значений указанных параметров представляет собой параллелепипед Q Показать все
Автор24 - это фриланс-биржа. Все работы, представленные на сайте, загружены нашими пользователями, которые согласились с правилами размещения работ на ресурсе и обладают всеми необходимыми авторскими правами на данные работы. Скачивая работу вы соглашаетесь с тем что она не будет выдана за свою, а будет использована использовать исключительно как пример или первоисточник с обязательной ссылкой на авторство работы. Если вы правообладатель и считаете что данная работа здесь размещена без вашего разрешения - пожалуйста, заполните форму и мы обязательно удалим ее с сайта. Заполнить форму
Оценим бесплатно
за 10 минут
Эта работа вам не подошла?
У наших авторов вы можете заказать любую учебную работу от 200 руб.
Оформите заказ и авторы начнут откликаться уже через 10 минут!
Заказать курсовую работу