“М’які” методи обчислення в оцінці об’єктів складних систем

Заголовок (англійською): 
“Soft” calculation methods in the evaluation objects of complex systems
Автор(и): 
Цюцюра М. І.
Єрукаєв А. В.
Крук П. О.
Лисицін О. Б.
Автор(и) (англ): 
Tsiutsiura M.
Yerukaiev A.
Kruk P.
Lysytsin O.
Ключові слова (укр): 
об’єкти складних систем; «м’які» обчислення; фактори впливу; комфортність; нечіткі множини
Ключові слова (англ): 
objects of complex systems; “soft” calculations; influencing factors; comfort; fuzzy sets
Анотація (укр): 
На сьогодні людство у своїй діяльності доволі часто взаємодіє зі складними системами економічної, транспортної, будівельної та багатьох інших галузей. Складність цих систем проявляться у великій кількості зв’язків між елементами, що поєднані не лише між собою, а й з іншими підсистемами. Кожна з таких галузей складається з уже добре вивчених і проаналізованих систем, як, наприклад, нарахування заробітної плати працівникам. Але, окрім того, до їх складу входять також системи, які спираються на якісну складову, що ще не мають розвиненого математичного опису. До таких систем належить вплив внутрішнього клімату, що поєднує членів колективу організації, на продуктивність праці. Науковцями запропоновано для вирішення цієї проблеми багато різних підходів, що ґрунтуються на використанні статистичних, диференційних методів. Навіть доволі популярне на сьогодні машинне навчання також використовується в таких задачах. Але переважна більшість з них має складну структуру, що проявляється у використанні апарату вищої математики. Через це розуміння самої моделі, її застосування відходить на другий план. Отже, насамперед постає вимога знати й орієнтуватися в складному математичному описі. Через це лише вузьке коло спеціалістів здатне застосовувати моделі, що побудовані з використанням такої технології. Автори статті пропонують свій підхід, в основі якого лежить метод штучного інтелекту. Йдеться про «м’які» методи, що складаються з таких складових, як нейронні мережі, генетичні алгоритми та нечіткі множини. Саме на останніх автори і зосередили найбільше свою увагу для оцінки об’єктів складних систем. Звичайно, одного методу замало, щоб розроблена модель змогла адекватно представити роботу системи, що досліджується. Отже, для забезпечення можливості її динамічного опису також були задіяні методи генетичного алгоритму. Звичайно, такі методи також мають математичний опис. Але, на відміну від строгих математичних методів, у цих двох підходах штучного інтелекту доволі добре представлена наочна складова. Це дає змогу майже відразу відповідати на питання, як було отримано те чи інше значення в процесі роботи моделі з можливістю не використовувати для цього формули. У результаті проведеної роботи створено структурну нечітку модель, що розширена методами кросинговеру та селекції.
Анотація (англ): 
Today, humanity in its activities quite often interacts with complex systems of economic, transport, construction and many other industries. The complexity of these systems will be manifested in a large number of connections between elements that are connected not only to each other, but also to other subsystems. Each of these industries consists of already well-studied and analyzed systems, such as employee payroll. But, in addition, they also include systems based on a qualitative component that do not yet have a developed mathematical description. Such systems include the influence of the internal climate that unites the members of the organization's team on labor productivity. Scientists have proposed many different approaches to solving this problem based on the use of statistical, differential methods. Even machine learning, which is quite popular today, is also used in these tasks. But the vast majority of them have a complex structure, which is manifested in the use of the apparatus of higher mathematics. Because of this understanding of the model itself, its application recedes into the background. Accordingly, the first place is the requirement to know and navigate in a complex mathematical description. Because of this, only a narrow circle of specialists is able to use models built using this technology. The authors of this article propose their approach, which is based on the method of artificial intelligence. We are talking about "soft" methods consisting of such components as neural networks, genetic algorithms and fuzzy sets. It was on the latter that the authors focused most of their attention for evaluating the objects of complex systems. Of course, one method is not enough for the developed model to adequately represent the operation of the system under study. And thus, to ensure the possibility of its dynamic description, genetic algorithm methods were also used. Of course, these methods also have a mathematical description. But, in contrast to strict mathematical methods, in these two approaches of artificial intelligence, the visual component is quite well represented. This allows you to almost immediately answer the question of how this or that value was obtained during the operation of the model, with the option of not using formulas for this. As a result of the work carried out, a structural fuzzy model was created, which was expanded by the methods of crossing over and selection.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 55, 2023
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 55, 2023
Мова статті: 
English
Формат документа: 
application/pdf
Документ: 
104-108.pdf
Дата публікації: 
23 Ноябрь 2023
Номер збірника: 
55
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Київський національний торговельно-економічний університет, Київ; Київський національний університет будівництва і архітектури, Київ
Литература: 
  1. Tsiutsiura, Mykola, Kostyshyna, Nataliia, Yerukaiev, Andrii, Danylyshyn, Serhii, Honcharenko, Yevhenii & Tao, Li. (2022). Research of Housing Comfort Using Linguistic Variables. 2022 International Conference on Smart Information Systems and Technologies, SIST 2022 Nur-Sultan 28 April 2022-30 April, Pp. 63 – 68.
  2. Smitiukh, Y., Samoilenko, Y., Kostiuk, Y., Kryvoruchko, O., Stepashkina, K. (2022). Development of a prototype of an intelligent system for predicting the quality of dairy manufacture. 2022 IEEE 11th International Conference on Intelligent Systems, IS 2022.
  3. Zaiats, V. S. (2019). The development of residential construction as a factor in the formation of living conditions of the population. Demography and Social Economy, 2 (3), 137–151
  4. Tereikovskyi, I., Tereikovska, L., Kryvoruchko, O., Tyshchenko, D. & Franchuk, T. (2022). Speaker's Emotions Recognition Module Based on the GoogleLeNet Neural Network. SIST 2022 - 2022 International Conference on Smart Information Systems and Technologies, Proceedings.
  5. Tsyfra, T. Yu. (2018). Classification of housing according to types of availability by the method of discriminant analysis. Effective economy, 9.
  6. Tsiutsiura, Mykola, Terentiev, Oleksandr, Tsiutsiura, Svitlana, Yerukaiev, Andrii, Kyivska, Kateryna & Kuleba, Mykola. (2020). Protection of information in assessing the factors of influence. 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory (IEEE ATIT 2020), P. 285–291.
  7. Pratibha, Rani, Arunodaya, Raj Mishra. (2022). Interval-valued fermatian fuzzy sets with multi-criteria weighted aggregated sum product assessment-based decision analysis framework. Neural Computing and Applications, 34, 8051–8067.
  8. Akhmetov, B. S., Lakhno, V., Akhmetov, B. B., Kryvoruchko, O., Desiatko, A. (2022). Application of a Genetic Algorithm for the Selection of the Optimal Composition of Protection Tools of the Information and Educational System of the University. Procedia Computer Science. 125, 598–607.
  9. Jennings, Paul C., Lysgaard, Steen, Hummelshøj, Jens Strabo, Vegge, Tejs, Bligaard, Thomas. (2019). Genetic algorithms for computational materials discovery accelerated by machine learning. Computational Materials, 5(46)
  10. Berezutskyi, Hor, Tsiutsiura, Svitlana, Rusan, Ihor, Sachenko, Illia & Danylyshyn, Serhii. (2023). Disadvantages of Using Scrum Model in IT Projects. 2023 IEEE International conference on smart information systems and technologies
  11. Kyivska, K. I., Tsiutsiura, S. V., Tsiutsiura, M. I., Kryvoruchko, O. V., Yerukaiev, A. V.& Hots, V. V. (2019). A study of the concept of parametric modeling of construction objects. International Journal of Mechanical Engineering and Technology (IJMET), 10(04), 199–209.
  12. Su-Hyun, Han, Ko Woon, Kim, SangYun, Kim, Young, Chul Youn. (2018). Artificial neural network: understanding the basic concepts without mathematics. Dement Neurocognitive Disord, 17(3), 83–89.
References: 
  1. Tsiutsiura, Mykola, Kostyshyna, Nataliia, Yerukaiev, Andrii, Danylyshyn, Serhii, Honcharenko, Yevhenii & Tao, Li. (2022). Research of Housing Comfort Using Linguistic Variables. 2022 International Conference on Smart Information Systems and Technologies, SIST 2022 Nur-Sultan 28 April 2022-30 April, Pp. 63 – 68.
  2. Smitiukh, Y., Samoilenko, Y., Kostiuk, Y., Kryvoruchko, O., Stepashkina, K. (2022). Development of a prototype of an intelligent system for predicting the quality of dairy manufacture. 2022 IEEE 11th International Conference on Intelligent Systems, IS 2022.
  3. Zaiats, V. S. (2019). The development of residential construction as a factor in the formation of living conditions of the population. Demography and Social Economy, 2 (3), 137–151
  4. Tereikovskyi, I., Tereikovska, L., Kryvoruchko, O., Tyshchenko, D. & Franchuk, T. (2022). Speaker's Emotions Recognition Module Based on the GoogleLeNet Neural Network. SIST 2022 - 2022 International Conference on Smart Information Systems and Technologies, Proceedings.
  5. Tsyfra, T. Yu. (2018). Classification of housing according to types of availability by the method of discriminant analysis. Effective economy, 9.
  6. Tsiutsiura, Mykola, Terentiev, Oleksandr, Tsiutsiura, Svitlana, Yerukaiev, Andrii, Kyivska, Kateryna & Kuleba, Mykola. (2020). Protection of information in assessing the factors of influence. 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory (IEEE ATIT 2020), P. 285–291.
  7. Pratibha, Rani, Arunodaya, Raj Mishra. (2022). Interval-valued fermatian fuzzy sets with multi-criteria weighted aggregated sum product assessment-based decision analysis framework. Neural Computing and Applications, 34, 8051–8067.
  8. Akhmetov, B. S., Lakhno, V., Akhmetov, B. B., Kryvoruchko, O., Desiatko, A. (2022). Application of a Genetic Algorithm for the Selection of the Optimal Composition of Protection Tools of the Information and Educational System of the University. Procedia Computer Science. 125, 598–607.
  9. Jennings, Paul C., Lysgaard, Steen, Hummelshøj, Jens Strabo, Vegge, Tejs, Bligaard, Thomas. (2019). Genetic algorithms for computational materials discovery accelerated by machine learning. Computational Materials, 5(46)
  10. Berezutskyi, Hor, Tsiutsiura, Svitlana, Rusan, Ihor, Sachenko, Illia & Danylyshyn, Serhii. (2023). Disadvantages of Using Scrum Model in IT Projects. 2023 IEEE International conference on smart information systems and technologies
  11. Kyivska, K. I., Tsiutsiura, S. V., Tsiutsiura, M. I., Kryvoruchko, O. V., Yerukaiev, A. V.& Hots, V. V. (2019). A study of the concept of parametric modeling of construction objects. International Journal of Mechanical Engineering and Technology (IJMET), 10(04), 199–209.
  12. Su-Hyun, Han, Ko Woon, Kim, SangYun, Kim, Young, Chul Youn. (2018). Artificial neural network: understanding the basic concepts without mathematics. Dement Neurocognitive Disord, 17(3), 83–89.