16.Verfahren (Schema) der Fuzzy-Logik-Schlussfolgerung. Ein Beispiel für Fuzzy-Inferenz zur Ausführung mehrerer Regeln. Vor- und Nachteile von Systemen, die auf Fuzzy-Logik basieren.
Unter Fuzzifizierung versteht man den Prozess des Übergangs von einer klaren Menge zu einer unscharfen Menge.
Aggregation der Voraussetzungen – für jede Regel a 
-Schnitt- und Clipping-Ebenen.
Aktivierung von Regeln – Die Aktivierung basiert auf jeder ihrer Regeln, basierend auf Min-Aktivierung (Mamdani), Produkt-Aktivierung (Larsen).
Akkumulation der Ausgabe – Zusammensetzung, Vereinigung der gefundenen abgeschnittenen Fuzzy-Sets mithilfe der Max-Disjunction-Operation.
Eine linguistische Variable ist eine Variable, deren Werte Begriffe (Wörter, Phrasen in natürlicher Sprache) sind.
Jeder Wert einer linguistischen Variablen entspricht einer bestimmten Fuzzy-Menge mit einer eigenen Zugehörigkeitsfunktion.
Anwendungsbereich der Fuzzy-Logik:
1) Unzulänglichkeit oder Unsicherheit des Wissens, wenn die Informationsbeschaffung eine schwierige oder unmögliche Aufgabe ist.
2) Wenn es Schwierigkeiten bei der Verarbeitung unsicherer Informationen gibt.
3) Transparenz der Modellierung (im Gegensatz zu neuronalen Netzen).
Anwendungsbereich der Fuzzy-Logik:
1) Bei der Gestaltung von Unterstützungssystemen und Entscheidungsfindung auf Basis von Expertensystemen.
2) Bei der Entwicklung von Fuzzy-Reglern zur Steuerung technischer Systeme.
„+“: 1) Lösung schlecht formalisierter Probleme.
2) Anwendung in Bereichen, in denen es wünschenswert ist, die Werte von Variablen in sprachlicher Form auszudrücken.
„–“: 1) Das Problem der Auswahl einer Mitgliedschaftsfunktion (gelöst bei der Erstellung hybrider intelligenter Systeme)
2) Das formulierte Regelwerk kann sich als unvollständig und widersprüchlich erweisen.
*16.Verfahren (Schema) der Fuzzy-Logik-Schlussfolgerung. Ein Beispiel für Fuzzy-Inferenz zur Ausführung mehrerer Regeln. Vor- und Nachteile von Systemen, die auf Fuzzy-Logik basieren.
Das Endergebnis hängt von der Wahl des NLV und der Defuzzifizierungsmethode ab.
P1: Wenn die Temperatur (T) niedrig UND die Luftfeuchtigkeit (F) durchschnittlich ist, ist das Ventil halb geöffnet.
P2: Wenn die Temperatur (T) niedrig UND die Luftfeuchtigkeit (F) hoch ist, ist das Ventil geschlossen.
NLV: Max-Min-Methode (Mamdani);
Defuzzifizierung: Durchschnitt der maximalen Methode.
17.Künstliche neuronale Netze. Merkmale eines biologischen Neurons. Modell eines künstlichen Neurons.
Neuronale Netze beziehen sich auf Rechenstrukturen, die einfache biologische Prozesse modellieren, die üblicherweise mit denen des menschlichen Gehirns verbunden sind. Das menschliche Nervensystem und Gehirn bestehen aus Neuronen, die durch Nervenfasern verbunden sind und elektrische Impulse zwischen Neuronen übertragen können.
Ein Neuron ist eine Nervenzelle, die Informationen verarbeitet. Es besteht aus einem Körper (Kern und Plasma) und Fortsätzen zweier Arten von Nervenfasern – Dendriten, durch die Impulse von den Axonen anderer Neuronen empfangen werden, und einem eigenen Axon (am Ende verzweigt es sich in Fasern), durch das es kann einen vom Zellkörper erzeugten Impuls weiterleiten. An den Enden der Fasern befinden sich Synapsen, die die Stärke des Impulses beeinflussen. Wenn ein Impuls ein synaptisches Terminal erreicht, werden bestimmte Chemikalien, sogenannte Nicht-Protransmitter, freigesetzt, die die Fähigkeit des Empfängerneurons, elektrische Impulse zu erzeugen, anregen oder hemmen. Synapsen können abhängig von der Aktivität der Prozesse, an denen sie beteiligt sind, lernen. Synapsengewichte können sich im Laufe der Zeit ändern, wodurch sich das Verhalten des entsprechenden Neurons ändert.
Künstliches Neuronenmodell
x 1 …x n – Neuroneneingangssignale, die von anderen Neuronen kommen. W 1 ...W n – synaptische Gewichte.
Multiplikatoren (Synapsen) – Kommunikation zwischen Neuronen, Multiplikation des Eingangssignals mit einer Zahl, die die Stärke der Verbindung kennzeichnet.
Addierer – Addition von Signalen, die über synaptische Verbindungen von anderen Neuronen eintreffen.
*17.Künstliche neuronale Netze. Merkmale eines biologischen Neurons. Modell eines künstlichen Neurons.
Nichtlinearer Wandler
– implementiert eine nichtlineare Funktion eines Arguments – der Ausgabe des Addierers. Diese Funktion wird aufgerufen Aktivierungsfunktion
oder Übertragungsfunktion
Neuron. 
;
Neuronenmodell:
1) Berechnet die gewichtete Summe seiner Eingaben von anderen Neuronen.
2) An den Neuroneneingängen gibt es erregende und hemmende Synapsen
3) Wenn die Summe der Eingänge den Neuronenschwellenwert überschreitet, wird ein Ausgangssignal erzeugt.
Arten von Aktivierungsfunktionen:
1) Schwellenwertfunktion: Bereich (0;1)
„+“: einfache Implementierung und hohe Rechengeschwindigkeit
2) Sigmoidal (logistische Funktion)
Mit abnehmendem a wird das Segment flacher; wenn a=0, wird es zu einer geraden Linie.
„+“: ein einfacher Ausdruck seiner Ableitung sowie die Fähigkeit, schwache Signale besser zu verstärken als große und eine Sättigung großer Signale zu verhindern.
„-“: Der Wertebereich ist klein (0,1).
3) Hyperbolischer Tangens: Bereich (-1,1)
Mithilfe von Fuzzy-Sets können ungenaue und mehrdeutige Konzepte wie „hohe Temperatur“ oder „Großstadt“ formal definiert werden. Um die Definition einer Fuzzy-Menge zu formulieren, ist es notwendig, den sogenannten Argumentationsumfang festzulegen. Wenn wir beispielsweise die Geschwindigkeit eines Autos schätzen, beschränken wir uns auf den Bereich X = , wobei Vmax die Höchstgeschwindigkeit ist, die das Auto erreichen kann. Es muss beachtet werden, dass X eine eindeutige Menge ist.
Grundkonzepte
Fuzzy-Set A in einem nichtleeren Raum X ist die Menge der PaareWo 
ist die Zugehörigkeitsfunktion der Fuzzy-Menge A. Diese Funktion weist jedem Element x den Grad seiner Zugehörigkeit zur Fuzzy-Menge A zu.
Betrachten Sie in Fortsetzung des vorherigen Beispiels drei ungenaue Formulierungen:
- „Geringe Fahrzeuggeschwindigkeit“;
- „Durchschnittliche Fahrzeuggeschwindigkeit“;
- „Hohe Fahrzeuggeschwindigkeit.“
Die Abbildung zeigt Fuzzy-Sets entsprechend den obigen Formulierungen unter Verwendung von Zugehörigkeitsfunktionen. 
An einem festen Punkt X=40km/h. Die Zugehörigkeitsfunktion der Fuzzy-Menge „geringe Fahrzeuggeschwindigkeit“ nimmt den Wert 0,5 an. Die Zugehörigkeitsfunktion der Fuzzy-Menge „durchschnittliche Fahrzeuggeschwindigkeit“ nimmt den gleichen Wert an, während für die Menge „hohe Fahrzeuggeschwindigkeit“ der Wert der Funktion an dieser Stelle 0 ist.
Es wird eine Funktion T zweier Variablen T: x -> aufgerufen T-Norm, Wenn:
- ist bezüglich beider Argumente nicht wachsend: T(a, c)< T(b, d) для a < b, c < d;
- ist kommutativ: T(a, b) = T(b, a);
- erfüllt die Verbindungsbedingung: T(T(a, b), c) = T(a, T(b, c));
- die Randbedingungen erfüllt: T(a, 0) = 0, T(a, 1) = a.
Direkte Fuzzy-Inferenz
Unter unklare Schlussfolgerung wird als ein Prozess verstanden, bei dem einige, möglicherweise auch unscharfe, Konsequenzen aus unscharfen Prämissen gewonnen werden. Annäherungsdenken liegt der menschlichen Fähigkeit zugrunde, natürliche Sprache zu verstehen, Handschrift zu entziffern, Spiele zu spielen, die geistige Anstrengung erfordern, und im Allgemeinen Entscheidungen in komplexen und unvollkommen definierten Umgebungen zu treffen. Diese Fähigkeit, in qualitativen, ungenauen Begriffen zu argumentieren, unterscheidet die menschliche Intelligenz von der Computerintelligenz.Die Grundregel der Schlussfolgerung in der traditionellen Logik ist die Regel des Modus Ponens, nach der wir die Wahrheit der Aussage B anhand der Wahrheit der Aussagen A und A -> B beurteilen. Wenn A beispielsweise die Aussage „Stepan ist ein Astronaut“ ist „, B ist die Aussage „Stepan fliegt ins All“ , dann ist die Aussage „Stepan ist ein Astronaut“ und „Wenn Stepan ein Astronaut ist, dann fliegt er ins All“ wahr, dann ist die Aussage „Stepan fliegt ins All“. stimmt auch.
Im Gegensatz zur traditionellen Logik wird das Hauptwerkzeug der Fuzzy-Logik jedoch nicht die Modus-Ponens-Regel sein, sondern die sogenannte kompositorische Inferenzregel, ein ganz besonderer Fall davon ist die Modus-Ponens-Regel.
Angenommen, es gibt eine Kurve y=f(x) und der Wert x=a ist gegeben. Aus der Tatsache, dass y=f(x) und x=a ist, können wir dann schließen, dass y=b=f(a). 
Lassen Sie uns diesen Prozess nun verallgemeinern, indem wir annehmen, dass a ein Intervall und f(x) eine Funktion ist, deren Werte Intervalle sind. Um in diesem Fall das Intervall y=b zu finden, das dem Intervall a entspricht, konstruieren wir zunächst die Menge a" mit der Basis a und finden ihren Schnittpunkt I mit der Kurve, deren Werte Intervalle sind. Dann projizieren wir diesen Schnittpunkt auf OY Achse und erhalten den gewünschten Wert von y in der Form eines Intervalls b. Aus der Tatsache, dass y=f(x) und x=A eine Fuzzy-Teilmenge der OX-Achse ist, erhalten wir den Wert von y in Form einer Fuzzy-Teilmenge B der OY-Achse.
Seien U und V zwei universelle Mengen mit den Basisvariablen u bzw. v. Seien A und F Fuzzy-Teilmengen der Mengen U und U x V. Dann besagt die kompositorische Inferenzregel, dass die Fuzzy-Menge B = A * F aus den Fuzzy-Mengen A und F folgt.
Seien A und B Fuzzy-Anweisungen und m(A), m(B) die entsprechenden Zugehörigkeitsfunktionen. Dann entspricht die Implikation A -> B einer Zugehörigkeitsfunktion m(A -> B). In Analogie zur traditionellen Logik kann man das vermuten
Dann
Dies ist jedoch nicht die einzige Verallgemeinerung des Implikationsoperators; es gibt noch andere.
Durchführung
Um die direkte Fuzzy-Inferenzmethode zu implementieren, müssen wir den Implikationsoperator und die T-Norm auswählen.Angenommen, T-norm sei die Minimalfunktion:
und der Implikationsoperator ist die Gödel-Funktion:
Die Eingabedaten enthalten Wissen (Fuzzy-Sets) und Regeln (Implikationen), zum Beispiel:
A = ((x1, 0,0), (x2, 0,2), (x3, 0,7), (x4, 1,0)).
B = ((x1, 0,7), (x2, 0,4), (x3, 1,0), (x4, 0,1)).
A => B.
Die Implikation wird in Form einer kartesischen Matrix dargestellt, deren jedes Element mithilfe des ausgewählten Implikationsoperators (in diesem Beispiel der Gödel-Funktion) berechnet wird:
- def compute_impl(set1, set2):
- """
Computerimplikationen
"""- Beziehung = ()
- für i in set1.items():
- Beziehung[i] = ()
- für j in set2.items():
- v1 = set1.value(i)
- v2 = set2.value(j)
- Beziehung[i][j] = impl(v1, v2)
- Rückkehrbeziehung
Für die oben genannten Daten wäre es:
Abschluss:
A => B.
x1 x2 x3 x4
x1 1,0 1,0 1,0 1,0
x2 1,0 1,0 1,0 0,1
x3 1,0 0,4 1,0 0,1
x4 0,7 0,4 1,0 0,1
- def Schlussfolgerung (Menge, Relation):
- """
Abschluss
"""- con_set =
- für mich im Verhältnis:
- l =
- für j in Relation[i]:
- v_set = Satz.value(i)
- v_impl = Beziehung[i][j]
- l.append(t_norm(v_set, v_impl))
- Wert = max(l)
- conl_set.append((i, value))
- conl_set zurückgeben
Ergebnis:
B" = ((x1, 1,0), (x2, 0,7), (x3, 1,0), (x4, 0,7)).
Quellen
- Rutkovskaya D., Pilinsky M., Rutkovsky L. Neuronale Netze, genetische Algorithmen und Fuzzy-Systeme: Transl. aus dem Polnischen I. D. Rudinsky. - M.: Hotline - Telecom, 2006. - 452 S.: Abb.
- Zadeh L. A. Fuzzy Sets, Information and Control, 1965, Bd. 8, s. 338-353
Die mathematische Theorie der Fuzzy-Mengen und die Fuzzy-Logik sind Verallgemeinerungen klassische Theorie Mengen und klassische formale Logik. Diese Konzepte wurden erstmals 1965 vom amerikanischen Wissenschaftler Lotfi Zadeh vorgeschlagen. Der Hauptgrund für das Erscheinen neue Theorie wurde zum Vorhandensein von unscharfem und ungefährem Denken, wenn eine Person Prozesse, Systeme und Objekte beschreibt.
Bevor der Fuzzy-Ansatz zur Modellierung komplexer Systeme weltweit Anerkennung fand, war seit der Einführung der Theorie der Fuzzy-Mengen mehr als ein Jahrzehnt vergangen. Und auf diesem Weg der Entwicklung von Fuzzy-Systemen ist es üblich, drei Perioden zu unterscheiden.
Die erste Periode (Ende der 60er–Anfang der 70er Jahre) ist durch die Entwicklung des theoretischen Apparats der Fuzzy-Mengen gekennzeichnet (L. Zadeh, E. Mamdani, Bellman). In der zweiten Periode (70–80er Jahre) die erste praktische Ergebnisse im Bereich der Fuzzy-Regelung komplexer technischer Systeme (Dampferzeuger mit Fuzzy-Regelung). Gleichzeitig begann man sich mit der Konstruktion von Expertensystemen auf Basis von Fuzzy-Logik und der Entwicklung von Fuzzy-Controllern zu befassen. Fuzzy-Expertensysteme zur Entscheidungsunterstützung sind in der Medizin und Wirtschaft weit verbreitet. In der dritten Periode schließlich, die seit Ende der 80er Jahre andauert und bis heute andauert, erscheinen schließlich Softwarepakete zum Aufbau von Fuzzy-Expertensystemen, und die Anwendungsbereiche der Fuzzy-Logik erweitern sich merklich. Es wird in der Automobil-, Luft- und Raumfahrt- und Transportindustrie, im Bereich Haushaltsgeräte, im Finanz-, Analyse- und Managemententscheidungsprozess und vielen anderen Bereichen eingesetzt.
Der Siegeszug der Fuzzy-Logik um die Welt begann, nachdem Bartholomew Kosko Ende der 80er Jahre den berühmten FAT-Satz (Fuzzy Approximation Theorem) bewiesen hatte. In der Wirtschaft und im Finanzwesen erlangte die Fuzzy-Logik Anerkennung, nachdem 1988 ein auf Fuzzy-Regeln basierendes Expertensystem zur Vorhersage von Finanzindikatoren als einziges System einen Börsencrash vorhersagte. Und die Zahl erfolgreicher Fuzzy-Anwendungen geht mittlerweile in die Tausende.
Mathematischer Apparat
Ein Merkmal einer Fuzzy-Menge ist die Zugehörigkeitsfunktion. Bezeichnen wir mit MF c (x) den Grad der Zugehörigkeit zur Fuzzy-Menge C, die eine Verallgemeinerung des Konzepts der charakteristischen Funktion einer gewöhnlichen Menge darstellt. Dann ist eine Fuzzy-Menge C eine Menge geordneter Paare der Form C=(MF c (x)/x), MF c (x) . Der Wert MF c (x)=0 bedeutet keine Zugehörigkeit zur Menge, 1 bedeutet vollständige Zugehörigkeit.
Lassen Sie uns dies anhand eines einfachen Beispiels veranschaulichen. Lassen Sie uns die ungenaue Definition von „heißem Tee“ formalisieren. Das x (Diskussionsbereich) ist die Temperaturskala in Grad Celsius. Offensichtlich wird er zwischen 0 und 100 Grad variieren. Ein Fuzzy-Set für das Konzept „Heißer Tee“ könnte so aussehen:
C=(0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50; 0,80/60; 0,90/70; 1/80; 1/90; 1/100).
Somit gehört Tee mit einer Temperatur von 60 C zur Gruppe „Heiß“ mit einem Zugehörigkeitsgrad von 0,80. Für den einen mag Tee mit einer Temperatur von 60 °C heiß sein, für den anderen vielleicht nicht zu heiß. Genau hier zeigt sich die Unbestimmtheit der Angabe der entsprechenden Menge.
Für Fuzzy-Sets sind wie für gewöhnliche Mengen die grundlegenden logischen Operationen definiert. Die grundlegendsten für Berechnungen sind Schnittmenge und Vereinigung.
Schnittpunkt zweier Fuzzy-Mengen (Fuzzy „AND“): A B: MF AB (x)=min(MF A (x), MF B (x)).
Vereinigung zweier Fuzzy-Mengen (Fuzzy „OR“): A B: MF AB (x)=max(MF A (x), MF B (x)).
In der Theorie der Fuzzy-Mengen wurde ein allgemeiner Ansatz zur Implementierung von Schnitt-, Vereinigungs- und Komplementoperatoren entwickelt, umgesetzt in den sogenannten Dreiecksnormen und Konormen. Die oben genannten Implementierungen der Schnitt- und Vereinigungsoperationen sind die häufigsten Fälle von T-Norm und T-Konorm.
Zur Beschreibung von Fuzzy-Mengen werden die Konzepte von Fuzzy- und linguistischen Variablen eingeführt.
Eine Fuzzy-Variable wird durch eine Menge (N,X,A) beschrieben, wobei N der Name der Variablen ist,
Die Werte einer linguistischen Variablen können Fuzzy-Variablen sein, d.h. die linguistische Variable liegt auf einem höheren Niveau als die Fuzzy-Variable. Jede linguistische Variable besteht aus:
- Titel;
- Menge seiner Werte, die auch als Grundausdrucksmenge T bezeichnet wird. Die Elemente der Grundausdrucksmenge sind die Namen von Fuzzy-Variablen;
- Universalset X;
- syntaktische Regel G, nach der neue Begriffe unter Verwendung von Wörtern einer natürlichen oder formalen Sprache generiert werden;
- Semantische Regel P, die jeden Wert einer linguistischen Variablen einer Fuzzy-Teilmenge der Menge X zuordnet.
Betrachten wir ein so unscharfes Konzept wie „Aktienkurs“. Dies ist der Name der linguistischen Variablen. Lassen Sie uns dafür einen grundlegenden Begriffssatz bilden, der aus drei Fuzzy-Variablen besteht: „Niedrig“, „Mittel“, „Hoch“ und legen Sie den Argumentationsumfang in der Form X= (Einheiten) fest. Als letztes müssen noch Zugehörigkeitsfunktionen für jeden linguistischen Begriff aus dem Basisbegriffssatz T konstruiert werden.
Es gibt über ein Dutzend Standardkurvenformen zum Spezifizieren von Zugehörigkeitsfunktionen. Am häufigsten werden dreieckige, trapezförmige und Gaußsche Zugehörigkeitsfunktionen verwendet.
Die dreieckige Zugehörigkeitsfunktion wird durch ein Zahlentripel (a,b,c) definiert und ihr Wert am Punkt x wird gemäß dem Ausdruck berechnet:
$$MF\,(x) = \,\begin(cases) \;1\,-\,\frac(b\,-\,x)(b\,-\,a),\,a\leq \,x\leq \,b &\ \\ 1\,-\,\frac(x\,-\,b)(c\,-\,b),\,b\leq \,x\leq \ ,c &\ \\ 0, \;x\,\not \in\,(a;\,c)\ \end(cases)$$
Wenn (b-a)=(c-b) gilt, haben wir den Fall einer symmetrischen dreieckigen Zugehörigkeitsfunktion, die durch zwei Parameter aus dem Tripel (a,b,c) eindeutig angegeben werden kann.
Um eine trapezförmige Zugehörigkeitsfunktion anzugeben, werden ebenfalls vier Zahlen (a,b,c,d) benötigt:
$$MF\,(x)\,=\, \begin(cases) \;1\,-\,\frac(b\,-\,x)(b\,-\,a),\,a \leq \,x\leq \,b & \\ 1,\,b\leq \,x\leq \,c & \\ 1\,-\,\frac(x\,-\,c)(d \,-\,c),\,c\leq \,x\leq \,d &\\ 0, x\,\not \in\,(a;\,d) \ \end(cases)$$
Wenn (b-a)=(d-c) nimmt die trapezförmige Zugehörigkeitsfunktion eine symmetrische Form an.
Die Zugehörigkeitsfunktion vom Gaußschen Typ wird durch die Formel beschrieben
$$MF\,(x) = \exp\biggl[ -\,(\Bigl(\frac(x\,-\,c)(\sigma)\Bigr))^2\biggr]$$
und arbeitet mit zwei Parametern. Parameter C bezeichnet die Mitte der Fuzzy-Menge und der Parameter ist für die Steigung der Funktion verantwortlich.
Die Sammlung der Zugehörigkeitsfunktionen für jeden Term im zugrunde liegenden Termsatz T wird normalerweise zusammen in einem einzigen Diagramm dargestellt. Abbildung 3 zeigt ein Beispiel für die oben beschriebene linguistische Variable „Aktienpreis“. Abbildung 4 zeigt eine Formalisierung des ungenauen Konzepts „Personenalter“. Somit beträgt für eine 48-jährige Person der Zugehörigkeitsgrad zur Gruppe „Jung“ 0, „Durchschnitt“ – 0,47, „Überdurchschnittlich“ – 0,20.
Die Anzahl der Begriffe in einer linguistischen Variablen überschreitet selten 7.
Unscharfe Schlussfolgerung
Grundlage für die Durchführung der Fuzzy-Logik-Inferenzoperation ist eine Regelbasis, die Fuzzy-Anweisungen in Form von „Wenn-Dann“ und Zugehörigkeitsfunktionen für die entsprechenden sprachlichen Begriffe enthält. In diesem Fall müssen folgende Bedingungen erfüllt sein:
- Für jeden sprachlichen Begriff der Ausgabevariablen gibt es mindestens eine Regel.
- Für jeden Term der Eingabevariablen gibt es mindestens eine Regel, in der dieser Term als Voraussetzung verwendet wird (die linke Seite der Regel).
Ansonsten liegt eine unvollständige Basis an Fuzzy-Regeln vor.
Die Regelbasis soll m Regeln der Form haben:
R 1: WENN x 1 A 11 ist... UND... x n ist A 1n, DANN ist y B 1
…
R i: WENN x 1 A i1 ist ... UND ... x n A in ist, DANN ist y B i
…
R m: WENN x 1 A i1 ist ... UND ... x n A mn ist, DANN ist y B m,
wobei x k, k=1..n – Eingabevariablen; y – Ausgabevariable; A ik – gegebene Fuzzy-Sets mit Zugehörigkeitsfunktionen.
Das Ergebnis der Fuzzy-Inferenz ist ein eindeutiger Wert der Variablen y * basierend auf den angegebenen eindeutigen Werten x k , k=1..n.
Im Allgemeinen umfasst der Inferenzmechanismus vier Stufen: Einführung von Unschärfe (Phasifizierung), Fuzzy-Inferenz, Zusammensetzung und Reduzierung auf Klarheit oder Defuzzifizierung (siehe Abbildung 5).
Fuzzy-Inferenzalgorithmen unterscheiden sich hauptsächlich in der Art der verwendeten Regeln. logische Operationen und eine Art Entfasifizierungsmethode. Es wurden Fuzzy-Inferenzmodelle von Mamdani, Sugeno, Larsen und Tsukamoto entwickelt.
Schauen wir uns die Fuzzy-Inferenz am Beispiel des Mamdani-Mechanismus genauer an. Dies ist die häufigste Inferenzmethode in Fuzzy-Systemen. Es verwendet eine Minimax-Zusammensetzung von Fuzzy-Sets. Dieser Mechanismus umfasst die folgende Abfolge von Aktionen.
- Phasifizierungsverfahren: Es werden Wahrheitsgrade ermittelt, d.h. Werte der Zugehörigkeitsfunktionen für die linken Seiten jeder Regel (Voraussetzungen). Für eine Regelbasis mit m Regeln bezeichnen wir die Wahrheitsgrade als A ik (x k), i=1..m, k=1..n.
Unscharfe Ausgabe. Zunächst werden die Grenzwerte für die linke Seite jeder Regel bestimmt:
$$alfa_i\,=\,\min_i \,(A_(ik)\,(x_k))$$
$$B_i^*(y)= \min_i \,(alfa_i,\,B_i\,(y))$$
Zusammensetzung oder Kombination der resultierenden abgeschnittenen Funktionen, für die die maximale Zusammensetzung von Fuzzy-Mengen verwendet wird:
$$MF\,(y)= \max_i \,(B_i^*\,(y))$$
Dabei ist MF(y) die Zugehörigkeitsfunktion der endgültigen Fuzzy-Menge.
Defuzzifizierung oder Klarheit bringen. Es gibt mehrere Defuzzifizierungsmethoden. Zum Beispiel die Mean-Center-Methode oder die Centroid-Methode:
$$MF\,(y)= \max_i \,(B_i^*\,(y))$$
Die geometrische Bedeutung dieses Werts ist der Schwerpunkt der MF(y)-Kurve. Abbildung 6 zeigt grafisch den Mamdani-Fuzzy-Inferenzprozess für zwei Eingabevariablen und zwei Fuzzy-Regeln R1 und R2.
Integration mit intelligenten Paradigmen
Die Hybridisierung von Methoden der intellektuellen Informationsverarbeitung ist das Motto, unter dem die 90er Jahre zwischen westlichen und amerikanischen Forschern vergingen. Durch die Kombination mehrerer Technologien der künstlichen Intelligenz entstand ein spezieller Begriff – „Soft Computing“, der 1994 von L. Zadeh eingeführt wurde. Derzeit kombiniert Soft Computing Bereiche wie Fuzzy-Logik, künstliche neuronale Netze, probabilistisches Denken und evolutionäre Algorithmen. Sie ergänzen sich gegenseitig und werden in verschiedenen Kombinationen zu hybriden intelligenten Systemen eingesetzt.
Der Einfluss der Fuzzy-Logik erwies sich als vielleicht am umfassendsten. So wie Fuzzy-Sets den Rahmen der Klassik erweiterten mathematische Theorie Sets hat die Fuzzy-Logik fast die meisten Data-Mining-Methoden „eingedrungen“ und sie mit neuen Funktionen ausgestattet. Nachfolgend finden Sie die interessantesten Beispiele für solche Assoziationen.
Fuzzy-Neuronale Netze
Fuzzy-Neuronale Netze führen Schlussfolgerungen auf der Grundlage von Fuzzy-Logik aus, die Parameter der Zugehörigkeitsfunktionen werden jedoch mithilfe von NN-Lernalgorithmen angepasst. Um die Parameter solcher Netzwerke auszuwählen, wenden wir daher die Fehler-Backpropagation-Methode an, die ursprünglich für das Training eines mehrschichtigen Perzeptrons vorgeschlagen wurde. Zu diesem Zweck wird das Fuzzy-Regelmodul in Form eines mehrschichtigen Netzwerks dargestellt. Ein Fuzzy-Neuronales Netzwerk besteht normalerweise aus vier Schichten: einer Schicht zur Phasenangabe von Eingabevariablen, einer Schicht zur Aggregation von Bedingungsaktivierungswerten, einer Schicht zur Aggregation von Fuzzy-Regeln und einer Ausgabeschicht.
Die am weitesten verbreiteten Architekturen für Fuzzy-Neuronale Netze sind ANFIS und TSK. Es ist erwiesen, dass solche Netzwerke universelle Approximatoren sind.
Schnell lernende Algorithmen und Interpretierbarkeit des gesammelten Wissens – diese Faktoren haben Fuzzy-Neuronale Netze heute zu einem der vielversprechendsten und effektivsten Soft-Computing-Tools gemacht.
Adaptive Fuzzy-Systeme
Klassische Fuzzy-Systeme haben den Nachteil, dass zur Formulierung von Regeln und Zugehörigkeitsfunktionen Experten der einen oder anderen Seite einbezogen werden müssen Fachgebiet, was nicht immer gewährleistet werden kann. Adaptive Fuzzy-Systeme lösen dieses Problem. In solchen Systemen erfolgt die Auswahl der Parameter eines Fuzzy-Systems im Zuge des Trainings anhand experimenteller Daten. Algorithmen zum Training adaptiver Fuzzy-Systeme sind im Vergleich zu Algorithmen zum Training neuronaler Netze relativ arbeitsintensiv und komplex und bestehen in der Regel aus zwei Schritten: 1. Generierung sprachlicher Regeln; 2. Korrektur der Mitgliedschaftsfunktionen. Das erste Problem ist ein erschöpfendes Suchtypproblem, das zweite ist ein Optimierungsproblem in kontinuierlichen Räumen. In diesem Fall entsteht ein gewisser Widerspruch: Um Fuzzy-Regeln zu generieren, werden Zugehörigkeitsfunktionen benötigt, und um Fuzzy-Inferenz durchzuführen, werden Regeln benötigt. Darüber hinaus ist bei der automatischen Generierung von Fuzzy-Regeln auf deren Vollständigkeit und Konsistenz zu achten.
Ein wesentlicher Teil der Methoden zum Training von Fuzzy-Systemen nutzt genetische Algorithmen. In der englischsprachigen Literatur entspricht dies einem speziellen Begriff – Genetic Fuzzy Systems.
Einen wesentlichen Beitrag zur Entwicklung der Theorie und Praxis von Fuzzy-Systemen mit evolutionärer Anpassung leistete eine Gruppe spanischer Forscher unter der Leitung von F. Herrera.
Unscharfe Abfragen
Fuzzy-Abfragen an Datenbanken sind eine vielversprechende Richtung moderne Systeme Informationsverarbeitung. Dieses Tool ermöglicht es, Abfragen in natürlicher Sprache zu formulieren, zum Beispiel: „Holen Sie sich eine Liste mit günstigen Wohnangeboten in der Nähe des Stadtzentrums“, was mit dem Standard-Abfragemechanismus nicht möglich ist. Zu diesem Zweck wurden Fuzzy-Relationalalgebra und spezielle Erweiterungen von SQL-Sprachen für Fuzzy-Abfragen entwickelt. Der Großteil der Forschung auf diesem Gebiet gehört den westeuropäischen Wissenschaftlern D. Dubois und G. Prade.
Fuzzy-Assoziationsregeln
Fuzzy-Assoziationsregeln sind ein Werkzeug zum Extrahieren von Mustern aus Datenbanken, die in Form sprachlicher Aussagen formuliert sind. Hier werden spezielle Konzepte der Fuzzy-Transaktion, Unterstützung und Zuverlässigkeit einer Fuzzy-Assoziationsregel vorgestellt.
Fuzzy-kognitive Karten
Fuzzy Cognitive Maps wurden 1986 von B. Kosko vorgeschlagen und werden zur Modellierung der Kausalbeziehungen verwendet, die zwischen den Konzepten eines bestimmten Bereichs identifiziert wurden. Im Gegensatz zu einfachen kognitiven Karten handelt es sich bei Fuzzy-Kognitiven Karten um einen gerichteten Fuzzy-Graphen, dessen Knoten Fuzzy-Mengen sind. Die gerichteten Kanten des Diagramms spiegeln nicht nur die Ursache-Wirkungs-Beziehungen zwischen Konzepten wider, sondern bestimmen auch den Grad des Einflusses (Gewicht) der verbundenen Konzepte. Der aktive Einsatz von Fuzzy-Cognitive-Maps als Mittel zur Modellierung von Systemen beruht auf der Möglichkeit einer visuellen Darstellung des analysierten Systems und der einfachen Interpretation von Ursache-Wirkungs-Beziehungen zwischen Konzepten. Die Hauptprobleme hängen mit dem Prozess der Erstellung einer kognitiven Karte zusammen, der nicht formalisiert werden kann. Darüber hinaus muss nachgewiesen werden, dass die erstellte kognitive Karte dem realen, modellierten System angemessen ist. Um diese Probleme zu lösen, wurden Algorithmen zur automatischen Erstellung kognitiver Karten auf der Grundlage von Datenstichproben entwickelt.
Fuzzy-Clustering
Fuzzy-Clustering-Methoden ermöglichen im Gegensatz zu Clear-Methoden (z. B. Kohonen-Neuronale Netze) die gleichzeitige Zugehörigkeit desselben Objekts zu mehreren Clustern, jedoch in unterschiedlichem Ausmaß. Fuzzy-Clustering ist in vielen Situationen „natürlicher“ als klares Clustering, beispielsweise für Objekte, die sich an der Grenze von Clustern befinden. Am gebräuchlichsten sind der c-means-Fuzzy-Selbstorganisationsalgorithmus und seine Verallgemeinerung in Form des Gustafson-Kessel-Algorithmus.
Literatur
- Zade L. Das Konzept einer linguistischen Variablen und ihre Anwendung zur ungefähren Entscheidungsfindung. – M.: Mir, 1976.
- Kruglov V.V., Dli M.I. Intelligente Informationssysteme: Computerunterstützung für Fuzzy-Logik- und Fuzzy-Inferenzsysteme. – M.: Fizmatlit, 2002.
- Leolenkov A.V. Fuzzy-Modellierung in MATLAB und fuzzyTECH. – St. Petersburg, 2003.
- Rutkowska D., Pilinski M., Rutkowski L. Neuronale Netze, genetische Algorithmen und Fuzzy-Systeme. – M., 2004.
- Masalovich A. Fuzzy-Logik in Wirtschaft und Finanzen. www.tora-centre.ru/library/fuzzy/fuzzy-.htm
- Kosko B. Fuzzy-Systeme als universelle Approximatoren // IEEE Transactions on Computers, vol. 43, Nr. 11, November 1994. – S. 1329-1333.
- Cordon O., Herrera F., Eine allgemeine Studie über genetische Fuzzy-Systeme // Genetische Algorithmen in Ingenieurwesen und Informatik, 1995. – S. 33-57.
Grundlage für die Durchführung der Fuzzy-Logik-Inferenz ist eine Regelbasis, die Fuzzy-Anweisungen in Form von „Wenn – Dann“ und Zugehörigkeitsfunktionen für die entsprechenden sprachlichen Begriffe enthält. In diesem Fall müssen folgende Bedingungen erfüllt sein:
- 1) Für jeden sprachlichen Begriff der Ausgabevariablen gibt es mindestens eine Regel.
- 2) Für jeden Term der Eingabevariablen gibt es mindestens eine Regel, in der dieser Term als Voraussetzung verwendet wird (die linke Seite der Regel).
Ansonsten liegt eine unvollständige Basis an Fuzzy-Regeln vor.
Das Ergebnis der Fuzzy-Inferenz ist ein eindeutiger Wert der Variablen y* basierend auf vorgegebenen klaren Werten xk,k = 1,..., P.
Im Allgemeinen umfasst der Inferenzmechanismus vier Stufen: Einführung von Unschärfe (Phasifizierung), Fuzzy-Inferenz, Zusammensetzung und Reduzierung auf Klarheit oder Defuzzifizierung (Abb. 6.19).
Reis. 6.19.
Fuzzy-Inferenzalgorithmen unterscheiden sich hauptsächlich in der Art der verwendeten Regeln, logischen Operationen und der Art der Defuzzifizierungsmethode. Es wurden Fuzzy-Inferenzmodelle von Mamdani, Sugeno, Larsen und Tsukamoto entwickelt.
Die Regelbasis sieht so aus:
Reis. 6.23.
Reis. 6.24.
Reis. 6.25.
Ventilöffnung
- Krugloe V.V., Dli M.I. Intelligente Informationssysteme: Computerunterstützung für Fuzzy-Logik und Fuzzy-Inferenzsysteme. M.: Fizmatlit, 2002.
- Angewandte Fuzzy-Systeme: trans. aus dem Japanischen / K. Asam [usw.] ; bearbeitet von T. Terano. M.:Mir, 1993.
1 „Yurga Technological Institute (Zweigstelle) des Bundeshaushalts Bildungseinrichtung höher Berufsausbildung„Nationale Forschungsuniversität Polytechnische Universität Tomsk“
Die Relevanz des Lieferantenauswahlprozesses für ein Maschinenbauunternehmen wird ermittelt. Dana kurze Beschreibung Phasen der Lieferantenbewertung und -auswahl. Es wurde eine Analyse der Methoden und Ansätze zur Lösung dieses Problems durchgeführt. Die Zusammenhänge zwischen der Berücksichtigung bestimmter Kriterien und der Effektivität der Zusammenarbeit mit dem Lieferanten wurden identifiziert. Basierend auf dem von den Autoren entwickelten Fuzzy-Modell wurde das Computerprogramm „Informationssystem zur Lieferantenauswahl“ erstellt. Mit dem Programm können Sie den Wert der Indikatoren des Lieferanten bestimmen, seine Aktivitäten bewerten und die Dynamik jedes Indikators verfolgen. Unter Berücksichtigung einer Reihe wichtiger Kriterien werden die Lieferanten nach Priorität eingestuft, sodass der Entscheidungsträger die am besten geeignete Option auswählen kann. Die praktische Umsetzung wird am Beispiel eines Maschinenbauunternehmens betrachtet.
Informationssystem.
unscharfe Schlussfolgerung
Logistik
Lieferkette
Anbieter
1. Afonin A.M. Industrielogistik: Trainingshandbuch/ BIN. Afonin, Yu.N. Tsaregorodtsev, A.M. Petrova. – M.: FORUM, 2012. – 304 S. – (Berufliche Bildung).
2. Bowersox Donald J., Kloss David J. Logistik: eine integrierte Lieferkette. – M.: Olimp-Business, 2001. – 640 S.
3. Gadzhinsky A.M. Logistik: ein Lehrbuch für Ober- und Sekundarschüler Bildungseinrichtungen. – 3. Aufl., überarbeitet. und zusätzlich – M.: ICC „Marketing“, 2000. – 375 S.
4. Elenich A.A. Entwicklung einer Strategie zur Steigerung der Wettbewerbsfähigkeit von Industrieunternehmen: Zusammenfassung. dis. ... offen. ökon. N. // Wirtschaftsbibliothek [Elektronische Ressource]. - Zugriffsmodus: http://economy-lib.com/ (Zugriffsdatum: 05.05.2013).
5. Eremina E.A. Fuzzy-Modell der Lieferantenauswahl // Junger Wissenschaftler. - 2011. - Nr. 11. - T. 1. - S. 120-122 [Elektronische Ressource]. - Zugriffsmodus: http://www.moluch.ru/archive/34/3890/ (Zugriffsdatum: 05.05.2013).
6. Kanke A.A. Logistik: Lehrbuch / A.A. Kanke, I.P. Koshevaya. – M.: KNORUS, 2011. – 320 S. – (Für Junggesellen).
8. Logistik: Lehrbuch. Zulage / M.A. Tschernyschew und [andere]; bearbeitet von M.A. Tschernyschewa. – Rostow o. J.: Phoenix, 2009. – 459 S. – (Hochschulbildung).
9. Modelle und Methoden der Logistiktheorie: Lehrbuch. - 2. Aufl. / unter. Hrsg. V.S. Lukinsky. – St. Petersburg. : Peter, 2008. – 448 S. – (Reihe „Tutorial“).
10. Ermittlung des Materialbedarfs [Elektronische Ressource]. - Zugriffsmodus: http://coolreferat.com/. (Zugriffsdatum: 05.05.2013).
11. Sergeev V.I. Management in der Unternehmenslogistik. – M.: Filin, 1997. – 772 S.
12. STO ISM O.4-01-2012 Integriertes Managementsystem. Beschaffungsmanagement.
13. Transportlogistik: Lehrbuch / herausgegeben von. Hrsg. L.B. Mirotina. – M.: Prüfung, 2002. – 512 S.
Einführung
Die Auswahl eines Lieferanten für ein produzierendes Unternehmen ist der Prozess, mit dem die Bewegung beginnt Materialfluss an den Verbraucher. Die Auswahl und Zusammenarbeit mit Lieferanten für ein Handelsunternehmen ist die Grundlage der Tätigkeit. Der Aufbau verlässlicher Lieferantenbeziehungen dauert in der Regel Jahre. Unter Bedingungen des Wettbewerbs und der schnellen Entwicklung des Marktes besteht oft die Notwendigkeit, schnell und korrekt den Lieferanten zu bestimmen, mit dem die Zusammenarbeit letztendlich das größte Einkommen bringen würde.
Der Materiallieferant in Lieferketten ist ein wichtiges Glied, denn Das Endergebnis des produzierenden Unternehmens und der Grad der Zufriedenheit des Endverbrauchers hängen maßgeblich von den Eigenschaften des angebotenen Produkts ab. Der Leiter eines produzierenden Unternehmens steht daher vor der Aufgabe, einen Lieferanten auszuwählen, dessen Interaktionsbedingungen den aktuellen Anforderungen des produzierenden Unternehmens am besten entsprechen und die Stabilität dieser Bedingungen langfristig gewährleisten. Für eine höhere Liefereffizienz ist eine langfristige Interaktion zwischen Vertretern des einkaufenden Unternehmens und des liefernden Unternehmens erforderlich. Angesichts dieser Tatsache konzentrieren sich die Hersteller darauf, die Anzahl der Lieferanten zu begrenzen und die Aktivitäten einer kleinen Anzahl wichtiger Lieferanten zu optimieren, um die vom Lieferanten getragenen Kosten und den vom Käufer gezahlten Preis zu senken und die Produktqualität zu verbessern.
Bei der Untersuchung des Beschaffungsmanagements und der Tätigkeiten der Logistikabteilung (MTS) bei der Auswahl und Zusammenarbeit mit Lieferanten am Beispiel eines Maschinenbauunternehmens ist das Problem der langwierigen und nicht immer effektiven Lieferantenauswahl sowie der routinemäßigen Abwicklung von Bedeutung Es wurde festgestellt, dass aufgrund des Fehlens geeigneter Softwaretools große Mengen an Informationen vorhanden sind. Die Suche nach dem gewünschten Lieferanten und die Auftragserteilung dauern durchschnittlich drei Monate, manchmal auch länger, bis zu 10 Monate oder mehr. Dokumente – Lieferantenfragebogen, Lieferantenbewertungen usw. – sind separate Dateien für jeden Lieferanten und jedes Produkt, die nach Jahr in Ordnern gesammelt werden. Auf dieser Grundlage ist es schwierig, eine Analyse durchzuführen und die Wirksamkeit der Zusammenarbeit mit einem Lieferanten im Laufe der Zeit zu verfolgen. Bestehende SRM-Lösungen ermöglichen die Lösung eines erheblichen Teils der Probleme des Beschaffungsmanagements und der Lieferantenauswahl. Sie sind jedoch in der Regel mit hohen Kosten verbunden und werden in Form von Modulen eines ERP-Systems erstellt, das für einen bestimmten Tätigkeitsbereich entwickelt wurde und daher nur einer begrenzten Anzahl von Organisationen zur Verfügung steht. Die Lieferantenbewertung erfolgt in solchen Systemen nach einem engen Kriterienkatalog. Daher besteht aus unserer Sicht ein Bedarf an solchen Softwaretools, mit denen Sie Beschaffungsmanagementprozesse teilweise oder vollständig mit höchster Effizienz begleiten können.
Die Autoren erwogen die Möglichkeit, ein System zu schaffen, das es ermöglicht, gleichzeitig eine Reihe wichtiger Kriterien für die vom Lieferanten angebotenen Produkte sowie die Aktivitäten des Zulieferunternehmens zu berücksichtigen. Der Einsatz eines solchen Informationssystems für die Versorgungsabteilung, nämlich für einen Logistiker oder Einkaufsleiter, verkürzt die Zeit für die Auswahl eines Lieferanten und beurteilt die Machbarkeit einer langfristigen Zusammenarbeit mit ihm.
1. Allgemeine Bestimmungenüber die Auswahl eines Lieferanten
Zusammenfassend lassen sich bei der Auswahl eines Lieferanten die folgenden Hauptschritte skizzieren.
1. Suche nach potenziellen Lieferanten. Suchmethoden und Vorauswahlkriterien werden abhängig von internen und ausgewählten Kriterien ausgewählt äußere Bedingungen Aktivitäten des Unternehmens. Als Ergebnis entsteht eine Lieferantenliste, die ständig aktualisiert und ergänzt wird.
2. Analyse der Lieferanten. Die zusammengestellte Liste potenzieller Lieferanten wird anhand spezieller Kriterien analysiert, die es ermöglichen, diejenigen auszuwählen, die den Anforderungen am besten entsprechen. Die Anzahl der Auswahlkriterien kann mehrere Dutzend betragen und sich ändern. Als Ergebnis der Lieferantenanalyse wird eine Liste derjenigen erstellt, mit denen zum Abschluss von Verträgen zusammengearbeitet wird.
3. Bewertung der Ergebnisse der Zusammenarbeit mit Lieferanten. Zur Bewertung wird eine spezielle Skala entwickelt, die eine Berechnung der Lieferantenbewertung ermöglicht. Die Bewertung und Analyse von Lieferanten verdient einen besonderen Ansatz. Wie die Praxis zeigt, können mehrere Lieferanten das System der festgelegten Kriterien erfüllen. Die endgültige Auswahl des Lieferanten erfolgt durch den Entscheider im Einkauf und kann in der Regel nicht vollständig formalisiert werden.
2. Methoden und Modelle zur Lieferantenbewertung und -analyse
Eine Durchsicht der Arbeiten zu diesem Thema ermöglicht es uns, zwei Hauptansätze zur Bewertung und Analyse von Lieferanten zu identifizieren: analytisch – unter Verwendung von Formeln und einer Reihe von Parametern, die den Lieferanten charakterisieren); Experte - basierend auf Gutachten Parameter und darauf basierende Lieferantenbewertungen. Innerhalb dieser Ansätze werden Methoden wie die subjektive Analyse von Lieferanten, die Bewertung verschiedener Aktivitätsaspekte, die Methode der Priorisierung, die Methode der Akzeptanzkategorien (Präferenzen), die Methode der Kostenbewertung, die Methode der dominanten Merkmale usw. verwendet. Die Auswahl basiert auf Branchendurchschnittsindikatoren, Indikatoren eines konkurrierenden Unternehmens, Indikatoren eines führenden Unternehmens, Indikatoren eines Standardunternehmens, Indikatoren eines strategischen Gruppenunternehmens und retrospektiven Indikatoren des bewerteten Unternehmens. Unter Berücksichtigung der Vor- und Nachteile der oben genannten Methoden wird zur Bewertung und Auswahl eines Lieferanten ein auf der Fuzzy-Logical-Inference-Methode basierendes Modell vorgeschlagen, das die Berücksichtigung sowohl qualitativer als auch quantitativer Indikatoren ermöglicht; beurteilen Sie die Machbarkeit einer Zusammenarbeit mit einem Lieferanten, wenn Informationen über seine Aktivitäten, seine Wettbewerbsposition und seine Produkte verfügbar sind. Nach diesem Modell umfasst der Prozess der Lieferantenauswahl folgende Schritte: Festlegung der Kriterien für die Lieferantenbewertung durch einen Experten; Berechnung von Zugehörigkeitsfunktionswerten; Bestimmung des Zufriedenheitsgrades von Alternativen; Auswahl der besten Alternative. Um den Prozess der Lieferantenauswahl zu vereinfachen, wurde ein Informationssystem basierend auf dem vorgeschlagenen Modell entwickelt.
3. Informationssystem zur Lieferantenauswahl
„Informationssystem zur Lieferantenauswahl auf Basis von Fuzzy-Logik-Inferenz“ richtet sich an Mitarbeiter der Logistikabteilung eines produzierenden Unternehmens, an Logistiker, Einkaufsleiter und Vertriebsleiter als Entscheidungsunterstützungsinstrument.
Das Informationssystem zur Lieferantenauswahl wurde in der Anwendungsentwicklungsumgebung Borland C++ Builder v.6 in Kombination mit dem Access DBMS erstellt.
Das entwickelte Informationssystem besteht aus den folgenden Hauptmodulen: Lieferantenprodukte (zur Bewertung von Kriterien im Zusammenhang mit der Bewertung von Lieferantenprodukten), Lieferanten (zur Bewertung der Aktivitäten von Lieferanten), Kriterien (notwendig zur Bestimmung der Werte von Kriterien für). Bewertung von Produkten und Aktivitäten von Lieferanten).
Die Arbeit im Programm beginnt mit der Eingabe (Importieren oder Hinzufügen) von Daten zur Nomenklatur-Plan-Aufgabe, Informationen über Lieferanten und deren Produkte. Darüber hinaus handelt es sich bei den eingegebenen bedingt konstanten Informationen um Informationen über Lieferanten, die in einem von Experten zugewiesenen Kriteriensatz in Tabelle 1 angezeigt werden. Eingabe-, Ausgabeinformationen und Systemfunktionen sind in Abb. dargestellt. 1. Hauptfenster in Abb. 2. Das Hauptfenster enthält Registerkarten zum Arbeiten mit Daten über Lieferanten, ihre Produkte, ihre Bewertungskriterien, Fuzzy-Inferenz-Produktregeln und Berichte. Jede Registerkarte enthält Befehle und wiederum eigene Unterregisterkarten. Die Registerkarte „Regeln“ ist für die Arbeit mit Fuzzy-Logik-Inferenzregeln konzipiert. Somit ist es möglich, separate Regeln für Lieferanten und für Listen gekaufter Produkte festzulegen. Das Ergebnis des Informationssystems ist eine Rangliste der am meisten bevorzugten Lieferanten. Mithilfe eines speziellen Berichts können Sie die Dynamik der Lieferantenbewertung über den Zeitraum verfolgen. Die Berichte „Werte der Lieferantenkriterien“, „Bewertung der Lieferanten“, „Bericht zur Kriteriendynamik“, „Bewertung der Lieferantenprodukte“ werden auf Basis von Berechnungen und bedingt konstanten Informationen erstellt (Abb. 2, 3).
Tabelle 1 – Intervalle der Bewertungskriterienwerte
|
Kriterium |
Bedeutung |
Wertebereich |
|
niedrig |
||
|
akzeptabel |
||
|
sehr hoch |
||
|
Flexibilität Politiker |
||
|
Zahlungsbedingungen |
unrentabel |
|
|
weniger akzeptabel |
||
|
akzeptabel |
||
|
am akzeptabelsten |
||
|
Produktqualität |
||
|
zufriedenstellend |
||
|
Verfügbarkeit freier Produktionskapazitäten |
||
|
Verlängerung möglich |
||
|
Zuverlässigkeitsniveau |
niedrig, weniger |
|
|
zufriedenstellend |
||
|
akzeptabel |
||
|
Geschäftstätigkeit des Unternehmens |
||
|
unterdurchschnittlich |
||
|
überdurchschnittlich |
||
|
Liefergeschwindigkeit |
||
|
zufriedenstellend |
||
|
akzeptabel |
||
Abbildung 1 - Informationen und Funktionen " Informationssystem Auswahl eines Lieferanten auf Basis der Fuzzy-Inferenz-Methode“
Abbildung 2 – Registerkarten „Lieferanten“ und „Produktpalette“.
Im Reiter „Kriterien“ wird eine Liste von Kriterien definiert und der Experte gibt deren Werte ein. Kriterienwerte werden über den Befehl „Set Criteria Values“ in die Datenbank eingegeben. Jedem Kriterium entspricht eine linguistische Variable, deren Begriffe mit dem Befehl „Kriteriumsbegriffe definieren“ festgelegt werden können (Abb. 3). Das Fenster enthält die Befehle: „Neu“ – um einen neuen Begriff zu einer linguistischen Variablen hinzuzufügen, „Bearbeiten“ – um den ausgewählten Begriff zu bearbeiten, „Löschen“ – um den ausgewählten Begriff zu löschen und „Elemente festlegen“ – um die Funktion „Elemente“ aufzurufen ”-Fenster, in dem Sie Elemente des ausgewählten Begriffs und deren Zugehörigkeitsfunktionen definieren können.
Abbildung 3 - Fenster „Bedingungen des Kriteriums „Zuverlässigkeitsniveau““, Bericht „Bewertung der Lieferanten“
Die Terme der linguistischen Kriteriumsvariablen werden automatisch berechnet, nachdem Sie auf die Schaltfläche „Kriteriumsterme definieren“ geklickt haben. Bei Bedarf können Sie neue Begriffe und deren Zugehörigkeitsfunktionen definieren. Daten zu Produktkriterien werden auf die gleiche Weise auf der Unterregisterkarte „Produktkriterien“ ausgefüllt. Um Begriffe für die resultierende linguistische Variable zu generieren, müssen Sie zur Unterregisterkarte „Resultierende Variable“ wechseln. Produktionsregeln für Fuzzy-Logik-Inferenz werden auf der Registerkarte „Regeln“ festgelegt. Der Bericht „Lieferantenbewertung“ wird auf Basis der Daten der Berichte „Bewertung der Lieferantenprodukte“, „Werte der Lieferantenkriterien“ usw. erstellt (Abb. 4).
Abbildung 4 – Berichte des Lieferantenauswahl-Informationssystems
Das Informationssystem ermöglicht es Ihnen, die am besten geeignete Option für die Interaktion zwischen Unternehmen und Lieferanten im Beschaffungsprozess auszuwählen und Lieferanten nach Priorität zu ordnen. Eine Besonderheit des Systems besteht darin, dass seine Funktionsweise auf der Fuzzy-Logik-Inferenzmethode basiert, die die Lösung schwach formalisierter Probleme ermöglicht, wodurch nicht nur quantitative, sondern auch qualitativ ausgedrückte Kriterien berücksichtigt werden können. Daher kann es als Entscheidungsunterstützungstool verwendet werden.
Im Allgemeinen bietet der Einsatz geeigneter Lieferantenauswahltools dem Unternehmen Folgendes: eine klare Definition der Qualität der Lieferungen in Bezug auf eine Produktionseinheit im Vertrag; den Betrag eliminieren oder minimieren Konfliktsituationen bezogen auf Produktqualität und Lieferplan; Informationsaustausch über die Qualität der Lieferungen; Optimierung der Akzeptanzkosten und Reduzierung der Verbraucherkosten von Produkten; Verbesserung der Qualität der Lieferungen.
Rezensenten:
Korikov Anatoly Mikhailovich, Doktor der technischen Wissenschaften, Professor, Leiter. Abteilung für automatisierte Steuerungssysteme der Tomsker Universität für Steuerungssysteme und Radioelektronik, Tomsk.
Sapozhkov Sergey Borisovich, Doktor der technischen Wissenschaften, Professor, Leiter. Abteilung für MIG YUTI NITPU, Yurga.
Bibliografischer Link
Eremina E.A., Vedernikov D.N. INFORMATIONSSYSTEM ZUR LIEFERANTENAUSWAHL AUF BASIS DER FUZZY-LOGISCHEN INFERENZMETHODE // Moderne Probleme von Wissenschaft und Bildung. – 2013. – Nr. 3.;URL: http://science-education.ru/ru/article/view?id=9317 (Zugriffsdatum: 01.04.2020). Wir machen Sie auf Zeitschriften des Verlags „Academy of Natural Sciences“ aufmerksam.