Многокритериальный выбор и принятие решений на основе экспертных знаний и нечеткого распознавания ситуаций тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Кузьменко, Оксана Леонидовна

• Кузьменко, Оксана Леонидовна
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Кузьменко, Оксана Леонидовна

ВВЕДЕНИЕ.

1. АНАЛИЗ ИНФОРМАЦИОННЫХ ПРОЦЕССОВ, СИСТЕМ И МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ ПРИ НЕЧЕТКИХ ИСХОДНЫХ ДАННЫХ.

1.1. Способы учета факторов неопределенности и субъективности в процессе принятия управленческих решений.

1.2. Использование нечетких множеств для описания ситуаций и представления знаний экспертов в задачах принятия решений.

1.3. Анализ информационных процессов, систем и моделей нечеткого логического вывода.

1.4. Выводы по главе 1.

2. РАЗРАБОТКА МЕТОДА И АЛГОРИТМА МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПРИ НЕЧЕТКИХ ИСХОДНЫХ ДАННЫХ.

2.1. Методы и алгоритмы многокритериального выбора лучших решений.

2.2. Разработка метода и алгоритма многокритериального выбора решений с учетом нечетких предпочтений нескольких экспертов.

2.3. Оценка эффективности процедуры многокритериального выбора решений с учетом нечетких предпочтений нескольких экспертов.

2.4. Выводы по главе 2.

3. РАЗРАБОТКА КЛАССИФИКАЦИОННОЙ МОДЕЛИ И МЕТОДА ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ НЕЧЕТКОГО РАСПОЗНАВАНИЯ СИТУАЦИЙ.

3.1. Виды классификационных моделей принятия решений и их особенности.

3.2. Этапы построения классификационной модели и метода принятия решений на основе нечеткого распознавания ситуаций.

3.3. Разбиение множества нечетких описаний ситуаций на классы.

3.4. Отыскание эталонного представителя класса нечетких ситуаций.

3.5. Выводы по главе 3.

4. ПРИМЕНЕНИЕ МЕТОДОВ ВЫБОРА И ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ ПРОИЗВОДСТВЕННЫМ ПРЕДПРИЯТИЕМ.

4.1. Необходимость учета в моделях принятия решений специфики деятельности предприятий.

4.2. Применение классификационного метода для распознавания текущего состояния предприятия.

4.3. Многокритериальный выбор лучшей альтернативы при управлении производственным предприятием.

4.4. Компьютерная поддержка процедур выбора лучших решений.

4.5. Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Многокритериальный выбор и принятие решений на основе экспертных знаний и нечеткого распознавания ситуаций»

Актуальность темы. Наличие эффективных методов принятия решений (ПР), основанных на использовании современных информационных технологий, является определяющим фактором при управлении сложными системами. Выбор лучшего решения осуществляется в условиях неполноты информации, невозможности все строго рассчитать и проанализировать, а также множественности мнений о целях, критериях, их предпочтительности. На современном этапе объект научного исследования дополняется лицом, принимающим решения (ЛПР), предпочтения которого необходимо учитывать в процессе ПР. Особую значимость приобретают исследования по развитию и совершенствованию методов обработки экспертных знаний.

Эти обстоятельства привели к необходимости разработки методов и инструментария поддержки ПР, учитывающих фактор неопределенности и субъективности. Одна из наиболее важных задач организации успешного процесса ПР состоит в предоставлении средств для оперирования с нечеткой, размытой информацией, учета точек зрения различных участников этого процесса, позволяющих генерировать и оценивать варианты решений (альтернативы) в кратчайшие сроки.

Весьма актуальной является автоматизация процессов ПР на основе повышения уровня интеллектуальности используемых моделей и методов.

Теоретические и практические предпосылки настоящего исследования составили фундаментальные и прикладные работы ученых в области нечетких множеств и нечеткой логики для представления знаний и данных (А.Н. Аверкин, Р.А. Алиев, И.З. Батыршин, Р. Беллман, JI.C. Берштейн, А.В. Боженюк, А.Н. Борисов, JI.A. Заде, А. Кофман, А.Н. Мелихов, А.П. Рыжов, Б.Н. Тарасов, В.И. Финаев, Д.И. Шапиро, P.P. Ягер), теории ПР и ранжирования альтернатив (Л.Г. Евланов, О.И. Ларичев, Е.М. Мошкович, А.О. Недосекин, С.А. Орловский, А.Б. Петровский, Т.Л. Саати, Э.А. Трахтенгерц, Ф. Херрера), искусственного интеллекта (Д.А. Поспелов), рационального поведения и субъективности при решении задач управления (Г.Б. Клейнер, Г.А. Саймон), классификационных методов ПР на основе нечеткого распознавания (В.Д. Баронец, JI.C. Берштейн, Р. Гонсалес, В.П. Карелин, С.М. Ковалев, А.Н. Мелихов, Дж. Ту, А.Н. Целых).

В связи с возрастающей сложностью и динамичностью решаемых задач в условиях неполноты сведений об исследуемых объектах, происходит адаптация широко известных методов ПР к нечетко-числовым исходным данным. Однако они не в полной мере соответствуют природе социально-технических систем и информационной ситуации, в которой применяются.

Многие из методов многокритериального выбора достаточно сложны, не обеспечивают полноту сравнений, не учитывают все множество критериев или же оценка альтернативных вариантов ведется только по числовым или нечисловым критериям. При выборе лучшего решения недостаточно внимания уделено проблеме учета предпочтений ЛПР, информации о важности экспертов для ЛПР при одновременном сохранении множественности критериев, также имеющих различную значимость.

В классификационных методах ПР важной проблемой является отыскание эталонных представителей классов, наличие которых ускоряет распознавание сложившейся ситуации, а значит и выбор лучшего решения. Особенно актуальными представляются задачи разбиения множества ситуаций на классы и нахождения эталонных представителей классов, когда ситуации описаны нечеткими множествами второго уровня.

В связи с этим возникает потребность в создании более удобных и достаточно надежных методов многокритериального выбора лучших решений на основе обработки экспертных знаний и нечеткого распознавания ситуаций.

Объект исследования: автоматизация процесса обработки экспертных знаний и принятия решений.

Предмет исследования: методы обработки экспертной информации и выбора лучших решений в условиях нечеткости и многокритериальное™.

Цель и задачи исследования. Целью диссертационного исследования является разработка методов и алгоритмов ПР на основе экспертных знаний и предпочтений J11 IP, нечеткого распознавания ситуаций.

Поставленная цель определяет следующие основные задачи диссертационного исследования:

1. Рассмотрение неопределенностей, возникающих при ПР, математических формализмов для их учета в методах ПР и механизмов нечеткого логического вывода, используемых в интеллектуальных системах поддержки принятия решений (ИСППР).

2. Анализ способов учета предпочтений JILJLP и экспертов, методов многокритериального выбора и ПР на основе обработки экспертных знаний, выявление их достоинств и недостатков.

3. Разработка метода ранжирования многокритериальных альтернатив, учитывающего критерии различной природы, на основании нечетких предпочтений экспертов и ЛПР.

4. Развитие классификационных методов ПР, позволяющих ускорить нахождение лучшего решения, когда ситуации на объекте управления описываются нечеткими множествами.

5. Разработка метода формирования эталонного представителя класса нечетких ситуаций.

6. Программная реализация разработанных методов.

7. Применение разработанных методов ПР к решению конкретных практических задач.

Методы проведения исследований базируются на использовании теории и методов выбора и ПР, аппарата теории нечетких множеств и нечеткой логики, методов интеллектуального анализа данных (получение информации от экспертов, ее преобразование и использование), теории нечеткого распознавания ситуаций и их классификации, проектирования систем поддержки принятия решений (СППР) с нечеткой логикой.

Научная новизна работы заключается в следующем:

1. Разработан метод ранжирования многокритериальных альтернатив, который, в отличие от известных, позволяет находить лучшее решение при многих разнородных критериях с учетом мнений нескольких экспертов и информации о важности экспертов для ЛПР.

2. Предложен способ представления нечетко описанной ситуации «репрезентативным вектором» (РВ), элементами которого являются «репрезентативные числа», характеризующие входящие в описание ситуации нечеткие множества1. Такое числовое представление ситуаций является более компактным по сравнению с описанием нечеткими множествами.

3. Разработана процедура кластеризации множества нечетко описанных ситуаций, позволяющая за счет использования РВ упростить разбиение множества ситуаций на классы.

4. Предложен и обоснован метод формирования эталонного представителя класса нечетких ситуаций, основанный на использовании РВ ситуаций данного класса.

На защиту выносятся:

1. Метод ранжирования многокритериальных альтернатив, учитывающий субъективные оценки и предпочтения нескольких экспертов и их различную важность для ЛПР.

2. Способ представления нечетко описанной ситуации «репрезентативным вектором», элементами которого являются «репрезентативные числа», характеризующие входящие в описание ситуации нечеткие множества.

1 Термины «репрезентативный вектор» и «репрезентативное число» используются в диссертации в качестве характеристик нечетко описанной ситуации и нечеткого множества соответственно, и не эквивалентны терминам «репрезентативное значение», «репрезентативная выборка» в статистике.

3. Процедура кластеризации множества нечетко описанных ситуаций, позволяющая упростить разбиение множества ситуаций на классы.

4. Метод формирования эталонного представителя класса нечетко описанных ситуаций, отличающийся меньшей трудоемкостью по сравнению с известными методами отыскания медианы Кемени.

5. Применение разработанных методов, процедур и алгоритмов для сравнения и выбора многокритериальных альтернатив (решений) и распознавания сложившихся ситуаций при управлении производственным предприятием.

Теоретическая и практическая значимость результатов исследования.

1. Предложенный метод многокритериального выбора и ПР позволяет учесть больше количественной и качественной информации, полученной от экспертов и ЛПР, и тем самым повысить эффективность принимаемых решений.

2. Предложенный и научно обоснованный способ более компактного представления в виде РВ нечетко описанных ситуаций позволяет уменьшить трудоемкость на всех этапах построения и применения классификационных моделей ПР.

3. Получены оценки, доказывающие понижение трудоемкости предложенных методов по сравнению с известными.

4. Разработанные методы многокритериального выбора и ПР на основе экспертных знаний и нечеткого распознавания ситуаций реализованы программно и используются в учебном процессе и на производственных предприятиях.

5. Предложенные методы многокритериального выбора, кластеризации множества нечетко описанных ситуаций, формирования эталонного представителя класса ситуаций могут пополнить базу моделей и механизмы нечеткого логического вывода для интеллектуализации СППР.

Разработанные методы, способы и алгоритмы дополняют существующие разработки в данной области и расширяют сферу их использования, что подтверждает их практическую значимость, а научная новизна и теоретическое обоснование предложенных методов подтверждает их теоретическую значимость.

Достоверность результатов вытекает из их математического обоснования, подтверждается оценками трудоемкости и корректным применением известных и апробированных математических методов, подтверждается результатами вычислительных экспериментов, практическим использованием на предприятиях.

Использование результатов работы. Отдельные результаты диссертационного исследования приняты к использованию в деятельности промышленных предприятий г. Таганрога (ОАО ТКЗ «Красный котельщик», ОАО «ТАГМЕТ», ОАО «Стройдеталь»), используются в учебном процессе ТИУиЭ в курсах дисциплин «Математика (математические методы и модели)», «Математические модели в теории управления и ИСО», «Информационные технологии управления», что подтверждается документами об использовании результатов исследования.

Апробация работы. Основные результаты и выводы диссертационной работы докладывались и обсуждались на IV и V Международных научно-практических конференциях «Проблемы регионального управления, экономики, права и инновационных процессов в образовании» (г. Таганрог,

2005 г., 2007 г.); VI — IX научно-практических конференциях преподавателей, студентов, аспирантов и молодых ученых (г. Таганрог, 2005-2008 гг.); VI Международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (г. Новочеркасск,

2006 г.); Международной научно-технической конференции «Математические модели и алгоритмы для имитации физических процессов» (г. Таганрог, 2006 г.); VII Международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (г. Новочеркасск, 2006 г.); на Конференции лауреатов и стипендиатов Международного научного фонда академика Н.П. Федоренко (г. Москва, 2006 г.). Отдельные результаты работы по направлению исследования «Информационные технологии» были отмечены стипендией Международного научного фонда академика Н.П. Федоренко (2006 г.).

Публикации. Основные научные результаты диссертационного исследования опубликованы в 11 печатных работах, в том числе в двух периодических научных изданиях, рекомендуемых для публикации ВАК, общим объемом 5 п.л.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, библиографического списка, содержащего 79 литературных источников, и приложений. Объем диссертации — 142 страницы, содержащих 26 таблиц, 11 рисунков и графиков.

Заключение диссертации по теме «Теоретические основы информатики», Кузьменко, Оксана Леонидовна

Основные результаты диссертационной работы:

1. В результате выполненного сравнительного анализа методов многокритериального выбора и ПР выявлены их достоинства и недостатки. Важнейшими недостатками многих методов являются следующие: невозможность учесть в полном объеме экспертные знания, предпочтения ЛПР, сложность их обработки, отсутствие полноты сравнений альтернатив, невозможность учесть все множество разнородных критериев. К недостаточно проработанным в классификационных методах ПР отнесена задача формирования эталонных представителей классов, когда ситуации описаны нечеткими множествами, в том числе и второго уровня.

2. Разработан метод ранжирования многокритериальных альтернатив, позволяющий учесть субъективные оценки и предпочтения ЛПР и группы равноценных и неравноценных экспертов. При этом от экспертов требуется минимальное количество информации в удобной для них форме. Предложенный алгоритм удобен для компьютерной реализации, допускает распараллеливание вычислительных процедур, его можно включить в базу моделей ИСППР.

3. Предложен способ представления нечетко описанной ситуации «репрезентативным вектором» (РВ), элементами которого являются «репрезентативные числа», характеризующие входящие в описание ситуации нечеткие множества. Это позволяет уменьшить трудоемкость на всех этапах построения и применения классификационных моделей ПР.

4. Разработана процедура кластеризации множества нечетко описанных ситуаций, позволяющая за счет введения РВ упростить разбиение множества ситуаций на классы.

5. Предложен и обоснован метод формирования эталонного представителя класса нечетких ситуаций, основанный на использовании РВ ситуаций данного класса.

6. Осуществлена программная реализация предложенных методов и алгоритмов, позволяющая на основе переработки информации о состоянии управляемого объекта, полученной от экспертов, оперативно оценивать варианты решений и осуществлять выбор лучшего из них

7. Разработанные методы и реализующие их программы нашли применение при управлении производственным предприятием.

ЗАКЛЮЧЕНИЕ

Управление социально-техническими системами непрерывно усложняется. Ключевым фактором их успешного существования становится использование системы управления, обеспечивающей оперативной информацией участников процесса, сам процесс с технологической точки зрения. Однако увеличение объема общедоступной информации еще не означает улучшения качества принимаемых решений. База моделей современной СППР должна содержать подходы, ориентированные на методы интеллектуального анализа данных в процессе ПР. Такие интеллектуальные СППР позволяют повысить качество принимаемых решений и ускорить процессы поиска и обработки нужной пользователю информации.

Основой решения поставленных в диссертации задач являлась комплексная концепция выбора управленческих решений, характеризующаяся рациональным использованием логического мышления, интуиции и предпочтений ЛПР, математических методов и вычислительных средств.

Список литературы диссертационного исследования кандидат технических наук Кузьменко, Оксана Леонидовна, 2008 год

1. Алиев Р. А., Бабаев A.M. Реляционный подход к машинному представлению лингвистических продукционных правил и выводу решений // Известия Академии наук. Теория и системы управления. -1996.-№5.-С. 21-24.

2. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике: Учебник. 2-е изд., доп. и перераб. - М.: Финансы и статистика, 2004. - 464 с.

3. Анич И., Ларичев О.И. Метод ЭЛЕКТРА и проблема ацикличности отношений альтернатив //Автоматика и телемеханика. 1996. - Т. 57. -№8.-С. 108-118.

4. Астанин С.В., Захаревич В.Г. Обработка и представление знаний в информационно-советующих комплексах систем гибридного интеллекта. Таганрог: Изд-во ТРТУ, 1997.

5. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях// Вопросы анализа и процедуры принятия решений: Пер. с англ. — М.: Мир, 1976.-С. 172-175.

6. Берштейн Л.С. и др. Модели и методы принятия решений в интегрированных интеллектуальных системах / Л.С. Берштейн, В.П. Карелин, А.Н. Целых. Ростов-на-Дону: РГУ, 1999.-276 с.

7. Берштейн Л.С., Боженюк А.В. Анализ использования оператора импликации в нечетком правиле вывода по аналогии // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». 2004. - № 3(38). -С. 5-10.

8. Берштейн Л.С., Финаев В.И. Адаптивное управление с нечеткими стратегиями. Ростов-на-Дону: Изд-во Рост, ун-та, 1993. — 134 с.

9. Борисов А.Н. и др. Принятие решений на основе нечетких моделей: примеры использования/ А.Н. Борисов, О.А. Крумберг, И.П. Федоров; Риж. техн. ун-т. — Рига: Зинатне, 1990. — 184 с.

10. Броневич А.Г., Каркищенко А.Н. Вероятностные и возможностные модели классификации случайных последовательностей / Под ред. JI.C. Берштейна. Таганрог: ТРТУ, 1996. - 193 с.

11. Броневич А.Г., Каркищенко А.Н. Теоретико-множественный подход к классификации статистических классов // Автоматика и телемеханика. — 1994.-№2.-С. 78-87.

12. Буряк Ю.И., Инсаров В.В., Калинин B.JI. Формирование управленческих решений в организационных системах на основе моделирования их деятельности // Известия РАН. Теория и системы управления. — 2008. — № 1.-С. 158-171.

13. Горелик A.JL, Скрипкин В.А. Методы распознавания: Учеб. пособие. -4-е изд., испр. М.: Высшая школа, 2004. - 261 с.

14. Дилигенский Н.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н.В. Дилигенский, Л.Г. Дымова, П.В. Севастьянов. М.: «Машиностроение — 1», 2004. - 397 с.

15. Дуда Р., Харт П. Распознавание образов и анализ сцен. — М.: Мир, 1976. -511 с.

16. Дюбуа Д., Прад А. Теория возможностей: приложения к представлению знаний в информатике / Пер. с фр. В.Б. Тарасова; под ред. С.А. Орловского. М.: Радио и связь, 1990. - 286 с.

17. Евланов Л.Г. Теория и практика принятия решений. Серия Экономика и управление. М.: Экономика, 1984. — 176 с.

18. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 168 с.

19. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер: Сб. статей / Под ред. Дж. Вэн Райзина. М.: Мир, 1980. - С. 208-248.

20. Карелин В.П., Ковалев С.М. Метод построения модели, имитирующей алгоритм поиска управляющих решений оператора // Изв. АН СССР. Техн. кибернет. 1983. - № 5. - С. 181-187.

21. Карелин В.П., Ковалев С.М., Мелихов А.Н. Принятие решений при управлении производственными процессами на основе нечеткого алгоритма распознавания // Изв. АН СССР. Техн. кибернет. 1984. - № 6. — С.100-105.

22. Карелин В.П., Кузьменко O.JI. Выбор лучшего управленческого решения при нечетких исходных данных и множественности критериев // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2006. - Прил. № 1. - С. 158-165.

23. Карелин В.П., Кузьменко O.JI. Классификационные модели принятия управленческих решений на основе нечеткого распознавания ситуаций // Вестник Таганрогского института управления и экономики. 2006. - № 2(4).-С. 75-81.

24. Карелин В.П., Кузьменко O.JI. Нахождение представителя класса нечетких ситуаций при построении модели принятия решений // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2008. - № 4. - С. 50-54.

25. Карелин В.П., Кузьменко O.JI. Особенности принятия решений в условиях неопределенности на примере управления промышленным предприятием // Вестник Таганрогского института управления и экономики. 2008. - №1(7). - С. 96-103.

26. Карелин В.П., Кузьменко O.JI. Средства и методы поддержки принятия управленческих решений в условиях нечеткости, неопределенности и многокритериальности // Вестник Таганрогского института управления и экономики. 2007. - № 1(5). - С. 73-77.

27. Карелин В.П., Целых А.Н. Методы и модели принятия решений в социотехнических системах. — Ростов-на-Дону: Изд-во СКНЦ ВШ, 1999. 60 с. (Препринт).

28. Карелин В.П., Целых А.Н. Нечеткие классификационные модели принятия решений в ситуационных советующих системах // Известия вузов. Северо-Кавказский регион. Технические науки. — Ростов-на-Дону: Изд-во СКНЦ ВШ, 1999.-№1.-С. 8-13.

29. Кини P.JL, Райфа X. Принятие решений при многих критериях: Предпочтения и замещения. — М.: Радио и связь, 1981. — 560 с.

30. Клейнер Г.Б. К методологии моделирования принятия решений экономическими агентами // Экономика и математические методы. — 2003. Т. 39. - №2. - С. 167-182.

31. Кофман А., Хил Алуха X. Введение теории нечетких множеств в управлении предприятиями / Пер. с исп.; под ред. В.В. Краснопрошина, Н.А. Лепешинского. Мн: Выш. шк., 1992. — 222 с.

32. Ларичев О.И. Вербальный анализ решений / Отв. ред. А.Б. Петровский: Ин-т системного анализа РАН. -М.: Наука, 2006. — 181 с.

33. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах: Учебник для студентов вузов. 2-е изд., перераб. и доп. - М.: Логос, 2002. - 392 с.

34. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Физматлит, 1996. - 208 с.

35. Леденева Т.М., Татаркин Д.С. Особенности проектирования систем нечеткого логического вывода // Информационные технологии. 2007. — №7.-С. 12-18.

36. Мелихов А.Н., Баронец В.Д. Проектирование микропроцессорных средств обработки нечеткой информации. Ростов-на-Дону: Изд-во Ростовского университета, 1990. - 128 с.

37. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н. Мелихов, JI.C. Берштейн, С.Я. Коровин. М.: Наука, 1990. - 272 с.

38. Методы и алгоритмы моделирования развития сложных ситуаций / О.Н. Пьявченко, Г.В. Горелова, А.В. Боженюк и др. — Таганрог: Изд-во ТРТУ, 2003.-157 с.

39. Мирошников В.В., Борбаць Н.М. Методика оценки удовлетворенности заинтересованных сторон организации на основе применения нечетких множеств // Информационные технологии. 2007. - № 3. - С. 63-70.

40. Недосекин А.О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний: Дис. д-ра экон. наук. — Спб., 2003. 255 с.

41. Недосекин А.О., Бессонов Д.Н., Лукашев А.В. Сводный финансовый анализ российских предприятий за 2000-2003 гг. — На сайте: http://sedok.narod.ru/

42. Нечеткие гибридные системы. Теория и практика / И.З. Батыршин, А.О. Недосекин, А.А. Стецко и др.; Под ред. Н.Г. Ярушкиной. М.: Физматлит, 2007. - 208 с.

43. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, Б.В. Силаев, Б.Н. Тарасов. Под ред. Д.А. Поспелова. М.: Наука, 1986. - 312 с.

44. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./ Под ред. P.P. Ягера. — М.: Радио и связь, 1986. — 408 с.

45. Обобщение метода анализа иерархий Саати для использования нечетко-интервальных экспертных данных / А.А. Ахрамейко, Б.А. Железко, Д.В. Ксеневич, С.В. Ксеневич. — На сайте: http://sedok.narod.ru7s files/ belorussia 2002.htm

46. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. М.: Радио и связь, 1989. -304 с.

47. Орлов А.И. Теория принятия решений: Учеб. пособие. — М.: Издательство «Март», 2004. — 656 с.

48. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука. Главная редакция физико-математической литературы, 1981. — 208 с.

49. Петровский А.Б. Пространства множеств и мультимножеств. — М.: Едиториал УРСС, 2003. 248 с.

50. Поспелов Д.С. «Серые» и/или «черно-белые» шкалы.// Прикладная эргономика. Специальный выпуск «Рефлексивные процессы». 1994. -№1. — С. 29-33.

51. Представление и использование знаний: Пер. с япон./ Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989. - 220 с.

52. Протасов В.И., Карелин В.П. Новый метод коллективной разработки проектов в компьютерных сетях // Известия вузов. Северо-Кавказский регион. Техн. науки. 2002. — №2. - С. 46-58.

53. Реброва М.П. Автоматическая классификация в системах обработки информации. Поиск документов. М.: Радио и связь, 1983. — 92 с.

54. Ротштейн А.П., Штовба С.Д. Нечеткий многокритериальный анализ вариантов с применением парных сравнений // Известия Академии Наук. Теория и системы управления. 2001. - № 3. - С. 150-154.

55. Рыжов А.П. Элементы теории нечетких множеств и ее приложений. -М.: Диалог-МГУ, 1998. 81 с.

56. Саати Т. Принятие решений. Метод анализа иерархий / Пер. с англ. Р.Г. Вачнадзе. М.: Радио и связь, 1993. - 278 с.

57. Саймон Г.А. Теория принятия решений в экономической теории и науке о поведении. Вехи экономической мысли. Теория потребительского поведения и спроса. Т. 1 / Под ред. В.М. Гальперина. СПб.: Экономическая школа, 1999.

58. Семкин Б.И., Двойченков В.И. Об эквивалентности мер сходства и различия// Исследование систем. 1. Сложные системы. Владивосток: ДВНЦ, 1973.-С. 95-104.

59. Симанков B.C., Шопин А.В. Ситуационное управление сложным объектом в условиях нечеткой исходной информации // Труды ФОРА. — 2004.-№9.-С. 116-120.

60. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002.-352 с.

61. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия «Информатизация России на пороге XXI века». М.: СИНТЕГ, 1998.-376 с.

62. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. Серия «Системы и проблемы управления». -М.: СИНТЕГ, 2001.-256 с.

63. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ. И.Б. Гуревича; под ред. Ю.И. Журавлева. — М.: Мир, 1978. 414 с.

64. Тутов Л., Шастико А. Экономический подход к проблемам организации знаний о человеке // Вопросы экономики. 2002. — № 9. — С. 46-63.

65. Федунов Б.Е. Бортовые оперативно-советующие экспертные системы типовых ситуаций и семантический облик их баз знаний // Известия ТРТУ. Темат. вып.: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ, 2003. -№ 2(31). — С. 5-12.

66. Финаев В.И., Павленко Е.Н. Методы искусственного интеллекта в задачах организации водно-химического режима тепловых электростанций. — Таганрог: Изд-во ТРТУ, 2004. — 148 с.

67. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 184 с.

68. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. — На сайте: http://matlab.exponenta.ru/fiizzylogic/bookl/index.php, 2002.

69. Herrera F., Martinez L. A Fusion Method for Multi-Granularity Linguistic Information based on the 2-tuple Fuzzy Linguistic Representation Model // Technical Report. March, 1999. - #DECSAI-99107. - P. 44-64.

70. Herrera F., Martinez L. An Approach for Combining Linguistic and Numerical Information based on the 2-tuple Fuzzy Linguistic Representation Model in Decision-Making // Technical Report. April, 1999. #DECSAI-990111.-P. 83-99.

71. Malakooti В., Yang Z. Clustering and Group Selection of Multiple Criteria Alternatives with Application to Space-based Networks // IEEE Trans, on Systems, Man, and Cybernetics Part B: Cybernetics. 2004. - Vol. 34. - P. 40-51.

72. Zade L.A. Fuzzy sets // Inform. And Control. 1965. - Vol. 8. - № 3. - P. 338-353.

73. Zadeh L.A. Fuzzy Logic = Computing with Words // IEEE Transactions on Fuzzy Systems. May 1996. - Vol. 4. - № 2. - P. 103-111.