Разработка и исследование методов анализа сложности и состояний объекта, представленного в виде системы данных тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Алмасани Сихам Абдулмалик Мохаммед

• Алмасани Сихам Абдулмалик Мохаммед
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Алмасани Сихам Абдулмалик Мохаммед

ВВЕДЕНИЕ

1. РАЗРАБОТКА АЛГОРИТМА ФОРМАЛИЗАЦИИ ДАННЫХ ДЛЯ ЗАДАЧ МОДЕЛИРОВАНИЯ ОБЪЕКТОВ, ПРЕДСТАВЛЕННЫХ

В ВИДЕ СИСТЕМЫ ДАННЫХ

1.1. Информация и неопределенность в задачах формализации данных

1.2. Измеримость неопределенности и информации

1.3. Экспертная оценка степени проявления неопределенности

1.4. Аналитический обзор, формализация понятия и оценка

сложности объекта

1.5. Исследование информационных возможностей моделирования объектов

1.6. Анализ системы данных рынка ценных бумаг, как сложного объекта

1.7. Методы прогноза состояний объекта

1.8. Выводы

2. РАЗРАБОТКА УНИФИЦИРОВАННОГО АЛГОРИТМА МОДЕЛИРОВАНИЯ ОБЪЕКТА В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

2.1. Задачи моделирования объектов

2.1.1. Поведение объектов

2.1.2. Формализация параметров объекта

2.1.3. Функции переходов и выходов

2.2. Разработка алгоритмов имитационной модели объекта в виде агрегата

2.2.1. Алгоритмизация функционирования унифицированной модели

2.2.2. Модель формирования управляющего параметра

2.3. Разработка унифицированного алгоритма модели с решающими правилами

2.4. Алгоритмы нечеткого логического вывода

2.4.1. Алгоритмизация модели классификации

2.4.2. Алгоритмизация модели вычисления степени истинности

нечеткого логического вывода

2.5. Варианты применения нечеткого логического вывода

2.5.1. Применение нечеткого вывода на основе алгоритма Мамдани

2.5.2. Алгоритм нечёткого вывода Мамдани

2.5.3. Алгоритм Сугено

2.5.4. Агоритм Цукамото

2.6. Выводы

3. РАЗРАБОТКА МЕТОДА ПРОГНОЗА ИЗМЕНЕНИЯ ДИНАМИКИ ДАННЫХ ФУНКЦИОНИРОВАНИЯ ОБЪЕКТА

3.1. Задачи и критерии прогноза поведения объекта

3.1.1. Анализ методов прогнозирования

3.1.2. Критерии прогнозирования

3.2. Формализация степени неопределенности данных

3.3. Методы и возможности корреляционного анализа для задач прогнозирования поведения

3.3.1. Особенности применения корреляционного анализа

3.3.2. Вычисление коэффициента корреляции

3.3.3. Примеры применения корреляционного анализа на фондовом рынке

3.4. Применение интуитивных методов для прогноза

3.4.1. Индивидуальные экспертные оценки

3.4.2. Коллективные экспертные оценки

3.5. Применение экспертных знаний в задаче прогнозирования

3.5.1. Модель с применением нечеткой логики

3.5.2. Разработка и применение информационного обеспечения для прогнозирования рынка ценных бумаг

3.6. Верификация прогноза

3.6.1. Общие требования

3.6.2. Информационное обеспечение для прогноза и его верификации на рынке

ценных бумаг

3.6.3. Работа с информационным обеспечением

3.7. Выводы

4. РАЗРАБОТКА ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ ФУНКЦИОНИРОВАНИЯ ОБЪЕКТОВ, ПРЕДСТАВЛЕННЫХ В ВИДЕ СИСТЕМЫ ДАННЫХ

4.1. Требования к информационному обеспечению

4.1.1. Структура информационного обеспечения

4.1.2. Выбор математического и программного обеспечения

4.2. Задачи информационного обеспечения

4.3. Реализация информационного обеспечения

4.3.1. Особенности реализации

4.3.2. Особенности реализации модуля логического вывода решения

4.4. Пример реализации модулей с решающими правилами

и прогнозирования

4.4.1. Обоснование применения экспертных методов обработки данных

на основе анализа степени неопределенности данных

4.4.2. Формализация параметров задачи моделирования объекта исследования

4.4.3. Ситуационная модель оценки состояния фондового рынка

4.4.4. Модель вычисления степени истинности нечетких правил вывода

4.4.5. Разработка информационного обеспечения для оценки

состояний объекта

4.5. Сравнение результатов диссертационной работы с ранее известными методами моделирования и логического вывода решений

4.5.1. Критерии эффективности информационного обеспечения

4.5.2. Сравнение качества информационного обеспечения с аналогами

4.5.3. Сравнение информационного обеспечения с аналогами

по результатам моделирования

4.6. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов анализа сложности и состояний объекта, представленного в виде системы данных»

ВВЕДЕНИЕ

Исследование информационных структур, сбор данных для задач исследования поведения объектов, как системы данных происходит зачастую в условиях неопределенности, недостаточности информации относительно полноты статистической выборки, следовательно, неопределенности относительно модели исследуемого объекта и внешней среды. Эффективное поведение любого объекта -это такое поведение, при котором обеспечивается выполнение (достижение) заданных критериев качества функционирования объекта, независимо от его вида и назначения, т.е. это может быть объект технического назначения, либо экономического, либо социального, либо любого другого назначения [1 - 5]. Без исследования информационных процессов, получения их оценок сложно решать задачи исследования состояния объектов и их поведения.

Основная сложность исследования и функционирования объектов, особенно в условиях неопределенности, состоит в выполнения требования наличия адекватной математической модели [1, 2, 5 - 10], что далеко не всегда выполняется. Это связано с тем, что функционирование объектов осуществляется в условиях информационной неопределенности относительно среды функционирования, при неполной системе данных о структуре объекта и аналитических моделей его подсистем и элементов.

Так как условия функционирования объектов постоянно усложняются, то при разработке их моделей приходится иметь дело с постоянно возрастающей степенью неопределенности данных, не позволяющей применять аналитическое моделирование. Аналитическое моделирование соответствует традициям рационализма, т.е. существованию точных и непротиворечивых знаний, позволяющих получать строгие логико-математические модели, модели анализа информационных процессов в наблюдаемых объектах. Аналитическое моделирование эффективно тогда, когда наблюдаемый объект имеет признаки стационарности,

отсутствия последействия и является линейным. Для реальных объектов это, как правило, невыполнимо.

Существуют объекты с сильно выраженными признаками стохастичности, для моделирования которых и при решении задач управления применяют методы теории вероятностей и математической статистики [11, 12]. Данные методы очень хорошо работают при наличии статистических данных, но получать их достаточно трудно, из-за относительно небольших отрезков времени функционирования систем, а также сложности и большой стоимости проведения экспериментов. Поэтому в условиях недостаточности данных и их слабой структурированности необходимо разрабатывать и применять средства представления знаний, позволяющих адекватно отражать динамику процессов в предметной области.

Академиком Бусленко Н.П. в прошлом столетии был предложен подход к задаче моделирования сложных объектов, заключающийся в создании модели в виде агрегата [13]. Агрегативная, унифицированная модель в своем составе может содержать любые виды моделей, применение которых может быть эффективным в тех областях пространства состояния объекта, для которых модель будет адекватной. Существует задача определения области разбиения пространства состояний системы, в которых аналитические модели будут адекватно описывать функционирование наблюдаемого объекта. Применяя нужные модели в соответствующих областях пространства состояний, можно успешно решать задачу моделирования объектов. Решение этой задачи связано с исследованием системы данных о функционировании объектов, оценкой и прогнозом динамики изменения этих данных.

Формально построение модели исследуемого объекта в виде агрегата сформулировано Бусленко Н.П., однако применение данного подхода требует дальнейшего развития и апробации, т.к. любой наблюдаемый объект может быть в самых разных состояниях и с разной степенью неопределенности. Например, имеются сложности, связанные с определением границ перехода от одной области к другой, выбора видов соответствующих моделей, алгоритмизацией

применения моделей. В работах Бусленко Н.П. не рассматривались особенности применения видов моделей, а от правильного и своевременного их применения зависит результат применения модели в виде агрегата. Поэтому аспект применения модели объекта в виде агрегата требует дальнейшего изучения и будет рассмотрен в диссертации.

Особого внимания заслуживает понятие сложности объекта по системе данных об этом объекте. Сложность объекта упоминалась в работах большого числа ученых и сейчас продолжает рассматриваться. С позиций синергетической методологии, как отмечено в работе [14], «сложные системы имеют следующие основные характеристики:

- множество неоднородных компонентов;

- активность (целенаправленность) компонентом;

- множество различных, параллельно проявляющихся взаимосвязей между компонентами;

- семиотическая природа взаимосвязей; кооперативное поведение компонентов, открытость и распределённость;

- динамичность, обучаемость, эволюционный потенциал;

- неопределенность параметров среды».

Аспекту оценки сложности объекта по системе данных в диссертации уделено внимание с позиций выделения и анализа свойств и данных о функционировании объекта.

Исследования в условиях неопределенности выполняют с применением моделей с логическими правилами при обработке знаний экспертов, на основе которых создаются эти модели [2, 14 - 21] и соответствующее программное обеспечение. Данный класс моделей реализуется с применением методов искусственного интеллекта, а их применение реализуется на основе применения логических, семиотических и лингвистических моделей, что позволяет создавать программный продукт для новых информационных технологий.

Методы искусственного интеллекта успешно применятся при исследовании объектов разного назначения: в технических системах при программировании контроллеров [22 - 25]; для экономических объектов [26 - 29]; для социальных [30] и для объектов иного назначения. Общим признаком всех методов искусственного интеллекта является применение методов, направленных на активизацию использования интуиции и опыта специалистов [31]. Применение опыта специалистов направлено на оценку неопределенные ситуаций, применение его знаний при обработке данных и логического вывода, формализацию неопределенностей.

Следует отметить вклад в развитие методов теории искусственного интеллекта таких известных зарубежных ученых и ученых России, как Аверкин А.Н., Айзерман М.А., Берштейн Л.С., Борисов Н.А., Дюбуа Д., Заде Л.А., Кофман А., Мицумото М., Поспелов Д.А., К.А. Пупков, Саати Т.Л., Сугено М., Тарасов В.Б., Тэрано Т., Циммерман Х.Д., Ягер Р.Р. и многих других.

Модели с логическими правилами в условиях неопределенности позволяют не только находить адекватные сложившимся ситуациям решения, но и решать задачи прогноза движения наблюдаемых объектов в пространстве состояний. Модели требуют верификации, и проводить проверку адекватности моделей лучше всего на объектах с быстро изменяющимися состояниями. Модели с логическими, экспертными правилами применяют и для технических объектов, и для социально-экономических объектов, поэтому проверка моделей в диссертации осуществляется на таком достаточно динамичном и сложном объекте, как система статистических данных функционирования фондового рынка. Фондовый рынок представляет собой классический пример стохастического, нестационарного объекта с проявлениями существенного последействия [32 - 34]. Апробация исследований диссертации осуществлена на примере задач обработки данных для оценки состояния фондового рынка и логического вывода относительно развития состояний на этом рынке в условиях существенной неопределенности.

Проводимые в диссертационной работе исследования направлены на разработку алгоритмов преобразования статистических данных на основе экспертной интерпретации данных функционирования при применении унифицированной модели для задач исследований сложных объектов в условиях неопределённости. Существенная неопределенность требует привлечения знаний экспертов - специалистов, знания и интуиция которых подлежит формализации.

Формализация знаний экспертов выполняется методами теории нечетких множеств [17, 20, 35, 36], теории возможностей [37 - 39], а высказывания экспертов формализуются методами нечеткой логики [15, 16, 18 - 21, 40 - 44].

Основой исследований в диссертации является концепция системности, изложенная в работах [31, 45 - 48].

Тема диссертации является актуальной, т.к. в диссертации предложено и выполнено исследование методов анализа сложности и состояний объекта, представленного в виде системы данных, синтеза универсальных моделей и лингвистических моделей с логическими правилами для исследования объекта в условиях неопределенности с применением знаний экспертов и при апробации результатов исследований на примерах исследования данных на рынке ценных бумаг. Это определяет и подтверждает актуальность темы данной диссертационной работы.

Цель диссертационной работы состоит в разработке методов и алгоритмов преобразования на основе экспертной интерпретации статистических данных для решения задач анализа сложности и исследования поведения объектов в условиях неопределённости, а также методов прогноза состояний объектов при одновременном применении системы данных и экспертных знаний.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

- экспертная формализация системы данных для задачи анализа и оценки сложности объектов по результатам наблюдений и моделирования, оценки неопределенности системы данных для моделирования и прогноза результатов функционирования объекта;

- разработка унифицированного алгоритма моделирования для исследования сложности объекта в условиях неопределенности и при экспертном определении времени применения оператора переходов агрегата;

- разработка информационного обеспечения для исследования сложности функционирования объектов;

- разработка метода прогноза изменения состояний объекта и алгоритма (с функцией сложности) применения методов прогнозирования его эволюции.

Объектом исследования в диссертационной работе являются методы и алгоритмы моделей с логическими правилами для анализа и обработки статистических данных, модели оценки состояний и модели прогноза изменения состояний объекта в условиях неопределенности на основе экспертных знаний.

Математическими методами исследования в диссертационной работе являются методы и алгоритмы анализа и обработки статистических данных, теория нечётких множеств и теория нечёткой логики, принципы проектирования программных модулей для прогноза и анализа моделей информационных процессов в исследуемых объектах.

Научная новизна. В диссертации получены следующие новые научные результаты, которые выносятся на защиту:

- алгоритм определения степени сложности объекта по системе данных на выбранной экспертами шкале оценок, отличающийся от известных отображением состояния и результатов функционирования объекта в сложности объекта с применением знаний экспертов;

- алгоритм экспертной обработки данных о состоянии объекта и результатах его функционирования, а также с применением логического вывода относительно вида моделей исследования на основе анализа этих данных об объекте, отличающийся тем, что в унифицированной модели в виде агрегата определяется применение того или иного вида операторов при предварительной оценке сложности объекта, что в целом способствует адекватному применению моделей в задаче исследования;

- метод прогноза изменения состояний объекта по системе данных, отличающийся тем, что прогноз эволюции объекта выполняется исходя из неопределенности данных о результатах функционирования, что позволяет применять адекватные модели прогноза.

Практическая ценность результатов исследований состоит в применении полученных результатов диссертации в виде моделей, методов и информационного обеспечения для исследования функционирования объектов в неопределенных средах.

Диссертационная работа состоит из четырёх разделов, заключения и приложений.

В первом разделе диссертации разработан алгоритм формализации данных для задач моделирования объектов, рассмотрена измеримость неопределенности и информации. В рамках разработанного алгоритма предложен подход к измерению степени неопределенности данных, выполнен анализ известных определений сложности наблюдаемого объекта, введена информационная мера для оценки (измерения) степени сложности объекта, представленного в виде системы данных. Произведена формализация информационного понятия «сложный объект». Формализация параметров, определяющих понимание сложности объекта, выполнена с применением лингвистических переменных. Разработан алгоритм определения степени сложности объекта, представленного в виде системы данных, на основе знаний экспертов, который на основе измерений значений параметров объекта позволяет делать вывод о степени сложности с применением моделей нечеткого логического вывода.

Для моделирования сложного объекта предложено применять унифицированную абстрактную схему - агрегат, т.к. исследуемый объект в разные интервалы времени может обладать разным поведением. Приведено описание агрегата и множество моделей в составе агрегата. Выбор модели для применения во время функционирования сложного объекта определяется управляющим сигналом агрегата.

Приведено описание структуры рынка ценных бумаг, как объекта исследований с высокой степенью неопределенности. Рассмотрены методы анализа и методы прогноза состояний рынка ценных бумаг на основе анализа системы данных. Сделан вывод, что, в зависимости от степени неопределенности статистических данных, в диссертационных исследованиях необходимо уделить внимание корреляционного анализу, установлению регрессионных связей между параметрами, а также возможностям применения знаний экспертов при применении моделей прогноза развития состояний объекта.

Во втором разделе диссертации рассмотрены закономерности наблюдаемого объекта, степень проявления которых влияет на сложность его поведения. При формализации сложного объекта важным требованием является измеримость и наблюдаемость параметров, независимо от способа их формализации. Приведены модели для описания стохастических параметров и модели в виде лингвистических и нечетких переменных. Рассмотрены особенности моделирования фондового рынка, как примера сложного объекта.

Разработана блок-схема алгоритма унифицированной модели сложного объекта и приведено описание подпрограмм модели. Предложено связать степень сложности объекта с моделями, которые следует применять на разных интервалах времени при разной степени сложности объекта. Разработана модель формирования управляющего сигнала, а для оценки сложности объекта, представленного в виде системы данных, применена модель классификации. Разработано информационное обеспечение и приведен пример его применения. Разработан унифицированный алгоритм модели с логическими, экспертными правилами, алгоритмы нечеткого логического вывода модели классификации и модели вычисления степени истинности нечеткого логического вывода.

В третьем разделе диссертации осуществлена разработка метода прогноза изменения состояний объекта, представленного в виде системы данных. Произведен анализ существующих методов прогнозирования и обоснована необходимость применения прогноза при исследовании поведения объекта исследования.

На основании обзор научных работ о применении методов прогнозирования сделан вывод о необходимости разработки комбинированных методов прогнозирования для повышения точности прогноза. Рассмотрены особенности применения критериев методов прогнозирования. Разработан алгоритм применения методов прогнозирования эволюции наблюдаемых объектов, отличающийся получением прогноза «резких изменений» в состоянии, возможностью применения формализованных и интуитивных методов прогноза, расчета и исследования точности прогнозирования и применения экспертного логического вывода относительно времени и силы эволюционных изменений в состояниях объекта.

При проявлении небольшой степени неопределенности в системе статистических данных выполнены исследования применения методов корреляционного анализа для прогноза поведения объекта. Рассмотрено применение интуитивных методов прогноза. При проявлении большой степени неопределенности в системе статистических данных рассмотрено применение модели нечеткого логического вывода на основе обработки знаний экспертов. Приведено формальное задание модели и разработано информационное обеспечение в среде LabVIEW. Апробация модели выполнена для прогнозирования рынка ценных бумаг. Выполнена верификация результатов прогноза методом имитационного моделирования. Результаты моделирования показали, что ошибка прогноза находится в пределах 17 %. Можно сделать вывод, что модель прогноза достаточно адекватна, а точность прогноза достаточно высока для принятия адекватных решений.

В четвёртом разделе диссертации определены требования к разработке информационного обеспечения для исследования функционирования объектов в неопределенных, динамических средах. Рассмотрена реализация информационного обеспечения в виде совокупности информационных модулей. Для реализации совокупности информационных модулей выбрано программного обеспечения MatLab. Определен перечень задач, решаемых информационным обеспечением в аспекте исследования функционирования объектов, и разработан интерфейс совокупности информационных модулей на основе программном приложении

ЫМЬаЪ, алгоритм работы информационного обеспечения. Приведено описание работы модели с логическими, экспертными правилами на примере исследования функционирования фондового рынка. Показана работа ситуационной модели оценки состояния фондового рынка и модели вычисления степени истинности нечетких правил вывода.

Выполнено сравнение результатов диссертационной работы с классами моделей, реализованных на основе аналитических моделей, стохастических моделей, нейронных обучаемых сетей и на основе нечеткой нейронной сети. Экспертные сравнения результатов диссертационной работы с аналогами позволили сделать заключение о более лучших характеристиках функционирования объекта на основе методов и моделей, разработанных в диссертации.

Заключение содержит выводы о работе.

Результаты работы внедрены:

- на предприятии ООО «НИЛ АП» принят к использованию программный комплекс, реализованный на основе метода определения степени сложности объекта и метода прогноза изменения состояний объекта;

- на предприятии ООО «Техно КВМ» принят к использованию программный комплекс, реализованный на основе метода определения степени сложности объекта и метода прогноза изменения состояний объекта;

- в учебном процессе на кафедре систем автоматического управления института радиотехнических систем и управления ЮФУ.

Научные и практические результаты, полученные в диссертации и изложенные в статьях, использованы при подготовке и проведении практических занятий на кафедре "Систем автоматического управления" Института радиотехнических систем управления Южного федерального университета в г. Таганроге, а также на предприятии ООО «НИЛ АП» и ООО «Техно КВМ» принят к использованию программный комплекс, реализованный на основе метода определения степени сложности объекта и метода прогноза изменения состояний сложного объекта.

Основные результаты докладывались и обсуждались на следующих конференциях:

- III Всероссийской научной конференции молодых учёных, аспирантов и студентов. - Геленджик, Часть 2. - Геленджик: Изд-во ЮФУ, 2014.

- Международной научно-практической конференции «Роль технических наук в развитии общества», Уфа: Аэтерна, 2015.

- III Всероссийской научно-практической конференции «Проблемы и перспективы развития современной науки: социально-экономические, естественнонаучные исследования и технический прогресс», Часть 2. - Ростов-на-Дону: ООО «ПРИОРИТЕТ», 2015.

- Международной научно-практической конференции «Роль наук в развитии общества», Часть 1. - Уфа: Аэтерна, 2015.

- VIII Международной научно-практической конференции, Том I -Невинномысск, 2015.

- International Conference of Innovative technologies and didactics in teaching (ITDT-2016) // Esрaña. La Laguna, 2016.

- International conference «Innovative technologies and didactics in teaching (ITDT-2017)» // Germany. From 2 till 3 May. - Berlin, 2017.

- International conference «Innovative technologies and didactics in teaching (ITDT-2017)» // Germany. From 2 till 3 May. - Berlin, 2017.

- Молодежь и наука: реальность и будущее материалы IX Международной научно-практической конференции. Невинномысск, 02-04 марта 2016 г.

По теме диссертации опубликованы 22 статьи, среди которых 5 включены в список журналов, индексируемых базой данных SCOРUS, 3 включены в перечень изданий, рекомендованных ВАК РФ, 5 в других изделий, 9 тезисов докладов.

Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое соавторство.

Соответствие паспорту специальности. Материалы диссертации соответствуют:

- п. 5 паспорта специальности (разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений;

- п. 12 паспорта специальности (разработка математических, логических, семиотических и лингвистических моделей и методов взаимодействия информационных процессов, в том числе на базе специализированных вычислительных систем).

Структура диссертационной работы. Диссертационная работа содержит 194 страницы машинописного текста, включая введение, четыре раздела, заключение, список литературы из 203 наименований, 56 рисунков, 23 таблиц, а также приложение.

1. РАЗРАБОТКА АЛГОРИТМА ФОРМАЛИЗАЦИИ ДАННЫХ ДЛЯ ЗАДАЧ МОДЕЛИРОВАНИЯ ОБЪЕКТОВ, ПРЕДСТАВЛЕННЫХ В

ВИДЕ СИСТЕМЫ ДАННЫХ

1.1. Информация и неопределенность в задачах формализации данных

Широко известно, что информация в понимании К. Шеннона, это распознанная в данных неопределенность при выполнении некоторых условий. Если обратиться к классической теории информации [49], то количество неопределенности Н (информационная энтропия), как мера выражается в битах, и связана с равномерностью распределения случайной величины. Роль информации в теории управления является определяющей, так как для выбора адекватных управляющих решений из некоторого множества X, неопределенность будет тем больше, чем больше мощность |Х| множества управляющих решений. Для уменьшения неопределенности необходимо уменьшить |Х|.

Количество информации зависит от вероятности получения сообщения, а оценка количества информации определена законами теории информации. Для функционирующего объекта сообщение будет иметь ценность, если понимается смысл данного сообщения. Количество информации зависит от вероятности получения данного сообщения так, что чем больше вероятность события, тем меньше будет количество информации в сообщении об этом событии.

Известно [50], что при реализации разного рода информационных процессов данные преобразуют из одного вида в другой с помощью методов обработки данных. В методах обработки данных применяются операции сбора данных, формализации данных и их фильтрации, сортировка данных, группировка данных и их архивации, транспортировки и преобразование данных. Есть особая операция - защита данных, направленная на предотвращение утраты или модификацию

данных, а также на несанкционированное воспроизведение. Известно очень много работ, посвященных исследованию и применению этих операций.

В формализации данных для задач моделирования особое значение занимает неопределенность, рост которой до некоторого критического уровня приводит к неадекватному поведению объекта и может нарушить его целостность. Исследование неопределенности в информации - поиск методов и средств управления неопределенностью. Оценка, расчет и по возможности управление неопределенностью стали рассматриваться в последнее время в научных работах [51] и их число растет. В России изучением неопределенности занимались такие ученые как Айвазян С.А., Вишняков Я.Д., Ермасова Н.Б., Качалов Р.М., Куликова Е.Е., Петраков Н.Я., Радаев Н.Н., Ротарь В.И., Тэпман Л.Н., Уткин Э.А, Фролов Д.А., Чернов В.А., Шапкин А.С. и другие.

Приведем ряд положений неопределенности, которые следует учитывать при формализации системы данных.

Неопределенность рассматривается как мера информации - наиболее распространенное понимание неопределенности. Определенность исследуемого объекта будет при достаточности информации об условиях и ограничениях его функционирования, заданных параметрах. Абсолютная и относительная величина проверяемых данных - мера информации или размер неопределенности. Данные после проверки становятся объективными и становятся информацией, оценка которой позволяет определить неопределенность.

Однако, согласно работе [52], «неполнота отражения принципиально неустранима из-за всеобщей связи всех объектов реального мира и бесконечности их развития», т.е. существует предельность информации и неопределенности.

Список литературы диссертационного исследования кандидат наук Алмасани Сихам Абдулмалик Мохаммед, 2019 год

СПИСОК ИСТОЧНИКОВ

1. Филимонов, Н.Б. Методологический кризис «всепобеждающей математизации» современной теории управления / Н.Б. Филимонов // Мехатроника, автоматизация, управление. Т. 17, № 5. - Изд-во «Новые технологии». - С. 291 - 301.

2. Финаев, В.И. Тенденции развития систем автоматического и автоматизированного управления/ В.И. Финаев // Проблемы автоматизации. Региональное управление. Связь и автоматика: Сб. трудов II Всеросс. науч. конф. Т.1. - Геленджик: Изд-во ЮФУ, 2013. - С. 5 - 10.

3. Пшихопов, В.Х. Управление подвижными объектами в определённых и неопределённых средах/ В.Х. Пшихопов, М.Ю. Медведев// М.: Наука, 2011. -350 с.

4. Кузьбожева, Э.Н. Управленческие решения: разработка и выбор: Учебное пособие / Э.Н. Кузьбожева// Под ред. - М.: КНОРУС, 2005. - 352с

5. Алмасани, С.А.М. Оптимизация модального управления/ С.А.М. Алмаса-ни, В.А. Каид, И.М. Скубилин // Материалы II Всероссийской научной конференции молодых учёных, аспирантов и студентов. - Геленджик, Часть 1. - Геленджик: Изд-во ИТА ЮФУ, 2013. - С. 20 - 21.

6. Пшихопов, В.Х. Оценивание и управление в сложных динамических системах / В.Х. Пшихопов, М.Ю. Медведев // - М.: ФИЗМАТЛИТ, 2009. - 295 с.

7. Скубилин, М.Д. Моделирование и оптимизация систем автоматизации: Монография / М.Д. Скубилин, В.А.А. Каид, С.А.М. Алмасани // - Таганрог: Изд-во ТТИ ЮФУ, 2012. - 224 с.

8. Гайдук, А.Р. Теория автоматического управления [Текст] / А.Р. Гайдук // - Таганрог: Изд-во ТРТУ, 2004. - 208 с. - Библиогр.: с. 204-205. - 300 экз.

9. Красовский, А.А. Современная прикладная теория управления: оптимизационный подход в теории управления [Текст] / А. А. Красовский, А. А. Колес-

ников, В. Н. Буков, А. Р. Гайдук, А. Г. Гельфгат, О. Т. Вавилов, М. Ю. Медведев; под ред. А. А. Колесникова // - Таганрог: Изд-во ТРТУ, 2000. Ч.1. - 400 с.

10. Бессекерский, В.А. Теория систем автоматического управления [Текст] / В. А. Бессекерский, Е. Н. Попов // - СПб.: Профессия, 2003. - 752 с.

11. Вентцель, Е.С. Теория вероятностей / Е.С. Вентцель // - М.: Наука, 1969.

12. Финаев, В.И. Планирование экспериментов и обработка экспериментальных данных: Учебное пособие / В.И. Финаев // - Таганрог: Изд-во ЮФУ, 2013. - 92 с.

13. Бусленко, Н.П. Моделирование систем/ Н.П. Бусленко // - М.: Наука,

1978.

14. Пупков, К.А., Коньков В.Г. Интеллектуальные системы/ К.А. Пупков, В.Г. Коньков // М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. - 348 с.

15. Асаи, К. Прикладные нечеткие системы [Текст] / К. Асаи, Д. Ватада, С. Иваи; пер. с япон. К. Асаи, Д. Ватада, С. Иваи и др. [под редакцией Т. Тэрано, К. Асаи, М. Сугэно] // М.: Мир, 1993. - 368 с.

16. Борисов, А.Н. Принятие решения на основе нечетких моделей: примеры использования/ А.Н. Борисов, О.А. Крумберг, И.П. Федоров // Рига: Знание, 1990. - 184 с.

17. Аверкин, А.Н. Нечеткие множества в моделях управления и искусственного интеллекта/ А.Н. Аверкин, И.З. Батыршин, А.Ф. Блиншун, Б.В. Силаев, Б.Н. Тарасов // М.: Наука, 1986. - 312 с.

18. Берштейн, Л.С. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография/ Л.С. Берштейн, А.В. Боженюк // - Таганрог: Изд-во ТРТУ, 2001. - 110 с.

19. Поспелов, Д.А. Ситуационное управление: теория и практика/ Д.А. Поспелов // М.: Наука. Гл. ред. физ.-мат. лит., 1988. - 288 с.

20. Финаев, В.И. Модели систем принятия решений: Учебное пособие/ В.И. Финаев // - Таганрог: Изд-во ТРТУ, 2005. - 118 с.

21. Берштейн, Л.С. Модели и методы принятия решений в интегрированных интеллектуальных системах/ Л.С. Берштейн, В.П. Карелин, А.Н. Целых // - Ростов-на-Дону: Изд-во Ростовского университета, 1999. - 278 с.

22. Ignatyev, V.V. The Use of Hybrid Regulator in Design of Control Systems/ V.V. Ignatyev, V.I. Finaev // World Aррlied Sde^es Journal 23 (10), 2013. РР. 1291 - 1297.

23. Finaev, V.I. Control model of bread-baking oven under unсertainty/ V.I. Finaev, E.D. Sinyavskaya, V.Yu. Evtushenko, S.V. Vasilenko, I.V. Pushnina // International Journal of Aррlied Engineering Research, Vol. 10(18), 2015. рр. 38898 - 38904.

24. Finaev, V.I. Miсroрroсessor сontrol system of te^m^^al рroсess of stream generating installation of oilfield / V.I. Finaev, V.V. Ignatyev, E.J. Kosenko, V.V. Mikhailov, O.B. Sрiridonov // ARPN Journal of Engineering and Aррlied Sde^es, VOL. 10, NO 16, Seрtember, 2016. PP. 6765 - 6772.

25. Игнатьев, В.В. Метод синтеза систем гибридного управления на основе объединения классической и нечеткой моделей объекта / В.В. Игнатьев // Диссертация на соискание ученой степени кандидата технических наук: 05.13.01; 05.13.06. - Ростов на-Дону. Библиотека ДонГТУ, 2011.

26. Almasani, S.A.M. Research on the effediveness of рrediсtion models in the seсurities market / S.A.M. Almasani, V.I. Finaev and W.A.A. Qaid // ARPN Journal of Engineering and Aррlied Sde^es, 2015. VOL. 10, NO 22: рр. 10651 - 10658.

27. Бондаренко, Л.В. Pазработка и исследование методов принятия решений в условиях частичной неопределенности применительно к системам управления запасами / Л.В. Бондаренко // Диссертация на соискание ученой степени канд. техн. наук: 05.13.17. - Pостов-на-Дону: библиотека ЮФУ, 2009.

28. Назаркин, О.А. Pазработка и исследование методов управления запасами в условиях нечеткого определения величин [Электронный ресурс] / О.А. Назаркин // Диссертация на соискание ученой степени кандидата технических наук: 05.13.06. - М.: P^, 2002 (Из фондов Pоссийской Государственной библиотеки).

29. Шкрибляк, Н.В. Разработка методов и моделей принятия решений с применением искусственного интеллекта для систем управления запасами / Н.В. Шкрибляк // Диссертация на соискание ученой степени кандидата технических наук: 05.13.17. - Ростов-на-Дону. Библиотека ЮФУ, 2007.

30. Згуровский, М.З. Исследование социальных процессов на основе методологии системного анализа / М.З. Згуровский, А.В. Доброногов, Т.Н. Померанцева // Киев: Наукова думка, 1997. - 221 с.

31. Волкова, В.Н. Теория систем и системный анализ / В.Н. Волкова // - М.: ИД Юрайт, 2010. - 149 с.

32. Герасименко, В. Современный рынок ценных бумаг/ В. Герасименко // Российский экономический журнал, 2011. - №9. - С. 53 - 75.

33. Лялин, В.А. Российский рынок ценных бумаг: основные этапы и тенденции развития / В.А. Лялин // Евразийский международный научно -аналитический журнал, 2012. - №2. - С. 182 - 186.

34. Чалдаева, Л.А. Рынок ценных бумаг: Учебник. - 3-е изд / Л.А. Чалдаева, А.А. Килячков // - М.: Юрайт, 2012. - 864 с.

35. Заде, Л.А. Размытые множества и их применение в распознавании образов в кластер-анализе. В кн.: Классификация и кластер / Л.А. Заде // - М.: Мир, 1980. С. 208 - 247.

36. Кофман , А. Введение в теорию нечётких множеств / А. Кофман // - М.: Радио и связь, 1982. - 432 с.

37. Ягера, Р.Р. Нечёткие множества и теория возможностей. Последние достижения: Пер. с англ / Р.Р. Ягера // - М.: Радио и связь, 1986. - 408с.

38. Дюбуа Д., Прад. А. Теория возможностей: Пер. с франц. В.Б. Тарасова /Под реда, С.А. Орловского. - М.: Радио и связь, 1990. - 288 с.

39. Захаров, Р.Е. Разработка логико-лингвистических моделей управления и принятия решений на базе нечеткой логики запасами [Электронный ресурс] / Р.Е. Захаров // Диссертация на соискание ученой степени кандидата технических

наук: 05.13.01. - М.: РГБ, 2003 (Из фондов Российской Государственной библиотеки).

40. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечётких условиях: Монография / А.Е. Алтунин, М.В. Семухин // - Тюмень: Изд-во Тюменского государственного университета, 2000. - 352 с.

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

42. Берштейн, Л.С. Нечеткий логический вывод на основе определения истинности нечеткого правила modus ропеш / Л.С. Берштейн, А.В. Боженюк // Методы и системы принятия решений. Системы, основанные на знаниях. - Рига: РПИ, 1989. - С. 74 - 80

43. Marwala , T. E^nom^ modeling using artifidal intelligenсe Methods / T. Marwala // Sрringer , Adva^ed Information and Knowledge Рroсessing, 2013. 261 р.

44. ^melius, T.L. Eхрert systems: the te^nology of knowledge management and dedsion making for the 21st сentury / T.L. ^melius // Aсademiс Press, 2002. Vol. 6, 1947 р.

45. Калман, P. Очерки по математической теории систем / Р. Калман, П. Фалб, М. Арбиб // - М.: Наука, 1971. - 314 с.

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

47. Месарович, М. Общая теория систем: математические основы / М. Ме-сарович, И. Такахара // - М.: Мир, 1978. - 311 с.

48. Уемов, А.И. Системный подход и общая теория систем / А.И. Уемов // -М.: Мысль, 1978. - 204 с.

49. Стратонович, Р.Л. Теория информации/ Р.Л. Стратонович // - М.: Сов.радио, 1975.

50. Информация и неопределенность. [Электронный ресурс]. - Режим доступа: http://bukvi.ru/computer/informaciya-i-ee-svojstva-neopredelennost-mera-neopredelennosti.html.

51. Расчет и по возможности управление неопределенностью [Электронный ресурс]. - Режим доступа: http://vestnik.uapa.ru/ru/issue/2012/04/10/.

52. Качалов, Р.М. Управление хозяйственным риском/ Р.М. Качалов // -М.: Наука, 2002. 192 с.

53. Эшби, У.Р. Введение в кибернетику / У.Р. Эшби // - М.: ИЛ, 1959. 432 с.

54. Управление в условиях неопределенности: Пер. с англ. - М.: Альпина Бизнес Букс, 2006. - 213 с.

55. Друкер, П. Эффективное управление. Экономические задачи и оптимальные решения / Друкер П. - М.: ФАИР-ПРЕСС, 2003. - 288 с.

56. Zadeh, L.A. Toward a Perception-Based Theory of Probabilistic Reasoning with Imprecise Probabilities [Электронный ресурс]. - Режим доступа: http://sedok.narod. ru/s_files/poland/Zadeh. pdf.

57. Садовский, В.Н. Основания общей теории систем: Логико - методологический анализ / В.Н. Садовский // - М.: Наука, 1974. -279 с.

58. Bertalanfy, L.V. General System Theory - a сгшсв1 Review / L.V. Ber-talanfy // General System, vol. YII, 1962, р.1-20.

59. Исследования по общей теории систем: Сб. Переводов/ Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969. - 520 с.

60. Холл, А. Опыт методологии для системотехники/ А. Холл // М.: Сов. радио, 1975. - 448с.

61. Финаев, В.И. Моделирование систем: Учебное пособие / В.И. Финаев // Таганрог: Изд-во ЮФУ, 2013. - 181 с.

62. Костюк, В.Н. Теория систем как системные отношения / Системные исследования. / В.Н. Костюк // Ежегодник. Выпуск 1969. - М.: Изд-во НАУКА, 1969. - С. 97 - 103.

63. Finaev, V.I. System сomрleхity determination / V.I. Finaev, A.A. Pushnina, S.A.M. Almasani // International ^^ere^e «Innovative teсhnologies and dida^^ in teaming (ITDT-2017)», Germany. From 2 till 3 May. Berlin, 2017. PP. 94 - 103.

64. Finaev, V.I. Aggregation in сomрleх system simulation / V.I. Finaev, A.A. Pushnina, S.A.M. Almasani // International ^^ere^e «Innovative te^nologies and dida^^ in teaming (ITDT-2017)», Germany. From 2 till 3 May. Berlin, 2017. PP. 148 - 156.

65. Советов, Б.Я. Моделирование систем / Б.Я. Советов // М.: Высшая школа, 1985.

66. Асатурян, В.И. Теория планирования эксперимента / В.И. Асатурян // М.: Pадио и связь, 1983.

67. Новосельцев, В.Н. Моделирование естественных технологий организма для исследования процессов управления его жизнедеятельностью / В.Н. Новосельцев // Автоматика и телемеханика, 1992. №12. С. 96 - 105.

68. Shanley, D.P. Calorie res^i^on and aging: a life history analysis / D.P. Shanley, T.B.L. Kirkwood // Evolution, 2000. Vol. 54. P. 740-750.

69. Устенко, А.С. Основы математического моделирования и алгоритмизации процессов функционирования сложных систем / А.С. Устенко // [Электронный ресурс] Pежим доступа: httр://ustenko.fromru.сom/indeх.html (2014, 20 фев.).

70. Rauser, CL. Evolution of late-life fe^ndity in Drosoрhila melanogaster / CL. Rauser, J.J. Terney, S.M. Gunion, G.M. Covarrubias, L.D. Mueller, M.R. Rose // Journal of Evolutionary Biology, 2006. Vol. 19, P. 289 - 301.

71. Введение в математическое моделирование. Интернет-Университет Информационных Технологий [Электронный ресурс] / Pежим доступа: httр://www.intuit.ru/studies/сourses/1020/188/info, (2014, 21фев.).

72. Маликов, P^. Основы математического моделирования: учеб. пособие / P.Ф.Маликов // М: Изд-во «Горячая линия - Телеком», 2010. 348с.

73. Боголюбов, А.Н. Основы математического моделирования: учеб. Пособие / А.Н.Боголюбов // М.: МГУ, 2003. 137с.

74. Кундышева, Е.С. Экономико-математическое моделирование: Учебник / Е.С.Кундышева // - М.: Дашков и К°, 2008. 424 с.

75. Маркин Ю.П. Математические методы и модели в экономике: Учебное пособие / Ю.П. Маркин // - М.: Высшая школа, 2007. - 422 с.

76. Моделирование экономических процессов: Учебник. / М.В. Грачева, Л.Н. Фадеева, Ю.Н. Черемных (ред.). - М.: ЮНИТИ-ДАНА, 2005. - 351 с.

77. Колесников, В.И. Ценные бумаги: Учебник. / В.И. Колесников, В.С. Торкановский // - М.: Финансы и статистика, 2003. - 448 с.

78. Бердникова, Т.Б. Рынок ценных бумаг и биржевое дело / Т.Б. Берднико-ва // - М.: Инфра-М, 2002. - С. 9 - 100.

79. Алмасани, С.А.М. Системное определение рынка ценных бумаг / С.А.М. Алмасани / /Международная научно-практическая конференция «Роль наук в развитии общества», Часть 1. - Уфа: Аэтерна, 2015. С. 3 - 4.

80. Mishkin, F.S. The e^nom^s of money, banking, and finandal markets / F.S. Mishkin // 7th. ed., The Addison-Wesley series in eсonomiсs, 2004.

81. Галанов, В.А. Рынок ценных бумаг: Учебник / В.А. Галанов // - М.: Ин-фра, 2007. - 379 с.

82. Armstrong, J.S. Fo^ast^ for Marketing / J.S. Armstrong // Quantitative Methods in Marketing, London: International Thomрson Business Press, 1999. Р. 92 -119.

83. Mak, D.K. Sde^e of Finandal Market Trading / D.K. Mak // World Sden-tifte, 2003.

84. Дуброва, Т.А. Статистические методы прогнозирования в экономике: Учебное пособие, практикум, тесты, программа курса / Т.А. Дуброва, М.Ю. Ар-хипова // - М.: Московский государственный университет экономики, статистики и информатики, 2004. - 136 с.

85. Авагян, Г.Л. Международные валютно-кредитные отношения / Г.Л. Авагян, Ю.Г. Вешкин // - М.: Экономист, 2005.

86. Агапова, Т.А. Макроэкономика / Т.А. Агапова, С.Ф. Серегина // - М.: Изд-во «Дело и сервис», 2004.

87. Найман Эрик Л. Мастер-трейдинг: секретные материалы. - М. Альпина Паблишер, 2002. - 320 с.

88. Мелкумов, Я.С. Рынок ценных бумаг: Учебное пособие / Я.С. Мелкумов // - М.: Камерон, 2006. - 247 с.

89. Алмазов, А.А. Фрактальная теория. Как поменять взгляд на финансовые рынки / А.А. Алмазов // - М.: Admiral Markets, 2009.

90. Андерсон, Т. Статистический анализ временных рядов / Т. Андерсон // -М.: Наука, 1976.

91. Бабешко, Л.О. Математическое моделирование финансовой деятельности / Л.О. Бабешко // - М.: Кнорус, 2009.

92. Белова, Е.В. Технический анализ финансовых рынков / Е.В. Белова // -М.: ИНФРА-М, 2006.

93. Бокс, Д. Анализ временных рядов: прогноз и управление / Д. Бокс, Г. Дженкинс // - М.: "Мир", 1974.

94. Боровков, А.А. Математическая статистика / А.А. Боровков //. - М.: Наука, 1984.

95. Бубенко, Е.А. Использование агрегированных экономических благ постоянной ценности для хеджирования меновых рисков / Е.А. Бубенко, Н.В. Хова-нов // Управление экономическими системами: электронный научный журнал. URL: httр://ueсs.ru/instrumentalnii-metody-ekonomiki/item/1762-2012-12-08-06-17-34

96. Булковский, Т.Н. Полная энциклопедия графических ценовых моделей / Т.Н. Булковский //. - М.: «И-Трейд», 2006.

97. Бельзецкий, А.И. Фондовые индексы: оценка качества / А.И. Бельзецкий // - М.: Новое знание, 2006. - 310 с.

98. Винс, Р. Математика управления капиталом. Методы анализа рынка для трейдеров и портфельных менеджеров / Р. Винс // - М.: Издательский дом Альпи-на, 2000.

99. A^elis, S.B. Te^n^al Analysis from A to Z / S.B. A^elis// 2nd ed., MсGraw-Hill, 2000.

100. Финаев, В.И. Обработка и передача сигналов в системах дистанционного управления: Учебное пособие / В.И. Финаев // - Таганрог: Изд-во ТРТУ, 2003. - 123 с.

101. Тихомиров, В.М. «Теория приближений» / В.М. Тихомиров //, Анализ - 2, Итоги науки и техн. Современ. пробл. мат. фунд. направления, ВИНИТИ. -М.: 1987. - С. 103 - 260.

102. Практикум по эконометрике: Учеб. пособие / И.И. Елисеева, С.В. Ку-рышева, Н.М. Гордеенко и др.; Под ред. И.И. Елисеевой. - М.: Финансы и статистика, 2001.

103. Магнус, Я.Р. Эконометрика. Начальный курс. Учебное пособие / Я.Р. Магнус, П.К. Катышев, А.А. Пересецкий // 2-е изд., испр. - М.: Дело, 1998.

104. Смирнов, Б.Я. Краткий курс математической статистики для технических приложений / Б.Я. Смирнов, И.В. Дунин-Барковский // - М: Физматгиз, 1959.

105. Алмасани, С.А.М. Анализ методов прогноза рынка ценных бумаг. С.А.М. Алмасани // Международная научно-практическая конференция «Роль технических наук в развитии общества», Уфа: Аэтерна, 2015. - С. 3 - 4.

106. Алмасани, С.А.М. Аналитический обзор моделей прогнозирования рынка ценных бумаг / С.А.М. Алмасани // Материалы III Всероссийской научной конференции молодых учёных, аспирантов и студентов. - Геленджик, Часть 2. -Геленджик: Изд-во ЮФУ, 2014. С. 217 - 219.

107. Финаев, В.И. Модель прогноза состояния фондового рынка на основе нейронной сети / В.И. Финаев, С.А.М. Алмасани // Молодежь и наука: реальность и будущее: Материалы VIII Международной научно-практической конференции, Том I - Невинномысск, 2015. - С. 226 - 230.

108. Афанасьев, В.Г. Проблема целостности в философии и биологии / В.Г. Афанасьев // - М.: Мысль, 1984. - 416 с.

109. Справочник по теории автоматического регулирования/Под ред. А.А. Красовского. - М.: Наука, 1987. - 712 с.

110. Негойце, К. Применение теории систем к проблемам управления / К. Негойце // - М.: Мир, 1981. - 179с.

111. Модели принятия решений на основе лингвистической переменной / А.Н.Борисов, А.В.Алексеев, О.А.Крумберг и др. Prn^: Зинатне, 1982.

112. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде // - М.: Мир, 1976. - 165 с.

113. Борисов, А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева, Н.Н. Слядзь, В.И. Глушков // - М.: Pадио и связь, 1989.

114. Almasani, S.AM. The Dedsion-making Model regarding the сomрleхity of System / S.A.M. Almasani, V.I. Finaev, W.A.A. Qaid and A.V. Tyсhinsky // Journal of Theoret^al and Aррlied Information Te^nology, 2017. Vol. 95, No.13, рр. 3096 -3104.

115. Финаев, В.И., Бесшапошников В.В. Формализация нечетких критериев нечеткого выбора / В.И. Финаев, А.В. Ланкин // Сборник трудов Шестого Европейского конгресса интеллектуальных технологий и программного продукта. -Аахен, Германия, 1998 г.

116. Sugeno, М. Fuzzy measures and fuzzy integrals: а survey [^х^: fuzzy automata and dedsion рroсesses / М. Sugeno (in М.М. G^ta, G.N. Saridis and В^. Gaines editors); New York, North-Holland, 1977. PP. 89-102.

117. Деменков, Н.П. Нечёткое управление в технических системах: учебное пособие / Н.П. Деменков // - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 200 с.

118. Zadeh, L.A. Fuzzy logtt / L.A. Zadeh // IEEE Transadions on Comрuters, vol. 21, № 4, 1988. - PP. 83 - 93.

119. Zimmermann, H.J. Fuzzy Set Theory and its Appliсations [^х^ / H.J. Zimmermann // 3rd ed. - Do^re^t: Kluwer Aсademiс Рublishers. - 1996. - 315 p.

120. Takagi, T. Fuzzy identifiсation of systems and its applrcations to modeling and ^Html ^х^ // T. Takagi, M. Sugeno // IEEE Transadions on Systems, Man and Сybernetiсs, vol.15, no. 1, 1985, pp. 116 - 132.

121. Каид, В.А.А. Разработка моделей и методов принятия решений в условиях неопределённости на примере задач инвестиций / В.А.А. Каид // Диссертация на соискание ученой степени кандидата технических наук: 05.13.17. - Ростов-на-Дону. Библиотека ЮФУ, 2016.

122. S^tr, Мс. Artifidal Mel^e^e and e^rnm^ analysis: prospeds and problems / M. S^tr, R. John // Edward Elgar rub, 1992, 179p, ISBN 185278 685 Х.

123. Круглов, В.В. Нечёткая логика и искусственные нейронные сети [Текст] / В.В. Круглов, М.И. Дли, Р.Ю. Голубов // - М., 2004. - Библиогр.: с. 224.

124. Уинстон, П. Искусственный интеллект [Текст]: монография / П. Уин-стон; пер с англ. В.Л. Стефанюка // М.: Мир, 1980. - 520 с. - 15000 экз.

125. Минский, М. Вычисления и автоматы [Текст]: монография / М. Минский; пер. с англ. Б.Л. Овсиевича, Л.Я. Розенблюма // М.: Мир. - Библиогр.: с. 353-358.

126. Леоненков, А.В. Нечёткое моделирование в среде MATLAB и fuzzyTEOT [Текст] / А.В. Леоненков // - СПб.: БХВ - Петербург, 2005. - 736 с. -Библиогр.: с. 717-719. - 2000 экз. - ISBN 5-94157-087-2.

127. Поспелов, Д.А. Продукционные модели [Текст] / Д.А. Поспелов // - В кн. Искусственный интеллект. - В 3-х кн. Кн.2. Модели и методы: Справочник; под ред. Поспелова Д.А. - М.: Радио и связь, 1990. С. 49 - 56.

128. Дьяконов, В. Математические пакеты расширения MATLAB [Текст] / В. Дьяконов, В // Круглов: специальный справочник. - СПб.: Питер, 2001. - 480 с. - 5000 экз. - ISBN 5-318-00004-5.

129. Архангельский, В.И. Системы фуцци-управления [Текст]: монография / В.И. Архангельский, И.Н. Богаенко, Г.Г. Грабовский, Н.А. Рюмшин. - Киев: Техника, 1997. - 206 с.

130. Mamdani, E.H. Aррliсation of fuzzy logk to aррroхimate reasoning using linguiste synthesis [Text] / E.H Mamdani; IEEE Transadions on Сomрuters, vol.26, no. 12, 1977, рр.1182 - 1191.

131. Mamdani, E.H. Advanœs in the linguiste synthesis of fuzzy ^^rollers [Text] / E.H Mamdani. // International Journal of Man-Marine Studies, 1976, vol.8, рр. 669 - 678.

132. Коберси, И.С. Сomрare between FLC and PID regulators in the oil level œntrol task / И.С. Коберси, С.А. Алмасани, В.В. Игнатьев. // Известия ЮФУ. Технические науки. Тематический выпуск. - Таганрог: Изд-во ТТИ ЮФУ, 2013, №2. - С. 253 - 260.

133. Kobersi, I.S. Control of the Heating System with Fuzzy Log^ / I.S. Kobersi, V.I. Finaev, S.A. Almasani and W.A.A. Kaid // World Aррlied Sdenœs Journal, 2013. Vol.23 (11): рр. 1441 - 1447.

134. Almasani, S.A.M. Fuzzy Exрert Systems to Control the Heating,Ventilating and Air Conditioning (HVAC)Systems / S.A.M. Almasani, W.A.A. Qaid, A.Khalid and I.A.A. Alqubati // International Journal of Engineering Research & Te^nology (IJERT), 2015. Vol. 4 Issue 08: рр.808 - 815.

135. Almasani, S.A.M. Filtering Sрam Using Fuzzy Exрert System / S.A.M. Almasani, W.A.A. Qaid, A.Khalid and I.A.A. Alqubati // Journal of Emerging Trends in Comрuting and Information Sdenœs, 2015. Vol. 6, No. 12: рр. 655 - 660.

136. Ross, T.J. Fuzzy log^ with engineering aррliсations [^х^ / T.J. Ross // MсGraw-Hill, 1995. - 600 р.

137. Мидзумото, М. Нечёткая логика и нечёткие выводы [Текст] / М. Мид-зумото // Сури кагаку, 1987. - Т. 284, N 2. - С. 10 - 18.

138. Ярушкин, Н.Г. Основы теории нечётких и гибридных систем [Текст]: учебное пособие / Н.Г. Ярушкин // - М.: Финансы и статистика, 2004. - 322 с. -4000 экз. - ISBN 5-279-02776-6.

139. Константиновская, Л.В. Методы и приемы прогнозирования / Л.В. Константиновская // [Электронный ресурс]. - Режим доступа: http://www.astronom2000.info (2017, 13 апреля).

140. Классификация методов прогнозирования по Э.Е. Тихонову / [Электронный ресурс]. - Режим доступа: http://www.mbureau.ru/blog/klassifikadya-metodov-prognozirovaniya-po-e-tihonovu_(2017, 17 апреля).

141. Lijia Х. Study on State Рrediсtion Method for Eleсtroniс System / Х. Lijia, W. Houjun, L. Bing // IEEE, Сomputational Mel^e^e and Industrial Applrcation, 2008. РAСIIA '08.

142. Hanif, L. Рower system state ^o^asting using fuzzy -Viterbi Algorithm / L. Hanif , J. Saeed, M. S.F. Fadali, Сansin Y.E //. РES General Meeting | ^^ere^e & Eхposition, 2014 IEEE.

143. Dezhi, L. A fuzzy-filtered grey network teсhnique for system state foreсast-ing / L. Dezhi, W. Wilson, F. Ismail // Soft ^mp^ing, 2014, Vol.19 (12).

144. Dezhi, Li. Fuzzy Neural Network Te^nique for System State Foreсasting / L. Dezhi, W. Wilson, F. Ismail // IEEE Transadions on Сybernetiсs, 2013, Vol. 43 (5). - РР. 1484 - 1494.

145. Dezhi, L. An evolving fuzzy neural predidor for multi-dimensional system state foreсasting / L. Dezhi, W. Wilson, F. Ismail // ^^o^mp^ing, 2014, Vol. 145. -РР. 381-391.

146. Kumar, D.M.V. Рower System State Foreсasting Using Artifidal Neural Networks / D.M.V. Kumar, S.Q Srivastava // E^dr^ Marines & Рower Systems Journal, 2010. РР. 653-664.

147. Mohammad, H.Z. Рower system state foreсasting using regression analysis / H.Z. Mohammad, Y.E. Сansin // ^^ere^e: Рower and Energy Sodety General Meeting, 2012 IEEE.

148. Экономические циклы. Прогноз экономической ситуации на ближайшее десятилетие. [Электронный ресурс]. - Pежим доступа: httр://www.insсhool.ru/eduсation/рrojeсt_aсtivity/рroektnye-

raboty/high_sсhool/рrojeсt_week_ХVII/Revenko_Soldatskiy/рrojeсt.рdf / (2017, 24 апреля).

149. Богданов, Д.Ю. Логико-математические средства, используемые для прогнозирования потребности войск в материальных средствах в ходе боевых действий / Д.Ю. Богданов, И.А. Лепесий // Проблемы и перспективы современной науки, III Pеспубликанский научно-практический семинар молодых ученых, 2012.

150. Тихонов, Э.Е. Методы прогнозирования в условиях рынка: учеб. Пособие / Э.Е. Тихонов // - Невинномысск. - 2006. - 220 с.

151. Формулы и методы прогнозирования. [Электронный ресурс]. - Pежим доступа: httрs://www.lokad.сom/ru / (2017, 24 апреля).

152. Изучение и прогнозирование спроса на товары и услуги. [Электронный ресурс]. - Pежим доступа: httр://eokd.tolgas.ru/euk/iz/lek7.htm / (2017, 24 апреля).

153. Jie, Z. A suite of metres for assessing the рerformanсe of solar рower ^o^asting / Z. Jie, F. Anthony, H. Bri-Mathias, L. Siyuan, F. H. Hendrik, B. Venkat, M. B. Anna // Solar Energy, 2015. Vol. 111, рр. 157 - 175.

154. Pekka, K. Assessment of some methods for short-term load foreсasting / K. Pekka, M. Antti, N. Harri // Innovative Smart Grid Te^nologies ^^ere^e Ern^e (^G^Ew^e), 2014 IEEE PES.

155. Jamal, O. Foreсasting Models Evaluation Using a S^ks-Based Conteхt -Deрendent DEA Framework / O. Jamal, Х. Bing, T. Kaoru // The Journal of Aррlied Business Research, 2014. Vol. 30(5), рр. 1477 - 1484.

156. Steyerberg, E.W. Assessing the Perfo^a^e of Predidion Models A Framework for Traditional and Novel Measures / E.W. Steyerberg, A.J. Vkkers, N.R. ^ok, T. Gerds, M. Gonen, N. Ob^howski, M.J. Pendna, M.W. Kattan // Eрidemiolo-gy Cambridge, Mass.), 2010. Vol. 21(1), PP.128 - 38.

157. Алмасани, С.А.М. Метод прогноза изменения состояний сложной системы / С.А.М. Алмасани, V.I. Finaev, A.A. Pushnina // Журнал информация и связи, No 4, 2017, С. 37 - 44.

158. Xinyi, Х. A Correlation Analysis Method for Power Systems Based on Random Matriх Theory / Х. Xinyi, H. Xing, A. Qian, С. Q. Robert // IEEE Transa^^s on Smart Grid, 2015. Vol. 8(4), PP.1-10.

159. Dehon, С. Robust methods for сanoniсal analysis / С. Dehon, P. Filzmoser, С. Cro^ // Data Analysis, Classifiсation and Related Methods (Sрringer), 2000. PP. 321-326.

160. El-Gohary, M. Establishing Causality with Whitened Cross-Correlation Analysis / M. El-Gohary, M. James // IEEE Transadions on biomed^al engineering, 2007. Vol.54(12), 2007. PP. 2214 - 2222.

161. Лекция на тему: «Корреляционный анализ». [Электронный ресурс]. -Pежим доступа: www.kgafk.ru / (2017, 27 апреля).

162. Наследов, А.Д. Математические методы психологического исследования / А.Д. Наследов //. Анализ и интерпретация данных [Текст] /. - СПб.: Pечь, 2012. - 392с.

163. Лекция на тему: «Корреляционный анализ». [Электронный ресурс]. -Pежим доступа: www.kgafk.ru, 2006, 8с.

164. Головань, С.И. Бизнес-планирование и инвестирование: Учебник / С.И. Головань, М.А. Спиридонов // Pостов н/Д: Феникс, 2008. - 302 с.

165. Фёдорова, Л.Н. Методические указания по написанию контрольной работы по курсу «Статистика» для студентов экономических специальностей / Л.Н. Фёдорова, А.Е. Фёдорова // УрГЭУ, 2007.

166. Елисеева, И.И. Общая теория статистики: Учебник / И.И. Елисеева, М.М. Юзбашев // Под ред. И.И. Елисеевой. - 5-е изд., перераб. и доп. - М.: Финансы и статистика, 2004.

167. Салин, В.Н. Курс теории статистики для подготовки специалистов финансово-экономического профиля: Учебник / В.Н. Салин, Э.Ю. Чурилова // М.: Финансы и статистика, 2006. - 479 с.

168. We^hao, Х. АБушрШю РгорегйеБ of Order Statists Correlation Coeffident in the Normal Cases / Х. We^hao, C. Chunqi , Y.S . Hung, C.W.F. Peter // IEEE Transadions on Signal Proсessing , 2008. Vol.56(6), PP. 2239 -2248.

169. Eulalia, S. The Sрearman and Kendall rank ^H-elation ^efl^ents between intuitionis^ fuzzy sets / S. Eulalia, K. Janusz // EUSFLAT-LFA 2011, Aix-les-Bains, Fra^e, 521-528.

170. Алмасани, С.А.М. Принятие решений на рынке ценных бумаг на основе экспертных знаний / С.А.М. Алмасани // Наука и образование на рубеже тысячелетий: сборник научно-исследовательских трудов. Вып. 1. - Кисловодск, 2016. С. 200 - 207.

171. Арженовский, С.В. Методы социально-экономического прогнозирования: учебное пособие / С.В. Арженовский // - М.: Дашков и К, 2008. - 236 с.

172. Бутакова, М.М. Экономическое прогнозирование: методы и приемы практических расчетов: учебное пособие / М.М. Бутакова // - М.: КНОРУС. 2010. - 168 с.

173. Глущенко, В.В. Исследование систем управления: социологические, экономические, прогнозные, плановые, экспериментальные исследования / В.В. Глущенко, И.И. Глущенко // Железнодорожный, Моск. Обл.: ООО НЦП «Крылья», 2004. - 416 с.

174. Franses, P.H.B.F. Evaluating Maсroeсonomс Fo^asts: A ^ndse Review of Some Reсent Deve^ments / P.H.B.F. Franses, M.J. MсAleer, R. Legerstee // Journal of E^nom^ Surveys, 2014. Vol. 28 (2), PP. 195 - 208.

175. Seyed, H.M.Y. Te^^al analysis of Fo^ by MACD Ind^ator / H.M.Y. Seyed, H.L. Ziba // International Journal of Humanities and Management Sde^es (IJHMS), 2013. Vol. 1(2), PP. 2320 - 4044.

176. Yeti, Y. Stoсk market р^^юп by using artifiсial neural network /Y. Yeti, H. ^р^п, M. Jamshidi // IEEE World Automation Congress (WAC) Confere^e on Waikoloa, HI, 2014. PP. 718 - 722.

177. Алмасани, С.А.М. Исследование моделей прогноза рынка ценных бумаг / С.А.М. Алмасани // Журнал информация и связи, No 3, 2016, С. 125 - 128.

178. Алмасани, С.А.М. Модели прогноза рынка ценных бумаг с применением нечеткой логики / С.А.М. Алмасани // III Всероссийской научно-практической конференции «Проблемы и перспективы развития современной науки: социально-экономические, естественно-научные исследования и технический прогресс», Часть 2. - Pостов-на-Дону: ООО «ro^P^re^, 2015. - С. 27 - 29.

179. Финаев, В.И. Прогноз состояния фондового рынка. Наука и образование на рубеже тысячелетий/ В.И. Финаев, С.А.М. Алмасани //Сборник научно-исследовательских работ. Вып. 1. - Кисловодск, 2015. - С. 76 - 80.

180. Алмасани, С.А.М. Информационное обеспечение и его применение для исследования состояния фондового рынка / С.А.М. Алмасани // Молодежь и наука: реальность и будущее материалы IX Международной научно-практической конференции, Том 2. 2016. С. 21 - 25.

181. Almasani, S.AM. Assessming the ст^ге^ state of the stoсk market under unсertainty / S.A.M. Almasani, V.I. Finaev, W.A.A. Qaid and A.V. Ty^os^y // Journal of Theoret^al and Aррlied Information Te^nology // 2016. Vol. 89, No 1, рр. 164 - 171.

182. Almasani, S.AM. The Dedsion-making Model for the Stoсk Market Under Unсertainty/ S.A.M. Almasani, V.I. Finaev, W.A.A. Qaid and A.V. Tyсhinsky // International Journal of Eleсtriсal and Comрuter Engineering, 2017. Vol.7, No.5: рр. 2782 -2790.

183. Akala, R. Te^niques for Learning and Tuning Fuzzy Rule-Based Systems for Linguists Modeling and Their Aррliсation Knowledge Engineering Systems / R. Akala, J. Casillas, O. Cordon, F. Herrera, J.S. Zwir // In: C.T. Leondes (ed.), Knowledge Engineering Systems, Te^niques and Aррliсations, Aсademiс Press, 1999.

184. Tseng, F. Fuzzy ARIMA Model for Forecasting the Foreign Exchange Market / F. Tseng, G. Tzeng, H. Yu, B. Yuan // Fuzzy Sets and Systems, 2001. Vol. 118, рр. 9 -19.

185. Almasani, S.A.M. Information support for decision making under uncertainty in the securities market / S.A.M. Almasani, V.I. Finaev // International Conference «Innovative technologies and didactics in teaching (ITDT-2016)», Spain. From 2 till 3 May. La Laguna, 2016/ pp. 153 - 161.

186. AnMacaH^ С.А.М. Метод анализа индикатоpов pbiHKa ценных бумаг / С.А.М. Алмаcани // Национальная а^оциация ученых (НАУ) Ежемеcячный научный жуpнал № 1 (6) / Екатеpинбуpг, 2015. - С. 106 - 107.

187. Anbalagan, T. Technical analysis of fuzzy metagraph based decision support system for apital market / T. Anbalagan, M. Uma //Journal of Computer Science 9 (9): 1146-1155, 2013, ISSN: 1549-3636.

188. Gamil, A.A. Stock technical analysis using multi agent and fuzzy logic / A.A. Gamil, R.S. El-Fouly, N.M. Darwish // Proceedings of the World Congress on Engineering, Jul. 2-4, London UK, 2007. - PP. 142 - 147.

189. Gaur, D. Metagraph-Based Substructure Pattern Mining / D. Gaur, A. Shas-tri, R. Biswas // Proceedings of the International Conference on Advanced Computer Theory and Engineering, Dec. 20 - 22, 2008, IEEE Xplore Press, Phuket. pp: 865-869. DOI: 10.1109/ICACTE.2008.100.

190. Bova, S. A logical analysis of Mamdani-type fuzzy inference, II. An experiment on the technical analysis of financial markets / S. Bova, P. Codara // Proceedings of the IEEE International Conference on Fuzzy Systems, Jul. 18 - 23, 2010, IEEE Xplore Press,Barcelona, pp: 1-8. D0I:10.1109/FUZZY.2010.5584834.

191. Meysam, A. Design and analysis of experiments in ANFIS modeling for stock price prediction / A. Meysam, G. Mohsen, F. Elnaz, R. Roy // International Journal of Industrial Engineering Computations 2, 2011. PP. 409-418.

192. Chen, M.S. A Comрarative Study of Learning Methods in Tuning Parameters of Fuzzy MembershiрFunсtions / M.S. Chen // In Proсeedings of IEEE SMC '99 Confere^e, Tokyo, Jaрan, 1999. PP. 40 - 44.

193. Tavakkoli, M. New method to evaluate finandal рerformanсe of сomрanies by fuzzy logi^ Case study, drug industry of Iran / M. Tavakkoli, A. Jamali, A.Ebrahimi // Asia Padf^ Journal of Finale and Banking Research, 2010. Vol.4(4). PP. 15 - 24.

194. Adebiyi A.A. Stoсk Pr^e Predidion using Neural Network with Hybridized Market Indoors / A.A. Adebiyi, C.K. Ayo, M.O. Adebiyi, S.O. Otokiti // Journal of Emerging Trends in Comрuting and Information Sde^es, January 2012. VOL.3(1).

195. Meysam, A. Foreсasting Eхсhange Rates: A Neuro-Fuzzy Aррroaсh / A. Meysam, R. Roy, K.G.B. Akram, M.S.E. Mir // IFSA-EUSFLAT, 2009,P. 1745 - 1750.

196. Hans-Petter, H . Introdudion to LabVIEW / H. Hans-Petter // University College of Southeast Norway, 2016, PP. 116.

197. Крутиков, В.К. Макроэкономическое планирование и прогнозирование / В.К. Крутиков, Т.В. Дорожкина, Ю.В. Зайцев, О.В. Федорова // - Калуга: Эйдос, 2014. - 112 с.

198. Фарсова, А.В. Экспертные методы оценки / А.В. Фарсова // - М.: Юрайт, 2013. - 211 с.

199. Ахметзянова, ЭР. Верификация ощибок в макроэкономическом планировании и прогнозировании / ЭР. Ахметзянова // Современная наука и практика, 2015. №4 (4), - С. 3 - 4.

200. Компьютер-пресс: науч. электрон. журн. URL: httр://www.соmрress.ru/Arсhive/CP/2006/7/18/#MatLab

201. Официальный сайт разработчика MatLab. httрs://www.mathworks.сom.

202. Андон, Ф.И. Основы качества программных систем / Ф.И. Андон, В.Ю. Суслов, Г.И. Коваль, Т.М. Коротун // - Киев, Академпериодика, 2002. - 502 с.

203. Воробьев, В. И. Методы и модели оценивания качества программного обеспечения / В.И. Воробьев, А.В. Копыльцов, Б.П. Пальчун, P.Юсупов // - М. СПб.: СПИСАН, 1992. - 33 с.

ПРИЛОЖЕНИЕ 1

Таблица соответствия «ситуация - решение», для оценки сложности Фондового рынка, как сложного объекта

Таблица П1.1

Яи1е Проявление Проявление Проявление Сложность Наличие Оценка сложно-

8 нестацио- последей- случайности взаимоотноше- информаци- сти Фондового

нарности ствия ний со средой онных ресурсов рынка

1 небольшая Небольшая Низкая низкая мало недостаточно

2 небольшая Небольшая Низкая низкая достаточно недостаточно

3 небольшая Небольшая Низкая низкая много Мало

4 небольшая Небольшая Низкая средняя мало недостаточно

5 небольшая Небольшая Низкая средняя достаточно Мало

6 небольшая Небольшая Низкая средняя много Мало

7 небольшая Небольшая Низкая высокая мало недостаточно

8 небольшая Небольшая Низкая высокая достаточно недостаточно

9 небольшая Небольшая Низкая высокая много недостаточно

10 небольшая Небольшая Средняя низкая мало недостаточно

11 небольшая Небольшая Средняя низкая достаточно Мало

12 небольшая Небольшая Средняя низкая много Мало

13 небольшая Небольшая Средняя средняя мало недостаточно

14 небольшая Небольшая Средняя средняя достаточно недостаточно

15 небольшая Небольшая Средняя средняя много недостаточно

16 небольшая Небольшая Средняя высокая мало недостаточно

17 небольшая Небольшая Средняя высокая достаточно недостаточно

18 небольшая Небольшая Средняя высокая много недостаточно

19 небольшая Небольшая Высокая низкая мало недостаточно

20 небольшая Небольшая Высокая низкая достаточно недостаточно

21 небольшая небольшая Высокая низкая много недостаточно

22 небольшая небольшая Высокая средняя мало Сложная

23 небольшая небольшая Высокая средняя достаточно Сложная

24 небольшая небольшая Высокая средняя много Сложная

25 небольшая небольшая Высокая высокая мало Сложная

26 небольшая небольшая Высокая высокая достаточно Сложная

27 небольшая небольшая Высокая высокая много Сложная

28 небольшая средняя Низкая низкая мало недостаточно

29 небольшая средняя Низкая низкая достаточно Мало

30 небольшая средняя Низкая низкая много Мало

31 небольшая средняя Низкая средняя мало недостаточно

32 небольшая средняя Низкая средняя достаточно недостаточно

33 небольшая средняя Низкая средняя много недостаточно

34 небольшая средняя Низкая высокая мало Сложная

35 небольшая средняя Низкая высокая достаточно недостаточно

36 небольшая средняя Низкая высокая много недостаточно

37 небольшая средняя Средняя низкая мало недостаточно

38 небольшая средняя Средняя низкая достаточно недостаточно

39 небольшая средняя Средняя низкая много недостаточно

40 небольшая средняя Средняя средняя мало недостаточно

41 небольшая средняя Средняя средняя достаточно недостаточно

42 небольшая средняя Средняя средняя много недостаточно

43 небольшая средняя Средняя высокая мало Сложная

44 небольшая средняя Средняя высокая достаточно недостаточно

45 небольшая средняя Средняя высокая много недостаточно

46 небольшая средняя Высокая низкая мало Сложная

47 небольшая средняя Высокая низкая достаточно Сложная

48 небольшая средняя Высокая низкая много Сложная

49 небольшая средняя Высокая средняя мало Сложная

50 небольшая средняя Высокая средняя достаточно Сложная

51 небольшая средняя Высокая средняя много Сложная

52 небольшая средняя Высокая высокая мало Сложная

53 небольшая средняя Высокая высокая достаточно сложная

54 небольшая средняя Высокая высокая много Сложная

55 небольшая большая Низкая низкая мало сложная

56 небольшая большая Низкая низкая достаточно сложная

57 небольшая большая Низкая низкая много сложная

58 небольшая большая Низкая средняя мало сложная

59 небольшая большая Низкая средняя достаточно сложная

60 небольшая большая Низкая средняя много сложная

61 небольшая большая Низкая высокая мало Очень сложная

62 небольшая большая Низкая высокая достаточно сложная

63 небольшая большая Низкая высокая много сложная

64 небольшая большая Средняя низкая мало сложная

65 небольшая большая Средняя низкая достаточно сложная

66 небольшая большая Средняя низкая много сложная

67 небольшая большая Средняя средняя мало сложная

68 небольшая большая Средняя средняя достаточно сложная

69 небольшая большая Средняя средняя много сложная

70 небольшая большая Средняя высокая мало Сложная

71 небольшая большая средняя высокая достаточно сложная

72 небольшая большая средняя высокая много сложная

73 небольшая большая высокая низкая мало сложная

74 небольшая большая высокая низкая достаточно сложная

75 небольшая большая высокая низкая много сложная

76 небольшая большая высокая средняя мало Очень сложная

77 небольшая большая высокая средняя достаточно сложная

78 небольшая большая высокая средняя много сложная

79 небольшая большая высокая высокая мало Очень сложная

80 небольшая большая высокая высокая достаточно сложная

81 небольшая большая высокая высокая много Сложная

82 средняя небольшая низкая низкая мало недостаточно

83 средняя небольшая низкая низкая достаточно недостаточно

84 средняя небольшая низкая низкая много недостаточно

85 средняя небольшая низкая средняя мало сложная

86 средняя небольшая низкая средняя достаточно недостаточно

87 средняя небольшая низкая средняя много недостаточно

88 средняя небольшая низкая высокая мало Сложная

89 средняя небольшая низкая высокая достаточно недостаточно

90 средняя небольшая низкая высокая много недостаточно

91 средняя небольшая средняя низкая мало сложная

92 средняя небольшая средняя низкая достаточно недостаточно

93 средняя небольшая средняя низкая много недостаточно

94 средняя небольшая средняя средняя мало сложная

95 средняя небольшая средняя средняя достаточно недостаточно

96 средняя небольшая средняя средняя много недостаточно

97 средняя небольшая средняя высокая мало сложная

98 средняя небольшая средняя высокая достаточно недостаточно

99 средняя небольшая средняя высокая много недостаточно

100 средняя небольшая высокая низкая мало сложная

101 средняя небольшая высокая низкая достаточно сложная

102 средняя небольшая высокая низкая много сложная

103 средняя небольшая высокая средняя мало сложная

104 средняя небольшая высокая средняя достаточно Сложная

105 средняя небольшая высокая средняя много сложная

106 средняя небольшая высокая высокая мало Очень сложная

107 средняя небольшая высокая высокая достаточно сложная

108 средняя небольшая высокая высокая много сложная

109 средняя средняя низкая низкая мало сложная

110 средняя средняя низкая низкая достаточно недостаточно

111 средняя средняя низкая низкая много недостаточно

112 средняя средняя низкая средняя мало сложная

113 средняя средняя низкая средняя достаточно недостаточно

114 средняя средняя низкая средняя много недостаточно

115 средняя средняя низкая высокая мало сложная

116 средняя средняя низкая высокая достаточно недостаточно

117 средняя средняя низкая высокая много недостаточно

118 средняя средняя средняя низкая мало сложная

119 средняя средняя средняя низкая достаточно недостаточно

120 средняя средняя средняя низкая много недостаточно

121 средняя средняя средняя средняя мало сложная

122 средняя средняя средняя средняя достаточно сложная

123 средняя средняя средняя средняя много недостаточно

124 средняя средняя средняя высокая мало сложная

125 средняя средняя средняя высокая достаточно сложная

126 средняя средняя средняя высокая много сложная

127 средняя средняя высокая низкая мало сложная

128 средняя средняя высокая низкая достаточно сложная

129 средняя средняя высокая низкая много сложная

130 средняя средняя высокая средняя мало сложная

131 средняя средняя высокая средняя достаточно сложная

132 средняя средняя высокая средняя много сложная

133 средняя средняя высокая высокая мало Очень сложная

134 средняя средняя высокая высокая достаточно сложная

135 средняя средняя высокая высокая много сложная

136 средняя большая низкая низкая мало сложная

137 средняя большая низкая низкая достаточно сложная

138 средняя большая низкая низкая много сложная

139 средняя большая низкая средняя много сложная

140 средняя большая низкая средняя достаточно сложная

141 средняя большая низкая средняя много сложная

142 средняя большая низкая высокая мало Очень сложная

143 средняя большая низкая высокая достаточно сложная

144 средняя большая низкая высокая много сложная

145 средняя большая средняя низкая мало Очень сложная

146 средняя большая средняя низкая достаточно сложная

147 средняя большая средняя низкая много сложная

148 средняя большая средняя средняя мало Очень сложная

149 средняя большая средняя средняя достаточно сложная

150 средняя большая средняя средняя много сложная

151 средняя большая средняя высокая мало Очень сложная

152 средняя большая средняя высокая достаточно сложная

153 средняя большая средняя высокая много сложная

154 средняя большая высокая низкая мало Очень сложная

155 средняя большая высокая низкая достаточно сложная

156 средняя большая высокая низкая много сложная

157 средняя большая высокая средняя мало Очень сложная

158 средняя большая высокая средняя достаточно Очень сложная

159 средняя большая высокая средняя много Очень сложная

160 средняя большая высокая высокая мало Сверх сложная

161 средняя большая высокая высокая достаточно Очень сложная

162 средняя большая высокая высокая много Очень сложная

163 большая небольшая низкая низкая мало сложная

164 большая небольшая низкая низкая достаточно сложная

165 большая небольшая низкая низкая много сложная

166 большая небольшая низкая средняя мало Очень сложная

167 большая небольшая низкая средняя достаточно сложная

168 большая небольшая низкая средняя много Сложная

169 большая небольшая низкая высокая мало Очень сложная

170 большая небольшая низкая высокая достаточно сложная

171 большая небольшая низкая высокая много сложная

172 большая небольшая средняя низкая мало Очень сложная

173 большая небольшая средняя низкая достаточно сложная

174 большая небольшая средняя низкая много сложная

175 большая небольшая средняя средняя мало Очень сложная

176 большая небольшая средняя средняя достаточно сложная

177 большая небольшая средняя средняя много сложная

178 большая небольшая средняя высокая мало Очень сложная

179 большая небольшая средняя высокая достаточно сложная

180 большая небольшая средняя высокая много сложная

181 большая небольшая высокая низкая мало Очень сложная

182 большая небольшая высокая низкая достаточно сложная

183 большая небольшая высокая низкая много сложная

184 большая небольшая высокая средняя мало Очень сложная

185 большая небольшая высокая средняя достаточно Очень сложная

186 большая небольшая высокая средняя много Очень сложная