Развитие методов теории нечётких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределённости тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Демидова, Лилия Анатольевна

• Демидова, Лилия Анатольевна
• доктор технических наук
• 2009

Оглавление диссертации доктор технических наук Демидова, Лилия Анатольевна

Введение.

Глава 1 Обзор и анализ методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности.

1.1 Проблема поддержки принятия решений в условиях неопределенности.

1.2 Классы неопределенности информации.

1.3 Мягкие вычисления при решении задач искусственного интеллекта.

1.4 Применение бионических принципов в информационных технологиях.

1.4.1 Генетические алгоритмы.

1.4.2 Искусственные нейронные сети.

1.4.3 Искусственные иммунные системы.61 *

1.5 Классификация систем и нечетких моделей.

1.5.1 Классификация систем.

1.5.2 Классификация моделей систем.

1.5.3 Классификация и преимущества нечетких моделей систем.

1.5.4 Сравнительный анализ нечеткого и нейросетевого подходов к моделированию систем.

1.6 Системы нечеткого вывода в задачах поддержки принятия решений.

1.7 Принципы анализа многокритериальных задач принятия решений.

1.7.1 Принцип Эджворта-Парето.

1.7.2 Принцип анализа иерархий на основе метода парных сравнений.

1.7.3 Принцип схемы Беллмана - Заде.

1.8 Упорядочение, классификация и кластеризация объектов.

1.8.1 Упорядочение объектов.

1.8.2 Классификация объектов.

1.8.3 Классификация и упорядочение объектов, представленных мультимножествами.

1.8.4 Кластеризация объектов.

1.8.5 Иерархическая кластеризация.

1.8.6 Алгоритм четких с-средних.

1.8.7 Алгоритмы кластеризации на основе нечетких множеств.

1.9 Прогнозирование на основе нечетких временных рядов.

1.9.1 Интерпретация процессов.

1.9.2 Диагностика процессов.

1.9.3 Прогнозирование процессов.

1.9.4 Планирование процессов.

1.9.5 Прогнозирование процессов, представленных короткими временными рядами.

1.10 Некоторые задачи поддержки принятия решений в условиях неопределенности.

Выводы по главе 1.

Глава 2 Модели прогнозирования на основе нечетких временных рядов и генетических алгоритмов.

2.1 Модель прогнозирования первого порядка на основе дискретных нечетких множеств первого типа и генетического алгоритма.

2.1.1 Модель прогнозирования первого порядка на основе дискретных нечетких множеств первого типа с использованием временных рядов, представленных значениями приращений фактора.

2.1.2 Модель прогнозирования первого порядка на основе дискретных нечетких множеств первого типа с использованием временных рядов, представленных значениями фактора.

2.1.3 Генетический алгоритм поиска оптимальных параметров модели прогнозирования первого порядка на основе дискретных нечетких множеств первого типа.

2.2 Модель прогнозирования высокого порядка на основе дискретных нечетких множеств первого типа и генетического алгоритма.

2.2.1 Модель прогнозирования высокого порядка на основе дискретных нечетких множеств первого типа.

2.2.2 Генетический алгоритм поиска оптимальных параметров

Модели прогнозирования высокого порядка на основе дискретных нечетких множеств первого типа.

2.2.3 Модель прогнозирования на основе дискретных нечетких множеств первого типа с дополнительным неопределенным параметром.

2.3 Модель прогнозирования на основе непрерывных нечетких множеств первого типа и генетического алгоритма.

2.4 Модель прогнозирования на основе дискретных нечетких множеств второго типа и генетического алгоритма.

2.4.1 Модель прогнозирования на основе дискретных нечетких множеств второго типа.

2.4.2 Итерационный алгоритм Карнйка — Менделя.

2.4.3 Анализ возможности использования геометрического центроида для представления результатов дефаззификации.

2.4.4 Генетический алгоритм поиска оптимальных параметров модели прогнозирования первого порядка на основе интервальных дискретных нечетких множеств второго типа.

2.4.5 Модель прогнозирования на основе непрерывных нечетких множеств второго типа.

2.4.6 Генетический алгоритм поиска оптимальных параметров модели прогнозирования первого порядка на основе непрерывных нечетких множеств второго типа.

2.4.7 Генетический алгоритм поиска оптимальных параметров -модели прогнозирования высокого порядка на основе интервальных дискретных и непрерывных нечетких множеств второго типа.

2.5 Схемы моделей прогнозирования.на основе нечетких множеств первого и второго типов.

Выводы по главе 2.

Глава 3 Оценка, классификация и упорядочение объектов с использованием нечеткого метода Дельфы, мультимножеств, систем нечеткого вывода и генетических алгоритмов.

3.1 Нечеткий метод Дельфы согласования экспертных оценок- объектов при использовании прямого метода оценивания.

3.1.1 Оценка параметров на основе дефаззификации непрерывных нечетких множеств первого типа:.

3.1.2 Оценка параметров на основе центроидов интервальных непрерывных нечетких множеств второго типа. 174 3.1.3 Анализ эффективности методов оценивания объектов на основе непрерывных нечетких множеств .первого типа и интервальных непрерывных нечетких множеств второго типа.

3.2' Разработка систем поддержки принятия решений на основе нечеткого обратного вывода.

3.3 Разработка систем поддержки принятия решений с использованием систем нечеткого вывода на основе нечетких множеств первого и второго типов.

3.3.1 Системы поддержки принятия решений на основе интервальных нечетких множеств первого типа с использованием алгоритма нечеткого вывода Мамдани.

3.3.2 Системы поддержки принятия решений на основе интервальных нечетких множеств первого типа с использованием алгоритма нечеткого вывода Сугено.

3*3.3 Системы поддержки принятия решений на основе интервальных нечетких множеств второго типа с использованием алгоритма нечеткого вывода Мамдани.

3.3.4 Системы поддержки принятия решений на основе интервальных нечетких множеств второго типа с использованием алгоритма нечеткого вывода Сугено.

3.3.5 Разработка иерархических систем нечеткого вывода.

3.3.6 Настройка параметров систем нечеткого вывода на основе генетических алгоритмов.

3.3.7 Генетический алгоритм настройки параметров системы нечеткого вывода на основе нечетких множеств первого типа с использованием алгоритма Мамдани.

3.3.8 Генетический алгоритм настройки параметров системы нечеткого вывода на основе нечетких множеств первого типа с использованием алгоритма Сугено.

3.3.9 Генетический алгоритм настройки параметров системы нечеткого вывода на основе интервальных нечетких множеств второго типа с использованием алгоритма Мамдани.

3.3.10 Генетический алгоритм настройки параметров системы нечеткого вывода на основе интервальных нечетких множеств второго типа с использованием алгоритма Сугено.

3.4 Разработка обобщенных решающих правил классификации объектов, представленных мультимножествами, с использованием индивидуальных систем нечеткого вывода предварительной сортировки объектов.

3.4.1 Разработка обобщенных решающих правил классификации объектов, представленных мультимножествами.

3.4.2 Применение систем нечеткого вывода для получения индивидуальных заключений экспертов по предварительной сортировке объектов.

3.5 Упорядочение объектов, представленных мультимножествами с использованием нечеткого метода Дельфы.

3.5.1 Многокритериальное упорядочение объектов на основе схемы Беллмана — Заде.

3.5.2 Нечеткий метод Дельфы согласования экспертных оценок объектов по ряду критериев с использованием метода парных сравнений.

3.5.3 Многокритериальное упорядочение объектов на основе теории мультимножеств.

Выводы по главе 3.

Глава 4 Методы и алгоритмы кластеризации на основе нечетких множеств первого типа и генетических алгоритмов.

4.1 Кластеризация объектов с использованием БСМ-алгоритма на основе нечетких множеств первого типа.

4.2 Задача выбора показателя качества кластеризации.

4.2.1. Показатели качества нечеткой кластеризации.

4.2.2. Анализ адекватности результатов нечеткой кластеризации в зависимости от используемого показателя качества кластеризации.

4.3 Генетический алгоритм оптимизации результатов нечеткой кластеризации с использованием БСМ-алгоритма на основе нечетких множеств первого типа.

4.3.1 Кодирование хромосомы координатами центрами кластеров.

4.3.2 Кодирование хромосомы степенями принадлежности объектов центрам кластеров.

4.3.3 Генетический алгоритм для хромосомы, закодированной координатами центров кластеров.

4.3.4 Генетический алгоритм для хромосомы, закодированной степенями принадлежности объектов центрам кластеров.

4.3 ;5 Особенности реализации генетического алгоритма; при заданном количестве кластеров.

4.4 Комбинирование РСМ-алгоритма на основе нечетких множеств первого типа и, генетического алгоритма.

4.4.1 Комбинирование РСМ-алгоритма на основе нечетких множеств., первого типа и генетического алгоритма при кодировании хромосом координатами центров кластеров без дополнительного пересчета значенийфункций принадлежности.

4.4.2 Комбинирование РСМ-алгоритма на основе нечетких множеств . первого типа; и генетического алгоритма при кодированиихромосом координатами центров кластеров с дополнительным пересчетом значений функций принадлежности.

4.4.3 Комбинирование РСМ-алгоритма на основе нечетких множеств первого типа и генетического алгоритма при кодировании • , хромосом степенями принадлежности объектов центрам кластеров.

4.4.4 Сравнительный анализ эффективности методов кластеризации при различных способах кодирования хромосом.:.

4.5; Кластеризация объектов с использованием известных модификаций

РСМ-алгоритма на основе:нечетких множеств первого типа;.

4.5.1 Кластеризация объектов с использованием РСМ-алгоритма на основе нечетких множеств первого типа.

4.5.2 Кластеризация объектов с использованием РРСМ-алгоритма на основе нечетких множеств первого типа.

4.5.3 Кластеризация объектов с использованием 11РСМ-алгоритма на основе.нечетких множеств первого типа.

4.6 Генетические алгоритмы оптимизации результатов кластеризации с использованием известных модификаций РСМ-алгоритма на основе нечетких множеств первого типа.

4.6.1 Генетический алгоритм оптимизации результатов , кластеризации с использованием РСМ-алгоритма на основе нечетких множеств'первого типа.

4:6.2 Генетический алгоритм оптимизации результатов кластеризации с использованием-РЕСМ-алгоритма

•; на;основе нечетких множеств первогопгипа;".!.307'

4.6.3 Генетический алгоритм оптимизации результатов кластеризации с использованием ЯНСМ-алгоритма наоснове нечетких множествщервого типа:.309?

4.7 Кластеризация объектов, представленных мультимножествами. использованиемчРСМ-алгоритмана1оснрве-г;;; . • нечетких множеств первого типа и, генетического алгоритма.:.

Выводы по главе 4.: ..320»

Глава 5 Методы и алгоритмы кластеризации на/основе нечетких множеств второго типа и генетического алгоритма.

5.1 Кластеризация на основе РСМ-алгоритма с использованием нечетких множеств второго типа и генетического алгоритма.

5.1.1 Неопределенность фаззификатора в РСМ-алгоритме. 5.1.2 Расширение множества объектов на интервальные. . • нечеткие:множества второго типа дляГСМ-алшритма.

5:1.3 Итерационный алгоритм Карника-Менделя.

5;2 Задача выбора показателя качества; кластеризации. 5.2.1- Показатели качества кластеризации:.

5.2.2 Анализ адекватности результатов кластеризации в зависимости от используемого показателя качества кластеризации..

5.3 Генетический алгоритм поиска оптимальной комбинации ; значений фаззификаторов для ГСМ-алгоритма на основе интервальных нечетких множеств второго типа.

5.4 Кластеризация на основе РСМ-алгоритма с использованием нечетких множеств второго типа и генетического алгоритма.

5:4; 1 Неопределенность «ширины-зоны» в>Р€М-алгоритме.:.360*

5.4.2 Расширение множества объектов на интервальные нечеткие множества второго типа для РСМ-алгоритма.

5.4.3 Генетический алгоритм поиска оптимальной комбинации значения фаззификатора и значений «ширины зоны», реализующих управление неопределенностью, для РСМ-алгортггма на основе . ■ интервальных нечетких множеств.второго типа;.

5 .4.4 Генетический» алгоритм поиска оптимальной комбинации значений фаззификаторов. реализующих управление неопределенностью, и значений «ширины зоны» . для РОМ-алгоритма на основе интервальных нечетких множеств второго .типа:. .:.

5:5 • Неопределенность в выборецелевой функции.:.:.•.31,6'.

5.5.1 Расширение множества объектов на интервальные нечеткие множества второго типа для 17СМ-РСМ-алгоритма. .377 5:5.2 Генетический алгоритм поиска оптимальной комбинации значений фаззификатора и .«ширины зоны» в ГСМ-РСМ-алгоритме на основе интервальных нечетких множеств второго типа..380 •

5.6 Двухуровневые генетические алгоритмы поиска оптимальных параметров ^алгоритмов кластеризации.

5:6.1 Двухуровневый генетический алгоритм поиска-оптимальной комбинации значений фаззификаторов для ГСМ-алгоритма< на основе интервальных нечетких множеств второго типа:.

5.6.2 Двухуровневый генетический алгоритм поиска оптимальной комбинации значения фаззификатора и значений «ширины зоны», реализующих управление неопределенностью, для РСМ-алгоритма на основе , интервальных нечетких множеств второго типа.

5.6.3 Двухуровневый генетический алгоритм поиска оптимальной, комбинации значений фаззификаторов, реализующих управление неопределенностью, и значений «ширины зоны» для РСМ-алгоритма на основе интервальных нечетких множеств второго типа.

5.6.4 Двухуровневый генетический алгоритм поиска оптимальной комбинации значения фаззификатора и значений «ширины зоны» в FCM-PCM-алгоритме на основе интервальных нечетких множеств второго типа.

Выводы по главе 5.

Глава 6 Программная реализация методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности.

6.1 Пакет прикладных программ «Модели прогнозирования на основе нечетких множеств первого и второго типов».

6.1.1 Общие характеристики пакета прикладных программ

Модели прогнозирования на основе нечетких множеств первого и второго типов».

6.1.2 Комплекс «ForecastingTlFS».

6.1.3 Комплекс «ForecastingT2FS».

6.2 Пакет прикладных программ

Нечеткие городские инженерные коммуникации».

6.2.1 Общие характеристики пакета прикладных программ

Нечеткие городские инженерные коммуникации».

6.2.2 Подкомплекс «FAULT IDENTIFICATION».

6.2.3 Подкомплекс «FUZZY INFERENCE SYSTEM».

6.3 Пакет прикладных программ «Упорядочение и классификация инвестиционных проектов на основе мультимножеств».

6.3.1 Общие характеристики пакета прикладных программ «Упорядочение и классификация инвестиционных проектов на основе мультимножеств».

6.3.2 Подкомплекс «MULTISET CLASSIFICATION».

6.3.3 Подкомплекс «MULTISET ORDERING».

6.3.4 Подкомплекс «MULTISET CLUSTERNG».

6.4 Пакет прикладных программ «Настройка систем нечеткого вывода классификации способов несанкционированного отбора электроэнергии с использованием генетических алгоритмов».

6.5 Пакет прикладных программ «Оценка обобщенного мнения экспертов на основе нечеткого метода Дельфы и'центроидов нечетких множеств первого и второго типов».

6.6 Пакет прикладных программ «Методы кластеризации объектов на основе нечетких множеств первого и второго типов».

6.6.1 Общие характеристики пакета прикладных программ

Методы кластеризации объектов на основе нечетких множеств первого и второго типов».

6.6.2 Комплекс «ClusteringTlFS».

6.6.3 Комплекс «ClusteringT2FS».

Выводы по главе 6.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Демидова, Лилия Анатольевна

Выводы по главе 6

1. Разработан 1JIJLL1 «Модели прогнозирования на основе нечетких множеств первого и; второго типов» («ForccastingTl T2FS»), обеспечивающий решение, задач краткосрочного прогнозирования (на 1 шаг вперед) процессов с преобладающей, детерминированной составляющей, представленных временными рядами с короткой длиной*актуальной части; в условиях отсутствия, априорной информации о вероятностных,характеристиках процесса. Программная реализация ППП выполнена с использованием нечетких моделей прогнозирования, описанных в ГЛАВЕ 2. ■ ■

ППП «ForecastingTlT2FS» был использован при разработке прогнозов показателей занятости населения РФ в экономике страны, и при выполнении метеопрогнозов в городе Камбарка Удмуртской Республики.

Пакет прикладных программ -внедрен и используется в ООО «НЭК Квандо-Терминал» для • прогнозирования показателей, характеризующих внешнеторговую деятельность: «таможенные платежи», «индекс таможенной стоимости», «экспорт товаров», «импорт товаров», «количество Государственных таможенных деклараций, оформленных в режиме экспорта и импорта для свободного обращения» и др. (акт внедрения от 01.08.2008):

2. Разработан ППП «Нечеткие городские инженерные коммуникации» . («Fuzzy City Engineering Communications» - «FCEC»), предназначенный для комплексной диагностики состояния ГИК: принятия решения о причинах неисправностей ГИК и предпосылок, неисправностей ГИК при необходимости учёта территориальной распределенности объектов на основе алгоритмов идентификации неисправностей й предпосылок неисправностей; принятия решения о возможности перекрытия того или иного вентиля на аварийном участке при минимально возможной численности населения, временно отключаемого от подачи воды, на основе иерархической системы нечеткого вывода. . ' :

Программная реализация ППП выполнена с использованием алгоритмов и моделей, описанных в ГЛАВЕ 3.

ППП «FCEC» используется для решения задач диагностики состояния водопроводных сетей, теплосетей и арматуры в штатных и аварийных ситуациях в МУП «Рязанское муниципальное предприятие тепловых сетей» (акт внедрения от 07.03.2005), в управлении топливно-энергетического комплекса и жилищно-коммунального хозяйства Рязанской области (акт внедрения от 17.03.2005).

3. Разработан ППП «Упорядочение и классификация инвестиционных проектов на основе мультимножеств» («Multiset Ordering and Classification of Investment Projects» — «МОС1Р»), предназначенный для комплексного многокритериального анализа инвестиционных проектов при ярко выраженном наличии несовпадающих, в том числе противоречивых оценок, экспертов: принятия решения о классификации инвестиционных проектов на основе мультимножеств и индивидуальных систем нечеткого вывода, настроенных с помощью генетического алгоритма; принятия решения об упорядочении инвестиционных проектов на основе парных сравнений по шкале Саати, нечеткого метода Дельфы и мультимножеств; принятия решения о кластеризации инвестиционных проектов на основе мультимножеств, FCM-алгоритма на основе НМТ1 и генетического алгоритма.

Программная реализация ППП выполнена с использованием методов упорядочения, классификации и кластеризации объектов, представленных мультимножествами, изложенных в ГЛАВАХ 3 и 4.

ППП «МОС1Р» успешно внедрен и используется для комплексного анализа инвестиционных проектов в Рязанской торгово-промышленной палате (акт внедрения от 14.03.2007) и в ЗАО «ПРО-САМ» (акт внедрения от 20.03.2007).

4. Разработан ППП «Настройка систем нечеткого вывода классификации способов несанкционированного отбора электроэнергии с использованием генетических алгоритмов» («FISGAT1T2FS»), предназначенный для выполнения настройки параметров систем нечеткого вывода абонентов электросети с использованием их индивидуальных моделей энергопотребления при наличии графического и/или аналитического представления данных обучающей выборки.

Программная реализация lililí выполнена с использованием алгоритмов, изложенных в ГЛАВЕ 3.

Методика классификации способов несанкционированного отбора электроэнергии, основанная на бионических принципах анализа отклонений показаний приборов учета, использована в Филиале «Рязаньэнерго» ОАО «МРСК Центра и Приволжья» (акт использования от 22.01.2009) в процессе - проведения исследований и модернизации «Автоматизированной системы контроля и учета электроэнергии» (АСКУЭ) для бытовых потребителей в секторе индивидуального жилья. 5. Разработан 111111 «Оценка обобщенного мнения экспертов на основе нечеткого метода Дельфы и центроидов нечетких множеств первого и второго типов» («ExpertEstimationFuzzyDeIfITlT2FS»), предназначенный для решения задачи оценки потенциального качества изменяемых многомерных объектов при малых объёмах априорной информации и формирования обобщенного мнения экспертов на основе нечеткого метода Дельфы с использованием центроидов НМТ1, а в сложных случаях — центроидов ИНМТ2, применение которых позволяет дифференцировать объекты, имеющие равные центроиды НМТ1 для оценок по некоторым критериям.

Программная реализация 111111 выполнена с использованием методов оценивания объектов на основе НМТ1 и ИНМТ2, изложенных в ГЛАВЕ 3.

111111 «ExpertEstimationFuzzyDeIfiTlT2FS» используется в деятельности «Независимого центра оценки и экспертиз» при оценке технического состояния зданий и сооружений.

6. Разработан lililí «Методы кластеризации объектов на основе нечетких множеств первого и второго типов» («Object Clustering Methods on the base of type-1 and type-2 fuzzy sets» - «OCMT1T2FS»), предназначенный для выполнения многокритериальной кластеризации совокупностей объектов, содержащих как кластеры подобной плотности и подобного объема, так и кластеры существенно разной плотности или существенно разного объема.

Программная реализация 111111 выполнена с использованием методов и алгоритмов, изложенных в ГЛАВАХ 4 и 5.

ППП «OCMT1T2FS» успешно внедрен и используется в деятельности ООО «Независимый центр оценки и экспертиз» при оценке технического состояния зданий и сооружений (акт внедрения от 01.12.2008).

ЗАКЛЮЧЕНИЕ

В диссертационной работе в рамках решения поставленной научно-технической проблемы разработки эффективных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности на основе комплексного использования инструментария теории нечётких множеств и генетических алгоритмов получены следующие результаты.

1. Выполнено исследование проблемы поддержки принятия решений в условиях неопределенности, выявлены достоинства и недостатки известных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности. Проведенный анализ показал, что существующие методы, модели и алгоритмы поддержки принятия решений в условиях неопределенности зачастую не обеспечивают принятие объективных и адекватных решений ввиду недостаточно обоснованного выбора параметров моделирования, а поиск эффективных решений сопровождается значительными временными затратами из-за необходимости выполнения многократных реализаций используемых методов, моделей и алгоритмов с целью выбора оптимальных параметров моделирования. Сделан вывод о целесообразности использования генетических алгоритмов для решения задачи поиска оптимальных параметров методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности.

2. Разработаны модели краткосрочного прогнозирования процессов с преобладающей детерминированной составляющей, представленных временными рядами с короткой длиной актуальной части, в условиях отсутствия априорной информации о вероятностных характеристиках процесса, на основе нечетких множеств первого типа и интервальных нечетких множеств втоporo типа с использованиём; генетических алгоритмов, обеспечивающие повышение точности прогнозирования за счет выбора оптимальных параметров моделей; прогнозирования. , 3. Разработаны-генетические алгоритмы «тонкой» настройки параметров систем нечеткого вывода на основе нечетких множеств, первого типа, и •интервальных нечетких множеств.второго типа с использованием обучающих выборок, обеспечивающие повышение объективности ; и адекватности принимаемых решений с применением моделей поддержкишринятия решений! в условиях неопределенности. ;

4. Разработаны методы упорядочения, классификации и кластеризации объектов при наличии несовпадающих, в том числе: противоречивых,, исходных данных с использованием мультимножеств, нечеткого метода Дельфы, схемы* Бёллмана - Заде и систем нечеткого вывода,, позволяющие учесть, в процессешринятия решения все, в том'числе противоречивые, оценки объектов. без использования: дополнительных преобразований' типа, усреднения и смешивания, которые могут привести к необоснованным и необратимым искажениям исходных данных. Предложено при формировании; обобщающих правил классификации1 объектов,; представленных мультимножествами, для выполнения; предварительной: сортировки: объектов; применять индивидуальные системы нечеткого вывода, параметры которых настроены с использованием генетических алгоритмов. :

5. Предложен метод оценивания; объектов* с вычислением центроидов интервальных нечетких множеств второго типа на основе, экспертных оценок, согласованных с использованием^ нечеткого метода Дельфы, позволяющий дифференцировать, объекты^ имеющие одинаковые центроиды нечетких, множеств первого типа на основе этих же экспертных оценок.

6. Разработаны методы, кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе нечетких множеств первого типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержащего кластеры подобной плотности и подобного объема, с минимальными временными затратами.

7. Разработаны методы кластеризации объектов с использованием модификаций алгоритма нечетких с -средних на основе интервальных нечетких множеств второго типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержащего кластеры существенно разной плотности или существенно разного объема, с минимальными временными затратами.

8. Разработаны показатели качества кластеризации, позволяющие получить адекватные результаты кластеризации множества объектов, содержащего кластеры гиперсферической или гиперэллипсоидной формы, с использованием методов кластеризации на основе интервальных нечетких множеств второго типа. г

9. Разработаны пакеты прикладных программ, реализующие предлагаемые методы, модели и алгоритмы поддержки принятия решений в условиях неопределенности, и решен ряд актуальных прикладных задач: задача прогнозирования процессов с преобладающей детерминированной составляющей, представленных временными рядами с короткой длиной актуальной части, в условиях отсутствия априорной информации о вероятностных характеристиках процесса; задача принятия инвестиционных решений на основе многокритериального упорядочения, классификации и кластеризации инвестиционных проектов при ярко выраженном наличии несовпадающих, в том числе противоречивых, оценок экспертов; задача диагностики состояния городских инженерных коммуникаций и принятия решений в штатных и аварийных ситуациях при необходимости учёта территориальной распределенности объектов;

- задача классификации способов несанкционированного отбора электроэнергии при наличии графического и/или аналитического представ

4 f ления данных обучающей выборки; задача оценки недвижимости как задача оценки потенциального качества изменяемых многомерных объектов при малых объёмах априорной информации; задача технического контроля состояния зданий и сооружений как задача кластеризации при нечётком определении состояний многомерных объектов.

Неопределенность в данных задачах связана с невозможностью полного сбора и учёта информации о влияющих воздействиях, с неточностью выполняемых измерений, а так же с неопределенностью, неполнотой и нечеткостью знаний экспертов в конкретной предметной области, то есть с проявлением субъективного человеческого фактора.

10.Исследования разработанных методов, моделей и алгоритмов показали:

- повышение обоснованности и адекватности принятия решения-в условиях неопределенности и неточности исходной информации, в том* числе при несовпадающих (противоречивых) оценках экспертов;

- повышение качества формализации опыта экспертов, который зачастую является единственной наиболее достоверной информацией при решении многих задач поддержки принятия решений; снижение временных и финансовых, затрат, связанных как с необходимостью сбора и учета точных и полных исходных данных (что может быть принципиально невозможным), так и с разработкой сложных классических математических моделей или необходимостью многократной реализации классических методов, моделей и алгоритмов с целью выбора соответствующих оптимальных параметров, обеспечивающих принятие адекватных решений.

Анализ приведенных результатов дает основание полагать, что представляемая работа связана с решением важной научно-технической проблемы и представляет собой развитие методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности на основе комплексного использования инструментария теории нечётких множеств и генетических алгоритмов.

Список литературы диссертационного исследования доктор технических наук Демидова, Лилия Анатольевна, 2009 год

1. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Д.А.Поспелова. М.: Наука, 1986. — 312 с.

2. Айвазян G.A., Мхитарян B.C. Прикладная статистика. Основы эконометрики. Учебник для вузов: В 2 т. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. - Т. 1. 656 с.

3. Айвазян С.А., Мхитарян B.C. Прикладная статистика. Основы эконометрики^ Учебник для вузов: В 2. т. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001.- Т.2.-432 с.

4. Алиев P.A. Интеллектуальные роботы с нечеткими базами знаний. М.: Радио и связь, 1994. - 178 с.

5. Алиев P.A., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат. — 1991. — 240 с.

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

7. Андерсен Т. Статистический анализ временных рядов: М.: Мир, 1976. -756с. ' ■■ : '

8. Андрейчиков A.B., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: Финансы и статистика, 2000: - 368 е.: ил.

9. Андрианов Д.Е. Геоинформационные системы: исследование, анализ и разработка. М.: Государственный научный центр Российской федерации -ВНИИгеосистем, 2004. - 184 с. '

10. Андрианов Д.Е., Садыков С.С., Симаков P.A. Разработка муниципальных геоинформационных систем: исследование, анализ и разработка. М.: Мир, 2006. - 105 с.

11. Антикризисное управление: Учеб. пособие: в 2 т. Т. 2.: Экономические основы / Отв. ред. Г.К. Таль. М.: ИНФРА-М, 2004. - 1027 с.

12. Арене X., Лейтер Ю. Многомерный дисперсионный анализ М.: Финансы и статистика, 1985. — 230 с.

13. Артеменков А.И., Микерин Г.И. О различии между профессиональной» стоимостной оценкой и инвестиционно-финансовой оценкой: возможные объяснения с учетом происходящего «пересмотра понятий» // Вопросы оценки, 2007. № 2 - С. 23-39;

14. Асанов А.А. Генетический алгоритм построения экспертных решающих правил в задаче многокритериальной классификации // Электронный журнал «Исследовано в России», 2002. С. 1744-1753.

15. Ашихмин И.В., Ройзензон Г.В. Выбор лучшего объекта: на основе парных сравнений на подмножествах критериев|//Методы принятия решений: сб. науч. тр. под ред. Ларичева ОМ. М: Эдиториал УРСС, 2001. - С.51-71.

16. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. -М.: Мир, 1979. 536 с.

17. Бакластов A.M., Бродянский В.М., Голубев БН: Промышленная теплоэнергетика и теплотехника: справочник. М.: Энергоатомиздат, 1983.55i с.; ; ■ .'

18. Барановская Т.П., Лойко В.И., Семенов М.И., Трубилин И:Т. Автоматизированные информационные технологии в экономике. — М.: Финансы^ и статистика, 2001. 416 с.

19. Бард И. Нелинейное оценивание параметров. М.: Финансы и статистика, 1979.-349 с.

20. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. -Воронеж: Изд-во ВГТУ, 1995. 217 с. : •2:1. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. -304 с.

21. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. — М.: Мир, 1976. С. 172215.;

22. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989^ -540 с.

23. Берлянт A.M. Геоэконика. М:: МГУ, 1996:-208^с. , "/

24. Берштейн Л.С., Беляков С.П. Геоинформационные справочные системы. Таганрог: Изд-воТРГУ, 2001. - 160 с.

25. Бидюк П.И., Литвиненко В.И., Фефелов A.A., Баклан И:В. Алгоритм клонального отбора для прогнозирования , нестационарных; динамических систем // Искусственныйинтеллект, 2004; —№ 3. С. 89-99L

26. Борисов В.В., Круглов В.В., Федулов A.C. Нечеткие модели и сети. — М: Горячая линия-Телеком, 2007. 284 е.: ил.

27. Борисов В.В., Федулов A.C., Мнев В.И. Моделирование сложных нечетко-целевых систем на основе обобщенных нечетких когнитивных карт // Ин-форм. бюл. Акад. воен. наук. Смоленск: Изд-во ВУ ВПВО ВС РФ, 2001. -С. 22-25. •

28. Бриллинждер Д; Временные ряды. М.: Мир, 1980. - 536 с.

29. Бугаевский Л.М., Цветков В.Я. Геоинформационные системы. М.: Златоуст, 2000. - 222 с.

30. Венцель Е.С. Теория вероятностей.-М.: Наука, 1969. 576 с.

31. Витальев В.П. Бесканальные прокладки тепловых сетей. Изд. 2-е. — М.: Энергоатомиздат, 1983. -211 с.

32. Вольфсон В.Л., Ильяшенко В., Комисарчик Р.Г. Реконструкция и капитальный ремонт жилых и общественных зданий: Справочник производителя работ. 2-е изд. стереотип. - М.: Стройиздат, 1999. — 252 с.

33. Вучков И:, Бояджиева JL, Солаков Е. Прикладной линейный регрессионный анализ. -М.: Финансы и статистика, 1987. 240 с.

34. Гаврилов Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001, - 384 е.: ил.

35. Танеев P.M. Математические модели в задачах обработки сигналов. — М.: Горячая линия Телеком, 2002. - 83 е.: ил.

36. Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для втузов. Изд. 9-е, перераб. и доп. — М.: Высш. школа, 2003. 479 е.: ил.

37. Гнеденко JI.C., Фуремс Е.М. Эффективная процедура выявления нарушений транзитивности при попарных сравнениях // Проблемы и методы принятия уникальных и повторяющихся решкений. Сборник трудов. М.: ВНИИСИ, 1990. - С. 46-48.

38. Горохов Е.В. Долговечность стальных конструкций в условиях реконструкции. М.: Стройиздат, 1994 - 484 с.

39. Грановский В.А., Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. Л.: Энергоатомиздат. Ленингр. отд-ние, 1990. -288 с.

40. Громов Н.К. Городские теплофикационные системы. — М.: Энергия, 1974.-253 с.

41. Громова Н.К., Шубин Е.П. Водяные тепловые сети: Справочное пособие по проектированию. — М.: Стройизат, 1988. — 376 с.

42. Гусева М.В., Демидова Л.А. Генерирование решающих правил классификации инвестиционных проектов на основе систем нечеткого вывода и мультимножеств // Системы управления и информационные технологии. — Воронеж, 2006. №4 (26). - С. 46-53.

43. Гусева М.В., Демидова Л.А. Классификация инвестиционных проектов на основе систем нечеткого вывода и мультимножеств // Вестник РГРТА. — Рязань, 2006. Выпуск 19. - С. 157-166.

44. Гусева М.В., Демидова Л.А. Многокритериальная классификация инвестиционных проектов на основе систем нечеткого вывода и мультимножеств // Научно-техническая информация. Информационные процессы и системы, 2006.-№12.-С. 16-20.

45. Гусева М.В., Демидова Л.А. Нечеткий многокритериальный анализ альтернатив на основе схемы Беллмана-Заде и мультимножеств / Свидетельствооб официальной регистрации; программы для ЭВМ в Отраслевом фонде алгоритмов и программ № 5976 от 12.0412006;

46. Гусева М.В., Демидова Л.А. Многокритериальный анализ инвестиционных проектов • па основе мультимножеств и систем нечеткого вывода // РГРТА. Рязань,:2006. - 14 е.: 1 ил. - Рус. Деп. в ВИМИ, № ДО 2025126 от Зб:1'0:06^:-■ ".'.^'•■*■•:-V • , '1 ■■

47. Гусева М.В., Пылыеин А.Н. Структура и программные средства системы поддержки инвестиционных решений .// Математическое и программное обеспечение: межвуз. сб. науч. тр. / под ред. А.Н. Пылькина. Рязань: Рязан. госуд. радиотехн. акад, 2005. - С 14-20.

48. Дегтярев Ю.И.: Методы опгимизации. М.: Советское радио, 1980: — 218 с.63; Демиденко?Е.З: Линейная, и? нелинейная; регрессия. М:: Финансышста-тистика, 1981. - 302 с.

49. Демидова Л.А. Многокритериальная: классификация на основе мультимножеств и нечеткой кластеризации?/ Свидетельство? об официальной регистрации программы для; ЭВМ в Отраслевом фонде алгоритмов* и программ № 6264 от 26.05.2006. '

50. Демидова Л:А. Многокритериальная классификация объектов на основе мультимножеств и нечеткой; кластеризации //, Известия; ТулРУ. Серия* «Радиотехника ирадиооптика». Тула: Изд-во ТулГУ, 2006. - Выпуск 1. -Т. 8.-С. 45-56. " ' ; ■ .• ■ '

51. Демидова Л.А. Генетический алгоритм поиска параметров однофактор-ной модели прогнозирования высокого порядка на основе нечетких множеств второго типа // Проблемы полиграфии и издательского дела, 2008. № 4. - С. 31-44.

52. Демидова Л.А. Генетический алгоритм поиска оптимальных параметров однофакторной модели прогнозирования на основе непрерывных нечетких множеств типа-2 // Системы управления и информационные технологии, 2008.-№2(32).-С. 43-48.

53. Демидова, Л.А. Прогнозирование тенденций временных рядов на основе однофакторной нечеткой модели с использованием дискретных нечетких множеств второго типа и генетического алгоритма // Бизнес-информатика, 2008.-№4(6).-С. 46-53.

54. Демидова Л.А. Прогнозирование тенденций рынка труда на основе од-нофакторных нечетких временных рядов и генетического алгоритма // Вестник РГРТУ. Рязань, 2008. - № 2 (выпуск 24). - С. 75-82.

55. Демидова Л.А., Кираковский В.В. Иерархическая система нечеткого вывода для диагностики состояния городских инженерных коммуникаций // Системы управления и информационные технологии. — Воронеж, 2005. — № 5 (22).-С. 36-42.

56. Демидова Л.А., Кираковский В.В. Диагностика городских инженерных коммуникаций на основе иерархической системы нечеткого вывода // Вестник РГРТА. Рязань, 2005. - Выпуск 17. - С.57-65.

57. Демидова JI.A., Кираковский В.В., Пылькин А.Н. Идентификация неисправностей в городских инженерных коммуникациях на основе обратного нечеткого вывода // Вестник РГРТА. Рязань, 2005. - Вып. 16. - С. 3-10.

58. Демидова JI.A., Коняева Е.И. Комплект программ для кластеризации строительных сооружений с помощью комбинирования генетического и FCM-алгоритмов // Инновации-в науке и образовании, 2008. № 9(44). -С.49.

59. Демидова JI.А., Коняева Е.И. Комплекс программ кластеризации объектов с использованием FCM-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Инновации в науке и образовании, 2008. — №9(44). -С. 64.

60. Демидова Л.А., Коняева Е.И. Кластеризация объектов с использованием FCM-алгоритма на основе нечетких множеств второго-типа и генетического алгоритма // Вестник РГРТУ. Рязань, 2008. - №4 (выпуск 26). - С. 46-54.

61. Демидова Л.А., Коняева Е.И., Коротаев А.Н. Сравнительный анализ методов кластеризации на основе нечетких множеств первого и второго типа //

62. Современные проблемы информатизации в анализе и синтезе технологических и программно-телекоммуникационных систем: сборник трудов. Вып. 14 / под ред. д-ра техн. наук, проф. О.Я. Кравца. - Воронеж: Научная книга, 2009.-С. 296-302.

63. Демидова Л.А., Пылькин А.Н. Технология идентификации неисправностей в городских инженерных коммуникациях на основе обратного нечеткого вывода // Информация и космос. СПб., 2005. - № 4. - С. 42-47.

64. Демидова Л.А., Пылькин А.Н. Technology of malfunction identification in city engineering communications on the base of the return fïizzy conclusion // European journal of natural history. London-Moscow, 2006. - № 1. — C. 82-87.

65. Демидова Л.A., Пылькин А.Н. Методы и алгоритмы принятия решений в задачах многокритериального анализа. М.: Горячая линия-Телеком, 2007. -232 е.: ил.

66. Рыков А. С. Модели и методы системного анализа: Принятие решений и оптимизация. — М.: Московский государственный институт стали и сплавов (технологический университет) (МИСиС) Издательство, Издательский дом «Руда и Металлы», 2005 352 с.

67. Демидова JI.A., Титов С.Б. Комплекс-программ-формирования обобщенного мнения экспертов на основе центроидов интервальных непрерывных нечетких множеств второго типа / Инновации в науке и образовании, 2008. -№5 (40).-С. 16.

68. Джессен Р. Методы статистических обследований / пер. с англ.; под ред. и с предисл. Е.М.Четыркина. М.: Финансы и статистика, 1985. - 478 с. ил.

69. Джонс М.Т. Программирование искусственного интеллекта в приложениях. / М. Тим Джонс; пер. с англ. Осипов А.И. М.: ДМК Пресс, 2004. - 312 е.: ил.

70. Донской В.И., Башта А.И. Дискретные модели принятия решений при неполной информации. — Симферополь: Таврия, 1992. — 166 с.

71. Дорофеюк A.A. Алгоритмы автоматической классификации // Автоматика и телемеханика, 1971. №12. - С. 78-113.

72. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х книгах, Кн. 1. М.: Финансы и статистика, 1986. - 366 е., Кн. 2. - М.: Финансы и статистика, 1987.-351 с.

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

74. Дьяконов В.П. МАТЪАВ 6/6.1/6.5 + Simulink 4/5 в математике и моделировании. Полное руководство пользователя. М.: COJIOH-Пресс, 2003.°-576 с.

75. Дьяконов В.П., Круглов В.В. Математические пакеты расширения MATLAB / Специальный справочник. СПб.: Питер, 2001. - 480 с.

76. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала». М.: СОЛОН-ПРЕСС, 2006. - 456 е.: ил.

77. Дэниел К. Применение статистики в промышленном эксперименте. М.: Мир, 1979.-299 с.

78. Дюк В., Самойленко А. Data Mining: учебный курс. СПб.: Питер, 2001.-368 с.

79. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: ФИЗМАТЛИТ, 2003. - 432 с.

80. Жариков О.Н., Королевская В.И., Хохлов С.Н. Системный подход к управлению / под ред. В.А. Персианова. М.: ЮНИТИ-ДАНА, 2001. - 62 с.

81. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. «Распознавание». Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. - 176 с.

82. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // В кн.: Математика сегодня. — М.: Мир, 1974. С. 5-49.

83. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. — 160 с.

84. Захаров В.И., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: IV. Имитационное моделирование // Изв. АН Техн. Кибернетика, 1994. № 5. - С. 168-210.

85. Зингер Н.М. Гидравлические и тепловые режимы теплофикационных систем. Изд. 2-е. -М.: Энергоатомиздат, 1986. 207 с.

86. Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО «ТетраСистемс», 1997. - 368 с.

87. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. К.: Техшка, 1969. - 392 с.

88. Информатика: Энциклопедический словарь для начинающих / Сост. Д.А. Поспелов. М.: Педагогика-Пресс, 1994. - 352 е.: ил.

89. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А.Поспелова - М.: Радио и связь, 1990. — 304 е.: ил.

90. Калинин A.A. Обследование, расчет и усиление зданий и сооружений: Учебное пособие. М.: Изд-во АСВ, 2002. - 160 с.

91. Касьянов В.Ф. Реконструкция жилой застройки городов: Учебное пособие. М.: Изд-во АСВ, 2005. - 224 с.

92. Кендэл М. Временные ряды. -М.: Финансы и статистика, 1981. 199 с.

93. Кендэл М., Стюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. - 736 с.

94. Кираковский В.В. Применение ГИС-технологий при разработке комплексных технических условий // Муниципальные ГИС'95: Материалы Всероссийской конференции. Обнинск: ОГИЦ, 1995 - С. 38-39.

95. Кираковский В.В. Использование ГИС в решении задач инженерной инфраструктуры города // Информационный бюллетень ГИС-Ассоциации. -М.: ГИС-Ассоциация, 1997. № 4 (11). - С. 66.

96. Кираковский В.В. Организационные и экономические аспекты создания единой городской информационной системы инженерных сетей и сооружений // Информационный бюллетень ГИС-Ассоциации. М.: ГИС-Ассоциация, 1997. - № 5(12). - С. 27.

97. Кираковский В.В. Комплексные технические условия как инструмент создания кадастра инженерных сетей // Информационный бюллетень ГИС-Ассоциации. М.: ГИС-Ассоциация, 1999. - № 1(18). - С. 42.

98. Кираковский В.В. Разработка нечеткой модели диагностики состояния городских инженерных коммуникаций на основе гибридных сетей // Экология и жизнь: Материалы VIII Международной научно-практической конференции. Пенза: ЦЦЗ, 2005. - С. 74-76.

99. Кираковский В.В. Геоинформационные технологии в диагностике инженерных сетей // ГЕОПРОФИ. М.: Геопрофи, 2005. - № 2. - С. 52-53.

100. Корчак Е.Т., Цветков Н.Н. Определение мест утечек сетевошводывсис-теме теплоснабжения с применением флуоресцеина // Энергетик, 1981.-- № 2.-С. 12-17. " ■ . . ■'/ ' .

101. Кофман А. Введение в теорию, нечетких множеств. М.: Радио и связь, 1982.-432 с.

102. Кречетов Р. Продукты для интеллектуального4 анализа-данных // Рынок программных средств, 1997.-№14-15. С. 32-39.

103. Крамер Г. Математические методы статистики. М.: Мир, 1975. - 648 с.

104. Кулаков Н.Г., Бережков И":А. Справочникшо эксплуатации систем теплоснабжения: Киев: Будивельник, 1977. — 209 с.

105. Леоненков А. Нечеткое: моделирование в среде MATLAB и fiiz-zyTECH; СПб;: БХВ-Петербургг 2003: - 736?с.: ил.

106. Линник Ю.В. Избранные труды. Теория вероятностей; М.: Наука, 1981.-717 с. ' .

107. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979: 254 с. ' ' •

108. Лурье И.К. Геоинформатика. Учебные? геоинформационные системы. -М: Изд-во МЕУ,1997. 115 с.

109. Макаров A.A., Кулаичев А.П., Синева И:С. Использование программ обработки данных в преподавании курсов теории вероятностей, математической; и прикладной статистики и информатики: Метод, рекомендации (выпуск 1). М.: МГУ, 2002. - 39 с. >

110. Маклакова Т.Г., Нанасова С.М: Конструкции гражданских зданий: Учебник. М:: Изд-во АСВ. - 2002:-272 с;

111. Малышев Н.Г., Бернштейн JI.G., Боженюк A.B. Нечеткие модели; для экспертньк систем в'€АШ?. -М.: Энергоатомиздат, 199Г.-136 с.

112. Мартынов H.H. Введение в MATLAB 6. М.: КУДИЦ-Образ, 2002. -352с./' v .■."■' ' '•-. : . • '

113. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. — Mi: Наука. Гл. ред. Физ.-мат. Лит, 1990.272с. :. ,. .• '

114. Методические рекомендации по оценке эффективности инвестиционных проектов и их отбору для финансирования (официальное издание). — М.: НПКВЦ «Теринвест», 1994.-79 с. . ; :

115. Минаев Ю Н:, Филимонова О.Ю., Бенамеур Лиес. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросе-тевом логическом базисе. М.: Горячая линия - Телеком, 2003. -205 с.

116. Мониторинг доходов и уровня жизни населения. М;.- ВЦУЖ, 2006. - № 4.-98с. • v ; :','■•/ . .

117. Москвитин И.Ю., Пылькин А.Н. Расчёт собственных потерь на участках распределительных электрических сетей-//. Вестник РГРТА. Рязань, 2006:вып. 19.-с. 117-120. '••■'■■.■ ; .'• '." / ".

118. Москвитин И.Ю. АСКУЭ для регионов. Целесообразность, значимость, проблемы // Математическое и программное обеспечение информационныхсистем: межвуз. сб. науч. тр. / под ред. А.Н. Пылькина. М.: Горячая линия -Телеком, 2007. - С. 62-66.

119. Мэйндоналд Дж. Вычислительные алгоритмы в прикладной статистике. -М.: Финансы и статистика, 1988. 350 с.

120. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Поспелова Д.А. М.: Наука, 1986. - 312 с.

121. Нечеткие множества и теория возможностей. Последние достижения / под ред. Р. Ягера. М.: Радио и связь, 1986. - 391 с.

122. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход. М.: Физматлит, 2002. - 176 с.

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

124. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 208 с.

125. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 367 с.

126. Петровский А.Б. Многокритериальное принятие решений по противоречивым данным: подход теории мультимножеств // Информационные технологии и вычислительные системы, 2004. — №2. — С. 56-66.

127. Петровский А.Б. Метрические пространства мультимножеств.//Доклады Академии наук, 1995. Т. 344. - №2. - С. 175-177.

128. Петровский А.Б. Основные понятия теории мультимножеств. М.: Еди-ториал УРСС, 2002. - 80 с.

129. Петровский А.Б. Пространства множеств и мультимножеств. М.: Еди-ториал УРСС, 2003. - 248 с.

130. Петровский А.Б., Румянцев В.В., Шепелев Г.И. Система поддержки поиска решения для конкурсного отбора // Научно-техническая информация. Серия 2, 1998. -№3.- С. 46-51.

131. Петровский А.Б., Шепелев Г.И. Система поддержки принятия решений для конкурсного отбора научных проектов// Проблемы и методы принятия уникальных и повторяющихся решений. Сборник трудов. — М.: ВНИИСИ, 1990. С.25-31.

132. Поллард Дж. Справочник по вычислительным методам статистики. -М.: Финансы и статистика, 1982. 344 с.

133. Поршнев C.B. Компьютерное моделирование физических процессов в пакете MATLAB. М.: Горячая линия - Телеком, 2003. - 592 е., ил.

134. Построение экспертных систем: пер. с англ. /под ред. Ф.Хейса-Рота, Д.Уотермана, Д.Лената. М.: Мир, 1987. - 441 с.

135. Порывай Г.А. Предупреждение преждевременного износа зданий. М.: Стройиздат, 1979. - 284 с.

136. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x. В 2-х т. Том 1.-М.: ДИАЛОГ-МИФИ, 1999. - 366 с.

137. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x. В 2-х т. Том 2. - М.: ДИАЛОГ-МИФИ, 1999. - 304 с.

138. Правила технической эксплуатации тепловых сетей и тепловых пунктов. М.: Стройиздат, 1973. - 27 с.

139. Прангишвили И.В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000. - 528 с.

140. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др. Под редакцией Т. Тэрано, К. Асаи, М. Сугено. — М.: Мир, 1993. -368 с.

141. Пытьев Ю.П. Методы математического моделирования измерительно-вычислительных систем. М.: ФИЗМАТЛИТ, 2002. - 384 с.

142. Растригин Л.А. Адаптация сложных систем. Рига: Зинанте, 1981. 375 с.

143. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экономическим задачам. — М.: Наука, 1986. — 496 с.243: Ротштейн А.Ш Интеллектуальные- технологии идентификации., Винница: Континент-Прим;.2004.-270 с. :

144. Ротштейн; АТП, Штовба С.Д. Нечеткая; надежность алгоритмических процессов. Винница: Континент-Прим, 1997. - 142 с.

145. Сенько О.В. Использование процедуры взвешенного голосования по системе базовых множеств в задачах прогнозирования // Вычислительная математика ю математическая, физика; 1995;-№ 35 (10). О. 1552-1563:

146. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. М.: Статистика, 1980. - 206 с.

147. Соколов Е.Я: Теплофикация и тепловые сети. Изд. 5-е. — М:: Энергоиз-дат, 1982.-277 с. •

148. Справочник по теории автоматического управления / под ред. Красов-ского А. А. М.: Наука, 1987. - 711 с.

149. Справочник проектировщика. Проектирование тепловых сетей / под ред. Николаева A.A. М.: Издательство литературы по строительству, 1965. -360 с.

150. Справочник строителя тепловых сетей / под ред. С.Е. Захаренко. Изд. 2-е. М.: Энергоатомиздат, 1984. - 288 с.

151. Сурмин А.Ф. Муниципальные информационные системы. Опыт разработки и эксплуатации. Обнинск: ОБГЦ, 1998. — 308 с.

152. Сухарев А.Г., Тимохов A.B., Федоров В.В. Курс методов оптимизации. -М.: ФИЗМАТЛИТ, 2005. 368 с.

153. Твид Л. «Психология финансов». М.: Аналитика, 2002. - 376 с.

154. Теория статистики: Учебник / Под. ред. P.A. Шмойловой. 2-е изд., доп. и перераб. М.: Финансы и статистика, 1998. 576 е.: ил.

155. Техническое обслуживание и ремонт зданий и сооружений: Справочное пособие / под ред. М.Д. Бойко. М.: Стройиздат, 1993 - 208 с.

156. Тикунов B.C. Моделирование в картографии: Учебник. М.: Изд-во МГУ, 1997.-405 с.

157. Трахтенгерц Э.А. Компьютерная поддержка принятия решения в САПР // Автоматизация проектирования, 1998. № 1. - С. 16-26.

158. Тюрин Ю.Н., Василевич А.П., Андрукович П.Ф. Статистические модели ранжирования // Статистические методы анализа экспертных оценок. М.: Наука, 1977.-С. 30-58.

159. Тюрин Ю.Н., Макаров A.A. Анализ данных на компьютере / под ред. В.Э. Фигурнова. 3-е изд., перераб. и доп. - М.: ИНФРА-М, 2003. - 544 е.: ил.

160. Усков A.A., Кузьмин A.B. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия - Телеком, 2004. - 143 е., ил.

161. Федулов A.C. Нечеткие реляционные когнитивные карты // Изв. РАН. Теория и системы управления, 2005. №5. С. 3-12.

162. Хампель Ф., Рончетти Э., Рауссей П., Штаэль В. Робастность в статистике. Подход на основе функций влияния. М.: Мир, 1989. - 512 с.

163. Хасилев В.Я. О применении математических методов при проектировании и эксплуатации трубопроводных систем // Изв. АН СССР. Энергетика и транспорт, 1971. -№ 2. С. 18-27.

164. Хрилев Л.С., Смирнов И.А. Оптимизация систем централизованного теплоснабжения и теплофикации. М.: Энергия, 1978. — 290 с.

165. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. — М.: Энергоатомиздат, 1983. — 183 с.

166. Шеннон Р. Имитационное моделирование систем: искусство и наука. — М.: Мир, 1978.-418 с.

167. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Винница: Континент-Прим, 2003. - 198 с.

168. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. -М.: Горячая линия Телеком, 2007. - 288 е., ил.

169. Штойер Р. Многокритериальная оптимизация. Теория, расчет и приложения: Пер. с англ. М.: Радио и связь, 1992. - 512 с.

170. Шубин Е.П. Основные вопросы проектирования систем теплоснабжения городов. М.: Энергия, 1979. - 225 с.

171. Цикритзис Д, Лоховски Ф. Модели данных. М.: Финансы и статистика, 1985.-343 с.

172. Цуканов В.А., Зотов М.А. Использование ГИС в управлении тепловыми сетями // Информационный бюллетень ГИС-Ассоциации. М.: ГИС-Ассоциация, 1999. -№ 1(18). - С. 65.

173. Эддоус М., Стенсфилд Р. Методы принятия решения / Пер. с англ. под ред. член-корр. РАН И.И. Елисеевой. М.: Аудит, ЮНИТИ, 1997. - 590 с.

174. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. -М.: Финансы и статистика, 2004. 320 е.: ил.

175. Babuska R., Van der Veen P.J., Kaymak U. Improved covariance estimation for Gustafson-Kessel clustering // IEEE International Conference on Fuzzy Systems, 2002. P. 1081-1085.

176. Bezdek J.C. Numerical Taxonomy with Fuzzy Sets // Journal of Mathematical Biology, 1974.-Vol. l.-P. 57-71.

177. Bezdek J.C. Cluster Validity with Fuzzy Sets // Journal of Cybernetics, 1974.-Vol. 3.-P. 58-72.

178. Bezdek J.C., Ehrlich R., Full W. FCM: Fuzzy C-Means Algorithm // Computers and Geoscience, 1984. Vol. 10. - № 2. - P. 191-203.

179. Bezdek J.C., Keller J.M., Pal N.R., Pal K. A Possibilistic Fuzzy c-Means Clustering Algorithm // IEEE Transactions on Fuzzy Systems, 2005. Vol. 13 (4).-P. 517-530.

180. Bezdek J.C., Pal N.R. On cluster validity for the fiizy c-means model // IEEE Transactions on Fuzzy Systems, 1995. Vol. 3. - № 3. - P. 370-379.

181. Bezdek J.C., Pal N.R. Some new indexes of cluster validity // IEEE Transactions on Systems, Man and Cybernetics, 1998. Vol. 28. - Part B. - № 3. - P. 301-315.

182. Campello R.J.G.B., Hruschka E.R. A Fuzzy Extension of the Silhouette Width Criterion for Cluster Analysis // Fuzzy Sets and Systems, 2006. Vol. 157 (21).-P. 2858-2875.

183. Cao S.G., Rees N.W., Feng G. Analysis and design for a class of complex control system. Part I: Fuzzy modelling and identification // Automatica, 1997. -№33.-P. 1017-1028.

184. Cao S.G., Rees N.W., Feng G. Analysis and design for a class of complex control system. Part II: Fuzzy modelling and identification // Automatica, 1997. -№34.-P. 1029-1039.

185. Casillas J., Cordon O., Herrera F. Learning Fuzzy Rules Using Ant Colony Optimization Algorithm // IEEE Transactions on Systems, Man and Cybernetic-Part, 2001.-Vol. 26.-№ l.-P. 1-13.

186. Castillo O., Huesca G., Valdes F. Evolutionary computing for optimizing type-2 fuzzy systems in intelligent control of non-linear dynamic plants // IEEE Proceedings of the NAFIPS 05 International Conference, 2005. P. 247-251.

187. Castillo O., Melin P. A new hybrid approach for plant monitoring and diagnostics using type-2 fuzzy logic and fractal theory // Proceedings of the International Conference FUZZ'2003, 2003. P. 102-107.

188. Castillo O., Melin P. Type-2 fuzzy logic: theory and applications // Studies in fuzziness and soft computing. Vol. 223. - 2008. - 243 p.

189. Castillo O., Melin P., Kacprzyk J., Pedrycz W. Type-2 fuzzy logic: theory and applications // IEEE International Conference on Granular Computing, 2007. P. 145-150.

190. Chang P.T., Huang L.C, Lin H.J. The fuzzy Delphi method via fuzzy statistics and membership function fitting and an application to the human resources//Fuzzy sets and systems, 2000. № 112. - P. 511-520.

191. Chen C.-L., Wang S.-N., Hsieh C.-T., Chang F.-Y. Theoretical analysis of a fuzzy-logic controller with unequally-spaced triangular membership functions // Fuzzy Set and Systems, 1999. № 101. - P. 87-108.

192. Chen Y.-P., Li S.-T. Natural partition-based forecasting model for fuzzy time series // IEEE International Conference on Fuzzy Systems, 2004, P. 25-29.

193. Chen D., Li X., Cui D-W. An adaptive validity index for the fuzzy C-means // International journal of computer science and network security, 2007.- Vol. 7.-№2-P. 146-156.

194. Chen S.M. Forecasting Enrollments Based on Fuzzy Time Series // Fuzzy Sets and Systems, 1996. -V. 81. P. 311-319.

195. Chen S.M. Forecasting enrollments based on high-order fuzzy time series // Cybernetic Systems, 2002. V. 33. - № 1. - P. 1-16.

196. Chen S.-M., Hwang J.-R. Temperature Prediction using Fuzzy Time Series // IEEE Transactions Systems, Man, and Cybernetics, 2000. V. 30. - № 2. - P. 263-275.

197. Choi T.-M., Kim S.Y. Fuzzy Types Clustering for Microarray Data // Proceedings of world academy of science, engineering and technology, 2005. Vol. 4.-P. 12-15.

198. Cimino M.G.C.A., Frosini G., Lazzerini B., Marcelloni F. On the Noise Distance in Robust Fuzzy C-Means // Proceedings of world academy of science, engineering and technology, 2005. Vol. 1. - P. 124-127.

199. Cooper M.C., Milligan G.W. An examination of procedures for determining the number of clusters in a data set // Psychometrika, 1985. Vol. 50. - P. 159179.

200. Coupland S., John R.I. Geometric type-1 and type-2 fuzzy logic systems // IEEE transactions on fuzzy system, 2007. Vol. 15. - № 1. - P. 3-15.

201. Coupland S., John R. Type-2 fuzzy logic: a historical view // IEEE Computational intellegence, 2007. Vol. 2. - № 1. - P. 57-62.

202. Dave R.N. Characterization and detection of noise in clustering // Pattern Recognition Letters, 1991. Vol. 12. - P. 657-664.

203. Dave R.N. Validating fuzzy partitions obtained through c-shells clustering // Pattern Recognition Letters, 1996. Vol. 17. - P. 613-623.

204. Dave R.N., Krishnapuram R. Robust clustering methods: a unified*review // IEEE transactions on Fuzzy Systems, 1997. Vol. 5. - № 2. - pp. 67-75.

205. Davies D.L., Bouldin D.W. A Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1979. Vol. 1. - № 2. - P. 224-227.

206. Draper B., Baek K., Boody J. Implementing the Expert Object Recognition Pathway // Machine Vision and Applications, 2004. Vol. 16(1). - P. 27-32.

207. Dubois D., Prade H. What Are Fuzzy Rules and How to Use Them // Fuzzy Sets and Systems, 1996. Vol 84. - P 169-185.

208. Dubois D., Prade H. Fuzzy sets in approximate reasoning. Part I: Inference with possibility distributions // Fuzzy sets and Systems, 1991. № 40. - P. 143202.

209. DunmJ.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters // Journal of Cybernetics, 1973. Vol. 3. - P. 3257.

210. Dunn J.C. Well separated clusters and optimal fuzzy partitions // Journal of Cybernetics, 1974. Vol. A - P. 95-104.

211. Fisher P. What is Where? Type-2 Fuzzy Sets for Geographical*Information«// IEEE Computational Intelligence Magazine, 2007. Vol. 2. - P. 9-14.

212. Fukuyama Y., Sugeno M. A New Method of Choosing the Number of Clusters for the Fuzzy C-means Method // Proceedings of the Fifth Fuzzy Systems Symposium, 1989. P. 247-250.

213. Fuzzy Sets and Systems: Theory and Applications / Ed. by D. Dubois, H. Prade. New-York: Acadi Press, 1980. - 394 p.

214. Galda H. Development of segmentation method for dermoscopic images based- on color clustering. Kobe University, Graduate school of science and technology, 2003. 79 p.

215. Gath L, Geva A.B. Unsupervised optimal fuzzy clustering // IEEE Transaction Pattern Analysis and Machine Intelligence, 1989. Vol. 11. - №-7. - P. 773781.

216. Georgieva O., Klawonn F. Cluster analysis via dynamic data assigning assessment algorithm // Information Technologies and Control, 2006. № 2. - P. 1421.

217. Guha S., Rastogi R., Shim K. An Efficient Clustering Algorithm for Large Databases // Proceedings of the ACM SIGMOD Conference, 1998. Vol. 27. -№ 2. - P. 73-84.

218. Gunderson R. Application of fuzzy ISODATA algorithms to star tracker pointing systems // Proceedings of 7th Triennial World IF AC Congress, 1978. P. 1319-1323.

219. Gustafson D.E., Kessel W.C. Fuzzy clustering with fuzzy covariance matrix // Proceedings of the IEEE Conference on Decision and Control, 1979. P. 761-766.

220. Guta M., Sinha K. Intelligent Control System. Concepts and Applications // IEEE PRESS, 1996. 820 p.

221. Hachouf F., Zeggari A. Genetic optimization for unsupervised fuzzy classification // 17 Congres Mondial IMACS, 2005. P. 27-32.

222. Halkidi M., Batistakis Y., Vazirgiannis M. On Clustering validation techniques // Journal of Intelligent information systems, 2001. Vol. 17. - № 2/3. - P. 107-145.

223. Halkidi M., Batistakis Y., Vazirgiannis M. Cluster validity methods: part I, SIGMOD Record, 2002. Vol. 31". - № 2. - P. 40-45.

224. Halkidi M., Batistakis Y., Vazirgiannis M. Cluster validity methods: part II, SIGMOD Record, 2002. Vol. 31, № 3. - P. 19-27.

225. Halkidi M., Batistakis Y., Vazirgiannis M. Clustering Validity Assessment: Finding the Optimal Partitioning of a Data Set // Proceedings of ICDM, 2001. P. 187-194.

226. Hoppner F., Klawonn F. What is Fuzzy About Fuzzy Clustering? Understanding and Improving the Concept of the Fuzzifier // Advances in Intelligent Data Analysis, 2003. P. 254-264.

227. Huarng K. Effective lengths of intervals to improve forecasting in fuzzy time series // Fuzzy Sets Systems, 2001. Vol. 123. - № 3. - P. 387-394.

228. Huarng K. Heuristic Models of Fuzzy Time Series for Forecasting // Fuzzy Sets and Systems, 2001. Vol. 123. - P. 369-386.

229. Hwang J.-R., Chen S.-M., Lee C.-H. Handling forecasting problems using fuzzy time series // Fuzzy Sets and Systems, 1998. Vol. 100. - P. 217-228.

230. Hwang C., Rhee F.C.-H. Uncertain fuzzy clustering: interval type-2 fuzzy approach to C-means//IEEE Transactions on fuzzy systems, 2007. -Vol. 15.-№l.-p. 107-120.

231. Jensen R., Shen Q. Fuzzy-rough sets assisted attribute selection // IEEE Transactions on fuzzy systems, 2007. Vol. 15. - № 1. - P. 73-89.

232. Kaymak U., Seines Mi Fuzzy clustering with volume prototypes and adaptive cluster merging; Fuzzy Systems, IEEE Transactions Fuzzy Systems, 2002. -' Vol; m-№ 6; P. 705-712: :

233. Kovacs A., Abonyi J. Visualization of fuzzy clustering results by modified sammon mapping // Proceedings of the 3rd International Symposium of Hungarian Researchers on Computational Intélligence, 2002: P. 177-188;

234. Lee H., Tanaka H. Internal Regression Analysis by Quadratic Programming Approach // IEEE Transactions on Fuzzy Systems, 1988. Vol. 6. - № 4. - P. 473481.

235. Lee L.W., Wang L.H., Chen S.M., Leu Y.H. A new method for handling forecasting problems based on two-factors high-order fuzzy time series // Proceedings of 9-th conference on artificial intelligence and applications, 2004. Vol. 1. -P. 115-122.

236. Lee L.W., Wang L.H., Chen S.M., Leu Y.H. Handling forecasting problems based on two-factors high-order fuzzy time series // IEEE Transactions on fuzzy systems, 2006. Vol. 14. - № 3. - P. 468-477.

237. Li L., Lin W.-H., Liu H. Type-2 fuzzy logic approach for short-term traffic forecasting // IEE Proceedings Intelligent Transport Systems, 2006. Vol. 153. -№ l.-P. 33-40.

238. Li H., Kozma R. A dynamic neural network method for time series prediction using the Kill model // Proceedings of the 2003 International joint conference on neural networks, 2003. Vol. l.-P. 347-352.

239. Li RJ. Fuzzy method in group decision making // Computers and Mathematics with Applications, 1999. № 38. - P. 91-101.

240. Makrehchi M. Application of Genetic Algorithms in Fuzzy Rules Generation // IEEE Transaction on Fuzzy Systems, 1995. Vol. 1. -№ 3. - P. 251-256.

241. Marchitelli R. Market value: the elusive standard // The Appraisal Journal, 1992.-P. 313-322.

242. Mendel J.M. Computing derivatives in interval type-2 fuzzy logic systems // IEEE Transactions on Fuzzy Systems, 2004. Vol. 12. - № 1. - P. 84-98.

243. Mendel J.M. Advances in type-2 fuzzy sets and systems // Information Sciences, 2007. Vol. 177. - P. 84-110.

244. Mendel J.M. Type-2 fuzzy sets and systems: an overview // IEEE Computational intelligence magazine, 2007. Vol. 2. - № 1. - P. 20-29.

245. Mendel J.M. Fuzzy sets for words: why type-2 fuzzy sets should be used and how they can be used. Los Angeles: University of Southern California, 2004. -100 p.

246. Mendel J.M. Type-2 fuzzy sets: some questions and answers // IEEE Connections, Newsletter of the IEEE Neural Networks Society, 2003. Vol. 1. - P. 10-13.

247. Milligan G.W. An examination of the effect of six types of error perturbation on fifteen clustering algorithms // Psychometrika, 1980. Vol. 45, P. 325-342.

248. Milligan G.W., Cooper M.C. An Examination of Procedures for Determining the Number of Clusters in a Data Set // Psychometrika, 1985. Vol. 50. - P. 159179.

249. Milligan G.W., Soon S.C., Sokol L.M. The Effect of Cluster Size, Dimensionality and the Number of Clusters on Recovery of True Cluster Structure // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1983. Vol. 5. P. 40-47.

250. Pal N.R., Biswas J. Cluster validation using graph theoretic concepts // Pattern Recognition, 1997. Vol. 30 (6). - P. 847-857.

251. Pal N.R., Pal S.K. A review on image segmentation techniques // Pattern Recognition, 1993. Vol. 26. - P. 1277-1294.

252. Pawlak Z. Rough sets // Journal of Computer and Information Sciences, 1982.-Vol. 11.-P. 341-356.

253. Petrovsky A. Method for approximation of diverse individual sorting rules // Informática, 2001. V. 12. № 1. - P. 109-118.

254. Rezaee R., Lelieveldt B.P.F., Reiber J.H.C. A New Cluster Validity Index for the Fuzzy c-Mean // Pattern Recognition Letters, 1998. Vol. 19. - P. 237-246.

255. Reynolds D., Gomatam J. Stochastic modeling of genetic algorithms // Artificial Intellegence, 1996. Vol. 82. - № 1. - P. 303-330.

256. Shimojma K., Fukuda T., Hasegama Y. A self tuning fuzzy modeling with adaptive membership functions, rules and hierarchical structure based genetic algorithm // Fuzzy Sets and Systems, 1995. № 71. - P. 295-309.

257. Song Q., Chissom B.S. Fuzzy time series and its models // Fuzzy Sets and Systems, 1993. Vol. 54. - P. 269-277.

258. Song Q., Chissom B.S. Forecasting enrollments with fuzzy time series part1 // Fuzzy Sets and Systems, 1993. Vol. 54. - P. 1-9.

259. Song Q., Chissom B.S. Forecasting enrollments with fuzzy time series part2 // Fuzzy Sets and Systems, 1994. Vol. 62. - P. 1-8.

260. Su S.F., Li S.H. Neural network based fusion of global and local information in prediction time series // Proceedings of the 2003 IEEE International joint conference on systems, man and cybernetics, 2003. Vol. 5. - P. 4445-4450.

261. Sugeno M. Fuzzy measures and fuzzy integrals: a survey //Fuzzy automata and Decision^ process // Ed. Gupta M.M., Saridis G.N., Gocines X.R. Eds. New York: North-Holland, 1977. P. 89-102.

262. Sugeno M. On stability of fuzzy systems expressed by fuzzy rules with singleton conseguents // IEEE Transactions Fuzzy Systems, 1997. № 7. - P. 201224.

263. Sullivan J., Woodall W.H. A comparison of fuzzy forecasting and Markov modeling // Fuzzy Sets Systems, 1994. Vol. 64. - № 3. - P. 279-293.

264. Tahseen A.J., Aqil Burney S.M, Ardil C. Multivariate high order fuzzy time series forecasting for car road accidents // International journal of computational intellegence, 2007. Vol. 4. - № 1. - P. 15-20.

265. Takagi T., Sugeno M. Fuzzy Identification of Systems and Its Applications to Modeling and Control // IEEE Transactions on Systems, Man and Cybernetics, 1985.-Vol. 15.-№ l.-p. 116-132.

266. Takagi T., Sugeno M. Stability Analysis and Design of Fuzzy Control Systems // Fuzzy Sets and Systems, 1992. Vol. 45. - № 2. - P. 135-156.

267. Timm H., Kruse R. A Modification to Improve Possibilistic Fuzzy Cluster Analysis // Proceedings of the 2002 IEEE International Conference on Fuzzy Systems, 2002. Vol. 2. - P. 1460-1465.

268. Tipping M.E., Bishop C.M. Mixtures of probabilistic principal components analysis // Neural Computation, 1999. № 11. - P. 443-482.

269. Tyrvainen L. The amenity value of urban forest: An application of the he-donic pricing method // Landscape and Urban Plannin, 1996. № 37. - P. 211222.

270. Tyrvainen L., Miettinen A. Property prices and urban forest amenities // Journal of Environmental Economics and management, 2000. № 39. - P. 205-233.

271. Wang L.-X. Stable adaptive fuzzy control of nonlinear systems // IEEE Transactions Fuzzy Systems, 1993. № 1(2). - P. 146-155.

272. Wang L.X., Mendel J.M. Generating fuzzy rules by learning from examples // IEEE Transactions on Systems, Man and Cybernetics, 1992. Vol. 22. - №. 6. -P. 1414-1427.

273. Wierzchon S.T. An algorithm for identification of fuzzy measure // Fuzzy sets and systems, 1983. Vol. 9. - № 1. - P. 69-78.

274. Wu K.-L., Yang M.-S. A Cluster Validity Index for Fuzzy Clustering // Pattern Recognition Letters, 2005. Vol. 26. - № 9. - P. 1275-1291.

275. Xei X.L., Beni G.A. Validity. Measure for Fuzzy Clustering // IEEE Transactions on Pattern Analysis and Machine Intellegence, 1991. № 3(8). - P. 841-846.

276. Yao Y. A comparative study of fuzzy sets and rough sets // Information Sciences, 1998.-Vol. 109.-P. 21-47.

277. Yager R.R. A representation of the probability fuzzy set // Fuzzy sets and systems, 1984. Vol. 13. - № 3. - P. 273-283.

278. Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy sets and systems, 1978. Vol. 1. - P. 3-28.

279. Zadeh L.A. Fuzzy logic, neutral networks and soft computing // Communications of the ACM, 1997. Vol. 37. - P. 77-84.

280. Zhang J., Leung Y. Improved possibilistic c-means clustering algorithms // IEEE Transactions on Fuzzy Systems, 2004. Vol. 12. - P. 209-217.398. http://users.ecs.soton.ac.uk/~ms305r/icci.ppt399. http://www.mzsrrf.ru/stat/40.html400. www.appraiser.ru