Нечеткая логика в экономике реферат

Обновлено: 02.07.2024

Нечеткая логика имеет очень широкую сферу применения: упрощенное управление работами, наведение телекамер при трансляции спортивных событий, эффективное и стабильное управление автомобильным двигателем, диагностирования рака, управления стиральными машинами, распознавание рукописных текстов, объектов, голоса, для повышения удобства управления метрополитеном, точности остановки и экономии энергии.
На сегодняшний день существуют системы, которые успешно работают на базе нечеткой логики. И их диапазон применения от бытовых устройств до сложных промышленных процессов.
Методы нечетких множеств особенно полезны при отсутствии точной математической модели функционирования системы. Теория нечетких множеств дает возможность применить для принятия решений неточные и субъективные эксперт .

Содержание

ВВЕДЕНИЕ. 3
1. ОСНОВЫ НЕЧЕТКОЙ ЛОГИКИ 5
1.1. Формирование и развитие нечеткой логики. 5
1.2. Нечеткие системы. 7
1.3. Нечеткие множества 8
1.4. Нечеткие переменные 9
1.5. Операции нечеткой логики 9
1.6. Функции и структура нечеткой системы 13
1.7. Фаззификация входов 15
1.8. Нечеткий логический вывод 16
1.9. Дефаззификация выходов 20
2. ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ НА ПРАКТИКЕ 22
2.1. Пример применения теории нечетких множеств для оценки рисков информационной безопасности 22
2.2. Пример использования нечеткого вывода для определения шанса трудоустройства. 24
ЗАКЛЮЧЕНИЕ. 27
СПИСОК ИСТОЧНИКОВ. 29

Введение

Большинство современных методов управления предполагают наличие точной математической модели процесса (или системы). Как правило, такую модель трудно или слишком дорого получить. Принятие решений в проблемно-ориентированных информационных системах и системах управления осуществляется в условиях априорной неопределенности, обусловленной неточностью или неполнотой исходных данных, стохастической природой внешних воздействий, отсутствием адекватной математической модели функционирования, нечеткостью цели, человеческим фактором и т. п.
Неопределенность системы приводит к росту рисков от принятия неэффективных решений, результатом чего могут быть негативные экономические, технические и социальные последствия.
Неопределенности в системах принятия решений компенсируют с помощью различ ных методов искусственного интеллекта. Для эффективного принятия решений при неопределенности условий функционирования системы применяют методы на основе правил нечеткой логики. Такие методы основываются на нечетких множествах и используют лингвистические величины и выражения для описания стратегий принятия решений. С другой стороны, нечеткая логика может быть удобным инструментом для решения проблем построения моделей различных процессов, если нет необходимости анализировать объект управления с высокой степенью детализации. Такие модели являются приближенными, но они могут быть достаточно быстро и легко получены. Знания в таких моделях выражают природу процесса (или системы) в лингвистической интерпретации.
Это дает возможность анализировать систему без необходимости получения стратегии управления.
Учитывая широкое распространение систем искусственного интеллекта с интегрированной нечеткой логикой, разработка эффективных систем принятия решений на их основе является актуальной научно-практической проблемой.
Системы с нечеткой логикой, а именно теория нечетких множеств и основанная на ней нечеткая логика, на сегодня является одним из важнейших формализмов, используемых в искусственном интеллекте для моделирования неопределенности в знаниях. Нечеткая логика лежит в основе приближенных (нечетких) соображений и в последние годы является наиболее популярным инструментом, который используется в системах нечеткого вывода для решения проблем в нечетких, неопределенных условиях.
Цель работы – изучить основные сведения о нечеткой логике.
Объект исследования– нечеткая логика.
Предмет исследования – практическое использование нечеткой логики.
Основные задачи работы:
• Исследовать формирование и развитие нечеткой логики;
• Изучить математические основы нечеткой логики;
• Рассмотреть примеры использования нечеткой логики.

Фрагмент работы для ознакомления

Список литературы

1. Борисов В.В., Круглов В.В., Федулов А.С. "Нечеткие модели и сети." М.: Горячая линия – Телеком, 2012. – 284 с.
2. Бураков М.В. Нейронные сети и нейроконтроллеры Учеб. пособие. СПб.: Изд-во ГУАП, 2013. — 283 с.
3. Бураков М.В. Нечеткие регуляторы Учебное пособие. Спб, Из-во ГУАП, 2010. — 237с.
4. Дунин-Барковский В.Л., Горбань А.Н. и др. Нейроинформатика М.: ИНТУИТ, 2016. — 330 с.
5. Рутковский Лешек. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия - Телеком, 2010. — 520 с.
6. Усков А.А. и др. Гибридные нейросетевые методы моделирования сложных объектов Смоленск: СФРУК, 2011. – 132 с.
7. Ухоботов В.И. Избранные главы теории нечетких множеств Учебное пособие. Челябинск: Изд-во Челяб. гос. ун-та, 2011. — 245 с.
8. Хижняков Ю.Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого правления в системах реального времени: учеб. пособие. Пермь: Изд-во ПНИПУ, 2013. – 160 с.

Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.

* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.

Пожалуй, наиболее поразительным свойством человеческого интеллекта является способность принимать правильные решения в обстановке неполной и нечеткой информации. Построение моделей приближенных рассуждений человека и использование их в компьютерных системах будущих поколений представляет сегодня одну из важнейших проблем науки.

Значительное продвижение в этом направлении сделано 30 лет тому назад профессором Калифорнийского университета (Беркли) Лотфи А. Заде (Lotfi A. Zadeh). Его работа "Fuzzy Sets", появившаяся в 1965 году в журнале Information and Control, № 8, заложила основы моделирования интеллектуальной деятельности человека и явилась начальным толчком к развитию новой математической теории.

Что же предложил Заде? Во-первых, он расширил классическое канторовское понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения в интервале (0;1), а не только значения 0 либо 1. Такие множества были названы им нечеткими (fuzzy). Л.Заде определил также ряд операций над нечеткими множествами и предложил обобщение известных методов логического вывода modus ponens и modus tollens.

Дальнейшие работы профессора Л.Заде и его последователей заложили прочный фундамент новой теории и создали предпосылки для внедрения методов нечеткого управления в инженерную практику.

В последние 5-7 лет началось использование новых методов и моделей в промышленности. И хотя первые применения нечетких систем управления состоялись в Европе, наиболее интенсивно внедряются такие системы в Японии. Спектр приложений их широк: от управления процессом отправления и остановки поезда метрополитена, управления грузовыми лифтами и доменной печью до стиральных машин, пылесосов и СВЧ-печей. При этом нечеткие системы позволяют повысить качество продукции при уменьшении ресурсо и энергозатрат и обеспечивают более высокую устойчивость к воздействию мешающих факторов по сравнению с традиционными системами автоматического управления.

Другими словами, новые подходы позволяют расширить сферу приложения систем автоматизации за пределы применимости классической теории. В этом плане любопытна точка зрения Л.Заде: "Я считаю, что излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются на тех и только тех проблемах, которые поддаются точному решению. В результате многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне по той причине, что они не поддаются математической трактовке. Для того чтобы сказать что-либо существенное для проблем подобного рода, мы должны отказаться от наших требований точности и допустить результаты, которые являются несколько размытыми или неопределенными".

Смещение центра исследований нечетких систем в сторону практических приложений привело к постановке целого ряда проблем таких, как новые архитектуры компьютеров для нечетких вычислений, элементная база нечетких компьютеров и контроллеров, инструментальные средства разработки, инженерные методы расчета и разработки нечетких систем управления и многое другое.

Математическая теория нечетких множеств, предложенная Л.Заде более четверти века назад, позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы.

Основанные на этой теории методы построения компьютерных нечетких систем существенно расширяют области применения компьютеров.

Микропроцессор, основанный на нечёткой логике , состоит из базы знаний, содержащей лингвистические переменные и нечёткие правила, и трёх блоков:

Блок фаззификации преобразует четкие (сrisp) величины, измеренные на выходе объекта управления, в нечеткие величины, описываемые лингвистическими переменными в базе знаний.

Блок решений использует нечеткие условные (if – then) правила, заложенные в базе знаний, для преобразования нечетких входных данных в требуемые управляющие воздействия, которые носят также нечеткий характер.

Блок дефаззификации преобразует нечеткие данные с выхода блока решений в четкую величину, которая используется для управления объектом.

В последнее время нечеткое управление является одной из самых активных и результативных областей исследований применения теории нечетких множеств. Нечеткое управление оказывается особенно полезным, когда технологические процессы являются слишком сложными для анализа с помощью общепринятых количественных методов, или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. Экспериментально показано, что нечеткое управление дает лучшие результаты, по сравнению с получаемыми при общепринятых алгоритмах управления.

Нечеткие методы помогают управлять домной и прокатным станом, автомобилем и поездом, распознавать речь и изображения, проектировать роботов, обладающих осязанием и зрением. Нечеткая логика, на которой основано нечеткое управление, ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы. Нечеткая логика, в основном, обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности.

Нечеткие множества. Лингвистическая переменная. Нечеткая логика. Нечеткий вывод. Композиционное правило вывода

. построении логического вывода в нечеткой логике. Пусть задано нечеткое высказывание  , где и – нечеткие множества. Пусть также .

Нечеткая логика в процессе моделирования

. работу светофора на основе нечеткой логики. В основе нечеткой логики лежит теория нечетких множеств, где функция . контроль в зданиях. Нечеткая логика - математические основы История нечеткой логики Впервые термин нечеткая логика был введен американским .

Использование нечеткой логики при моделировании и проектировании

. , традиционно принятого в управлении и идентификации. Сегодня нечеткая логика является стандартным методом при моделировании . всего написать сценарий. 2.Нечеткая логика в программе Simulink. Систему на нечеткой логике созданную в пакете Fuzzy .

Автоматическое регулирование микроклимата в зданиях и сооружениях на базе нечеткой логики

. микроклимата в зданиях и сооружениях на базе нечеткой логики В статье описывается алгоритм управления системой . ]. Разработка регулятора с нечеткой логикой При проведении исследований рассматривается регулятор с нечеткой логикой (фази-регулятор) с четырьмя .

Конструирование алгоритмов управления на основе нечеткой логики и нейронных сетей

. управления на основе аппарата нечеткой логики и нейронных сетей. Нечеткое управление является практической альтернативой . стойкостью к зашумлению. перечень ссылок В.В. Круглов Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли .

Целью курсовой работы является изучить нечеткую логику.
Для достижения данной цели были поставлены следующие задачи:
изучить литературу по данной теме;
рассмотреть исторические аспекты нечеткой логики;
определить плюсы и минусы нечетких систем;
охарактеризовать математический аппарат нечеткого множества;

Содержание работы

Введение
История развития нечеткой логики
Нечеткая логика: достоинства и недостатки
Нечеткие множества
Методы построения функций принадлежности нечетких множеств
Операции над нечеткими множествами
Свойства
Нечеткая и лингвистическая переменные
Нечеткое моделирование в среде MATLAB
FuzzyTECH
Моделирование работы светофора
Пример программы, выполненной в MATLAB
Автономный мобильный робот (АМР)
Заключение
Список использованной литературы

Файлы: 1 файл

КУРСОВАЯ РАБОТА №1.docx

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное образовательное учреждение

Высшего профессионального образования

Факультет прикладной математики, физики и информационных технологий.

Кафедра актуарной и финансовой математики.

4 курса группы ФМ-11-10

Доцент Никитин В.В.

Введение
История развития нечеткой логики
Нечеткая логика: достоинства и недостатки
Нечеткие множества
Методы построения функций принадлежности нечетких множеств
Операции над нечеткими множествами
Свойства
Нечеткая и лингвистическая переменные
Нечеткое моделирование в среде MATLAB
FuzzyTECH
Моделирование работы светофора
Пример программы, выполненной в MATLAB
Автономный мобильный робот (АМР)
Заключение
Список использованной литературы

Проблемы принятия решений в сложных условиях занимают в настоящее время особое место в информационных технологиях. Математические методы широко применяются для описания и анализа сложных экономических, социальных и других систем. Теория оптимизации создала совокупность методов, помогающих при использовании ЭВМ эффективно принимать решения при известных и фиксированных параметрах или когда параметры - случайные величины с известными законами распределения. Существует, однако, ряд задач, которые не поддаются формальному описанию в силу того, что часть параметров представляют собой неточно или качественно заданные величины. Традиционные методы недостаточно пригодны для решения подобных задач именно потому, что они не в состоянии описать возникающую неопределенность.

Целью курсовой работы является изучить нечеткую логику.

Для достижения данной цели были поставлены следующие задачи:

изучить литературу по данной теме;
рассмотреть исторические аспекты нечеткой логики;
определить плюсы и минусы нечетких систем;
охарактеризовать математический аппарат нечеткого множества;
определить формы кривых задания функций принадлежности;
рассмотреть алгоритм нечеткого вывода;
определение понятия и виды моделирования;
изучить процесс моделирования;

В основе нечеткой логики лежит теория нечетких множеств, где функция принадлежности элемента множества не бинарна (да/нет), а может принимать любое значение в диапазоне 0-1. Это дает возможность определять понятия, нечеткие по самой своей природе: "хороший", "высокий", "слабый" и т.д. Нечеткая логика дает возможность строить базы знаний и экспертные системы нового поколения, способные хранить и обрабатывать неточную информацию. Системы, основанные на нечеткой логике, разработаны и успешно внедрены в таких областях, как управление технологическими процессами, управление транспортом, управление бытовой техникой, медицинская и техническая диагностика, финансовый менеджмент, финансовый анализ, биржевое прогнозирование, распознавание образов, исследование рисковых и критических операций, прогнозирование землетрясений, составление автобусных расписаний, климатический контроль в зданиях.

История развития нечеткой логики

Основанием для создания новой теории послужил спор профессора со своим другом о том, чья из жен привлекательнее. К единому мнению они не пришли. Это вынудило Заде сформировать концепцию, которая выражает нечеткие понятия типа “привлекательность” в числовой форме.

Нечеткая логика основана на теории нечетких множеств и отличается от классической теории четких множеств. Если для четких множеств результатом вычисления характеристической функции могут быть только два значения – 0 или 1, то для нечетких множеств это количество бесконечно, но ограничено диапазоном от нуля до единицы.

В Японии это направление переживает настоящий бум. Здесь функционирует специально созданная организация – Laboratory for International Fuzzy Engineering Research (LIFE). Программой этой организации является создание более близких человеку вычислительных устройств. LIFE объединяет 48 компаний, в числе которых Hitachi, Mitsubishi, NEC, Sharp, Sony, Honda, Mazda, Toyota. Из зарубежных (не японских) участников LIFE можно выделить IBM, Fuji, Xerox; к деятельности LIFE проявляет также интерес NASA.

Нечеткая логика — это одно из величайших достижений математики XX-ого века, если критерием брать практическую пользу. Это простой и мощный инструмент программирования — настолько же простой, но гораздо более мощный, чем система обычных логических операций.

Интересно отметить, что сегодня практическое применение нечетких логик особенно широко развито в Японии. Еще в 1992 году японские эксперты полагали, что в 10% всех оценок используется аппарат и методы нечетких логик. Что касается других развитых стран, то, например, в Швеции нечеткие логики впервые были применены в 1980 году для управления цементным производством. [c.63]

Так, например, совершенно новыми для российского рынка недвижимости являются маркетинговый подход на основе теории предпринимательства, сетевых бизнес-коммуникаций, методов нечеткой логики и информатизации бизнеса. [c.6]

Используя аппарат нечеткой логики, можно найти пути математического определения ситуаций в бизнесе. [c.33]

Методы нечеткой логики позволяют в сети рыночных бизнес-коммуникаций вести диалог компьютерной системы (на основе базы данных нечетких множеств) о состоянии бизнеса на обычном языке делового мира, что является реальным вкладом в создание эффективных бизнес-коммуникаций. [c.33]

Отношения (взаимодействия) — важный ресурс в предпринимательской деятельности. Оценка данного ресурса имеет качественную основу — доверие, взаимопонимание, гармония и т. д. Для оценки отношений теория и методы нечеткой логики весьма перспективны. Например, на вопрос возможно ли привлечь компанию X к финансированию предпринимательского проекта Можно получить ответ, мы доверяем этой фирме на 70%. То есть, ни да (1) ни нет (0). Ответ выходит за рамки четкой — булевской алгебры логики. Здесь не обойтись без нечетких множеств. Методы нечеткой логики предназначены для математической обработки субъективной информации в предпринимательской деятельности. Практически — это помощь предпринимателям в принятии экономических решений, планировании и управлении в условиях ограниченной информации с учетом риска, экологии, маркетинговых исследований и т. д. [c.64]

Блок логических выводов, осуществляя сопоставление правил с фактами, порождает цепочки выводов. При работе с ненадежными данными формируются нечеткая логика, слабые коэффициенты уверенности, низкая степень меры доверия и т.д. [c.157]

На этапе подготовки данных анализируется степень их информационной насыщенности, для чего выявляется степень влияния конкретного параметра на прогнозируемую величину. Достигнув равномерного наполнения всех степеней зависимости, выявляется соответствие между прогнозируемой величиной и параметром в виде Если. то. иначе. , что близко к реализации алгоритма нечеткой логики и экспертным системам. [c.230]

Возможность подключения модулей для циклического анализа, нейросетевых прогнозов, анализа с помощью нечеткой логики и т.д. [c.144]

Пакеты программ по нечеткой логике [c.150]

Решение задач динамического управления в реальном времени, связанное с необходимостью быстрой проверки большого количества решающих правил, заставляет экспертов оперировать качественными параметрами — принципами поведения объектов. Нечеткая логика предоставляет возможность описывать принципы , оперируя данными, известными неточно, что существенно сокращает время настройки и работы управляющих систем. [c.150]

Васильев В. Н. Интеллектуальные системы управления с использованием Нечеткой логики. Уфа, 1995. [c.212]

Я мог бы рассказывать вам много жутких историй о трейдерах, проигравших огромные суммы денег из-за того, что они не верили в необходимость ограничивать убытки и позволять прибылям расти при малейшей возможности. ТЪ, кто потерял много денег, отлично знают эту простую истину, но, когда им самим выпадал шанс получить прибыль, они его упускали. Оказавшись в убытке, они чаще всего были уверены, что рынок скоро развернется в их сторону. И лучше верить именно этому, если нет какой-либо иной возможности. Сегодня мы имеем "нечеткую логику" и "искусственный интеллект", теории хаоса, случайных структур и, Бог знает, сколько еще других инструментов, которые, как мы полагаем, могут прогнозировать поведение рынков. И если какой-либо новый метод показывает хорошие результаты, его автор заявляет "Смотрите, я же говорил, что это будет работать". Но, если метод эффективен, это означает, что он хорошо блокирует убытки и дает возможность прибыли вырасти. Я считаю, теоретики рынка сами себя убеждают, что их образование и навыки стоят большего, чем простое эмпирическое правило. Хотя, возможно, в своих сложных логических построениях они тоже правы. Тем не менее общее правило успешной торговли очень простое ограничивать потери и обеспечивать рост прибыли. Вот самая надежная логика. [c.183]

Хотя нечеткая логика может явно использоваться для представления знаний эксперта с помощью правил для лингвистических переменных, обычно требуется очень много времени для конструирования и настройки функций принадлежности, которые количественно определяют эти переменные. Нейросетевые методы обучения автоматизируют этот процесс и существенно сокращают время разработки и затраты на нее, улучшая при этом параметры системы. [c.207]

Элементы нечеткой логики [c.209]

Центральным понятием нечеткой логики является понятие лингвистической переменной. Согласно Лотфи Заде лингвистической называется переменная, значениями которой являются снова или предложения естественного или искусственного языка. Примером лингвистической переменной является, например падение производства если она принимает не числовые а лингвистические значения, такие как например, незначительное заметное, существенное, и катастрофическое. Очевидно что лингвистические значения нечетко характеризуют имеющуюся ситуацию. Например, падение производства на 3% можно рассматривать и как в какой-то мере незначительное, и как в какой-то мере заметное. Интуитивно ясно, что мера того, что данное падение является катастрофическим должна быть весьма мала. [c.209]

Получим приоритеты объектов методом ПР на базе нечеткой логики. [c.79]

Использование нечеткой логики 1. Микроэкономический процесс инвестиций [55]. [c.93]

Использование нечеткой логики 1. Всесторонний анализ деятельности предприятия составление бюджета, оценка состояния и т.п. [55]. [c.93]

Использование нечеткой логики 1. Диалоговые системы медицинской диагностики [69]. 2. Принятие решений при оценке функционального состояния человека. [c.93]

МАИ и методом принятия решений на базе нечеткой логики. В методах при- [c.102]

Таким образом, в методы принятия решения на базе нечеткой логики в [c.109]

Ермилин Н.А. Моделирование месторождений углеводородов методами нечеткой логики.- М. Наука, 1994.-462 с., ил. [c.287]

Ввод данных в систему, подготовка данных, создание файлов для тренировки и тестирования можно считать самостоятельным третьим этапом. Основной целью работы на этом этапе является формирование необходимого набора ситуаций, с которыми придется работать аналитику, а затем распределение исходных данных по этим ситуациям. При этом нейросетевая технология автоматически реализует задачу классификации, в основе которой лежит нечеткая логика (fuzzy logi ). В качестве входных параметров могут быть использованы искусственно созданные характеристики системы, в частности для фондового рынка это могут быть различные индикаторы технического анализа. [c.229]

Блок логических выводов адаптирован к работе с неточными данными, для чего используются нечеткая логика, коэффициенты уверенности, бейсовская логика, меры доверия и другие. [c.121]

AIQ Trading Expert (AIQ). Инструмент технического анализа с применением последних достижений современной математики (генетика, нечеткая логика. ). Имеет в Барометр индикаторов , что позволяет оценивать качество сигналов на всем множестве технических индикаторов как в количественном (абсолютном), так и в качественном (относительном) измерителе. Барометр выделяет рейтингом и цветом те индикаторы, которые лучшим образом на текущий момент описывают состояние анализируемого рынка. Инструмент для настоящих профессионалов. [c.144]

Fuzi al (FuzeWare). Первая электронная таблица на основе нечеткой логики, позволяет быстро проводить вычисления как с нечеткими данными, так и с точными числовыми значениями. [c.151]

Системы нечеткой логики (fuzzy logi s systems) могут оперировать с неточной качественной информацией и объяснять принятые решения, но не способны автоматически усваивать правила их вывода. Вследствие этого, весьма желательна их кооперация с другими системами обработки информации для преодоления этого недостатка. Подобные системы сейчас активно используются в различных областях, таких как контроль технологических процессов, конструирование, финансовые операции, оценка кредитоспособности, медицинская диагностика и др. Нейронные сети используются здесь для настройки функций принадлежности нечетких систем принятия решений. Такая их способность особенно важна при решении экономических и финансовых задач, поскольку вследствие их динамической природы функции принадлежности неизбежно должны адаптироваться к изменяющимся условиям. [c.207]

Читайте также: