МЕХАНИЗМЫ РАСПРЕДЕЛЕНИЯ КВОТ НА ВЫБРОСЫ ПО КИОТСКОМУ ПРОТОКОЛУ

Авторы: Алексей Волошин, Ирина Горицына
Аннотация: Проблема изменения климата не сводится к обычным экологическим вопросам. Затрагиваются базовые экономические и политические интересы. Киотский протокол – первый международный документ, использующий рыночный механизм для решения глобальных экологических проблем. Предлагаются математические модели для реализации механизмов Киотского протокола.
Ключевые слова: Киотский протокол, углеродный рынок, задача распределения квот.
ACM Classification Keywords: ACM Classification Keywords: I. Computing Methodologies – I.6. Simulation and modeling (Time series analysis) – I.6.8 Types of Simulation – Gaming.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Среди глобальных экологических вызовов, угрожающих цивилизации в самом начале ХХI века, на первое место, безусловно, должна быть поставлена проблема изменения климата. Мировое сообщество, понимая все потенциальные угрозы глобального изменения климата, предпринимает ряд согласованных мер по адекватному реагированию на этот вызов. Наблюдаемые изменения климатической системы Земли ученые связывают с аномальным ростом концентрации в атмосфере так называемых парниковых газов (ПГ), в первую очередь, СО2.

( Читать дальше )

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ БИЗНЕС-ПРОЦЕССАМИ НА ОСНОВЕ ЯЗЫКА GBPR

Авторы: Антон Рычков
Аннотация: Рассматриваются возможности разработанного автором языка GBPR (General Business Process Representation) для решения проблем интеграции бизнес-процессов структурных подразделений учреждений и предприятий-партнеров, а также оптимизации бизнес-процессов и их динамической настройки. Представленный язык основывается на пи-исчислении и является его расширением, ориентированным на автоматизацию управления бизнес-процессами. Основой языка GBPR, как и пи-исчисления, являются информационные каналы, по которым передаются сообщения (сервисные каналы – каналы, отвечающие за обращение к сервису или процессу; маршрутные каналы, отвечающие за маршрутизацию потоков управления и данных внутри процесса). Базовой структурой языка GBPR является действие, выполняющее обращение к сервису. Процесс состоит из множества действий, выполняемых параллельно, последовательность действий реализуется через последовательную передачу сообщений между действиями. Процесс является частным случаем сервиса и может быть вызван как сервис посредством обращения по соответствующему информационному каналу. В статье приведено описание языка, его возможностей, в частности, показана возможность процессной интеграции, основанной на ретрансляции сообщений и отношении наследования процессов.
Ключевые слова: бизнес-процесс, автоматизация управления, пи-исчисление, наследование, интеграция, оптимизация.
ACM Classification Keywords: H.4 Information Systems Applications: H.4.1 Office Automation – Workflow management.
Conference: The paper is selected from Seventh International Conference on Information Research and Applications – i.Tech 2009, Varna, Bulgaria, June-July 2009

Введение
В настоящее время в области автоматизации управления существуют нерешенные проблемы интеграции на основе общих бизнес-процессов различных предприятий с учетом специфики каждого из участников интеграции. Существуют также проблемы частной оптимизации бизнес-процессов (оптимизации частных случаев реализации) и динамического изменения версий процесса.

( Читать дальше )

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ часть 1
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ часть 2

Логические объекты также сохраняют информацию в их общей СИБД, которая будет использоваться логическими объектами других узлов в сети. Для удаленного логического объекта доступ к этой информации и формирование запроса к семантической базе данных другого узла должно осуществляться
при помощи посредника – промежуточного логического объекта.
Таким образом, два узла могут совместно использовать семантическую информацию только через посредников. Каждый логический объект – интерпретатор информации выполняет определенную функцию платформы предоставления сервиса в узле, такие, как QoS, мобильности (хендовер), защиты или других сетевых задач, используя релевантную внутреннюю и внешнюю информацию узла. Например, для информационного элемента безопасности – это состояние защиты некоторого туннеля IPSec, тогда как текущая скорость передачи данных, местоположение и IPv6 – примеры информационных элементов мобильности.
Центральный механизм принятия решения отвечает за эффективность сети в соответствии с целями уровня сервиса и уровня прикладных программ узла. Он также сохраняет целостность интерпретатора информации. Именно этот модуль делает выводы на основании результатов запросов к базе данных и состояния сети. Он также управляет запросами, основанными на этих заключениях, и уведомляет механизм обучения об изменениях. Этот модуль–ядро интерпретатора информации, который формирует замкнутую систему управления через обратную связь, поддерживая другие модули и гарантируя, что каждый из них работает адаптивно и самообучается, и своими действиями они не противоречат друг другу.
Архитектура узла расчленяет большую задачу на меньшие компоненты. Части этой задачи–семантическое представление запроса, его классификация и распознавание. Эти части разделены и реализованы интеллектуальными механизмами, составляющими внутреннюю структуру логического объекта интерпретации информации (рис. 3).

Семантическое коммуникационное пространство
Главная задача – создание семантического коммуникационного пространства Semantic Web в пределах нашей проектируемой сети. Целью концепции Semantic Web, в которой используются программные агенты, онтологии и Web-сервисы, является преобразование всей совокупности информационных ресурсов в единую базу знаний, пользоваться которой могут как люди, так и программы. Для этого необходимо снабдить каждый ресурс описанием его семантики и предоставить средства для автоматизированной обработки этих описаний и представления знаний о нем.
Использование технологий Semantic Web при разработке программных систем позволяет существенно упростить проблему совместимости систем из смежных областей и является первым шагом к построению высокоинтеллектуальных компонентов и агентов. Центральным компонентом концепции является применение онтологий. Онтологии разрабатываются и могут быть использованы при решении различных задач, в том числе для совместного применения людьми или программными агентами, для возможности накопления и повторного использования знаний в предметной области, для создания моделей и программ, оперирующих онтологиями, а не жестко заданными структурами данных, для анализа знаний в предметной области.
Три технологии могут быть использованы для сетей NGN: агенты для того, чтобы представлять реальные объекты и автоматизированную разрешающую способность задачи от имени их владельца; онтологии для семантического расширения информации, которой обмениваются и обрабатывают Web-приложения; Web- сервисы как вычислительные средства, доступные через Интернет.
Целью Semantic Web является преобразование всей совокупности информационных ресурсов Web (или же сети, в нашем случае) в единую базу знаний, пользоваться которой могут как люди, так и программы. Для этого необходимо снабдить каждый ресурс описанием его семантики и предоставить средства для автоматизированной обработки этих описаний и представления знаний о них. Автором этой концепции является Т.Бернес-Ли, который ранее задумал и разработал Web. Несмотря на нечеткость концепции Semantic Web, несколько основных направлений повторяются во всех ее определениях:
-описание семантики ресурсов при помощи метаданных;
-использование метаданных для поиска информационных ресурсов на семантическом уровне;
-представление Web как большой интероперабельной базы данных;
-обнаружение, компоновка и использование Web-сервисов на основе описания их семантики;
-предоставление информации интеллектуальным программным агентам в форме, пригодной для машинной обработки их значения.
Нередко онтология используется как посредник между пользователем и информационной системой. Онтология может формализовать договоренности о терминологии между членами сообщества, например, между пользователями некоторого хранилища данных сети.
Онтология – это набор определений (на формальном языке) фрагмента декларативных знаний, ориентированный на совместное многократное использование различными пользователями в своих приложениях. В онтологии вводятся термины, типы и соотношения (аксиомы), описывающие фрагмент знания.
Формальная модель онтологии О представляет собой упорядоченную тройку O=<X,R,F>, где Х–конечное множество концептов (понятий, терминов) предметной области, которую представляет онтология O; R – конечное множество отношений между концептами заданной предметной области; F – конечное множество функций интерпретации, заданных на концептах и отношениях онтологии O [11-13].
Онтология позволяет формализовать семантику произвольной предметной области (ПрО). Можно сказать, что онтология – это точная спецификация некоторой области, которая включает в себя словарь терминов этой области и множество связей (типа «элемент-класс», «часть –целое», «оказывает воздействие», «похоже на» и т.п. ), которые описывают, как эти термины соотносятся между собой. Онтологии позволяют представить понятия так, что они становятся пригодными для машинной обработки.
Для описания медатанных в семантической базе данных использован язык RDF (Resource Description Framework), который использует XML-синтаксис. RDF описывает ресурсы в виде ориентированного размеченного графа – каждый ресурс может иметь свойства, которые в свою очередь также могут быть ресурсами или их коллекциями.
Чтобы упростить и унифицировать создание метаописаний ресурсов, пользователям нужно предоставить определенные шаблоны и стандарты описания типичных ресурсов. Из таких средств наиболее основательно проработан набор элементов для создания метаданных «Dublin Core Metadata Elements», который состоит из 15 базовых элементов [14].

Обработка контекста
Контекст (от лат. сontextus – «соединение», «связь») – относительно законченный фрагмент записи, текста, общий смысл которого позволяет уточнить значение отдельных входящих в него слов, предложений, и т. п. В более широком значении контекст – среда, в которой существует объект. Архитектура интеллектуального узла мобильной сети снабжена средствами обработки контекста для того, чтобы повысить качество принятия решений, сделанных интерпретаторами информации. Контекст зависит от пользовательских предпочтений, текущей ситуации и возможностей мобильных устройств [15].
Обработки контекста – это способность интеллектуального устройства обеспечить своего пользователя наиболее релевантными представлением приобретенного сервиса. Она требует дополнительной информации, которая собрана либо заранее перед тем, как выбран сервис, либо реактивно после развития ситуации. Обработка контекста начинается с определения устройством собственных свойств, возможностей и ограничений.
Интеллектуальное устройство способно адаптироваться таким образом, чтобы представить пользователю сервис в правильном формате и при приемлемых условиях. На более абстрактном уровне, контекст может быть определен как набор обстоятельств и фактов, которые соответствуют конкретной ситуации. В NGN понятие контекста расширяется на компьютерную связь, в которую вовлекаются и люди, и компьютеры, и где каждый узел в сети – производитель и потребитель контекста (подобно концепции Web 2.0). Каждый узел производит свое подмножество контекста, доступное другим узлам через семантическую базу данных и протокол посредника.
Каждый узел также использует эту информацию, так как он формирует локальную базу знаний о других узлах, находящихся в прямой или косвенной связи с ним. Такой подход необходим, чтобы более эффективно использовать каналы связи посредством понимания контекста и выполнять локальные решения, используя глобальные вводы.
Предложенная архитектура узла позволяет собирать и использовать локальную и удаленную контекстную информацию. Данные о местоположении – типичный пример для информации, которая может использоваться для обработки контекста. Доступность данных местоположения дает мобильному устройству дополнительную информацию, которая может использоваться сервисом.
Другая важная часть информации – окружение устройства, которое определяется персональной локальной сетью пользователя (PAN). Пример PAN – ноутбук с подключенным к нему мобильным телефоном, КПК и Web-камерой. Персональное интеллектуальное оборудование пользователя может быть обнаружено соответствующей технологией связи типа Bluetooth. Окружение может также быть расширено за счет других публично доступных устройств, находящихся в поле зрения пользователя.
Новые знания могут быть получены разными способами. Можно вывести их как логическое следствие из уже существующих знаний, вывести общее правило из имеющихся фактов или перенести факты и знания, истинные для одних объектов, на другие объекты на основании их сходства. Интеллектуальность поведения системы связана с ее способностью учиться на собственном опыте, то есть обобщать известные системе факты в некоторые общие правила.
Для извлечения знаний из семантической базы данных используется метод индуктивного вывода (от частного к общему). Индуктивный вывод – вывод из имеющихся данных (наблюдений, фактов) общих закономерностей (правил), что их объясняет. Основное назначение индуктивного вывода – генерация гипотез, которые могут потом опровергаться или подтверждаться пользователем. Полученная гипотеза используется для объяснения для объяснения имеющихся данных, классификации и прогнозирования новых данных.
Индуктивная логика–формальная система, которая описывает правила формирования общих утверждений на основе конечного множества отдельных утверждений. Интеллектуальность поведения любой системы в значительной мере определяется ее способностью учиться на собственном опыте, то есть индуктивно обобщать известные системе факты в некоторые общие правила. Индуктивное обобщение состоит в том, чтобы за набором примеров построить для функции f функцию-гипотезу h, что аппроксимирует f.
В стать предлагается использовать методы индуктивного обобщения [16] для автоматизированного извлечения онтологических знаний о ПрО из набора информационных ресурсов (хранящихся в БД системы), релевантных этой ПрО.

Практическая реализация сервиса
Рассмотрим, как предложенная архитектура может использоваться пользователем, поставщиком сервиса и сетевым оператором. Этот подход увеличивает доступность сервисов в сети. Предположим, пользователь хочет получить качественный доступ к мультимедийному сервису через мобильный терминал (МТ) во время своего передвижения. Он начинает сеанс, используя соответствующий протокол сеансового уровня. Провайдер сервиса (service provider node, SPN) способен предоставить мультимедийный сервис в различных форматах, каждый с различными требованиями полосы пропускания. Полоса пропускания – ценный ресурс для провайдера сервиса, так как он получен в аренду от сетевого оператора, и цель состоит в том, чтобы перепродать эту полосу пропускания эффективным способом для многих пользователей так, насколько это возможно. Чтобы выбрать самый эффективный формат, логический объект предоставления сервисов (рис.2) запрашивает у логического объекта QoS качество доступной полосы пропускания.
Логический объект QoS входит в контакт со своим одноранговым узлом сетевого оператора (network operator node, NON) посредством протокола посредника, чтобы запросить возможности МТ (мобильного терминала) и AP (точек доступа), которые расположены в пределах зоны передачи пользователя. Когда одноранговый логический объект QoS получает этот запрос, он обращается к своей семантической базе данных, где хранится профиль мобильности пользователя, который логически вычислен из местоположения и скорости МТ, так же как и местоположение точки доступа AP через которую вошел пользователь.
Эта информация и полоса пропускания, которая является доступной посредством этих AP (точек доступа), дают результирующий диапазон полосы пропускания, с которым пользователь может поддерживаться во время мультимедиа сеанса, и который возвращается к провайдер сервиса SPN какпрофиль мобильности QoS пользователя. После того как логический объект QoS получил требуемый профиль пользователя, провайдер сервиса принимает интеллектуальное решение относительно формирования полосы пропускания, которая должна быть выделена пользователю, и которая не должна превышать возможности, описанные в профиле мобильности QoS и сообщает затем логическому объекту предоставления сервиса, что тот может выбрать соответствующий формат. На основе предложенной структуры может быть реализован межуровневый распределенный сервисный доступ и схема адаптации как ответ на мобильность пользователя и динамику сетевых условий без потребности в определения отдельных протоколов для каждого интерфейса. Такой сценарий гарантирует, что пользователь получает мультимедийный сервис при перемещении, в то время как провайдер сервиса и владелец сети имеют самое эффективное использование своих соответствующих ресурсов.

Заключение
В работе представлена концепция, которая определяет расширенную архитектуру, позволяющую интегрировано реализовать основные требования к NGN на основе использования знаний и средств управления знаниями. Для этого необходим интеллектуальный подход, позволяющий конвертировать необработанные данные управления в семантическое представление, принимать решения основанные на семантике и учиться на опыте. Важно применят для этого технологии Semantic Web и методы, используемые в задачах искусственного интеллекта. Таким образом, новые приложения и сервисы могут также быть реализованы намного проще чем сегодня, и ожидается, что они будут поддерживаться в будущем.

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ часть 1
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ SEMANTIC WEB ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В ДИНАМИЧЕСКИХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ часть 2

Авторы: Анатолий Гладун, Юлия Рогушина
Аннотация: Предложен новый подход к использованию знаний о предметной области для интеллектуального управления сложными гетерогенными динамическими системами. Распределенная система рассматривается как набор гетерогенных информационных ресурсов, распределенных в телекоммуникационной сети и доступных при помощи общесетевой инфраструктуры. Для интеллектуализации этой инфраструктуры предлагается использовать знание-ориентированные технологии Semantic Web, позволяющие оптимизировать распределение сетевых ресурсов.
Ключевые слова: Service oriented architectures, network management, Semantic Web, inductive reasoning, ontologies, agent, multimedia service.
ACM Classification Keywords: I.2.4 Knowledge Representation Formalisms and Methods
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Повсеместное распространение Internet, мобильная телефония и переносные компьютеры позволяют сегодня пользователю использовать целый спектр новых приложений, поддерживаемых разработчиками сервисов. Одновременно возрастает сложность как пользовательских устройств самой сети (в частности, на базе Интернет формируется новая концепция развития сетей NGN – сети следующего поколения), так и сервисов, которые предоставляются пользователям, и сервисных платформ, которые увеличивают доступность и количество дополнительных сервисов в сети.

( Читать дальше )

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ В СИСТЕМАХ УПРАВЛЕНИЯ ПРОЦЕССОМ ФРАХТОВАНИЯ СУДОВ

Авторы: Сергей Шехунов, Антон Моторкин
Аннотация: В данной статье описан процесс фрахтования судов и его основные проблемы. Описаны проблемы анализа фрахтового рынка. Рассмотрены системы автоматизации деятельности менеджера по отфрахтованию: веб-портах с хранилищем данных и клиентское приложение для анализа данных и поддержки принятия профессиональных решений. Предложены методы решения основных проблем автоматизации и анализа данных. Предложен метод поддержки принятия решений о выборе оптимальных пар заявок для заключения контракта.
Ключевые слова: автоматизация, поддержка принятия решений, теория полезности, OLAP, фрахтование.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Фрахтование судов далеко не древняя профессия. Она возникла в последней половине XIX века. Ее появление было, с одной стороны, обусловлено нуждами торговли и промышленности, а с другой, — заинтересованностью судовладельцев в создании некоего органа, с помощью которого можно было бы эффективнее использовать быстрорастущий флот в обстановке роста и усложнения международного товарооборота.

( Читать дальше )

РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ТРЕТИЧНОЙ СТРУКТУРЫ ПРОТЕИНА

Авторы: Леонид Гуляницкий, Виталина Рудык
Аннотация: Рассматривается оптимизационная задача вычислительной биологии – прогнозирование структуры протеина по последовательности аминокислотных остатков. Описывается НР-модель, которая, не смотря на свою простоту, достаточно точно отображает процессы сворачивания в реальных молекулах. Предложены локальные и глобальные алгоритмы решения. Сравнительные характеристики методов и их комбинаций проиллюстрированы результатами вычислительного эксперимента по решению задач разной размерности.
Ключевые слова: комбинаторная оптимизация, прогнозирование третичной структуры протеина, метод ветвей и границ, стохастический локальный поиск, алгоритмы муравьиных колоний.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Задача прогнозирования третичной структуры протеина по последовательности аминокислотных остатков – одна из самых важных и сложных задач вычислительной биологии. Поскольку процессы свертывания протеинов изучены не в полной мере, исследователями предложен ряд упрощенных моделей, которые базируются на физических свойствах молекул и приводят к задачам комбинаторной оптимизации. Но и предложенные точные алгоритмы не решают задачи за удовлетворительное время даже для последовательностей длины 50, что дает основания для разработки приближенных алгоритмов. В настоящее время для решения возникающих задач предложен ряд таких алгоритмов популяционного типа [1, 2, 3], а также алгоритмов с оценкой точности [4, 5]. Необходимость в получении более точных решений побуждает к разработке новых детерминированных и метаэвристических алгоритмов, которые и являются предметом дальнейшего исследования.

( Читать дальше )

МУЛЬТИАГЕНТНЫЙ Н-МЕТОД В КОМБИНАТОРНОЙ ОПТИМИЗАЦИИ

Авторы: Леонид Гуляницкий, Денис Гобов
Аннотация: Предлагается метаэвристический алгоритм комбинаторной оптимизации, построенный на основе Н-метода. В основе алгоритма лежит мультиагентный подход к исследованию пространства допустимых решений. Данный подход в отличие от стандартного Н-метода, в котором между двумя точками в пространства решений строится только один отрезок специального вида, предполагает построение агентами нескольких отрезков. При работе агенты используют специальную модель решаемой задачи, что позволяет учитывать наряду с содержательной информацией о задаче и опыт, накопленный на предыдущих шагах алгоритма. Эффективность предложенного подхода проиллюстрирована на основе результатов вычислительного эксперимента по решению ряда задач коммивояжера и квадратичных задач о назначениях.
Ключевые слова: комбинаторная оптимизация, метаэвристики, Н-метод, агенты, задача коммивояжера, квадратичная задача о назначениях.
ACM Classification Keywords: G.1.6 [Numerical Analysis] Optimization – Stochastic programming, G.2.1 [Discrete Mathematics] Combinatorics – Combinatorial algorithms, I.2.8 [Artificial Intelligence]: Problem Solving, Control Methods, and Search – Heuristic methods.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Трудности, возникающие при решении задач комбинаторной оптимизации, общеизвестны. Практически все они принадлежат к классу NP-сложных задач. Вследствие быстро возрастающей вычислительной сложности при увеличении размерности существует необходимость в разработки методов и алгоритмов, которые позволяли бы получать пригодные для использования решения задачи при условии использования ограниченных вычислительных ресурсов.

( Читать дальше )

ИДЕНТИФИКАЦИЯ ОЦЕНКИ ПРОТИВОПОЖАРНОГО СОСТОЯНИЯ ОБЪЕКТА ДЛЯ ФОРМИРОВАНИЯ БАЗЫ ЗНАНИЙ ИАС «БЕЗОПАСНОСТЬ»

Авторы: Александр Джулай, Артем Быченко, Андрей Левченко
Аннотация: В статье рассмотрены задачи идентификации оценки противопожарного состояния объ- ектов, используемой при разработке банка знаний системы поддержки принятия решений «Безопас- ность» и предназначенной для информационно-консультативного сопровождения процессов принятия решений руководителями пожарных подразделений.
Ключевые слова: идентификация, банк знаний, пожарная безопасность
ACM Classification Keywords: H.4 Information Systems Applications, J.6 Computer-aided Engineering
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Аспекты проблемной области
Для обеспечения высокого уровня защиты населения пожарные подразделения должны использовать ре- зультаты прогнозирования. Особенно важно это для Украины в условиях ограниченности ресурсов. Использование методов прогнозирования, разработка и создание механизмов принятия решений, использующих результаты прогнозирования, и соответствующие способы реагирования приобретают в современных условиях особенную актуальность.

( Читать дальше )

СРАВНЕНИЕ ПОЛИИНТЕРВАЛЬНЫХ ОЦЕНОК В МЕТОДЕ ОИО

Авторы: Михаил Стернин, Геннадий Шепелёв
Abstract: A problem concerning in comparison of poly-interval structures in generalized interval estimations approach is discussed. It’s showed that to compare two poly-interval estimations (PIEs) we may compare their different mono-interval realizations, i.e. different pairs of mono-interval estimations from compared PIEs, using a Monte-Carlo family method. To compare mono-intervals people often use equivalent point estimations of intervals received on base of Hurwicz’s criterion or similar criteria. We offer a method of direct comparison of mono-interval estimations that interprets the problem as a problem of decision-making. We suggest distinguishing a favorable zone (zone where one interval in comparable pair may be more preferable than another), a zone of uncertainty (zone where compared intervals are equivalent to each other) and an unfavorable zone. Preferences of the decision maker during analysis of relative widths of the zones allow analyze the problem. The results of direct comparison are compared with results received on the base of equivalent point estimations. The arguments are given that method of direct comparison of intervals is more adequate to decision-making tasks. Relationship between numbers of preferable, equivalent and no preferable comparisons of mono-intervals from PIEs gives an information that support process of decision making during comparison of poly-interval estimations by decision maker.
Keywords: generalized interval estimations, comparison of intervals, decision support
ACM Classification Keywords: H.4.2 Types of Systems – Decision support; G.1.0 Numerical Analysis — Interval Arithmetic, G.3 Probability and Statistics – Distribution functions
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Для расширения возможностей выявления и представления экспертных знаний о количественных параметрах, известных с неопределенностью, нами предложен метод обобщенных интервальных оценок (ОИО) [Shepelyov, Sternin, 2003]. В отличие от традиционного моноинтервального оценивания в методе ОИО, для учета возможной неопределенности экспертной оценки по размаху и положению, она представляется совокупностью интервалов, каждый из которых служит сценарием возможной реализации анализируемого параметра. Шансы на реализацию описываются совместной функцией распределения вероятностей двух случайных переменных, D с плотностью ?(?, D)= f1(?)f2(D|?). Переменная «отмечает» место интервалов в ОИО.

( Читать дальше )

ИССЛЕДОВАНИЕ ЗАДАЧИ ОПТИМИЗАЦИИ ИНВЕСТИЦИОННОГО ПОРТФЕЛЯ В НЕЧЕТКИХ УСЛОВИЯХ

Авторы: Юрий Зайченко, Малихех Есфандиярфард
Abstract: The problem of fuzzy portfolio optimization is considered and analyzed. The dependence “profitability- risk” for optimal fuzzy portfolio was obtained and investigated. The sufficient conditions for the curve “profitability- risk” to be monotonous decreasing were obtained. The experimental investigations of this dependence were carried out which fully confirmed the theoretical results.
Keywords: fuzzy portfolio, optimization, curve “optimal profitability-risk”, sufficient conditions.
ACM Classification Keywords: H.4.2. Information system Applications: Types of Systems Decision Support
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009

Введение
Задача оптимизации инвестиционного портфеля в условиях неопределенности в последние годы вызывает значительный интерес. Для решения этой проблемы был предложен аппарат нечетких множеств в работах [Зайченко,2008, Zaychenko, 2008], согласно которому доходности акций и в целом доходность инвестиционного портфеля рассматриваются как нечеткие числа с заданной функцией принадлежности, а риск трактуется как возможность (субъективная вероятность) ситуации, когда реальная доходность портфеля оказывается ниже ожидаемой доходности нечеткого портфеля. С целью более обоснованной оценки доходности акций на фондовом рынке по предыстории в задаче портфельной оптимизации был предложен метод прогнозирования, применение которого позволило улучшить результаты [Зайченко,2007].

( Читать дальше )