А.А. Ветошкин1, Н.С. Грунин2, А.А. Тахтамышева3, Э.Ю. Носова4, А.Н. Нардид5, К.С. Мышенков6

1–6 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Задача интеграции модели данных и механизма принятия решения для улучшения качества интеллектуальных систем на основе метаграфового подхода в настоящее время актуальна метаграфовая модель данных – современный универсальный инструмент для описания сложных предметных областей. Нечеткий логический вывод – это мощный механизм принятия решений в области искусственного интеллекта.

Цель. Рассмотреть вариант реализации аппарата нечеткого управления для метаграфовой системы учебного плана кафедры; интегрировать метаграфовую модель данных и знаний с алгоритмами нечеткого логического вывода.

Результаты. Рассмотрены результаты интеграции метаграфовой модели данных и знаний с алгоритмами нечеткого логического вывода, реализация нечеткого логического вывода на языке программирования Rust. Приведен пример описания нечеткого логического вывода на наборе данных учебного плана кафедры.

Практическая значимость. Добавление возможностей нечеткого логического вывода в метаграфовую модель данных позволит улучшить качество интеллектуальных систем на основе метаграфового подхода.

Ветошкин А.А., Грунин Н.С., Тахтамышева А.А., Носова Э.Ю., Нардид А.Н., Мышенков К.С. Особенности реализации метаграфовых агентов на основе нечеткого логического вывода // Динамика сложных систем. 2023. Т. 17. № 3. С. 40−50. DOI: 10.18127/j19997493-202303-06

1. Basu A., Blanning R.W. Metagraphs and Their Applications:  Integrated Series in Information Systems (ISIS). New York: Springer, 2007. V. 15. № VIII. 172 p. DOI 10.1007/978-0-387-37234-1.
2. Гапанюк Ю.Е. Этапы развития метаграфовой модели данных и знаний // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сб. науч. трудов X Междунар. науч.-техн. конф. ИММВ-2021. В 2-х томах. Смоленск: Универсум, 2021. Т. 1. С. 190–200.
3. Чернов В.Г. Нечеткие множества. Основы теории и применения: Учеб. пособие. Владимирский гос. ун-т им. А. Г. и Н. Г. Столетовых. Владимир: Изд-во ВлГУ. 2018. 156 с.
4. Vernon V. Reactive Messaging Patterns with the Actor Model: Applications and Integration in Scala and Akka. Addison-Wesley Professional, 2015. 496 p.
5. Семенченко И.И., Гапанюк Ю.Е., Ревунков Г.И., Елисеев Г.Б. Реализация обработки метаграфов с использованием акторного подхода // Динамика сложных систем – XXI век. 2019. Т. 13. № 4. С. 36–45. DOI 10.18127/j19997493-201904-06.
6. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир. 1976. 165 с.
7. Lin T.Y., Liau C.J., Kacprzyk J. Granular Fuzzy, and Soft Computing: Encyclopedia of Complexity and Systems Science Series (ECSSS). New York: Springer, 2023. DOI 10.1007/978-1-0716-2628-3.
8. Гапанюк Ю.Е., Ханмурзин Т.И., Костян А.А., Фадеев А.А., Брысина Н.Р. Использование метаграфового подхода в концептуальном моделировании // Динамика сложных систем – XXI век. 2020. Т. 14. № 2. С. 54–62. DOI 10.18127/j19997493-202002-06.
9. Тавалинский Д.А., Красиков Д.А. Графодинамическое моделирование информационно-телекоммуникационной сети в интересах рационального распределения ресурсов // Динамика сложных систем – XXI век. 2022. Т. 16. № 3. С. 40–46. DOI 10.18127/j19997493-202203-04.
10. Виноградова М.В., Ларионов А.С., Черненький В.М. Интеллектуальная система для сбора и анализа информации о действиях пользователей АСУ предприятием // Динамика сложных систем – XXI век. 2021. Т. 15. № 2. С. 28–38. DOI 10.18127/j19997493-202102-03.
11. Рутковский Л. Методы и технологии искусственного интеллекта. М.: Горячая линия – Телеком, 2010. 520 c.