Методы многокритериального анализа приемлемости альтернатив и гибридные методы искусственного интеллекта в задачах реабилитации техногенно - радиоактивно загрязненных территорий

• Автор: Грицюк, Сергей Витальевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Обнинск
• Количество страниц: 193 с. : ил.

Содержание
Содержание

Список условных сокращений

Введение
Глава 1. Поддержка принятия решений по реабилитации техногенно загрязненных территорий и защите окружающей среды

1.1 Многокритериальный анализ решений

1.2 Многоцелевая оптимизация

1.3 Геоинформационные системы

1.4 Искусственные нейронные сети

1.5 Системы поддержки принятия решений

1.6 Выводы
Глава 2. Методы многокритериальной поддержки принятия решений
2.1 Анализ приемлемости альтернатив
2.1.1 Базовый алгоритм оценки приемлемости ProMAA/FMAA
2.1.2 Вероятностный подход - метод РгоМАА
2.1.3 Подход с использованием нечетких данных - метод FMAA
2.1.4 Задание весов в РгоМАА и FMAA
2.2 Генетический алгоритм FMOCHC
2.3 Интеграция ГА с ИНС для решения задач оптимизации сетей
2.4 Многокритериальная система поддержки принятия пространственных решений
2.3.1 ГИС подсистема DECERNS WebSDSS
2.3.2 МКАР подсистема DECERNS WebSDSS
2.3.3 DECERNS WebSDSS - интеграция подсистем
2.5 Выводы
Глава 3. Реализация методов многокритериального анализа на примере
решения практических задач
3.1 Практические задачи управления загрязненными территориями
3.1.1 Многокритериальная задача пространственного размещения объектов с учетом радиационного загрязнения
3.1.2 Многокритериальная задача управления донными отложениями на примере реки Кохеко
3.1.3 Многокритериальная задача управления донными отложениями на примере порта Нью-Йорка/Нью-Джерси
3.1.4 Оптимизация структуры контрмер радиоактивно загрязненной территории
3.1.5 Оптимизация сети мониторинга радиоактивно загрязненных территорий
3.2 Реализация методов
3.2.1 Методы РгоМАА и РМАА
3.2.2 Многоцелевой генетический алгоритм ГМОСНС
3.2.3 Исследование архитектур ИНС и интеграция с ГА
3.3 Исследование задач
3.4 Выводы
Глава 4. Обсуяедение полученных результатов
4.1 Задача №1: сценарий размещения поселения
4.2 Задача №2: сценарий Кохеко
4.3 Задача №3: сценарий Нью-Йорк/Нью-Джерси
4.4 Задача №4: оптимизация структуры контрмер
4.5 Задача №5: оптимизация сети мониторинга
4.6 Выводы
Заключение
Список литературы
Приложение
Приложение

Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение

показатель, тем лучше альтернатива. Отрицательный поток альтернативы отражает то, насколько сильно данная альтернатива превосходится другими альтернативами. Чем меньше данный показатель, тем лучше альтернатива.
Частичное ранжирование методом PROMETHEE I устанавливается следующим образом:
Aj предпочтительнее А/с, если выполняется условие
фА>ф+(), ф-(Л,)*Г(4), при этом хотя бы одно неравенство строгое.
Aj эквивалентна Ак, если выполняется
Ф+(Aj) = ф+(Ак), (1.10)
ф-(А,) = ф-(Ак).
В противном случае альтернативы считаются несравнимыми.
Полное ранжирование методом PROMETHEE II основано на
использовании чистого потока превосходства (net outranking flow)
определяется следующей формулой:
ф{А)) = фА1)-ф-(А,). (1-11)
В этом случае Aj предпочтительнее Ак, если полный поток превосходства
альтернативы Aj больше полного потока превосходства альтернативы Ак
потоки равны, то альтернативы эквивалентны.
PROMETHEE V: Оптимизация с ограничивающими условиями. Задача
оптимизации с учетом ограничивающих условий является типичной задачей
исследования операций. Метод PROMETHEE V [76] расширяет возможности
PROMEHEE II для такого рода задач. Цель метода - максимизировать значение
полного потока превосходства для выбранных альтернатив, в то время как на
него налагаются определенные ограничения. Для решения такой
оптимизационной задачи применяются методы целочисленного
программирования.
Методы идеальной точки. В методах идеальной точки [94; 120]
альтернативы ранжируются в зависимости от их расстояния от идеальной точи.