Optymalizacja na podstawie modelu rozmytego

• Autorzy: Sewastianow P. , Róg P.
• Języki publikacji: PL

Abstrakty

PL

Burzliwy rozwój informatyki przyczynił się w zasadniczy sposób do wzrostu znaczenia modeli matematycznych. Dzięki pojawieniu się wydajnych maszyn cyfrowych, efektywnych języków programowania oraz skutecznych metod projektowania oprogramowania, możliwe stało sie praktyczne wykorzystanie modeli matematycznych do symulacji rzeczywistych procesów. Umożliwiło to dalsze zmniejszenie kosztów przeprowadzania eksperymentów oraz pozwoliło na symulację zjawisk, które z różnych względów, nie są możliwe do zbadania w rzeczywistym świecie. Okazuje się jednak, że także i to narzędzie ma swoje ograniczenia. Jako najważniejsze można wymienić trzy: zasada niezgodności L. A. Zadeha, problem złożoności obliczeniowej symulatorów oraz problem nieadekwatności opisu niepewności. Poważną wadą klasycznych metod symulacji jest także niemożność bezpośredniego wykorzystania symulatora w procesie optymalizacji symulowanego systemu. W niniejszej pracy pokazano, że poprzez zastosowanie nowatorskiego podejścia do symulacji komputerowej można wyeliminować najważniejsze mankamenty tradycyjnego probabilistycznego podejścia do symulacji w warunkach niepewności. Ma to fundamentalne znaczenie w przypadku wykorzystania symulatora w procesie optymalizacji systemu. Należy podkreślić, że zaproponowana metoda tworzenia modeli rozmytych umożliwia ich bezpośrednie wykorzystanie w procesie optymalizacji.

Słowa kluczowe

PL

symulacja; optymalizacja; modelowanie rozmyte; logistyka

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Informatyka Teoretyczna i Stosowana
• Rocznik: 2004
• Tom: R. 4, nr 6
• Strony: 81--97
• Opis fizyczny: Bibliogr. 33 poz., rys., tab.

Twórcy

autor

Sewastianow P.

• Instytut Informatyki Teoretycznej i Stosowanej, Politechnika Częstochowska ul, Dąbrowskiego 73, 42-200 Częstochowa

autor

Róg P.

• Instytut Informatyki Teoretycznej i Stosowanej, Politechnika Częstochowska ul, Dąbrowskiego 73, 42-200 Częstochowa

Bibliografia

• [1] Ainscow E.K., Brand M.D. Errors associated with metabolic control analysis. Application of Monte-Carlo simulation of experimental data, J. Theor. Biol. 194 (1998) 223-233.
• [2] Boudeville Y., Kolb M., Pantazidis A., Marquez-Alvarez C., Mirodatos C., Elokhin V., Monte-Carlo methods for simulating the catalytic oxidative dehydrogenation of propane over VMgO catalyst, Chem. Eng. Sci. 54 (1) (1999) 4295-4304.
• [3] Chantrapornchai C., Tongsima E., Sha H.M., Imprecise task schedule optimization, Proc. Sixth IEEE Internat. Conf on Fuzzy Systems (1997) 1265-1270.
• [4] Doumeingts G., Vallespir B., Chen D., Methodologies for designing computer integrated manufacturing systems: a survey, Computers in Industry 25 (1995) 263-280.
• [5] Dymowa L., Figat P., Róg P., Opracowanie metody i oprogramowania dla zagadnienia optymalizowanego wyboru gatunku stali konstrukcyjnej. Materiały konferencji KomPlasTech2003, (2003), 25-32.
• [6] Fortemps Ph., Job shop scheduling with imprecise durations: a fuzzy approach, IEEE Trans. Fuzzy systems 5 (4) (1997) 557-569.
• [7] Ishibuchi H., Murata T., Lee K.H., Formulation of fuzzy flow-shop scheduling problems with fuzzy processing time., Proc. Fifth IEEE Internat. Conf on Fuzzy Systems (1996) 199-206.
• [8] Jaulin L., Kieffer M., Didrit O., Walter E, Applied interval analysis (Springer-Verlag, London, 2001).
• [9] Klingstam P., Gullander P., Overview of simulation tools for computer-aided production engineering, Computers in Industry 38 (1999) 173-186.
• [10] Litoiu M., Tadei R., Fuzzy scheduling with application to real-time systems, Fuzzy Sets and Systems 121 (2001) 523-535.
• [11] Litoiu M., Tadei R., Real time task scheduling allowing fuzzy deadlines, European J. Oper. Res. 100 (1997) 475-481.
• [12] McCanon A.S., Lee E.S., Fuzzy job sequencing for a flow shop, European J. Oper. Res. 62 (1992) 294-301.
• [13] Mitsubishi Electric, New technologies: virtual manufacturing and computer-aided production engineering, Mitsubishi Electric Advance 76 (1996).
• [14] Miszczyńska D., Miszczyński M., Trzaskalik T., Symulacja złożonych procesów produkcyjnych na przykładzie przemysłu lekkiego, Badania Operacyjne i Decyzje 3 (1997) 74-86.
• [15] Moller D.P.F., Fuzzy Logic in discrete modeling and simulation in medical applications, Proc. Summer Comp. Simulation Intrnat. Conf., 2000, 125-130.
• [16] Moore R.E. Interval analysis (Englewood Cliffs, N.J., Prentice-Hall, 1966).
• [17] Punnen A.P., Nair K.P.K., Aneja Y.P., Generalized bottleneck problems, Optimization 35 (1995) 159-169.
• [18] Sakawa M., Nishizaki I., Uemura Y., Fuzzy programming and profit and cost allocation for a product and transportation problem, European J. Oper. Res. 131 (1) (2001) 1-15.
• [19] Sewastianow P., Róg P., Fuzzy modeling of manufacturing and logistic systems, Mathematics and Computers in Simulation, 63/6 (2003) 569-585.
• [20] P. Sewastianow, P. Róg, A Probability Approach to Fuzzy and Crisp Intervals Ordering. TASK Quarterly, 7, Special Issue Artifical and Computational Intelligence, 1 (2003), 142-158 .
• [21] Shannon, R.E., Systems Simulation: The Art and Science, Prentice Hall (1975).
• [22] Slany W., Scheduling as a multiple criteria optimization problem, Fuzzy Sets and Systems 78 (1996) 197-222.
• [23] Technomatix Technologies, Automotive Body Solutions - Making Virtual Manufacturing a Reality, Robcad Produkt Description (1996).
• [24] Trzaskalik T., Modelowanie optymalizacyjne (Wydawnictwo Absolwent, Łódź, 1998, wyd. drugie).
• [25] Tur M., JM, Huber R., Fuzzy Inductive Reasoning Model-based Fault Detection Applied to a Commercial Aircraft, Modeling and Simulation 75 (4) (2000) 188-198.
• [26] Wang R.C., Fang H.H., Aggregate production planning with multiple objectives in a fuzzy environment, European J. Oper. Res. 133 (3) (2001) 521-536.
• [27] www.pkn.pl
• [28] Yang C, Zhang J., Two general methods for inverse optimization problems, Applied Mathematics Letters 12 (1999) 69-72.
• [29] Zadeh L. A., Fuzzy Sets, Information and Control 8 (1965) 338-353 .
• [30] Zadeh L. A, Fuzzy sets as a basis for a theory of possibility, Fuzzy Sets and Systems 1 (1978) 3-28.
• [31] Zadeh L. A, Theory of fuzzy sets, Memo. No. UCB/ERL M77/1, University of California, Berkeley, CA (1977).
• [32] Zhang J, Yang C, Lin Y , A Class of Bottleneck Expansion Problems, Computers & Operations Research 28 (2001) 505-519.
• [33] Zhao Z.Y., Souza R.De., Fuzzy rule learning during simulation of manufacturing resources, Fuzzy Sets and Systems 122 (2001) 469-485.