Штучний інтелект

Анотація: Метою даного дослідження є розробка алгоритму планування процесу виконання сукупності неперіодичних завдань, що проводяться службою (підрозділом) підтримки або супроводу підприємства, шляхом ранжування важливості завдань на основі сукупності вхідних факторів, таких як статус заявника, критичність проблеми, наявність ресурсів, складність завдання та терміновість виконання завдання. У роботі запропоновано дворівневу схему нечіткого висновку на основі алгоритму Mamdani для вирішення проблем пріоретизації в системах підтримки користувачів, сутність якої полягає у послідовній реалізації двох етапів: на першому кроці обробляються попарно взаємозалежні вхідні критерії для отримання проміжних результатів, а на другому - вони об'єднуються з метою формування підсумкового пріоритету. Для опису вхідних і вихідних величин при реалізації схеми формування висновків обрано нечітку методологію з використанням трикутних функцій належності, що дозволило забезпечити баланс між точністю і плавністю дефазифікації. Проведено тестування запропонованої схеми при вирішенні задачі розподілу ресурсів у підрозділах технічної підтримки, де необхідно враховувати обмеження часу та ресурсів при одночасному опрацюванні множини заявок. Розроблений підхід може бути використаний для оптимізації обсягів ресурсів, необхідних для виконання сукупності завдань, що характеризуються показниками важливості, критичності, складності та термінів виконання.

Ключові слова: нечіткий висновок, алгоритм Mamdani, дворівнева модель, трикутні функції належності, пріоретизація завдань, нечітка оцінка часу виконання.

Посилання:

1. Kaplan R., Norton D. Using the Balanced Scorecard as a Strategic Management System // Harvard Business Review 74, no. 1 (January–February 1996).
2. Fu S., Gao J., Zhao L. Collaborative Multi-Resource Allocation in Terrestrial-Satellite Network towards 6G. IEEE Trans. Wirel. Commun. 2021 - № 20. - P. 7057–7071.
3. Rusou Z., Amar M., Ayal S. The psychology of task management: The smaller tasks trap // Judgment and Decision Making, 2020 - № 15(4). - P.586-599.
4. Xu X., Zhang X., Khan M., Dou W., Xue S., Yu S., A Balanced Virtual Machine Scheduling Method for Energy-Performance Trade-Offs in Cyber-Physical Cloud Systems. Futur. Gener. Comput. Syst. 2020. - Vol. 105 . - P. 789–799.
5. Zadeh. L.A. Fuzzy sets// Information and Control, 1965. - № 8. – Р. 338-353.
6. Mamdani E., Application of Fuzzy Algorithms for Control of Simple Dynamic Plant // Proceedings of the IEEE, 1974. - Vol. 121 (12). - P. 1585-1588.
7. Takagi T.; Sugeno M. Fuzzy Identification of Systems and Its Applications to Modeling and Control // IEEE Trans. Syst. Man Cybern. 1985. - Vol 1. - P.116–132.
8. Sarimuthu C., Ramachandaramurthy V., Mokhlis H., Ramasamy A., Comparison of Mamdani-Type and Sugeno-Type Fuzzy Inference Systems for Transformer Tap Changing System // International Journal of Advances in Applied Sciences, 2016. - Vol 5. - P.163-167.
9. Carvajal O., Castillo O., Soria J., Optimization of Membership Function Parameters for Fuzzy Controllers of an Autonomous Mobile Robot Using the Flower Pollination Algorithm // Journal of Automation, Mobile Robotics & Intelligent Systems, 2018. - 12 (1). - P. 44-49.
10. Lagunes M., Castillo O., Soria J., Optimization of Membership Function Parameters for Fuzzy Controllers of an Autonomous Mobile Robot Using the Firefly Algorithm // Chapter in Book: Fuzzy Logic Augmentation of Neural and Optimization Algorithms: Theoretical Aspects and Real Applications, 2018. - P.199-206.
11. Ross T., Fuzzy Logic with Engineering Applications, Third Edition 3rd Edition // Wiley, 2010 - http://dx.doi.org/10.1002/9781119994374.
12. Zimmermann H.-J., Fuzzy Set Theory and Its Applications // Springer Netherlands, 1996 - P. 435.