Информационно-аналитическое обеспечение стратегии развития услуг телекоммуникационной компании (1142389), страница 19
Текст из файла (страница 19)
Таким образом, на данном этапе эксперт должен переложитьописанные ментальные знания о системе в нечеткую модель посредствомпримененияспециализированногоматематическогоаппарата.Механизм99логического вывода включает три этапа: введение нечеткости (фаззификация),нечеткий вывод и приведение к четкости или дефаззификация, структуранечеткой модели представлена на рисунке 2.3.3.База правилх - четкаявеличинаПриведение кнечеткости(фаззификатор)µ(x)µ(y)Приведение кчеткости(дефаззификатор)у - четкаявеличинаНечеткийлогический выводИсточник: составлено автором с использованием [58, с.
180].Рисунок 2.3.3 - Структура нечеткой моделиг) фаззификация, при которой вычисляются степени принадлежностичисловых значений входных факторов модели их нечетким множествам.Определение лингвистических значений факторов, включаемых в модель, а такжетипа используемых функций принадлежности для каждого фактора модели,выбор которых должен быть качественно проработан, так как форма функциипринадлежности и ее параметры существенно влияют на точность модели. Такимобразом, определены факторы модели, заданы качественно (вид функции) иколичественно (ее параметры) функции принадлежности, определены числовыезначения степени принадлежности факторов модели нечетким множествам;д) определение значений терм-множеств и функции принадлежности длярезультирующего показателя;е) механизм вывода, который определяет результирующую функциюпринадлежности выходного значения модели на основе степеней принадлежностифакторовмодели.Дляпостроениявзаимосвязифакторовнеобходимоиспользовать базу правил, а также определить оператор вывода.1) база правил устанавливает взаимосвязь между факторами модели ирезультирующим показателем и содержит в себе логические правила, которыезадают имеющие место в системе причинно-следственные отношения между100нечеткими значениями факторов модели и значениями результирующегопоказателя.
Нечеткие высказывания представлены в форме «Если-то» и ставят всоответствие функции принадлежности для соответствующих лингвистическихтермов входных факторов модели и функции принадлежности результирующегопоказателя модели.Пусть в базе правил (2.3.3) имеется m правил вида:R1 : еслих1 это А11 и хnэто А1n , то y это B1 ,х1 это Аi1 и хnэто Аin , то y это B j ,х1 это Аa1 и хnэто Аbn , то y это Bq .Rk : если(2.3.3)Rm : еслигде x k - объясняющие показатели, где k 1,, ny- результирующий показатель,Aik - заданные нечеткие множества и их функции принадлежности k-го входящегопоказателя модели, где i 1,, a или b или другого количества, так как длякаждого входящего показателя определяется собственное количество терммножеств,B j - нечеткие множества результирующего показателя y, где j 1,, q ,Rk-k-еправилобазы,определяющеекакоенечеткоемножестворезультирующего показателя ставится в соответствие выбранной совокупностинечетких множеств входящих показателей.
Максимальное количество правил mопределяется как произведение числа терм-множеств каждого из объясняющихпоказателей.База правил нечеткой модели должна отвечать ряду требований дляполучения точного и адекватного результата модели:полнота базы правил необходима для достижения высокогоуровня ее точности. В случае отсутствия возможности определения B j длякомбинации нечетких множеств входных факторов модели означает, что модель101можно использовать только в пределах зоны, соответствующей имеющемусянабору правил;база правил должна состоять из согласованных правил, т.е.
в нейнет правил с одинаковыми условиями, имеющими разные заключения;с целью увеличения понятности и прозрачности моделиколичество правил не должно быть избыточным, т.е. стоит избегать дублированияправил, а также следует стремиться к их объединению с целью сокращения ихколичества.Формирование базы правил может быть полностью основано на знанияхэксперта о системе и взаимосвязях значений факторов модели и егорезультирующего показателя, но, фактически эксперт редко имеет необходимыйобъем знаний о системе, так как информация о системе может бытьпротиворечивой и неточной. Поэтому целесообразным является использованиеметода, предусматривающего учет объективной информации о моделируемойсистеме. Этого можно достичь путем измерения значений входящих показателеймоделей и результирующего показателя путем создания нейронечеткой сети.Наиболее распространенный метод самоорганизации, автоматической процедурыопределения оптимального числа и формы базы правил, нечеткой модели – этогеометрический метод точек максимума абсолютной ошибки.
Также могут бытьиспользованы методы кластеризации и поиска [58, c. 409-494]. Таким образом,основными преимуществами нейронечетких сетей являются автоматизированноеопределениебазыправилнечеткоймоделииповышениеточностииэффективности модели;2) оператор нечеткого вывода обеспечивает точность нечеткогомоделирования. В случае моделей, формируемых на экспертных знаниях, выбороператораимеетвысокоезначение.Вслучаесамообучающихсяилисамонастраивающихся моделей вид используемых операторов менее важен,поскольку в ходе обучения модели параметры функций принадлежностиизменяются с целью достижения максимально возможной точности.102Реализация вычислений с помощью нечеткой логики является трудоемкимпроцессом также как и применение любых других математических методов.
С1995 г. на российском рынке предлагаются программные продукты дляперсональных компьютеров, рассчитанные на их массовое использование.Появилась возможность быстро и с приемлемой точностью решать, не прибегая кпомощи программистов, большинство повседневных задач, в которых возникаетнеобходимость приближенного задания условий и, соответственно, получениястоль же приближенных результатов. Математический аппарат, предоставляющийтакие возможности, детально описанный в специальной литературе и в полноймере реализованный в программных пакетах, спрятан «за кадром», что делаетпроцесс освоения этих инструментов более доступным и интуитивно понятнымдля любого пользователя [148].
Примерами такого программного обеспеченияявляется программы MATLAB, FuziCalc, FuzzyTech и FisPro. Описаниеиспользования пакетов MATLAB и FuzzyTech для построения нечетких моделейдано в специализированной литературе, например в [49].Программноеобеспечениепозволяетпроводитьвычислительныеэксперименты для подбора оператора с целью получения наиболее точныхрезультатовмоделипутемсопоставленияотклонениярезультирующегопоказателя модели и фактических значений результирующего показателя;ж) дефаззификация, при которой на основе результирующей функциипринадлежности вычисляется четкое значение выходного показателя модели,применяется, в случае если нечеткого описания результирующего показателянедостаточно.
Для перехода к точным значениям можно использовать различныеметоды, их описание, а также недостатки и преимущества представлены в[58, с. 208-223];и) анализ результатов модели, а также в случае необходимости - доработкапостроенной модели.Исходя из предложенной методики построения нечеткой модели сиспользованием специализированного программного обеспечения видно, что есливсе факторы модели, имеющие нечеткий вид, обоснованы, то получить103результирующий показатель на основе методов нечеткой логики не являетсятрудоемкой задачей: методы, записанные в детерминированной постановкезадачи, преобразуются к нечеткому виду, а классические вычисления заменяются«мягкими».
Применение нечеткой логики для построения системы показателей,применяемой для разработки и контроля реализации стратегии развития услугтелекоммуникационной компании, обусловлено содержанием требующейсяинформации, используемой при формулировании стратегии развития услуг, аименно «мягких» показателей, не имеющих традиционных методик их измерения,а также сложностью применения формализованных методов установлениявзаимосвязи «мягких» показателей с другими, включенными в системупоказателей.
Так как стратегия развития услуг ориентирована на достижениеопределенныхконкурентныхпреимуществ,определяетвзаимоотношенияорганизации с клиентами, отражает их восприятие компании и такжепредоставляемых им услуг, «мягкие» показатели приобретают особую значимостьпо сравнению с «жесткими». Например, на привлечение клиентов и их удержаниев первую очередь оказывает влияние их лояльность, удовлетворенность услугамикомпании, соотношением цены и качества и уровнем обслуживания, узнаваемостьуслуг, а также бренда компании.
Следовательно, при создании системыпоказателей стратегии развития услуг необходимо либо использовать метод,предусматривающийоценку«мягких»показателей,либонайтизаменуперечисленным показателям другими – «жесткими» показателями, отражающимиотношение клиента к компании. Однако использование «жестких» показателейвместо «мягких» не всегда представляется возможным, а если такая заменадопустима, это может привести к искажению результатов анализа вследствиенеполного отражения «жестким» показателем характеристик изучаемого объекта.По нашему мнению, необходимость использования «мягких» показателейобусловливает выбор метода - инструментов нечеткой логики, что позволяетизмерять «мягкие» показатели, степень их взаимосвязи с другими показателями,используя лингвистические переменные. Кроме того, инструментарий нечеткойлогики позволяет задавать коридоры значений для «жестких» показателей с104учетом специфики вида экономической деятельности, состояния внешней среды,специфики этапа жизненного цикла организации и др.
В этом случае параметры ипоказатели модели выражаются не точными числовыми значениями, а нечеткимичислами.Поднечеткимчисломпонимаетсянекотороеподмножествоуниверсального множества действительных чисел, имеющее нормальную ивыпуклую функцию принадлежности, т.е. такую что, существует такое значение,при котором функция принадлежности равна единице, и при отступлении отсвоего максимума влево или вправо функция принадлежности убывает. Примерыпостроения нечетких моделей регрессии представлены, например, в работах[135, 146]. В случае применения традиционных методов экономического анализапри установленном целевом значении стратегического показателя расчетныйкоридор его значений задается следующим образом.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
