ИНСТРУМЕНТАЛЬНАЯ ПРОГРАММНАЯ СРЕДА ДЛЯ ПАРАМЕТРИЧЕСКОГО СИНТЕЗА ПРОЕКТНЫХ РЕШЕНИЙ ПРИ ПРЕДВАРИТЕЛЬНОМ ПРОЕКТИРОВАНИИ ТЕХНИЧЕСКИХ ОБЪЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ ПАРАМЕТРОВ

Решение задач параметрического синтеза на предварительных этапах проектирования
технических объектов не всегда происходит в условиях неопределенности, связанной со случайным характером исследуемых процессов. При недостатке статистических данных информацию о параметрах технических объектов получают от экспертов. В этом случае для разработки теоретической и алгоритмической основ решения задач параметрического синтеза проектных решений целесообразно применение теорий, рассматривающих работу с экспертной информацией. В результате исследований была выбрана теория неопределенности Б. Лю, в которой выведены аналитические выражения для расчета числовых характеристик функций, зависящих от неопределенных параметров, задаваемых экспертами посредством функций распределения неопределенности. В статье рассматриваются вопросы построения инструментальной программной среды, которая используется для решения задач параметрического синтеза проектных решений на основе обработки экспертной и статистической информации. Описывается разработанный прототип инструментальной программной среды, используя который лицо, принимающее решения, получает гибкий инструмент для построения и применения оптимизационных моделей, в которых целевые функции и ограничения зависят от случайных и неопределенных параметров.

1. Вересников Г. С., Панкова Л. А., Пронина В. А. Разработка инструментальной программной среды для решения задач параметрического синтеза при проектировании технических объектов в условиях неопределенности параметров // Автоматизация в промышленности. 2019. № 12. P. 34–39.

2. Бурнаев Е., Губарев Ф., Морозов С., Прохоров А., Хоминич Д. Многодисциплинарная оптимизация, анализ данных и автоматизация инженерных расчетов с помощью программного комплекса pSeven // CAD/CAM/CAE Observer. 2014. № 4 (88). C. 56–61.

3. CAE-based Robust Design Optimization. optiSLang. URL: http://www.dynardo.de/en/ software/optislang.html (дата обращения: 21.04.2020).

4. Maji P. K., Biswas R., Roy A. R. Soft Set Theory // Computers & Mathematics with Applications. 2003. Vol. 45. P. 555–562.

5. Вагенкнехт М., Язенин А. В. Возможностная оптимизация. Тверь : ТвГУ, 2012. 140 с.

6. Alefelda G., Mayer G. Interval Analysis: Theory and Applications // Journal of Computational and Applied Mathematics. 2000. Vol. 121. P. 421–464.

7. Hájek A. Interpretations of Probability // The Stanford Encyclopedia of Philosophy: 2002–2019. URL: https://plato.stanford.edu/entries/probability-interpret/ (дата обращения: 21.04.2020).

8. Zimmerman H-J. Fuzzy Set Theory and Applications. 4-th rev. ed. Boston : Kluwer Academic Publishers, 2001. 525 p.

9. Qin H., Max A. Complete Model for Evaluation System Based on Interval-Valued Fuzzy Soft Set // IEEE Access. 2018. Vol. 6. P. 35012–35028.

10. Liu B. Uncertainty Theory. 4-th ed. Berlin : Springer-Verlag, 2015. 487 p.

11. Veresnikov G. S., Pankova L. A., Pronina V. A. Models of Uncertain-Random Programming // Advances in Systems Science and Applications. 2019. Vol. 19, No. 2. P. 8–22.

12. Veresnikov G. S., Pankova L. A., Pronina V. A. Preliminary Design with the Epistemic Uncertainty of Parameters // Advances in Systems Science and Applications. 2018. Vol. 18, No. 3. P. 154–164.

13. Ногин В. Д. Сужение множества Парето: аксиоматический подход. M. : Физматлит, 2015. 236 c.

14. Кандырин Ю. В. Многокритериальный анализ, выбор и структурирование вариантов в САПР. М. : Изд-во МЭИ, 2013. 320 с.

15. Захаров А. О. Сужение множества Парето на основе взаимно зависимой информации замкнутого типа // Искусственный интеллект и принятие решений. 2011. № 1. С. 95–109.

16. Veresnikov G. S., Pronina V. A., Pankova L. A., Ogorodnicov O. V., Ikryanov I. I. Determining Maneuverable Aircraft Parameters in Preliminary Design Under Conditions of Uncertainty // Procedia Computer Science. 2017. Vol. 112. P. 1123–1130.