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.