НЕЧІТКИЙ ПІДХІД ДО МОДЕЛЮВАННЯ ТА РОЗВ’ЯЗУВАННЯ ЗАДАЧ УПОРЯДКУВАННЯ ТА ВИБОРУ

Автор(и)

DOI:

https://doi.org/10.35546/kntu2078-4481.2022.3.10

Ключові слова:

нечітка множина, упорядкування, проблема вибору, нечітке відношення схожості, агрегування, кількісні та якісні характеристики.

Анотація

Проблеми упорядкування та вибору об’єктів виникають у різних галузях людської діяльності. У випадках, коли використовується інформація про характеристики об’єктів, отримана від експертів, пропонуються нечіткі моделі задач, що ураховують різні види невизначеності та більш аргументовано відображають реальні ситуації. Особливу увагу привертає проблема адекватності або гомоморфізму емпіричної та математичної моделей у задачах з різнотипними даними, виміряними за різними шкалами, а саме, за шкалами відношень, порядку, інтервалів та абсолютними. У таких випадках, згідно положенням репрезентативної теорії вимірювань, необхідно забезпечити інваріантність результатів обчислень за наявності як кількісних, так і якісних даних. Метою роботи є теоретичне обґрунтування та розробка інваріантної процедури розв'язування задач упорядкування та вибору претендентів на вільні посади підприємства на основі оцінки їхньої конкурентоспроможності з урахуванням різнотипної інформації, яка може бути отриманою на основі експертних оцінок. Розв'язок задачі ґрунтується на окремому порівнянні характеристик претендентів з відповідними найкращими характеристиками відносно посади або професії (еталону) на основі використання коефіцієнту лінгвістичної кореляції, за допомогою якого визначається нечітка міра схожості еталону та претендентів. Доведено теореми про інваріантність такої міри схожості при вимірюваннях характеристик у різних шкалах. Наведено приклад розв’язування однієї задачі вибору щодо призначення за конкурсом кращих кандидатів з претендентів, які подали відповідні документи на вакантні посади підприємства, при визначенні їхніх характеристик за шкалами порядку та абсолютною шкалою.

Посилання

Портер М. Конкуренция. М.: Издательский дом «Вильямс», 2003. 96 с.

Овчаренко Г.М., Шабрацький С.В. Конкурентоспроможність персоналу та її вплив на формування нематеріальних активів підприємства. URL: http://www.ukr.vipreshebnik.ru/ upr-presonal/4359-konkurentospromozhnistpersonaluta- jiji-vpliv-na-formuvannya-nematerialnikh-aktivivpidpriemstva.html

Олійник А.С., Піхуля О.Г., Романова О.В., Лопан А.М. Конкурентноспрможність персоналу як складова ефективної діяльності підприємства. Економіка&Держава. 2020. № 1. С. 97 – 101.

Полоус О.В., Лукій Т.Р. Конкурентоспроможності людського капіталу в умовах глобалізації. Причорноморські економічні студії. 2018. Випуск 35. С. 16 – 21. 5.pdf (bses.in.ua).

Грішнова О., Шпирко О. Конкурентоспроможність персоналу підприємства: критерії визначення та показники вимірювання. Україна: аспекти праці. 2004. № 3. С. 3 – 9.

Зак Ю.А. Кластерный анализ для многомерных объектов в условиях нечетких данных. System Research & Information Technologies. 2021. № 2. С. 18 – 34. DOI: 10.20535/SRIT.2308-8893.2021.2.02

Шусторович А.М. Об адекватных парных мерах сходства в задачах распознавания образов с разнородными признаками. Вопросы обработки информации при проектировании систем. Новосибирск: ИМ СО АН ССС Р, 1977. С. 147 – 152.

Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980. 319 с.

І нформатика в Україні: становлення, розвиток, проблеми. /Сергієнко І.В.; за заг. ред. Капітонова Ю.В., Лебедєва Т.Т. Київ: НАН України, Ін-т кібернетики імені В.М. Глушкова. Київ: Наукова думка, 1999. 354 с.

Boluki Sh., Dadanech S.Z., Quin X., Dougherty E.R. Optimal clustering with missing values. BMC Bioinformatics. 20 (12):321. 2019. https://doi.org/10.1186/s12859-019-2832-3

Wagstaff K. Clustering with Missing Values: No Imputation Required. In: Classification, Clustering, and Data Mining Applications. Proceedings of the Meeting of the International Federation of Classification Societies (IFCS). Illinois Institute of Technology, Chicago, 15–18 July 2004. P. 649–658. 2004. https://doi.org/10.1007/978-3-642-17103-1_61

Hulianytskyi L., Riasna I. On Fuzzy Similarity Relations for Heterogeneous Fuzzy Sets. II International Scientific Symposium «Intelligent Solutions» IntSol-2021, September 28–30, 2021, Kyiv-Uzhhorod, Ukraine IntSol, 48 – 59. CEUR-WS.org/vol–3018/Paper_5.pdf

Hussain A., Ullah K., Alshahrani M.N., Yang M.S., Pamucar D. Novel Aczel-Alsina operators for Pythagorean fuzzy sets with application in multi-attribute decision making. Symmetry. 2022. 14. P. 940. https://doi.org/10.3390/sym14050940

Liu D., Chen X., Peng D. Some cosine similarity measures and distance measures between q-rung orthopair fuzzy sets. Int. J.Intell. Syst. 2019. 34. P. 1572 – 1587. https://doi.org/10.1002/int.22108

Peng X., Liu L. Information measures for q-rung orthopair fuzzy sets. Int. J. Intell. Syst. 2019. 34. P. 1795 – 1834. https://doi.org/10.1002/int.22115

Yang M.S., Ali Z., Mahmood T. Three-way decisions based on q-rung orthopair fuzzy 2-tuple linguistic sets with generalized Maclaurin symmetric mean operators. Mathematics. 2021. 9. P. 1387. DOI:10.3390/math9121387

Joshi B.P., Gegov A. Confidence levels q-rung orthopair fuzzy aggregation operators and its applications to MCDM problems. Int. J. Intell. Syst. 2020. 35. P. 125 – 149. https://doi.org/10.1002/int.22203

Орлов А.И. Объекты нечисловой природы. Заводская лаборатория. 1995. 61. № 3. С. 41 – 52.

Kukush A., Senko I. Prediction in polynomial errors-in-variables models. Modern Stochastics: Theory and Applications. 7(2). P. 203 – 219. 2020. https://doi.org/10.15559/20-VMSTA154

Sen’ko I. O. The asymptotic normality of an adjusted least squares estimator in a multivariate vector errorsin- variables regression model. Theor. Probability and Math. Statist. 88. P. 175 – 190. 2014. https://doi.org/10.1090/ S0094-9000-2014-00929-1

Simon H.A., Newell A. Heuristic problems solving: the next advance in operation research. Operation Reserch. 1958. v. 6. № 1. P. 1 – 10. https://www.jstor.org/stable/167397

Нечеткие множества в моделях управления и искусственного интеллекта: /под ред. Д.А. Поспелова. М.: Наука, 1986. 312 с.

Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning. Information Sciences. 1975. v. 8. P. 199 – 249. https://doi.org/10.1016/0020-0255(75)90036-5

##submission.downloads##

Опубліковано

2023-04-10