Search

Магістерська дисертація 108 с., 31 рис., 19. табл, 1 додаток, 17 джерел Об’єктом досліджень є процеси у складних системах із великою кількістю вхідних та вихідних параметрів. Предметом дослідження є методи формуваня множини Парето, узгодження областей значень та визначень. Мета дослідженя: 1. Розробити та дослідити методи узгодження областей значень та визначень для функцій за дискретно заданою вибіркою. 2. Створити модель формування множини Парето. Новизна: Використання нейронних мереж для формувая функціональних залежностей із подальшим формуванням множини Парето та корекції за допомогою методів узгодження областей значень та визначень. В роботі проводиться ретельна побудова методів узгодження областей значень та визначень для функцій, за дискретно заданою вибіркою. Для цього використовується апарат штучних нейронних мереж. В результаті отриманий інструментарій знаходить застосування у корекції множини Парето, яка формується із використанням комбінації нейронних мереж, що включають в себе моделі сегментації. В результаті було створено модель побудови множини Парето для системи функцій за дискретно заданою вибіркою, що дозволяє знаходити компроміс під час прийняття рішення щодо моделювання складного виробу. Master's dissertation 108 p., 31 fig., 19. table, 1 appendix, 17 sources The object of research is complex systems with a large number of input and output parameters. The subject of the research is the methods of reconstruction of the Pareto set, coordination of the domains of arguments and values. The purpose of the study: 1) Develop and investigate methods for reconciling arguments domain and values domains for tabular functions. 2) Form a Pareto domain recovery model. Novelty: The use of neural networks to restore functional dependencies with subsequent forecasting of the Pareto area and correction using methods of matching the areas of values and definitions. The work carefully constructs methods for reconciling the areas of values and arguments for functions that they are given by tabular data. The approach of the artificial neural networks is used for this purpose. The resulting toolkit is used in the correction of the Pareto set, which is reconstructed using a combination of neural networks that include segmentation models. As a result, a model for constructing a Pareto set was created for a system of functions defined in tabular form, which allows to find a compromise when deciding on the modeling of a complex product.