УДК 004
DOI: 10.36871/ek.up.p.r.2026.03.09.021

Авторы

Сайха Сайд-Ахмедовна Хаджимурадова,
Арби Саид-Ахмедович Хаджимурадов,
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, Грозный, Россия

Аннотация

В данной статье, посвящённой анализу современных подходов к моделированию сложных информационных процессов, функционирующих в условиях неопределённости внешней среды, рассматриваются методы, позволяющие формализовать и обрабатывать неполную, неточную и нечёткую информацию. Актуальность исследования обусловлена тем обстоятельством, что традиционные математические модели, основанные на детерминированных или вероятностных предположениях, часто оказываются неприменимыми при работе с данными, характеризующимися нестационарностью, нелинейностью и наличием качественных признаков. На основе систематизации существующих подходов выделяются три основных класса методов интеллектуального моделирования: методы нечёткой логики, нейросетевые методы, а также гибридные методы, объединяющие достоинства обоих подходов. Особое внимание уделяется анализу способов представления различных типов неопределённости, а также методам построения и верификации интеллектуальных моделей на основе экспериментальных данных.

Ключевые слова

интеллектуальное моделирование, неопределённость, нечёткая логика, нейронные сети, гибридные системы

Список литературы

  1. Макаров В.Л., Бахтизин А.Р. Моделирование социально-экономических систем с использованием методов машинного обучения // Экономика и математические методы. – 2020. – Т. 56, № 4. – С. 3–18
  2. Пегат А. Нечёткое моделирование и управление. – М.: БИНОМ. Лаборатория знаний, 2019. – 798 с.
  3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечёткие системы. – М.: Горячая линия – Телеком, 2020. – 452 с.
  4. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечётких условиях. – Тюмень: Изд-во ТюмГУ, 2019. – 352 с.
  5. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближённых решений. – М.: Мир, 1976. – 165 с.
  6. Штовба С.Д. Введение в теорию нечётких множеств и нечёткую логику. – Винница: ВНТУ, 2018. – 198 с.
  7. Хайкин С. Нейронные сети: полный курс. – М.: Вильямс, 2019. – 1104 с.
  8. Лукашин Ю.П., Морозов В.П. Нейросетевые методы обработки временных рядов // Прикладная эконометрика. – 2021. – № 4. – С. 78–95
  9. Ярушкина Н.Г. Основы теории нечётких и гибридных систем. – М.: Финансы и статистика, 2020. – 320 с.
  10. Гельман А., Карлин Дж., Стерн Х. Байесовский анализ данных. – М.: ДМК Пресс, 2021. – 848 с.