Аннотация.

В статье рассмотрен подход к прогнозированию изменения состояния сложных нелинейных систем с множественной гранулярностью с использование мультиреляционных нечетких когнитивных карт. Представлена математическая модель такой когнитивной карты, а также алгоритм ее построения, который включает многовариантное нелинейное обучение Хебба с использованием мультиреляционных ресурсов данных и непрерывный генетический алгоритм. Алгоритм построения мультиреляционной нечеткой когнитивной карты позволяет определять причинно-следственные связи между состояниями компонентов с высокой гранулярностью и состояниями компонентов с низкой гранулярностью. Показано применение предложенного подхода к прогнозированию изменения состояния сложных нелинейных систем для моделирования поведения экосистемы прибрежной зоны в любом месте мирового океана. Определены входные параметры для алгоритма построения мультиреляционной нечеткой когнитивной карты экосистемы прибрежной зоны, ограничения для многовариантного нелинейного обучения Хебба. Приведены результаты экспериментальных исследований, которые проводились для трех наборов исходных данных.

Ключевые слова: 

нечеткие когнитивные карты, нелинейное обучение Хебба, непрерывный генетический алгоритм, высокая гранулярность, низкая гранулярность, мультиреляционные системы.

DOI 10.14357/20718632260103

EDN JAJDRD

Стр. 28-40.

Литература

1. Аверкин А.Н. Паринов А.А. Генетический алгоритм обучения нечетких когнитивных карт // Научные труды Вольного экономического общества России. № 143. 2010. С. 69-74.

2. Петухова А.В., Коваленко А.В. Методы прогнозирования развития сложных систем с применением теории нечетких когнитивных карт // Computational Mathematics and Information Technologies. 2022. № 6(2). С. 81-95.

3. Eli Adama Jiya1, Georgina N. Obunadike, Emmanuel O. Atomatofa. A Review of Fuzzy Cognitive Maps Extensions and Learning Algorithms // Journal of Information Systems and Informatics. 2023. Vol. 5, No. 1. С. 300-323.

4. Шевнина Ю.С. Метод оценки состояния нелинейной системы на основе логического анализа данных // Известия вузов. Электроника. 2022. Т. 27. №3. С. 407-415. 

5. Горячева И.А., Трегубов В.Н. Использование генеративного искусственного интеллекта для визуализации логистических процессов // International Journal of Open Information Technologies, vol. 13, no. 4, 2025, pp. 131-139. 

6. Шевнина Ю.С., Гагарина Л.Г. Подходы к оценке управляемости сложной информационной системы // Приборы и системы. Управление, контроль, диагностика. 2024. № 3. С. 33-38.

7. Грибков А.А., Зеленский А.А. Разумная когнитивная система с мультисистемной интеграцией знаний: возможность и подходы к формированию // Философская мысль. 2025. № 2. С. 1-11.

8. Shevnina, Ju.S., Gagarina, L.G., Chirkow, A.V. Оn the Issue of Modeling Complex Nonlinear Systems // AIP Conference Proceedings 2467, 2021. pp. 565.

9. S. Fosso Wamba, C. Guthrie, M. M. Queiroz, and S. Minner, "ChatGPT and generative artificial intelligence: an exploratory study of key benefits and challenges in operations and supply chain management," International Journal of Production Research, vol. 62, no. 16, pp. 5676-5696, Aug. 2024

10. Karatzinis, G. D., & Boutalis, Y. S. (2025). A Review Study of Fuzzy Cognitive Maps in Engineering: Applications, Insights, and Future Directions. Eng, 6(2), 37. 

11. Apostolopoulos ID, Papandrianos NI, Papathanasiou ND, Papageorgiou EI. Fuzzy Cognitive Map Applications in Medicine over the Last Two Decades: A Review Study. Bioengineering (Basel). 2024 Jan 30;11(2):139.