Iнтелектуальна гiбридна модель пiдтримки безпекоорiєнтованого управлiння соцiо-еколого-економiчними системами в умовах невизначеностi
DOI:
https://doi.org/10.24144/2616-7700.2026.49(2).308-316Ключові слова:
нечітка логіка, машинне навчання, гібридна система, підтримка прийняття рішень, соціо-еколого-економічні системи, безпекоорієнтоване управління, невизначеністьАнотація
У статтi розглянуто проблему пiдтримки прийняття рiшень у соцiо-еколого-економiчних системах в умовах невизначеностi iнформацiї. Метою дослiдження є розроблення моделi iнтелектуальної гiбридної системи пiдтримки безпекоорiєнтованого управлiння, що поєднує методи нечiткого моделювання та машинного навчання. Запропоновано математичну модель, яка базується на використаннi лiнгвiстичних змiнних, функцiй належностi та бази нечiтких правил для оцiнювання iнтегрального рiвня безпеки системи. Для пiдвищення адаптивностi та прогностичних можливостей системи iнтегровано модуль машинного навчання, що забезпечує прогнозування значень iндикаторiв на основi iсторичних даних.
Сформовано систему iндикаторiв, яка охоплює економiчнi, соцiальнi, екологiчнi та iнституцiйнi аспекти функцiонування соцiо-еколого-економiчної системи. Розроблено процедуру нечiткого висновку, що включає фазифiкацiю вхiдних даних, активiзацiю правил, агрегування результатiв та дефазифiкацiю для отримання числового значення iнтегрального показника безпеки. Проведено демонстрацiйний приклад застосування запропонованої моделi, який пiдтверджує її здатнiсть оцiнювати поточний стан системи та прогнозувати його змiну.
Отриманi результати свiдчать, що використання гiбридного пiдходу, який поєднує нечiтку логiку та методи машинного навчання, дозволяє пiдвищити точнiсть оцiнювання, адаптивнiсть та iнтерпретованiсть систем пiдтримки прийняття рiшень у задачах безпекоорiєнтованого управлiння соцiо-еколого-економiчними системами.
Спонсор дослідження
- Дослiдження здiйснено в рамках кафедральної науково-дослiдної роботи «Методи обчислювального iнтелекту для обробки i аналiзу даних» (номер державної реєстрацiї 0121U109279).
Посилання
- Hudon, A., & et al. (2025). A hybrid fuzzy logic–Random Forest model to predict outcomes and identify important influencing factors. Frontiers in Artificial Intelligence. https://doi.org/10.3389/frai.2025.1606250
- Khan, M., Kumar, R., & Dhiman, G. (2025). A hybrid machine learning fuzzy non-linear regression approach for neutrosophic fuzzy set. ICCK Transactions on Machine Intelligence. https://doi.org/10.62762/TMI.2025.561363
- Zhang, Z. (2024). Application of fuzzy decision support systems in risk assessment. Computational Economics. https://doi.org/10.1007/s44196-024-00556-y
- Lamrani Alaoui, Y., & et al. (2024). A hybrid fuzzy decision-making framework for technology selection. Discover Applied Sciences. https://doi.org/10.1007/s42452-024-06229-x
- Yadav, N., & et al. (2025). Transfer learning with fuzzy decision support for multi-class lung disease classification. Scientific Reports. https://doi.org/10.1038/s41598-025-19114-3
- Akram, M., & et al. (2025). An explainable hybrid fuzzy–machine learning framework for decision support. Knowledge-Based Systems. https://doi.org/10.1016/j.knosys.2025.111115
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 М. М. Шаркадi

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
