Застосування нечіткої когнітивної карти для моделювання російсько-української війни
DOI:
https://doi.org/10.31558/2786-9482.2023.1.1Ключові слова:
російсько-українська війна, нечітка когнітивна карта, сценарне моделювання, ядерна загроза, ранжування факторів впливу, парні ефекти.Анотація
Російсько-українська війна є актуальним об’єктом моделювання засобами дослідження операцій та системного аналізу. Найважливішим аспектом є моделювання загрози застосування ядерної зброї, яка пов’язана з потенційними можливостями Росії. Російсько-українська війна розглядається як динамічна система, змінними якої є фактори, що впливають на втрати російської армії та загрозу застосування ядерної зброї. Для моделювання використовується нечітка когнітивна карта, тобто орієнтований граф, вершини якого – це змінні моделі, а ваги дуг – це сили позитивних та негативних впливів змінних одна на одну. Як фактори, що впливають на втрати російської армії та загрозу ядерного удару, обрані такі: опір української армії, підтримка України зброєю, економічні санкції проти Росії, опозиція російської влади та інстинкт її самозбереження. Сили впливу факторів один на одного та на можливість застосування ядерної зброї оцінюються експертно за допомогою нечітких термів, яким відповідають числові величини. Для налаштування нечіткої когнітивної карти використовується генетичний алгоритм. Генетичний алгоритм знаходить такі сили факторів впливу, які мінімізують розбіжність між результатами моделювання та експертними оцінками. Налаштована нечітка когнітивна карта використовується для сценарного моделювання російсько-української війни за схемою «що буде, якщо» та для ранжування факторів за ступенем їх впливу на рівень ядерної загрози. У цій роботі показано, що нечіткі когнітивні карти є аналогом диференціальних рівнянь, які традиційно використовуються для моделювання динаміки втрат у воєнних конфліктах. Перевага нечіткої когнітивної карти полягає у можливості використання експертної інформації для обліку взаємопов’язаних факторів, що впливають на динаміку втрат та рівень ядерної загрози. Перспективним напрямом подальших досліджень є розширення запропонованої моделі на основі детальної класифікації факторів, що впливають на розвиток російсько-української війни.
Посилання
Зайченко, А. П. (2001). Дослідження операцій: підручник. Київ, ВІПОЛ, 688 с.
Novikov, D. A. (2013). Hierarchical models of warfare. Autom Remote Control, 74(10), 1733–1752. DOI: 10.1134/S0005117913100135.
Shumov, V. V. (2020). Mathematical models of combat and military operations. Computer Research and Modeling, 12(4): 907–920. DOI: 10.20537/2076-7633-2020-12-4-907-920.
McLucas, A. C., & Elsawah, S. (2019). System dynamics modeling to inform defense strategic decision-making. In Encyclopedia of Complexity and Systems Science (pp. 1–33). Springer Berlin Heidelberg. DOI: 10.1007/978-3-642-27737-5_657-1.
Lanchester, F. W. (1916). Aircraft in warfare: The dawn of the fourth arm. Constable limited, 243 p.
Barlow, R. E., Proschan, F. (1975). Statistical theory of reliability and life testing: probability models. Florida State Univ Tallahassee, 327 p. DOI: 10.2307/1402970.
Barnard, A. (2012). Ten things you should know about HALT & HASS. In Proceedings – Annual Reliability and Maintainability Symposium. DOI: 10.1109/rams.2012.6175457.
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75. DOI: 10.1016/s0020-7373(86)80040-2.
Wierman, M. J., Dobransky, M. K. (1992). A review of: “Neural networks and fuzzy systems:” A dynamic systems approach to machine intelligence. B. Kosko, P. Hall, E. Cliffs (eds.). New Jersey, 1991. XXVII + 449 pages. International Journal of General Systems, 20(4), 398–402. DOI: 10.1080/03081079208945045.
Stylios, C. D., & Groumpos, P. P. (2004). Modeling complex systems using fuzzy cognitive maps. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 34(1), 155–162. DOI: 10.1109/tsmca.2003.818878.
Fuzzy cognitive maps for applied sciences and engineering (2014). Intelligent Systems Reference Library. E. I. Papageorgiou (ed.). Springer Berlin Heidelberg. DOI: 10.1007/978-3-642-39739-4.
Mazzuto, G., Ciarapica, F. E., Stylios, C., & Georgopoulos, V. C. (2018). Fuzzy cognitive maps designing through large dataset and experts’ knowledge balancing. 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). DOI: 10.1109/fuzz-ieee.2018.8491657.
Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning-I. Information Sciences, 8(3), 199–249. DOI: 10.1016/0020-0255(75)90036-5.
Nevison, C. H., & Roberts, F. S. (1977). Discrete mathematical models with applications to social, biological, and environmental problems. The American Mathematical Monthly, 84(10), 834. DOI: 10.2307/2322080.
Вольтерра, В. (1976). Математическая теория борьбы за существование. Москва, Наука, 288 с.
Dickerson, J. A., & Kosko, B. (1994). Virtual worlds as fuzzy cognitive maps. Presence: Teleoperators and Virtual Environments, 3(2), 173–189.
De Larminat, P. (Ed.). (2010). Analysis and Control of Linear Systems. Wiley-ISTE. DOI: 10.1002/9780470612521.
Rothstein, A. P. (2019). Risk analysis: fuzzy cognitive maps vs fault trees. Journal of Computer and Systems Sciences International, 58(2), 200–211. DOI: 10.1134/s1064230719020163.
Rotshtein, A., Katielnikov, D., & Kashkanov, A. (2019). A fuzzy cognitive approach to ranking of factors affecting the reliability of man–machine systems. Cybernetics and Systems Analysis, 55(6), 958–966. DOI: 10.1007/s10559-019-00206-8.
Rotshtein, A. P., & Katielnikov, D. I. (2021). Fuzzy cognitive map vs regression. Cybernetics and Systems Analysis, 57(4), 605–616. DOI: 10.1007/s10559-021-00385-3.
Rotshtein, A., Katelnikov, D., Pustylnik, L., & Polin, B. A. (2022). Reliability analysis of man-machine systems using fuzzy cognitive mapping with genetic tuning. Risk Analysis, 43(5), 958–978. Portico. DOI: 10.1111/risa.13959.
Axelrod, R. (Ed.). (2015). Structure of decision: the cognitive maps of political elites. Princeton University Press, 405 p. DOI: 10.1515/9781400871957.
Глушков, В. М. (1974). Введение в АСУ. Киев, Техника, 320 с.
Бутенин, Н. В., Неймарк, Ю. И., & Фуфаев, Н. Л. (1982). Введение в теорию нелинейных колебаний. Москва, Наука, 384 с.
Gen, M., & Cheng, R. (1996). Genetic algorithms and engineering design. John Wiley & Sons, 411 p. DOI: 10.1002/9780470172254.
