Fuzzy system for determining an objective solution for the transportation of petroleum products
Ministry of Economic Development of the Russian Federation (Moscow, Russian Federation).
Email: an-lyashenko@yandex.ru
0000-0003-4609-5554Abstract
Background. The article discusses the issue of determining the rational option for delivering cargo MT from point A0 to point B0 with maximum satisfaction of the kj system of criteria. Essentially, the members of the expert council are asked to find a single measure on the set Mj, i.e., to assign a weight value λj to each Mj of a single selected «standard» proposed by the decision-making system. The calculated Mji correspond to Цji with an accuracy of less than 0.1%. This significantly simplifies the task of the expert council and increases the objectivity of the kj assessments, increases the validity and objectivity of choosing the most rational cargo delivery option. In the field of the expert council, an intuitive approach is adopted, while using the proposed mathematical apparatus, a quantitative approach is adopted. Purpose. To develop and test a mathematical model based on fuzzy sets that allows formalizing the decision-making process when selecting a delivery route for petroleum products. Materials and methods. The theoretical and methodological basis of the study was the system analysis and modeling, fuzzy set theory, statistical analysis and correlation-regression analysis, as well as scientific and engineering works for various types of expert assessments, used to determine the values of criteria when comparing the considered options for the delivery of petroleum products. Result. The mathematical apparatus is aimed at multi-criteria analysis with a mathematical solution of the problem and is a tool for selecting the best schemes, including hypothetical (planned) ones, in particular, using logistics facilities by mode of transport, according to the selected logistics polygons with competing routes and varying modes of transport.
Keywords
ways of delivery of oil products, multimodal logistics, fuzzy sets, initial data, final goals, expert selection of a rational route, mathematical model, calculating, proposals for decision-making
Нечеткая система оценки определения объективного решения перевозки нефтепродуктов
Министерство экономического развития России (Москва, Российская Федерация).
Email: an-lyashenko@yandex.ru
0000-0003-4609-5554Аннотация
Обоснование. В статье рассматривается вопрос определения рационального варианта доставки груза MT из пункта A0 в пункт B0 с максимальным удовлетворением системы критериев kj. В сущности членам экспертного совета предлагается найти единую меру на множестве Mj, т.е. дать значения веса λj каждому Mj единого выбранного «эталона», предложенной системе по принятию решений. Вычисляемые Mji соответствуют Цji с точностью менее 0,1%. Это значительно упрощает задачу экспертного совета, повышает объективность оценок kj, повышает обоснованность и объективность выбора рационального варианта доставки груза. В области экспертного совета принимается интуитивный подход, при использовании предлагаемого математического аппарата принимается количественный подход. Цель. Разработать и апробировать математическую модель на основе аппарата нечетких множеств, позволяющую формализовать процесс принятия решений при выборе маршрута доставки нефтепродуктов. Материалы и методы. Теоретической и методологической основой исследования явились системный анализ и моделирование, теория нечетких множеств, статистический анализ и корреляционно-регрессивный анализ, а также научно-инженерные работы для различных видов экспертных оценок, используемый для определения значений критериев при сравнении рассматриваемых вариантов доставки нефтепродуктов. Результат. Математический аппарат нацелен на многокритериальный анализ с математическим решением задачи и является инструментом для выбора лучших схем, в том числе гипотетических (планируемых), в частности с использованием логистических объектов по видам транспорта, согласно выбранным логистическим полигонам с конкурирующими маршрутами и с вариацией видов транспорта.
Ключевые слова
пути доставки нефтепродуктов, мультимодальная логистика, нечеткие множества, исходные данные, конечные цели, экспертный выбор рационального маршрута, математическая модель, вычисление оценок «качества» в процессе выбора, предложения по принятию решений
Список литературы
1. Ляшенко, А. Н. (2024). Формализованная математическая постановка экспертной оценки по принятию решения в сфере мультимодальной логистики. Транспорт: наука, техника, управление, (1), 12–17. https://doi.org/10.36535/0236-1914-2024-01-2. EDN: https://elibrary.ru/PWJXZV
2. Ляшенко, А. Н. (2022). Постановка задачи принятия решений на нечётком множестве данных в сфере мультимодальных перевозок. Транспорт Российской Федерации, (1–2), 6–8. EDN: https://elibrary.ru/AUKHNO
3. Ляшенко, А. Н. (2022). Математическая модель принятия решений на нечётком множестве данных в сфере логистики. Автоматика на транспорте, 8(2), 188–197. https://doi.org/10.20295/2412-9186-2022-8-02-188-197. EDN: https://elibrary.ru/QOSJLY
4. Котенко, А. Г. (2014). Методология риск‑ориентированного планирования качественных показателей эксплуатационной работы железных дорог (Докторская диссертация, Петербургский государственный университет путей сообщения). Санкт‑Петербург. 330 с. EDN: https://elibrary.ru/UXTVCI
5. Котенко, А. Г. (2011). О подходах к снижению вычислительной сложности логических задач анализа риска. Известия Петербургского университета путей сообщения, (1), 180–188. EDN: https://elibrary.ru/NTZCGJ
6. Amro, A. W., & Gkioulos, V. (2022). Communication and cybersecurity tested for autonomous passenger ship. В: Computer Security. ESORICS 2021 International Workshops (Vol. 13106, pp. 5–22). https://doi.org/10.1007/978-3-030-95484-0_1
7. Aven, T. (2010). Misconceptions of risk. John Wiley and Sons Inc. 248 p.
8. Aven, T. (2008). Risk analysis. Assessing uncertainties beyond expected values and probabilities. John Wiley and Sons Inc. 204 p.
9. Aven, T., & Vinnem, J. (2007). Risk management: With application from the offshore petroleum industry. London, England. 211 p.
10. Beaumont, E. A., & Forester, N. H. (1999). Exploring for oil and gas trap. The American Association of Petroleum Geologists. 100 p.
11. Kavallieratos, G., & Katsikas, S. (2020). Managing cyber security risks of the cyber‑enabled ship. Journal of Marine Science and Engineering, 8(768), 19 p. https://doi.org/10.3390/jmse8100768. EDN: https://elibrary.ru/XOKTHF
12. Shapiro, J. F. (2001). Modeling the supply chain. Thomson Learning. 586 p.
13. Баранов, Л. А., Иванова, Н. Д., & Михалевич, И. Ф. (2024). Нечёткая система оценки рисков информационной безопасности интеллектуальных систем водного транспорта. Автоматика на транспорте, 10(1), 7–17. https://doi.org/10.20295/2412-9186-2024-10-01-7-17. EDN: https://elibrary.ru/ULCDOD
14. Azam, M. H., Hasan, M. H., Hassan, S., et al. (2020). Fuzzy Type‑1 triangular membership function approximation using fuzzy C‑means. В: International Conference on Computational Intelligence (ICCI) (pp. 115–120). https://doi.org/10.1109/ICCI51257.2020.9247773
15. Cahyaningrum, Y., Suryono, S., & Warsito, B. (2021). Fuzzy‑expert system for indicator and quality evaluation of teaching and learning processes online study programs. В: The 6th International Conference on Energy, Environment, Epidemiology, and Information System (ICENIS 2021) (Vol. 317, 11 p.). https://doi.org/10.1051/e3sconf/202131705021. EDN: https://elibrary.ru/LKKOVY
16. Dubois, D., & Prade, H. (1993). Fuzzy sets and probability: Misunderstandings, bridges and gaps. В: 2nd IEEE International Conference on Fuzzy Systems (FUZZY 1993) (pp. 1059–1068). IEEE.
17. Kharbanda, V. (2023). Application of artificial intelligence in cybersecurity (IJSPPC). Journal, 15(1), 1–13. https://doi.org/10.4018/ijsppc.318676
18. Kharchenko, V., Illiashenko, O., Fesenko, H., et al. (2022). AI cybersecurity assurance for autonomous transport systems: Scenario, model, and IMECA‑based analysis. В: Dziech, A., Mees, W., & Niemiec, M. (Eds.), Multimedia communications, services and security. MCSS 2022. Communications in computer and information science (Vol. 1689, pp. 66–79). Springer, Cham. https://doi.org/10.1007/978-3-031-20215-5_6
19. Rizvi, S. S., Mitchell, J., Razaque, A., et al. (2020). A fuzzy inference system (FIS) to evaluate the security readiness of cloud service providers. Journal of Cloud Computing, 9(1), 17 p. https://doi.org/10.1186/s13677-020-00164-z. EDN: https://elibrary.ru/GKXOAD
20. Jain, D., Sharma, S. K., & Dhiman, P. (2022). Comparative analysis of defuzzification techniques for fuzzy output. Journal of Algebraic Statistics, 13(13), 874–882.
21. Goudosis, A., & Katsikas, S. (2022). Secure automatic identification system (SecAIS): Proof‑of‑concept implementation. Journal of Marine Science and Engineering, 10, 805. https://doi.org/10.3390/jmse10060805. EDN: https://elibrary.ru/YNIACE
22. Chalco‑Cano, Y., Lodwick, W. A., & Bede, B. (2014). Single level constraint interval arithmetic. Fuzzy Sets and Systems, 257, 146–168. https://doi.org/10.1016/j.fss.2014.06.017
23. Dubois, D., & Prade, H. (1978). Operations on fuzzy numbers. International Journal of Systems Science, 9(6), 613–626.
24. Klir, G. J. (1997). Fuzzy arithmetic with requisite constraints. Fuzzy Sets and Systems, 91, 165–175.
25. Lodwick, W. A. (1999). Constrained interval arithmetic. CCM Report, 138, 1–11.
26. Nagoor Gani, A., & Mohamed Assarudeen, S. N. (2012). New operation on triangular fuzzy number for solving fuzzy linear programming problem. Applied Mathematical Sciences, 11, 525–532. https://doi.org/10.13140/2.1.3405.8881
27. Piegat, A. (2001). Fuzzy modeling and control. Springer‑Verlag. 728 p.
References
1. Lyashenko, A. N. (2024). Formalized mathematical formulation of expert assessment for decision‑making in multimodal logistics. Transport: Science, Technology, Management, (1), 12–17. https://doi.org/10.36535/0236-1914-2024-01-2. EDN: https://elibrary.ru/PWJXZV
2. Lyashenko, A. N. (2022). Formulation of the decision‑making problem on a fuzzy data set in multimodal transportation. Transport of the Russian Federation, (1–2), 6–8. EDN: https://elibrary.ru/AUKHNO
3. Lyashenko, A. N. (2022). Mathematical model of decision‑making on a fuzzy data set in logistics. Automation in Transport, 8(2), 188–197. https://doi.org/10.20295/2412-9186-2022-8-02-188-197. EDN: https://elibrary.ru/QOSJLY
4. Kotenko, A. G. (2014). Methodology of risk‑oriented planning of quality indicators for railway operational performance (Doctoral dissertation, Petersburg State Transport University). Saint Petersburg. 330 p. EDN: https://elibrary.ru/UXTVCI
5. Kotenko, A. G. (2011). On approaches to reducing the computational complexity of logical risk analysis problems. Proceedings of Petersburg Transport University, (1), 180–188. EDN: https://elibrary.ru/NTZCGJ
6. Amro, A. W., & Gkioulos, V. (2022). Communication and cybersecurity tested for autonomous passenger ship. В: Computer Security. ESORICS 2021 International Workshops (Vol. 13106, pp. 5–22). https://doi.org/10.1007/978-3-030-95484-0_1
7. Aven, T. (2010). Misconceptions of risk. John Wiley and Sons Inc. 248 p.
8. Aven, T. (2008). Risk analysis. Assessing uncertainties beyond expected values and probabilities. John Wiley and Sons Inc. 204 p.
9. Aven, T., & Vinnem, J. (2007). Risk management: With application from the offshore petroleum industry. London, England. 211 p.
10. Beaumont, E. A., & Forester, N. H. (1999). Exploring for oil and gas trap. The American Association of Petroleum Geologists. 100 p.
11. Kavallieratos, G., & Katsikas, S. (2020). Managing cyber security risks of the cyber‑enabled ship. Journal of Marine Science and Engineering, 8(768), 19 p. https://doi.org/10.3390/jmse8100768. EDN: https://elibrary.ru/XOKTHF
12. Shapiro, J. F. (2001). Modeling the supply chain. Thomson Learning. 586 p.
13. Баранов, Л. А., Иванова, Н. Д., & Михалевич, И. Ф. (2024). Нечёткая система оценки рисков информационной безопасности интеллектуальных систем водного транспорта. Автоматика на транспорте, 10(1), 7–17. https://doi.org/10.20295/2412-9186-2024-10-01-7-17. EDN: https://elibrary.ru/ULCDOD
14. Azam, M. H., Hasan, M. H., Hassan, S., et al. (2020). Fuzzy Type‑1 triangular membership function approximation using fuzzy C‑means. В: International Conference on Computational Intelligence (ICCI) (pp. 115–120). https://doi.org/10.1109/ICCI51257.2020.9247773
15. Cahyaningrum, Y., Suryono, S., & Warsito, B. (2021). Fuzzy‑expert system for indicator and quality evaluation of teaching and learning processes online study programs. В: The 6th International Conference on Energy, Environment, Epidemiology, and Information System (ICENIS 2021) (Vol. 317, 11 p.). https://doi.org/10.1051/e3sconf/202131705021. EDN: https://elibrary.ru/LKKOVY
16. Dubois, D., & Prade, H. (1993). Fuzzy sets and probability: Misunderstandings, bridges and gaps. В: 2nd IEEE International Conference on Fuzzy Systems (FUZZY 1993) (pp. 1059–1068). IEEE.
17. Kharbanda, V. (2023). Application of artificial intelligence in cybersecurity (IJSPPC). Journal, 15(1), 1–13. https://doi.org/10.4018/ijsppc.318676
18. Kharchenko, V., Illiashenko, O., Fesenko, H., et al. (2022). AI cybersecurity assurance for autonomous transport systems: Scenario, model, and IMECA‑based analysis. В: Dziech, A., Mees, W., & Niemiec, M. (Eds.), Multimedia communications, services and security. MCSS 2022. Communications in computer and information science (Vol. 1689, pp. 66–79). Springer, Cham. https://doi.org/10.1007/978-3-031-20215-5_6
19. Rizvi, S. S., Mitchell, J., Razaque, A., et al. (2020). A fuzzy inference system (FIS) to evaluate the security readiness of cloud service providers. Journal of Cloud Computing, 9(1), 17 p. https://doi.org/10.1186/s13677-020-00164-z. EDN: https://elibrary.ru/GKXOAD
20. Jain, D., Sharma, S. K., & Dhiman, P. (2022). Comparative analysis of defuzzification techniques for fuzzy output. Journal of Algebraic Statistics, 13(13), 874–882.
21. Goudosis, A., & Katsikas, S. (2022). Secure automatic identification system (SecAIS): Proof‑of‑concept implementation. Journal of Marine Science and Engineering, 10, 805. https://doi.org/10.3390/jmse10060805. EDN: https://elibrary.ru/YNIACE
22. Chalco‑Cano, Y., Lodwick, W. A., & Bede, B. (2014). Single level constraint interval arithmetic. Fuzzy Sets and Systems, 257, 146–168. https://doi.org/10.1016/j.fss.2014.06.017
23. Dubois, D., & Prade, H. (1978). Operations on fuzzy numbers. International Journal of Systems Science, 9(6), 613–626.
24. Klir, G. J. (1997). Fuzzy arithmetic with requisite constraints. Fuzzy Sets and Systems, 91, 165–175.
25. Lodwick, W. A. (1999). Constrained interval arithmetic. CCM Report, 138, 1–11.
26. Nagoor Gani, A., & Mohamed Assarudeen, S. N. (2012). New operation on triangular fuzzy number for solving fuzzy linear programming problem. Applied Mathematical Sciences, 11, 525–532. https://doi.org/10.13140/2.1.3405.8881
27. Piegat, A. (2001). Fuzzy modeling and control. Springer‑Verlag. 728 p.