Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Нечеткие модели задач принятия стратегических решений на предприятиях

Диссертация: Нечеткие модели задач принятия стратегических решений на предприятиях
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Апробация работы. Основные результаты работы докладывались и обсуждались на Американо-Российской летней школе по политологии,-социологии, экономике АРГО-95 (Нижний Новгород, 1995) — на 14-й международной конференции «International Joint Conference on Artificial Intelligence IJCAI-95» (Монреаль, 1995) — на международных конференциях «Intelligent Scheduling, of Robots and Flexible Manufacturing… Читать ещё >

Содержание

  • Глава 1. Методологические аспекты моделирования неопределенности стратегического процесса производственного предприятия средствами теории- нечетких множеств
    • 1. 1. Стадии стратегического процесса производственного предприятия
      • 1. 2. Типы неопределенности, возникающие в стратегическом процессе
      • 1. 3. Математический аппарат теории нечетких множеств
      • 1. 4. Инструментальные средства теории нечетких множеств дляi моделирования задач стратегического процесса
  • Выводы по главе 1
  • Глава 2. Нечеткие модели многоатрибутных задач инвестиционного стратегического анализа
    • 2. 1. Лингвистический подход к созданию систем поддержки многоатрибутного принятия решений
      • 2. 2. Многоатрибутная оценка рисков и ранжирование инвестиционных проектов по уровню рисков с использованием лингвистического подхода
    • 2. 3- Выбор параметров моделей многоатрибутных задач стратегического процесса
  • Выводы по главе 2
  • Глава 3. Нелинейное математическое программирование с нечеткими параметрами в задачах определения технологической стратегии
    • 3. 1. Общая конструкция задач нечеткого математического программирования
    • 2. Система моделей планирования с нечеткими параметрами как реализация технологической стратегии предприятия
      • 3. 3. Нечеткая однородная задача планирования работы гибких, автоматических линий
      • 3. 4. Нечеткие неоднородные задачи планирования работы гибких автоматических линий'
  • Выводы по главе
  • Глава 4. Экспертные системы с нечеткой логикой для задач стратегического процесса
    • 4. 1. Общие принципы построения экспертных систем с нечеткойj логикой

    4:2- Экспертная система выбора предпочтительных поставщиков! производственных ресурсов с нечеткими решающими правилами. 181 4.3. Построение экспертного блока тандемной системы управления гибкими автоматическими линиями.

    Выводы по главе 4.209?

    Глава 5. Линейное нечеткое математическое программирование в задачах формирования инвестиционной стратегии4.

    5-Т. Задачи реализации5инвестиционной стратегии предприятия-. 212:

    5.2. Систематизация основных принципов экономической оценки: инвестиционных проектов.215!

    5.3. Традиционные постановки задачи выбора портфеля, и? нвестиционных проектов.

    5.4- Инвестиционная модель стратегического развития.

    5.5. Нечеткая модель одномерной задачи выбора инвестиционных проектов с учетом лингвистической оценки рисков

    5.6. Выбор портфеля инвестиционных проектов с учетом стратегических целей предприятия.

    Выводы по главе 5.

Нечеткие модели задач принятия стратегических решений на предприятиях (реферат, курсовая, диплом, контрольная)

Актуальность проблемы. Реформирование промышленных предприятий остается одной из: главных задач российской экономики. В ее решении? важнейшее значение имеют внедрение новых форми- методов управленияориентация: на стратегическое управление. Стратегический анализ, стратегическое планирование, реализация стратегииконтроль выполнения стратегии — важнейшие функции деятельности современного предприятия. Они составляют единое целое, поскольку представляют собой-взаимосвязанные стадии' единого процесса движения к достижению основополагающих целей* предприятияпроцесса, который устанавливает и поддерживает соответствие между целями * и возможностями предприятия и изменяющимися условиями^ внешней среды. Далее этот процесс, который и является предметом изучения диссертационной работы, называется стратегическим процессом.

Недостаток научно обоснованных методов принятия решений существенно затрудняет стратегический процесс на предприятиях. Прежде всего, проблемы связаны с неопределенностью, нестабильностью окружающей среды, отсутствием полной и точной информации при принятии стратегических решений. Эти проблемы существуют и для предприятийфункционирующих в условиях устойчивых экономик, но для современных российских предприятий проявляются особенно остро. Наибольшие затруднения вызывает этап реализации стратегии, когда необходимо принимать конкретные частные стратегические решения, обусловленные принятой наэтапе стратегического планирования общей< стратегией. Поэтому разработка* нового инструментарияпозволяющего предприятиями решать реальные слабоструктурированные стратегические задачи * и адекватно учитывать неопределенность: в стратегическомпроцессе, является важной народно-хозяйственной проблемой.

Стратегический процесс всегда осуществляется в условиях неполной информации, а его стадии чаще всего принадлежат к сфере подготовки решений качественного характера, им присущ обобщенный взгляд, отсутствие деталей, четких линийПрактически на? всех стадиях стратегического процесса возникают сложные, плохо формализуемые задачи, не имеющие точного решения, описываемые качественными, неоднозначными характеристикамиСтратегический процесс не может быть полностью формализован, однако выполнение его отдельных этапов существенно облегчается использованием математических и инструментальных методов экономики. Однако эффективность классических методов системного анализа для решения реальных стратегических проблем и возможности традиционного математического аппарата в отношении сложных и плохо формализованных задач ограничены. Традиционно для моделирования этих задач используются вероятностная или интервальная неопределенности. В последнее время были выявлены и определены новые типы неопределенности, и потребовались новые математические средства для использования в случае, когда классические средства количественного анализа не могут быть применены. Одна из наиболее важных задач организации успешного процесса принятия стратегических решений состоит в предоставлении средств для оперирования с нечеткой, размытой информацией, учета точек зрения различных участников этого процесса. Возможности включения в формальный анализ задачи субъективных представлений и ощущений лиц, принимающих решение, субъективных, неформализованных, нечетких входных данных, мнений и суждений экспертов в рамках методологии традиционного количественного анализа недостаточны.

Низкаяi степень адекватности моделей (то есть несогласованность моделей с исходной информацией об объекте) и. низкая степень эффективности моделей (то есть неспособность моделей реализовать поставленные цели) существенно затрудняют реализацию стратегического процесса, приводят к ошибочным стратегическим решениям, отказу субъектов. моделирования ¦ от использования экономико-математических моделей:

В работе (Клейнер, 2001) предложены, три основных направления повышениям качества* экономико-математическихмоделей и повышения их эффективности в хозяйственной практике:

•расширение арсеналаинструментально-математических' средств моделирования;

•развитие самого: субъекта моделированиясоздание возможности! использования им" в моделях большего объема разнообразной> информации об объекте моделирования;

•разработка новых моделей на базе качественных измерений вместо традиционного количественного математического анализа.

В диссертационной работе показано, что для многих задач принятия стратегических решений г это: возможно с при менением теории нечетких множеств.

Основная — цель работы — провести анализ: задач принятия стратегических решенийразработать математическиемодели и методы, решения таких задач, отражающие особенностисопутствующей стратегическому процессу, неопределенностиразвить аппарат теориинечетких (размытых) множеств для формулирования указанных моделей. Основные задачи исследования:

1. Проанализировать типынеопределенностивозникающие в стратегическом s процессе предприятий.

2. Определить ситуациисвязанные, с осуществлением! стратегического процесса, вкоторых представленная неопределенными величинами! информацияадекватноописывается в терминахнечетких? множеств.

3. Обосновать инструментальный! и функциональный*набор нечетких конструкций для моделирования задач стратегического процесса.

4. Построить нечеткие модели для задач-представителей стратегического процесса.

5. Разработать релевантные этим задачамнечеткие алгоритмы и подтвердить их эффективность решением! реальных стратегических задач и результатами вычислительных экспериментов:

Объект исследования" — производственное предприятие, функционирующее в условиях рынка.

Предмет исследования — стратегический’процесс на: производственном предприятии.

Аспектом рассмотрения объектаявляется система: реализации-элементов стратегического процесса в условиях неопределенности: Цель построения моделей состоит в выборе стратегического управленческого решения из формируемого в ходе процесса дискретного множества доступных альтернатив. Системное описание объекта моделирования может быть представлено как иерархия стратегийвключающая охватывающие все виды деятельности предприятия подстратегииверхнего уровня, которые в свою очередь разбиваются на ряд частных элементов стратегий:

Используемый математический аппарат — теория нечетких множеств. Инструментальная и функциональная идентификация, используемая при построении моделей — моделиs нечеткого математического программирования, нечеткие системы поддержки многоатрибутного принятия решенийэкспертные системы с нечеткой логикой. Интерпретация моделей состоит в использовании! полученной с их помощью информации? для упорядочения имеющихся альтернатив или выбора наилучшей альтернативы в соответствии с целевой идентификацией:

Научнаяновизна: Диссертационнаяработа является оригинальным научнымисследованием, в которомразработаноновое направление моделированиязадач стратегического процесса напредприятии средствами) теории нечетких множеств. Предложена методология принятия стратегических решений в условиях нечеткой неопределенности, построен и исследован комплекс новых моделей и методов решения стратегических проблемПолучены следующие новые результаты.

1. Обоснована адекватность и эффективность применения для моделирования и решения специализированного класса задач стратегического процесса средств теории нечетких множеств, включающих модели нечеткого математического программирования, нечеткие системы поддержки многоатрибутного принятия решений, экспертные системы с нечеткой логикой.

2. Предложены новая классификация факторов рисков и схема принятия решений с использованием лингвистического подхода для стратегической задачи оценки проектных рисков и ранжирования инвестиционных npoeicro в по уровню рисков. Классификация рисков основана на. их разделении на группы, относящиеся к различным денежным* потокамопределяющим экономический результат проекта. Это дает возможность использовать результаты анализа рисков для важнейшей задачи инвестиционной стратегии предприятия — задачи бюджетирования капитала и объективно определять веса групп посредством проведения анализа чувствительности. В отличие от традиционных методов количественного анализа рисков, для которых возможности оперировать с неоднозначной качественной, не определяемой точными числовыми значениями информацией об измерении риска ограничены, разработанная схема позволяет включить в анализ задачи неформализованные, нечеткие входные данные, субъективные мнения и суждения экспертов.

3. Разработан ряд нечетких моделей реальных производственных задач планирования работы гибких автоматических линий с условиями* обработки без прерываний и * ожиданий, относящихся к реализации технологической стратегии: В этих моделях длительности операций представлены не фиксированными * значениями или — интервалами s значений, как в классических моделях, а нечеткими числами с выпуклыми функциями принадлежности, отражающими качество обработки. Построены эффективные алгоритмы для решения этих задач, максимизирующие критерии эффективности и качества. Предложена структура интеллект-ной системы, в которой оптимизационный блок дополнен экспертным блокомвключающим/ нечеткие утверждения и определяющим стратегию действия системы при решении задач реального производства.

А. Предложена схема экспертной' системы для задачи? реализации ресурсно-рыночной-стратегии по выбору предпочтительных поставщиков производственных ресурсов^ основанная на использовании нечетких решающих правил формата Если-То, оперирующая с вербальными оценками различных характеристик поставщиковПоказано, что для случая, когда информация не может быть оценена числовым способом, а определяется неточным знанием, выраженным естественным языком и основанным на интуиции, опыте лиц, принимающих решение, предложенный подход имеет очевидное преимущество по сравнению с традиционными, использующими четкие оценки моделями.

5. Построена нечеткая модель стратегической задачи выбора инвестиционных проектов с учетом лингвистической оценки рисков, максимизирующая суммарный чистый приведенный доход. Учет неопределенности параметров задачи производится за счет использования нечетких величин, а не стохастических или интервальных, как в традиционных моделях. В отличие от немногочисленных известных нечетких моделей предложена процедура отображения параметров задачи в нечеткие числа с функциями принадлежности, изменяемыми в зависимости от уровня риска негативного изменения этих параметров. Построен эффективный. алгоритм решения задачи выбора-инвестиционных проектов, модифицирующий метод решения для жестких:(неразмытых) параметров и состоящий* из нечеткой'?схемы редукцииfпеременных и? методаi нечеткого динамического программирования.

6. Разработана последовательная схема решения задачи выбора портфеля инвестиционных проектов, позволяющая учитывать не только показатели эффективности, но и стратегические цели предприятия. Схема сочетает лингвистический подход, и алгоритм нечеткого математического программирования, построена в естественной и понятной для лица, принимающего решение, форме, позволяет пересмотреть решение при изменении внешних и внутренних условий;

Теоретической иметодической основой исследования послужили работы отечественных и зарубежных ученых по стратегическому управлению, проблемам: выбора в условиях неопределенности, экономико-математическому моделированию, теории нечетких множеств, искусственному интеллекту, теории расписаний, многоатрибутному принятию решений, анализу рисков, оценке эффективности проектов: Г. Б. Клейне-ра, К. А. Багриновского, П. Л. Виленского, В. И. Данилина, Е. В. Левнера, В. Н. Лившица, С. А. Орловского, Д А. Поспелова, С. А. Смоляка, B.C. Та-наева, К. Асаи, Р. Беллмана, Д. Дюбуа и Г. Прада, Л. А. Заде, М. Инуигу-чи, К. Карлссона, Ф. Лефлея, Ф. Луутсмы, Г. Минцберга, Дж. Куинна, X. Танаки, Ф. Херреры, Р. Ягера и др.

Практическая значимость исследования. В диссертационной работе разработан набор новых нечетких моделей и методов, обеспечивающих решение реальных стратегических задач. Результаты работы внедрены на ряде промышленных предприятий (научно-производственное предприятие «АВТЭЛ», ОАО «Автоэлектроника», Калужская региональная инвестиционная Корпорация), применяются в учебных курсах ВУЗов (Калужский филиал МПТУ им. Н. Э. Баумана, филиал Северо-Западной академии государственной службы в г. Калуге, институт управления и бизнеса), что подтверждается документами о практическом г использовании результатов исследования.

Работа выполнялась, в рамках гранта Московского отделения Российского Научного Фондаи Фонда Форда по экономике по программе.

Российские общественные науки — новая перспектива", 1993;1994; гранта РГНФ и Администрации Калужской области, 1999 (проект 99−02−367а/Ц) — гранта Датской Конференции Ректоров, 2000; гранта РГНФ и Администрации Калужской области, 2003 (проект 03−02−222а/Ц).

Апробация работы. Основные результаты работы докладывались и обсуждались на Американо-Российской летней школе по политологии,-социологии, экономике АРГО-95 (Нижний Новгород, 1995) — на 14-й международной конференции «International Joint Conference on Artificial Intelligence IJCAI-95» (Монреаль, 1995) — на международных конференциях «Intelligent Scheduling, of Robots and Flexible Manufacturing Systems WISOR'95, WISOR'96» (Холон, Израиль, 1995, 1996) — на Российской научно-технической конференции «Социально-экономические проблемы управления производством, создание прогрессивных технологий, конструкций и систем в условиях рынка» (Калуга, 1999) — на научно-практических конференциях «Региональная экономика, наука, инновации» (Калуга, 1999 и 2000) — на научно-практической конференции «Актуальные проблемы управления социально-экономическими процессами в регионе» (Калуга, 2000) — на семинаре факультета оперативного менеджмента Копенгагенской бизнес-школы (Копенгаген, 2000) — на семинаре «Algotithmics and Optimization Seminar» университета Копенгагена (Копенгаген, 2000) — на научно-практическом семинаре «Проблемы управления социально-экономическими процессами в регионе» (Калуга, 2001) — на четвертой научно-практической конференции «Внесудебное разрешение споров в территориальных сообществах» (Калуга, 2001) — на Всероссийских научно-технических конференциях «Прогрессивные технологии, конструкции и системы в приборои машиностроении» (Калуга, 2001, 2002, 2003) — на-межрегиональнойжаучно-пракгической)конференции «Бизнес, политикаобщество» (Калуга, 2003) — на научных семинарах кафедры высшей математики игкафедры экономики^ организации производства Калужского филиала МГТУ им. Н. Э. Бауманана научном семинаре «Проблемы моделирования развития производственных систем» ЦЭМИ РАН (Москва, 2003).

Публикации: По результатам проведенных исследований опубликовано 48 работ объемом:45,8 пл., в том числе в соавторстве 26 работ, 37,5 п л. лично автором:

Структура работы. Работа: состоит из введения, пяти глав, заключения, списка использованной литературы ^приложений.

Во введении обоснована актуальность темы диссертации, определены основная цель работы, основные задачи исследования, объект и предмет исследования. Даны характеристики научной новизны работы, ее практической значимости. Определена-структура работы, которая построена следующим образом. В Т главе проведен анализ стадий стратегического процесса и типов сопутствующих им неопределенностейрассмотрен математический аппарат теории нечетких множествданы описание и идентификация предлагаемых для решения стратегических задач инструментария и моделей с использованием средств теории нечетких множеств. Следующие главы соответствуют составляющим этого инструментария и раскрывают методологию моделирования стратегических задач указанными средствами. Число различных стратегических задач весьма велико. По составляющим экономической стратегии для стадии реализации стратегии рассмотрены типовые задачи-представители: Для них разработаны новые модели и методы (задача создания системы моделей планирования гибких автоматических линий для реализации технологической стратегии, задачи анализа инвестиционных рисков и выбора инвестиционных проектов для реализации инвестиционно-финансовой стратегиизадача выбора-поставщиков для реализации* ресурсно-рыночнойf стратегии), либо поаналогии' с этимиг моделями шшетодами-определена!общая схема-решения- (задача формирования товарного ассортиментадля — реализации товарной" стратегии, задача выбора внешнего рынка для экспорта или импорта товаров и услуг для реализации рыночной стратегии, задача выбора предпочтительных предприятий-партнеров по горизонтальной интеграции для реализации' интеграционной стратегии), либо указаны уже разработанные в рамках теории? нечетких множеств модели* и"методы (задачи? распределения сотрудников по должностям и рабочим местам для реализации" стратегии управления, задача? формирования портфеля ценных бумаг предприятия для реализации стратегии поведения предприятия на? рынках денег и ценных бумаг). 2 глава посвящена нечетким моделям многоатрибутного принятия решений, как наиболее представительного классастратегических-задач. В 3 главе, рассмотренымодели и эвристические алгоритмы нелинейного нечеткого математического программирования для решенияодной? из задач — реал изаци и технологической стратеги и. В четвертой главе предложены принципы построения экспертных систем с нечеткой логикой для задач стратегического процесса с использованием результатов, полученных во 2 и 3 главах. И! наконец, в 5 главе рассмотрено линейное нечеткое математическое программирование в задачах формирования инвестиционной: стратегии, для решения которых на финальном этапе используются результаты предыдущих глав.

В заключении излагаются основные результаты диссертационного исследованияСписок использованной литературы включает 387 наименованийВ Приложении 1 иллюстрируется процедура оценки рисков и ранжирования проектов по. уровню риска, предложенная во второй? главе. В Приложении4 2 иллюстрируется применение алгоритма построения? периодического расписания, описанного в третьей главе. В: Приложении^ содержатся документы о практическом использовании результатов исследования;

•л.

Выводы по главе 5.

В данной главе рассмотрены задачи линейного нечеткого математического программирования, в которых в отличие от подхода классического математического программирования модели задач включают нечеткие параметры, и целевые функции. Математическое программирование для экономических задач всегда связано с неопределенностью, а применение аппарата теории нечетких множеств: дает возможность получения приемлемого в этих условиях решения. Исследована задача линейного нечеткого математического программирования, возникающая в сфере реальных инвестиций — стратегическая задача выбора-портфеля инвестиционных проектов (задача бюджетирования капитала), и предложен нечеткий подход к ее решению.

Установление приоритетов потенциальных проектов может осуществляться на основе различных экономических показателей. Проанализированы различные аспекты проблемы определения эффективности проектов, обоснован выбор показателя чистого приведенного дохода в качестве основного критерия эффективности для задачи выбора портфеля независимых инвестиционных проектов. Этот показатель обладает достаточной устойчивостью при разных комбинациях исходных условийпозволяет находить экономически рациональное решениедает ответ на основной вопрос, связанный с инвестициями: способствует ли анализируемый вариант росту ценности предприятиялишен серьезных ограничений и недостатков других нелинейных критериевмаксимум этого критерия сохраняется при агрегировании проектов.

Длязадачи бюджетирования капитала с учетом ограничения инвестиционныхресурсов описаны? традиционные постановки* и моделиВ рамках исследования операцийбыли разработаны многочисленные модели и методы решения этой? задачикоторые часто не находят практического применения, так как не отвечают естественному мышлению, здравому смыслу, интуиции, опыту лица, принимающего решение, не адаптированы к групповому принятию решений: Кроме того, в большинстве случаев в классических методах не принимается во внимание неопределенность используемой информации, а там? где этот фактор учитывается, предлагаемые подходы не. всегда адекватно отражают действительность. Например, при: вероятностном: подходе требуется выполнение некоторых условийфаспределения вероятностейне всегда, соответствующих реальности, и далеко не всегда вообще имеется необходимая исходная информация, причем часто прошлый опыт не может служить достаточной базой для оценки будущего, например, при осуществлении принципиально новых проектов. Невозможность точного определения будущих событий сильно снижает достоверность обычных оценок инвестиционных проектов и обуславливает использование аппарата нечетких множеств для решения проблемы выбора инвестиционных проектов;

Рассмотрена проблема выбора проектов, сформулированная в виде одномерной максимизационной задачи о рюкзаке с булевыми переменными. Применение традиционных методик ее решения ограничено из-за чрезмерной сложности, необходимости огромного числа входных данных, неадекватного отражения риска и неопределенностиневозможности представления алгоритма решения в форме организованного структурированного процесса. Один из основных вопросов при анализе проектов, особенно инновационных, — оценка прогнозируемых параметров, используемых для расчетов, которые сами по себе являются неопределенными и создают риск того, что фактически полученные значения денежных потоков будут отличаться в худшую сторону от прогнозных. Для определения наиболее возможных значений параметров¦ адекватно их представление нечеткими числами. Известны немногочисленные методы решения задачи бюджетирования с использованием техники нечетких чисел, но их общим: недостатком является то, что вопрос о том, каким образом определяются нечеткие числа, характеризующие величины денежного потока, не рассматривается, процедура отображения параметров задачи в нечеткие числа остается неясной. Самиметоды представляются чрезмерно сложным для практического использования, либо могут использоваться только для самых простых вариантов задачи.

Построена нечеткая — модель задачи выбора, инвестиционных проектов. Прежде всего, решается, как естественным образом: представить не определенные точно параметры задачи нечеткими числами. Для этого используются лингвистическая модель оценки рисков, сгруппированных в соответствии с денежными потоками, участвующими в расчете чистого приведенного дохода, и метод рассмотрения пессимистического, оптимистического и ожидаемого сценариев развития проекта. Параметры модели представлены нечеткими числами с треугольными функциями принадлежности, изменяемыми в зависимости от уровня риска негативного изменения этих параметров. При значении уровня риска практически отсутствует, максимальную степень функции принадлежности имеет ожидаемое значение параметра. Чем выше уровень риска негативного изменения параметра, тем больше значение базовой переменной с максимальным значением функции принадлежности должно смещаться от ожидаемой величины к величине пессимистического варианта. Аналогично определяются в виде нечетких чисел с треугольной функцией принадлежности инвестиционные затраты проектов и общий объем доступных инвестиционных средств.

Построен эффективный алгоритм решения задачи. Процесс решения разбивается на два этапаПервый этап — редукция переменных заключается в сокращении: размерности задачито есть числа переменныхна основании априорной? фиксации значений^ некоторых переменных. На втором? этапе с применением динамического программирования определяются оптимальные значения оставшихся переменных. Высокое быстродействие предложенного метода определения объектов оптимального инвестирования, подтвержденное вычислительными экспериментами, позволяет легко получать экспресс-решения и выбирать наиболее подходящее из них по критериям нечеткости и суммарного эффекта инвестирования. Лицу, принимающему решение, предоставляется окончательный выбор решения задачи с нечеткими данными. Реализация алгоритма подтверждает практические возможноститеории нечетких множеств. Во многих случаях она позволяет адекватно описывать различные реальные ситуации и процессы, учитывая при этом объективные неопределенности, а иногда даже приводит к более эффективным вычислительным процедурам по сравнению с традиционными методами.

Целевой функцией рассмотренной модели задачи выбора портфеля инвестиционных проектов является максимизация суммарного чистого приведенного дохода. Однако анализ долговременных инвестиционных проектов не ограничивается рассмотрением будущих денежных потоков, но должен учитывать стратегические интересы предприятия. Проблема разработки эффективной, многокритериальной, реалистичной и приемлемой модели бюджетирования капитала чрезвычайно сложна. Построена последовательная схема решения задачи выбора портфеля инвестиционных проектов с учетом стратегических целей предприятия. На первом шаге проверяется соответствие проекта стратегическим критериям, производится оценка рисков проекта с помощью описанной выше системы поддержки принятия решений с использованием лингвистического подхода, производится экономическая оценка проекта, и определяются нечеткие г параметры задачи для всех проектов. Затемрешается непосредственно: нечеткая задача выборапортфеля инвестиционных проектов. На каждом шаге процесс решения управляется и корректируется лицомпринимающим? решение, и экспертами: Имеется возможность вернуться к любому этапу и пересмотреть результаты любого блока. Схема решения построена в естественной и понятной для лица, принимающего решение, форме, отвечающей обычной последовательности действий при решении реальных задач. Процесс решения адаптирован к групповому принятию решений. Схема позволяет пересмотреть решение при изменении внешних и внутренних условий.

Заключение

.

В заключении? приведемосновные результаты диссертационного: исследования;

1. Решение стратегическихзадач на всех стадиях стратегического процессам существенно усложняется* из-за" условий: неопределенности,' неполной информациии нестабильностиокружающей^ среды. Анализтиповнеопределенности, возникающих в стратегическом процессе предприятийпоказывает, что эффективность классических методовсистемного анализа-и возможности традиционного математического аппарата: длярешения реальных стратегических проблем ограничены в случаях невероятностного характеранеопределенности, когда: выбор между, несколькими! альтернативами^ остается неоднозначнымнекоторые сферы интересов, целей или желаемого уровня параметров не могут быть разделены точными: границами? или заданы качественными=характеристиками. Релевантный подход к моделированию реальных стратегических задач предлагает теория нечетких множеств, предоставляющая возможности моделирования — с. неточными данными и разрешения слабо структурированных задач. Инструментальная и функциональная идентификация моделей' для стратегических задач может быть представлена: набором процедур, включающим модели нечеткого математического программирования, нечеткие системы поддержки-многоатрибутного принятия решенийэкспертные системы с: нечеткой-логикойЭтот, инструментарий? применим для решения-большинства типов задач реализации: экономической?стратегииjи для задач других стадий"стратегического процесса.

2. Разработаны: нечеткая модель оценки рисков и * схема: принятия решения для оценки рисков и ранжирования проектов по уровню рисков. Эта задача инвестиционного стратегического анализапредставлена>как задача многоатрибутного принятия решений, включающая определение множества проектов, многоатрибутную оценку их рисков, определение комплексной оценки риска каждого проекта и их сравнение. Предложена новая классификация факторов рисков по группам, соответствующим прогнозируемым денежным потокам, что дает возможность использовать результаты анализа-рисков для важнейшей задачи инвестиционнойстратегии предприятия — задачи бюджетирования капитала и объективно определять веса групп в комплексной оценке риска проекта посредством проведения анализа чувствительности. Оценка рисков производится с использованием лингвистических переменных, что позволяет решать задачу в терминах, естественных для лица, принимающего решение, и адекватно описывающих проблему. Построенная лингвистическая схема принятия решений может быть использована и для других многоатрибутных стратегических задач.

3. Построены нечеткие модели задач реализации технологической стратегии, связанные с планированием работы гибких автоматических линий. В отличие от известных моделей, для которых требуются точные значения продолжительностей операций и технических параметров систем, интервальные данные представляются нечеткими числами с выпуклыми функциями принадлежности, адекватно отражающими качество обработки. Использование операций над нечеткими числами, модификация известного в теории расписаний правила запретных интервалов позволили построить эффективные нечеткие алгоритмы для решения этих задач. Данные вычислительных экспериментов свидетельствуют в пользу развития специальных нечетких алгоритмов для прикладных задач планирования работы технологического оборудования.

4- Анализ рассмотренных моделей задач реализации технологической стратегии показывает, что оптимизация и принятие решений в системах управления работой оборудованиясложны с вычислительной" точки зрения и плохо поддаются решению традиционными методами в связи с необходимостью учета трудноформализуемых критериев, использованием неформализуемых процедур и решающих правил. Для подобных сложных стратегических задач выбора и принятия решений на примере проблемы планирования работы гибких автоматических линий предложены основные принципы построения интеллектной системы, совмещающей формальный подход, при котором, решаются оптимизационные задачи большой размерностиметодами нечеткого математического программирования, и неформальный, путем: решения проблем выбора в режиме диалога человека и системы с использованием нечеткой логики. Экспертный блок построен с помощью вычислительных экспериментов и анализа зависимостей, определяющих особенности применения различных алгоритмов планирования при модификации входных параметров моделей.

5. Для решения проблем многоцелевого принятия стратегических решений на примере задачи ресурсно-рыночной стратегии по выбору предпочтительных поставщиков производственных ресурсов построена схема нечеткой экспертной системы. Система оперирует с вербальными оценками различных характеристик поставщиков и основана на использовании нечетких решающих правил формата Если-То. С помощью экспертной системы производится выбор соответствующих исходным требованиям продукционных правилопределение лингвистических переменных, отражающих привлекательность поставщиковвыбор наиболее привлекательного поставщика по полученным функциям совместимости. Показано, что при наличии неформализуемых параметров и ограничений использование экспертных систем с нечеткой логикой позволяет разрешать модели задач с конфликтующими целями.*.

6. Построенанечеткая модель стратегической задачи > выбора % портфеля инвестиционных проектов, относящейся к задачам линейного математического программирования. Для моделей этой задачи традиционно используются формализованные описания интервальной или вероятностной неопределенности. Однако в большинстве случаев проблема связана с возможностью появления каких-либо неповторяющихся событий и не может рассматриваться с точки зрения этих описаний. Имеется также некоторый опыт построения моделей и методов решения задачи: с использованием техники нечетких чисел, но процедура отображения параметров задачи в нечеткие числа их авторами не рассматривается. В диссертационной работе предложено как естественным: образом представить не определенные точно параметры задачи нечеткими числами. Для этого используются лингвистическая модель оценки рисков, сгруппированных в соответствии с денежными потоками, участвующими в расчете чистого приведенного доходаи метод рассмотрения пессимистического, оптимистического и ожидаемого сценариев развития проекта. Параметры модели представлены нечеткими числами с треугольными функциями принадлежности, изменяемыми в зависимости от уровня риска негативного изменения этих параметров. Построен метод решения задачи выбора инвестиционных проектов, приводящий к более эффективным вычислительным процедурам по сравнению с традиционными методами и состоящий из нечеткого алгоритма редукции переменных и алгоритма нечеткого динамического программирования для определения оптимальных значений оставшихся переменных.

7. Возможности включения в анализ долговременных инвестиционных проектов помимо показателей эффективности и стратегических интересов предприятия в рамках традиционных количественных моделей ограничены. Построена последовательная схема решения задачи выбора портфеля инвестиционных проектов с целевой функциейсостоящей в максимизации суммарного чистого, приведенного доходас учетом* стратегических, целей предприятия: Схема: сочетает лингвистический подход и алгоритм нечеткого математического программирования, позволяет пересмотреть решение при изменениивнешних и внутренних условий.

Показать весь текст

Список литературы

  1. B.C. Многооператорные циклические процессы. — Доклады Белорусской Академии Наук. — 7 (4). — 1963, с. 224−227.
  2. В., Рудаков М. К характеристике субъекта стратегического менеджмента- Проблемы теории и практики управления. — 4. -1998.
  3. К.А. Модели и методы экономической кибернетики. -М.: Экономика, 1973, 206 с.
  4. К.А., Бендиков М. А., Хрусталев Е. Ю. Современные методы управления технологическим развитием. М.: РОССПЭН, 2001, 272 с.
  5. К.А., Логвинец В. В. Интеллектная система в отраслевом планировании. М.: Наука, 1989, 136 с.
  6. К.А., Матюшок В. М. Экономико-математические методы и модели (микроэкономика): учеб. пособие. М.: Изд-во РУДН, 1999, 183 с.
  7. Р., Заде Л. А. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. — М.: Мир, 1976, с. 172−215.
  8. В., Хавранек П. М. Руководство по подготовке промышленных технико-экономических исследований. Mi: АОЗТ «Интерэксперт», 1995.
  9. К. Основы стратегического менеджмента. М., 1997.
  10. М. Анализ экономической эффективности капиталовложений. М.: ИНФРА-М, 1996, 432 с.
  11. Е., Логинов П. Технология рационального управления. -Проблемы теории и практики управления. 2. -2002.
  12. В.П. Об одном подходе к учету влияния неопределенности и риска на эффективность инвестиционных проектов. Экономика и математические методы, — том 38. — № 4. -2002, с. 24−31.
  13. ВиханскийЮ.С., Наумов А. И- Менеджмент. М: Гардарика, 1998, 528 с.
  14. Вишняков И: В. Экономико-математические модели оценки деятельности коммерческих банков: Издательство С-Петербургского Университета, 1999, 392 с.
  15. И.В., Пашкус В. Ю. Российские банки. Классические подходы и современное состояние. СПб., 1998.
  16. И.В. Применение метода сводных показателей для оценки деятельности российских коммерческих банков. Математические методы в социально-экономических исследованиях. — СПб., 1996, с. 8 -34.
  17. Вишняков И В. Стохастические модели рейтингового анализа: -Сборник трудов Международного института инвестиционных проектов. М, 1995, с. 40−46.
  18. A.M., Диденко Н. И., Лузин В. П. Гибкие автоматизированные производства. Управление технологичностью РЭА. М!: Радио и связь, 1987.
  19. В. И. Управление проектами в России. М.: Алане, 1995, 225 с.
  20. Г. В., Левнер Е. В. Приближенные алгоритмы для некоторых универсальных задач теории расписаний. Изв. АН СССР. — Техн. кибернет. — N 6. — 1978, с.38−43.
  21. Г. В., Левнер Е. В. Дихотомический поиск субоптимальных решений в задачах рюкзачного типа. В кн.: Математическая экономика и экстремальные задачи. — М.: Наука, 1984, с. 138−150.
  22. М.М., Григер В. А., Нуриев Н. К. Организация оптимального обслуживания однооператорной поточной линии. Вопросы радиоэлектроники. — Серия: Электронная вычислительная техника. -Вып.11. -1978, с.27−30.
  23. В.Н. Финансовый анализ и оценка риска реальных инвестиций. М.: Финстатинформ, 1997, 135 с.
  24. М.В. Анализ проектных рисков. М., 1999.
  25. Математический аппарат экономического моделирования / Под ред. Е. Г. Гольштейна. М-: Наука, 1983, 367 с.
  26. Экономика предприятия / Под ред. Горфинкеля В. Я. М.: Юнити, 1996.
  27. П.Г., Петрова С. Н., Полтавцев С. И. Риски в современном бизнесе. М.: Алане, 1994, 200 с.
  28. Григорьева Н С., Латыпов И: Ш., РомановскиЙ1И: В. Циклические задачи теории расписаний. Изв. АН СССР. — Техн. кибернет. — N 6. -1988, с.3−11.
  29. М., Джонсон Д! Вычислительные машины и труднорешаемыезадачи. М.: Мир, 1982.
  30. Р. Финансы и предпринимательство. Ярославль: Периодика, 1993, 223 с.
  31. В.И. Экономико-математическая модель развития корпорации. Российский экономический журнал. — N10. — 1997, с.82−98.
  32. В., Эссиг Г., Маас С. Диалоговые системы «человек-ЭВМ». Адаптация к требованиям пользователя. М.: Мир, 1984.
  33. Э.Дж., Линсдей Д. Микроэкономика. С.-Пб., 1994, 448 с.
  34. Н.Е. Вопросы согласования плановых решений с использованием иммитационных систем. М.: Наука, 1987, 143 с.
  35. Н.Е., Смулов A.M. Предприятие и банки: взаимодействие, экономический анализ, моделирование: учеб.-практ. Пособие. М.: Дело, 2002, 456 с.
  36. Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976, 165 с.
  37. А.Б. Планирование и анализ эффективности инвестиций. -М.: Про-Инвест Консалтинг, 1995, 160 с.
  38. А.В., Лифшиц Э. М. О минимальном числе операторов для обслуживания однородного линейного технологического процесса. Автоматика и телемеханика. — 3. — 1978, с. 162−169.
  39. A.M., Фалько С. Г. Оценка эффектов инноваций и экономической эффективности управления инновационными процес-ссами. М.: МГТУ, 2000, 60 с.
  40. Кац В.Б. О точном алгоритме составления оптимального циклического расписания многооператорного обслуживания поточной линии. -Автоматика и телемеханика. -4. 1982, с.133−138.
  41. Кац В.Б., Михайлецкий З. Н. О точном решении одной задачи составления оптимального расписания циклического процесса Автоматика и телемеханика. — 3. — 1980, с. 187−190.
  42. P.M. Управление хозяйственным риском. М.: Наука, 2002, 192 с.
  43. Г. Б. Экономико-математическое моделирование и экономическая теория. Экономика и математические методы. — Том 37. -№ 3.-2001, с. 111−126.
  44. Стратегии’бизнеса. / Айвазян С. А., Балкинд О. Я-, Баснина Т. Д. и др.: Справочник / Под ред. Клейнера Г. Б. М-: КОНСЭКО, 1998.
  45. Г. Б., Смоляк С. А. Эконометрические зависимости: принципы и методы построения. М.: Наука, 2000, 104'с.
  46. Г. Б., Тамбовцев В. Л., Качалов P.M.* Предприятие в нестабильной экономической среде: риски, стратегия, безопасность. -М.: Экономика, 1997, 288 с.
  47. Т. Стратегия и структура японских предприятий. М: Прогресс, 1987, 384 с.
  48. А. Введение в теорию нечетких множеств. М: Радио и связь, 1982.
  49. Э.А. Экспертиза инвестиций. М.: ДжИПЛА лимитед, 1992, 54 с.
  50. Е.С., Ройтман А. И., Фоминых И. Б., Хахалин Г. К. Интеллектуализация ЭВМ. Перспективы развития вычислителной техники. -Кн.2. — М.: Высш. шк., 1989.
  51. Ю.Г. Оценка фактора риска в инвестиционных расчетах. -Бухгалтерский учет. 6. -1995, с.22−27.
  52. Моделирование рисковых ситуаций в экономике и бизнесе: Учеб. пособие / Дубров А. М., Лагоша Б. А., Хрусталев Е. Ю. / Под ред. Лагоши Б. А. М: — Финансы и статистика, 2000, 173 стр.
  53. И.Ш. Об алгоритме управления одним классом технологических линий. В сб.: Исследование операций и аналитическое проектирование в технике. — Казань: КАИ, 1979, с. 47 -51.
  54. И.Ш. О сложности одной задачи теории расписаний. -Системы программного обеспечения решения задач оптимального планирования: Тезисы докладов девятого всесоюзного симпозиума. М: ЦЭМИ АН СССР, 1986, с.88−89.
  55. Е.В., Птускин А. С. О построении циклических расписаний! при нечетких длительностях операций. Изв. АН СССР. — Техн. ки-бернет. -1. -1988, с. 117−121.
  56. Е.В., Птускин А. С. Составление сменно-суточного задания для автоматических гальванических линий. Автоматизация ист следования, проектирования и испытаний сложных техническихсистем: Тезисы докладов всесоюзной н.-т. конф. Калуга, 1989, с.8−9.
  57. Е.В., Птускин А. С. Гибридная система построения расписаний для транспортных роботов Системы программного обеспечения решения задач оптимального планирования: Тезисы докладов одиннадцатой всесоюзной школы. — М: ЦЭМИ АН СССР, 1990, с. 118−119.
  58. Е.В., Птускин А. С., Ульянова Е. В. Диалоговая система построения расписаний в ГПС гальванопокрытий. Автоматизация исследования, проектирования и испытаний сложных технических систем: Тезисы докладов всесоюзной н.-т. конф. — Калуга, 1989, с. 39.
  59. Е.В., Птускин А. С., Фридман А. А. Размытые множества и их применение. М.: ЦЭМИ РАН, 1998, 108 с.
  60. Э.М., Михайлецкий З. Н. Об оптимальном многооператорном циклическом процессе обслуживания поточной линии. Управляющие системы и машины. — 3. -1980, с.187−190.
  61. Лимитовский М: А. Инвестиции на развивающихся рынках. М.: ООО ИЗК «Дека», 2003, 480 с.
  62. М.А. Методы оценки коммерческих идей, предложений, проектов. М.: Дело Лтд, 1995.
  63. В.Г. Анализ экономической эффективности с помощью оптимизационных моделей. — Экономика и математические методы. -Том 32. № 2. — 1996, с. 104−116.
  64. Исследование операций. Том 2: Модели и применения / Под ред. Дж. Моудера и Элмаграби С. — М.: Мир, 1981, 677 с.
  65. А.О. Нечетко-множественный анализ риска фондовых инвестиций: С.-Петербург: Сезам- 2002
  66. Н.К., Скворцов- В-В., Гинзбург М: М-, Григер В. А. Оптимизация работы поточной линии при-наличии? допусков на? время обработки. В сб.: Исследование операций и аналитическое проектирование в технике. — Казань: КАИ, 1979, с.41−46.
  67. С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.
  68. А.С. Оптимизация инвестиционных проектов предприятия в условиях рыночной экономики. Экономика и математические методы, -том 31. — № 2. — 1995, с. 81−90.
  69. А.С. Оптимизация межфирменных взаимодействий и внутрифирменных управленческих решений. Диссертация на соискание ученой степени доктора экономических наук. — М.: ЦЭМИ' РАН, 2002.
  70. Э.В. Экспертные системы состояние, проблемы, перспективы. — Изв. АН СССР. — Техн. кибернет. — 5. — 1989, с.152−161.
  71. Г. С. Искусственный интеллект основа новой информационной технологии. — М.: Наука, 1988.
  72. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д. А. М: Наука, 1986, 306 с.
  73. А.С. Бизнес-план промышленного предприятия. Калуга: КФМГТУ, 1998 (а), 54 с.
  74. А.С. Двухэтапная схема решения задачи выбора вариантов большой размерности. Научно-технические достижения и передовой опыт в области геологии и разведки недр. — М.: -МГП «Гео-информмарк». — Вып. 3. — 1993, с.41−49.
  75. А.С. Использование АРМ технолога для построения циклических расписаний транспортных роботов. Дискретная оптимизация и компьютеры: Тезисы докладов III всесоюзной школы. — М: ЦЭМИ АН СССР, 1987 (а), с.207−208.
  76. А.С. Лингвистический подход к решению задачи управления персоналом. Бизнес, политика, общество. Материалы межрегиональной научно-практической конференции/ Под общ. ред. проф. Ю. В. Обрубова. Калуга, ИНУПБ, 2003 (а), с.144−145.
  77. А.С. Машинный расчет циклограмм автоматических гальванических линий. Электронная техника. — Серия 7. — Выпуск 2(202). -1984, с.50−52.
  78. А.С. Об однойзадаче согласования циклических расписаний для транспортных роботов. В кн.: Экономико-математическое моделирование и анализ дискретных систем. — М.: ЦЭМИ АН СССР, 1988, с.131−137.
  79. А.С., Перерва О. Л. Инвестиционная модель стратегического развития промышленного предприятия. Вестник МГТУ им. Н. Э. Баумана. — Сер. «Машиностроение». — № 1. — 2003, с. 123−127.
  80. А.С. Построение интеллектной системы оперативного управления гибкими автоматическими линиями. Диссертация на соискание ученой степени кандидата экономических наук. — М.: ЦЭМИ АН СССР, 1991.
  81. А.С. Ранжирование инвестиционных проектов по уровню риска с использованием лингвистического подхода. Экономическая наука современной России. — № 3. — 2003 (в), с. 94−101.
  82. А.С. Редукционный алгоритм для решения сетевой задачи о рюкзаке большой размерности с булевыми переменными. В кн.: Методы исследования и проектирования сложных технических систем: Сборник статей (Труды МГТУ N565). — М.: МГТУ, 1994, с.88−92.
  83. А.С. Экономическая оценка инвестиций. Учебно-методическое пособие. КФ МГТУ, 1998 (б), 64 с.
  84. А.С., Кострикова К. Е., Краков А. В. Анализ качественных рисков проектов региональной инвестиционной программы. Региональная экономика, наука, инновации: Тезисы докладов научно-практической конференции. — Калуга, 1999, с. 89−90.
  85. А.С., Сазонов В. К. /Алгоритм построения управляющих программ для автоматических линий в приборостроении. Восьмая н.-т. конф. НТО Машпром., НТО РЭС им. А. С. Попова и КФ МВТУ им. Н. Э. Баумана: Тезисы докладов, Калуга, 1984, с.170−172.
  86. . Стратегический учет для руководителя. М.: Аудит, ЮНИТИ, 1998,616 с.
  87. Г. Анализ решений (введение в проблему выбора в условиях неопределенности) М.: Наука, 1977, 408 с.
  88. Р.Л., Плакунов М. К. Экономические догмы и управленческая реальность. М.: Экономика, 1991.
  89. Э.Б., Нивергельт Ю., Део Н. Комбинаторные алгоритмы. Теория и практика. М: Мир, 1980.
  90. Ринке Д Б. Эвристический' подход к обобщенному календарному- планированию производства с использованием лингвистических переменных: методология и применение. В кн.: Нечеткие множества и теория возможностей. Последние достижения / Под ред.
  91. P.P. -1VL Радио и связь, 1986, с.349−370.
  92. Рюэгг-Штюрм Й. Новая системная теория и внутрифирменные изменения. Проблемы теории и практики управления. — 4. — 1998, с.72−78.)
  93. А.Л. Организация финансирования инвестиционных проектов. М.: АО Консалтбанкир, 1993, 104 с.
  94. Смирнов, А Л., Красавина Л: Н. Международный: кредит: формы и условия. М.: АО Консалтбанкир, 1995.
  95. С.А. О сравнении альтернатив, параметры которых характеризуются функциями правдоподобия. — Экономика и математические методы. том 32. — № 1. — 1996, с. 121−140.
  96. С.А. Три проблемы теории эффективности инвестиций: -Экономика и математические методы, том 35. — № 4. — 1999, с. 87 104.
  97. С.А. Оценка эффективности инвестиционных проектов в условиях риска и неопределенности (теория ожидаемого эффекта). -М.: Наука, 2002, 182 с.
  98. B.C. К задаче составления расписания работы поточной линии с одним оператором. Инж.-физ. журнал. — 7 (3). — 1964, с. 111−114.
  99. B.C., Гордон B.C., Шафранский Я. М. Теория расписаний. Одностадийные системы. М.: Наука, 1984, 384 с.
  100. B.C., Сотсков Ю. Н., Струсевич В. А. Теория расписаний. Многостадийные системы. М.: Наука, 1989, 328 с.
  101. B.C., Шкурба В. В. Введение в теорию расписаний. М: Наука, 1975, 256 с.
  102. . Управление научно-техническими нововведениями. М.: Экономика, 1989.
  103. А.А., Стрикленд А.Дж. Стратегический менеджмент. Искусство разработки и реализации стратегий- М: Банки и биржи, ЮНИТИ, 1998, 576 с.
  104. ., Томпсон У. Анатомия экспертной системы. В сб.: Реальность и прогнозы искусственного интеллекта. — М. Мир, 1987, с. 183−208.
  105. К.Е. Инвестиционный: процесс и-страхование инвестиций от политических рисков. М-: ИЦ «Анкил», 1995, 80 с.
  106. Прикладные нечеткие системы / Под ред. Тэрано Т., Асаи К., Сугэ-но М. М.: Мир, 1993.
  107. С.Г. Инновационный менеджмент. Учебное пособие. М.: МГТУ, 1996, 111 с.
  108. С.Г. Организация и управление инновационной деятельностью на предприятии. М.: МГТУ, 1998, 125 с.
  109. Экономика предприятия. Учеб. для вузов / Под ред. Фалько С. Г. -М-: Дрофа, 2003, 368 с.
  110. Экономико-математические модели в системе управления предприятиями / Под ред. Федоренко Н. П., Шубкиной И. П. -Ш: Наука, 1983.
  111. Фейгин Л. И! Прогнозирование сроков выполнения операций с нечеткими длительностями. Изв. АН СССР. — Техн. кибернет. — 5 -1984- с.221−224.
  112. Экспертные системы. Принципы работы и примеры / Под ред. Форсайта Р. М.: Мир, 1987, 224 с.
  113. Построение экспертных систем / Под ред. Хейеса Ф., Уотермана Д., Лената Д. М: Мир, 1987.
  114. Р.Н., Барнес С. Б. Планирование инвестиций. М.: «Дело Лтд», 1994, 120 с.
  115. Я. Планирование и контроль капиталовложений. Сокр. перевод со шведского и англ. М.: Экономика, 1987.
  116. А. Курс предпринимательства. М.: Международные отношения, 1993, 352 с.
  117. Д.Б. Математические методы управления в условиях неполной информации. М.: Наука, 1974.
  118. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Ягера P.P. М.: Радио и связь, 1986, 406 с.
  119. Abboud, N.J., Sakawa М., Inuiguchi М. A fuzzy programming approach to multiobjective multidimensional 0−1 knapsack problems. Fuzzy Sets and Systems. — 86 (1). — 1997, pp. 1−14.
  120. Agnetis A. No-Wait Flow Shop Shceduling with Large Lot Size. The 14-th IFIP Conference on System Modelling and Optimization, Leipzig, GDR, July 3−7, 1989, Abstracts, Heft 6, pp. 98−101.
  121. Agrell P.J. Interactive multi-criteria decision making in production economics. Linkoping, Sweden, 1995, 253 p.
  122. Aloysius J.A. Risk aggregation and the efficient selection of joint projects by a consortium. Omega. — 27 (3). — 1999, pp. 389−396.
  123. Andrews K.R. The Concept of Corporate Strategy. Richard D. Irwin, Inc.-1980
  124. Archer N.P., Ghasemzadeh F. An integrated framework for projectportfolio selection. International Journal of Project Management. — 174. 1999, pp. 207−216.
  125. Fuzzy systems for management / Ed. by Asai K. IOS Press, Amsterdam, 1995, 192 p.
  126. Baum C.F., Thies C.F. Q, Cash Flow. and Investment: An Econometric Critique. Review of Quantitative Finance and Accounting. — 12 (1): January. -1999, pp. 35−48.
  127. FuzzyJogic and its applications to engineering, information sciences and. intelligent systems. Theory and decision library, nr.16. / Ed. by Bien Z., Min K.C. — Kluwer Academic Publishers, Dordrecht, 1995, 4811. P.
  128. Bogetoft P., Pruzan P. Planning with multiple criteria -investigation, communication and choice. Copenhagen studies in economics and management, nr. 13. — 2. ed. Handelshojskolens Forlag. — Kobenhavn. -1997, 368 p.
  129. Bohanec M., Rajkovic V., Semolic В., Pogacnik Al. Knowledge-based: portfolio analysis for project evaluation. Information Management. — 285. 1995, pp. 293−302.
  130. Bojadziev G., Bojadziev M. Fuzzy logic for business, finance and management. Advances in fuzzy systems — applications and theory, nr.vol. 12. — World Scientific Publishing, Singapore, 1997, 232 p.
  131. Bordogna G., Passi G. A fuzzy linguistic approach generalizing boolean information retrieval: a model and its evaluation. J. Amer. Soc. Inform. Sci. -44. -1993, pp. 70−82.
  132. Future risks and risk management. Technology, risk and society. — Vol. 9/Ed. Brehmer, Sahlin N.-E. — Kluwer, Dordrecht. -1994, 251 p.
  133. Brick I., Weaver D. Calculating The Cost of Capital of an Unlevered Firm For Use in Project Evaluation. Review of Quantitative Finance and Accounting. — 9 (2): September, -1997, pp. 111−129.
  134. Brucker P., Burkard R.E., Hurink J. Cyclic schedules for irregularly occurring events. J. Comput. Apl. Math. — 30. — 1990, pp. 173−189.
  135. Carlsson C. Editorial. — European Journal of Operational Research. -25. -1986, pp. 317−319.
  136. Carlsson С., Fuller R. Multiobjective linguistic optimization. Fuzzy Sets and Systems. -115 (1). -2000 (6), pp. 5−10.
  137. Carlsson C., Fuller R., Fuller S. Possibility and necessity in weighted aggregation. In: R.R. Yager, J. Kacprzyk (Eds.), The Ordered Weighted Averaging Operators: Theory, Methodology, and Applications.- Kluwer, Boston. 1997, pp. 18−28.
  138. Chang P., Chen Y. A fuzzy multicriteria decision making method: for technology transfer strategy selection in biotechnology. Fuzzy Sets and Systems. — 63. — 1994, pp. 131−139.
  139. Chen C.-T. Extensions of the TOPSIS for group decision-making.under fuzzy environment. Fuzzy Sets and Systems. — 114 (1). — 2000, pp. 19.
  140. Chen J.E., Otto K.N. Constructing membership functions using interpolation and measurement theory. Fuzzy Sets and Systems. — 73 (3). -1995, pp. 313−327.
  141. Chen S.-M. A new method for tool steel materials selection under fuzzy environment. Fuzzy Sets and Systems. — 92. -1997, pp. 265 — 274.
  142. Chen S.-M. Fuzzy group decision making for evaluating the rate of aggregative risk in software development. Fuzzy Sets and Systems. -118 (1). -2001, pp. 75−88.
  143. Cheng C.-H. Evaluating weapon systems using ranking fuzzy numbers.- Fuzzy Sets and Systems. -107 (1). 1999, pp. 25−35.
  144. Chicken J.-C. Managing: risks and decisions in major projects. Chapman Hall, London, 1994, 203 p.
  145. Clark J.J., Hindelang T.J., Pritchard R.E. Capital budgeting. Planning and control of capital expenditures. 2.ed. — Englewood Cliffs, New Jersey, 1984, 12 + 563 p.
  146. Cooper D.F., Chapman C.B. Risk analysis for large projects. John Wiley Sons, Chichester, 1987, 260 p.
  147. Cooper R.G. Winning At New Products (2nd edn.). Reading, Addison-Wesley, MA. — 1993.
  148. Cordon O., del Jesus M.J., Herrera F. A proposal on reasoning methods in fuzzy rule-based classification systems. International Journal of Approximate Reasoning. — 20 (1). -1999, pp. 21−45.
  149. Risk evaluation and management/ Ed. by Covello V.-T., Menkes J., Mumpower J. New York, 1986, 11 + 544 p.
  150. Crary S.B., Spera C. Optimal Experimental Design for Combinatorial Problems. Computational Economics 9 (3). -1996, pp. 241−255:
  151. Dantzig G.B., Fulkerson D.R., Minimizing the Number of Tankers to Meet. a? Fixed Schedule. 4Naval Research Logist. Quart., 21 1(1954), pp. 217−222.
  152. Degani R., Bortolan G. The problem of linguistic approximation in clini-caldecision making. Intern at. J. Approx. Reason: -2- 1988, pp. 143 -162.
  153. Delgado M., Verdegay J.L., Vila M.A. On aggregation operations of linguistic labels. Int. J. Intelligent Systems. — 8. -1993, pp. 351 — 370.
  154. Delgado M., Vila M.A., Voxman W. On a canonical representation of fuzzy numbers. Fuzzy Sets and Systems. — 93. — 1998, pp. 125−135.
  155. G. В., Pap E. Multicriteria-multistages linguistic evaluation and ranking of machine tools. Fuzzy Sets and Systems. — 102. — 3. -1999, pp. 451−461.
  156. Fuzzy relation equations and their applications to knowledge engineering:. Theory and decision library / Ed. by Di Nola A. -Kluwer, Dordrecht, 1989, 296 p.
  157. Dubois D. Linear programming with fuzzy data- In: J.C. Bezdek (Ed:), Analysis of Fuzzy Information, vol. Ill: Applications in Engineering and Science. — CRC Press, Boca Raton, FL. — 1987, pp. 241 — 263.
  158. Dubois D., Prade H. Operations on fuzzy numbers. Int. J. Systems Sci.-9.-1978, pp. 613−626.
  159. Dubois D., Prade H. Systems of linear fuzzy constraints. Fuzzy Sets and Systems. — 3. — 1980, pp. 37 — 48.
  160. Dubois D., Prade H. Criteria aggregation and ranking of alternatives in the framework of fuzzy set theory. TIMS/Stud. Mgmt. Sci. — 20. — 1984, pp. 209−240.
  161. Dubois D., Prade H. A review of fuzzy sets aggregation Connectives. -Inform. Sci. 36. — 1985, pp. 85−121.
  162. Dubois D., Prade H. Fuzzy sets and statistical data. European Journal of Operational Research. — 25. -1986 (a), pp. 345−356.
  163. Dubois D., Prade H. Weighted minimum and maximum operations in fuzzy sets theory. Inform. Sci. — 39. -1986 (6), pp. 205−210.
  164. Fuzzy sets logics and reasoning about knowledge. Applied logic series, nr. 15 / Ed. by Dubois D., Prade H., Klement F.P. — Kluwer Academic Publishers, Dordrecht, 1999, 423 p.
  165. Dussa-Zieger K., Schwehm M. Scheduling of parallel programs on configurable multiprocessors by genetic algorithms. International Journal of Approximate Reasoning — 19 (1−2). — 1998, pp. 23−38.
  166. Ebrahim R. Fuzzy logic programming. Fuzzy Sets and Systems. — 117 (2). -2001, pp. 215−230.
  167. Eom S.B., Lee S.M. Leading U.S. universities and most influential contributors in decision support systems research (1971−1989): A citation analysis. Decision Support Systems. — 9. — 3. -1993, pp. 237−244.
  168. Fodor J.C., Roubens M.' Fuzzy Preference Modelling: and Multicriteria Decision Support. Theory and Decision Library, Series D, System
  169. Theory, Knowledge Engineering and Problem Solving. Vol. 14. — Klu-wer, Dordrecht, 1994.
  170. Ford L.R., Fulkerson D.R. Flows in Networks. Princeton University Press, Princeton, N.J., 1962.
  171. Freville A., Plate G. The 0−1 Bidimensional Knapsack Problem: Toward an Efficient High-Level Primitive Tool. Journal of Heuristics 2 (2). -1996, pp. 147−167.
  172. Gao L.S. The fuzzy arithmetic mean. Fuzzy. Sets and Systems. — 107 (3). — 1999, pp. 335−348.
  173. Ghasemzadeh F., Archer N. P. Project portfolio selection through decision support. Decision Support Systems. — 29 (1). — 2000, pp. 73−88.
  174. Giachetti R.E., Young R.E. Analysis of the error in the standard approximation used for multiplication of triangular and trapezoidal fuzzy numbers and the development of a new approximation. Fuzzy Sets and Systems. — 91 (1). -1997, pp. 1−13.
  175. Gisolfi A., Loia V. A Complete, Flexible Fuzzy-Based Approach to the Classification Problem. International Journal of Approximate Reasoning. -13 (3). -1995, pp. 151−183.
  176. Golden R. L, Wasil E. A, Harber P.T. The analytic hierarchy process: applications and studies. New York: Springer Verlag, 1989.
  177. Grama Y. Combinatorial models for production scheduling in automated manufacturing systems. 14th European Conf. of Operational Research, Semiplenary Papers. — Jerusalem. -1995, pp. 237−259.
  178. Guh Y.-Y., Hon C.C., Lee E.S. Fuzzy weighted average: The linear programming approach via Charnes and Cooper’s rule. Fuzzy Sets and Systems.-117 (1).-2001, pp. 157−160.
  179. Hall D.L., Nauda A. An interactive approach for selecting IRD projects. -IEEE Trans. Eng. Management. 37(2). — 1990, pp. 126−133.
  180. Herbst A.F. Capital budgeting. Theory, quantitative methods, and applications. HarperRow Publishers, New York, 1982, 14 + 398 p.
  181. Herrera F., Herrera-Viedma E. On the linguistic ОWA operator and extensions. In: R.R. Yager, J. Kacprzyk (Eds.), The Ordered Weighted Averaging Operators: Theory, Methodology, and Applications, Kluwer, Boston. -1997, pp. 60−72.
  182. Herrera F., Herrera-Viedma E. Linguistic decision analysis: steps for solving decision problems under linguistic information. Fuzzy Sets and Systems. -115 (1). — 2000, pp. 67−82.
  183. Herrera F., Herrera-Viedma E., Martinez L. A fusion approach for managing multi-granularity linguistic term sets in decision making: Fuzzy. Sets and Systems. -114 (1). — 2000, pp. 43−58:
  184. Herrera FM Herrera-Viedma^ E., Verdegay J.L. A Sequential Selection Process in Group Decision Making with a- Linguistic Assessment Approach. Information Sciences. — 85 (4). — 1995 (a), pp. 223−239.
  185. Herrera F., Herrera-Viedma E., Verdegay J.L. Aggregating linguisticpreferences: properties of the LOWA operator. In: Proc. 6th IFSA World Congress, Sao Paulo, Brasil. — Vol. II. -1995 (6), pp. 153−157.
  186. Herrera F., Herrera-Viedma E., Verdegay J.L. A model of consensus in group decision making under linguistic assessments. Fuzzy Sets and Systems. — 78. — 1996 (a), pp. 73−87.
  187. Herrera F., Herrera-Viedma E., Verdegay, J.L. Direct approach processes in group decision making using linguistic ОWA operators. Fuzzy Sets and Systems. -79 (2). -1996 (6), pp. 175−190.
  188. Herrera FM Herrera-Viedma E., Verdegay J. L. Linguistic Measures Based on Fuzzy Coincidence for Reaching Consensus in Group: Decision Making. International Journal of Approximate Reasoning. — 16 (34). — 1997, pp. 309−334.
  189. Herrera F., Lopez E., Mendana C., Rodriguez M.A. A linguistic decision model for personnel management solved with a linguistic biobjective genetic algorithm. Fuzzy Sets and Systems. — 118 (1). — 2001, pp. 4764.
  190. Hertz D., Thomas H. Risk analysis and its applications. John Wiley Sons, Chichester, 1984, 15 + 326 p.
  191. Hill G. Project Appraisal for the Keynesian Investment Planner. Economics of Planning. — 32 (2). — 1999, pp. 153−164.
  192. Hillon H.P., Proth J.-M., Xie X.-L. A heuristic algorithm for the periodic scheduling and sequencing job-shop problem. Proc. 26th Conf. On Decision and Control. — 1987, pp. 612−617.
  193. Hong T.-P., Chen J.-B. Processing individual fuzzy attributes for fuzzy rule induction a general framework for concept learning, Ph.D. Thesis.- Fuzzy Sets and Systems. 112 (1). — 2000, pp. 127−140.
  194. Hong T.-P., Lee C.-Y. Induction of fuzzy rules and membership functions from training examples. Fuzzy Sets and Systems. — 84 (1). -1996, pp. 33−47.
  195. Horikawa S., Furuhashi Т., Uchikawa Y. On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm. IEEE Trans. Neural Networks. — 3 (5). -1992, pp. 801−806.
  196. Hsu W.-L., Prietula M.J., Thompson G.L., Ow P. S. A mixed-iniatiative scheduling workbench: Integrating Al, OR and HCI. Decision Support Systems. — 9. — 3. — 1993, pp. 245−257.
  197. Hull J.C. Evaluation of risk in business investment. Oxford, 1980, 177 P
  198. Hwang C.-L., Yoon K. Multiple attribute decision making. Methods and: applications. Lecture notes in economics-and mathematical system. -nr. 186.-Berlin, 1981, 10+ 259 p.
  199. Ichihashi H., Efficient algorithms for acquiring. fuzzy rules from example.- In: H.T. Nguyen, M. Sugeno, R. Tong, R K. Yager (Eds.) Theoretical Aspects of Fuzzy Control. Wiley, New York, 1995, pp. 261−280.
  200. Ingargiola G.P., Korsh J.F. Reduction algorithm for zero-one singleknapsack problems. Management Science, — 20(4). — Part 1. — 1973, pp. 460−463.
  201. Inuiguchi M., Ichihashi H. Relative modalities and their use in possibilis-tic linear programming. Fuzzy Sets and Systems. — 35. -1990, pp. 303 -323.
  202. Inuiguchi M., Ichihashi H., Kume Y. Relationships between modality constrained programming- problems and various fuzzy mathematical programming, problems. Fuzzy Sets and Systems. — 49. — 1992, pp. 243−259.
  203. Inuiguchi M., Ichihashi H., Tanaka H. Possibilistic linear programming, with measurable multiattribute value functions. ORSA J. Comput. -1(3).- 1989, pp. 146−158.
  204. Inuiguchi M., Tanino T. Portfolio selection under independent possibilistic information. Fuzzy Sets and Systems. -115 (1). — 2000, pp. 83−92.
  205. Inuiguchi Mi, Tanino Т., Sakawa M. Membership function elicitation in possibilistic programming problems a survey of recent developments. -Fuzzy Sets and Systems. -111(1). — 2000, pp. 29−45.
  206. Ishibuchi H., Kwona K., Tanaka H. A learning algorithm of fuzzy neural networks with triangular fuzzy weights. Fuzzy Sets and Systems. — 71 (3). — 1995, pp. 277−293.
  207. Iwamura K., Liu B. Dependent-chance integer programming applied to capital budgeting. Journal of the Operations Research Society of Japan. — 42 (2). — 1999, pp. 117−127.
  208. Jehuda J., Israeli A. Automated Meta-Control for Adaptable Real-Time Software. Real-Time Systems 14 (2). — 1999, pp. 107−134.
  209. Jovanovic P. Application of sensitivity analysis in investment project evaluation under uncertainty and risk. International Journal of Project Management. — 17 (4). -1999, pp. 217−222.
  210. Kalu T.C.U. Capital budgeting under uncertainty: An extended goal programming approach -An Informal Introduction. International Journal of Production Economics. — 58 (3). — 1999, pp. 235−251.
  211. Capital budgeting handbook /Ed. Kaufman M: Homewood, Illinois, 1986, 21 +776 p.244: Kaufmann A. On the relevance of fuzzy sets for operations research. -European Journal of Operational Research: 25. -1986, pp. 330−335.
  212. Kaufmann A., Gupta MiM! Fuzzy mathematical models in engineering: and management science. North-Holland, Amsterdam. -1988.
  213. Kaufmann A., Gupta M. M!, Introduction to Fuzzy. Arithmetic Theory and- Applications, Van Nostrand Reinhold, New York, 1991.
  214. Kellerer H., Pferschy U. A New Fully Polynomial Time Approximation Scheme for the Knapsack Problem. Journal of Combinatorial Optimization. — 3 (1). -1999, pp. 59−71.
  215. Kenyon A. Currency risk and business management. Blackwell, Oxford, 1990, 260 p.
  216. Klic G.J., Yan B. Fuzzy Sets and Fuzzy Logic Theory and Applications. Prentice-Hall International, London, 1995.
  217. Kliem R.L., Ludin I.S. Reducing-project risk. Gower, GB, 1997, 18+228 P251: Klir G.J., Folger T.A. Fuzzy sets- uncertainty, and information- Prentice Hall, Englewood Cliffs, N.J., 1988, 11 + 355 p.
  218. Konno Т., Ishii H. An open shop scheduling problem with fuzzy allowable time and fuzzy resource constraint. Fuzzy Sets and Systems. -109(1).-2000, pp. 141−147.
  219. Kosko B. Neural Networks and Fuzzy Systems. Prentice Hall, Englewood Cliffs, NJ, 1992.
  220. Krusell P. Investment-Specific R and D and the Decline in the Relative Price of Capital. Journal of Economic Growth. — 3 (2). — June 1998, pp. 131−141.
  221. Kuchta D. Fuzzy capital budgeting. Fuzzy Sets and Systems. — 111 (3). — 2000, pp. 367−385.
  222. Kumar K.C., Sinha B.K. Efficiency based production planning and control models. European Journal of Operational Research. — 117 (3). -1999, pp. 450−469.
  223. Kuo R.J., Chen С. H., Hwang Y. C. An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy Sets and Systems. -118(1). -2001, pp. 21−45.
  224. Kusiak A. Designning Expert Systems for Scheduling of Automated Manufacturing. Industrial Engineering. — Vol. 19. — 7. -1987, pp. 42−46.
  225. Kusiak A. Intelligent Manufacturing Systems. Prentice Hall, Englewood Cliffs, New Jersey, 1990, 443 p.
  226. Kusiak A., Chen M. Expert systems for planning and scheduling manufacturing systems. European Journal of Operational Research. — 34. -1988, pp. 113−130.
  227. Lai L.-Y. Hierarchical optimization: A satisfactory solution. Fuzzy Sets and Systems. — 77 (3). — 1996, pp. 321−335.
  228. Lauriere M. An algorithm for the 0/1 knapsack problem. Mathematical Programming. -14*. -1978, pp. 1−10.
  229. Law C.K. Using fuzzy numbers in educational grading system. Fuzzy Sets and Systems. — 83: — 1996, pp. 311−323.264: Multi-Criteria Applications / Ed. by K.D. Lawrence. Hardbound, 2000, 242 p.
  230. Lee H.-M: Applying fuzzy set theory to evaluate the rate of aggregativerisk in software development. Fuzzy Sets and Systems. — 79 (3). -1996 (a), pp. 323−336.
  231. Lee H.-M. Group decision making using fuzzy sets theory for evaluating the rate of aggregative risk in software development. Fuzzy Sets and Systems. — 80 (3). — 1996 (6), pp. 261−271.
  232. Lefley F. The payback method of investment appraisal: a review and synthesis. International Journal of Production Economics. — 44″ (3). -1996, pp. 207−224 .
  233. Lefley F. Approaches to risk and uncertainty, in the appraisal of new technology capital projects. International Journal of Production Economics. -53 (1). — 1997, pp. 21−33.
  234. Lefley F., Morgan M. A new pragmatic approach to capital investment appraisal: The financial appraisal profile (FAP) model. International Journal of Production Economics. — 55 (3). — 1998, pp. 321−341.
  235. Leopold C. Arranging program statements for locality on the basis of neighbourhood preferences. International Journal of Approximate Reasoning -19 (1−2). -1998, pp. 73−90.
  236. Levary R.R., Wan K. An analytic hierarchy process based simulation model for entry mode decision regarding foreign direct investment. -Omega. -27 (6). 1999, pp. 661−677.
  237. Intelligent Scheduling of Robots and Flexible Manufacturing Systems /Ed. E.Levner. Holon: СТЕН Press, 1995, 239 p.
  238. Intelligent Scheduling of Robots and Flexible Manufacturing Systems /Ed. E.Levner. Holon: СТЕН Press, 1996, 336 p.
  239. Levner E., Kats V., Levit V.E. An improved algoritm for a cyclic robotic scheduling problem. Proc. Internat. Workshop on Intelligent Scheduling of Robots and Flexible Manufacturing Systems. — СТЕН Press. -Holon, Israel. — 1995, pp. 129−141.
  240. Levner E., Meyzin L., Ptuskin A. Fuzzy Reasoning and Applications for Intelligent Scheduling of Robots. / In: Lecture Notes in Artificial Intelligence, 1188, Berlin, Springer, 1997, pp. 57−68.
  241. Levner E., Meyzin L., Ptuskin A. Periodic Scheduling of a Transporting: Robot under Incomplete Input Data: A Fuzzy Approach. Fuzzy Sets and Systems. — Vol. 98. — 3. — 1998, pp. 255−266.
  242. Levner E.V., Ptuskin A.S. A Fuzzy Algorithm For Constructing Cyclic Schedules. Proceedings of the 14-th IFIP Conference on Systems
  243. Modelling and Optimization. Eds. H.-J.Sebastian and K. Tammer et al. Lecture Notes in Control and Information Sciences. Springer-Verlag, 1990 (a), pp. 497−500.
  244. Levner E.V., Ptuskin A.S. Modelling and Scheduling: Manufacturing Systems With Fuzzy Interval Data. SCAN-90 Summer School. Abstracts of scientific communications. Albena (Bulgaria), Bulgarian Academy of Sciences, 1990 (6), pp. 281−284:
  245. Levner E., Ptuskin A. A fuzzy interval method for scheduling transportation robots. Proceedings of the Summer School on Mathematical Modelling- and Scientific Computations, 23−28.09.1990, Albena, Bulgaria, CINTI, Reg. No Hg II 14 147.
  246. Liu B, Iwamura K. Chance constrained programming with fuzzy parameters. Fuzzy Sets and Systems — 94 (2). -1998, pp. 227−237.
  247. Liu X. Entropy, distance measure and similarity measure of fuzzy sets and their relations. Fuzzy Sets and Systems. — 52. — 1992, pp. 305 318.
  248. Lootsma F.A. Fuzzy logic for planning and decision making. Applied optimization, nr.8. — Kluwer Academic, Dordrecht. — 1997, 195 p.
  249. Luhandjula M.K. Satisfying solutions for a possibilistic linear program. -Inform. Sci. 40. — 1986, pp. 247 — 265.
  250. Luhandjula M.K., Ichihashi H., Inuiguchi M. Fuzzy and semi- infinite mathematical programming. Inform. Sci. — 61. -1992, pp. 233 — 250.
  251. Mabuchi S. An interpretation of membership functions and the properties of general probabilistic operators as fuzzy set operators. (II). Extension to three-valued and interval-valued fuzzy sets. Fuzzy Sets and Systems. — 92 (1). -1997 (a), pp. 31−50.
  252. Mabuchi S. Supplement to «An interpretation of membership functions and the properties of general probabilistic operators as fuzzy set operators Part I». — Fuzzy Sets and Systems. — 89 (1). — 1997 (6), pp. 6976.
  253. Maksimovic V., Stomper A., Zechner J. Capital Structure, Information Acquisition and Investment Decisions in an Industry Framework. -European Finance Review. 2 (3). — 1998, pp. 251−271.
  254. Mangasarian O.L. The Linear Complementarity Problem as a Separable Bilinear Program. Journal of Global Optimization. — 6 (2). — 1995, pp. 153−161.
  255. Markowitz H. Portfolio Selection: Efficient Diversification of Investments. Wiley, New York, 1959.
  256. Martino J.P. RD Project Selection. Wiley, New York, NY, 1995.
  257. Mintzberg H., Quinn J.В. The strategy process. Prentice Hall International. -1996
  258. Mintzberg H., Quinn J.В., Ghoshal S. The strategy process. Prentice Hall Europe, Hemel Hempstead, 1998, 1036 p.297: Mishkin F.S. The Economics of Money, Banking and. Financial Markets.- Harper Collins College Publishers, NY. 1995, 757 p:
  259. Negoita C.V. The current interest in fuzzy optimization: Fuzzy Sets and Systems. — 6. — 1981, pp. 261 -269.
  260. Negoita С.V., Minoiu S., Stan E. On considering imprecision in dynamic linear programming: Economic Comput. Economic Cybernet. Stud. Res. -3. -1976, pp. 83−95.
  261. Oldcorn R., Parker D. The strategic investment decision. Evaluating opportunities in dynamic markets. Pitman, London, 1996, 210 p.
  262. Orlin J.В., Minimizing the Number of Vehicles to Meet a Fixed Periodic Scheduling: an Application of Periodic Posets. Op. Res. 230 (1). -1982, pp. 760−776.
  263. Orlovsky S.A. Decision-making with a fuzzy preference relation. Fuzzy Sets and Systems. — 1. — 1978, pp. 155 — 167.
  264. Orlovsky S.A. On formalization of a general fuzzy mathematical programming problem. Fuzzy Sets and Systems. — 3. — 1980, pp. 311 -321.
  265. Orlovsky S.A. Mathematical programming problems with fuzzy parameters. NASA Working Paper WP-84−38. — 1984 (a).
  266. Orlovsky S.A. Multiobjective programming problems with fuzzy parameters. Control Cybernet. -13. -1984 (6), pp. 175 — 183.
  267. Otake Т., Jo Min K., Chen C.-K. Inventory and investment in setup operations under return on investment maximization. Computers Operations Research. — 26 (9). — 1999, pp. 883−899.
  268. Pfeffer J. Competitive Advantage through People: Unleashing the Power of the Workforce. Harvard Business School Publishing, 1995.
  269. Phillips L.W., Eyuth P. S. Mathematical Programming Solution of a Hoist Scheduling Problem. AIIE Trans. — 2. -1976, pp. 219−225.
  270. Prelec D., Ljtwenstein G. Beyond Time Discounting. Marketing Letters.- 8 (1). January 1997, pp 97−108.
  271. Ptuskin A. A Problem of Plan Forming for Flexible Manufacturing Systems with Fuzzy Priorities in Promptness of Service. Intelligent Scheduling of Robots and Flexible Manufacturing Systems /Ed. E.Levner. -Holon: СТЕН Press, 1996, pp. 191−201.
  272. Ptuskin A. On Constructing of the Cyclic Schedules for Fuzzy. Duration Operations. The 14-th IFIP Conference on Systems Modelling: and Optimization, Leipzig, GDR, July 3−7, 1989,-Abstracts- Heft 6, pp. 5960.
  273. Ptuskin A.S. No-wait Periodic Scheduling of Non-Identical Parts in Flexible Manufacturing Lines With Fuzzy Processing Times. Intelligent
  274. Scheduling of Robots and Flexible Manufacturing Systems /Ed. E.Levner. Holon: СТЕН Press. -1995, pp. 210−222.
  275. Ptuskin A.S., Belova E.A. Supplier Selection Using Fuzzy Sets. -Working paper no. 06/2000 Copenhagen Business School, Department of Operations Management, Denmark. -2000 (a), 15 pp.
  276. Ptuskin A S., BelovaE.A. The Qualitative Estimate of Investment Projects Risk. Working paper no. 05/2000. — Copenhagen Business School, Department of Operations Management, Denmark. — 2000 (6), 23 pp.
  277. Quinn J.B. Strategies for Change: Logical Incrementalism. Richard D. Irwin, Inc. -1980.
  278. Quinn J.B., Voyer J. Logical Incrementalism: Managing: Strategy Formation. In: The Strategy Process, Prentice Hall. -1994.
  279. Raggl A., Slany W. A reusable iterative optimization software library to solve combinatorial problems with approximate reasoning. International Journal of Approximate Reasoning — 19 (1−2). — 1998, pp. 161 191.
  280. Ramik J. Fuzzy preferences in linear programming. In: Interactive Fuzzy Optimization and Mathematical Programming. — Springer, Berlin, 1990.
  281. Ramik J. Inequality relations between fuzzy data. In: H. Bandemer (Ed.), Modelling Uncertain Data. — Akademie Verlag, Berlin, 1992, pp. 158 -162.
  282. Ramik J. New Interpretation of the Inequality Relations In: Fuzzy Goal Programming Problems. Central European J. Oper. Res. Economics. -4.-1996, pp. 112−125.
  283. Ramik J., Rimanek J. Inequality relation between fuzzy numbers and its use in fuzzy optimization. Fuzzy Sets and Systems. — 16. — 1985, pp. 123- 138.
  284. Ramik J., Rimanek J. The linear programming problem with vaguely formulated relations between the coefficients. In: Interfaces Between Artificial Intelligence and Operations Research in Fuzzy Environment. -Riedel, Dordrecht, 1989.
  285. Ramik J., Rommelfanger H. A single- and multi-valued: order on fuzzy numbers and its use in linear programming: with fuzzy, coefficients. -Fuzzy Sets and Systems. 57. — 1993, pp. 203 — 208.
  286. Ramik J., Rommelfanger H, Fuzzy- mathematical programming: based on some new inequality, relations: Fuzzy Sets and- Systems. — 81: -1996, pp. 77−88.
  287. Ribeiro R.A. Fuzzy multiple attribute decision making: A review and newpreference elicitation techniques. Fuzzy Sets and Systems. — 78 (2). -1996, pp. 155−181.
  288. Richardson В., Richardson R. Business planning. An approach to strategic Management. Pitman, GB, 1992, 13+290 p.
  289. Roubens M. Fuzzy sets and decision analysis. Fuzzy Sets and Systems. — 90 (2). — 1997, pp. 199−206.
  290. Saaty T.L. The analytic hierarchy process. New York: McGrawHill, 1980.
  291. Saaty T.L. Scaling the membership function. European Journal of Operational Research. — 25. -1986, pp. 320−329.
  292. Saaty T.L. How to make a decision: the analytic hierarchy process. -European Journal of Operational Research. -48. -1990, pp. 9−26.
  293. Saaty T.L. Highlights and critical points in the theory and application of the analytic hierarchy process. European Journal of Operational Research. -74. -1994, pp. 426−447.
  294. Sahni S. Algorithms for scheduling independent tasks. J. ACM: — 23 (1). — 1976, pp. 114−127.
  295. Sakawa M, Kato K., Sunada H., Shibano T. Fuzzy programming for multiobjective 0−1 programming problems through revised genetic algorithms. European Journal of Operational Research. — 97 (1−4). — 1997, pp. 149−158.
  296. Sakawa M., Nishizaki I., Hitaka M. Interactive fuzzy programming- for multi-level 0−1 programming problems with fuzzy parameters through genetic algorithms. Fuzzy Sets and Systems. — 117(1). — 2001, pp. 95 111.
  297. Sarasvathy D.K., Simon H.A., Lave L. Perceiving and managing business risks: differences between entrepreneurs and bankers. Journal of Economic Behavior Organization. — 33 (2). -1998, pp. 207−225.
  298. Sasikala K.R., Petrou M: Generalised fuzzy aggregation in estimating the risk of desertification of a burned forest. Fuzzy Sets and Systems. -118(1).-2001, pp. 121−137.
  299. Sauer J., Suelmann G., Appelrath H.-J. Multi-site scheduling with fuzzy concepts. International Journal of Approximate Reasoning — 19 (1−2). -1998, pp. 145−160.
  300. Segelod E. Corporate control of investments and management styles. -International Journal of Production Economics. 43 (2−3). — 1996, pp. 227−237.
  301. Serafini P., Ukovich W. A mathematical model for periodic scheduling problems. Department of Mathematics and Computer Science, University of Udine, 1987.
  302. Serafini P., Ukovich W. A mathematical model for periodic scheduling problems. SIAM J. Discrete Math. — 2. -1989, pp. 550−581.
  303. Simon H., Newell A. Heuristic problem solving: the next Advance in Operations Research. Oper. Res. Vol. 6. — N1. — 1958, pp. 1−10.
  304. Sinclair D. The GST load balancing algorithm for parallel and distributed systems. International Journal of Approximate Reasoning — 19 (1−2). -1998, pp. 39−56.
  305. Slagmulder R., Bruggeman W., van Wassenhove L. An empirical study of capital budgeting practices for strategic investments in CIM* technologies. International Journal of Production Economics. — 40 (2−3). -1995, pp. 121−152.
  306. Slany W. Scheduling as a fuzzy multiple criteria optimization problem. -Fuzzy Sets and Systems. 78 (2). — 1996, pp. 197−222.
  307. Slany W. Approximate reasoning in scheduling. International Journal of Approximate Reasoning -19 (1−2). — 1998, pp. 1−4.
  308. Small M.H., Chen J.J. Economic and strategic justification of AMT: Inferences from industrial practices. International Journal of Production Economics. — 49 (1). — 1997, pp. 65−75.
  309. Souder W.E. A comparative analysis of risky investment planning.algorithms. AIIE Trans. — 4 (1). — 1972 (a), pp. 56−62.
  310. Souder W.E. A scoring methodology for assessing the suitability of management science models. Management Sci. -18. — No 10. -1972 (6), pp. 526−543.
  311. Spronk J. Interactive multiple goal programming for capital budgeting and financial planning. Rotterdam Erasmus Univ., 1980, 263 p.
  312. Tanaka H., Asai K. Fuzzy linear programming problems with fuzzy numbers. Fuzzy Sets and Systems. -13. -1984, pp. 1−10.
  313. Tanaka H., Guo P. Portfolio selection based on upper and lower exponential possibility distributions. European Journal of Operational Research. -114 (1). — 1999, pp. 115−126.
  314. Tanaka H., Ichihashi H., Asai K. A formulation of fuzzy linear programming problem based on comparison of fuzzy numbers. Control Cybernet. — 13. — 1984, pp. 185−194.
  315. Tanaka H., Okuda Т., Asai K., On fuzzy mathematical programming. J. Cybernet. 3. — 1974, pp. 37 -46.
  316. Tanaka K. An Introduction to Fuzzy Logic for Practical Applicationsra -Springer, 1997, 138p.
  317. Teik G.-T., Wynne H. Approximating scheduling for multimedia applications under overload conditions. International Journal of Approximate Reasoning — 19 (1−2). — 1998, pp. 57−72.
  318. Torra V. Interpreting: membership functions: A constructive approach. -International Journal of Approximate Reasoning. 20 (3). — 1999, pp. 191−207.
  319. Torra V., Cortes U. Towards an automatic consensus generator tool: EGAC. IEEE Trans. Systems Man Cybernet. — 25. — 1995, pp. 888 -894.
  320. Tummala V.M.R., Burchett J.F. Applying a Risk Management Process (RMP) to manage cost risk for an EHV transmission line project. International Journal of Project Management. — 17 (4). — 1999, pp. 223−235.
  321. Turban E. Decision Support and Expert Systems. Macmillan, New York, 1988.
  322. Turksen B. Measurement of membership functions and their acquisition. Fuzzy Sets and Systems. -40. -1991, pp. 5−38.
  323. Turksen I.В., Fazel Zarandi M.H. Fuzzy system models for aggregate scheduling analysis. International Journal of Approximate Reasoning. -19(1−2).-1998, pp. 119−143.
  324. Van Home J.C., Wachowicz J.M. Fundamentals of financial Management. Prentice Hall, 1992.
  325. Visee M., Teghem J., Pirlot M., Ulungu E.L. Two-phases Method and Branch and Bound Procedures to Solve the Bi-objective Knapsack Problem. Journal of Global Optimization 12 (2). -1998, pp. 139−155.
  326. Wagner Т., Garvey A., Lesser V. Criteria-directed task scheduling. -International Journal of Approximate Reasoning 19 (1−2). — 1998, pp. 91−118.
  327. Wang W.-J., Chiu C.-H. Entropy variation on the fuzzy numbers with arithmetic operations. Fuzzy Sets and Systems. — 103 (3). — 1999, pp. 443−455.
  328. Wang W.-J., Chiu C.-H. The entropy change of fuzzy numbers with arithmetic operations. Fuzzy Sets and Systems. — 111 (3). — 2000, pp. 357−366.
  329. Weingartner H.M. Mathematical Programming and the Analysis of Capital Budgeting Problems. Prentice-Hall, Englewood Clifs, 1963.
  330. Yager R.R. Fuzzy decision making using unequal objectives. Fuzzy Sets and Systems. — 1. — 1978, pp. 87−95.
  331. Yager R.R. On measure of fuzziness and negation. Part I: membership in unit interval. — Internat. J. General Systems. — 5. -1979, pp. 221 229.
  332. Yager R.R. Families of OWA operators. Fuzzy Sets and Systems. -59. — 1993, pp. 125−148.
  333. Yager R.R. Aggregation operators and fuzzy systems modeling. Fuzzy Sets and Systems. — 67. — 1994 (a), pp. 129−145.
  334. Yager R.R. On weighted: median aggregation: Int. J. Uncertainty, Fuzziness and Knowledge-based Systems. -11 -1994 (6), pp. 101−113.
  335. Yager R. R: An Approach to Ordinal Decision Making. International Journal of Approximate Reasoning. -12 (3−4). -1995, pp. 237−2611
  336. Yager R.R. On the inclusion of importances in OWA Aggregations. In: R.R. Yager, J. Kacprzyk (Eds.), The Ordered Weighted Averaging Operators: Theory, Methodology, and Applications. Kluwer, Boston, 1997, pp. 41−59.
  337. Zadeh L.A. The Evolution of Systems Analysis and Control: A Personal Perspective. IEEE Control Systems. — June 1996- pp. 95−98.
  338. Zadeh L.A. Some reflections on the anniversary of Fuzzy Sets, and Systems. Fuzzy Sets and Systems. — 100. -1999, pp. 1−3.
  339. Zahedi F. The analytical hierarchy process: a survey of the method and its applications. Interfaces. -16. -1986, pp. 96−108.
Заполнить форму текущей работой

На отлично!