Труды КНЦ вып.12 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ вып. 5/2021(12))

Заключение В работе для учета мнений нескольких экспертов используется аппарат мультимножеств и соответствующие способы агрегирования экспертных оценок. Продемонстрировано, каким образом задача Constrained Clustering может быть сведена к задаче удовлетворения ограничений. Разработан метод, который позволяет генерировать ограничения не для всех пар объектов, а лишь для некоторых, основываясь на априорной интервальной оценке для оптимального значения критерия кластеризации. Для получения данной оценки используется метод FPF, а также предложен модифицированный метод иерархической кластеризации мультимножеств, который позволяет анализировать запреты на комбинации объектов внутри кластера. Применение предложенного метода позволяет существенно снизить количество генерируемых ограничений, требуемых для постановки задачи CSP. Так, для рассматриваемого в статье примера количество сгенерированных ограничений равно 1984. Без применения же предложенного метода для решения задачи CSP пришлось бы обработать 3080 ограничений. Список литературы 1. Duong K.C., Vrain C. Constrained Clustering by Constraint Programming. // Artificial Intelligence Journal, 2017. Vol. 244. Pp. 70-94. 2. Петровский А.Б. Методы групповой классификации многопризнаковых объектов (часть1) // Искусственный интеллект и принятие решений, 2009. № 3. С .3-14. 3. Zuenko A., Oleynik Y., Yakovlev S. and Shemyakin A. Matrix-Like Representation of Production Rules in AI Planning Problems. // Proceedings of the Fourth Int. Scientific Conf. Intelligent Information Technologies for Industry (ПТГ19), Advances in Intelligent Systems and Computing. Springer, Cham. 2020. Vol. 1156. Pp. 393-402. 4. Gonzalez T. Clustering to minimize the maximum intercluster distance // Theoretical Computer Science, 1985. №38. Pp. 293-306. References 1. Duong K.C., Vrain C. Constrained Clustering by Constraint Programming. Artificial Intelligence Journal, 2017. Vol. 244. Pp. 70-94. 2. Petrovsky A.B. Metody gruppovoy klassifikatsii mnogopriznakovykh ob”yektov (chast'1) [Methods for group classification of multi-feature objects (part 1)]. Iskusstvennyy intellekt i prinyatiye resheniy [Artificial Intelligence and Decision Making], 2009. No. 3. Pp. 3-14. (In Russ.). 3. Zuenko A., Oleynik Y., Yakovlev S. and Shemyakin A. Matrix-Like Representation of Production Rules in AI Planning Problems. Proceedings of the Fourth Int. Scientific Conf. Intelligent Information Technologies for Industry (IITI’19), Advances in Intelligent Systems and Computing. Springer, Cham. 2020. Vol. 1156. Pp. 393-402. 4. Gonzalez T. Clustering to minimize the maximum intercluster distance. Theoretical Computer Science, 1985. No. 38. Pp. 293-306. 89