Fuzzy Cognitive Maps in the Service of Energy Efficiency

Mpelogianni, Vassiliki; Marnetta, Paganopoulou; Groumpos, Peter P.

doi:10.1016/j.ifacol.2015.12.047

Cited by 12 publications

(8 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These solutions are going to overcome some of these limitations and offer more accurate results and a better view and knowledge of the CDS. One major drawback that has been raised by the author of this article is that concepts of an FCM include everything: states, inputs, outputs, constraints and all other parameters which are going to be examined regardless their nature [37]. However this is not mathematically correct and logical in any scientific approach.…”

Section: Ementioning

confidence: 97%

“…The number of concepts in these cases is rather large and classical heuristic models cannot predict the dynamic behavior of these systems. On the other hand the new models of FCMs, as been proposed in [37][38][39][40] provide useful solutions.…”

Section: Factor-conceptsmentioning

confidence: 99%

“…However for the above raised drawbacks some solutions and explanations must be given. The research teams of the Laboratory for Automation and Robotics under the supervision of the author of this paper have provided some interesting and valuable solutions [37][38][39][40].…”

Section: Robotics and Automation Engineering Journalmentioning

confidence: 99%

See 2 more Smart Citations

Why Model Complex Dynamic Systems Using Fuzzy Cognitive Maps?

Groumpos

2017

RAEJ

View full text Add to dashboard Cite

Today's systems have become more and more complex and dynamic. The concept of complex dynamic systems (CDS) arises in many scientific fields, technological areas and everyday's problems. The fundamental basics of complex dynamic systems are briefly presented and discussed. Modelling and controlling complex dynamic systems is a very difficult and challenging task. Different modelling approaches basically focus on the interaction between (microscopic) subsystems and the emergence of new qualities at the (macroscopic) system level. However, these models are not sufficient to describe the dynamic behavior of these systems.The need for new advanced and innovative approaches is justified. Theories of Fuzzy Cognitive Maps are proposed and mathematically formulated as a new way to model and control complex dynamic systems. Examples for modelling CDS are given and the obtained results are promising in provided a useful solution to many problems of CDS. Certain drawbacks and inefficiencies of FCM are described and certain solutions to overcome these drawbacks are given. Conclusions are given and future research directions are provided.

show abstract

Section: Ementioning

confidence: 97%

Section: Factor-conceptsmentioning

confidence: 99%

See 1 more Smart Citation

Why Model Complex Dynamic Systems Using Fuzzy Cognitive Maps?

Groumpos

2017

RAEJ

View full text Add to dashboard Cite

show abstract

“…Thus, FCMs have been widely used in terms of planning and decision making (Dodurka et al 2017). Moreover, the interest from both researcher and industry is increasing, and FCM has been successfully apply to the areas of medicine (Papageorgiou and Froelich 2012), control (Papageorgiou et al 2006), business (Glykas 2013), robotics (Motlagh et al 2012, environmental science (Kok 2009), education (Yesil et al 2013), energy efficiency (Mpelogianni et al 2015) and information technology (Büyüközkan and Vardaloğlu 2012).…”

Section: Fuzzy Cognitive Maps (Fcms) Theorymentioning

confidence: 99%

Marine accident learning with fuzzy cognitive maps (MALFCMs) and Bayesian networks

Maya

Babaleye

Kurt

2019

Saf. Extreme Environ.

View full text Add to dashboard Cite

Addressing safety is considered a priority starting from the design stage of any vessel until end-of-life. However, despite all safety measures developed, accidents are still occurring. This is a consequence of the complex nature of shipping accidents where too many factors are involved including human factors. Therefore, there is a need for a practical method, which can identify the importance weightings for each contributing factor involved in accidents. As a result, by identifying the importance weightings for each factor, risk assessments can be informed, and risk control options can be developed and implemented more effectively. To this end, Marine Accident Learning with Fuzzy Cognitive Maps (MALFCM) approach incorporated with Bayesian networks (BNs) is suggested and applied in this study. The MALFCM approach is based on the concept and principles of fuzzy cognitive maps (FCMs) to represent the interrelations amongst accident contributor factors. Thus, MALFCM allows identifying the importance weightings for each factor involved in an accident, which can serve as prior failure probabilities within BNs. Hence, in this study, a specific accident will be investigated with the proposed MALFCM approach. Keywords Maritime accidents. Maritime safety. Maritime accident learning with fuzzy cognitive maps (MALFCMs). Human factors. Bayesian networks (BNs)

show abstract

“…Μάλιστα, οι ΑΓΧ έχουν χρησιμοποιηθεί τόσο στο πεδίο της ενεργειακής πολιτικής (π.χ. Mpelogianni et al, 2015) όσο και στο πεδίο της αξιολόγησης κινδύνων και αβεβαιοτήτων που σχετίζονται με σύνθετα συστήματα (π.χ. Jamshidi et al, 2016), και τα δύο εκ των οποίων έχουν συνάφεια με την ερευνητική ερώτηση της παρούσας ενότητας.…”

Section: κοινωνικοοικονομικά σενάριαunclassified

Ολοκληρωμένο Υπόδειγμα Για Την Υποστήριξη Αποφάσεων Κλιματικών Πολιτικών

Νίκας¹

View full text Add to dashboard Cite

Στο πλαίσιο των μετασχηματισμών που απαιτούνται για την αντιμετώπιση της κλιματικής αλλαγής, η Συμφωνία του Παρισιού τονίζει την ανάγκη σχεδιασμού και υλοποίησης παγκοσμίως συντονισμένων, βιώσιμων, εύρωστων και κοινωνικά αποδεκτών μονοπατιών πολιτικής. Επί δεκαετίες, η επιστημονική κοινότητα υποστήριζε την χάραξη κλιματικής πολιτικής κυρίως μέσω εργαλείων μοντελοποίησης κλίματος-οικονομίας. Σκοπός της διατριβής είναι η μελέτη της έως τώρα επιστημονικής συνεισφοράς τους στη χάραξη πολιτικής, η ανάδειξη των διαθέσιμων μέσων για τη διαμόρφωση ενός νέου υποδείγματος που ανταποκρίνεται στις υφιστάμενες και νέες προκλήσεις, η επιλογή μεθοδολογιών και ανάπτυξη μίας εργαλειοθήκης υποστήριξης αποφάσεων στην κατεύθυνση του προτεινόμενου υποδείγματος, και η εφαρμογή της σε πραγματικές μελέτες περίπτωσης.Συγκεκριμένα, υποστηρίζεται ότι οι διεργασίες μοντελοποίησης καθαυτές διευρύνουν το χάσμα μεταξύ επιστήμης και πολιτικής, και διερευνώνται οι κυρίαρχες επικρίσεις των τυποποιημένων πλαισίων μοντελοποίησης. Το προτεινόμενο υπόδειγμα ορίζει τις έννοιες του κινδύνου και της αβεβαιότητας στην κλιματική πολιτική, και τονίζει τη σημασία των ποικίλων μοντελικών συνόλων, του ανθρώπινου παράγοντα, και της ευρωστίας των τελικών συστάσεων πολιτικής. Για την κατασκευή αυτού του ολοκληρωμένου επιστημονικού υποδείγματος, αρχικά επιχειρείται η οργάνωση των μοντέλων κλίματος-οικονομίας. Στη συνέχεια, πραγματοποιείται βιβλιογραφική ανασκόπηση και επιλογή τριών μεθοδολογιών υποστήριξης αποφάσεων για την πλαισίωση του προτεινόμενου υποδείγματος, με κριτήριο τη δυνατότητά τους να αντιμετωπίσουν τις κύριες αδυναμίες των μοντέλων κλίματος-οικονομίας και να αναβαθμίσουν τις διεργασίες χάραξης κλιματικής πολιτικής. Αυτές περιλαμβάνουν τους ασαφείς γνωστικούς χάρτες, την πολυκριτήρια ανάλυση και την ανάλυση χαρτοφυλακίου.Έτσι, αναπτύσσεται και παρουσιάζεται μία εξειδικευμένη εργαλειοθήκη. Η χαρτογράφηση συστημάτων συνδυάζεται με το πλαίσιο των συστημάτων καινοτομίας και εισάγεται στον χώρο της κλιματικής πολιτικής, ενώ αναπτύσσεται το λογισμικό MATISE για τη διαχείριση της γνώσης εμπειρογνωμόνων. Η ασαφής γνωστική χαρτογράφηση τροποποιείται ώστε να ενσωματώνει την έννοια του χρόνου, και το εργαλείο ESQAPE εισάγει το νέο μεθοδολογικό πλαίσιο στην ενεργειακή και κλιματική πολιτική. Τέλος, περιγράφεται μία νέα προσέγγιση πολυκριτήριας πολυμετοχικής ανάλυσης βασισμένης στην Behavioural TOPSIS και παρουσιάζεται λεπτομερώς ένα εξειδικευμένο εργαλείο, το MACE-DSS.Το προτεινόμενο επιστημονικό υπόδειγμα έπειτα δοκιμάζεται σε πέντε πραγματικές εφαρμογές και με διαφορετικές συνθέσεις των διαστάσεων που το απαρτίζουν: των αναπτυγμένων μεθοδολογικών πλαισίων και εργαλείων, των συνδυασμών μοντέλων κλίματος-οικονομίας, και της γνώσης των εμπειρογνωμόνων. Οι τέσσερις μελέτες περίπτωσης περιλαμβάνουν την αποτίμηση των επιδράσεων των κινδύνων μίας ενεργειακής μετάβασης στην Ελλάδα με βάση την ηλιακή ενέργεια, τον προσδιορισμό βέλτιστων τεχνολογιών στην ευρωπαϊκή ηλεκτροπαραγωγή, την αξιολόγηση των δυνατοτήτων απανθρακοποίησης του πολωνικού ενεργειακού τομέα, και τη μελέτη των προοπτικών για έναν πράσινο κτιριακό τομέα στην Κίνα. Τέλος, επιχειρείται μία συνολική εφαρμογή όλων των μεθοδολογιών και πτυχών του προτεινόμενου υποδείγματος, σε μία προσπάθεια προσδιορισμού του βέλτιστου μίγματος πολιτικής για την βελτιστοποίηση της ενεργειακής αποδοτικότητας στην Ελλάδα.

show abstract

Fuzzy Cognitive Maps in the Service of Energy Efficiency

Cited by 12 publications

References 9 publications

Why Model Complex Dynamic Systems Using Fuzzy Cognitive Maps?

Why Model Complex Dynamic Systems Using Fuzzy Cognitive Maps?

Marine accident learning with fuzzy cognitive maps (MALFCMs) and Bayesian networks

Ολοκληρωμένο Υπόδειγμα Για Την Υποστήριξη Αποφάσεων Κλιματικών Πολιτικών

Contact Info

Product

Resources

About