Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Разработка теории и основных принципов принятия решений в САПР на основе методов, инспирированных природными системами

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Важным преимуществом моделирования эволюции в СППР является то, что эффективные решения, полученные на предварительных этапах, закрепляются и используются в последующих итерациях. Вся природа эволюции устроена так, что в ней действуют принципы оптимизации, экономии и ускорения. Согласно изречению философа Спинозы, «Natura nihil frustra agit» — «Природа ничего не создает понапрасну». Английский… Читать ещё >

Содержание

  • ГЛАВА 1. АНАЛИЗ ПРОЦЕССА РАЗВИТИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
    • 1. 1. Постановка задачи и основные модели принятия решений
    • 1. 2. Классификация методов принятия решений
    • 1. 3. Анализ множества альтернатив принятия решений
    • 1. 4. Информационный подход к разработке систем поддержки принятия решений
    • 1. 5. Постановка задачи принятия решений в условиях неопределенности
    • 1. 6. Описание моделей для задач принятия решений
    • 1. 7. Краткие
  • выводы
  • ГЛАВА 2. АНАЛИЗ И ПРЕОБРАЗОВАНИЕ ЗНАНИЙ В СППР
    • 2. 1. Построение интеллектуальных систем поддержки принятия решений
    • 2. 2. Методы вывода и поиска решений в продукционных системах
    • 2. 3. Методы вывода и поиска решений на фреймах и в семантических сетях
    • 2. 4. Логические методы вывода и поиска решений
    • 2. 5. Метаданные в системах поддержки и принятия решений
    • 2. 6. Представление знаний при принятии решений
    • 2. 7. Использование экспертных систем при принятии решений
    • 2. 8. Построение динамических экспертных систем в СППР
    • 2. 9. Связь между задачей принятия решений и генетическими алгоритмами
    • 2. 10. Краткие
  • выводы
  • ГЛАВА 3. РАЗРАБОТКА ЭВОЛЮЦИОННЫХ И ГЕНЕТИЧЕСКИХ МЕТОДОВ ПРИНЯТИЯ РЕШЕНИЙ
    • 3. 1. Анализ и обзор моделей эволюции
    • 3. 2. Построение модифицированной модели эволюции Шмальгаузена
  • З.З.Элементы теории генетических алгоритмов
    • 3. 4. Перспективные технологии квантового поиска для СППР
    • 3. 5. Краткие
  • выводы
    • 4. РАЗРАБОТКА АЛГОРИТМОВ ПРИНЯТИЯ РЕШЕНИЙ В САПР
      • 4. 1. Синтез алгоритмов принятия решений при разбиении графовых моделей
      • 4. 2. Комбинированные подходы для размещения вершин графов
      • 4. 3. Определение инвариантов графовой модели принятия решений
      • 4. 4. Квантовые алгориты решения задач на основе графовых моделей
      • 4. 5. Биоинспирированный алгоритм определения максимальных паросочетаний в графовой модели
      • 4. 6. Краткие
  • выводы
  • ГЛАВА 5. АНАЛИЗ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ
    • 5. 1. Инструментальная среда эволюционного моделирования
    • 5. 2. Результаты вычислительного эксперимента при принятии решений для графовых моделей в САПР
    • 5. 3. Вычислительные эксперименты при анализе инвариантов графовых моделей
    • 5. 4. Краткие
  • выводы

Разработка теории и основных принципов принятия решений в САПР на основе методов, инспирированных природными системами (реферат, курсовая, диплом, контрольная)

Актуальность работы. Одной из важных проблем в науке и технике 21-го столетия остается поддержка принятия решений в неопределенных и нечетких условиях. Постоянно происходит увеличение потоков информации, содержащих различные типы данных и знаний (так называемая проблема «проклятия размерности»), направленных на лицо, принимающее решение. Требуется разработка теории, принципов и построение на их основе интегрированных математических моделей и методов для эффективного принятия решений в САПР. Это особенно актуально в высокотехнологичных областях, например, связанных с внедрением биоинспирированных, информационных, ядерных и нанотехнологий, автоматизации проектирования. При этом важным является создание множества информационных интеллектуальных систем поддержки принятия решений, ориентированных на заданные предметные области. Кроме того, требуют своего решения задачи выбора необходимой информации из множества неопределенных данных и знаний, а также получения решения в реальном масштабе времени на основе композитной обработки информации. Эффективным способом анализа и обработки множества данных и знаний является моделирование эволюционного развития природы, адаптация, иерархическая самоорганизация, использование генетического поиска, программирования, бионических, генетических и квантовых алгоритмов.

Основой работы является математический аппарат системного анализа, информационно-коммуникационных технологий (ИКТ), оптимизации сложных систем, принятия решений, автоматизации проектирования и исследования процессов создания, накопления и обработки информации. Данная работа тесно связана с задачами и проблемами искусственного интеллекта. Это извлечение знаний и построение их моделей, рассуждения в условиях неопределенности, исключение неопределенности в моделях систем принятия решений, моделирование рассуждений и «ревизия убеждений», технология извлечения знаний из баз и хранилищ, разработка архитектуры интегрированных динамических экспертных систем, ситуационное и бионическое управление в системах поддержки принятия решений при автоматизации проектирования.

Вся интеллектуальная деятельность лица, принимающего решение (ЛПР), разделяется на формализуемую и неформализуемую. Формализуемая деятельность ЛПР отображается системами, моделями и алгоритмами, которые реализуются на основе перспективных информационно-коммуникационных технологий (ИКТ).

Для неформализуемой деятельности предлагается использовать следующие основные принципы: «разделяй и властвуй», «бритвы Оккама», «плодитесь и размножайтесь», «выживают сильнейшие», «целое больше части», «эффективное извлечение знаний» и др. [1−12].

На основе принципа «разделяй и властвуй» производится разбиение сложных задач принятия решений на подзадачи.

На основе принципа «бритвы Оккама» производится упрощение архитектуры системы поддержки принятия решений (СППР).

На основе принципа «выживают сильнейшие» и методов многокритериальной оптимизации выбираются квазиоптимальные и оптимальные, с точки зрения выбранного критерия (целевой функции) альтернативные решения.

На основе принципа «плодитесь и размножайтесь» строятся наборы альтернативных решений при неопределенных и нечетких исходных данных.

На основе принципа «целое больше части» (одного из основных постулатов синергетики) строится единая интегрированная система СППР и единая целевая функция (ЦФ) на основе свертки частичных ЦФ.

На основе принципа «эффективного извлечения знаний» (data mining) строится динамическая экспертная система, создаются хранилища данных для вариативного анализа ситуаций принятия решений [13−15].

Создание интеллектуальных иерархических СППР основано на переходе от алгоритмов обработки и извлечения данных к альтернативной технологии автоформализации профессиональных знаний. Эволюционные стратегии, бионические принципы, построение эволюционных моделей позволит увеличить эффективность деятельности ЛПР совместно с СППР по принятию квазиоптимальных и оптимальных решений. Все это должно быть связано с новой концепцией развития ИКТ.

Основополагающими работами, оказавшими влияние на исследования автора, являются труды О. И. Ларичева, Г. С. Поспелова, Д. А. Поспелова, А. Л. Стемпковского, В. Н. Вагина, И. П. Норенкова, A.A. Колесников, Д. И. Батищева, Г. Г. Казенов, В. Н. Гридин, В. П. Корячко, Л. С. Берштейна, С. В. Емельянова, А. П. Еремеева, Н. Н. Моисеева, Г. С. Осипова, Э. В. Попова, Л. А. Растригина, Э. А. Трахтенгерца, Л. Заде, М. Месаровича, Д. Фогеля, А. Н. Тихонова, Г. В. Рыбина, Р.Л., Кини, X. Райфа, О Уотермен., Б. Прис, Н. Шервани, Д. Гольдберг, Д. Холланд, Л. Девис и многих других.

Общей характеристикой для СППР является их структура или архитектура. Она представляет собой совокупность отношений, т. е. набор знаков или чисел, в который вкладывается определенный смысл. Структура характеризуется многоуровневостыо, единством и противоречивостью. Модель структуры системы называют структурной схемой системы. В ней указываются элементы, отношения между ними и связи элементов с окружающей средой и ЛПР.

В работе предлагается создавать новые и модифицированные СППР путем моделирования эволюции и разработки биоинспирированных методов и алгоритмов. Тогда принятие решений (ПР) будет соответствовать построению комплекса определенных математических моделей, обладающих заданными новыми и прогнозируемыми свойствами, которых не было у исходных прародителей. Разработка гибридных человеко-машинных СППР позволит проводить этапы анализа, синтеза и моделирования альтернативных решений с учетом опыта, знаний и предпочтений разработчиков систем. Смысл «существования» таких систем сводится только к порождению новых себе подобных потомков, которые при неопределенных и нечетких условиях дают новое (реальное с точки зрения ПР) потомство. Если задача не имеет общего решения, то система позволяет получить на промежуточном шаге одно или несколько квазиоптимальных локальных решений, используемых ЛПР в оперативной деятельности. В работе определяются и вырабатываются наборы критериев искусственной селекции, при которых удаляются бесперспективные и малоперспективные решения.

Суть эволюционного моделирования для СППР состоит в реализации целенаправленного процесса «размножения — исчезновения», при котором размножению соответствует появление новых альтернативных решений, а исчезновению — удаление нереальных решений в соответствии с определенным критерием естественного отбора [6,9,16−19]. Для эффективного принятия решений в неопределенных условиях необходимо каждый раз определять сходимость процесса к искомому множеству решений. При этом производится перебор по всему множеству решений, в результате чего возникают новые альтернативные решения — потомки. Тогда технология моделирования эволюции превращается в комплекс алгоритмов смены поколений, в котором потомок становится родителем в следующей генерации. Такие биоинспирированные алгоритмы взаимно дополняют друг друга и способствуют эффективному анализу СППР [9].

Важным преимуществом моделирования эволюции в СППР является то, что эффективные решения, полученные на предварительных этапах, закрепляются и используются в последующих итерациях. Вся природа эволюции устроена так, что в ней действуют принципы оптимизации, экономии и ускорения. Согласно изречению философа Спинозы, «Natura nihil frustra agit» — «Природа ничего не создает понапрасну». Английский философ Фрэнсис Бэкон утверждал: «Natura поп nisi parendo vincitur» — «Природу побеждают только повинуясь ей» [20,21]. Эволюция невозможна без смены одного устойчивого состояния системы другим, без конкуренции, без конфликтов. В этом случае трудоемкость СППР резко возрастает, возникает проблема «проклятия размерности», и использовать №-полные, ЫР-трудные и алгоритмы с экспоненциальной временной сложностью становится невозможным из-за необходимости обработки огромных массивов информации. Тогда становится необходимой интеграция биоинспирированных и поисковых методов с целью модернизации СППР в автоматизированном проектировании. Одним из таких подходов является использование методов моделирования эволюции, применение биоинспирированных, бионических, квантовых и генетических алгоритмов, эволюционных стратегий, адаптации и взаимодействия с внешней средой. Адаптация позволяет накапливать и использовать информацию в СППР, создавать базы знаний и хранилища данных, осуществлять поиск и извлечение знаний при первоначальной неопределенности и изменяющихся внешних условиях.

В последнее время началась разработка и исследование возможностей применения алгоритмов, инспирированных природными системами, для эффективного принятия решения (ПР) в неопределенных и нечетких условиях при проектировании. При этом постоянно возникает конфликт между сложностью САПР и требованиями принятия эффективных решений в реальном масштабе времени. Данные проблемы не могут быть полностью решены распараллеливанием процесса принятия решений, увеличением числа операторов, пользователей и ЛПР. Одним из возможных подходов к решению этой проблемы является использование новых технологий на стыке информатики, бионики и автоматизации проектирования. По мнению автора, одна из таких технологий может базироваться на идеях моделирования эволюции и методах, инспирированных природными системами.

В этой связи разработка фундаментальной научной теории и принципов принятия эффективных решений в САПР имеет важное экономико-социальное значение и является в настоящее время актуальной и важной.

Цель диссертационной работы. Разработка фундаментальной теории и принципов принятия решений в САПР на основе методов, инспирированных природными системами.

Указанная цель достигается решением следующих задач.

1. Построение новых и модифицированных математических моделей эволюционных и поисковых методов принятия решений.

2. Разработка новых технологий принятия решений на основе методов, инспирированных природными системами.

3. Разработка динамических экспертных систем при принятии решений.

4. Исследование и разработка графовых и гиперграфовых моделей как стандартных блоков в САПР.

5. Разработка новой инструментальной среды системы поддержки принятия решений при проектировании.

Методы исследования. В диссертационной работе для решения поставленных задач используются элементы теории искусственного интеллекта, сложных систем, системного анализа, аппарат теории четких и нечетких графов, экспертных систем и эволюционного моделирования. В исследованиях широко использовался вычислительный эксперимент и моделирование на основе новых бионических, биоинспирированных и информационных технологий.

Научная новизна работы заключается в теоретическом обобщении и решении научной проблемы, имеющей важное экономико-социальное значение, в области искусственного интеллекта и информационных технологий.

Г. Разработаны основные элементы фундаментальной: теории инспирированных природой алгоритмов (ИПА), включающих генетические алгоритмы, синтетическое эволюционные моделирование, квантовые алгоритмы, используемые для поддержки принятия решений в САПР. Она порождает новую технологию принятия решений, сочетающую методы бионики и информатики.

2. На основе разработанной теории ИПА предложен единый комбинаторный подход к принятию решений в задачах конструкторского проектирования на графовых моделях.

3. Построена модифицированная интеллектуальная система поддержки принятия решений в САПР. Основное преимущество заключается в использовании интегрированной целевой функции, трехуровнего моделирования и взаимодействия с внешней средой. Это позволяет построить иерархическую систему вывода, действующую по принципу «матрешки».

4. Построены новые архитектуры бионического и квантового поиска, ориентированные на решение задач проектирования.

5. Разработана методика бионического поиска в СППР на основе методов, инспирированных природными системами, позволяющая получать наборы квазиоптимальных решений.

6. Исследованы и обоснованы модели принятия решений на основе эволюционных теорий Дарвина, Ламарка, Фризе, Киммуры, Поппера, Дубинина, Шмальгаузена, Эйгена-Фишера и др.

7. Показана связь между механизмами принятия решений и генетическими алгоритмами. Это позволяет применить теорию эволюционного моделирования и генетических алгоритмов для построения эффективных систем поддержки принятия решений.

8. Разработаны новые алгоритмы принятия решений при проектировании на основе построенных эволюционных моделей. Это позволяет повысить скорость проектирования за счет распараллеливания процесса решения.

Практическая ценность результатов диссертационной работы определяется созданием программной среды и комплекса программных средств принятия решений, позволяющих использовать разработанные математические модели, стратегии, методы, принципы и алгоритмы, отвечающие стандартам проектирования. Разработана специальная программная среда для моделирования задач принятия решений. Комплексы программ реализованы на языке С++ под WINDOWS. Предлагаемые в диссертации программные средства поддержки принятия решений на основе методов, инспирированных природными системами, дают возможность представления задач реального пользователя и ЛПР в виде стандартных блоков и кластеров, что позволяет распараллеливать процесс решения. Широкий спектр экспериментальных исследований, проведенных автором, показал преимущество разработанной фундаментальной теории и принципов принятия решений в САПР на основе методов, инспирированных природными системами, по сравнению с классическими методами. Сравнение проводилось на стандартных тестовых задачах (бенчмарках), известных из литературы. Оно показало, что время решения разработанных алгоритмов позволяет получать наборы оптимальных или квазиоптимальных результатов. Улучшение работы предложенных архитектур генетического поиска по сравнению с известными методами составило по качеству от 15% до 40%, а по времени — от 10% до 25% в зависимости от вида оптимизационных задач проектирования. Время получения лучших результатов соответствует времени, которое требуют итерационные алгоритмы.

Научное народнохозяйственное значение диссертационной работы состоит в создании научных основ новой информационной технологии на базе бионических методов и использовании ее в САПР для принятия эффективных решений.

Реализация результатов работы. Теоретические и практические результаты, полученные в диссертационной работе, использовались в 7-ми научно-исследовательских работах, выполненных в рамках грантов РФФИ, программ Минобразования, госбюджетной и хоздоговорной тематики. Материалы диссертации использованы в госбюджетных работах: «Разработка теории и принципов построения интеллектуальных систем принятия решений при проектировании на основе квантовых вычислений и бионических методов поиска». Программа развития потенциала научной школы «Разработка бионических методов и принципов поиска оптимальных решений при проектировании». Гранты РФФИ «Разработка теории и принципов принятия решений при разбиении сложных математических объектов на части на основе моделирования эволюций и фрактальных множеств" — «Разработка теории и принципов построения систем автоматизированного проектирования на основе эволюционной адаптации" — «Разработка теории и принципов построения систем поддержки принятия решений на основе эволюционной адаптации, самообучения и самоорганизации" — «Разработка теории и исследование эволюционных, синергетических и гомеостатических методов принятия решений».

Результаты работы используются в Институте проблем естественных монополий (г.Москва), ОАО «Российские космические системы» (г.Москва), ОАО «РусГидро» (г.Москва, г. Красноярск), ФГУП «ЦНИИМАШ» (г.Королев), в научных исследованиях Южного федерального университета (г.Ростов-на-Дону), Технологического института Южного федерального университета в г. Таганроге, что подтверждается соответствующими актами.

Результаты научных исследований внедрены в учебный процесс Южного федерального университета (г.Ростов-на-Дону), Технологического института Южного федерального университета в г. Таганроге, что подтверждено актами использования.

Результаты диссертационной работы обобщены в 12 изданных монографиях и 19 работах, опубликованных в изданиях, рекомендованных ВАК для диссертаций на соискание ученой степени доктора наук.

Апробация работы. Основные научные и практические результаты диссертационной работы докладывались, обсуждались и были одобрены на всероссийских научно-технических конференциях с участием зарубежных представителей и международных научно-технических конференциях «Новая информационная технология и проблемы управления» (г. Москва, 1990 г.), международных научно-технических конференциях «Интеллектуальные СППР» (г. Дивноморск 2002;2009гг.), на международных конференциях «Интеллектуальные системы» (г. Дивноморск, 2003;2009гг.), III и IV Международных научно-практических конференциях «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г.Коломна, 2005, 2007,2009гг.) — по информационным технологиям, проводимых на международных выставках (г. Шеньян 2006 г., г. Харбин 2007 г. КНР), и выставке CEBIT (г. Ганновер 2007 г. Германия) — на научных семинарах Артуа университета (г.Бетюн, Франция 2006;2010гг.) и Северо-Кавказкого Научного Центра Высшей Школы (г.Ростов-на-Дону, 2003; 2007гг.).

Публикации. Основные результаты диссертационной работы отражены в 56 печатных работах, в том числе: 12 монографиях и учебных пособиях. Список основных работ по теме диссертации приведен по мере цитирования в списке использованной литературы в конце диссертации.

Структура и объем диссертационной работы. Диссертация состоит из введения, пяти разделов, заключения, изложенных на 349 страницах, рисунков 97, расположенных на 49 страницах, 10 таблиц, списка литературы из 288 наименований и приложений. В приложение вынесены акты об использовании и внедрении результатов диссертационной работы.

Результаты работы 4.

•Простой ГА1 «Жадный ГД|.

15 915 2331 40 48 56 65 73 82 90 98 108 120 132 144 156 168 180 192.

Итерации.

Рис. 5.25. График зависимости значения целевой функции от числа итераций.

Рис 5.26. ВСА.

Программа реализует следующие алгоритмы:

• Бионический алгоритм поиска максимального паросочетания в двудольном графе;

• Алгоритм Форда-Фалкерсона, использующий поиск в ширину, для нахождения максимального паросочетания в двудольном графе;

• Алгоритм Форда-Фалкерсона, использующий поиск в глубину, для нахождения максимального паросочетания в двудольном графе.

Алгоритм и программа Форда-Фалкерсона была взята как лучшая существующая стандартная процедура для сравнения разработанных алгоритмов.

После выполнения алгоритма решение выводится на экран в окне сообщений, в строке состояния и в рабочей области главного окна (рис. 5.28).

Отметим, что программа предоставляет средства статистического исследования указанных выше алгоритмов. В любое' время из меню «Алгоритм» доступны команды: Алгоритм Пакетная обработка (Форда-Фалкерсона ПШ) — Алгоритм Пакетная обработка (Форда-Фалкерсона ПГ) — Алгоритм Пакетная обработка (бионический поиск) — Алгоритм -> Пакетное сравнение всех алгоритмов.

При выборе команды «Пакетное сравнение всех алгоритмов» для поиска максимального паросочетания используются последовательно все алгоритмы. Результаты заносятся в отчет. Этот режим удобен тем, что позволяет объективно оценить преимущество и недостатки указанных алгоритмов на одинаковых исходных данных.

Были проведены экспериментальные исследования, результаты которых приведены в таблицах 5.5 и 5.6. Графическая иллюстрация полученных данных приводится на графиках (рис. 5.29, 5.30). Здесь ТВБ8 — время работы алгоритма Форда-Фалкерсона при использовании поиска в ширинуТОР8 — время работы алгоритма ФордаФалкерсона при использовании поиска в глубинуТ1ЧПЧ8 — время решения бионического алгоритма. вд ^ ¦ ***** т «'Р—Щі ці і.

Файл Граф Алгоритм ©.

V / /.

• х ©.

X / х.

А /.

V ®.

У V / / ®.

8(4+4) Е=11 і Л.

Рис. 5.27. Главное окно приложения, отображающее двудольный граф.

Рис. 5.28. Найденное в двудольном графе паросочетание.

Заключение

.

1. Разработаны основные элементы фундаментальной теории инспирированных природой алгоритмов (ИПА), используемые для поддержки принятия решений в САПР. Она порождает новую технологию принятия решений, сочетающую методы бионики и информатики.

2. Проведен анализ и классификация систем поддержки принятия решений. Сформулирована постановка задачи принятия решений в САПР. Приведено описание новой модифицированной интеллектуальной системы поддержки принятия решений. Основное преимущество заключается в использовании интегрированной целевой функции, трехуровнего моделирования и взаимодействия с внешней средой.

3. Описаны и проанализированы модифицированные методы вывода и поиска решений в продукционных системах на фреймах и семантических сетях. Это позволяет построить иерархическую систему вывода, действующую по принципу «матрешки». Показана связь между механизмами принятия решений и генетическими алгоритмами. Это позволяет применить теорию эволюционного моделирования и бионических алгоритмов для построения эффективных систем поддержки принятия решений в САПР.

4. Предложено использование динамических экспертных систем в СППР. Это сделано для введения ЛПР в систему обратной связи с внешней средой. Такой механизм позволяет частично принимать решение в реальном масштабе времени при проектировании.

5. Разработаны структурные схемы модифицированных моделей эволюции, на их основе построены архитектуры поиска при принятии решений в САПР. Это позволяет строить алгоритмы принятия решений с локальными оптимумами за полиномиальное время.

6. Построена новая модель эволюции Шмальгаузена, и на ее основе разработан генетический алгоритм. Он эффективно используется для решения оптимизационных задач проектирования. Преимуществом эволюции Шмальгаузена является моделирование части этапов микроэволюции и макроэволюции, и использование ее для повышения качества принятия решений.

7. На основе разработанной теории ИПА предложен единый комбинаторный подход к принятию решений в задачах конструкторского проектирования на графовых моделях. Это позволяет повысить качество проектирования и сократить временные затраты при принятии решений.

8. Разработаны новые архитектуры решения задач принятия решений на основе алгоритмов, инспирированных природными системами. Это позволяет расширить область поиска данных без увеличения времени работы и сократить преждевременную сходимость алгоритмов, повысить эффективность и качество получаемых решений при проектировании.

9. Проведен синтез алгоритмов принятия решений при компоновке блоков (разбиении графовых моделей). Это позволяет повысить качество заключительных этапов проектирования и сократить на (15−20) % временные затраты.

Ю.Разработаны новые комбинированные подходы на основе алгоритмов проектирования, инспирированных природными системами, для размещения стандартных блоков (вершин графовых моделей) систем на кристалле. Сформулированы новые критерии поиска. Это позволяет проектировать микрои наносистемы с учетом комплексных критериев.

11. Построены бионические, квантовые и комплексные алгоритмы определения таких инвариантов графовой модели принятия решений, как независимые и доминирующие множества. Это позволяет определять эффективные стандартные блоки при проектировании систем на кристалле. Разработаны квантовые алгоритмы раскраски, построения клик, гамильтоновых циклов и независимых множеств на основе графовых моделей. Это позволяет создавать новую архитектуру проектирования на основе комбинированных алгоритмов.

12.Построены новые алгоритмы определения максимальных паросочетаний в графовой модели на основе биоинспирированных алгоритмов, позволяющие находить наборы максимальных паросочетаний в двудольных графах. Время работы в наилучших случаях имеет порядок роста 0(п), где п — число вершин графа.

13. Реализация биоинспирированных алгоритмов при решении задач САПР показала преимущество по сравнению со стандартными тестовыми методами. Управление процессом бионического поиска при проектировании позволяет находить оптимальные параметры. Из приведенных статистических данных следует, что в общем случае время решения линейно зависит от количества генераций, и временная сложность алгоритмов о ориентировочно составляет от О (п^п) и до 0(п).

14. Анализ экспериментов позволяет отметить, что бионические алгоритмы требуют больших затрат времени, но позволяют получать набор локально-оптимальных решений и, в частном случае, оптимальных решений. Проведенные серии тестов И' экспериментов позволили уточнить теоретические оценки временной сложности алгоритмов оптимизационных задач проектирования и их поведение для графов различной структуры. Проведенные комплексные исследования показали улучшение работы предложенных комплексных алгоритмов бионического поиска по сравнению с известными методами. Улучшение составило по качеству от 15% до 40%, а по времени от 10% до 25% в зависимости от вида оптимизационных задач.

Показать весь текст

Список литературы

  1. А.Б. Теория принятия решений.-М.: Издательский центр «Академия», 2009.
  2. И. От существующего к возникающему.- М.: Наука, 1985.
  3. Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах. -М.: Мир, 1985.
  4. Н. Кибернетика или управление и связь в животном мире. -М.: Сов. радио, 1968.
  5. О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах. -М.: Логос, 2000.
  6. В.В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. -М.: Физматлит, 2003.
  7. В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. -М.: Эдиториал УРСС, 2002. -352с.
  8. В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. -М.: Комкнига, 2005.
  9. В.В., Курейчик В. М., Гладков Л. А., Сороколетов П. В. Бионспирированные методы в оптимизации,— М.: Физмалит, 2009.
  10. Г. Н., Герц А. Г. Искусственный и биологические интеллекты. Общность структуры, эволюция и процессы познания.- М.: Комкнига, 2005.
  11. Ф. Паутина жизни. Новое научное понимание живых систем. Перевод с английского М.: ИД «Гелиос», 2002.
  12. В.И. Биосфера ноосфера. М.: Рольф, 2006, 576с.
  13. В.В., Гареев А. Ф., Васютин C.B., Райх В. В. Базы данных. Интеллектуальная обработка информации. -М.: Издательство «Нолидж», 2000 г.-352с.
  14. Дюк В., Самойленко A., Data Mining: учебный курс.-СПб.: Питер, 2001.-368с.
  15. И.В., Курейчик В. В., Курейчик В. М., Сороколетов П. В. Элементы динамических экспертных систем. Монография. Таганрог: Изд-во ТТИ ЮФУ, 2007.
  16. Ч. Происхождение видов путем естественного отбора, или сохранение благоприятных рас в борьбе за жизнь. -СПБ., 1991.
  17. Ч. Происхождение видов путем естественного отбора.- М.: «Тайдекс Ко», 2003.
  18. Holland John Н., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. USA: University of Michigan, 1975.
  19. Goldberg David E. Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989.
  20. П.С. Золотая философия. M.: Изд-во ACT, 1999.
  21. Великие мыслители Запада / Пер. с англ. М.: КРОН ПРЕСС, 1999.
  22. P.JI., Райфа X. Принятие решений при многих критериях: предпочтения и замещения. -М.: Радио и связь, 1981.
  23. П.В. и др. Методы и алгоритмы принятия решений на основе бионического поиска: Монография.— Таганрог: изд-во ТТИ ЮФУ, 2009.
  24. Тихонов А. Н, Цветков В. Я. Методы и системы поддержки принятия решений. -М.: МАКС Пресс, 2001.
  25. А. А. Математические методы принятия решений. —М.: Изд-во МГТУ им. Баумана, 2006.
  26. С.В. Теория и практика рационального выбора: Монография. -М.: Маршрут, 2004.
  27. В.П. Методы оптимизации. -М.:Высш.шк., 2007.
  28. A.B., Борисов А. Н. и др. Интеллектуальные системы принятия проектных решений. -Рига: Зинатне, 1997.
  29. В.В., Сороколетов П. В. Принятие решений в неопределенных условиях в задачах проектирования радиоэлектронной аппаратуры. Изд-во «Известия высших учебных заведений. СевероКавказский регион» 2007, № 1. С. 19−24.
  30. В.В., Сороколетов П. В. Архитектуры и стратегии принятия решений. Сборник трудов международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте», т. 2. М.: Физматлит, 2007. — с.397−406.
  31. П.В. Принципы и нечеткие алгоритмы анализа моделей принятия решений. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИЮФУ, 2008, № 4(81). С. 111−115.
  32. П.В. Построение интеллектуальных систем поддержки принятия решений. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2009, № 4 (93), С. 117−124.
  33. С. Обработка знаний. -М.: Мир, 1989.
  34. X. и др. Представление знаний. -М.: Мир, 1989
  35. М. Фреймы для представления знаний. -М.: Энергия, 1979.
  36. Ф. Теория графов.- М.: Мир, 1977.
  37. Т., Лейзерсон И., Ривест Р. Алгоритмы: построения и анализ.-М.: МЦМО, 2000.
  38. Н.И. Графы и их применение. Комбинаторные алгоритмы для программистов.- М.: Бином, 2007.
  39. Емеличев В.А.и др. Лекции по теории графов.-М.: УРСС, 2009.
  40. Л.А., Курейчик В. В., Курейчик В. М. Дискретная математика: Теория множеств, алгоритмов, алгебры логики.-Таганрог: Изд-во ТТИ ЮФУ, 2009
  41. Р., Заде Jl. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений. -М.: Мир, 1976, с. 172−215.
  42. В.В., Пиявский Б. С., Пиявский С. А. Методы принятия решений в условиях многообразия способов учета неопределенности. Известия РАН. Теория и системы управления, № 1, 2010. С. 46−61
  43. Zadeh L. Fuzzy Logic and Approximate Reasoning // Synthese. 1975. -Vol.80. — P. 407 -428.
  44. JI. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. М.: Знания, 1974. — 64 с, С. 5 — 49.
  45. Нечеткие множества и теория возможностей. Последние достижения/Пер.-с англ, под ред. Р. Р. Ягера. —М.: Радио и связь, 1986.- 408 с.
  46. И.П. Основы автоматизированного проектирования. — М.: Изд-во МГТУ имени Н. Э. Баумана, 2006. 360с.
  47. Н.Г. Основы теории нечетких и гибридных систем. -М.: Финансы и статистика, 2004.
  48. И.З., Тарасов В. Б., Ярушкина Н. Г., и др. Нечеткие гибридные системы. Теория и практика-М.: Физматлит, 2007.
  49. Г. В. Теория и технология построения интегрированных экспертных систем. -М.: ООО «Научтехлитиздат», 2008.
  50. П. Введение в экспертные системы. -М.: Издательский дом «Вильяме», 2001. 624с.
  51. Э.В., Фоминых И. Б., Кисель Е. Б., Шапот М. Д. Статические и динамические экспертные системы// под ред. Попова Э. В. -М.: Фин. И стат. 1996. 320с.
  52. Feigenbaum Е.А. Themes and case studies of knowledge engineering. Expert system in micro electronic age. Edinburg: Infotech Limited, 1979. p. 420.
  53. П.В. Извлечение экспертных знаний в ИСАПР. Известия ТРТУ № 8, 2006. С.36−40.
  54. И.В., Курейчик В. В., Курейчик В. М., Сороколетов П. В. Элементы динамических экспертных систем: Монография. -Таганрог: Изд-во ТРТУ, 2007 123с.
  55. П.В. К вопросу построения динамических экспертных систем. Известия ТРТУ. -Таганрог: Изд-во ТРТУ, 2007, № 1(73). С. 32 35.
  56. В.В., Сороколетов П. В. Проблемы использования экспертных систем при принятии решений. Интеллектуальные системы. М.: Физматлит, 2007.- с. 131−152.
  57. В.Н. Дедукция и обобщение в системах принятия решений. -М.: Наука, 1988.-384 с.
  58. H.H. Прикладная логика: Учеб. пособие. — Новосибирск: Изд-во Новосиб. ун-та, 2000. 521 с.
  59. В.Н. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2008. — 712 с.
  60. С. Математическая логика. -М.: Изд-во Мир, 1973.
  61. Д.И., Львович Я. Е., Фролов В. Н. Оптимизация в САПР. -Воронеж: Изд-во ВГУ, 1997.
  62. В.В. Эволюционные, синергетические и гомеостатические методы принятия решений. Монография. Таганрог: Изд-во ТРТУ, 2001.
  63. В.В., Сороколетов П. В. О построении интеллектуальных систем поддержки принятия решений. Известия ТРТУ. Технические науки. Изд-во ТРТУ, 2006−2007гг. № 9 С. 97 100.
  64. Л.С., Карелин В. П., Целых А. Н. Модели и методы принятия решений в интегрированных ИС. -Ростов-на-Дону: Изд-во РГУ, 1999.
  65. А.Н. Моделирование процессов принятия решений в нечетких условиях. -Ростов-на-Дону: Изд-во СКНЦВШ, 1999.
  66. Э.А. Компьютерная поддержка принятия решений. -М.: Синтег, 1998.
  67. .Я. Оптимизация вокруг нас. -Л.: Машиностроение, 1989.
  68. A.B. и др. Методы оптимизации. М.: Изд-во МГТУ имени Н. Э. Баумана, 2003.
  69. В.А., Буянов Б. Я. Модель принятия решений для интеллектуального модуля информационно-управляющей системы. Искусственный интеллект. Материалы X МНТК. Таганрог: Изд-во ТТИ ЮФУ, 2009., с. 25−27
  70. И.В., Сороколетов П. В. Проектирование вычислительного комплекса для принятия решений. Известия ЮФУ. Технические науки,-Таганрог: Изд-во ТТИ ЮФУ, 2007, № 2(77). С. 191 195.
  71. М., Мако Д., Такахара. Теория иерархических многоуровневых систем. -М.: Мир, 1973.
  72. Н.В. К оптимизации альтернативных решений в интеллектуальных системах. Искусственный интеллект. Таганрог: Изд-во ТТИ ЮФУ, 2009., с. 35−37
  73. М.Р. Перспективные технологии информационных систем.: ДМК Пресс- -М.: Компания АйТи, 2003. — 288 с.
  74. Обобщенная модель представления предметной области / А. И. Башмаков.- М.: МЭИ, 1997.— Деп. в ВИНИТИ 10.06.97, № 1933.
  75. А.И., Башмаков И. А. Интеллектуальные информационные технологии. М.: Изд-во МГТУ им. Н. Э. Баумана, 2005.
  76. А.И., Старых В. А. Систематизация информационных ресурсов для сферы образования: классификация и метаданные. М: «Европейский центр по качеству», 2003. — 384 с.
  77. Е.Ю., Литвинцева Л. В., Поспелов Д. А. Представление знаний о времени и пространстве в интеллектуальных системах. // Под ред. Поспелова Д. А. М.: Наука, 1989.
  78. О.И. и др. Выявление экспертных знаний. -М.: Наука, 1989.
  79. Хейес-Рот Ф., Уотерман Д., Ленат Д., Построение экспертных систем, — М: Мир, 1987.-43Ос.
  80. Т. А. Хорошевский В.Ф. Базы знаний интеллектуальных систем.- Спб: Питер, 2000 г.-384с.
  81. Д.А. Данные и знания. Искусственный интеллект. В 3 кн. Кн. 1.-М: Радио и связь, 1990.-464с.
  82. К.Р. Методы концептуального анализа знаний. // Методы и системы принятия решений. Системы поддержки процессов проектирования на основе знаний. Рига: РТУ, 1991.-е. 116 — 122.
  83. И.Л. Расширенные семантические сети для представления и обработки знаний // Системы и средства информатики: Ежегод. Вып. 4 / РАН. Институт проблем информатики. -— М., 1993. — С. 70—83.
  84. Г. С. Метод формирования и структурирования модели знаний для одного типа предметных областей // Известия АН СССР. Техническая кибернетика. 1998. № 2. С.3−12.
  85. Г. С. Приобретение знаний интеллектуальными системами.-М.: Наука, 1997.-112с.
  86. Г. С. Построение баз знаний на основе взаимодействия полуавтоматических методов приобретения знаний. 4.1. Концептуальные элементы модели мира. Известия РАН. Теория и системы управления. З -М.: Наука, 1995. С. 160−174.
  87. К. Как построить свою экспертную систему.-М.: Энергоатомиздат, 1991. 286с.
  88. В.В., Сороколетов П. В., Щеглов С. Н. Анализ современного состояния автоматизированных систем приобретения и представления знаний. Известия ЮФУ. Технические науки. -Таганрог: Изд-во ТТИ ЮФУ, 2008, № 9(86). С. 120−125.
  89. В.В., Гладков Л. А., Сороколетов П. В. и др. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. -Таганрог: изд-во ТТИЮФУ, 2009. 124с.
  90. В.В., Гладков Л. А., Сороколетов П. В. и др. Модели и методы представления знаний в интеллектуальных системах поддержки принятия решений. -Таганрог: изд-во ТТИ ЮФУ, 2010.
  91. И.В., Сороколетов П. В. К вопросу о построении архитектуры интеллектуальной экспертной системы. Труды Международных научно-технических конференций «Интеллектуальные системы». Научное издание в 4-х томах. М.: Физматлит, 2007, Т.2. С. 8 14
  92. П.В. Анализ, проблемы и состояние моделей представления знаний в системах принятия решений. Перспективные информационные технологии и интеллектуальные системы.- Таганрог, ТРТУ, № 4 (28)/2006,-С. 15−22.
  93. К. Введение в системы баз данных (седьмое издание).-М.: Вильяме. 2001.
  94. А.Н. Приобретение и формализация знаний. Искусственный интеллект. М.: Радио и связь, 1990.
  95. Э.В. Общение с ЭВМ на естественном языке. М.: Эдиториал УРСС, 2004.
  96. А. В., Андрейчикова О. Н. Компьютерная поддержка изобретательства (методы, системы, примеры, применения). -М.: Машиностроение, 1998.
  97. В.И., Самойлов В. В., Малов О. А. Современное состояние технологии извлечения знаний из баз и хранилищ данных.Ч.1. Новости искусственного интеллекта. № 3. 2002. -С.3−12.
  98. В.И., Самойлов В. В., Малов О. А. Современное состояние технологии извлечения знаний из баз и хранилищ данных. 4.II. Новости искусственного интеллекта. № 4. 2002. -С.3−9.
  99. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. № 10.
  100. E.M., Машунина М. Ю. Принципы построения открытого языка шаблонных выражений в системе представления знания // Научно-техническая информация. Сер. 2. Информационные процессы и системы. 2000. № 7. С. 10—17.
  101. В., Перфильева И., Мочкорж И. Математические принципы нечеткой логики. -М.: Физматлит, 2006.
  102. В.В., Ясиновский С. И. Имитационное моделирование систем. М.: Изд-во МГТУ имени Н. Э. Баумана, 2009.
  103. А.В., Андрейчикова О. Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004.
  104. A.JI. Поведение. Восприятие. Мышление: проблемы создания искусственного интеллекта. М.: Едиториал УРСС, 2005−224с.
  105. Юб.Вихрин А. Г., Сакипов Н. З. Штурм четвертого мегапроекта: Кто будет новым Биллом Гейтсом? Системный анализ и выбор стратегии. М.: Изд-во Диалог-МИФИ, 2008.
  106. С. Норвинг П. Искусственный интеллект: современный подход, 2-е изд. М.: издательский дом «Вильяме», 2006−1408с.
  107. От моделей поведения к искусственному интеллекту. Под ред. В. Г. Редько М.: КомКнига, 2006 — 456с.
  108. Г. Науки об искусственном. Перевод с английского. M .: Едиториал УРСС, 2004−144с.
  109. Толковый словарь по искусственному интеллекту. // Составители Аверкин А. Н., Гаазе-Рапопорт М.Г., Поспелов Д. А. М.: Радио и связь, 1992.
  110. .Л. Системы искусственного интеллекта: Пер с франц.— М.: Мир, 1991.—568 с.
  111. К.А., Коньков В. Г. Интеллектуальные системы. М.: Издательство МГТУ им. Н. Э. Баумана, 2003. — 348 с.
  112. Интеллектуальные системы. Коллективная монография. Выпуск 1. / Под. Ред. В. М. Курейчика. -М.: Физматлит, 2005.
  113. Интеллектуальные системы. Коллективная монография. Выпуск 2. / Под. Ред. В. М. Курейчика. -М.: Физматлит, 2007.
  114. Интеллектуальные системы. Коллективная монография. Выпуск 3. / Под. Ред. В. М. Курейчика. -М.: Физматлит, 2009.
  115. . Искусственный интеллект: реальна ли матрица. Пер. с англ. — М.: ФАИР — ПРЕСС, 2004.
  116. С.И. Искусственный интеллект. Учебное пособие. — Таганрог. Изд-во ТТИ ЮФУ, 2009.
  117. Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. Пер. с англ. М.: издательский дом «Вильяме», 2003.
  118. В.Л. Локальная организация интеллектуальных систем. — М.: ФИЗМАТЛИТ, 2004.
  119. Автоматическое порождение гипотез в интеллектуальных системах / Сост. Панкратов Е. С., Финн B.K. М.: книжный дом «ЛИБРИЕСОМ», 2009.
  120. И. Алгоритмы искусственного интеллекта на языке PROLOG. Пер. с англ.- М.: Издательский дом «Вильяме», 2004.
  121. P.A., Алиев P.P. Теория интеллектуальных систем и ее применение. Баку: Чатслоглы, 2001.
  122. Л. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Новости искусственного интеллекта, 2007, № 2, С 7−11.
  123. Нариньяни A.C. He-факторы: неточность и недоопределенность -различие и взаимосвязь. Известия РАН: Теория и системы управления, 2000, № 5, с.44−65.
  124. Л.С., Боженюк A.B. Нечеткие графы и гиперграфы. -М.: Научный мир, 2005.
  125. Л.С., Боженюк A.B. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография. -Таганрог: Изд-во ТРТУ, 2001.
  126. В.И. Основы теории упроядочения и самоорганизации. — М.: фирма «Испо-Сервис», 2005.
  127. Синергетика процесса самоорганизации и управления. Под ред. A.A. Колесникова в 2-х частях. Таганрог, Изд — во ТРТУ, 2004.
  128. Г. Тайны природы. Синергетика: учение о взаимодействии. -Москва Ижевск: Институт компьютерных исследований, 2003.
  129. Г. Н. Введение в синергетику. СПб.: Изд-во «Проспект», 1998.
  130. A.A. Основы теории синергетического управления.- М.: Фирма «Испо-Сервис», 2000.
  131. B.B. Порядок и хаос в развитии социальных систем: (Синергетика и теория социальной самоорганизации).- СПб.: Изд-во «Лань», 1999.
  132. И., Стенгерс И. Время, хаос, квант. К решению парадокса времени. -М.: Эдиториал УРСС, 2000.
  133. А.Ю., Михайлов A.C. Введение в синергетику. -М.: Наука, 1990.
  134. В.А. и др. Устойчивость глобального развития и хаотичность региональных явлений в нелинейных динамических процессах. Синергетика// Труды семинара. Том 3. -М.: Изд-во МГУ, 2000, с.5−39.
  135. Чубукова И.A. Data Minmg.-M.:EHHOM, 2006
  136. Н.А. Интеллектуальные информационные системы. -Тверь. Изд-во ТГТУ, 2009
  137. Winograd Т. Frame representation and the Declarative/ Procedural Controversy //Representation and Understanding/ Ed. By D.G. Bobrow, A.M. Collins. N.J.: Academic Press, 1975.-P. 112−12
  138. Дж. Машино ориентированная логика, основанная на принципе резолюции//Киберн.сб.Но.сер., № 7.-М.:Мир, 1970, — 98 с, с.43−56.
  139. Robinson J. A. A Machine-Oriented Logic Based on the Resolution Principle//.!. ACM, 1965.-Vol. 12.-P. 23−41.
  140. P. Нильсон H. Система STRIPS новый подход к применению доказательств теорем при решении задач // Интегральные роботы: Пер. с англ.-М.: Мир, 1973.-Вып. 1.- 585 с, С.382−403.
  141. Sacerdoti Е. planning in a Hierarchy of Abstraction Spaces // Artificial Intelligence.-1974. -Vol. 5, № 2.-P. 115−135.
  142. Duda R., Hart P., Nilsson N. Subjective Bayesian Methods for Rule-Based Inference Systems/ZProc. AFIPS Nat. Computer Conf. 1976, — Vol. 45.- P. 10 751 082.
  143. T.A., Червинская K.P. Извлечение и структурирование знаний для экспертных систем.- М.: Радио и связь, 1982.- 200 с.
  144. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. № 10.
  145. А.Ф., Овсянников M.B., Стрекалов А. Ф., Сумароков С. В. Управление жизненным циклом продукции М.: Анахарсис, 2002.
  146. И.П., Кузьмик П. К. Информационная поддержка наукоемких изделий. CALS технологии. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2002.
  147. Ю.Б., Сениченков Ю. Б. Моделирование систем. Динамические и гибридные системы: учеб. метод, пособие. — СПб.: БХВ-Петербург, 2006.
  148. Кравченко, Ю.А. CALS- и CASE- технологии: учеб. пособие/. -Таганрог: Изд-во ТРТУ, 2005.
  149. Кравченко, Ю.А. PLM- технологии в SAP: учеб. пособие. Таганрог: Изд-во ТТИ ЮФУ, 2010.
  150. Калянов, Г. Н. CASE-технологии. Консалтинг в автоматизации бизнес-процессов Текст. /- 3-е изд. М.: Горячая линия — Телеком, 2002.
  151. Эволюционное моделирование / Под ред. В. А. Райхлина. Вып.2. -Казань: Изд-во «ФЭН» (Наука), 2004.
  152. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия — Телеком, 2002.
  153. A.B., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003
  154. И.Л. Когнитивные процессы эволюционирующих систем. -М.: РАН, ИРЭ, препринт № 10(598), 1994.
  155. И.Л. Эволюционное моделирование и его приложения. -М.:Наука, 1991.
  156. И.Л. Эволюционные технологии средства интенсивной информатизации. -М.: РАН, ИРЭ, препринт № 5(593), 1994.
  157. Л. А, Курейчик В.В., Курейчик В. М. Генетические алгоритмы. М.: Физматлит, 2006.
  158. М.А. Информационная биология: учебное пособие для студентов высших учебных заведений. М.: Издательский центер «Академия», 2006.
  159. Г. А. Петров В.М. Информация и биологические принципы оптимальности: Гармония и алгебра живого. М.: КомКнига 2005
  160. Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер с польск. М.: Горячая линия — Телеком, 2004.
  161. В.А., Сороколетов П. В. Когнитивный подход к решению проблемы сопоставимости в системах управления комплексными рисками М.:5 Сб. «Экономика природопользования» ВИНИТИ РАН, N1 2006. С. 83−88.
  162. Д. Генетические алгоритмы. В мире науки.1992. № 9−10. С.32−40.
  163. Handbook of Genetic Algorithms. Edited by Lawrence Davis. USA: Van Nostrand Reinhold, New York, 1991.
  164. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T. l, Washington, USA, CRC Press, 1995.
  165. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.2, Washington, USA, CRC Press, 1995.
  166. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.3, Washington, USA, CRC Press, 1999.
  167. Davis L. Genetic Algorithms and Simulated Annealing. San Mateo, USA, Morgan Kaufman Publisher, 1987.
  168. De Jong K. Evolutionary Computation: Recent Development and Open Issues. Proceedings 1st International conf., Evolutionary Computation and Its Application, EvCA 96, Moscow, 1996, pp.7−18.
  169. Д.А. Генетические алгоритмы решения экстремальных задач. Воронеж: Изд-во ВГТУ, 1995.
  170. Rastrigin L.A. Random Search in Evolutionary Computations. Proceedings, «
  171. International conf., Evolutionary Computation and Its Application, EvCA 96,1. Moscow, 1996, pp.135−143.
  172. B.M. Курейчик, Лебедев Б. К., Лебедев О. Б. Поисковая адаптация -М.: Физматлит, 2006.
  173. Л.А. Адаптивные компьютерные системы.- М.: Знание, 1987.
  174. В.Г. Проблемная адаптация в системах автоматизированного проектирования. Известия высших учебных заведений: Радиоэлектроника. Т. 31, № 6, 1988.
  175. M.JI. Исследования по теории автоматов и моделированию биологических систем.- М.: Наука, 1969.
  176. В.И. Коллективное поведение автоматов. -М.: Наука, 1973.
  177. Ф. Скрытые связи. М.: КомКнига, 2005 — 224с.
  178. Г. А. Теория Эволюции. Учебник. М.: Гуманитар, изд. Центре ВЛАДОС, 2005.
  179. В.И. Эволюция не по Дарвину: смена эволюционной модели. Учебное пособие М.:КомКнига, 2005.
  180. A.B. Эволюционное учение: Учебник для биологических специальностей вузов М.: Высшая школа, 2004.
  181. Н.П. Избранные труды. Т.1. Проблемы гена и эволюции. -М.: Наука, 2000.
  182. Ф. Генетики популяции. М.: Техносфера, 2003. — 592с.
  183. У., Каммингс М. Основы генетики. М.: Техносфера, 2007. г
  184. М. Геном: автобиография вида в 23 главах // Перевод с английского -М.:Эксмо, 2008.
  185. Kureichik V.V., Kureichik V.M., Sorokoletov P.V. Analysis and a Survey of Evolutionary // Models Journal of Computer and Systems Sciences International. 2007. — Vol.46. — № 5. — pp.779 — 791.
  186. В.В.Курейчик, В. М. Курейчик, П. В. Сороколетов Анализ и обзор моделей эволюции. Известия РАН. Теория и системы управления, 2007, № 5. С. 114−126.
  187. .Б. Философия зоологии. Т. 1,2. М.-Л.: Академия, 1939.
  188. M., Шустер П. Гиперцикл. Принципы самоорганизации макромолекул. -М.: Мир, 1982.
  189. Эволюционная эпистемология и логика социальных наук: Карл Поппер и его критики// Составление Д. Г. Лахути, В. Н. Садовского, В. К. Финна. -М.: Эдиториал УРСС, 2000.
  190. П.В. Анализ и обзор моделей эволюции. Перспективные информационные технологии и интеллектуальные системы № 3(27), 2006, стр. 39−48.
  191. В.В., Сороколетов П. В. Математические модели эволюции в САПР. Известия ЮФУ. Технические науки. -Таганрог: Изд-во ТТИ ЮФУ, 2008, № 4(81). С. 12−16.
  192. В.В., Сороколетов П. В., Хабарова И. В. Эволюционные модели с динамическими параметрами: Монография. -Таганрог: Изд-во Технологического института ЮФУ, 2007. 200 экз. 116 с.
  193. И.И. Вопросы дарвинизма. М.: Наука, 1990.
  194. И.И. Факторы эволюции. Теория стабилизирующего отбора. М.: Наука, 1968.
  195. В.М., Сороколетов П. В. Модифицированная модель эволюции Шмальгаузена // Перспективные информационные технологии и интеллектуальные системы. -№ 3,4, 2008 с. 3−17.
  196. В.М. Об одной модели эволюции Шмальгаузена. Известия ЮФУ Технические науки. Таганрог. Из-во: ТТИ ЮФУ, № 4 (93), 2009, с 716.
  197. Н. Теория множеств. -М.: Мир, 1965.
  198. Р. Множества. Логика. Аксиоматические теории. -М.: Просвещение, 1968. j
  199. Grover L.K. Synthesis of Quantum Superpositions by Quantum Computation. Physical Rev. Letters, Vol. 85. No.6, 2000, pp. 1334−1337.
  200. Williams C.P. Quantum Search Algorithms in Sciences and Engineering. Computing in sciences and engineering, March April 2001, pp. 44−51.
  201. K.A., Конан A.A. Квантовые компьютеры: надежда и реальность. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.
  202. Grover L.K. A Fast Quantum Mechanical Algorithm for Data-base Search. Proc. 28 th Ann. ACM Press, New York, 1996, pp. 212−219.
  203. B.B., Сороколетов П. В. Новая технология квантового поиска. Известия высших учебных заведений. Электромеханика, 2007, № 3. С. 48−52.
  204. Holevo A. S. Statistical Structure of Quantum Theory. — Berlin: SpringerVerlag, 2001.
  205. Nielsen M.A., Chuang I.I. Quantum Computation and Quantum Information Cambridge University Press, 2000.
  206. Л.В., Ульянов C.B. Интеллектуальные системы управления 1.Квантовые вычисления и алгоритм самоорганизации. Известия РАН. Теория и системы управления, № 6, 2009. С 102 -141.
  207. И.А. и др. Реконфигурацируемые мультиконвейерные вычислительные структуры. Под общ. ред. И. А. Каляева. -Ростов Н/Д: изд-во ЮНЦ РАН, 2009.
  208. С.И. Теория принятия решений. Учебное пособие. Таганрог. Изд-во ТТИ ЮФУ, 2010.
  209. Л.Г., Максимов A.B. Нейрокомпьютеры. -М.: Изд-во МГТУ, 2002.
  210. В.В., Сороколетов П. В. Композитные методы разбиения графовых моделей: Монография. -Таганрог: Изд-во ТРТУ, 2006 140с.
  211. В.В., Сороколетов П. В. Композитные бионические алгоритмы в компоновке блоков. Известия ТРТУ. Таганрог: Изд-во ТРТУ, 2006. № 8(63). С. 41−46
  212. В.В., Сороколетов П. В. Эволюционные алгоритмы разбиения графов и гиперграфов. Известия ТРТУ,№ 3, 2004, с.23−32.
  213. А.А. Основы теории графов. — М.: Вузовская книга, 2004.
  214. О.Е. Дискретная математика: логика, группы, графы, фракталы. М.:Издатель АКИМОА, 2005.
  215. Ю.В. и др. Лекции по дискретной математике. СПб.: БХВ — Петербург, 2004.
  216. С.В., Овчинников Е. В. Дискретная математика . М: ИНФРА-М, 2005.
  217. Д. Анализ алгоритмов. Сводный курс. М.:Техносфера, 2002.
  218. Coley D. An Introduction to Genetic Algorithms for Scientists and Engineers. London: World Scientific, 2005.
  219. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programms. Berlin: Springer, 1999.
  220. Foundation of Genetic Algoritms. Edited by Rawlins G. San Mateo: Morgan Kaufmann Publishers, 1991.
  221. B.B., Сороколетов П. В. Новые структуры генетических операторов. Известия высших учебных заведений. Электромеханика, 2006 г. № 5 С.41−44.
  222. Genetics Algorithms. Editor Lawrence Elbaum. Proceedings of the 1st International conf., New Jersey, USA, Associates Publishers, 1985.
  223. Genetics Algorithms. Editor J. Grefenstette. Proceedings of the 2nd International conf., New Jersey, USA, Associates Publishers, 1987.
  224. Genetic Algorithm. Editor D. Schaffer D. Proceedings 3d International conf., San Mateo, USA, Morgan Kaufman Publishers, 1989.
  225. Genetics Algorithms. Editors R. Belew, L.Booker. Proceedings of the 4th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1991.
  226. Genetics Algorithms. Editor R. Forrest. Proceedings of 5th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1993.
  227. Genetics Algorithms. Editor R. Forrest. Proceedings of 6th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1995.
  228. Genetics Algorithms. Editor T.Back. Proceedings of the 7th International conf., San Francisco, USA, Morgan Kaufman Publishers, Inc, 1997.
  229. Genetics Algorithms. Editor David Goldberg. Proceedings of the 8th International conf., San Francisco, USA, Morgan Kaufman Publishers, Inc, 1999.
  230. Sherwani N. Algorithms for VLSI Physical Design Automation, Kluwer Academic Publishers, Boston/Dordrecht/London, 1995.
  231. Л.Б., Курейчик В. В., Сороколетов П. В. Перспективная технология интегрированного поиска в САПР. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2007, № 2(77). С. 18 — 25.
  232. Genetic Algorithms and Evolution Strategy in Engineering and Computer Science. Editid by D. Quagliarella and et all. John Wiley & Song, NY, USA, 1998.
  233. Kureichik V.V., Kureichik V.M., Malioukov S.P., Malioukov A.S. Algorithms for Applied CAD Problems. Berlin Heidelberg: Springer-Verlag, 2009.-487 p.
  234. Back T. Evolutionary algorithms in theory and practice.- NY.: Oxford Uni press, 1996.
  235. Cohoon J.P., Paris. W.D., Genetic Algorithms in Engineering Systems, The Institute of Electrical Engineers, London, 1997.
  236. Shahookar R., Mazumder P. VLSI Placement Techniques ACM Computing Surveys, Vol.23, No.26, 1991. pp. 142−220.
  237. Bui T.N., Moon B.R. Genetic algorithm and graph partitioning, IEEE Trans. Comput., vol.45, 1996, pp. 841−855.
  238. Chandrasekharam R., Subhramanian and chadhurys. Genetic algorithms for node partitionaly problem and application in VLSI design. IEEE Proc-E, Vol.140, No.5, September, 1993. pp. 167- 178.
  239. Zebulum R.S., Pacheco M.A., Vellasco M.M. Evolutionary Electronics: Automatic Design of Electronic Circuits and Systems by Genetic Algorithms. -CRC Press, 2002. 302p.
  240. Mazumder P., Rudnick E. Genetic Algorithms for VLSI Design, Layout and Test Automation. Prentice Hall, Toronto, Canada, 1999.
  241. С.В., Гладков JI.A. Компоновка МЭС на основе многоуровневого подхода. «Нано- и микросистемная техника», № 2/2007 с. 33−39.
  242. Haupt R.L., Haupt S.E. Practical Genetic Algorithms, Second edition, Wiley publishers, 2004, 26lp.
  243. B.B., Полупанов A.A. Эволюционные методы разбиения схем на основе адаптивных генетических процедур.- Таганрог: Изд-во Технологического института ЮФУ, 2007 160 с.
  244. Karypis G., Kumar V. Analysis of multilevel graph partitioning. Technical Report TR 95−037, Department of Computer Science, University of Minnesota, 1995. http://www.cs.umn.edu/~karypis/papers/mlevel analysis.ps.
  245. Karypis G. and Kumar V. (1999b). Multilevel k-way hypergraph partitioning. In Proceedings of the Design and Automation Conference http://www.cs.umn.edu/~karypis.
  246. Karypis G., Aggarwal R., Kumar V., and Shekhar S. Multilevel hypergraph partitioning: Application in VLSI domain. IEEE Transactions on VLSI Systems, 20(1), 1999.
  247. Автоматизация проектирования БИС. В 6 кн. Под ред. Г. Г. Казеннова.- М.: Высшая школа, 1990.
  248. В., Мартин Г. Системы-на-кристалле. Проектирование и развитие. -М: Техносфера, 2004.
  249. В.А. Алгоритмизация комбинаторно-оптимизационных задач при проектировании ЭВМ и систем.- М.: Изд-во МГТУ им. Баумана, 2001.
  250. В.В., Сороколетов П. В. Структура интегрированной инструментальной подсистемы генетического поиска. Труды Международных научно-технических конференций «Интеллектуальные системы». Научное издание в 4-х томах. -М.: Физматлит, 2008, Т.1. С. 80−85
  251. Kureichik, V.V., Kureichik V.M. Genetic Algorithms. Germani.: Hartung-Corre Verlag, 2004. — 348 p.
  252. B.M. Курейчик B.B. Генетический алгоритм размещения графа// Известия АН. Теория и системы управления, № 5, 2000, с.67−74.
  253. Kureichik V. M, Kureichik V.V. Genetic Algorithm for Graph Placement Journal of Computer and Systems Sciences International, vol.39, № 5, 2000, pp.733−740.
  254. Kling R.M. and Banerjee P. Empirical and Theoretical Studies of the Simulated Evolution Method applied to standard Cell Placement. IEEE Trans, on CAD, Vol.10, No. 10, 1991. pp. 1303−1315.
  255. Paris W. GENIF: A new placement Algorithms. Thesis (ms) University of Virginia, USA, 1989.
  256. Read R.C. and Cornell D.G. The graph isomorphism disease. Journal of Graph Theory, USA, Nol, 1977. pp.339−363.
  257. Warnaar D.B., Chew M., Olarin S. Method for detecting isomorphism in graphs using vertex degree correspondence with partitioning. American society of Mechanical Engineers, DE, vol.47, USA, 1993. pp.219−224.
  258. Ohlrich M., Fbeling C., Cinting E. And 1. Sather. Sub Gemini: Identifying Sub Circuits using Isomorphism Algorithm. Proc. 30th DAC, USA, 1993. pp.31−37.
  259. B.B. Генетический алгоритм определения изоморфизма однородных графов// Известия ТРТУ, № 3, 1997, с.60−63.
  260. В.В., Сороколетов П. В. Генетический поиск при построении связывающих деревьев. Программные продукты и системы. 2007. № 4. с.31−32.
  261. В.В. Построение и анализ генетических алгоритмов раскраски графа на основе моделей искусственных систем// Трудымеждународного конгресса ICAI-2001, Искусственный интеллект в 21-веке. М.: Физмалит, 2001, с.665−675.
  262. A.M. Применение графов и гиперграфов для автоматизации конструкторского проектирования РЭА и ЭВА, — Саратов: Изд-во СГУ, 1993.
  263. Н. Теория графов. Алгоритмический подход. -М.: Мир, 1978.
  264. Н.В. Разработка и исследование интегрированных квантовых и генетических алгоритмов размещения. Перспективные информационные технологии и интеллектуальные системы. 2005. № 3. — С. 411.
  265. В.М. Новый подход к раскраске и определению клик графа на основе квантовых алгоритмов // Известия ТРТУ. 2004. № 3. С. 29−34.
  266. В.М. Совместные методы квантового и бионического поиска. Труды конференций IEEE AIS'04. CAD-2004. — М.: Физматлит, 2004.-С. 12−19.
  267. В.М., Неупокоева Н. В. Квантовые и генетические алгоритмы размещения компонентов ЭВА.: Монография. Таганрог: Изд-во ТТИЮФУ, 2010.
  268. В.М. Квантовый алгоритм определения гамильтонова цикла. «Перспективные информационные технологии и интеллектуальные системы», N 1 (21), Таганрог, ТРТУ, 2005, стр. 4−11.
  269. В.В., Мищенко М. Н. Бионический метод определения путей оптимальной длины в графовых моделях. Сборник научных трудов «Интегрированные модели и мягкие вычисления в искусственном интеллекте». -М.: Физматлит, 2005. С.261−266.
  270. JI.A., Курейчик В. В., Курейчик В. М. и д.р. Оптимизация на основе эволюционного и нейросетевого моделирования: Монография. -Таганрог: Изд-во ТРТУ, 2004. 146 с.
  271. Fogel L.J., Owens A.J., Walsh M.J., Artificial Intelligence through simulated evolution. New York/: J. Wiley&Sons, 1966.
  272. К. Что такое искусственная жизнь? //статья доступна по адресу http://www.biota.org/papers/cgalife.html
  273. В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Известия РАН: Теория и системы управления, № 5, 1998. С. 12−23.
  274. МакЛеннан Б. Искусственная жизнь и синтетическая теория поведения, //статья доступна по адресу: http://cs.utk.edu/~mclennan/
  275. В.В., Курейчик В. М. Генетический алгоритм определения паросочетаний графа. X-th Int. conf. «Knowledge-dialogue-solution», June 1626, 2003, Varna, Bulgaria, p.246−251
  276. M.A., Курейчик B.B. Нахождение максимального паросочетания с использованием искусственных нейронных сетей. Труды Международных научно-технических конференций «Интеллектуальные системы. -М.: Изд-во Физматлит, 2004, т.1. С. 363−372.
  277. В.В., Нужнов Е. В. Интегрированная инструментальная среда поддержки генетических алгоритмов. Международная научно-техническая конференция AIS'03, CAD-2003.- M: Изд-во Физматлит. 2003. С.15−25.
  278. И.В. Разработка среды эволюционного моделирования с динамическими параметрами DYNGEN // Известия ТРТУ, -Таганрог, ТРТУ. -2002. № 3, с. 273.
  279. В.В., Сороколетов П. В., Хабарова И. В. Инструментальная среда эволюционного моделирования. // Программные продукты и системы. 2006. № 4. С. 1−2.
  280. В.В. Программная подсистема по исследованию оптимизационных задач на графах. Программные продукты и системы, N1, 2002.С. 26−29.
  281. Г. Основы проектирования интегральных схем и систем. -М.: Бином. Лаборатория знаний, 2005. 295с.
Заполнить форму текущей работой