автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Гибридные системы интеллектуального имитационного моделирования на основе бионических подходов и многоагентных моделей

На права:-: рукописи Афонин Павел Владимирович

ГИБРИДНЫЕ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОГО ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ НА ОСНОВЕ БИОНИЧЕСКИХ ПОДХОДОВ И МНОГОАГЕНТНЫХ МОДЕЛЕЙ

Специальность 05.13.17 - Теоретические основы информатики

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Москва-2005

Диссертация выполнена в Московском государственном техническом университете им. Н.Э.Баумана и ГУ РосНИИ информационных технологий и систем автоматизированного проектирования

Научный руководитель: кандидат технических наук, доцент В.Б.Тарасов Официальные оппоненты: доктор технических наук, профессор И.Б.Фоминых

Ведущая организация: Таганрогский государственный радиотехнический

диссертационного совета Д 217.031.01 при Государственном учреждении «Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования» по адресу 129090, Москва, ул. Щепкина, 22.

С диссертацией можно ознакомиться в библиотеке РосНИИ ИТ и АЛ

Автореферат разослан » августа 2005 г.

Ученый секретарь

доктор технических наук, профессор АЛХЕремеев

университет

Защита состоится 23 сентября 2005 г. в

часов на заседании

диссертационного совета Д 217.031.01

2.43 А 7 2.7

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Одной из наиболее ва:кных тенденций развития информатики и разработки информационных технологий в последние

ХХ-го века экспер-ные системы стали объединяться с традиционными информационными технологиями (базами данных, расчетными и графическими пакетами), в результате чего появились гибридные экспертные системы. В последние годы активно разрабатываются нейроэкспертные системы, гибридные системы на базе мягких вычислений, гибридные системы интеллектуального имитационного моделирования. Подобные системы включают разнородные информационные технологии, функционирующие совместно в интересах решения сложных задач (которые трудно или даже невозможно решить с помощью одной-единственной технологии) и достижения большей эффективности обработки информации. Соответственно, возникает проблема исследования и разработки как эмпирических, так и теоретических подходов к гибридизации, обеспечивающих, например, объединение таких разнородных технологий как: имитационные модели и базы знаний, генетические алгоритмы и многоагентные системы. Так включение интеллектуального модуля в системы имитационного моделирования позволяет учитывать эвристические знания и опыт разработчика при определении параметров модели, а применение генетических алгоритмов обеспечивает эффективный поиск решений. В то же время, интеллектуализация систем имитационного моделирования требует развития динамических баз знаний, в частности, баз знаний, опирающихся на продукционные системы с модифицированными, зависящими от времени продукциями, которые требуют построения комбинированных стратегий поиска.

В связи с вышеизложенным, проблемы разработки теоретических и прикладных аспектов построения гибридных, динамических систем в информатике, включающих неоднородные подсистемы, изменяющиеся во • времени, являются чрезвычайно актуальными. В диссертационной работе

дается новое решение задачи разработки гибридных систем, сочетающих имитационное и эволюционное моделирование, динамические базы знаний и многоагентные модели, а также предлагаются варианты реализации бионических методов и моделей в информационных технологиях, что имеет существенное значение для развития теоретичесю

десятилетия стало ссздание гибридных систем. В частности, еще в 80-е годы

Целью диссертационной работы является повышение эффективности обработки информации и поиска решений за счет построения гибридных систем, использующих имитационные модели, бионические принципы и многоагентные подходы.

Д ля достижения поставленной цели в диссертации решаются следующие основные задачи:

1. Исследование существующих гибридных систем. Построение архитектур гибридных интеллектуальных систем, объединяющих методы и средства имитационного и эволюционного моделирования, базы знаний на основе динамических продукционных правил и агентно-ориентированные подходы.

2. Разработка искусственных агентов и многоагентных систем на основе бионических методов.

3. Исследование механизмов взаимодействия популяций искусственных агентов.

4. Разработка алгоритмов модифицированного генетического поиска на основе принципов макроэволюции, методов миграции агентов и теории формирования элитных групп.

5. Разработка алгоритмов эвристического поиска в пространстве состояний с корректировкой на основе многоагентных моделей.

6. Создание программного обеспечения, реализующего разработанные алгоритмы.

7. Применение разработанного программного обеспечения для решения прикладных оптимизационных задач.

Методы исследования. Для решения поставленных задач используются методы теории множеств и теории алгоритмов, теории графов и теории • вероятностей, теории планирования эксперимента и эвристического поиска, имитационного и эволюционного моделирования, теории агентов и многоагентных систем.

Научная новизна диссертации определяется, в первую очередь, разработкой гибридных систем, сочетающих средства интеллектуального имитационного моделирования, базы знаний на основе динамических продукционных правил, алгоритмы, реализующие бионические принципы, и многоагентные технологии. Новыми являются: 1) модель эволюции популяции как многоагентной системы, определяемая принципами миграции агентов и формированием элитной популяции, которая использует в процессе поиска решения имитационные модели различной точности; 2) метод

эвристического поиска на основа динамических продукционных правил; 3) метод корректировка весов эвристических функций однонаправленного п двунаправленного поиска в пространстве состояний на основе многоагентной системы.

Практическая ценность результатов диссертации определяется созданием комплекса алгоритмов поиска решений, реализующих разработанные бионические метода и модели, которые обеспечивают повышение эффективности обработки информации. Предложенные методы и алгоритмы реализованы в виде программ на ЭВМ на языке программирования С++ в среде MS Visual С++. Программное обеспечение имеет возможность интеграции в среду интеллектуального имитационного моделирования РДО.

Внедрение и реализация результатов.

Теоретические и практические результаты, полученные в диссертационной работе, применялись при выполнении хоздоговорной тематики Отдела «Компьютерные системы автоматизации» НУК РК МГТУ им. Н.Э.Баумана и госбюджетной тематики ГУ РосНИИ информационных технологий и систем автоматизированного проектирования (см. Отчет о НИР «Разработка моделей и методов многоагентных систем», 2004г., шифр БД-01-04). Результаты диссертации также использованы при выполнении работ по грантам Российского фонда фундаментальных исследований (гранты 02-0100784,02-07-90240, 0:3-07-06139, 04-01-00306).

Результаты исследований, проведенных в диссертационной работе, были внедрены на «ОАО Коломенский завод РТИ». Использование результатов диссертации позволило повысить эффективность составления сменно-суточных заданий участка по выпуску резиновых технических изделий (время выполнения текущего портфеля заказов удалось сократить на 4-5%). Кроме того, результаты работы нашли применение в учебном процессе кафедры «Компьютерные системы автоматизации производства» МГТУ им. Н.Э.Баумана и кафедры САПР ТРТУ.

Достоверность научных положений и выводов диссертации подтверждается результатами вычислительных экспериментов на тестовых и практических задачах- а также актами о-внедрении.

Апробация работы. Основные результаты работы докладывались на: Третьей Международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа-99, Беларусь,

Браславские озера, 1999г.), Четвертой Международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа-2000, Беларусь, Браславские озера, 2000г.), Научной сессии МИФИ-2001 (Москва, 2001г.), Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2001г.), Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2001г.), Научной сессии МИФИ-2002 (Москва, 2002г.), Восьмой Национальной конференции по искусственному интеллекту (КИЙ-2002, Коломна, 2002г.), П-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2003г.), Международных научно-технических конференциях IEEE AIS'03 и CAD-2003 (Дивноморское, 2003г.), Девятой Национальной конференции по искусственному интеллекту (КИИ-2004, Тверь, 2004г.), Международных научно-технических конференциях IEEE AIS'04 и CAD-2004 (Дивноморское, 2004г.), Ш-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2005г.), а также научно-техническом семинаре «Экобионика» МГТУ им. Н.Э. Баумана в 2005г.

Публикации. По теме диссертации автором опубликовано 16 работ, включая одну коллективную монографию.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и двух приложений. Объем основного текста работы 158 страниц, в том числе 64 рисунка и 2 таблицы. Список литературы содержит 165 библиографических наименований. Полный объем диссертации составляет 208 страниц.

На защиту выносятся:

1. Архитектуры гибридных систем интеллектуального имитационного моделирования, использующие бионические принципы и многоагентные методы.

2. Метод представления программных агентов как искусственных организмов во взаимодействующих и эволюционирующих популяциях.

3. Новая схема генетического поиска на базе механизмов миграции агентов.

4. Алгоритмы эвристического поиска на основе динамических продукционных правил и многоагентных систем.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулирована цель исследования, указаны основные научные положения, выносимые на защиту, приведены сведения о практической ценности и внедрении.

В первой главе «Анализ проблем и принципов построения гибридных систем имитационного моделирования» приводится постановка задач исследования и обзор методов решения данных задач.

Рассматриваются две задачи:

1. Поиск решения на основе имитационного моделирования, при котором необходимо определить значения входных управляемых переменных имитационной модели (ИМ) для получения оптимального функционирования сложной дискретной системы (СДС).

2. Поиск решения на уровне процессов, протекающих при функционировании ИМ. При этом необходимо сформировать последовательность процессов и в каждом процессе определить последовательность выполнения правил из базы знаний для достижения намеченной цели (целевого, состояния базы данных модели). Здесь рассматривается подход к построению имитационной модели на основе временных продукционных правил, который представлен как метод РДО (Ресурсы-Действия-Операции) и реализован в среде интеллектуального имитационного моделирования РДО.

Процесс имитации не позволяет получить законов функционирования СДС и не раскрывает внутренние причинно-следственные связи ее поведения. В этом плане ИМ обеспечивает лишь преобразование входных переменных в выходные. Решение многих системных задач, связанных с анализом функционирования, синтезом структур, планированием, управлением и др., не обеспечивается ни имитационным моделированием, ни строгими математическими методами. Необходимость сращивания ИМ с другими информационными технологиями приводит к идее гибридных систем.

Под гибридной системой (ГС) принято понимать систему, состоящую из нескольких подсистем различного типа, функционирование которых объединено общей целью. В информатике будем называть гибридными такие системы, в которых используются две или более различных компьютерных технологий.

Важным подклассом гибридных систем являются гибридные интеллектуальные системы (ГИС). В подобных системах имитируются различные стороны интеллектуальной деятельности человека, что означает использование разнородных информационных технологий, включая технологии искусственного интеллекта (ИИ). Среди исследований в области ГИС следует отметить работы Р.А.Алиева, П.Джексона, В.В.Емельянова,

A.П.Еремеева, В.Н.Захарова, Н.Касабова, А.В.Колесникова, О.П.Кузнецова,

B.М.Курейчика, Дж.Люгера, ЛМедскера, Г.С.Осипова, Э.В.Попова, Г.СЛоспелова, Д.А.Поспелова, С.И.Родзина, Руан Да, Г.В.Рыбиной, В.Б.Тарасова, И.Б.Фоминых, Н.ПЯрушкиной, С.И.Ясиновского и др.

В работе построена общая классификация гибридных интеллектуальных систем: 1) традиционные («жесткие») ГИС (ГИС1); 2) мягкие гибридные системы, создаваемые на основе концепции мягк:лх вычислений и вычислительного интеллекта (ГИС2); 3) междисциплинарные ГИС (ГИСЗ), в том числе так называемые ГИС 2-го порядка, в основе которых лежат также гибридные системы.

Для построения ГС желательно иметь единые подходы, в рамках которых можно создавать имитационные модели, экспертные системы, поисковые алгоритмы и другие системы. В работе рассмотрены существующие гибридные системы на основе имитационного моделирования и отмечено, что весьма эффективной стратегией гибридизации является объединение ИМ с динамическими базами знаний.

Задача определения значения входных управляемых переменных ИМ требует реализации серии экспериментов в большой области поиска. В традиционных системах моделирования планы экспериментов составляются специалистом-разработчиком и требуют больших затрат времени. Для более эффективного решения данной задачи система на основе! ИМ должна иметь интеллектуальную надстройку, позволяющую заменить специалиста-разработчика. Подобная система является простейшей гибридной системой, объединяющей в себе имитационную модель и блок оптимизации. В большинстве случаев в качестве алгоритма поисковой оптимизации лучше использовать методы, которые не обязательно позволяют достичь точного оптимума, но обеспечивают быструю сходимость поискового алгоритма. В качестве подобных методов выступают эволюционные методы и генетические алгоритмы (ГА). Значительный вклад в развитие эволюционного моделирования и генетических алгоритмов внесли:

Д;к.Холланд, Л.Дэйвис, Д.Голдбгрг, Д.Фогель, Д.И.БатшцеЕ, ИЛБукатова, В.В.Емельянов, В.М.Курейчик, В.В.Курейчик, ИЛ-Норенков и др.

В диссертации проведен обзор основных подходов к моделированию, эволюции в информатике, а также описаны важнейшие понятия генетики, применяемые в информатике, и принципы работы генетических алгоритмов.

Анализируя особенности работы- стандартных ГА для различных оптимизационных задач, а также учитывая сложность систем и процессов реального мира и относительно продолжительное время прогона моделей сложных систем на языках имитационного моделирования, можно сделать вывод о необходимости разработки новых методов и алгоритмов, позволяющих сократить время поиска решений. В работе предложены два основных пути решения данной проблемы:

1. Построение новых структур гибридных систем, сочетающих ИМ и ' методы эволюционног о моделирования.

2. Разработка перспективных структур генетического поиска, позволяющих в конкретных ГС сократить время поиска решений с помощью ИМ.

Задачу поиска решения на уровне процессов, протекающих при функционировании ИМ, можно классифицировать как задачу поиска в пространстве состояний на основе временных продукционных правил. В классической постановке и различных ее модификациях данная задача решалась с помощью методов и алгоритмов, которые принято рассматривать в сфере ИИ (например, алгоритм Нильсона-Харта-Рафаэла).

Необходимо отметить, что в специальной литературе приводится один из способов решения сложных проблем поиска на графе состояний с помощью корректировки весов эвристических функций. Однако для данной задачи применение ранее рассмотренных методов эволюционного моделирования , далеко не всегда возможно. Предлагается расширить рамки использования

методов и перейти от эволюционного моделирования к построению эволюционирующих многоагентных систем. Среди исследований в области 4 многоагентных систгм можно упомянуть работы таких ученых как

М.Вулдридж, И.Демазо, Н.Дженнингс, К.Лэнгтон, К.Маэс, Ж.Фербе, К.Хьюитг, В.И.Городецкий, В.Г.Редько, П.О.Скобелев, В.Б.Тарасов, В.Ф.Хорошевский и др.

Соответственно, проведен обзор основных интерпретаций и свойств искусственных агентов, проанализированы известные классы многоагентных

систем (MAC) и принципы их построения, рассмотрены вопросы формализации агентов и MAC. В результате за основу принята интерпретация агента как «искусственного организма» и трактовка MAC как искусственной популяции, что позволило объединить в процессе поиска решения идеи эволюционного моделирования и MAC.

Таким образом, исходя из постановки задачи и обзора литературы, предлагаются следующие основные пути решения задачи поиска на графе состояний на основе модифицированных продукционных правил:

1. Построение структур гибридных систем, сочетающих ИМ, базу знаний на основе временных продукционных правил, а также многоагентные подходы.

2. Разработка бионических принципов и методов с использованием моделей многоагентных систем, позволяющих сократить пространство поиска при решении задачи поиска в пространстве состояний.

Во второй главе «Система поиска решений на базе интеллектуального имитационного моделирования» описывается выбор и построение архитектуры гибридной системы поиска решений на основе имитационного моделирования, а также разработка основных компонентов системы в виде методов и алгоритмов. Структура данной гибридной системы представлена на рис. 1.

Предлагается использовать блок выбора активной имитационной модели, который реализует выбор менее точных ИМ для прогона на начальном этапе работы блока оптимизации и последующее повышение точности ИМ в процессе поиска. Данный механизм позволяет значительно сократить время поиска решения. Описывается алгоритм построения имитационных моделей различной точности, который основан на принципе попарного сравнения разрабатываемых ИМ. Сравнение двух имитационных моделей производится на основании такого показателя работы как ожидаемый отклик. Сравнение выполняется путем построения доверительного интервала для разности между двумя математическими ожиданиями, а не с помощью проверки гипотезы, призванной установить, будет ли ожидаемая разность существенно отличаться от 0. Предлагается несколько схем определения конкретной ИМ для прогона на каждом шаге работы алгоритма.

На сегодняшний день одним из перспективных направлений в области разработки методов поиска решений, основанных на бионических подходах, является построение нестандартных архитектур генетического поиска. Такие

Интерфейс

Г

Данные

г

Блок выбора активной имитационной модели

ИМ 1

ИМ 2

ИМИ

Г \

Активная имитационная модель

Расчет функции пригодности агента а-,

Результаты моделирования

Выбор очередного агента а; популяции Pj

I

Макросхема генетического поиска

Популяция I Популяция 2

Популяция 3 Популяция М

Блок оптимизации

Рис.1. Гибридная система поиска решений на основе ИМ различной точности и макросхемы генетического поиска

методы в большинстве случаев позволяют решить проблему предварительной сходимости алгоритмов. Здесь можно отметить методы миграции и искусственной селекции, которые требуют построения макромоделей генетического поиска, использующих не одну, а несколько популяций особей для поиска решения. В данной гибридной системе предлагается применять блок имитационных моделей различной точности совместно с макросхемой генетического поиска. Макросхема генетического поиска используется с целью решения проблемы выхода из локальных оптимумов, которая возникает из-за сложности ИМ, а также из-за использования менее точных ИМ для прогона на начальном этапе работы блока оптимизации.

Для организации процесса миграции определены следующие параметры: 1) количество популяций п; 2) схема межпопуляционных связей; 3) количество мигрантов кт; 4) схема выбора мигрантов.

Элитная популяция *—> Популяция 1 4-► Популяция 2 ч—► Популяция 3

а) Один к одному

б) Один ко многим в) Многие ко многим

Рис.2. Типы межпопуляционных связей

Первые два параметра определяют построение макроструктуры генетического поиска на уровне популяций. Предлагаются три схемы межпопуляционных связей, которые определяют взаимосвязи между популяциями для осуществления миграции агентов: один к одному (рис.2.а); один ко многим (рис.2.б) и многие ко многим (рис.2.в).

Для определения основных схем выбора мигрантов из популяций, а также способов расчета количества мигрантов для каждой схемы в зависимости от типа межпопуляционных связей используется возможность формирования в макросхеме генетического поиска элитной популяции агентов.

Под степенью элитарности популяции в данной модели понимается среднее значение функции пригодности по популяции, рассчитываемое по формуле:

Ык

гЪП _ М_

где: к - число агентов в популяции; ФП, - функция пригодности /-го агента.

Считается, что независимо от типа межпопуляционных связей, степень элитарности популяции уменьшается от ее порядкового номера.

В работе рассматриваются основные модели формирования элитных популяций и соответствующие схемы выбора агентов-мигрантов:

• Претендент-рекомендателъ. Предполагается, что с самого начала элитная популяция состоит только из элитных (с наибольшими для всех популяций ФП) агентов, а число «слабых» (с наименьшими для всех популяций ФП) агентов отсутствует или сведено к минимуму. При этом случайно выбираются: элемент из элитной группы - «рекомендатель» и элемент из исходной совокупности - «претендент», а затем сравниваются их ФП. Если претендент окажется не хуже рекомендателя, он включается в элитную популяцию.

• Прополка. Сформировать элитную популяцию можно в случае, когда выполняются действия только над элементами элитной популяции. При этом необходимо на каждом шаге работы модели исключить из популяции несколько худших агентов и заменить их тем же числом агентов, наугад взятых из исходной популяции. Здесь реализуется миграция агентов с наихудшим рангом из элитной популяции в исходную. При этом на замену мигрантам приходят случайно выбранные агенты из исходной популяции.

• Делегирование. Рассматривается ситуация, противоположная модели прополки. Схема реализуется с помощью миграции агентов с наилучшим рангом из исходной популяции в элитную. На замену мигрантам приходят случайно выбранные агенты из'элитной популяции.

• Комбинированная (прополка-делегирование). Данная модель объединяет две описанные ранее модели: прополка и делегирование. При этом необходимо на каждом шаге исключать из элитной популяции несколько худших агентов и заменять их тем же числом лучших из исходной популяции.

В третьей главе «Система эвристического поиска с корректировкой на основе временных продукций» рассматривается построение архитектуры гибридной системы эвристического поиска с корректировкой на основе многоагентной системы, а также разработка основных компонентов гибридной системы в виде методов и алгоритмов. Структура данной гибридной системы представлена на рис.3. Система состоит из базы знаний на основе временных продукционных правил, блока эвристического поиска на графе состояний и блока корректировки поиска на основе эволюционирующей многоагентной системы.

В качестве базового алгоритма эвристического поиска используется алгоритм Харта - Нильсона - Рафаэла, который реализует поиск на графе состояний с помощью оценочной функции вида:

ю

Интерфейс 1 1

Данные

Правило 1

Правило 2

Правило N

База знаний МПП

Процесс 1

ИМ

&

Процесс 2 -ж-

V_::

Процесс М

Результаты моделирования

Блок корректировки параметров эвристического поиска

Прямой поиск

Обратный поиск

Многоагентная система из двух популяций

Двунаправленный поиск на графе состояний

Блок эвристического поиска

Рис.3. Гибридная система эвристического поиска с корректировкой

f(n) = g(n) + h(n),

где: g(n) - стоимостная составляющая оценочной функции; h(n) -эвристическая составляющая оценочной функции, задаваемая пользователем.

В работе разработана модификация данного алгоритма для реализации стратегий поиска на основе продукционных правил, зависящих от времени.

Необходимо отметить, что, как правило, используется весовой коэффициент w, определяющий соотношение функций g и h:

f(n) = g(n) + w • h(n);

При этом выбор рационального значения w необходим не только на начальной стадии, но и в процессе поиска решения. Даже опытному эксперту не всегда удается составить необходимую стратегию изменения коэффициента w в процессе поиска на графе. С этой целью предлагается использовать в качестве блока корректировки параметров оптимизации многоагентную систему.

В работе вначале рассматривается многоагентная система, моделирующая одну популяцию агентов, которая предназначена для корректировки весов эвристических функций при реализации однонаправленного поиска

MAS = < А, Е, R, ACT, EV, Т >, где: А - множество агентов; Е - среда, в которой находится MAC; R -множество взаимодействий между агентами; ACT - множество действий агентов; EV - множество эволюционных стратегий; Т - множество времен жизни агентов.

Параметрами модели являются: 1) размер начальной популяции N0; 2) вероятность скрещивания Рс; 3) вероятность мутации Рт; 4) время жизни tj агента а\. Здесь tj - случайная величина на заданном интервале [tu, ta]; 5) число раскрываемых вершин п до операции смены вершины графа (переселения агента); 6) зависимость силы агента от возраста.

Любой агент характеризуется:

1. Генотипом, представляющим собой закодированные значения управляющих коэффициентов wb w2,..., Wj эвристических функций.

2. Функцией пригодности для конкретной вершины графа, которая является значением оценочной функции в данной вершине при соответствующих генах агента.

3. Силой в конкретной вершине графа, которая зависит от функции пригодности агента и его возраста. При этом сила агента в разных вершинах

различна. Предлагается способ расчета силы агента в конкретной вершине графа.

Для корректировки весов эвристических функций при реализации двунаправленного поиска в пространстве состояний рассматривается многоагентная система, охватывающая две популяции агентов: MAS* = <Als Аа, ЕЬ Е2, R, ACT, EV, Т >, где: Ai - множество агентов из первой популяции; А2 - множество агентов из второй популяции; Ej - среда, в которой находится первая популяция агентов MAC; Е2 - среда, в которой находится вторая популяция MAC; R -множество взаимодействий между агентами; ACT - множество действий агентов; EV - множество эволюционных стратегий; Т - множество времен жизни агентов первой и второй популяций.

В данной системе предлагается использовать оператор миграции, который реализуется на базе одной из схем миграции, описанных в главе 2.

В четвертой главе «Исследование разработанных алгоритмов и оценка их эффективности при решении практических задач» описываются методы и цели проводимых исследований, приводятся результаты исследований разработанных алгоритмов на тестовых задачах. Также описываются результаты работы алгоритмов на практических производственных задачах.

Для исследования макросхемы генетического поиска рассматриваются две тестовые задачи оптимизации: простейшая задача оптимизации, которая заключается в оптимизации простейшей функции двух переменных; однопродуктовая задача управления товарными запасами.

На рис.4 показана сравнительная гистограмма числа прогонов ИМ для различных случаев использования алгоритмов (ПЗ - простейшая задача оптимизации; УЗ - задача управления запасами; CNT - число имитационных моделей различной точности, используемых в процессе поиска решения). Из гистограммы видно, что для всех случаев модифицированный алгоритм генетического поиска на основе комбинированной схемы (С4) находит решение за наименьшее число прогонов ИМ по сравнению с другими схемами миграции и простейшим генетическим алгоритмом (ПГА). Относительное значение числа прогонов ИМ для ПГА по сравнению с другими алгоритмами возрастает при, повышении сложности задачи и использовании ИМ различной точности в процессе поиска решения. Это

говорит в первую очередь об эффективности использования механизмов миграции для решения сложных задач с множеством локальных ям.

4500 4000 3500 3000 2500 2000 1500 1000 500 0

Рис.4. Сравнительная гистограмма числа прогонов ИМ для различных случаев использования алгоритмов

~ При исследовании эффективности многоагентных систем как механизма корректировки эвристического поиска на основе модифицированных продукционных правил рассматриваются следующие стратегии поиска: однонаправленный и двунаправленный поиск; информированный (использующий эвристическую оценку) и неинформированный поиск (в ширину, в глубину и в глубину с заданным уровнем заглубления); монотонные и немонотонные эвристики.

На рис.5 изображены графики изменения основного показателя работы данных алгоритмов - показателя ветвления (В) - в зависимости от относительного интервала кодирования весовых коэффициентов (г) при соответствующих им эвристических функциях. Рассматривается три алгоритма: 1) однонаправленный поиск, монотонная эвристика со слабыми эвристическими оценками (А1*тос1); 2) однонаправленный поиск, немонотонная эвристика с сильными эвристическими оценками (А2*тос1); 3) двунаправленный поиск, монотонная эвристика со слабыми эвристическими оценками (А1с1*шос1). Из графиков видно, что все алгоритмы оказались чувствительными к длине интервала кодирования весовых коэффициентов при эвристических функциях. При этом немонотонная эвристика показывает наилучшие результаты, однако эффективность данного

!

Г С2 Г" сз г* О С1

С П?р 2Г т ""*Д С4 М з - ■-1 \ е*- 1 04 1

ПЗ,СШ = 1 ПЗ,СМТ = 4 УЗ,СМТ = 1 УЗ. СЛТ = 4

алгоритма больше других зависит от длины интервале кодирована весовых коэффициентов.

в -»-АГтоа -»-А2*п1ос1 -*-А1с1*тос1

Рис.5. Зависимость показателя ветвления от относительного интервала кодирования весовых коэффициентов

Для исследования эффективности разработанных алгоритмов на практических задачах рассматриваются две производственные задачи оптимизации: задача раскроя материала и многопродуктовая задача управления запасами. В обоих случаях разработанные алгоритмы показали свою эффективность.

На рис.6. показан график эффективности (Е) модифицированного генетического алгоритма по сравнению с простейшим ГА для задачи раскроя материала, где необходимо обеспечить максимизацию коэффициента использования материала (КИМ):

КИМ = -> шах

$ ир

где: Яй, - суммарная площадь блоков, уложенных на поверхность пресса; 8„р -площадь поверхности пресса.

Из графика видно, что эффективность использования модифицированного генетического алгоритма для решения данной задачи возрастает с увеличением числа блоков в портфеле заказов, т.е. с увеличением сложности задачи. Это подтверждает результаты исследований алгоритмов на тестовых задачах.

Е,%

2 • - - --------

►

1,5 1

0,5 0

10 20 30 40 50 60 70 80 90 100 Количество блоков в портфеле заказов

Рис.6. Эффективность модифицированной схемы генетического поиска в задаче раскроя материала

В заключении содержатся основные выводы и результаты диссертации.

В приложении 1 приведен текст программы, реализующей алгоритмы модифицированного генетического поиска. В приложении 2 приведен текст программы, которая реализует алгоритмы эвристического поиска с корректировкой на основе многоагентной системы.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Построены архитектуры гибридных систем, которые позволяют сократить время на поиск решения и повысить качество решения при использовании имитационного моделирования.

2. Разработаны модели искусственных агентов и многоагентных систем на основе бионических принципов построения искусственных организмов и популяций.

3. Проведены исследования механизмов взаимодействия популяций искусственных агентов. В результате определена наилучшая схема миграции агентов - комбинированная схема. Найдено наиболее рациональное число мигрантов - 25% от общего числа агентов в популяции. Определена наилучшая схема взаимосвязей между популяциями агентов - схема связи «один к одному».

4. Разработан алгоритм модифицированного генетического поиска, основанный на бионических принципах макроэволюции и миграции агентов. Алгоритм оказался эффективнее, чем стандартный алгоритм генетического

поиска. При этом выигрыш во времени поиска решений составляет 10-30%, а выигрыш в качестве решения ссставляет2-10с'о в зависимости от типа задачи.

5. Разработаны алгоритмы однонаправленного и двунаправленного поиска на графе состояний, использующие базу знаний на основе временных продукционных правил и многоагентные системы эволюционирующих агентов. Использование многоагентных систем для корректировки весов эвристических функций в процессе поиска позволяет сократить время поиска решения на 5-20%.

6. Создано' программное обеспечение, реализующее разработанные алгоритмы. Программное обеспечение реализовано в среде Visual С++ в рамках объектно-ориентированного подхода, что облегчает его дальнейшее сопровождение и интеграцию с другими системами.

7. Разработанные алгоритмы также подтвердили свою эффективность при решении рассмотренных в диссертационной работе прикладных производственных задач.

Основные. положения и результаты диссертации опубликованы в следующих работах:

1. Абрамов Е.В., Афонин П.В., Барлит A.B. и др. Интеллектуальные системы: Коллективная монография/ Под ред. В.М.Курейчика. - М.: Физматлит, 2005. -288 с.

2. Афонин П.В. Исследование процессов миграции в генетических поисковых алгоритмах // Труды третьей международной летней школы-семинара по искусственному интеллекту для студентов, аспирантов и молодых ученых (Браславская школа - 1999). - Минск: БГУИР, 1999. -С.210-211.

3. Афонин П.В., Емельянов В.В. Решение задачи раскроя материала с использованием генетического алгоритма поиска // Труды шестой международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». - М.: МЭИ, 2000. -Т.1. -С.215.

4. Афонин П.В. Система рационального раскроя материала с применением генетического оптимизационного алгоритма// Труды четвертой международной летней школы-семинара по искусственному интеллекту для студентов, аспирантов и молодых ученых (Браславская школа -2000). - Минск: БГУИР, 2000. - С. 125-128.

5. Афонин П.В., Захаров П.А., Крючков М.Ю., Урусов A.B. Решение задачи раскроя материала с учетом факторов производства на основе генетического оптимизационного алгоритма // Научная сессия МИФИ-2001: Сборник научных трудов. В 14 томах. - М.: МИФИ, 2001. - Т.З. -С.178-179.

6. Афонин П.В., Емельянов В.В. Исследование эффективности модифицированных генетических операторов // Труды седьмой международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». - М.: МЭИ, 2001. - Т. 1. - С.243-244.

7. Афонин П.В. Исследование эффективности использования схемы генетического поиска с миграцией в различных задачах оптимизации // Труды 1-го международного научно-практического семинара «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - М.: Физматлит, 2001. - С.185-190.

8. Афонин П.В. Определение условий эффективной работы модифицированной схемы генетического поиска в задачах планирования производства // Научная сессия МИФИ-2002: Сборник научных трудов. В 14 томах. - М.: МИФИ, 2002. - Т.З. - С. 193-194.

9. Емельянов В.В, Афонин П.В. Модель искусственной жизни в управлении производством // Труды восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). -М.: Физматлит, 2002. - Т.2. - С.950-957.

10. Емельянов В.В, Афонин П.В. Модель искусственной жизни для параллельного решения множества подобных оптимизационных задач. // Труды 2-го международного научно-практического семинара «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - М: Физматлит, 2003. - С.234-241.

11. Емельянов В.В., Афонин П.В. Модель искусственной жизни с возможностью управления ресурсами эволюции // Труды международных научно-технических конференций «Интеллектуальные системы» (IEEE AIS'03) и «Интеллектуальные САПР» (CAD-2003). - М.: Физматлит, 2003. - Т. 1. - С.26-30.

12. Емельянов В.В., Афонин П.В. Модели искусственной жизни для решения оптимизационных задач в сложных дискретных системах // Труды

шестой международной конференции ^Проблемы > правления и моделирования в слозкных системах». - М.: Физматлит, 2004. - СЛб-30.

13. Емельянов В.В., Афонин П.В. Модели искусственной жизни в оптимизационных задачах // Труды международных научно-технических конференций «Интеллектуальные системы» (IEEE AIS'04) и «Интеллектуальные САПР» (CAD-2004). - М.: Физматлит, 2004. - Т.1. -С.39-47.

14. Емельянов В.В., Афонин П.В. Модель искусственной жизни в динамически изменяющейся среде // Труды восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2004). -М.: Физматлит, 2004. -Т.З. - С.959-967.

15. Афонин П.В. Макросхема генетического поиска в. имитационном моделировании // Научная сессия МИФИ-2005: Сборник научных трудов. В 14 томах. - М.: МИФИ, 2005. - Т.З. - C.97-9S.

16. Афонин П.В., Тарасов В.Б. Многоагентная система на основе подходов искусственной жизни: приложение к поиску на графе // Труды 3-го Международного научно-практического семинара «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - М.: Физматлит, 2005. - С.212-219.

Подписано к печати 18.08 2005г. Объем 1 п.л. Тираж 100 экз.

Заказ № 2.0р Типография МГТУ им. Н.Э.Баумана

} -л__

РНБ Русский фонд

2007-4

ВВЕДЕНИЕ.

1. АНАЛИЗ ПРОБЛЕМ И ПРИНЦИПОВ ПОСТРОЕНИЯ ГИБРИДНЫХ СИСТЕМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ.

1.1. Задачи обработки информации и поиска решений с использованием имитационных моделей сложных систем.

1.2. Подходы к построению имитационных моделей и интеллектуальное имитационное моделирование.

1.3. Гибридные системы: классификация и принципы создания.

1.4. Обзор вариантов построения гибридных интеллектуальных систем.

1.5. Особенности построения гибридных систем на основе имитационного моделирования.

1.6. Обзор методов эволюционного моделирования и подходов искусственной жизни.

1.7. Анализ подходов теории агентов и многоагентных систем.

1.8. Выводы по главе 1.

2. СИСТЕМА ПОИСКА РЕШЕНИЙ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНОГО ИМИТАЦИОННОГО

МОДЕЛИРОВАНИЯ.

2.1. Построение гибридной системы на основе бионических эволюционных методов и имитационных моделей различной точности.

2.2. Разработка алгоритма построения имитационных моделей различной точности.

2.3. Разработка схем выбора активной имитационной модели.

2.4. Построение макроструктур генетического поиска.

2.5. Разработка схем миграции агентов.

2.6. Выводы по главе 2.

3. СИСТЕМА ЭВРИСТИЧЕСКОГО ПОИСКА С КОРРЕКТИРОВКОЙ

НА ОСНОВЕ ВРЕМЕННЫХ ПРОДУКЦИЙ.

3.1. Построение гибридной системы с использованием временных продукционных правил и многоагентых моделей.

3.2. Разработка алгоритмов поиска на графе на основе временных продукционных правил.

3.3. Построение динамической многоагентной системы для корректировки стратегии однонаправленного поиска.

3.4. Построение многоагентной системы из двух взаимодействующих популяций для корректировки стратегии двунаправленного поиска.

3.5. Выводы по главе 3.

4. ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ И ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ ПРИ РЕШЕНИИ ПРАКТИЧЕСКИХ ЗАДАЧ.

4.1. Цели и методы проводимых исследований.

4.2. Исследование процессов миграции и макроструктур генетического поиска.

4.3. Исследование многоагентных систем в задачах однонаправленного и двунаправленного поиска.

4.4. Исследование эффективности разработанных алгоритмов на практических производственных задачах.

4.5. Выводы по главе 4.

Одной из наиболее важных тенденций развития информатики и разработки информационных технологий в последние десятилетия стало создание гибридных систем. В частности, еще в 80-е годы ХХ-го века экспертные системы стали объединяться с традиционными информационными технологиями (базами данных, расчетными и графическими пакетами), в результате чего появились гибридные экспертные системы. В последние годы активно разрабатываются нейроэкспертные системы, гибридные системы на базе мягких вычислений, гибридные системы интеллектуального имитационного моделирования. Подобные системы включают разнородные информационные технологии, функционирующие совместно в интересах решения сложных задач (которые трудно или даже невозможно решить с помощью одной-единственной технологии) и достижения большей эффективности обработки информации. Соответственно, возникает проблема исследования и разработки как эмпирических, так и теоретических подходов к гибридизации, обеспечивающих, например, объединение таких разнородных технологий как: имитационные модели и базы знаний, генетические алгоритмы и многоагентные системы. Так включение интеллектуального модуля в системы имитационного моделирования позволяет учитывать эвристические знания и опыт разработчика при определении параметров модели, а применение генетических алгоритмов обеспечивает эффективный поиск решений. В то же время, интеллектуализация систем имитационного моделирования требует развития баз знаний, опирающихся на продукционные системы с модифицированными, зависящими от времени продукционными правилами, которые требуют построения комбинированных стратегий поиска.

В связи с вышеизложенным, проблемы разработки теоретических и прикладных аспектов построения гибридных, динамических систем в информатике, включающих неоднородные подсистемы, изменяющиеся во времени, являются чрезвычайно актуальными. В диссертационной работе дается новое решение задачи разработки гибридных систем, сочетающих имитационное и эволюционное моделирование, динамические базы знаний и многоагентные модели, а также предлагаются варианты реализации бионических методов и моделей в информационных технологиях, что имеет существенное значение для развития теоретических основ информатики.

Целью диссертационной работы является повышение эффективности обработки информации и поиска решений за счет построения гибридных систем, использующих имитационные модели, бионические принципы и многоагентные подходы.

Для достижения поставленной цели в диссертации решаются следующие основные задачи:

1. Исследование существующих гибридных систем. Построение архитектур гибридных интеллектуальных систем, объединяющих методы и средства имитационного и эволюционного моделирования, базы знаний на основе динамических продукционных правил и агентно-ориентированные подходы.

2. Разработка искусственных агентов и многоагентных систем на основе бионических методов.

3. Исследование механизмов взаимодействия популяций искусственных агентов.

4. Разработка алгоритмов модифицированного генетического поиска на основе принципов макроэволюции, методов миграции агентов и теории формирования элитных групп.

5. Разработка алгоритмов эвристического поиска в пространстве состояний с корректировкой на основе многоагентных моделей.

6. Создание программного обеспечения, реализующего разработанные алгоритмы.

7. Применение разработанного программного обеспечения для решения прикладных оптимизационных задач.

В диссертационной работе для решения поставленных задач используются методы теории множеств и теории алгоритмов, теории графов и теории вероятностей, теории планирования эксперимента и эвристического поиска, имитационного и эволюционного моделирования, теории агентов и многоагентных систем.

Научная новизна диссертации определяется, в первую очередь, разработкой гибридных систем, сочетающих средства интеллектуального имитационного моделирования, базы знаний на основе динамических продукционных правил, алгоритмы, реализующие бионические принципы и многоагентные технологии. Новыми являются:

1. Модель эволюции популяции как многоагентной системы, определяемая принципами миграции агентов и формированием элитной популяции, которая использует в процессе поиска решения имитационные^ модели различной точности;

2. Метод эвристического поиска на основе динамических продукционных правил;

3. Метод корректировки весов эвристических функций с помощью многоагентой системы при реализации однонаправленного и двунаправленного поиска в пространстве состояний.

Практическая ценность результатов диссертации определяется созданием комплекса алгоритмов поиска решений, реализующих разработанные бионические методы и модели, которые обеспечивают повышение эффективности обработки информации. Предложенные методы и алгоритмы реализованы в виде программ на ЭВМ на языке программирования С++ в среде MS Visual С++. Программное обеспечение имеет возможность интеграции в среду интеллектуального имитационного моделирования РДО.

Теоретические и практические результаты, полученные в диссертационной работе, применялись при выполнении хоздоговорной тематики Отдела «Компьютерные системы автоматизации» НУК РК МГТУ им. Н.Э.Баумана и госбюджетной тематики ГУ РосНИИ информационных технологий и систем автоматизированного проектирования (см. Отчет о НИР «Разработка моделей и методов многоагентных систем», 2004г., шифр БД-01-04). Результаты диссертации также использованы при выполнении работ по фантам Российского фонда фундаментальных исследований (фанты 02-0100784, 02-07-90240, 03-07-06139, 04-01-00306).

Результаты исследований, проведенных в диссертационной работе, были внедрены на «ОАО Коломенский завод РТИ». Использование результатов диссертации позволило повысить эффективность составления сменно-суточных заданий участка по выпуску резиновых технических изделий (время выполнения текущего портфеля заказов удалось сократить на 4-5%). Кроме того, результаты работы нашли применение в учебном процессе кафедры «Компьютерные системы автоматизации производства» МГТУ им. Н.Э.Баумана и кафедры САПР ТРТУ.

Достоверность научных положений и выводов диссертации подтверждается результатами вычислительных экспериментов на тестовых и практических задачах, а также актами о внедрении.

Основные результаты диссертационной работы докладывались на: Третьей Международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа-99, Беларусь, Браславские озера, 1999г.), Четвертой Международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа-2000, Беларусь, Браславские озера, 2000г.), Научной сессии МИФИ-2001 (Москва, 2001г.), Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2001г.), Международном научно-практическом семинаре «Интефированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2001г.), Научной сессии МИФИ-2002 (Москва, 2002г.), Восьмой Национальной конференции по искусственному интеллекту (КИИ-2002, Коломна, 2002г.), Н-м Международном научно-практическом семинаре «Интефированные модели и мягкие вычисления в искусственном интеллекте»

Коломна, 2003г.), Международных научно-технических конференциях IEEE AIS'03 и CAD-2003 (Дивноморское, 2003г.), Девятой Национальной конференции по искусственному интеллекту (КИИ-2004, Тверь, 2004г.), Международных научно-технических конференциях IEEE AIS'04 и CAD-2004 (Дивноморское, 2004г.), Ш-м Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2005г.), а также научно-техническом семинаре «Экобионика» МГТУ им. Н.Э. Баумана в 2005г.

По теме диссертации автором опубликовано 16 работ, включая одну коллективную монографию.

На защиту выносятся:

1. Архитектуры гибридных систем интеллектуального имитационного моделирования, использующие бионические принципы и многоагентные методы.

2. Метод представления программных агентов как искусственных организмов во взаимодействующих и эволюционирующих популяциях.

3. Новая схема генетического поиска на базе механизмов миграции агентов.

4. Алгоритмы эвристического поиска на основе динамических продукционных правил и многоагентных систем.

В первой главе диссертации приводится постановка задач исследования и обзор методов решения данных задач. Рассматриваются две актуальные задачи поиска решения на основе имитационного моделирования. Обосновано, что для их решения необходимо создание гибридных систем, объединяющих методы искусственного интеллекта и средства имитационного моделирования. Показано, что построение гибридных интеллектуальных систем стало ведущей тенденцией современной информатики. Выполнен обзор принципов создания и различных подходов к разработке гибридных интеллектуальных систем, а также предложена их классификация. Установлено, что проблемы гибридизации в области интеллектуального имитационного моделирования являются недостаточно исследованными. Предложены возможные пути их решения, которые заключаются в построение новых структур гибридных систем имитационного моделирования, а также разработке перспективных поисковых методов основанных на бионических принципах моделирования эволюции и построения многоагентных систем. Проведен обзор методов эволюционного моделирования и подходов искусственной жизни, моделей теории агентов и многоагентных систем.

Во второй главе описывается выбор и построение архитектуры гибридной системы поиска решений на основе имитационного моделирования, а также разработка основных компонентов системы в виде методов и алгоритмов. В гибридной системе предложено использовать блок выбора активной имитационной модели, который реализует выбор менее точных моделей для прогона на начальном этапе работы блока оптимизации и последующее повышение точности модели в процессе поиска. Данный механизм позволяет значительно сократить время поиска решения. Описан алгоритм построения имитационных моделей различной точности, который основан на принципе попарного сравнения разрабатываемых имитационных моделей. Предложено несколько схем определения конкретной имитационной модели для прогона на каждом шаге работы алгоритма. В качестве блока оптимизации в гибридной системе предложено использовать макросхему генетического поиска, которая основана на моделировании макроэволюции и методах миграции агентов. Разработан и описан алгоритм модифицированного генетического поиска. Предложены основные типы межпопуляционных связей и схемы выбора мигрантов, которые основаны на принципах создания элитной популяции агентов.

В третьей главе рассматривается построение архитектуры гибридной системы эвристического поиска с корректировкой на основе временных продукций, а также разработка основных компонентов системы в виде методов и алгоритмов. Система состоит из базы знаний на основе временных продукционных правил, блока эвристического поиска на графе состояний и блока корректировки поиска на основе эволюционирующей многоагентной системы. В качестве базового алгоритма эвристического поиска используется алгоритм Харта - Нильсона - Рафаэла. Разработана модификация данного алгоритма для реализации стратегий поиска на основе продукционных правил, зависящих от времени. Описана многоагентная система, моделирующая одну популяцию агентов, которая предназначена для корректировки весов эвристических функций при реализации однонаправленного поиска. Для корректировки весов эвристических функций в процессе двунаправленного поиска рассматривается многоагентная система, охватывающая две популяции агентов. В данной системе предлагается использовать оператор миграции, который реализуется на базе одной из схем миграции, описанных во второй главе.

В четвертой главе приведены результаты исследований разработанных алгоритмов на тестовых и практических производственных задачах. Определены рациональные параметры миграции агентов. Исследованы методы эвристического поиска на основе многоагентных систем и показана их эффективность для корректировки весов эвристических функций в процессе поиска на графе состояний. Показана эффективность разработанных алгоритмов, как на тестовых, так и на рассматриваемых в работе практических производственных задачах.

В заключении содержатся основные выводы и результаты диссертации.

В приложении 1 приведен текст программы, реализующей алгоритмы модифицированного генетического поиска. В приложении 2 приведен текст программы, которая реализует алгоритмы эвристического поиска с корректировкой на основе многоагентной системы.

Основные результаты выполненных теоретических и практических исследований по теме диссертации состоят в следующем.

1. Построены архитектуры гибридных систем, которые позволяют сократить время на поиск решения и повысить качество решения при использовании имитационного моделирования.

2. Разработаны модели искусственных агентов и многоагентных систем на основе бионических принципов построения искусственных организмов и популяций.

3. Проведены исследования механизмов взаимодействия популяций искусственных агентов. В результате определена наилучшая схема миграции агентов - комбинированная схема. Найдено наиболее рациональное число мигрантов — 25% от общего числа агентов в популяции. Определена наилучшая схема взаимосвязей между популяциями агентов — схема связи «один к одному».

4. Разработан алгоритм модифицированного генетического поиска, основанный на бионических принципах макроэволюции и миграции агентов. Алгоритм оказался эффективнее, чем стандартный алгоритм генетического поиска. При этом выигрыш во времени поиска решений составляет 10-30%, а выигрыш в качестве решения составляет 2-10% в зависимости от типа задачи.

5. Разработаны алгоритмы однонаправленного и двунаправленного поиска на графе состояний, использующие базу знаний на основе временных продукционных правил и многоагентные системы эволюционирующих агентов. Использование многоагентных систем для корректировки весов эвристических функций в процессе поиска позволяет сократить время поиска решения на 5-20%.

6. Создано программное обеспечение, реализующее разработанные алгоритмы. Программное обеспечение реализовано в среде Visual С++ в рамках объектно-ориентированного подхода, что облегчает его дальнейшее сопровождение и интеграцию с другими системами.

7. Разработанные алгоритмы также подтвердили свою эффективность при решении рассмотренных в диссертационной работе прикладных производственных задач.

ЗАКЛЮЧЕНИЕ

Главным итогом диссертационной работы является новое решение актуальной задачи разработки гибридных динамических систем в информатике, а именно, построение гибридных интеллектуальных систем, сочетающих имитационные и эволюционные модели, динамические базы знаний на основе продукционных правил, содержащих параметр времени, и многоагентные структуры, а также применение бионических методов и моделей в информационных технологиях, что имеет существенное значение для развития теоретических основ информатики.

1. Аверкин А.Н., Прокопчина С.В. Мягкие вычисления и измерения // Интеллектуальные системы (МГУ). — 1997. — Т.2, вып.1-4. — С.93-114.

2. Адамацкий А.И., Холланд О. Роящийся интеллект: представления и алгоритмы // Информационные технологии и вычислительные системы. — 1998. -№1. С.45-53.

3. Айала Ф. Введение в популяционную и эволюционную генетику. Пер. с англ. -М.: Мир, 1984.

4. Алексеев А.В., Попов В.А., Слядзь Н.Н., Фомин С.А. Гибридные экспертные системы Протей для автоматизации ранних стадий проектирования // Известия РАН: Техническая кибернетика. — 1992. — №5.- С.197-208.

5. Алиев Р. А., Алиев P.P. Теория интеллектуальных систем и ее применение. Баку: Чашыоглы, 2001.

6. Арлазаров B.JL, Журавлев Ю.И., Ларичев О.И., Лохин В.М., Макаров И.М., Рахманкулов В.З., Финн В.К. Теория и методы создания интеллектуальных компьютерных систем// Информационные технологии и вычислительные системы. 1998. — №1. — С.3.13.

7. Афонин П.В. Определение условий эффективной работы модифицированной схемы генетического поиска в задачах планирования производства // Научная сессия МИФИ-2002: Сборник научных трудов в 14 томах М.: Изд-во МИФИ. - 2002. - Т. 3. - С.193-194.

8. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. — Воронеж: Изд-во ВГТУ, 1995.

9. Берштейн JI.C., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. — Ростов-на-Дону: Изд-во РГУ, 1999.

10. Берштейн Л.С., Коровин С.Я., Мелихов А.Н., Сергеев Н.Е. Функционально-структурное исследование ситуационно-фреймовой сети экспертной системы с нечеткой логикой// Известия РАН: Техническая кибернетика. 1994. -№2. -С.71-83.

11. Будущее искусственного интеллекта. М.: Наука, 1991.

12. Букатова И.Л., Михасев Ю.И., Шаров A.M. Эвоинформатика. Теория и практика эволюционного моделирования. М.: Наука, 1991.

13. Бурцев М.С., Гусарев Р.В., Редько В.Г. Нейросетевая модель эволюционного возникновения целенаправленного адаптивного поведения // Научная сессия МИФИ-2001: Сборник научных трудов в 14 томах.-Т. 1.-М.: МИФИ, 2001. -С.153-160.

14. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++: Пер. с англ. 2-е изд. — М.: Бином, 1998.

15. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред.

16. B.Н.Вагина, Д.А.Поспелова. М.: Физматлит, 2004.

17. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Известия РАН: Теория и системы управления. — 2001. №6. —1. C.114-123.

18. Венда В.Ф. Системы гибридного интеллекта: Эволюция, психология, информатика. — М.: Машиностроение, 1990.

19. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. -СПб: СПбГТУ, 2001.

20. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Едиториал УРСС, 2004.

21. Гаврилов А.В. Гибридные интеллектуальные системы. — Новосибирск: Изд-во НГТУ, 2003.

22. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — СПб: Питер, 2000.

23. Гладков JI.A., Зинченко Л.А., Курейчик В.В., Курейчик В.М., Лебедев Б.К., Нужнов Е.В., Сорокин С.Н. Методы генетического поиска. -Таганрог: ТРТУ, 2002.

24. Гладков Л.А., Корнюшенко Ю.В., Маслов Е.В. Алгоритмы выделения ядер в нечетких графах на основе моделирования эволюции // Известия ТРТУ. 2003. - №2. - С. 124-129.

25. Гладков Л.А., Курейчик В.М., Курейчик В.В. Генетические алгоритмы: Учебное пособие/ Под ред.В.М.Курейчика. — Ростов-на-Дону: Ростиздат, 2004

26. Голицын Г.А., Фоминых И.Б. Нейронные сети и экспертные системы: перспективы интеграции// Новости искусственного интеллекта. 1996. -№4. - С.121-145.

27. Голубин А.В., Тарасов В.Б. Нечеткие генетические алгоритмы// Труды Международных научно-технических конференций «IEEE AIS'05» и

28. CAD-2005» (Дивноморское, 3-10 сентября 2005 г.).- М.: Физматлит, 2005. Т. 1.

29. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы (обзор)// Новости искусственного интеллекта. — 1998. —№2 — С.64-116.

30. Джексон П. Введение в экспертные системы: Учеб. пособие: Пер. с англ.- М.: Изд. дом «Вильяме», 2001.

31. Емельянов В.В. Метод построения математических моделей сложных дискретных систем и процессов// Вестник МГТУ: Сер. Машиностроение.- 1993. — №1. С.14-19.

32. Емельянов В.В. Гибридные системы управления на основе интеллектуальной имитационной среды РДО // Труды второй Международной конференции «Проблемы управления и моделирования в сложных системах». — Самара: СНЦ РАН, 2000. С. 263-268.

33. Емельянов В.В, Афонин П.В. Модель искусственной жизни в управлении производством// Труды восьмой национальной конференции по искусственному интеллекту (КИИ-2002, Коломна, 7-12 октября 2002 г.). Т.2.- М.: Физматлит.- 2002. С.950-957.

34. Емельянов В.В., Афонин П.В. Модель искусственной жизни с возможностью управления ресурсами эволюции // Труды Международных научно-технических конференций IEEE AIS'03 и CAD2003 (Дивноморское, 3-10 сентября 2003 г.). Т.1.- М.: Физматлит, 2003. С.26-30.

35. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. — М.: Физматлит, 2003.

36. Емельянов В.В., Ясиновский С.И. Продукционный имитатор дискретных процессов и систем // Вестник машиностроения. 1992. — №5. — С.41-44.

37. Емельянов В.В., Ясиновский С.И. Гибридная система для планирования производства на основе генетических алгоритмов, методов имитации и экспертных систем // Известия ТРТУ. — 1996. №3. - С.4-9.

38. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. Язык РДО. М.: АНВИК, 1998 - 426 с.

39. Еремеев А.П. Об интеграции моделей в интеллектуальных системах поддержки принятия решений// Труды 9-й национальной конференции по искусственному интеллекту КИИ'2004 (Тверь, 28 сентября 2 октября 2004 г.).- М.: Физматлит, 2004. - Т.2. - С.815-823.

40. Еремеев А.П., Троицкий В.В. Концепции и модели представления времени и их применение в интеллектуальных системах// Новости искусственного интеллекта. 2004. - №1. - С.6-29.

41. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. М.: Мир, 1976.

42. Зафиров Э.Г. Реинжиниринг позаказного производства // Сборник трудов Международных научно-технических конференций «Интеллектуальныесистемы» и «Интеллектуальные САПР» (IEEE AIS'03 и CAD-2003). М.: Физматлит, 2003. - Т.2. - С. 181 -190.

43. Интеллектуальные системы: Коллективная монография/ Под ред. В.М.Курейчика. М.: Физматлит, 2005. - 288 с.

44. Исследование операций: Пер. с англ./ Под ред. Дж. Моудера и С. Элмаграби. М.: Мир, 1981. - Т.1 — Методологические основы и математические методы. - 712 с. Т.2 - Модели и применения. - 677 с.

45. Карпов В.Э. Эволюционное моделирование. Проблемы формы и содержания // Новости искусственного интеллекта.— 2003 .—№5 — С.35-46.

46. Ковалев С.М., Родзин С.И. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи. Ростов-на-Дону: Изд-во СКНЦ ВШ, 2002.

47. Колесников А.В. Гибридные интеллектуальные системы. Теория и технология разработки / Под ред. A.M. Яшина. — СПб.: СПбГТУ, 2001.

48. Колмогоров А.Н. Автоматы и жизнь// Кибернетика ожидаемая и кибернетика неожиданная. М.: Наука, 1968. - С. 12-31.

49. Комарцова Л.Г. Исследование конструктора генетических алгоритмов // Известия ТРТУ. 2003. - №2. - С. 120-124.

50. Кузнецов О.П. Неклассические парадигмы в искусственном интеллекте// Известия РАН: Теория и системы управления. — 1995. — №5. — С.3-23.

51. Курейчик В.В. Эволюционные методы решения оптимизационных задач.- Таганрог: Изд-во ТРТУ, 1999.

52. Курейчик В.М. Генетические алгоритмы. Таганрог: Изд-во ТРТУ, 1998.

53. Курейчик В.М. Генетические алгоритмы. Обзор и состояние. Новости искусственного интеллекта. №3. - 1998. — С. 14-64.

54. Курейчик В.М. Эволюционные методы построения клик и независимых множеств графов // Известия ТРТУ. 2003. - №2. - С.66-71.

55. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические стратегии в искусственном интеллекте// Новости искусственного интеллекта. 2000. - №3. - С.39-65.

56. Лоу А., Кельтон В. Имитационное моделирование: Пер. с англ. (3-е изд.)- СПб.: BHV, 2004.-847с.

57. Люгер Дж.Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем: Пер с англ. -М.: Изд. Дом «Вильяме», 2003.

58. Математическая теория планирования эксперимента/ Под ред. С.М. Ермакова. -М.: Наука, 1983.

59. Меркурьева Г.В., Меркурьев Ю.А. Экспертные системы имитационного моделирования// Известия РАН: Техническая кибернетика. 1991. - №3.- С.156-173.

60. Метан Г.Н., Тарасов В.Б. Нейро-нечеткие модели и их применение в задачах фильтрации звуковых сигналов// Труды YIII-й национальной конференции по искусственному интеллекту КИИ'2002 (Коломна, 7-12 октября 2002 г.).- М.: Физматлит, 2002. Т.2. - С.805-819.

61. Миронова Т.С., Плесневич Г.С. Гибридные модели знаний// Известия РАН: Техническая кибернетика. 1994. - №2. - С.56-70.

62. Нильсон Н. Принципы искусственного интеллекта: Пер. с англ. М.: Издательский Дом «Вильяме», 2001.

63. Норенков И.П., Косачевский О.Т. Генетические алгоритмы комбинирования эвристик в задачах дискретной оптимизации// Информационные технологии. 1999. - №2. - С.2-7.

64. Осипов Г.С. Динамика в системах, основанных на знаниях// Известия РАН: Теория и системы управления. — 1998. — №5. — С.24-28.

65. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987.

66. Попов Э.В. Экспертные системы. Состояние, проблемы, перспективы// Известия АН СССР: Техническая кибернетика. 1989. -№5.

67. Попов Э.В. Особенности разработки и использования экспертных систем// Искусственный интеллект: в 3-х кн. Кн.1. Системы общения и экспертные системы: Справочник/ Под ред. Э.В.Попова. М.: Радио и связь, 1990.-С.261-290.

68. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы: Учебное пособие. М.: Финансы и статистика, 1996.

69. Поспелов Г.С. Искусственный интеллект-основа новой информационной технологии. М.: Наука, 1988.

70. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989.

71. Поспелов Д.А. Ситуационное управление — основа прикладных интеллектуальных систем// Вестник МГТУ им. Н.Э.Баумана. Сер. «Приборостроение». 1995. - №2. - С.3-10.

72. Поспелов Д.А. Многоагентные системы — настоящее и будущее // Информационные технологии и вычислительные системы. — 1998 №1. — С.14-21.

73. Прицкер А. Введение в имитационное моделирование и язык CJIAM II. -М.: Мир, 1987. -644с.

74. Редько В.Г. Эволюционная кибернетика. -М.: Наука, 2001.

75. Родзин С.И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования//Новости искусственного интеллекта. — 2000. — №3. С. 159-170.

76. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2004.

77. Рыбина Г.В. Принципы создания автоматизированной технологии проектирования интегрированных экспертных систем// Новости искусственного интеллекта. 1993. — №4. - С.105-116.

78. Рыбина Г.В. Использование методов имитационного моделирования при создании интегрированных экспертных систем реального времени// Известия РАН: Теория и системы управления. — 2000. №5. - С. 182-191.

79. Рыбина Г.В. Архитектуры интегрированных экспертных систем: современное состояние и тенденции// Новости искусственного интеллекта. 2002. - №4. - С. 10-17.

80. Семенов Н.А., Грецкий А.В. О возможности использования генетических алгоритмов при реинжиниринге бизнес-процессов// Искусственный интеллект (Донецк). — 2001. №2.

81. Силютин Д.А. Агентно-ориентированный подход к управлению генетическим поиском подстановки изоморфизма графов // Известия ТРТУ. 2003. - №2. - С. 134-139.

82. Скурихин А.Н. Генетические алгоритмы// Новости искусственного интеллекта. 1995. - №4. - С.6-46.

83. Станкевич J1.A. Управление поведением роботов с использованием знаний в нейрологической форме// Труды 9-й национальной конференции по искусственному интеллекту КИИ'2004 (Тверь, 28 сентября-2 октября 2004 г.).- М.: Физматлит, 2004. Т.З. - С.1173-1182.

84. Стефанюк B.JI. Локальная организация интеллектуальных систем. — М.: Физматлит, 2004.

85. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном// Новости искусственного интеллекта. 1995. - №4. - С.93-117.

86. Тарасов В.Б. Искусственная жизнь — новая метафора для моделирования и перепроектирования предприятий// Известия ТРТУ. — 1997.— №3 С.87-92.

87. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы-основные теоретические подходы к построению интеллектуальных организаций// Известия РАН: Теория и системы управления. 1998. - №5.- С.12-23.

88. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте// Новости искусственного интеллекта. 1998. — №2. — С.5-63.

89. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. — М.: Эдиториал УРСС, 2002.-352с.

90. Тарасов В.Б., Соломатин Н.М. Развитие прикладных интеллектуальных систем: анализ основных этапов, концепций и проблем// Вестник МГТУ: Сер. «Приборостроение». 1994. — №1. — С.5-14.

91. Тельнов Ю.Ф., Кузьмицкий А.А. Обоснование стратегических решений по реорганизации предприятий на основе интеллектуальных технологий// Новости искусственного интеллекта.- 2003. — №2 — С.13-19.

92. Финн В.К. Философские проблемы логики интеллектуальных систем// Новости искусственного интеллекта. 1999. — №1. - С.36-51.

93. Фогель Л., Оуэне А., Уолш М. Искусственный интеллект и эволюционное моделирование: Пер. с англ. — М.: Мир, 1969.

94. Фоминых И.Б. Интеграция нейронных и символьно-логических моделей в интеллектуальных технологиях // Труды YII-й Национальной конференции по ИИ. М.: Физматлит, 2000. — Т.2. — С.588-596.

95. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени// Труды Международного конгресса «Искусственный интеллект в XXI-м веке».— М.: Физматлит, 2001. — Т.2. -С.570-583.

96. Хакен Г. Тайны природы. Синергетика: учение о взаимодействии. -Москва-Ижевск: ИКИ, 2003.

97. Хедрик Ф. Генетика популяций. — М.: Техносфера, 2003.

98. Шеннон Р. Имитационное моделирование искусство и наука. — М.: МИР, 1978.-418 с.

99. Шпеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях. Киев: Диалектика, 1993. -240с.

100. Штрик А.А. Влияние информационно-коммуникационных технологий на устойчивое развитие стран Западной Европы// Новости искусственного интеллекта.- 2003. -№2- С.3-12.

101. Ярушкина Н.Г. Вычислительный интеллект: синергизм слова и числа// Информационные технологии и вычислительные системы 2002. — №4. — С.23-33.

102. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Программные продукты и системы. 2002. — №3.

103. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. — М.: Финансы и статистика, 2004. 320 с.

104. Ясиновский С.И. Логический вывод в гибридных системах // Вестник МГТУ. Сер. Приборостроение. 1994. - №1. - С.88-99.

105. Adami С. Introduction to Artificial Life. Berlin: Springer Verlag, 1998.

106. Artiba A., Emelyanov V.V., Iassinovski S.I. Introduction to Intelligent Simulation: The RAO Language. — Boston/Dordrecht/London: Kluwer Academic Publishers, 1998. —517p.

107. Back Т., Schwefel H.-P. An Overview of Evolutionary Algorithms for Parameter Optimization// Evolutionary Computation.-l 993.- Vol. 1.- P. 1 -23.

108. Bowden R.O., Hall J.D. Simulation Optimization Research and Development // Proc. 1998. Winter Simulation Conference, Washington, D.C., p. 1693-1698.

109. Cloete J. Knowledge-Based Neurocomputing — Cambridge: The MIT Press, 2000.

110. Davis L. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold, 1991.

111. Demazeau Y., Costa A.C.R. Populations and Organizations in Open-Multi-Agent Systems // Proceedings of the First Symposium on Parallel and Distributed AI (Hyderabad, India, July 6-9, 1996).

112. Farmer J.D., Belin A. Artificial Life: the Coming Evolution. Cambridge: Cambrodge University Press, 1990.

113. Ferber J. Les systemes multi-agents. Vers une intelligence collective. Paris: InterEditions, 1995.

114. Fogel D.B. Evolutionary Computation. Toward a New Philosophy of Machine Intelligence. New York: IEEE Press, 1995.

115. Genesereth M.R., Ketchpel S.P. Software Agents// Communications of the ACM. 1994. -Vol.37, №7. -P.48-53.

116. Glover F., Laguna M. Tabu Search. New York: Kluwer Academic Publishers, 1997.

117. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. New York: Addison-Wesley Publishing Company, Inc., 1989.

118. Gupta M.M., Rao D.H. On the Principles of Fuzzy Neural Networks// Fuzzy Sets and Systems. 1994.-Vol.61. - P. 1-18.

119. Herrera F., Magdalena L. Introduction: Genetic Fuzzy Systems// International Journal of Intelligent Systems. 1998. - Vol.13. - P.887-890.

120. Heudin J.-C. La vie artificielle. Paris: Hermes, 1994.

121. Hewitt C. Viewing Control Structures as Patterns of Message Passing// Artificial Intelligence. -1977. Vol.8, №3. -P.323-364.

122. Hilario M. An Overview of Strategies for Neurosymbolic Integration// The IJCAI Workshop on Connectionist-Symbolic Integration: From Unified to Hybrid Approaches. Montreal, 1995. - P.234-250.

123. Hirota K., Pedrycz W. A Distributed Model of Fuzzy Set Connectives// Fuzzy Sets and Systems. 1994.-Vol.68.-P. 157-170.

124. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. -Ann Arbor: University of Michigan, 1975.

125. Jennings N.R., Wooldridge M. Applications of Agent Technology// Agent Technology: Foundations, Applications and Markets/ Ed. by N.RJennings and M.Wooldridge. Berlin: Springer Verlag, 1998.

126. Jung J.S.-R., Sun C.T., Mizutani E. Neuro-Fuzzy and Soft Computing. -Englewood Cliffs: Prentice Hall, 1997.

127. Kasabov N. Evolving Connectionist Systems. Berlin: Springer Verlag, 2003.

128. Keller J.M., Yager R.R., Tahani H. Neural Network Implementation of Fuzzy Logic// Fuzzy Sets and Systems. 1992. - Vol.45, №1. - P. 1-12.

129. Kosko B. Neural Networks and Fuzzy Systems. Englewood Cliffs: Prentice Hall, 1992.

130. Koza J.R. Genetic Programming (2nd ed.). Cambridge: The MIT Press, 1994.

131. Langton C. (Ed.). Artificial Life. New York: Addison-Wesley, 1988.

132. Langton C.G. Artificial Life: an Overview. Cambridge MA: MIT Press, 1995.

133. Lesser V. Multi-Agent Systems: an Emergent Subdiscipline of Artificial Intelligence// ACM Computing Surveys. 1995. - Vol.27. - P.340-342.

134. Maes P. Artificial Life Meets Entertainment: Life Like Autonomous Agents// Communication of the ACM. 1995. -Vol.38, №11. - P. 108-114.

135. Mandelbrot B. The Fractal Geometry of Nature. New York: W.H.Freeman and Company, 1977.

136. Medsker L.R. Hybrid Intelligent Systems. — Kluwer Academic Publ., 1995.

137. Meyer J.A., Wilson S. (Ed.). Simulation of Adaptive Behavior: from Animals to Animats. Cambridge MA: MIT Press, 1991.

138. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programs (3d ed.). New York: Springer-Verlag, 1996.

139. Murray D. Developing Reactive Software Agents//AI Expert-1995 -P.27-29.

140. Nii H.P. The Blackboard Model of Problem Solving and the Evolution of Blackboard Architecture// AI Magazine. -1986. -Vol.7, №3.

141. Nwana H. Software Agents: an Overview// The Knowledge Engineering Review.-1996.-Vol.l 1, №3. P.205-244.

142. Pedrycz W. Fuzzy Neural Networks and Neurocomputations// Fuzzy Sets and Systems. 1993. - Vol.56.-P.l-28.

143. Ray T.S. An Approach to the Synthesis of Life// Artificial Life II: Proceedings of the Second Artificial Life Workshop/ Ed. by C.Langton, C.Taylor, J.D. Farmer and S.Rasmussen. Redwood City CA: Addison-Wesley, 1992 — P.371-408.

144. Ruan Da (Ed.). Intelligent Hybrid Systems. — Amsterdam: Kluwer Academic Publishers, 1997.j

145. Russell S.J., Norvig P. Artificial Intelligence: a Modern Approach (2 ed.) -Englewood Cliffs NJ: Prentice Hall, 2003.

146. Subrahmanian V.S., Bonatti P., Dix J. et al. Heterogeneous Agent Systems. -Cambridge: The MIT Press, 2000.

147. SycaraK. Multi-Agent Systems/Mi Magazine-1998 Vol.19,№2 -P.79-92.

148. Wooldridge M. Multiagent Systems: a Modern Approach to Distributed Artificial Intelligence. Cambridge MA: The MIT Press, 1999.

149. Yaeger L. Computational Genetics, Physiology, Learning, Vision, and Behavior or PolyWord: Life in a New Context// Artificial Life III/ Ed. by C.Langton, New Yourk: Addison-Wesley, 1994. P.263-298.

150. Zadeh L.A. Fuzzy Logic, Neural Network and Soft Computing// Communications of the ACM. 1994. - Vol.37, №3. - P.77-84.

151. ГА — генетический алгоритм

152. ГИС — гибридная интеллектуальная система1. ГС — гибридная система1. ИЖ — искусственная жизнь

153. ИИ искусственный интеллект

154. ИИМ интеллектуальное имитационное моделирование1. ИМ — имитационная модель

155. КИМ — коэффициент использования материала

156. MAC — многоагентная система

157. МГА модифицированный генетический алгоритм

158. МИЛ модифицированное продукционное правило

159. ООП объектно-ориентированное программирование

160. ПГА — простейший генетический алгоритм

161. ПЗ — простейшая задача оптимизации

162. УЗ задача управления запасами1. ФП — функция пригодности

163. ЭМ эволюционное моделирование