автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и модели конфигурирования адаптивных сетей поставок на основе многоагентных коалиционных систем

На правах рукописи

004690899

ШЕРЕМЕТОВ Леонид Борисович

МЕТОДЫ И МОДЕЛИ КОНФИГУРИРОВАНИЯ АДАПТИВНЫХ СЕТЕЙ ПОСТАВОК НА ОСНОВЕ МНОГОАГЕНТНЫХ КОАЛИЦИОННЫХ

СИСТЕМ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

5 ДПР ?П1Г|

Санкт-Петербург 2010

004600899

Работа выполнена в Учреждении Российской академии наук Санкт-Петербургский институт информатики и автоматизации РАН.

Официальные оппоненты:

доктор технических наук, профессор

доктор технических наук, профессор доктор технических наук, профессор

Городецкий Владимир Иванович Гаврилова Татьяна Альбертовна Скобов Евгений Дмитриевич

Ведущая организация:

Учреждение Российской академии наук Институт системного анализа РАН

Защита состоится «10» июня 2010 г. в 14:00 на заседании диссертационного совета Д.002.199.01 при Учреждении Российской академии наук Санкт-Петербургский институт информатики и автоматизации РАН по адресу: 199178, Санкт-Петербург, В.О., 14 линия, 39.

С диссертацией можно ознакомиться в библиотеке Учреждения Российской академии наук Санкт-Петербургский институт информатики и автоматизации РАН

Автореферат разослан «30» марта 2010 г.

Ученый секретарь

диссертационного совета Д.002.199.01

Ронжин Андрей Леонидович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации

В современной экономике производственные системы эволюционируют от традиционных предприятий к сетевым группам технологически связанных компаний и более того, от интегрированных предприятий с фиксированной структурой к сетям поставок с переменной структурой, основанным на распределенном взаимодействии участников сети. Такие группы предприятий уже не управляются централизованно компаниями-лидерами, а управляются через виртуальные пространства принятия решений. В условиях развития новых гибких организационных форм межпроизводственной кооперации, где каждое предприятие, преследуя собственные цели, должно согласовывать принимаемые решения с партнерами для получения максимальной выгоды, перед участниками сети стоит задача постоянно приспосабливать свое поведение к высоко динамической и неопределенной окружающей среде.

В данной диссертационной работе рассматривается эмерджентный тип интегрированных производственных систем, известных как адаптивные сети поставок (АСП). АСП определяется как связанная сеть независимых компаний (или заинтересованных агентов), которые способны приспосабливаться к изменениям, как в окружающей среде, так и в самой сети, и перестраивать свою структуру и деятельность в ответ на эти изменения. Способность участников сети целесообразно изменять организацию в зависимости от влияния среды переводит их в класс систем с переменной структурой. Поиск структуры и выбор участников сети поставок, обеспечивающих допустимый с точки зрения временных и стоимостных затрат уровень эффективности, называется конфигурированием сети. Эта задача решается на всех уровнях принятия управленческих решений: стратегическом, тактическом и оперативном.

АСП рассматривается как открытое интегрированное предприятие, формирование которого является результатом кооперирования активных автономных элементов (агентов). Отличительной особенностью АСП является необходимость решать задачу конфигурирования динамически при выполнении каждого заказа в условиях неопределенной среды. Сообщество заинтересованных агентов, которые на основании протоколов переговоров принимают решение сотрудничать, создавая новую структуру для решения некой задачи или достижения определенной цели, принято называть коалицией. Формирование коалиций - это способ конфигурировать виртуальные организации агентов посредством применения согласованных стратегий, временная логика которых зависит от динамически меняющихся условий.

Когда речь идет об управлении сложными технико-экономическими или организационными системами, включающими в себя людей, принимающих решения, примером которых являются АСП, использование клас-

сической теории управления с ее допущениями не представляется возможным, поскольку подобные открытые системы, обладающие способностью к самоорганизации и эволюции, должны изучаться с помощью куда более сложных теоретических моделей. За последнее время разработан целый ряд подходов к моделированию и управлению сложными технико-экономическими системами, таких, например, как холоническое управление производственными системами, эволюционное управление сложными системами и децентрализованное интегрированное моделирование.

Вместе с тем, как показывает анализ отечественной и зарубежной литературы, процессы конфигурирования сетей поставок, касающиеся структурных и координационных решений, понимаются в самых различных аспектах - от согласованного подхода к ценообразованию до синхронизированного управления предприятиями и процессами в бизнес-стратегиях «точно-в-срок». Подобное различие обусловлено, во-первых, недостаточной научной проработанностью теоретических основ организации и управления сложными кооперационными сетевыми структурами, а во-вторых - чрезмерной абстрактностью имеющихся результатов вследствие отсутствия интегрированных формальных методов и имитационных моделей, учитывающих специфику сложных распределенных технико-экономических самоорганизующихся систем. Отсутствие должного смыслового единства при классификации и решении различных задач конфигурирования АСП приводит зачастую к логической некорректности, неоднозначности понимания результатов работ и сферы применения предлагаемых методик.

Таким образом, разработка методов и моделей конфигурирования АСП как сложных динамических систем, функционирующих в неопределенной среде, остается открытой научной проблемой, что и предопределяет актуальность данного исследования. В связи с этим возникает потребность в теоретическом осмыслении комплекса проблем многоагентного моделирования АСП, позволяющих исследовать их как динамические сети с переменной структурой. Анализ динамических сетей - это новая область, которая заключает в себе построение механизмов организации сетей, основываясь на процессах коалиционного взаимодействия агентов, адаптивных правилах целеполагания и принятия решений, для выработки которых агенты используют только локальную информацию.

Объектом исследования диссертационной работы являются адаптивные сети поставок как многоагентные коалиционные системы.

Предметом исследования диссертационной работы является динамическое конфигурирование адаптивных сетей поставок на трех уровнях принятия решений (стратегическом, тактическом и оперативном) в условиях неопределенности.

Цель работы состоит в разработке методов и моделей конфигурирования АСП на трех уровнях принятия управленческих решений (стратегическом, тактическом и оперативном) в условиях изменяющейся частично на-

блюдаемой внешней среды на основе многоагентных технологий и методов формирования коалиций для повышения эффективности сетей поставок. Для достижения поставленной цели необходимо:

1. Проанализировать типы интегрированных производств с целью выделения специфики АСП и постановки задач их конфигурирования.

2. Разработать методологию многоагентного моделирования АСП в классе коалиционных систем для решения комплекса задач динамического конфигурирования АСП на трех уровнях принятия управленческих решений.

3. Разработать концептуальную модель задачи динамического конфигурирования АСП как многоагентной коалиционной системы.

4. Разработать математическую модель формирования структуры АСП на основе семантической композиции сервисов, предоставляемых участниками сети в рамках системы управления компетенцией.

5. Разработать математическую модель статического формирования коалиций для эффективного выбора партнеров АСП на уровнях стратегического и тактического планирования.

6. Разработать модели динамического конфигурирования АСП на уровнях тактического планирования и оперативного управления в условиях неопределенной среды.

7. Разработать архитектуру и программное обеспечение многоагентных систем, реализующих предложенные модели и алгоритмы.

8. Спланировать и провести компьютерные эксперименты, оценивающие эффективность практического применения разработанных моделей и алгоритмов.

Методы исследования включают: методы системного анализа, теории многоагентных систем, теории нечетких кооперативных игр, теории коллективного интеллекта, эволюционных вычислений, теории множеств, нечеткой, дескриптивной и модальной логик, а также теории планирования эксперимента.

Положения, выносимые на защиту:

1. Методология моделирования и динамического конфигурирования АСП, обеспечивающая единство их концептуального, математического и имитационного моделирования как многоагентных коалиционных систем.

2. Метод динамического конфигурирования АСП на трех уровнях принятия управленческих решений на основе статического и динамического формирования коалиций между агентами.

3. Обобщенная модель кооперативной игры с нечеткими коалициями на основе С-ядра.

4. Модель динамического конфигурирования АСП в неопределенной среде на основе алгоритма коллективного обучения с подкреплением.

5. Модель формирования структуры АСП на основе семантического поиска и композиции сервисов, предоставляемых потенциальными участниками сети.

6. Архитектура сервис-ориентированной многоагентной среды моделирования АСП, реализующая разработанные модели и обеспечивающая интеграцию моделей семантического описания сервисов Веб и агентов с использованием предложенного языка описания OWL-AS.

7. Исследовательские прототипы многоагентных систем как результат совместного использования предложенных принципов, методов и алгоритмов.

Научная новизна. В работе исследована новая предметная область: адаптивные сети поставок, к которой применены новые технологии: методологический подход многоагентного моделирования, математический аппарат теории нечетких кооперативных игр, коллективного интеллекта и семантической композиции процессов (на основе сервисов). Наиболее важные результаты, составляющие научную новизну:

1. Разработана методология моделирования и динамического конфигурирования АСП, обеспечивающая концептуальное представление АСП на основе моделировании каждого участника сети как автономной заинтересованной сущности с собственными целями и процессами принятия решений, которые решают задачи динамического конфигурирования сети посредством формирования коалиций в результате самоорганизации и коллективной адаптации агентов к изменяющимся условиям ограниченно наблюдаемой среды.

2. Разработан метод динамического конфигурирования АСП в классе коалиционных многоагентных систем, который обеспечивает возможность реконфигурирования сети по каждому заказу и при изменении условий его выполнения.

3. Разработана обобщенная модель кооперативной игры с С-ядром для случая нечетких ожиданий прибыли как игроков, так и коалиций, которая позволяет включить основные характеристики задачи формирования коалиций в описание нечеткого ядра коалиционной игры введением переменных и ограничений и значительно снизить количество жизнеспособных коалиций, понижая тем самым алгоритмическую сложность задачи.

4. Разработана модель динамического формирования коалиций на основе теорий коллективного интеллекта, обучения с подкреплением и холо-нических систем, которая обеспечивает определение оптимальной конфигурации сети в условиях отсутствия предварительной информации об окружающей среде посредством построения системы Q-функций с последующей корректировкой алгоритмом коллективного обучения с подкреплением.

5. Разработана модель формирования структуры сети на основе поиска и композиции сервисов, предоставляемых потенциальными участниками АСП, которая обеспечивает использование предметных и прикладных онто-логий с целью снизить неэффективные вычисления и обеспечивает автоматическое ранжирование и последовательное обнаружение сервисов с максимально возможной степенью соответствия начальному запросу.

6. Разработана архитектура открытых многоагентных систем, обеспечивающая семантическую интеграцию Веб-сервисов и сервисов агентов благодаря предложенному языку семантического описания сервисов агентов OWL-A S и расширению стандартной спецификации агентной платформы средствами семантической обработки сервисов агентов.

Обоснованность н достоверность научных положений, основных выводов и результатов диссертации обеспечивается за счёт тщательного анализа состояния результатов исследований в проблемной области, подтверждается корректностью разработанных моделей и алгоритмов, а также экспериментами на основе их исследовательского прототипирования. Кроме того, основные теоретические положения диссертационной работы апробированы в печатных трудах и докладах на российских и международных научных конференциях.

Практическая ценность работы заключается в том, что многоагент-ная среда моделирования и конфигурирования АСП, реализованная на базе агентных платформ JADE и CAPNET, может быть использована на стратегическом, тактическом и оперативном уровнях управления АСП. Ее применение позволяет повысить качество принимаемых решений за счет использования агентного моделирования, адекватного сложности решаемых задач, и сформировать основы многоагентной инфраструктуры системы управления АСП на основе развития блока поддержки принятия решений.

Разработан конкретный инструментарий по созданию прикладных моделей и алгоритмов решения различных задач динамического конфигурирования АСП, в частности для поиска партнеров АСП, эффективного конфигурирования АСП в условиях неопределенности, создания единой информационной инфраструктуры АСП на основе агентов и Веб-сервисов, а также поддержки принятия решений при оперативном управлении АСП.

Реализация результатов работы. Исследования, представленные в диссертации, были поддержаны грантами Программы фундаментальных исследований Президиума РАН «Интеллектуальные информационные технологии, математическое моделирование, системный анализ и автоматизация»: проект № 213 «Разработка теоретических основ и интеллектуальных моделей для поддержки принятия решений при управлении гибкими сетевыми организациями» в 2009-2011 гг., проект № 2.35 «Контекстно-управляемая методология построения распределённых систем интеллектуальной поддержки принятия решений в открытой информационной среде» в 2003-2008 гг. и проект № 2.44 «Многоагентный подход к построению компьютерной среды для быстрой интеграции знаний из распределённых источников» в 2001-2003 гг.; проектами РФФИ 08-07-00264 «Концептуальные и сценарные модели самоконтекстуализируемых систем интеллектуальной поддержки принятия решений», 2008-2010 гг. и 09-07-00436 «Онтолого-ориентированное управление гибкими сетевыми организациями», 2009-2011 гг.; договором о научно-техническом сотрудничестве между СПИИРАН и

Центром компьютерных исследований Национального политехнического института, Мехико-Сити, Мексика в 2001-2005 гг.; грантом Российской государственной программы по науке и технике в 1996-2000 гг., подпрограмма "Информационные технологии и электроника", проект «Разработка много-агентной среды для интеллектуального управления конфигурацией сложных объектов с динамической структурой»; грантами Государственного Комитета Российской Федерации по Науке и Технологиям № 236/132, 142, 05.04.1233н, 037.02.236.132/1-96,037.02.298.5/1-98; проектами Министерства науки и технологий Российской Федерации в рамках подпрограмм "Перспективные информационные технологии" и "Информатизация России" в 1994-1997 гг.

Кроме того, разработанные в диссертации модели и средства были использованы в учебном процессе в Санкт-Петербургском государственном морском техническом университете и Санкт-Петербургском государственном электротехническом университете.

Апробация результатов работы. Основные положения и результаты диссертационной работы представлялись на международных конференциях: 13-ый симпозиум IFAC «Проблемы информационного управления в производстве (INCOM-09)» (Москва, 2009), 1-ый межд. симпозиум «Количественные семантические методы для Интернета» (Монтеррей, 2008), 5-ая межд. конференция «Электротехника, информатика и автоматическое управление (ССЕ-08)» (Мехико-Сити, 2008), 8-ой межд. конгресс «Гибридные интеллектуальные системы (HIS-08)» (Барселона, 2008), 5-ый межд. симпозиум «Робототехника и автоматизация» (Сан Мидель Регла, 2006), ежегодная конференция ШЕЕ «Мягкие вычисления для реальных приложений (NAFIPS-05)» (Ан Арбор, 2005), 2-ой симпозиум по информационной логистике «Разрыв знаний в информационном потоке предприятий» (Льюнгби, 2004), «Нечеткие множества и нечеткая логика в экономике и финансах (FSSCEF-04)», (Санкт-Петербург, 2004), межд. конференция IEEE «Методология, модели и приложения интеллектуальных систем в эмерджентных технологиях» (Варна, 2004), 2-ая всемирная конференция «Управление производством и операциями (РОМ-04)» (Канкун, 2004), 2-ой межд. симпозиум по технологиям .NET (Пльзень, 2004), 2-ая межд. атлантическая конференция по Веб-интеллекту (AWIC-04), (Канкун, 2004), межд. конференция IFIP «Информационные технологии для сбалансированных автоматизированных систем в производстве и обслуживании (BASYS-04)» (Вена, 2004), 2-ая и 3-ая межд. конференции Центральной и Восточной Европы по многоагентным системам (CEEMAS), (Краков, 2001; Прага, 2003), 1-ая межд. конференция «Промышленные приложения холонических и многоагентных систем (HoloMas-03)» (Прага, 2003), 5-ая межд. конференция IFIP/IEEE «Балансирование знаний и технологий в производстве и обслуживании (BASYS-02)» (Канкун, 2002), всемирный конгресс Общества инженеров автомобильной промышленности (SAE-2002), (Детройт, 2002), межд. конференции IASTED «Робо-

тотехника и производство (RM)» (Канкун, 1997 и 2001), «Логика, теория игр и социальный выбор» (Санкт-Петербург, 2001), 2-ая рабочая конференция IFIP/MASSYVE «Инфраструктуры для виртуальных предприятий (PRO-VE-2000)» (Флорианополис, 2000), 1-ый межд. симпозиум ШЕЕ «Передовые распределенные системы (ISSADS-00)» (Гвадалахара, 2000), 4-ый всемирный конгресс по экспертным системам «Приложение передовых информационных технологий» (Мехико-Сити, 1998).

Публикации. Основные результаты по материалам диссертационной работы опубликованы в 50 печатных работах, в том числе в 10 журналах из списка ВАК и зарубежных журналах, включенных в систему цитирования Web of Science: Science Citation Index Expanded (база по естественным наукам).

Структура н объем работы. Диссертация объёмом 338 страниц (394 с. с приложениями) содержит введение, пять глав, заключение, список литературы (335 наименований), 76 рисунков, 34 таблицы, 5 приложений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована важность и актуальность темы диссертации, сформулированы цели диссертационной работы и решаемые задачи, определена научная новизна работы и указана её практическая ценность, кратко изложены основные результаты и содержание глав диссертации.

В первой главе диссертации системно рассмотрены основы современных бизнес-стратегий и соответствующих им организационных форм интеграции предприятий, их сущность и тенденции развития от цепей поставок к адаптивным сетям поставок и интеллектуальным предприятиям. Сеть поставок (СП) подразумевает более высокую форму интеграции и является производственной сетью, сформированной из независимых компаний, сотрудничающих посредством предоставления совместного доступа к информации, опыту, технологиям и ресурсам, и имеющих общую цель удовлетворения потребительского спроса с использованием имеющихся возможностей на рынках.

В литературе в последнее время фигурируют различные бизнес-стратегии сетей поставок, такие как стратегия динамических сетей поставок, стратегия спрос-ориентированных сетей поставок, бизнес-стратегия по принципу работы под заказ, бизнес-стратегия «точно-в-срок» и бизнес-стратегия гибких сетей поставок. Проведенный анализ показывает, что все перечисленные формы можно обосновать стремлением обеспечить гибкость и динамичность, позволяющие эффективно приспосабливать (или адаптировать) поведение компаний к турбулентной бизнес-среде. При этом в задачи системы управления входит поиск партнеров, динамическое конфигурирование каналов производства и поставки изделий для каждой заявки, а также адаптивное управление каналами в условиях изменяющейся среды. Создание каналов производства и поставки под заказ можно рассматривать как конфи-

гурирование виртуального предприятия. Процесс целенаправленного изменения системы в соответствии с определенными критериями приспособления ее организационной структуры и функций к условиям внешней среды, обеспечивающих достижение целей системы, определяется как адаптация. Семантически это понятие близко к пониманию гибкости как способности приспосабливаться к новым условиям.

Таким образом, в рамках данной диссертационной работы указанные выше бизнес-стратегии объединены термином «адаптивные сети поставок». Этот термин был впервые введен компанией SAP. В рамках данной работы АСП определяется как «связанная сеть предприятий (или заинтересованных агентов), которые способны в кооперативной манере выявлять изменения (зачастую непредвиденные) как в окружающей бизнес-среде, так и в самой сети, и перестраивать свои структуру и деятельность в ответ на эти изменения». Перестройки при этом могут осуществляться как на стадии планирования, так и на стадии функционирования, хотя границы между этими фазами постепенно стираются. Это обусловлено наличием:

• бизнес-стратегий планирования и управления, ориентированных на заказ и изготовление изделий «точно-в-срок»,

• альтернативных исполнителей, отличающихся друг от друга параметрами ключевых компетенций (сроки поставок, цены и т.д.),

• нескольких альтернативных конфигураций, удовлетворяющих требованиям каждого заказа.

Таким образом, если традиционно адаптивный механизм поведения рассматривается как резервный режим работы, включающийся в нештатных ситуациях, то в АСП механизм структурной адаптации становится основным механизмом поведения. Структурно-функциональный синтез интегрированных производств принято называть конфигурированием. Его целью является поиск такой структуры, при которой интегрированное предприятие сможег достичь допустимого с точки зрения временных и стоимостных затрат уровня эффективности. Это позволяет, с одной стороны, включать новых участников, а с другой - динамически формировать структуру сети под конкретный заказ из множества потенциальных участников. Тем самым, возникает новая задача, которая сводится к определению участников сети или отдельного производственного канала, планированию его оптимальной структуры и управлению ее изменениями как реакции на внешние воздействия. Такую задачу будем называть задачей динамического конфигурирования АСП.

На уровне стратегического планирования задача определения структуры сети поставок сводится к анализу профиля предприятий с целью определения их соответствия реальному или прогнозируемому портфелям заказов. При этом спецификация заказа, сгенерированная заказчиком или покупателем, должна быть декомпозирована на подзадачи и распределена между поставщиками. Эта задача может рассматриваться в контексте композиции базовых компетенций предприятий, представленных совокупностью предос-

тавляемых ими сервисов. На уровне тактического планирования, решается задача о выборе конкретной структуры сети, обеспечивающей допустимый с точки зрения временных и стоимостных затрат уровень эффективности выполнения заказа.

Наконец, на уровне оперативного управления процесс конфигурирования реализуется при использовании стратегии «вытягивающего производства». В отличие от традиционной схемы организации производственных потоков, система вытягивающего производства не дает отдельные, синхронизированные между собой, планы для каждого из производств, а служит скорее передаточным звеном между заказчиком, производством и поставщиками исходного сырья. Задача конфигурирования решается динамически; при этом участники сети путем переговоров со своими соседями по следующему уровню сети определяют назначение заказа. В качестве подхода к конфигурированию могут быть использованы модели, разрабатываемые в рамках таких подходов к управлению сложными технико-экономическими системами, как холоническое управление производственными системами (ХПС) и эволюционное управление сложными системами. Эти подходы объединяет понятие целостности как результата динамического локального взаимодействия составных элементов, основанного на принципах самоорганизации.

Таким образом, задачи конфигурирования и реконфигурирования АСП пронизывают все уровни управления сети (стратегический, тактический и оперативный) и могут быть выделены в отдельную категорию. Динамическое или адаптивное конфигурирование СП является одним из наименее исследованных подходов в управлении сетями поставок. Это новая предметная область, появление которой обусловлено прогрессом как в развитии новых организационных форм и бизнес-стратегий в сетях, так и прогрессом в информационных и коммуникационных технологиях, которые позволяют говорить сегодня о возможности автоматизации этих процессов.

В главе выделены новые важные требования к управлению сетями поставок, которые сводятся к необходимости учета 1) автономности и личной заинтересованности участников сети, 2) их склонности к кооперированию с целью повышения прибыли, 3) динамики окружающей среды, а также 4) возможности изменения организации сети (структуры и содержания функций) в зависимости от влияния среды без внешних управляющих воздействий. Реализация данных требований ставит задачи трансформации существующих систем управления сетями поставок и разработки постоянно действующих механизмов, позволяющих осуществлять их непрерывную структурную адаптацию к действию факторов окружающей среды. Эта трансформация непосредственно связана с разработкой новых информационных технологий (ИТ) и их внедрением в практику управления. К системообразующим ИТ относятся: сервис-ориентированные архитектуры и семантический Веб, многоагентные системы, интеллектуальные вычисления. Их интеграция ведет к преобразованию сети поставок в так называемое «интеллектуальное

предприятие», которое связано с эволюцией информационных сред от специализированных информационных сред к инфраструктурам, ориентированным на кооперирование посредством взаимодействия сервисов, предоставляемых и потребляемых интеллектуальными агентами.

В настоящее время сервис-ориентированные архитектуры (СОА) рассматриваются как стратегический подход к интеграции информационных систем на техническом уровне в рамках открытых интегрированных предприятий. Однако если достоинства данной архитектуры в задачах интеграции приложений на уровне предприятия уже рассматривались в литературе, то возможности их использования для автоматизации процессов управления АСП еще только предстоит исследовать.

Другой системообразующей технологией является технология агентов, которая на рубеже 2000 годов перешла от чисто академических исследовательских проектов к созданию действующих многоагентных приложений в различных областях промышленности, инфокоммуникационной сфере, в системах государственного и организационного управления. В нашей стране исследования по данной тематике проводятся под руководством В.И. Городецкого, В.Ф. Хорошевского, П.О. Скобелева, В.Б. Тарасова и др. Анализ тенденций использования многоагентных систем (MAC) в задачах управления интегрированными производствами показал, что использование технологии агентов происходит на трех последовательных этапах с постепенным переходом к многоагентным оптимизационным моделям управления (рис. 1). Использование технологии агентов для оптимизации процессов обусловлено двумя решающими факторами: возрастающей изменчивостью среды и децентрализованным принятием решений.

Децентрализованное принятие решений

Централизованное принятие

Низкая

вариативность

Высокая вариативность

Рис. 1. Эволюция использования технологии агентов в промышленности

12

Приложение технологии агентов в моделировании и управлении сетями поставок связано с именами М. Фокса, М. Барбусеану, Б. Шаиб-Драа, Т. Мойо, С. Смита, Дж. Сваминатана, Б. В. Соколова, Д. А. Иванова и др. На протяжении конца 80-х, начала 90-х годов в лаборатории интегрированных систем автоматизации СПИИРАН с участием автора были разработаны основы многоагентной технологии и прототипы инженерных систем, решающих задачи автоматизации конфигурационного проектирования в рамках одного предприятия, в частности, система конфигурационного проектирования DESO. Эти работы проводились в развитии направления автоматизации производства, основы которого были заложены в работах В.М. Пономарева, A.A. Лескина, А.Н. Домарацкого, A.B. Смирнова и др. Разработанные методы и средства применения многоагентной технологии в распределенных гетерогенных САПР предопределили методологический подход использования агентной технологии в автоматизации конфигурирования АСП [8, 9, 10, 24,46,47,48,49, 50].

Таким образом, в главе на основе анализа специфики задачи динамического конфигурирования АСП обоснована необходимость разработки моделей на основе агентных технологий и семантических сервис-ориентированных архитектур.

Во второй главе разработана концептуальная модель конфигурирования АСП на основе МАС, которые используются в качестве основы концептуального, математического и имитационного моделирования АСП [13, 14, 15, 16, 19, 20, 23, 29, 33, 45]. Это позволяет создать единую методологическую основу анализа и моделирования открытых интегрированных производственных систем с активными элементами. В главе сформулированы задачи динамического конфигурирования на уровнях стратегического и тактического планирования, а также оперативного управления, которые решаются в последующих главах.

Общая схема подхода проиллюстрирована на рис. 2. Основными принципами предлагаемой методологии конфигурирования АСП как многоагентной системы являются:

• учет активности участников АСП, т.е. наличия у них собственных целей, интересов и т.д.,

• кооперативность, т.е. необходимость и возможность формирования коалиций для совместной работы с целью получения выгоды,

• адаптивность, т.е. способность самостоятельно воспринимать окружающую среду и приспосабливаться к ее изменениям,

• децентрализованность, т.е. принятие решений на локальном уровне с их последующим согласованием посредством переговорного процесса.

Основными элементами методологии построения многоагентной инфраструктура для конфигурирования АСП являются:

Концептуальные модели

; .....■■■■■.■тумт - -с^^т^шт^^^ту

"Л,:.....' '

"" знал.',:"

д"' Многоагентнь»модели

№00^9« игр

•' мжель '' среда ¡якяттжнт! тттгтшиа

_'ВВЕИИ„_ ПОД!®вИЯеаИем ................( Дгйит \~-r~t Агоит\

■ ■ _____ _...................И^Ш-Д_

Нечеткая се&внтачесмм

'МЯЙЁ». ''' * ^ЯГ

Рис. 2. Общая схема методологии многоагентного моделирования АСП в классе коалиционных систем

1. Многоагентная система, используемая для концептуального, математического и имитационного моделирования на основе интеллектуальных агентов, реализуя «сквозной» принцип моделирования «концептуальная модель - математическая модель - программный продукт».

2. Потшодельные комплексы, позволяющие осуществлять постановку, решение и получение результатов конфигурирования АСП на различных уровнях принятия решений (стратегическом, тактическом и оперативном) и на различных классах моделей с помощью теории коалиционных игр, коллективного интеллекта, холонических самоорганизующихся систем и семантического агрегирования знаний и сервисов.

3. Среда имитационного агентного моделирования для реализации разработанных моделей в рамках задач динамического конфигурирования АСП как коалиционных систем.

Постановка задачи динамического конфигурирования АСП в рамках разработанной концептуальной модели основана на сравнительном анализе задач конфигурирования и формирования коалиций. Основными компонентами задачи конфигурирования являются заказ, ресурс и конфигурация. Пусть для выполнения заказа Т необходимо выполнить 1 задач: Т={Т1, Т2, Т[}. Каждая задача Т1 (1=1, 2, ..., 1), описывается кортежем |,{РгеГп}^,

где Вт - вектор численных значений размерности г: Вт ={ЬХТ,Ъгт),

Ь> 0, характеризующих производственные мощности по каждой компетенции }=1,2,...,г, необходимые для выполнения задачи Г,. Семантика компетенций определена на онтологии предметной области. Если задачи упорядочены, то: где: Т1<Тт означает, что задача Т, является предшественницей задачи Т,„. Вектор предпочтений Рге^ включает время поставки, место поставки, объем партии, штраф за невыполнение заказа и т.д. За выполнение заказа Т и каждой задачи Т-, причитается вознаграждение

Ресурсы представлены предприятиями-участниками АСП: поставщиками сырья и материалов, заводами-изготовителями, сборочными производствами и складскими терминалами. Они являются активными, действуют целенаправленно и автономно и, как следствие, могут быть определены как

агенты. Пусть дано конечное множество агентов Agent={Al, Л2.....А„}. Тогда

каждый из агентов AkeAgent (к=1, 2..... К) описывается кортежем

Для простоты в дальнейшем будем обозначать А к как к.

Тогда Вк - вектор численных значений размерности г: Вк = (hlk, bl,...,b'k), b[ > О, характеризующих доступные (свободные) мощности по каждой

компетенции j'=l,2.....г, которыми располагает агент к. Вектор предпочтений Рге/к - это предпочтения компании по времени выполнения заказа (краткосрочные и долгосрочные заказы), объему заказа (единичное или массовое производство) и т.д.

Конфигурация - это такая совокупность агентов Ст с Agent, что их

суммарная компетенция удовлетворяет требованиям заказа Т. Для решения задачи конфигурирования необходимо, во-первых, определить соответствие между компетенциями j, требуемыми для выполнения заказа, и компетенциями агентов j' и, во-вторых, решить задачу о назначении ресурсов на заказ в соответствии с выбранными критериями. Решение первой задача позволяет определить перечень потенциальных участников АСП и сводится к определению соответствия между семантиками S и S ' и, как следствие, установлению взаимно однозначного соответствия между компетенциями, необходимыми для выполнения заказа, и компетенциями агентов b{ <-> b( :

В диссертационной работе для описания бизнес-профиля предприятия использована семантическая СОА, в которой компетенции предприятия описываются как функциональные свойства (входы и выходы) сервиса, а

РауоШП-

I *

* I'

Î

Î

предпочтения - как специфические нефункциональные свойства. Агенты предоставляют элементарные лф или сложные cs^ сервисы,

5ф = О, Р, Е), где / - входы сервиса, О - его выходы, Р - предварительные

условия, на которых ожидается правильное выполнение сервиса, и Е - эффекты, которые генерирует сервис s,„ в результате исполнения. Каждый

заказ соответствует запросу на сервис sc, который описан кортежем

sc =(s\4",z), где S'cS , где S - множество всех элементарных сервисов,

Ч" - компоненты, которые необходимы для выполнения сервиса, zeZ -критерий выбора сервиса Тогда задача поиска сервисов и определения их семантического сходства с запросом, сводится к поиску таких сервисов, которые удовлетворяют условиям:

о выполняется соответствие описаний задач заказа и компетенций агента Вт ~ Вк, т.е. синтаксического и семантического сходства

функциональных описаний сервисов sc ~ суф ( /с = /,, ос = Оф), где

«- оператор сходства; о выполняются ограничения, заданные нефункциональными свойствами, Prefj ~Pref„-

В рамках задачи о назначении ресурсов на заказ, агент АкеAgent может участвовать в выполнении задачи Г; по каждой компетенции j только если в момент назначения имеет свободные мощности В/ е {1,2,...,г), Ь'к >0 . Каждый агент может стремиться по каждой из своих компетенций

о к максимальному использованию мощностей ¿(6/-Ц) -> min

м

о к получению работы с максимальным уровнем прибыли

YjS^K ) "¿Л W) max, гдеg(bj:) - функция поощрения в рамках

i'i * j-i

вознаграждения Pay off(Т,), Д (Ь[) - стоимость выполнения агентом к eAgent задачи 7} по компетенции Ь 'к; о к сокращению времени выполнения задачи Г,: ^Г tT (б/) -> min , где

[b 'k j - время выполнения агентом keAgent задачи Г, по компетенции Ц.

Для выполнения задачи Г, агенты могут формировать коалиции. Основными компонентами задачи формирования коалиций являются задача, агент и коалиция. Определения задачи и агента сходны определениям заказа и ресурса соответственно. Под коалицией будем понимать группу агентов,

объединенных для выполнения задачи 7}. Каждая коалиция описывается кортежем: (кт,а11ост,итУ где KJT с Agent и Ц ф 0. allocT - функция назначения, ставящая каждой компетенции j в соответствие группу из m агентов к^ с Agent. такая, что allocT ~Kbi. если > . В простейшем

случае, если bJk>b]T, К , может состоять из одного агента кеКт, тогда

allocT =k. Полезность коалиции определяется характеристической функцией: v(KT) = Payoff(Т^-^^/т,^)-^,,к,j). где <р - бинарная переменная,

* у

определяющая факт участия агента в выполнении задачи по компетенции

К-

■ - Г1, если агент выполняет Ь! <P(Tn>c,j) = \

[О, в противном случае

Полезность коалиции v(KT ) распределяется между участниками на основе вектора распределения платежей цт = | > где и\ - платеж

агенту к е.Agent, а ит т' - платеж коалиции. Если в рамках коалиции Кт агент к предоставляет различные компетенции, то выполняется:

х*;

m

Большая коалиция Кт, объединяющая всех агентов, участвующих в

выполнении заказа Т, соответствует конфигурации сети поставок Ст ■

Решение задачи формирования коалиций заключается в нахождении такого распределения платежей, которое позволяет обеспечить максимально возможный выигрыш каждому агенту. Таким образом, задачи динамического конфигурирования прямо отображаются на проблему формирования коалиций. Сравнительный анализ свойств адаптивных сетей поставок и много-агентных систем позволил сформулировать ряд правил, которые определяют разработку многоагентных коалиционных моделей конфигурирования АСП.

В главе проведен анализ моделей формирования коалиций в контексте MAC на основе концепций среды формирования коалиций и алгоритма переговоров, называемого коалиционным алгоритмом, который определяется принятой моделью поиска устойчивых решений. До настоящего времени для анализа проблем сети поставок, как правило, использовалась теория некоо-псративных игр, моделирующая соревнование предприятий как игру с нуле-

вой суммой. Свойство кооперативное™ обуславливает необходимость рассматривать конфигурирование АСП в контексте теории кооперативных игр с ненулевой суммой, что позволяет смоделировать и понять основные отношения кооперирующихся партнеров в сети.

С этой точки зрения, привлекает внимание концепция С-ядра, которая максимизирует т.н. социальную выгоду, т.е. сумму ценностей коалиций в данной структуре. Такие решения называются С-устойчивыми. Однако игры с С-ядром не получили широкого распространения во-первых, в связи с вычислительной сложностью поиска оптимальной структуры коалиций, т.к. для игры с п агентами необходимо проанализировать как минимум 21"'"1 вариантов из общего числа |и|1л|/2 структур коалиций. Во-вторых, для определенных классов кооперативных игр ядро может оказаться пустым. И, наконец, необходимость учета неопределенности среды приводит к нечеткой постановке кооперативной игры, что дополнительно усложняем поиск решения. Таким образом, практическое использование игры с С-ядром связано с необходимостью решения этих трех проблем.

Особое внимание уделяется статическому и динамическому формированию коалиций (ДФК). В задачах статического формирования коалиций значения Т и Agent фиксированы, тогда как при динамическом формировании коалиций они могут быть переменными. Задача статического формирования коалиций ставится и решается в теории кооперативных игр и будет рассмотрена в следующей главе.

Специфика конфигурирования АСП, способных функционировать в высоко динамичных, открытых и гетерогенных средах, ведет к необходимости дополнения статических кооперативных моделей моделями динамического формирования коалиций, когда сам процесс формирования коалиций представляется последовательностью шагов, на каждом из которых, множество задач, решаемых индивидуальными агентами, динамически меняется. Постановка задачи ДФК основана на последовательном принятии решений и определяется в работе как Марковский процесс, который содержит: множество возможных состояний ST, множество возможных действий А, функцию поощрения R:STxA-*\~ , определенную на множестве действительных чисел и функцию перехода состояний T:STx А -» P(ST).

Пусть Rfst, a, st') определяет функцию мгновенного выигрыша при переходе из состояния st в st', st, st'e ST, в результате выполнения действия а. Тогда, если агент к выполнит действие а для использования мощности Ь'к в

рамках задачи Г,+/, то он получит выигрыш gk (b{. ), т.е. мгновенный выигрыш агента к r(st'k) = gk(bj- ). Оптимальная стратегии як поведения агента является отображением состояния на действие лк : st -» а. Поиск оптимальной стратегии в условиях неопределенной среды может осуществляться

с использованием метода обучения с подкреплением, который будет рассмотрен в четвертой главе.

Таким образом, задачи конфигурирования АСП на различных уровнях принятия решений могут быть сформулированы в контексте статического и динамического формирования коалиций автономных агентов (рис. 3).

В третьей главе разработаны модели семантического поиска потенциальных участников сети и статического формирования коалиций между ними в задачах формирования структуры и выбора партнеров АСП на уровнях стратегического и тактического планирования.

Модель семантического описания профилей участников АСП с целью их композиции в рамках семантической СОА рассмотрена в работах [2, 5,6, 17, 20, 25, 26, 27, 28, 30, 35]. При поступлении нового заказа производитель конечного продукта определяет поставщиков, которые удовлетворяют технологическим требованиям на основе анализа спецификаций предоставляемых ими сервисов и профилей компаний. Для этого используется семантический реестр сервисов, в котором все компании регистрируют свои базовые компетенции, описывающие функциональные и нефункциональные свойства сервисов. В этом случае задача поиска потенциальных участников сводится к задаче поиска в реестре спецификаций сервисов, семантически сходных с исходной спецификацией заказа.

Стаиче-счое конфигурирование , ::

! ' Задачи конфигурирования и рековфигурирования адагггивньа сетей поставок

а етш ~ ж ш

Стратегический уровена Тактический урове«з Оперативный уровень

Формирование компетенцией «рустурысети

Выбор Управление участников сети-

Реконфигурация Упр аепэние ■ ■ сети «точчо-е-срою ■

Многоагентная система

шарривайш^

■ Формирован!» коалиций не основе юлпеиивндаго

Семакдмескяй'пеиски Кооперативная игра №ф?мт-серейсов с не%чими коалициями

Модели формирования коалиций

Рис. 3. Концептуальная модель конфигурирования АСП как коалиционных

многоагентных систем

В основе разработанного подхода лежат методы поиска Веб-сервисов с использованием техники расширения запросов на онтологии предметной области, широко применяемой в информационно-поисковых системах. Для обеспечения автоматизации композиции сервисов на основе их семантических описаний в главе решены три взаимосвязанные задачи:

• обеспечена синтаксическая и семантическая совместимость сервисов,

• автоматизированы поиск и выбор наиболее предпочтительного сервиса на основе синтаксических и семантических описаний,

• обеспечена адекватная композиция сложных сервисов, определяющая конфигурацию сети.

Компетенции могут быть представлены как сервисы Веб и агентов. Пусть = - множество всех Веб-сервисов, где каждый

и>5; е принадлежит множеству классификаций 57]. Функциональные свойства сервиса (ЮРЕ) представлены кортежем из четырех элементов и'.?, =(/,, О,.,, в котором I. представляет собой входы сервиса, 0. -

выходы сервиса, Р. - предварительные условия, необходимые для того,

чтобы сервис функционировал в ожидаемой манере и, наконец, -

состояние окружающей среды, в которое она переходит в результате выполнения сервиса. Кроме Веб-сервисов, существует МЕЮжество сервисов агентов = которые описаны аналогично. Обобщая вышесказанное,

получим множество всех элементарных сервисов Я - и АБ. Запрос клиента на сервис 5С генерируется с целью нахождения простого сервиса 5Ф , зарегистрированного провайдером в реестре, или генерации сложного сервиса С5Ф в случае, если простой сервис не найден.

В работе определены три формы для сравнения сервисов (равенство, неравенство и сходство). Сходство, в свою очередь, может быть операционным, по входам и/или по выходам. Наряду с традиционным полным сходством, определены типы сходства с избыточной и недостающей информацией, что делает возможным нахождение тех сервисов, которые соответствуют (возможно, в некоторой степени) желаемым параметрам запроса. При дальнейшем описании подхода без потери общности рассматриваются только входы и выходы. При сравнении запрошенных и предложенных сервисов, определяются следующие типы множеств: У = /г - /ф, д = Оф-Ос, / = /ф - /с и 0 = 0С-0Ф, представляющие избыточные и недостающие входы и выходы

соответственно. Чтобы определить сходство между сервисами, необходимо определить сходство элементов, которые описывают сервис, другими словами - входов, выходов и категорий, к которым они принадлежат. Так как описания сервисов основаны на 0\¥Ъ-Б, семантическое сходство этих элементов

определяется с использованием понятий эквивалентности и производной, определенных в дескриптивной логике. Считается, что все элементы множества равны (другими словами 1С = /ф и Ос=Оф), если на них может быть определено одно из двух отношений, а именно, эквивалентности = и включения х . Другими словами, соответствие концептов из конкретной онтологии, представляющих входы и выходы сервиса, относится к одному из следующих типов: а) соответствие эквивалентности или б) соответствие включения. Так как (г - один из входов сервиса где /с е /с и 1 < п <| /с |,

считается, что вход /ф соответствует запрашиваемому входу, если /с = /ф

или /ф х ¡с . Соответствие выходов определено аналогично.

Сходство сервисов измеряется с помощью их параметров. Степень сходства определяется на основе вычисления дистанции между концептами онтологии, в которой параметры сервисного описания являются концептами. При этом, возможность использования лексической единицы А вместо лексической единицы В определяется вхождением А в иерархию гипонимов В либо наоборот (является ли А частным случаем В или наоборот). В данной работе использована наиболее распространенная метрика определения расстояния как наикратчайшего пути на семантической сети, введенная Р. Рада. С целью определения семантического сходства между сервисами введены функции принадлежности для входов ц} _ ) и выходов /л (оф„). Функция принадлежности для входов определена следующим образом: 2

Mir ('ф _) =

-гт-п—й——, если 1Г -и

j ^¡distance|/dcpm_averagc ' „,

О в противном случае

где depth ^average - усредненная максимальная глубина онтологии, distance -это расстояние между входом описания клиента ic и входом найденного

сервиса 1Ф , полученное путем использования техники восхождения. Функция принадлежности для выходов определена аналогично с той лишь разницей, что для определения степени сходства выходов используется техника нисхождения.

В случае, когда не удается обнаружить сервис с полным сходством описания с сервисом, запрашиваемым клиентом, необходимо сгенерировать расширенные сервисные описания. В диссертации разработаны два алгоритма генерации описаний для обнаружения сходных сервисов. Первый включает генерацию всех возможных (в пределах предметной онтологии) описаний сходных сервисов, поиск таких сервисов и, затем, оценку, классификацию и выбор наиболее сходных сервисов. Этот метод называется исчерпывающей генерацией описаний. Второй алгоритм последовательно генерирует запросы в зависимости от степени сходства, начиная с наиболее сходного

запроса и заканчивая наименее сходным. При этом в случае нахождения сервисов, выбор можно сделать непосредственно без дополнительной оценки и классификации. Этот метод называется пошаговой генерацией. Наряду с функциональными свойствами (ЮРЕ) профиль сервиса, заданный на OWLS, может включать нефункциональные свойства, которые позволяют семантически описать дополнительную информацию о компании: профиль ее компетенций, данные о владельце, контактную информацию, рейтинг, показатели качества, географическое положение и т.д. Нефункциональные свойства используются в дополнительных критериях выбора сервиса.

Разработанные алгоритмы использованы в алгоритме динамической композиции сервисов. Композиция сервиса jc^ включает четыре шага: выбор сходных сервисов, генерирование расширенных сервисных описаний запроса, обнаружение недостающих сервисов и оценку соответствия сервисных описаний. Алгоритм композиции приведен на рис. 4.

После того, как определен перечень потенциальных участников сети, основной целью задачи конфигурирования является выбор участников при известной возможной структуре системы. Эта задача сводится к поиску структуры эффективных коалиций и решается в терминах кооперативной игры с нечеткими коалициями (КИНК).

За основу модели коалиционной игры в диссертационной работе принято определение С-ядра, данное М. Марешем. Выбор данного определения игры обусловлен следующими достоинствами применительно к формированию коалиций в MAC:

• позволяет рассматривать результаты взаимодействия агентов в MAC как функцию полезности;

• генерирует нечеткую функцию принадлежности платежей коалиций в отличие от традиционных коалиционных игр, введенных Ж. Обиным, в которых природа их нечеткости заключается в частичном участии игроков в игре;

• позволяет, по меньшей мере, частично, избежать широко известную проблему устойчивой коалиционной структуры, когда множество решений может быть пустым для конкретных кооперативных игр.

Вместе с тем, эта модель также имеет серьезные ограничения, затрудняющие ее использование в задачах динамического формирования коалиций в АСП. Перечислим некоторые из них:

1. Выбрать сервисы или , которые при сравнении с запросом клиента л'с имеют:

• большее количество выходов (недостающие выходы)

• меньшее количество входов (недостающие входы)

• большее количество выходов и меньшее количество входов (недостающие 1&0)

Добавить или каждый элемент схф к сложному сервису с$А.

2. Расширить запрос клиента такии образом, чтобы входы 1С | полно-

стью соответствовали исходному запросу, 1С | = 1С, а выходы Ос < представляли собой:

• недостающие выходы сервиса либо с5ф относительно ся,,

• недостающие входы сервиса 5Ф либо е.уф относительно Сб),

Новый запрос ищет сервис 5Ф или С5Ф , а 5Ф , либо каждый элемент сЯф 1, прибавляются к сэЛ.

3. Применить один из алгоритмов обнаружения сервисов, описанных выше.

4. Оценить сходство: если существуют сервисы, соответствующие с.чА, и тип сходства между 5С и сзЛ относится к:

• Сходству с недостающими выходами, недостающими входами или недостающими 1&0, тогда вернуться к шагу 1.

• Полному сходству или сходству с избыточной информацией, тогда композиция закончена.

Рис. 4. Алгоритм динамической композиции, основанный на семантическом расширении описаний сервисов

• Генерирование решений или элементов нечеткого множества решений (которое в свою очередь является нечетким множеством) среди экспоненциального числа возможных структур коалиции имеет большую вычислительную сложность, поскольку для п агентов (игроков) нужно перебрать, по крайней мере, 2""' структур коалиций. Оптимальное решение может быть получено аналитически, например, с использованием метода нечеткого оптимума Парето только для ограниченного количества игроков и типов функций принадлежности. Комбинаторные алгоритмы, используемые в теории оптимизации, могут быть применены только для небольших популяций агентов (около 20 игроков).

23

• Понятие ядра не связано с условием эффективности коалиций. Чтобы выделить только эффективные коалиции, нужно рассмотреть все коалиции и впоследствии выбрать те из них, которые удовлетворяют критерию эффективности.

• Индивидуальные платежи заданы как вещественные переменные, и только характеристические функции являются нечеткими. В результате платеж нечеткой коалиции должен быть распределен между однозначными платежами игроков. Это серьезно ограничивает возможности агентов по ведению переговоров об их платежах. С другой стороны, единственным способом сформировать эти характеристические функции (для каждой коалиции и для большой коалиции) остается сделать это извне, что кажется очень сложным, если вообще возможным, в реальных приложениях.

• При использовании значений Шепли процесс вычисления решений является экспоненциально сложным. Более того, необходимо, чтобы универсальная (трапециевидная) функция полезности была принята всеми агентами, что ограничивает применимость модели и сводит тип возможных игр только к играм с побочными платежами.

Для того чтобы преодолеть ограничения, перечисленные выше, в диссертации разработана обобщенная модель КИНК [1, 7, 19, 22, 37, 40, 41, 43, 44]. В расширенное определение множества решений введены (а) нечеткие индивидуальные платежи и (б) двоичные значения у.. для образования

структуры эффективных коалиций. Игра с нечеткими коалициями определяется как пара (Agent, vv), где Agent - непустое и конечное множество игроков, подмножества Agent называются коалициями Knw называется характеристической функцией игры, которая является отображением w : 2" , соединяющим каждую коалицию К с Agent с нечеткой величиной \v(K) е SJT, задаваемой функцией принадлежности ¡лк : R —>■ [од] ■ Модальное значение нечеткой ценности коалиции w(K) соответствует четкой ценности коалиции v(K) с w(0) = 0 : max/ик (w(K)) = juk (v(K)) ■ Нечеткое С-ядро игры (Agent, w) с решением X = jsk е9Г представляет

собой нечеткое подмножество CF из 9Г :

хеН" Agent), £ ^Дшщ^ >-= (£ хууц, w(K,))

%Ar"- JiJ

где ху. - нечеткий платеж агента ¡, участвующего в коалиции _/', ¡=1,2,...,п, К =[К[, К2, ..., КЦ, >— - нечеткое отношение слабого порядка

24

с функцией принадлежности Л х К [0,1] и у - бинарная перемен

ная, такая, что:

Г1 , если агент / участвует в коалиции у;

|о

Л-

в противном случае.

С-ядро СР включает возможные распределения всего платежа, достижимого коалицией всех игроков, и ни одна из коалиций не может предложить своим участникам больше, чем они могут получить, принимая некоторое решение из ядра. Функция принадлежности ядра /.1С : К" —> [0,1] описывается как:

Исг О) = (m»i

>-= (w{Agent), £ XiJytjI гшп(к (£ x^MKj))

/е Agent

Игра (Agent,w) может быть супераддитивной, субаддитивной или просто аддитивной с К, Lez Agent, KnL = 0:

w(K U L) >- w(K) Ф w(L) - супераддитивная игра,

w (KxjL) -<= w (К) © w (L) . субаддитивная игра,

w(KuL) - w'(K)(B w (L) . аддитивная игра, где * определяют супероптимальные значения соответствующих коалиций. Игра называется аддитивной если она одновременно является как супераддитивной так и субаддитивной. Математическая структура модели описана в определении, трех леммах и двух теоремах, которые определяют свойства игры. Основное внимание уделяется оценке стабильности структуры, полученной в результате решения игры. Доказано, что нечеткое множество структур коалиций, формирующих ядро, является подмножеством нечеткого множества, сформированного структурой эффективных коалиций.

Одним из ключевых моментов в использовании моделей кооперативных игр является поиск решения игры. Нахождение аналитического (точного) решения требует определения нечеткого супероптимума и нечеткого отношения доминирования, что крайне сложно в реальных приложениях. Поэтому, для получения квазиоптимальных решений игры применяются эвристические техники мягких вычислений с применением генетических алгоритмов в контексте нечеткой логики. Это эквивалентно бинарному кодированию нечеткого множества решений с целевой функцией верхнего из минимумов функций полезности.

Четвертая глава диссертационной работы посвящена разработке моделей динамического конфигурирования на основе многоагентной холони-ческой системы (МХС) [21, 36] и коллективного интеллекта (КОИН) [3, 4,

11, 18, 21, 31, 32] на уровнях тактического планирования и оперативного управления АСП.

В холонических производственных системах используется идея создание коалиции или новой виртуальной сущности как эволюционного «выращивания» новых целостностей, предложенная А. Кёстлером и перенесенная на область производственных систем М. Флетчером, Дж. Кристенсеном и их коллегами. Элементами холонической системы являются «холоны»: автономные кооперативные элементы, состоящие из логической и физической частей, выполняющие операции по преобразованию, транспортировке, складированию и/или проверке информационных и физических объектов. Коалиционное объединение холонов в динамические виртуальные кластеры получило название «холархии». Понятие холархии сходно с понятием коалиции, однако для холархии, как правило, характерно наличие «первичного холона», который выполняет координирующие функции. Холархии образуются и существуют до тех, пока существует некая кооперативная задача, как только она выполняется, холархия дезинтегрируется.

Каждый холон содержит некоторый физический объект и компонент обработки информации, который управляет этим ресурсом. В разработанной модели различают два типа холонов: ресурсов и компонент (изделий). Физическая часть холона ресурсов - это некоторая абстракция средств производства, таких как завод, участок, станки, конвейеры, склады и т.п. Холон ресурсов обладает методами размещения производительных ресурсов, знаниями и процедурами для организации, использования и управления этими производительными ресурсами для выпуска продукции. Физическая часть холопа компонент представляет собой сырье, полуфабрикаты и готовые изделия, составляющие материальный поток АСП. Холон компонент содержит модель изделия и сочетает в себе функции, которые традиционно относятся к проектированию изделия, планированию процессов и гарантии качества. В диссертационной работе разработана модель МХС, в которой агенты составляют логическую часть холона. Динамическое объединение холонов ресурсов и компонент в холархии происходит в процессе переговоров, в рамках которого агенты согласовывают свои локальные цели.

Разработанный алгоритм формирования холархии построен на основе обобщенного структурного шаблона сети поставок, представляющего собой динамическое виртуальное объединение холонов (агентов) ресурсов и компонент по схожести производственного процесса с целью производства конечного изделия. Ресурсы разделены на два подмножества, первое из I агентов, М - {М[,...,М/}, 1=1,2,.соответствует производственным модулям системы (заводам-изготовителям и сборочным производствам), а второе из т агентов, = {\Уь...^„}, т-1,2,...,М, соответствует складам компонент и продуктов, где Agent=LKJ М. Множество из ц элементов ОР = {01,...,0Ч} описывает все технологические операции, выполняемые в системе. Отношение ОМ с М х ОР связывает операции и ресурсы. Ресурсы упорядочены

отношением частичного порядка Mi<M25i... <М„. Частота отказов и время ремонта ресурсов описываются нормальным распределением.

Холоны компонент также разделены на два типа: компоненты сырья МР = {mp1,...,mpp} и изделия (состоящие из нескольких компонент). Функция Р: МР -> W связывает складской ресурс с типом сырья. Готовые изделия представляются множеством из q элементов FP = {fpi,...,fpq}, где каждый элемент fp, описывает продукт, производимой в АСП. Продукты могут быть упорядочены отношением частичного предпочтения задающим приоритеты производства fp,®fpi®... ®fpq.i®fpq. Для каждого элемента из FP существует функция, описывающая технологический процесс TP: FP-» р ( (МР)хОР) такой, что TP(fp)={({mpb...,mpp},01) ({mp],...,rnpp},Oq)}. Для описания технологических процессов использована логика взаимодействия, введенная автором в соавторстве с М. Альварадо

[38, 39]. Существует отношение частичного порядка -<, которое определяет порядок обработки и сборки компонент от сырья до конечного продукта. ТехЕгологические процессы соответствуют шаблону конфигурации ресурсов. Таким образом, отношения порядка ~< и < связаны между собой следующим образом: V({mpi,...,mpp},Oi) -< ({mpb...,mpp},Oj): Mk< Мь где (0„ Мк), (Oj, М|) е ОМ. На элементы модели накладываются ограничения, например, что склад готовой продукции всегда находится в голове шаблона холона: VM;: Mi ^ FPS.

Как результат переговоров между возможными участниками сети для каждой задачи производства продукта генерируется наилучшая (с точки зрения выбранного критерия на момент поступления заказа) конфигурация сети ресурсов и компонент (холархия). Ресурсы используют оценку возможного времени завершения операции ^ {b'k), которое вычисляется с учетом

очереди на выполнение работ. Критерий выбора определен по минимальному значению этого параметра.

Постановка задачи динамического конфигурирования на этапах тактического планирования и оперативного управления в условиях неопределенной среды требует разработки методов обучения в контексте кооперативных систем. С этой целью разработана модель динамического конфигурирования АСП на основе коллективного обучения с подкреплением (ОП) в контексте теории КОИН. Основы теории КОИН были заложены в работах Д. Волперта и Т. Кагана, а также С. Уоткинса, разработавшего алгоритм Q-обучения. Функция прибыли-действия, Q, полученная в результате обучения, аппроксимирует функцию оптимальной прибыли-действия Q*. В состоянии x(t), если Q-значения точным образом представляют модель среды, лучше всего выполнить такое действие а', еА..., которое имеет наибольшее/наименьшее Q-значение (согласно рассматриваемому случаю) среди

всех возможных действий в состоянии х(0. О-значения определяются путем использования правила обновления с поощрением г(1+1), рассчитанным средой, и функции (^-значений достижимых состояний путем выполнения действия ат в состоянии х(г). Правило обновления О-обучения определяется формулой:

Ф+1)+/1ШП .....,)('+О - Qш,,{,))(t)

где: (^-значения <2(л(,)а ( () дают приблизительную оценку среды, а - скорость

обучения а е (0,1], г(1+1) - усиление произведенного действия, у - коэффициент скидки.

Недостаток метода С)-обучения заключается в том, что он позволяет решать задачи обучения только для одного агента. Тем не менее, когда несколько агентов работают в общей среде, этот метод не являются достаточно эффективным, так как обуславливает эгоистичное поведение агентов. В диссертационной работе разработан метод двухуровневого обучения, в котором для построения стратегии поведения агентов на локальном уровне использованы алгоритмы обучения с подкреплением, а для оптимизации глобального поведения АСП предложен алгоритм коллективного обучения.

Структурная адаптация производится путем изменения (^-значений альтернатив в поисковых таблицах каждого агента. В силу того, что при тактическом планировании решается задача планирования потока заказов, а при оперативном управлении на принципах «вытягивания» - задача маршрутизации потока изделий, значения полей таблицы и принцип определения С>-значений будут различными. Это, тем не менее, не влияет на общность применения самого метода.

Так, в первом случае, ищется наилучший поставщик к для поступившего заказа, тогда С>-значение определяется как функция количества изделий в заказе, времени выполнения операции и стоимости выполнения работы: <2=Я<7, /ФС). г(б/*)Л где /(Ь(*) и ¿(б/*) - оценки стоимости и времени

выполнения операции по компетенции у*. Во втором случае, определяется лучший партнер к для выполнения очередной операции и (^-значение ищется

г

как функция оценки времени завершения работ:

7=1

Алгоритм коллективного обучения с подкреплением строится на основе алгоритма (^-маршрутизации и алгоритмов оптимизации по принципу муравьиной колонии. Он интегрирует три алгоритма: алгоритм планирования, алгоритм «муравья» и алгоритм наказания, для получения обратной связи от среды и сопоставления локальных поощрений с глобальной целью. Алгоритм планирования исследует лучшие возможности (с точки зрения оценок

О-значсний), вытекающие из непредвиденных изменений в среде. В алгоритме коллективного обучения с подкреплением, механизм планирования (в рамках значения этого термина в ОГ1) был разработан на уровне агеггта. Этот механизм состоит в посылке модифицированного сообщения с запросом оценок (^-значений всех заказов, которые на этот момент известны соседям.

В алгоритме «муравья» генерируются сообщения обратной связи, которые переносят данные, полученные в терминах (^-значений, и осуществляют процесс передачи информации о среде между агентами. Наконец, алгоритм наказания пытается идентифицировать и разрешить конфликты между соседними агентами, когда они имеют одинаковую наилучшую оценку, предпочитая одного и того же партнера. Если они действуют «эгоистичным» образом, очередь к выбранному партнеру начинает расти, и, как следствие, возрастает время выполнения задачи. Чтобы не допустить этого, агент должен принести в жертву свою личную полезность и использовать другой маршрут. Алгоритм наказания заставляет агента рассчитать и выбирать следующие наилучшие оценки.

Первый шаг алгоритма коллективного обучения с подкреплением (рис. 5) заключается в фиксировании исходных (^-значений и параметров ОП. Затем, каждый агент, выполняющий алгоритм, читает заголовок сообщения с информацией о среде, полученного от другого агента, и посылает сообщения обратной связи.

Следующим шагом является выполнение оптимального действия в соответствии с усвоенной в результате обучения стратегией як. Наконец, агент получает поощрение или наказание от среды. Алгоритмы планирования, наказания и «муравья» выполняются одновременно и помогают сократить время обнаружения локальной оптимальной стратегии для каждого агента, выполняющего этот алгоритм.

В пятой главе рассмотрены основы реализации многоагентной среды моделирования и конфигурирования АСП, а также результаты экспериментов по практическому использованию разработанных методов, моделей и алгоритмов для различных сценариев конфигурирования АСП.

Реализация моделей и алгоритмов в многоагентной среде поддерживается на четырех уровнях: взаимодействия, операционной и семантической совместимости, коммуникационном и транспортном. На уровне взаимодействия решаются задачи формирования коалиций и конфигурирования. Операционная совместимость обеспечивается соответствующими стратегиями переговоров и протоколами взаимодействия агентов, которые являются связывающим слоем между коммуникативными актами (перформативами) языка взаимодействия между агентами (Р1РА-АСЬ), с одной стороны, и алгоритмами конфигурирования, с другой.

Именно протоколы позволяют строить диалоги между взаимодействующими агентами. Для обеспечения семантической совместимости используются онтологии предметной области и семантическое описание сервисов.

Инициализировать в момент t=0: все Q-значения а() с большими значениями, параметры обучения с подкреплением:а, у, s_update, w, w_ants. REPEAT

Обновить момент времени t

если исходное сырье получено агентом производителем М-,

Считать входной вектор х из заголовка сырья и переменных среды Отправить сообщение агенту М„ к которому поступает сырье со значением функции усиления r(l+i, и оценкой Q^ а (

Выполнить операцию Оч и выбрать действие по маршрутизации полуфабриката axf,)= Mj в функции входного вектора х путем использования стратегии E_greedy, полученной из Q(x^u (()(i)

Отправить полуфабрикат следующему агенту производителю ах(0- Mj На следующем временном шаге, получить сообщение от агента Mj со значением фунщии усиления r(t+l) и оценкой ( (/ +1)

Применить правило обновления Q-обучения:

r(t+1)+у min £(<(„,)„„.,)('+1) - бы,),, JO

REPEAT

Алгоритм планирования cjtpdate Алгоритм наказания Алгоритм «муравья»

Рис. 5. Алгоритм коллективного обучения с подкреплением

С целью обеспечения семантической совместимости сервисов Веб и агентов в диссертационной работе онтология семантического описания Веб-сервисов (OWL-S) расширена на область агентов (OWL-AS).

В качестве базовых элементов среды моделирования, обеспечивающих поддержку моделей конфигурирования на операционном, коммуникационном и транспортном уровнях, использованы агентные платформы (АП) JADE и CAPNET, совместимые со спецификацией Фонда интеллектуальных физических агентов (FIPA). Агентно-ориентированная среда параллельного имитационного моделирования Netlogo применяется для визуализации результатов. Реализация модели семантической композиции сервисов в интегрированной среде Веб-сервисов и сервисов агентов потребовало модификации существующих агентных платформ с целью обеспечения совместимости со стандартами Веб-сервисов и семантического Веб. Эта совместимость была обеспечена как на уровне платформы, так и на уровне типового агента. С целью реализации сервис-ориентированной среды в диссертационной

работе использована АП CAPNET, запрограммированная на управляемом коде (исполняемом на виртуальной машине) на языке С#. Различные аспекты ее разработки отражены в работах [12, 20,34,42].

Использование OWL-AS обусловило необходимость модификации традиционной для АП службы каталогов (DF). В ее арсенал были добавлены функции поддержки регистрации сервисов в реестрах универсального описания, обнаружения и интеграции (UDDI) и выполнения федеративного поиска на UDDI от имени агентов с целью прямого вызова сервисов, используя средства системы транспортировки сообщений. Для этих целей был реализован транспортный менеджер протокола доступа к объектам (SOAP), выполненный как расширение сервера MS Internet Information Services (IIS). В его функции входят: перекодировка ACL - SOAP, поддержка взаимодействия по вызову сервисов на языке описания Веб-сервисов (WSDL) и управление сессией вызова внешних (с точки зрения платформы) сервисов.

Расширенная модель агента, реализующая архитектуру обнаружения и композиции сервисов, состоит из следующих функциональных блоков: анализа сообщения (выделяет описание сервиса для последующей обработки), обнаружение сервиса (выступает в роли интерфейса с агентом-брокером, выполняющим функции поиска, выбора и композиции сервисов), анализа предусловий, выполнения сервиса и генерации сообщений.

Архитектура среды многоагентного моделирования АСП представлена на рис. 6. Среда образована трехслойной MAC, внешними компонентами вспомогательного программного обеспечения (решатели, нечеткий сумма-гор, механизм логического вывода, алгоритмы прогнозирования и модули визуализации результатов) и внешними системами, куда относятся реестры сервисов (UDDI), система планирования материальных ресурсов (MRP), реализованная на Excel, и онтологии предметной области, поддерживаемые средой Protégé. На рисунке каналы взаимодействия между агентами обозначены жирными стрелками, а агентов с внешними компонентами - простыми.

MAC включает слой агентов АСП, куда входят индивидуальные агенты, агенты коалиций и агент интегратор, слой вспомогательных агентов для связи с внешними компонентами и реализации интерфейса пользователя, а также агента-брокера, реализующего механизм семантического поиска сервисов. Агенты АСП распределены по контейнерам АП в соответствии с эшелоном, которому они принадлежат. Использование контейнеров позволяет воспроизвести реальную распределенную информационную структуру АСП. Будучи экспериментальным комплексом для реализации методов конфигурирования АСП и моделей формирования коалиций, агентная платформа может быть также встроена в информационную инфраструктуру предприятия. В этом случае, алгоритмы, проверенные в модельной среде, могут быть использованы в практических приложениях.

Внешние модули

Механизм семантического

Внешние системы

Рис. 6. Архитектура многоагентной среды моделирования АСП

Экспериментальная часть работы содержит результаты экспериментов по сложности вычислений разработанных моделей. Так для обобщенной модели КИНК в качестве исследуемой переменной было выбрано число итераций генетического алгоритма, необходимых для приближения к оптимальному значению. Рассматривались следующие факторы: число агентов, число коалиций, точность решения и порядок платежей. Показано, что при увеличении числа агентов количество итераций (время) падает или остается постоянным, тогда как соотношение между числом коалиций и количеством итераций носит линейный характер (рис. 7).

Практическое применение разработанных моделей и программных средств представлено в едином контексте конфигурирования АСП на сценариях из области автомобильной промышленности. Проведенные экспери-

« 25000

Щ 20000

» 15000

о 10000

| 5000

5 10

Число агентов

14000 -« 12000 я 10000 -« в000 I 6000

5 4000 -т 2000 -

0 -

:

12 3 4

Логарифм числа коалиций

Рис. 1. Зависимость количества итераций от числа агентов и коалиций

менты доказывают, что в результате решения коалиционной игры с С-ядром строится эффективная структура коалиций участников сети поставок, которая обеспечивает максимально возможный выигрыш для всех участников.

В процессе реконфигурации сети с использованием алгоритмов коллективного обучения (в условиях отсутствия предварительной информации о среде) достигаются эффективные конфигурации, обеспечивающие сокращение уровня запасов на 25% и сокращения средних сроков изготовления изделий на 10% (рис. 8) по сравнению с одноуровневым алгоритмом обучения.

Среднее (ремя сыпмнянря ?«

Л

Ч£»»ИГу011*1» ¿СП

<ою 0*4* е-« » ««дней

Среднее; грсоил .юлгсо» продукта

•1

Рис. 8. Производственные характеристики для различных конфигураций АСП, полученных с использованием алгоритма коллективного обучения

Разработанные в диссертации модели позволили осуществить ряд успешных приложений для автомобильной и нефтегазовой промышленностей: по определению эффективности конфигураций сети в условиях вариативности производственного заказа для концерна Фольксваген, Мексика; по выбору поставщиков для автомобильных товарных сборок для Центра исследований и перспективных разработок компании Форд Мотор, США; по конфигурированию потоков материалов, оборудования и специалистов в условиях нормативной работы и в экстремальных ситуациях в цепочках нефтегазовых поставок в шельфовой зоне Мексиканского залива и по моделированию реактивных стратегий адаптации к сбоям в работе и конфигурированию транспортных потоков цепочки нефтегазовых поставок.

В приложениях представлены: логика взаимодействия агентов (Приложение 1), результаты экспериментов и расчетные материалы, подтверждающие апробацию результатов исследования, с моделями КИНК (Приложение 2) и семантического поиска и композиции сервисов (Приложение 3), а также, абстрактная грамматика языка семантического описания Веб сервисов (С^Ь-Б), расширенного на область сервисов агентов (ОХУЬ-АБ) (Приложение 4). В Приложении 5 представлены акты внедрения результатов исследований диссертационной работы.

ЗАКЛЮЧЕНИЕ

В диссертационном исследовании содержится постановка и решение крупной научной проблемы - развитие теории динамического конфигурирования АСП и технологических средств ее реализации на основе многоагент-ных коалиционных систем, имеющей важное значение для национальной экономики. Получены следующие результаты:

1. Разработана методология моделирования и динамического конфигурирования АСП, обеспечивающая единство их концептуального, математического и имитационного моделирования как многоагентных коалиционных систем.

2. Разработан метод динамического конфигурирования АСП на трех уровнях принятия управленческих решений на основе статического и динамического формирования коалиций между агентами.

3. Разработана обобщенная модель кооперативной игры с нечеткими коалициями на основе С-ядра.

4. Разработана модель динамического конфигурирования АСП в условиях отсутствия предварительной информации об окружающей среде на основе алгоритма коллективного обучения с подкреплением.

5. Разработана модель формирования структуры АСП на основе семантического поиска и композиции сервисов.

6. Разработана архитектура сервис-ориентированной мкогоагскткой среды моделирования АСП, реализующей разработанные модели и обеспечивающей интеграцию моделей семантического описания сервисов Веб и агентов с использованием предложенного языка описания ОЖ^-АБ.

7. Разработаны прототипы многоагентных систем конфигурирования АСП как результат синтеза разработанных методов и моделей.

Таким образом, диссертационное исследование выполнено в соответствии с положениями п.п. 3, 4, 5, 7 и 10 областей исследований паспорта специальности 05.13.01.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В РАБОТАХ.

Журналы из списка ВАК:

1. Шереметов Л.Б. Модель нечетких коалиционных игр в задачах конфигурирования открытых сетей поставок // Известия РАН. Теория и системы управления. 2009. № 5. С. 94-108.

2. Шереметов Л.Б. Семантическое расширение сервисных описаний / Шереметов Л.Б., Санчсс К. // Информационные технологии и вычислительные системы. 2009. № 2. С. 51-64.

3. Шереметов Л.Б. Децентрализованное управление адаптивными сетями поставок на основе теории коллективного интеллекта и агентной технологии. Часть 1: Модель сети поставок // Информационно-управляющие системы. 2009. №4. С. 13-20.

4. Шереметов Л.Б. Децентрализованное управление адаптивными сетями поставок на основе теории коллективного интеллекта и агентной технологии. Часть 2: Многоагентная среда моделирования и оптимизации сетей поставок // Информационно-управляющие системы. 2009. № 5. С. 14-20.

Зарубежные журналы, включенные в систему цитирования Web of Science: Science Citation Index Expanded (база no естественным наукам):1

5. Sheremetov L. Industrial Application Integration Using the Unification Approach to Agent-Enabled Semantic SOA / M. Contreras, L. Sheremetov // Robotics and Computer-Integrated Manufacturing. 2008. Vol. 24. P. 680-695.

6. Sheremetov L. Ontology-Driven Intelligent Service for Configuration Support in Networked Organizations / A. Smirnov, N. Chilov, T. Levashova, L. Sheremetov, M. Contreras // Knowledge and Information Systems. 2007. Vol. 12, no. 2. P. 229-253.

7. Sheremetov L.B. Soft-computing Technologies for Configuration of Cooperative Supply Chain / A.V. Smimov, L.B. Sheremetov, N. Chilov, J. Romero Cortes // Applied Soft Computing. Elsevier Science, 2004. Vol. 4, no. 1. P.87-107.

8. Sheremetov L. B. Component Integration Framework for Manufacturing Systems Re-Engineering: Agent and Object Approach / L. B. Sheremetov, A. V. Smimov // Robotics and Autonomous Systems. Elsevier, 1999. Vol. 27, no. 1-2. P. 77-89.

9. Sheremetov L.B. Coordination and Communication Issues in Multi-Agent Expert System: Concurrent Configuration Design Advisor / A.S. Koulinitch, L.B. Sheremetov // Expert Systems with Applications. Pergamon Press, 1998. Vol. 15, no. 3-4. P. 295-307.

10. Sheremetov L.B. Configuration of complex systems based on the technology of intelligent agents / A.V. Smirnov, L.B. Sheremetov // Automatic Control and Computer Sciences. N.Y.: Allerton Press, 1998. Vol. 32, no. 4. P. 15-24.2

Отечественные и зарубежные журналы, не включенные в список ВАК и систему цитирования Science Citation Index Expanded:

11. Sheremetov L. Supply Chain Network Optimization Based on Collective Intelligence and Agent Technologies / L. Sheremetov, L. Rocha-Mier // Human Systems Management Journal. IOS Press. 2008. Vol. 27, no. 1. P. 31-47.

12. Sheremetov L. Design and Implementation of a FIPA Compliant Agent Platform in .NET / M. Contreras, E. Germán, M. Chi, L. Sheremetov // Journal of Object Technology. ETH Zurich, 2004. Vol. 3, no. 9. P. 5-28.

1 Публикации [35-40] в Lecture Notes in Artificial Intelligence, входившие до 2008 г. в Science Citation Index Expanded, включены в список в разделе «Труды международных конференций».

2 Журнал Automatic Control and Computer Sciences входил в Science Citation Index Expanded до 2007 включительно.

35

13. Sheremetov L. Multi-Agent Technology for Supply Chain Network Information Support / C. Chandra, A. Smirnov, L. Sheremetov // SAE Technical Paper Series, 2002. 2002-01-0326.

14. Шереметов JI.Б. Организация взаимодействия агентов в многокомпонентных САПР /А.В. Смирнов, Л.Б. Шереметов // Автоматизация проектирования. М.: Открытые системы, 1999. № 2. С. 36-41.

15. Шереметов Л.Б. Многоагентная технология проектирования сложных систем. Часть 2 / А.В. Смирнов, Л.Б. Шереметов // Автоматизация проектирования. М.: Открытые системы, 1999. № 1. С. 42-46.

16. Шереметов Л.Б. Многоагентная технология проектирования сложных систем. Часть 1 / А.В. Смирнов, Л.Б. Шереметов П Автоматизация проектирования. М.: Открытые системы, 1998. № 3. С. 45-50.

Главы е книгах:

17. Шереметов Л.Б. Принципы динамического конфигурирования гибких сетей поставок на основе семантической композиции сервисов / А.В. Смирнов, Л.Б. Шереметов // Труды СПИИРАН; под ред. P.M. Юсупова. СПб: Наука, 2009. Вып. 8. С. 154-176.

18. Sheremetov L. Agent-based Collective Intelligence Framework for Modeling of Inter-bank Payment Systems / L. Rocha-Mier, L. Sheremetov, F. Villarreal // Perception-based Data Mining and Decision Making in Economics and Finance; ed. by I. Batyrshin, J. Kacprzyk, L. Sheremetov, L. Zadeh. Springer Series: Studies in Computational Intelligence, Physica Verlag. 2007. Vol. 36. P. 331-352.

19. Sheremetov L.B. Agent-Based Technological Framework for Dynamic Configuration of a Cooperative Supply Chain / A.V. Smirnov, L.B. Sheremetov, N. Chilov, C. Sanchez-Sanchez // Multiagent Based Supply Chain Management; ed. by B. Chaib-draa, J. Mtiller. Springer Verlag. Series: Studies in Computational Intelligence, 2006. Vol. 28. P. 217-246.

20. Sheremetov L. Industrial Application Integration Using Agent-Enabled SSOA: CAPNET Case Study / L. Sheremetov, M. Contreras // Information Technologies for Balanced Manufacturing Systems; ed. by W. Shen. IFIP Series, Springer Verlag, 2006. P. 109-118.

21. Sheremetov L. Optimization Algorithm for Dynamic Multi-Agent Job Routing / L. Sheremetov, L. Rocha, J. Guerra, J. Martinez // Emerging Solutions for Future Manufacturing Systems; ed. by L. Camarinha-Matos. IFIP Series, Springer Verlag, 2004. P. 183-192.

22. Sheremetov L.B. Configuring of Supply Chain Networks Based on Constraint Satisfaction, Genetic and Fuzzy Game Theoretic Approaches / A.V. Smirnov, L.B. Sheremetov, N. Chilov, J. Romero Cortes // Information Technology for Balanced Automation Systems in Manufacturing and Services. Kluwer Academic Publishers, 2002. P. 183-192.

23. Sheremetov L.B. Agent-based Infrastructure of Supply Chain Network Management / C. Chandra, A.V. Smirnov, L.B. Sheremetov // E-Business and Virtual

Enterprises Managing Business-to-Business Cooperation; ed. by L.M. Camarinha-Matos et al., Kluwer Academic Publishers, 2000. P. 221-232.

24. Sheremetov L.B. Information Support of FMS Configuration Design / A.V. Smirnov, L.B. Sheremetov, P.A. Turbin // Balanced Automation Systems II: Implementation Challenges for Anthropocentric Manufacturing. Chapman &Hall, 1996. P. 357-364.

Труды международных конференций:

25. Sheremetov L. Semantic SOA 4 SOA Supply Networks / L. Sheremetov, C. Sanchez-Sanchez // Proc. 13 th IF AC Symposium on Information Control Problems in Manufacturing. Moscow, Jun. 3-5,2009. P. 1287-1292.

26. Sheremetov L. Semantic Expansion of Service Descriptions / C. Sanchez, L. Sheremetov // Proc. 1st Int. Workshop on Quantitative Semantic Methods for the Internet, Monterrey, Mexico, Nov. 9 - 14. Lecture Notes in Computer Science, Springer Verlag, 2008. Vol. 5333, P. 635-645.

27. Sheremetov L. A Model for Service Discovery with Incomplete Information / C. Sanchez, L. Sheremetov // Proc. 5lh Int. Conf. on Electrical Engineering, Computing Science and Automatic Control (CCE 2008), Mexico-city, Mexico, Nov. 12-14. IEEE Computer Society Press, 2008. P. 340-345.

28. Sheremetov L. A Model for Semantic Service Matching with Leftover and Missing Information / C. Sanchez, L. Sheremetov // Proc. 8th Int. Congress on Hybrid Intelligent Systems, Barcelona, Spain, Sep. 10-12. IEEE Computer Society Press, 2008. P. 198-203.

29. Sheremetov L. Towards a Multi-agent Dynamic Supply Chain Simulator for Analysis and Decision Support I L. Sheremetov, L. Rocha, I. Batyrshin // Proc. NAFIPS-05 Annual Conference: Soft Computing for Real World Applications Ann Arbor, Michigan, Jun. 22-25,2005. IEEE Computer Society Press, CD ROM.

30. Sheremetov L. Agent-Enabled Web Services for Intelligent Information Supply / L. Sheremetov, M. Contreras // Proc. 2nd Ljungby Workshop on Information Logistics: Knowledge Gap in Enterprise Information Flow, Ljungby, Sweden, Sep. 16 - 17, 2004. Jonkoping University series, 2005. P. 129-148.

31. Sheremetov L. Collective Intelligence as a Framework for Supply Chain Management / L. Sheremetov, L. Rocha // Proc. Int. Conf. Intelligent Systems Methodology, Models, Applications in Emerging Technologies, Varna, Bulgaria, Jun. 22-24. IEEE Computer Society Press, 2004. P. 417-422.

32. Sheremetov L. Global Supply Chain Management based on Collective Intelligence / L. Sheremetov, L. Rocha, M. Contreras // Proc. 2nd World Conference on Production and Operation Management, Cancun, Mexico, Apr. 30 - May 3, 2004. CD-ROM.

33. Sheremetov L. Ontology-Driven Approach to Constraint-Based VSN Configuration / A. Smirnov, N. Chilov, L. Sheremetov // Proc. 2nd World Conference on Production and Operation Management, Cancun, Mexico, Apr. 30 - May 3, 2004. CD-ROM.

34. Sheremetov L. Design and implementation of a FIPA compliant Agent Platform in .NET / M. Contreras, E. Germán, M. Chi, L. Sheremetov // Proc. 2nd Int. Workshop on .NET Technologies, Plzen, Czech Republic, May 31 - Jun. 2, 2004, Science Press. P. 9-15.

35. Sheremetov L. Implementation of an Ontology Sharing Mechanism for Multiagent Systems based on Web Services / L. Sheremetov, M. Contreras, A. Smimov II Advances in Web Intelligence; eds. by J. Favela, E. Menasalvas, E. Chávez. Lecture Notes in Artificial Intelligence. Springer Verlag, 2004. Vol. 3034. P. 54-63.

36. Sheremetov L.B. Agent Architecture for Dynamic Job Routing in Holonic Environment Based on the Theory of Constraints / L.B. Sheremetov, J. Martinez, J. Guerra // Honolic and Multi-Agent Systems for Manufacturing; eds. by V. Ma-rik, D. McFarlane, P. Valckenaers. Lecture Notes in Artificial Intelligence, Springer Verlag, 2003. Vol. 2744. P. 124-133.

37. Sheremetov L.B. Fuzzy Coalition Formation Among Rational Cooperative Agents / L.B. Sheremetov, J.C. Romero Cortés // Multi-Agent Systems and Applications III: CEEMAS 2003; eds. by V. Marik, J. Muller, M. Pechoucek. Lecture Notes in Artificial Intelligence, Springer Verlag, 2003. Vol. 2691. P. 268-280.

38. Sheremetov L.B. Modal Structure for Agents Interaction Based on Concurrent Actions / M. Alvarado, L.B. Sheremetov // Multi-Agent Systems and Applications III: CEEMAS 2003; eds. by V. Marik, J. Muller, M. Pechoucek. Lecture Notes in Artificial Intelligence, Springer Verlag, 2003. Vol. 2691. P. 29-39.

39. Sheremetov L. Logic of Interaction for Multiagent System / M. Alvarado, L. Sheremetov, E. German, E. Alva // MICAI 2002: Advances in Artificial Intelligence, Lecture Notes in Artificial Intelligence, Springer Verlag, 2002. Vol. 2313. P. 387-400.

40. Sheremetov L. Model of Cooperation in Multi Agent Systems with Fuzzy Coalitions / J. Romero Cortés, L. Sheremetov // From Theory to Practice in MultiAgent Systems; eds. by B. Dunin-Keplicz, E. Nawarecki. Lecture Notes in Artificial Intelligence, Springer Verlag, 2002. Vol. 2296. P. 263-272.

41. Sheremetov L.B. Configuring of Supply Chain Networks Based on Constraint Satisfaction, Genetic and Fuzzy Game Theoretic Approaches / A.V. Smirnov, L.B. Sheremetov, N. Chilov, J. Romero Cortes // Information Technology for Balanced Automation Systems in Manufacturing and Services. Selected papers of the IFIP/IEEE Int. Conf. BASYS'02, Kluwer Academic Publ. 2002. P. 183-192.

42. Sheremetov L. Component Agent Platform / L. Sheremetov, M. Contreras // Proc. 2nd Int. Workshop of Central and Eastern Europe on Multi-Agent Systems (CEEMAS'01), Cracow, Poland, Sep. 26-29,2001. P. 395-402.

43. Sheremetov L. Model of Negotiation in Multi Agent Systems for Fuzzy Coalition Formation / J. Romero Cortés, L. Sheremetov // Proc. 2nd Int. Workshop of Central and Eastern Europe on Multi-Agent Systems (CEEMAS'01), Cracow, Poland, Sep. 26-29, 2001. P. 237-246.

44. Sheremetov L. Model of Negotiation in Multi Agent Systems Based on the Games Theory with Fuzzy Coalitions / J. Romero Cortés, L. Sheremetov // Proc. Int. Conf. on Logic, Game Theory and Social Choice. St. Petersburg, Russia, Jun. 21-24,2001. P. 61-66.

45. Sheremetov L. B. Agent-Based Infrastructure for Management of Consumer-Focused Smart Companies / C. Chandra, A. V. Smirnov, L. B. Sheremetov // Proc. IASTED Int. Conf. Robotics and Manufacturing; ed. by M.H. Hamza. Cancun, Mexico, May 21-24, ACTA Press, 2001. P. 111-116.

46. Sheremetov L.B. Concurrent Configuration Design Advisor Based On Minimal Fragmented Structures / A.S. Koulinitch, L.B. Sheremetov // Proc. 4th World Congress on Expert Systems: Application of Advanced Information Technology. Mexico city, Mexico, Mar. 16-20, 1998. P. 129-136.

47. Sheremetov L.B. Cooperative re-engineering of manufacturing systems: multi-agent technology / A.V. Smirnov, L.B. Sheremetov, P.A. Turbin // Proc. Int. Conf. Robotics and Manufacturing'97, Cancun, Mexico, May 28-31, ACTA Press, 1997. P. 374-377.

48. Sheremetov L.B. DESO: A Constraint-Based Environment Prototype for Cooperative Design of FMS / A.V. Smirnov, A.S. Kulinitch, L.B. Sheremetov, et al. // Proc. 3rd IASTED Int. Conf. Robotics and Manufacturing'95, Mexico, Cancun, Jun. 14-16. ACTA Press, 1995. P. 384-387.

49. Sheremetov L.B. Multi-Paradigm Approach to Cooperative Decision Making / A.V. Smirnov, L.B. Sheremetov, G.V. Romanov, P.A. Turbin // Proc. 2nd Int. Conf. on Concurrent Engineering: Research and Applications. Washington, DC Area, Aug. 23-25,1995. Concurrent Technology Corporation, 1995. P. 215-222.

50. Sheremetov L.B. Constraint-Based Expert System for the Design of Structured Objects / A.V. Smirnov, L.B. Sheremetov, P.A. Turbin // Proc. Int. AMSE Conf. on System Analysis, Control & Design, Methodologies & Examples. Bmo, Czech Republic, Jul. 3-5,1995. Vol. 2. P. 64-71.

Формат 60x84 1\16 .Бумага офсетная. Печать офсетная. Тираж 100 экз. Заказ № 97.

Редакционно-издательский центр ГУАП 190000, Санкт-Петербург, Б. Морская ул., 67

Введение.

Положения, выносимые на защиту.

Глава 1. Задачи конфигурирования в цикле управления адаптивными сетями поставок.

1.1. Современные формы интеграции промышленных предприятий.

1.1.1. Цепь поставок.

1.1.2. Сеть поставок.

1.1.3. Адаптивная сеть поставок.

1.2. Конфигурирование как задача управление сетями поставок.

1.2.1. Структура систем управления сетями поставок.

1.2.2. Задача конфигурирования цепей и сетей поставок.

1.2.3. Конфигурирование АСП на этапе стратегического планирования.

1.2.4. Конфигурирование АСП на этапе тактического планирования.

1.2.5. Конфигурирование и реконфигурирование сети поставок на этапе оперативного управления.

1.2.6. Конфигурирование в контексте самоорганизаг(ии сетей поставок.

1.3. Информационные технологии в управлении сетями поставок.

1.3.1. Эволюция систем управления сетями поставок.

1.3.2. Интеллектуальные информаг^ионные технологии в управлении сетями поставок.

1.3.3. Интегрированная информационная среда сети поставок на основе сервис-ориентированной архитектуры.

1.3.4. Технология агентов в управлении интегрированными производствами и сетялш поставок.

1.3.5. Технология агентов в конфигурировании производственных систем

Выводы по главе 1.

Глава 2. Методология моделирования и метод динамического конфигурирования АСП как многоагентной коалиционной системы.

2.1. Методология моделирования АСП как многоаге1 1тной системы

2.1.1. Базовые концепции теории многоагентных систем.

2.1.2. Основы многоагентного моделирования.

2.1.3. Принципы моделирования АСП как многоагентной системы.

2.2. Модели формирова1 ше коалиций между кооператив1 1ыми агентами

2.2.1. Проблематика формирования коалиций.

2.2.2. Состояние исследований в области коалиционных систем.

2.2.3. Модели формирования коалиций в теории игр.

2.3. Постановка задачи конфигурирования АСП на основе формирования коалиций в многоагентной системе.

2.3.1. Постановка задачи динамического конфигурирования АСП как многоагентной системы.

2.3.2. Постановка задачи формирования коалиций агентов в контексте динамического конфигурирования АСП.

2.4. Метод динамического конфигурирования АСП как многоагентной коалиционной системы.

2.4.1. Динамическое конфигурирование АСП на уровне стратегического и тактического планирования.

2.4.2. Динамическое конфигурирование АСП на уровне оперативного управления.

2.4.3. Основные принципы динамическое конфигурирование АСП в классе лшогоагентных коалиционных систем.

Выводы по главе 2.

Глава 3. Модели и алгоритмы динамического конфигурирования

АСП на уровнях стратегического и тактического планирования.

3.1. Модель формирования структуры сети на основе семантической композиции сервисов.

3.1.1. Концептуальная модель формирования структуры сети на основе семантической композиции сервисов.

3.1.2. Задачи построения семантической модели сервис-ориентированной архитектуры.

3.1.3. Основные определения семантической модели описания сервисов.

3.1.4. Сравнение и сходство сервисов.

3.1.5. Генерация расширенных описаний сервисов.

3.1.6. Алгоритм исчерпываюгцей генерагрш описаний сервисов.

3.1.7. Алгоритм пошаговой генерации описаний сервисов.

3.1.8. Алгоритм динамической композиции сервисов на основе соответствия описаний с недостающей информацией.

3.2. Модель кооперативной игры с нечеткими коалициями.

3.2.1. Задача конфигурирования АСП в контексте кооперативной игры.

3.2.2. Основные понятия кооперативной игры с С-ядром.

3.2.3. Обоснование выбора базовой модели кооперативной игры в контексте многоагентного формирования коалиций в АСП.

3.2.4. Обобщенная модель кооперативной игры с нечеткими коалициями.

3.2.5. Алгоритм вычисления функции принадлежности коалиций.

3.2.6. Аналитическое решение кооперативной игры с нечеткими коалициями.

3.2.7. Решение кооперативной игры с использованием генетических алгоритмов.

3.2.8. Алгоритм переговоров между агентами, реализующий модель кооперативной игры.

Выводы по главе 3.

Глава 4. Модели и алгоритмы динамического конфигурирования

АСП на уровне оперативного управления.

4.1. Формирование коалиций (холархий) в многоагентной холонической системе.

4.1.1. Конфигурирование АСП как холонической системы.

4.1.2. Определение компонентов холонической системы.

4.1.3. Алгоритмы агентов в процессе динамического формирования коалиций.

4.1.4. Реализация базового алгоритма формирования холархий.

4.2. Модель динамического конфигурирования на основе теории коллективного интеллекта.

4.2.1. Динамическое программирование.

4.2.2. Обучение с подкреплением.

4.2.3. Функции поощрения и выигрыша.

4.2.4. Q-Обучение.

4.2.5. Динамическое конфигурирование АСП на основе метода коллективного обучения с подкреплением.

4.2.6. Алгоритм коллективного обучения с подкреплением.

4.2.7. Алгоритм планирования.

4.2.8. Алгоритм «муравья».

4.2.9. Алгоритм наказания.

4.2.10. Алгоритм коллективного обучения.

4.2.11. Агентная модель сети поставок с коллективным обучением.

4.2.12. Реализа1(ия алгоритма коллективного обучения в агентной модели сети поставок. выводы по ГЛАВЕ 4.

Глава 5. Реализация методов и моделей конфигурирования АСП в миогоагеитной среде и их практическое применение.

5.1. многоагентная среда моделирования АСП.

5.1.1. Агентная платформа как среда разработки многоагентных систем.

5.1.2. Архитектура среды моделирования.

5.1.3. Агентная платформа САРЫЕТ, расширенная средствами семантической совместимости сервисов.

5.2. Семантика задачи конфигурирования сетей поставок в автомобильной промышленности.

5.2.1. Тенденции развития сетей поставок в автомобильной промышленности.

5.2.2. Онтологическая модель автомобиля и производственного процесса его изготовления.

5.2.3. Задача определения структуры АСП с использованием модели динамической композиции сервисов.

5.3. Задача выбора партнеров сети с использованием модели кооперативной игры с нечеткими коалициями.

5.3.1. Постановка задачи конфигурирования.

5.3.2. Данные контрольного примера 1.

5.3.3. Модель кооперативной игры с нечеткими коалициями для контрольного примера.

5.3.4. Решение кооперативной игры.

5.3.5. Сравнительный анализ результатов игры с методами, основанными на удовлетворении ограничений и генетическом алгоритме.

5.3.6. Данные контрольного примера 2.

5.3.7. Результаты формирования коалиций и выбора партнеров АСП.

5.3.8. Анализ вычислительной сложности модели кооперативной игры.

5.4. Конфигурирование АСП на этапе оперативного управления.

5.4.1. Данные контрольного примера по конфигурированию холонической системы.

5.4.2. Использованная инфраструктура.

5.4.3. Результаты моделирования.

5.4.4. Данные контрольного примера конфигурирования АСП с использованием модели коллективного обучения.

5.4.5. Результаты экспериментов по конфигурированию АСП.

Выводы по главе.

Выводы по главе

В главе проанализированы результаты экспериментов по реализации разработанных моделей в среде многоагентного моделирования для различных сценариев динамического конфигурирования АСП. Для реализации модели семантической композиции сервисов предложены модификации на уровне архитектуры агентной платформы и шаблона базового агента, расширяющие стандартные спецификации Р1РА и обеспечивающие семантическую совместимость агентов и Веб-сервисов в единой сервис-ориентированной среде интегрированного предприятия. Эти спецификации были реализованы в агентной платформе САРЫЕТ [250, 259, 274, 275, 276]. Такая интеграция становится возможной за счет использования расширенного языка семантического описания сервисов агентов 0\¥Ь-А8. Будучи экспериментальным комплексом для реализации методов конфигурирования

АСП и моделей формирования коалиций, агентная платформа может быть также встроена в информационную инфраструктуру предприятия. В этом случае, алгоритмы, проверенные в модельной среде, могут быть реализованы в практических приложениях.

В процессе экспериментов проанализирована вычислительная сложность разработанных алгоритмов и экспериментально подтверждена их эффективность в решении задач конфигурирования АСП. Разработанная среда ориентируется на интегрированное решение задач конфигурирования в задачах принятия решений на стратегическом, тактическом и оперативном уровнях и может быть использована для улучшения процесса принятия решений в пределах широкой области задач в различных сценариях сети поставок.

Разработанные в диссертации модели позволили осуществить следующие успешные приложения (Приложение 5):

1.В рамках договора о научно-техническом сотрудничестве с Центром Компьютерных Исследований Национального Политехнического Института,

Мехико-Сити, Мексика (Center for Computing Research of the Mexican National Technical University (CIC-IPN) от 02 апреля 2001 г. на проведение совместных работ по проектам «Модели и средства взаимодействия агентов в кооперативных многоагентных системах» и «Виртуальные интеллектуальные организации» разработанные в диссертации агентная платформа CAPNET и программная среда для конфигурирования производства и оценки затрат на выполнение производственного заказа были использованы при моделировании цепи поставок концерна Фольсваген, Мехико для нахождения наиболее эффективных конфигураций сети в условиях вариативности производственного заказа. Кроме того, модель кооперативной игры и многоагентная среда моделирования сетей поставки использованы для анализа эффективности конфигураций виртуальных организаций и инфраструктуры их систем управления.

2. В рамках двустороннего Соглашения о научно-техническом сотрудничестве между Российской академией наук (Санкт-Петербургским научным центром) и Национальным комитетом по науке и технике (CONACyT), Мексика в совместных работах с Мексиканским нефтяным институтом агентная платформа CAPNET использовалась как платформа для разработки нескольких полномасштабных прототипов приложений для нисходящего и восходящего потоков цепочки нефтегазовых поставок. Кроме того, модели и средства конфигурирования цепей поставок на тактическом и оперативном уровнях нашли успешное применение в цепочках нефтегазовых поставок в шельфовой зоне.

3. В рамках проекта «Эластичное производство и логистические сервисы в химических цепях поставок» (Resilient manufacturing and logistics services in chemical supply chains), утвержденного Сингапурским агентством по науке, технике и исследованиям (A-Star) на период с 01 апреля 2006 г. по 31 марта 2009 г., в Национальном Университете Сингапура (National University of Singapore), Сингапур, Республика Сингапур была использована модель адаптивного конфигурирования цепи поставок на основе алгоритмов коллективного обучения с подкреплением для математического и имитационного моделирования реактивных стратегий по предотвращению сбоев в работе цепочки нефтегазовых поставок.

4. В Центре исследований и перспективных разработок компании Форд были протестированы модели и средства описании компетенций партнеров как сервисов с целью определение соответствия поставщиков в задачах конфигурирования цепи поставок автомобильных товарных сборок. Проведенные эксперименты продемонстрировали хороший потенциал предложенных средств для практического использования.

5. Разработанные в диссертационной работе модели формирования коалиций в системах распределённого искусственного интеллекта и прототипы многоагентных коалиционных систем были внедрены на кафедрах систем автоматического управления и бортовой вычислительной техники (САУ и БВТ) Санкт-Петербургского государственного морского технического университета и кафедре вычислительной техники (ВТ) Санкт-Петербургского государственного электротехнического университета «ЛЭТИ». Модели кооперативной игры и холонического производства, а также агентная платформа САРЫЕТ использовались в лекционном материале и лабораторном практикуме учебных курсов «Распределенные интеллектуальные системы» и «Программные агенты», в рамках учебных программ магистратуры и аспирантуры С1С-1РМ в 2001-2007 гг.

Заключение

В диссертационном исследовании содержатся постановка и решение крупной научной проблемы - развитие теории динамического конфигурирования АСП и технологических средств ее реализации на основе многоагентных коалиционных систем, имеющей важное значение для национальной и мировой экономики. Получены следующие результаты:

1. Разработана методология моделирования и динамического конфигурирования АСП, обеспечивающая единство их концептуального, математического и имитационного моделирования как многоагентных коалиционных систем.

2. Разработан метод динамического конфигурирования АСП на трех уровнях принятия управленческих решений на основе статического и динамического формирования коалиций между агентами.

3. Разработана обобщенная модель кооперативной игры с нечеткими коалициями на основе С-ядра для выбора партнеров АСП.

4. Разработана модель динамического конфигурирования АСП в условиях отсутствия предварительной информации об окружающей среде на основе алгоритма коллективного обучения с подкреплением.

5. Разработана модель формирования структуры АСП на основе семантического поиска и композиции сервисов.

6. Разработана архитектура сервис-ориентированной многоагентной среды моделирования АСП, реализующей разработанные модели и обеспечивающей интеграцию моделей семантического описания сервисов Веб и агентов с использованием предложенного языка описания OWL-AS.

7. Разработаны прототипы многоагентных систем конфигурирования АСП как результат совместного использования разработанных методов и моделей.

Таким образом, диссертационное исследование выполнено в соответствии с положениями п.п. 3, 4, 5, 7 и 10 областей исследований паспорта специальности 05.13.01.

Глоссарий терминов

Учитывая, что диссертационная работа выполнена в эмерджентной области, в которой в настоящее время не существует универсального общепринятого определения для многих понятий, использованных в работе, ниже приведен глоссарий основных терминов. Кроме того, учитывая, что зачастую в русскоязычной литературе используются различные варианты перевода англоязычных терминов, там, где это необходимо, приведены также соответствующие англоязычные термины.

Автономный агент - система, способная взаимодействовать независимо и эффективно со своей средой через собственные сенсоры и эффекторы для решения заданных или самостоятельно сгенерированных задач [108].

Агентное моделирование — это подход к имитационному моделированию систем, содержащих автономных и взаимодействующих агентов [186].

Адаптаг^ия - процесс целенаправленного изменения системы в соответствии с определенными критериями приспособления ее организационной структуры и функций к условиям внешней среды, обеспечивающих достижение целей системы [213].

Адаптивная сеть поставок (adaptive supply network) - связанная сеть предприятий (или заинтересованных агентов), которые способны в кооперативной манере выявлять изменения (зачастую непредвиденные) как в окружающей бизнес-среде, так и в самой сети, и перестраивать свою деятельность в ответ на эти изменения.

Виртуальное предприятие (virtual enterprise) - производственная сеть, фокусирующаяся на временном кооперировании между несколькими независимыми компаниями.

Имитаг(ионная модель - множество правил (дифференциальных уравнений, карт состояний, автоматов, сетей и т.п.), которые определяют, в какое состояние система перейдёт в будущем из заданного текущего состояния.

Имитация (simulation) — это процесс "выполнения" модели, проводящий её через (дискретные или непрерывные) изменения состояния во времени.

Интегрированное предприятие (integrated enterprise) - производственная сеть, сформированная из независимых компаний, сотрудничающих посредством предоставления совместного доступа к информации, опыту, технологиям и ресурсам, и имеющих общую цель использования имеющихся возможностей на рынках [307].

Интеллектуальный агент — это программный объект (сущность), отличающийся возможностью целеполагания, автономно функционирующий для достижения этих целей и обладающий определенными интеллектуальными способностями за счет инкапсулирования различных технологий вычислительного интеллекта [9, 330].

Коалиция - общество заинтересованных агентов, которые на основании протоколов переговоров принимают решение сотрудничать, чтобы решить некую задачу или достичь определенной цели [134].

Многоагентная система - совокупность взаимосвязанных агентов, способных взаимодействовать друг с другом и окружающей средой, обладающих определенными интеллектуальными способностями и возможностью индивидуальных и совместных действий.

Производство «точно-в-срок» (just-in-time) - философия синхронизации операций в рамках сети поставок для удовлетворения требованиям операций или клиентов [115].

Расширенное предприятие (extended или expanded enterprise) производственная сеть, подразумевающая наличие доминирующей компании, указывающей правила обмена информацией.

Самообучаюгцаяся система - это самоприспосабливающаяся система, алгоритм функционирования которой вырабатывается и совершенствуется в процессе самообучения.

Самоорганизующаяся система - это самоприспосабливающаяся система, в которой приспособление к изменяющимся условиям или оптимизация процессов управления достигается изменением структуры системы управления, качественным изменением алгоритмов управления, связей между подсистемами и схемы их подчинения и т. д. [56].

Самоприспосабливающаяся система - адаптивная система, которая сохраняет работоспособность в условиях непредвиденного изменения свойств управляемого объекта, цели управления или условий окружающей среды посредством смены алгоритмов своего функционирования или поиска оптимальных состояний.

Самонастраивающаяся система - самоприспосабливающаяся система, в которой приспособление к случайно изменяющимся условиям обеспечивается автоматическим изменением параметров настройки или путём автоматического поиска оптимальной настройки.

Спрос-ориентированная сеть поставок (demand driven supply network) -система технологий и процессов, которая воспринимает и реагирует на спрос в реальном времени в рамках сети потребителей, поставщиков и производителей [206].

Управление цепью поставок (supply chain management) — концепция, заключающаяся в интегрировании ключевых бизнес-процессов, начинающихся от конечного пользователя и охватывающих всех поставщиков товаров, услуг и информации, добавляющих ценность для потребителей. Включает планирование и управление потоками между участниками цепи с целью повышения ее общей доходности [102, 195].

Холоныческая производственная система — это холархия, которая интегрирует весь спектр производственной деятельности (поступление заказа, проектирование, производство и маркетинг с целью создания гибкого производственного предприятия. Холархия — система холонов, которые сотрудничают для достижения цели. Холон - автономный кооперативный элемент производственной системы, состоящий из информационной и физической частей, выполняющий операции по преобразованию, транспортировке, складированию и/или проверке информационных и физических объектов.

Цепь (или цепочка) поставок (supply chain) — это глобальная сеть, которая преобразует исходное сырье в продукты и услуги, необходимые конечному потребителю, используя спроектированный поток информации, материальных ценностей и денежных средств [321].

АМ АП АСП ГА дл

ДП ДСП ДФК ИА ис

ИТ ИУС кинк кис

КОИМ МАС мхе оп

ПК

САПР

САС скс

С)СОА сосп

СППР тпеп

Перечень сокращений агентное моделирование агентная платформа адаптивная сеть поставок генетический алгоритм дескриптивная логика динамическое программирование динамическая сеть поставок динамическое формирование коалиций интеллектуальный агент информационная система информационные технологии информационно-управляющая система кооперативная игра с нечеткими коалициями корпоративная информационная система коллективный интеллект многоагентная система многоагентная холоническая система обучение с подкреплением персональный компьютер система автоматизированного принятия решений сложная адаптивная система семантическая композиция сервисов (семантическая) сервис-ориентированная архитектура спрос-ориентированная сеть поставок система поддержки принятия решений тактическое планирование сети поставок

УЦП хпс

ЦП АСС

ACL

AMS

BDI BOM

CAPNET

CPFR

DF EAI

ERP

FIPA

JADE

MDP

MRP управление цепью поставок холоническая производственная система цепь (цепочка) поставок

Agent Communication Channel (канал коммуникации агентов)

Agent Communication Language (язык взаимодействия между агентами)

Agent Management Service (сервис управления агентной платформой)

Belief-desire-intention (убеждения-желания-намерения) Bill of Materials (спецификация материалов) Component Agent Platform over .NET (платформа агентов-компонент, разработанная на базе среды .NET) Collaborative Planning, Forecasting and Replenishment (стандарт совместного планирования, прогнозирования и пополнения запасов) Directory Facilitator (служба каталогов)

Enterprises Application Integration (интеграция приложений предприятия)

Enterprise Resource Planning (система планирования ресурсов предприятия)

Foundation for Intelligent Physical Agents (Фонд интеллектуальных физических агентов)

Java Agent Development Framework (среда разработки многоагентных систем на языке Java)

Markov Decision Process (Марковский процесс принятия решений)

Material Resource Planning (система планирования

OWL-S

SOAP

UDDI

WSDL

WSMO

XML материальных ресурсов)

Web Ontology Language for Services (язык Веб-онтологий для сервисов)

Simple Object Access Protocol (простой протокол доступа к объектам)

Universal Description, Discovery and Integration (универсальное описание, обнаружение и интеграция) Web Service Description Language (язык описания Веб-сервисов)

Web Service Modeling Ontology (онтология моделирования веб-сервисов) extensible Markup Language (расширяемый язык разметки)

1. Андреев В., Виттих В. А., Батищев С. В. Методы и средства создания открытых мультиагентных систем для поддержки процессов принятия решений // Известия РАН. Теория и системы управления. 2003. - №1. — С. 126-137.

2. Арсеньев Б. П., Яковлев С. А. Интеграция распределенных баз данных -СПб.: Лань, 2001.-461 с.

3. Беллман Р. Динамическое программирование.— М.: Изд-во иностранной литературы, 1960.

4. Борщев А. От системной динамики и традиционного ИМ — к практическим агентным моделям: причины, технология, инструменты. — С-Пб, Санкт-Петербургский Гос. Политехи. Университет, 2004 г. Доступно на сайте: www.gpss.ru

5. Васильев С. Н. От классических задач регулирования к интеллектному управлению. Части 1,2 // Известия РАН. Теория и системы управления. — 2001.-№1.-С. 5-22. №2.-С. 8-21.

6. Винер Н. Кибернетика, 2-е изд. — М.: Мир, 1968.

7. Виттих В.А. Эволюционное управление сложными системами // Известия Самарского научного центра Российской академии наук, 2000. Т.2, №1, С. 54-65.

8. Виттих, В. А., Скобелев П. О. Мультиагентные модели взаимодействий для построения сетей потребностей и возможностей в открытых системах // Автоматика и телемеханика. — 2003. №1. — С. 177-185.

9. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

10. Гайфуллин Б., Обухов И. Современные системы управления предприятием. Ч. 1 // КомпьютерПресс. — 2001. — № 9. — С. 23-27.

11. Губко М. В., Новиков Д. А. Теория игр в управлении организационными системами. Учебное пособие. // М.: Синтег, 2002. — 148 с.

12. Джонс Т. Программирование искусственного интеллекта в приложениях. // Пер. с англ. Осипов А.И., М.:ДМК Пресс, 2006. - 312 с.

13. Домарацкий А. Н., Пономарев В. М., Лескин А. А. и др. Системное проектирование интегрированных производственных комплексов. // Л.: Машиностроение, 1986. -319 с.

14. Дружинин В.В., Конторов Д.С. Системотехника. М., 1985.

15. ДюбинГ. Н., Суздаль В. Г. Введение в прикладную теорию игр. // М.: Наука, 1981.-336 с.

16. Желтенков А. В. Самоорганизующаяся система управления промышленной организацией (Теория и методология создания). // Дис. д-ра экон. наук: 08.00.05: Москва, 2002, 389 с.

17. Жуковский В. И. Кооперативные игры при неопределенности и их приложения. // М.: Едиториал УРСС, 1999 336 с.

18. Иванов Д.А. Управление цепями поставок // С-Пб: Издательство СПбГПУ, 2009.- 660 с.

19. Иванов Д. А. Разработка фундаментального междисциплинарного подхода к моделированию логистических и производственных сетей на основе DIMA // Логистика сегодня, 2008. №6, С. 346-353.

20. Иванов Д., Соколов Б., Архипов А., Кэшель Й. Модель динамического структурно-функционального синтеза гибких цепей поставок на основе ключевых компетенций // Логистика и управление цепями поставок. Апрель 2008. Т.2, №25. С. 39-52.

21. Ивлев В., Попова Т., Павлов JI. Реорганизация АСУ промышленных предприятий // КомпьютерПресс. 1997. - № 7. - С. 236-244.

22. Кашалкин Д.Ю., Курчидис В.А. Семантическая композиция сервисов // Вестник РГРТУ. Вып. 23. Рязань, 2008. С. 84-90.

23. Князева E.H., Курдюмов С.П. Законы эволюции и самоорганизации сложных систем. М.: Наука, 1994.

24. Красовский А. А., Динамика непрерывных самонастраивающихся систем. М.: Физматгиз, 1963.

25. Лескин A.A., Мальцев В.Н. Системы поддержки управленческих и проектных решений. JI: Машиностроение. Ленинградское отделение, 1990.- 167 с.

26. Лукинский B.C. Модели и методы теории логистики. СПб: Питер, 2007.

27. Мак Кинси Д. Введение в теорию игр. // М.: Физматгиз, 1960. — 420 с.

28. Матушкин Е. В., Метелкин А. В., Соколов Д. И. Объектная библиотека для интеллектуальных мультиагентных систем // Тр. VII национальной конф. по искусственному интеллекту с международным участием КИИ 2000. Т. 2. - М. : Физматлит, 2000. - С. 813-821.

29. Месарович М., Такахара Я. Общая теория систем: математические основы.1. М.: Мир, 1978.-432 с.

30. Милованов В. П. Неравновесные социально-экономические системы: синергетика и самоорганизация. М.: Едиториал УРСС, 2001.

31. Мулен Э. Кооперативное принятие решений: Аксиомы и модели: Пер. с англ. М.: Мир, 1991. 464 с.

32. Нарушев, Е. С. AgSDK : инструментарий разработки мультиагентных систем / Е. С. Нарушев, В. Ф. Хорошевский // Тр. VII национальной конф. по искусственному интеллекту с международным участием КИИ-2000. Т. 2. М.: Физматлит, 2000. - С. 830-840.

33. Оуэн Г. Теория игр. // М.: Мир, 1971.-232 с.

34. Петросян Л.А., Зенкевич H.A., Семина Е.А. Теория игр. М.: Высшая школа, 1998.- 304 с.

35. Пономарев В. М., Лескин А. А., Смирнов А. В. Модели автоматизированного синтеза оптимальных технологических комплексов гибких производственных систем // Методы и системы автоматизации в задачах науки и производства. М.: Наука, 1986. - с. 36-49.

36. Попов Э. В., Шапот М. Д. Реинжиниринг бизнес-процессов и информационные технологии // Открытые системы. — 1996. № 1. — С. 6068.

37. Пригожин И., Стенгерс И. Порядок из хаоса. Новый диалог человека с природой. —М.: Прогресс, 1986.

38. Рогушина Ю.В., Гладун А.Я. Онтологический подход к поиску Веб-сервисов в распределенной среде Интернет // ИНФОРМАТИКА, октябрь-декабрь 2006. № 4. С. 116-126.

39. Рузавин Г. И. Самоорганизация и эволюция социально-экономических систем // Ученые записки Российского государственного социального университета, 2007. № 1. С. 40-46.

40. Сидоров И.И. Логистическая концепция управления предприятием. -СПб.: ДНТП общества "Знание", ИВЭСЭП, 2001. 224с.

41. Смирнов A.B., Юсупов P.M. Технология параллельного проектирования: основные принципы и проблемы внедрения // Автоматизация проектирования, 1997. № 2. - С. 50 - 55.

42. Смирнов А. В. Исследование алгоритмической модели технологического синтеза гибких производственных систем. // Проблемы интегральной автоматизации производства. Л.: Наука, 1988. - с. 73-85.

43. Смирнов А. В. Задача оптимизации последовательности выбора технологического оборудования гибких производственных комплексов. // Методы и системы автоматизации в задачах науки и производства. — М.: Наука, 1986.-с. 153-162.

44. Советов Б. Я., Яковлев С. А. Построение сетей интегрального обслуживания. Л. : Машиностроение, 1990. —332 с.

45. Соколова А. Н., Геращенко Н. И. Электронная коммерция: мировой и российский опыт. М.: Открытые Системы, 2000. — 224 с.

46. Стефанюк В. Л. Поведение многоагентных систем: парадигма координации // Новости искусственного интеллекта. — 1997. — № 4. — С. 92— 104.

47. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. -М.: Эдиториал УРСС, 2002.

48. Тарасов В.Б. Самообучающиеся предприятия // Проблемы управления и моделирования в сложных системах. Труды У1-Й международной конференции (Самара, 14-17 июня 2004 г.).- Самара: Самарский научный центр РАН, 2004. С. 113-122.

49. Турчин С. Скованные одной цепью // Компьютерное Обозрение, №1-2, 2001.-С. 24-28.

50. Успенский И. Энциклопедия Интернет-бизнеса. — СПБ.: Питер, 2001.

51. Фельдбаум А. А., Вычислительные устройства в автоматических системах. -М.: Физматгиз, 1959.

52. Хакен Г. Информация и самоорганизация. Макроскопический подход к сложным системам. М.: Мир, 1991.

53. Цыпкин Я. 3., Адаптация и обучение в автоматических системах. М.: Наука, 1968.

54. Черников M.B. Самоорганизующиеся системы: методологические подходы и проблема управления // Общество и человек: пути самоопределения. Вып. 1. СПб., 1994.

55. Шапиро Дж. Моделирование цепи поставок. СПб: Питер, 2006.

56. Шереметов Л.Б. Децентрализованное управление адаптивными сетями поставок на основе теории коллективного интеллекта и агентной технологии. Часть 1: Модель сети поставок // Информационно-управляющие системы. 2009. № 4. С. 13—20.

57. Шереметов Л.Б. Модель нечетких коалиционных игр в задачах конфигурирования открытых сетей поставок // Известия РАН. Теория и системы управления. 2009. № 5. С. 94-108. 17

58. Шереметов Л.Б. Семантическое расширение сервисных описаний / Шереметов Л.Б., Санчес К. // Информационные технологии и вычислительные системы. 2009. № 2. С. 51—64.

59. Шереметов Л.Б. Принципы динамического конфигурирования гибких сетей поставок на основе семантической композиции сервисов / A.B. Смирнов, Л.Б. Шереметов // Труды СПИИРАН; под ред. P.M. Юсупова. СПб: Наука, 2009. Вып. 8. С. 154-176.

60. Шереметов Л.Б. Многоагентная технология проектирования сложных систем. Часть 2 / А.В. Смирнов, Л.Б. Шереметов // Автоматизация проектирования. М.: Открытые системы, 1999. № 1. С. 42^46.

61. Шереметов Л.Б. Конфигурирование сложных систем на основе технологии интеллектуальных агентов / А.В. Смирнов, Л.Б. Шереметов // Автоматика и вычислительная техника. Рига: Изд. Латвийского Университета, 1998, июль-август, №4 стр. 18-29.18

62. Шереметов Л.Б. Многоагентная технология проектирования сложных систем. Часть 1 / А.В. Смирнов, Л.Б. Шереметов // Автоматизация проектирования. М.: Открытые системы, 1998. № 3. С. 45—50.

63. Яблочников Е. И. Автоматизация технологической подготовки производства в приборостроении // СПб.: Санкт-Петербургский государственный институт точной механики и оптики, 2002, — 92 с.

64. Яблочников Е. И., Маслов Ю. В. Автоматизация ТПП в приборостроении // СПб.: Санкт-Петербургский государственный институт точной механики и оптики, 2003,- 104 с.

65. Adaptive Supply Chain Networks. White Paper, SAP, 2002.

66. Allen J., F. and Ferguson G. Actions and events in interval temporal logic // Journal of Logic and Computation, 1994. Vol. 4, no. 5. P. 531—579.

67. Andreev M., Rzevski G., Skobelev P., Shveykin P., Tsarev A., Tugashev A. Adaptive planning for supply chain networks // Holonic and Multi-Agent Systems for Manufacturing, HoloMAS, 2007. P. 215-224.

68. Ashby W. R. Principles of self-organizing systems // Principles of self-organization, eds. by H. von Foerster, G. W. Zopf, Jr. New York: Pergamon, 1962. P. 255-278.

69. Aubin, J.P.: Cooperative fuzzy games // Mathematics of Oper. Research, 1981. Vol. 6, no. l.-P. 1-13.

70. Smirnov, A.V. and Sheremetov, L.B. Configuration of complex systems based on the technology of intelligent agents. Automatic Control and Computer Sciences, Allerton Press, N.Y., 32(4): 15-24, 1998.

71. Aumann R.J. The Core of a Cooperative Game without Side Payments // Transactions of the American Mathematical Society, 1961. Vol. 98, no.3. — P. 539-552.

72. Aumann R.J., Maschler, M. The bargaining set for cooperative games // Advances in Game Theory, eds. by M. Dresher, L.S. Shapley, A.W. Tucker. Series: Annals of Mathematics Studies, Princeton University Press, 1964. Vol. 52. P. 443-476.

73. Axelrod R. The Complexity of Cooperation: Agent Based Models of Competition and Collaboration // Princeton University Press, 1997.

74. Balakrishnan A., Geunes J. Requirements planning with substitutions: Exploiting bill-of-materials flexibility in production planning // Manufacturing and Service Operations Management, 2000. Vol. 2, no. 2. P. 166-185.

75. Beamon B. M. Supply chain design and analysis: Models and methods // Int. Journal of Production Economics, 1998. Vol. 55, no. 3. -P. 281-294.

76. Bellman R. On a routing problem // Quarterly of Applied Mathematics, 1958. Vol. 16.-P. 87-90.

77. Bernon C., Chevrier V., Hilaire V., and Marrow P. Applications of self-organising multi-agents systems // Informatica journal, 2006. Vol. 30, no. 1. P. 73-82.

78. Bertsekas D. P. and Tsitsiklis J. N., Neuro-Dynamic Programming, Athena Scientific, Belmont, Massachusetts, 1996.

79. Borshchev A., Karpov Yu., Kharitonov V. Distributed Simulation of Hybrid Systems with AnyLogic and HLA. Доступно на сайте www.gpss.ru.

80. Botti V. and Giret A. ANEMONA: A Mulit-agent Methodology for Holonic Manufacturing Systems. Springer Series in Advanced Manufacturing, 2008.

81. Box G.P., Hunter W. and Hunter J.S. Statistics for Experimenters: An Introduction to Design, Data Analysis and Model Building. Wiley Series in Probability and Mathematical Statistics, 1989.

82. Butrnariu D. and Klement E.P., Nor-Based Measures and Games with Fuzzy Coalitions. Kluwer, Dordrecht, 1993.

83. Caceres C., Fernandez A., Ossowski S. and Vasirani M. Agent-Based Semantic Service Discovery for Healthcare: An Organizational Approach // Intelligent Systems, 2006. Vol. 21, no. 6. P. 11-20.

84. Cachon G. P. and Fisher M. Supply Chain Inventory Management and the Value of Shared Information // Management Science, 2000. Vol. 46, no. 8. P. 10321048.

85. Campbell-Kelly M. The Development and Structure of the International Software Industry, 1950-1990 // Business and Economic History. 1995. - Vol. 24, №2.-P. 73-110.

86. Canfora G., Penta M. D., Esposito R., and Villani M. L. An approach for QoS-aware service composition based on genetic algorithms // Proc. of the Genetic and Evolutionary Computation Conference (GECCO 2005). ACM Press, 2005. -P. 1069-1075.

87. Carabelea C. and Boissier O. and Castelfranchi C. Using Social Power to Enable Agents to Reason about Being Part of a Group // 5th InternationalWorkshop on Engineering Societies in the Agents World, ESAW 2004. P. 166-177.

88. Castelfranchi C., Werner E. Artificial Social Systems // Selected Papers from the 4th European Workshop on Modelling Autonomous Agents in a Multi-Agent World, MAAMAW 1992. LNA1 830, Springer-Verlag, 1994.

89. Chalkiadakis G., Elkind E., Markakis E. and Jennings N. R. Overlapping Coalition Formation // Workshop on Internet and Network Economics, WINE, eds. by C. Papadimitriou and S. Zhang. LNCS 5385, Springer-Verlag, Berlin, Heidelberg, 2008. P. 307-321.

90. Chandra C. and Grabis J. Supply Chain Configuration: Concepts, Solutions, and Applications. Springer US, 2007.

91. Chandra C., Kumar S., and Smirnov A. V. E-Management of Scalable Cooperative Supply Chains: Conceptual Modeling and Information Technologies Framework // Human Systems Management, 2001. Vol. 20, no. 2. -P. 83-94.

92. Chen X., De Giacomo G. Reasoning about Nondeterministic and Concurrent Actions: A Process Algebra Approach // Artificial Intelligence, 1999. Vol. 107, no. l.-P. 63-98.

93. Cho H., Kulvatunyou B., Jeong H., Jones A. Using business process specifications and agents to integrate a scenario-driven supply chain // Int. Journal on Computer Integrated Manufacturing, 2004. Vol. 17, no. 6. P. 546560.

94. Choi Y.T., Dooley K.J., and Rungtusanatham M. Supply networks and complex adaptive systems: control versus emergence // J. of Operations Management, 2001. No. 19. P. 351-366.

95. Chopra S., Meindl P. Supply Chain Management: Strategy, Planning and Operation. Prentice Hall, 2003.

96. Christopher M., The Agile Supply Chain: competing in volatile markets // Industrial Marketing Management, 2000. Vol. 29. P. 37-44.

97. Christopher M. and Towill D. An integrated model for the design of agile supply chains // Int. J. of Physical Distribution and Operations Management, 2001. No. 31.-P. 235-244.

98. Collins J., Arunachalam R., Sadeh N., Eriksson J., Finne N., Janson S. The Supply Chain Management Game for the 2007 Trading Agent Competition, CMU-ISRI-07-100. December 2006.

99. Conté R., and Sichman J.S. DEPNET: How to benefit from social dependence // Journal of Mathematical Sociology, 1995. Vol. 20, no. 2-3. P. 161-177.

100. Contreras J., Klusch M. and Yen J. Multiagent Coalition Formation in Power Transmission Planning: a Bilateral Shapley Value Approach // Proc. 4th Int'l Conf. Artificial Intelligence Planning Systems. AAAI Press, Menlo Park, Calif., 1998.-P. 19-26.

101. Davidsson P. Autonomy Agents and the Concept of Concepts. Ph. D. Dissertation. Lund University, 1996. -221 p.

102. Davis M. and Machler M. The Kernel of a cooperative game // Naval Research Logistics Quarterly, 1965. Vol. 12. P. 223-259.

103. Deen S. M. and Fletcher M. Temperature Equilibrium in Multi-Agent Manufacturing Systems // 11th International Workshop on Database and Expert Systems Applications (DEXA'00), Greenwich, London, UK, 6-8 September 2000. IEEE Computer Society. P. 259-270.

104. Deshpande U., Gupta A., and Basu A. Multi-agent Modeling and Fuzzy Task Assignment for Real-Time Operation in a Supply Chain // Multiagent based

105. Supply Chain Management, eds. by B. Chaib-Draa and J. Miiller. Series: Studies in Computational Intelligence, Physica Verlag, 2006. Vol. 28. P. 179-202.

106. Dezfouli S.A.R., Habibi J., Yeganeh S.H. Promoting B2B Integration with Semantic Web Service Technologies // Proc. Second Asia International Conference on Modeling & Simulation, AICMS, Kuala Lumpur, Malaysia. 1315 May 2008.-P. 65-70.

107. Di Marzo-Serugendo G., Gleizes M.-P. and Karageorgos A., Self-organization in multi-agent systems // The Knowledge Engineering Review, 2005. Cambridge University Press. Vol. 20, no. 2. — P. 165-189.

108. Di Marzo-Serugendo G., Gleizes M.-P., and Karageorgos A. Self-organisation and emergence in multi-agent systems: An overview // Informatica journal, 2006. Vol. 30, no. 1. P. 45-54.

109. Dong Y., Carter C. R., Dresner M. E. JIT purchasing and performance: an exploratory analysis of buyer and supplier perspectives // Journal of Operations Management, 2001. Vol. 4, no. 19. P. 471-483.

110. Dubois D., and Prade H. Fuzzy sets and systems: Theory and applications. Series: Mathematics in science and engineering. Volume 144. Academic Press Inc. 1980.

111. Dubois D., Prade H. and Yager R. Readings in Fuzzy Sets for Intelligent Systems. Morgan-Kantmann, San Mateo, 1998.

112. Emerson D., Piramuthu S. Agent-Based Framework for Dynamic Supply Chain Configuration // Proc. of the 37th Annual Hawaii International Conference on System Sciences (HICSS'04) Track 7, 2004. Vol. 7. - P. 70168a.

113. Enslow B. Delivering Supply Chain as a Service: Avnet, Edge Dynamics, HP and LeanLogistics, 2006. Available at http://www.aberdeen.eom/summary/report/marketalert/MASCASBE2918.a sp

114. Evolver. Palisade Corp. URL: http://www.palisade.com/evolver/, 2008.

115. Fan M., Stallaert J. and Whinston A.B. Decentralized Mechanism Design for Supply Chain Organizations Using an Auction Market // Information Systems Research, 2003. Vol. 14, no. 1. P. 1-22.

116. Feigin G., An C., Connors D. and Crawford I., Shape Up, Ship Out // OR/MS Today, 24-30, April 1996.

117. Fisher M. Towards a semantics for Concurrent METATEM // Executable Modal and Temporal Logics, eds. by M. Fisher and R. Owens. Springer-Verlag: Heidelberg, Germany, 1995.

118. Fisher R. and Ury W. Getting to yes Negotiation Agreement without Giving in. New York, Penguin Books, 1983.

119. Fletcher M. Garcia-Herreros E. Christensen J.H. Deen S.M. Mittmann R. An open architecture for holonic cooperation and autonomy // Proceedings of the 11th International Workshop on Database and Expert Systems Applications, DEXA 2000. P. 224 -230.

120. Fox M.S., Barbuceanu M., and Teigen R. Agent-Oriented Supply-Chain Management// Int. J. of Flexible Manufacturing Systems, 2000. Vol. 12, no.2-3. -P. 165-188.

121. Foundation for Intelligent Physical Agents (FIPA) Documentation, http://www.fipa.org. 2008.

122. Gaither N. and Frazier G. Operations Management. Southwestern Thomson Learning, Cincinnati, Ohio, 2002. 864 p.

123. Garavelli A. Flexibility configurations for the supply chain management // Int. J. of Production Economics, 2003. No. 85. -P. 141-153.

124. Gardelli L., Viroli M., Casadei M. and Omicini A. Designing self-organising environments with agents and artefacts: a simulation-driven approach // Int. J. Agent-Oriented Software Engineering, 2008. Vol. 2, no. 2. P. 171-195.

125. Gasser L. Social Conceptions of Knowledge and Action: DAI Foundations and Open System Semantics // Artificial Intelligence 1991. Vol. 47, no. 1-3. P. 107-138.

126. Gellynck X., Kühne B. Future role of quality assurance schemes in the EU agribusiness sector // ZEMÉS ÜKIO MOKSLAI. 2007. T. 14. Priedas. P. 165-170.

127. Genesereth M., Ginsberg M. and Rosenchein J. Cooperation without Communication // Proc. Annual Conf. Assoc. Artificial Intelligence, Philadelphia, 1986. P. 51-57.

128. Gillies D.B. Some theorems on n-person games. Ph. D. thesis, Princeton University Press. Princeton. New Jersey, 1953.

129. Goh C. M., Lee S. P., He W. and Tan P. S. Web 2.0 Concepts and Technologies for Dynamic B2B Integration // IEEE Conference on Emerging Technologies & Factory Automation, ETFA, Sep. 25-28, 2007. P. 315 - 321.

130. Goldin D., Smolka S., Wegner P. Interactive Computation: The new Paradigm, Springer-Verlag, 2006.

131. Goldratt E. M. The Goal. North River Press Publishing Corporation, Great Barrington, Massachusetts, 1992.

132. Gorodetsky V., Karsaev O., Samoilov V. Infrastructural Issues for Agent-Based Distributed Learning // International Workshop on Integration of Agents and Data Mining (IADM-2006), Hong Kong, Dec. 18-22, 2006, IEEE Computer Press.-P. 3-6.

133. Gunasekaran A., Lai K. and Cheng T. Responsive supply chain: a competitive strategy in a networked economy // Omega, 2008. No. 36. — P. 549-564.

134. Gunasekaran A. and Ngai N. Build-to-order supply chain management: literature review and framework for development // J. of Operations Management, 2005. Vol. 23, no. 5. P. 423-51.

135. Guo Z. A. Cooperative Game Theory Analysis for Modular Manufacturing Network // Proc. of the 2008 Int. Workshop on Modelling, Simulation and Optimization, IEEE, 2008. P. 302-305.

136. Haken H. Information and self-organization: A macroscopic approach to complex systems. Berlin: Springer-Verlag, 2000.

137. Hamadi R., Benatallah B. A Petri Net-based Model for Web Service Composition // Proc. of 14th Australian Database Conference, Adelaide, Australia, 2003. P. 191—200.

138. Hassas S., Di Marzo-Serugendo G., Karageorgos A., Castelfranchi C. Self-Organising Mechanisms from Social and Business/Economics Approaches // Special issue about Agentlink TFG Informática, Informática Journal, 2006. No. 30.-P. 63-71.

139. Holland J.H. Hidden Order: How Adaptation Builds Complexity. New York: Helix Books (Addison Wesley), 1995.

140. Hoogendoorn M. Adaptation of organizational models for multi-agent systems based on max flow networks // Proc. of the 20th International Joint Conferenceon Artificial Intelligence (IJCAI 07), Hyderabad, India, Jan. 6-12, 2007. - P. 1321-1326.

141. Hoover W., Eloranta E., Holmstrom J. and Huttunen K. Managing the Demand-Supply Chain: Value Innovations for Customer Satisfaction. John Wiley & Sons, New York, 2001. 272 p.

142. Horling B., Benyo B., and Lesser V. Using self-diagnosis to adapt organizational structures // Proc. of 5th Intl. Conf. on Autonomous agents, NY, USA, 2001.-P. 529-536.

143. Hosam H. Khaldoun Z. Planning Coalition Formation under Uncertainty: Auction Approach // 2nd Information and Communication Technologies, ICTTA 2006. Vol. 2. P. 3013-3017.

144. Hubner J. F., Sichman J. S., and Boissier O. Using the MOISE+ for a cooperative framework of MAS reorganization // Proc. of the 17th Brazilian Symposium on AI, LNAI Series, Springer, 2004. Vol. 3171. P. 506-515.

145. Jagdev H. S., Browne J. The Extended Enterprise: A Context for Manufacturing. // Journal of Production Planning and Control, 1998. Vol. 9, no. 1. P. 216-229:

146. Jaina V. and Deshmukh S.G. Dynamic supply chain modeling using a new fuzzy hybrid negotiation mechanism // International Journal of Production Economics, November 2009. Vol. 122, no. 1. P. 319-328.

147. Jennings N. R., FaratinP., Lomuscio A. R., Parsons S., Sierra C. and Wooldridge M. Automated negotiation: prospects, methods and challenges // International Journal of Group Decision and Negotiation, 2001. Vol. 10, no. 2. -P. 199-215.

148. Jiang J.-G., Su Z.-P., Qi M.-B.and Zhang G.-F. Multi-task Coalition Parallel Formation Strategy Based on Reinforcement Learning // Acta Automatica Sinica, March 2008. Vol. 34, no. 3. P. 349-352.

149. Jovane F., Westkamper E. and Williams D. The ManuFuture Road: Towards Competitive and Sustainable High-Adding-Value Manufacturing. Springer Berlin Heidelberg, 2009.

150. Julka N., Srinivasan R., and Karimi I. Agent-based supply chain management-1: framework // Computers and Chemical Engineering, 2002. Vol. 26, no. 12. P. 1755-1769.

151. Kalasapur S., Kumar M., Shirazi B.A. Dynamic Service Composition in Pervasive Computing // Parallel and Distributed Systems, IEEE CS Press, Washington, DC, USA, 2007. Vol. 1818. P. 907 - 918.

152. Kahan J.P. and Rapoport A. Theories of Coalition Formation. Lawrence Erlbaum Associates, London, 1984.

153. Kathawala Y. and Wilgen A. The evolution of build-to-order supply chain and its implications with selected case studies // Int. J. of Services and Operations Management, 2005. Vol. 1, no. 3. P. 268 - 282.

154. Kimbrough S.O., Wu D.J., and Zhong F. Computers Play the Beer Game: Can Artificial Agents Manage Supply Chains? // Decision Support Systems, 2002. Vol. 33.-P. 323-333.

155. Klusch M. and Gerber A., A Dynamic Coalition Formation Scheme for Rational Agents // IEEE Intelligent Systems, May/June 2002. P. 42-47.

156. Klusch M. and Shehory O. A Polynomial Kernel-Oriented Coalition Formation Algorithm for Rational Information Agents // Proc. of the Int'l Conf. Multiagent Systems, AAAI Press, Menlo Park, Calif., 1996. P. 157-164.

157. Klusch M., Fries B., Khalid M., and Sycara K. OWLS-MX: Hybrid OWL-S Service Matchmaking // In Proc. of the 1st Intl. AAAI Fall Symposium on Agents and the Semantic Web, ACM Press, New York, 2005. P. 1-10.

158. Kostler A. The Ghost in the Machine. London: Arcana books, 1989.

159. Kota R., Gibbins N. and Jennings N. R. Self-Organising Agent Organisations // Proc. of the 8th Int. Conf. on Autonomous Agents and Multiagent Systems

160. AAMAS), eds. by Decker, Sichman, Sierra and Castelfranchi, Budapest, Hungary, May 10-15, 2009. P. 797-804.

161. Kotinurmi P., Vitvar T., Haller A., Boran R., and Richardson A. Semantic Web Services Enabled B2B Integration // In Proceeding of Data Engineering Issues in Ecommerce and Services Conference, LNCS, 2006. P. 209-223.

162. Kraus S. Negotiation and Cooperation in Multi-agent Environments // J. Artificial Intelligence, 1997. Vol. 94, no. 1-2. P. 79-98.

163. Kraus S., Shehory O., Taase G. Coalition formation with uncertain heterogeneous information // Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS), ACM, New York, 2003. P. 1-8.

164. Kumar S., Miikkulainen R. Dual Reinforcement Q-Routing: An on-line adaptive network routing algorithm // Artificial Neural Networks in Engineering, Nov. 1997.-P. 231-238.

165. Lamparter S. and Ankolekar A. Automated Selection of ConfigurableWeb Services // Proc. of the 8th Int. Tagung Wirtschaftsinformatik. Universitatsverlag Karlsruhe, Karlsruhe, Germany, March, 2007. — P. 441-458.

166. Lang J. C., Widjaja T., Buxmann P., Domschke W. and Hess T. Optimizing the Supplier Selection and Service Portfolio of a SOA Service Integrator // Proc. of the 41st Hawaii International Conference on System Sciences, 2008. P. 89-98.

167. Laudon K. C., Laudon J. P. Essentials of Management Information Systems (5th Edition), Prentice-Hall, Inc. 2002.

168. Leitao P. and Restivo F. AD ACOR: A holonic architecture for agile and adaptive manufacturing control // Computers in Industry, February 2006. Vol. 57, no. 2.-P. 121-130.

169. Lerman K. and Shehory O. Coalition formation for large-scale electronic markets // Proc. of the 4th International Conference on Multi-Agent Systems (ICMAS), July 10-12, 2000, Boston, MA. P. 167-174.

170. Lin F.-R., and Pai Y.-H. Using Multi-Agent Simulation and Learning to Design New Business Processes // IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans, 2000. Vol. 30, no. 3. - P. 380-384.

171. Lin R., Kraus S., Wilkenfeld J. and Barry J. Negotiating with Bounded Rational Agents in Environments with Incomplete Information Using an Automated Agent // Artificial Intelligence, 2008. Vol. 172, no. 6-7. P. 823-851.

172. Lou P., Zhou Z. D., Chen Y. P., Fuh J. Y. H., Zhang Y. F." Negotiation-Based Task Allocation in an Open Supply Chain Environment // Proc. of the Institution of Mechanical Engineers, Part B: Journal of Engineering, 2006. Vol. 220, no. 6. -P. 975-985.

173. Lummus, R., Duclos, L. and Vokurka R. Supply chain flexibility: Building a new model // Global J. of Flexible Systems Management, 2003. Vol. 4, no. 4. -P. 1-13.

174. Macal C. M., North M. J. Tutorial on Agent-Based Modeling and Simulation // Proc. of the 2005 Winter Simulation Conference, Orlando, FL, 2005. P. 2-15.

175. Mano J.P., Bourjot Ch., Lopardo G., Glize P. Bio-inspired mechanisms for artificial self-organised systems // Special issue about Agentlink TFG Informatica, Informatica Journal, 2006. Vol. 30. P. 55-62.

176. Man-Sze Li, M. Kuriimluoglu, M. Mazura, R. van den Berg (Eds.). Future Internet Enterprise Systems (FInES) Cluster Position Paper. V. 3.0, European Comission, September 2009.

177. Mares M. Fuzzy coalition forming // Proc. of the 7th IFSA World Congress, Prague, 1997.-P. 1-18.

178. Mares M. Sharing Vague Profit in Fuzzy Cooperation. Springer-Verlag Co., 1998.

179. Mares M. Fuzzy Cooperative Games — Cooperation with Vague Expectations, Physica Verlag, 2001.

180. Maturana F., Shen W., Nome D. H. MetaMorph: an adaptive agent-based architecture for intelligent manufacturing // Int. Journal of Production Research, July 1999. Vol. 37, no. 10. P. 2159 - 2173.

181. Maximilien E. M. and Singh M. P. Multiagent system for dynamic web services selection // Proc. of the 1st Workshop on Service-Oriented Computing and Agent-Based Engineering, Netherlands, 2005. P. 25-29.

182. Mentzas G.N. Intelligent Process Support for Corporate Decision Making // Journal of Decision Systems, 1997. Vol. 6, no. 2. P. 117-138.

183. Mentzer J. T., DeWitt W., Keebler J.S., Min S., Nix N.W., Smith C.D., Zacharia Z.G. Defining Supply Chain Management // Journal of Business Logistics 2001. Vol. 22, no. 2.-P. 1-25.

184. Michalewickz Z. Genetic Algorithms + data structures= evolution programs. Springer-Verlag. Berlin Heidelberg, 1992.

185. Michalewicz Z. Adaptive Business Intelligence. Springer, 2007. 249 c.

186. Ming X. G., Yan J. Q., Lu W. F., Ma D. Z. and Song B., Mass production of tooling product families via modular feature-based design to manufacturing collaboration in PLM // Journal of Intelligent Manufacturing, 2007. Vol. 18, no. l.-P. 185-195.

187. Minsky M. The Society of Mind. New York: Simon and Schuster, 1986.

188. Mitchell T. M. Machine Learning. McGraw-Hill, 1997.

189. Moyaux T., Chaib-draa B. and D'Amours S. Supply Chain Management and Multiagent Systems: An Overview // Multiagent based Supply Chain

190. Management, eds. by B. Chaib-Draa and J. Müller. Series: Studies in Computational Intelligence, Physica Verlag, 2006. Vol. 28. -P. 1-27.

191. Nah F., Rosemann M. and Watson E. Guest editorial: E-business Process Management // Business Process Management J., 2004. Vol. 10, no. 1. P. 1-15.

192. Narasimhan R., Mahapatra S. Decision models in global supply chain management // Industrial Marketing Management, 2004. Vol. 33, no. 1. P. 2127.

193. NetLogo, URL http://ccl.northwestern.edu/netlogo/, 2009.

194. O'Marah K., Souza J. DDSN: 21st Century Supply on Demand // AMR Research. Thursday, August 12, 2004. Available at http://www.amrresearch.com/content/View.aspx?pmillid=17484.

195. Olhager J, Rudberg M. Linking manufacturing strategy decisions on process choice with manufacturing planning and control systems // International Journal of Production Research, 2002. Vol. 40, no. 10. P. 45-52.

196. Olin J. G., Greis N. P., and Kasarda J. D. Knowledge Management across Multitier Enterprises: The Problem of Intelligent Software in the Auto Industry // European Management Journal, 1999. Vol. 17, no. 4. P. 335-347.

197. OWL-S: Semantic Markup for Web Services, URL: http://www.w3.org/Submission/OWL-S/.

198. Panzarasa P., Jennings N. R. The Organisation of Sociality: A Manifesto for a New Science of Multi-agent Systems // Proc. of the 10th European Workshop on Multi-Agent Systems (MAAMAW-01), Annecy, France. 2001. CD-ROM.

199. Parunak H. V. D., Brueckner S. Entropy and self-organization in multi-agent systems // Proc. of the Fifth International Conference on Autonomous Agents, Montreal: ACM Press, 2001. P. 124-130.

200. Pearson E.S and Hartley H.O. Biometrika Tables for Statisticians. Vol. 2. Cambridge University Press. 1972.

201. Power D. J. Decision Support Systems: Concepts and Resources for Managers. -Greenwood Publishing Group, 2002. — 272 p.

202. Preist C., Cuadrado J. E., Battle S., Williams S., and Grimm S. Automated Business-to-Business Integration of a Logistics Supply Chain Using Semantic Web Services Technology // Proc. of The Semantic Web Conference, LNCS, 2005.-P. 987-1001.

203. Production-scheduling Excel Toolbox, available at: http://www.production-scheduling.com/index.asp

204. Pujawa N. Assessing supply chain flexibility: A conceptual framework and case study // Int. J. of Integrated Supply Management, 2004. Vol. 1, no. 1. P. 79-97.

205. Puterman M.L., Markov Decision Processes. Wiley-Interscience Publication, 1994.

206. Quinlan, R. C5.0. Rulequest Research, 2002.

207. Rada R., Mili H. Development and Application of a Metric on Semantic Nets // IEEE Transactions on Systems, Man and Cybernetics, USA, 1989. Vol. 19, no. l.-P. 17-30.

208. Radjou N. Is It Prime Time For Agents In Business? Panel Talk // Proc. of the Third International Joint Conference on Autonomous Agents and Multi-Agent Systems (AAMAS), July 19-23, 2004. P. 6-7.

209. Rah wan T., Ramchurn S. D., Jennings N. R., Giovannucci A. An Anytime Algorithm for Optimal Coalition Structure Generation // J. Artif. Intell. Research, 2009. Vol. 34. P. 521-567.

210. Rao A. S. and Georgeff M. P. Modeling rational agents within a BDI-architecture // Proc. of Knowledge Representation and Reasoning (KR&R-91), eds. by R. Fikes and E. Sandewall, Morgan Kaufmann Publishers: San Mateo, CA, April 1991. P. 473-484.

211. Reiter R., Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. MIT Press, 2001.

212. Rosenmuller J. The Theory of Games and Markets. North Holland, Amsterdam, 1982.

213. Rosenschein J. and Genesereth M. Deals among Rational Agents // Proc. 9th International Joint Conference on Artificial Intelligence, Los Angeles, August 1985.-P. 91-99.

214. Roth A. Game-theoretic models of bargaining. Cambridge, 1995.

215. Rudberg M. Linking competitive priorities and manufacturing networks: a manufacturing strategy perspective // International Journal of Manufacturing Technology and Management, 2004. Vol. 6, no. 1-2. P. 55-80.

216. Sakarovitch M. Optimisation Combinatoire, Hermann, 1984.

217. Sandholm T. An Implementation of the Contract Net Protocol Based on Marginal Cost Calculations // Proc. Eleventh National Conference on Artificial Intelligence (AAAI-93), Washington DC, 1993. P. 256-262.

218. Sandholm T., Larson K., Andersson M., Shehory O., and Tohmé F. Coalition Structure Generation with Worst Case Guarantees // Artificial Intelligence, 1999. Vol. 111, no. 1-2. P. 209-238.

219. Sandholm T.W. and Lesser V.R. Coalitions among Computationally Bounded Agents // Artificial Intelligence, 1997. Vol. 94. P. 99-137.

220. Schillo M., Biirckert H., Fischer K., and Klusch M. Towards a definition of robustness for market-style open multi-agent systems // Proc. of the Fifth International Conference on Autonomous Agents (AA-01), 2001. — P. 75-76.

221. Schmeidler D. The nucleolus of a characteristic function game // SIAM Journal on Applied Mathematics, 1969. Vol. 17.-P. 1163-1170.

222. Schweitzer F. (ed.) Self-Organization of Complex Structures: From Individual to Collective Dynamics. London: Gordon and Breach, 1997.

223. Serrano D. Constraint-Based Concurrent Design // Systems Automation: Research&Applications, 1991. Vol. 1, no. 3. P. 217-230.

224. Shapiro J. F. Modeling the Supply Chain, 2nd Edition, Thomson Learning Inc., Duxbury, 2007. 618 p.

225. Shapley L.S. A value for n-person games // Contributions to the theory of games II, Annals of Mathematics Studies, Vol. 28, eds. by H. W. Kuhn and A. W. Tucker. Princeton University Press. Princeton, 1953. P. 307-317.

226. Shehory O., Kraus S. Formation of overlapping coalitions for precedence-ordered task-execution among autonomous agents // Proc. of the 2nd Intern. Conference on Multi-Agent Systems (ICMAS), 1996. P. 330-337.

227. Shehory O. and Kraus S. Methods for task allocation via agent coalition formation // Journal of Artificial Intelligence, May 1998. Vol. 101, no. 1-2. P. 165-200.

228. Sheremetov L. Semantic SOA 4 SOA Supply Networks / L. Sheremetov, C. Sanchez-Sanchez // Proc. 13 th IF AC Symposium on Information Control Problems in Manufacturing. Moscow, Jun. 3-5, 2009. P. 1287-1292.

229. Sheremetov L. Supply Chain Network Optimization Based on Collective Intelligence and Agent Technologies / L. Sheremetov, L. Rocha-Mier // Human Systems Management Journal. IOS Press. 2008. Vol. 27, no. 1. P. 31-47.

230. Sheremetov L. Industrial Application Integration Using Agent-Enabled SSOA: CAPNET Case Study / L. Sheremetov, M. Contreras // Information Technologies for Balanced Manufacturing Systems; ed. by W. Shen. IFIP Series, Springer Verlag, 2006. P. 109-118.

231. Sheremetov L. Global Supply Chain Management based on Collective Intelligence / L. Sheremetov, L. Rocha, M. Contreras // Proc. 2nd World Conference on Production and Operation Management, Cancun, Mexico, Apr. 30 May 3, 2004. CD-ROM.

232. Sheremetov L. Logic of Interaction for Multiagent System / M. Alvarado, L. Sheremetov, E. German, E. Alva // MICAI 2002: Advances in Artificial Intelligence, Lecture Notes in Artificial Intelligence, Springer Verlag, 2002. Vol. 2313. P. 387^100.

233. Sheremetov L. Model of Cooperation in Multi Agent Systems with Fuzzy Coalitions / J. Romero Cortés, L. Sheremetov // From Theory to Practice in

234. Multi-Agent Systems; eds. by B. Dunin-Keplicz, E. Nawarecki. Lecture Notes in Artificial Intelligence, Springer Verlag, 2002. Vol. 2296. P. 263-272.

235. Sheremetov L. Multi-Agent Technology for Supply Chain Network Information Support / C. Chandra, A. Smirnov, L. Sheremetov // SAE Technical Paper Series, 2002. 2002-01-0326.

236. Sheremetov L. Model of Negotiation in Multi Agent Systems Based on the Games Theory with Fuzzy Coalitions / J. Romero Cortés, L. Sheremetov // Proc. Int. Conf. on Logic, Game Theory and Social Choice. St. Petersburg, Russia, Jun. 21-24, 200l.P. 61-66.

237. Sheremetov L. Component Agent Platform / L. Sheremetov, M. Contreras // Proc. 2nd Int. Workshop of Central and Eastern Europe on Multi-Agent Systems (CEEMAS'01), Cracow, Poland, Sep. 26-29, 2001. P. 395^102.

238. Sheremetov L. B. Component Integration Framework for Manufacturing Systems Re-Engineering: Agent and Object Approach / L. B. Sheremetov, A. V. Smirnov//Robotics and Autonomous Systems. Elsevier, 1999. Vol.27, no. 1-2. P. 77-89.

239. Sheremetov L. Ontology-Driven Intelligent Service for Configuration Support in Networked Organizations / A. Smirnov, N. Chilov, T. Levashova, L. Sheremetov, M. Contreras // Knowledge and Information Systems. 2007. Vol. 12, no. 2. P. 229-253.

240. Sheremetov L. Industrial Application Integration Using the Unification Approach to Agent-Enabled Semantic SOA / M. Contreras, L. Sheremetov // Robotics and Computer-Integrated Manufacturing. 2008. Vol. 24, no. 5. P. 680695.

241. Sheremetov L. CAPNET: Agent Platform for Developing Intelligent Systems / M. Contreras, E. Germán, M. Chi, L. Sheremetov // 5th International Symposium on Robotics and Automation, San Miguel Regla Hidalgo, Mexico, Aug. 25-28, 2006. P. 33-40.

242. Sheremetov L. Design and Implementation of a FIPA Compliant Agent Platform in .NET / M. Contreras, E. Germán, M. Chi, L. Sheremetov // Journal of Object Technology. ETH Zurich, 2004. Vol. 3, no. 9. P. 5-28.

243. Sheremetov L. Design and implementation of a FIPA compliant Agent Platform in .NET / M. Contreras, E. Germán, M. Chi, L. Sheremetov // Proc. 2nd Int. Workshop on .NET Technologies, Plzen, Czech Republic, May 31 Jun. 2, 2004, Science Press. P. 9-15.

244. Sheremetov L. Ontology-Driven Approach to Constraint-Based VSN Configuration / A. Smirnov, N. Chilov, L. Sheremetov // Proc. 2nd World Conference on Production and Operation Management, Cancun, Mexico, Apr. 30 May 3, 2004. CD-ROM.

245. Sheremetov L.B. Soft-computing Technologies for Configuration of Cooperative Supply Chain / A.V. Smirnov, L.B. Sheremetov, N. Chilov, J. Romero Cortes // Applied Soft Computing. Elsevier Science, 2004. Vol. 4, no. 1. P.87-107.

246. Sheremetov L.B. Coordination and Communication Issues in Multi-Agent Expert System: Concurrent Configuration Design Advisor / A.S. Koulinitch, L.B. Sheremetov // Expert Systems with Applications. Pergamon Press, 1998. Vol. 15, no. 3^1. P. 295-307.

247. Sheremetov L.B. Cooperative re-engineering of manufacturing systems: multiagent technology / A.V. Smirnov, L.B. Sheremetov, P.A. Turbin // Proc. Int. Conf. Robotics and Manufacturing'97, Cancun, Mexico, May 28-31, ACTA Press, 1997. P. 374-377.

248. Sheremetov L.B. Information Support of FMS Configuration Design / A.V. Smirnov, L.B. Sheremetov, P.A. Turbin // Balanced Automation Systems II:1.plementation Challenges for Anthropocentric Manufacturing. Chapman & Hall, 1996. P. 357-364.

249. Shim S. S. Y., Pendyala V. S., Sundaram M., and Gao J. Z. Business-to-Business E-Commerce Frameworks // IEEE Computer, 2000. Vol. 33, no. 10. -P. 40^47.

250. Shoham Y., Leyton-Brown K. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press, 2008.

251. Sichman J., Conte R., Castelfranchi C. and Demazeau Y. A social reasoning mechanism based on dependence networks // Proc. 11th European Conference on Artificial Intelligence (ECAI), Amsterdam, Netherlands, 1994- P. 188-192.

252. Sichman J. and Demazeau Y. A first attempt to use dependence situations as a decision criterion for choosing partners in multi-agent systems // Proc. of ECAI Workshop on Decision Theory for DAI Applications, 1994. Vol. 1, CD ROM.

253. Smirnov A., Shilov N. and Kashevnik A. Developing a knowledge management platform for automotive build-to-order production network // Human Systems Management, 2008. Vol. 27, no. 31. P. 15-30.

254. Smirnov A., Levashova T., Shilov N. Semantic-oriented support of interoperability between production information systems // Int. J. of Product Development, Inderscience Enterprises Ltd., 2007. Vol. 4, no. 3/4. P. 225-240.

255. Smirnov A. and Chandra C. Ontology-based Knowledge Management for Cooperative Supply Chain Configuration // Proc. of the AAAI Spring Symposium Bringing Knowledge to Business processes, AAAI Press, 2000. — P. 85-92.

256. Smirnov A. Virtual Enterprise Configuration Management // Proceedings of the 14th IF AC World Congress (IFAC'99). Pergamon Press Beijing, China, 1999. -P. 337-342.

257. Smith R.G., and Davis R. Frameworks for Co-operation in Distributed Problem Solving // IEEE Trans, on System. Man and Cybernetics, 1981. Vol. 11, no. 1. -P. 61-70.

258. Sokolov B.V., Yusupov R.M. Conceptual Foundations of Quality Estimation and Analysis for Models and Multiple-Model Systems // Int. Journal of Computer and System Sciences, 2004. Vol. 6. P. 5-16.

259. Srinivasan N., Paolucci M., Sycara K. An Efficient Algorithm for OWL-S based Semantic Search in UDDI // Semantic Web Services and Web Process Composition. LNCS, Springer/Heidelberg, 2005. Vol. 3387. P. 96-110.

260. Strader T.J., Lin F.-R., and Shaw M.J. Business-to-business electronic commerce and convergent assembly supply chain management // Journal of Information Technology, 1999. Vol. 14, no. 4. P. 361-373.

261. Suijs J., Borm P., Wagenaere A. D. and Tijs S. Cooperative games with stochastic payoffs // European Journal of Operational Research, 1999. Vol. 113. -P. 193-205.

262. Sutton R. and Barto A. Reinforcement Learning: An Introduction. The MIT Press, 1998. 342 p.

263. Swaminathan J.M., Smith S.F., and Sadeh N.M. Modeling Supply Chain Dynamics: A Multiagent Approach // Decision Sciences, 1998. Vol. 29, no. 3. -P. 607-631.

264. Swiecki В., Gerth R. J. Collaboration in the Automotive Supply Chain -Realizing the Full Potential of a Powerful Tool. Center for Automotive research, Oct. 2008. http://www.cargroup.org/documents/020609autosupchain.pdf

265. Swoogle: the semantic web search engine and metadata service provider, URL: http://swoogle.umbc.edu

266. Sycara K., Paolucci M., Ankolekar A. and Srinivasan N. Automated Discovery, Interaction and Composition of Semantic Web Services // J. of Web Semantics, 2003. Vol. 1, no. l,pp. 27-46.

267. Tanaka H. and Haekwan L. Fuzzy aproximation with non- symetric fuzzy parameters in fuzzy regression analysis // J. Operations Research Society of Japan, 1999. Vol. 42, no. 1. P. 98-112.

268. Thoben K.-D., Jagdev H. Typological Issues in Industrial Collaboration. // Proceedings of the 5th International Conference on Cincurrent Enterprising (ICE 99), 1999.-P. 29-36.

269. Tianfield, H. A new framework of holonic self-organization for multi-agent systems // Proc. of the IEEE International Conference on Systems, Man and Cybernetics, Oct. 7-10, 2007. P. 753 - 758.

270. Tijs S.H. Bounds for the core and the t-value // Game Theory and Mathematical Economics. North-Holland Publishing Company, Amsterdam, The Netherlands, 1981.-P. 123-132.

271. Traum D. Speech Acts for Dialogue Agents // Foundations of Rational Agency, eds. by M. Wooldgridge and A.Rao. Kluwer Academic Publishers, 1999. P. 172-201.

272. Truong Т.Н., AzadivarF. Simulation Based Optimization for Supply Chain Configuration Design // Proceedings of the 2003 Winter Simulation Conference,eds. by S. Chick, PJ. Sánchez, D. Ferrin, and D.J. Morrice, Dec. 7—10, 2003, Vol. 2.-P. 1268—1275.

273. Tsvetovat M., Sycara K., Chen Y., Ying J. Customer Coalitions in Electronic Marketplaces // Agent-Mediated Electronic Commerce III, eds. F. Dignum, U. Cortes. Lecture Notes in Computer Science, Springer, Heidelberg, 2001. Vol. 2003.-P. 121-138.

274. Van Brussel H., Valckenaers P., Bongaerts L., Peeters P. Reference Architecture for Holonic Manufacturing Systems: PROSA // Computers in Industry, 1998. Vol. 37, no. 3.-P. 255-274.

275. Van Deemen A. M. A. Coalition Formation and Social Choice. Series C -Theory and Decision Library: Game Theory, Mathematical Programming, and Operations Research. Vol. 19. Boston: Kluwer Academic Publ. 1997.

276. Vauvert G. and El Fallah-Segrouhni A. Coalition Formation among Strong Autonomous and Weak Rational Agents // Proc. 10th European Workshop Modelling Autonomous Agents in a Multi-agent World (MAAMAW), 2001. CD-ROM.

277. Vittikh V.A., Skobelev P.O. Multi-agent systems for modeling of self-organization and cooperation processes. // Proceedings of the XIII International Conference on the Application of Artificial Intelligence in Engineering. Galway. 1998. CD-ROM.

278. Von Bertalanffy L. General Systems Theory, George Braziller, 1968.

279. Von Foerster H., and Zopf G. (eds.) Principles of Self-Organization, Pergamon, New York. 1962.

280. Von Neumann J. and Morgenstern O. Theory of Games and Economic Behavior, Princeton University Press, 1944.

281. Walker W. T. and Alber K. L. Understanding Supply Chain Management // APICS The Performance Advantage, Jan. 1999. P. 38-42.

282. Walsh W.E. Market Protocols for Decentralized Supply Chain Formation. PhD Thesis, Computer Science and Engineering, The University of Michigan, 2001.

283. Wang J. The theory of games. Oxford Science Publications. 1988.

284. Wang W., Ryu J., Rivera D.E., Kempf K.G. and Smith K.D. A Model Predictive Control Approach for Managing Semiconductor Manufacturing Supply Chains under Uncertainty // Annual AIChE Meeting, San Francisco, CA, 2003. P. 134.

285. Watkins C. Learning from Delayed Rewards. PhD Dissertation, Cambridge University, 1989.

286. Wegner P. and Goldin D. Mathematical. Models of Interactive Computing. Technical Report: CS-99-13, 1999. Brown University, Providence, USA. URL: http://www.cs.brown.edu/people/pw/home.html.

287. Wiederhold G. Mediators in the Architecture of Future Information Systems // IEEE Computer, 1992. Vol. 5, no 3. P. 38 - 49.

288. Wolpert D. and Kagan T. An introduction to collective intelligence. Technical Report NASA-ARCIC-99-63, NASA Ames Research Center, 1999. 88 p.

289. Wooldridge M. This is My World: The Logic of an Agent-Oriented DAI Testbed // Intelligent Agents: Proc. of the 1994 Workshop on Agent Theories, Architectures, and Languages, eds. by M. Wooldridge and N. R. Jennings, Springer-Verlag, 1995.-P. 316-329.

290. Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice // Knowledge Engineering Review. 1995. Vol. 10, no. 2. P. 115—152.

291. XMethods, URL: http://www.xmethods.net

292. Yamamoto J. and Sycara K. A stable and efficient buyer coalition formation scheme for e-marketplaces // Proc. of the 5th International Conference on Autonomous Agents, Montreal, Canada, ACM Press, 2001. P. 576 - 583.

293. Zadeh L.A. The Concept of a Linguistic Variable and its Application to Approximate Reasoning. Parts 1, 2 // J. Information Science, 1975. Vol. 8, no. 3. -P. 199-249.

294. Zlotkin G. and Rosenschein J.S. Coalition, Cryptography and Stability: Mechanism for Coalition Formation in Task Oriented Domains // Proc. of the National Conference on AI, Seattle, WA, 1994. P. 432-437.