автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Моделирование и интеллектуальное управление агротехнологическим процессом в био-производственной системе

Введение.

Глава. 1. Современное состояние проблемы планирования агротехнологического процесса и постановка задач исследования.

1.1. Особенности управления агротехнологическим процессом в био-производственной системе.

1.2. Структурирование управления агротехнологическим процессом.

1.3. Анализ методов, моделей и инструментальных средств планирования агротехнологического процесса.

1.4. Постановка задач исследования.

Выводы.

Глава 2. Системный анализ задач планирования агротехнологического процесса.

2.1. Многоуровневая модель интеллектуального управления агротехнологическим процессом в био-производственной системе.

2.2. Концептуальная модель неоднородной задачи планирования агротехнологического процесса.

2.3. Редукция и декомпозиция неоднородной задачи планирования агротехнологического процесса.

Выводы.

Глава 3. Синтез метода решения неоднородной задачи планирования агротехнологического процесса.

3.1. Модель взаимодействия неоднородной задачи планирования агротехнологического процесса и методов моделирования.

3.2. Модельный базис решения неоднородной задачи планирования агротехнологического процесса.

3.3. Интегрированные модели агротехнологического процесса.

Выводы.

Глава 4. Методика неоднородного моделирования агротехнологического процесса.

4.1. Методики моделирования агротехнологического процесса в модельном базисе.

4.2. Структура и содержание неоднородного моделирования агротехнологического процесса.

4.3. Исследование свойств и преимуществ неоднородного моделирования агротехнологического процесса.

Выводы.

Глава 5. Разработка инструментальных средств и экспериментальные исследования неоднородного моделирования и интеллектуального управления агротехно логическим процессом.

5.1. Пакет программ «Система неоднородного моделирования и интеллектуального управления агротехнологическим процессом».

5.2. Цели и задачи опытной эксплуатации.

5.3. Результаты опытной эксплуатации.

Выводы.

Переход агросектора на рыночные отношения осуществляется в условиях острой конкуренции с зарубежными производителями, а также низкими доходами в сравнении с возможными. По оценкам экспертов урожаи озимой пшеницы, ржи и ярового ячменя в Калининградской области в 2-2,5 раза ниже, чем в аналогичных по климату Западной Европе и Балтии. Получение максимальной прибыли от растениеводства в этих регионах достигается внедрением новой техники и технологий, высокоурожайных сортов, синтетических регуляторов роста, средств защиты растений и т.д., а также совершенствованием планирования агротехнологического процесса на основе компьютерного моделирования агроэкосистем.

Для обработки информации и управления производством продукции в растениеводстве Российскими учеными разработаны экономико-математические модели продуктивности посевов, формирования урожаев и т.д. Значительный вклад в моделирование агроэкосистем внесли известные ученые-агробиологи Н.Ф. Бондаренко, А.Н. Полевой, В.И. Панасин и др., а также кибернетики H.H. Моисеев, A.M. Петровский, Г.С. Поспелов и др.

Существующие методы, модели и инструментарии математического моделирования планирования агротехнологического процесса в сельском хозяйстве ориентированы, в основном, на учет зональных, а также региональных закономерностей роста, развития культур, формирования урожаев и успешно используются в научных исследованиях, хотя-и имеют огромный потенциал для практики.

В практике же планирования агротехнологического процесса для получения максимальной прибыли в растениеводстве, по-прежнему огромную роль играют знания специалистов о специфике уникальной системы "растение-воздух-почва" и, что особенно важно, конкретного поля, а также участка поля агрофирмы.

Коррекция фундаментальных, региональных математических моделей агроэкосистем эвристическими знаниями земледельцев - одна из проблем организации интеллектуального управления производством продукции в растениеводстве. Важность исследования этой проблемы обусловлена необходимостью разработки методов и программно-технических средств: системного анализа задачи планирования агротехнологического процесса, создания модельного базиса и интегрированных моделей ее решений, а также инженерных методик и инструментариев моделирования для интеллектуального управления био-производства.

Таким образом, цель - системный анализ задачи планирования агротехнологического процесса, создание автономных и интегрированных моделей, а также инженерных методик и инструментальных средств ее решения и экспериментальная проверка предложенного аппарата на примере конкретной био-производственной системы (БПС).

Для достижения цели диссертационного исследования были поставлены и решены следующие основные задачи:

1. Исследованы особенности планирования агротехнологического процесса в БПС.

2. Разработана многоуровневая модель интеллектуального управления агротехнологическим процессом в БПС.

3. Проведен системный анализ задачи планирования агротехнологического процесса.

4. Разработан модельный базис и интегрированные модели решения задачи планирования агротехнологического процесса.

5. Создана методика моделирования агротехнологического процесса.

6. Разработан пакет программ моделирования и интеллектуального управления агротехнологическим процессом и оценена в ходе опытной эксплуатации эффективность его использования для решения реальных задач управления агротехнологическим процессом в конкретной БПС.

Диссертация состоит из введения, пяти глав, заключения, списка литературы и приложений.

ВЫВОДЫ

Для проведения экспериментальной проверки разработанных средств неоднородного моделирования и интеллектуального управления агротехно-логическим процессом в условиях Калининградской области, Агропромышленным комитетом администрации Калининградской области был выбран Багратионовский район, один из крупнейших производителей продукции растениеводства, в рамках которого выбрано с/х предприятие им. Ладушки-на, крупнейший производитель зерновых и картофеля в Калининградской области.

Как видно из рисунков 5.4, 5.5 коррекция топологической и аналитической структур фундаментальных, региональных математических моделей аг-роэкосистем эвристическими знания земледельцев, в рамках ИМ агротехпро-цесса, позволяет более адекватно моделировать процессы и явления агроэко-систем, в отличии от классических аналитических моделей модельного базиса, что положительно сказывается на синхронности колебаний, и меньшей погрешности при прогнозировании урожайности с/х культур.

Опытная эксплуатация и экспериментальная проверка разработанных средств неоднородного моделирования и интеллектуального управления аг-ротехнологическим процессом в конкретной био-производственной системе показали, что их применение позволяет получать дополнительную прибыль 12-15%, а в отдельных случаях и до 25-30 % на один гектар.

В ходе опытной эксплуатации ПП СНМИ УАП в условиях Калининградской области были реализованы все основные положения и инструментарии неоднородного моделирования и интеллектуального управления агро-технологическим процессом, успешная апробация которых может служить подтверждением целесообразности использования представленных средств, для совершенствования управления агротехнологическим процессом и повышения эффективности хозяйственной деятельности с/х предприятий.

111

ЗАКЛЮЧЕНИЕ

В настоящей работе разработаны методические и программно-технические средства системного анализа задачи планирования агротехноло-гического процесса, создан модельный базис и интегрированные модели ее решения, а также инженерные методики и инструментарии моделирования для интеллектуального управления био-производства, проведены эксперименты на примере конкретной агрофирмы.

Обобщая результаты проведенных исследований, можно сделать следующие выводы:

1. Исследованы особенности и проведено структурирование управления агротехнологическим процессом в био-производственной системе. Анализ показал, что планирование и прогнозирование - важнейшие взаимосвязанные фазы управления. Ошибки в рамках данных фаз могут привести к банкротству отрасли в рамках данного хозяйства, а планирование агротех-нологического процесса сложная задача, включающая множество подзадач, наследующих свойства рассмотренных выше фаз управления.

Исследованы проблемы, возникающие при планировании агротехноло-гического процесса, а также проведен анализ методов их решения экспертами, а также известными в России и за рубежом инструментариями.

Приведенный анализ методов, моделей и алгоритмов решения задачи планирования агротехпроцесса показал, что на сегодняшний день нет методов, методик и инструментарных средств комплексного, взаимоувязанного, итерационного решения подзадач, входящих в состав задачи планирования агротехпроцесса. Несистемная же постановка, автоматизация и применение на практике результатов решения отдельных подзадач приводит к следующим последствиям: серьезным ошибкам в планировании агротехпроцесса и неплатежеспособности, банкротстве отрасли растениеводства в рамках данного с\х предприяти; сложностям в адаптации и эксплуатации множества не взаимоувязанных моделей, особенно к условиям конкретных полей и участков полей; незначительному повышению эффективности с\х производства при больших затратах на разработку, внедрение и эксплуатацию средств и инструментариев моделирования планирования агротехпроцесса.

Как показали наблюдения в конкретных био-производственных системах задача планирования агротехпроцесса решается в ходе коллективной деятельности в системе интеллектуального управления, когда лицо принимающее решение, например, главный агроном, принимает решения, опираясь на все имеющиеся у него и доступные его интеллекту формализованные и не формализованные разнородные знания (в том числе знания других специалистов - экспертов), что приводит к необходимости использовать средства вычислительной техники и современные информационные технологии. Разнородность знаний выражается в необходимости представления и манипулирования различными по природе знаниями: аналитическими формулами, статистикой, эвристиками, что, в свою очередь, требует от разработчика при автоматизации решения задачи планирования агротехпроцесса выхода за рамки отдельных методов моделирования.

Существующие методы, модели и инструментарии математического моделирования планирования (основосоставляющие знания в системе интеллектуального управления агротехпроцессом) ориентированы, в основном, на учет зональных, а также региональных закономерностей роста, развития культур, формирования урожаев и успешно используются в научных исследованиях, хотя и имеют огромный потенциал для практики. В практике же планирования для получения максимальной прибыли в растениеводстве, по-прежнему огромную роль играют неформализованные знания специалистов о специфики конкретной системы "растение-воздух-почва" и, что особенно важно, конкретного поля, а также участка поля агрофирмы, а также комплексного, взаимоувязанного решения подзадач, входящих в состав задачи планирования. В следствии этого, на практике задачу планирования агротехпроцесса пока успешно удается решать только опытным ЛПР с большим стажем работы. Именно они и получают конкурентоспособные показатели агропроизводства в сельском хозяйстве Калининградской области. Совместное применение фундаментальных, региональных математических моделей агроэкосистем и эвристических знаний земледельцев, открывает перспективу практической полезности математического моделирования для планирования агротехпроцесса и снижения ошибки прогнозирования урожаев и технико-экономических показателей производства.

Проведенные исследования позволили отнести задачу планирования аг-ротехнологическим процессом к сложной и трудоемкой для понимания и решения неоднородной задаче и потребовали более детального изучения ее свойств, состава и структуры на основе последних достижений в области системного анализа и синтеза методов решений неоднородных задач.

2. Разработаны, многоуровневая модель интеллектуального управления агротехнологическим процессом в био-производственной системе и концептуальная модель неоднородной задачи планирования агротехнологического процесса.

Многоуровневая модель интеллектуального управления агротехнологическим процессом требует перехода от традиционного для исследования операций, принятия решений и кибернетики понимания задачи обработки информации и управления, как неделимой, однородной сущности и перехода к модели задачи как объекта имеющего структуру и составные части - подзадачи, для решения которых необходимы различные, зачастую разнородные знания. Такая модель решения сложных, практических задач названа неоднородной задачей.

Предложенная концептуальная модель неоднородной задачи планирования агротехнологического вводит ее классификационную принадлежность фазам управления, учитывает системы измерений и самой информации необходимой для решения задач, а также обмен информацией между однородными задачами в составе неоднородной задачи. Кроме того данная модель позволяет использовать ЭВМ и системы с базами данных и знаний оказывая разработчикам необходимую помощь в процессе системного анализа задачи планирования агротехпроцесса.

В соответствии с методом редукции неоднородной задачи по фазам управления, который предполагает установление отношений "целое-часть" между подзадачами в соответствии с концептуальной моделью неоднородной задачи планирования агротехпроцесса построено и исследовано шесть вариантов ее декомпозиций, соответствующих различным лимитирующим факторам, в частности, почвенно-климатическим условиям возделывания с\х культур.

Основная особенность разработанных вариантов декомпозиций возможность совместного применения (коррекции) фундаментальных, региональных математических моделей агроэкосистем и эвристических знаний земледельцев. Такая коррекция позволяет адаптировать математические модели агроэкосистем к специфике конкретной системы "растение-воздух-почва" и, что особенно важно конкретного поля, а хакже участка поля агрофирмы. Коррекция предполагает, что для решения исходной задачи планирования необходим синтез метода комплексного, взаимоувязанного решения подзадач вариантов декомпозиций задачи планирования агротехпроцесса на множестве методов моделирования.

3. Отдельные однородные задачи вариантов декомпозиций неоднородной задачи планирования агротехпроцесса базируются на соответствующих им областях знаний предметной области: физиологии с/х культур, агротехнике и т.д. Такие знания имеют релевантные им методы формализации (методы моделирования): математическое моделирование, экспертные системы, искусственные нейронные сети и т.д. В процессе формализации создаются автономные модели, соответствующие подзадачам, входящим в состав задачи планирования агротехпроцесса.

После редукции неоднородной задачи планирования агротехпроцесса разнородные знания формализованные автономными моделями синтезируются в единую структуру, называемую в настоящей работе интегрированной моделью агротехпроцесса. Такая модель предназначена для комплексного, взаимоувязанного решения подзадач вариантов декомпозиций задачи планирования агротехпроцесса.

Синтез структуры ИМ агротехпроцесса осуществляется над модельным базисом, включающим в свой состав 27-ть автономных моделей. Модельный базис охватывает возделывание четырех культур - озимой пшеницы и ржи, ярового ячменя, а также картофеля, и включает три группы моделей: аналитические математические модели, модели основанные на продукционных базах знаний и статические обучаемые модели, а также модель формирования агротехнологий.

В основу ИМ агротехпроцесса положена парадигма коррекции топологической и аналитической структур фундаментальных, региональных математических моделей агроэкосистем эвристическими знания земледельцев В результате коррекции происходит объединение математического описания механизмов физиологических процессов, энерго- и массообмена в среде обитания растений и агроэкологических связей аналитических моделей с эвристическими знаниями земледельцев.

4. Разработаны методики моделирования агротехнологического процесса в модельном базисе. Рассмотрены содержание и структура неоднородного моделирования агротехнологического процесса. Исследованы свойства и преимущества неоднородного моделирования агротехнологического процесса.

Методика неоднородного моделирования предлагает комплексное, взаимоувязанное, итерационное решение подзадач, входящих в состав задачи планирования агротехпроцесса, позволяя преодолеть не системную постановку и автоматизацию в решении отдельных подзадач, отдельными не взаимосвязанными автономными моделями и существующие при таком подходе проблемы моделирования агротехпроцесса.

Данная методика основана на парадигме коррекции фундаментальных региональных аналитических зависимостей агроэкосистем эвристическими знания и, по существу, базируется на итерационном выполнении под контролем разработчика и пользователя двух основных процедур - системного анализа неоднородной задачи планирования агротехнологического процесса и синтеза интегрированных моделей ее решения.

5. Разработаны инженерные методики и пакет программ «Система неоднородного моделирования и интеллектуального управления агротехнологи-ческим процессом - СНМИ УАП».

Как показали исследования коррекция топологической и аналитической структур фундаментальных, региональных математических моделей аг-роэкосистем эвристическими знания земледельцев, в рамках ИМ агротехпро-цесса, позволяет более адекватно моделировать процессы и явления агроэко-систем, в отличии от классических аналитических моделей модельного базиса, что положительно сказывается на синхронности колебаний, и меньшей погрешности при прогнозировании урожайности с/х культур.

С осени 1999 г система СНМИ УАП внедрена в с/х предприятиях Багратионовского района Калининградской области на площади свыше 2 ООО гектар и позволила: снизить ошибки в прогнозах (по годичному циклу с/х производства) значений урожайности с/х культур; сократить простои рабочих по организационным причинам и техники и оборудования; сократить расход материальных ресурсов (горюче-смазочных материалов, удобрений, семян и т.д.); получить дополнительную прибыль; снизить затраты труда на подготовку необходимой технологической документации.

1. Абашина Е.В., Просвиркина А.Г., Сиротенко О.Д. Упрощенная динамическая модель формирования урожая ярового ячменя//Труды ИЭИ.- 1977.-№8. С.54-68.

2. Автоматика, вычислительная техника и моделирование в сельском хозяйстве/Сост. А.Т. Кремской. М.:МГАУ, 1993 г. - 103 с.

3. Александров Е.А. Основы теории эвристических решений. М.: Советское радио, 1975.- 256 с.

4. Антоненко B.C. Модель формирования водного дефицита листьев озимой пшеницы и способ его расчета//Труды УкрНИИ Госкомгидромета. -1978.-№12.-С.72-79.

5. Антоненко B.C., Гойса Н.И. Ростовые функции вегетативного и репродуктивного периодов развития озимой пшеницы//Труды УкрНИИ Госкомгидромета. 1986. - №208. - С.49-66.

6. Бернштейн JI.C., Целых А.Н., Тимошенко Р.П. Формировнаие управляющих решений в гибридной экспертной системе на основе нечетких множеств: Сб. тр. 6-ая национальная конференцая с международным участием КИИ'98. -Пущино.: Изд. АИИ, 1998.С.368-372.

7. Бихеле З.Н., Молдау Х.А., Росс Ю.К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги.- JL: Гидрометеоиздат, 1980.-223 с.

8. Бондаренко Н.Ф. и др. Моделирование продуктивности агроэкоси-стем. JI.:Гидрометеоиздат, 1982. - 264 с.

9. Борисов А.Н., Вилюмс Э.В., Сукур Л.Я. Диалоговые системы принятия решений на базе мини-ЭВМ. Рига: Зинатне, 1986.-195 с.

10. Гаврилова,Т.А., Червинская, K.P. Извлечение и структурирование знаний для экспертных систем. М.:Радио и связь, 1992 - 140 с.

11. Галямин Е.П. Оптимизация оперативного распределения водных ресурсов в орошении.-JI.: Гидрометеоиздат, 1981.-272 с.

12. Гильманов Т.Г. Математическое моделирование биогеохимических циклов в травяных экосистемах.-М.: Изд-во МГУ, 1978.-167 с.

13. Гойса Н.И., Митрофанов Б.А., Оканенко A.C., Кутенко Г.И., Макаренко К.И. Исследование фотосинтеза озимой пшеницы в условиях различной влагообеспеченности//Физиология и биохимия культурных растений. -М.,1971. Т.З.-С.392-397.

14. Егоров А.И. Математические задачи управления системами. М.: Наука, 1999.-210 с.

15. Ерофеев A.A., Поляков А.О. Интеллектуальные системы управления. СПб: Изд. СПбГТУ, 1999. 512 с.

16. Ефимов Е.И. Решатели интеллектуальных задач. М.: Наука, 1982.-320 с.

17. Захаров В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления//Техническая кибернетика. Изв. АН СССР. -1994. №5. С. 168-210.

18. Искусственный интеллект, в 3-х книгах, книга 2 "Модели и методы". М.: Радио и связь, 1990.-304 с.

19. Каюмов. М.К. Справочник по программированию урожаев. М.: Мир, 1984.-250 с.

20. Клачек П.М. Синтез интеллектуального управления биопроизводственной системой:Сб. тр. Международная научная конференция посвященная 70-летию основания Калининградского государственного технического университета. Калининград: Изд. КГТУ, 2000.С.235-237.

21. Клачек П.М. Общая схема и средства моделирования биопроизводственной системы:Сб. тр. Международная научная конференция посвященная 70-летию основания Калининградского государственного технического университета. Калининград: Изд. КГТУ, 2000.С.23 7-240.

22. Ковтун JI.C. Оптимизация условий возделывания озимой пшеницы по интенсивной технологии. М.: Наука. 1989 г. - 231 с.

23. Колесников A.B. Гибридные интеллектуальные системы для поддержки принятия решений:Сб. тр. Междун. конф. "Интеллектуальное управление: новые интеллектуальные технологии в задачах управления (ICIT'99). -M.: Наука, 1999.-С. 109-113.

24. Колесников A.B. Моделирование систем. Схема и структура моделирования систем. Калининград: Изд. КТИ, 1989. - 61 с.

25. Колесников A.B. Моделирование систем. Логико-лингвистические модели. Калининград: Изд. КТИ, 1988.- 68 с.

26. Колесников A.B. Полиязыковые модели и моделирование//Сб. "Методы и системы принятия решений. Экспертные системы в автоматизированном проектировании". Рига.: Изд. РПИ, 1990.С.45-49.

27. Колесников A.B., Клачек П.М. Интеллектуальная-система поддержки принятия решений по возделыванию сельскохозяйственных культур:Сб. докл. Международная конференция по мягким вычислениям и измерениям (SCM 98). СПб: Изд. СПбГТУ, 1998.С.227-230.

28. Колесников A.B., Клачек П.М. Разработка системы принятия решений по озимой пшенице//Отчет по работе за 1996-1997 г над научно-исследовательским проектом N 96-11-01 Международной Академии информатизации.- Калиниград.: Изд. МАИ, 1997. 490 с.

29. Колесников A.B., Петухов O.A. Моделирование систем. Л.: Изд. СЗПИ, 1981.-70 с.

30. Кулик М.С., Полевой А.Н., Вольвач И.Е. Моделирование процесса формирования урожая озимой пшеницы//Метеорология и гидрология. 1979. - №9. - С.98-106.

31. Кумаков В.А. Физиологическое обоснование моделей сортов пшени-цы.-М.: Агропромиздат, 1985.-270 с.

32. Куперман И.А., Хитрово Е.В. Дыхательный газообмен как элемент продукционного процесса растений.- Новосибирск.: Наука, 1977.-181 с.

33. Купревич В.Ф. Физиология больного растения в связи с общими вопросами паразитизма. Минск.: Наука и техника, 1973.-456 с.

34. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.568 с.

35. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.-272 с.

36. Меркурьев Г.В., Меркурьева Ю.А. Экспертные системы имитационного моделирования//Техническая кибернетика, Изв. АН СССР. 1991.-№3. -С.156-173.

37. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. - 230 с.

38. Методы моделирования в сельском хозяйстве: Сб. науч. тр/Всесоюз. н.-и. и проект. технол. ин-т. кибернетики/Отв. ред. Г.И. Бельчанский. -М.ВНИПТИК, 1982 - 142 с.

39. Научные основы системы земледелия Калининградской области/ Барматенков O.A., Валуцкий E.H. и др.; под ред. A.M. Новицкого. Калининград: Кн. Изд-во, 1990. - 253 с.

40. Нечеткие множества в моделях управления и искусственного интеллекта /Сост. Поспелова Д.А.- М.: Наука, 1986.-312 с.

41. Полевой А.Н. Динамико-статистические методы прогнозирования урожайности сельскохозяйственных культур//Метеорология и гидрология. -1981. -№2. -С.92-102.

42. Полевой А.Н. Прикладное моделирование и прогнозирование продуктивности посевов.- Л.:Гидрометеоиздат, 1988. 318 с.

43. Полевой А.Н. Теория и расчет продуктивности сельскохозяйственных культур.- Л.:Гидрометеоиздат, 1983. 175 с.

44. Полиязыковые семиотические модели для математического обеспечения АСУ, АСУТП и САПР в рыбной промышленности//Отчет о НИР «Информационное, математическое и программное обеспечение АСУ, АСУТП и

45. САПР в рыбной промышленности». № гос. per. 01860015101, инв. № 02860109459. Калининград: Изд. КТИ, 1986. - 145 с.

46. Полуэктов P.A., Пых Ю.А., Швытов И.А. Динамические модели экологических систем.-JI.: Гидрометеоиздат, 1980.-288 с.

47. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996.-320 с.

48. Прикладные нечеткие системы//Под. ред. Т.Тэрано, К.Асаи, М.Сугено. М.:МИР, 1993.-368 с.

49. Рачкулик В.И., Ситникова М.В. Отражательные свойства и состояние растительного покрова.- Л.: Гидрометеоиздат, 1981.-287 с.

50. Росс Ю.К. Радиационный режим и архитектоника растительного по-крова.-Л.: Гидрометеоиздат, 1975.-341 с.

51. Росс Ю.К. Система уравнений для описания количественного роста растений. Таллин: Валгус, 1967. - 189 с.

52. Рубин Б.А., Арцировская Е.В., Аксенова В.А. Биохимия и физиология иммунитета растений.-М.: Высшая школа, 1975.-416 с.

53. Рудинский И.Д. Двух модельная система для задач оперативного управления производственных процессов (на примере транспортного порта: Автореф. дисс. канд. техн. наук.-Рига, 1986.-18 с.

54. Рыбина Г.В. Автоматизация построения баз знаний для интегрированных экспертных систем//Теория и системы управления. -1998.- №5. -С. 152-166.

55. Сивков С.И. Методы расчета характеристик солнечной радиации.-Л.: Гидрометеоиздат, 1968.-232 с.

56. Сиротенко О.Д. Математическое моделирование воднотеплового режима и продуктивности агроэкоситем.-Л.: Гидрометеоиздат, 1981.-167 с.

57. Смирнов И.П. Применение ЭВМ в сельском хозяйстве Л.:Лениздат, 1991.- 107 с.

58. Строганова М.А. Математическое моделирование формирования качества у рожая.-JI.: Гидрометеоиздат, 1986.-151 с.

59. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные много-агентные системы основные теоретические подходы к построению интеллектуальных организаций//Теория и системы управления. - 1998. - №5. -С.12-23.

60. Тарасов В.Б. Системно-организационный подход в искусственном интеллекте//Теория и системы управления. 1997. - №3. - С.6-13.

61. Толковый словарь по искусственному интеллекту//Авторы составители А.И.Аверкин, М.Г.Гаазе-Раппопорт, Д.А.Поспелов.-М.: Радио и связь, 1992.-256 с.

62. Тооминг Х.Г. Солнечная радиация и формирование урожая.-JI.: Гидрометеоиздат, 1977.-200 с.

63. Тооминг Х.Г. Экологические принципы максимальной продуктивности посевов.-Л.: Гидрометеоиздат, 1984.-264 с.

64. Черноруцкий И.Г. Методы принятия решений. Л.: Изд. Ленигр. политех. ин-т, 1990.- 92 с.

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

66. Шматько И.Г. Посухостийкисть и врожай озимой пшеницы.- Киев: Урожай, 1974.-182 с.

67. Штоккер О. Физиологические и морфологические изменения в растениях, обусловленные недостатком воды.- Л.: Гидрометеоиздат, 1967. 203 с.

68. Ярушкина Н.Г. Мягкие вычисления в САПР:Сб. тр. 6-ая национальная конференция с международным участием КИИ'98. Пущино: Изд. АИИ, 1998.С. 343-350.

69. Angus J. F., Kornher A. and Torssell B. W. R. A System Approach to Estimation of Swedish Ley Production. Uppsala: Swedish University of Agricultural Sciences, 1980. - 230 pp.

70. Arkin G. F., Vanderlip R. L. and Ritchie J. T. The dynamic grain sorghum growth model//Transactions of the American Society of Agricultural Engineers. -1976. -№10. -P.622-630.

71. Baker D. N. Simulation for research and crop management. In: Proceedings of World Soybean Research Conference II (ed. F. T. Corbin). -Colorado.: Westview Press, 1980.P. 120-134.

72. Bridge D. W. A simulation model approach for relating effective climate to winter wheat yields on the great plains//Agricultural Meteorology. -1976. -№17. -P.185-194.

73. Charles Edwards D. A. The mathematics of photosynthesis and productivity. -London.: Acad. Press, 1981. -210 pp.

74. Charles-Edwards D. A. and Acock B. Growth response of Chrysanthemum crop to the environment. II. A mathematical analysis relating photosynthesis and growth//Annals of Botany. 1977. - №4. - P.49-58.

75. De Wit C. T. and others. Simulation of Assimilation, Respiration and Transpiration. Wageningen.: Pudoc, 1978. - 310 pp.

76. Fick G. W., Loomis R. S. and Williams W. A. Sugar beet. Cambridge.: Cambridge University Press, 1975. - 130 pp.

77. Fick G. W., Williams W. A., Loomis R. S. Computer simulation of dry matter distribution during sugar beet growth//Crop Science. -1973. №13. - P.413-417.

78. Fikai S. and Silsbury J. H. A growth model for Trifolium subterraneum L. Swards//Australian Journal of Agricultural Research. -1978. -.№28. P.51-65.

79. France J., Thornley J. Mathematical models in agriculture. London - Boston.: Butterworths, 1984. - 340 pp.

80. Fu L. Mapping Rule-Based Systems into Neural Architectures// Knowledge-Based Systems. 1990. - №3. - P.48-56.

81. Gallant, S.I. Neural Network learning and Expert Systems. Cambridge, Massachusetts.: The MIT Press, 1993. - 278 pp.

82. Goldberg D.E. Algorytmy genetyczne i ich zastosowania. Warszawa.: Wyd. Naukowo-Techniczne, 1998. -423 pp.

83. Goonatilake, S., Khebbal, S. Intelligent Hybrid Systems. Warszawa.: Wiley, 1995.-360 pp.

84. Graver, M.W., Shavlik, J.M. Using Sampling to Extract Rules from Trained Neural Networks//IEEE Int. Joint Conference on Neural Networks. Baltimore.: IlliGAL, 1993.P.3 7-45.

85. Haun J. R. Prediction of spring wheat yield from temperature and precipitation data//Agronomy Journal. 1976. - №6. - P.55-59.

86. Holt D. A., Bula R. J., Miles G. E., Schreiber M. M. and Peart R. M. Environmental physiology, modeling and simulation//Research Bulletin of Purdue Agricultural Experimental Station. 1975. - №9. - P.26-31.

87. Johnson I.R., Ameziane T. E. and Thornley J. H. M. A model of grass growth//Annals of Botany. 1983. - №9. - P.599-609.

88. Kolesnikov A. Computer Aided Design of Hybrid Models for Automation Ship Systems// Konferencja Naukowo-Techniczna AUTOMATYZACJA -NOWOSCII PERSPEKTYWY (AUTOMATION 99). Warszawa, 1999. - P.281-285.

89. Klachek P., Kolesnikov A. Knowledge Integration for Simulation of the 'Prediction of Productivity Agricultural Cultures' Inhomogeneous Task//Pr. of the 4th Int. Conf. "Mathematical Modeling and Analysis MMA99". Vilnius.: The UMI Press, 1999.P. 49-53.

90. Kolesnikov A., Klachek P. Hybrid model of the Bio-Industrial System// The International Federation of Operational Research Societies Special Conference

91. SPC8) "Organizational Structures, Management, Simulation of Business Sectors and Systems". Kaunas.: The KUT Press, 1998.P.90-94.

92. Kolesnikov, A., Sedov, R. Yhe Theory and Technology of Conceptual Modelling of Professional Activity Languages. Abstract of the 4!h International Conference MMA99. Vilnius., 1999.P.50-54.

93. Kolesnikov, A., Yashin, A. Hybrid Simulation of Stratified Systems.th

94. Mathematical Modelling and Analysis, Abstract of the 4 International Conference MMA99. Vilnius., 1999.P.51-55.

95. Legg B. J. Alrial environment and crop growth. London.: Academic Press, 1981.-367 pp.

96. Legg B. J., Day W., Lawlor D. W. and Parkinson K. I. The effects of drought on barley growth: models and measurements showing the relative importance of leaf area and photosynthetic rate//Journal of Agricultural Science. -1979. -№2. -P.703-716.

97. Lotka A. J. Elements of Physical Biology. Baltimore.: Willams and Wilkins, 1985.-270 pp.

98. McKinion J. M., Jones J. W. and Hesketh J. D. A system of growth equations for the continuous simulation of plant growth//Transactions of the American Society of Agricultural Engineers. 1975. - №18. - P.975-984.

99. Medsker L.R. Hybrid Neural Network and Expert Systems. -Boston/Dordrecht/London.: Kluwer Akademie Publishers, 1991. 190 pp.

100. Minsky, M. Logical Versus Analogocal or Symbolic Versus connectionist or neat versus scruffy//AI Magazine. 1991. - №2. - P.35-51

101. Murata Y. Estimation and simulation of rice yield from climatic factors// Agricultural Meteorology. 1975. - №15. - P. 117-131.

102. Osowski S. Sieci neuronowe w ujeciu algorytmicznym. Warszawa.: Wyd. Nukowo-Techniczne, 1997. -410 pp.

103. Pitter R. L. The effect of wheather and technology on wheat yield in Oregon//Agricultural Meteorology. 1977. - №18. - P. 115-131.

104. Pomerleau D.A, Gowdy J., and Thorpe C.E. Combining Artificial Neural Network and Symbolic Processing for Autonomous Robot Guidance // Engineering Application of Artificial Intelligence. 1991. - № 4. - P.279-285.

105. Pratt, L.Y., Christensen, A.N. Relaxing the Hyperplane Assumption in the Analysis and Modification of Back-Propagation networks. In Robert Trappl, ed., Cybernetics and Systems'94 World Scientific, Singapore, 1994.P.1711-1718.

106. Rutkowska D., Pilinski M., Rutkowski L. Sieci neuronowe, algoritmy genetyczne i systemy rozmyte. Warszawa.: Wyd. naukowe PWN, 1997. - 430 pp.

107. Sakamoto C. M. The Z-index as a variable for crop yield estimation// Agricultural Meteorology. 1978. - №19. - P.305-313.

108. Seif E. and Pederson D. G. Effect of rainfall on the grain yield of spring wheat with an application//Australian Journal of Agricultural Research. 1978. -№9. -P.l 107-1115.

109. Sheehy J. E., Cobby J. M. and Ryle G. J. A. The use of model to investigate the influence of some environmental factors on the growth of the perennial ryegrass//Annals of Botany. 1980. - №4. - P.343- 365.

110. Sweeney D. L., Hand D. W., Slack G., Thornley J. H. H. (1981). Modeling the growth of winter lettuce. London: Academic Press.,1981. - pp. 217-229.

111. Towell, G.G., Shavlik, J.M. Knowledge-Based Artificial Neural Networks// Artificial Intelligence, 1994, vol. 69 (70).

112. Volterra V. Variazioni e fluttuazini del numero d'individui in specie animali conviventi//Memorie dell'Academia Nazionale de Lincei. 1926. - №2. -P.31-113.

113. Wann M., Raper C. D. and Lucas H. L. A dynamic model for plant growth: a simulation of dry matter accumulation for tobacco// Photosynthetica. -1978. -№2. -P.121-136.