автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Разработка подсистемы поиска информации в гетерогенных САПР на основе многоагентных систем

На правах рукописи

Жмурко Сергей Анатольевич

00349 1579

РАЗРАБОТКА ПОДСИСТЕМЫ ПОИСКА ИНФОРМАЦИИ В ГЕТЕРОГЕННЫХ САПР НА ОСНОВЕ МНОГОАГЕНТНЫХ СИСТЕМ

Специальность: 05.13.12 - Системы автоматизации проектирования (вычислительная техника и информатика)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 1 ФЕВ 2010

Таганрог 2010

003491579

Работа выполнена в Южном федеральном университете.

Научный руководитель: заслуженный деятель науки РФ,

доктор технических наук, профессор Курейчик Виктор Михайлович

Официальные оппоненты: доктор технических наук, профессор

Ковалев Сергей Михайлович (Ростовский Государственный

Университет Путей Сообщения, г. Ростов-на-Дону)

кандидат технических наук, доцент Тарасов Валерий Борисович (Московский Государственный

Технический Университет имени Н.Э.Баумана, г. Москва),

Ведущая организация: Федеральное государственное

унитарное предприятие «Таганрогский научно-исследовательский институт связи», г. Таганрог

Защита диссертации состоится «25» февраля 2010 г. в 14:20 на заседании диссертационного совета Д 212.208.22 при Южном федеральном университете по адресу: 347928, Таганрог, пер. Некрасовский, 44, ауд. Д-406.

С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: 344000, Ростов-на-Дону, ул. Пушкинская, 148.

Автореферат разослан « 14 » января 2010 г.

Ученый секретарь

диссертационного совета Д 212.208.22, доктор технических наук, профессор

Целых А.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Системы автоматизированного проектирования (САПР) уже давно являются неотъемлемой частью современного производства. Образовавшись в виде средств решения проектных задач, имеющих четко выраженный расчетный характер, системы автоматизированного проектирования прошли несколько стадий своего развития и выросли до уровня технологий, охватывающих больше, чем просто проектирование.

Современный рынок проектных работ требует дальнейшей модернизации и перехода на новые технологии. От предприятий требуется применение самых современных методов и подходов к созданию и поддержке изделия на всех стадиях его жизненного цикла. Поддержка жизненного цикла изделия, PLM (Product Lifecycle Management), комплексная автоматизация и использование единого информационного пространства становятся ключевыми при выборе средств автоматизации.

Проведение комплексной автоматизации, обеспечивающей не только потребности максимального количества проектных специальностей, но и корректную передачу данных между рабочими местами различного назначения, создание единого информационного пространства является первоочередной задачей проектных организаций. Как результат, повышается качество выпускаемой документации, уменьшается количество ошибок, сокращаются сроки проектирования, а значит, повышается конкурентоспособность предприятия.

При этом задачи единой среды проектирования сводятся к обеспечению коллективной работы проектно-конструкторских подразделений над проектом, хранению и поиску информации в электронных архивах, повторному использованию отработанных и проверенных технических решений, хранящихся в архиве, а также исключению ошибок за счет устранения нескольких источников для хранения одной и той же информации.

Однако на пути построения единого информационного пространства возникают определенные трудности. Современное производство зачастую имеет высокую степень географической разрозненности. Нередки случаи, когда над одним изделием трудятся специалисты из разных частей света, находящиеся на тысячи и даже десятки тысяч километров друг от друга. При такой отдаленности построение локальных корпоративных сетей и организации на их основе единой среды проектирования является довольно сложной задачей.

Кроме того, такая географическая удаленность вовсе не является единственной проблемой. Проектирование и производство сложных изделий зачастую требует кооперации и, как следствие, гетерогенности состава САПР, используемого каждой из сторон кооперации. В результате для проектирования и выпуска одного изделия используется гетерогенное программное обеспечение, что вызывает определенные сложности.

Различные САПР имеют различные форматы и способы хранения данных, хотя зачастую содержат схожую информацию (библиотеки компонент и их различные модели, готовые решения и др.). При рассмотрении процесса проектирования с точки зрения поддержки жизненного цикла изделия, необходимо обеспечить использование абсолютно всей информации, связанной с

изделием, всеми участниками его жизненного цикла, т.е. всеми САПР и другими системами, которые участвуют в процессе проектирования, создания и поддержки изделия. Однако при переходе от одной системы к другой возникают определенные сложности, связанные с отсутствием прямой совместимости форматов данных и возможности поиска информации в сторонних базах данных (не являющимися базами данных конкретной САПР). При этом важной задачей для САПР с точки зрения поддержки жизненного цикла изделия является возможность поиска и использования данных не только в базах данных и знаний этой САПР, но и в базах данных и знаний тех САПР, которые наряду с ней участвуют в проектировании изделия.

Таким образом, одной из основных проблем на пути комплексной автоматизации производства является использование несовместимых платформ и информационно несогласованных программных решений, географически распределенных друг от друга, а также построение подсистемы поиска информации в системе таких гетерогенных САПР. Одним из путей решения данной проблемы является применение принципов многоагентных систем.

Поиск информации в САПР можно разделить на две задачи: поиск по параметрам и поиск аналогов. И если первый (поиск по параметрам) является довольно тривиальной задачей, то поиск аналогов в САПР - задача более сложная. Для поиска аналогов объектов используют различные алгоритмы интеллектуального анализа данных (НАД), а в частности алгоритмы кластеризации, которые позволяют разбить все множество исследуемых объектов на ряд групп на основе схожести их признаков.

Однако большинство алгоритмов кластеризации работают только с числовыми или только с категориальными данными. Однако как показывает практика, базы данных САПР зачастую содержат смешанную информацию. К тому же, большинство алгоритмов кластеризации требуют задания для своей работы ряда специфичных свойств, требующих от аналитика наличия определенных знаний о предметной области и способе кластеризации. Таким образом, нужны новые решения, позволяющие проводить кластеризацию смешанных наборов данных с минимальным участием в процессе человека.

Из всего вышеизложенного следует, что задача разработки подсистемы поиска информации в системе гетерогенных САПР на основе подхода многоагентных систем является довольно актуальной.

Целью диссертационной работы является разработка подсистемы поиска информации в системе гетерогенных САПР на основе многоагентных систем, которая позволяет объединять информацию из баз данных этих САПР для осуществления поиска решений. При этом важным условием является сохранение всех основных свойств САПР в контексте поддержки жизненного цикла изделия.

Для достижения поставленной цели в работе необходимо решить следующие задачи:

1. Провести анализ современных архитектур и выявить их основные недостатки для построения подсистемы поиска информации в базах данных гетерогенных САПР.

2. Провести анализ современных алгоритмов кластеризации, используемых для больших наборов данных и выявить их основные ограничения для

использования в подсистеме поиска информации в базах данных гетерогенных САПР.

3. Разработать новую модифицированную архитектуру подсистемы поиска информации САПР, позволяющую САПР взаимодействовать с различными базами данных.

4. Разработать алгоритм поиска аналогов в системе баз данных САПР.

5. Создать подсистему поиска информации в базах данных системы гетерогенных САПР.

Для решения поставленных задач использовались следующие методы исследований: анализ построения единого информационного пространства в задачах проектирования, анализ многоагентных систем, алгоритмов, множеств и генетических алгоритмов. Научная новизна работы заключается в следующем:

1. Разработана модель поиска информации в системах различных источников данных на основе многоагентных систем;

2. Разработана архитектура системы поиска информации в системе баз данных гетерогенных САПР на основе принципов многоагентных систем;

3. Разработан алгоритм кластеризации, позволяющий работать с категориальными и числовыми данными.

4. Разработаны проблемно-ориентированные модифицированные генетические операторы для алгоритма кластеризации, позволяющие получать допустимые решения рассматриваемой задачи.

Практическая ценность работы заключается в реализации программного комплекса на основе многоагентных систем для поиска и кластеризации информации в системе распределенных баз данных. Алгоритмы реализованы на языке С# под ОС Windows. Данный программный комплекс позволяет производить поиск и кластеризацию различных данных инженерам, не обладающим навыками программирования и анализа данных.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты диссертационной работы использованы в использовались в госбюджетной работе №12354 «Разработка теории и принципов построения интеллектуальных систем принятия решений при проектировании на основе квантовых вычислений и бионических методов поиска», в госбюджетной работе №12355 «Разработка теории и принципов интеллектуального анализа данных при построении систем поддержки принятия решений», а также в научно-исследовательских работах, выполненных по гранту РФФИ №07-01-00174 «Разработка теории и исследование эволюционных синергетических и гомеостатических методов принятия решений». Кроме того, материалы диссертации использованы в учебном процессе на кафедре САПР ТТИ ЮФУ при проведении лабораторных и курсовых работ по дисциплинам: «Разработка САПР», «Эволюционное моделирование и генетические алгоритмы», «Автоматизация конструкторского и технологического проектирования». Апробация основных теоретических и практических результатов работы проводилась на научных семинарах кафедры САПР, всероссийской научно-практической конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление» (г. Таганрог, 2006), международной научно-технической конференции «Интеллектуальные

системы (AIS'07)» (с. Дивноморское, 2007 г.), всероссийской конференции студентов, аспирантов и молодых ученых «Технологии Microsoft в теории и практике программирования» (г. Таганрог, 2008 г.), международной научно-технической конференции «Интеллектуальные системы (AIS'08)» (с. Дивноморское, 2008 г.), научно-практической конференции студентов, аспирантов, молодых ученых и специалистов (г. Коломна, 2009 г.).

Публикации. По теме диссертационной работы опубликовано 16 печатных работ, сделано 7 докладов на Всероссийских и Международных научно-технических конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 158 стр., а также 44 рисунка, 16 таблиц, список литературы из 111 наименований, 18 стр. приложений и актов об использовании.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении дано обоснование актуальности темы диссертационной работы, описаны цель работы и основные научные положения, выносимые на защиту, определены круг задач, объект и предмет исследования, указаны методы исследования, показаны научная новизна и практическая значимость, приведены сведения о внедрении результатов работы, дано общее описание выполненной работы.

В первой главе рассмотрено состояние проблемы, сформулированы основные особенности современного производства и используемых САПР, которые выявили ряд недостатков современных архитектур подсистем поиска информации в САПР. Приведен анализ многоагентных систем в САПР для построения архитектуры подсистемы поиска информации.

Помимо поиска элементов по строго заданным параметрам существует также еще одна разновидность поиска - поиск аналогов элементов, в частности, радиоэлектронных устройств. Поиск аналогов элементов является довольно актуальной задачей, так как использование аналогов может повысить качество разрабатываемой радиоэлектронной аппаратуры и снизить ее цену, что сделает конечное изделие более конкурентоспособным.

Анализ баз данных САПР и описаний элементов РЭА определил ряд особенностей, предъявляемых алгоритму поиска аналогов среди которых выделяются работа со смешанными данными и возможность работы с пропущенными (пустыми) данными. Для поиска аналогов были выбраны методы интеллектуального анализа данных, в частности алгоритмы кластеризации, позволяющие разбить существующее пространство данных (множество элементов РЭА) на несколько групп на основании сходства их свойств. Проведено исследование генетических алгоритмов в задачах кластеризации.

Вторая глава диссертационной работы посвящена анализу современных архитектур построения многоагентных систем и анализу современных архитектур кластеризации больших наборов данных.

В настоящее время большую популярность получили два основных подхода к построению многоагентных систем - системы статичных и системы мобильных агентов. Самой известной из архитектур для системы статичных агентов в

настоящее время является архитектура FIPA, а мобильных OMG MASIF. Проведено исследование этих архитектур и предложены варианты построения подсистем поиска информации на основе данных архитектур.

Анализ полученных архитектур показал, что архитектура многоагентной поисковой системы на основе мобильных агентов не подходит для применения в САПР, так как имеет ряд недостатков, главный из которых — низкое время отклика системы поиска при большом количестве баз данных и большом объеме выбираемой информации. Такие поисковые системы больше подходят для осуществления операций поиска не требующих мгновенного ответа, таких как составление каталогов доступных ресурсов и объектов информации.

Подсистема поиска информации на основе статичных агентов подходит для применения в качестве основы подсистемы поиска информации в гетерогенных источниках данных САПР, однако такое применение требует модификации и расширения архитектуры для успешного применения в САПР.

Анализ алгоритмов кластеризации, применяемых для анализа больших наборов данных показал, что большинство из них не имеют возможности прямой работы с категориальными и с числовыми данными. Так же ряд алгоритмов требует введения определенных параметров, которые предполагают наличие знаний об исследуемой области, что является препятствием для использования их в качестве части подсистемы поиска информации в САПР для поиска аналогов. Таким образом, необходимо учитывать все эти недостатки при разработке нового алгоритма.

В третьей главе сформирована алгебраическая модель подсистемы поиска информации в системе распределенных САПР на основе многоагентных систем, которая представляется как

MAS = (А, Е, R, (р, ORG, DB, Т\, KB, Т2, PR), (1)

где А - это множество агентов, Е={е} - среда многоагентной системы, R -множество взаимодействий между агентами, Ф- нечеткие отношения между множеством агентов и объектами среды, ORG - множество базовых организационных структур, соответствующих ролям и функциям агентов, DB -множество баз данных многоагентной системы, Т1 - множество групп баз данных, КВ - множество баз знаний многоагентной системы, Т2 - множество групп баз знаний, PR - множество конструкторских проектов.

Алгоритм поиска информации в системе распределенных САПР представляет собой последовательность действий, изображенную на рисунке 1.

Все действия, выполняемые во время работы алгоритма, принадлежат трем разным уровням абстракции: уровень клиента, уровень многоагентной системы и уровень базы данных.

Уровень клиента представляет собой совокупность действий, выполняемых при непосредственном взаимодействии с клиентским приложением, а именно с модулем САПР, который инициирует поиск информации в системе распределенных САПР. Уровень базы данных представляет собой действия, выполняемые при взаимодействии с конкретным источником базы данных. Именно на этом уровне происходит поиск информации в базах данных САПР. Уровню многоагентной системы соответствуют все остальные действия.

Рис 1. Алгоритм поиска информации на основе многоагентных систем в системе распределенных САПР

Алгоритм поиска информации на основе агентов предполагает наличие агентов трех различных типов, соответствующих трем уровням подсистемы поиска информации, различающихся по своему функциональному назначению: интерфейсные агенты, агенты-координаторы и поисковые агенты.

Однако наличие только этих трех различных типов агентов недостаточно для построения конечной многоагентной системы, поэтому необходимо провести ее определенную модификацию. На рисунке 2 изображена архитектура подсистемы поиска информации в системе гетерогенных САПР.

Основными компонентами многоагентной системы помимо описанных выше трех групп агентов будут следующие компоненты, обеспечивающие общее взаимодействие агентов и функционирование многоагентной системы:

• каталог агентов, обеспечивающий сохранение информации обо всех доступных агентах

• каталог служб, хранящий информацию обо всех доступных службах

• агент регистрации, проводящий регистрацию агентов в многоагентной системе

• агент онтологий, проводящий проверку соответствия между «эталонными» онтологиями системы и их представлениями у агентов

• координатор рабочих групп, содержащий информацию обо всех рабочих группах и ими выполняемых проектах

• агент обработки результатов поиска, занимающийся первичной обработкой результатов поиска (в частности, удалением дубликатов, полученных в процессе поиска)

Рис 2. Многоагентная подсистема поиска информации в системе распределенных САПР

Отдельной задачей подсистемы поиска информации является поиск аналогов в элементной базе САПР. Поиском аналогов в многоагентной системе занимается либо агент обработки результатов, либо отдельный агент многоагентной системы (агент-анализатор данных), непосредственно связанный с координатором запросов.

Для решения задачи поиска аналогов была проведена модификация алгоритма СЬОРЕ. Для описания кластера, как и в алгоритме СЬОРЕ, используется гистограмма. Гистограмма кластера представляет собой графическое отображение частоты вхождения характеристик объектов, относящихся к кластеру, в набор характеристик этого кластера. По оси X гистограмма содержит параметры объектов. Каждая область оси X, соответствующая одному параметру, делится на ряд подобластей, соответствующих конкретному значению (для категориальных данных) или диапазону значений (для числовых данных). Ось У соответствует частоте совпадений параметра со свойствами объектов, относящихся к одному кластеру.

Для фрагмента базы данных РЭА, отображенного в таблице 1, гистограмма примет вид, изображенный на рисунке 3.

11;| И' шке ¡'.при ник м. Чш.4'. <|;|сIII 1:1 преоира кисшим, <М1 н. Ммпимм.п.нпг ||:||||<:Г:1.Г1Ш1' ни IИнин(К) 11<)||>(Чияёмш1 м> 111 н->\ II.. (мН|)

АЛ9760 10 125 2,7 45

А09750 10 125 5,0 185

А09762 12 125 2,7 45

А09752 12 125 5,0 185

А09764 14 125 2,7 45

А09754 14 125 5,0 185

д-

Коп ячество ооыпадочий

11-13

Разрядность

Макс, частота пресбр»зоввния

Минимальное напряжение

Потребляемая мощность

Наборы значомий гирамшра

Рис 3. Гистограмма для фрагмента базы данных элементов РЭА из таблицы 1

Одним из главных вопросов применения подхода на основе гистограммы является выбор оптимального разбиения всего диапазона значений числовых параметров. Для этого предлагается использовать генетический алгоритм.

Числовые параметры для кластеризации можно представить множеством различных разбиений на диапазоны значений. При этом, чем большее количество числовых параметров и их будет участвовать в кластеризации, тем большее количество возможных вариантов разбиения может получиться. Так, для 5 числовых параметров, представляемых 10 различными вариантами разбиения на диапазоны каждый, число возможных комбинаций будет равно 10000. Очевидно, что перебор всех возможных решений для выбора наилучшего является довольно дорогостоящей операцией с точки зрения затрачиваемых ресурсов. Механизм ГА за счет поиска не путем улучшения одного решения, а путем использования сразу нескольких альтернатив на заданном множестве решений, а также применения вероятностных правил анализа оптимизационных задач способен решить данную задачу за гораздо меньшее количество итераций и соответственно, меньшее количество затраченных ресурсов.

Множество значений каждого из числовых параметров может быть разбито на один или несколько диапазонов. Тогда начальную популяцию для генетического алгоритма можно представить в виде набора хромосом, представляющих различные варианты разбиения на диапазоны каждого параметра (рисунок 4).

1рошяадкгг«пь тыл

выходное напряжение еходиоа напряжение МОЩНОСТЬ масса

1 si

7 18 10 3

5 10 14 5

10 3 7 4

Рис 4. Кодирование начальной популяции алгоритма Для оценки особей ГА используется комплексная функция стоимости:

^ofitjC)--

(2)

Б с, i

|С|

(3)

(4)

где К - количество полученных в результате разбиения кластеров, G(C) - градиент кластера,

|С| - количество объектов, принадлежащих кластеру С, R(Pi) - оценка разбиения параметра р|. Параметр R(p;) для категориальных параметров вычисляется как

R(p,) = 1,

и для числовых параметров как

Д(д) = 1---—'

RC(Pi)

где RC(pi) - число диапазонов значений параметра. Градиент кластера представляет собой

Vc\ 1д1

(У(О- ( ' - _'

W(C)r fV(Cy

где Н(С) - суммарная высота кластера,

W(C) - суммарная ширина кластера, равная числу диапазонов оси X

гистограммы,

г - коэффициент отталкивания,

H(cs) - суммарная высота диапазона значений (для числовых данных) или значения (для категориальных данных). Суммарная высота диапазона значений вычисляется как

H(cs,) =| cs, | *WEIGHT(csi), (6)

где |csj| - число совпадений среди значений параметра объектов и значений (или диапазонов значений) соответствующего параметра кластера. WEIGHT(csj) - вес параметра, равный количеству различных наборов значений данного параметра.

(5)

Основная идея применения ГА для подбора оптимального разбиения заключается в том, чтобы подобрать такое разбиение параметров, при котором комплексная функция стоимости разбиения принимала бы максимальные значения. Т.е., генетический алгоритм максимизирует комплексную функцию стоимости, подбирая оптимальное значение разбиений всех числовых параметров. Далее, используя полученное разбиение, происходит распределение объектов по кластерам и выбор необходимого кластера. Структурная схема алгоритма показана на рисунке 5.

Для работы ГА предложены модифицированные операторы кроссинговера и мутации. Широко используемые одноточечный и двухточечный оператор кроссинговера проявляют ряд недостатков при применении их в алгоритме кластеризации. Эти недостатки связаны с тем, что они неэффективны для хромосом с большим количеством генов. Использование же универсального кроссинговера на основе маски может сильно разрушить шаблоны полученных решений.

Для работы предлагаемого оператора кроссинговера необходимо определить ряд параметров:

рис - вероятность применения универсального кроссинговера

сНА^ - величина приращения вероятности

Ристах _ максимальная вероятность применения универсального кроссинговера

Ристт - минимальная вероятность применения универсального кроссинговера

При этом ристах и рист|п являются общими для всех хромосом И ЯВЛЯЮТСЯ входными параметрами алгоритма, а параметр рис изменяется в процессе работы алгоритма и являются индивидуальным для каждой хромосомы, т.е. параметр рис можно представить в виде вспомогательного (рабочего) гена каждой хромосомы.

При каждой итерации алгоритма для всех хромосом происходит увеличение значения параметра рис.каждой хромосомы на величину (Ий"р в пределах от рцст|п ДО Ристах- Основная идея данных вычислений заключается в том, что чем больше поколений пережила хромосома, тем более устойчивое решение она содержит и тем меньшее воздействие на нее (модификация решения) может улучшить получаемый результат.

Выбор точек кроссинговера в работе проводится на основе простых чисел Софии Жермен. Пусть у нас заданы две особи, с хромосомами длиною Ь. Тогда для определения точек разрыва этих хромосом воспользуемся следующей последовательностью действий:

1. Выберем для работы с хромосомами из последовательности (в нашем случае из простых чисел Софии Жермен) участок от начала последовательности до наибольшего числа этой последовательности (Ь'), меньшего, чем Ь.

2. Выберем сторону хромосомы - начало отсчета (начало или конец хромосомы выбираются равновероятно)

3. Определим первую точку начала отсчета (число от 0 до Ь-Ь'-1).

4. Выберем одно из чисел числовой последовательности, которое не превышает 1Л Отложим данное число от начала отсчета. Если мы вышли за пределы хромосомы, то конец работы оператора. В противном случае запоминаем эту точку как точку кроссинговера и начало отсчета. Повторяем шаг 4.

Рис 5. Структура алгоритма поиска аналогов в САПР

После того, как точки выбраны происходит выбор типа кроссинговера. Для этого с вероятностью (рдС1 + рЦС2)/2 выбирается универсальный кроссинговер. В противном случае используется многоточечный кроссинговер. При этом рис1 и ри<.2 представляют собой вероятности применения универсального кроссинговера обоих родителей. При использовании универсального кроссинговера происходит обмен выбранными в качестве точек кроссинговера генами, а при использовании многоточечного - участками хромосом. Данный процесс изображен на рисунке 6.

(0)535 (0)535

1 а1 Ы с1 с!1 е1 Я 91 М И 11 3 аЗ ЬЗ сЗ аз е3; ¡3 дз ЬЗ ¡3 13

2 а2Ь2 с2 с)2 с2 12 92 И2 ¡2 ]2 4 а4 Ь4 с4 (14 ©41 f4 94 Ь4 ¡4

1' а! М с1 (11 .1;12 92 И 11 3* аЗ ЬЗ сЗ аз е4г !3 дз Ь4» 13 |3

; |

2' а2 Ь2 с2 ¿2 с2 О д1 М ! (2 | * * а4 Ь4 с4 с!4 03 9* ЬЗ; ¡4

многоточечный

универсальный

Рисунок 6. Многоточечный и универсальный оператор кроссинговера

Выбор точек для модифицированного оператора мутации происходит так же как и для оператора кроссинговера. Далее для этих точек значение гена меняется на случайное из диапазона доступных значений (ограниченного свойствами конкретного параметра). После того как завершена мутация для точек хромосом, происходит мутация параметра рис, для которого выбирается случайное значение

ИЗ Диапазона ОТ рцСтт ДО риСтах-

Четвертая глава посвящена экспериментальным исследованиям разработанной подсистемы поиска информации и алгоритма кластеризации данных. Поставлены цели экспериментальных исследований. Проведены серии экспериментов для определения качества кластеризации на стандартных наборах данных. Выполнено сравнение разработанного алгоритма с известными аналогами.

Общая временная сложность алгоритма вычисляется как

0((1 + 1 + к + т)п) = 0((2 + к + т)п), (7)

где к - число поколений генетического алгоритма, ш - число операций перераспределения данных, п - объем исследуемых данных (число записей).

При использовании только категориальных параметров общая временная сложность алгоритма составит

0((1 + 1 + т)п) = 0((2 + т)п), (8)

где ш - число операций перераспределения данных, п - объем исследуемых данных (число записей).

Таким образом, временная сложность алгоритма линейно зависит от количества рассматриваемых записей. Необходимо отметить, что для большинства алгоритмов кластеризации, таких как алгоритм К-Меапэ и его

модификации, агломеративные и дивизимные подходы и др., временная сложность колеблется в пределах от 0(п) до 0(п3).

Другим важным параметром является объем используемой памяти (пространственная сложность алгоритма). В процессе работы алгоритму необходима информация лишь о свойствах образованных кластеров (их) и о текущем разбиении множества числовых параметров на диапазоны. Таким образом, пространственная сложность алгоритма зависит не от самих данных, а от их распределения по кластерам. В связи с тем, что в большинстве случаев множество кластеров меньше (гораздо меньше) числа исследуемых данных (записей), можно говорить о том, что и пространственная сложность гораздо меньше, чем у большинства алгоритмов кластеризации, использующих информацию сразу обо всех объектах в процессе своего выполнения.

Для проверки качества разработанного алгоритма использовались тесты, применяемые для оценки качества кластеризации:

- ирисы Фишера (Iris Data Set) - только числовые данные

- задача о грибах (Mushrooms Data Set) - только категориальные данные

- сведения о доходах (Adults Data Set, Census Income) - категориальные и

числовые данные

Данные тесты представляют собой модели кластеризации различных наборов данных и используются для проверки различных алгоритмов кластеризации. Результаты экспериментов показали эффективность разработанного алгоритма по сравнению с существующими аналогами. Основными критериями эффективности являются качество получаемого решения.

Тесты показали, что данный алгоритм выполняет кластеризацию в среднем на 5-8% лучше (меньшее количество ошибок), при этом позволяет работать как с числовыми, так и с категориальными данными, без их дополнительных преобразований. В качестве аналогов для сравнения использовались алгоритм К-Means и его модификации, а также алгоритм CLOPE, используемый для кластеризации категориальных наборов данных.

Для проведения исследований разработан программный комплекс синтеза схем на основе полученных алгоритмов. Программный комплекс написан на языке С# для операционных систем семейства Windows. Эксперименты проводились на IBM PC совместимом компьютере с процессором Intel Р4 3.0 Ггц, объемом ОЗУ 1Гб.

В заключении сформулированы основные выводы и результаты диссертационной работы.

В приложении приведены акты об использовании результатов диссертационной работы, результаты кластеризации для рассматриваемых задач при разных коэффициентах отталкивания.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе выполнения диссертационной работы получены результаты:

1. 1. Проведен анализ современных архитектур построения многоагентных поисковых систем на предмет использования их в качестве основы для построения подсистемы поиска информации в системе гетерогенных САПР, который показал, что системы мобильных агентов не подходят для основы многоагентной поисковой системы из-за особенностей своего функционирования. Поэтому в результате основы для подсистемы поиска информации в гетерогенных САПР были выбраны статичные агенты.

2. Разработана модель и алгоритм работы подсистемы поиска информации на основе многоагентных систем. Предложена схема и минимальный состав агентов, необходимых для создания и использования многоагентной системы, отражающей все особенности подсистемы поиска информации в САПР.

3. Предложена архитектура подсистемы поиска информации, основанная на системе статичных агентов, которая позволяет производить поиск информации в гетерогенных источниках данных, таких как базы данных САПР, отличающихся своей структурой и форматом данных

4. Предложен алгоритм кластеризации для поиска аналогов в базах данных САПР, позволяющий проводить кластеризацию смешанных наборов данных (числовых и категориальных), без их дополнительных преобразований.

5. Разработана подсистема поиска, позволяющая производить поиск в гетерогенных источниках данных распределенных в сети. Подсистема представляет собой распределенное приложение, состоящее из ряда приложений-агентов, взаимодействующих в сетевой среде в процессе своего функционирования. Это делает систему поиска информацией достаточно гибкой и позволяет производить автоматическую реорганизацию и изменение состава структуры при добавлении новых модулей и новых источников информации.

6. Проведен анализ качества кластеризации для предлагаемого алгоритма, который показал, что данный алгоритм помимо специфичных свойств, таких как возможность работы с разными данными, обладает еще и более высоким качеством кластеризации, которое в среднем на 5-8% лучше, чем качество кластеризации аналогов, таких как алгоритмы СЬОРЕ, К-МеапБ и их модификации.

7. Исследована временная сложность разработанного алгоритма. Исследование показало, что она линейно зависит от числа исследуемых объектов, что позволяет говорить о высокой скорости данного алгоритма. Для большинства алгоритмов данного типа временная сложность колеблется в пределах от О(п) до

0(п3).

8. Исследование пространственной сложности алгоритма показало, что она зависит от числа кластеров, а не от числа исследуемых объектов, что также позволяет говорить о малых затратах памяти для работы данного алгоритма.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Публикации в ведущих рецензируемых изданиях, рекомендованных ВАК РФ

1. Янушко В.В., Жмурко С.А. «Виртуальное предприятие, как подход к проектированию САПР» Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТРТУ, 2007. №1(73). - С. 135-139.

2. Янушко В.В., Жмурко С.А. «Применение современных подходов к реструктуризации крупных компаний» Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2007. №2(77). - С. 114-116.

3. Жмурко С.А. «Обобщенная модель агента и многоагентной системы» Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2008. №4(81). -С. 115-120.

Публикации в других изданиях

4. Янушко В.В., Жмурко С.А. «XML-сервер, технология экспортирования данных в сетевых САПР» Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТРТУ, 2005. №3(47). - С. 210-211.

5. Янушко В.В., Жмурко С.А. «Методология MODEL-VIEW-CONTROLLER при построении корпоративных сайтов» Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТРТУ, 2005. №3(47). -С. 221-222.

6. Жмурко С.А., Рук Янушко В.В. «Анализ многоагентных структур» IV Всероссийская научная конференция молодых учёных, аспирантов и студентов, «Информационные технологии, системный анализ и управление». - Таганрог: Изд-во ТРТУ, 2006. - С. 192-194.

7. Янушко В.В., Жмурко С.А. «Многоагентные системы в САПР (часть 1)» Перспективные информационные технологии и интеллектуальные системы, №1(29), 2007.-С. 24-30

8. Янушко В.В., Жмурко С.А. «Реструктуризация крупных компаний на основе принципа многоагентных систем» Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'07) и «Интеллектуальные САПР» (CAD-2007). Научное издание в 4-х томах. - М.: Физматлит, 2007, T.l -С.297-299

9. Жмурко С.А. «Многоагентные системы в САПР (часть 2)» Перспективные информационные технологии и интеллектуальные системы, №2(30), 2007. -С. 8-16

10. Жмурко С.А. «Обобщенная архитектура многоагентных систем» Технологии Microsoft в теории и практике программирования: труды V-ой Всероссийской конференции студентов, аспирантов и молодых ученых. Южный регион, Таганрог, 13-14 марта 2008 г. - Таганрог, Изд-во ТТИ ЮФУ, 2008. - С.8-11.

11. Жмурко С.А. «Особенности применения многоагентных систем в системах автоматизированного проектирования» Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'08) и «Интеллектуальные САПР» (CAD-2008). Научное издание в 4-х томах. - М.: Физматлит, 2008, Т.1 - С.311-317

12. Жмурко С.А. «Основы создания средств поддержки многоагентных систем в системах автоматизированного проектирования» Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'08) и «Интеллектуальные САПР» (CAD-2008). Научное издание в 4-х томах. - М.: Физматлит, 2008, Т.1 - С.318-323

13. Жмурко С.А. «Основные принципы и модели построения многоагентных систем» Перспективные информационные технологии и интеллектуальные системы, №2(34), 2008. - С. 4-14

14. Жмурко С.А. «Интеллектуальные и мобильные агенты: FIPA и OMG архитектуры построения агентных систем» Перспективные информационные технологии и интеллектуальные системы, №2(34), 2008. - С. 14-20

15. Жмурко С.А., Янушко В.В., Еркин С.Н. «Многоагентные системы поиска информации в системе распределенных баз данных» Интегрированные модели, мягкие вычисления, вероятностные системы и комплексы программ в искусственном интеллекте. Научно-практическая конференция студентов, аспирантов, молодых ученых и специалистов (Коломна, 2009). Научные доклады. В 2-х томах. Т.2. - М.: Физматлит, 2009. С. 100-109

16. Жмурко С.А. «Применение многоагентных технологий для организации доступа к данным в системе гетерогенных САПР» Неделя науки - 2009: Сб. тезисов. Том 2. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - С. 65-68

Личный вклад автора в работах, опубликованных в соавторстве: [1,2]- обзор и анализ существующих методов и архитектур, [3 - 7] - анализ современных архитектур многоагентных систем, [15] - разработка архитектуры и программная реализация подсистемы поиска информации в системе распределенных базах данных.

Соискатель

Введение.

Глава 1. Состояние проблемы.

1.1. Основные принципы построения САПР.

1.2. Поддержка жизненного цикла изделия.

1.3. САПР и особенности современного производства.

1.4. Анализ многоагентных систем в САПР.

1.4.1. Понятие агента. Классификация агентов.

1.4.2. Взаимодействие агентов. Понятие многоагентной системы.

1.4.3. Применение многоагентных систем в задаче поиска информации в базах данных САПР.

1.5. Применение средств Интеллектуального Анализа Данных (ИАД) в задачах поиска информации в САПР.

1.6. Применение генетических алгоритмов в кластеризации.

1.7. Краткие выводы.

Глава 2. Исследование архитектур многоагентных систем поиска информации и алгоритмов кластеризации.

2.1. Стандарты построения многоагентных систем.4.

2.1.1. Модель многоагентной системы FIPA.

2.1.2. Модель многоагентной системы OMG.

2.2. Анализ систем поиска информации на основе многоагентных систем.

2.2.1. Многоагентные системы поиска информации, основанные на мобильных агентах.

2.2.2. Многоагентные системы поиска информации, основанные на статических агентах.

2.3. Исследование современных алгоритмов кластеризации.

2.4. Краткие выводы.

Глава 3. Разработка подсистемы поиска информации в системе распределенных САПР на основе многоагентных систем.

3.1. Построение алгебраической модели подсистемы поиска информации в системе распределенных САПР на основе многоагентных систем.

3.2. Разработка алгоритма поиска информации в системе распределенных

САПР.

3.3. Структура подсистемы поиска информации в системе распределенных САПР.

3.3.1. Агент регистрации.

3.3.2. Каталог агентов и каталог служб.

3.3.3. Агент онтологий.

3.3.4. Координатор рабочих групп.

3.3.5. Интерфейсный агент.

3.3.6. Поисковый агент.

3.3.7. Агент-координатор.

3.3.8. Агент обработки результатов.

3.4. Работа подсистемы поиска информации.

3.5. Алгоритм поиска аналогов в базах данных САПР.

3.6. Краткие выводы.

Глава 4. Экспериментальные исследования.

4.1. Разработка подсистемы поиска информации.

4.1.1. Общие сведения о создании многоагентной подсистемы поиска информации.

4.1.2. Разработка подсистемы поиска информации.

4.2. Общий анализ загруженности каналов передачи данных.

4.3. Оценка надежности подсистемы поиска информации.

4.3.1. Методика оценки надежности.

4.3.2. Оценка надежности подсистемы поиска информации.

4.4. Исследование основных параметров алгоритма кластеризации.

4.5. Оценка качества алгоритма кластеризации.

4.6. Краткие выводы.

Системы автоматизированного проектирования (САПР) уже давно являются неотъемлемой частью современного производства. Образовавшись в виде средств решения проектных задач, имеющих четко выраженный расчетный характер, системы автоматизированного проектирования прошли несколько стадий своего развития и выросли до уровня технологий, охватывающих больше, чем просто проектирование.

Однако современный рынок проектных работ требует дальнейшей модернизации и перехода на новые технологии. Заказчики всё чаще обращают внимание не только на стоимость проекта, но и на техническое оснащение организации, ее способность в сжатые сроки выпустить качественный проект. [1] При этом от предприятия требуется применение самых современных методов и подходов к созданию и поддержке изделия на всех стадиях его жизненного цикла. [2] Поддержка жизненного цикла изделия, PLM (Product Lifecycle Management), комплексная автоматизация и использование единого информационного пространства становятся ключевыми при выборе средств автоматизации.

Проведение комплексной автоматизации, обеспечивающей не только потребности максимального количества проектных специальностей, но и корректную передачу данных между рабочими местами различного назначения, создание единого информационного пространства является первоочередной задачей проектных организаций. Как результат, повышается качество выпускаемой документации, уменьшается количество ошибок, сокращаются сроки проектирования, а значит, повышается конкурентоспособность предприятия. [3]

При этом задачи единой среды проектирования сводятся к обеспечению коллективной работы проектно-конструкторских подразделений над проектом, хранению и поиску информации в электронных архивах, повторному использованию отработанных и проверенных технических решений, хранящихся в архиве, а также исключению ошибок за счет устранения нескольких источников для хранения одной и той же информации. [4]

Однако на пути построения единого информационного пространства возникают определенные трудности. Современное производство зачастую имеет высокую степень географической разрозненности. Нередки случаи, когда над одним изделием трудятся специалисты из разных частей света, находящиеся на тысячи и даже десятки тысяч километров друг от друга. При такой отдаленности построение локальных корпоративных сетей и организации на их основе единой среды проектирования является довольно сложной задачей.

Кроме того, такая географическая удаленность вовсе не является единственной проблемой. Проектирование и производство сложных изделий зачастую требует кооперации и, как следствие, гетерогенности состава САПР, используемого каждой из сторон кооперации. [5] В результате для проектирования и выпуска одного изделия используется гетерогенное программное обеспечение, что вызывает определенные сложности.

Различные САПР имеют различные форматы и способы хранения данных, хотя зачастую содержат схожую информацию (библиотеки компонент и их различные модели, готовые решения и др.). При рассмотрении процесса проектирования с точки зрения поддержки жизненного цикла изделия, необходимо обеспечить использование абсолютно всей информации, связанной с изделием, всеми участниками его жизненного цикла, т.е. всеми САПР и другими системами, которые участвуют в процессе проектирования, создания и поддержки изделия. Однако при переходе от одной системы к другой возникают определенные сложности, связанные с отсутствием прямой совместимости форматов данных и возможности поиска информации в сторонних базах данных (не являющимися базами данных конкретной САПР). При этом важной задачей для САПР с точки зрения поддержки жизненного цикла изделия является возможность поиска и использования данных не только в базах данных и знаний этой САПР, но и в базах данных и знаний тех САПР, которые наряду с ней участвуют в проектировании изделия.

Таким образом, одной из основных проблем на пути комплексной автоматизации производства является использование несовместимых платформ и информационно несогласованных программных решений, географически распределенных друг от друга [6], а также построение подсистемы поиска информации в системе таких гетерогенных САПР.

Одним из путей решения данной проблемы является применение методов теории многоагентных систем. Многоагентные системы представляют собой информационное пространство, в котором функционируют агенты — аппаратные и/или программные сущности, способные действовать автономно и выполнять определенные задачи.

Поиск информации в САПР можно разделить на две задачи: поиск по параметрам и поиск аналогов. И если первый (поиск по параметрам) является довольно тривиальной задачей, то поиск аналогов в САПР - задача более сложная. Для поиска аналогов объектов используют различные алгоритмы интеллектуального анализа данных (ИАД), а в частности алгоритмы кластеризации, которые позволяют разбить все множество исследуемых объектов на ряд групп на основе схожести их признаков.

Однако большинство алгоритмов кластеризации работают только с числовыми или только с категориальными данными. Однако как показывает практика, базы данных САПР зачастую содержат смешанную информацию. К тому же, большинство алгоритмов кластеризации требуют задания для своей работы ряда специфичных свойств, требующих от аналитика наличия определенных знаний о предметной области и способе кластеризации. Таким образом, нужны новые решения, позволяющие проводить кластеризацию смешанных наборов данных с минимальным участием в процессе человека.

Из всего вышеизложенного следует, что задача разработки подсистемы поиска информации в системе гетерогенных САПР на основе подхода многоагентных систем является довольно актуальной.

Целью настоящей работы является разработка подсистемы поиска информации в системе гетерогенных САПР на основе теории многоагентных систем, которая позволяет объединять информацию из баз данных этих САПР для осуществления поиска решений во всех базах данных и базах знаний. При этом важным условием является сохранение всех основных свойств САПР в контексте поддержки жизненного цикла изделия.

Для достижения поставленной цели в работе необходимо решить следующие задачи:

1. Провести анализ современных архитектур и выявить их основные недостатки для построения подсистемы поиска информации в базах данных гетерогенных САПР;

2. Провести анализ современных алгоритмов кластеризации, используемых для больших наборов данных и выявить их основные ограничения для использования в подсистеме поиска информации в базах данных гетерогенных САПР;

3. Разработать новую модифицированную архитектуру подсистемы поиска информации САПР, позволяющую САПР взаимодействовать с различными базами данных;

4. Разработать алгоритм поиска аналогов в системе баз данных САПР;

5. Создать подсистему поиска информации в базах данных системы гетерогенных САПР.

Для решения поставленных задач использовались следующие методы исследований: анализ построения единого информационного пространства в задачах проектирования, элементы теории многоагентных систем, алгоритмов, множеств и генетических алгоритмов.

Научная новизна диссертационной работы заключается в следующем:

1. Разработке модели поиска информации в системах различных источников данных на основе многоагентных систем;

2. Разработке архитектуры системы поиска информации в системе баз данных гетерогенных САПР на основе принципов многоагентных систем;

3. Разработке алгоритма кластеризации, позволяющего работать с категориальными и числовыми данными;

4. Разработке проблемно-ориентированных модифицированных генетических операторов для алгоритма кластеризации, позволяющих получать допустимые решения рассматриваемой задачи.

Практическую ценность работы представляют:

1. Алгоритм кластеризации, используемый для поиска аналогов в системе гетерогенных САПР;

2. Подсистема поиска информации, разработанная на основе теории многоагентных систем, позволяющая производить поиск информации в различных гетерогенных базах данных САПР.

Реализация результатов работы. Основные теоретические и практические результаты диссертационной работы использованы в госбюджетной работе №12354 «Разработка теории и принципов построения интеллектуальных систем принятия решений при проектировании на основе квантовых вычислений и бионических методов поиска», в госбюджетной работе №12355 «Разработка теории и принципов интеллектуального анализа данных при построении систем поддержки принятия решений», а также в научно-исследовательских работах, выполненных по гранту РФФИ №07-0100174 «Разработка теории и исследование эволюционных синергетических и гомеостатических методов принятия решений». Кроме того, материалы диссертации использованы в учебном процессе на кафедре САПР ТТИ ЮФУ при проведении лабораторных и курсовых работ по дисциплинам: «Разработка САПР», «Эволюционное моделирование и генетические алгоритмы», «Автоматизация конструкторского и технологического проектирования».

Апробация основных теоретических и практических результатов работы проводилась на научных семинарах кафедры САПР, всероссийской научно-практической конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление» (г. Таганрог, 2006), международной научно-технической конференции «Интеллектуальные системы (AIS'07)» (с. Дивноморское, 2007 г.), всероссийской конференции студентов, аспирантов и молодых ученых «Технологии Microsoft в теории и практике программирования» (г. Таганрог, 2008 г.), международной научно-технической конференции «Интеллектуальные системы (AIS'08)» (с. Дивноморское, 2008 г.), научно-практической конференции студентов, аспирантов, молодых ученых и специалистов (г. Коломна, 2009 г.).

Результаты диссертации отражены в 16 печатных работах.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 158 страниц, включая 44 рисунка, 16 таблиц, список литературы из 111 наименований, приложений и актов об использовании.

ЗАКЛЮЧЕНИЕ

1. Проведен анализ современных архитектур построения многоагентных поисковых систем на предмет использования их в качестве основы для построения подсистемы поиска информации в системе гетерогенных САПР, который показал, что системы мобильных агентов не подходят для основы многоагентной поисковой системы из-за особенностей своего функционирования. Поэтому в результате основы для подсистемы поиска информации в гетерогенных САПР были выбраны статичные агенты.

2. Разработана модель и алгоритм работы подсистемы поиска информации на основе многоагентных систем. Предложена схема и минимальный состав агентов, необходимых для создания и использования многоагентной системы, отражающей все особенности подсистемы поиска информации в САПР.

3. Предложена архитектура подсистемы поиска информации, основанная на системе статичных агентов, которая позволяет производить поиск информации в гетерогенных источниках данных, таких как базы данных САПР, отличающихся своей структурой и форматом данных.

4. Предложен алгоритм кластеризации для поиска аналогов в базах данных САПР, позволяющий проводить кластеризацию смешанных наборов данных (числовых и категориальных), без их дополнительных преобразований.

5. Разработана подсистема поиска, позволяющая производить поиск в гетерогенных источниках данных распределенных в сети. Подсистема представляет собой распределенное приложение, состоящее из ряда приложений-агентов, взаимодействующих в сетевой среде в процессе своего функционирования. Это делает систему поиска информацией достаточно гибкой и позволяет производить автоматическую реорганизацию и изменение состава структуры при добавлении новых модулей и новых источников информации.

6. Проведен анализ качества кластеризации для предлагаемого алгоритма, который показал, что данный алгоритм помимо специфичных свойств, таких как возможность работы с разными данными, обладает еще и более высоким качеством кластеризации, которое в среднем на 5-8% лучше, чем качество кластеризации аналогов, таких как алгоритмы CLOPE, K-Means и их модификации.

7. Исследована временная сложность разработанного алгоритма. Исследование показало, что она линейно зависит от числа исследуемых объектов, что позволяет говорить о высокой скорости данного алгоритма. Для большинства алгоритмов данного типа временная сложность колеблется в пределах от 0(п) до 0(п ).

8. Исследование пространственной сложности алгоритма показало, что она зависит от числа кластеров, а не от числа исследуемых объектов, что также позволяет говорить о малых затратах памяти для работы данного алгоритма.

1. Лебедев, И. Генеральная линия / И. Лебедев, В. Ревзин, Л. Аверкина // CAD master. 2007. - № 4 - С. 6-9.

2. Штарев, В. Сквозной цикл производства изделия как результат внедрения ИПИ-технологий в ОКБМ / В. Штарев, В. Банкрутенко, А. Лазарев, К. Комиссаров // CAD master. 2008. - № 4 - С. 68-74.

3. Ревзин, В. Комплексная автоматизация проектных организаций: цели, условия, результаты / В. Ревзин // CAD master. — 2005. № 4 - С. 6-9.

4. Давидович, А. Н. Обоснование необходимости использования гетерогенных САПР при проектировании сложных наукоемких изделий машиностроения / А. Н. Давидович // Rational Enterprise Management. 2007. - № 4. - С. 50-52.

5. Тоскина, H. mySAP PLM — инструмент управления жизненным циклом / Н. Тоскина // Открытые системы. 2002. - № 2 - С. 46-50.

6. Янушко, В. В. Многоагентные системы в САПР (часть 1) / В. В. Янушко, С. А. Жмурко // Перспективные информационные технологии и интеллектуальные системы. 2007. - №1 (29) - С. 24-30.

7. Янушко, В. В. Применение современных подходов к реструктуризации крупных компаний / В. В. Янушко, С. А. Жмурко // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». Таганрог: Изд-во ТТИ ЮФУ, 2007. - №2 (77). - С. 114-116.

8. Янушко, В. В.Реструктуризация крупных компаний на основе принципа многоагентных систем / В. В. Янушко, С. А. Жмурко //

9. Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'07) и «Интеллектуальные САПР» (CAD-2007). Научное издание. T. I. - М.: Физматлит.- 2007.- С.297-299.

10. Ю.Норенков, И. П. Основы автоматизированного проектирования / И. П.

11. Норенков.- М.: Изд-во МГТУ им. Н.Э.Баумана, 2002. 188 с. П.Норенков, И. П. Информационная поддержка наукоемких изделий CALS-технологии / Норенков И. П., Кузьмик П. К. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 с.

12. Стариков, А. В. Управление сложными проектами в интегрированных САПР / А. В. Стариков, В. Н. Харин. Воронеж, гос. университет. Воронеж, 2002. - 135 с.

13. Шефов, А. А. Об организационных структурах проектных организаций / А. А. Шефов.- М.: Бюллетень строительной техники. 2004. - № 11 -С. 60-62.

14. Н.Казеннов, Г. Г. Основы проектирования интегральных схем и систем / Г. Г. Казеннов. М.: Бином. Лаборатория знаний, 2005. - 295 с.

15. Красноперов, К. Автоматизация подготовки производства и ее эффективность / К. Красноперов // САПР и графика. 2000. - № 11 С. 28-33.

16. Лазарева, Т. Я. Интегрированные системы проектирования и управления. Структура и состав: учеб.пособие / Т. Я. Лазарева, Ю Ф. Мартемьянов, А. Г. Схиртладзе. М.: Издательство «Машиностроение-1», 2006. - 172 с.

17. Гольдштейн, Г. Я. Стратегический инновационный менеджмент: учеб.пособие / Г. Я. Гольдштейн. Таганрог: ТРТУ, 2004. - 267 с.

18. Муромцев, Ю Л. Информационные технологии проектирования РЭС. Ч. 1 : Основные понятия, архитектура, принципы: учеб.пособие. / Ю. Л. Муромцев, Л. П. Орлова, Д. Ю. Муромцев, В. М. Тютюнник. -Тамбов: Изд-во Тамб. гос. техн. ун-та, 2004. 96 с.

19. Левин, А. И. CALS-сопровождение жизненного цикла / А. И. Левин, Е. В. Судов // Открытые системы. 2001. - № 3 (59) - С. 58-62.

20. Самотохин, С. CALS-технологии и стандарты / С. Самотохин, Г. Никифоров, В. Васютович // Открытые системы. 2001. - № 2 - Режим доступа: http://aist.osp.ru/cio/2001/02/171129/ - Загл. с экрана.

21. Городецкий, В. Проблемы перехода к внедрению PLM-решений на машиностроительном предприятии / В. Городецкий, М. Михайлов // КОМПАС промышленной реструктуризации. 2004.- № 4.

22. Докучаев, Д. Внедрение информационной системы как способ совершенствования бизнес-процессов предприятия / Д. Докучаев, М. Каменова, О. Новожилов // CAD master. 2005. - № 1. - С. 8-17.

23. Колчин, А. Как сделать успешным внедрение PLM I А. Колчин, С. Сумароков, Т. Жабоев // САПР и графика. 2008. - № 5 - С. 125-128.

24. Колчин, А. Ф. Управление жизненным циклом продукции / А. Ф. Колчин, М. В. Овсянников, А Ф. Стрекалов, С В. Сумароков // -М.: Анахарсис, 2002. С. 304.

25. Янушко, В. В. Виртуальное предприятие, как подход к проектированию САПР / В. В. Янушко, С. А. Жмурко // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». Таганрог: Изд-во ТРТУ, 2007. - №1 (73). - С. 135-139.

26. Евгенев, Г. Б. Мультиагентные системы компьютерной инженерной деятельности / Г. Б. Евгенев // Информационные технологии. 2000. -№ 4. - С. 2-7.

27. Голенков, В. В. Виртуальные кафедры и интеллектуальные обучающие системы / В. В. Голенков, В. В. Емельянов, В. Б. Тарасов // Новости искусственного интеллекта. 2001. - № 4. — С. 4-10.

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

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

30. Жмурко, С. А. Многоагентные системы в САПР (часть 2) / С. А. Жмурко // Перспективные информационные технологии и интеллектуальные системы. 2007. — № 2 (30) - С. 8-16.

31. Жмурко, С. А. Обобщенная модель агента и многоагентной системы / С. А. Жмурко // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». Таганрог: Изд-во ТТИ ЮФУ, 2008. №4 (81).-С. 115-120.

32. Жмурко, С. А. Особенности применения многоагентных систем в системах автоматизированного проектирования / С. А. Жмурко //

33. Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'08) и «Интеллектуальные САПР» (CAD-2008). Научное издание. Т. I - М.: Физматлит, 2008 г. - С. 311317.

34. Жмурко, С. А. Основные принципы и модели построения многоагентных систем / С. А. Жмурко // Перспективные информационные технологии и интеллектуальные системы. 2008. -№2 (34)-С. 4-14.

35. Евгенев, Г. Б. Методы создания интегрированных интеллектуальных САПР в среде «СПРУТ»» / Г. Б. Евгенев, А. М. Савинов // Программные продукты и системы. 2006. - № 2 (74). - С. 15-18.

36. Борисов, Е. Агенториентированная технология построения систем искусственного интеллекта Электронный ресурс. / Е. Борисов // 2003. 16 февраля. - Режим доступа : http://mechanoid.narod.ru/misc/agents/ index.html.

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

38. Бурцев, М.С. Влияние агрессии на эволюцию в многоагентной системе / М. С. Бурцев, В. Г. Редько // Сб. трудов 9-ой Международной конференции «Проблемы управления безопасностью сложных систем». М., ИПУ. 2002.

39. Вдовицын, В.Т. Разработка многоагентной системы для организации поиска данных в распределенной информационной системе / В. Т.

40. Вдовицын, А. Д. Сорокин, Н. Б. Луговая, И. В. Чудакова // Научный сервис в сети Интернет: Труды Всеросс. науч. конф. 22-27 сентября 2003 г. Новороссийск. М.: Изд-во МГУ, 2003. - С. 6-9.

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

42. Свойства агентов и терминология Электронный ресурс. -2009. — Режим доступа: http://agentsystem.ru/16. Загл. с экрана.

43. Жмурко, С. А. Анализ многоагентных структур / С.А. Жмурко, В.В. Янушко // IV Всероссийская научная конференция молодых учёных, аспирантов и студентов «Информационные технологии, системный анализ и управление». Таганрог: Изд-во ТРТУ, 2006. - С. 192-194.

44. Иванюк, В. А. Интеллектуальная система прогнозирования на основе методов искусственного интеллекта и статистики / В. А. Иванюк, А. В. Андрейчиков // Программные продукты и системы. 2008. - № 2 - С. 90-91.

45. Янушко, В. В. Анализ технологий, применяемых в многоагентных системах / В. В. Янушко, А. В. Далёкин, С. Н. Еркин // Перспективные информационные технологии и интеллектуальные системы. 2006. -№4 (28)-С. 30-37.

46. Лямин, Р.В. Технологии и инструментальные средства создания многоагентных систем / Р. В. Лямин, О. И. Федяев // Конференция КСМ-2008, ДонНТУ, 2008г.

47. Сшиотин, Д. С. Применение многоагентных технологий в организации генетического поиска изоморфной подстановки / Д. С. Силютин // Перспективные информационные технологии и интеллектуальные системы. 2003. - № 2 (14) - С. 48-54.

48. Емельянов, В. В. Теория и практика эволюционного моделирования / В. В. Емельянов, В. В. Курейчик, В. М. Курейчик -М.: ФИЗМАТЛИТ, 2003,- 432 с.

49. Кириллов, В. В. Основы проектирования реляционных баз данных / В. В. Кириллов. СПб.: ИГМО, 1994. - 90 с.

50. Дейт, К. Введение в системы баз данных / К. Дейт // Introduction to Database Systems. — 8-е изд. — М.: Вильяме, 2006. — С. 1328.

51. Мустафаева, Д. Г. Интеграция данных в САПР элементов интегральной электроники / Мустафаева Д. Г., Мустафаев А. Г. //

52. Труды молодых ученых» Владикавказского научного центра РАН. -2009.-№ 1.5 8.Кузнецов, С. Проблема качества баз данных для САПР / С. Кузнецов // Открытые системы. 2004. - № 6 (59). - С. 58-62.

53. Кожемякин, Н. Данные решают все / Н. Кожемякин // Сапр и графика .- 2000. № 7.

54. Сокол, И. База данных АРМ Data — связующий элемент в структуре системы АРМ WinMachine / И. Сокол, Ю. Савченко, Д. Шанин, С. Розинский // САПР и графика. 2002. - № 9 - С. 17-19.

55. Трушин, В. Базы данных электрических устройств для ElectriCS 4.0 /

56. B. Трушин // САПР и графика. 2000. - № 9. - С.2-6.

57. Ивановская, Т. В. Разработка модели сети виртуальных каналов на основе многоагентного подхода / Т. В. Ивановская, К. М. Руккас // ВЕСТНИК ХНУ. 2005. - № 703 - С. 135-143.

58. Барсегян, А. А. Методы и модели анализа данных: OLAP и Data Mining: учеб.пособие / А. А. Барсегян и др.. СПб. : БХВ-Петербург, 2004. - 336 с.

59. Далекин, А. В. Перспективы анализа и обработки знаний в информационных системах / А. В. Далекин, В. В. Янушко // Перспективные информационные технологии и интеллектуальные системы. 2007. - № 3 (31) - С. 17-21.

60. OLAP-системы Электронный ресурс. Режим доступа:http://www.itpedia.ru/index.php/OLAP-cHCTeMbi. Загл. с экрана. 67.Шапот, М. Интеллектуальный анализ данных в системах поддержки принятия решений / М. Шапот // Открытые системы. - 1998. - № 01 1. C. 30-35.

61. Goldberg, D. E. Genetic algorithms in search, optimization, and machine learning / D. E. Goldberg. Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA, 1989. - 372 p.

62. Holland, J. H. Adaptation in natural and artificial systems / J. H. Holland.-The MIT Press, 1975. 228 p.

63. Бородулин, А. В. Новая архитектура генетического алгоритма канальной трассировки / А. В. Бородулин, В. М. Курейчик // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 2 (10) - С. 71-80.

64. Бакало, М. А. Концепция построения системы поддержки генетических алгоритмов / М. А. Бакало, В. В. Курейчик // Перспективные информационные технологии и интеллектуальные системы. 2007. - № 1 (29) - С. 4-10.

65. Курейчик, В. М. Генетические алгоритмы / В. М. Курейчик. -Таганрог: ТРТУ, 1998. 242 с.

66. Гладков, JI. А. Генетические алгоритмы / JL А. Гладков, В. В. Курейчик, В. М. Курейчик. М.: Физматлит. 2006. — 320 с.

67. Курейчик, В. Применение генетических алгоритмов для решения оптимизационных задач на графах / В. Курейчик, JI.A. Стасенко // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 3 (11) - С. 71-79.

68. Курейчик, В. В. Генетические операторы в задаче компоновки схем ЭВА / В. В. Курейчик, О. В. Смирнова // Перспективные информационные технологии и интеллектуальные системы. 2001 № 4 (8)-С. 41-45.

69. Синюк, В. Г. Управляемые статистические генетические алгоритмы / В. Г. Синюк, В. Н. Акопов // Программные продукты и системы. -2008. -№4-С. 146-149.

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

71. Btuns, R. Direct Chromosome Representation and Advanced Genetic Operators for Production Scheduling / R. Btuns // Proc. of 5th Int. Conf. on GA, Morgan Kaufinann Publ., 1993. P. 352-359.

72. Magedanz, Thomas OMG AND FIPA standardization for agent technology: competition or convergence? Electronic resource. / Thomas Magedanz. -Режим доступа: http://cordis.europa.eu/infowin/acts/analysys/products/ thematic/agents/ch2/ch2.htm. Загл. с экрана.

73. FIPA Agent Management Specification Electronic resource. 2004. -Режим доступа: http://www.fipa.org/specs/fipa00023/SC00023K.pdf. -Загл. с экрана.

74. Жмурко, С. А. Интеллектуальные и мобильные агенты: FIPA и OMG архитектуры построения агентных систем / С. А. Жмурко // Перспективные информационные технологии и интеллектуальные системы. 2008. - № 2 (34) - С. 14-20.

75. Roberto, A. Flores-Mendez Towards a Standardization of Multi-Agent System Frameworks Electronic resource. / Roberto A. Flores-Mendez.-Режим доступа: http://www.acm.org/crossroads/xrds5-4/multiagent.html. -Загл. с экрана.

76. Mobile Agent System Interoperability Facilities Specification Electronic resource. 2008. - Режим доступа: http://www.omg.org/cgi-bin/apps/doc?orbos/97-10-05.pdf. - Загл. с экрана.

77. Milojicic, D. MASIF. The OMG Mobile Agent System Interoperability Facility Electronic resource. / D. Milojicic. 1998.-Режим доступа: www.hpl.hp.com/personal/DejanMilojicic/ma4.pdf. - Загл. с экрана.

78. Карцан, И. Н. Многоагентная система для поиска и обработки тематико-ориентированной информации : диссертация . кандидата технических наук : 05.13.01 / Карцан Игорь Николаевич; Сиб. аэрокосм. акад. им. акад. М.Ф. Решетнева. Красноярск, 2007. - 185 с.

79. Майкевич, Н. Программные агенты и поиск в Интернет Электронный ресурс. / Н. Майкевич. Режим доступа: http://uchcom.botik.ru/nut/ searchagents.html. - Загл. с экрана.

80. Янушко, В. В. Методология MODEL-VIEW-CONTROLLER при построении корпоративных сайтов / В. В. Янушко, С А. Жмурко // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». — Таганрог: Изд-во ТРТУ, 2005. №3 (47). - С. 221-222.

81. Янушко, В. В. XML-сервер, технология экспортирования данных в сетевых САПР / В. В. Янушко, С. А. Жмурко // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». Таганрог: Изд-во ТРТУ, 2005. - №3 (47). - С. 210-211.

82. Jade Java Agent DEvelopment Framework: сайт агентной платформы Jade Электронный ресурс. - Режим доступа: http://jade.tilab.com, свободный. - Загл. с экрана.

83. Cougaar Agent Architecture: сайт агентной платформы Cougar Электронный ресурс. Режим доступа: http://cougaar.org, свободный.- Загл. с экрана.

84. Aglobe Projects - Agent Technology Center: сайт агентной платформы Aglobe Электронный ресурс.- Режим доступа: http://agents.felk.cvut.cz/aglobe, свободный. — Загл. с экрана.

85. Jason Home: сайт агентной платформы Jason Электронный ресурс. -Режим доступа: http://jason.sourceforge.net, свободный. Загл. с экрана.

86. JACK: сайт агентной платформы Jack Электронный ресурс. Режим доступа: http://www.aosgrp.com/shared/products/index.html, свободный.- Загл. с экрана.

87. Ермаков, А. А. Основы надежности информационных систем: учеб. пособие / А. А. Ермаков. — Иркутск: ИрГУПС, 2006.- 151с.

88. Ester, M A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise Proc / M. Ester et al.. 2nd Int'l Conf. Knowledge Discovery Databases and Data Mining, AAAI Press, Menlo Park, Calif., 1996. - P. 226-231.

89. Yang, Y. CLOPE: A fast and Effective Clustering Algorithm for Transactional Data / Y. Yang, H. Guan, J. You. In Proc. of SIGKDD'02, Edmonton, Alberta, Canada. 2002. - 682 p.

90. Чубукова, И.A. Data Mining / И. А. Чубукова. Интернет-университет информационных технологий - ИНТУИТ.ру, БИНОМ. Лаборатория знаний, 2008. - 384 с.

91. Баранов, A. Data Mining. Теория и практика / А. Баранов, И. Брянцев, И. Жевлаков. БДЦ-пресс, 2006. - 208 с.

92. Дюк, В. Data Mining. Учебный курс / В. Дюк, А. Самойленко. -Питер, 2001.-368 с.

93. Городецкий, В. И. Прикладные многоагентные системы группового управления / В. И Городецкий и др.. Искусственный интеллект и принятие решений. - 2009. - № 2 - С. 3-24.

94. Городецкий, В. И. Среда разработки многоагентных приложений MASDK / В. И Городецкий и др.. Информационные технологии и вычислительные системы. — 2003. - № 1-2 - С, 26-41.

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

96. Абияка, А. А. Самоорганизующаяся коммуникация в мультиагентной системе с нейросетевым управлением / А. А. Абияка, В. И. Божич, Р. Н. Кононенко // Изв. АН.: Теория и системы управления. 1999. - № 5 - С. 135-138.

97. Евгенев, Г. Б. Интеллектуальные системы проектирования: учеб. пособие / Г. Б. Евгенев. Издательство МГТУ им. Баумана, 2009. -334 с.

98. Трахтенгерц, Э. А. Многоагентные системы поддержки принятия решений / Э. А. Трахтенгерц // Изв. АН: Теория и системы управления. 1998. - № 5 - С.106-122.