автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Разработка теории и основных принципов принятия решений в САПР на основе методов, инспирированных природными системами

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

РАЗРАБОТКА ТЕОРИИ И ОСНОВНЫХ ПРИНЦИПОВ ПРИНЯТИЯ РЕШЕНИЙ В САПР НА ОСНОВЕ МЕТОДОВ, ИНСПИРИРОВАННЫХ ПРИРОДНЫМИ СИСТЕМАМИ

Специальность: 05.13.12 - Системы автоматизации проектирования

(вычислительная техника и информатика); Специальность: 05.13.17 - Теоретические основы информатики

Автореферат

диссертации на соискание ученой степени доктора технических наук

«ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»

На правах рукописи

СОРОКОЛЕТОВ ПАВЕЛ ВАЛЕРЬЕВИЧ

2 8 0КТ ?010

Научный консультант:

д-р. техн. наук, профессор Курейчик В.В.

004611946

Работа выполнена в Технологическом институте Южного федерального университета в г. Таганроге

Научный консультант: доктор технических наук,

профессор Курейчик В.В.

Официальные оппоненты: доктор технических наук, профессор

Васильев В. И. (МГУП, г. Москва)

доктор технических наук, доцент Рыжов А. П. (МГУ, г. Москва)

доктор технических наук, профессор Ковалев С. М. (РГУПС, г. Ростов-на-Дону)

Ведущая организация: ГУ РосНИИ информационных технологий и автоматизации проектирования г. Москва

Защита диссертации состоится « 9 » декабря 2010г. в 1420 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 » октября 2010г.

Ученый секретарь

диссертационного совета Д 212.208.22, доктор технических наук, профессор

Целых А.Н.

Общая характеристика работы

Актуальность работы. Одной из основных проблем в науке и технике 21 столетия является проблема поддержки принятия решений в неопределенных и нечетких условиях. В настоящее время постоянно происходит увеличение потоков информации, связанных с так называемой проблемой «проклятия размерности», содержащих различные типы данных и знаний. Это требует разработки теории, принципов и построения интегрированных математических моделей и методов для эффективного принятия решений в САПР. Эффективными способами анализа и обработки множества данных и знаний являются моделирование эволюционного развития природы, адаптация, иерархическая самоорганизация, использование генетического поиска, программирования, бионических, генетических и квантовых алгоритмов. Все это должно быть связано с новой концепцией развития информационно коммуникационных технологий (ИКТ).

Основополагающими работами, оказавшими влияние на исследования автора, являются труды О.И.Ларичева, Г.С.Поспелова, Д.А.Поспелова, А.Л.Стемпковского, В.Н. Вагина, И.П. Норенкова, A.A. Колесников, Д.И.Батшцева, Г.Г.Казенова, В.Л.Гридшга,

B.П.Корячко, А.И. Петренко, Б.В. Баталова, Ю.Х. Вермишева, Л.С.Берштейна,

C.В.Емельянова, А.П.Еремеева, Н.Н.Моисеева, Г.С.Осипова, Э.В.Попова, Л.А.Растригина, Э.А.Трахтенгерца, Л.Заде, М.Месаровича, Д.Фогеля, А.Н. Тихонова, Р.Л. Кшш, X. Райфа, О. Уотермена., Б. Приса, Н.Шервани, Д.Гольдберга, Д.Холланда, Л.Девиса и многих других.

Разработка гибридных человеко-машинных систем поддержки принятия решений (СППР) позволит проводить этапы анализа, синтеза и моделирования альтернативных решений с учетом опыта, знаний и предпочтений разработчиков, конструкторов и технологов. Тогда для эффективного принятия решений в САПР необходимо каждый раз определять сходимость процесса к искомому множеству решений. При этом производится перебор по всему множеству решений (родители), в результате чего возникают новые альтернатив!ше решения - потомки. При этом технология моделирования эволюции преобразуется в комплекс алгоритмов смены поколений. В этой связи становится необходимой интеграция природно-инспирированных и поисковых методов с целью модернизации СППР. Одним из таких подходов является использование методов моделирования эволюции, применение биоинспирированных, бионических, квантовых и генетических алгоритмов, эволюционных стратегий, адаптации и взаимодействия с внешней средой.

В последнее время началась разработка и исследование возможностей применения алгоритмов, инспирированных природными системами, для эффективного принятия решения (ПР) в неопределенных и нечетких условиях при проектировании. При этом постоянно возникает конфликт между сложностью САПР и требованиями принятия эффективных решений в реальном масштабе времени. Данные проблемы не могут быть полностью решены распараллеливанием процесса . принятия решений, увеличением числа операторов, пользователей и лиц, принимающих решения (ЛПР). Одним из возможных подходов к

решению этой проблемы является использование новых технологий на стыке информатики и бионики.

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

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

Указанная цель достигается решением следующих задач.

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

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

3. Разработка динамических экспертных систем для принятия решений при проектировании.

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

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

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

Научная новизна работы заключается в теоретическом обобщении и решении научной проблемы поддержки принятия решений в условиях недостаточности и нечеткости исходных данных, имеющей важное экономико-социальное значение, в области искусственного интеллекта и информационных технологий.

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

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

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

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

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

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

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

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

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

Реализация результатов работы. Теоретические н практические результаты, полученные в диссертационной работе, использовались в 7 научно исследовательских работах, выполненных в рамках грантов РФФИ, программ Минобразования, госбюджетной и хоздоговорной тематики. Материалы диссертации использованы в госбюджетных работах: «Разработка теории и пршщипов построения интеллектуальных систем принятия решений при проектировании на основе квантовых вычислений и бионических методов поиска». В программе развития потенциала научной школы «Разработка бионических методов и принципов поиска оптимальных решений при проектировании». При выполнении грантов

РФФИ «Разработка теории и принципов принятия решений при разбиении сложных математических объектов на части на основе моделирования эволюции и фрактальных множеств». «Разработка теории и принципов построения систем автоматизированного проектирования на основе эволюционной адаптации». «Разработка теории и принципов построения систем поддержки принятия решений на основе эволюционной адаптации, самообучения и самоорганизации». «Разработка теории и исследование эволюционных, синергетических и гомеостатических методов принятая решений».

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

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

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

Апробация работы. Основные научные и практические результаты диссертационной работы докладывались, обсуждались и были одобрены на всероссийских научно-технических конференциях с участием зарубежных представителей и международных научно-технических конференциях "Новая информационная технология и проблемы управления" (г. Москва, 1990г.), «Интеллектуальные СППР» (г. Дивноморск 2002-2009гг.), «Интеллектуальные системы» (г. Дивноморск, 2003-2009гг.), Ill и IV «Интегрированные модели и мягкие вычисления в искусственном интеллекте (г.Коломна, 2005,2007,2009 г.г.) по информационным технологиям, проводимых на международных выставках (г. Шеньян 2006г., г. Харбин 2007г., КНР), и выставке CEBIT (г. Ганновер 2007г., Германия); на научных семинарах Артуа университета (г.Бетюн, Франция, 2006-20 Юг.г.) и Северо-Кавказкого Научного Центра Высшей Школы (г. Ростов-на-Дону, Таганрог, 2003- 2007г.г.).

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

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

Краткое содержание работы

Во введении обоснована актуальность диссертационной работы, приведена цель работы, указаны методы исследования, научная новизна, основные научные положения, выносимые на защиту, приведены сведения о практической ценности, реализации и

внедрении, апробации диссертационной работы, дано краткое содержание основных разделов диссертации.

В первом разделе проведен анализ процесса развития систем поддержки принятия решений в проектировании. Сформулирована постановка задачи и рассмотрены существующие основные модели принятия решений. Построена модифицированная классификация методов принятия решений. Рассмотрен информационный подход к разработке систем поддержки принятия решений. Приведены новые и модифицированные способы приобретения знаний при принятии решений. Проведен анализ новых и модифшшроваш1ых моделей представления нечетких и неопределенных знаний. Сделаны выводы о необходимости построения комплексной методологии на основе методов, инспирированных природными системами, для эффективного принятия решений.

Принятием решений считают процесс анализа и выбора альтернатив, позволяющих получать однозначные, непротиворечивые, корректные решения на основе формализованных моделей анализируемых объектов, моделей управления и внешней среды.

К задачам поддержки принятия решений в новых информационных технологиях относятся все задачи, включая класс задач в условиях нечеткости и неопределенности, окончательное решение которых осуществляется на основе анализа полученных альтернатив. В этих случаях информацию преобразуют к виду, упрощающему и облегчающему принятие решений. Поэтому при невозможности получения решения задачи при заданных условиях автор предлагает использовать следующие принципы, положения и методы: «Бритвы Оккама» - упрощение условшЧ решения задачи и сведение ее к известной. «Разделяй и властвуй» - разбиение сложной задачи на отдельные подзадачи с возможностью последующей сборки. «Data mining» (DM) - использование интеллектуального анализа извлечения знаний. «Выживание сильнейших» - то есть выбор оптимальных решений в процессе моделирования эволюции.

Сформулируем постановку задачи исследований. Обозначим вектором <р = {ф[.....фг}

множество неконтролируемых параметров системы проектирования, которые, являясь случайными величинами, влияют на значения выходных параметров. Обозначим другим вектором vf/ = (yi, \)/2,..., у«) совокупность неконтролируемых параметров, которые, являясь нечеткими величинами, влияют также на значения выходных параметров. При этом <?, = <ц„ zi>, где fit - функция принадлежности элемента г, к множеству цт, ^=[0,1]. Тогда математическое описание системы примет вид функциональной зависимости между вектором X входных параметров, Z - выходных параметров и влияющих па них векторами (р и vj/:

Y = F(X,Z,<p,V) (1)

Модель принятия решения включает шесть основных, циклических повторяющихся этапов: сбор всех видов информации, как четкой, так и нечеткой; анализ данных; преобразование данных; разработка критериев оценки решений; получение вариантов решений (альтернатив); исследование альтернатив и выбор подмножества вариантов (или одного из них) на основе заданных критериев.

В работе описана модифицированная обобщенная схема поддержки принятия решений. Она имеет иерархический вид, состоящий из нескольких уровней. В методологическом плане, в

зависимости от возможностей и полноты их количественного описания, задачи принятия решений можно распределить на такие группы:

• задачи с полным математическим описанием исходных данных, условий, критериев и принципов оптимальности решений;

• задачи с неполным математическим описанием исходных данных, условий и качественным описанием критериев и принципов оптимальности;

• задачи с математическим описанием основных ресурсных исходных данных и качественным описанием условий, критериев и принципов оптимальности решений.

Под задачей принятия решений в условиях неопределенности понимается тройка {А.Х.Б} множеств альтернатив А, состояний Б (в общем случае нечетких либо вероятностных) и множества решений X. Взаимодействие рассматриваемых элементов можно представить общей схемой: (Л, £) т.е. состояние в сочетании с выбранной альтернативой определяет исход решения. Многие задачи СППР являются ЫР-пояными и не поддаются формализации ввиду неопределенности и нечеткости задач проектирования, исходных данных, критериев, ограничений и граничных условий. Задачи ПР в САПР будем рассматривать в контексте поиска в пространстве состояний. Формально задача ПР запишется:

ПР=<и, 8„, Бк, 5Доп., ЦФ, ОГР, ГУ, фщ>>, где: и - универсум (множество всех состояний), $„(8,) - подмножество начальных (конечных) СОСТОЯНИЙ, 8 доп — ПОДМНОЖеСТВО допустимых (и \Sjion. - недопустимых) состояний, Бн, 55Допси, фпр: 5Д0П- 5Д0П. - множество правил преобразования, ЦФ-множество целевых функций, критериев оценки найденных решений, ОГР - ограничения, ГУ - граничные условия.

Решением задачи ПР можно считать подмножество альтернативных проекгно-конструкторских решений, полученных на основе алгоритмов (последовательности применения правил). Эти алгоритмы должны удовлетворять граничным условиям задачи, т.е. результаты композиции и суперпозиции состояний должны оставаться в подмножестве допустимых:

01 • 02 ° ... е 8К .

01° 02° ... "Фа е Бк,

где ° и • знаки композиции и суперпозиции соответственно. На рис.1, приведена обобщенная схема процесса принятия решений при проектировании.

В последнее время появились новые технологи! поддержки принятия решений. К ним относятся бионические и биоинспирированные методы и алгоритмы.

В этих алгоритмах используется новая технология моделирования эволюции, а также методы естественного отбора среди живых организмов в природе для выбора сильнейших. Эти методы позволяют создавать предельно гибкие, быстрые и эффективные инструменты проектирования и анализа данных. В этой связи автор планирует разработку теории и принципов поддержки принятая решений выполнять на основе указанных технологий.

Приведем упрощенную схему взаимодействия САПР и СППР (рис.2). Она подробнее раскрывает блок проблемной области на рис.1. В хранилище данных находятся сведения о Гостах, стандартах, технологиях проектирования и ранее выполненных проектах, которые

могут быть вызваны распределенной экспертной системой (ЭС) для принятия решений по реализации нового проекта.

Проблемная область

Упрощения

Допущения

Проверка адекватности и достоверности подели

Верификация и испытания предложенного решения

Неудачный результат

Стадия концепции ... Организационные цели . Процедуры помеха и

'сканирования Идентификация задачи Классификация задачи Декомпозиция задачи ' Постановка задачи '

Постановка задачи

: - Формирование модели Множество критериев для

V-выбора

. Поиск альтернатив > , Предсказываемые и измеряемые результаты

р Альтернативы

. Сталия выбора > Получение решения на модели Анализ чувствительности

Выбор лучшей или *: приемлемой альтернативы План выполнения решения -

Рис. 1. Обобщенная схема процесса принятия решений при проектировании В базе данных (БД) основным является библиотека стандартных топологических решений. В базе знаний хранятся специальные знания проектировщика, представленные в виде фреймов и демонов. На вход препроцессора подаются все модели объекта проектирования и коммутационного рабочего поля. На вход СППР подаются все данные о ПР, приведенные выше. Постпроцессор анализирует полученные альтернативные решения.

Выход

Рис.2. Упрощенная схема взаимодействия САПР и СППР

В блоке проверки, обозначенном на схеме вопросительным знаком «?», производится вычисление целевой функции и сравнение с критерием оптимальности решения. В случае отсутствия удовлетворительного решения происходит адаптация с внешней средой с учетом прогнозов и рисков проектирования. Далее процесс продолжается итерационно до получения оптимального решения.

Во втором разделе рассмотрена интеллектуальная система поддержки принятия решений (ИСППР) в САПР. Под ИСППР понимают организационно-техническую систему, состоящую из интеллектуального комплекса средств поддержки принятия решений, взаимосвязанного и взаимодействующего с пользователями и сетями ЭВМ, и выполняющую решения задач проектирования и конструирования.

Укрупненная структура ИСППР в САПР по аналогии с другими интеллектуальными системами состоит из четырех подсистем: адаптивной; интерактивной; обрабатывающей; подсистемы управления и блока «внешняя среда» (рис.3.).

Рис.З.Трехуровневая адаптивная система Первая подсистема состоит из нескольких уровней: микро, макро и мета - уровней. Между данными уровнями организована связь на основе полных и неполных, четких (нечетких) графов и гиперграфов. На каждом уровне строится интегрированная целевая функция, определяются свои граничные условия и ограничения. Далее строится интегрированная целевая функция всей ИСППР. Целевые функции на микро-, макро- и метауровне будут частными целевыми функциями. Здесь реализуется эффект «матрешки» (англ. - nesting). В этом случае

ЦФ(= aiKi + OSK.2+ ... a,K„ , (од + a¡ +...%= 1), (2)

где ЦФ[ - целевая функция на микроуровне, Ki, ..., К„-частные целевые функции, ai, ai, ..., oí, - коэффициенты, определяющие степень принадлежности каждого критерия на этом уровне, п - число частных критериев. Соответственно, на макро- и метауровне запишем: 4®2=ftMi+ftM2+...&Mn, (ft+ & + ... ft=l), (3)

ЦФз= yiR, + y?R2 + ... 7„R„, (y, +-ft + ••■ 7n= 1), (4)

где ЦФ2 (ЦФэ) - целевая функция на макроуровне (метауровне), Мц Mj,..., М„ (R|, Ri,..., Rn) -частные целевые функции, ft, ft, ..., ft (71,7s, ... %)-коэффициенты, определяющие

степень принадлежности (важности) каждого критерия на макро- (мета) уровне, п - число частных критериев. Отметим, что для простоты взято общее число частных критериев (п) на всех уровнях. Тогда обобщенная (интегрированная) целевая функция ИСППР запишется:

ЦФИНТ= П,ЦФ| + П2ЦФ2+ ОДДФз, (П,+П2+Пз= 1), (5)

где Пь О2, Пз - коэффициенты, определяющие степень принадлежности (важности) каждого критерия микро-, макро- и метауровия в интегрированном критерии (ЦФи„т) для всей СППР.

Вторая подсистема анализирует входные описания на языке пользователя на основе имеющихся знаний и формирует внутреннее неполное и расплывчатое представление задачи. Здесь важно задание четкого множества исходных данных X = {х^ х2, ..., Х[} и определение

на нем нечеткого множества А = {< Ц| Х[>, < цг, Х2>, ... < щ Х1>,}. При этом Ц; е |1(Х)

функщш принадлежности элемента х„ а величина Ц(Х) изменяется на интервале [О, 1].

Третья подсистема превращает неполное и нечеткое описание задачи в полное и четкое и снова передает его интерактивной подсистеме. Далее процесс происходит итерационно до получения удовлетворительного решения. Четвертая подсистема управляет процессом решения, взаимодействуя с 1,2 и 3 подсистемами.

Задачу поиска решений в пространстве состояний формулируется следующим образом. Пусть исходная задача описывается тройкой (5, Т, М), где б1 - множество начальных состояний; - нечеткое множество операторов, отображающих одни состояния в другие; Г - множество целевых состояний, М - функция принадлежности на множестве К Решение задачи состоит в нахождении последовательности операторов у?/'-—у/ ф $Р), которые преобразуют нечеткие начальные состояния в конечные четкие.

Существует несколько путей передачи знаний в ЭС. Первый путь: знания могут быть получены от эксперта посредством инженера знаний или с помощью специального механизма извлечения знаний, который заменяет в данном случае инженера знаний. Путь второй: приобретение знаний из текстов и различных, уже каким-то образом обработанных данных с помощью механизмов извлечения знаний. Процесс принятия решений тесно связан с извлечением, добычей знаний. При этом важную роль играет интеграция полученных результатов. Особую роль играют методы распределения и построения иерархии.

Одна из основных проблем - это сложность анализируемых и определяемых шаблонов, т.е. частично заполненных структур данных, применяемых при сопоставлешш с исследуемыми массивами данных. Шаблоны должны содержать нечеткие, неопределенные и неожиданные кластеры и регулярные объекты в данных, составляющие так называемые скрытые данные. Новая технология ОМ включает следующие этапы в процессе анализа и обнаружения в неопределенных данных: нечетких; нетривиальных; полезных для данной практической деятельности; доступных интерпретаций знаний, необходимых для принятия решений в исследуемой области.

Типичную ЭС можно представить как систему, состоящую из следующих основных компонент: модуль ОМ; база данных; база знаний (БЗ); интерпретатор; компонент общения, включающий подсистему объяснения пути получения результата. Такие структуры принято называть динамическими ЭС, так как они изменяются в процессе принятия решения. ЭС

такого типа используют в тех приложениях, где учитываются изменения, происходящие за время решения задачи.

Новая методология проектирования динамических ЭС (ДЭС) включает перспективные элементы адаптивной технологии, анализ риска, обучения и самоорганизации и объединяет в себе достоинства эволюционных и бионических моделей. Таким образом, ДЭС как вычислительная среда имеет прямое применение для проектирования РЭА и ЭВА в качестве средства автоматизации принятия решений.

Стандартная система поддержки принятия решения состоит из следующих основных блоков:

• генерация возможных альтернатив решений (сценариев);

• оценки решений (построения ЦФ);

• согласование решений, анализ динамики развития ситуации;

• выбор решения (группы решений), сценария;

• оценка соответствия принятых решений заданным целям.

Сравнивая эту систему со структурой генетических алгоритмов, можно заметить много общего. Генетические алгоритмы манипулируют популяцией хромосом на основе механизма натуральной эволюции. Приведем формальное определение ГА.

ГА=(^ , Г, , Л, (ЦФ, ОГР, ГУ), ГО, г), (6)

где Р°- исходная популяция хромосом (альтернативных решений), Р° =(я°7.,Р(<'2,...,Р"п )>Р° ] е Р" - хромосома (альтернативное решение), принадлежащее /ой исходной популяции; N - мощность популяции, т.е. число входящих в нее хромосом, N =| Р,т |, Р?к е /¡т - к-я хромосома, принадлежащая 1-ой популяции, находящейся в Т поколении эволюции; Т = 0,1,2,... - номер поколения, проходимого популяцией во время эволюции. Число поколений связывают с числом генераций генетического алгоритма, обозначаемых буквой С, - длина 1-ой хромосомы (альтернативного решения). Число генов (элементов, входящих в закодированное решение, представленное в заданном алфавите), например, - произвольный абстрактный алфавит, в котором, кодируются

хромосомы, например, Л;={0,1}, Л.г={0,1,2,...,10}, Лг={0,1,2,*}, Аг={А,В,С,В}, здесь * -метка, означающая любой символ в алфавите А¡, (ЦФ,ОГР,ГУ) - целевая функция, ограничения и граничные условия, которые определяются на основе заданной модели исходной решаемой задачи; ГО - генетические операторы, / - критерий окончания работы ГА. Тогда обобщенная структура ГА при решении задач ПР будет состоять из четырех предварительных этапов: выбор представления решения; разработка операторов случайных изменений; определение законов выживания решения; создание начальной популяции альтернативных решений.

При решении задач ПР в САПР с некоторыми допущениями в качестве автономного агента рассмотрим генетический алгоритм. Приведем модифицированную архитектуру «Машина Тьюринга» для задачи ПР в САПР. Такая архитектура (рис.4) объединяет в себе механизмы рассуждений на основе знаний о задаче проектирования.

Рис.4. Многоуровневая архитектура ГА «Машина Тыоринга» Пусть задан «главный» генетический алгоритм, взаимодействующий с другими, соподчиненными ГА, анализирующий нечеткие события внешней среды, информация о которой носит фрагментарный характер. При этом «главный» алгоритм выступает в роли экспертной системы или лица, принимающего решения. Предлагается такая архитектура поиска, которая функционирует в условиях неопределенности, неполноты, неточности и реагирует на неожиданные (незакрепленные в жесткой структуре алгоритма) нечеткие высказывания о проектировании. Например, добавить микросхему согласования входа и выхода, провести дублирование основных библиотечных элементов проектируемой схемы, провести анализ всех соединений между элементами топологии, выполнить синхронизацию и передачу глобальных сигналов, разработать схему композиции системы из различных компонентов и провести статистический анализ временных задержек. Каждый уровень напрямую связан с подсистемами действия и восприятия. Любой уровень независимо от других может реагировать на текущее состояние внешней среды. В рассматриваемой архитектуре включена подсистема управления на основе различного вида правил, активируемая внешней средой и подсистемой адаптации. Ее основная задача - получешю локально-оптимальных результатов. Система играет роль «посредника» между входом и выходом, т.е. вероятностным или нечетким автоматом, который анализирует данные разных уровней, вводит на различные уровни новые и удаляет ненужные данные.

Предлагается подход динамического "отслеживания" оптимальных параметров и структур алгоритма с помощью методов параметрической и структурной адаптации. Схема процесса альтернативной адаптации при принятии решений показана на рис.5.

В схеме на рис.5, используются три популяции альтернативных решений (А1 -полученная случайным образом, А2 - направленным, АЗ - комбинированным).

т

^^к т'п

Необходимо обеспечить минимизацию ы и_ко, где Р^ - показатель качества решения, полученного для задачи ПР. Используем модифицированный автомат (МА),

представляющий собой четверку: МЛ={5,А,В,Р}, где

5 = _ множество внутренних состояний автомата, т -

глубина памяти автомата, I ^ | матрица переходов. А={а1,а2,...,ап}-множесгво действий автомата; В={0,1} - множество входов автомата, причем "О" соответствует "выигрышу", а "1" - проигрышу автомата. Считаем, что каждому из действий автомата соответствует та или иная методика ПР. Входы В определяются результатами применения какого-либо из действий: удачное применение -"1", неудачное -"О". В зависимости от входного сигнала автомат изменяет внутреннее состояние. Оно, в свою очередь, определяет действие, применяемое автоматом в следующий дискретный момент времени (ь /=1,2,...

Рис.5. Схема процесса альтернативной адаптации Матрица переходов /Ц 11 определяет зависимость между предыдущим состоянием

автомата и последующим, при этом носит смысл вероятности перехода автомата из

состояния Б*(7) в состояние +1). В детерминированном случае ^={0,1}. Таким образом, при наличии конечного числа структур является возможным выбор одной из них с целью повышения среднего уровня качества решений на потоке задач.

В работе описаны и проанализированы модифицированные на основе теории персональных конструктов методы вывода и поиска решений в комбинированных фрейм-продукционных системах и семантических сетях. Это позволяет динамически строить кластеры знаний и применять многоступенчатую систему вывода с использованием специальных правил их активации, моделирующих эффекты фокусировки внимания и рефлексии. Рассмотрены представления данных, знаний и метаданных в СППР. Это позволяет эффективно осуществлять поиск знаний, необходимых для функционирования системы. Предложено использование экспертных систем в СППР. Это сделано для введения ЛПР в систему обратной связи с внешней средой. Рассмотрено представление данных и знаний в системах поддержки принятия решений в реальном времени. Разработаны новые и

14

модифицированные алгоритмы работы динамических экспертных систем при выборе конфигурации системы поддержки принятия решений в САПР.

Применение нестандартных архитектур генетического поиска позволяет эффективно решать задачи принятия решений при проектировании. Разработанные алгоритмы позволяют получать не одно, а набор оптимальных, или квазиоптимальных альтернативных решений. Время получения лучших результатов соответствует полиномиальному времени от (О(п1о§п) до 0(п2), где п - число входных данных.

В третьем разделе. Фундаментальным методом повышения производительности при проектировании систем на кристалле (СнК) является повторное использование 1Р-блоков (начиная с маленьких и переходя к большим). Это соответствует созданию стандартных блоков в генетических алгоритмах. В этой связи необходимы разработка и построение новых и модернизация существующих моделей эволюции. В работе проведен анализ и обзор состояния основных моделей эволюции.

Модель эволюции Ч. Дарвина - это условная структура, реализующая процесс, посредством которого особи некоторой популяции, имеющие более высокое функциональное значение, получают большую возможность для воспроизведения потомков, чем «слабые» особи. Такой механизм часто называют методом «выживания сильнейших». Модель эволюции Ж. Ламарка основана на предположении, что характеристики, приобретенные особью (организмом) в течение жизни, наследуются его потомками. Эти изменения, как утверждал Ж. Ламарк, вызываются прямым влиянием внешней среды, упражнением органов и наследованием приобретенных при жизни признаков. В основе модели эволюции Г. де Фриза лежит моделирование социальных и географических катастроф, приводящих к резкому изменению видов и популяций.

Модель прерывистого равновесия Гулда-Эддриджа является развитием и модификацией модели Г. де Фриза. Метод прерывистого равновесия использует палеонтологическую теорию, которая строит модели эволюции на основе описаний вулканических и других изменений земной коры. Модель К. Поппера - это условная структура, реализующая иерархическую систему гибких механизмов управления, в которых мутация интерпретируется как метод случайных проб и ошибок, а отбор ~ как один из способов управления при взаимодействии с внешней средой. Отметим, что модель эволюции Поппера естественно вкладывается в человеко-машинную систему принятия решений. Человек-оператор практически всегда работает методом «проб и ошибок». М. Кимура предложил модель нейтральной эволюции с нейтральным отбором. Теория нейтральности предполагает, что большая часть молекулярных вариантов имеет равную приспособленность друг относительно друга. Изменчивость здесь поддерживается балансирующим отбором. Рассматриваемый процесс всегда сходится к одному из поглощающих состояний.

Основная задача синтетической теории эволюции - определение природы противоречий или постепенной эволюции, то есть разных форм противоречий между наследственностью и постоянно меняющимися потребностями в приспособлениях, а также взаимодействие между микро-, макро- и метаэволюцией на разных иерархических уровнях.

Автор считает важным объединение всех видов и моделей эволюций в интегрированную многоуровневую модель. На рис.б приведена условная интегрированная

схема эволюции. Отметим, что блоки 1-п соответствуют рассмотренным схемам моделей эволюции. Основным этапом в кавдой модели эволюции является анализ популяции, ее преобразование тем или иным способом и эволюционная смена форм.

^ Вход

Адаптация

Популяция ■]«-

X

Внешняя

среда |

Шкала для выбора модели

Выходы

Рис.6. Условная интегрированная схема эволюции Приведем условную архитектуру поиска для принятия решений в САПР (рис.7).

| Вход

Блок инициализации

Конструктор виртуальных моделей

Планировщик процесса эволюции

Конструктор стандартных моделей

САПР

Блок обработки

Модуль генерации моделей Модуль обработки и анализа моделей Модуль перераспределения

1 г

Блок вычислений

Генерация решений Блок связи Модуль обработки динамических сцен

Хранилище данных

ЭС

Модуль импорта/ экспорта модулей

Блок распределения

Распределённый вычислитель

Многопроцессорные акселераторы

Модуль визуализации

Коммуникационная среда

^ Выход

Рис.7. Условная архитектура поиска

Она состоит из четырех основных блоков. В блоке инициализации производится выбор и построение моделей эволюции. В блоке обработки на основе выбранных моделей строится алгоритм поиска решений. Далее в блоке вычислений производится генерация альтернативных решений, построение целевой функции и выбор квазиоптимальных решений при проектировании. В случае получения неудовлетворительных решений, в блоке распределения, производится распараллеливание процесса решения и реализация алгоритмов с помощью многопроцессорных систем.

В работе описана модифицированная модель эволюции Шмальгаузена, основанная на преобразовании специальных кубов. Автор использовал четыре типа скрещиваний и четыре основные формы отбора в СППР при принятии решений по выбору эффективных алгоритмов проектирования. Эксперименты показали, что при компоновке целесообразным является инбридинг, а для остальных задач проектирования ассортативное и селективное скрещивание. Эволюция здесь - это авторегулируемый процесс, основанный на обратной связи. На ее основе происходит анализ микроэволюции. Она рассматривает процессы, протекающие на уровне популяций, начиная с механизмов изменчивости.

На рис.8 приведена схема алгоритма на основе модифицированной модели ЭШ.

Рис.8. Схема алгоритма на основе модифицированной модели ЭШ. Эволюционирующую популяцию и внутривидовую дифференциацию популяций представим как трехмерную решетку. В ней каждая плоскость - это эволюция особи, прошедшей естественный отбор, а вершины (узлы) ячейки - результат их скрещивания.

17

Модель демонстрирует процесс перехода от микроэволюции популяций к макроэволюции (эволюции надвидов). Будем считать, что узлы решетки это особи (хромосомы), т.е. альтернативные сценарии анализируемой задачи принятия решений. Они образуют начальную популяцию альтернативных решений Р = {Хь Хг,..., Х8), |Р| = 8. Согласно произвольному генетическому алгоритму для каждого элемента Х^еР определяется целевая функция (функция приспособленности). Далее согласно целевой функции (ЦФ) производится отбор элементов для реализации генетического поиска.

Он состоит из последовательной, параллельной или комбинированной реализации генетических операторов (ГО). На основе решетки Шмальгаузена построен новый оператор кроссинговера (ОК).

Начальную популяцию особей (хромосом, альтернативных решений), предлагается создавать таким образом, чтобы ее размер был кратным 8. Далее исходная популяция разбивается наряд подпопуляций Р = {Рь Р2,..., Р„}, при этом строится две решетки (рис.9).

Причем |Г*|[=8, 1 б 1,2,...,п. п ш(тос1 2) т.е. четное и обязательно делится на 8. Это сделано для того, чтобы каждый раз иметь возможность строить трехмерные решетки Шмальгаузена.

Произведем ранжирование исходной популяции по значению целевой функции. Далее начинаем реализовать параллельную микроэволюцию внутри каждого куба. Процесс реализации ОК продолжается, пока не будет достигнут критерий остановки. Основными критериями останова алгоритма являются следующие: время (ЦФ1), выполнение всех итераций ГА (ЦФ2), попадание в локальный оптимум (ЦФЗ), получение заданного результата, если он известен (ЦФ4). Построим ад дитивный обобщенный критерий: К = ЦФ1)_1+ ЦФ2Х2+ ЦФЗ/.3+ ЦФ4а4, причем Я.1+>.2+?.з+>.4=1.

Отметим, что обычно один критерий задается как основной, а остальные учитываются как ограничения. Приведем описание генетического алгоритма на основе модифицированной ЭШ.

1. Во взаимодействии с внешней средой строится одна из возможных популяций Р), Р2 и Рз или Р4 на основе прямого, случайного, направленного или комбинированного взаимодействий.

2. Производится построение целевой функции для определения степени приспособленности каждой хромосомы. Производится ранжирование каждой хромосомы (альтернативного решения) по максимальному значению ЦФ.

3. Выполняется удаление "плохих" хромосом таким образом, чтобы мощность популяции была кратной восьми.

4. Популяцпя разбивается на подпопуляции Р|, Р2,...Р„, Р1 и Рг и... и Р„= Р, Р1 ПР2 О ... Л Р„ где п- кратно восьми.

5. Для каждой подпопуляции строится решетка (куб) Шмальгаузена.

6. В каждом кубе, используя механизмы "дробовика", "одеяла", "фокусировки", "колеса рулетки" и др., выбираются вершины кубов. Они определяют, какие хромосомы будут в дальнейшем скрещиваться, мутировать и т.п., т.е. каким образом будут реализовываться генетические операторы.

7. На основе ЭШ производится реализация ГО. Если критерии останова достигнуты, то переход к 8, если нет, то 1=1+1 и переход к 4 с разбитием популяции на другие подпопуляции.

8. Выполнение операции объединения кубов и повторения операций 1-7.

9. Построение подмножества оптимальных или квазиоптимальных альтернативных решений.

10. Конец работы алгоритма.

В процессе макроэволюции преобразование будет происходить на уровне популяции и ее подпопуляции. На этапе метаэволюцди процесс преобразования происходит между большим числом частей популяций и даже целых популяций. Понятие надуровень предполагает взаимодействие целых популяций, видов и частей видов, согласно идеям, предположенным Вернадским. В работе отмечено, что все преобразования выполняются под управлением внешней среды (стандарты, ГОСТы, технологии, опыт конструктора и технолога), внутри которой происходят эти преобразования.

В работе приведены основные элементы теории биоинспирированиих алгоритмов (БА). Она основана на основных положениях теории множеств, теории алгоритмов, теории графов, алгебры логики, оптимизации и др. На ее основе построены модифицированные схемы научных теорий индуктивного метода и К. Поппера (рис. 10).

В рассматриваемой теории объектами являются хромосомы (альтернативные решения задач проектирования и конструирования), а универсумом - вся их совокупность. Введем следующие понятия: Объекты - хромосомы. Универсум - популяция хромосом. Константы -простейшие из выражений, обозначающих предметы, т.е. их имена.

Приведем основные аксиомы этой теории:

1. Высказывания принимают логические значения.

2. Единственными общепринятыми логическими значениями являются истина и ложь.

3. Каждая теория имеет свой универсум, т.е. множество рассматриваемых предметов. Если универсумов несколько, они называются сортами или типами.

4. Высказывания о предметах образуются при помощи отношений или предикатов.

5. Выражения, обозначающие предметы, называются термами.

6. Термы строятся из переменных и констант при помощи операций или функциональных символов, которые применяются к предметам и в результате дают предмет.

7. Отношения (предикаты) применяются к термам и в результате дают высказывания (элементарную формулу).

I Вход ,-—--..

^^ —I т. | ' .' ' Внешняя среда

Изучение проблемы, сбор фактов,

чпррвёдениё экспериментЬв'V

>—^-

, Посгроениеновой теории" •

Адаптация "о ^: -

• Анализ конкурирующих теорий

" ^/Формирование парадигмы . (устойчивой теории и "законов)

Прогноз развития . -Выход

Рис. 10. Модифицированная структура построения теории К. Поппера Пусть каждому исходному понятию и отношению теории БА поставлен в соответствие некоторый конкретный математический объект. Совокупность таких объектов называется полем интерпретации. Всякому утверждению и теории БА ставится в соответствие некоторое высказывание II* об элементах поля интерпретации, которое может быть истинным или ложным. Тогда можно сказать, что утверждение и теории БА соответственно истинно или ложно в данной интерпретации. Поле интерпретации и его свойства сами обычно являются объектом рассмотрения другой теории простых генетических алгоритмов (ПГА), которая, в частности, может быть аксиоматической. Этот метод позволяет доказывать суждения типа: если теория БА непротиворечива, то непротиворечива и теория ПГА. Пусть теория БА проинтерпретирована в теории ПГА таким образом, что все аксиомы А; теории БА интерпретируются истинными суждениями А;' теории ПГА. Тогда всякая теорема теории БА, то есть всякое утверждение А, логически выведенное из аксиом в БА, интерпретируется в ПГА некоторым утверждением А*, выводимым в ПГА из интерпретаций А, аксиом А, и, следовательно, истинным. Уточнением понятия аксиоматической теории является понятие формальной системы. Это позволяет представлять математические теории как точные математические объекты и строить общую

теорию или метатеорию таких теорий. Общая схема построения произвольной формальной системы БА такова:

1. Язык системы Б А - язык алгебры логики, четких и нечетких множеств, графов и гнперграфов, четких и нечетких алгоритмов.

1.1.Алфавит - перечень элементарных символов системы: двоичный, десятичный, буквенный, Фибоначчи и др.

1.2. Правила образования (синтаксис), по которым из элементарных символов строятся формулы теории БА: построение моделей эволюций; конструирования популяций; построения ЦФ; разработки новых и модифицированных генетических операторов; репродукции популяций; рекомбинации популяций; редукции; адаптации; выбор структуры генетических алгоритмов; построение комбинированных генетических, биоинспированных и квантовых алгоритмов проектирования.

2. Аксиомы системы БЛ. Выделяется некоторое множество конечных формул, которые называются аксиомами системы. В БА существует большое число наборов аксиом. Например, следующий базовый набор аксиом:

• Выбор модифицированной модели эволюции Дарвина.

• Популяция конструкторских и технологических решений строится случайным образом.

• Размер хромосомы (альтернативных решений) остается постоянным.

• Выполнение оператора репродукции производится на основе «колеса рулетки».

• Обязательное использование операторов кроссинговера, мутации и инверсии.

• Размер популяции после каждой генерации остается постоянным.

• Редукция выполняется на основе элитной схемы.

• Размер популяции задается экспертной системой, внешней средой или лицом, принимающим решения.

• Число копий (решений), переходящих в следующую генерацию, определяется согласно теореме генетических алгоритмов.

• Целевая функция определяется на основе принципа «Выживание сильнейших».

3. Правила вывода БА. Фиксируется конечная совокупность предикатов Пь П2,..., Пк на множестве всех формул системы.

Заданием 1,2,3 исчерпывается задание формальной системы БА как математического объекта.

Итак, можно выстроить следующую последовательность шагов построения и реализации теории генетических алгоритмов. Стратегия - теория — концепция - принципы -аксиомы - гипотезы - практическая реализация.

Предлагается ряд основных стратегий взаимодействия методов эволюционного и локального поиска в задачах САПР: «поиск - эволюция»; «эволюция - поиск »; «поиск -эволюция - поиск»; «эволюция - поиск - эволюция»; «эволюция - поиск - эволюция - поиск - эволюция - поиск»; «поиск - эволюция - адаптация»; «эволюция - поиск - адаптация»; «поиск - эволюция - поиск - миграция - адаптация»; «эволюция - поиск - эволюция -миграция - адаптация». Заметим, что иерархически можно строить стратегии такого типа любого уровня сложности. Например, «эволюция - поиск - эволюция - поиск - эволюция -

поиск», используя последовательную, параллельную или любые другие стратегии поиска. Отметим, что такое построение зависит от наличия вычислительных ресурсов и времени, заданного на получение окончательного решения.

В последнее время появились новые подходы решения ЫР-полных проблем и неструктурированных проблем поиска. При поиске и обнаружении данных предлагается новая технология на основе квантового поиска. Для реализации поиска квантовое пространство преобразуется в общую суперпозицию частичных (вероятностных) решений, которая концентрируется в 7 векторе, определяющем путь до цели поиска. Для решения ЫР-полных проблем принятия решений при поиске неструктурированных знаний предлагается анализировать базу знаний (БЗ), чтобы «выращивать» полные решения, рекурсивно расширяя последовательные частичные решения. Приведем модифицированный алгоритм квантового поиска.

1. Начало.

2. Ввод исходных данных.

3. Проверка условий существования инвариантных частей в БЗ.

4. Анализ математической модели БЗ, и на ее основе построение подмножества деревьев частичных решений.

5. Суперпозиция частичных решений на основе <окадной» стратегии, квантового, генетического или бионического поиска.

6. В случае наличия тупиковых решений возврат к шагу 4 и проведете параллельного

поиска.

7. Последовательный поиск в ветвях дерева решений с пошаговым возвращением.

8. Если набор полных решений построен, то переход к 9, если нет, то к 4.

9. Лексикографический перебор полных решений и выбор из него оптимального или квазиоптимального решения.

10. Конец работы алгоритма.

Следует отметить, что, изменяя параметры, алгоритмы и схему квантового поиска, в некоторых случаях можно выходить из локальных оптимумов. На рис. 11 приведена схема распараллеливания квантового поиска на основе октаэдра.

Рис. 11. Схема распараллеливания квантового поискана основе октаэдра Введение экспертной подсистемы позволит определить назначение каждого блока квантового алгоритма. Например, КА1 - определяет целевую функцию, КА2 - операцию суперпозиции и т.п. Все выходы идут на центральный блок для выбора квазиоптимального решения. Для повышения скорости нахождения оптимальных решений предлагаются

гибридные алгоритмы, основанные на взаимодействии жадных, генетических, квантовых и бионических алгоритмов (рис.12). Очевидно, что данные схемы можно взять как строительные блоки (1Р-блоки при проектировании систем на кристалле) и наращивать иерархически. При этом возможно построить схему последовательного шш параллельного совместного поиска любой сложности.

Рис.12. Схемы взаимодействия алгоритмов На рис. 13 приведена схема каскадной реализации бионического поиска. Идея подхода заключается в каскадном построении схемы бионического поиска. Здесь ГА - генетический, МА - муравьиный, КА - квантовый, ЭА - эволюционный, МО - моделировшшя отжига алгоритмы. Они реализуются каждый на своем процессоре. Коммутаторы К^ (1 е1 = 1,2,. ..,п) обеспечивают полнодоступную коммутацию между процессорами 1-го и (1 +1) - го каскадов. Имеется также возможность прямой передачи результатов поиска с коммутатора К, на входы коммутатора К, + 1 следующего каскада. Отметим, что такой поиск обеспечивает более гибкую коммутацию между процессорными элементами. В этой связи затраты па реализацию поиска будут уменьшаться. Заметим, что такой макроконвейер можно строить не только на уровне алгоритмов, но и на уровне крупных операций, использую принцип «матрешки».

Рис.13. Схема каскадной реализации бионического поиска

Для управления и реализации процессом совместного поиска автор предлагает ввести следующие модифицированные принципы:

• Принцип целостности. В квантовых, жадных, генетических и бионических алгоритмах значение целевой функции альтернативного решения не сводится к сумме целевых функций частичных решений. Такие алгоритмы будем называть инспирированными природными системами (ИПА).

• Принцип чувствительности к начальным условиям. Результат работы ИПА существенно зависит от представления входных данных исследуемой модели.

23

• Принцип несовместимости Заде (информационный аналог принципа неопределенности Гейзенберга в физике). При росте сложности анализируемой задачи уменьшается возможность построения точной модели.

• Принцип разнообразия путей развития. Реализация ИПА многовариантна и альтернативна. Основная задача выбрать путь, приводящий к получению оптимального или квазиоптимального решения.

• Принцип единства и противоположности порядка и хаоса. «Хаос не только разрушителен, но и конструктивен», т.е. в хаосе области допустимых решений обязательно содержится порядок, определяющий искомое решение.

• Принцип иерархичности. Инспирированные природными системами алгоритмы могут надстраиваться по горизонтали и вертикали (например, сверху вниз и снизу вверх).

• Принцип «Бритвы Оккама». Нежелательно увеличивать сложность архитектуры поиска и ИПА без необходимости.

• Принцип гомеостаза. Инспирированные природными системами алгоритмы конструируются таким образом, чтобы любое полученное альтернативное решение не выходило из области допустимых решений.

Использование данных принципов позволяет строить алгоритмы принятия решений в САПР с локальными оптимумами за полиномиальное время. Сложность алгоритмов имеет в среднем квадратичный порядок.

В четвертом разделе. Проведен синтез алгоритмов принятия решений при решении задач, связанных с разбиением графовых моделей в САПР. При проектировании систем на кристалле важным является дублирование и троирование графовых моделей для учета современных критериев энергосбережения и задержек сигналов при проектировании объектов в наносекундном диапазоне. Основой алгоритмов дублирования и троирования является метод определения точек сочленения в графовых моделях. Приведем алгоритм определения точек сочленения и блоков.

1. Анализируем поочередно все вершины графа а = (х,и),\х\ = п ¿¡еХ, /=1,2,...,п, удаляя одну за другой вершины с инцидентными ребрами.

2. Просматриваем поочередно полученные подграфы и проверяем получение компонент связности. В результате получаем все точки сочленения О.

3. Образуем систему строк. Каждая строка соответствует точке сочленения. Причем в эти строки добавлены индексы соответствующих точек сочленения.

4. Выполняем операцию пересечения строк первой со второй, третьей с суммарным результатом пересечения первой и второй строк и т. д. В результате получим все блоки графа и точки сочленения.

5. Конец работы алгоритма.

В работе рассмотрены новые комбинированные подходы для размещения вершин графовых моделей систем на кристалле. Задача размещения сводится к отображению заданного графа-модели С — (Х,и) схемы в решетку Сг таким образом, чтобы множество вершин

X = {*.}, 1 = 1,п, графа ¿7 размещалось в узлах решетки, число которых конечно, атакже

соблюдался интегрированный критерий, представляющий собой интегрированную целевую

функцию (ЦФ). Требование оптимизации: весовая функция должна быть наименьшей для всевозможных способов отождествления вершин графа и узлов решетки. Здесь предлагается каждое альтернативное решение (хромосому) представлять в виде строки переменной длины. Вместо того, чтобы определять хромосому как последовательность битов, ее, подобно естественной копии, будем определять как последовательность генов.

На рис. 14 приведена упрощенная схема комбинированного поиска при решении задачи размещения. Здесь ИПА - алгоритмы, инспирированные природными системами, АС - модифицированный алгоритм Ant Colony, БА, ГА, ЖА, КА и МО - бионический, генетический, жадный, квантовый и моделирования отжига алгоритмы размещения, оператор редукции корректирует размер популяции альтернативных решений, ЭС -экспертная система, определяющая дальнейший ход поиска. В блоке «выбор» осуществляется определение алгоритмов проектирования в зависимости от времени. ИПА представляет собой кортеж: ИПА = <АС, БА,ГА, ЖА,КА,МО,ОР, критерии остановам

Результаты предыдущего шага конструкторского проектирования (компоновки)

Следующий шаг конструкторского проектирования (трассировка)

Рис.14. Архитектура комбинированного поиска Для «борьбы с проклятием размерности» при переходе на проектирование изделий на кристалле в нанометровом диапазоне необходимо использовать технологию распараллеливания алгоритмов. Предлагается модифицированная стратегия распараллеливания на основе ИПА. Используется понятие «грубого» и «точного» параллелизма. В первом случае на основе клиент-серверной модели происходят соединения с серверами (в частном случае персональными компьютерами), где последовательно

выполняются блоки алгоритма размещения. Во втором случае точными методами реализуется отдельные блоки алгоритма. Процесс размещения фрагментов БИС графовой модели коммутационной схемы при параллельном размещении будет осуществлен в 7 этапов: анализ, препроцессинг (построение начальной популяции), генетическое, бионическое, жадное и квантовое размещение, постпроцессинг.

В работе приведены алгоритмы определения инвариантов графовой модели принятия решений в задачах САПР. Построены квантовые алгоритмы раскраски, построения клик, гамильтоновых циклов и независимых множеств на основе графовых моделей. Это позволяет создавать новую архитектуру проектирования на основе комбинированных алгоритмов.

Для определения независимых подмножеств, (стандартных 1Р-блоков) предлагается два варианта бионического алгоритма, отличающихся друг от друга методикой кодирования и нахождением значений целевой функции. Для выделения независимых подмножеств описан алгоритм, модифицированный с учётом знаний о решаемой задаче. На первом шаге алгоритма вводятся начальные данные и параметры алгоритма (вероятности кроссинговера, мутации, элитного и равновероятного отбора; размер популяции хромосом; количество генераций). Далее рассчитывается верхняя и нижняя оценка числа внутренней устойчивости и формируется начальная популяция. После этого начинается итеративный процесс применения операторов к исходной популяции. На каждой итерации с заданной вероятностью к хромосомам текущей популяции применяются разработанные операторы. Далее рассчитываются целевые функции хромосом, и производится их проверка на независимость. Независимые подмножества заносятся в отдельный список. После этого, в соответствии с заданной вероятностью, производится элитный или равновероятный отбор хромосом в новую популяцию. Процесс продолжается до тех пор, пока не будет выполнено условие останова - заданное число генераций.

Основными инвариантами графовой модели в САПР являются числа: цикломатическое, хроматическое, внешней и внутренней устойчивости, клик, полноты, ядер, планарности и т.д. Графовые деревья описывают модель неструктурированных знаний. В таких моделях важным является нахождение инвариантов. Инвариант (непомеченного) графа Сг=(Х,и), где |Х|=п, а |и[=т, это число, связанное с Сх, которое принимает одно и то же значение на любом графе, изоморфном в. При определении клик графа найдем частичные решения, для каждой вершины графа рекурсивно расширяя "хорошие" решения и устраняя тупиковые решения.

Приведем описание алгоритма стандартной операции суперпозиции для определения клик графа и построения независимых подмножеств:

1. Выбирается первое частичное решение.

2. Данное решение последовательно или параллельно склеивается со всеми остальными решениями.

3. В «склеенных» решениях устраняются повторяющиеся вершины.

4. Аналогичные операции проводятся со всеми остальными вершинами, кроме повторяющихся вершин, пока не будет найдено полное решение, в противном случае выбор следующего частичного решения и переход на шаг 2.

5. Конец работы алгоритма.

Рассмотрим теперь решение раскраски графа на основе квантового поиска. Алгоритм основан на нахождении частичной раскраски для подмножеств вершин. Для определения полной раскраски производится рекурсивно расширение частичных окрасок с возвратом назад в случае тупиковых решений. Элементарный способ состоит в рассмотрении дерева поиска частичных решений заданной глубины. Решение по раскраске находится на "ветвях и листьях" этого дерева. Приведем эвристическое правило. При наличии нескольких возможных частичных альтернативных решений суперпозицию в квантовом алгоритме необходимо выполнять для подмножеств, имеющих наименьшее число совпадающих элементов.

В работе приведен модифицированный алгоритм квантового поиска, ориентированный на решение задачи определения гамильтонова цикла в графе.

1. Начало.

2. Ввод исходных данных.

3. Проверка необходимых условий существования ГЦ в графе.

4. Анализ математической модели и на его основе построение дерева частичных решений.

5. Суперпозиция частичных решений иа основе жадной стратегии и квантового поиска.

6. В случае наличия тупиковых решений - последовательный поиск с пошаговым возвращением.

7. Если набор полных решешш построен, то переход к 7, если нет, то к 5.

8. Лексикографический перебор полных решешш и выбор из него оптимального или квазиоптимального решения.

9. Конец работы алгоритма.

В работе предложены новые идеи определения максимальных паросочетаний в графовой модели на основе биоинспирированных алгоритмов, позволяющие находить наборы максимальных паросочетаний. Опишем модифицированную эвристику построения максимального паросочетания в двудольном графе. Паросочетанием (ПС) называется подмножество ребер М с и, не имеющих общих концов. Причем каждое ребро и,еи смежно одному ребру из М. Также можно сказать, что паросочетанис (ПС) - это множество независимых ребер. Максимальное паросочетание (МПС) - это паросочетание М, содержащее максимально возможное число ребер. Приведем эвристику построения МПС на основе анализа специальной матрицы смежности, и построения в ней «параллельных диагоналей». Каждая из таких диагоналей является паросочетанием исследуемого графа. Очевидно, при наличии всех единиц по главной диагонали матрицы - построено максимальное паросочетание. Полученные диагонали можно представить в виде амплитуды. Для дальнейших исследований оракул выберет оптимальную амплитуду и на основе суперпозиции с другими диагоналями будет построено максимальное паросочетание. Исходные данные алгоритма: двудольный граф 0=(А,В;11), | А|, | В|, матрица смежности.

1. Строится специальная матрица смежности.

2. Определяются диагонали матрицы, соответствующие паросочетаниям графа.

3. Строится квантовая амплитуда, и из нее оракул выбирает амплитуду с максимальным значением.

4. Производится суперпозиция максимальной диагонали с другими, путем расширения специальной матрицы слева, справа, сверху и снизу.

5. Определяется максимальное паросочетание.

6. Конец работы алгоритма.

Сформулируем Утверждение. Главная диагональ матрицы Я, полностью заполненная элементами, соответствует МПС. Суммарное число единиц соответствует суммарному числу ребер МПС. Каждая единица главной диагонали определяет ребро МПС.

Доказательство следует из способа построения специальной матрицы по заданному двудольному графу, т.к. каждой вершине из Х1 главной диагонали ставится в соответствие одна и только одна вершина из Х2. Отметим, что перед работой алгоритма необходимо упорядочить вершины двудольного графа по возрастанию элементов. На основе этого утверждения построен алгоритм определения МПС в двудольном графе.

1. Определить вершины подмножеств Х[ и Х2 двудольного графа в.

2. Упорядочим вершины XI и Хг.

3. Построить специальную матрицу Я и определить в ней главную диагональ.

4. Если главная диагональ заполнена элементами полностью, то построено МПС и переход к шагу 7. Если нет, то переход к 5.

5. В матрице Я определить все диагонали и выбрать диагональ с наибольшим числом элементов. Если таких диагоналей несколько, то выбирается любая.

6. Выполняется процедура агрегации и преобразования на основе генетических операторов. В результате строится МПС.

7. Конец работы алгоритма.

Время работы алгоритма зависит от размера анализируемой матрицы. В задачах на графах размер входа часто измеряется не одним числом, а двумя (число вершин и и число ребер т графа). Время работы разработанных алгоритмов в лучшем случае имеет порядок роста п т.е. 0(п).

В пятом разделе приведены результаты вычислительных экспериментов при испытании СППР в САПР. Сформулированы цели экспериментального исследования. Описана созданная инструментальная среда СППР. Описаны структурные схемы алгоритмов, компоненты разработанного программного обеспечения. Проведены экспериментальные исследования алгоритмов принятия решений на графах. Определено влияние динамических параметров на принятие решений. Приведены практические оценки эффективности разработанных алгоритмов для определения квазиоптимальных и оптимальных решений в СППР. Описаны количественные и качественные оценки разработанных алгоритмов при проведении различных серий испытаний. Произведено сравнение разработанных алгоритмов с существующими стандартными решениями, известными из литературы, и по сведениям ведущих фирм мира.

Для комплексного тестирования различных бионических алгоритмов конструкторских задач САПР была реализована программная среда. Основное её предназначение заключается в получении, при помощи различных методов анализа, интегральных численных оценок эффективности набора алгоритмов для принятия решений. Для тестирования комплекса алгоритмов необходимы три основных компонента: генератор параметров задачи; решатель

задачи; анализатор, тестирующий алгоритм и выдающий некоторую интегральную численную оценку его эффективности. Связь компонентов показана на рис. 15.

Рис.15. Связь компонентов комплексного подхода выбора эффективного алгоритма

В работе приведена общая структурная схема инструментальной среды СППР на основе ИПА (рис. 16). Она состоит из следующих частей: блока выбора типа ИПА; блока выбора целевой функции; блок ввода настроек параметров и операторов; блока знаний, содержащей процедурные и декларативные знания о предметной области ПР; блока данных; блока ЭС; блока внешней среды; блока адаптации; блок работы выбранных алгоритмов с учетом настроек; блока выдачи результатов. Опишем теперь результаты экспериментальных исследований и приведем сравнительные количественные и качественные характеристики для всех приведенных задач принятия решений на графовых моделях в САПР. При построении комплекса программ использовались пакеты Borland С++, Builder, Visual С++. Отладка и тестирование проводилось на ЭВМ типа IBM PC с процессором Pentium-IV, с ОЗУ 2Гб. Для адекватного сравнения использовались стандартные оценки по производительности различных систем (бенчмаркам), представленными ведущими фирмами мира.

Эксперименты показали, что не всегда увеличение вероятностей операторов в БА повышает качество найденных решений. Очевидно, что существует определенное значение вероятности операторов, соответствующее оптимальному значению ЦФ. Проанализируем зависимость времени работы алгоритма и значения ЦФ от числа элементов модели для серии опытов конструкторского проектирования. При этом вероятность применения всех операторов остается постоянной. Проведем эксперименты на десяти случайно сгенерированных схемах с количеством вершин и рёбер от 500 до 5000.

Построим таблицу (см. таблицу 1). В таблице приведены данные для компоновки блоков схем на кристалле. В первом столбце указывается количество элементов схемы. Далее на каждом шаге эксперимента фиксируется значение ЦФ и время работы t.

Рис. 16. Структурная схема инструментальной среды СППР на основе ИПА Размер популяции фиксирован и равен количеству элементов рассматриваемой модели, согласно стратегии генерации стартовой популяции. Далее подсчитаем среднее значение ЦФ, а также среднее время работы для каждой схемы.

Таблица 1. Зависимость времени работы алгоритма и значения ЦФ от числа элементов модели.

|X|=|UI БА, N i = 400 ЦФс/

N ja п. 1 2 3 4 5 6 7 8 9 10 /tcp

ЦФ 10 И 10 12 12 10 10 12 10 12 10,9

500 tpaö., с 2,172 2,235 2,172 2,266 2,172 2,204 2,266 2,328 2,406 2,406 2,63

ЦФ 70 69 70 72 67 70 69 74 69 73 70,3

2000 tpa6., с 12 8,156 8,203 8,253 10,78 8,297 9,453 8,719 8,156 8,188 9,021

ЦФ 117 115 108 117 114 ПО 111 114 107 114 112,7

3000 tpa6., с 20,74 16,58 17,41 19,17 18,16 16,89 18,22 17,39 19,69 18,36 18,261

ЦФ 160 153 157 153 150 153 157 153 160 158 155,4

4000 tpa6., с 30,16 30,03 30,55 32,83 29,79 28,91 29,2 30,66 36,79 28,88 30,78

ЦФ 203 200 196 204 206 203 202 202 194 202 201,2

5000 tpa6., с 46,13 46,14 46,11 45,89 45,97 46 46 45,99 45,86 46,69 46,078

Из экспериментов следует, что время решения при компоновке практически линейно зависит от числа элементов. При этом временная сложность алгоритмов (ВСА), полученная

на основе экспериментов, практически совпадает с теоретическими исследованиями, и для рассмотренных тестовых задач компоновки в лучшем случае ВСА ~ О(п).

Опишем исследование бионического алгоритма размещения.

В качестве изменяемых параметров выступают вероятности операторов, численность общей популяции, число итераций поиска. После нескольких запусков алгоритма получаем окончательное размещение. Графики работы бионического алгоритма размещения показаны на рис. 17,18.

60 л

__■—

500 1000 1500 2000 2500 | 3000 3500 4000 4500 | 5000

|-*-<ч> 2,2827 3,6238 5,69в7 9,0205 12,139|18,261 24.37 30,78 38,731] 46.078

Число вершин (шт.)

Рис. 17. График зависимости времени решения от числа элементов

в Ц®ср

=Г 150

о

50 100 150 200 250 30 0 350 400 450 500

—♦ ЦФср 111 90,8 66,9 62,6 62,6 61,5 55.1 54,1 48 29,1

Число итераций

Рис. 18. График зависимости значения ЦФ от числа итераций Из графиков следует, что время решения находится в полиномиальной (близкой к квадратичной) зависимости от числа вершин и итераций БА. Помимо результата работы бионического алгоритма дается статистика: число элементов схемы, общая длина цепей (начальная и конечная), время работы алгоритма.

Анализ экспериментов позволяет отметить, что бионические алгоритмы требуют больших затрат времени, но позволяют получать набор локально-оптимальных решений и, в частном случае, оптимальных решений. Экспериментальные исследования показали, что разработанные алгоритмы по скорости совпадают с итерационными и несколько хуже последовательных. В отличие от всех рассмотренных алгоритмов, БА позволяют получать набор квазиоптимольных и оптимальных результатов. При этом с большой вероятностью среди этих решений может быть найден глобальный экстремум. Из приведенных статистических данных следует, что в общем случае время решения линейно зависит от количества генераций и ВСА подтверждает теоретические предпосылки от 0(п1о§п) до 0(п ). Следует заметить, что с увеличением числа итераций время решения, конечно, повышается, но это повышение незначительно и компенсируется получением множества локально-

оптимальных решений. Причем разработанные алгоритмы конструкторского проектирования имеют большее быстродействие, чем метод ветвей и границ, метод моделирования отжига и другие аналогичные методы.

В приложении даны копии актов использования и внедрения.

Заключение

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

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

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

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

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

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

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

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

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

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

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

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

13. Реализация биоинспирированных алгоритмов при решении задач САПР показала преимущество по сравнению со стандартными тестовыми методами. Управление процессом бионического поиска при проектировании позволяет находить оптимальные параметры. Из приведенных статистических данных следует, что в общем случае время решения линейно зависит от количества генераций, и временная сложность алгоритмов ориентировочно составляет от O(nlogn) и до 0(п3).

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

Основные результаты диссертации опубликованы в следующих работах: Публикации в изданиях, рекомендованных ВАК РФ

1. Курейчик В.В., Курейчик В.М., Сороколетов П.В. Анализ и обзор моделей эволюции. Известия РАН. Теория и системы управления, 2007, №5. С. 114-126.

2. Курейчик В.В., Сороколетов П.В. Новые структуры генетических операторов. Известия высших учебных заведений. Электромеханика, 2006г. №5 С.41 -44.

3. Курейчик В.В., Сороколетов П.В. Принятие решений в неопределенных условиях в задачах проектирования радиоэлектронной аппаратуры. Известия высших учебных заведений. Северо-Кавказский регион. Технические науки, 2007, №1. С. 19-24.

4. Курейчик В.В., Сороколетов П.В. Новая технология квантового поиска. Известия высших учебных заведений. Электромеханика, 2007, №3. С. 48-52.

5. Курейчик В.В., Сороколетов П.В., Хабарова И.В. Инструментальная среда эволюционного моделирования. Программные продукты и системы, 2006. № 4. С. 1-2.

6. Курейчик В.В., Сороколетов П.В. Генетический поиск при построении связывающих деревьев. Программные продукты и системы, 2007. № 4. С. 31-32.

7. Сороколетов П.В. Генетические операторы мутации на основе чисел Фибоначчи Известия ТРТУ, №3,2004. С.197-198.

8. Курейчик В.В., Сороколетов П.В. Композитные бионические алгоритмы в компоновке блоков. Известия ТРТУ, 2006. №8(63). С. 41 - 46.

9. Сороколетов П.В. Извлечение экспертных знаний в ИСАПР. Известия ТРТУ, 2006. №8(63). С. 36-41.

10. Курейчик В.В., Сороколетов П.В. О построении интеллектуальных систем поддержки принятия решений. Известия ТРТУ, 2006-2007гг. №9 С. 97 - 100.

11. Сороколетов П.В. К вопросу построения динамических экспертных систем. Известия ТРТУ, 2007, №1(73). С. 32 - 35.

12. Балюк Л.Б., Курейчик В.В., Сороколетов П.В. Перспективная технология интегрированного поиска в САПР. Известия ЮФУ. Технические науки, 2007, №2(77). С. 18-25.

13. Гречин И.В., Сороколетов П.В. Проектирование вычислительного комплекса для принятия решений. Известия ЮФУ. Технические науки, 2007, №2(77). С. 191 - 195.

14. Курейчик В.В., Сороколетов П.В. Математические модели эволюции в САПР. Известия ЮФУ. Технические науки, 2008, №4(81). С. 12-16.

15. Сороколетов П.В. Принципы и нечеткие алгоритмы анализа моделей принятия решений. Известия ЮФУ. Технические науки, 2008, №4(81). С. 111-115.

16. Курейчик В.В., Сороколетов П.В. Концептуальная модель представления решений в генетических алгоритмах. Известия ЮФУ. Технические науки, 2008, №9(86). С. 7-12.

17. Курейчик В.В., Сороколетов П.В., Щеглов С.Н. Анализ современного состояния автоматизированных систем приобретения и представления знаний. Известия ЮФУ. Технические науки, 2008, №9(86). С. 120-125.

18. Сороколетов П.В. Построение интеллектуальных систем поддержки принятия решений. Известия ЮФУ. Технические науки, 2009, № 4 (93), С. 117-124.

19. Зубакин В.А., Сороколетов П.В. Когнитивный подход к решению проблемы сопоставимости в системах управления комплексными рисками. М.: Экономика

. природопользования, №1, 2006. С. 83-88.

Монографии

20. Гладков Л.А., Курейчик В.В., Курейчик В.М., Сороколетов П.В. Биоинспирированные методы в оптимизации. -М.: Физматлит, 2009. - 384 с.

21. Курейчик В.В.,. Сороколетов П.В. Композитные методы разбиения графовых моделей. -Таганрог: Изд-во ТРТУ, 2006 - 140с.

22. Гречин И.В., Курейчик В.В.,. Курейчик В.М, Сороколетов П.В. Элементы динамических экспертных систем. -Таганрог: Изд-во ТРТУ, 2007 - 123с.

23. Коляда A.B., Курейчик В.В., Курейчик В.М., Лебедев Б.К., Лебедев О.Б., Неупокоева Н.В., Сороколетов П.В. Разработка методов и алгоритмов принятия решений при

проектировании на основе квантовых вычислений. - Таганрог: Изд-во ТТИ ЮФУ, 2007. - 162 с.

24. Курейчик В.В., Сороколетов П.В., Хабарова И.В. Эволюционные модели с динамическими параметрами. - Таганрог: Изд-во ТТИ ЮФУ,2007, 116 с.

25. Гладков Л.А, Кравченко Ю.А., Курейчик В.В., Курейчик В.М., Лебедев Б.К., Лебедев О.Б., Нужнов Е.В., Полупанов A.A., Сороколетов П.В. и др. Интеллектуальные системы проектирования СБИС на основе эволюционных методов. - Таганрог: Изд-во ТТИ ЮФУ, 2008.-184 с.

26. Гладков Л.А., Кравченко Ю.А., Курейчик В.В, Курейчик В.М, Лебедев Б.К., Лебедев

B.Б., Лебедев О.Б., Нужнов Е.В., Полупанов A.A., Сороколетов П.В. Разработка бионических методов и алгоритмов поиска оптимальных решений при проектировании.- Таганрог: Изд-во ТТИ ЮФУ, 2008,- 244 с.

27. Гладков Л.А., Курейчик В.В., Курейчик В.М., Лебедев Б.К., Лебедев В.Б., Лебедев О.Б., Сороколетов П.В. Методы и алгоритмы принятия решений на основе бионического поиска. - Таганрог: изд-во ТТИ ЮФУ, 2009. - 137с.

28. Бова В.В., Гладков Л.А., Кравченко Ю.А., Курейчик В.В., Курейчик В.М., Нужнов Е.В., Рогозов Ю.И., Свиридов A.C., Сороколетов П.В., Щеглов С.Н. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. Таганрог: изд-во ТТИ ЮФУ, 2009. - 124с.

29. Бова В,В., Гладков Л.А., Сороколетов П.В. и др. Модели и методы представления знаний в интеллектуальных системах поддержки принятия решений. Таганрог: изд-во ТТИ ЮФУ, 2010.-114с.

Публикации по теме диссертации в других изданиях

30. Сороколетов П.В. Мир на пороге четвертой информационной революции: концепция технологии передачи знаний. Информационно-аналитический журнал "Система", М.: Изд-во АФК «Система», №4,2004. С. 20-24.

31. Сороколетов П.В. Методы адаптации в задачах компоновки. Перспективные информационные технологии и интеллектуальные системы. -Таганрог, №1 (17), 2004.

C.29-32.

32. Сороколетов П.В. Коммутационные модели блоков ЭВА. Перспективные информационные технологии и интеллектуальные системы.-Таганрог, №2 (18), 2004, С.46-53.

33. Курейчик В.В., Сороколетов П.В. Использование экспертных систем при построении моделей компоновки блоков. Труды десятой национальной конференции по искусственному интеллекту с международным участием КИИ-2006,- М.: Физматлит, 2006. Т.З.С. 1092-1099.

34. Сороколетов П.В. Анализ, проблемы и состояние моделей представления знаний в системах принятия решений. Перспективные информационные технологии и интеллектуальные системы, Таганрог, №4 (28)/ 2006, - С, 15-22.

35. Сороколетов П.В. Анализ, проблемы и состояние моделей эволюции. Перспективные информационные технологии и интеллектуальные системы, Таганрог, №3 (27), 2006. С 39-48.

36. Гречии И.В., Сороколетов П.В. К вопросу о построении архитектуры интеллектуальной экспертной системы. Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'07) и «Интеллектуальные САПР» (CAD-2007).- М.: Физматлит, 2007,. С. 8 - 14.

37. Курейчик В.В., Сороколетов П.В. Архитектуры и стратегии принятия решений. Сборник трудов международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». - М.: Физматлит, 2007. Т.2-с.397-406.

38. Kureichik V.V.,. Kureichik V.M, Sorokoletov P.V. Analysis and a Survey of Evolutionary Models. Journal of Computer and Systems Sciences International, 2007, Vol.46, №5, pp.779-

39. Курейчик B.B., Сороколетов П.В. Проблемы использования экспертных систем при принятии решений. Интеллектуальные системы. - М.: Физматлит, 2007.- С.131-152.

40. Курейчик В.В.,.Сороколетов П.В. Структура интегрированной инструментальной подсистемы генетического поиска. Труды Международных научно-технических конференций «Интеллектуальные системы» и «Интеллектуальные САПР». -М.: Физматлит, 2008, Т.1. С. 80-85.

41. Kureichik V.V., Sorokoletov P.V. Structure of the integrated tool subsystem of genetic search. Proceedings of the International Scientific Conferences "Intelligent Systems" and "Intelligent CAD's ". -Moscow: Physmathlit, 2008. vol. 4. pp. 31.

42. Курейчик B.M., Сороколетов П.В. Модифицированная модель эволюции Шмальгаузена. Перспективные информационные технологии и интеллектуальные системы,- Таганрог, №3-4 (35-36)/ 2008, - С. 1 - 20.

43. Отчет о НИР по теме: «Разработка интеллектуальных систем проектирования для решения задач разбиения СБИС на основе эволюционных методов». X» госрегистрации 01200612017 .- Таганрог, 2007. - 164с.

44. Сороколетов П.В. Анализ и проблемы построения моделей в задачах принятия решений. Интеллектуальные системы. -М.: Физматлит, 2010.- с. 180-191.

Личный вклад диссертанта в работы, опубликованные в соавторстве:

[1,14,21,38,42] - анализ и построение моделей эволюции.

[2,16] - новые алгоритмы построения генетических операторов.

[3,10] - структура интеллектуальных систем поддержки принятия решений.

[4,9,12,22,24,26-28,43] - новые архитектуры интегрированного, бионического и

квантового поиска в САПР.

[5,13,40,41] - элементы инструментальной среды и вычислительного комплекса для

принятия решений.

[6] - генетический алгоритм построения связывающих деревьев.

[17,29,30] - анализ автоматизированных систем представления знаний.

[19] - когнитивный подход при принятии решений в условиях комплексных рисков.

[23,25,34,37-39] - элементы динамических экспертных систем и алгоритмы при принятии

P^matniK

791.

ГЛАВА 1. АНАЛИЗ ПРОЦЕССА РАЗВИТИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

1.1 .Постановка задачи и основные модели принятия решений.

1.2.Классификация методов принятия решений.

1.3. Анализ множества альтернатив принятия решений.

1.4. Информационный подход к разработке систем поддержки принятия решений.

1.5.Постановка задачи принятия решений в условиях неопределенности.

1.6.Описание моделей для задач принятия решений.

1.7.Краткие выводы.

ГЛАВА 2. АНАЛИЗ И ПРЕОБРАЗОВАНИЕ ЗНАНИЙ В СППР.

2.1.Построение интеллектуальных систем поддержки принятия решений.

2.2.Методы вывода и поиска решений в продукционных системах.

2.3.Методы вывода и поиска решений на фреймах и в семантических сетях.

2.4.Логические методы вывода и поиска решений.

2.5.Метаданные в системах поддержки и принятия решений.

2.6.Представление знаний при принятии решений.

2.7.Использование экспертных систем при принятии решений.

2.8.Построение динамических экспертных систем в СППР.

2.9.Связь между задачей принятия решений и генетическими алгоритмами.

2.10.Краткие выводы.

ГЛАВА 3. РАЗРАБОТКА ЭВОЛЮЦИОННЫХ И ГЕНЕТИЧЕСКИХ МЕТОДОВ ПРИНЯТИЯ РЕШЕНИЙ.

3.1.Анализ и обзор моделей эволюции.

3.2.Построение модифицированной модели эволюции Шмальгаузена.

З.З.Элементы теории генетических алгоритмов.

3.4. Перспективные технологии квантового поиска для СППР.

3.5.Краткие выводы.

4. РАЗРАБОТКА АЛГОРИТМОВ ПРИНЯТИЯ РЕШЕНИЙ В САПР.

4.1. Синтез алгоритмов принятия решений при разбиении графовых моделей.

4.2.Комбинированные подходы для размещения вершин графов.

4.3. Определение инвариантов графовой модели принятия решений.

4.4. Квантовые алгориты решения задач на основе графовых моделей.

4.5.Биоинспирированный алгоритм определения максимальных паросочетаний в графовой модели.

4.6.Краткие выводы.

ГЛАВА 5. АНАЛИЗ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

5.1.Инструментальная среда эволюционного моделирования.

5.2. Результаты вычислительного эксперимента при принятии решений для графовых моделей в САПР.

5.3. Вычислительные эксперименты при анализе инвариантов графовых моделей.

5.4.Краткие выводы.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Указанная цель достигается решением следующих задач.

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

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

3. Разработка динамических экспертных систем при принятии решений.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Результаты работы 4

•Простой ГА1 »Жадный ГД|

15915 2331 40 48 56 65 73 82 90 98108 120132 144156 168 180 192

Итерации

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

Рис 5.26. ВСА

Программа реализует следующие алгоритмы:

• Бионический алгоритм поиска максимального паросочетания в двудольном графе;

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

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

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

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

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

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

Были проведены экспериментальные исследования, результаты которых приведены в таблицах 5.5 и 5.6. Графическая иллюстрация полученных данных приводится на графиках (рис. 5.29, 5.30). Здесь ТВБ8 — время работы алгоритма Форда-Фалкерсона при использовании поиска в ширину; ТОР8 - время работы алгоритма Форда -Фалкерсона при использовании поиска в глубину; Т1ЧПЧ8 - время решения бионического алгоритма. вд ^ ■ ***** т "'Р—Щі ці і

Файл Граф Алгоритм ©

V / /

• \ х ©

X \ / \ х

А / \

V \ ®

У V / / \ \ ®

8(4+4) Е=11 і Л

Рис.5.27. Главное окно приложения, отображающее двудольный граф

Рис.5.28. Найденное в двудольном графе паросочетание

306

Заключение

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Петровский А.Б. Теория принятия решений.-М.: Издательский центр «Академия», 2009.

2. Пригожин И. От существующего к возникающему.- М.: Наука, 1985.

3. Хакен Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах. -М.: Мир, 1985.

4. Винер Н. Кибернетика или управление и связь в животном мире. -М.: Сов. радио, 1968.

5. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах. -М.: Логос, 2000.

6. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. -М.: Физматлит, 2003.

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

8. Редько В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. -М.: Комкнига, 2005.

9. Курейчик В.В., Курейчик В.М., Гладков Л.А., Сороколетов П.В. Бионспирированные методы в оптимизации,- М.: Физмалит, 2009.

10. Рапопорт Г.Н., Герц А.Г. Искусственный и биологические интеллекты. Общность структуры, эволюция и процессы познания.- М.: Комкнига, 2005.

11. Капра Ф. Паутина жизни. Новое научное понимание живых систем. Перевод с английского М.: ИД "Гелиос", 2002.

12. Вернадский В.И. Биосфера ноосфера. М.: Рольф, 2006, 576с.

13. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: Издательство «Нолидж», 2000г.-352с.

14. Дюк В., Самойленко A., Data Mining: учебный курс.-СПб.: Питер, 2001.-368с.

15. Гречин И.В., Курейчик В.В., Курейчик В.М., Сороколетов П.В. Элементы динамических экспертных систем. Монография. Таганрог: Изд-во ТТИ ЮФУ, 2007.

16. Дарвин Ч. Происхождение видов путем естественного отбора, или сохранение благоприятных рас в борьбе за жизнь. -СПБ., 1991.

17. Дарвин Ч. Происхождение видов путем естественного отбора.- М.: «Тайдекс Ко», 2003.

18. Holland John Н., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. USA: University of Michigan, 1975.

19. Goldberg David E. Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989.

20. Таранов П.С. Золотая философия. M.: Изд-во ACT, 1999.

21. Великие мыслители Запада / Пер.с англ. М.: КРОН ПРЕСС, 1999.

22. Кини P.JI., Райфа X. Принятие решений при многих критериях: предпочтения и замещения. -М.: Радио и связь, 1981.

23. Сороколетов П.В. и др. Методы и алгоритмы принятия решений на основе бионического поиска: Монография.— Таганрог: изд-во ТТИ ЮФУ, 2009.

24. Тихонов А.Н, Цветков В.Я. Методы и системы поддержки принятия решений. -М.: МАКС Пресс, 2001.

25. Грешилов А. А. Математические методы принятия решений. —М.: Изд-во МГТУ им. Баумана, 2006.

26. Микони С.В. Теория и практика рационального выбора: Монография. -М.: Маршрут, 2004.

27. Корниенко В.П. Методы оптимизации. -М.:Высш.шк., 2007.

28. Алексеев A.B., Борисов А.Н. и др. Интеллектуальные системы принятия проектных решений. -Рига: Зинатне, 1997.

29. Курейчик В.В., Сороколетов П.В. Принятие решений в неопределенных условиях в задачах проектирования радиоэлектронной аппаратуры. Изд-во «Известия высших учебных заведений. СевероКавказский регион» 2007, №1. С. 19-24.

30. Курейчик В.В., Сороколетов П.В. Архитектуры и стратегии принятия решений. Сборник трудов международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте», т. 2. М.: Физматлит, 2007. - с.397-406.

31. Сороколетов П.В. Принципы и нечеткие алгоритмы анализа моделей принятия решений. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИЮФУ, 2008, №4(81). С. 111-115.

32. Сороколетов П.В. Построение интеллектуальных систем поддержки принятия решений. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2009, № 4 (93), С. 117-124.

33. Осуга С. Обработка знаний. -М.: Мир, 1989.

34. Уэно X. и др. Представление знаний. -М.: Мир, 1989

35. Минский М. Фреймы для представления знаний. -М.: Энергия, 1979.

36. Харари Ф. Теория графов.- М.: Мир,1977.

37. Кормен Т., Лейзерсон И., Ривест Р. Алгоритмы: построения и анализ.-М.: МЦМО, 2000.

38. Костюкова Н.И. Графы и их применение. Комбинаторные алгоритмы для программистов.- М.: Бином, 2007.

39. Емеличев В.А.и др. Лекции по теории графов.-М.: УРСС, 2009.

40. Гладков Л.А., Курейчик В.В., Курейчик В.М. Дискретная математика: Теория множеств, алгоритмов, алгебры логики.-Таганрог: Изд-во ТТИ ЮФУ,2009

41. Беллман Р., Заде Jl. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений. -М.: Мир, 1976,с. 172-215.

42. Малышев В.В., Пиявский Б.С., Пиявский С.А. Методы принятия решений в условиях многообразия способов учета неопределенности. Известия РАН. Теория и системы управления, №1, 2010. С. 46-61

43. Zadeh L. Fuzzy Logic and Approximate Reasoning // Synthese. 1975. -Vol.80. - P. 407 -428.

44. Заде JI. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. М.: Знания, 1974. - 64 с, С. 5 - 49.

45. Нечеткие множества и теория возможностей. Последние достижения/Пер.-с англ, под ред. Р. Р. Ягера. —М.: Радио и связь, 1986.- 408 с.

46. Норенков И.П. Основы автоматизированного проектирования. — М.: Изд-во МГТУ имени Н.Э.Баумана, 2006. 360с.

47. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. -М.: Финансы и статистика, 2004.

48. Батыршин И.З., Тарасов В.Б., Ярушкина Н.Г., и др. Нечеткие гибридные системы. Теория и практика-М.: Физматлит, 2007.

49. Рыбина Г.В. Теория и технология построения интегрированных экспертных систем. -М.: ООО «Научтехлитиздат»,2008.

50. Джексон П. Введение в экспертные системы. -М.: Издательский дом «Вильяме», 2001. 624с.

51. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы// под ред. Попова Э.В. -М.: Фин. И стат. 1996. 320с.

52. Feigenbaum Е.А. Themes and case studies of knowledge engineering. Expert system in micro electronic age. Edinburg: Infotech Limited, 1979. p. 420.

53. Сороколетов П.В. Извлечение экспертных знаний в ИСАПР. Известия ТРТУ №8, 2006. С.36-40.

54. Гречин И.В., Курейчик В.В., Курейчик В.М., Сороколетов П.В. Элементы динамических экспертных систем: Монография. -Таганрог: Изд-во ТРТУ, 2007 123с.

55. Сороколетов П.В. К вопросу построения динамических экспертных систем. Известия ТРТУ. -Таганрог: Изд-во ТРТУ, 2007, №1(73). С. 32 35.

56. Курейчик В.В., Сороколетов П.В. Проблемы использования экспертных систем при принятии решений. Интеллектуальные системы. М.: Физматлит, 2007.- с. 131-152.

57. Вагин В.Н. Дедукция и обобщение в системах принятия решений. -М.: Наука, 1988.-384 с.

58. Непейвода H.H. Прикладная логика: Учеб. пособие. — Новосибирск: Изд-во Новосиб. ун-та, 2000. 521 с.

59. Вагин В.Н. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2008. - 712 с.

60. Клини С. Математическая логика. -М.: Изд-во Мир, 1973.

61. Батищев Д.И., Львович Я.Е., Фролов В.Н. Оптимизация в САПР. -Воронеж: Изд-во ВГУ, 1997.

62. Курейчик В.В. Эволюционные, синергетические и гомеостатические методы принятия решений. Монография. Таганрог: Изд-во ТРТУ, 2001.

63. Курейчик В.В., Сороколетов П.В. О построении интеллектуальных систем поддержки принятия решений. Известия ТРТУ. Технические науки. Изд-во ТРТУ, 2006-2007гг. №9 С. 97 100.

64. Берштейн Л.С., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных ИС. -Ростов-на-Дону: Изд-во РГУ, 1999.

65. Целых А.Н. Моделирование процессов принятия решений в нечетких условиях. -Ростов-на-Дону: Изд-во СКНЦВШ, 1999.

66. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. -М.: Синтег,1998.

67. Курицкий Б.Я. Оптимизация вокруг нас. -Л.: Машиностроение, 1989.

68. Аттетков A.B. и др. Методы оптимизации. М.: Изд-во МГТУ имени Н.Э.Баумана, 2003.

69. Верба В.А., Буянов Б.Я. Модель принятия решений для интеллектуального модуля информационно-управляющей системы. Искусственный интеллект. Материалы X МНТК. Таганрог: Изд-во ТТИ ЮФУ, 2009., с. 25-27

70. Гречин И.В., Сороколетов П.В. Проектирование вычислительного комплекса для принятия решений. Известия ЮФУ. Технические науки,-Таганрог: Изд-во ТТИ ЮФУ, 2007, №2(77). С. 191 195.

71. Месарович М., Мако Д., Такахара. Теория иерархических многоуровневых систем. -М.: Мир, 1973.

72. Смирнова Н.В. К оптимизации альтернативных решений в интеллектуальных системах. Искусственный интеллект. Таганрог: Изд-во ТТИ ЮФУ, 2009., с. 35-37

73. Когаловский М.Р. Перспективные технологии информационных систем.: ДМК Пресс; -М.: Компания АйТи, 2003. — 288 с.

74. Обобщенная модель представления предметной области / А.И. Башмаков.- М.: МЭИ, 1997.— Деп. в ВИНИТИ 10.06.97, № 1933.

75. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.

76. Башмаков А.И., Старых В.А. Систематизация информационных ресурсов для сферы образования: классификация и метаданные. М: «Европейский центр по качеству», 2003. - 384 с.

77. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. // Под ред. Поспелова Д.А. М.: Наука, 1989.

78. Ларичев О.И. и др. Выявление экспертных знаний. -М.: Наука, 1989.

79. Хейес-Рот Ф., Уотерман Д., Ленат Д., Построение экспертных систем,- М: Мир, 1987.-43Ос.

80. Гаврилова Т.А. Хорошевский В.Ф. Базы знаний интеллектуальных систем.- Спб: Питер, 2000г.-384с.

81. Поспелов Д.А. Данные и знания. Искусственный интеллект. В 3 кн. Кн. 1.-М: Радио и связь, 1990.-464с.

82. Червинская К.Р. Методы концептуального анализа знаний. // Методы и системы принятия решений. Системы поддержки процессов проектирования на основе знаний. Рига: РТУ, 1991.-е. 116 - 122.

83. Кузнецов И.Л. Расширенные семантические сети для представления и обработки знаний // Системы и средства информатики: Ежегод. Вып. 4 / РАН. Институт проблем информатики. -— М., 1993. — С. 70—83.

84. Осипов Г.С. Метод формирования и структурирования модели знаний для одного типа предметных областей // Известия АН СССР. Техническая кибернетика. 1998. №2. С.3-12.

85. Осипов Г.С. Приобретение знаний интеллектуальными системами.-М.: Наука, 1997.-112с.

86. Осипов Г.С. Построение баз знаний на основе взаимодействия полуавтоматических методов приобретения знаний. 4.1. Концептуальные элементы модели мира. Известия РАН. Теория и системы управления.З -М.: Наука, 1995. С. 160-174.

87. Нейлор К. Как построить свою экспертную систему.-М.: Энергоатомиздат, 1991. 286с.

88. Курейчик В.В., Сороколетов П.В., Щеглов С.Н. Анализ современного состояния автоматизированных систем приобретения и представления знаний. Известия ЮФУ. Технические науки. -Таганрог: Изд-во ТТИ ЮФУ, 2008, №9(86). С. 120-125.

89. Бова В.В., Гладков Л.А., Сороколетов П.В. и др. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. -Таганрог: изд-во ТТИЮФУ, 2009. 124с.

90. Бова В.В., Гладков Л.А., Сороколетов П.В. и др. Модели и методы представления знаний в интеллектуальных системах поддержки принятия решений. -Таганрог: изд-во ТТИ ЮФУ, 2010.

91. Гречин И.В., Сороколетов П.В. К вопросу о построении архитектуры интеллектуальной экспертной системы. Труды Международных научно-технических конференций «Интеллектуальные системы». Научное издание в 4-х томах. М.: Физматлит, 2007, Т.2. С. 8 14

92. Сороколетов П.В. Анализ, проблемы и состояние моделей представления знаний в системах принятия решений. Перспективные информационные технологии и интеллектуальные системы.- Таганрог, ТРТУ, №4 (28)/2006,-С. 15-22.

93. Дейт К. Введение в системы баз данных (седьмое издание).-М.: Вильяме. 2001.

94. Аверкин А.Н. Приобретение и формализация знаний. Искусственный интеллект. М.: Радио и связь, 1990.

95. Попов Э.В. Общение с ЭВМ на естественном языке. М.: Эдиториал УРСС, 2004.

96. Андрейчиков А. В., Андрейчикова О. Н. Компьютерная поддержка изобретательства (методы, системы, примеры, применения). -М.: Машиностроение, 1998.

97. Городецкий В.И., Самойлов В.В., Малов О.А. Современное состояние технологии извлечения знаний из баз и хранилищ данных.Ч.1. Новости искусственного интеллекта. №3. 2002. -С.3-12.

98. Городецкий В.И., Самойлов В.В., Малов О.А. Современное состояние технологии извлечения знаний из баз и хранилищ данных. 4.II. Новости искусственного интеллекта. №4. 2002. -С.3-9.

99. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. №10.

100. Вениаминов E.M., Машунина М.Ю. Принципы построения открытого языка шаблонных выражений в системе представления знания // Научно-техническая информация. Сер. 2. Информационные процессы и системы. 2000. №7. С. 10—17.

101. Новак В., Перфильева И., Мочкорж И. Математические принципы нечеткой логики. -М.: Физматлит, 2006.

102. Емельянов В.В., Ясиновский С.И. Имитационное моделирование систем. М.: Изд-во МГТУ имени Н.Э.Баумана, 2009.

103. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004.

104. Шамис A.JI. Поведение. Восприятие. Мышление: проблемы создания искусственного интеллекта. М.: Едиториал УРСС, 2005-224с.

105. Юб.Вихрин А.Г., Сакипов Н.З. Штурм четвертого мегапроекта: Кто будет новым Биллом Гейтсом? Системный анализ и выбор стратегии. М.: Изд-во Диалог-МИФИ, 2008.

106. Рассел С. Норвинг П. Искусственный интеллект: современный подход, 2-е изд. М.: издательский дом «Вильяме», 2006-1408с.

107. От моделей поведения к искусственному интеллекту. Под ред. В.Г. Редько М.: КомКнига, 2006 - 456с.

108. Саймон Г. Науки об искусственном. Перевод с английского. M .: Едиториал УРСС, 2004-144с.

109. Толковый словарь по искусственному интеллекту. // Составители Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. М.: Радио и связь, 1992.

110. Лорьер Ж.Л. Системы искусственного интеллекта: Пер с франц.— М.: Мир, 1991.—568 с.

111. Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: Издательство МГТУ им. Н.Э. Баумана, 2003. - 348 с.

112. Интеллектуальные системы. Коллективная монография. Выпуск 1. / Под. Ред. В.М. Курейчика. -М.: Физматлит, 2005.

113. Интеллектуальные системы. Коллективная монография. Выпуск 2. / Под. Ред. В.М. Курейчика. -М.: Физматлит, 2007.

114. Интеллектуальные системы. Коллективная монография. Выпуск 3. / Под. Ред. В.М. Курейчика. -М.: Физматлит, 2009.

115. Уитби Б. Искусственный интеллект: реальна ли матрица. Пер. с англ. - М.: ФАИР - ПРЕСС, 2004.

116. Родзин С.И. Искусственный интеллект. Учебное пособие. — Таганрог. Изд-во ТТИ ЮФУ, 2009.

117. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. Пер. с англ. М.: издательский дом "Вильяме", 2003.

118. Стефанюк В.Л. Локальная организация интеллектуальных систем. — М.: ФИЗМАТЛИТ, 2004.

119. Автоматическое порождение гипотез в интеллектуальных системах / Сост. Панкратов Е.С., Финн B.K. М.: книжный дом "ЛИБРИЕСОМ", 2009.

120. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG. Пер. с англ.- М.: Издательский дом "Вильяме", 2004.

121. Алиев P.A., Алиев P.P. Теория интеллектуальных систем и ее применение. Баку: Чатслоглы, 2001.

122. Заде Л. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Новости искусственного интеллекта, 2007, №2, С 7-11.

123. Нариньяни A.C. He-факторы: неточность и недоопределенность -различие и взаимосвязь. Известия РАН: Теория и системы управления, 2000, №5, с.44-65.

124. Берштейн Л.С., Боженюк A.B. Нечеткие графы и гиперграфы. -М.: Научный мир, 2005.

125. Берштейн Л.С., Боженюк A.B. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография. -Таганрог: Изд-во ТРТУ, 2001.

126. Шаповалов В.И. Основы теории упроядочения и самоорганизации. — М.: фирма "Испо-Сервис", 2005.

127. Синергетика процесса самоорганизации и управления. Под ред. A.A. Колесникова в 2-х частях. Таганрог, Изд - во ТРТУ, 2004.

128. Хакен Г. Тайны природы. Синергетика: учение о взаимодействии. -Москва Ижевск: Институт компьютерных исследований, 2003.

129. Дульнев Г.Н. Введение в синергетику. СПб.: Изд-во «Проспект»,1998.

130. Колесников A.A. Основы теории синергетического управления.- М.: Фирма «Испо-Сервис», 2000.

131. Василькова B.B. Порядок и хаос в развитии социальных систем: (Синергетика и теория социальной самоорганизации).- СПб.: Изд-во «Лань»,1999.

132. Пригожин И., Стенгерс И. Время, хаос, квант. К решению парадокса времени. -М.: Эдиториал УРСС, 2000.

133. Лоскутов А.Ю., Михайлов A.C. Введение в синергетику. -М.: Наука, 1990.

134. Садовничий В.А. и др. Устойчивость глобального развития и хаотичность региональных явлений в нелинейных динамических процессах. Синергетика// Труды семинара. Том 3. -М.: Изд-во МГУ, 2000, с.5-39.

135. Чубукова И.A. Data Minmg.-M.:EHHOM,2006

136. Семенов Н.А. Интеллектуальные информационные системы. -Тверь. Изд-во ТГТУ,2009

137. Winograd Т. Frame representation and the Declarative/ Procedural Controversy //Representation and Understanding/ Ed. By D.G. Bobrow, A.M. Collins. N.J.: Academic Press, 1975.-P. 112-12

138. Робинсон Дж. Машино ориентированная логика, основанная на принципе резолюции//Киберн.сб.Но.сер., №7.-М.:Мир, 1970,- 98 с, с.43-56.

139. Robinson J. A. A Machine-Oriented Logic Based on the Resolution Principle//.!. ACM, 1965.-Vol. 12.-P. 23-41.

140. Файкс P. Нильсон H. Система STRIPS новый подход к применению доказательств теорем при решении задач // Интегральные роботы: Пер. с англ.-М.: Мир, 1973.-Вып. 1.- 585 с, С.382-403.

141. Sacerdoti Е. planning in a Hierarchy of Abstraction Spaces // Artificial Intelligence.-1974. -Vol. 5, №2.-P. 115-135.

142. Duda R., Hart P., Nilsson N. Subjective Bayesian Methods for Rule-Based Inference Systems/ZProc. AFIPS Nat. Computer Conf. 1976,- Vol. 45.- P. 10751082.

143. Гаврилова T.A., Червинская K.P. Извлечение и структурирование знаний для экспертных систем.- М.: Радио и связь, 1982.- 200 с.

144. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. №10.

145. Колчин А.Ф., Овсянников M.B., Стрекалов А.Ф., Сумароков С.В. Управление жизненным циклом продукции М.: Анахарсис, 2002.

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

147. Колесов Ю.Б., Сениченков Ю.Б. Моделирование систем. Динамические и гибридные системы: учеб. метод, пособие. - СПб.: БХВ-Петербург, 2006.

148. Кравченко, Ю.А. CALS- и CASE- технологии: учеб. пособие/. -Таганрог: Изд-во ТРТУ, 2005.

149. Кравченко, Ю.А. PLM- технологии в SAP: учеб. пособие. Таганрог: Изд-во ТТИ ЮФУ, 2010.

150. Калянов, Г.Н. CASE-технологии. Консалтинг в автоматизации бизнес-процессов Текст. /- 3-е изд. М.: Горячая линия - Телеком, 2002.

151. Эволюционное моделирование / Под ред. В.А.Райхлина. Вып.2. -Казань: Изд-во "ФЭН" (Наука), 2004.

152. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2002.

153. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003

154. Букатова И.Л. Когнитивные процессы эволюционирующих систем. -М.: РАН, ИРЭ, препринт №10(598), 1994.

155. Букатова И.Л. Эволюционное моделирование и его приложения. -М.:Наука, 1991.

156. Букатова И.Л. Эволюционные технологии средства интенсивной информатизации. -М.: РАН, ИРЭ, препринт №5(593), 1994.

157. Гладков Л. А, Курейчик В.В., Курейчик В.М. Генетические алгоритмы. М.: Физматлит, 2006.

158. Каменская М.А. Информационная биология: учебное пособие для студентов высших учебных заведений. М.: Издательский центер «Академия», 2006.

159. Голицын Г.А. Петров В.М. Информация и биологические принципы оптимальности: Гармония и алгебра живого. М.: КомКнига 2005

160. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер с польск. М.: Горячая линия - Телеком, 2004.

161. Зубакин В.А., Сороколетов П.В. Когнитивный подход к решению проблемы сопоставимости в системах управления комплексными рисками М.:5 Сб. "Экономика природопользования" ВИНИТИ РАН, N1 2006. С. 83-88.

162. Холланд Д. Генетические алгоритмы. В мире науки.1992. № 9-10. С.32-40.

163. Handbook of Genetic Algorithms. Edited by Lawrence Davis. USA: Van Nostrand Reinhold, New York, 1991.

164. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.l, Washington, USA, CRC Press, 1995.

165. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.2, Washington, USA, CRC Press, 1995.

166. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.3, Washington, USA, CRC Press, 1999.

167. Davis L. Genetic Algorithms and Simulated Annealing. San Mateo, USA, Morgan Kaufman Publisher, 1987.

168. De Jong K. Evolutionary Computation: Recent Development and Open Issues. Proceedings 1st International conf., Evolutionary Computation and Its Application, EvCA 96, Moscow, 1996, pp.7-18.

169. Батищев Д.А. Генетические алгоритмы решения экстремальных задач. Воронеж: Изд-во ВГТУ, 1995.

170. Rastrigin L.A. Random Search in Evolutionary Computations. Proceedings , »

171. International conf., Evolutionary Computation and Its Application, EvCA 96,1. Moscow, 1996, pp.135-143.

172. B.M. Курейчик, Лебедев Б.К., Лебедев О.Б. Поисковая адаптация -М.: Физматлит, 2006.

173. Растригин Л.А. Адаптивные компьютерные системы.- М.: Знание, 1987.

174. Сигорский В.Г. Проблемная адаптация в системах автоматизированного проектирования. Известия высших учебных заведений: Радиоэлектроника. Т. 31, №6, 1988.

175. Цетлин M.JI. Исследования по теории автоматов и моделированию биологических систем.- М.: Наука, 1969.

176. Варшавский В.И. Коллективное поведение автоматов. -М.: Наука, 1973.

177. Капра Ф. Скрытые связи. М.: КомКнига, 2005 - 224с.

178. Северцов Г.А. Теория Эволюции. Учебник. М.: Гуманитар, изд. Центре ВЛАДОС, 2005.

179. Назаров В.И. Эволюция не по Дарвину: смена эволюционной модели. Учебное пособие М.:КомКнига, 2005.

180. Яблоков A.B. Эволюционное учение: Учебник для биологических специальностей вузов М.: Высшая школа, 2004.

181. Дубинин Н.П. Избранные труды. Т.1. Проблемы гена и эволюции. -М.: Наука, 2000.

182. Хедрик Ф. Генетики популяции. М.: Техносфера, 2003. - 592с.

183. Клаг У., Каммингс М. Основы генетики. М.: Техносфера, 2007.г

184. Ридли М. Геном: автобиография вида в 23 главах // Перевод с английского -М.:Эксмо, 2008.

185. Kureichik V.V., Kureichik V.M., Sorokoletov P.V. Analysis and a Survey of Evolutionary // Models Journal of Computer and Systems Sciences International. 2007. - Vol.46. - №5. - pp.779 - 791.

186. В.В.Курейчик, В.М.Курейчик, П.В.Сороколетов Анализ и обзор моделей эволюции. Известия РАН. Теория и системы управления, 2007, №5. С. 114-126.

187. Ламарк Ж.Б. Философия зоологии. Т. 1,2. М.-Л.: Академия, 1939.

188. Эйген M., Шустер П. Гиперцикл. Принципы самоорганизации макромолекул. -М.: Мир, 1982.

189. Эволюционная эпистемология и логика социальных наук: Карл Поппер и его критики// Составление Д.Г. Лахути, В.Н. Садовского, В.К. Финна. -М.: Эдиториал УРСС, 2000.

190. Сороколетов П.В. Анализ и обзор моделей эволюции. Перспективные информационные технологии и интеллектуальные системы № 3(27), 2006, стр. 39-48.

191. Курейчик В.В., Сороколетов П.В. Математические модели эволюции в САПР. Известия ЮФУ. Технические науки. -Таганрог: Изд-во ТТИ ЮФУ, 2008, №4(81). С. 12-16.

192. Курейчик В.В., Сороколетов П.В., Хабарова И.В. Эволюционные модели с динамическими параметрами: Монография. -Таганрог: Изд-во Технологического института ЮФУ,2007. 200 экз. 116 с.

193. Шмальгаузен И.И. Вопросы дарвинизма. М.: Наука, 1990.

194. Шмальгаузен И.И. Факторы эволюции. Теория стабилизирующего отбора. М.: Наука, 1968.

195. Курейчик В.М., Сороколетов П.В. Модифицированная модель эволюции Шмальгаузена // Перспективные информационные технологии и интеллектуальные системы. -№3,4, 2008 с. 3-17.

196. Курейчик В.М. Об одной модели эволюции Шмальгаузена. Известия ЮФУ Технические науки. Таганрог. Из-во: ТТИ ЮФУ, №4 (93), 2009, с 716.

197. Бурбаки Н. Теория множеств. -М.: Мир,1965.

198. Столл Р. Множества. Логика. Аксиоматические теории. -М.: Просвещение, 1968. j

199. Grover L.K. Synthesis of Quantum Superpositions by Quantum Computation. Physical Rev. Letters, Vol. 85. No.6, 2000, pp. 1334-1337.

200. Williams C.P. Quantum Search Algorithms in Sciences and Engineering. Computing in sciences and engineering, March April 2001, pp. 44-51.

201. Валиев K.A., Конан A.A. Квантовые компьютеры: надежда и реальность. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.

202. Grover L.K. A Fast Quantum Mechanical Algorithm for Data-base Search. Proc. 28 th Ann. ACM Press, New York, 1996, pp. 212-219.

203. Курейчик B.B., Сороколетов П.В. Новая технология квантового поиска. Известия высших учебных заведений. Электромеханика, 2007, №3. С. 48-52.

204. Holevo A. S. Statistical Structure of Quantum Theory. — Berlin: SpringerVerlag, 2001.

205. Nielsen M.A., Chuang I.I. Quantum Computation and Quantum Information Cambridge University Press, 2000.

206. Литвинцева Л.В., Ульянов C.B. Интеллектуальные системы управления 1.Квантовые вычисления и алгоритм самоорганизации. Известия РАН. Теория и системы управления, №6, 2009. С 102 -141.

207. Каляев И.А. и др. Реконфигурацируемые мультиконвейерные вычислительные структуры. Под общ. ред. И.А.Каляева. -Ростов Н/Д: изд-во ЮНЦ РАН, 2009.

208. Родзин С.И. Теория принятия решений. Учебное пособие. Таганрог. Изд-во ТТИ ЮФУ, 2010.

209. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры. -М.: Изд-во МГТУ, 2002.

210. Курейчик В.В., Сороколетов П.В. Композитные методы разбиения графовых моделей: Монография. -Таганрог: Изд-во ТРТУ, 2006 140с.

211. Курейчик В.В., Сороколетов П.В. Композитные бионические алгоритмы в компоновке блоков. Известия ТРТУ. Таганрог: Изд-во ТРТУ, 2006. №8(63). С. 41-46

212. Курейчик В.В., Сороколетов П.В. Эволюционные алгоритмы разбиения графов и гиперграфов. Известия ТРТУ,№3, 2004, с.23-32.

213. Зыков А.А. Основы теории графов. — М.: Вузовская книга, 2004.

214. Акимов О.Е. Дискретная математика: логика, группы, графы, фракталы. М.:Издатель АКИМОА, 2005.

215. Капитонова Ю.В. и др. Лекции по дискретной математике. СПб.: БХВ - Петербург, 2004.

216. Судоплатов С.В., Овчинников Е.В. Дискретная математика . М: ИНФРА-М, 2005.

217. Макконнелл Д. Анализ алгоритмов. Сводный курс. М.:Техносфера, 2002.

218. Coley D. An Introduction to Genetic Algorithms for Scientists and Engineers. London: World Scientific, 2005.

219. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programms. Berlin: Springer, 1999.

220. Foundation of Genetic Algoritms. Edited by Rawlins G. San Mateo: Morgan Kaufmann Publishers, 1991.

221. Курейчик B.B., Сороколетов П.В. Новые структуры генетических операторов. Известия высших учебных заведений. Электромеханика, 2006г. №5 С.41-44.

222. Genetics Algorithms. Editor Lawrence Elbaum. Proceedings of the 1st International conf., New Jersey, USA, Associates Publishers, 1985.

223. Genetics Algorithms. Editor J. Grefenstette. Proceedings of the 2nd International conf., New Jersey, USA, Associates Publishers, 1987.

224. Genetic Algorithm. Editor D.Schaffer D. Proceedings 3d International conf., San Mateo, USA, Morgan Kaufman Publishers, 1989.

225. Genetics Algorithms . Editors R. Belew , L.Booker . Proceedings of the 4th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1991.

226. Genetics Algorithms. Editor R. Forrest. Proceedings of 5th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1993.

227. Genetics Algorithms. Editor R. Forrest. Proceedings of 6th International conf., San Mateo, USA, Morgan Kaufman Publishers, 1995.

228. Genetics Algorithms. Editor T.Back. Proceedings of the 7th International conf., San Francisco, USA, Morgan Kaufman Publishers, Inc, 1997.

229. Genetics Algorithms. Editor David Goldberg. Proceedings of the 8th International conf., San Francisco, USA, Morgan Kaufman Publishers, Inc, 1999.

230. Sherwani N. Algorithms for VLSI Physical Design Automation, Kluwer Academic Publishers, Boston/Dordrecht/London, 1995.

231. Балюк Л.Б., Курейчик В.В., Сороколетов П.В. Перспективная технология интегрированного поиска в САПР. Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2007, №2(77). С. 18 - 25.

232. Genetic Algorithms and Evolution Strategy in Engineering and Computer Science. Editid by D. Quagliarella and et all. John Wiley & Song, NY, USA, 1998.

233. Kureichik V.V., Kureichik V.M., Malioukov S.P., Malioukov A.S. Algorithms for Applied CAD Problems. Berlin Heidelberg: Springer-Verlag, 2009.-487 p.

234. Back T. Evolutionary algorithms in theory and practice.- NY.: Oxford Uni press, 1996.

235. Cohoon J.P., Paris. W.D., Genetic Algorithms in Engineering Systems, The Institute of Electrical Engineers, London, 1997.

236. Shahookar R., Mazumder P. VLSI Placement Techniques ACM Computing Surveys, Vol.23, No.26, 1991. pp. 142-220.

237. Bui T.N., Moon B.R. Genetic algorithm and graph partitioning, IEEE Trans. Comput., vol.45, 1996, pp. 841-855.

238. Chandrasekharam R., Subhramanian and chadhurys. Genetic algorithms for node partitionaly problem and application in VLSI design. IEEE Proc-E, Vol.140, No.5, September, 1993. pp. 167- 178.

239. Zebulum R.S., Pacheco M.A., Vellasco M.M. Evolutionary Electronics: Automatic Design of Electronic Circuits and Systems by Genetic Algorithms. -CRC Press, 2002. 302p.

240. Mazumder P., Rudnick E. Genetic Algorithms for VLSI Design, Layout and Test Automation. Prentice Hall, Toronto, Canada, 1999.

241. Баринов С.В., Гладков JI.A. Компоновка МЭС на основе многоуровневого подхода. «Нано- и микросистемная техника», №2/2007 с. 33-39.

242. Haupt R.L., Haupt S.E. Practical Genetic Algorithms, Second edition, Wiley publishers, 2004, 26lp.

243. Курейчик B.B., Полупанов A.A. Эволюционные методы разбиения схем на основе адаптивных генетических процедур.- Таганрог: Изд-во Технологического института ЮФУ, 2007 160 с.

244. Karypis G., Kumar V. Analysis of multilevel graph partitioning. Technical Report TR 95-037, Department of Computer Science, University of Minnesota, 1995. http://www.cs.umn.edu/~karypis/papers/mlevel analysis.ps.

245. Karypis G. and Kumar V. (1999b). Multilevel k-way hypergraph partitioning. In Proceedings of the Design and Automation Conference http://www.cs.umn.edu/~karypis.

246. Karypis G., Aggarwal R., Kumar V., and Shekhar S. Multilevel hypergraph partitioning: Application in VLSI domain. IEEE Transactions on VLSI Systems, 20(1), 1999.

247. Автоматизация проектирования БИС. В 6 кн. Под ред. Г.Г. Казеннова.- М.: Высшая школа, 1990.

248. Немудров В., Мартин Г. Системы-на-кристалле. Проектирование и развитие. -М: Техносфера, 2004.

249. Овчинников В.А. Алгоритмизация комбинаторно-оптимизационных задач при проектировании ЭВМ и систем.- М.: Изд-во МГТУ им. Баумана, 2001.

250. Курейчик В.В., Сороколетов П.В. Структура интегрированной инструментальной подсистемы генетического поиска. Труды Международных научно-технических конференций «Интеллектуальные системы». Научное издание в 4-х томах. -М.: Физматлит, 2008, Т.1. С. 80-85

251. Kureichik, V.V., Kureichik V.M. Genetic Algorithms. Germani.: Hartung-Corre Verlag, 2004. - 348 p.

252. Курейчик B.M. Курейчик B.B. Генетический алгоритм размещения графа// Известия АН. Теория и системы управления, № 5, 2000, с.67-74.

253. Kureichik V.M, Kureichik V.V. Genetic Algorithm for Graph Placement Journal of Computer and Systems Sciences International,vol.39, №5, 2000, pp.733-740.

254. Kling R.M. and Banerjee P. Empirical and Theoretical Studies of the Simulated Evolution Method applied to standard Cell Placement. IEEE Trans, on CAD, Vol.10, No. 10, 1991. pp. 1303-1315.

255. Paris W. GENIF: A new placement Algorithms. Thesis (ms) University of Virginia, USA, 1989.

256. Read R.C. and Cornell D.G. The graph isomorphism disease. Journal of Graph Theory, USA, Nol, 1977. pp.339-363.

257. Warnaar D.B., Chew M., Olarin S. Method for detecting isomorphism in graphs using vertex degree correspondence with partitioning. American society of Mechanical Engineers, DE, vol.47, USA, 1993. pp.219-224.

258. Ohlrich M., Fbeling C., Cinting E. And 1. Sather. Sub Gemini: Identifying Sub Circuits using Isomorphism Algorithm. Proc. 30th DAC, USA, 1993. pp.31-37.

259. Курейчик B.B. Генетический алгоритм определения изоморфизма однородных графов// Известия ТРТУ, № 3, 1997, с.60-63.

260. Курейчик В.В., Сороколетов П.В. Генетический поиск при построении связывающих деревьев. Программные продукты и системы. 2007. №4. с.31-32.

261. Курейчик В.В. Построение и анализ генетических алгоритмов раскраски графа на основе моделей искусственных систем// Трудымеждународного конгресса ICAI-2001, Искусственный интеллект в 21-веке. М.: Физмалит, 2001, с.665-675.

262. Бершадский A.M. Применение графов и гиперграфов для автоматизации конструкторского проектирования РЭА и ЭВА,- Саратов: Изд-во СГУ, 1993.

263. Кристофидес Н. Теория графов. Алгоритмический подход. -М.: Мир, 1978.

264. Неупокоева Н.В. Разработка и исследование интегрированных квантовых и генетических алгоритмов размещения. Перспективные информационные технологии и интеллектуальные системы. 2005. №3. — С. 411.

265. Курейчик В.М. Новый подход к раскраске и определению клик графа на основе квантовых алгоритмов // Известия ТРТУ. 2004. №3. С. 29-34.

266. Курейчик В.М. Совместные методы квантового и бионического поиска. Труды конференций IEEE AIS'04. CAD-2004. - М.: Физматлит, 2004.-С. 12-19.

267. Курейчик В.М., Неупокоева Н.В. Квантовые и генетические алгоритмы размещения компонентов ЭВА.: Монография. Таганрог: Изд-во ТТИЮФУ, 2010.

268. Курейчик В.М. Квантовый алгоритм определения гамильтонова цикла. «Перспективные информационные технологии и интеллектуальные системы», N 1 (21), Таганрог, ТРТУ, 2005, стр. 4-11.

269. Курейчик В.В., Мищенко М.Н. Бионический метод определения путей оптимальной длины в графовых моделях. Сборник научных трудов «Интегрированные модели и мягкие вычисления в искусственном интеллекте». -М.: Физматлит, 2005. С.261-266.

270. Гладков JI.A., Курейчик В.В., Курейчик В.М. и д.р. Оптимизация на основе эволюционного и нейросетевого моделирования: Монография. -Таганрог: Изд-во ТРТУ, 2004. 146 с.

271. Fogel L.J., Owens A.J., Walsh M.J., Artificial Intelligence through simulated evolution. New York/: J.Wiley&Sons, 1966.

272. Лангтон К. Что такое искусственная жизнь? //статья доступна по адресу http://www.biota.org/papers/cgalife.html

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

274. МакЛеннан Б. Искусственная жизнь и синтетическая теория поведения, //статья доступна по адресу: http://cs.utk.edu/~mclennan/

275. Курейчик В.В., Курейчик В.М. Генетический алгоритм определения паросочетаний графа. X-th Int. conf. "Knowledge-dialogue-solution", June 1626, 2003, Varna, Bulgaria, p.246-251

276. Бакало M.A., Курейчик B.B. Нахождение максимального паросочетания с использованием искусственных нейронных сетей. Труды Международных научно-технических конференций «Интеллектуальные системы. -М.: Изд-во Физматлит, 2004, т.1. С. 363-372.

277. Курейчик В.В., Нужнов Е.В. Интегрированная инструментальная среда поддержки генетических алгоритмов. Международная научно-техническая конференция AIS'03, CAD-2003.- M: Изд-во Физматлит. 2003. С.15-25.

278. Хабарова И.В. Разработка среды эволюционного моделирования с динамическими параметрами DYNGEN // Известия ТРТУ, -Таганрог, ТРТУ. -2002. № 3, с. 273.

279. Курейчик В.В., Сороколетов П.В., Хабарова И.В. Инструментальная среда эволюционного моделирования. // Программные продукты и системы. 2006. № 4. С. 1-2.

280. Курейчик В.В. Программная подсистема по исследованию оптимизационных задач на графах. Программные продукты и системы, N1, 2002.С. 26-29.

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