автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Системы поддержки интеллектуального функционирования на сортировочной станции

На правах рукописи

Сарьяп Анна Сергеевна

СИСТЕМЫ ПОДДЕРЖКИ ИНТЕЛЛЕКТУАЛЬНОГО ФУНКЦИОНИРОВАНИЯ НА СОРТИРОВОЧНОЙ СТАНЦИИ: ТЕХНОЛОГИЧЕСКОЕ, МАТЕМАТИЧЕСКОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации па соискание ученой степени кандидата технических наук

Ростов-на-Дону 2010

1 в яри 7010

004617442

Работа выполнена на кафедре «Информатика» государственного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС)

Научный руководитель: доктор технических наук, профессор

Лябах Николай Николаевич

Официальные оппоненты: доктор технических наук, профессор

Иванченко Владимир Николаевич кандидат технических наук, доцент Гладков Леонид Анатольевич

Ведущая организация: Петербургский государственный университет

путей сообщения (ПГУПС)

Защита диссертации состоится «28» декабря 2010 г. в 16:00 часов на заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Росгов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2, конференц-зал.

С диссертацией можно ознакомиться в библиотеке РГУПС

Автореферат разослан « 2&у> ноября 2010 г.

Ученый секретарь диссертационного совета д.т.н., профессор

Бутакова М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В последнее десятилетие происходит возрастание требований отрасли к уровню автоматизации решения новых классов задач, увеличивающегося уровня сложности. К их числу относятся так называемые слабо формализованные или информационно сложные задачи, связанные с анализом, контролем и диагностированием сложных технических объектов, явлений и процессов. Не исключением в этом ряду являются объекты железнодорожного транспорта, в частности, сортировочная станция (СС) и сортировочная горка (СГ). Такие задачи возникают на транспорте при разработке автоматизированных управляющих или контролирующих систем, способных обеспечить эффективную поддержку принятия решений в сложных технических и информационно-технологических ситуациях. СС относится к сложным технологическим объектам, характеризующимся нестационарностью процессов, низкой достоверностью получаемой информации, наличием неизвестных и трудно учитываемых факторов, дефицитом времени на принятие решений в условиях высокой интенсивности технологического процесса.

Актуальность задачи управления сортировочными процессами на станциях не вызывает сомнений. Не случайно СС называют «сердцем» транспортного конвейера страны. Именно здесь зарождаются и поглощаются грузовые транспортные потоки. Насколько точно и энергично работает это СС, настолько эффективен транспортный конвейер в целом.

Концепция управления сложными объектами на железнодорожном транспорте в последнее время претерпела значительные изменения. Традиционное представление о развитии систем управления, соответствующее вектору: механизация, автоматизация, автоматическое управление, оказалось в данном случае тупиковым. Практика показала: сложность объекта (СГ, СС) принципиально исключает возможность полного автоматического режима.

Центральная дирекция управления движением ОАО «РЖД» отмечает, что анализ происшествий в хозяйстве перевозок свидетельствует о наличии системных проблем, связанных с техническим оснащением и технологическим обеспечением сортировочных горок и станций. При этом указывается, что 46 % таких проблем в 2009 году в хозяйстве перевозок допущено на сортировочных горках.

На специальном заседании Правления ОАО «РЖД», посвященном повышению надежности работы технических средств и обеспечению безопасности движения, было отмечено, что «компания должна быть ориентирована, прежде всего, не на ликвидацию последствий ЧП, а на их прогнозирование на основе анализа работы технических средств и выявления узких мест технологических процессов». В этой связи сформулирован основополагающий принцип: необходимость «внедрения методов интеллектуального управления и контроля».

Согласно новой парадигме управления, рассматриваемой в данной работе, человек «возвращается» в систему, но его роль уже качественно иная. Он одновременно задатчик цели (представляет интересы среды погружения

системы), учитель (субъект, продуцирующий интеллект) и одновременно обучающийся (критически воспринимающий интеллектуальное функционирование машины). В данном случае человек - биологическая составляющая системы интеллектуального функционирования.

Интеллектуальное функционирование системы обеспечивается:

общей логикой трехуровневого функционирования системы, включающего: обучение (в том числе коррекция моделей по результатам скатывания отцепов), расчет оптимального режима, управление;

- совокупностью автоматов-советчиков, «впитавших» естественный интеллект опытных операторов сортировочной горки и генерирующих машинный интеллект.

Разработка и внедрение в системы автоматизации транспортных процессов интеллектуально функционирующих систем и автоматов-советчиков позволит, сохранив для процедур управления опыт и интуицию операторов, включить дополнительные преимущества процедур машинного принятия решений: высокое быстродействие, оперирование значительным числом факторов (для человека оно ограниченно в среднем семью признаками), практически неограниченной памятью.

Степень разработанности проблемы.

Данной теме в научной, методической (прикладной), учебной литературе уделяется много внимания. Исследователи и разработчики сортировочных систем руководствуются понятными, взаимосвязанными критериями, предполагающими:

- облегчение труда расцепщиков, операторов горки, башмачников на путях подгорочного парка и других категорий работников станций;

- расширение состава функций, выполняемых в автоматизированном и автоматическом режиме;

- ускорение процесса роспуска (сокращение простоя вагонов на станции);

- повышение точности технологических процедур;

- сокращение расходов на бой вагонов и грузов.

В настоящее время в рамках данной темы исследования уже проделана определенная работа по следующему спектру направлений.

Значительный вклад в разрешение задач автоматизации управления перевозочным процессом, обеспечения безопасности движения поездов с помощью средств автоматики, телемеханики и связи внесли известные ученые: В.М. Алексеев, В.М. Абрамов, JI.A. Баранов, И.В. Беляков, П.Ф. Бестемьянов,

A.М. Брылеев, М.Н. Василенко, A.B. Горелик, Д.В. Гавзов, И.Е. Дмитренко, И.Д. Долгий, Н.Ф. Козлов П.А., Котляренко, Ю.А. Кравцов, И.М. Кокурин,

B.М. Лисенков, Б.Д. Никифоров, A.C. Переборов, Н.Ф. Пенкин, E.H. Розенберг, В.В. Сапожников, Вл.В. Сапожников, Д.В. Шалягин, В.И. Шаманов, В.А. Шаров, В.И. Шелухин, и многие другие.

Вопросы автоматизации сортировочных процессов исследовались учеными и практиками Боровковым Ю.Г., Иванченко В.Н., Модиным Н.К., Мухой Ю.А., Одикадзе В.Р., Савицким А.Г., Соколовым В.Н., Фонаревым Н.М., Шелухиным В.И. и др.

Значимые для данного исследования результаты в области искусственного интеллекта (ИИ) представлены в работах Ададурова С.Е., Берштейна Л.С., Гапановича В.А., Гладкова Л.А., Денисова A.B., Заде Л., Ковалева С.М., Лябаха H.H., Розенберга И.Н., Уманского В.И., Шабельникова А.Н.

Вычислительные проблемы моделирования сложных объектов (в том числе и на транспорте) нашли свое отражение в исследованиях Арсентьева В.Н., Гореловой Г.В., Гуды А.Н., Ивахненко А.Г., Круга Г.К., Лаврентьева М.М., Микони С.В., Тихонова А.Н. и др.

Вместе с тем в настоящее время отсутствует системный анализ проблем синтеза интеллектуально функционирующих объектов железнодорожного транспорта, что определило цель диссертационного исследования.

Цель и задачи исследования. Целью исследования является развитие математического аппарата, совокупности информационных технологий, обеспечивающих интеллектуальность функционирования сортировочной станции. Реализация поставленной цели подразумевает решение следующих задач:

1. Провести анализ работы СС, обосновывающий необходимость внедрения интеллектуального функционирования.

2. Развить категориальный аппарат исследования.

3. Усовершенствовать ряд технологических процессов сортировки составов наСС.

4. Разработать математическое и программное обеспечение интеллектуализации ряда процессов и процедур принятия решений.

5. Разработать совокупность автоматов-советчиков, обеспечивающих прицельное регулирование скатывания отцепов на СГ.

6. Внедрить результаты исследования на полигонах железной дороги, в ' учебном процессе университета и на предприятиях.

Объект и предмет исследования. Основной объект исследования -механизмы функционирования СС и процедуры принятия решений персоналом станции. Предмет исследования - методы и алгоритмы интеллектуализации процессов функционирования технических и технологических систем. Для решения поставленных задач использовались общие принципы математического моделирования, математический анализ и методы оптимизации, численные методы, теория распознавания образов, теория нечетких множеств. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06:

14. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистем АСУТП, АСУП, АСТПП и др. Положения, выносимые на защиту;

1. В связи с тем, что совершенствование сортировочных процессов в традиционном направлении развития систем управления: механизация, автоматизация, автоматическое управление на каждом шаге требует ограничения множества рассматриваемых объектов, для которых эти условия выполняются, и многие функции СС и СГ выпадают за круг возможностей этих подходов, обусловлена необходимость интеллектуализации процессов на всех уровнях, расширяющая потенциал каждого из указанных подходов.

2. В связи со слабой определенностью, нестационарностью, стохастическими условиями функционирования объектов железнодорожного транспорта для повышения эффективности и безопасности технологических процессов развиты методы обучения лица принимающего решения (ЛПР) и машинных блоков принятия решений (МБПР).

3. Автоматизация и интеллектуализация функционирования сложных объектов не противопоставляются друг другу, как альтернативные подходы к управлению. Это различные качества систем. Интеллектуализация возможна и на уровне механизации, но естественно, что наиболее полно она проявляет себя на уровне автоматического управления. Интеллектуализация расширяет круг решаемых на СС задач.

4. Следует различать, с одной стороны, «естественный» (свойственный человеку) и «машинный» (продуцируемый машиной) интеллект и, с другой, «генетически» заложенный и генерируемый (человеком или машиной) интеллектуальный потенциал. Соответственно при автоматизации СС возникает задача сравнения эффективности, «цены», доступности, взаимного проникновения и обогащения указанных типов интеллекта. Руководящим является принцип целесообразности.

5. Комплексная интеллектуализация СС достигается решением совокупности организационных, технических, технологических, математических, про1раммных проблем.

Научная новизна полученных результатов состоит в следующем:

1. Усовершенствован категориальный аппарат исследования раскрытием понятий в части: уточнения понятия «интеллектуальность функционирования»; уточнения взаимного соотношения категорий «автоматизация» и «интеллектуализация» сортировочных процессов; введения и дифференциации понятий естественный и машинный интеллект, «генетически» заложенный и продуцируемый интеллектуальный потенциал.

2. Предложены механизмы совершенствования естественного и генерации машинного интеллекта в сфере управления сортировкой составов, выполняемые в автоматическом режиме на внесистемном уроне и в оперативном режиме, а именно, осуществляется обучение ЛПР и МБПР.

3. Разработан ряд методов управления станционными процессами, содержащими элементы интеллектуализации: синтезирован механизм управления третьей ТП; усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, образование «окон» и повторная переработка); усовершенствован механизм

оценки состояний и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта.

4. Разработан механизм классификации управляемых ситуаций в задачах автоматизации на СС с учетом анализа компактности исследуемых классов, отличающийся адаптивным выбором положения разделяющей границы и обеспечивающий повышение точности распознавания объектов.

5. Разработано программно-математическое обеспечение устойчивости вычислительных процессов, заключающееся в следующем:

- разработан механизм определения оптимальных параметров исследуемых признаковых пространств;

предложены процедуры выявления оптимального набора информативных признаков моделирования сложных объектов и процессов;

- развит метод отбора данных для устойчивого, с точки зрения вычислительных процедур, моделирования.

Практическая значимость и реализация результатов. Практическая значимость работы определяется возможностью использования предложенных подходов и моделей в реально функционирующих системах автоматизации сортировочных процессов, что позволяет повысить их безопасность, качество функционирования, комфортность деятельности обслуживающего персонала станции и горки.

Результаты диссертационного исследования используются в Ростовском филиале ОАО «НИИАС» при разработке систем автоматизации управления сортировочными станциями, учебном процессе РГУПС, в управлении бизнес-процессами компании ОАО «Астон».

Достоверность результатов работы подтверждается математической адекватностью моделей, основанной на корректном применении методов и доказательствах необходимых утверждений, совпадением теоретических и экспериментальных результатов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на семинарах кафедры «Информатика» РГУПС, на IV научно-практической конференции, посвященной 35-летию СамГУПС «Актуальные проблемы развития транспортного комплекса» (Самара, 2008), на VIII международной конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2008), на Всероссийской научно-практической конференции «Транспорт-2009» (Ростов-на-Дону, 2009), на международной научно-практической конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука, производство» (Ростов-на-Дону, 2009), на международной конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2010), на седьмой научно-практической конференции «Телекоммуникационные информационные и логистические технологии на транспорте» (Ростов-на-Дону, 2010), на конгрессе по интеллектуальным системам и информационным технологиям AIS-IT' 10 (Дивноморск, 2010), на XI Всероссийском симпозиуме по прикладной и промышленной математике (Сочи, 2010).

Публикации. Полученные в диссертации результаты нашли свое отражение в 15 печатных работах, 4 из которых опубликованы в журналах из перечня ВАК, список которых приведен в конце автореферата.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (156 наименований), приложения. Общий объем работы - 167 стр.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность исследований, формулируются цель и задачи работы, показана научная новизна результатов.

Первая глава «Предпосылки формирования и сущность новой парадигмы управления сортировочными процессами» содержит постановку задачи исследования и обоснование необходимости перехода к интеллектуальному функционированию объектов сортировочной станции. В разделе 1.1 формулируются задачи сортировочной станции как объекта исследования, рассматриваются проблемы автоматизации сортировочной работы. Проводится анализ существующих публикаций по данной теме. В разделе 1.2 приводится обоснование выбора интеллектуализации как перспективного пути совершенствования теории управления сортировочными процессами. В 1.3 систематизируется и развивается категориальный аппарат исследования, раскрытием понятий в части:

- уточнения понятия «интеллектуальность функционирования»: следует говорить о степени интеллектуальности, изменяющейся на интервале от 0 до 1 и ее относительности;

- уточнения взаимного соотношения категорий «автоматизация» и «интеллектуализация» сортировочных процессов;

- введения и дифференциации понятий естественный и машинный интеллект, «генетически» заложенный и продуцируемый интеллектуальный потенциал;

уточнения понятия устойчивости вычислительных процедур моделирования и принятия решений (в авторской редакции формируется из приоритета эвристики специалиста над свойствами вычислительного алгоритма).

Предлагаются подходы для развитая методов оценки степени интеллектуальности технических систем.

Во второй главе «Теоретические основы синтеза интеллектуальных систем на железнодорожном транспорте» классифицируются системы интеллектуального функционирования, исследуются методы обучения человека и машины, и совершенствуется метод оценки состояния и развития естественного интеллекта (в конкретной предметной области) оператора-эксперта. В разделе 2.1 вводятся и описываются схемы классификации систем интеллектуального функционирования, отличающиеся следующими критериями сравнения:

- способом получения интеллекта системой (базирующиеся на естественном интеллекте человека, генерирующие собственный (машинный) интеллект и системы смешанного типа);

- отношением к изменению внутренней и внешней среды (неадаптивные и адаптивные подходы);

- основывающиеся на используемом математическом аппарате (регрессионный анализ, теория распознавания образов, комбинаторика, теория нечетких множеств, теория игр, теория массового обслуживания, теория экспертного оценивания, теория активных систем и др.).

Приводится общая классификация подходов и методов интеллектуализации функционирования сложных транспортных систем, позволившая выявить проблемы и пути совершенствования сортировочных процессов.

В разделе 2.2 рассматриваются процедуры обучения человека и машины в интеллектуально функционирующих системах (рис.1). Разрабатываются как процедуры обучения ЛПР с помощью машины, так и обучение МБПР с помощью экспертов.

Рис. I. — Блок-схема обучения принятию решений

Этот процесс выполняется в лабораторных условиях. Исходные данные задачи поступают в компьютер, который, используя готовое программное обеспечение (продукт интеллектуальной деятельности человека), осуществляет просчет вариантов решения. Решение достигается путем применения аппарата, недоступного для прямого счета ЛПР. Эти варианты заносятся в специальную таблицу (см. таблицу 1). В ней обозначено: / - номер варианта, 5 - параметры ситуации, К - решение.

Таблица 1

Обучающие данные для ЛПР _

i 1 2 N

£ (2,35; 1,24) (3,20; 2,00) (3,8; 2,50)

я (2; 1,3) (3,3,5) (4; 2,5)

Рассматривается описываемый подход на примере управления ТП. В этом случае параметрами ситуации 5 являются: критерии управления (минимизация боя вагонов и грузов, минимизация окон в ПФ), необходимые величины снижения: энергетическая высота АЭ и скорость отцепа ¿V за счет выбора ступени торможения Ст и времени торможения т. Решение Я, таким образом, характеризуется вектором (СУ, т). Данные приведенные в таблице свидетельствуют, что если необходимо погасить у отцепа энергетическую высоту на 2,35 метров, а скорость снизить на величину 1,24 м/с, то следует применить вторую ступень торможения в течении 1,3 с. (см. столбец таблицы / = 1). Таким образом, ЛПР не охватывая всей процедуры, имеет рекомендательную таблицу 1, интерполирует ее значения в конкретных ситуациях.

В 2.3 формализуются механизмы автоматического самообучения систем принятия решений, основанные на методах автоматической классификации, которые позволяют выявить новые (неочевидные для исследователя и пользователя систем) свойства объекта исследования и формализовать процедуры принятия решений.

В 2.4 совершенствуется механизм оценки интеллекта (в конкретной предметной области) оператора-эксперта. Его суть заключается в следующем. Для каждого эксперта вводится показатель (вес), который корректируется после каждого акта принятия и исполнения решения. После исполнения решений оценивается эффективность экспертов. Пересмотр весового коэффициента осуществляется следующим образом. Пусть определена относительная допустимая ошибка Д5* в оценке эффекта от предложенного решения и

41

эффект. Считается, что 1-ый участник конкурса добросовестно оценил проект, если <Ад*. Обозначается репутация г'-го участника конкурса как Я,. В качестве примера приводится следующая кусочно-линейная функция для определения репутации эксперта во время п-го цикла принятия решений:

\,А5,<А51

0.8,АЗ" < А8, < 0.5, (1)

0.6, Д<5, >0.5

где А8к =0.1.

Вводится рекуррентная функция для определения новой репутации Я" г'-го участника во время п-го цикла принятия решений (проявления интеллектуальных способностей):

+?№,)). (2)

Изначально репутация всех агентов принимается равной 1.

Данный механизм вызывает ряд вопросов и допускает существенное усовершенствование.

ошибка г'-го эксперта =

, где £ - заявленный эффект, £ - реальный

1. Функции для определения репутации эксперта во время «-го цикла г" и новой репутации R" симметричны относительно ошибки эксперта AS. Это жесткое ограничение метода. Действительно, если, например, при управлении отцепами на ТП оператор ошибся при назначении скорости выхода из замедлителя, то последствия от занижения и завышения скорости неравнозначны. При занижении образуются «окна» в ПФ и потребуется дополнительная маневровая работа. Если оператор завысил скорость отцепа, то возникает бой вагонов и грузов и повышается вероятность нарушения безопасности. Очевидно, что «цена» этих нарушений отличается на порядок. То есть формула (1) в общем, должна допускать асимметричность.

2. Вводится дискретная (пороговая) зависимость г" от AS , что снижает точность разрабатываемого метода.

3. В соотношении (1) также неясно происхождение параметров 1, 0.6 и 0.5. Так значение 0.5 соответствует двукратной ошибке оператора. Например, вместо скорости выхода 3 м/сек, надо указать 6 м/сек.

В работе указывается возможный путь решения двух последних вопросов, используя понятия нечетких множеств и естественную для человека линейную логику интерполяции и экстраполяции тенденций развития. В системе координат AS,г обозначаются две точки: (0, 1) — при нулевой ошибке вес эксперта равен 1, и (Д<5*, 0) - вес эксперта равен нулю, если он допустил ошибку с критическим значением AS'. Из рис. 2 а) следует уравнение линии,

соединяющей эти точки г = 1 - . Полученный отрезок и аппроксимирует

А 8к i

непрерывную зависимость г" от Д8.

Учитывая первое замечание о неравнозначности ошибок, окончательная зависимость г " от AS будет иметь вид, представленный на рис 2 б).

случай а) случай б)

Рис. 2. — Зависимость веса эксперта от ошибки принятия решения

4. Соотношение (2) для результирующей оценки Л", приравнивает значимость всей предыдущей интеллектуальной работы эксперта, заключенной в значении А{ и последнего акта г". В действительности, при высокой стохастичности при принятии решения более высоким рейтингом должен

обладать прошлый, интегрированный опыт эксперта. Далее предлагается уточненная формула:

Г = к,КГ'+ к2г?, (3)

где к1 + к2 -1. Выбором различных значений весовых коэффициентов к] и к2 можно управлять процессом оценки. Соотношение (3) позволяет сохранить положительное свойство оценки (2) - сходиться к единице при стремлении г( к 1, но учесть также различную роль предыстории в накоплении знаний экспертом.

5. В данном механизме некорректно начальное условие, что репутация всех агентов равна 1. В этом случае «слабый» эксперт получит завышенную оценку, что отрицательно повлияет на результат принятия общих решений и потребуется время для коррекции этого мнения. Процедуру оценки экспертов предлагается формировать на основе следующего алгоритма:

А) При первом принятии решений все эксперты имеют одинаковый вес. Б) Далее реализуется итерационная процедура:

Я; = к ¡КГ' + к2 г, для всех п > 1. (4)

Рассматривая временные ряды Я", можно для каждого эксперта оценить ряд параметров его обучаемости: скорость, стабильность, уровень компетентности и др.

В третьей главе «Формирование условий адекватного моделирования транспортных процессов и процедур принятия решений» сформулирован комплекс вычислительных проблем и представлены пути их решения при создании машинных блоков принятия решений. В 3.1 исследованы вычислительные проблемы синтеза машинных блоков принятия решений и представлены возможные пути их решения. В 3.2 представлен алгоритм и методика отбора данных для моделирования. Он основан на активно-пассивном подходе к моделированию сложных объектов. Суть подхода состоит в том, что исходные данные собираются по результатам реальной работы сортировочного комплекса (пассивно), но для моделирования процесса из этих данных отбираются (активная составляющая метода) наблюдения, обеспечивающие устойчивость и точность вычислительного процесса. В данном разделе подробно рассмотрен механизм осуществления отбора данных и построения модели.

Пусть модель объекта имеет вид т

}<= I Я !,+£ = « + £, (5)

/ = 1 1 }

где х = (х1, Х2, ..., Хщ)Т - т-мерный входной вектор некоррелированных факторов исследуемого процесса, у - выход объекта, о = (аь а2, ..., а„) - вектор искомых весовых коэффициентов, е - ошибка наблюдения величины у с математическим ожиданием М (е) = 0 и постоянной дисперсией.

Линейность модели (5) не является ограничивающим фактором. Если реальная зависимость имеет нелинейные члены (степени, произведения

исходных факторов), то переобозначением их (введением фиктивных факторов), мы достигаем вида (5). В этом случае, а также при нарушении иных ограничений задачи (коррелированность х,- , аддитивность ошибки в, ее ненулевое математическое ожидание), речь идет об аппроксимации неизвестной зависимости моделью вида (5).

Для идентификации объекта моделью (5) достаточно ю п>т (и -количество наблюдений, т - количество параметров) имеющихся наблюдений отобрать т штук, составить систему линейных алгебраических уравнений и решить ее:

Ха = Г, а = Х~1Г=$У, (6)

о о

где Х0=- матрица значений у-го фактора в /'-ом наблюдении, У = (у,,...,

- наблюдения выходной величины.

Для увеличения статистической достоверности можно использовать и число уравнений количеством больше т. В этом случае переходим к обобщенному решению системы линейных алгебраических уравнений, умножив левую и правую части исходной прямоугольной системы на транспонированную матрицу левой части.

Чувствительность оценок а к небольшим изменениям вектора У можно определить выражением:

С7)

л 4у

Элемент матрицы 5 отражает чувствительность ц- к г'-ому наблюдению, г'-ый столбец 5 характеризует чувствительность всего вектора а к /-му наблюдению. Численную оценку чувствительности процедуры расчета к г-му наблюдению можно получить, вводя различные нормы столбцов матрицы 5, например,

= (8) J

Оценку чувствительности процедуры расчета к выборке в целом задаем нормой матрицы например,

5 = (9)

Затем наблюдения в Х0 перераспределяются таким образом, чтобы с увеличением номера уравнения чувствительность решения убывала, тогда наиболее чувствительное уравнение окажется на первом месте. Вводя нижней строкой новое уравнение (отражающее новое наблюдение) и выводя соответственно первую строку получим матрицу X/, для которой вся процедура повторяется. Алгоритм заканчивается при полном переборе п - наблюдений. Различные начальные матрицы приводят, в общем, к различным конечным наборам наблюдений, отличающимся повышенной устойчивостью вычислительного процесса к ошибкам в данных, поэтому здесь целесообразно использовать самоорганизующиеся процедуры, обеспечивающие снижение размерности задачи.

В данной работе развит метод отбора данных для моделирования. В частности:

1. Сняты следующие ограничения:

- априорная известность и линейность идентифицируемой модели;

- некоррелированность входных факторов модели;

- нормальность распределения ошибки наблюдения выходной величины;

- требования М (е) = 0 и постоянной дисперсии.

Достигнуто это за счет постановки задачи аппроксимации в отличие от исходной задачи идентификации «физической» модели.

2. Разработано программное обеспечение описанного выше метода в среде программирования Delphi.

В 3.3 обоснована необходимость решения задачи выбора оптимального перечня факторов, влияющих на принятие решения; рассмотрены некоторые актуальные для сортировки составов методы, решения данной задачи: корреляционный анализ, теория распознавания образов, метод главных компонент; предложена усовершенствованная процедура решения поставленной проблемы.

В 3.4. усовершенствована классификационная процедура принятия решений, а именно, метод эталона теории распознавания образов. Суть метода состоит в следующем. Задается обучающая выборка данных, представляющих два класса в многомерном признаковом пространстве X = (xh дс2, ..., xj. На рис. 3. для удобства иллюстрации представлено двумерное признаковое пространство. В каждом классе находятся эталонные точки ХЭ1 и ХЭ2, определяемые средними значениями признаков:

Jtf-fsy. (10)

<1 x'ty,

где /(- число объектов обучающей последовательности, принадлежащих классу V,.

Х2

С

X,

Рис. 3. — Геометрическая иллюстрация усовершенствованного алгоритма классификации

Определяется также точка Я® - середина отрезка [X31 ,ХЭ2].

г^1 -I- гЭ>

ЛГ,°= ' 2> . (11)

В соответствующем признаковом пространстве строится гиперплоскость, проходящая через X?, ортогонально отрезку [X ,ХЭ2]. Направление

ортогональной прямой задается вектором:

координаты которого

а,=х?2-х,Э1- (12)

Отсюда уравнение прямой, проходящей через заданную точку (11) с известным нормальным вектором (12), имеет вид (на рис. 3 линия а):

£а((х(-;с(0) = 0. (13)

В иллюстративном примере разделяющая граница имеет вид прямой линии. Точки обучающей выборки на рисунке расположены таким образом, чтобы подчеркнуть сущность анализируемой проблемы - разброс точек классов различен. Построенная разделяющая граница между классами дает систематическую ошибку, неверно распознавая принадлежность точек менее компактного класса. Такое расположение точек особенно часто характерно для задачи классификации на число классов больших двум.

Совершенствование алгоритма классификации осуществляется параллельным переносом разделяющей границы в сторону более компактного класса. С этой целью вводятся понятия коэффициента сдвига разделяющей

границы X и меры компактности классов с1а', а точка Х° определяется соотношением:

т31 + 2гэ* хо х, +лх,

' 1 + Л 7

При Я < 1 граница смещается в сторону X31, при X > 1 граница смещается в сторону ХЭ2. Соотношение для коэффициента X задается выражением:

(15)

__сП

где а3® среднее расстояние от всех точек класса до соответствующего эталона:

Пы '

Разделяющая граница, построенная с учетом коэффициента X, имеет вид Ь (см. рис. 3).

х+ х'2

Таким образом, случай X= ' ' является частным случаем предложенной методики, при одинаковом разбросе классов, то есть, при

В диссертации приведен конкретный пример, наглядно иллюстрирующий работу предложенной методики.

В четвертой главе «Разработка автоматов-советчиков и интеллектуального интерфейса на сортировочной станции» в 4.1 показано, что существующие советчики, предназначенные для расчета скорости выхода отцепа из ИТ и реализации этой скорости, не сведены в единый комплекс, и решают важные, но не согласованные задачи. Предложен синтезированный механизм управления на ТП с помощью схемы, представленной на рис. 4.

Рис. 4. - Увязка информационных потоков в управляющем комплексе

В этом случае советчик теряет функцию обучения эксперта и получает данные не от него, а непосредственно из работающей системы. Поступление обучающих данных обозначено на рисунке пунктирной линией, поступление управляющей информации - сплошной.

В разделе 4.2 усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, «окна» и повторная переработка). В частности, рационализирована процедура использования данных, ранжированы критерии оптимизации, введен обобщенный критерий.

Раздел 4.3 содержит описание автоматизированного рабочего места (АРМ) оператора (диспетчера). Предложено рассматривать АРМ как интерфейс между интеллектуальной и исполнительной составляющими систем автоматизированного управления на сортировочных станциях. Описаны различия между программными платформами синтеза АРМов SCADA и DCS.

В заключении приведены основные результаты работы:

1. Показана необходимость перехода от идеологии детерминированного планирования и автоматизации функций принятий решений на СС к реализации интеллектуального управления.

2. Осуществлены систематизация и развитие категориального аппарата теории интеллектуальных систем. Предложены подходы для развития методов оценки степени интеллектуальности технических систем.

3. Введены и описаны схемы классификации систем интеллектуального функционирования.

4. Исследованы процедуры обучения человека и машины в интеллектуально функционирующих системах, формализованы механизмы автоматического самообучения систем принятия решений.

5. Усовершенствован механизм оценки состояния и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта. Механизм учитывает непрерывность изменения интеллектуального «веса» эксперта в зависимости от величины ошибок принятия решения, инерционность изменения интеллектуальных способностей респондента.

6. Исследованы вычислительные проблемы синтеза машинных блоков принятия решений, связанные с определением оптимального перечня влияющих на принятие решений факторов, выбором неизвестной структуры зависимости, очислением и масштабированием исследуемых переменных, выбором меры сравнения исследуемых объектов в сформированном признаковом пространстве, разделением выборки данных на обучающую и проверочную последовательности, неустойчивостью вычислительных процедур построения моделей и процедур принятия решений, неустранимой нечеткостью используемых понятий.

7. Развиты алгоритм и методика отбора данных для моделирования. В частности: снято ограничение линейности модели, предложен механизм увеличения статистической достоверности. Разработано соответствующее ПО в среде программирования Delphi.

8. Усовершенствован алгоритм классификации объектов методом эталона, учитывающий различную компактность разделяемых классов, за счет параллельного переноса разделяющей границы в сторону более компактного класса. Введены показатель компактности и коэффициент сдвига разделяющей границы.

9. Предложен синтезированный механизм управления на ТП, объединяющий механизмы прогноза скорости выхода отцепа из ТП и управления скоростью выхода отцепа из ТП при заданной скорости выхода.

Основные положения диссертации опубликованы в работах:

Статьи в периодических научных рецензируемых изданиях, рекомендованных ВАК:

1. Шабельников А.Н., Соколов В.Н., Сарьян A.C. Импульсное управление торможением отцепов с помощью автомата - советчика //Вестник РГУПС, 2008, №2, С. 63-64.

2. Лябах H.H., Сарьян A.C. Разработка и внедрение автоматов-советчиков на сортировочных станциях И Известия Петербургского государственного университета путей сообщения, 2009, № 3, С. 40 - 50.

3. Сарьян A.C. Алгоритм и методика отбора данных для моделирования // Вестник РГУПС, 2010, № 2, С. 79 - 84.

4. Сарьян A.C. Классификация подходов и методов интеллектуализации функционирования сложных систем // Обозрение прикладной и промышленной математики, Москва, 2010, вып. б, том 17, С. 15.

Другие гадания:

5. Сарьян A.C. Проблемы внедрения и пути развития информационно-логических устройств на железнодорожном транспорте // Сборник трудов IV науч.-практ. конф., посвященной 35-летию СамГУПС «Актуальные проблемы развития транспортного комплекса» - Самара, 2008, С. 84 - 86.

6. Сарьян A.C. Интеллектуализация управления сортировочными процессами // Сборник трудов VIII междунар. конференции «Информатика: проблемы, методология, технологии» - Воронеж, 2008, С. 207 - 209.

7. Колесников М.В., Сарьян A.C. Формализованные методы управления на основе эталонной модели // Сборник научных трудов «Стратегическое управление организациями: проблемы и возможности современной экономики» -СПб, 2009, С. 161-162.

8. Сарьян A.C. Разработка систем функционирования на железнодорожном транспорте: проблемы, пути развития // Сборник трудов конференции «Транспорт - 2009» - Ростов н/Д: 2009, С. 77 - 79.

9. Сарьян A.C., Шабельников В.А., Денисов A.B. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте //Молодой ученый, 2009, №8, С. 34-38.

10. Сарьян A.C. Определение оптимального перечня факторов, влияющих на принятие решений // Сборник трудов международной научно-практической конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука, производство» - Ростов н/Д: 2009, С. 330 - 331.

11. Сарьян A.C., Честа A.B. Обучающиеся алгоритмы управления на железнодорожном транспорте // Молодой ученый, 2009, №12, С. 103 - 105.

12. Сарьян A.C., Гапоненко В.Н. Интеллектуализация системы поддержки принятия решений многофункционального холдинга // Сборник трудов международной конференции «Современные направления теоретических и прикладных исследований» - Одесса, 2010, С. 3 - 8.

13. Saryan A.S. Erarbeitung von intellektuellen betriebssystemen im eisenbahnverkehr: probleme und entwicklungswege // Kybernetik® Verlag, № 1, ISSN: 2190-4146,2010. - Hannover, 2010, C. 41-49.

14. Лябах H.H., Сарьян A.C. Разработка интеллектуальной системы мониторинга оползневых ситуаций // Труды конгресса по интеллектуальным системам и информационным технологиям AIS-IT' 10 - Дивноморск, 2010, С. 279-282.

15. Лябах H.H., Сарьян A.C. Проблемы интеллектуализации железнодорожного транспорта // Труды седьмой междунар. науч-практ. конференции «Телеком Транс» - Ростов н/Д: 2010, С. 199-208.

Сарьян Анна Сергеевна

СИСТЕМЫ ПОДДЕРЖКИ ИНТЕЛЛЕКТУАЛЬНОГО ФУНКЦИОНИРОВАНИЯ НА СОРТИРОВОЧНОЙ СТАНЦИИ: ТЕХНОЛОГИЧЕСКОЕ, МАТЕМАТИЧЕСКОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 25.11.2010 г. Формат 60x84/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ №5322.

Ростовский государственный университет путей сообщения. Ризография РГУПС.

Адрес университета: 344038, г. Ростов н/Д, пл. им. Ростовского Стрелкового Полка Народного Ополчения, 2.

Обозначения и сокращения, принятые в диссертации.

Введение.

Глава 1. Предпосылки'; формирования: и> сущность новой парадигмы управления сортировочными процессами.

1.1. СС как объект исследования, проблемы автоматизации сортировочной работы.

1.2. Интеллектуализация - перспективный путь совершенствования теории управления сортировочными процессами.

1.3; Систематизация и развитие категориального аппарата исследования.

Глава 2. Теоретические основы синтеза интеллектуальных систем на железнодорожном транспорте.!.

2:1. Общая классификация подходов: и методов интеллектуализации. функционирования сложных транспортных систем;.

2:2. Процедуры обучения; человека и машины в интеллектуально функционирующих системах.

2.3. Механизмы автоматического самообучения систем принятия решений.70 2.4. Оценка состояния; и развития естественного интеллекта оператораэксперта.

Глава 3. Исследование информирование условий адекватного моделирования транспортных процессов и процедур принятия решений.

3.1. Вычислительные проблемы синтеза машинных блоков принятия решений:.

3.2. Алгоритм и методика отбора данных для моделирования.

3.3. Методы отбора информативных признаков.

3.4. Совершенствование классификационной процедуры, принятия решений.

Глава 4. Разработка автоматов-советчиков и интеллектуального интерфейса на сортировочной станции.

4.1. Импульсное управление торможением отцепов с помощью автоматасоветчика.

4.2. Развитие методов принятия решений на основе статистических процедур минимизации риска.

4.3. Автоматизированное рабочее место как интерфейс между интеллектуальной и исполнительной составляющими систем автоматизированного управления.

Актуальность темы; В последнее десятилетие .происходит возрастание: требований« отрасли/ к уровню автоматизации решения новых классов задач- увеличивающегося' уровня: сложности: К их числу, относятся; так называемые;, слабо формализованные или информационно- сложные задачи;, связанные с- анализом;, контролем; ш диагностированием;: сложных технических; объектов; явлений и процессов: Не исключением в этом ряду являются" объекты железнодорожного транспорта, в частности; СС и СГ. Такие задачи*, возникают, на транспорте при разработке' автоматизированных управляющих: или контролирующих систем; способных обеспечить» эффективную поддержку принятия решений в- сложных: технических; и. информационно-технологических ситуациях.: СС относится к. сложным' технологическим объектам, характеризующимся» нестационарно стью процессов, низкой достоверностью получаемой информации, наличием неизвестных и трудно учитываемых факторов,, дефицитом времени на принятие решений в условиях. высокой интенсивности технологического-процесса:

Актуальность задачи управления сортировочными процессами на станциях; не: вызывает сомнений: Не случайно СС называют; «сердцем» транспортного: конвейера",страны. Именно здесь зарождаютсяи поглощаются грузовые-транспортные потоки. Насколько* точно; и энергично работает СС настолько эффективен-транспортный конвейер в целом.

Концепция управления сложными объектами на. железнодорожном; транспорте в последнее время претерпела значительные: изменения: Традиционное представление о развитии систем управления,, соответствующее, вектору: механизация, автоматизация, автоматическое управление оказалось в данном случае тупиковым. Практика показала: сложность объекта (СГ, СС) принципиально исключает возможность полного автоматического режима.

Центральная дирекция управления движением, ОАО «РЖД» отмечает /77/: анализ происшествий в> хозяйстве перевозок свидетельствует о-наличии системных проблем; связанных с техническим- оснащением^ и технологическим обеспечением сортировочных горок и станций. При- этом указывается, что 46% всех событий в, 2009 году в- хозяйстве1' перевозок допущено на сортировочных горках.

На специальном заседании Правления- ОАО «РЖД», посвященном повышению надежности работы технических средств и обеспечению безопасности движения было* отмечено, что «компания' должна быть ориентирована, прежде всего* не на- ликвидацию' последствий- ЧП; а на их прогнозирование на основе1 анализа работы технических средств и выявлениям узких мест технологических процессов» /78/. В этой связи сформулирован основополагающий» принцип: необходимость «внедрения методов интеллектуального управления и контроля».

Согласно новой парадигме управления, исповедуемой« в данной работе, человек «возвращается» в систему, но его роль уже качественно иная. Он одновременно» задатчик цели (представляет интересы среды погружения системы), учитель (субъект, продуцирующий- интеллект) и одновременно обучающийся (критически- воспринимающий интеллектуальное функционирование машины). В данном случае человек — биологическая составляющая системы интеллектуального функционирования.

Интеллектуальное функционирование системы обеспечивается /127/:

- общей логикой трехуровневого функционирования системы, включающего: обучение (в том числе коррекция моделей по результатам скатывания отцепов), расчет оптимального режима, управление;

- совокупностью автоматов-советчиков, «впитавших» естественный интеллект опытных операторов сортировочной горки и генерирующих машинный интеллект.

Разработка и внедрение в системы автоматизации транспортных процессов интеллектуально функционирующих систем и автоматов-советчиков позволит, сохранив для процедур управления опыт и интуицию операторов, включить дополнительные преимущества процедур машинного принятия решений: высокое быстродействие, оперирование значительным числом факторов (для человека оно ограниченно в среднем семью признаками), практически неограниченной памятью. I

Поставленная задача может быть решена на основе применения ЭВМ и I математических методов оптимизации, рассмотренных с учетом специфики работы железнодорожного транспорта.

Степень разработанности проблемы.

Данной теме ( в научной, методической (прикладной), учебной литературе уделяется много внимания. Исследователи и разработчики сортировочных систем руководствуются понятными, взаимосвязанными критериями, предполагающими:

- облегчение труда расцепщиков, операторов горки, башмачников на путях подгорочного парка и других категорий работников станций;

- расширение состава функций, выполняемых в автоматизированном и автоматическом режиме;

- ускорение процесса роспуска (сокращение простоя вагонов на станции); 1

- повышение точности технологических процедур;

- сокращение расходов на бой вагонов и грузов.

В настоящее время в рамках данной темы исследования уже проделана определенная работа по следующему спектру направлений.

Значительный вклад в разрешение задач автоматизации управления перевозочным процессом, обеспечения безопасности движения поездов с помощью средств автоматики, телемеханики и связи внесли известные ученые: В.М. Алексеев, В.М. Абрамов, JI.A. Баранов, И.В. Беляков, П.Ф. Бестемьянов, A.M. Брылеев, М.Н. Василенко, A.B. Горелик, Д.В. Гавзов, И.Е.

Дмитренко, И.Д. Долгий, В.Н. Иванченко, Н.Ф. Козлов П.А., Котляренко, Ю.А. Кравцов, И1М. Кокурин, В.М. Лисенков, Б.Д. Никифоров, A.C. Переборов, Н.Ф. Пенкин, - E.H. Розенберг, В.В. Сапожников; В л.В. Сапожников, Д.В; Шалягин, В.И. Шаманов, В.А. Шаров, В.И. Шелухин; и многие другие.

Вопросы, автоматизации сортировочных процессов' исследовались учеными^ и- практиками Боровковым Ю.Г., Иванченко В.Н., Модиным! Н;К., Мухой Ю.А., Одикадзе В.Р., Савицким' А.Г., Соколовым В.Н., Фонаревым Н:М., Шелухиным В.И. и др.

Значимые для данного исследования результаты в области ИИ представлены в работах Ададурова С.Е., Берштейна JÏ.C., Гапановича В.А., Гладкова Л. А, Денисова A.B., Заде-, Л., Ковалева G.M., Лябаха H.H., Розенберга И.Н, Уманского В.И., Шабельникова А.Н.

Вычислительные проблемы моделирования сложных объектов (в том числе-и на транспорте)-нашли свое отражение в исследованиях Арсентьева В.Н., Гореловой Г.В:, Гуды. А.Н., Ивахненко А.Г., Круга Г.К., Лаврентьева М.М1, МикониС.В., Моисеенко-И.Е., Тихонова А.Н. и др.

Вместе с тем в настоящее время1 отсутствует системный анализ-проблем синтеза интеллектуально функционирующих объектов железнодорожного транспорта, что определило цель диссертационного исследования.

Дель и задачи исследования. Целью исследования является развитие математического аппарата, совокупности информационных технологий; обеспечивающих интеллектуальность функционирования сортировочной станции. Реализация поставленной цели подразумевает решение следующих задач:

1. Провести анализ работы СС, обосновывающий необходимость внедрения интеллектуального функционирования.

2. Развить категориальный аппарат исследования.

3. Усовершенствовать ряд технологических процессов сортировки составов на СС.

4. Разработать математическое и программное обеспечение интеллектуализации ряда процессов и процедур принятия решений.

5. Разработать совокупность автоматов-советчиков, обеспечивающих прицельное регулирование скатывания отцепов на СГ.

6. Внедрить результаты исследования на полигонах железной дороги, в. учебном-процессе университета и на предприятиях

Объект^ и предмет исследования. Основной объект исследования — механизмы функционирования СС и процедуры, принятия решений персоналом станции. Предмет исследования - методы и алгоритмы интеллектуализации процессов функционирования технических и технологических систем. Для решения поставленных задач использовались общие принципы математического моделирования, математический анализ и методы оптимизации, численные методы, теория распознавания, образов, теория^ нечетких множеств. Работа выполнена в рамках следующих пунктов паспорта специальности 05.13.06:

14. Теоретические основы, методы и алгоритмы интеллектуализации-решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

10. Методы, синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистем АСУТП, АСУП, АСТПП и др. Положения, выносимые на защиту:

1. В связи с тем, что совершенствование сортировочных процессов в традиционном направлении развития систем управления: механизация, автоматизация, автоматическое управление на каждом шаге' требует ограничения множества рассматриваемых объектов, для которых эти условия выполняются, и многие функции СС и СГ выпадают за круг возможностей этих подходов, обусловлена необходимость интеллектуализации процессов на всех уровнях, расширяющая потенциал каждого из указанных подходов.

2. В* связи со- слабой определенностью, нестационарностью, стохастическими условиями^ функционирования объектов железнодорожного транспорта для повышения^эффективности и. безопасности технологических процессов развиты, методы обучения? лица принимающего- решения, (ЛПР)* и машинных блоковшринятия1 решений (МБПР).

3. Автоматизация и интеллектуализация функционирования! сложных объектов не противопоставляются.друг другу, как альтернативные'подходы к управлению.- Это «различные качества систем: Интеллектуализация возможна и на уровне механизации, но естественно, что наиболее полно проявляет себя на уровнеавтоматического« управления. Интеллектуализация «расширяет круг решаемых на СС задач. 4. Следует различать с одной' стороны: «естественный» (свойственный человеку) и «машинный» (продуцируемый машиной) интеллект, и с другой: «генетически» заложенный и генерируемый (человеком илиг машиной) интеллектуальный потенциал. Соответственно при автоматизации * СС возникает задача сравнения эффективности, «цены», доступности, взаимного проникновения и обогащения указанных типов, интеллекта. Руководящим является* принцип целесообразности-.

5. • Комплексная интеллектуализация СС достигается решением совокупности организационных, технических, технологических, математических, программных проблем.

Научная новизна полученных результатов состоит в.следующем:

1. Усовершенствован . категориальный аппарат исследования, раскрытием понятий в части: уточнения понятия «интеллектуальность функционирования»; уточнения- взаимного соотношения категорий' «автоматизация» и «интеллектуализация» сортировочных процессов; введения и дифференциации понятий естественный и машинный интеллект, «генетически» заложенный и продуцируемый интеллектуальный потенциал.

2. Предложены механизмы) совершенствования естественного и генерации машинного интеллекта в сфере управления сортировкой составов, выполняемые в автоматическом режиме на внесистемном уровне и в оперативномрежиме, а именно, осуществляется обучение ЛПР и МБПР.

3. Разработан ряд методов управления станционными процессами, содержащими элементы интеллектуализации: синтезирован* механизм управления третьей ТП; усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, образование «окон» и повторная переработка); усовершенствован механизм оценки состояний и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта.

4. Разработан механизм- классификации управляемых ситуаций в задачах автоматизации на СС с учетом« анализа компактности исследуемых классов, отличающийся адаптивным выбором положения разделяющей границы и обеспечивающий повышение точности распознавания объектов.

5. Разработано программно-математическое обеспечение устойчивости вычислительных процессов^ заключающееся в следующем:

- разработан механизм определения1 оптимальных параметров исследуемых признаковых пространств; предложены процедуры выявления- оптимального набора информативных признаков моделирования сложных объектов и процессов;

- развит метод отбора данных для устойчивого, с точки зрения вычислительных процедур, моделирования.

Практическая значимость и реализация результатов работы определяется возможностью использования предложенных подходов и моделей в реально функционирующих системах автоматизации сортировочных процессов, что позволяет повысить их безопасность, качество функционирования, комфортность деятельности обслуживающего персонала станции и горки.

Результаты диссертационного исследования? используются«' в Ростовском: филиале НИИАС при разработке систем автоматизации управления сортировочными станциями,, учебном процессе РГУПС, в управлении бизнес-процес9ам№компании.©А0Ч<Астон»; .

Достоверность, результатов работы; подтверждается? математической? адекватностью' моделей, основанной: на корректном применении методов и доказательствах необходимых утверждений, совпадением- теоретических: и экспериментальных результатов.' Г

Апробация- работы; Основные положения и результаты i диссертационной работы, докладывались: и; обсуждались на. семинарах кафедры «Информатика» РГУПС, на IV научно-практической конференции; посвященной; 35-летию СамПУПС «Актуальные: проблемы развития/ транспортного1 комплекса» (Самара,. 2008), на VIII международной конференции «Информатика:: проблемы; методология; технологии» (Воронеж, 2008), на Всероссийской: научно-практической конференции «Транспорт - 2009» (Ростов-на-Дону, 2009), на международной научно-практической: конференции;, «проблемы; и перспективы'; развития транспортного комплекса: образование; наука; производство»- (Ростов-на-Дону, 2009),, на международной^конференции; «Современные направления теоретических и прикладных; исследований» (Одесса;, 2010);. на седьмой научно-практической? конференции «Телекоммуникационные информационные и логистические технологии на транспорте» (Ростов-на-Дону, 2010); на конгрессе по интеллектуальным системам; и информационным технологиям AIS-IT' 10 (Дивноморск, 2010);, на одиннадцатом Всероссийском симпозиуме по прикладной и промышленной математике (Сочи; 2010);

Публикации. Полученные, в диссертации результаты нашли, свое отражение в 16 печатных работах,.4 из которых опубликованы в журналах из перечня ВАК. Общий объем публикаций 10,67 п.л., из них 5,28 п.л. г-.':' . ' авторских.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (156 наименований), приложения. Общий объем работы - 167 стр.

Результаты исследования внедрены на полигонах железной дороги, в разработках РосФ НИИАС и в учебном процессе РГУПС.

Конкретные результаты диссертационной работы отражены в следующих пунктах.

1. Дана краткая характеристика структуры и задач СС. Проанализирован достигнутый уровень автоматизации технологических процессов на СС. Показана необходимость реализации следующих идей:

- от идеологии детерминированного планирования и автоматизации функций принятий решений следует перейти к реализации интеллектуального управления;

- расширить перечень используемого для планирования и управления сортировкой вагонов математического инструментария;

- ввести в практику работы СС экономические критерии;

- ввести понятие различных горизонтов планирования с различной степенью детализации планов (стратегический, тактический, оперативный);

- включить в процедуру анализа и управления сортировочным процессом этап реализации плана.

2. На основе ретроспективного анализа развития систем автоматизации:

A) Обоснована необходимость формирования интеллектуальной логики функционирования сортировочных систем и создания автоматов-советчиков на СС.

Б) Предложен комплекс советчиков, определяющих интеллектуальность функционирования исследуемой системы.

B) Проведен анализ математических инструментов, используемых для решения поставленной задачи синтеза автоматов-советчиков.

3. Дана краткая история развития систем интеллектуального функционирования на транспорте, определяющая их роль и перспективы в автоматизации сортировочных процессов.

4. Осуществлены систематизация и развитие категориального аппарата теории интеллектуальных систем. В частности сделаны следующие выводы:

- основным признаком наличия интеллекта в любой системе является присутствие в ней процесса получения и использования в своей деятельности знаний о внутреннем состоянии и состоянии среды функционирования; нет четкой границы между «интеллектуальным» и «неинтеллектуальным» поведением, то есть можно и нужно говорить о степени интеллектуальности системы, изменяющейся от нуля до единицы; интеллектуальностью могут обладать механические, автоматизированные, автоматические системы, отдельные алгоритмы и программы; \

- следует в рамках понятия «искусственный интеллект» различать естественный и машинный интеллект;

- объединение элементов в систему дает как положительный, так и отрицательный эффект в части ее интеллектуального функционирования.

5. Предложены подходы для развития методов оценки степени интеллектуальности технических систем: специализированные тесты, методы экспертного оценивания качества решений, оценка интеллекта по результативности деятельности системы.

6. Введены и описаны схемы классификации систем интеллектуального функционирования, отличающиеся следующими критериями сравнения: способом получения интеллекта системой (базирующиеся на естественном интеллекте человека, генерирующие собственный (машинный) интеллект и системы смешанного типа);

- отношением к изменению внутренней и внешней среды (неадаптивные и адаптивные подходы); основывающиеся на используемом математическом аппарате (регрессионный анализ, теория распознавания образов, комбинаторика, теория нечетких множеств, теория игр, теория массового обслуживания, теория экспертного оценивания, теория активных систем и др.).

7. Исследованы процедуры обучения человека и машины в интеллектуально функционирующих системах.

8. На основе методов автоматической классификации объектов исследования (сложившихся ситуаций, решений, технологических процессов и т.д.) формализованы механизмы автоматического самообучения систем принятия решений.

9. Усовершенствован механизм оценки состояния и совершенствования естественного интеллекта (в конкретной предметной области) оператора-эксперта. Механизм учитывает непрерывность изменения интеллектуального «веса» эксперта в зависимости от величины ошибок принятия решения, инерционность изменения интеллектуальных способностей респондента.

10. Исследованы вычислительные проблемы синтеза машинных блоков принятия решений, связанные с определением оптимального перечня влияющих на принятие решений факторов, выбором неизвестной структуры зависимости, очислением и масштабированием исследуемых переменных, выбором меры сравнения исследуемых объектов в сформированном признаковом пространстве, разделением выборки данных на обучающую и проверочную последовательности, неустойчивостью вычислительных процедур построения моделей и процедур принятия решений, неустранимой нечеткостью используемых понятий.

11. Развиты алгоритм и методика отбора данных для моделирования. В частности: снято ограничение линейности модели, предложен механизм увеличения статистической достоверности. Разработано соответствующее ПО в среде программирования Delphi.

12. Проанализирована зависимость качества модели от числа учитываемых факторов. Определены роль и место методов снижения размерности модели в задаче автоматизации сортировочных процессов. Предложена процедура снижения размерности модели с использованием корреляционного анализа, ТРО, метода главных компонент.

13. Усовершенствован алгоритм классификации объектов методом эталона, учитывающий различную компактность разделяемых классов, за счет параллельного переноса разделяющей границы в сторону более компактного класса. Введены показатель компактности и коэффициент сдвига разделяющей границы.

14. Показано, что советчики, описанные в /82/ и /111/ и предназначенные соответственно для расчета скорости выхода из ТП и реализации этой скорости, не сведены в единый комплекс, и решают важные, но не согласованные задачи. Предложено изменить их функциональное назначение, позволившее осуществить их информационную увязку.

15. Усовершенствован метод управления ТП на основе минимизации риска последствий принятых решений (бой вагонов и грузов, «окна» и повторная переработка). В частности, рационализирована процедура использования данных, ранжированы критерии оптимизации, введен обобщенный критерий.

16. Автоматизированное рабочее место оператора (диспетчера) рассмотрено как интерфейс между интеллектуальной и исполнительной составляющими систем автоматизированного управления на сортировочных станциях. Описаны различия между программными платформами синтеза АРМов ЗСАБАиБСЗ.

Заключение

Цель данного исследования состояла в развитии математического аппарата, ряда сопряженных с ним информационных технологий, которые совместно обеспечивают интеллектуальность функционирования автоматизированной системы управления роспуском составов. Реализация поставленной цели потребовала провести анализ работы СС, который позволил обосновать роль и место интеллектуального функционирования в работе СС.

Основные научные результаты получены в следующем:

- развитие категориального аппарата исследования;

- усовершенствование ряда технологических процессов сортировки составов на СС.

Практическую значимость имеет математическое и программное обеспечение интеллектуализации ряда процессов и процедур принятия решений, система автоматов-советчиков, обеспечивающих комплексную интеллектуализацию СС.

1. Автоматизация процессов управления движением поездов на основе применения микропроцессорных средств /A.A. Явна, И.Д. Долгий, А.Г. Кулькин, B.C. Мирный. Ростов н/Д.: РИИЖТД991. - 58 с.

2. Ададуров С.Е., Гапанович В.А., Лябах H.H., Шабельников А.Н. Железнодорожный транспорт: на пути к интеллектуальному управлению. Монография. Ростов-на-Дону: ЮНЦ РАН. - 2009. - С. 322.

3. Ададуров С.Е., Соколов В.Н. Комплексная система автоматизации сортировочных процессов // Железнодорожный транспорт, № 8, 2010.

4. Ашимов A.A., Бурков В.Н., Джапаров Б.А., Кондратьев В.В. Согласованное управление активными производственными системами. -Москва: Наука, 1986 г., с. 247.

5. Бажанов Ю.С., Бухнин A.B. Оптимизация баз знаний экспертных систем с применением нейронных нечетких сетей // Нейрокомпьютеры: разработка, применение, 2007, №11.

6. Безопасность железнодорожной автоматики и телемеханики. Статистические данные, экспертные оценки и нормы безопасности / В.В. Сапожников, Вл.В. Сапожников, Д.В. Гавзов, Р.Ш. Ягудин, Т.А. Чугуй // Автоматика, телемеханика и связь, 1993, № 10, с. 17-19.

7. Буняев В.А., Буняев В.В., Лукашов М.И., Афанасьев В.Н. Нечеткая оценка степени психоэмоционального напряжения и ее роль в прогнозировании и диагностике заболеваний // Известия вузов. Северо-Кавказский регион. Технические науки, № 5,2009.

8. Бурков В.Н. Основы математической теории активных систем. М.: Наука, 1977.

9. Бутакова М.А. Модели информационных потоков в системах массового обслуживания на транспорте. Монография. Ростов-на-Дону, 2006. 225 с.

10. Ю.Воронин B.C. Интеллектуальные системы на железнодорожном транспорте // Железнодорожный транспорт, № 3, 2009.

11. П.Галушкин А.И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае. В 2-х томах. М.: Горячая линия - Телеком, 2004. - 367 с.

12. Гапанович В.А., Поплавский A.A. Интеллектуальные железнодорожные системы: состояние и направления развития // Железнодорожный транспорт, № 11, 2009.

13. Гапанович В.А., Шабельников А.Н. О разработке автоматизированных сортировочных систем // Железнодорожный транспорт, № 8,2010.

14. Гершвальд A.C., Блинова JI.A. Об эффективности технологии перевозок // Железнодорожный транспорт, № 3, 2007.

15. Гершвальд A.C., Савицкий А.Г. Вертикаль внутрисуточного планирования грузовых перевозок // Железнодорожный транспорт, № 3, 2010. Гапанович В.А. и др.

16. Головина Е.В. Новые подходы к оценке уверенности человека в задачах сравнения акустических событий // Сборник трудов 5-ой Международной НПК (Коломна, 20-30 мая 2009 г.). М.: Физматлит, 2009.

17. Горелик A.B., Тарадин H.A. Модель оценки безопасности систем железнодорожной автоматики по параметрам движения поездов // Наука и техника транспорта, № 4, 2008.

18. Гуда А.Н., Иванченко В.Н., Лябах H.H. Программа идентификации процессов с применением устойчивой процедуры нахождения оценок коэффициентов. Гос. фонд алгоритмов и программ. - Per. № 50850000973. -1985, - 7 с.

19. Денисов A.B. Оценка компетентности эксперта в экспертной системе //Журнал ОПиПМ, 2009. т.16, в.1. - С. 142-143.

20. Денисов A.B., Лябах H.H. Генетические алгоритмы в задачах формирования портфеля инновационных проектов // Сборник научных трудов V-ой междунар. науч.-практ. конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте», 2009. — Т.2.

21. Евстигнеев В.А., Касьянов В.Н. Графы в программировании: обработка, визуализация и применение. СПб.: БХВ-Петербург, 2003.

22. Емельянов A.M., Котик М.А. Ошибки человека-оператора (психологический и кибернетический аспекты). М.: Знание. 1987. - 64 с. (Новое в жизни, науке, технике; Сер. «Транспорт». № 12).

23. Заде JI.A. Математика сегодня. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974. - С. 5-49.

24. Иванченко В.Н. Исследование и разработка алгоритмов функционирования информационно-логистической системы автоматизированной сортировочной горки. Ростов-на-Дону: РИИЖТ, Труды, вып. 133,1976.

25. Иванченко В.Н., Лябах H.H., Гуда А.Н. и др. Идентификация сложных процессов с применением самоорганизации. — Гос. фонд алгоритмов и программ. Per. № 50850000974. - 1985. - 9 с.

26. Иванченко В.Н., Федорчук А.Е., Сепетый A.A. Новые информационные технологии: автоматизация технического диагностирования и мониторинга устройств ЖАТ (система АДК-СЦБ): учебник для вузов железнодорожного транспорта. РГУПС. — Ростов-на-Дону, 2008.

27. Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнозирующих моделей. Киев: Техшка: Берлин: ФЕБ Ферлаг Техник, 1984. - 223 с.

28. Ивашкин Ю.А. Теория и практика агентного моделирования «живых» систем // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010 года, т. 1. Москва: Физматлит, 2010.

29. Интеллектуальные транспортные системы: перспективы развития // Железнодорожный транспорт, № 5, 2009.

30. Интрилигатор М. Математические методы оптимизации и экономическая теория. Пер. с англ. М.: «Прогресс», 1975. - 607 с.

31. Кайнов В. Поднять устройства автоматики и телемеханики на качественно новый уровень // «Содружество», октябрь, 2008 г.

32. Казак A.A. Оптимизация маневровых передвижений использованием эйлеровых контуров // труды всероссийской научно-практической конференции «Транспорт 2010», часть 2, - Ростов-на-Дону: РГУПС, 2010.

33. Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. М.: Советское радио, 1972. - 192 с.

34. Ковалев С.М., Муравский A.B. Интеллектуальные модели в системах горочной автоматизации // Железнодорожный транспорт, № 8, 2010.

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

36. Козубенко В.Г. Безопасное управление поездом: вопросы и ответы: Учебное пособие для образовательных учреждений ж.д. транспорта, осуществляющих профессиональную подготовку. М.: Маршрут, 2005. — 320 с.

37. Колесников М.В., Андреева О.В. Методика и инструментарий оценки интеллектуального капитала организации // Молодой ученый, 2009, №8.

38. Колесников М.В., Сарьян A.C. Формализованные методы управления на основе эталонной модели // Сборник научных трудов «Стратегическое управление организациями: проблемы и возможности современной экономики» СПб, 2009.

39. Кононов Д.А., Кульба В.В. и др. Синтез формализованных сценариев и структурная устойчивость сложных систем (синергетика и аттрактивное поведение). Препринт. М.: Институт проблем управления, 1998.

40. Коропец, П. А. Устройство раннего обнаружения боксования / П.А. Коропец // Тезисы докладов. Труды 59-й вузовской научно-технической конференции РГУПС. Ростов н/Д. - 2000. - С. 123.

41. Котик М.А., Емельянов A.M. Природа ошибок человека-оператора (на примерах управления транспортными средствами). — М.: Транспорт. 1993. — 252 с.

42. Кочкаров A.A., Малинецкий Г.Г. Концепция стойкости для социально-экономических и технических систем. Труды Международной конференции "Математическое моделирование социальной и экономической динамики". М.: РГСУ, 2004. с. 151-154.

43. Кочкаров A.A., Малинецкий Г.Г. Обеспечение стойкости сложных систем. Структурные аспекты. М.: ИПМ им. М.В.Келдыша РАН, 2005.

44. Кочкаров A.A., Малинецкий Г.Г. Стойкость и обоснование стойкости сложных технических и социально-технических систем. Труды XI Международной конференции "Проблемы управления безопасностью сложных систем". Часть 1. М.: РГТУ, 2003. С. 50-53.

45. Круг Г.К., Сосулин Ю.А., Фатуев В.А. Планирование эксперимента в задачах идентификации и экстраполяции. М.: Наука, 1977. - 208 с.

46. Кудрин Б.И. Классика технических ценозов. Общая и прикладная ценология. Вып. 31. «Ценологические исследования». Томск: ТГУ Центр системных исследований, 2006. - 220 с.

47. Кузьмичев И.К. Оценка риска и принятие управленческого решения при навигационном планировании на предприятиях водного транспорта // Наука и техника транспорта, № 4, 2008.

48. Курдюмов С.П., Малинецкий Г.Г. Синергетика и системный синтез // Новое в синергетике: взгляд в третье тысячелетие. М.: Наука, 2002.

49. Лаврентьев М.М. О некоторых некорректных задачах математической физики. Новосибирск: Издательство СО АН СССР, 1962.

50. Лябах H.H. Математические основы разработки и использования машинного интеллекта. Ростов н/Д: СКНЦ ВШ, 1989. - 112 с.

51. Лябах H.H., Бутакова М.А. Системы массового обслуживания: развитие теории, методология моделирования и синтеза: монография. Ростов-на-Дону: ЮНЦ РАН, РГУ ПС, 2004. - 200 с.

52. Лябах H.H., Денисов A.B. Автоматизированная система управления научно-техническим развитием ОАО "РЖД" // Автоматика, связь, информатика, 2007. №11. - С. 42-43.

53. Лябах H.H., Иванченко В.Н., Гуда А.Н. Программа идентификации сложных процессов с применением методов самоорганизации и структурной адаптации. Гос. фонд алгоритмов и программ. - Per. № 50850000972. — 2.07.1985.-10 с.

54. Лябах H.H., Лябах А.Н. Нетрадиционные страницы менеджмента. -Ростов-на-Дону: Издательство «БАРО-ПРЕСС», 2002. 208 с.

55. Лябах H.H., Моисеенко И.Е. Идентификация безынерционных объектов и управление ими по результатам статистических наблюдений. Гос. фонд алгоритмов и программ. Per. № 50890001190 - 1989. - 16 с.

56. Лябах H.H., Моисеенко И.Е. Решение плохо обусловленных систем линейных уравнений методом замены оператора в задачах управлениятехнологическими процессами. Гос. фонд алгоритмов и программ. Per. № 50890000947 1989. - 17 с.

57. Лябах H.H., Пирогов А.Е. Автоматизация технологических процессов на железнодорожном транспорте на основе микропроцессоров с использованием методов распознавания: Учебное пособие. Ростов-на-Дону: РИИЖТ, 1984.-76 с.

58. Лябах H.H., Сарьян A.C. Проблемы интеллектуализации железнодорожного транспорта // Труды седьмой международной научно-практической конференции «Телеком Транс 2010» Ростов на Дону, 2010.

59. Лябах H.H., Сарьян A.C. Разработка и внедрение автоматов-советчиков на сортировочных станциях // Известия ПГУПС, № 3, 2009.

60. Лябах H.H., Сарьян A.C. Разработка интеллектуальной системы мониторинга оползневых ситуаций // Труды конгресса по интеллектуальным системам и информационным технологиям AIS-IT' 10 Дивноморск, 2010.

61. Лябах H.H., Тартынский В.А., Денисов A.B. Мониторинг и прогнозирование работы показателей горок // Железнодорожный транспорт, № 8, 2010.

62. Лябах H.H., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте: Учебник. Ростов-на-Дону: Издательство СКНЦВШ, 2002.-283 с.

63. Малинецкий Г.Г. Базовые модели и ключевые идеи синергетики. Препринт ИПМ им. М.В. Келдыша РАН, №70. М., 1994.

64. Малинецкий Г.Г. Хаос. Структуры. Вычислительный эксперимент: Введение в синергетику. / Сер. "Кибернетика: неограниченные возможности и возможные ограничения". М.: Наука, 1997.

65. Малышев П.Г., Берштейн Л.С., Баженюк A.B. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат, 1991. 136 с.

66. Мамаев Э.А. Основы информационной безопасности и защиты данных: Учебное пособие. — Ростов н/Дон: Рост. гос. ун-т путей сообщения, 2004. -127 с.

67. Мартынов Р. Локомотивы с интеллектом: на железные дороги выходит «думающая» техника // Гудок, 17 марта 2009, № 45.

68. Мартынов Р. Удаленный доступ: ученые создали интеллектуальные системы управления движением поездов // Гудок, 17 апреля 2009, № 68.

69. Мастаченко В.Н. Применение методов искусственного интеллекта в решении строительных задач: Учебное пособие для вузов ж.- д. тр-та. — М.: ГОУ «Учебно-методический центр по образованию на железнодорожном транспорте», 2007. — 308 с.

70. Мелихов А.Н., Берштейн Л.С., Коровин С .Я. Расплывчатые ситуационные модели принятия решений: Учеб. пособие. Таганрог: ТРТИ, 1986.-92 с.

71. Микони C.B. Границы применения метода вкладов в задаче определения рейтинга объектов // Труды Конгресса по интеллектуальным системам и информационным технологиям, 2-9 сентября, 2010 года, т. 1. — Москва: Физматлит, 2010.

72. Микони C.B. Многокритериальный выбор на конечном множестве альтернатив // Учебное пособие. СПб.: Лань, 2009. - 272 с.

73. Миронов А.Ю. Безопасность движения в хозяйстве перевозок // Железнодорожный транспорт, № 4, 2010. С. 46-45.

74. Морозов В.Н. Повышение надежности работы технических средств и обеспечение безопасности движения // Железнодорожный транспорт, № 4, 2010.-С. 30-34.

75. Муха Ю.А. Описание процесса скатывания отцепов с горки при помощи метода планирования эксперимента. Днепропетровск: ДИИТ, 1975. Вып. 168/9.-С. 3-19.

76. Новиков Д.А. Теория управления организационными системами. М.: Физматлит, 2007.

77. Новичихин В.В., Поздняков А.И., Никандров В.А., Соснов Д.А. -Интегрированная АСУ станции в действии // Железнодорожный транспорт, № 8,2010.

78. Одикадзе В.Р. Развитие теории и разработка средств мониторинга функционирования систем автоматизации сортировочных процессов // кандидатская диссертация (05.13.06). Ростов-на-Дону: РГУПС, 2008.

79. Одикадзе В.Р., Сапков И.Г., Юндин A.JI. Автоматизированное управление компрессорной станцией // Железнодорожный транспорт, № 8, 2010.

80. Орлов А.И. Принятие решений. Теория и методы разработки управленческих решений. М.: ИКЦ «МарТ»; Ростов н/Д, 2005. - 496 с.

81. Орлов А.И. Эконометрика. М.: Экзамен, 2002. - 576 с.

82. Орлов А.И. Экспертные оценки. Учебное пособие. // Москва: 2002.

83. Патрик Э. Основы теории распознавания образов. — М.: Советское радио, 1980.-408 с.

84. Пирогов А.Е., Лябах H.H., Иванченко В.Н., Гуричев Ю.Т., Пономарев А.И. Обучающаяся программа распознавания объектов. Гос. фонд алгоритмов и программ. - Per. № 50860001269. - 1986. - 66 с.

85. Поспелов Д.А. Ситуационное управление: теория и практика. — М.: Наука. Гл. ред. физ.-мат. лит., 1986.-288 с.

86. Проект единой методологии оценки риска для обеспечения безопасности на железных дорогах Европы // Железные дороги мира. 2007, № 12.

87. Розалиев В.Л. Построение математической модели эмоций // Сборник трудов 5-ой Международной НПК (Коломна, 20-30 мая 2009 г.). М.: Физматлит, 2009.

88. Ротштейн А.П. Нечеткий многокритериальный выбор альтернатив: метод наихудшего случая // Теория и системы управления. 2009. - № 3.

89. Савицкий А.Г. Комплексная система управления сортировочной станцией // доклад на конференции «ТрансЖат-2008». — Евразия-Вести, 2009.

90. Савченко П.В. Методы обеспечения и оценки живучести станционных систем железнодорожной автоматики // диссертация на соискание ученой степени кандидата технических наук. М.: РГОТУПС, 2007.

91. Сапожников В.В., Кравцов ЮА, Сапожников Вл.В. Теория дискретных устройств железнодорожной автоматики, телемеханики и связи. -М.: УМК МПС России. 2001.312с.

92. Сапожников В.В., Сапожников Вл.В., Шаманов В.И. Надежность систем железнодорожной автоматики, телемеханики и связи: Учебное пособие для вузов ж.д. трансп. / Под ред. Вл.В. Сапожникова. М.: Маршрут, 2003. -263 с.

93. Сарьян A.C. Алгоритм и методика отбора данных для моделирования // Вестник РГУ ПС, 2010, № 2 (38).

94. Сарьян A.C. Интеллектуализация управления сортировочными процессами // Сборник трудов VIII международной конференции «Информатика: проблемы, методология, технологии» Воронеж, 2008.

95. Сарьян A.C. Классификация подходов и методов интеллектуализации функционирования сложных систем // Обозрение прикладной и промышленной математики, редакция журнала «ОПиПМ» Москва, 2010, Т. 17, вып.6.

96. Сарьян A.C. Разработка систем функционирования на железнодорожном транспорте: проблемы, пути развития // Сборник трудов конференции «Транспорт 2009» - Ростов-на-Дону, 2009.

97. Сарьян A.C., Гапоненко В.Н. Интеллектуализация системы поддержки принятия решений многофункционального холдинга // Сборник трудов международной конференции «Современные направления теоретических и прикладных исследований» Одесса, 2010.

98. Сарьян A.C., Честа A.B. Обучающиеся алгоритмы управления на железнодорожном транспорте // Молодой ученый, 2009, №12.

99. Сарьян A.C., Шабельников В.А., Денисов A.B. Система мониторинга и анализа состояния искусственных сооружений на железнодорожном транспорте // Молодой ученый, 2009, №8.

100. Сачко В.И., Тартынский В.А. Информационно-аналитическая система поддержки принятия решений // Железнодорожный транспорт, № 8, 2010.

101. Системы автоматизации и информационные технологии управления перевозками на железных дорогах: учебник для вузов железнодорожного транспорта. М.: Маршрут, 2006. - 544 с.

102. Словарь по естественным наукам. Глоссарий.ру. Электронный документ. (http://slovari.yandex.ru/dict/glnatural/article/24). Проверено 15.01.2010.

103. Ш.Соколов В.Н. Комплексная система автоматизации сортировочных процессов: техническое, технологическое, интеллектуальное обеспечение // кандидатская диссертация (05.13.06). Ростов-на-Дону: РГУПС, 2008.

104. Соколов В.Н., Рогов С.А. Управление скоростью скатывания и прицельным торможением отцепов // Железнодорожный транспорт, № 8, 2010.

105. Станционные системы автоматики и телемеханики / В.В. Сапожников, Б.Н. Елкин, И.М. Кокурин и др.; Под ред. Вл.В. Сапожникова. -М.: Транспорт, 2000. 432 с.

106. Тартынский В.А., Сачко В.И. Специализированная система поддержки принятия решений по техническому обслуживанию и ремонту горочного оборудования// Вестник РГУ ПС, 2010, № 3 (39).

107. Тесля Е.В. "Умный дом" своими руками. Строим интеллектуальную цифровую систему в своей квартире: СПб.: Питер, 2008. - 219с.: ил.

108. Тихонов А.Н., Арсенин В.Н. Методы решения некорректных задач. -М.: Наука, 1979.-286 с.

109. Тишанин А.Г., вице-президент ОАО «РЖД»: На основе новых требований и системного подхода, // Железнодорожный транспорт, № 12, 2008, С. 13-17.

110. Уманский В.И. Презентация «Безопасность и эффективность две взаимосвязанные задачи развития интеллектуальных транспортных систем». -Москва: НИИАС, 2010.

111. Фонарев Н.М. Автоматизация процесса расформирования составов на сортировочных горках. М.: Транспорт, 1971.

112. Фуфаев В.В. Экономические ценозы организаций. Центр системных исследований М. - Абакан, 2006. - 88 с.

113. Хаблак К.А. Постановка проблем автоматизации сортировочных станций // Вестник РГУ ПС, 2001, № 2.

114. Хакен Г. Синергетика. М.: Мир, 1980.

115. Честа A.B. Адаптивное управление транспортными системами на основе минимизации рисков деятельности // Сборник трудов молодых ученых, аспирантов и докторантов «Актуальные проблемы развития железнодорожного транспорта». Ростов-на-Дону: РГУПС, 2009.

116. Честа A.B. Оптимизация деятельности хозяйствующих субъектов на рынке транспортных услуг // Сборник научных трудов молодых ученых, аспирантов и докторантов РГУПС «Актуальные проблемы развития железнодорожного транспорта», 2008.

117. Шабельников А.Н. Интеллектуальные системы управления на железнодорожном транспорте. Монография. Ростов-на-Дону, 2004.-214 с.

118. Шабельников А.Н., Одикадзе В.Р. Разработка систем интеллектуального принятия решений на железнодорожном транспорте Сборник трудов конференции «Нечеткие системы и мягкие вычисления». Тверь. 2006.

119. Шабельников А.Н., Одикадзе В.Р. Совершенствование системы прицельного торможения отцепов на сортировочных горках // Известия вузов. Северо-Кавказский регион, № 4, 2007.

120. Шабельников А.Н., Соколов В.Н., Сарьян A.C. Импульсное управление торможением отцепов с помощью автомата — советчика — Ростов н/Д, Научно-технический журнал Вестник РГУПС, №2, 2008 г., стр. 62-64.

121. Шабельников В.А. Автоматизированная система управления и мониторинг состояния железнодорожных мостов // Сборник трудов молодых ученых, аспирантов и докторантов «Актуальные проблемы развития железнодорожного транспорта». Ростов-на-Дону: РГУПС, 2009.

122. Шелухин В.И., Савицкий А.Г. Повышение безопасности и эффективности работы сортировочных горок // Железнодорожный транспорт, № 3, 2007.

123. Щепкин А.В. Механизмы внутрифирменного управления. М.: ИПУ РАН, 2001.

124. Энциклопедия кибернетики в 2-х тт. Киев: Главная редакция украинской советской энциклопедии, 1975.

125. Яриков И.М., Шапкин И.М. Техническое и технологическое развитие важнейших сортировочных станций // Железнодорожный транспорт, №8,2010.

126. Ясницкий JI.H. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений. -М.: Издательский центр «Академия», 2005. -176 с.

127. Abbass Н.А., Sarker R.A., Newton C.S. Data Mining: A Heuristic Approach. University of New South Wales, Austria. Idea Group Publishing, 2002.

128. Adamson C. Mastering Data Warehouse Aggregates: Solutions for Star Schema Performance. Wiley Publishing, Inc., 2006.

129. Berry M.J.A., Linoff G.S. Data Mining Techniques for Marketing, Sales and Customer Relationship Management. Wiley Publishing, Inc., 2004.

130. Berthold M., Hand D.J. (Eds.) Intelligent Data Analysis. Berlin; Heidelberg: Springer-Verlag, 2007.

131. Chiu S., Tavella D. Data Mining and Market Intelligence for Optimal Marketing Returns. — Elsevier Inc., 2003.

132. Data Mining for Business Applications / Edited by L. Cao, Philip S. Yu, C. Zhang, H. Zhang. Springer Science; Business Media, 2008.

133. Encyclopedia of Data Warehousing and Mining. Idea Group Inc., 2006.

134. Fabrice G., Hamilton H.J. (Eds.) Quality Measures in Data Mining. -Berlin; Heidelberg: Springer-Verlag, 2007.

135. Giudici P. Applied Data Mining: Statistical Methods for Business and Industry. John Wiley & Sons, 2003.

136. Gonzales M.L. IBM Data Warehousing. Wiley Publishing, Inc., 2003.

137. Han J., Kamber M. Data Mining: Concepts and Techniques. Elsevier Inc., 2006.

138. High Performance Data Mining: Scaling Algorithms, Applications and Systems. Kluwer Academic Publishers, 2002.

139. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons, 2003.

140. Kovalerchuk B., Vityaev E. Data Mining in Finance. Advances in Relational and Hybrid Methods. New York: Kluwer Academic Publishers, 2002.

141. Larose D.T. Data mining methods and models. John Wiley & Sons,2006.

142. Larose D.T. Discovering Knowledge in Data: An Introduction in Data Mining. John Wiley & Sons, 2005.

143. Mitra S., Acharya T. Data Mining: Multimedia Soft Computing, and Bioinformatics. John Wiley & Sons, 2003.

144. Nilesh Mishra. Design Issues and Experiences with BRIMON Railway BRIdge MONitoring Project // Indian institute of technology Kanpur. 2006.

145. Saryan A.S. Erarbeitung von intellektuellen betriebssystemen im eisenbahnverkehr: probleme und entwicklungswege // Kybernetik@ Verlag Börsmannstr.8, D-30419 Hannover, 2010.