автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Технология разработки гибридных интеллектуальных систем

На правах рукописи

Колесников Александр Васильевич

ТЕХНОЛОГИЯ

РАЗРАБОТКИ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации

(информатика)

Автореферат диссертации на соискание ученой степени доктора технических наук

Санкт-Петербург 2002

Работа выполнена на кафедре «Компьютерные интеллектуальные технологии 1 проектировании» в Санкт-Петербургском государственном техническом университете.

Научный консультант: - доктор технических наук, профессор Яшин А.М.

Официальные оппоненты: - доктор технических наук,

профессор ИмаевД.Х.

доктор физико-математических наук, профессор Косовский Н.К.

доктор технических наук, профессор Полуэктов Р.А.

Ведущая организация - НПО «Импульс», г. Санкт-Петербург.

Защита диссертации состоится « 27 » июня 2002 года в 16 часов на заседали диссертационного совета Д 212. 229. 18 в Санкт-Петербургском государственном техническо университете по адресу: 195251, Санкт-Петербург, ул. Политехническая, 29, 9-й учебны корпус, ауд. 325.

С диссертацией можно ознакомиться в фундаментальной библиотеке Санкт Петербургского государственного технического университета.

Автореферат разослан « 24 » мая 2002 года.

Ученый секретарь диссертационного совета

Шашихин В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Автоматизацию обработки информации и управления в технических, социально-экономических и биопроизводственных системах (БПС) невозможно представить 5ез применения широкого спектра методов и моделей классической и дискретной математики, имитационного моделирования, системного анализа, исследования операций (ИСО), искусственного интеллекта (ИИ). Огромный вклад в эту область внесли своими трудами Берг, Глуш-ков, Кузин, Растригин, Уемов, Перегудов, Полуэктов, Г.С. Поспелов, Д.А. Поспелов, Grossberg, Holland, Kohonen, McCulloch, Mamdani, Nilsson, Pitts, Zadeh и др. Благодаря трудам этих ученых л их школ появилось множество разных по способам представления данных и знаний методов, моделей, алгоритмов, а также инструментальных средств систем обработки информации и управления.

Дальнейшая специализация и применение единственного способа представления данных и ¡наний в конце 70-х начале 80-х годов вступили в противоречие с все возрастающей сложно-:тью задач и создаваемых систем обработки информации и управления. Необходимость пре-здоления такого положения и поиска методов решения практических задач за рамками преимуществ и недостатков отдельных инструментариев построением многомодельных, интегри-эованных, гибридных и гибридных интеллектуальных систем (ГИИС) с мягкими вычислениями эбосновывалась Борисовым, Венда, Вентцель, Д.А. Поспеловым, Minsky, Peshel, Wasserman, ladeh и др. Основы теории, методологии и технологии ГИИС заложены в трудах Аверкина, эусленко, Емельянова, Осипова, Тарасова, Ярушкиной, Medsker, Goonatilake, Hillario, Khebbal, <fauck, Wermter и др.

Несмотря на успехи ГИИС 90-х годов, как и в любом научном направлении, здесь еще .того неясных и нерешенных проблем как по постановке, так и по методам. Сделаны лишь 1ервые шаги по многокомпонентным функциональным ГИИС, процесс разработки которых от-госится скорее к искусству, чем к научно-обоснованной гибридизации, широко используемой в )ешении практических задач.

Поэтому, а также из-за расширения практики разработки и применения в управлении и 1роектировании гибридов, актуальны теория, методология и особенно технология функцио-1альных ГИИС. Объект исследования диссертации - методы, модели, алгоритмы и программы шработки функциональных ГИИС.

Актуальность исследований подтверждается поддержкой Российского фонда фундаментальных исследований (грант № 98-01-00081) и Комитета по науке республики Польша (грант 8Т11А00813), договором о Международном сотрудничестве между Гданьским техническим университетом и Калининградским государственным техническим университетом (КГТУ) от 10 шреля 1998 года. Выполнение работы связано с плановыми исследованиями Санкт-Тетсрбургского государственного технического университета (СПбГТУ) и КГТУ. В соответст->ии с приоритетными направлениями развития науки и техники, перечнем критических техно-огий федерального уровня, утвержденных решением Правительственной комиссии по научно технической политике и указом Президента РФ от 13.07.1996 года№ 884 «О доктрине разви-

тия Российской науки», интеллектуальные системы автоматизированного проектирования £ управления отнесены к критическим технологиям федерального уровня.

Цель и основные задачи исследования. Цель диссертации - повышение эффективности интеллектуальных систем обработки информации и управления путем создания теории и методологии разработки функциональных ГИИС с учетом человеческого фактора, программной технологии системного анализа сложных практических задач и синтеза методов их решения зе рамками возможностей отдельных инструментариев.

В соответствии с поставленной целью в диссертации решаются следующие задачи:

• обобщение и систематизация мирового опыта создания ГИИС;

• разработка неформальной аксиоматической теории схем ролевых концептуальных моделей (КМ) функциональных ГИИС;

• разработка онтологий задач и методов моделирования;

• разработка схем ролевых КМ для представления знаний о проблемной среде, а также плюсах и минусах методов моделирования;

• моделирование элементов ГИИС и ГИИС в неформальной аксиоматической теории схем ролевых КМ, разработка метода моделирования гибридных стратегий и принципов созданш ГИИС;

• создание методологии разработки функциональных ГИИС, включая методы системногс анализа практических задач, выбора классов методов моделирования элементов ГИИС и алгоритмы синтеза метода решения проблем; разработка программ поддержки технологи» ГИИС; "

• исследование свойств технологии на задачах управления и обработки информации тре> предметных областей: в транспортном узле (ТУ), БПС и в системах автоматики морских судов.

Общие методы исследования. Для решения поставленных задач использовались методь дискретной математики - аппарат теории множеств и отношений, алгебраическая теория моделей, формальных систем и теория графов, методы редукции сложности задач, современны} системный анализ, имитационное статистическое моделирование (ИСМ), теория нечетки> множеств и отношений, искусственные нейронные сети (ИНС), методы инженерии знаний, генетические алгоритмы (ГА), методы математической статистики для обработки результата экспериментов.

Научная новизна. Новизна научных результатов, полученных в диссертации, заключаете в следующем:

1. Обобщен двадцатилетний мировой опыт создания ГИИС. Построены классификации, ис следованы свойства, систематизированы архитектуры ГИИС.

2. Впервые разработана неформальная аксиоматическая теория схем ролевых КМ - основ технологии ГИИС. В рамках теории впервые построены схемы многоуровневых КМ предмет ной области, практических задач, методов, элементов и функциональных ГИИС.

3. Впервые выявлены и систематизированы преимущества и недостатки пяти классов методо разработки элементов ГИИС: аналитических, ИСМ, двух топологий ИНС, символьных эксперт ных и нечетких систем (ЭС и НС), эволюционных классических ГА.

4. Разработан метод конвейерного моделирования гибридных стратегий и впервые сформулированы принципы разработки функциональных ГИИС.

5. Впервые разработана методология функциональных ГИИС, определены структура и содержание гибридизации.

6. Получены методы редукции сложности практических задач. Впервые для функциональных ГИИС предложен и исследован метод выбора классов методов для разработки элементов ГИИС. Впервые разработаны метод и алгоритмы синтеза функциональных ГИИС.

7. Создана и исследована технология разработки функциональных ГИИС, а также семейство программных продуктов ее поддержки.

Достоверность и обоснованность основных научных положений, выводов и рекомендаций диссертации определяется методологической строгостью предложенного подхода с позиций теории систем, теоретической разработкой базовых положений, логической увязкой результатов выполненного исследования с известными результатами в данной области, применением фундаментальных принципов и методов системного анализа, ИСМ, инженерии знаний, ИНС и ГА, подтверждается сопоставлением результатов экспериментов с фактическими данными и экспертными оценками на трех предметных областях.

Практическая ценность работы. Развиваемые в диссертации методология и технология позволяют редуцировать сложность практических задач, подобрать классы методов релевантные свойствам подзадач из декомпозиции, синтезировать и интерпретировать ГИИС для решения проблемы за рамками ограничений существующих методов моделирования.

Разработанные методология, технология и инструментальные средства ее поддержки, а гакже синтезированные ГИИС использованы:

• при разработке автоматизированной системы управления флотом на промысле и моделировании конвейера «море - транспортный узел - море», а также для решения задачи планирования квот на вылов рыбы в экономических зонах в ОАО «Компьютерные технологии» (г. Калининград);

• при создании интеллектуальной системы планирования агротехнологий и урожаев с/х культур для ООО им. Ладушкина (Калининградская область);

• при создании системы с базой знаний (БЗ) для решения задачи выбора измерительных приборов и первичных преобразователей (ИППП) систем судовой автоматики морских транспортных судов на Гданьской судоверфи (Польша);

Кроме этого, результаты и рекомендации диссертации применялись:

• при разработке технологии многоагентных интеллектуальных адаптивных систем дистанционного обучения при поддержке РФФИ;

• при разработке организационно-программно-технического комплекса «Управление предприятием 3.3» (РОСАПО № 980588 от 30.09.1998) и для решения задач управления в торговой сети «Созвездие» в проектно-конструкторской фирме «ВаШсБой» (г. Калининград);

• при разработке ГИИС для решения задач обработки информации и управления в Калининградском филиале Института проблем информатики РАН;

• при разработке АСУ Калининградским янтарным комбинатом в задачах управления технологическими процессами обработки янтаря (пос. Янтарный, Калининградская область);

• в учебном процессе Калининградского института международного бизнеса и КГТУ для подготовки информатиков-экономистов, бакалавров и инженеров.

Применение технологии и поддерживающих ее инструментальных средств сокращает время и трудозатраты на разработку функциональных ГИИС. Выявление, системный анализ разнородных проблемных областей в сложных практических задачах, адаптивный синтез метода их решения позволяют получать релевантные интегрированные модели и резко повысить эффективность управления и обработки информации.

Основные научные результаты, выносимые на защиту и их новизна: 1. Впервые разработанные классификации ГИИС и их архитектур, модели гибридизации, построенные обобщением мирового опыта создания ГИИС.

2. Впервые разработанная неформальная аксиоматическая теория схем ролевых КМ для представления данных и знаний как системная основа технологии ГИИС.

3. Впервые построенные в неформальной аксиоматической теории схемы ролевых многоуровневых КМ предметной области, проблемной среды, методов моделирования, элементов ГИИС и функциональных ГИИС.

4. Методы редукции сложности практических задач, метод и алгоритм выбора классов методов для разработки элементов ГИИС, метод и алгоритмы синтеза функциональных ГИИС.

5. Новая методология автоматизированной разработки функциональных ГИИС, использующая знания в виде схем ролевых КМ задач, методов и архитектур ГИИС.

6. Новая проблемно-структурная технология и семейство программных продуктов для автоматизации системного анализа сложных практических задач, синтеза и эксплуатации функциональных ГИИС.

Реализация полученных результатов. Полученные в диссертации выводы и результаты ¡шали широкое применение при разработке автоматизированных систем управления транспортным узлом, флотом на промысле, агрофирмой ООО им. Ладушкина, внедрены в практику работы проектно-конструкторской фирмы ООО «BalticSoft (г. Калининград), ОАО «Компьютерные технологии», КФ Института проблем информатики РАН, Гданьской судоверфи (Польша), Калининградского янтарного комбината, используются в учебном процессе двух вузов.

Апробация результатов работы. Основные положения работы докладывались на Республиканском семинаре «Проблемно-ориентированные диалоговые комплексы» (Кишинев, 1983); 1 Y-ой Всесоюзной школе цикла «Системы управления и методы их моделирования» (Калининград, 1989); 3-м международном симпозиуме «ИМИТАЦИЯ СИСТЕМ 90» (Одесса, 1990); Ith and 2th International Scientific Symposium on Automatic Control of Ship Propulsion and Ocean Engineering Systems (Gdansk, Poland, 1994, 1998); Ith and 2th International Scientific Symposium "Technical and Environmental Aspects of Combined Cycle Power Plants COMPOWER 95, 2000" (Gdansk, Poland, 1995, 2000); Республиканском научно-техническом семинаре-сессии «Организация и технология средств связи» (Минск, Беларусь, 1996); 111 Rrajowa Konferencja Naukow "Inzynioria Wiedzy I Systemy Ekspertowe'" (Wroclaw, Poland, 1997); Международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 1998); Konferencja Naukowo Techniczna "Avtomatyzacja - Nowosci I Perspektywy AUTOMATION 96, 99" (Warszawa, Poland 1998, 1999); The International Federation of Operational Research Societies Special Conference (SP

8) "Organizational Structures, Management, Simulation of Business Sectors and Systems" (Kaunas, Lithuania, 1998); Международном семинаре ДИАЛОГ 99 по компьютерной лингвистике и ее приложениям (Таруса, 1999); 4th and 5th International Conferences "Mathematical Modelling and Analysis" (Vilnius, Lithuania, 1999, 2000); Международной конференции «Интеллектуальное управление»: новые интеллектуальные технологии в задачах управления» (ICIT 99) (Пере-славль-Залесский, 1999); 6-ой и 7-ой национальных конференциях по искусственному интеллекту с международным участием КИИ 98, 2000 (Пущино, 1998; Переславль-Залесский, 2000); Международных научно-технических конференциях БАЛТТЕХМАШ 98, 2000 (Калининград, 1998, 2000); 4th IEEE International Baltic Workshop "DATABASES & INFORMATION SYSTEMS" (Vilnius, Lithuania, 2000); Международной конференции «Интеллектуальные системы и информационные технологии управления ИСИТУ 2000 - IS&ITC» (Псков, 2000); на научных семинарах кафедры компьютерных интеллектуальных технологий в проектировании СПбГТУ (1998 -2001) и кафедры систем управления и вычислительной техники КГТУ (1986 -2001), а также Вильнюсского технического университета Гедеминаса и Института математики и информатики (Литва, 1999), факультетов электротехники и автоматики, океанотехники и судостроения Гданьского технического университета (Польша, 1997-1999); семинаре Санкт-Петербургского отделения Российской ассоциации ИИ (Санкт-Петербург, 1998).

Публикации. По теме диссертации опубликовано 42 основных научных печатных работы, в том числе три книги в соавторстве, две монографии. Результаты отражены в шести учебных пособиях, изданных в Москве, Санкт-Петербурге и Калининграде.

Структура и объем работы. Диссертация состоит из введения, девяти глав, заключения, списка литературы и приложений. Работа изложена на 387 стр. машинописного текста, содержит 111 рисунков, 13 таблиц, приложений на 50 страницах, списка литературы из 357 наименований. Общий объем работы 437 страниц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, дана ее краткая характеристика, формулируются цель, основные задачи и положения, выносимые на защиту, приведен обзор диссертации по главам.

В первой главе «Гибридные интеллектуальные системы и проблемы их разработки» рассмотрены особенности обработки информации и управления на современных предприятиях, понятие и актуальность ГИИС, даны классификации и систематизированы архитектуры ГИИС, проанализировано состояние теории, методологии и технологии ГИИС, сформулированы проблемы разработки ГИИС и задачи разработки проблемно-структурной технологии ГИИС (PS-технологии).

На эволюцию структур систем управления (СУ) и обработки информации обратил внимание еще Д.А. Поспелов (1981), систематизировавший их на простые СУ, системы с адаптацией, модельные и семиотические СУ. Если первые СУ были присущи техническим системам, то последние - большим, чрезвычайно сложным системам, следуя Денисову, Колесникову (1982), самоорганизующимся, развивающимся, следуя Волковой, Денисову (1999), надкибернетиче-

ским, следуя Ерофееву, Полякову (1999), что подчеркивает необходимость выхода за рамки фундаментальных принципов кибернетики при управлении такими сложными, неоднородными, динамическими системами с преобладанием распределенных сетевых структур и горизонтальных связей, определяющих дальнейшую эволюцию СУ и развития теории интеллектуального управления.

Как очередная ступень эволюции СУ в диссертации введены многомодельные, гибридные и гибридные адаптивные СУ. Для первых характерны неоднородность, гетерогенность, отказ от создания и использования одной сложной модели и замене ее простыми, не взаимосвязанными автономными моделями, записанными на различных языках. В гибридных СУ модели объединены межмодельным интерфейсом и характеризуются «гибридным интеллектом» в смысле Венда (1990), социальным характером в смысле Мамку (1991) и системным подходом к интеллекту в смысле Тарасова (1997).

Рассмотренные СУ не варьируют интерфейсами моделей. Будучи один раз созданными, такие гибриды жестко сохраняет структуру. В этой связи в СУ (рис. 1) включен новый элемент - гибридизатор, напоминающий работу ЛПР, располагающего информацией о том, каких экспертов привлечь для решения задачи и как лучше организовать их взаимодействие. Гибридизатор строит из узкопрофессиональных моделей релевантную задаче структуру и использует ее для решения, а в случае неприемлемости, подбирает новые модели или другие связи между ними. В такой СУ гибридизатор берет на себя часть функций разработчика: выбор модели, создание и обслуживание интерфейсов, приобретение знаний одной компонентой из другой и т.п.

Предложенные три модели, последние пять лет копирующиеся во многих приложениях для решения сложных практических задач, и составляют предмет технологии гибридизации, разработанной в диссертации.

В науке управления генетическая, гибридная парадигма зародилась в середине 60-х годов, проявляясь в интегрированных моделях, гибридных системах, ГИИС и означает отказ от взгляда на объект исследования как однородную сущность и принятие мировоззрения сложного, составного, неоднородного объекта. Это качественно новый уровень анализа известных и синтеза новых объектов с полезными для человека свойствами.

Гибрид - комбинация двух или более интегрированных подсистем с различными языками представления информации и методами вывода. Гибридная система - записанная на математическом языке комбинация двух методов, один из которых имеет преимущества в моделировании непрерывных процессов, а другой - дискретных. ГИИС - система, использующая для решения задачи несколько методов имитации интеллектуальной деятельности человека. Понятие ГИИС совпадает по смыслу с интеллектуальными гибридными системами, гибридными интег-

ППС

Субъект управления

Блок управления

1

; - Гибридизатор

________4

^ёз-

Обозначенш: ППС, ПОС - преобразователи прямой и обратной связи, соответственно; ОУ -объект управления

Рис. 1. Гибридная адаптивная система управления

рированными системами, гибридными информационными системами, гибридными интеллектуальными адаптивными системами. Близкими следует считать исследования по мягким вычислениям, многомодельным и интегрированным экспертным системам (ИЭС), гибридным системам с дискретной частью, основанной на знаниях, семиотическим системам распределенного интеллекта, нечетким эволюционным многоагентным системам.

На сегодняшний день в мировой практике известны пять классификаций ГИИС: Goonati-lake и Khebbal (1992); Medsker (1995); Hillario (1995); Sun (1996); Wermter, McGarry и Maclntyre (1999), причем последние три охватывают только символьно-коннекционистские гибриды. В этой связи в диссертации предложена классификации ГИИС по мере связанности подсистем с различными автономными методами. Для исследований выбраны гибриды, структура которых зависит от решаемой задачи - функциональные ГИИС, разрабатываемые гибридизацией пяти классов методов, моделей, алгоритмов: аналитических, статистических, коннекционистских, символьных и эволюционных. В зависимости от числа комбинируемых в ГИИС методов, моделей и алгоритмов из различных классов предложено различать ди-, три-, тетра- и пентагибриды. Детально исследованы архитектуры 10 классов дигибридов.

Разработка гибридов называется гибридизацией. В диссертации предложены и исследова-яы две модели гибридизации - трудоемкого процесса, требующего интеграции широкого спек-гра знаний о предметной области, задачах, методах их решения, длительной по времени, слож-аой обработки информации и экспериментов. Написать интеллектуальную систему для реше-шя усложняющихся практических задач все труднее, менее трети проектов информационных ;истем заканчиваются успешно. Это вызвано возрастающей сложностью создаваемых систем, этсутствием теории, несовершенством методологии и технологии гибридизации.

В этой связи в диссертации выделены и исследованы три группы формализмов интеграции знаний: гибридные системы - Wïtsenhausen (1966); Tavernini (1987); Nerode, Kohn (1993, 2001); Walsh (1996); Atsaklis, Stiver, Lemmon (1993, 2001), агрегаты и агрегативные системы -эусленко (1978); Калашников, Немчинов (1988) и интегрированные системы - Гельфандбейн, колесников, Рудинский (1984); Вагин, Еремеев (1997); Астанин, Захаревич (1997); Рыбина 1998); Тарасов (1998); Валькман (1998); Осипов (1999). Большинство из рассмотренных формализмов российских ученых описывают полимодельные архитектуры, в то время как зарубежное работы - двухмодельные, потенциала которых может быть недостаточно для записи семантики практических задач. Мало результатов по интеграции методов, не обосновывается выбор множества элементов для гибридизации, не исследуются отношения интеграции, определяю-цие свойства ГИИС.

Проанализированы также известные методологии гибридных систем - Zeigler (1990), аг-зегативного моделирования - Н.П. Бусленко (1978), разработки ГИИС экспертных систем и ШС - Medsker (1994), методология ИЭС - Рыбина (1998), гибридная методология НуМ - Ну-)rid Intelligent System Group (2000), а также проекты, технологии и инструментальные средства ТШС и ИЭС: NueX, HAREM, MIX, HANSA, АТ-ТЕХНОЛОГИЯ, SCOT, FlexTool, MatLab, семейство G2 и др. Естественно, что эти подходы не исчерпывают многообразия методологий, технологий и инструментариев гибридизации. Открыты вопросы разработки ГИИС, интегри-)ующих более двух автономных методов и (или) информационных технологий, релевантного

сложности проблемы комбинирования, адаптивности состава и структуры ГИИС в зависимости от изменений в свойствах, составе и структуре решаемой задачи и многие другие. Опыт гибридизации вообще и разработки функциональных ГИИС показал и отдельные недостатки:

• отсутствие теоретических концепций представления эвристических знаний о задачах, методах, их взаимосвязях и собственно ГИИС - основах методологии и технологии ГИИС;

• противоречие между слабой выразительной силой известных моделей понятия «задача» и сложностью практических проблем управления и обработки информации; отсутствие методов системного анализа для лучшего понимания проблемы разработчиком и снижения трудоемкости разработки модели ее решения;

• не систематизированы преимущества и недостатки методов, их взаимосвязи с решаемыми проблемами; метод моделирования специфицируется на макроуровне совокупностью «внешних» свойств, а для гибридизации важны и микроуровневые представления; отсутствуют алгоритмы подбора метода релевантного особенностям задачи;

• ограниченный круг методологий, технологий и инструментальных средств, ориентированных в большинстве случаев на символьно-коннекционистские дигибриды.

На основании результатов анализа и выявления основных тенденций в области разработки ГИИС была сформулирована цель диссертации. Для ее достижения разработана методология и РБ-технология, поддерживаемая семейством инструментальных средств, сокращающих сроки создания функциональных ГИИС и улучшающих качество автоматизированных систем обработки информации и управления. Основные элементы РБ-технологии:

• схемы ролевых КМ - знания о структурировании предметной области, задачах, методах, элементах ГИИС, ГИИС и их функционировании, применяемые на всех этапах жизненного цикла гибридизации;

• методы системного анализа сложной практической задачи, включая редукцию, спецификацию, выбор методов, проверку неоднородности, спецификацию областей релевантности методов (моделей) и спецификацию связей;

• методы синтеза ГИИС над гетерогенным модельным полем (ГМП);

• средства визуального моделирования функционирования ГИИС;

• базы знаний для консультаций разработчика по выбору класса методов и моделей для решения подзадач из состава практической задачи.

Теоретический базис РБ-тсхнологии включает неформальную аксиоматическую теорию схем ролевых КМ и построенные в рамках этой теории схемы КМ: описания предметной области, неоднородных задач, шести классов автономных методов на макро- и микроуровнях, ГИИС как для крупно- так и мелкозернистых элементов, а также модели функционирования ГИИС, метод моделирования гибридных стратегий и принципы разработки ГИИС, методы редукции сложности задач и метод синтеза ГИИС.

В заключении первой главы формулируются задачи исследований.

Во второй главе «Концептуальные модели - основа технологии ГИИС» рассматриваются концептуальные модели эвристик РБ-технологии, онтология КМ, неформальная аксиоматическая теория схем ролевых КМ, схемы ролевых КМ для представления моделей действительности и структурированного представления знаний об объектах - оригиналах гибридизации из

мира управления - ресурсах, действиях, структурах, ситуациях и состояниях, стратифицированные КМ предметной области.

В настоящее время на языке математики невозможно построить описание объектов-оригиналов гибридизации, т.е. субъективных моделей внешнего мира у экспертов - управленцев, объектов-прототипов, т.е. субъективных моделей методов моделирования у разработчика, объектов-результатов, т.е. субъективных моделей ГИИС у разработчика, а также действий по преобразованию объектов из одного представления в другое в ходе гибридизации. В диссертации в качестве такого языка обосновано использование языка концептуальных моделей (ЯКМ).

Концептуальные модели - результат накопленных теоретических знаний и практического личностного опыта разработчика. Это эвристики, извлечение, представление, хранение, преобразование и применение которых чрезвычайно актуально в гибридизации. Поскольку КМ используются с разными целями, специалистами различных профессий, в диссертации построена и исследована неформальная понятийная система (онтология) концептуальных моделей. Следуя Д.А. Поспелову (1986), предложен и развит класс ролевых КМ, а следуя А.И. Уемову (1978), триада «вещь - свойство - отношение» положена в основу структурирования мира управленца, разработчика и неформальной аксиоматической теории концептуального моделирования для проектирования функциональных ГИИС:

Те = <Те™,Тето,Тел,Тевт >, (2-1)

где Те™, Те70- неопределяемые и определяемые термины, соответственно; Те4- аксиомы, Те" - высказывания-теоремы, выводимые из Тел по фиксированным правилам.

Понятийная структура предметной области <Те™ ,Тел >, Ге 87 описывается неформальными аксиоматическими теориями, формулировки <Те™ ,Тел > которых и называются концептуальными моделями. Из соотносительности в триаде «вещь - свойство - отношение» следует, что для категориального ядра ЯКМ не действует правило о запрещении круга в определениях и что в (2.1) Те™ = Те70 = {«вещь», «свойство», «отношение»}. В диссертации, применительно к ЯКМ, даны определения всех трех категорий.

Поскольку применение Те™ к системному анализу предметной области затруднительно,

то из множества вещей рассматриваются только вещи-Отношение ресурсы, имеющиеся у субъекта управления для решения

задач. Из отношений выбраны отношения-действия, изменяющие состояние ОУ. Даны определения ресурсов и действий. На рис. 2 категориальное ядро ЯКМ представлено в графическом виде. Главная особенность этой модели - ролевой характер и инвариантность к предметной области. Отношение Отношение Если ввести множествО Х° = {'Х°,2Х°,гХ°) , Где

Рнс.2. Категориальное ядро 'Х0,2Х°,3Х0-множества базисных понятий, обозначаю-«ресурс - свойство - действие - щих ресурсы, свойства и действия, соответственно и по-отношение» строить на X" полный граф 0 = (Х\Я°), то имеем клас-

сификацию базовых отношений Я0 = {"Я\221{0,пЯ0:2Ко,2,к0:,Я0,:>'К0,п110,"Е<'}, где "Я0,22Я","Я0, '2Д°, 21 13Д°, 31Я°, 12К0,21 Я" - множества отношений «ресурс-ресурс»,

«свойство-свойство», «действие-действие», «ресурс-свойство», «свойство-ресурс», «ресурс-действие», «действие-ресурс», «действие-свойство» и «свойство-действие», соответственно.

Таким образом, после того как определен граф й , имеем Те™ = {«вещь», «свойство», «отношение»}, Те70 = {«ресурс», «свойство», «действие», «отношение»}, и можно ввести аксиомы ТеА = \А1,А2,АЗ} теории (2.1) существования одно-, двух- и трехролевых конструктов, т.е. если "Х'^Х'/Х0 с X0, У1!? <=,# , Г!?ей", то существуют одно-, двух- и трехролевые конструкты со' = °а1? аХ°, со2= ""Я0 аХ°^Х" "Х'о,

^Я0 "X0 со3= "X" ооЛ0 №Я° "Х°°ГХ° "Я0 "X" о °Х° ^Я" 'Х°о

'Xй о' х° "Я0 "Х°, соответственно, где а,Ду = 1,2,3; а*Р*у, ° - конкатенация. Переход от со' и со2 к со3 означает переход от точечной и линейной разомкнутых диаграмм к треугольной замкнутой диаграмме и концептуально полной для триады «ресурс - свойство - действие» картине мира.

Для моделирования предметных знаний категориальное ядро ЯКМ расширено: X" = {'Х°,...,'Х1'}, где 4Х° - единицы измерения, 'Л*0-значения, 6Х°- состояния, 'А"0-оценки, 2'Х°- физические свойства (параметры),22Х° - характеристические свойства (характеристики), "Х°- именные свойства (имена), «задача»}, = «метод»,-«модель», 9х°- «программа»} и 10 Х°- экзотические понятия. Даны соответствующие определения и введены другие релевантные выражениям языка профессиональной деятельности (ЯПД) конструкты.

Для построения высказываний-теорем теории (2.1), т.е. схем ролевых КМ, в диссертации

сформулировано правило склеивания конструктов и схем. Чтобы преобразовать схему в КМ, необходимо наполнить классы понятий, отношений лексемами и интерпретировать теорию Те (2.1).

Схемы ролевых КМ используются в РЗ-технологии для моделирования выражений ЯПД, при создании БД и БЗ, для записи эвристик разработки и эксплуатации ГИИС. Особое место в диссертации уделено стратификации. Предложен метод стратифицированного концептуального описания надкибернетических систем для разработки многоуровневых схем КМ в теории Те (2.1). На рис. 3 изображена

Мир субъектов -модельеров (мир моделирования)

Мир субъектов -решателей (мир задач)

Мир ресурсов, свойств, процессов

Мир измерений

Мир методов моделирования задач —'Мир

Рис. 3. Многоуровневая схема ролевых концептуальных моделей

и

одна их таких схем КМ для системного анализа сложных практических задач и синтеза ГИИС по РЭ - технологии. Эта схема построена из трехролевых конструктов, часть которых задает межуровневое взаимодействие. В общей сложности выделено семь взаимосвязанных и взаимодействующих друг с другом схем ролевых КМ, названных моделями миров. Особое внимание в диссертации уделено исследованиям отношений «задача-свойства», «задача-задача», «метод-свойства» и «метод-метод».

В каждом из миров есть свои КМ, понятия и отношения которых связаны денотатами с реалиями внешнего мира и соответствуют переменным из всех видов знаний, используемых в ГИИС для мягких вычислений. Это эвристически направляет системный анализ ЯПД задач и методов, увеличивает силу методов вывода в интеллектуальных системах за счет введения в вычислительные алгоритмы корректирующих шагов по КМ с актуализацией частично формализованных знаний для получения рациональных результатов решения задач.

В третьей главе «Модели задач обработки информации и управления в технологии ГИИС» рассматриваются онтология задач обработки информации и управления, источники и понятие неоднородности задач, схемы ролевых КМ однородных и неоднородных задач, многоуровневый подход к решению неоднородных задач, модели и свойства задач планирования в неоднородной проблемной среде.

Для исследования понятия «задача» и отношений «задача-свойства», «задача-задача» в диссертации построена онтология мира задач, систематизированы типичные определения и классификации задач за период с 1962 по 1999 гг., показавшие: 1) несовершенство наших знаний о свойствах задач - основы их классификации и сравнительного анализа; 2) необходимость отхода от определения задачи в терминах ИСО и перехода к спецификации проблемы с позиций системного анализа, т.е. как к объекту, имеющему состав, структуру, упорядоченность, отношения с другими объектами и эмерджентность; 3) актуальность построения схем КМ задач для количественных оценок меры их сложности.

В диссертации предложена классификация задач с позиций системного анализа по основаниям гомогенности и гетерогенности - свойствам, хорошо известным в химии и физике, что приводит к понятиям «однородной (гомогенной)» и «неоднородной (гетерогенной)» задач. Применение свойств однородности и неоднородности, широко наблюдаемых в деятельности человека, к задачам отмечалось Александровым (1975), Ларичевым (1979), Нильсоном (1985), Завбежайло (1998), Емельяновым, Зафировым (2000) и Гладуном (2001). В диссертации вскрыты главные причины неоднородности задач, обусловленные многообразием: парадигм, методов и переменных в науке; дисциплин в обучении; мнений и моделей внешнего мира на практике; фаз управления и целей решения задач. Это приводит к представлению практических задач как задач-систем, требующих новых подходов в системном анализе для исследования областей неоднородности, формируемых задачами-элементами, состав которых изменяется в определенных пределах, не затрагивая качества системы. Связи между подзадачами ограничивают степень свободы элементов и не позволяют решать одни задачи без других, задавая порядок на причинно-следственной и временной шкалах.

В диссертации задача-система названа неоднородной, а задача-элемент - однородной задачей. В гетерогенной задаче-системе при переходе через «границу разделения» однородных

элементов происходят мгновенные скачки имен, параметров и характеристик, выражающих суть однородных задач, что должно учитываться при моделировании ее решения. На рис. 4,а приведена схема ролевых КМ понятия «однородная задача» - я* (или 8/г*), а ниже дано ее описание:

я" = V 86Л" G o x? nR" 2D*°'x° mR" 9С*о*х? R" 2К о8*,0 "R" 20Л°8л,° 8Х" V °8*,0 88л2" V.

(3.1)

где'0\2£>\,С'- схемы ролевых КМ цели, исходных данных и условий (/и*- метод, тн-модель, а*-алгоритм,рк - программа) я*, соответственно; 2 К"- классификатор, т.е. схема ролс-

'Х° >Х"

Рис. 4. Схемы ролевых концептуальных моделей: а-однородных и б-неоднородных задач

вых КМ, определяющая фазу, класс переменных, которыми необходимо и достаточно манипулировать для решения ян и класс задачи; 2Он - спецификатор, т.е. схема ролевых КМ определяющая идентификатор лн, свойства среды разработки, проблемной среды, проекта, среды экспертов, измерений, информации и плана для решения задачи; "Л,*- производные отношения (п >0) с другими ян из одной и той же я" (3.3); 88й2" - отношения включения я* в я". Задача я* обозначается знаком 8х"|'|е8Л"'|4 в языке (рис. 8):

/.л6(^,...,4;6Л'0,8Л'0,9Х0,Л";л-л) = {8л''|л}, (3-2)

где I5 = ,...,^/.5 - языки описания производных отношений Л", а также ресур-

сов, свойств, действий и их иерархий ('Л™,2Х",ъ X"), структур, ситуаций (состояний) ОУ.

Неоднородные задачи я" (или8яг") специфицируются в ¿"(рис. 8) следующей схемой ролевых КМ (рис. 4,6):

°>x? "r" Зх"°гх? 87л" 'О".»*,0 88л2" п'оп' 8"л; 88я;п\

(3.3)

где 6G" ,2D",9С"- схемы ролевых КМ цели, исходных данных, условий (т" ,ти ,а" ,р"), соответственно; 2К"- классификатор; 2О"- спецификатор, включающий идентификатор я", схему ролевых КМ ЛПР, схему ролевых КМ операции 1X", исполняющей решение л-";7 О" - эвалю-эйтор (от англ. evaluation), т.е. схема ролевых КМ, определяющая оценки результатов 3X" и оценки результатов решения однородных задач П4 = {тг*,...,} из состава я"; П* 88Д" П" -обозначает П" = { }-множество декомпозиций задачи я"; 88 Л,"-множество отноше-

ний декомпозиции л-"; 8лт° П4 - обозначает состав лг"; 88й4"- отношения 6С" и 6Gh,2Du и 2£>\ а также 9С"и "С*.

я

Задача к" обозначается в Ц: = {8х"|"}, где 'Х'^с'Х"^ - множест-

во знаков в ¿^ однородных задач из П*; 8Х"|П - множество знаков декомпозиций неоднородных задач в СН") = {8д:"|п}, где СЯП - множество схем ролевых КМ для формирования структур на П*.

Цели 'С и 6<7*....., исходные данные 2£>" и в общем случае не совпа-

дают. Условия 9С" и 'С,*,...,'^ отличаются в принципе, поскольку, если для 'С*,...,9С^ должен быть известен = , иначе субъект, решающий тт" некомпетентен, и могут быть известны а* и , то для 9С" метод т", т",а" и конструируемые в РБ-технологии объекты.

В диссертации предложен многоуровневый подход к решению л4"в Р8-технологии. Для этого в системе £ заданы отображения, определяющие страты: - ситуационную, - потоковую, параметрическую, - принятия решений ЛПР, и получены две модели. В модели от/ традиционных СУ с преобладанием вертикальных связей, задача я*, решаемая ЛПР и возникшая на более высоком уровне, декомпозируется «вниз», а информация о решении экспертами к* б П* передается «вверх». В модели т\ систем поддержки принятия решений с преобладанием горизонтальных связей, ЛПР формирует систему 5" с 5 «за круглым столом», для решения задачи я", занимая в 5" высший уровень 54 относительно экспертных страт = 1.....3

и задач тт* е П*. Зададим множество ЯПД I' = {Ц.....}в 5 и соответствие

У, с и х^Ч*, * 0, где 5 = для модели от/ и 5 = {£.....для модели т/. Допус-

тим, что страте соответствует более одного Ц е = 1,..,Л'(_. Тогда неоднородная предметная область есть Е1 - < Ьр ,х¥1 >, а неоднородная проблемная среда:

Е" = < £\П".П\Ч'2,Ч,5 >, (3.4)

где П" = {я-,",...,я^п} - множество неоднородных задач; Ч^.Ч'з-соответствия на П" х .V и

"п

П" =иП* .соответственно; / = I,..., , /-1

требующая отказа от использования автономных методов и перехода к конструированию метода/я" решения к".

В £"(3.4) для исследования и апробации Р8-технологии выбраны задачи планирования. Используя (3.1), построены схемы ролевых КМ задач пассивных фаз, а (3.3) - схема ролевых КМ задач планирования, сформулированы особенности этих сложных, трудоемких проблем, требующих применения методов системного анализа для понимания и методов гибкого, адаптивного агрегирования - дезагрегирования решений однородных подзадач при разработке функциональных ГИИС.

В четвертой главе «Модели инструментариев в технологии ГИИС» рассматриваются онтология методов моделирования, схемы ролевых КМ методов моделирования, модели базовых автономных методов РЭ-технологии, понятия интегрированных методов и моделей, модели взаимодействия проблемной среды и инструментариев.

Для исследования понятия «метод» и отношений «метод-свойства», «метод-метод» построена онтология мира методов моделирования за период 1961-2000 гг., один из разделов которой - «Методы формализованного представления» - развит в диссертации, для чего предаю-

жены три основания классификации: 1) модель; 2) язык ее описания и 3) процедура обучения и (или) получения решений на модели. Применение первых двух оснований к методам формализованного представления разбивает их на классы: аналитических, статистических, символьных, коннекционистских и эволюционных. Третье основание определяет многообразие методов. Данная классификация - основа исследования сильных и слабых сторон методов по отношению к миру задач, эволюционных процессов в мире методов, вследствие которых метод-сущность может быть модифицирован или изменен настолько, что превратится в качественно новый объект. Для отображения таких процессов необходимо представлять сущности на макро- и микроуровнях. В диссертации для макроуровневых описаний вводится схема ролевых КМ метода т° (или ®от"), как ресурса решения задач (рис. 5):

т" = "Л" Го X "К гХ ° '-Х0 2Х ° 12Л" *Х ° X пЯ" X ° о 'Х° 'V Х° "Я" V ° IV0 12Л" 2СГ,

Метод

Рис. 5. Представление метода

(4.1)

где классификатор;

22Х°2с2Х° - модель; 2Х03с2Х°- язык описания; 3Х°с3Х°- процедура получения решения; с3^0 - процедура обучения; 2Оп - спецификатор, т.е. схема ролевых КМ, определяющая погрешность решения, гибридные возможности, преимущества и недостатки; "Л",12Л",13Л" - отношения определения; "Я" - отношения предназначения.

Отношения схем КМ модели, языка описания и процедуры задают схему КМ метода т° (или 9т°) на микроуровне (рис. 5):

т" = "Я," ТГо2/:" "Л" 2Кт^Кт "Л" 3/Го

о1** ,2л" гкт°'кт "Л" >кт°2к* "л" Зл:т,

где 'ЛГ*, 2Кт?Кт - схемы ролевых КМ модели, языка и процедуры, соответственно.

Схемы (4.1), (4.2) специфицируют метод, ограничивая нишу в популяции методов, характеризуемую прежде всего т". Если речь идет о выборе метода решения задачи и ограничения (4.1), не устраивают разработчика, то он вынужден искать инструмент за пределами ниши. Продолжая поиск в другой, третьей и т.д. нишах, он, возможно, и достигнет желаемого компромисса «ограничения - адекватность», однако для ж", с изменчивыми составом и структурой, нет релевантных ниш, а метод ее решения должен быть получен конструированием над совокупностью ниш, т.е. над ГМП. Решение г'еП* моделируется в конкретной нише. Поэтому ее методы названы автономными методами разработки и применения автономных моделей т°, алгоритмов а", программ р", в совокупности формирующих мир автономных методов (рис. 6,а).

(4.2)

В языке ¿"(рис. 8), как подмножестве ЯКМ, по схемам (4.1) и (4.2) могут быть сконструированы знаки 9х" |" е9Х" |я , где 9А" |" - множество знаков автономных методов.

а>- б)_

Мир однородных и

неолно^одньг^ада^Д^^^^

Мир автономных и интегрированных

.п/т'т' методов(" )

Рис. 6. Взаимосвязи миров задач и методов моделирования В диссертации обоснован выбор базовой совокупности классов автономных методов РБ-технологии: для аналитических вычислений - алгебраические и дифференциальные уравнения, для нейровычислений - ИНС прямого распространения сигнала и карты Кохонена, для нечетких вычислений - машины Матс1ап1 и Та1вд-8и£епо, для эволюционных вычислений - классические ГА с турнирной селекцией и Парето ГА с нишами, для статистических вычислений -метод Монте-Карло, для логических рассуждений - продукционные ЭС. Проанализированы и систематизированы преимущества и недостатки каждого базового класса методов, построены БД «метод-задачи», БЗ для консультаций разработчика ГИИС по выбору базового класса методов решения я*, КМ и модели вычислений, сделан вывод, что базовая совокупность отображает широкий спектр вербализованных знаний субъекта управления. Это прежде всего формализованные знания: «аналитические» (Ап -знания) на детерминированных переменных в классическом математическом анализе, математическом программировании, теориях игр, расписаний и др.; «статистические» (Й -знания) - отображающие свойства и поведение системы стохастическими переменными, закономерностями математической статистики, ИСМ и др.; «логические» (.£#-знания) в теоретико-множественных представлениях, допускающих переменные-отношения. Такие знания - основа, фундамент решения задач. Их сознательное и точное применение субъектом исключает абсолютный произвол и необоснованную фантазию. Частично формализованные знания можно выделить, переходя к методам дискретной математики, математической лингвистики, системного анализа: «лингвистические» {Ы -знания), для решения задач в условиях дефицита Ап -, & -, и Lg - знаний, например, методы ЭС и НС, а также «генетические знания» (йе -знания), применяемые в ГА. Используя понятия Ап-, 5/ -, 1.% -, Ы -к Се - знаний, в диссертации построены и исследованы две модели взаимодействия миров задач и методов моделирования, формирующие модель внешнего мира в РБ - технологии. Графически первая модель - , характерная для 70 - 80 гг., дана на рис. 6,а. В плоскости IV"' окружностями показаны множества методов, моделей, алгоритмов и программ работы с Ап-,

Ы - и Се-знаниями на . Петлями обозначены

R"\y/,<р = {An,St, Lg,Li,Ge}, у/ = <р отношения получения новых знаний в автономных нишах. Два мира W''=П* и W' = <%S,XVIS ,VVR" >, где Z = {""Х/'Х/^Х,'7'!}; S = {5,,S2,S})для модели m,s и S = {S^S^S^S^ для модели т5г; Ч?" сZxS-всюду определенное, сюрьективное соответствие, в случае т^- модели взаимнооднозначное; R" = {^"R" J^R'^R" ; mR" : "X-VX^p, связаны отношениями соответст-

вия задачи я4и метода ее решения да".

Вторая модель jy*','m'm' (рИС. 6,6), характерная для 90-х гг., предполагает, что в проблемной среде Е" (3.4) существует более чем одна л" и на множестве таких задач можно определить множество отношений:

Wn=< П",88А5">, (4.3)

где Wn - модель структуры мира задач; П" = {л",...,л"Ып} - непустое множество задач л" ;UR" - множество отношений причина-следствие на П". Тогда W'"" = < W*', Wn >.

В ответ на редукцию я" из W"'"", в 1Ут'™' образуются структуры знаний за рамками т". Интеграция в этом случае означает возникновение отношений = {An,St,Lg,Li,Ge),у ф (р (на рис. 6,6 обозначены жирными линиями) между разнородными знаниями, и формирование - т',т',а',р', интерпретирующих такие отношения. Таким образом, в W"'1"' нет заранее известной структуры знаний релевантной я". Такая структура является искомой и строится в PS-технологии. В диссертации предложена классификация отношений и сформулирована модель W"'" :

W*'m' = < w' *rR,r?R" >. (4-4)

Чтобы задать взаимодействие W" '"и W" , а также построить \у">""т°т', введены процедуры подбора альтернативных шгструментариев для решения /г* е П* и спецификации областей релевантности модели, работающие с ГМП.

Актуальность первой процедуры объясняется альтернативностью инструментариев решения одной и той же я-* еП* и влияет на выбор 9С*. Для поддержки процедуры обобщены методы Поспелова, Ирикова (1976); Lobo, Goldberg (1996); Stein, Curatolo (1998), опыт, накопленный в мировой научной, инженерно - конструкторской практике и на рынке специального программного обеспечения. Все это позволило обойти проблематику алгоритмов выбора и заменить их системой с БЗ, т.е. применить «проектирование с использованием знаний», для чего опыт экспертов представлен правилами «условие - действие», где условие - образец знака в L\ (3.2) , а действие - отнесение знака к одному или нескольким из шести базовых классов автономных методов. В диссертации построена и протестирована система с БЗ (214 продукций) -КВШ, решающая задачу классификации. На вход поступают знаки , а выход - множество из Л^пар «задача - методы» я* = 1,...,6, идентифицирующих один или несколько классов базовых методов релевантных свойствам itk еП".

Актуальность второй процедуры объясняется тем, что на выбор альтернативной модели влияют изменения значений параметров внешней среды и флюктуации свойств ресурсов из описания состояния ОУ, т.е. 6Gh и 2 £)' (3.1), названные существенными, а множества их значений - областями релевантности моделей. Пусть имеется релевантное л* множество моделей

(т°), язык описания состояния ОУ и группа экспертов, располагающих знаниями для спецификации областей релевантности. Требуется выделить на множестве значений 4-У0сдЛг0свойств в 2Ar0ciAr0 из описания ситуаций (состояний) в ОУ с учетом воздействий внешней среды, = ,4х°м_ ]s4X°x4X0|4^ /j^ е4Х V = - интервалы значе-

ний свойств 2х°е2Х0, релевантные ограничениям /я". В результате, формируется множество из Nm пар «модель - интервалы» т, .....}, где = vary - количество интервалов в области релевантности модели. Тогда может быть построена система с БЗ - KB"", на вход которой подаются ситуации (состояния) в ОУ с учетом воздействия внешней среды, а на выходе идентифицируется область релевантности и соответствующая ей модель.

В итоге может быть определена модель w"k""m'm':

= < w'"*" .W"'"' ,у¥т^,'^*',КВ'я,КВ'а >, (4.5)

где соответствие, задающее множество пар «задача-методы» {л-/1 {т^,...,^ }

для Уя-'еП*; Ч/Лг- соответствие, задающее {m,С*4*',...,44Xyi},...,mN_{J4x,v"}}- множество пар «модель - интервалы» по каждой из Nm моделей.

Модель (4.5) объясняет неудачные попытки моделирования сложных практических задач. В этих попытках «вырезаются» отдельные части из я", имитируемые автономным методом. Такие упрощенные модели я", когда не учтена структура задачи, а точнее не решена исходная я", после «успешных» лабораторных испытаний идут в практику без перспектив использования. Наконец, (4.5) обладает гибкостью, открыта для модификации. В нее включены знания «задача-методы» и «метод-интервалы», что делает (4.5) мощным эвристическим средством разработки функциональных ГИИС для решения неоднородных задач.

В пятой главе «Моделирование функциональных ГИИС в PS-технологии» рассматриваются модели элементов ГИИС, схемы ролевых КМ ГИИС для крупно- и мелкозернистых элементов, гибридные стратегии, язык концептуального моделирования функциональных ГИИС, метод моделирования гибридных стратегий, принципы разработки ГИИС.

Элементы ГИИС - методы, модели, алгоритмы, программы из базовых классов. Элемент (компонента) - ресурс функциональных ГИИС для моделирования решения я*. Элементы анe А*|j = 1,...,6; со = 1.....Nh, для аналитических (/=1), нейро (2), нечетких (3), эволюционных (4), статистических (5) вычислений, соответственно и логических рассуждений (6), имитирующие решение однородных задач i" еП*, названы функциональными. В ГИИС включаются и технологические компоненты a'\'j е Ar|y = 1,...,б;/ = l,...,iVr для управления и (или) обмена информацией на элементах a*6 А*. Элемент построен в соответствии с автономным методом т° (рис. 7). Отношения'Х0 "R" 3Х° раскрывают методологический аспект элемента: конструирование, тестирование, имитацию решения кк и эксплуатацию. Отношения

Рис. 7. Схема ролевых КМ элементов ГИИС (крупное зерно)

'А-0 "Я" 9х°, 'Х° "Л" специфицируют элементы-методы и элементы-модели, соответственно. Отношения 'Х° 19Я" т", 1Х° >9Я" т°|19Д\|9Л"д|9Д" детализируют элемент через (4.1) или (4.2). Отношения 'Х° 12 Я" 2Х° специфицируют свойства элемента: «вход»- 2х", «выход» - 2 ¡2 и «состояние» - 2х"} относительно модельного времени ! еТ. Через вход и выход элементы получают исходную информацию 2£>* и выдают результаты для решения кн, соответственно. Свойство «состояние» фиксирует параметры и характеристики процесса решения, определяемого моделью вычислений. Представление элементов свойствами 2х" названо крупнозернистым описанием в (рис. 8):

«А(0|,-= '-Г0 >9Я" "т'о'Х0 12/Г 2х^1Х" 12Я" 2х"2о2х?(1) 22Л," 2*2" (ф = 2,3, (5.1)

или

а*(0|,= 'X' "Я" "т'^Х" "Я" 2х^'Х° 12Я" 2х"о1Х° пЯ" 2х3" о

%"(()о2х;о) 22я; 2*2"(ф=1,4Дб,

где22Я".....22Я1~ отношения «вход-выход», «состояние-состояние», «вход-состояние» и «состояние-выход», соответственно.

В отличие от а*(0|2 и а*(/)|3 для «*(/)],,<2*(/)[4,сг(/)л156 наблюдаемо и интерпретируемо в ОУ их состояние и поведение, что информативно для решения лн.

Представление элементов схемами ролевых КМ и моделями вычислений названо мелкозернистым описания элементов в (рис. 8). Например, для нейровычислений

а*(/)|, = "Я" 9т:\Т'охХ" "Я" 1К"12Я" 2К"°>Ха иЯ" =

(5 3)

"я" гк?°2кт 22я; 2кто2к? 23я" }кя°'к? "я" гц, '

где т°\Те-КМ, построенная по схеме т°; гК"',3К2 - схемы ролевых КМ процедуры обучения и интерпретатора нейросети, соответственно; 2К" - схема ролевых КМ декларативных описаний для нейровычислений; пЯ" ,,2Я""Я" ,'9Я" - отношения определения;22Я" - отношения включения; "Я" - отношения декларативных описаний и процедур.

В диссертации построена схема ролевых КМ ГИИС для крупнозернистого описания элементов. Синтез ГИИС (а"), имеющей вход, выход и состояние, из элементов ан 6 А*и а' е А', выполнен для модели }у(4.5). Вход 2х" - это исходные данные 2О" задачи гг", передаваемые на вход одной или нескольких ан (или а'), в соответствии с я", Состояние гибрида а" в момент времени / - вектор 2х" = (2х": ,2х"г ), где 253" =({2Зс3°|1},{2х3"|5},{гдс3"|5},{2Зс;|5}), 2л:3"|",й> = 1,3,5,6;у =1,...,Д'4 -состояние ] -го элемента из <2>-го базового класса методов; 2х^ - псевдосостояние элементов с нейро- (о =2) и нечеткими вычислениями (<а=3) вычислениями; - состояние элементов из А'. Тогда схема КМ для спецификации в (рис. 8) крупнозернистых ГИИС, функционирующих в неоднородном пространстве состояний, имеет вид:

а"(0 = 1Х° "Г 9т,о1Хй иЯ" 2х?°]Х° пК" 2хп2о'Х° иЯп 2хп} о

°2*з"(0 12К 2ж,"0 + 1)°2*Г(0 Ч" 2х;(1)о2х;(1) 22й8" 2*2"(0° (5.4)

°1Х" "Л" 'Хп02^ 22Щ 2Х,"°2Х2" 2%"0 2х2",

ЗНАКИ гибридных стратегий

6Ве = {%е\

Язык 10-го Язык 9-го

ЗНАКИ

функциональных ГИИС / [ s S ah \ i ll

крупнозернистых мелкозернистых / А (А vi ¿5 > ^ >® (0'а (0)=\х (')[ >х (0| )

ЗНАКИ элементов ПИ 1С /крупнозернистых мелкозернистых,

/,Х"\<Л = {'х"\'*\ ,А;"|'й={|х"|'й} ЗНАКИ

/неоднородных автономных задач методов

Ч'|* ={У|'} 'ДГ-.1У}у

ЗНАКИ однородных задач 'Л" = (У|

ЗНАКИ ситуаций

Z = {z}

ЗНАКИ структур

пространственной производственнойу

'Л = {'•«} 3Ä = {'iil

ресурсов ЗНАКИ Свойст<

иерархии ■ 2 я

Л = \ X

действий

!л~=М

ресурсов ЗНАКИ свойств

ЗНАКИ производных отношений WR" = |

СЛОВАРИ

К°

гО

Язык 8-го

Язык 7-гоуровня

Язык 6-го уровня 1"6{Ц.....1*?Х\жХ\,Х\йя,я>)^хГ\*\

Язык 5-го уровня

Язык 4-го

[?Л[Х°,Х\\™Е"У\,СН1)= {'я/}

Язык 3-го

Язык 2 -го уровня

Ls2[xarR'\\CHs2 )={'*}

Язык 1-го уровня

WD»h VH>D*\i

Обозначения: " - определения; к

включения;

где (J= 3) - временные, (/=4)

пространственные и (/=6) причинно-следственные Рис.8. Иерархия языка концептуального моделирования функциональных ГИИС где 'X" с/"- множество знаков ЯКМ min из двух элементов, построенных по (5.1), (5.2);

2Х"2Х2- множества свойств «вход» и «выход» элементов из 'X", соответственно;

пЦ,пЩ,22Ц - отношения функционирования ГИИС; "Л"- отношения интеграции элементов из 'X"-, 22Щ,22Я"0 - отношения «входа» ГИИС и «входов» элементов, «выходов» элементов и «выхода» ГИИС, соответственно.

Для спецификации мелкозернистых ГИИС, как знаков в ¿"{рис. 8) в РБ-технологии, предложена следующая схема:

а" =а"о'х' "Я" 'Х"-'оЛ"-> "М- (5.5)

где 1Х"~1- множество элементов-зерен для конструирования а" е А" и йг е А'; "Я"- отношения включения зерен из 'Х"~' в знак 'х" ГИИС; "к" - отношения интеграции.

В диссертации, в Ьь'0 (рис. 8), получены формализмы функционирования ГИИС, названного гибридным имитационным процессом. Каждый элемент ак изменяет только свою компоненту вектора состояния 2х"(0. В некоторый момент I, определяемый а' или совпадающий с завершением работы а*, однородное функционирование текущей ан прерывается и а* переходит в состояние, определяемое уже другим элементом. В момент Ха, устанавливаемый а' или в соответствии с л" е П", выдается результат 6С решения задачи. Концептуальные модели функционирования ГИИС названы гибридными стратегиями, поддерживаемыми в крупнозернистых ГИИС стандартными интерпретаторами моделей из ГМП.

Поскольку для имитации функционирования мелкозернистых ГИИС необходимы специальные интерпретаторы, в диссертации предложен метод моделирования гибридных стратегий для сконструированной динамической, семантической сети в метафоре конвейера. Ее суть состоит в том, что миры измерений, ресурсов, свойств и процессов, состояний и поведения, решений (рис. 3) представляются как неоднородная проблемная среда Е" (3.4) ограниченным набором выразительных средств: динамических объектов (курьеров), статических объектов (блоков) и связей. Этими средствами и конструируется сеть. Ее интерпретация рассматривается как гибридный имитационный процесс, в ходе которого собирается информация для решения неоднородной задачи.

Языки КМ, знаки которых построены по схемам ролевых КМ производных отношений, ресурсов, свойств, действий, их иерархий, структур, ситуаций, а также (3.1), (3.3), (4.1), (4.2), (5.1) - (5.5), упорядочены в иерархию ЯКМ функциональных ГИИС (рис. 8):

Язык Ъяш - это инструмент не только системного анализа предметной области, проблемной среды, неоднородных задач, автономных методов, но и синтеза моделей-систем и методов-систем, за рамками ограничений классов методов из автономного базиса. При этом как анализ, так и синтез основываются на концептуально полной для структурирования внешнего мира тетраде «ресурс - свойство - действие - отношение» (рис. 2).

В диссертации сформулированы 10 принципов, вместе со схемами КМ, моделями

, \¥т" и (4.2) - (4.5), составляющие основу методологии и Р8-технологии функциональных ГИИС.

В шестой главе «Системный анализ неоднородной задачи в Рв-технологии» рассматриваются определение, структура и содержание проблемно-структурной методологии, включая ме-

Обозначения'. 1 - идентификация неоднородной задачи; 2 - редукция неоднородной задачи; 3 - спецификация однородных задач; 4 - выбор автономных методов; 5 - проверка неоднородности; 6 - разработка автономных моделей; 7 - спецификация областей релевантности моделей; 8 - спецификация связей неоднородных задач; 9 - разработка интерфейсов автономных моделей, 10 - разработка таблицы гибридных стратегий; 11 - выбор стратегии из таблицы; 12 - инициализация ГИИС по выбранной стратегии (синтез метода решения неоднородной задачи); 13 - машинные эксперименты и интерпретация результатов; 14 -формирование множества альтернатив; 15 - совершенствование множества альтернатив и анализ результатов; 16 - эксплуатация и модернизация

Рис. 9. Проблемно-структурная методология разработки функциональных

ГИИС

тодологии разработки автономных моделей, методы редукции неоднородных задач, метод и алгоритм выбора класса базовых автономных методов для разработки элементов ГИИС.

Методология разработки функциональных ГИИС сочетает системный анализ неоднородной задачи с синтезом метода ее решения путем подбора структуры ГИИС, релевантной составу, структуре и свойствам к". Такая методология и поддерживающая ее технология названы «проблемно-структурными» или кратко PS (от англ. "Problem" и "Structure").

Проблемно-структурная методология - учение о структуре, логической организации, методах и средствах деятельности разработчика, выполняющего гибридизацию, объект-орипшал которой - это неоднородная задача, объекты-прототипы - классы базовых автономных методов, а объект-результат - функциональные ГИИС. Логическая организация PS-методологии изображена на рис. 9, а содержание кратко рассмотрено ниже: 1) в соответствии с (3.3), определяется цель, исходные данные для решения л", ее идентификатор и спецификатор; 2) продолжается системный анализ тг" и синтез модели мира задач IV"'*" (4.5), однако акценты смещаются на состав и структуру л". Исходная к" редуцируется на множество лн еП" и строятся ее декомпозиции; 3) каждая l'en" идентифицируется по (3.1); 4) задача л* еП" отображается в L\ методом интервью с разработчиком. После этого система с БЗ - КВт (4.5) рассчитывает бальные оценки отнесения я" е П* к классам базовых методов; 5) заключение о неоднородности я"делает разработчик по бальным оценкам. Если V;r* еП* оценки в пользу одного и того же класса методов близки друг к другу, то выдвигается гипотеза гомогенности и автономного моделирования. Если же в я" обнаружены неоднородности, то необходима гибридизация; 6) продолжается разработка W" (4.5), а именно - IV"". Этап может выполняться и после этапа 8; 7) определяются отношения *HR" на П" в IV" (4.3); 8) на этом этапе по методологиям и технологиям автономного моделирования создается ГМП; 9) настраиваются утилиты из состава инструментальных средств PS-технологии, резко сокращающие трудозатраты на кодирование межпрограммного обмена; 10) отношения декомпозиции ИЛ3" (3.3) заменяются отношениями

ТК" (4.4), устанавливаются отношения 88Д4" (3.3). Результат - таблица гибридных стратегий (ТГС), отображающая перечисленные выше связи Уя* еП"; 11) экспертом или программно, генератором случайных чисел выбирается стратегия из ТГС для последующего синтеза ГИИС, что отражает ситуацию, когда я" имеет изменчивые состав и структуру и решается всякий раз заново; 12) в диалоге с пользователем по оригинальному алгоритму (см. ниже), инициализируется архитектура ГИИС, интерпретация которой рассматривается как метод решения задачи я"; 13) в определенном декомпозицией я" порядке имитируется решение Уяк еП'ив соответствии с %гЩ для целей 6С задачи я" и целей 'в* задач из П* получается результирующая информация; 14) сгенерированное на этапе 13 решение заносится в множество альтернатив; 15) альтернативы рассматриваются как популяция индивидуумов, совершенствуемая ГА. После принятия решения спецификатор я" пополняется 3Х", а по окончании операции - оценкой ее результатов 7 О" и оценками результатов еП*; 16) поддержка ГМП, БД и БЗ элементов ГИИС в актуальном состоянии при изменениях в одном из элементов.

Поскольку методология функциональных ГИИС, построенных на интегрируемых в программную систему элементах, должна основываться на методологиях разработки моделей из ГМП, в диссертации представлены жизненными циклами и исследованы методологии разработки корректных, эффективных автономных моделей для базовых классов методов. Определены понятия однородного и неоднородного моделирования.

Рв-методология имеет следующие основные свойства: 1) применение неоднородных по составу, структуре и свойствам моделей к практическим задачам, всесторонне и глубоко изучаемых методами системного анализа, а также основанного на знаниях, метода подбора автономных инструментариев для решения я* е П*; 2) широкое использование схем ролевых КМ, направляющих деятельность разработчика, чтобы избежать ошибок при разработке ГИИС; 3) плюрализм, выражающийся в создании для я" ГМП, над которым строится метод решения я"; 4) применение оригинального алгоритма конструирования ГИИС, включающего процедуру выбора моделей из ГМП по областям релевантности.

Особое внимание в диссертации уделено редукции я", для чего обобщены методы редукции сложности задач Декарта, Данцига-Вулфа (1960), Бендерса (1962), Розена (1967), Месаро-вича и др. (1974), Нильсона (1973), Уэно и Исудзука (1989), Перегудова и Темникова (1989) и развит новый класс методов редукции неоднородных задач: по фазам управления, по информационно-управляющим отношениям, по стратам, смешанной редукции. Методы редукции ранжированы для гибкого сочетания достоинства различных методов - резкого, эвристического сокращения размерности области допустимых решений на первых этапах анализа неоднородных задач с формальными логическими приемами анализа на последующих этапах, где уже накоплены фундаментальные поисковые знания в символьных системах и аналитических моделях.

Поскольку ориентация на получение аналитических зависимостей, отображающих спецификацию однородной задачи на множество классов методов в автономном базисе ГИИС в настоящее время проблематична, в диссертации предложен метод, основанный на знаниях автоматизированного выбора класса автономных методов для решения однородной задачи. Тести-

Декомпозиция Ц"

Р % \ «Г.....

У/Г(Г///11ГГГ(1//"/А ^-------"---------^

Гетерогенное модельное поле М°

рование базы знаний КВ"" (4.5) показало, что система работает на уровне эксперта-разработчика и чувствительная к ошибкам пользователя.

В седьмой главе «Методы синтеза ГИИС в РБ-технологии» рассмотрен синтез метода решения неоднородных задач для декомпозиций типа «дерево» и «сеть», язык и методология конвейерного моделирования мелкозернистых функциональных ГИИС, свойства проблемно-структурной методологии.

Конструирование метода решения л" рассматривается как итерационный процесс связывания отношениями интеграции "Я" (4,4) моделей из ГМП и интерпретации интегрированной модели по стратегии из ТГС. В диссертации сформулированы две задачи разработки ГИИС, релевантной л". Ниже рассмотрена постановка и укрупненное решение одной из них.

Пусть для л"(рис.

10) задана декомпозиция я" = (П*,88г3")|88г>" е 88Л, в виде дерева, ГМП М°, ТГС для л", которые каждой тройке л* 88г3" лн; е я" \у,д = , у*д взаимнооднозначно сопоставляют множество (однозначное) отношений интеграции {"г"}|"Я" <= "Д", т.е. л) !8/-3" л* <-» {"г"}, множества отношений 88Д4" (3.3), интерпретаторов автономных моделей из ГМП и межмодельных интерфейсов {"/>"}. Требуется найти список ¿5™из троек (т* мг"|*/и'), где

х,у = 1.....Nm, причем каждой модели т"сопоставлен интерпретатор автономной модели, а

каждому отношению интеграции "г"|* -интерфейсы "р"^ и (или) .

Для решения задач разработаны соответствующие методы и алгоритмы. Суть одного из них изображена на рис. 11. Алгоритм пробегает дерево декомпозиции от листьев к корню и рассматривает множества пар вершин, одна из которых - лист. Для каждой пары инициализируется матрица е ■ На очередном шаге для выбранной матрицы с использованием ТГС активируются элементы в Е'у, для которых между т* и т* есть отношение"г" (на рис. 11 это показано перечеркиванием клетки элемента матрицы ). Далее, модель т°, соответствующая строке, обрабатывается по модели оценки релевантности, и бальная оценка заносится в знаменатель*^ дроби-элемента матрицы. Затем моделируются решения л* на каждой из {т°} и значения выходов т° поступают на входы т'а. Используя ЭС или НС, вычисляются оценки моделей задачи ,т*, и заносятся в числители дробей-элементов е'а. По формуле:

Обозначения:

- отношения Л"(3.3); -►-отношения Л" (3.3)

Рис. 10. Декомпозиция неоднородной задачи и гетерогенное модельное поле

выбирается релевантная (г) пара моделей (т* пг"|£ тну и она заносится в список . Далее шаги повторяются.

Е'

EÍ «i0 т°г

< а7\

т'2 о^Ч

ml оК,

ТГС

ЭС или НС

Е'

EÍ m? m\

<

ml \0.7 0.5\ \fl.9 0.6\

ml

J1¡.'4 (Лг Г 7Сд)

ЭС

или

НС

Б'

в; «¿.в m, ml

4 6.J

).7\

S 07] NO.9

m2 u\4 oft

m3 ).8\

Lsm ... 0*J V 2 2 Щ) i Г ...

Обозначения: Е^ - матрица «модель-модель», строки которой соответствуют моделям Я'*, а столбцы моделям тг* ; Е'- множество матриц Е^ для множества троек {(;г* 8V3" 8ít*)} из ir", обрабатываемых на текущем шаге алгоритма

Рис. 11. Фрагмент алгоритма конструирования ГИИС

Для мелкозернистой гибридизации в PS-технологии используется язык и система моделирования визуальных событий - Visual Event 2.0. Методология мелкозернитсых функциональных ГИИС -при поддержке VE предполагает последовательное, итерационное выполнение 10 этапов разработки модели в метафоре конвейера, ее интерпретация и сбора данных для решения к".

В диссертации рассмотрены свойства и преимущества PS-технологии, не быстрого, но верного средства решения практических задач. Это технология, когда разработанное накапливается для улучшения качества Познания окружающего мира. Это адаптивная технология, которая не заведет в тупик ограничений какого-либо метода моделирования, а даст возможность управлять плюсами и сглаживать минусы автономных методов, строить интеллектуальные системы с широкими выразительными возможностями и силой гибких алгоритмов вывода, подстраивающихся к неоднородностям, характерным для практических задач. Целенаправленное, осознанное и регулярное применение PS-технологии создает условия для преобразования накапливаемых эвристических знаний в новые, еще не открытые аналитические закономерности.

В восьмой главе «Инструментальные средства поддержки PS-технологии» рассматривается семейство программных продуктов, включающее инструментальные среды разработки ГИИС: ИС ГИМЕНЕЙ, VE 2.0 и КОНЦЕПТ 1.0, а также инструментальные среды и пакеты программ СИГМА ТУ, АГРО, SENSOR.

В соответствии с PS-методологией разработана технология, детализирующая последовательность этапов жизненного цикла ГИИС, уточняющая вход, выход и содержание каждой работы, представление информации по этапам. Для поддержки технологии разработано семейство

программных продуктов (рис. 12) общим объемом 41, 8 MB. Инструментальная среда ГИМЕНЕЙ (7,6 MB) в составе трех подсистем: «МЕТОДОЛОГИЯ», «АНАЛИЗ» (поддержка этапов 1 - 5 на рис. 9) и «СИНТЕЗ» (6, 8 -10, 12,13) автоматизирует разработку крупнозернистых функциональных ГИИС. Работу с концептами, конструктами, схемами и ролевыми КМ в ИС ГИМЕНЕЙ обеспечивает система КОНЦЕПТ 1.0 (3 MB). Система VE 2.0 (3,5 MB) поддерживает технологию разработки мелкозернистых ГИИС, а программа GENETIC ENGINE 2.0 используется самостоятельно и в составе ИС ГИМЕНЕЙ, ИС SENSOR для работы с ГА.

Рис. 12. Семейство программных продуктов поддержки РЭ-технологии разработки функциональных ГИИС

Пакет программ СИГМА ТУ (2,7 МВ) проблемно-ориентирован на решение задачи сменно-суточного планирования производственного процесса в ТУ, автоматизирует разработку в Рв-технологии функциональных ГИИС и реализует трехмодельную систему, включающую аналитическую ОГ*|,5, статистическую СС^*, символьную ак\[ компоненты, межмодельный интерфейс и семантическую память. Функционирование системы - это 10-ти этапная итерационная процедура разработки ГИИС и решения я". После подготовки описания состояния и плана на языке «"|^ они переводятся на язык ИСМ в ог'^'4, из типовых блоков автоматически формируется и интерпретируется йРЗБ-программа, рассчитываются оценки качества работы ТУ по выполнению плана. Альтернативы исследуется в а4|'.

Пакет программ АГРО (15 МВ) проблемно-ориентирован на решение в РЭ - технологии задачи планирования агротехмероприятий в БПС. Графический интерфейс пользователя отображает декомпозицию я", поддерживает анимационные эффекты и итерационное выполнение процедур управления БПС. С помощью технологических подсистем анализируется я", разрабатывается ГМП, специфицируются области релевантности моделей и синтезируются варианты ГИИС для решения л". Посредством функциональных подсистем анализируются состояния

агроэкосистем по фазам развития с/х культур, разрабатываются и моделируются на ГИИС варианты агротехмероприятий, рассчитываются технико-экономические показатели агрофирмы на будущий год. Интерфейсы {"/>"} используют технологию DDE.

SENSOR (10 MB) - инструментальная среда разработки приложений ГИИС выбора трех классов ИППП судовой автоматики: уровня, температуры и давления. Система состоит их нескольких взаимодействующих блоков. Редактор S-FormEditor применяется разработчиком, создающим SENSOR- приложение как набор экранных форм, комбинируемых из визуальных объектов управления, обозначающих судовое оборудование и элементы систем автоматики. Блок SENSOR-DataBase позволяет манипулировать данными проектов судов, технических условий на выбор ИППП и фирм-производителей сенсоров. Блок S-Expert работает с т°\2 (см. ниже), и пользователь, специфицируя технические условия, может гибко манипулировать мощностью множества генерируемых ЭС альтернатив. Блок S-Genetic применяет ГА для анализа альтернатив и помогает исследовать полученноке ЭС пространство поиска. Блок S-Fuzzy решает задачу поиска аналога, а блок S-Neuro работает с т"\2 . Интерфейсы настраиваются на состав и объем передаваемой информации и ориентированы на структуры данных KAPPA-PC, MatLab 5.2 и DBD Delphi 4.0. Интерфейсы с КАРРА-РС используют DDE, а с MatLab - технологию СОМ.

В девятой главе «Исследование PS-технологии на неоднородных задачах планирования и проектирования» рассматриваются результаты применения PS-технологии к задачам сменно-суточного планирования (ССП) производственного процесса в ТУ (ЗССП), планирования пропускной способности ТУ, планирования урожаев и агротехмероприятий в БПС (ЗПУМ) и выбора ИППП систем судовой автоматики.

Задача ЗССП для динамичного техпроцесса, управляемого диспетчерами в условиях за-шумленных и нечетких данных, неопределенности, многокритериальности была идентифицирована и редуцирована. Спецификация г'еП1 и проверка на неоднородность показали, что подзадачи существенно различаются и требуют применения символьных методов, ИСМ и аналитических моделей. Над ГМП в ходе экспериментов синтезировались и исследовались ГИИС с помощью ПП СИГМА ТУ. Сопоставление временных характеристик жизненного цикла PS-технологии показало, что ПП СИГМА ТУ более чем в 20 раз снижает затраты времени на разработку ГИИС, выработку, оценку и выбор альтернатив по сравнению с работой вручную, и в 6 -10 раз - по сравнению с однородным символьным моделированием.

В диссертации в PS-технологии сформулирована и решена задача планирования пропускной способности ТУ. При этом оценивалось качество проектируемых ГИИС и эффективность программирования ГИИС на VE 2.0. Для решения задачи в метафоре конвейера построено и экспериментально исследовано несколько вариантов ГИИС с использованием библиотеки блоков, достаточной для разработки ГИИС на ГМП из аналитических, статистических и символьных моделей. Наблюдения за анимацией поведения порта и анализ собираемой в ходе имитации информации экспертами показали, что ГИИС релевантно моделирует функционирование ТУ. PS-технология при поддержке VE 2.0 почти в три раза эффективнее систем типа Delphi 5.0.

В диссертации в PS-технологии была сформулирована и решена задача планирования урожаев и агротехмероприятий в БПС, что актуально из-за большой ошибки прогнозов, достигающей по Калининградской области 40 % от урожая. В соответствии с PS-технологией задача

была идентифицирована, редуцирована на девять подзадач, распределенных по трем стратам, построены и исследованы ее декомпозиции. Все задачи я'еП" были специфицированы и выбраны релевантные им автономные методы. Проверка также показала существенную неоднородность данных и знаний, необходимых для решения ЗПУМ, поэтому разработанное ГМП насчитывает 19 моделей для озимой пшеницы и ржи, ярового ячменя и картофеля, в том числе 10 аналитических моделей энерго- и массообмена в среде обитания растений и агроэкологических связей. Для прогнозирования урожайности с/х культур разработаны четыре нейронечеткие системы (35-45 правил, ошибка обучения 0,5 - 0,8). Для прогнозирования состояния пигментного комплекса озимой пшеницы обучена двухслойная ИНС. Для прогнозирования структуры урожая создано четыре продукционные ЭС с БЗ из 310 правил. Для разработки ГИИС на ГМП выделено семь областей релевантности, распознаваемых ЭС с БЗ по 7 -14 продукций в каждой.

В ПП АГРО синтезировано и исследовано семь ГИИС на примере ООО им. Ладушкина. Качество т° е М"оценивалось по относительной средней погрешности и коэффициенту несовпадения Тейла. Качество ГИИС определялась с учетом и без учета моделей оценки релевантности. В среднем по 60 экспериментам с данными за 12 лет ошибка прогноза по ГИИС, разработанным по PS-технологии, составила менее двух ц/га по всем четырем культурам, т.е. 5 - 10 % от урожая. Точность прогноза с использованием ГИИС возрастает по мере перехода к почвам с низкой окультуренностью и ожидаемой плохой погоде, где ГИИС дают ошибку в три раза меньшую, чем автономные модели. Опытная эксплуатация показала также, что ПП АГРО в четыре раза сокращает время выработки, оценки и выбора решений.

В диссертации в PS-технологии сформулирована и решена задача выбора ИППП для систем судовой автоматики. Результаты концептуального моделирования и бесед с экспертами показали, что выбор ИППП относится к неоднородным задачам. Она была редуцирована на три подзадачи: подзадача л\ (поиск аналога) - классическая для НС; к\ (генерация альтернатив ИППП на установочные позиции) - неформализованная проблема, знания для решения которой имеются у экспертов и зафиксированы в ЯПД, чему релевантны ЭС, НС и ИНС; я-* (оценка альтернатив и выбор оптимального варианта) - поисковая многокритериальная задача большой размерности, которой релевантны ГА. В ГМП разработаны и включены шесть моделей: т" J1"3 (для решения я-* - л,) - реляционные таблицы и текстовые файлы; т° (я-*) - эвристический алгоритм, сочетающий знания о иерархии судна с расчетами в HC Takagi-Sugeno и сопоставляющий элементам иерархии интервальную оценку аналогичности; (л*) - продукционная ЭС (размер БЗ - 120 продукций); т°212 (л*) использует самоорганизующиеся ИНС -карты Кохонена и резко сокращает время решения; (л\) разработана по методологии классических ГА; т°213 (л*) - ГА с турнирной селекцией и нишами, строящий и исследующий фронт Парето. ГИИС синтезировались над ГМП и интерпретировались в среде SENSOR на данных и знаниях крупнейших производителей ИППП в Европе - DANFOSS (Дания), TRAF AG, BESTA (Швейцария), AUTRONICA (Норвегия), MOBREY (Англия). При этом оценивались трудозатраты на разработку приложений ГИИС. Применение PS-технологии дает сокращение трудозатрат на разработку и эксплуатацию ГИИС при выборе ИППП приблизительно в 7,7 раза по сравнению с интегрированными средами разработки приложений типа Delphi 5.0, а качество синтезируемых ГИИС находится на уровне экспертов.

В семи приложениях приведены аналитические обзоры, классификации архитектур ГИИС, методы редукции сложности задач, результаты экспериментов и другие вспомогательные материалы, документы о практическом использовании выводов и результатов диссертации.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

Теоретические исследования, выполненные в диссертации, позволили решить научно-техническую проблему разработки функциональных ГИИС путем создания методологии и проблемно-структурной технологии, что важно для повышения эффективности разработки специального математического, программного обеспечения и улучшения качества автоматизированных систем обработки информации и управления, совершенствования методов и алгоритмов интеллектуальной поддержки при принятии управленческих решений. Получены следующие основные результаты:

1) впервые разработана неформальная аксиоматическая теория схем ролевых КМ - теоретическая основа РБ-технологии ГИИС, что позволяет формализовать, систематизировать, использовать на практике и тиражировать знания, необходимые для конструирования сложных интеллектуальных систем;

2) впервые в рамках неформальной аксиоматической теории построены схемы ролевых КМ для системного анализа сложных практических задач как неоднородных объектов, автоматизировать решение которых не удается в рамках ограничений существующих методов моделирования, и схемы ролевых КМ шести классов автономных методов для синтеза релевантной областям неоднородности интегрированной модели, как инструментария решения задачи;

3) впервые выявлены, систематизированы и учтены в схемах ролевых КМ знания о преимуществах и недостатках шести классов методов моделирования, что снижает риск срыва проектов и улучшает качество разработки функциональных ГИИС;

4) в неформальной аксиоматической теории разработаны схемы ролевых КМ, впервые позволившие формализовать и изучить крупно- и мелкозернистые функциональные ГИИС, выявить их свойства, создать метод моделирования гибридных стратегий и сформулировать принципы их разработки;

5) впервые разработана методология функциональных ГИИС, использующая знания в виде схем ролевых КМ, оригинальные методы системного анализа и редукции неоднородных задач, метод и алгоритм выбора автономных методов для построения элементов, релевантных областям неоднородности, эвристические алгоритмы синтеза ГИИС для решения практической задачи, что существенно снижает трудозатраты на разработку приложений;

6) созданные теория, модели, схемы, 10-ти уровневый язык концептуального моделирования и методология положены в основу оригинальной РБ - технологии и семейства программ общим объемом 41,8 МВ, применение которых в 3 - 7 раз сокращает время разработки и во столько же раз снижает трудозатраты на эксплуатацию функциональных ГИИС;

7) свойства и качество конструируемых по РБ-технологии функциональных ГИИС исследованы на задачах планирования и обработки информации в трех предметных областях. Для этого разработаны ГМП в рамках шести классов методов для решения задачи сменно-суточного

планирования производственного процесса в ТУ - три модели, для решения задачи планирования урожаев и агротехмероприятий - 19 моделей и выбора ИППП для систем судовой автоматики - шесть моделей, что имеет как самостоятельное значение для совершенствования качества обработки информации и управления, так и впервые позволило синтезировать и исследовать интегрированные модели. Для ТУ инструментальные средства более чем в 20 раз снизили затраты труда на подготовку и анализ сменно-суточного плана. Применение разработанных по проблемно-структурной технологии ГИИС в 4 - 8 раз уменьшает среднюю ошибку прогноза урожаев в БПС, позволяет получить 12 - 15 % дополнительной прибыли на один гектар, в 8 - 10 раз снижает затраты труда на подготовку агротехнологий;

8) результаты диссертации нашли широкое практическое применение в автоматизированных системах обработки информации и управления для Российских и зарубежных предприятий и организаций. Они использовались в АСУ флотом на промысле (г. Калининград), в системах поддержки принятия решений по планированию урожаев и агротехмероприятий для агрофирм Калининградской области, для разработки АСУ Калининградским янтарным комбинатом, при создании в ООО «BalticSoft» организацнонно-программно-технического комплекса «Управление предприятием 3.3» (РОСАПО № 980588 от 30.09.1998), а также для решения задач управления в торговой сети «Созвездие», при разработке системы с базой знаний для интеллектуальной поддержки принятия решений по выбору оборудования для систем судовой автоматики на Гданьской судоверфи (Польша) и др.

9) Методические труды автора используются в практике различных коллективов разработчиков систем управления и обработки информации, а также при чтении лекции и практических занятий со студентами Калининградского института международного бизнеса по дисциплине «Интеллектуализация информационных систем» и КГТУ по дисциплинам «Основы теории искусственного интеллекта» и «Математические основы искусственного интеллекта».

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Монографии и учебные пособия

1. Колесников A.B., Петухов O.A. Моделирование систем. - Л.: Северо-западный заочный политехнический институт, 1981. - 72 с.

2. Колесников A.B., Михлин Л.П., Настин Ю.Я., Пономарев В.Ф. Автоматизированные системы управления предприятиями рыбного хозяйства / Под ред. В.Ф. Пономарева,- М.: Легкая и пищевая промышленность, 1982. - 232 с.

3. Колесников A.B., Копейкин М.В., Петухов O.A. Машинные методы вычислений. - Л.: Северо-западный заочный политехнический институт, 1984. - 80 с.

4. Колесников A.B. Моделирование систем. Логико-лингвистические модели. - Калининград: КТИРПХ, 1988.-68 с.

5. Колесников A.B. Гибридные интеллектуальные системы. Теория и технология разработки / Под ред. А.М. Яшина. - СПб.: СПбГТУ, 2001. - 711 с.

Статьи и доклады

6. Кириков И.А., Колесников А.В., Пономарев В.Ф. Об одном подходе в семиотическом моделировании состояния транспортных систем // Сб. «Вопросы кибернетики». Вып. 68. - М.: Научный совет по компл. проблеме «Кибернетика» при Президиуме АН СССР, 1980. С. 109-130.

7. Кириков И.А., Колесников А. В. Языки описания схем и сценариев для представления знаний в АСУ ТУ // Сб. тр. 9 всесоюзного симпозиума по кибернетике, т.1. - М.: Научный совет по комплексной проблеме «Кибернетика» при Президиуме АН СССР, 1981. С. 114-116.

8. Колесников А.В. Мультиязыковый подход к представлению знаний в диалоговых системах оперативного управления транспортными узлами // Сб. докл. респуб. семинара «Проблемно-ориентированные диалоговые комплексы»,- Кишинев: Научный совет по проблеме «Искусственный интеллект» Комитета по системному анализу при Президиуме АН СССР, 1983.С. 82-84.

9. Гелъфандбейн Я.А., Колесников А.В., Рудинский И.Д. Семиотико-статистическая модель поведения транспортного узла // Сб. «Вопросы кибернетики». Вып. 100. - М.: Научный Совет по комплексной проблеме «Кибернетика» при Президиуме АН СССР, 1983. С. 40 - 49.

10. Колесников, А.В. Представление знаний логико-лингвистической компоненты семиотической модели II Сб. тр. научной конференции с участием ученых из соцстран «Проблемы ИИ и распознавания образов». - Киев, 1984. С. 90-93.

11. Колесников А.В., Сулева О.М. АСУ ВУЗ отрасли. Опыт и перспективы // Рыбное хозяйство.-1989. №7. С. 39-41.

12. Колесников А.В. Полиязыковые модели и моделирование // Сб. «Методы и системы принятия решений. Экспертные системы в автоматизированном проектировании». - Рига: Риж. политех. нститут, 1990. С. 97-101.

13. Колесников А.В., Щетинин А.И, Полиязыковые модели. Теория и практика // Сб. тр. И междун. симпоз. «Имитация систем-90»,- М.: ИПУ, ВНИИСИ АН СССР, 1990. С. 10-11.

14. Kolesnikov A., Vaskin К, Matzula V. Sistema awtomatizacii imitacionnogo modelirowania sis-tem realnogo wremeni II Pr. of 1 International symposium on Automatic Control Ship Propulsion and Océan Engineering Systems. - Gdansk, 1994. P. 46-53.

15. Колесников А.В. Многокомпонентная система поддержки принятия решений в проектировании // Сб. докладов международной конференции по мягким вычислениям и измерениям (SCM 98). Т2,- СПб., 1998. С. 211-214.

16. Колесников А.В. Концептуальное моделирование для извлечения знаний при создании интеллектуальных систем проектирования автоматики морских судов // Сб. тр. 6 национальной конф. по искусственному интеллекту с междун. участием КИИ'98. - Пущино, 1998. С. 444-449.

17. Колесников А.В., Зелинский С., Ковальский 3. Интеллектуальная САПР автоматики морских судов // Сб. тр. международной научно-технической конференции БАЛТТЕХМАШ 98,-Калининград: КГТУ, 1998. С. 34-35.

18. Колесников А.В., Клачек П.М. Интеллектуальная система поддержки принятия решений по возделыванию с/х культур // Сб. докладов международной конференции по мягким вычислениям и измерениям (SCM 98). Т 2. - СПб, 1998. С. 227-230.

19. Колесников А.В., Шибаев М. База данных и диалоговая система проектирования автоматики морских судов И Сб. тр. международной научно-технической конференции БАЛТТЕХ-МАШ 98.- Калининград: КГТУ, 1998. С. 33-34.

20. Kolesnikov A. Hybrid Intelligence Decision Support System for Designing Automatic Equipment for Sea-Going Ships // Pr. of the International Federation of Operational Research Societies Special Conference (SPC8). "Organisational Structures, Management, Simulation of Business Sectors and Systems". - Kaunas, 1998. P. 95-98.

21. Kolesnikov A. State of Affairs and Prospects for the Application of Hybrid Models to Designing Automatic Control Systems for Sea-Going Ship's Propelling Machinery // Pr. of the 2 International scientific symposium on Automatic Control of Ship Propulsion and Ocean Engineering Systems PROPCON'98. - Gdansk, 1998. P. 75-87.

22. Kolesnikov A. V., and Kowalsky 2. Intelligent Decision-Making Support System for Design Automatic Equipment for Sea-Gong Ships // Pr. of the 2 Intern, scientific symposium on Automatic Control of Ship Propulsion and Ocean Engineering Systems PROPCON 98. - Gdansk, 1998. P. 89-97.

23. Kolesnikov A., and Klachek P. Hybrid model of ¡he Bio-Industrial System // Pr. of the International Federation of Operational Research Societies Special Conference (SPC8) "Organisational Structures, Management, Simulation of Business Sectors and Systems". - Kaunas, 1998.P. 90-94.

24. Колесников A.B. Интеграция и гибкость в искусственном интеллекте// Сб. тр. международной конференции, поев. 40 - летаю пребывания КГТУ на Калининград, земле и 85-летию высш. рыбохозяйств. образов, в России. 44. - Калининград: КГТУ, 1999. С. 145-146.

25. Колесников А.В. Источники сложности моделирования принятия решений в условиях риска и пути ее преодоления // Сб. тр. международной конференции, поев. 40 - летию пребывания КГТУ на Калининград, земле и 85-летию высш. рыбохозяйств. образов, в России. 44,- Калининград: КГТУ, 1999. С. 146-148.

26. Колесников А.В. КОНЦЕПТ - диалоговая инструментальная среда концептуального моделирования для гибридных интеллектуальных систем // Сб. тр. междун. семинара «Диалог 99» по компьютерной лингвистике и ее приложениям. Т2. - Таруса, 1999. С. 130-139.

27. Колесников А.В. Гибридные интеллектуальные системы для поддержки принятия решений // Сб. тр. междун. конф. «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления ICIT 99». - М.: Наука. Физматлит, 1999. С. 59-63.

28. Колесников А.В. Автоматизированное проектирование гибридных интеллектуальных систем поддержки принятия решений по морским технологиям // Сб. докл. 3 международной конференции по морским интеллектуальным технологиям МОРИНТЕХ 99. Ч.1.- СПб.: «Морин-тех», 1999. С. 274-278.

29. Kolesnikov A. Computer Aided Design of Hybrid Models for Automation Ship Systems// Zb. ref. "Konferencja Naukowo -Techniczna AUTOMATION 99". - Warszawa. - 1999. P. 281-285.

30. Kolesnikov A., and Kowalsky 2. Conceptual Models of Sea-Going Automation Application Domain and Their Computer Aided Design // Zb. ref. "Konferencja Naukowo -Techniczna AUTOMATION 99".- Warszawa, 1999. P. 275-280.

31. Колесников А.В. Неоднородное моделирование в автоматизированном проектировании сложных технических объектов // Сб. докл. международной научно-технической конференции БАЛТТЕХМАШ 2000. Т1.- Калининград: КГТУ, 2000. С. 66-67.

32. Колесников А.В. Концептуальная модель - инструмент познания внешнего мира в системах искусственного интеллекта // Человек техногенной цивилизации на рубеже двух тысячелетий: Монография в соавторстве с Ивановым В.Е., Каракозовой Э.В. и др. Раздел 3. Глава 2. -Калинишрад: КГТУ, Калининградское отделение МАИ, 2000. С. 152-175.

33. Колесников А.В. Интеллектуальное управление и гибриды // Сб. тр. междун. научной конф., посвященной 70-летию основания КГТУ. 44.- Калининград: КГТУ, 2000. С. 237-239.

34. Колесников А.В. Проблемно-структурная технология разработки гибридных интеллектуальных систем // Сб. тр. международной конф. «Интеллектуальные системы и информационные технологии управления ИСИТУ-2000-В&1ТС». - СПб.: СПбГТУ, 2000. С. 298-301.

35. Колесников А.В.. Проблемно-структурная технология разработки приложений гибридных интеллектуальных систем // Сб. тр. национальной конференции по искусственному интеллекту с междун. участием КИИ 2000. Т. 2. - М.: Наука. Физматлит, 2000. С. 717-724.

36. Колесников А.В., КлачекП.М. Использование гибридных нейронечетких конструкций для когнитивного моделирования агроэкосистем // Сб. «Обработка текста и когнитивные технологии». Вып. 4 / Под. ред. Р.К. Потаповой и др. - М.: МИСИС, 2000. С. 185-189.

37. Колесников А.В., Клачек П.М. Неоднородное моделирование для интеллектуального управления биопроизводственной системой // Сб. тр. международной конференции «Интеллектуальные системы и информационные технологии управления ИСИТУ-2000-18&1ТС».- СПб.: СПбГТУ, 2000. С. 359-363.

38. Колесников А.В., Седов Р.А. Инструментальная среда разработки приложений неоднородного моделирования конструкторских решений при выборе ИППП судовой автоматики // Сб. тр. международной научной конференции, посвященной 70-летию основания КГТУ. - Калининград: КГТУ, 2000. С. 240-241.

39. Колесников А.В., Чемерис Н.А. Visual Event 2.0: язык программирования гибридных интеллектуальных систем и система неоднородного моделирования И Сб. тр. междун. научной конф., посвященной 70-летию основания КГТУ. - Калининград: КГТУ, 2000.С. 241-243.

40. Kolesnikov A. Problem-Structure Technology for Hybrid Intelligent Systems Development II Pr. of the 4 IEEE International Baltic Workshop "Databases & Informational Systems". V.2. -Vilnius: Tecnika, 2000. P. 141-151.

41. Kolesnikov A., Yashin A. Hybrid Modelling in Stratified Decision Support Systems -1 // Mathematical Modelling and Analysis. V.5. - Vilnius: Technika, 2000. P. 108-118.

42. Kolesnikov A., Yashin A. Hybrid Modelling in Stratified Decision Support Systems-2 II Mathematical Modelling and Analysis. V.6. №1. - Vilnius: Technika, 2001. P. 97-105.

Введение.

1. Гибридные интеллектуальные системы и проблемы их разработки.

1.1. Особенности обработки информации и управления на современных предприятиях.

1.2. Гибриды и гибридизация в теории управления и обработке информации.

1.3. Понятие и актуальность гибридных интеллектуальных систем.

1.4. Классификация и свойства гибридных интеллектуальных систем.

1.5. Состояние теории, методологии и технологии гибридных интеллектуальных систем.

1.6. Проблемы гибридизации для организации интеллектуального управления и задачи разработки технологии функциональных гибридных интеллектуальных систем.

2. Концептуальные модели - основа технологии гибридных интеллектуальных систем.

2.1. Концептуальные модели эвристик технологии гибридных интеллектуальных систем.

2.2. Онтология концептуальных моделей.

2.3. Неформальная аксиоматическая теория схем ролевых концептуальных моделей.

2.4. Схема ролевых концептуальных моделей для представления моделей действительности.

2:5. Схемы ролевых концептуальных моделей для структурированного представления знаний об объектах-оригиналах гибридизации из мира управления - ресурсах, действиях, структурах, ситуациях и состояниях.

2.6. Стратифицированные концептуальные модели предметной области.

3. Модели задач обработки информации и управления в технологии гибридных интеллектуальных систем.

3.1. Онтология задач обработки информации и управления.

3.2. Источники и понятие неоднородности задач.

3.3. Схемы ролевых концептуальных моделей однородных и неоднородных задач.

3.4. Многоуровневый подход к решению неоднородных задач.

3.5. Модели и свойства задач планирования в неоднородной проблемной среде.

4. Модели инструментариев в технологии гибридных интеллектуальных систем.

4.1. Онтология методов моделирования задач обработки информации и управления.

4.2. Схемы ролевых концептуальных моделей методов моделирования.

4.3. Модели базисных автономных методов в проблемно-структурной технологии.

4.4. Интегрированные методы и модели в проблемно-структурной технологии.

4.5. Модель взаимодействия мира однородных и неоднородных задач и мира автономных и интегрированных методов. $ 5. Моделирование функциональных гибридных интеллектуальных систем в проблемно-структурной технологии.

5.1. Модели элементов гибридных интеллектуальных систем.

5.2. Схема ролевых концептуальных моделей функциональных гибридных интеллектуальных систем для крупнозернистого описания элементов.

5.3. Схема ролевых концептуальных моделей функциональных w гибридных интеллектуальных систем для мелкозернистого описания элементов.

5.4. Модели функционирования гибридных интеллектуальных систем. Гибридные стратегии.

5.5. Язык концептуального моделирования функциональных гибридных интеллектуальных систем.

5.6. Метод моделирования гибридных стратегий.

5.7. Принципы разработки гибридных интеллектуальных систем.

Ш 6. Системный анализ неоднородных задач в проблемно-структурной технологии.

6.1. Структура и содержание проблемно-структурной методологии.

6.2. Методология разработки элементов функциональных гибридных интеллектуальных систем.

6.3. Методы редукции неоднородных задач.-.:

6.4. Метод и алгоритм выбора класса базисных методов для разработки элементов гибридных интеллектуальных систем.

7. Методы синтеза функциональных гибридных интеллектуальных систем в проблемно-структурной технологии.

7.1 .Синтез метода решения неоднородных задач для декомпозиций типа «дерево».:.

7.2. Синтез метода решения неоднородных задач для декомпозиций типа «сеть».

7.3. Язык и технология конвейерного моделирования функциональных гибридных интеллектуальных систем.

7.4. Свойства проблемно-структурной методологии.

8. Инструментальные средства поддержки проблемно-структурной технологии функциональных гибридных интеллектуальных систем.

8.1. Инструментальная система разработки гибридных интеллектуальных систем - ГИМЕНЕЙ.

8.2. Инструментальная среда Visual Event 2.0.

8.3. Инструментальная среда КОНЦЕПТ 1.0.

8.4. Инструментальные среды и пакеты программ СИГМА ТУ, АГРО и SENSOR.

9. Исследования проблемно-структурной технологии на неоднородных задачах планирования и проектирования.

9.1. Сменно-суточное планирование в морском рыбном порту.

9.2. Планирование пропускной способности транспортного узла.

9.3. Планирование урожаев и агротехмероприятий в биопроизводственной щ, системе.

9.4. Проектирование систем автоматики морских транспортных судов иностранной постройки.

Автоматизацию обработки информации и управления в технических, социально-экономических и биопроизводственных системах (БПС) невозможно представить без применения широкого спектра методов и моделей классической и дискретной математики, имитационного моделирования, системного анализа, исследования операций (ИСО), искусственного интеллекта (ИИ). Огромный вклад в эту область внесли своими работами А.И. Берг, В.М. Глушков, JI.T. Кузин, О.И. Ларичев, JI.A. Растригин, А.И. Уемов, В.Ф. Перегудов, Г.С. Поспелов, Д.А. Поспелов, Р.А. Полуэктов, N.J. Nilsson, L. Zadeh, Е. Mamdani, W.S. McCulloch, W.H. Pitts, Kohonen, S. Grossberg, J. Holland и др. Благодаря трудам этих ученых и их школ появилось множество разных по способам представления данных и знаний классов методов, моделей, алгоритмов и инструментальных средств систем обработки информации и управления, открылась возможность увеличить производительность умственного труда во всех сферах деятельности человека.

К концу 80-х годов, несмотря на разнообразие инструментариев с заметно улучшившимся качеством, для специалистов по автоматизированным системам управления и обработки информации сложилась парадоксальная ситуация: написать интеллектуальную систему, которая помогала бы решать все усложняющиеся практические задачи, становилось все труднее и труднее. А сегодня уже известно, что только менее трети проектов информационных систем заканчиваются успешно. С этим парадоксом наука и практика перешли в 21-й век.

Большинство ученых во многом сходятся в оценке главной причины этого парадокса. Он вызван, с одной стороны, необходимостью решения не «игрушечных», а сложных «практических» задач, т.е. таких задач, «какие они есть» на самом деле, в реальном мире, а с другой стороны, практикой узкой специализации научных школ на развитии и применении одного единственного метода моделирования для имитации решения задач человеком, что приводит к одностороннему, ограниченному, несистемному рассмотрению сложных явлений и процессов.

Необходимость отказа от абсолютизации какого-то одного вида знаний при разработке интеллектуального управления, перехода к ансамблям сотрудничающих с целью взаимокомпенсации недостатков моделей и поиска методов решения практических задач за рамками преимуществ и недостатков отдельных инструментариев построением многомодельных, интегрированных, гибридных систем и гибридных интеллектуальных систем (ГИИС) с мягкими вычислениями обосновывалась А.Н. Борисовым, В.Ф. Венда, Е.С. Вентцель, Д.А. Поспеловым, L. Peshel, L. Zadeh, М. Minsky, R. Sun и др. Основы теории, методологии и технологии ГИИС заложены в трудах А.Н. Аверкина, Н.П. Бусленко, В.В. Емельянова, Г.С. Осипова, В.Б. Тарасова, Н.Г. Ярушкиной, L. Medsker, S. Goonatilake, S. Khebbal, M. Hillario, S. Wermter, D. Nauck и других ученых.

Несмотря на успехи ГИИС 90-х годов, как и в любом научном направлении, здесь еще много неясных и нерешенных проблем как по постановке, так и по методам. По многокомпонентным, функциональным ГИИС сделаны лишь первые шаги. Нет теории, отсутствуют технологии их автоматизированного проектирования, разработка ГИИС по-прежнему относится скорее к искусству «генетика-информатика» в его уникальной мастерской, чем к научно обоснованной гибридизации, широко используемой в решении практических задач. Гибридизация - сложный, тонкий и трудоемкий процесс разработки ГИИС, требующий широкого спектра знаний о предметной области, задачах, методах их решения, длительной по времени, сложной обработки информации и экспериментов. Часто встречающееся некорректное применение автономных технологий и методов, например искусственных нейронных сетей (ИНС), нечетких систем (НС) и генетических алгоритмов (ГА), приводит к ошибкам в функциональных ГИИС, а трудоемкость их разработки не позволяет за время проекта построить несколько вариантов, проверить их качество и выбрать приемлемый.

Поэтому, а также из-за расширения практики разработки и применения в интеллектуальном управлении и проектировании гибридов, актуальны теория, методология и особенно технология гибридизации. Объект исследования диссертации - методы, модели, алгоритмы и программы разработки функциональных ГИИС.

Актуальность исследований подтверждается поддержкой Российского фонда фундаментальных исследований (грант 98-01-0081) и Комитета по научным исследованиям республики Польша (грант № 8Т11А00813), договором о Международном сотрудничестве между Гданьским техническим университетом и Калининградским государственным техническим университетом (КГТУ) от 10 апреля 1998 года. Выполнение работы связано с плановыми исследованиями Санкт-Петербургского государственного технического университета (СПбГТУ), КГТУ и Калининградского отделения международной Академии информатизации. В соответствии с приоритетными направлениями развития науки и техники, а также перечнем критических технологий федерального уровня, утвержденных решением Правительственной комиссии по научно -технической политике и указом Президента РФ от 13.07.1996 года № 884 «О доктрине развития Российской науки» интеллектуальные системы автоматизированного проектирования и управления отнесены к критическим технологиям федерального уровня.

На защиту выносятся следующие основные научные результаты:

1) впервые разработанные классификации ГИИС и их архитектур, модели гибридизации, построенные обобщением мирового опыта создания ГИИС;

2) впервые разработанная н^фюрмальная^ теория схем ролевых концептуальных моделей для представления данных и знаний как системная основа технологии ГИИС;

3) впервые построенные в неформальной аксиоматической теории схемы многоуровневых концептуальных моделей объектов-оригиналов гибридизации (сложных практических задач), объектов-прототипов (методов моделирования), элементов ГИИС и объектов-результатов (функциональных ГИИС);

4) методы редукции сложности практических задач, метод и эвристический алгоритм выбора классов для разработки элементов ГИИС, метод и эвристические алгоритмы синтеза функциональных ГИИС;

5) новая методология автоматизированной разработки функциональных ГИИС, использующая знания в виде схем ролевых концептуальных моделей задач, методов и архитектур ГИИС;

6) новая проблемно-структурная технология, автоматизирующая системный анализ сложных практических задач и синтез функциональных ГИИС;

ЗАКЛЮЧЕНИЕ

Настоящая работа посвящена повышению эффективности интеллектуальных систем обработки информации и управления путем разработки теории и методологии автоматизированного проектирования функциональных ГИИС с учетом человеческого фактора, созданию программной технологии системного анализа сложных практических задач и синтеза методов их решения за рамками возможностей отдельных инструментариев.

Теоретические исследования, выполненные в диссертации, позволили решить научно-техническую проблему автоматизированного проектирования функциональных ГИИС путем разработки методологии и проблемно-структурной технологии. Решение данной проблемы имеет важное значение для автоматизации сложных практических задач обработки информации и управления.

Проведенные исследования позволили получить ряд новых результатов.

1) Впервые разработана неформальная аксиоматическая теория схем КМ -теоретическая основа PS-технологии проектирования ГИИС, что позволяет типизировать, формализовать, систематизировать, использовать на практике и тиражировать знания и опыт, необходимые для конструирования сложных интеллектуальных систем.

2) Впервые в рамках неформальной аксиоматической теории построены схемы КМ для системного анализа сложных практических задач как неоднородных объектов, автоматизировать решение которых не удается в рамках ограничений существующих методов моделирования и схемы КМ шести классов автономных методов для синтеза за рамками ограничений релевантной областям неоднородности интегрированной модели, как инструментария решения задачи.

3) Впервые выявлены, систематизированы и учтены в схемах КМ знания о преимуществах и недостатках шести классов методов моделирования, что снижает риск срыва проектов и улучшает качество разработки ГИИС.

4) В неформальной аксиоматической теории разработаны схемы КМ, впервые позволившие формализовать и изучить крупно- и мелкозернистые функциональные ГИИС, выявить их свойства, создать метод моделирования гибридных стратегий и сформулировать принципы их разработки.

5) Впервые разработана методология функциональных ГИИС, использующая знания в виде схем КМ и оригинальные методы системного анализа и редукции неоднородных задач, метод и алгоритм выбора автономных методов для построения элементов ГИИС релевантных областям неоднородности и алгоритм синтеза ГИИС для решения практической задачи, что позволяет автоматизировать и существенно снизить трудозатраты на разработку приложений.

6) Разработанные теория, модели, схемы и методология положены в основу оригинальной PS-технологии и программ автоматизированного проектирования ГИИС, что в 3 - 7 раз сокращает время разработки и во столько же раз снижает трудозатраты на эксплуатацию функциональных ГИИС.

7) Свойства и качество проектируемых по PS-технологии функциональных ГИИС исследованы на неоднородных задачах планирования и проектирования в трех предметных областях. Для этого разработаны ГМП в рамках шести классов методов для решения задачи сменно-суточного планирования производственного процесса в морском порту - 3 модели, для решения задачи планирования урожаев и агротехмероприятий - 19 моделей и выбора ИППП для систем судовой автоматики - 6 моделей, что имеет как самостоятельное значение для совершенствования качества обработки информации и управления, так и впервые позволило синтезировать и исследовать интегрированные модели. Для ТУ инструментальные средства позволили более чем в 20 раз снизить затраты труда на подготовку и анализ сменно-суточного плана. Для БПС средняя ошибка прогноза урожая снижена в 4 - 8 раз и по серии из 60 экспериментов не превысила двух ц/га. Получаемые по PS-технологии ГИИС дают ошибку в три раза меньшую, чем автономные модели и однородное моделирование.

8) Результаты диссертации нашли широкое практическое применение в разработке автоматизированных систем обработки информации и управления для

Российских и зарубежных предприятий и организаций, а также в учебном процессе КГТУ и Калининградского института международного бизнеса.

Подводя итог, следует отметить, что, имея самостоятельное значение, проблемно-структурная технология функциональных ГИИС - основа, базис для проведения других теоретических исследований, в частности, разработки лабораторных синтезирующе-тестируюгцих стендов изучения эволюционных процессов в мире методов моделирования за рамками ограничений отдельных автономных методов и оценки качества интегрированных методов и моделей на подобранных для этих целей задачах.

1. Аверкин и др., 1990. Аверкин А Н., Блишун А.Ф., Гаврилова Т А., Осипов Г.С. Приобретение и формализация знаний // В кн. «Искусственный интеллект. В 3-х кн. Кн. 2. Модели методы: Справочник» / Под ред. Д.А. Поспелова. -М.: Радио связь, 1990. С. 65-76.

2. Акоф, Сасиени, 1971. Акоф Р., Сасиени М. Основы исследования операций. М.: Мир, 1971. - 536 с.

3. Александров, 1975. Александров Е.А. Основы теории эвристических решений. М.: Сов радио, 1975. - 320 с.

4. Алексеев, Имаев и др., 1999. Алексеев А.А., Имаев Д.Х., Кузьмин Н.Н., Яковлев В.Б. Теория управления: Учеб. пособие. СПб.: СПбГЭТУ «ЛЭТИ», 1999.-435 с.

5. Алексеева, 1998. Алексеева М.М. Планирование деятельности фирмы. -М.: Финансы и статистика, 1998. 248 с.

6. Арефьев, 1980. Арефьев И.Б. и др. Принципы построения АСУ политранспортным процессом региона // Сб. «Проблемы системотехники и АСУ». -Л.: Изд. СЗПИ, 1980. С. 7-15.

7. Архив по ГА IlliGAL, 2000. Архив публикаций по генетическим алгоритмам IlliGAL из University of Illinois.- http://gal4.ge.uiuc.edu.

8. Архив по ГА, 2000. Архив по генетическим алгоритмам. http://www.cs.purdul.edu/coast/archive/clife/FAQ/www/Q20matLabga.htm.

9. Астанин, Захаревич, 1997. Астанин С В., Захаревич В.Г. Обработка и представление знаний в информационно советующих комплексах гибридного интеллекта: Учебное пособие. Таганрог: ЕЗТУ, 1997. - 136 с.

10. Афанасьев, 1986. Афанасьев В.Г. Мир живого: системность, эволюция и управление. М.: Политиздат, 1986. - 334 с.

11. Бартос, 1997. Бартос Ф.Дж. Искусственный интеллект: принятие решений в сложных системах управления // Мир компьютерной автоматизации. 1997. №4 (12). С. 22-27.

12. Башлыков, Еремеев, 1994. Башлыков А.А., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике. М.: МЭИ, 1994. - 216 с.

13. Бенерджи, 1972. Бенерджи Р. Теория решения задач: Подход к созданию искусственного интеллекта. М.: Мир, 1972. - 224 с.

14. Бирюков, Гастев, Геллерт, 1974. Бирюков Б.В., Гастев Ю.А., Геллерт Е.С. Моделирование // Большая Советская энциклопедия. Т. 16. М.: Советская энциклопедия, 1974. С. 393-395.

15. БСЭ, 1971а. Большая Советская Энциклопедия. Т.6. М.: Советская энциклопедия, 1971. С. 453.

16. БСЭ, 1971b. БСЭ. Т.6. М.: Советская энциклопедия, 1971. С. 439.

17. БСЭ, 1971с. ББСЭ. Т.7. М.: Советская энциклопедия, 1971. С. 53.

18. БСЭ, 1972. БСЭ. Т.9. М.: Советская энциклопедия, 1972. С. 277.

19. БСЭ, 1974. БСЭ. Т.15. М.: Советская энциклопедия, 1974. С. 480-481.

20. Бондаренко и др., 1982. Бондаренко Н.Ф. и др. Моделирование продуктивности агроэкосистем. JL: Гидрометеоиздат, 1982. - 264 с.

21. Борисов и др., 1986. Борисов А.Н. и др. Диалоговые системы поддержки принятия решений на баз мини-ЭВМ: Информационное, математическое и программное обеспечение. Рига: Зинате, 1986. - 195 с.

22. Букатова, 1990. Букатова И.Л. Эвоинформатика. Теория и практика эволюционного моделирования. М.: Наука, 1990. - 205 с.

23. Бурков, Еналиев, Новиков, 1996. Бурков В Н., Еналеев А.К., Новиков Д.А. Механизмы функционирования социально-экономических систем с сообщением информации//Автоматика и телемеханика. 1996. №3. С.3-25.

24. Бусленко, 1977. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. - 240 с.

25. Бусленко, 1978. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978.-400 с.

26. Бусленко, 1973. Бусленко Н.П. и др. Лекции по теории сложных систем. -М.: Наука, 1973.-439 с.

27. Вавилов, Имаев, 1983. Вавилов А.А., Имаев Д.Х. Эволюционный синтез систем управления: Учебное пособие,- Л.: ЛЭТИ, 1983,- 80 с.

28. Вавилов, Имаев и др., 1983. Вавилов А.А., Имаев Д.Х., Плескухин В.И., Фомин Б.Ф. и др. Имитационное моделирование производственных систем.-М.: Машиностроение, Берлин: Техника, 1983.- 416 с.

29. Валькман, 1998. Валькман Ю.Р. Интеллектуальные технологии исследовательского проектирования: формальные системы и семиотические модели. Киев: Port-Royal, 1998. 250 с.

30. Венда, 1990. Венда В.Ф. Системы гибридного интеллекта: Эволюция, психология, информатика. М.: Машиностроение, 1990. - 448 с.

31. Веников, 1976. Веников В.А. Теория подобия и моделирования: Учебное пособие для вузов. Изд. 2-е . М.: Высшая школа, 1976. - 479 с.

32. Вентцель, 1988. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.: Наука, 1988. - 208 с.

33. Виленкин, 1969. Виленкин Н.Я., 1969. Комбинаторика. М.: Наука, 1969. - 328 с.

34. Винер, 1958. Винер Н. Кибернетика и общество. М.: Иностранная литература, 1958. - 199 с.

35. Волкова, Темников, 1974. Волкова В.Н., Темников Ф.Е. Методы формализованного представления (отображения) систем // Текст лекций. М.: ИП-КИР, 1974. - 114 с.

36. Волкова, Денисов, 1999. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. СПб.: СПбГТУ, 1999. - 512 с.

37. Вороновский и др., 1997. Вороновский Г.К. и др. Генетические алгоритмы. Искусственные нейронные сети и проблемы виртуальной реальности. -Харьков: Основа, 1997. 112 с.

38. Выход в ENCORE, 2001. Выход в ENCORE (the Evolutionary Computation Repository network. http://www.cs.gmu.edu/research/gag/.

39. Гаазе-Рапопорт, Поспелов, 1987. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987. - 288 с.

40. Гаврилов, 1998. Гаврилов А.В. Проблемы обработки символьной информации в нейронных сетях // Сб. докладов междун. конференции по мягким вычислениям и измерениям SCM-98. Т.1.- СПб., 1998. С. 321-323.

41. Гаврилова, Червинская, 1992. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200 с.

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

43. Гельфандбейн и др., 1991. Гельфандбейн Я.А., Рудинский И.Д., Новожилова Н.В. Гибридные многомодельные системы. Вопросы реализации // Известия АН СССР. Серия «Техническая кибернетика»,- 1991. № 3. С. 174 183.

44. ГА для оптимизации, 2000. Генетические алгоритмы для многокритериальной оптимизации. http://www.lania.mx/~ccoello/EMOO/zitzler99.ps.gz.

45. ГИБРИД СПР, 1998. Гибридная интеллектуальная система синтеза и принятия рациональных решений ГИБРИД СПР. http://www3. unicor.ac.ru/scripts/resource. idc?Resid=l 943

46. Гильманов, 1978. Гильманов Т.Г. Математическое моделирование биогеохимических циклов в травяных экосистемах. М.: МГУ, 1978. - 272 с.

47. Гладун, 1987. Гладун В.П. Планирование и решений. Киев: Наукова думка, 1987.- 168 с.

48. Гладун, 2001. Гладун В.П. Каким должен быть интеллектуальный компьютер // Сб. тр. междун. научно-практической конференции KDS 2001. Т.1.-СПб.: Северо-западный государственный заочный технический университет, 2001. С. 136-143.

49. Глухов, 1998. Глухов Д.О. Экспертная система на нечетких продукционных правилах для обследования сложного объекта // Сб. докладов междун. конференции по мягким вычислениям и измерениям SCM-98. Т.2. СПб, 1998. С. 174-176.

50. Горбань, Россиев, 1996. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, сиб. отделение, 1996. - 276 с.

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

52. Гультяев, 1999. Гультяев А.К. MATLAB 5.2: Имитационное моделирование в среде Windows: Практическое пособие. СПб.: КОРОНА принт, 1999. -288 с.

53. Декарт, 1950. Декарт Р. Избранные произведения. М.: Госполитиздат, 1950. -712 с.

54. Денисов, Колесников, 1982. Денисов А.А., Колесников Д.М. Теория больших систем управления. J1.: Энергоиздат, 1982. - 288 с.

55. Джейн и др., 1997. Джейн А.К., Мао Ж., Монуддин М. Введение в искусственные нейронные сети // Открытые системы. 1997. №4. С. 16-24.

56. Джексон, 2001. Джексон П. Введение в экспертные системы: Пер. с англ.: Учебное пособие. М.: Изд. дом «Вильяме», 2001,- 624 с.

57. Дрейфус, 1979. Дрейфус X. Чего не могут вычислительные машины: критика искусственного интеллекта. М.: Прогресс, 1979. - 332 с.

58. Ерофеев, Поляков, 1999. Ерофеев А.А., Поляков А О. Интеллектуальные системы управления. СПб.: СПбГТУ, 1999. - 256 с.

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

60. Журавлев, 1981. Журавлев А.П. Звук и смысл. М.: Просвещение, 1981. -160 с.

61. Заде, 1976. Заде J1. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

62. Захаров, Ульянов, 1994. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных регуляторов и систем управления. IV. Имитационное моделирование // Известия РАН. Серия «Техническая кибернетика». 1994. №5. С. 168-210.

63. Захаров, 1997. Захаров В.Н. Интеллектуальные системы управления: Основные понятия и определения // Известия РАН. Теория и системы управления. 1997. №3. С. 138-145.

64. Иванов, 1978. Иванов В.В. Чет и нечет: Асимметрия мозга и знаковых систем. М.: Советское радио, 1978. -184 с.

65. Ильин, 1989. Ильин В.Д. Система порождения программ. М.: Наука, 1989.-264 с.

66. Интервью с Медведевым, 2001. Интервью с директором института мозга и человека РАН С.В. Медведевым // Секретные материалы 20-го века. 2001. N19 (63). С. 10-11.

67. ИНТЕРНЕТ-страница фирмы Interface Ltd., 2000. ИНТЕРНЕТ-страница фирмы Interface Ltd.: программные продукты Rational Software. -http ://www.interface.ru.

68. ИНТЕРНЕТ-страница языка РЕФАЛ, 2000. ИНТЕРНЕТ-страница рабочей группы по языку РЕФАЛ. http://refal.msu.ru.

69. Иппа и др., 1998. Иппа А.Ю., Исмаилов Ш.Ю, Шкодырев В.П. Выбор начальных условий при обучении многослойных нейронных сетей // Сб. докладов междун. конференции по мягким вычислениям и измерениям SCM-98. Т.1. -СПб., 1998. С. 309-317.

70. Исаков, 1988. Исаков Л.И. Справочник по устройству, обслуживанию и ремонту судовой автоматики: Вопросы и ответы. М.: Транспорт, 1988. -207 с.

71. Искусственный интеллект, 1990. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. -304 с.

72. Катковник, Полуэктов, 1966. Катковник В.Я., Полуэктов Р.А. Многомерные дискретные систебмы управления. М.: Наука, 1966,- 416 с.

73. Клир, 1990. Клир Дж. Системология. Автоматизация решения системных задач. М.: Радио и связь, 1990. - 544 с.

74. Клыков, 1974. Клыков Ю.И. Ситуационное управление большими системами. М.: Энергия, 1974. - 134 с.

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

76. Колесов, Сениченков, 2001. Колесов Ю.Б., Сениченков Ю.Б. Визуальное моделирование. СПб.: НПО «Мир и семья», 2001. - 256 с.

77. Колесников, 1984b. Колесников А.В. Моделирование систем. Методические указания к практическим занятиям для студентов вузов по специальности «Автоматизированные системы управления». Калининград: КТИРПХ, 1984. -56 с.

78. Колесников, 1987а. Колесников А.В. Моделирование систем. 41. Вероятностно-автоматные модели. Калининград: КТИРПХ, 1987. - 45 с.

79. Колесников, 1987b. Колесников А.В. Моделирование систем. 43. Агрегаты и агрегативные системы. Калининград: КТИРПХ, 1987. - 41 с.

80. Колесников, 1988. Колесников А.В. Моделирование систем. Логико-лингвистические модели. Калининград: КТИРПХ, 1988. - 68 с.

81. Колесников, 1989а. Колесников А.В. Моделирование систем. 46. Схемы и структура моделирования систем. Калининград: КТИРПХ, 1989. - 61 с.

82. Колесников, 1989b. Колесников А.В. Моделирование систем. Метод статистического моделирования систем на ЭВМ. Калининград: КТИРПХ, 1989. -46 с.

83. Колесников, 1989с. Колесников А.В. Моделирование систем. Программные средства. Обработка результатов моделирования. Калининград: КТИРПХ, 1989. - 33 с.

84. Колесников, 1990. Колесников А.В. Полиязыковые модели и моделирование // Сб. «Методы и системы принятия решений. Экспертные системы в автоматизированном проектировании». Рига: РПИ, 1990. С. 97-101.

85. Колесников, 1998а. Колесников А.В. Гибридные парадигмы автоматизированного проектирования // Сб. тр. междун. научно-технической конференции БАЛТТЕХМАШ 98. Калининград: КГТУ, 1998. С. 35-36.

86. Колесников, 1998b. Колесников А.В. Многокомпонентная система поддержки принятия решений в проектировании // Сб. докладов международной конференции по мягким вычислениям и измерениям (SCM 98). Т2. СПб., 1998. С. 211-214.

87. Колесников, 1999d. Колесников А.В. Гибридные интеллектуальные системы для поддержки принятия решений // Сб. тр. междун. конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления ICIT 99». М.: Наука, 1999. С. 59-63.

88. Колесников, 2000а. Колесников А.В., 2000. Неоднородное моделирование в автоматизированном проектировании сложных технических объектов // Сб. докладов международной научно-технической конференции БАЛТТЕХ-МАШ-2000. Т 1. Калининград: КГТУ, 2000. С. 66-67.

89. Колесников, 2000с. Колесников А.В. Интеллектуальное управление и гибриды // Сб. тр. международной научной конференции посвященной 70-летию основания Калининградского государственного технического университета. 44. Калининград: КГТУ, 2000. С. 237-239.

90. Колесников, 2001. Колесников А.В. Гибридные интеллектуальные системы. Теория и технология разработки / Под ред. A.M. Яшина. СПб.: СПбГТУ, 2001. - 711 с.

91. Колесников, Петухов, 1981. Колесников А.В., Петухов О.А. Моделирование систем. JL: Северо-западный заочный политехнический институт, 1981.-72 с.

92. Колесников и др., 1982. Колесников А.В., Михлин Л.П., Настин Ю.Я., Пономарев В.Ф. Автоматизированные системы управления предприятиями рыбного хозяйства / Под ред. В.Ф.Пономарева. М: Легкая и пищевая промышленность, 1982. - 232 с.

93. Колесников и др., 1984. Колесников А.В., Копейкин М.В., Петухов О.А. Машинные методы вычислений. Л.: СЗПИ, 1984,- 80 с.

94. Колесников Сулева, 1989а. Колесников А.В., Сулева О.М. Проектирование и применение двухмодельной системы и планирование основной деятельности вуза // Сб. «Автоматизированные процедуры принятия решений в управлении вузами». М.: НИИВШ, 1989. С. 152-159.

95. Колесников Сулева, 1989b. Колесников А.В., Сулева О.М. АСУ ВУЗ отрасли. Опыт и перспективы // Рыбное хозяйство. 1989. №7. С. 39-41.

96. Колесников, Щетинин, 1990. Колесников А.В., Щетинин А.И. Полиязыковые модели. Теория и практика. М.: ИПУ АН СССР, ВВИИСИ АН СССР, 1990. С. 10-11.

97. Колесников, Шибаев, 1998. Колесников А.В., Шибаев М. База данных и диалоговая система проектирования автоматики морских судов // Сб. тр. международной научно-технической конференции БАЛТТЕХМАШ 98. Калининград: КГТУ, 1998. С. 33-34.

98. Косовский, Типпсов, 2000. Логики конечнозначных предикатов на основе неравенств: Учебное пособие,- СПб.: С.-Петерб. университет, 2000,- 268 с.

99. Кудаков и др., 1998. Кудаков А.В., Речинский А.В., Щукин Д.В., Яшин A.M. Математические основы систем искусственного интеллекта: Учебное пособие. 4.1. Экспертные системы. СПб.: СПбГТУ, 1998. - 104 с.

100. Кузин, 1973. Кузин Л.Т. Основы кибернетики: В 2-х т. Т1. Математические основы кибернетики. М.: Энергия, 1973. - 504 с.

101. Кузин, 1979. Кузин Л.Т. Основы кибернетики: В 2-х т. Т2. Основы кибернетических моделей. М.: Энергия, 1979. - 582 с.

102. Кузнецов, Адельсон-Вельский, 1980. Кузнецов О.П., Адельсон-Вельский Г.М. Дискретная математика для инженера. М.: Энергия, 1980. - 344 с.

103. Ларичев, 1979. Ларичев О.И. Наука и искусство принятия решений. М.: Наука, 1979. - 200 с.

104. Ларичев, 1987. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука, 1987,- 144 с.

105. Ларичев, 2000. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. - 296 с.

106. Лелюк, 1990. Лелюк В.А. Концептуальное проектирование систем с базами знаний. Харьков: Основа, 1990. - 144 с.

107. Лорьер, 1991. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991. - 568 с.

108. Лэсдом, 1975. Лэсдом Л.С. Оптимизация больших систем. М.: Наука, 1975.-432 с.

109. Максимей, 1988. Максимей И.В. Имитационное моделирование на ЭВМ. М.: Радио и связь, 1988. - 232 с.е Малышев и др., 1991. Малышев Н.Г., Берштейн Л.С., Боженок А.В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. -136 с.

110. Математика и кибернетика в экономике, 1975. Математика и кибернетика в экономике // Словарь-справочник. Изд. 2-е перераб. и доп. М.: Экономика, 1975.- 700 с.

111. Мелихов и др., 1990. Мелихов A.M., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. -272 с.

112. Меркурьева, Меркурьев, 1991. Меркурьева Г.В., Меркурьев Ю.А. Экспертные системы имитационного моделирования (Обзор) // Известия РАН. Серия «Техническая кибернетика». 1991. №3. С. 156-173.

113. Месарович и др., 1973. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. - 344 с.

114. Микони, 2000. Микони С.В. Модели и базы знаний: Учебное пособие. -СПб.: Петербургский гос. университет путей сообщения, 2000. -155 с.

115. Минский, 1967. Минский М. На пути к созданию искусственного разума // В кн. «Вычислительные машины и мышление» / Под ред. Э. Фейгенбаума и Дж. Фельдмана. М.: Мир, 1967. С. 452-458.

116. Миронова, Плесневич, 1994. Миронова Т.С., Плесневич Г.С. Гибридные модели знаний// Известия РАН. Серия «Техническая кибернетика». 1994. №2. С. 56-70.

117. Нариньяни, 1998. Нариньяни А С. Искусственный интеллект: стагнация или новая перспектива // Сб. тр. 6 национальной конференции по искусственному интеллекту с международным участием КИИ 98. Т.1. Пущино, 1998. С. 15-29.

118. Науман, 1987. Науман Э. Принять решение но как? // Пер. с нем. - М.: Мир, 1987. - 198 с.

119. Нечаев, 1990. Нечаев В.В. Творческая задача и интеллектуальный решатель: концептуальный подход // Межвузов, сборник научных тр. «Модели и системы представления знаний». М.: МИРЭА, 1990. С. 53-68.

120. Нечеткие множества, 1986. Нечеткие множества в моделях управления и искусственного интеллекта // Аверкин А.Н., Батыршин И.З., Блишун А.Ф. / Под ред. Д.А. Поспелова. М.: Наука, 1986. - 312 с.

121. Николаев, Брук, 1985. Николаев В.И., Брук В.М. Системотехника: методы и приложения. Д.: Машиностроение, 1985. -199 с.

122. Нильсон, 1973. Нильсон Н. Искусственный интеллект. Методы поиска решений. М.: Мир, 1973. - 272 с.

123. Нильсон, 1985. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985. - 376 с.

124. Новик, 1965. Новик И.Б. О моделировании сложных систем (философский очерк). М.: Мысль, 1965. - 336 с.

125. Новиков, 2000. Новиков Ф.А. Дискретная математика для программистов. СПб.: Питер, 2000. - 304 с.

126. Ньюэлл, Саймон, 1967. Ньюэлл А., Саймон Г. GPS- программа, моделирующая процесс человеческого мышления // В кн. «Вычислительные машины и мышление» / Под ред. Э. Фейгенбаума, Дж. Фельдмана. М.: Мир, 1967. С. 283302.

127. Общение с ЭВМ на естественном языке, 1982. Общение с ЭВМ на естественном языке // Попов Э.В. М.: Наука, 1982. - 360 с.

128. Ожегов, 1972. Ожегов С.И. Словарь русского языка. М.: Советская энциклопедия, 1972. - 848 с.

129. Осипов, 1990. Осипов Г.С. Построение моделей предметных областей. Ч. 1. Неоднородные семантические сети // Известия АН СССР. Серия «Техническая кибернетика». 1990. №5. С. 32-45.

130. Осипов, 1997. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. М.: Наука, 1997. - 112 с.

131. Осипов, 1998. Осипов Г.С. Динамика в системах, основанных на знаниях // Известия РАН. Теория и системы управления. 1998. №5. С. 24-28.

132. Осуга, 1989. Осуга С. Обработка знаний: Пер. с япон. М.: Мир, 1989. -293 с.

133. Первозванский, 1975. Первозванский А.А. Математические модели в управлении производством. М.: Наука, 1975,- 616 с.

134. Перегудов, Тарасенко, 1989. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие для вузов. М.: Высшая школа, 1989. -367 с.

135. Пешель, 1981. Пешель М. Моделирование сигналов и систем. М.: Мир, 1981.- 302 с.

136. Пойя, 1970. Пойа Д. Математическое открытие. Решение задач: основные понятия, изучение и преподавание. М.: Наука, 1970. - 452 с.

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

138. Полуэктов, 1991. Полуэктов Р.А. Динамические модели агроэкосистем. -JL: Гидрометеоиздат, 1991.-311 с.

139. Поспелов, 1980. Поспелов Г.С. Системный анализ и искусственный интеллект. М.: АН СССР, 1980. - 47 с.

140. Поспелов, Ириков, 1976. Поспелов Г.С., Ириков В.А. Программно-целевое планирование и управление (введение). М.: Советское радио, 1976. -440 с.

141. Поспелов, 1971. Поспелов Д.А. Принципы ситуационного управления // Известия АН СССР. Серия «Техническая кибернетика».-1971. №2. С. 10-17.

142. Поспелов, 1981. Поспелов Д.А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981. - 232 с.

143. Поспелов, 1986. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. - 288 с.

144. Поспелов, 1991. Поспелов Д.А. Как же будут развиваться системы ИИ? // В кн. «Будущее искусственного интеллекта». М.: Наука, 1991. С. 149.

145. Поспелов, 1998. Поспелов Д.А. Метафора, образ и символ в познании мира// Новости искусственного интеллекта. 1998. №1.С. 94-114.

146. Поспелов, Пушкин, 1972. Поспелов Д.А., Пушкин В.Н. Мышление и автоматы. М.: Советское радио, 1972. - 224 с.

147. Поспелов, Кузнецов, 1996. Поспелов Д.А., Кузнецов О.П. Знания и рассуждения в гуманитарных науках // Новости искусственного интеллекта. 1996. №2. С. 93-98.

148. Поспелов, 1989. Поспелов Д.А. Заключение к сб. «Экспертные системы: состояние и перспективы». М.: Наука, 1989. С. 147-151.

149. Построение экспертных систем, 1987. Построение экспертных систем // Пер. с англ./ Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. - 441 с.

150. Потемкин, 1999. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x: В 2-х т. Т.1. М.: ДИАЛОГ-МИФИ, 1999. - 366 с.

151. Потемкин, 1999. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x: В 2-х т. Т.2. М.: ДИАЛОГ-МИФИ, 1999. - 304 с.

152. Правила классификации и постройки морских судов, 1999. Правила классификации и постройки морских судов. Т.2. СПб.: Российский Морской регистр судоходства, 1995. - 505 с.

153. Прангишвили, 1999. Прангишвили И.В. Доклад на юбилейном заседании, посвященном 60-летию ИПУ РАН. http://www.ipu.ru/publ/pl p3.htm.

154. Приобретение знаний, 1990. Приобретение знаний // Пер. с япон. / Под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990. - 394 с.

155. Программное обеспечение САПР в судостроении, 1999. Программное обеспечение САПР в судостроении. http://admis.com.pl/Isoftwr.html.

156. Пушкин, 1965. Пушкин В Н. Оперативное мышление в больших системах. М.: Энергия, 1965. - 375 с.

157. Пышагин, Рыбина, 1998. Пышагин С В., Рыбина Г.В. Интеллектуальная поддержка разработки интегрированных экспертных систем // Сб. тр. 6 национальной конференции с международным участием по искусственному интеллекту КИИ 98. Т.2. Пущино, 1998. С. 419-426.

158. СПР по озимой пшенице, 1997. Разработка системы принятия решений по озимой пшенице: Отчет о НИР / Калининградское отделение международной академии информатизации; Руководитель работ Колесников А.В. № 96-1101. Калининград, 1997. - 214 с.

159. Растригин, 1980. Растригин JI.A. Современные принципы управления сложными объектами. М.: Советское радио, 1980. - 232 с.

160. Римский, 1994. Римский Г.В. Теория систем автоматизированного проектирования: интеллектуальные САПР на базе вычислительных комплексов и сетей. Минск: Наука и техника, 1994. - 631 с.

161. Рыбина, 1998а. Рыбина Г.В. Автоматизированное построение баз знаний для интегрированных экспертных систем // Известия РАН. Теория и системы управления. 1998. №5. С. 152-166.

162. Самюэль, 1967. Самюэль А. Некоторые исследования возможности обучения машин на примере игры в шашки // В кн. «Вычислительные машины и мышление» / Под ред. Э. Фейгенбаума и Дж. Фельдмана. М.: Мир, 1967. С. 71-111.

163. Санин, 2000. Санин А.Л. Синергетика: Учебное пособие. СПб.: СПбГТУ, 2000. - 75 с.

164. Словарь иностранных слов, 1955. Словарь иностранных слов / Под ред. И.В. Лехина и Ф.Н. Петрова. М.: Гос. изд. иностранных, и национальных словарей, 1955. - 856 с.

165. Смит, 1987. Смит С. Адаптивные обучающиеся системы // В кн. «Экспертные системы. Принципы работы и примеры» / Пер. с англ./ Под ред. Р. Форсайта. М.: Радио и связь, 1987. С. 158-177.

166. Спиркин, 1974. Спиркин А.Г. Метод // Большая Советская энциклопедия. Т.16. М.: Советская энциклопедия, 1974. С. 162 .

167. Советов, Яковлев, 1985. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1985. - 271 с.

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

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

170. Тарасов, 1998b. Тарасов В.Б. Предприятия XXI века: проблемы проектирования управления // Автоматизация проектирования. 1998. №4,-http .//www.osp.ru/ap/1998/04/index. htm.

171. Технология системного моделирования, 1985. Технология системного моделирования / Е.Ф. Аврамчук, А.А. Вавилов, С.В. Емельянов и др./ Под общ. ред. С.В. Емельянова и др. М.: Машиностроение. Берлин: Техник, 1985. - 520 с.

172. Толковый словарь по ИИ, 1992. Толковый словарь по искусственному интеллекту / Авторы-составители А.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. М.: Радио и связь, 1992. - 256 с.

173. Трахтенгерц, 1997. Трахтенгерц Э.А. Компьютерный анализ в динамике принятия решений // Приборы и системы управления. 1997. №1. С. 49-56.

174. Трахтенгерц, 1998. Трахтенгерц Э.А. Многоагентные системы поддержVки принятия решений // Известия РАН. Теория и системы управления. 1998. №5. С. 106-122.

175. Трахтенгерц, 1995. Трахтенгерц Э.А. Методы генерации, оценки и соглаVсования решений в распределенных системах поддержки принятия решений // Автоматика и телемеханика. 1995. №4.1995. С.3-52.

176. Трегуб и др., 1991. Трегуб В.Г., Ладанюк А.П., Плужников Л.Н. Проектирование, монтаж и эксплуатация систем автоматизации в пищевой промышленности. М.: Агропромиздат, 1991. - 350 с.

177. Уемов, 1963. Уемов А.И. Вещи, свойства, отношения. М.: Институт философии АН СССР, 1963.- 184 с.

178. Уемов, 1978. Уемов А.И. Системный подход и общая теория систем. М. Мысль, 1978.-272 с.

179. Уинстон, 1980. Уинстон П. Искусственный интеллект / Пер. с англ. В.Л. Стефанюка. М.: Мир, 1980. - 520 с.

180. V Уоссермен, 1992. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 126 с.v Уотермен, 1989. Уотермен Д. Руководство по экспертным системам. М.: Мир, 1989. - 184 с.

181. Управление, информация, интеллект, 1976. Управление, информация, интеллект / Под ред. А.И. Берга и др- М.: Мысль, 1976. 384 с.

182. Уфимцев, 1998. Уфимцев С.В. Система поддержки принятия решений диагностической ЭС РВ в условиях неопределенности // Сб. докладов международной конференции по мягким вычислениям и измерениям SCM-98. Т.1. -СПб., 1998. С. 199-202.

183. Фишбейн, 1977. Фишбейн П.С. Теория полезности для принятия решений / Пер. с англ. М.: Наука, 1977. - 352 с.

184. Форрестер, 1971. Форрестер Дж. Основы кибернетики предприятия. М.: Прогресс, 1971. - 340 с.

185. Хорошевский, 1999. Хорошевский В.Ф., 1999. Поведение интеллектуальных агентов: Модели и методы реализации // Сб. тр. 4 международного семинара по прикладной семиотике, семиотическому и интеллектуальному управлению. М.: ПАИМС, 1999. С. 5-20.

186. Черноруцкий, 1990. Черноруцкий ИГ. Методы принятия решений: Учебное пособие. Д.: ЛПИ, 1990. - 92 с.

187. Четвериков и др., 1978. Четвериков ВН., Баканович Э.А., Меньков А.В. Вычислительная техника для статического моделирования. М.: Советское радио, 1978. - 312 с.

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

189. Шрайбер, 1980. Шрайбер Т. Дж. Моделирование на GPSS. М.: Машиностроение, 1980. - 592 с.

190. Экспертные системы, 1996. Экспертные системы. Инструментальные средства разработки / Под ред. Ю.В. Юдина. СПб.: Политехника, 1996.-220 с.

191. Экспертные системы для персональных компьютеров, 1990. Экспертные системы для персональных компьютеров: Методы, средства, реализация / В.Г. Крисевич, JI.A. Кузьмич, A.M. Шиф и др. Минск: Вышэйшая школа, 1990.- 197 с.

192. Экспертные системы, 1989. Экспертные системы: состояние и перспективы // Сб. научных трудов. М.: Наука, 1989. - 150 с.

193. Эндрю, 1985. Эндрю А. Искусственный интеллект. М: Мир, 1985.-264 с.

194. Энциклопедия кибернетики, 1974. Энциклопедия кибернетики. Т. 2. -Киев: АН УССР, гл. ред. Украинской советской энциклопедии, 1974. С. 131132.

195. Ярушкина, 1998. Ярушкина Н.Г. Мягкие вычисления в САПР // Сб тр. 6 национальной конференции с международным участием по искусственному интеллекту КИИ 98. Т.1. Пущино, 1998. С. 343-350.

196. Artificial Intelligence Group, 2000. Artificial Intelligence Group (University of Geneva).- http://cui.unige.ch/AI-group/home.html.

197. Benitez et al, 1997. Benitez J., Castro J., and Requena J.I. Are Artificial Neural Networks Black Boxes? // IEEE Transactions on Neural Networks. 1997. 8(5). P. 1156 -1164.

198. BrainMaker, 1998. BrainMaker V. 3.1. California: California Scientific Software, 1998.

199. Churchland, 1988. Churchland P.M. Perceptual Plasticity and Theoretical Neutrality: A replay to Jerry Fodor // Philosophy of Science. 1988. 55. P. 167-187.

200. Conceptual Structures, 1996. Conceptual Structures: Knowledge Representation as Interlingua // Pr. of the 4th International Conference on Conceptual Structures, ICCS'96. Sydney: Springer, 1996.

201. Cooper, Franks, 1993. Cooper R., Franks B. Interruptibility as a Constraint on Hybrid Systems // Mines and Machines. 1993.3. P. 73-96.

202. Cytowski, 1996. Cytowski J. Algorytmy Genetyczne: Podstawy i Zastosow-ania. Warszawa: Akademicka Oficyna Wydawnicza PLJ, 1996. - 104 p.

203. Deb, 1999. Deb K. Multi-Objective Evolutionary Algorithms: Introducing Bias Among Pareto-Optimal Solutions // Report № 9902. Genetic Algorithms Laboratory. Kanpur: Indian Institute of Technology, 1999.

204. Deshpande, et al, 2000. SHIFT. http://www.path.berkeley.edu/shift.

205. Donskoy, 1998. Donskoy V.I. Case-, Knowledge-, and Optimisation Based Hybrid Approach in AJ // Pr. of 11th Int. Conference on Industrial and Engineering Applications of AI and Expert Systems IEA-98-AIE. - Benicassim. Spain, 1998. P. 520-527.

206. Durkin, 1993. Durkin J. Expert Systems: Catalogue of Applications. Acron: Intelligent Computer Systems Inc., 1993.

207. Edelman, 1987. Edelman G. Neural Darwinism: The Theory of Neural Group Selection. New York: Basic Books, 1987.

208. Eom, 1995. Eom S.B. Decision support systems research: reference disciplines and a cumulative tradition // International Journal of Management Science. 1995. V.23. 5. P. 511-523.

209. ERAM, 1999. Engine Room Arrangement Model Program. http://eramwww.dt.navy.mil.

210. Fodor, 1984. Fodor J. Observation Reconsidered // Philosophy of Science. -1984. 51. P.23-43.

211. FORAN, 1999. FORAN. http://wwwspb.sterling.ru/foran.

212. Fuzzy CLIPS, 2000. Fuzzy CLIPS v 6.04. Institute for Information Technology. National Research Council of Canada.- http://ai.iit.nrc.ca/fiizzy/fuzzy.html.

213. Fuzzy Logic Toolbox, 1998. Fuzzy Logic Toolbox / For Use with MATLAB. User's Guide. Version 2. The MathWorks Inc., 1998.

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

215. Goldberg, 1998. Goldberg D.E. Algorytmy genetyczne i ich zastosowania. -Warszawa: Wyd. Naukowo-Techniczne, 1998. 408 p.

216. Goldberg, 1989. Goldberg D.E. Genetic Algorithm in Search and Machine Learning. Addison-Wesley Publishing Company, Inc., 1989.

217. Goonatilake, Khebbal, 1992. Goonatilake S., and Khebbal S. Intelligent Hybrid Systems // Pr. of the First Singapore Int. Conference on Intelligent Systems. -Singapore, 1992. P. 356-364.

218. Graver, Shavlik, 1993. Graver M.W., and Shavlik J.M. Using Sampling and Queries to Extract Rules from Trained Neural Networks // Pr. of the 11 International Conference on Machine Learning, 1993. P. 37-45.

219. Gupra, Rao, 1994. Gupra M.M., and Rao D.H. On the Principles of Fuzzy Neural Networks // Fuzzy Sets and Systems. 1994. V. 61. P.l-18.

220. Handbook of Genetic Algorithms, 1991. Handbook of Genetic Algorithms / Ed. L. Davis. N.Y. -Van Nostrand Reinhold.

221. Hebb, 1949. Hebb D. Organisation of Behaviour. New York: Wiley, 1949.

222. Hendler, 1989. Hendler J.A. On the Need for Hybrid Systems // Connection Science.- 1989. 1(3). P. 227-229.

223. Herrmann, 1997. Herrmann C.S. Symbolical Reasoning about Numerical Data: A Hybrid Approach // Applied Intelligence. 1997. №7. P. 339-354.

224. Herrera, Magdalena, 1998. Herrera F., and Magdalena L. Introduction: Genetic Fuzzy Systems // International Journal of Intelligent Systems.- 1998. V.13. P.887-890.

225. Hilario, 1995. Hilario M. An overview of strategies for neurosymbolic integration // The IJCAI Workshop on Connectionist -Symbolic Integration: From Unified to Hybrid Approaches. Montreal, 1995. P. 234-250.

226. Holland, 1975. Holland J.H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. Michigan: University of Michigan, 1975.

227. Hoffmann, 1998. Hoffmann F. Soft Computing Techniques for the Design of Intelligent Systems.- http://http.cs.berkeley.edu/~fhoffmann/oai97/oai.97.html

228. Home Page of Granada University, 2000. Home Page of Granada University (Spain) .- http://krypton.ugr.es/~encore.

229. Honavar, 1994. Honavar V. Symbolic Artificial Intelligence and Numeric Artificial Neural Networks: Towards A Resolution of Dichotomy // Technical Report TR 94-14. Iowa: Iowa State University, 1994.

230. Hruska et al, 1992. Hruska S., Kuncicky D., and Lacher R. Hybrid Learning in Expert Networks // Pr. of the Int. Joint Conf. on Neural Networks. V2. 1992. P.l 17120.

231. Hybrid Intelligent Systems Group, 2000. Hybrid Intelligent Systems Group (HIS). http://www.his.sunderland.ac.uk./main.html.

232. Jang, Sun, 1993. Jang J.-S.R., and Sun C.T. Functional Equivalence between Radial Basis Function Networks and Fuzzy In Reference Systems // IEEE Transactions Neural Networks. 1993. 4. P.156-158.

233. Kasabov, Kozma, 1998. Kasabov N., and Kozma R. Hybrid Intelligent Adaptive Systems: a Framework and a Case Study on Speech Recognition II Intelligent Systems. 1998.V.13. P. 455-466.

234. Kjellman, 1999. Kjellman A. The Role of Consciousness, in the Creation of Reality The Subject-Oriented Approach to Science // Pr. of 4th Int. Conf. "Mathematical Modelling and Analysis MMA 99". - Vilnius, 1999. P.48.

235. Kolesnikov, 1999. Kolesnikov A. Computer Aided Design of Hybrid Models for Automation Ship Systems // Konferencja Naukowo Techniczna AUTOMATION 99. - Warszawa, 1999. P. 281-285.

236. Kolesnikov, 2000. Kolesnikov A. Problem-Structure Technology for Hybrid Intelligent Systems Development // Pr. of the 4th IEEE International Baltic Workshop "Databases & Informational Systems". V.2. Vilnius: Tecnika, 2000. P. 141151.

237. Kolesnikov, Kowalsky, 1999. Kolesnikov A., and Kowalsky Z. Conceptual Models of Sea-Going Automation Application Domain and their Computer Aided Design // Konferencja Naukowo Techniczna AUTOMATION 99. - Warszawa, 1999. P. 275-280.

238. Kolesnikov, Yashin, 1999. Kolesnikov A., and Yashin A. Hybrid Simulation of Stratified Systems // Pr. of the 4th Intern. Conf. "Mathematical Modelling and Analysis MMA 99". Vilnius, 1999. P. 51.

239. Kolesnikov, Yashin, 2000. Kolesnikov A., Yashin A. Hybrid Modelling in Stratified Decision Support Systems -1 // Mathematical Modelling and Analysis. V.5. Vilnius: Technika, 2000. P. 108-118.

240. Kolesnikov, Yashin, 2001. Kolesnikov A., Yashin A. Hybrid Modelling in Stratified Decision Support Systems 2 // Mathematical Modelling and Analysis. V.6. №1,- Vilnius: Technika, 2001. P. 97-105.

241. Kolesnikov, Sedov, 1999. Kolesnikov A., and Sedov R. The Theory and Technology of Conceptual Modelling of Professional Activity Languages // Pr. of the 4th Int. Conf. "Mathematical Modelling and Analysis MMA 99". Vilnius, 1999. P. 50.

242. McCulloch, Pitts, 1943. McCulloch W.S., and Pitts W.H. A logical calculus of the Ideas immanent in Neuruous Activity // Bull, of Mathematical biophysics. 1943. N5. P. 115-119.

243. McGarry, et al, 1999. McGarry K., Wermter S., and Maclntyre J. Hybrid Neural Systems: From Simple Coupling to Fully Integrated Neural Networks // Neural Computing Surveys.- 1999. 2. P. 62-93.

244. Marenbach, et al, 1998. Marenbach P., et al. NeFuGeP Neuro-Fuzzy construction using Genetic Programming. A short introduction and users guide. -http://www.rt.e-technik.tu-darmstadt.de/~mali/DOC/nefugep/node2.html.

245. Medsker, 1996. Medsker L.R. Hybrid Intelligent Systems // International Journal of Computational Intelligence and Organizations. 1996. V.l. P. 10-20.

246. Medsker, 1995. Medsker L.R. Hybrid Intelligent Systems.- Kluwer Academic Publ., 1995.

247. Medsker, 1994. Medsker L.R. Hybrid Neural Network and Expert Systems. -Boston/Dordrecht/London: Kluwer Academic Publishers, 1994. 240 p.

248. Minsky, Papert, 1969. Minsky M., and Papert S. Perceptrons. Cambridge. MA, 1969.

249. Minsky, 1991. Minsky M. Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy // Al Magazine. 1991. V.12. 2. P. 33-51.

250. MIX, 1996. Modular Integration of Connectionist and Symbolic Processing in Knowledge-Based Systems (MIX), -http://www.loria.fr/equipes/rfia/cortex/mix.

251. Moller, Wiese, 1996. Moller J.-U., and Wiese D. Editing Conceptual Graphs // Pr. of 4th International Conference on Conceptual Structures ICCS'96. Sydney: Springer, 1996. P.175-187.

252. Nauck, 1998. Nauck D. SCOT A Tool for Developing Models from Soft Computing and Artificial Intelligence.http://innovate.bt.eom/unilinks/fellow/l 998/scot.htm.

253. Nauck, et al, 1992. Nauck D., Klawonn F., and Kruse R. Fuzzy Sets, Fuzzy Controllers and Neural Networks // Scientific Journal of the Humbold University of Berlin. Series Medicine 41. 1992. № 4. P. 99-120.

254. Nauck, Kruse, 1997. Nauck D., and Kruse R. Foundations of Neuro-Fuzzy Systems. Wiley, Chichester, 1997.

255. NEUfuzzy v3.0, 1999. NEUfuzzy v3.0. http://www.ncs.co.uk/nfuzzy.htm.

256. Neural Network Technology, 1997. Neural Network Technology: Welcome to The World Artificial Intelligence. Ward Systems Group Inc., 1997.

257. Neuro-Fuzzy Systems, 1999. Neuro-Fuzzy Systems.-http://fuzzy.cs.uni-magdeburg.de/nnfuz.html.

258. Neuron Data Elements Environment, 1996. Neuron Data Elements Environment Version 2.0. Getting Started. Neuron Data, Inc., 1996.

259. Newell, Simon, 1972. Newell A., Simon M. Human Problem Solving. -Englewood Cliffs. New Jersey: Prentice Hall, 1972.

260. Nilsson, 1998. Nilsson N.J. Artificial Intelligence. A New Synthesis. San Francisco. California: Morgan Kaufmann Publishers Inc., 1998. - 513 p.

261. Osipov, Pospelov, 1996. Osipov G.S., and Pospelov D A. Semiotic Systems and Models // Pr. of the 12th European Conference on Artificial Intelligence Workshop on Applied Semiotics. -1996. P.1-4.

262. Osowski, 1997. Osowski S. Sieci neuronowe w ujeciu algorytmicznym. -Warszawa: Wyd. Nukowo-Techniczne, 1997. 350 p.

263. Pedrycz, 1992. Pedrycz W. Fuzzy neural Networks with Reference Neurones as Pattern Classifiers // IEEE Transactions Neural Networks. 1992. 5. V. 3. P. 770775.

264. Pop, et al, 1994. Pop E., Hauward R., and Diederich J. RULENEG: Extracting Rules from a Trained ANN by Step-wise Negation // Technical report. QVT NRC, 1994.

265. Puri, Varaija, 1994. Puri A., Varaija P. Decidability of Hybrid Systems with Rectangular Differential Inclusions: Computer-Aided Verification // LN CS 818. -Springer-Verlag, 1994.

266. PCAI Magazine, 2001. PCAAI Magazine.2001. http://www.pcai.com.

267. Ribikauskas, et al, 1999. Ribikauskas A., Caplinskas A., and Vasilecas O. Conceptual Models of the Quality Control Process // Pr. of the 4th Intern. Conf. "Mathematical Modelling and Analysis MMA 99". Vilnius, 1999. P. 63.

268. Rosenblatt, 1960. Rosenblatt F. On the Convergence of Reinforcement Procedures in Simple Perceptrons // Cornel Aeronautical Laboratory Report VG-1196-G-4. Buffalo.NY, 1960.

269. Russell, Norvig, 1995. Russell S.J., Norvig P. Artificial Intelligence. A Modern Approach. Prentice Hall, 1995. - 932 p.

270. Rutkowska, et al, 1997. Rutkowska D., Pilinski M., Rutkowski L. Sieci neu-ronowe, algoritmy genetyczne i systemy rozmyte. Warszawa-Lodz: Wyd. naukowe PWN, 1997.-411 s.

271. Sastry, Zadeh, et al, 1997. Sastry S., Zadeh L., et al. Soft computing Techniques for the Design of Intelligent Systems, htpp ://robotics. eecs.berkeley.edu/MURI/muriproj ect 1. html

272. Sobh, et al, 1994. Sobh T.M. et al. A Graphical Environment and Application for Discrete Event and Hybrid Systems in Robotics and Automation. -http://www.bridgeport.edu/~sobh.

273. Soft Computing Studio, 2000. Soft Computing Studio Generic Framework for Visual Programming. - http://meridian-marketing.com/ECANSE/ecan-3bot.html.

274. Sprague, 1980. Sprague R.H. A Framework for the Development of Decision support systems // Management Information Systems Quarterly. 1980. V.4. P. 1-26.

275. Sun, 1995. Sun R. Robust Reasoning: Integrating rule-based and similarity-based Reasoning//Artificial Intelligence. 1995. 75(2). P. 214-295.

276. Sun, Bookman, 1995. Sun R., and Bookman L. How Do Symbols and Networks Fit Together// Al Magazine. 1995. V.14. № 2. P. 20-23.

277. Sun, 1996. Sun R. Hybrid Connectionist-Symbolic Models: a Report from the IJCAI'95 Workshop on Connectionist-Symbolic Integration // Technical Report № AL35487. University of Alabama, 1996.

278. Takagi, et al, 1992. Takagi H., Suzuki N., Koda Т., and Kojima Y. Neural Networks Designed on Approximate Reasoning Architecture and their Applications/ / IEEE Transactions Neural Networks. 1992. 5. V.3. P. 752-760.

279. The Laboratory of Computational Intelligence, 1999. The Laboratory of Computational Intelligence at the SCE-ICMSC-USP (University of Otago, Brasil). -http ://www. icmsc. sc .usp. br/~andre/hybrid-links. html.

280. TILShell Family, 1999. TILShell Family. Togai InfraLogic, Inc.-http ://www. ortech-engr.com/fuzzy/TilShell. html.

281. Towell, Shavlik, 1994. Towell G., and Shavlik J. Knowledge-Based Neural Networks //Artificial Intelligence. 1994.V. 69(70). P.l 19-165.

282. Ultsch, et al, 1993. Ultsch A., Mantyk R., and Halmans G. Connectionist knowledge acquisition tool: CONKAT // Artificial Intelligence Frontiers in Statistics: AI and Statistics 111 / Ed. J. Hand. Chapman and Hall, 1993. P. 256-263.

283. Vuorimaa, 1994. Vuorimaa P. Fuzzy Self-Organizing map // Fuzzy Sets and Systems. 1994. V.66. P.223-231.

284. Walsh, 1996. Walsh G. On Race Conditions for Networked Control Systems // Pr. of the 30th CISS. Princeton, 1996. P. 411-415.

285. Web-page of MultiLogic Inc., 2000. Web-page of MultiLogic Inc. -http://www.multilogic.com.

286. Web-page of Gensym Inc., 2000. Web-page of Gensym Inc. -http://www.gensym.com.

287. Web-page of MathWorks Inc., 2000. Web-page of MathWorks Inc.-http://www.mathworks.com.

288. Web-page of Flexible Intelligence Group, LLC., 2000. Web-page of Flexible Intelligence Group, LLC. 2000. http://www.flextool.com/ftsites.html.

289. Witsenhausen, 1966. Witsenhausen H.S. A Class of Hybrid-State Continuous Time Dynamic Systems // IEEE Trans, on Automatic Control.- 1966. 2. VI1. P. 161167.

290. Wu, Hughes, 1997. Wu X., and Hughes J.G. HKBCN A Hybrid Intelligent System for Knowledge Revising // Pr. Asia-Pacific Software Engineering Conference and International Computer Science Conference ICSC'97. - Hong Kong, 1997. P. 106114.

291. Zeigler, 1990. Zeigler B.P. Object-Oriented Simulation with Hierarchical, Modular Models. London: Academic Press, 1990.