Анализ и разработка современных интеллектуальных методов моделирования в системах принятия решений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Минашина, Инна Константиновна

• Минашина, Инна Константиновна
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Минашина, Инна Константиновна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

Глава 1 Задача построения автоматизированной системы управления железнодорожными перевозками

1.1 Описание задачи планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам

1.1.1 Качественная оценка полученного расписания движения поездов-------------------------19

1.2 Описание задачи планирования содержания локомотивов и локомотивных бригад на установленную потребность для обеспечения перевозочного процесса

1.3 Описание подзадачи моделирования пассажиропотоков на железнодорожном транспорте

Выводы по первой главе

Глава 2 Теоретические аспекты моделирования интеллектуальных систем управления

2.1 Анализ существующих подходов построения интеллектуальных систем управления -—

2.1.1 Эволюционное моделирование-------------------------------------------------------------------------27

2.1.2 Системы принятия решений------------------------------------------------------------------------------27

2.1.3 Теория мультиагентных систем-------------------------------------------------------------------------28

2.2 Мультиагентные системы в железнодорожном транспорте

2.2.1 Применение мультиагентных систем в железнодорожной отрасли.-----------------------30

2.3 Обзор методов многомерной оптимизации

2.3.1 Поиск локального экстремума---------------------------------------------------------------------------36

2.3.2 Поиск глобального экстремума-------------------------------------------------------------------------49

2.4 Обзор методов построения систем принятия решений и прогнозирования

2.4.1 Адаптивные алгоритмы идентификации-------------------------------------------------------------60

2.4.2 Нечеткая логика----------------------------------------------------------------------------------------------63

2.4.3 Нейронные сети----------------------------------------------------------------------------------------------74

Выводы по второй главе -------------------------------------------------------------------------------------------------76

Глава 3 Методы решения задачи построения эффективного расписания движения поездов и прикрепленных к ним тяговых ресурсов

3.1 Постановка задачи

3.2 Формирование ограничений, связанных с характерными особенностями перевозочного процесса

3.2.1 Планирование расписания поездов-------------------------------------------------------------------83

3.2.2 Планирование подвязки локомотивов----------------------------------------------------------------88

3.2.3 Планирование подвязки локомотивных бригад---------------------------------------------------89

3.3 Формализация задачи прикрепления тяговых ресурсов к поездам и ее программная реализация

3.3.1 Формирование функции полезности------------------------------------------------------------------90

3.3.2 Алгоритм построения модели планирования эффективного расписания грузоперевозок-------------------------------------------------------------------------------------------------------------------96

3.3.3 Сведение задачи прикрепления тяговых ресурсов к поездам к задаче оптимизации

3.4 Сравнительный анализ и выбор методов поиска эффективного расписания

3.4.1 Метод аукционов для решения задачи о назначениях----------------------------------------118

3.4.2 Метод имитации отжига---------------------------------------------------------------------------------121

Выводы по третьей главе

Глава 4 Автоматизация планирования содержания тяговых ресурсов на установленную потребность для обеспечения перевозочного процесса

4.1 Постановка задачи обеспечения тяговыми ресурсами перевозочного процесса---------125

4.1.1 Комплексная задача квартального обеспечения ТПС на установленную потребность

4.1.2 Комплексная задача квартального обеспечения ЛБ на установленную потребность

4.2 Реализация системы планирования содержания тяговых ресурсов на установленную потребность

4.2.1 Модуль квартального планирования КЗО ТПС---------------------------------------------------142

4.2.2 Модуль квартального планирования КЗО ЛБ-----------------------------------------------------148

4.3 Решение транспортной задачи и задачи поиска кратчайшего пути в рамках планирования содержания тяговых ресурсов

4.3.1 Мультиагентное решение транспортной задачи на основе аукционов------------------154

4.4 Система моделирования и прогнозирования потока пассажиров как составная часть задачи содержания тяговых ресурсов

4.5 Применение разработанных моделей в сфере монорельсового транспорта и системе типа ^ВаИп

Выводы по четвертой главе

Глава 5 Оценка эффективности работы построенных систем управления грузоперевозками

5.1 Тестовые сценарии проверки системы планирования расписания грузоперевозок —

5.1.1 Создание упрощенной модели полигона----------------------------------------------------------173

5.1.2 Проверка разработанной системы на реальных данных--------------------------------------181

5.2 Результаты работы модуля планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам

5.2.1 Анализ выполнения тестовых сценариев на упрощенной модели полигона-----------194

5.2.2 Анализ выполнения тестовых сценариев на реальных данных-----------------------------196

5.3 Сравнительный анализ работы различных алгоритмов решения задачи о назначении тяговых ресурсов на поезда

5.4 Анализ качественных показателей модуля планирования расписания грузоперевозок и его опытная эксплуатация

5.4.1 Расчет качественных показателей построенной системы управления перевозочным процессом

5.4.2 Ввод в опытную эксплуатацию модуля планирования расписания грузоперевозок -

5.5 Результаты введения в опытную эксплуатацию системы планирования содержания

локомотивных бригад и локомотивов на установленную потребность

5.5.1 Результаты планирования ТПС-------------------------------------------------------------------------217

5.5.2 Результаты планирования ЛБ--------------------------------------------------------------------------218

5.5.3 Опытная эксплуатация построенного модуля----------------------------------------------------220

Выводы по пятой главе

ЗАКЛЮЧЕНИЕ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ 1

ПРИЛОЖЕНИЕ 2

ПРИЛОЖЕНИЕ 3

Введение диссертации (часть автореферата) на тему «Анализ и разработка современных интеллектуальных методов моделирования в системах принятия решений»

ВВЕДЕНИЕ

Актуальность темы исследования. Диссертационная работа посвящена моделированию транспортных потоков и алгоритмов оптимизации планирования расписания грузоперевозок для системы управления перевозочным процессом и тяговыми ресурсами на железнодорожном транспорте.

В последние годы большое внимание уделяется созданию и развитию интеллектуальных систем управления в сфере транспортных коммуникаций. Одной из проблем, возникающих в ходе планирования и управления железнодорожным транспортом, является построение эффективных расписаний для регулирования перевозочного процесса. График движения поездов и прикрепленных к ним тяговых ресурсов является центральным документом, регламентирующим работу всех подразделений, фигурирующих в организации перевозочного процесса. В связи с этим поиск эффективного расписания движения поездов, а также снабжение перевозочного процесса требуемым количеством тяговых ресурсов входят в число наиболее важных задач в сфере железнодорожного транспорта, так как от их решения полностью зависит эффективность использования локомотивного парка. В настоящее время процедуры планирования и управления тяговым хозяйством имеют минимальный уровень автоматизации и по большей части производятся вручную. Такой подход влечет за собой массу неудобств и трудозатрат, что сказывается на экономической эффективности деятельности РЖД. В этих условиях значительно возрастает актуальность разработки автоматизированной системы управления перевозочным процессом и содержанием тяговых ресурсов.

Построение наилучшего расписания можно аппроксимировать задачей поиска глобального экстремума. Данная задача является актуальной и, в то же время достаточно трудоемкой, со сложностью, зависящей как от параметров системы и ограничений на целевые задачи, так и от их количества. Для реальных задач выбора наиболее предпочтительного решения как экстремума целевой функции существует множество алгоритмов поиска искомой величины. Однако для

моделирования необходимо учитывать множество критериев, которые влияют на эффективность выбранного алгоритма. Задача поиска оптимального решения в области управления железнодорожными перевозками характеризуется сложностью переменных фазового пространства и ограничений в нем, определяемых особенностью путевой инфраструктуры и технологическим процессом перевозки. В связи с этим использование общепринятых методов не во всех случаях является оптимальным применительно к сложным системам управления с большим количеством ограничений, не всегда имеющих известную структуру.

Степень разработанности проблемы исследования. Необходимо отметить, что уже сложилась достаточная научная база для рассмотрения проблемы разработки интеллектуальных систем управления. Изучение научной литературы показало, что в центре внимания исследований ученых были следующие задачи:

• задача управления в реальном масштабе времени (Эйкхофф П., Кузнецов Н., Райбман Н., Пащенко Ф., Ionescu D., Trif I., Moore R., Hawkinson L., Knickerbocker C., Churchman L., Wright M., Green M., Fiegl G., Cross P.);

• задача интеллектуального управления (Заде Л., Цыпкин Я., Saridis G., Valavanis K., Пащенко Ф.);

• задача экспертного адаптивного управления (Эйкхофф П., Заде Л., Цыпкин Я., Аведьян Э., Кузнецов Н., Astrom K., Hang C., Persson P., Ho W., Arze K.-E., Пащенко Ф.);

• задача определения наилучших значений параметров или структуры объектов или задача оптимизации (Эйкхофф П., Райбман Н., Цыпкин Я., Аведьян Э., Вазан М., Hansen E.).

Тем не менее, анализ представленных исследований показал, что существует ряд недостаточно разработанных проблем, среди них:

• учет неопределенности в оптимизационных моделях;

• идентификация и оптимизация сложных динамических систем, в случаях, когда вид оптимизируемой функции известен не полностью, либо ее структура слишком сложна;

• сокращение объема данных, хранимых при реализации методов идентификации систем управления и увеличение быстродействия и надежности разрабатываемых систем поддержки принятия решений (СППР);

• корректировка регулирующих устройств, самонастраивающихся, самообучающихся, самоорганизующихся и адаптивных систем.

• также можно говорить о наличии трудностей при учете ограничений и адаптации алгоритмов оптимизации к особенностям путевой инфраструктуры и специфике железнодорожной области

Сказанное выше определило проблему настоящего исследования: как построить СППР в сфере управления транспортными системами, которая бы учитывала ограничения данной области и выдавала эффективные решения по управлению локомотивным парком в режиме реального времени, адаптируясь к изменяющимся условиям.

Целью исследования является создание методов (т.е. математических моделей, алгоритмов и программ) решения задач поиска эффективного расписания движения и обеспечения поездов тяговыми ресурсами и их применение для построения системы управления перевозочным процессом. В состав исходных данных входит экспертная информация по грузоперевозкам и содержанию тягового подвижного состава для обеспечения перевозочного процесса.

Объектом исследования является производственный процесс управления локомотивными парками и бригадами для обеспечения нормальной работы по грузоперевозкам на железнодорожном транспорте.

Предметом исследования выступает планирование движения поездов и прикрепления к ним тяговых ресурсов, а также прогноз содержания тягового подвижного состава для обеспечения перевозочного процесса.

В соответствии с целью, объектом и предметом диссертации были поставлены и решены следующие основные задачи исследования:

1. Исследование известных методов искусственного интеллекта и их применения к задаче планирования грузоперевозок и построения эффективного расписания. Программная реализация методов;

2. Анализ существующих подходов к задаче планирования содержания тяговых ресурсов на установленную потребность и обеспечения перевозочного процесса требуемым количеством тягового подвижного состава;

3. Исследование специфики сферы железнодорожных перевозок и формирование ограничений, связанных с характерными особенностями перевозочного процесса.

4. Разработка математической модели системы управления перевозочным процессом, ее программная реализация.

5. Разработка математической модели системы планирования содержания тяговых ресурсов на установленную потребность, ее программная реализация.

6. Разработка алгоритмов поиска эффективного расписания движения и обеспечения поездов локомотивами, а также их адаптация в соответствии с найденными ограничениями исследуемой задачи; программная реализация созданных методов;

7. Моделирование управления грузоперевозками на примере Восточного полигона, оценка эффективности созданной системы управления перевозочным процессом.

Методология и методы исследования. При создании автоматизированных систем управления грузоперевозками на железнодорожном транспорте были использованы методы математического моделирования, теории вероятностей, методы идентификации, численные методы, методы нечеткой логики, нейронные сети, компьютерные методы обработки информации и моделирования, методы теории графов и решения транспортной задачи, а также методы разработки приложений на языках программирования Java, AgentSpeak.

Научная новизна работы заключается в следующем:

1. Разработан метод формализации задач планирования содержания тяговых ресурсов на установленную потребность для обеспечения перевозочного процесса требуемым количеством тягового подвижного состава (ТПС) и локомотивных бригад (ЛБ) и построения эффективного расписания движения поездов и прикрепленных к ним тяговых ресурсов;

2. Сформулирована задача оптимизации планирования расписания грузоперевозок как задача поиска экстремума целевой функции;

3. Предложены адаптированные методы поиска наилучшего расписания движения и обеспечения поездов тяговыми ресурсами в соответствии с ограничениями поставленной задачи;

4. Предложены модели и алгоритмы автоматизации квартального планирования и прогноза содержания подвижного состава и локомотивных бригад на установленную потребность для обеспечения перевозочного процесса; предложена нейро-нечеткая модель пассажиропотока, прогнозирующая его поведение в условиях неполной информации;

5. Разработана модель управления перевозочным процессом, позволившая гибко и эффективно обойти множество предоставляемых технологических ограничений, а также создать основу для последующей оптимизации. Предложенный алгоритм адаптивного планирования расписания движения тяговых ресурсов позволил найти эффективное решение поставленной задачи оптимизации.

Теоретическая значимость работы заключается в: исследовании ограничений и адаптации алгоритмов оптимизации к особенностям путевой инфраструктуры и специфике железнодорожной области; теоретическом обосновании надежности разработанной системы прогноза содержания тяговых ресурсов; решении проблемы построения СППР в сфере управления транспортными системами, способной учитывать ограничения данной области и выдавать эффективное решение по управлению тяговыми ресурсами в режиме реального времени.

Практическая значимость. Результаты настоящего исследования могут быть применены для автоматизации пассажиро- и грузоперевозок на железнодорожном транспорте, а именно автоматизации планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам, а также планирования содержания ТПС и ЛБ на установленную потребность для обеспечения перевозочного процесса. Построенные системы управления в настоящее время частично введены в опытную эксплуатацию на Восточном полигоне РЖД. Кроме того, исследование по моделированию пассажиропотоков, выполненное в данной работе, позволяет использовать полученные результаты для прогнозирования поведения транспортного потока на железнодорожном транспорте, том числе и на монорельсовом.

Основные научные положения, выносимые на защиту:

1. Методы учета ограничений, связанных с железнодорожной инфраструктурой и спецификой задачи планирования грузоперевозок на железнодорожном транспорте, а также модель управления грузоперевозками, построенная на основе разработанных методов;

2. Разработанные методы и алгоритмы автоматизации планирования содержания тяговых ресурсов для обеспечения нормальной работы грузоперевозок на заданный временной период; построенная нейро-нечеткая модель пассажиропотока с использованием релаксационных алгоритмов для параметрической идентификации;

3. Формулировка задачи оптимизации для планирования эффективного расписания движения поездов и прикрепленных к ним тяговых ресурсов, а также разработанные критерии и структура функции полезности для оценки эффективности полученного графика движения поездов.

4. Адаптированный под поставленные ограничения алгоритм оптимизации для решения задачи поиска эффективного расписания грузоперевозок, основанный на гибридном использовании метода аукционов и метода имитации отжига;

5. Комплекс программ для планирования расписания грузоперевозок (в частности для планирования привязки тяговых ресурсов к поездам на Восточном полигоне РЖД) с использованием разработанных алгоритмов оптимизации и решения задачи о назначениях;

6. Комплекс программ для планирования содержания тяговых ресурсов на установленную потребность на заданный период (в частности для планирования содержания локомотивных бригад на установленную потребность на квартал на Восточном полигоне РЖД) с использованием методов решения транспортной задачи и методов теории графов.

Апробация работы. Материалы диссертационной работы были доложены и

обсуждены на следующих международных конференциях и семинарах: 4th International Conference ICDQM-2013, Life Cycle Engineering and management, June 27-28 2013. Belgrade, Serbia; Управление развитием крупномасштабных систем (MLSD'2013), 30 сентября - 2 октября 2013 г., Москва; Международная молодежная научно-практическая конференция «Человек и космос», 9-11 апреля 2013г., Днепропетровск, Украина; The 5th International Conference on Emerging Ubiquitous Systems and Pervasive Networks (EUSPN-2014), Halifax, Nova Scotia, Canada on September 22-25, 2014; The 6th International Conference on Emerging Ubiquitous Systems and Pervasive Networks, September 27-30, 2015, Berlin, Germany; «10th International Conference on Application of Information and Communication Technologies (AICT2016)», Baku, Azerbaijan,12 - 14 of October 2016; The 7th International Conference on Emerging Ubiquitous Systems and Pervasive Networks (EUSPN), September 19-22, 2016, London, United Kingdom; The 8th International Conference on Ambient Systems, Networks and Technologies May 16-19, 2017, Madeira, Portugal; The 11th IEEE International Conference AICT2017 Application of Information and Communication Technologies, 20-22 Sep 2017 | Moscow, Russia.

А также на следующих Российских конференциях: 55-я научная конференция МФТИ, 19-25 ноября 2012, Долгопрудный; «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2012», 15-16 ноября 2012,

Москва; ИСУЖТ-2013, 21-22 октября 2013, Москва; «Управление большими системами» УБС-10, 5-7 июня 2013, Уфа; ИСУЖТ-2014, 19 ноября 2014г., Москва; 57-я научная конференция МФТИ, 24-29 ноября 2014, Долгопрудный; 58-я научная конференция МФТИ с международным участием, 23-28 ноября 2015 года, Долгопрудный; ИСУЖТ-2015, 18 ноября 2015 г., Москва; ИСУЖТ-2016, 1718 ноября 2016, г. Москва.

Кроме того, построенные системы управления железнодорожными перевозками частично внедрены на Восточном полигоне в опытную эксплуатацию. Проведенное исследование по прогнозированию пассажиропотоков и содержанию тяговых ресурсов используется при разработке технических решений для транспортной системы типа H-BAHN (имеется акт о внедрении, см. Приложение 3). Результаты диссертационной работы были получены и применены при разработке технических решений в рамках выполнения прикладных научных исследований и экспериментальных разработок -уникальный идентификатор RFMEFI58214X0003 при поддержке Министерства образования и науки РФ.

Публикации. По теме диссертации опубликовано 29 работ: 10 статей в центральных журналах, рекомендованных ВАК РФ для опубликования результатов диссертаций (в том числе 8 статей в журналах из перечня Scopus и WOS) и 19 статей опубликованных в изданиях, выпускаемых в Российской Федерации и за рубежом.

Структура и объем диссертации. Диссертационная работа состоит из введения, 5-ти глав, заключения, списка использованных источников и 3-х приложений. Общий объем работы составляет 249 страниц. Работа содержит 37 рисунков, 28 таблиц и библиографию из 123 наименований.

Во введении обосновывается актуальность диссертационной работы, характеризуются объект и предмет исследования, формулируются цель и задачи исследования, определяется научная новизна работы, рассматривается степень изученности темы в научной литературе, раскрываются теоретическая значимость

и практическая ценность диссертации. Представляются выносимые на защиту основные научные положения, приводятся сведения об апробации полученных результатов и публикациях по теме исследования.

В первой главе «Задача построения автоматизированной системы управления железнодорожными перевозками» приводится общая постановка задачи построения системы управления железнодорожными перевозками. Глава состоит из четырех параграфов. В первом параграфе описывается задача планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам. Во втором - задача планирования содержания локомотивных бригад на установленную потребность для обеспечения перевозочного процесса. Третий параграф посвящен подзадаче моделирования пассажиропотоков.

Во второй главе «Теоретические аспекты моделирования интеллектуальных систем управления» проводится анализ существующих подходов построения интеллектуальных систем управления, обзор методов многомерной оптимизации, технологий автоматизации процессов управления планирования и содержания тяговых ресурсов, исследованы основные методы построения СППР для прогнозирования и моделирования пассажиропотоков.

В третьей главе «Методы решения задачи построения эффективного расписания движения поездов и прикрепленных к ним тяговых ресурсов»

рассматриваются методы формализации задачи построения эффективного расписания движения поездов и прикрепленных к ним тяговых ресурсов, дается теоретическое обоснование выбора алгоритма оптимизации и раскрывается его адаптация к специфике сферы железнодорожных перевозок. Глава состоит из четырех параграфов. В первом параграфе приводится формальное описание указанной задачи. Второй параграф представляет формирование ограничений, связанных с характерными особенностями перевозочного процесса. В третьем параграфе описывается формализация задачи прикрепления тяговых ресурсов к поездам и построение математической модели системы управления перевозочным процессом, а также ее программная реализация. Четвертый параграф посвящен

сравнительному анализу методов поиска эффективного расписания, а также теоретическому описанию предложенных алгоритмов.

Четвертая глава «Автоматизация планирования содержания тяговых ресурсов на установленную потребность для обеспечения перевозочного процесса» посвящена описанию задачи планирования содержания локомотивных бригад на установленную потребность для обеспечения перевозочного процесса. Также в ней рассматривается задача прогнозирования и оптимизации движения пассажиропотока и ее решение с помощью нейро-нечеткого моделирования. Глава состоит из пяти параграфов. Первый параграф дает формальную постановку задачи обеспечения и управления тяговыми ресурсами, описывая отдельно комплексные задачи квартального обеспечения локомотивов и локомотивных бригад на установленную потребность. Второй параграф посвящен формализации указанной задачи и реализации системы планирования содержания тяговых ресурсов на установленную потребность. Третий параграф описывает выбранные методы решения транспортной задачи и задачи поиска кратчайшего пути. В четвертом параграфе раскрывается предложенный подход построения системы моделирования и прогнозирования потока пассажиров и оптимизации состава поездов, как составная часть СППР. Пятый параграф рассматривает монорельсовый транспорту и систему Н-Вакп, а также возможность применения разработанных моделей в данной сфере.

В пятой главе «Оценка эффективности работы построенных систем управления грузоперевозками» приведены основные результаты исследования. Глава состоит из пяти параграфов. Первый параграф описывает тестовые данные для проверки работы системы привязки локомотивов к поездам, которые включают как тестовую модель Восточного полигона, так и реальные данные, полученные с участка ответственности Центра управления тяговыми ресурсами (ЦУТР), управляющего Восточным полигоном. Второй параграф отражает результаты работы модуля управления перевозочным процессом и привязки тяговых ресурсов к поездам. В третьем параграфе производится сравнение

результатов работы различных алгоритмов решения задачи о назначении тяговых ресурсов на поезда. В четвертом параграфе производится анализ качественных показателей построенной системы управления железнодорожными перевозками и представляются результаты введения ее в опытную эксплуатацию. Пятый параграф посвящен результатам введения в опытную эксплуатацию системы планирования содержания локомотивных бригад на установленную потребность.

В заключении подводятся основные итоги диссертационного исследования.

Автор выражает искреннюю благодарность Евгению Витальевичу Никульчеву, Николаю Георгиевичу Рябых, Борису Андреевичу Смилге и Андрею Куркеновичу Такмазьяну за оказанную помощь, содействие и полученный опыт при подготовке работы.

ГЛАВА 1

ЗАДАЧА ПОСТРОЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ЖЕЛЕЗНОДОРОЖНЫМИ ПЕРЕВОЗКАМИ

Основной целью создания автоматизированной системы управления тяговыми ресурсами является повышение экономической эффективности работы ОАО «РЖД» за счет автоматизации планирования расписания поездов и управления содержанием тягового хозяйства. Построенные подсистемы разрабатывались в рамках единой интеллектуальной системы управления и автоматизации производственных процессов на железнодорожном транспорте (ИСУЖТ) и входят в сложную структуру подразделений, принимающих участие в организации перевозочного процесса. Важнейшей частью данной структуры является тяговое хозяйство. На Рисунке 1.1 показано управление тяговыми ресурсами в схеме планирования перевозочного процесса.

Рисунок 1.1. Управление тяговыми ресурсами в схеме планирования перевозочного процесса

Задачи, рассматриваемые в данной работе, относятся именно к этой части планирования грузоперевозок, что существенно повышает роль их изучения и автоматизации.

1.1 Описание задачи планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам

В настоящее время все операции по созданию плана пропуска поездов большей частью производятся вручную, что увеличивает трудозатраты на их исполнение, продолжительность работы и риски возникновения ошибок. В связи с этим, возрастает значение автоматизации рассматриваемой проблемы.

Задача планирования расписания грузоперевозок является одной из задач, решаемых функциональной подсистемой ИСУЖТ «Оперативное Управление Эксплуатационной Работой» (ОУЭР). Рисунок 1.2 раскрывает связь указанной задачи с управлением тяговыми ресурсами. Результатом управления тяговыми ресурсами в подсистеме планирования расписания поездов и прикрепления к ним тяговых ресурсов является план поездообразования, который впоследствии обрабатывается в отчетность и представляется на табло коллективного пользования.

Рисунок 1.2 Связь рассматриваемой задачи с управлением тяговыми ресурсами

Задача планирования расписания грузоперевозок является одной из наиболее сложных и актуальных задач, возникающих в рамках управления движением на железнодорожном транспорте. В нее можно включить задачу составления расписания движения поездов (а именно, выбор оптимального времени отправления поездов со станций), а также задачу привязки к поездам локомотивов и локомотивных бригад. При этом, хотя и эти задачи требуется

решать в комплексе, задача составления расписания движения поездов является базовой, на которую впоследствии накладываются ограничения задач о прикреплении тяговых ресурсов.

Рассмотрим для начала задачу планирования графика движения поездов. Главное ограничение в задаче составления расписания движения поездов заключается в том, что для поездов нельзя выбирать произвольные времена отправления и прибытия на станции. Поезда, в соответствии с технологией, должны двигаться только по определенным ниткам вариантного графика, который составляется на основе нормативного графика движения поездов на каждые следующие железнодорожные сутки. Поэтому задачу составления расписания можно поставить как задачу поиска оптимальных ниток вариантного графика для поездов.

Перейдем к описанию задачи прикрепления тяговых ресурсов к поездам. Задачу можно сформулировать следующим образом: имеются исходные данные -состояние и дислокация локомотивов на начало планируемого периода, их параметры; маршруты поездов с подобранными под них нитками вариантного графика. Необходимо сформировать схему прикрепления локомотивов к поездам на планируемый период, обеспечивающую наилучшее выполнение плана перевозок с соблюдением заданных ограничений и технологических нормативов работы локомотивов.

Аналогичным образом формулируется и задача привязки локомотивных бригад к локомотивам.

Данные задачи могут иметь множество решений разной степени оптимальности. Поэтому целесообразно будет для качественной оценки какого-либо варианта назначения ввести целевые функции пар <поезд, нитка>, <поезд, локомотив>, <локомотив, локомотивная бригады>. Рассмотрим здесь некоторые аспекты построения функции полезности для задачи планирования расписания поездов. Более подробное описание составления функций полезности для задач привязки тяговых ресурсов к поездам будет рассмотрено в разделе 3.3.

1.1.1 Качественная оценка полученного расписания движения

поездов

Для оценки полученного графика движения поездов необходимо знать основные критерии привязки конкретного поезда под ту или иную нитку вариантного графика. Приведем некоторые правила вычисления функции полезности для каждой пары <поезд, нитка>, разработанные с целью определения эффективности назначения поезда на нитку. Таким критериями являются:

1. Время ожидания поезда. Поскольку долгий простой поездов на станциях нецелесообразен, время стоянки поезда на станции в ожидании следующей нитки должно быть, по возможности, маленьким. Для этого критерия есть несколько нюансов использования:

a. На станции формирования поезда этот критерий требуется учитывать с меньшим весом, исходя из того, что на станции формирования поезд может простаивать в ожидании отправления дольше, чем на промежуточных станциях по ходу движения.

b. Для станций смены бригад и локомотивов должно учитываться время на стоянку поезда для соответствующей смены.

2. Равномерность почасового отправления поездов:

a. Количество поездов, запланированных к отправлению в данный час, должно быть близко к среднему количеству поездов, которое надо отправить в час с этой станции. Среднее количество можно найти, взяв объемный суточный план отправления поездов и разделив количество поездов из этого плана на 24.

Список литературы диссертационного исследования кандидат наук Минашина, Инна Константиновна, 2018 год

ЛИТЕРАТУРА

1. Аведьян Э.Д., Модифицированные алгоритмы Качмажа для оценки параметров линейных объектов. Автоматика и телемеханика, № 5, 1978, с. 64-72.

2. Аведьян Э. Д., Цыпкин Я. З., Обобщенный алгоритм Качмажа, Автомат. и телемех., 1979, № 1, 72-78; Autom. Remote Control, 40:1 (1979), 55-59.

3. Аветисян А. Р., Пащенко А. Ф., Пащенко Ф. Ф., Пикина Г.А., Филиппов Г. А., Теплогидравлические модели оборудования электрических станций, под ред. Г. А. Филиппова, Ф. Ф. Пащенко. - М: ФИЗМАТЛИТ, 2013. - 448 с. - ISBN 978 -5 - 9221 - 1518 - 6.

4. Аксенов В.М., Пащенко Ф.Ф. Об адаптивной идентификации объектов в замкнутых системах. Автоматика и телемеханика, 1980, № 10, с.70-80.

5. Акчурина Н.Р., Вагин В.Н. Параллельная обработка таблиц решений для задач распознавания. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

6. Алексеев А.М., Павлов А.В. Интеграция логического и образного мышления методом Фурье-голографии: реализация немонотонных рассуждений. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

7. Алиев М.И., Исаева Э.А., Ашрафова Н.А., Алиев И.М., Фигаров В.Р. Выбор решения в архитектуре //Новости искусственного интеллекта №3, 2003

8. Альберт А., Гарднер Л. Регрессия, псевдоинверсия и рекуррентное оценивание. М.: Наука, 1977.

9. Аншаков О.М. Об одном подходе к порождению гипотез в ДСМ-методе. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

10. Аронов Д.А. Применение систем искусственного интеллекта в сфере компьютерных технологий при решении задачи электромагнитной совместимости сверхширокополосных устройств со спутниковой радионавигационной системой в совместно используемых полосах частот. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

11. Арский Ю.М., Финн В.К. Принципы конструирования интеллектуальных систем //Информационные технологии и вычислительные системы №4, 2008

12. Артемьева И.Л. Многоуровневые модели предметных областей и методы их разработки. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

13. Асламова В.С., Васильев И.В., Засухина О.А. Оптимизация технологических процессов. Часть 1. Метод Лагранжа и численные методы безусловной оптимизации функции одной переменной: Учебное пособие для студентов дневной и заочной форм обучения специальности "Автоматизация технологических процессов" - Ангарск: АГТА, 2005 - 104 с.

14. Барабашова О. В., Крушель Е. Г. «Алгоритмы поиска экстремума функции многих переменных», Методические указания / Сост. О. В. Барабашова, Е. Г. Крушель; Волгоград. гос. техн. ун-т, Волгоград, 2000. -30с.

15. Батищев Д.И., Неймарк Е.А., Старостин Н.В. Оптимизация нестационарных задач комбинаторного типа с помощью генетических алгоритмов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

16. Бежитский С.С., Семенкин Е.С. Эволюционные алгоритмы для автоматизации проектирования распределенных систем обработки информации и управления. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

17. Берестнева О.Г., Добрянская Р.Г., Муратова Е.А. Применение методов Data Mining для формирования базы знаний экспертной системы прогнозирования исхода родов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

18. Богданов В.С., Котенко И.В., Степашкин М.В. Интеллектуальная система анализа защищенности компьютерных сетей. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

19. Большакова Е.И., Васильева Н.Э., Морозов С.С. Лексико-синтаксические шаблоны для автоматического анализа научно-технических текстов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

20. Боровиков В.П. «Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных, 2 издание, Телеком, 2008

21. Бурмистров М.Ю., Валиев М.К., Дехтярь М.И., Диковский А.Я. О верификации динамических свойств систем взаимодействующих агентов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

22. Бутенков Д.С., Бутенков С.А., Аль-Доуяни С. Интеллектуальный анализ изображений с помощью нечетких отношений на инкапсулирующих гранулах. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

23. Bruck J. On the convergence properties of the Hopfield model // Proceedings of the IEEE.—1990. — V. 78.— P. 1579-1585.

24. Вазан М. Стохастическая аппроксимация. М.: «Мир», 1972, с. 295.

25. Вельмисов А.П., Стецько А.А., Ярушкина Н.Г. Нечеткие гибридные системы в задачах интеллектуального анализа данных. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

26. Вершинин Я. Н., В. Н. Крутиков, Субградиентный метод минимизации с коррекцией векторов спуска на основе пар обучающих соотношений, Вестник КемГУ, Кемерово: Кемеровский государственный университет - 2014. - с. 46-54.

27. Воеводин Ю.Ю., Комарцова Л.Г. Нейросетевые методы эффективного поиска релевантной информации в сети Интернет. //Десятая национальная конференция по искусственному интеллекту с международным участием

КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

28. Волкова Т.А., Добрынин Д.А. Сравнение системы нечеткого вывода и обучаемой ДСМ-системы при планировании движения мобильного робота. //V-» Международная научно-практическая конференция "Интегрированные модели и мягкие вычисления в искусственном интеллекте" (28-30 мая 2009) Сб. научных трудов. В 2-т., М: Физматлит, 2009, Т.1, с.473-481.

29. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А., Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности, Харьков, «Основа», 1997. - 112с.

30. Гончарова Е.И., Сафронов В.Н., Чехов А.В., На основе технологии интеллектуальных агентов., 2013, Железнодорожный транспорт, С. 50.

31. Горбань А. Н., Дунин, Барковский В. Л., Кардин А. Н. и др.; Нейроинформатика / Отв. ред. Новиков Е. А. (Институт вычисл. моделирования СО РАН).— Новосибирск: Наука, 1998.— 295 с.

32. Граничин О.Н., Поляк Б.Т. «Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах», М.: Наука, 2003. - 291 с.

33. Демьянов, В. Ф. Недифференцируемая оптимизация / В. Ф. Демьянов, Л. В. Васильев. - М.: Наука, 1972. - 368 с.

34. Дургарян И.С., Пащенко Ф.Ф., В.П. Синицын. «Системы поддержки принятия решений в АСУТП ЭС», ИПУ РАН им. В.А. Трапезникова, 2012.

35. Жукова Н.А. Использование алгоритмов ассоциации в интеллектуальных системах обработки телеметрической информации. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

36. Захарова Е.М., Матвиенко В.А., Симонов А.В., Минашина И.К., Бородулин С.В., «О подходе к эффективному планированию содержания

локомотивных бригад для обеспечения перевозочного процесса на больших временных горизонтах», Труды пятой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2016», стр. 103 - 106, 17-18 ноября 2016, г. Москва

37. Захарова Е.М., Минашина И.К., «Анализ и разработка оптимизационных алгоритмов для мультиагентной системы в железнодорожном комплексе», Труды 57-й научной конференции МФТИ: Всероссийской научной конференции с международным участием "Актуальные проблемы фундаментальных и прикладных наук в области физики", Всероссийской молодежной научной конференции с международным участием "Актуальные проблемы фундаментальных и прикладных наук в современном информационном обществе". Радиотехника и кибернетика. М:МФТИ, 24-29 ноября 2014 года, стр.182184.

38. Захарова Е.М., Минашина И.К., А.К. Такмазьян, Ф.Ф.Пащенко, Планирование и прогноз содержания тягового подвижного состава для обеспечения перевозочного процесса, Тезисы 58-й научной конференции МФТИ (Долгопрудный, 2015). Москва-Долгопрудный-Жуковский: МФТИ, 2015. С. http://conf58.mLpt.ru/static/reports_pdf/831.pdf

39. Захарова Е.М., Минашина И.К., Такмазьян А.К., Алтунин В.П., «Планирование и прогноз содержания тягового подвижного состава для обеспечения перевозочного процесса», Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», стр. 37 - 41, 18 ноября 2015 г., Москва.

40. Захарова Е.М., Пащенко Ф.Ф., Такмазьян А.К., Минашина И.К., Кузнецов Н.А. Intelligent Control Systems for the Rolling Equipment Maintenance of Rail Transport / Proceedings of the 11th IEEE International Conference on Application of Information and Communication Technologies (AICT2017, Moskow). М.: IEEE, 2017. v.1. p. 423-425.

41. Крутиков, В. Н. Обучающиеся методы безусловной оптимизации и их применение / В. Н. Крутиков. - Томск: Изд-во Том. гос. пед. ун-та, 2008. -264 с.

42. Крутиков, В. Н. Релаксационные методы безусловной оптимизации, основанные на принципах обучения: учебное пособие / В. Н. Крутиков. -Кемерово: Кузбассвузиздат, 2004. - 171 с.

43. Кудинов, Ю.И. Моделирование динамических теплофизических характеристик / С.А. Тянутова, Л.И. Кудинова // Вестник ТГТУ. - 2002. □ Т. 8, № 1.- С. 41 - 53.

44. Кудинов, Ю.И. Применение эволюционного алгоритма для идентификации нечеткой модели / Ю.И. Кудинов, Н.А. Архипов, И.Ю. Кудинов, М.И. Полухина, А.Ю. Келина // Системы управления и информационные технологии.- 2004. - № 2(14). - С. 15 - 18.

45. Кудинов, Ю.И. Исследование нечетких динамических моделей и алгоритмов идентификации /Ю.И.Кудинов, С.А. Суслова // Сборник научных трудов Международной конференции " Современная металлургия начала нового тысячелетия ". Липецк: ЛГТУ, 2005. - Ч.3. - С.88 - 92.

46. Кудинов, Ю.И. Нечеткое моделирование и идентификация технологических процессов / Ю.И. Кудинов // Измерение, контроль, автоматизация. - 1988. - № 2. - С. 77 - 85.

47. Кудинов, Ю.И. Программный комплекс для построения и идентификации нечетких моделей /Ю.И.Кудинов, И.Ю. Кудинов, К.С. Иванченко // Промышленные АСУ и контроллеры. - 2006. □ № 12. - С. 39 - 41.

48. Кузнецов Н.А., Козякин В.С., Чеботарев П.Ю., Скобелев П.О., Капустин Н.И., Матвиенко В.А., Рябых Н.Г., Гречишкина Н.А., Цыганова О.М., Захарова Е.М., Минашина И.К. «Качественный анализ и моделирование алгоритмов оптимизации мультиагентной системы управления перевозочным процессом на железнодорожном транспорте», Труды второй научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2013», стр. 58-61, 21-22 октября 2013, Москва.

49. Кузнецов Н.А., Пащенко Ф.Ф., Рябых Н.Г., Минашина И.К., Захарова Е.М., «Алгоритмы оптимизации в задачах планирования на рельсовом транспорте», научный электронный журнал Информационные процессы, Том 14, 4, стр. 307-318, 2014

50. Лебедев Б.К., Лебедев О.Б. Эволюционные процедуры решения комбинаторных задач на графах. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

51. Матюхин В.Г., Рябых Н.Г., Шабунин А. Б., «Сравнительный анализ алгоритмов решения задачи о прикреплении тяговых ресурсов к поездам», Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», стр. 28 - 30, 18 ноября 2015 г., Москва.

52. Матюхин В.Г., Шаров В.А., Шабунин А.Б. (2012) Управление железной дорогой онлайн // Пульт управления. №1. Режим доступа: http: //pult. gudok.ru/archive/detail. php?ID=42003 5.

53. Минашина И.К., Захарова Е.М. «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях» сборник

конференции «Управление большими системами» УБС-10, Уфа, 2013, Том 1, 247

54. Минашина И.К., Захарова Е.М. «Нейро-нечеткое моделирование в управлении пассажироперевозками», сборник конференции «Управление большими системами» УБС-10, Уфа,2013, Том 1, 251

55. Минашина И.К., Захарова Е.М., «Обзор методов многомерной оптимизации», научный электронный журнал Информационные процессы, Том 14, 3, стр. 256-274, 2014

56. Минашина И.К., Захарова Е.М., «Разработка и анализ алгоритмов оптимизации в задачах планирования на железнодорожном транспорте», Труды третьей научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2014», стр. 24-29, 19 ноября 2014г., Москва.

57. Молчанов С.А., Пащенко Ф.Ф., Сапрыкин Е.М. и др. «Динамические модели в перспективных системах управления АЭС». Энергетика и электрофикация. Сер. Атомные электростанции - М.: Энергоатомиздат, 1989 - Вып. 11.

58. Новоселова Н.А. Построение нечеткого классификатора с использованием метода субтрактивной кластеризации и последующая оптимизация его структуры для повышения интерпретируемости результатов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

59. Отчет о прикладных научных исследованиях и экспериментальных разработках по теме: "Разработка проекта, создание и испытание экспериментального транспортного участка и системы автоматического управления движением надземной транспортной системы типа "Н-Бакд"", Москва, 2015

60. Пащенко Ф. Ф., Пикина Г. А. Основы моделирования энергетических объектов. М: ФИЗМАТЛИТ. - 2011 г. - 464 с. ISBN: 978-5-9221-1367-0.

61. Пащенко Ф.Ф. «Введение в состоятельные методы моделирования систем; Ч. 2. Идентификация нелинейных систем» - М.: Финансы и статистика, 2007.

62. Пащенко Ф.Ф., «Нечеткие модели и системы управления», М.: Ленанд, 2017 - 328 с.

63. Пащенко Ф.Ф., Беккер В.Я., Норкин К.Б., Пащенко А.Ф. Сценарии развития научного и инновационного потенциала Москвы. / Труды 5-й Межд. конф. «Управление развитием крупномасштабных систем-MLSD'2011». М.: ИПУ РАН, 2011. 1. С. 147-152.

64. Пащенко Ф.Ф., Бернацкий Ф.И Исследование и моделирование проекционных алгоритмов идентификации и управления. ИАПУ ДВНЦ АН СССР, 1985.

65. Пащенко Ф.Ф., Захарова Е.М., Минашина И.К., Рябых Н.Г., «Моделирование алгоритмов оптимизации перевозочным процессом на железнодорожном транспорте», Вестник Международной Академии Системных Исследований, Информатика, Экология, Экономика, 2014, Т.16, №1, с.90-99.

66. Пащенко Ф.Ф., Кузнецов Н. А., Минашина И. К., Захарова Е. М. «Использование релаксационных алгоритмов для оценки параметров нейро-нечетких моделей», 4th International Conference ICDQM-2013, LIFE CYCLE ENGINEERING AND MANAGEMENT, Proceedings, June 27-28 2013. Belgrade, Serbia. Editor-in-Chief: Ljubisa Papic Publisher: Research Center DQM, p.94-100.

67. Пащенко Ф.Ф., Кузнецов Н.А., Рябых Н.Г., Захарова Е.М., Минашина И.К., «Моделирование алгоритмов оптимизации мультиагентной системы управления перевозочным процессом», Вестник Международной Академии

Системных Исследований, Информатика, Экология, Экономика 2014, Т.16, №1, с.9-15

68. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М. «Нейро-нечёткое моделирование пассажиропотоков», сборник трудов первой научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте», ИСУЖТ-2012, М.,15-17 ноября 2012, с. 105108

69. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях», Вестник Международной академии системных исследований. М.,2013, стр. 112-118

70. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Нейро-нечеткое моделирование пассажиропотоков», Управление развитием крупномасштабных систем (MLSD'2013): Материалы Седьмой международной конференции, 30 сентября - 2 октября 2013 г., Москва: в 2 т. / Ин-т проблем упр. им. В.А. Трапезникова Рос. акад. наук; под общ. ред. С.Н.Васильева, А.Д.Цвиркуна. - Т. 2. Секции 4-10. - М.: ИПУ РАН, 2013. -445 с. - ISBN 978-5-91450-138-6, с. 144.

71. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Нейро-нечёткое моделирование пассажиропотоков», Вестник МАСИ.Т.15.ч.1.2013.с.102-107

72. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Построение алгоритмов оптимизации планирования перевозочных процессов», Международная молодежная научно-практическая конференция «Человек и космос», 9-11 апреля 2013г., Днепропетровск.

73. Правила технической эксплуатации железных дорог российской федерации, министерство путей сообщения РФ, 26 мая 2000 г., N ЦРБ-756

74. Райбман Н.С., Основы управления технологическими процессами, М.: Наука, 1978, с. 440.

75. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. М.: Энергия, 1975, с. 376.

76. Ревякин A. M. Графы, матроиды и их инженерные приложения. — М.: МИЭТ, 1991.— 178 с.

77. Редько В.Г. Модели адаптивного поведения и проблема происхождения интеллекта //Математическая биология и биоинформатика (электронный журнал) №1, 2007, 2, с.160-180

78. Редько В.Г., Бурцев М.С., Сохова З.Б., Бесхлебнова Г.А. Искусственные общества (электронный журнал) //Моделирование конкуренции при эволюции многоагентной системы №2, 2007, 2, с.76-89 (http: //www. artsoc. ru/html/j ournal. htm)

79. Рябых Н.Г., Захарова Е.М., Минашина И.К., Корчагин Т.А., «Реализация привязки поездов на нитки вариантного графика с помощью решения задачи о назначениях», Труды третьей научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2014», стр. 48-51, 19 ноября 2014г., Москва.

80. Рябых Н.Г., Захарова Е.М., Минашина И.К., Ф.Ф.Пащенко, Реализация привязки поездов на нитки вариантного графика с помощью решения задачи о назначениях, Тезисы 58-й научной конференции МФТИ (Долгопрудный, 2015). Москва-Долгопрудный-Жуковский: МФТИ, 2015. С. http: //conf5 8. mipt.ru/static/reports_pdf/818. pdf

81. Свиридова И.К. «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях в системах принятия решений», Труды 55-й научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук», «Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе», «Современные проблемы

фундаментальных и прикладных наук в области физики и астрономии». Радиотехника и кибернетика. Т.2.-М.:МФТИ, 2012 - с.36-38.

82. Скобелев П.О., Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской научной школы мультиагентных систем., 2010. // Мехатроника, автоматизация, управление. №12. С. 33-46.

83. Такмазьян А. К, Шелудяков А. В., Мультиагентное решение методом аукционов многопродуктовой транспортной задачи с объединенными потребностями, Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», с. 110-112, 18 ноября 2015 г., Москва.

84. Татузов А.Л. Нейросетевая модель появления и пропадания генов в ходе эволюции. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

85. Финн В.К. Интервью для журнала "Куда пойти учиться" № 26 (625) от 30.06.08. //Куда пойти учиться №26 (625), 2008

86. Финн В.К. К структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта //Вопросы философии №1, 2009

87. Финн В.К. О логико-семиотических проблемах теории понимания текстов //Научно-техническая информация №Сер. 2, 2010

88. Финн В.К. Своевременные замечания о ДСМ-методе автоматического порождения гипотез //НТИ, сер.2 №8, 2009

89. Цыганова О. М. Моделирование переговорного процесса для оптимизации использования ресурсов железнодорожного транспорта//НАУЧНАЯ СЕССИЯ НИЯУ МИФИ-2012. Аннотации докладов. В 3 томах. Т. 2. Проблемы фундаментальной науки.

Стратегические информационные технологии. М.: НИЯУ МИФИ, 2012. -C. 347.

90. Шабунин А.Б., А.В. Чехов, Г.А. Ефремов, Д.В. Дмитриев, Е.В. Курбатов, С.В. Сазуров, И.О. Бабанин, А.А. Белоусов, С.С. Кожевников, Е.В. Симонова, П.О. Скобелев, М.Е. Степанов, А.В. Царев, Г.Ю. Мунтян, Решение конфликтов в графике движения поездов в реальном времени с использованием мультиагентных технологий., 2012., / Труды первой научно-технической конференции интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2012, С. 51-54.

91. Шор, Н. З. Методы минимизации недифференцируемых функций и их приложения / Н. З. Шор. - Киев: Наукова думка, 1979. - 199 с.

92. Abbinkb Erwin J.W., Fiooleb Pieter J., Eddy H.T. van der Heijdena, Fiooleb Ramon M. X., Leo G. Kroonb, Mobacha David G.A., Niek J.E. Wijngaardsa., 2009. Train Driver Rescheduling using Task-Exchange Teams

93. Bergkvist, M., P. Davidssonm J.A. Persson and L. Ramstedt., 2005. A hybrid micro-simulator for determining the effects of governmental control policies on transport chains. In Joint AAMAS Workshop on Multi-Agent and Multi-Agent-Based Simulation, 236-247.

94. Bertsekas D.P., " The auction algorithm: a distributed relaxation method for the assignment problem." Annals of Operations Research 4(1988), pp.105123.

95. Bertsekas D.P., Castanon D.A. "The auction algorithm for the transportation problem." Annals of Operations Research 20(1989), pp.67-96.

96. Bertsekas, D., Castanon, D. (1992). A forward/reverse auction algorithm for asymmetric assignment problems. Computational Optimization and Applications, 1(3), 277-297.

97. Blum J., A. Eskandarian. 2002. Enhancing intelligent agent collaboration for flow optimization of railroad traffic // Transportation Research Part A: Policy and Practices 36(10): 919-930.

98. Chen B., H.H. Cheng, J. Palen. 2009. Integrating mobile agent technology with multi-agent systems for distributed traffic detection and management systems // Transportation Research Part C: Emerging Technologies 17(1): 1-10.

99. Clemons W.K., Grundel D.A., Jeffcoat D.E., Applying Simulated Annealing to the Multidimensional Assignment Problem. Theory and Algorithms for Cooperative Systems. World Scientific, 2004, pp. 45-61.

100. Development of the project, the creation and testing of an experimental transport section and automatic traffic control system above ground transport system by H-Bahn technology. URL: http: //i gmk.ru/pro ekty/proekt-h-bahn/

101. Dijkstra E. W. A note on two problems in connexion with graphs // Numer. Math — Springer Science+Business Media, 1959. — Vol. 1, Iss. 1. — P. 269271. — ISSN 0029-599X; 0945-3245 — doi:10.1007/BF01386390

102. Dvoretzku A. On Stochastic Approximation. In Proc. Third Berkeley Simp. Math. Stat. Probl.-1956.-vol.1. pp.39-56.

103. Furems E.M., Larichev O.I., Roizenson G.V., Lotov A.V., K. Miettinen Human behavior in a multi-criteria choice problem with individual tasks of different difficulties //International Journal of Information Technology and Decision Making.- Vol. 2, no. 1, 2003, c.29-40

104. Holland J.H. Adaptation in Natural and Artifical Systems - The University of Michigan Press, 1975.

105. Imma Braun, Stefan Konig and Eckehard Schnieder., Multi Agent Systems for Rail Transport., 2005. Cooper@tive Tr@nsport@tion Dyn@mics

106. Jeffrey W., Rosner R. Optimization algorithms: simulated annealing and neural network processing, The Astrophysical Journal. — 1986. — V. 310.— P. 473-481.

107. Khan Sher Afzal, Zafar Nazir Ahmad, Improving moving block railway system using fuzzy multi-agent specification language., 2010. International Journal of Innovative Computing Information and Control

108. Kuznetsov N.A., Minashina I.K., Pashchenko F.F., Ryabykh N.G., Zakharova E.M., Design and Analysis of Optimization Algorithms for Multiagent Railway Control System, Procedia Computer Science, Volume 37, 2014, Pages 211-219, ISSN 1877-0509

109. Kuznetsov N.A., Minashina I.K., Pashchenko F.F., Ryabykh N.G., Zakharova E.M., «Optimization Algorithms in Scheduling Problems of the Rail Transport», ISSN 1064-2269, Journal of Communications Technology and Electronics, 2015, Vol. 60, No. 6, pp. 637-646. © Pleiades Publishing,Inc., 2015.

110. Kuznetsov N.A., Minashina I.K., Ryabykh N.G., Zakharova E.M., Pashchenko F.F., Design and Comparison of Freight Scheduling Algorithms for Intelligent Control Systems, Procedia Computer Science, Volume 98, 2016, Pages 56-63, ISSN 1877-0509, http://dx.doi.org/10.1016/j.procs.2016.09.011. (http://www.sciencedirect.com/science/article/pii/S 1877050916321329)

111. Kuznetsov N.A., Pashchenko F.F., Ryabykh N.G., Minashina I.K., Zakharova E.M., Tsvetkova O.A., Implementation of Train Scheduling System in Rail Transport using Assignment Problem Solution, Procedia Computer Science, Volume 63, 2015, Pages 154-158, ISSN 1877-0509, http://dx.doi.org/10.1016/j.procs.2015.08.326

112. Larichev, O. I. Ranking Multicriteria Alternatives: the method ZAPROS III //European Journal of Operational Research №3, 2001, 131, C.550--558

113. Larichev, O. I., Asanov, A., Naryzhny, Y., Strahov, S. ESTHER -- Expert System for the Diagnostics of Acute Drug Poisonings //Applications and Innovations in Intelligent Systems IX. Proceedings of the 21 SGES International Conference on Knowledge Based Systems and Applied Artificial Intelligence, Cambridge, UK: Springer-Verlag Macintosh, A. and Moulton, M. and Preece, A., 2001, C.159--168.

114. Larichev, O. I., Kochin, D., Ustinovicius, L. Multicriteria Method for Choosing the Best Alternative For Investments //International Journal of Strategic Property Management №1, 2003, 7, c.33—43

115. Minashina, I.K., Zakharova, E.M., Review of multidimensional optimization methods, Journal of Communications Technology and Electronics, 06/2015; 60(6):625-636. DOI: 10.1134/S1064226915060194

116. Mitchell M. An introduction to genetic algorithms. - MIT Press, 5th edition, 1999.

117. Narayanaswami S. 2009. Dynamic railway rescheduling using intelligent agents // PhD thesis, Indian Institute of Technology Bombay, Powai, Mumbai.

118. Pashchenko F.F., Pashchenko A.F., Kuznetsov N.A., Minashina I.K., Zakharova E.M., Analysis of the adaptive algorithms behaviour applied to the railway optimization problems, Procedia Computer Science, Volume 109, 2017, Pages 560-567, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2017.05.341. (http://www.sciencedirect.com/science/article/pii/S 1877050917310104)

119. Pashchenko, N.A. Kuznetsov, I.K. Minashina, N.G. Ryabykh, E.M. Zakharova, Intelligent Control System For The Rail Transportations / AICT2016 Conference Printed Proceedings. Baku: Curran Associates, Inc., 2016. № 1. p. 383-387. 10th International Conference on Application of Information and Communication Technologies (AICT2016), Baku, Azerbaijan,12 - 14 of October 2016

120. Petrovsky Alexey B. Multi-Attribute Classification Of Credit Cardholders: Multiset Approach //Electronic Proceedings of the 17-th International Conference Multiple Criteria Decision Making (August 6-11), Whistler, Canada: , 2004

121. Tornquist J., P. Davidsson. 2002. A multi-agent system approach to train delay handling // Workshop on Agent Technologies in Logistics, 50-54, Lyon.

122. Wolfe, P. Note on a method of conjugate subgradients for minimizing nondifferentiable functions / P. Wolfe // Math. Programming. - 1974. - V. 7. - № 3. - P. 380 - 383.

123. Yang S. Adaptive crossover in genetic algorithms using statistics mechanism - Department of mathematics and computer science, University of Leicester, 2002.