Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Азов, Максим Сергеевич

• Азов, Максим Сергеевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Азов, Максим Сергеевич

Список принятых сокращений.

Введение.

Актуальность проблемы.

Цель диссертационной работы.

Задачи исследования.

Научная значимость работы.

Научная новизна.

Основные положения, выносимые на защиту.

Практическая значимость работы.

Глава 1. Обзор и сравнительный анализ САПР вычислительных сетей.

1.1. Моделирование ВС с целью изучения поведения отдельных ее параметров.

1.2. Моделирование потоков данных.

1.3 Теория возможностного программирования.

1.4. Методы описания прикладных процессов.

1.4.1. Функциональное моделирование.

1.4.2.Структурное моделирование.

1.5. Обзор существующих систем моделирования и проектирования ВС.

1.5.1 Зарубежные коммерческие системы.

1.5.2. Проект Network Simulator 2.

Глава 2. Модель вычислительной сети для автоматизированного проектирования

§

2.1. Виды переменных, характеризующих ВС.

2.1.1. Трафик.

2.1.2. Вычислительная загрузка узлов.

2.2. Вероятностная и нечеткая природа трафика и вычислительной загрузки.

2.2.1. Вероятностная природа трафика.

2.2.2. Вероятностная природа вычислительной загрузки.

2.2.3. Возможности измерения трафика.

2.2.4. Определение нечеткой вероятностной величины.

2.3. Моделирование вычислительной сети.

2.3.1. Функциональное моделирование ВС. Дополнения к языку ЭРЭ.

2.3.2. Структурное моделирование ВС.

2.3.4. Имитационная модель ВС.

2.3.5. Лингвистическое описание модели ВС в САПР.

2.4. Методика проектирования вычислительных сетей.

2.5. Оптимизация результатов проектирования.

2.5.1. Стандартный генетический алгоритм.

2.5.2. Перегруппировка блоков потоковой диаграммы относительно физической структуры сети. Адаптация стандартного генетического алгоритма.

Глава 3. Структурно функциональное решение САПР ВС.

3.1. Выбор среды реализации.

3.2. Этапы проектирования. Общая структура САПР ВС.

3.2.1. Начальный этап проектирования ВС. Специализированный графический редактор.

3.2.2. Расчет обобщенной модели. Генетический алгоритм.

3.2.3. Общая структура САПР ВС.

3.2.4. Интерфейс САПР ВС. Этапы проектирования.

3.3. Иерархии классов системы.

3.4. Основные алгоритмы САПР ВС.

Глава 4. Реализация и внедрение САПР ВС.

4.1. Реализация вычислительных экспериментов на базе локальной сети ОАО

УКБП».

4.1.1. Общее описание.

4.1.2 Функциональная схема цикла деятельности УКБП.

4.1.3. Формирование рабочей нагрузки в ЛВС УКБП.

4.1.4. Структурная схема ЛВС УКБП.

4.1.5. Вычислительные эксперименты по сети УКБП.

4.2. Описание проектируемой сети ОАО «Ульяновский ?авод тяжелых и уникальных станков».

4.2.1. Общее описание.

4.2.2. Описание основного цикла деятельности ОАО «УЗТС».

4.2.3. Описание прикладных процессов ЛВС ОАО УЗТС.

4.2.4. Описание проекта локальной вычислительной сети ОАО «УЗТС».

4.2.5. Результаты вычислительных экспериментов.

4.3. Преимущества автоматизированного проектирования вычислительных сетей.

Введение диссертации (часть автореферата) на тему «Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки»

Проектирование сложных технических систем, таких как локальные, корпоративные и телекоммуникационные вычислительные сети - сложный многоуровневый процесс. Он заключается в построении оптимальной системы, максимально использующей свои ресурсы. В настоящее время научные исследования направлены на моделирование уже существующей сети для проверки ее эффективности и выявления ошибок. При моделировании действующей сети, человек обладает рядом статистических данных, после обработки которых, он может внести изменения в ее конфигурацию. При проектировании новой сети, таких данных нет, и проектировщик может лишь предвидеть, прогнозировать, как будет загружен тот или иной сетевой канал, насколько велик будет объем вычислений, производимых тем или иным узлом сети. Подобные прогнозы представляют собой некоторые лингвистические формулировки, которыми можно оперировать, используя аппарат нечетких вероятностных величин. В процессе проектирования необходимо учесть и будущее назначение сети, для чего нужно построить имитационную модель тех процессов, которые будут в ней происходить. Только осознавая круг задач сети, можно построить ее наиболее эффективно. Модель прикладного уровня должна содержать прогнозные данные о сети, которые используются при ее дальнейшей оптимизации.

Актуальность проблемы

Учитывая огромное распространение локальных, глобальных и телекоммуникационных вычислительных сетей, необходимо развивать категорию САПР, относящуюся к ним. Существует несколько различных систем, позволяющих моделировать процессы, происходящие в вычислительных сетях на физическом уровне. Однако до сих пор не создавался (или не получил широкого распространения) инструмент который не просто моделирует, но и проектирует вычислительную сеть на всех ее уровнях.

Сейчас корпоративные сети создаются стихийно, привязываясь лишь к пространственному фактору. Сетевые администраторы опираются на расположение вычислительных машин в кабинетах, залах и на этажах. В таком подходе кроется множество подводных камней - ошибок, которые становятся критичными при дальнейшем росте и развитии сети. Порой приходится переделывать целые сегменты вычислительной сети из-за того, что изначальный проект не был рассчитан на дальнейший рост и развитие системы.

Первоначально необходимо создавать проект сети, с возможностью моделировать и оптимизировать его, до того, как начаты работы по созданию физической сети. Однако среди существующих программных пакетов не представлены подобные решения. Не осознан до конца и сам процесс подобного проектирования, его этапы и методика. Основные методы моделирования и перестроения сетей построены на том, что с существующей сети, путем многократных статистических измерений, снимаются данные о трафике, вычислительной загрузке узлов. Затем эти данные анализируются, и эксперт выдает рекомендации по перестроению сегментов или всей сети в целом. Зачастую в этом процессе не учитывается структура потоков данных на предприятии, структура его прикладных процессов, которые и являются основными источниками трафика и вычислительной загрузки системы. Кроме этого, при проектировании сети с нуля, измерений для анализа не имеется, и проектировщик может оперировать лишь прогнозами. Следовательно, необходимо в систему проектирования вводить описания прикладных процессов, которые позволят даже на основании прогнозных данных вырабатывать оптимальные решения.

Перечисленные аспекты проблемы проектирования вычислительных сетей делают тему диссертационной работы актуальной.

Цель диссертационной работы

Целью диссертации является разработка методов, моделей и алгоритмов, позволяющих повысить качество автоматизированного проектирования вычислительных сетей в условиях неопределенности, за счет применения автоматической оптимизации, а так же позволяющих сократить время, затрачиваемое на проектирование.

Задачи исследования

Для достижения поставленной цели необходимо решить ряд задач:

1. Провести сравнительный анализ существующих систем моделирования вычислительных сетей, а так же анализ существующих языков имитационного моделирования;

2. Выработать ряд дополнений к выбранному языку имитационного моделирования с целью его адаптации к моделированию вычислительных сетей;

3. Построить методику слияния двух видов описаний сети: прикладного описания на уровне прикладных процессов и физической структуры сети;

4. Разработать модель трафика вычислительной сети;

5. Сформировать алгоритм оптимизации проектных результатов;

6. Разработать и реализовать систему автоматизированного проектирования вычислительных сетей на основе диаграмм потоков данных, и исследовать ее эффективность в вычислительных экспериментах.

Научная значимость работы

Автор защищает: разработанную методику автоматизированного проектирования вычислительных сетей; разработанные модели сети, и алгоритмы ее оптимизации; результаты теоретических, экспериментальных и практических разработок.

Научная новизна Впервые:

1. Предложено проблемно-ориентированное расширение языка имитационного моделирования диаграмм потоков данных Data Flow Diagram (DFD) для проектирования вычислительных сетей;

2. Разработана модель трафика сети, позволяющая на основе вероятностных нечетких величин оперировать прогнозными данными о трафике и вычислительной загрузке сети;

3. Разработана модель рабочей нагрузки вычислительной сети на основе потоков данных;

4. Исследована эффективность предлагаемых моделей и методик их использования при проектировании вычислительных сетей.

Основные положения, выносимые на защиту.

1. Модель рабочей нагрузки вычислительной сети на основе описания потоков данных прикладных процессов, позволяющая отразить уровень прикладных процессов при проектировании вычислительной сети.

2. Расширение языка потоковых диаграмм (ЭРО), позволяющее описать расписание работы прикладных задач и выполнить имитационное моделирование трафика вычислительной сети.

3. Алгоритм топологического автоматизированного проектирования вычислительной сети, на основе потоковой модели рабочей нагрузки.

4. Алгоритм размещения прикладных процессов на основе нечеткого генетического гибридного алгоритма.

Практическая значимость работы.

Созданная система автоматизированного проектирования вычислительных сетей практически используется в производстве и позволяет достичь наиболее качественного построения вычислительных сетей, что влечет за собой повышение их эффективности.

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Азов, Максим Сергеевич

ВЫВОД:

Предлагаемая система автоматизированного проектирования, сформированная на основе разработанной модели позволяет значительно снизить временные затраты на проектирование вычислительных сетей, по Ш сравнению с ручным проектированием. Кроме того, она дает возможность повысить качество получаемых проектных решений.

На примере ЛВС ОАО «УКБП» показано, что применение автоматической оптимизации на основе генетического алгоритма дает в результате более приемлемые значения параметров сети, нежели при ручном проектировании. Кроме того, в предлагаемой модели имеется возможность менять важность того или иного параметра сети при поиске оптимального решения. Эксперименты, произведенные при нескольких значениях коэффициентов важности, показали лучший результат в сравнении с существующей конфигурацией сети и с ручным проектированием.

Заключение

Основными результатами работы являются: выполнен сравнительный анализ существующих систем автоматизированного проектирования и моделирования вычислительных сетей, а так же анализ существующих языков имитационного моделирования, который показал актуальность метода оптимизации сети на основе потоковой модели рабочей нагрузки; разработана модель рабочей нагрузки на основе потоковых диаграмм, позволяющая осуществлять проектирование сетей на основе прикладных процессов, что обеспечивает масштабируемость проектируемой сети; разработана методика и алгоритм слияния двух видов описаний сети: прикладного описания на уровне процессов и физической структуры сети, которая позволяет производить автоматическую оптимизацию проектируемой сети; разработана модель трафика вычислительной сети на основе нечетких вероятностных величин, позволяющая при проектировании оперировать прогнозными значениями трафика и вычислительной загрузки сети; разработана, реализована и внедрена САПР вычислительных сетей, позволяющая снизить временные затраты и повысить качество проектирования вычислительных сетей в условиях неопределенности. Результатами вычислительных экспериментов доказана ее эффективность.

Список литературы диссертационного исследования кандидат технических наук Азов, Максим Сергеевич, 2006 год

1. Абрамова М.В. Некоторые аспекты векторной оптимизации и ее приложения: Автореф. дис. канд. физ.-мат. наук. М.: МГУ, 1987.

2. Азов М.С. Система моделирования коммутируемых вычислительных сетей с прогнозированием трафика, заданного в нечетком виде. Труды конгресса «Искусственный интеллект в XXI веке». Научное издание. -М.: Издательство Физико-математической литературы, 2001.

3. Азов М.С. Моделирование и оптимизация коммутируемых вычислительных сетей с маршрутизацией. Тезисы докладов XXXV научно-технической конференции УГТУ. Ульяновск: УГТУ, 2001г.

4. Азов М.С. САПР вычислительных сетей с прогнозированием трафика и вычислительной загрузки узлов. Научная сессия МИФИ-2002. Сборник научных трудов. М.: МИФИ, 2002г.

5. Азов М.С. Акимов Д. А. САПР вычислительных сетей с прогнозированием трафика и вычислительной загрузки узлов. Тезисы докладов XXXVI научно-технической конференции УГТУ. Ульяновск: УГТУ, 2002г.

6. Азов М.С. Система моделирования вычислительной сети на основе нечеткого трафика. Труды восьмой национальной конференции по искусственному интеллекту «КИИ-2002». М.: Издательство Физико-математической литературы, 2002.

7. Азов М.С. Система моделирования локальных выччслительных сетей на основе нечетких случайных величин. Информатика и экономика: Сборник научных трудов. Ульяновск: УлГТУ, 2003.

8. Азов М.С. Моделирование локальных вычислительных сетей на базе нечетких случайных величин. Научная сессия МИФИ-2003. Сборник научных трудов. М.: МИФИ, 2003г. (2с).

9. Азов М.С., Бушмелев Ю., Ярушкина Н.Г и др. Прикладные интеллектуальные системы, основанные на мягких вычислениях. //Под ред. Ярушкиной Н.Г., Ульяновск, УГТУ, 2005 г.

10. Аверкин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986.

11. Аверкин А.Н., Федосеева И.Н. Параметрические логики в интеллектуальных системах управления. -М.: Вычислительный центр РАН, 2000.

12. Алиев P.A., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М: Радио и связь, 1990.

13. Андрейчиков A.B., Андрейчикова О.Н. Компьютерная поддержка изобретательства (методы, системы, примеры применения). М.: Машиностроение, 1988.

14. Андрейчиков A.B., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: Финансы и статистика, 2000.

15. Берштейн JI.C., Боженюк A.B., Малышев Н.Г. Нечеткие модели для экспертных систем САПР. М.: Энергоатомиздат, 1991

16. Берштейн JI.C., Мелехин В.Б. Планирование поведения интеллектуального робота. М.: Энергоатомиздат, 1994.

17. Борисов А.Н. и др. Обработка нечеткой информации в системах принятия решений. М: Радио и связь, 1989.

18. Букатова И.Л. Эволюционное моделирование: идеи, основы теории, приложения. М.: Знание, 1981.

19. Букатова И.Л., Михасев Ю.И., Шаров A.M. Эвоинформатика. Теория и практика эволюционного моделирования. М.: Наука, 1991.

20. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики. Учебное пособие. Уфа: УГАТУ, 1995.

21. Васильев В.И. и др. Интеллектуальные системы управления с использованием нейронных сетей. Учебное пособие. Уфа: УГАТУ, 1997.

22. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов. Учебное пособие. Уфа: УГАТУ, 1999.

23. Вольфсон И.Е. Критерии надежности и синтез коммуникационных сетей с их учетом. // Известия академии наук. Теория и системы управления. 2000, №6.

24. Вентцель Е.С. Овчаров JI.A. Теория вероятностей и ее инженерные приложения М:Высш.шк., 2000.

25. Вентцель Е.С. Овчаров JI.A. Теория случайных процессов и ее инженерные приложения. М:Высш.шк., 2000

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

27. Нейрокомпьютеры. Кн. 3. / Под ред. А.И. Галушкина. - - М.: ИПРЖР, 2000

28. Гермейер Ю.Б. Введение в теорию исследования операций. М.: Наука, 1971.

29. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

30. Горбань А.Н. Обучение нейронных сетей. М.: Параграф, 1990.

31. Горев А., Макашарипов С, Ахаян Р. Эффективная работа с СУБД. Санкт-Петербург: Питер, 1996.

32. Горевич Б.Н. Методический подход к проектированию технических систем с иерархической ветвящейся структурой. // Известия академии наук. Теория и системы управления. 2003, №2.

33. Давидсон М.Р., Малашенко Ю.Е., Новикова Н.М. Анализ многопользовательских сетевых систем с учетом неопределенности. Свойства суперконку рентного распределения потоков // Изв. РАН. Теория и системы управления. 1998. № 3.

34. Диниц Е.Ф., Карзанов A.B., Ломоносов М.В. О структуре системы минимальных реберных разрезов графа // Исследования по дискретной оптимизации. М.: Наука, 1976.

35. Дулин С.К., Родин С.Р. Информационное обеспечение распределенных корпоративных систем на основе сетевой модели. // Известия академии наук. Теория и системы управления. 2000, №5.

36. Дьяконов В., Круглов В. Математические пакеты расширения МАТЛАБ. Специальный справочник. С.-Пб.: Питер, 2001

37. Дьяконов И., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник.-СПб.: Питер, 2001

38. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. -М: Радио и связь, 1990.

39. Евстигнеев В.А., Касьянов В.Н. Толковый словарь по теории графов в информатике и программировании. Новосибирск: Наука, 1999.

40. Емеличев В.А., Ковалев М.М., Кравцов М.К. Многогранники, графы, оптимизация. М.: Наука, 1986.

41. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. Язык РДО. -М.: Изд-во АНВИК, 1998.

42. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974.

43. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

44. Злобин A.C. Параметрические методы решения линейных минимаксных и многокритериальных задач: Автореф. дис. . канд. физ.-мат. наук. М.: ВЦ АН СССР, 1984.

45. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.46. «Интегрированные модели и мягкие вычисления в искусственном интеллекте». М.: Наука, 2001

46. Калмыков С.А., Шокин Ю.И., Юлдашев З.Х. Методы интервального анализа. Новосибирск: Наука, 1986.

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

48. Карзанов A.B. Комбинаторные способы решения разрезных задач о мультипотоках // Комбинаторные методы в потоковых задачах. Вып. 3. М.:ВНИИСИ, 1979.

49. Карзанов A.B., Тимофеев Е.А. Эффективный алгоритм нахождения всех минимальных реберных разрезов неориентированного графа // Кибернетика. 1986. №2.

50. Кафаров В.В., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. Применение метода нечетких множеств.- М: Наука, 1986.

51. Клир Дж. Системология. Автоматизация решения системных задач: Пер. с англ. М.: Радио и связь, 1990.

52. Когаловский М.Р. Энциклопедия баз данных. М.: Финансы и статистика, 2002.

53. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Уч. пособие для вузов.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

54. Кофман А. Введение в теорию нечетких множеств. -М.: Радио и связь, 1982.

55. Кохонен Т. Асоциативные запоминающие устройства. -М.: Мир, 1982.

56. Краснощекое П.С., Морозов В.В., Федоров В.З. Последовательное агрегирование в задачах внутреннего проектирования технических систем // Изв. АН СССР. Техн. кибернетика. 1979. № 5.

57. Краснощекое П.С., Морозов В.В., Попов И.М. и др. Иерархические схемы проектирования и декомпозиционные численные методы // Изв. РАН. ТиСУ. 2001. №5.

58. Кристофидес H. Теория графов. Алгоритмический подход. М.: Мир, 1978.

59. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- 2-е изд. М.: Горячая линия-Телеком, 2002

60. Кузин JI.T. Основы кибернетики: Т. 2. Основы кибернетических моделей. Учебное пособие для вузов. М.: Энергия, 1979.

61. Кузнецов В.П. Интервальные статистические модели. -М.: Радио и связь, 1991.

62. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М.: Наука, 1982.

63. Курейчик В.М. Генетические алгоритмы. Таганрог: Изд-во ТРТУ, 1998.

64. Лазарев В.И., Родин СР., Швалев АЛ. и др. Средства представления и методы организации знаний в диалоговых системах автоматизированного проектирования // 1-я Междунар. конф. «Обучение САПР в инженерных вузах». Тбилиси, 1987.

65. Лотов А.В. Введение в экономико-математическол моделирование. М.: Наука, 1984.

66. Любищев А.А. В защиту науки: статьи и письма / Сост. Р.Г. Баранцев, Н.А. Папчинская. JL: Наука, 1991

67. Малашенко Ю.Е., Новикова Н.М. Анализ многопользовательских сетевых систем с учетом неопределенности // Изв. РАН. Теория и системы управления. 1998. №2.

68. Малашенко Ю.Е., Новикова Н.М. Многокритериальный и максиминный анализ многопродуктовых сетей. М.: ВЦ АН СССР, 1988.

69. Малашенко Ю.Е. Математические модели анализа потоковых сетевых систем. М.: ВЦ АН СССР, 1993.

70. Мартынов В.И. Распределение потоков с нечетко заданными интенсивностями в сетях с коммутацией каналов. // Известия академии наук. Теория и системы управления, 1999. №4.

71. Manila D.W. Concurrent flow and concurrent connectivity in graphs // Graph Theory and Its Appl. to Algorithms and Comput. Sci. N. Y.: Wiley-Intersci., 1985.

72. Мелихов А.Н., Берштейн JI.C., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

73. Месарович М., Такахара Я. Теория иерархических многоуровневых систем. М.: Мир. 1973.

74. Назарова И.А. Лексикографическая задача анализа уязвимости многопродуктовой сети. // Известия академии наук. Теория и системы управления. 2003. № 5.

75. Наместников A.M., Ярушкина Н.Г. Эффективность генетических алгоритмов для задач автоматизированного проектирования //Известия РАН. Теория и системы управления. 2002. - № 2

76. Нетрадиционные модели и системы с нечеткими знаниями /Под ред. А.Ф. Блишуна. М.: Энергоатомиздат, 1991.

77. Негойце К. Применение теории систем к проблемам управления. М.: Мир, 1981.

78. Нечеткие множества и теория возможностей. Последние достижения/Под ред. P.P. Ягера.-М.: Радио и связь, 1986.

79. Нечипоренко В.И. Структурный анализ систем (эффективность и надежность). М.: Сов. радио. 1977.

80. Нефедов В.И. Метод минимальных уступок. // Некоторые вопросы прикладной математики и программного обеспечения ЭВМ. М.: Изд-во МГУ, 1982.

81. Нефедов В.Н. Аппроксимация множества оптимальных альтернативных решений // Новые задачи оптимизации авиационных систем. М.: Изд-во МАИ, 1989.

82. Папернов Б.А. Массовое решение мультипотоковых задач // Комбинаторные методы в потоковых задачах. Вып. 3. М.: ВНИИСИ, 1979.

83. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука, 1982.

84. Попов Н.М. Об аппроксимации множества Парето методом сверток // Вести. МГУ. Вычисл. математика и кибернетика. 1982. № 2

85. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002.

86. Орлов А.И. Задачи оптимизации и нечеткие переменные.-М.: Знание, 1980

87. Орловский С.А. Проблемы принятия решений при нечеткой информации.- М.: Наука, 1981.

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

89. Поспелов Д.А. Ситуационное управление: теория и практика. -М.: Наука, 1986.

90. Поспелов Д.А. Моделирование рассуждений. -М.: Радио и связь, 1989

91. Представление и использование знаний/Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989.

92. Прикладные нечеткие системы/Асаи К., Ватада Д., Иван С. и др./Под ред. Т. Тэрано, К. Асаи, М. Сугено. -М.: Мир, 1993.

93. Растригин Л.А. Статистические методы поиска. -М.: Наука, 1968.

94. Саридис Дж. Самоорганизующиеся стохастические системы управления. -М.: Наука, 1980.

95. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. -М.: ИНПРО-РЕС, 1995.

96. Скурихин А.Н. Генетические алгоритмы // Новости искусственного интеллекта. 1995.- № 4

97. Смирнов М.М. О логической свертке вектора критериев в задаче аппроксимации множества Парето. // ЖВМ и МФ. 1996. Т. 36. № 5.

98. ЮО.Смирнов М.М. Методы аппроксимации граней множества Парето в линейной многокритериальной задаче. // Вестн. МГУ. Вычисл. математика и кибернетика. 1996. № 3.

99. Смирнов М.М. Метод обратной логической свертки в задачах векторной оптимизации. М.: ВЦ РАН, 1996.

100. Сорокин C.B., Язенин A.B. Система поддержки принятия решении на базе моделей и методов возможностнои оптимизации. // Программные продукты и системы. 2001, №2.

101. Сухов A.B. Динамика информационных потоков в системе управления сложным техническим комплексом. // Известия академии наук. Теория и системы управления. 2000, №4.

102. Sebastian H.-J., Intelligent support systems. Proceedings of EUFIT'93 (Sept. 7-10, 1993, Aachen, Germany) 299-307.

103. Трахтенгерц Э.А. Компьютерная поддержка формирования рациональной сети предприятий обслуживания. // Известия академии наук. Теория и системы управления. 2000, №5.

104. Юб.Трухаев Р.И. Модели принятия решений в условиях неопределенности. -М.: Наука, 1981.

105. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. -М.: Мир, 1992.

106. У правление динамическими системами в условиях неопределенности / С.Т. Кусимов, Б.Г. Ильясов, В.И. Васильев и др. М.: Наука, 1998.

107. Ульянов B.C., Язенин А.В. Математическая модель интеллектуальной системы управления комплексным, глобально неустойчивым объектом на основе мягких вычислений. // Известия академии наук. Теория и системы управления. 2001, №3.

108. Ю.Филлипс Д., Гарсиа-Диас А. Методы анализа сетей. М.: Мир, 1984.

109. Ш.Фогель JL, Оуэне А., Уолш М. Искусственный интеллект и эволюционное моделирование. М.: Мир, 1969.

110. Штоер Р. Многокритериальная оптимизация. М.: Радио и связь, 1992.

111. ПЗ.Язенин А.В. Методы оптимизации и принятия решений при нечетких данных: Дис. докт. физ.-матем. наук: ТГУ Тверь, 1995.

112. Язенин А.В. К задаче максимизации возможности достижения нечеткой цели.//Изв. АН РФ. Теория и системы управления. 1999, №4.

113. Ярушкина Н.Г. Методы нечетких экспертных систем в интеллектуальных САПР. Саратов: Изд-во Сарат. ун-та, 1997.

114. Пб.Ярушкина Н.Г. Нечеткие нейронные сети // Новости искусственного интеллекта. 2001. - № 2-3

115. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Программные продукты и системы. 2002. - № 3

116. Bothe Н.-Н. Fuzzy Neural Networks. -Prague: IFSA, 1997.

117. Deichelmann H. Linguistishe Systeme und ihre Anwendung, Darmstadt: Fachhochschule Darmstadt, 1996

118. Fuller R. Fuzzy systems, http://www.abo.fi/~rfuller/

119. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. Adisonwesley Publishing Company Inc., 19°-9.

120. Herrera F., Magdalena L. Genetic fuzzy systems. -Prague: IFSA, 1997.

121. Holland Y. Adaptation in Natural and Artificial Systems. University of Michigan, Press, Ann Arbor, 1975.

122. PawIak Z. Rough sets present state and futher prospects // Intellegent Automation and Soft Computing, Vol. 2(1996), № 2

123. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating Errors//Nature, 1986, V.323.

124. Schweizer B., Sklar A. Associative functions and abstract semigroups // Publ. Math., № 10 1963

125. Zadeh L.A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic //Fuzzy sets and systems, Vol. 90, 1997, № 2

126. Zimmermann H.J., Altrock C.V. Fuzzy Logic (Band 1. Technologie; Band 2. Anwendungen). -München,Wien: Verlag. 1993-1994