Информационная модель поведения самоорганизующихся групп автономных агентов для биомедицинских систем тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Истомин, Виктор Владимирович

• Истомин, Виктор Владимирович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Истомин, Виктор Владимирович

СОДЕРЖАНИЕ

Введение

1 Анализ способов и средств моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем

1.1 Анализ проблемы моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем

1.2 Подходы к моделированию поведения групп автономных агентов на основе теории самоорганизации

1.3 Методы реализации принципов поведения самоорганизующихся групп автономных агентов

1.4 Разработка систематизации автономных агентов для биомедицинских систем

1.5 Выводы

2 Разработка многоуровневой информационной модели поведения самоорганизующихся групп автономных агентов для биомедицинских систем

2.1 Анализ методов и средств математического моделирования поведения самоорганизующихся групп автономных агентов

2.2 Формальная постановка задачи описания поведения самоорганизующихся групп автономных агентов

2.3 Разработка информационно-структурных и математических моделей поведения самоорганизующихся групп автономных агентов

2.4 Выводы

3 Разработка алгоритма поведения самоорганизующихся групп автономных агентов для биомедицинских систем

3.1 Анализ методов и средств реализации алгоритма поведения самоорганизующихся групп автономных агентов

3.2 Разработка комплекса i/MI-диаграмм поведения самоорганизующихся групп автономных агентов для биомедицинских систем

3.3 Разработка системы критериев эффективности прогнозирования поведения самоорганизующихся групп автономных агентов

3.4 Выводы

4 Структурная и программная реализация многоагентной системы поведения самоорганизующихся групп автономных агентов

4.1 Разработка многоагентной системы поведения самоорганизующихся групп автономных агентов

4.2 Имитационное моделирование поведения самоорганизующихся групп автономных агентов в разработанной многоагентной системе

4.3 Оценка эффективности прогнозирования поведения самоорганизующихся групп автономных агентов с помощью разработанной системы критериев

4.4 Выводы

Основные результаты и выводы

Список условных сокращений

Список литературы

Приложение А. Акты внедрения результатов диссертации

Приложение Б. Листинг программной реализации

Введение диссертации (часть автореферата) на тему «Информационная модель поведения самоорганизующихся групп автономных агентов для биомедицинских систем»

ВВЕДЕНИЕ

Актуальность темы. Концепция самоорганизации поведения в искусственном интеллекте появилась в 1989 году и предложена авторами G. Beni и J. Wang в работе «Swarm Intelligence in Cellular Robotic Systems». В ее основе лежит представление о том, что для решения ряда задач невозможно построить централизованную систему, а вся информация распределена между ее отдельными элементами. В каждом из этих элементов хранится лишь часть информации, а полный эффект достигается только от использования всех данных, хранящихся в отдельных информационных элементах, получивших название автономных агентов.

Информационная модель на базе групп автономных агентов удачным образом описывает поведение как природных, так и техногенных систем. В качестве примеров природных систем приводят рой пчел, косяки рыб, стаи птиц, муравейник, термитник, и т.д.

В качестве примеров систем техногенного происхождения могут служить системы вооружений, транспортная инфраструктура, системы исследования погодных условий, распределение потоков движения людей в местах скопления, в том числе в чрезвычайных ситуациях и т.д. Особо следует выделить биологические системы, где самоорганизация проявляется на фоне генетических алгоритмов, а именно экосистемы организмов при очистке от загрязнений нефтью, и т.п.

Для решения подобных задач требуется переход от централизованного управления к распределенному, учитывая количество членов группы на микро- и наноуровнях, которое может достигать сотен тысяч. Таким образом, актуальной является задача построения информационно-структурных моделей на базе групп автономных агентов для описания биологических и техногенных систем различного назначения. В частности, особое значение имеют биомедицинские системы, потенциально позволяющие осуществлять лечение онкологических заболеваний широкого профиля.

Объектом моделирования является информационно-структурная модель на базе групп автономных агентов, а результатом моделирования - биомедицинские системы на базе микро- и нанороботов. Под микророботом в данной работе понимается широкий спектр понятий, начиная от модифицированных микроорганизмов до синтезированных молекулярных объектов. Так как подобные биомедицинские системы состоят из большого количество микророботов, возможно осуществить лишь имитационное моделирование, описывающее только функции микророботов. В рамках применяемого комплексного подхода результаты математического моделирования уточняются на имитационной модели.

Таким образом, данная работа посвящена изучению поведения биомедицинских систем на базе микро- и нанороботов. Используемый подход опирается на информационно-структурную модель на базе групп автономных агентов. В качестве цели моделирования поставлено исследование их поведения, в частности, демонстрируемые ими возможности к самоорганизации. Под самоорганизацией понимается способность действовать в рамках группы для выполнения целевой функции.

В качестве стандартных целей для биомедицинских систем могут служить перемещение в заданную точку биомедицинской среды с учетом ее существующей структуры,.физико-химического состава и тому подобного; определение целевых объектов воздействия, например, раковых клеток; осуществление этих воздействий в соответствии с заранее предусмотренной программой действий.

Тематике самоорганизации поведения в рамках искусственного интеллекта посвящены такие специализированные зарубежные издания, как «Swarm Intelligence» издательства Springer New York, «Swarm and Evolutionary Computation» издательства Elsevier, «International Journal of Swarm Intelligence» издательства InderScience, «International Journal of Swarm Intelligence and Evolutionary Computation» издательства OMICS, «International Journal of Swarm Intelligence Research» издательства IGI. В ряде других журналов, по-

священных теоретической информатике, уделяется значительное внимание решению проблем из области самоорганизующихся систем.

В последние годы одной из наиболее перспективных областей потенциального использования распределенных самоорганизующихся робототех-нических систем стала биомедицина. Предполагается, что робототехническая система, состоящая из групп миниатюрных биомедицинских микророботов, будет способна решить комплексные задачи удаленной диагностики, терапии и хирургии, стоящие перед современной высокотехнологичной медициной.

В групповой робототехнике применяются большие группы миниатюрных роботов, образующих децентрализованные системы. Такие роботы являются автономными и действуют на основе доступной им локальной информации. Критическими факторами для реализации систем групповой робототехники в биомедицине являются физические размеры и стоимость микророботов. Следовательно, при проектировании таких систем особое внимание должно уделяться вопросам автономности и миниатюризации каждого из членов группы, что требует упрощения их структуры и поиска эффективных методов управления ими. Поэтому актуален подход, основанный на теории самоорганизации для достижения требуемого поведения агентов на уровне всей группы, а не на индивидуальном уровне отдельных микророботов.

Поскольку процедуры проведения экспериментальных исследований состоящих из автономных агентов систем в процессе их проектирования и испытаний весьма трудоемки, то, как с технической, так и с экономической точки зрения, оправдано проведение исследований многоагентных систем с помощью имитационного моделирования. Так как компьютерные методы имитации и моделирования поведения биомедицинских микророботов на данный момент все еще являются несовершенными и недостаточно разработанными, результаты их применения часто оказываются неточными. Остаются актуальными развитие теории и технических принципов построения многоагентных систем, включающих группы автономных агентов, совершенствование их моделей и методов моделирования их поведения.

Для получения адекватных оценок соответствия теоретической модели физической системе автономных агентов и прогнозирования поведения микророботов необходимо выработать объективные критерии эффективности моделей. Решение этой достаточно сложной задачи обеспечит выбор оптимальной структуры и параметров моделей.

Несмотря на то, что к настоящему времени уже разработаны несколько концепций математического описания и моделирования многоагентных систем, известных из трудов отечественных авторов В.И. Городецкого, Д.А. Поспелова и В.Б. Тарасова и зарубежных исследователей М. Wooldridge и N. Jennings, A. Rao и М. Georgeff, V.S. Subrahmanian, Y Shoham и К. Leyton-Brown, в которых, в том числе, представлены и промышленные инструментальные средства реализации многоагентных систем', вопросам их использования в области биомедицинских приложений не уделено должного внимания. Так, в общеизвестных методиках описания поведения автономных агентов не учитываются характеристики и условия функционирования элементов робототехнических систем внутри биообъектов. Кроме того, до сих пор не найдены формализованные специализированные алгоритмы поведения групп микророботов при их функционировании в биомедицинских системах, в то время как использование универсальных алгоритмов в подобных сложных системах обычно оказывается невозможным.

Все это обусловливает необходимость дополнительных исследований по поиску средств адекватного математического описания, разработки информационных моделей многоагентных систем, создания методов компьютерного моделирования поведения групп автономных агентов, что позволит повысить достоверность прогнозирования их поведения. Таким образом, тема диссертационного исследования актуальна.

Объект исследования - автономные роботы и их группы в биомедицинских системах удаленной диагностики, терапии и хирургии.

Предмет исследования - информационные модели, методы и алгоритмы моделирования поведения групп автономных агентов с помощью мно-гоагентных систем на основе теории самоорганизации поведения.

Целью работы является разработка на основе принципов самоорганизации и теории многоагентных систем информационной модели поведения групп автономных агентов, предназначенных для выявления и обезвреживания пораженных клеток биообъектов в биомедицинских системах.

Для достижения поставленной цели сформулированы и решены следующие основные научные задачи.

1. Разработка многоуровневой информационной модели поведения групп автономных агентов для биомедицинских систем, учитывающей процессы коллективной локализации для обезвреживания пораженных клеток в биообъектах.

2. Разработка алгоритма поведения групп автономных интеллектуальных агентов, решающего задачи коллективной локализации для обезвреживания пораженных клеток в биообъектах.

3. Имитационное моделирование поведения самоорганизующихся групп автономных агентов, а также алгоритмическая, структурная и программная реализации многоагентной системы.

4. Разработка системы критериев для оценки поведения групп автономных агентов, позволяющей эффективно прогнозировать их дальнейшие действия путем моделирования.

Методы исследования. При решении поставленных задач использовались методы теории многоагентных систем, принципы групповой робототехники и самоорганизации поведения автономных агентов. Имитационное моделирование проведено в среде МайаЪ.

Научная новизна работы состоит в развитии теоретических основ и технических принципов построения многоагентных систем биомедицинской диагностики и заключается в следующем:

- создана многоуровневая информационная модель многоагентной системы для описания функционирования микророботов в биообъекте, позволяющая повысить вероятность правильного прогнозирования поведения групп автономных агентов;

-разработан алгоритм поведения групп автономных агентов, позволяющий объединить выполнение функций коллективной локализации пораженных клеток и их обезвреживания в биообъектах;

-разработана структура многоагентной системы, отличающаяся применением алгоритма функционирования специализированных биомедицинских агентов с особыми характеристиками и свойствами, позволяющего объединить выполнение функций коллективной локализации пораженных клеток и их обезвреживания в биообъектах;

- разработана универсальная система критериев оценки эффективности алгоритмов поведения самоорганизующихся групп автономных агентов, реализованных на основе различных моделей, по результативности решения ими биомедицинских задач.

Практическая значимость работы заключается в том, что разработанная многоагентная система, моделирующая поведение самоорганизующихся групп автономных агентов по предложенному алгоритму с использованием установленных критериев эффективности, обеспечивает необходимые предпосылки для разработки и практического применения систем биомедицинской групповой робототехники для диагностирования и лечения различных заболеваний человека.

На защиту выносятся:

1) многоуровневая информационная модель поведения самоорганизующихся групп автономных агентов для решения задач коллективной локализации и обезвреживания пораженных клеток биообъектов и прогнозирования поведения групп автономных агентов в биомедицинских системах;

2) алгоритм поведения самоорганизующихся групп автономных агентов с возможностью интеграции процедур коллективной локализации пораженных клеток в биообъектах и их обезвреживания;

3) структурная и программная реализация многоагентной системы, использующей алгоритм функционирования специализированных автономных агентов для решения задач биомедицинской диагностики;

4) система критериев для оценки достоверности прогнозирования поведения самоорганизующихся групп автономных агентов, обеспечивающая сравнение алгоритмов поведения групп автономных агентов в биомедицинских системах.

Реализация и внедрение результатов. Результаты проведенных исследований внедрены в ФГБУ «Саратовский научно-исследовательский институт травматологии и ортопедии» Министерства здравоохранения РФ, в ООО «БИОСОФТ-М» (г. Москва), а также использованы в научно-исследовательских работах и образовательном процессе кафедр «Информационные системы и технологии» и «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенского государственного технологического университета.

Достоверность результатов работы обоснована строгой аргументацией выдвигаемых научных положений, корректным использованием математического аппарата и общепризнанных научных методик, согласованностью результатов математического и имитационного моделирования, непротиворечивостью выводов.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международном симпозиуме «Надежность и качество» (г. Пенза, 2012), международных конференциях «Современные информационные технологии» (г. Пенза, 2010, 2009), всероссийских конференциях «Медицинские информационные системы» (г. Тагацрог, 2012, 2010), «Методы обучения и организация учебного процесса в вузе» (г. Рязань, 2011), «Информационные и управленческие технологии в медицине и эколо-

гии» (г. Пенза, 2010), всероссийской научной школе «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (г. Ростов-на-Дону, 2011, 2010).

Публикации и личный вклад автора. По теме диссертации опубликовано 16 печатных работ, из которых 4 - в ведущих рецензируемых изданиях, рекомендованных ВАК. В работах, опубликованных в соавторстве, лично автором получены все результаты, составляющие содержание диссертации, в том числе теоретические обоснования и результаты математического и имитационного моделирования. Все приведенные в работе новые результаты получены лично автором.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов по главам, заключения, библиографического списка из 70 наименований и приложений. Работа изложена на 151 странице основного текста, содержит 42 рисунка и 5 таблиц.

1 АНАЛИЗ СПОСОБОВ И СРЕДСТВ МОДЕЛИРОВАНИЯ ПОВЕДЕНИЯ САМООРГАНИЗУЮЩИХСЯ ГРУПП АВТОНОМНЫХ АГЕНТОВ ДЛЯ БИОМЕДИЦИНСКИХ СИСТЕМ

1.1 Анализ проблемы моделирования поведения самоорганизующихся групп автономных агентов для биомедицинских систем

Концепция создания автономных агентов (АА) подразумевает применение новых для специалистов в сфере информатики и искусственного интеллекта (ИИ) понятий из области психологии и социологии, и, в первую очередь, понятий из теории деятельности и теории коммуникации. При этом деятельность и ИИ понимаются как процессы, рекурсивно зависящие друг от друга, что обеспечивает их порождение и реализацию. ИИ в рамках отдельного АА выступает как подсистема управления его деятельностью, позволяющая ему организовывать и регулировать свои действия или влиять на действия другого АА. В то же время, ИИ имеет коммуникативную природу и формируется в процессах взаимодействия данного АА с другими агентами, при этом потребность в коммуникации связана с реализацией целенаправленной деятельности.

Различные определения понятия «агент» подразделяются на «слабые» и «сильные» программистские и антропоморфные [37]. Рассмотрим сначала на некоторых наиболее слабых определениях, а затем постепенно перейдем к более сильным.

В одном из наиболее серьезных современных учебников по ИИ, изданном С. Расселом и П. Норвигом [19], под агентом понимается «любая сущность, которая находится в некоторой среде, воспринимает ее посредством сенсоров, получая данные, которые отражают события, происходящие в среде, интерпретирует эти данные и действует на среду посредством эффекторов». Таким образом, авторы выделяют четыре исходных агентообразующих фактора - среда, восприятие, интерпретация, действие.

Это тривиальное определение не позволяет проводить четкого различения между агентом и произвольной программой [7], и поэтому требуется

12

введение некоторые специальные ограничения на среду, восприятие, интерпретацию и действие. В близком по смыслу определении Б. Хэйес-Рот [58] подчеркивает, что АА непрерывно выполняют три следующие функции: 1) восприятие динамики среды; 2) действия, изменяющие среду; 3) рассуждения в целях интерпретации наблюдаемых явлений, решения задач, вывода заключений и определения действий. Иными словами, специально оговаривается динамичность среды и подчиненность рассуждения действию: АА имитируют рассуждения для того, чтобы выбрать действия.

Согласно П. Маэс [10], «АА - это компьютерные системы, функционирующие в сложной, динамической среде, способный ощущать и автономно действовать на эту среду и, таким образом, выполнять множество задач, для которых они предназначены». Здесь предложены два ограничения на среду агентов - «сложная и динамическая».

Подробный анализ возможных типов сред и соответствующих требований к агентам дан Д.А. Поспеловым [16]. У него все среды подразделяются на три больших класса - замкнутые, открытые и трансформируемые. Замкнутые среды допускают конечное исчерпывающее описание (детерминированное или вероятностное). При этом агенты могут обладать полным априорным знанием о среде и ее свойствах или получать оперативную информацию в ходе своего взаимодействия с ней (как в моделях коллективного поведения автоматов). Но главная идея - полнота их знаний (в детерминированном или статистическом смысле) остается. Понятие «открытых сред» предполагает отказ от постулата полноты знаний у агента и введение локальных описаний среды. Наконец, трансформируемые среды могут менять свои характеристики в зависимости от действий агентов (например, агенты могут порождать новые объекты в среде и даже новых агентов).

В открытых средах для отражения динамики среды и ситуативности знаний агентов требуется переход к семиотическим системам. Семиотическая система может пониматься как динамическая система, состояниями которой являются фиксированные формальные системы. Соответственно,

агент, функционирующий в открытой среде, должен иметь семиотическую базу знаний и уметь работать с фрагментами неоднородных семантических сетей. Для трансформируемых сред в структуру агента должны включаться средства, позволяющие прогнозировать возможное развитие процессов в среде в результате тех или иных действий агента.

Слабые определения смыкаются с чисто программистскими взглядами на природу агента. Нередко агенты понимаются как вычислительные единицы, поддерживающие локальные состояния и параллельные вычисления, а также способные в процессах коммуникации достигать состояния других агентов, и автоматически выполнять действия в некоторых условий среды [6]. В свою очередь, стратегия искусственных агентов, изложенная в IBM White Paper [3], исходит из идеи «персонального ассистента»: агент действует в интересах других лиц, которые передают ему определенные властные полномочия. По сути дела, здесь агент есть любая программная или аппаратная система, способная действовать в интересах достижения целей, поставленных пользователем. Соответственно, АА понимаются как программные системы, создаваемые для оказания услуг пользователю на основе своих интерфейсов и характеризующиеся определенным поведением (правилами и стратегиями поведения). Они выполняют некое множество операций для пользователя или другой программной системы, обладая определенной степенью автономности или независимости, и используя при этом знания или представления о целях или желаниях пользователя.

Итак, ключевыми характеристиками любых АА как «искусственных деятелей» являются автономность и целенаправленность. Речь идет об автономном выполнении некоторых действий на основе целенаправленных проблемно-ориентированных рассуждений. В качестве главных признаков АА принимается принятие решений и воздействие на среду [53].

По М.Коэну [5], агенты - это программы, которые имеют взаимные обязательства, определяемые в процессе диалога, ведут переговоры и координируют передачу информации. Здесь очевидно, что переговорный процесс

предполагает наличие восприятия и действия, а диалог немыслим без средств коммуникации. Агенты обладают настойчивостью, что связано с наличием своих собственных представлений о том, как выполнять задачи, или своих личных программ действий.

По-видимому, первое в современных исследованиях по ИИ «скрытое определение» агента восходит к работам Д.А.Поспелова и В.Н.Пушкина по теории гиромата [18]. Гиромат - это элементарная модель целесообразного поведения, способная адаптироваться к условиям решаемой задачи. В структуру гиромата входят следующие модули: блок мотивации; блок селекции (рецепторы); блок построения внутренней модели внешней среды; блок выдвижения гипотез; блок модельного опыта; блок выработки решений; блок активного опыта; блок времени. Несколько позже К.Хьюитт предложил определение актора как программного агента, имеющего свой почтовый адрес и обладающего поведением [8, 13].

Более сильные определения полнее отражают когнитивные, коммуникативные, поведенческие, а особенно, интенциональные аспекты агентов. Вообще, в антропоморфных определениях агентов ведущее место отводится ментальным свойствам. Как правило, особое внимание обращается на главное отличие агентов от объектов, связанное с наличием у первых внутренних механизмов мотивации и целеполагания. Тогда ядро агента задается отношениями «интенции - ресурсы - поведение»: любой агент, имеющий определенные цели и предпочтения, нуждается в ресурсах для их достижения и демонстрирует некоторое поведение. Так по И.Шоэму [24], агент есть целостная единица, описание состояния которой включает такие психические (ме-таинтеллектуальные [30]) компоненты как убеждения, способности, обязательства и решения. Иными словами, каждый агент имеет встроенные механизмы мотивации (формирования предпочтений).

Достаточно сильное определение АА дали К.Сикара и соавторы [29]. Здесь выделены следующие характеристики:

- способность решения задач, поставленных людьми или другими компьютерными агентами;

- активность, т.е. способность инициировать решение задачи и предлагать свои услуги пользователю;

- сетевая «среда обитания» и способность самоорганизации в ней;

- полуавтономность (у пользователя есть возможность управлять уровнем автономности агента);

- антиципация, т.е. способность предвидеть запросы пользователя;

- надежность;

- способность сотрудничать с людьми или другими компьютерными агентами в интересах решения задачи;

- гибкость, проявляющаяся в способности работать с неоднородными агентами и удаленными информационными ресурсами;

- адаптивность, способность оперативно приспосабливаться к изменению потребностей пользователя и факторов среды;

- настойчивость в решении задачи.

Опираясь на концепцию гиромата и усиливая определение Ж.Фербе [27], можно дать следующее общее определение АА [28, 30].

Под АА в информатике и ИИ понимаются любые физические или виртуальные единицы:

а) способные действовать на объекты в некоторой среде, на других агентов, а также на самих себя (действие);

б) способные общаться с другими агентами (общение);

в) исходящие из некоторых потребностей и способные к целеобразова-нию (потребностно-целевая основа); обладающие набором интенциональных характеристик (убеждения, желания, намерения и пр.);

г) несущие определенные обязанности и предоставляющие ряд услуг (наличие обязательств);

д) обладающие собственными ресурсами, обеспечивающими их автономию (автономия);

е) способные к восприятию среды (восприятие с ограниченным разрешением);

ж) способные строить частичное представление этой среды на основе ее восприятия, т.е. перцептивных навыков и умений (локальное представление среды);

з) способные к обучению, эволюции и адаптации (эволюционный и адаптационный потенциал)

и) способные к самоорганизации и самовоспроизведению (самосохранение).

Можно предложить немало различных оснований для построения классификаций агентов. Наиболее очевидными являются критерии классификации, связанные с полярными шкалами «естественное-искусственное» и «материальное-идеальное». По первому критерию, выделяются натуральные агенты (животные, люди, группы организмов, коллективы людей) и искусственные агенты (роботы, коллективы автоматов, сложные компьютерные программы). В данной работе описываются только искусственные агенты. По второму критерию, все искусственные агенты подразделяются на: 1) материальных, физически существующих и работающих в реальном пространстве, например, интегральные роботы) и 2) виртуальных, существующих лишь в программной среде (виртуальном пространстве); нередко такие «программные роботы» (software robots) называют сокращенно софтботами (softbots) [7,13,17].

Еще одна пара взаимосвязанных критериев классификации опирается на дихотомии «сосредоточенное-распределенное» и «неподвижное-подвижное» [6,17,27,29,38]. Примером неподвижного агента служит стационарный манипуляционный робот, а примером мобильного - поисковый агент, мигрирующий по сети в целях отыскания нужной информации. Подчас мобильные софтботы (моботы) могут трактоваться как распределенные, чисто коммуникативные агенты, которые не имеют собственных средств восприятия и действий (поэтому они не манипулируют никакими объектами), а

Список литературы диссертационного исследования кандидат наук Истомин, Виктор Владимирович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Истомин В.В. Организация виртуального обучения по направлениям 200300 и 200400 [Текст] // Медицинские информационные системы: Известия Южного федерального университета. Технические науки. - 2010. - №8. -Таганрог: ТТИ ЮФУ, 2010. - С. 223-227. (ВАК)

2. Истомина Т.В., Сафронов А.И., Киреев A.B., Истомин В.В. Программно-методическое обеспечение системы дистанционной мультидиагностики и реабилитации больных после эндопротезирования тазобедренного сустава [Текст] // Научно-технический вестник Поволжья. - 2011. - №1. - Казань: НТВП, 2011.-С. 113-118. (ВАК)

3. Истомина Т.В., Истомин В.В., Карамышева Т.В., Петров В.И. Применение стабилометрии в постурологической системе мультидиагностики и реабилитации [Текст] // Биомедицинская радиоэлектроника, №10, 2011 г. - Москва: Радиотехника, 2011 г. - С. 84-88. (ВАК)

4. Истомин В.В. Прогнозирование поведения групп автономных интеллектуальных агентов на основе теории многоагентных систем [Электронный ресурс] // Инженерный вестник Дона. 2011. Т. 18. № 4. С. 29-32. (ВАК)

5. Акжигитов Р.Ф., Киреев A.B., Истомин В.В., Слива A.C. Система мультидиагностики для больных с постуральным дефицитом и разработка алгоритма распознавания стабилографических сигналов [Текст] // Известия Южного федерального университета. Технические науки. Т. 134. № 9. 2012 г. - Таганрог: ТТИ ЮФУ, 2012 - С. 98-104. (ВАК)

6. Истомин В.В., Михеев М.Ю. Система мультидиагностики для больных с постуральным дефицитом и разработка алгоритма распознавания стабилографических сигналов [Электронный ресурс] // Инженерный вестник Дона -2012. Т. 23. № 4-2. С. 22. (ВАК)

7. Истомин В.В. Алгоритм поведения групп автономных интеллектуальных агентов для биомедицинских систем на основе теории роевого интеллекта

[Текст] // Прикаспийский журнал: управление и высокие технологии - Астрахань, 2013, №3, с.54-62 (ВАК)

8. Истомин В.В., Лупанов М.Ю. Классификация методов сжатия информации [Текст] // VIII Королёвские чтения: Сборник докладов всероссийской молодежной научной конференции с международным участием. - Самара: СГАУ, 2005.-С. 87-89.

9. Истомин В.В., Истомина Т.В. Систематизация методов сжатия информации [Текст] // Цифровая обработка сигналов и ее применение: Сборник трудов VIII Международной конференции и выставки. - 2006. - Выпуск VIII-1. -Москва: РНТОРЭС, 2006. - С. 524-527.

10. Щербань А.Б., Истомин В.В. Интерпретация обобщенных структурных моделей в пространстве IS-анализа [Текст] // Актуальные проблемы науки и образования: Сборник материалов II научной конференции студентов, аспирантов и молодых ученых. - 2009. - Часть II. - Пенза: ПГТА, 2009. -С. 75-81.

11. Щербань А.Б., Истомин В.В. Обобщенные структурные модели IS-анализа признакового пространства [Текст] // Современные информационные технологии. 2009. № 10. С. 79-83.

12. Истомин В.В., Истомина Т.В. Виртуальное обучение на кафедре ИТММБС ПГТА [Текст] // Актуальные проблемы науки и образования: Сборник материалов III научной конференции студентов, аспирантов и молодых ученых. - 2010. - Часть I. - Пенза: ПГТА, 2010. - С. 23-27.

13. Истомин В.В. Организация виртуального обучения направлениям 200300 и 200400 [Текст] // Информационные и управленческие технологии в медицине и экологии: Сборник статей IV Всероссийской научно-технической конференции. - Пенза: ПДЗ, 2010. - С. 45-50.

14. Истомин В.В., Михеев М.Ю. Методы и средства распознавания сигналов на основе применения нейросетевых технологий [Текст] // Инновационные технологии в экономике, информатике, образований и медицине: Сборник

статей VII Межрегиональной научно-практической конференции студентов и аспирантов. - Пенза: ПГТА, 2010. - С. 25-28.

15. Истомин В.В., Истомин Б.А., Истомина Т.В. Совершенствование оценки эффективности нейросетевого алгоритма распознавания сигналов [Текст] // Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге: Тезисы трудов всероссийской школы для молодежи. - Таганрог: ТТИ ЮФУ, 2010.-238-242.

16. Истомин В.В., Михеев М.Ю. Методы и средства распознавания сигналов на основе применения нейросетевых технологий [Текст] // Современные информационные технологии - 2010: Сборник статей международной научно-технической конференции. - Пенза: ПГТА, 2010. - С. 103-107.

17. Истомин В.В., Истомина Т.В. Виртуальная лаборатория удаленного доступа для биотехнического образовательного профиля [Текст] // Методы обучения и организация учебного процесса в вузе: Сборник статей II всероссийской научно-методической конференции. - Рязань: РГРТУ, 2011. -С. 111-115.

18. Истомина Т.В., Сафронов А.И., Киреев A.B., Истомин В.В. Программно-методическое обеспечение системы дистанционной мультидиагностики и реабилитации больных после эндопротезирования тазобедренного сустава [Текст] // Актуальные проблемы науки и образования: Сборник материалов IV научной конференции студентов, аспирантов и молодых ученых. - 2011. -Часть I. - Пенза: ПГТА, 2011. - С. 78-83.

19. Истомин В.В., Михеев М.Ю. Синтез информационных моделей поведения групп автономных интеллектуальных агентов для биомедицинских систем [Текст] //Актуальные проблемы науки и образования: Сборник материалов IV научной конференции студентов, аспирантов и молодых ученых. -2012.-Часть I.-Пенза: ПГТА, 2012.-С. 81-85.

20. Истомин В.В., Михеев М.Ю. Повышение качества прогнозирования поведения групп автономных интеллектуальных агентов для биомедицинских систем [Текст] // Надежность и качество - 2012: труды Международного

симпозиума, в 2 т. / под ред. Н.К. Юркова. - Пенза: Изд-во ПГУ, 2012. - 2 т. -С.467-470.

21. Юревич Е. И. Управление роботами и робототехническими системами Текст. / Е. И. Юревич СПб.: Изд. СПбГПУ, 2001.

22. Юревич Е.И. Принцип группового управления роботами Текст. / Е. И. Юревич //В сб: Интеллектуальные и многопроцессорные системы// Малы науч.технич. Конф.Т.2. Таганрог: ТРТУ,2003.

23. Юревич Е.И. Интеллектуальные роботы Текст. / Е.И. Юревич, И.А. Каляев, В.М. Лохин, И.М. Макаров и др - М.: Машиностроение, 2007.

24. Каляев И.А. Стайные принципы управления в группе объектов Текст.-/ И.А. Каляев, А.Р. Гайдук // Мехатроника. Автоматизация. Управление. 2004. N. 12. С. 29-33.

25. И. А. Каляев, А. Р. Гайдук, С. Г. Капустян. Модели и алгоритмы коллективного управления в группах роботов. - ФИЗМАТЛИТ, 2009. - 280 с. -ISBN 978-5-9221-1141-6.

26. Юревич Е.И. Принципы группового управления роботами. // Экстремальная робототехника-2003. Материалы научной молодежной школы. Таганрог: Изд-во ТРТУ, 2003. С.165-171.

27. Каляев И.А., Гайдук А.Р., Капустян С.Г. Распределенные системы планирования действий коллективов роботов. М.: Янус-К, 2002. 292 с.

28. Капустян С.Г. Метод организации мультиагентного взаимодействия в распределенных системах управления группой роботов при решении задачи покрытия площади //Искусственный интеллект, №3, 2004. Донецк: Изд-во «Наука i освгга». С. 715-727.

29. Капустян С.Г., Кулиничев Р.Н. Алгоритм и имитационная модель решения задачи оптимального покрытия поверхности группой роботов //Искусственный интеллект. Интеллектуальные и многопроцессорные систе-мы-2004. Материалы Международной научной конференции. Т.2. Таганрог: Изд-во ТРТУ, 2004. С. 396-400.

30. Капустян С.Г., Бондарев Ю.П. Алгоритмы и имитационная модель локальной координации действий в больших группах микророботов // Искусственный интеллект. Интеллектуальные и многопроцессорные системы-2004: Материалы Международной научной конференции. Т.2. Таганрог: Изд-во ТРТУ, 2004. С. 391-395.

31. Капустян С.Г., Усачев Л.Ж., Стоянов C.B. Метод оптимального распределения целей в коллективе роботов // Информационные технологии. -М.: Машиностроение. - №4. 1998. - С. 29-34.

32. Капустян С.Г., Усачев Л.Ж. Моделирование функционирования мобильных роботов в виртуальной среде на ПЭВМ // Известия ТРТУ. - 2002, - №1 (24). - С.52-53.

33. Капустян С.Г., Усачев Л.Ж. Способ и программная модель динамического распределения целей в задаче группового применения мобильных роботов // Интеллектуальные и многопроцессорные системы - 2003. Материалы Международной научно-технической конференции. Т.2. - Таганрог: Изд-во ТРТУ, 2003.-С. 203-205.

34. Адамацкий А.И., Холланд О. Роящийся интеллект: представления и алгоритмы// Информационные технологии и вычислительные системы. - 1998. -№1. - С.45-53.

35. Валькман Ю.Р. Распределенный искусственный интеллект и многоагент-ные системы в исследовательском проектировании сложных объектов// Труды Международного семинара «Распределенный искусственный интеллект и многоагентные системы» (DAIMAS'97, Санкт-Петербург, Россия, 15-18 июня 1997). - С.269-279.

36. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы применения// Новости искусственного интеллекта. -1996. -№1. - С.44-59.

37. Городецкий В.И. Многоагентные системы: основные свойства и модели координации поведения// Информационные технологии и вычислительные системы. - 1998. - №1. - С.22-34.

38. Городецкий В.И., Грушинский М.С., Хабалов A.B. Многоагентные системы (обзор)// Новости искусственного интеллекта. -1998. - №2. -

39. Емельянов В.В. Многоагентная модель децентрализованного управления производственными системами // Информационные технологии и вычислительные системы. - 1998. - №1. - С.69-77.

40. Поспелов Д.А. Многоагентные системы - настоящее и будущее // Информационные технологии и вычислительные системы. - 1998. - №1. -С.14-21.

41. Пэранек Г.В. Распределенный искусственный интеллект// Искусственный интеллект: применение в интегрированных производственных системах/ Под. ред. Э.Кьюсиака. -М.: Машиностроение, 1991. -С.238-267.

42. Смирнов A.B., Шереметов Л.Б. Многоагентная технология проектирования сложных систем// Автоматизация проектирования. - 1998. -№3.

43. Стефанюк В.Л. От многоагентных систем к коллективному поведению// Труды Международного семинара «Распределенный искусственный интеллект и многоагентные системы» (DAIMAS'97, Санкт-Петербург, Россия, 1518 июня 1997). - С.327-338.

44. Таран Т.А. О разрешении конфликтов в многоагентных системах на основе аргументации// Искусственный интеллект. - Донецк- 1997,- №1-2. -С.36-50.

45. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном// Новости искусственного интеллекта. - 1995. - №4. - С.93-117.

46. Швецов И.Е., Нестеренко Т.В., Старовит С.А. ТАО - технология активных объектов для разработки мультиагентных систем//Информационные технологии и вычислительные системы. -1998-№1.-С.35-43.

47. Н. Hamann. Space-Time Continuous Models of Swarm Robotic Systems, Cognitive Systems Monographs, volume 9, Springer-Verlag Berlin Heidelberg, 2010.

48. Russell, Stuart J.; Norvig, Peter, Artificial Intelligence: A Modern Approach. -3rd ed. Upper Saddle River, New Jersey: Prentice Hall, 2010.

49. Stan Franklin and Art Graesser (1996); Is it an Agent, or just a Program?: A Taxonomy for Autonomous Agents; Proceedings of the Third International Workshop on Agent Theories, Architectures, and Languages, Springer-Verlag, 1996

50. N. Kasabov, Introduction: Hybrid intelligent adaptive systems. International Journal of Intelligent Systems, Vol.6, (1998) 453-454.

51. Beni, G., Wang, J. Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26-30(1989)

52. Ron Sun and Isaac Naveh. Simulating Organizational Decision-Making Using a Cognitively Realistic Agent Model, Journal of Artificial Societies and Social Simulation.

53. Michael Wooldridge, An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 2002, paperback, 366 pages, ISBN 0-471-49691-X.

54. Liviu Panait, Sean Luke: Cooperative Multi-Agent Learning: The State of the Art. Autonomous Agents and Multi-Agent Systems 11(3): 387—434 (2005)

55. Ahmed, S. Karsiti, M.N. A testbed for control schemes using multi agent nonholonomic robots. Electro/Information Technology, 2007 IEEE International Conference, Chicago, IL, pp. 459 - 464, 2007.

56. Hong Lin, Architectural Design of Multi-Agent Systems: Technologies and Techniques, Information Science Reference Hershey-New York, 2007.

57. M. Tim Jones. Artificial Intelligence: A Systems Approach. Infinity Science Press LLC, Hingham, MA, 2008.

58. Farshad Arvin, Khairulmizam Samsudin, Abdul Rahman Ramli, "Development of a Miniature Robot For Swarm Robotic Application". International Journal of Computer and Electrical Engineering, IJCEE'09. vol.1, no.4 , pp.436-442, 2009.

59. Hopgood, Adrian A. Intelligent systems for engineers and scientists. - 2nd ed. CRC Press LLC, Florida, 2001.

60. Thomas Schmickl. Bio-inspired self-organizing robotic systems. - Studies in Computational Intelligence, 2011, Volume 355/2011, 25-52, DOI: 10.1007/978-3642-20760-0 2

61.Hongxing Wei, Yizhou Huang, Haiyuan Li and Jindong Tan. Advances in swarm intelligence. - Lecture Notes in Computer Science, 2011, Volume 6729/2011, 118-127, DOI: 10.1007/978-3-642-21524-7_15

62. Jeremiah C. Aboganda, Christopher Kim C. Go, Jonathan R. Maniago, Michelle Jean R. Sia and Carlos M. Oppus. Social robotics. - Lecture Notes in Computer Science, 2010, Volume 6414/2010, 11-19, DOI: 10.1007/978-3-642-17248-9_2

63. Hiroshi Hirai, Shigeru Takano and Einoshin Suzuki. Advances in artificial life. Darwin meets Von Neumann. - Lecture Notes in Computer Science, 2011, Volume 5778/2011,416-423, DOI: 10.1007/978-3-642-21314-4_52

64. Chee Peng Lim, Lakhmi C. Jain, and Satchidananda Dehuri (Eds.). Innovations in Swarm Intelligence. - Studies in Computational Intelligence, Volume 248, Springer-Verlag Berlin Heidelberg, 2009.

65. Dejan Lj. Milutinovic, Pedro U. Lima. Cells and Robots. Modeling and Control of Large-Size Agent Populations. - Springer Tracts in Advanced Robotics, Volume 32, Springer-Verlag Berlin Heidelberg, 2007

66. Jennings N. R. Coordination Techniques for Distributed Artificial Intelligence Текст. / N. R. Jennings //Foundations of Distributed Artificial Intelligence/Ed. By

4

G. M. P.O 'Hare N. R. Jennings New York: Wiley Sons, 1996

67. Jennings N. R. Applications of Agent Technology Текст. / N.R. Jennings, M. Wooldridge // Agent Technology: Foundations, Applications Markets Berlin: Springer Verlag, 1998.

68. Wooldridge M. Intelligent Agents Текст. / M. Wooldridge, G. Weiss // MultiAgent Systems Cambridge MA: MIT Press, 1999.

69. Wooldridge M. Intelligent Agents: Theory Practice Текст. / N.R. Jennings, M. Wooldridge // The Knowledge Engineering Review 1995. - Vol. 10. - №2. -P.115-152.

70. Wooldridge A. A Methodology for Agent-Oriented Analysis Design Текст. / A. Wooldridge, N. R. Jennings , D. Kinny 1999.

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ

УТВЕРЖДАЮ Директрв^Щ^арНИИТО

;сии

джегешштоот^ ?кин и.А.

АКТ

о внедрении результатов диссертационной работы Истомина Виктора Владимировича на тему «ИНФОРМАЦИОННАЯ МОДЕЛЬ ПОВЕДЕНИЯ САМООРГАНИЗУЮЩИХСЯ ГРУПП АВТОНОМНЫХ АГЕНТОВ

ДЛЯ БИОМЕДИЦИНСКИХ СИСТЕМ» Настоящим актом удостоверяется, что алгоритм коллективной локализации и обезвреживания пораженных клеток, разработанный Истоминым Виктором Владимировичем в диссертационной работе на соискание учёной степени кандидата технических наук, может быть применен в ФГБУ «СарНИИТО» Минздрава России для локализации очагов воспалительного процесса после операций эндопротезирования.

Зам. директора по науке

ФГБУ «СарНИИТО» Минздрава России

д.м.н., профессор

Подписи Норкина И.А. и Пучиньяна Д.М. заверяю.

Начальник ОК ФГБУ «Саратовский--научно-исследовательского инс^тут травматологии и ортопедии» Министерства;\

здравоохранения Российской Федёра^йй^ Г

%ч у ^

V- й.

Д.М. Пучиньян

Е.В.Грачева

программирование ваших

идей

ООО "БИОСОФТ-М" 124498, г. Москва, Зеленоград, проезд 4922, дом 4, строение 2

«УТВЕРЖДАЮ» Генеральный директор ООО «БИОСОФТ-М»

г

к.т.н., с.н.с. Филатов И.А.

^ 2П13г.

АКТ

. об использовании результатов диссертационной работы ИСТОМИНА ВИКТОРА ВЛАДИМИРОВИЧА на тему «ИНФОРМАЦИОННАЯ МОДЕЛЬ ПОВЕДЕНИЯ САМООРГАНИЗУЮЩИХСЯ ГРУПП АВТОНОМНЫХ АГЕНТОВ ДЛЯ

БИОМЕДИЦИНСКИХ СИСТЕМ»

Настоящим актом удостоверяется, что результаты диссертационной работы Истомина Виктора Владимировича по разработке информационной модели поведения самоорганизующихся групп автономных агентов используются в научно-исследовательской работе, выполняемой ООО «БИОСОФТ-М» по созданию программных и технических средств измерения, обработки, визуализации, хранения и дистанционной передачи данных для биомедицинских систем различного назначения.

ООО «I

Генеральный директор

к.т.н., с.н.с.

И.А. Филатов

тел.: [phone] факс: [phone] Е-таН: [e-mail]

</5У

«УТВЕРЖДАЮ» Проректор по учебной работе ФГБОУ ВПО «Пензенский государственный технологический

" ' У ^ А

университет» к.т.н.,'доцент "^^^Гу ^ А.Б.Андреев Я N ¡03 . 2013 г.

АКТ

об использовании результатов диссертационной работы

ИСТОМИНА ВИКТОРА ВЛАДИМИРОВИЧА на тему «ИНФОРМАЦИОННАЯ МОДЕЛЬ ПОВЕДЕНИЯ САМООРГАНИЗУЮЩИХСЯ ГРУПП АВТОНОМНЫХ АГЕНТОВ ДЛЯ

БИОМЕДИЦИНСКИХ СИСТЕМ»

Настоящим актом удостоверяется, что результаты диссертационной работы Истомина В.В. в период с 2010 по 2013 гг. использовались в учебном процессе кафедры «Информационные технологии и системы» при подготовке лабораторных работ по дисциплинам «Программные средства по решению математических задач» и «Методы идентификации сигналов и систем».

Зав. кафедрой

Информационные технологии и системы, д.т.н., профессор

М.Ю. Михеев

«УТВЕРЖДАЮ» Проректор по учебной работе ФГБОУ ВПО «Пензенский

государственный технологический

университет» к,т.н., доцент

^у^Е^^у ' А.Б. Андреев V /2013 г.

АКТ

об использовании результатов диссертационной работы ИСТОМИНА ВИКТОРА ВЛАДИМИРОВИЧА

на тему «ИНФОРМАЦИОННАЯ МОДЕЛЬ ПОВЕДЕНИЯ САМООРГАНИЗУЮЩИХСЯ ГРУПП АВТОНОМНЫХ АГЕНТОВ ДЛЯ

БИОМЕДИЦИНСКИХ СИСТЕМ»

Настоящим актом удостоверяется, что результаты диссертационной работы Истомина В.В. в период с 2010 по настоящее время применяются в научных исследованиях на кафедре «Информационные технологии и менеджмент в медицинских и биотехнических системах» и используются в качестве составляющей части разработанной автором виртуальной лаборатории, на основе которой производятся удаленные эксперименты в среде Ма11аЬ, а также используются в учебном процессе при проведении лабораторных работ по дисциплине «Теория биотехнических систем»

Зам зав. кафедрой Информационные технологии и менеджмент в медицинских и биотехнических системах по

д.м.н., профессор

А.И. Сафронов

ПРИЛОЖЕНИЕ Б. ЛИСТИНГ ПРОГРАММНОЙ РЕАЛИЗАЦИИ

function varargout = model(varargin) %MODEL MATLAB code for model.fig

%MODEL, by itself, creates a new MODEL or raises the existing singleton*.

%H = MODEL returns the handle to a new MODEL or the handle to the existing singleton*.

%MODEL('CALLBACK1,hObj ect,eventData,handles, ...) calls the local function named CALLBACK in MODEL.M with the given input arguments.

%MODEL('Property','Value',...) creates a new MODEL or raises the existing singleton*. Starting from the left, property value pairs are applied to the GUI before model_OpeningFcn gets called. An unrecognized property name or invalid value makes property application stop. All inputs- are passed to model_OpeningFcn via varargin.

% *See GUI Options on GUIDE'S Tools menu. Choose "GUI allows only one instance to run (singleton)". % See also: GUIDE, GUIDATA, GUIHANDLES % Begin initialization code - DO NOT EDIT gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @model_OpeningFcn, ... 'gui_OutputFcn', @model_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout} ] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

% End initialization code - DO NOT- EDIT

% --- Executes just before model is made visible.

function model_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to model (see VARARGIN)

% Choose default command line output for model handles.output = hObject; % Update handles structure guidata(hObject, handles); initialize_gui(hObject, handles, false); % UIWAIT makes model wait for user response (see UIRESUME)

% uiwait(handles.model);

% ---Outputs from this function are returned to

the command line.

function varargout = model_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user'data (see GUIDATA)

% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on button press in calculate.

function calculate_Callback(hObject, eventdata, handles)

% hObject handle to calculate (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

t = (.1:.1:handles.vars.Iter/10); %switch algtype % case 'microscape'

x =

algl(handles.vars.A,handles.vars.B,handles.vars.Tau,han dies.vars.Iter,handles.vars.randtype); % view (2); % case 'macroscape' % view(2); % case 'Both'

xl -

algl(handles.vars.A,handles.vars.B,handles.vars.Tau,han dies.vars.Iter,handles.vars.randtype,number); view(3) ; end

hold all

plot(t,x);

function experiment

%0. general constants

arenaHeight = 40;

arenaWidth = 100;

robotQuantity = 50;

robotSize = 1;

startX = arenaWidth/2;

startY = arenaHeight/2;

finalTime = 150; %iterations

commRadius = 4*robotSize;

cureCount = zeros(1,robotQuantity);

radd = 0.15;

G = 0;

figure (gcf); %drawing target areas hold on;

areaLX=[19 18 17 17 17 17 18 19];

areaRX=[78 76 74 73 73 72 72 71 71 71 71 71 71 72 72 73 73 74 76 78] ;

areaLengthL =[4 68888 64];

areaLengthR = [6 10 14 16 16 18 18 20 20 20 20 20 20 18 18 16 16 14 10 6];

targetAreas = zeros(arenaWidth,arenaHeight);

for i=l:length(areaLX)

for j=0:areaLengthL(i)-1

targetAreas(areaLX(i)+j,16+i)=1;

patch([areaLX(i)+j areaLX(i)+j

areaLX(i)+j-l 15+i

areaLX(i)+j-l],[16+i

15+i

16+i],ones(4) , 'r' , 'EdgeColor', 'r') ; end end

for i=l:length(areaRX) for j=0:areaLengthR(i)-1 targetAreas(areaRX(i)+j ,10+i)=1;

patch([areaRX(i)+j areaRX(i)+j areaRX(i)+j-1

areaRX(i)+j-l], [10+i 9+i 9+i

10+i],ones (4), 'r!, 'EdgeColor', 'r'); end end

for i=:

targetAreas(areaRY(i) ,areaRX(i))=1; end

for i=l:length(targetAreas)

patch(areaRX,areaRY,ones(44),'r','EdgeColor','black ', 'LineWidth',2) ; end

%drawing cells yVert=[0 arenaHeight]; xHoriz=[0 arenaWidth]; for i=0:arenaWidth for j=0:arenaHeight yHoriz=[j j]; xVert=[i i];

plot(xVert,yVert,xHoriz,yHoriz,'Color',[0.7,0.7,0.7

] )

end end

set(findobj('Type','axes'),'Box','on','XLimMode','m anual',...

1YLimMode','manual','XLim1,[0 arenaWidth],'YLim',[0 arenaHeight],...

'DataAspectRatio',[arenaWidth arenaWidth

1], 'XMinorGrid', 'on 1, 'YMinorGrid', 'on', 1MinorGridLine', ' - ' ) ;

%drawing start point sPointX = [48 52]; sPointYl = [18 22]; sPointY2 = [22 18];

plot(sPointX,sPointYl,sPointX,sPointY2,'Color','g', 'LineWidth',5);

%initialize robots

robotX = zeros (1,robotQuantity)+startX; robotY = zeros (1, robotQuantity) -fstartY; plothandle =

plot(robotX,robotY,'.','MarkerSize',8); %Algorithm cycle for i=l:finalTime for j=l:robotQuantity %Agent in target area?

if targetAreas(ceil(robotX(j)),ceil(robotY(j)))==1 G = radd G = G + radd; %Curing cell

curingX = [robotX(j) robotX(j) robotX(j)-l robotX(j)-1];

curingY = [robotY(j) robotY(j)-l robotY(j)-l robotY(j)];

patch(ceil(curingX), ceil(curingY),ones(4),'y','Edge Color 1,1y');

targetAreas(ceil(robotX(j)),ceil(robotY(j))) = 2;

cureCount(j)=1;

elseif

targetAreas(ceil(robotX(j)),ceil(robotY(j)))==2 %Dispose agent if cureCount(j)==10

curedX = [robotX(j) robotX(j) robotX(j)-l robotX(j ) -1] ;

curedY = [robotY(j) robotY(j)-l robotY(j)-l robotY(j)] ;

patch(ceil(curedX), ceil(curedY),ones(4), 1g','EdgeCo lor','g');

else

cureCount(j)=cureCount(j)+1;

end

else

%Random movements robotX(j)=robotX(j)+sqrt(-2.0.*log(random('Uniform',realmin,1,1))) .*cos (2.0*pi.*r andom('Uniform',realmin,1,1));

robotY(j)=robotY(j)+sqrt(-2.0.*log(random('Uniform',realmin,1,1))).*cos(2.0*pi.*r andom('Uniform',realmin,1,1)); end

%Avoiding collisions if robotX(j)>arenaWidth robotX(j)=arenaWidth-robotSize; end

if robotX(j)<0 robotX(j)=robotSize; end

if robotY(j)>arenaHeight

robotY(j)=arenaHeight-robotSize;

end

if robotY(j)<0 robotY(j)=robotSize; end end

%Saving data %Robot cycle end end

%Drawing robots

set(plothandle,'xdata1,robotX,'ydata1,robotY);

drawnow

end

%model moves:

robotX = robotX + A*TAU + sqrt(TAU)*B*sqrt(-2.0.*log(random('Uniform1,realmin,1,1,robotQuantity))). *cos(2.0*pi.*random('Uniform',realmin,1,1,robotQuantity )) ;

robotY = robotY + A*TAU + sqrt(TAU)*B*sqrt(-2.0.*log(random('Uniform',realmin,1,1,robotQuantity))). *cos(2.0*pi.*random('Uniform',realmin,1,1,robotQuantity ));

end

% --- Executes on button press in reset.

function reset_Callback(hObject, eventdata, handles)

% hObject handle to reset (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

initialize_gui(gcbf, handles, true); function initialize_gui(fig_handle, handles,

isreset)

% If the vars field is present and the reset flag is false, it means

% we are we are just re-initializing a GUI by calling it from the cmd line

% while it is up. So, bail out as we dont want to reset the data.

if ~isreset && isfield(handles, 'vars')

return; end

handles.vars.A = 0; handles.vars.B = 0; handles.vars.Tau = 0; handles.vars.Iter = 0; handles.vars.randtype = 0; handles.vars.algtype = 0; handles.vars.number = 0; set(handles.A, 'String1, 0.1); set(handles.B, 'String', 0.3);

set(handles.Tau, 'String', 0.1); set(handles.Iter, 'String', 500); set(handles.Rand_popup, 'Value', 1); set(handles.Alg_popup, 'Value', 1); set(handles.Num_popup, 'Value', 1); % Update handles structure guidata(handles.model, handles);

function A_Callback(hObject, eventdata, handles) % hObject handle to A (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of A as text

% str2double(get(hObject,'String')) returns contents of A as a double

A = str2double(get(hObject, 'String')); if isnan(A) set(hObject, 'String', 0.1); errordlg('Input must be a number','Error'); end

% Save the new A value handles.vars.A = A; guidata(hObject,handles)

% --- Executes during object creation, after setting all properties.

function A_CreateFcn(hObject, eventdata, handles) % hObject handle to A (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER. A = str2double(get(hObject, 'String')); handles.vars.A = A; guidata(hObj ect,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0, 'defaultUicontrolBackgroundColor'))

set(hObj ect,'BackgroundColor', 'white'); end

function B_Callback(hObject, eventdata, handles) % hObject handle to B (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of B as text

% str2double(get(hObject,'String')) returns contents of B as a double

B = str2double(get(hObject, 'String')); if isnan(B) set(hObject, 'String', 0.3); errordlg ('Input must be a number'•,'Error') ; end

% Save the new B value

handles.vars.B = B; guidata (hObj ect,handles)

% --- Executes during object creation, after setting all properties.

function B_CreateFcn(hObject, eventdata, handles) % hObject handle to B (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER. B = str2double(get(hObject, 'String')); handles.vars.B = B; guidata(hObject,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObj ect,'BackgroundColor', 'white'); end

function Tau_Callback(hObject, eventdata, handles) % hObject handle to Tau (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String' ) returns contents of Tau as text

% str2double(get(hObject,'String')) returns contents of Tau as a double

Tau = str2double(get(hObject, 'String')); if isnan(Tau) set(hObject, 'String', 0.1); errordlg('Input must be a number','Error'); end

% Save the new Tau value handles.vars.Tau = Tau; guidata(hObj ect,handles)

% --- Executes during object creation, after setting all properties.

function Tau_CreateFcn(hObject, eventdata, handles) % hObject handle to Tau (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

Tau = str2double(get(hObject, 'String')); handles.vars.Tau = Tau; guidata(hObject,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObj ect,'BackgroundColor', 'white'); end

function Iter_Callback(hObject, eventdata, handles) % hObject handle to Iter (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String' ) returns contents of Iter as text

% str2double(get(hObject,'String')) returns contents of Iter as a double

Iter = str2double(get(hObject, 'String')); if isnan(Iter) set(hObject, 'String', 500); errordlg('Input must be a number','Error'); end

% Save the new iterations value handles.vars.Iter = Iter; guidata(hObject,handles)

% --- Executes during object creation, after setting all properties.

function Iter_CreateFcn(hObject, eventdata, handles)

% hObject handle to Iter (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

Iter = str2double(get(hObject, 'String')); handles.vars.Iter = Iter; guidata(hObj ect,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get (0, 'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor', 'white'); end

% --- Executes on selection change in Num_popup.

function Num_popup_Callback(hObject, eventdata, handles)

% hObject handle to Num_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns Num_popup contents as cell array

% contents{get(hObject,'Value')} returns selected item from Num_popup

number=(get(hObject, 'Value')); % Save the new number value handles.vars.number = number; guidata(hObject,handles)

% --- Executes during object creation, after setting all properties.

function Num_popup_CreateFcn(hObject, eventdata, handles)

% hObject handle to Num_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER. number=(get(hObject, 'Value')); handles.vars.number = number; guidata(hObject,handles)

if ispc && isequal(get(hObject,1BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObj ect,'BackgroundColor', 'white'); end

% --- Executes on selection change in Rand_popup.

function Rand_popup_Callback(hObject, eventdata, handles)

% hObject handle to Rand_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns Rand_popup contents as cell array

% contents{get(hObject,'Value')} returns selected item from Rand_popup

randtype=get(hObject, 'Value');

% Save the new randomization type value handles.vars.randtype = randtype; guidata(hObject,handles)

% --- Executes during object creation, after setting all properties.

function Rand_popup_CreateFcn(hObject, eventdata, handles)

% hObject handle to Rand_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER. randtype=get(hObject, 'Value'); handles.vars.randtype = randtype; guidata(hObj ect,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hobject,'BackgroundColor', 'white'); end

% --- Executes on selection change in Alg_popup.

function Alg_popup_Callback(hObject, eventdata, handles)

% hObject handle to Alg_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns Alg_popup contents as cell array

% contents{get(hObject,'Value')} returns selected item from Alg_popup

Algtype=get(hObject, 'Value');

% Save the new algorithm type value handles.vars.algtype = Algtype; guidata(hObject,handles)

% --- Executes during object creation, after setting all properties.

function Alg_popup_CreateFcn(hObject, eventdata, handles)

% hObject handle to Alg_popup (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER. Algtype=get(hObject, 'Value'); handles.vars.algtype = Algtype; guidata(hObject,handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0, 'defaultUicontrolBackgroundColor'))

set(hObj ect,'BackgroundColor','white'); end