Информационные модели приобретения знаний и методы их классификации, структурирования, интеграции и семантического поиска тема диссертации и автореферата по ВАК РФ 05.13.17, доктор наук Кравченко Юрий Алексеевич

• Кравченко Юрий Алексеевич
• доктор наук
• 2022

Оглавление диссертации доктор наук Кравченко Юрий Алексеевич

ВВЕДЕНИЕ

1. РАЗРАБОТКА ТЕОРЕТИЧЕСКИХ ОСНОВ ПРИОБРЕТЕНИЯ ЗНАНИЙ НА ОСНОВЕ ПРИМЕНЕНИЯ БИОНИЧЕСКИХ ПРИНЦИПОВ

1.1. Построение модели эволюционного процесса приобретения знаний

1.2. Построение модели эволюционного процесса распространения знаний

1.3. Построение онтологической модели глобального информационного пространства на основе применения бионических принципов

1.4. Разработка концепции, базовых принципов и стратегии приобретения знаний

1.5. Построение эволюционной модели образа знаний

1.6. Постановка основных задач исследования

1.7. Выводы по разделу

2. РАЗРАБОТКА ИНФОРМАЦИОННЫХ МОДЕЛЕЙ ПРИОБРЕТЕНИЯ ЗНАНИЙ

2.1. Построение базовой модели интеллектуального агента

2.2. Создание когнитивных моделей свойств интеллектуальных агентов

2.3. Создание событийной имитационной модели построения рассуждений интеллектуальных агентов при решении задачи классификации знаний

2.4. Разработка модифицированного метода анализа иерархий признаков и альтернатив при решении задачи классификации знаний

2.5. Построение модели онтологии для решения задач приобретения знаний

2.6. Построение комплекса агентных моделей фильтра знаний на основе метода совместного семантического поиска

2.7. Выводы по разделу

3. РАЗРАБОТКА МЕТОДОВ КЛАССИФИКАЦИИ, СТРУКТУРИРОВАНИЯ, ИНТЕГРАЦИИ И СЕМАНТИЧЕСКОГО ПОИСКА ЗНАНИЙ

3.1. Разработка модифицированного метода классификации знаний на основе применения новой модели разделяющих гиперплоскостей

3.2. Разработка нечетких моделей и метода структурирования знаний

3.3. Разработка информационной модели и метода интеграции знаний

3.4. Разработка информационной модели и метода семантического поиска знаний

3.5. Выводы по разделу

4. РАЗРАБОТКА МОДИФИЦИРОВАННЫХ БИОИНСПИРИРОВАННЫХ МЕТОДОВ ОТОБРАЖЕНИЯ ОНТОЛОГИЙ НА ОСНОВЕ ОЦЕНКИ СЕМАНТИЧЕСКОЙ БЛИЗОСТИ

4.1. Определение онтологических размерностей семантических зависимостей понятий

4.2. Разработка алгоритма оценки семантической близости

4.3. Разработка модифицированного метода бактериальной оптимизации для решения задачи отображения онтологий

4.4. Разработка модифицированного обезьяньего метода для решения задачи отображения онтологий

4.5. Разработка модифицированного кукушкиного метода для решения задачи отображения онтологий

4.6. Выводы по разделу

5. РАЗРАБОТКА ПРОГРАММНОГО ПРИЛОЖЕНИЯ И ПРОВЕДЕНИЕ ВЫЧИСЛИТЕЛЬНОГО ЭКСПЕРИМЕНТА

5.1. Внедрение результатов диссертационного исследования

5.2. Разработка программного приложения

5.3. Проведение и результаты вычислительного эксперимента

5.4. Выводы по разделу

5.5. Общие выводы по работе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ №

ПРИЛОЖЕНИЕ №

Введение диссертации (часть автореферата) на тему «Информационные модели приобретения знаний и методы их классификации, структурирования, интеграции и семантического поиска»

ВВЕДЕНИЕ

Актуальность темы диссертационного исследования. Диссертационная работа посвящена важной научной проблеме информатики, которая заключается в необходимости увеличения информационного объема структурированных формальных знаний в глобальном информационном пространстве (ГИП), под которым понимается совокупность информационных ресурсов и инфраструктуры, позволяющих на основе единых принципов и по общим правилам обеспечивать информационное взаимодействие, например, глобальная сеть Интернет. Эффективное решение данной проблемы является основополагающим этапом создания баз знаний интеллектуальных систем (ИС) [1-6]. Основной научной идеей данного исследования является построение образа знаний - формального описания, в котором знания принимают предметную форму и определенность, применяемого в интеллектуальных системах и позволяющего идентифицировать неявные зависимости и закономерности на множестве объектов знаний.

Основными отличительными особенностями интеллектуальных систем, как технических систем, способных решать творческие задачи, являются распределенность, адаптивность, асинхронность и наличие способности анализа семантики знаний в контексте исследуемых информационных ресурсов (ИР) [7-11]. Залогом успешного решения обозначенной научной проблемы является качественное развитие и интенсификация информационных процессов приобретения знаний.

Знание - это сложная сетевая иерархия элементов информации с выявленными зависимостями и/или существенными связями между фактами, событиями, явлениями и процессами. Под приобретением знаний (англ. knowledge acquisition) понимаются информационные процессы получения информации извне и ее систематизация. Управление знаниями (англ. knowledge management) - это систематические информационные процессы создания, сохранения, распределения и применения знаний, необходимых для успеха определенных видов научной и

профессиональной деятельности. Информационный процесс - это совокупность последовательных действий, производимых над информацией с целью получения результата [1-5]. В задачах приобретения знаний этот результат определяется достоверностью, надежностью, релевантностью, интерпретируемостью нового знания. Достижимость данных характеристик знаний напрямую связана с проблемой снижения в информационных процессах уровня информационной неопределенности - нехваткой информации для решения поставленных задач.

При детализации описанных информационных процессов в работе исследованы следующие классические задачи искусственного интеллекта: классификация; структурирование; интеграция; семантический поиск знаний. Классификация знаний - процесс группировки объектов знаний в соответствии с их системно значимыми признаками. Коренное, наиболее важное свойство объекта или процесса, без которого теряется смысл, назовем существенным (системно значимым) признаком. Основной идеей структурирования знаний является построение многоуровневой сети связанных между собой понятий. Интеграция знаний - процесс взаимодействия и взаимопроникновения различных систем знаний, в результате чего создаётся новая целостность. Семантический поиск - это разновидность информационного поиска, в котором сопоставление смысловых значений объектов знаний реализуется на семантическом уровне [1-5]. В работе усилен аппарат теоретической информатики в области решения указанных задач приобретения знаний на основе методов агентного, имитационного, нечеткого, семантического, онтологического и биоинспирированного моделирования.

Как показал анализ источников [1-6], в условиях непрерывного экспоненциального роста объемов данных, информации и знаний, а также информационного переполнения - избытка информации, делающего невозможным проведение эффективных процессов анализа и обработки информационных ресурсов с целью извлечения релевантного знания, проблема повышения эффективности процессов приобретения знаний является актуальной и остается предметом многих научных исследований.

На данный момент развития информационных технологий интеллектуальные системы приобретения знаний не созданы, несмотря на наличие развитой сетевой, аппаратной и вычислительной базы, построенной в широком спектре современных технологий, таких как всепроникающие вычисления (ubiquitous computing), облачные вычисления (cloud computing), «умные» системы (smart systems), встраиваемые и интегрированные системы (embedded and integrated systems).

Основной причиной, сдерживающей развитие интеллектуальных систем в области построения эффективных информационных процессов приобретения знаний, является отсутствие теоретических основ, моделей и методов, обеспечивающих комплексное решение описанных выше задач искусственного интеллекта с учетом обработки семантики и контекста.

Таким образом, разработка теоретических основ построения информационных моделей и разработки методов решения задач приобретения знаний с применением подходов агентного, имитационного, нечеткого, семантического, онтологического и биоинспирированного моделирования является актуальной проблемой и имеет существенное научное и хозяйственное значение.

Проведенные в диссертационной работе исследования находятся в русле приоритетного направления развития науки, технологий и техники РФ «Информационно-телекоммуникационные системы», а также соответствуют критической технологии РФ «Нано-, био-, информационные, когнитивные технологии».

Степень разработанности темы диссертационного исследования.

Проблема приобретения знаний из распределенных информационных ресурсов является междисциплинарной и имеет сложную структуру этапов решения. Способы ее решения опираются на теоретические и методологические основы искусственного интеллекта, методов оптимизации, биоинспирированного поиска и принятия решений, нечеткой логики, теории управления знаниями, синергетики,

прикладной семиотики и семантики, агентного, онтологического и имитационного моделирования.

Научные труды целого ряда ученых, начиная с середины прошлого века, легли в основу решения проблем приобретения знаний. Наиболее известными являются труды следующих ученых: Э. Тоффлера; Д. Белла; М. Маклюэна; Ё. Масуды; Ю.А. Шрейдера; Р.С. Гиляревского; К. Виига; П. Сенге; И. Нонака; Х. Такеучи; Т. Давенпорта; Л. Прусака; К. Ньюэлла; Д. Смита; В.Л. Иноземцева; Б.З. Мильнера; А.Л. Гапоненко.

Значительных результатов в области разработки моделей приобретения и управления знаниями достигли следующие ученые: И. Нонака; М. Эрл; Г. Хедлунд; Э. Караянис; Л. Эдвинссон; К. Вииг; Э. Инкпен; Д. Сноуден; В. Бурен; А. Динур; Шаувель и Деспре.

Как показал анализ литературы, проблема повышения эффективности процессов приобретения знаний на основе снижения уровня неопределенности в информационных потоках, определяющих и сопровождающих процесс рассуждений и выводов, в течение многих десятилетий находится в центре внимания и остается предметом многих научных исследований. Наиболее значимые результаты, в данной предметной области, были получены следующими учеными: A. Neumaier; H. Schjaer-Jacobsen; D. Dubois; О.И. Ужга-Ребров.

Однако, в работах этих и других ученых недостаточно внимания было уделено созданию эффективных моделей и методов решения задач приобретения знаний в условиях информационной неопределенности, в частности, в условиях эпистемологической неопределенности, которая характеризуется недостатком знаний и значительным объемом доступной для исследования информации.

Работы А.Е. Ермакова, И.А. Минакова, Е.А. Рабчевского, T. Gruber, S.Lynn и D.W. Embley, J.Völker, D.VrandeciC, M. Sabou и Y.Sure и других исследователей в области решения задач автоматического построения онтологий вносят значимый вклад в решение обозначенной проблемы [12,13]. Но имеются также весомые недостатки, например, термины предметной области и связи между ними в работе

A.Е. Ермакова первоначально автоматически определяются на основе методов статистического и синтаксического анализа коллекции текстов. Для автоматического поиска связей используются шаблоны синтаксических конструкций.

Предыстория многих современных технологий в области агентного моделирования тесно связана с работами знаменитых философов А.А. Богданова, Н.О. Лосского, П.С. Флоренского, физиолога П.К. Анохина, психологов

B.М. Бехтерева, Л.С. Выготского, А.Н. Леонтьева, лингвиста Ю.М. Лотмана. Предшественниками исследований по искусственному интеллекту были выдающиеся ученые в области математики и кибернетики А.Н. Колмогоров и А.А. Ляпунов. Первыми достижениями в области агентного моделирования стали результаты Н.М. Амосова, М.М. Бонгарда, В.А. Лефевра, В.Л. Цетлина, Д.А. Поспелова, Э.В. Попова, В.Л. Стефанюка, В.И. Городецкого [14].

История эволюционного моделирования начинается с работ Дж. Холланда, А. Овена и М. Уолша, Л. Фогеля, И.Л. Букатовой, Л.А Растригина и получила своё развитие в трудах И. Пригожина, Н. Винера, Г. Хакена, Д.А. Поспелова, Д.Е Гольдберга, Г.Н. Дульнева, А.Н. Мелихова, В.М. Курейчика и других российских и зарубежных ученых. Комбинирование элементов случайности в условиях информационной неопределенности и направленности аналогичной природному прототипу является основным преимуществом эволюционного моделирования и позволяет эффективно решать задачи, имеющие множество локальных оптимумов [15-17].

Искусственный интеллект (ИИ) как научное направление занимает в современной науке обширную область исследований, связанных с попытками формализации мышления человека. Математическое моделирование сетевой иерархии знаний об окружающей действительности имеет прямое отношение к проблемам искусственного интеллекта. Технологии ИИ позволяют увеличить функциональные возможности информационных систем и средств их проектирования.

Так называемые «мягкие формализмы» являются в данный момент основными подходами, конкурирующими в области решения задач приобретения знаний из распределенных информационных источников. Это - генетические алгоритмы и методы эволюционной оптимизации (Л. Фогель, Д. Холланд, В.М. Курейчик, С.И. Родзин); - нечеткие и гранулярные вычисления (Л. Заде, Р. Ягер, А. Кофман, В.Б. Тарасов); - искусственные нейронные сети (Т. Кохонен, У. Мак-Каллок, Д. Хопфилд, У. Питтс, Д. Хебб, А.И. Галушкин, А.Н. Горбань);

- роевые методы (М. Дориго, В. Цзин, Х. Бени, В.В. Курейчик); - многоагентные алгоритмы (Д. Ленат, Р. Смит, А.А. Летичевский, В.И. Городецкий, В.Б. Тарасов);

- методы обучения с подкреплением (Р. Саттон, Э. Барто, В.Г. Редько);

- когнитивные архитектуры (М. Минский, Р. Сан, Р. Братман, П. Хайконен, Г.С. Осипов).

В развитие методов анализа и синтеза интеллектуальных информационных и семиотических систем значительный вклад внесли школы Д.А. Поспелова (прикладная семиотика, развитая в работах Г.С. Осипова, В.Ф. Хорошевского, В.К. Финна, В.Л. Стефанюка, В.Н. Вагина, А.П. Еремеева) и В.М. Глушкова (методы инсерционного моделирования, получившие развитие в работах Ю.В. Капитоновой, А.А. Летичевского, алгоритмические алгебры - в работах П.М. Иванова).

Сейчас развивается масштабное и комплексное направление решения задач интеллектуального принятия решений на основе абстрактных информационных и вычислительных моделей процессов самоорганизации. Теоретические основы этого направления заложены в работах Г. Хакена, П. Гленсдорфа, И. Пригожина, Н.Н. Моисеева, А.А. Колесникова, В.Ф. Турчина.

Анализ открытых источников показывает, что отсутствие соответствующей теоретической базы и методов эффективного решения проблемы приобретения знаний связано с двумя важными неразрешенными фундаментальными вопросами:

- сведение слабоструктурированных задач реального мира к структурированным на основе моделирования рассуждений;

- обработка массивов слабоструктурированных данных большого объема, характеризующихся наличием информационной неопределенности.

В данной работе применен комплексный подход к проблеме информационного моделирования процессов приобретения знаний. Развитие подходов и методов построения информационных моделей для использования в процессах приобретения знаний является отличительной особенностью и преимуществом представленного исследования.

Объект исследований - информационные процессы приобретения знаний, включающие в себя упорядоченные последовательности действий, направленных на получение информации извне и ее систематизацию, а также обнаружение, извлечение, представление и преобразование знаний, необходимых для успеха определенных видов научной и профессиональной деятельности.

Предмет исследований - теоретические основы, информационные модели и методы решения задач классификации, структурирования, интеграции и семантического поиска знаний.

Целью диссертационного исследования является повышение эффективности информационных моделей приобретения и методов классификации, структурирования, интеграции и семантического поиска знаний на основе комплексного применения агентного, имитационного, нечеткого, семантического, онтологического и биоинспирированного моделирования, позволяющих снизить последствия воздействий информационной неопределенности.

Для достижения указанной цели в работе поставлены и решены следующие основные задачи:

1. Развиты теоретические основы приобретения знаний. Предложена новая научная идея построения образа знаний в интеллектуальных системах. Сформулированы и обоснованы концепция, базовые принципы и стратегия приобретения знаний (пункт 9 паспорта специальности 05.13.17);

2. Построена базовая модель интеллектуального агента, представленная комплексом моделей разного назначения, в том числе моделью переходов

интеллектуального агента, созданной на основе потоковой схемы круговорота ресурсов (пункт 8 паспорта специальности 05.13.17);

3. Созданы новые когнитивные модели свойств интеллектуальных агентов и на их основе построена событийная имитационная модель рассуждений коалиций агентов при решении задачи классификации знаний (пункт 8 паспорта специальности 05.13.17);

4. Разработан модифицированный метод анализа иерархий признаков и альтернатив при построении рассуждений в информационных процессах приобретения знаний (пункт 8 паспорта специальности 05.13.17);

5. Разработан модифицированный метод решения задачи классификации знаний на основе применения оптимальных разделяющих гиперплоскостей, а также коалиций интеллектуальных агентов обучения и комбинирования классификатора (пункт 8 паспорта специальности 05.13.17);

6. Построены многоуровневые нечеткие модели структурирования знаний, используемые при семантической фильтрации иерархии знаний и метазнаний (пункт 4 паспорта специальности 05.13.17);

7. Разработан метод решения задачи структурирования знаний на основе нового обобщенного критерия оптимизации выбора альтернатив принимаемых решений (пункт 4 паспорта специальности 05.13.17);

8. Построена онтологическая модель глобального информационного пространства и метод решения задачи интеграции знаний на основе применения принципа силовой релаксации (пункт 9 паспорта специальности 05.13.17);

9. Разработаны информационная модель и модифицированные методы биоинспирированной оптимизации (бактериальный, обезьяний, кукушкин) для решения задачи семантического поиска эквивалентных концептов в отображаемых онтологиях (пункт 13 паспорта специальности 05.13.17).

Методология и методы диссертационного исследования. Методологической и теоретической основой проведенных исследований послужили положения теорий искусственного интеллекта, эволюционного

моделирования, биоинспирированной оптимизации, алгоритмов, графов, а также методы приобретения знаний, нечеткой логики, математического, агентного, имитационного, семантического и онтологического моделирования.

Выбор методов исследования предопределен спецификой решаемых задач приобретения знаний, отличительной особенностью которых является присутствие информационной неопределенности и большой размерности, что исключает возможность применения переборных методов.

Для изучения перспектив и основных направлений развития интеллектуальных информационных систем применялись результаты исследований Ж.-Л. Лорьера, Н. Нильсона, С. Рассела, П. Норвига, Э. Ханта, В.М. Курейчика, С.И. Родзина, А.А. Жданова, С.Н. Корсакова, А.В. Андрейчикова в области искусственного интеллекта.

Основой сформулированных концепции, базовых принципов и стратегии реализации процессов приобретения знаний стали труды И.И. Шмальгаузена, Р. Акоффа, А. Тьюринга, Ф. Розенблатта, Г. Хакена, В.И. Корогодина.

Моделирование процессов приобретения знаний в интеллектуальных информационных системах проводилось на основе работ следующих ученых: Э. Тоффлера; Д. Белла; М. Маклюэна; Ё. Масуды; С. Осуги; Ю. Саэки; Ю.А. Шрейдера; Р.С. Гиляревского; К. Виига; П. Сенге; И. Нонака; Х. Такеучи;

B.В. Курейчика; В.В. Емельянова; В.И. Протасова; К. Петри.

Построение базовой модели и моделей когнитивных свойств интеллектуальных агентов, а также событийной имитационной модели рассуждений базировалось на известных моделях Д. Колба, П. Хани, А. Мамфорда и А.Р. Грегорса, а также трудах В.М. Курейчика, И.П. Норенкова в области теории графов и В.Б. Тарасова, В.И. Городецкого, В.А. Зеленцова, В.И. Протасова,

C. Dimou, B. Kero, T.K. Shin в области агентного моделирования.

Разработка модифицированного метода анализа иерархий признаков и альтернатив при построении рассуждений в информационных процессах приобретения знаний велась на базе исследований В.Н. Вагина, А.П. Еремеева и

Т.Л. Саати в области развития метода анализа иерархий.

Разработка комплексного подхода решения задачи классификации знаний на основе применения оптимальных разделяющих гиперплоскостей и семантических векторов, а также коалиций агентов обучения и комбинирования классификатора основана на трудах У. Мак-Калока, Т. Кохонена, И.П. Норенкова, В.Б. Тарасова,

B.И. Городецкого, В.В. Андреева, И.А. Минакова, В.Ш. Рубашкина.

Многоуровневые нечеткие модели структурирования знаний и метод решения задачи структурирования знаний на основе обобщенного критерия оптимизации системно значимых признаков разрабатывались на основе трудов Л. Заде, В.М. Глушкова, А.П. Ротштейна, В.Е. Прохоровича в области нечеткой логики.

Методы биоинспирированного поиска основаны на математических моделях поисковой оптимизации, описанных К.М. Пассино, Р. Чжао, В. Тангом, С. Янгом,

C. Дебом и А.П. Карпенко.

Научная новизна. Научной новизной проведенного исследования являются теоретические основы построения моделей и разработки методов приобретения знаний, которые направлены на решение научной проблемы увеличения информационного объема семантически обработанных знаний в глобальном информационном пространстве, что имеет важное хозяйственное значение в области информатики, а именно:

1. Разработаны концепция, базовые принципы и стратегия приобретения знаний, отличающиеся новой научной идеей совместного применения усовершенствованных моделей представления и управления знаниями в одном системном элементе построения образа знаний в интеллектуальных системах. Использование данных теоретических основ позволяет увеличить информационный объем семантически обработанных знаний в глобальном информационном пространстве и интенсифицировать их совершенствование и применение (пункт 9 паспорта специальности 05.13.17; страницы 24-81 диссертации);

2. Построена базовая модель интеллектуального агента, представленная комплексом моделей разного назначения, в том числе моделью переходов интеллектуального агента, созданной на основе потоковой схемы круговорота ресурсов, отличающейся от существующих дифференцированным представлением реализуемых процессов и режимов работы агента, что позволяет применять единый универсальный вид модели для решения задач классификации, структурирования, интеграции и семантического поиска знаний (пункт 8 паспорта специальности 05.13.17; страницы 86-95, 131-138 диссертации);

3. Созданы новые когнитивные модели свойств интеллектуальных агентов и на их основе построена событийная имитационная модель рассуждений коалиций агентов при решении задачи классификации знаний, отличающиеся усиленными свойствами агентов и расширенным спектром учитываемых системно значимых признаков, что позволяет сформировать и проанализировать большее число альтернативных решений (пункт 8 паспорта специальности 05.13.17; страницы 95116 диссертации);

4. Разработан модифицированный метод анализа иерархий признаков и альтернатив при построении рассуждений в процессах приобретения знаний, отличающийся применением новых метрик оценок относительной значимости, позволяющий формировать матрицы предпочтительности на основе попарных сравнений признаков и альтернатив и определять необходимый паттерн рассуждений, реализуемый в событийной имитационной модели (пункт 8 паспорта специальности 05.13.17; страницы 116-131 диссертации);

5. Разработан модифицированный метод решения задачи классификации знаний на основе применения гиперплоскостных классификаторов, отличающийся созданием новой модели оптимальной разделяющей гиперплоскости и новой модели построения консолидированных рассуждений агентов обучения и комбинирования классификатора, позволяющих снизить размерность задачи и упростить процесс классификации знаний (пункт 8 паспорта специальности 05.13.17; страницы 142-163 диссертации);

6. Разработаны многоуровневые нечеткие модели структурирования знаний, отличающиеся введением новой иерархии классов для семантической фильтрации знаний и метазнаний, позволяющие реализовать настройку весовых коэффициентов при моделировании рассуждений на метауровне знаний (пункт 4 паспорта специальности 05.13.17; страницы 163-172 диссертации);

7. Разработан метод решения задачи структурирования знаний, отличающийся применением нового обобщенного критерия оптимизации выбора альтернатив принимаемых решений, позволяющий в процессе создания многоуровневой сети связанных между собой понятий учитывать признаки контекстной привязки, междисциплинарности и рассеивания значимости (пункт 4 паспорта специальности 05.13.17; страницы 173-180 диссертации);

8. Построена онтологическая модель глобального информационного пространства и метод решения задачи интеграции знаний на основе принципа силовой релаксации, отличающиеся новым механизмом интеграции знаний и новой структурой модели информационного пространства, представленного в виде упорядоченного множества функциональных областей. Данные модель и метод позволяют провести многоуровневую интеграцию знаний и идентифицировать устойчивые междисциплинарные связи между функциональными областями (пункт 9 паспорта специальности 05.13.17; страницы 181-191 диссертации);

9. Разработаны информационная модель оценки семантической близости и модифицированные методы биоинспирированной оптимизации (бактериальный, обезьяний, кукушкин) для решения задачи семантического поиска эквивалентных концептов в отображаемых онтологиях, отличающиеся новой кодировкой решений и улучшенными асимметричными механизмами реализации процедур поиска, позволяющими повысить качество и ускорить процесс отображения онтологических структур (пункт 13 паспорта специальности 05.13.17; страницы 200-226 диссертации).

Теоретическая значимость работы. Полученная научная новизна развивает аппарат теоретической информатики в области решения важной научной проблемы

увеличения информационного объема семантически обработанных знаний в глобальном информационном пространстве; применения бионических принципов, моделей и методов в задачах приобретения знаний; разработки и анализа информационных моделей и методов классификации, структурирования, интеграции и семантического поиска знаний; исследования и разработки средств представления знаний; разработки моделей и алгоритмов обнаружения закономерностей в информации и знаниях; исследования и когнитивного моделирования интеллекта, включая моделирование поведения и рассуждений коалиций интеллектуальных агентов; создания онтологических структур.

Практическая значимость работы. Практическая ценность работы заключается в создании программного приложения, позволяющего использовать разработанные теоретические основы, модели и методы приобретения знаний для решения задачи семантического поиска эквивалентных концептов в отображаемых онтологиях. Данное программное приложение позволяет автоматизировать процесс анализа и обработки знаний в условиях большой размерности и эпистемологической неопределенности и увеличить информационный объем качественно структурированного знания в глобальном информационном пространстве.

Положения, выносимые на защиту:

1. Концепция, базовые принципы и стратегия приобретения знаний как теоретические основы построения образа знаний в интеллектуальных системах при решении задач классификации, структурирования, интеграции и семантического поиска;

2. Базовая модель интеллектуального агента, представленная комплексом моделей разного назначения, в том числе моделью переходов интеллектуального агента, построенной на основе потоковой схемы круговорота ресурсов;

3. Когнитивные модели свойств интеллектуальных агентов и событийная имитационная модель рассуждений коалиций агентов при решении задачи классификации знаний;

Список литературы диссертационного исследования доктор наук Кравченко Юрий Алексеевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Хорошевский, В.Ф. Семантические технологии: ожидания и тренды / В.Ф. Хорошевский // Открытые семантические технологии проектирования интеллектуальных систем. - 2012. - № 2. - C. 143-158.

2. Artemieva, I.L. Ontology Model of Language Evolution / I.L. Artemieva, N.V. Makusheva, V.L. Zavyalova // Proceedings of 2nd International Conference on Artificial Intelligence: Techniques and Applications. - 2017. - P. 174-179.

3. Gladun, A. Domain Ontology, an Instrument of Semantic Web Knowledge Management in e-Learning / A. Gladun, J. Rogushina, J. Schreurs // International Journal of Advanced Corporate Learning. - 2012. - Vol. 5. - P.21-31.

4. Кравченко, Ю.А. Проблемы анализа данных при оценке состояния сложных динамических систем в условиях неопределенности / Ю.А. Кравченко, В.В. Марков // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'10». Научное издание в 4-х томах. - 2010.

- Т. 1. - С. 166-172.

5. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А. Поспелова. - 2-е изд., испр. и доп. - М.: Физматлит, 2008. - 712 с.

6. Кравченко, Ю.А. Аналитический обзор перспектив развития интеллектуальных информационных систем / Ю.А. Кравченко, В.В. Марков, Д.И. Тимашков // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'12». Научное издание в 4-х томах. - 2012. - Т. 3. - С. 188-195.

7. Казаков, В.А. Технология организации и доступа к знаниям в интегрированном информационно-образовательном пространстве / В.А. Казаков, Ю.Ф. Тельнов // Тринадцатая национальная конференция по искусственному интеллекту с международным участием «КИИ 2012»: Труды конференции. - 2012.

- Т. 2. - С. 193-204.

8. Кравченко, Ю.А. Способы интеллектуального анализа данных в сложных системах / Ю.А. Кравченко, Д.Ю. Запорожец, А.А. Лежебоков // Известия КБНЦ РАН. - 2012. - №3 (47). - С.52-57.

9. Кравченко, Ю.А. Преодоление неопределенности в системах поддержки принятия решений / Ю.А. Кравченко // Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'07) и «Интеллектуальные САПР» (CAD-2007). Научное издание в 4-х томах. - 2007. - Т. 1. - С. 307-313.

10. Кравченко, Ю.А. Направления разработки адаптивных систем поддержки принятия решений / Ю.А. Кравченко // Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'08) и «Интеллектуальные САПР» (CAD-2008). Научное издание в 4-х томах. - 2008. - Т. 1. - С. 268-277.

11. Кравченко, Ю.А. Перспективы развития методов и систем интеллектуального анализа данных / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'09». Научное издание в 4-х томах. - 2009. - Т. 1. - С. 169-175.

12. Gruber, T. A Translation Approach to Portable Ontology Specification / T.R. Gruber / T. Gruber // Knowledge Acquisition Journal. - 1993. - Vol. 5. - P. 199-220.

13. Кравченко, Ю.А. Синтез разнородных знаний на основе онтологий / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2012. - № 11 (136). - С. 216221.

14. Волков, А.В. От классических к многоагентным системам защиты корпоративной информации / А.В. Волков, В.Б. Тарасов, А.В. Федотова // Сборник трудов. Санкт-Петербургское Общество информатики, вычислительной техники, систем связи и управления. - 2015. - С. 316-319.

15. Емельянов, В.В. Теория и практика эволюционного моделирования / В.В. Емельянов, В.В. Курейчик, В.М. Курейчик. - М.: ФИЗМАТЛИТ, 2003. - 432 с.

16. Gavrilova T., Knowledge Management Specification: Building an Ontology to Get a Shared Understanding / T. Gavrilova, M. Kubelskiy // Proceedings of the European Conference on Knowledge Management. - 2018. - P. 1177-1180.

17. Бородакий, Ю.В. Эволюция информационных систем (современное состояние и перспективы) / Ю.В. Бородакий, Ю.Г. Лободинский. - М.: Горячая линия - Телеком, 2011. - 369 с.

18. Емельянов, С.В. Информационные технологии и вычислительные системы / С.В. Емельянов. - М.: Ленанд, 2011. - 84 c.

19. Корогодин, В.И. Информация как основа жизни / В.И. Корогодин, В.Л. Корогодина. - Дубна: Издательский центр «Феникс», 2000. - 208 с.

20. Дульнев, Г.Н. Введение в синергетику / Г.Н. Дульнев. - СПб.: Изд-во «Проспект», 1998. - 254 с.

21. Тимофеев, С. В. Математическая модель распространения новой информации в обществе // С. В. Тимофеев // Вопросы теории и практики журналистики. - 2020. - T. 9. - № 1. - С. 5-17.

22. Кравченко, Ю.А. Концепция построения автоматизированной интеллектуальной симулирующей подсистемы контроля качества знаний / Ю.А. Кравченко // Известия ТРТУ. - 2003. - №2 (31). - С. 266-269.

23. Кравченко, Ю.А. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования: коллективная монография / Ю.А. Кравченко, В.В. Курейчик, В.В. Бова, Л.А. Гладков и др. -Таганрог: Изд-во Технологического института ЮФУ, 2009. - 124 с.

24. Corcho, O. Towards a New Generation of Ontology Based Data Access / O. Corcho, F. Priyatna, D. Chaves-Fraga // Semantic Web. - 2020. - 11 (1). - P. 153-160.

25. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. - СПб: Изд-во «Питер», 2000. - 382 с.

26. Рубашкин, В.Ш. Онтологическая семантика: Знания. Онтологии. Онтологически ориентированные методы информационного анализа текстов / В.Ш. Рубашкин. - М.: Физматлит, 2012. - 346 с.

27. Вернадский, В.И. Химическое строение Биосферы Земли и ее окружение / В.И. Вернадский. - М.: Наука, 2001. - 376 с.

28. Вернадский, В.И. Биосфера и ноосфера / В.И. Вернадский. - М.: Айрис-Пресс, 2004. - 576 с.

29. Кравченко, Ю.А. Многоуровневая архитектура сценария управления знаниями на основе онтологического анализа / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2015. - № 2 (163). - С.186-195.

30. Берталанфи, Л. фон. Общая теория систем — обзор проблем и результатов: системные исследования: ежегодник / Л. фон Берталанфи //. - М.: «Наука», 1969. - 203 с.

31. Пригожин, И. Самоорганизация в неравновесных системах / И. Пригожин, Г. Николис. - М.: Мир, 1979. - 512 с.

32. Miller, J. G. Living Systems / J.G. Miller. - New York: McGraw-Hill, 1978. -1025 p.

33. Dorigo, M. Ant Colony System: a Cooperative Learning Approach / M. Dorigo, G. Maria // IEEE Trans. Evol. Comput. - 1997. - № 1. - P. 53-66.

34. Cheng, R. A Competitive Swarm Optimizer for Large Scale Optimization / R. Cheng, Y. Jin // IEEE Transactions on Cybernetics. - 2014. - 45 (2). - 11 p.

35. Cheng, R. A Multi-Swarm Evolutionary Framework Based on a Feedback Mechanism / R. Cheng, C. Sun, Y. Jin // Proceedings of IEEE Congress on Evolutionary Computation. - 2013. - P. 718-724.

36. Иноземцев, В.А. Компьютерное моделирование знания в искусственном интеллекте/ В.А. Иноземцев // Известия МГТУ МАМИ. - 2015. - Т. 5. - № 3 (25). -С. 76-83.

37. Искусственный интеллект: В 3 кн. Кн. 1. Системы общения и экспертные системы: справочник / Под ред. Э.В. Попова. - М.: Радио и связь, 1990. - 464 c.

38. Искусственный интеллект: В 3 кн. Кн. 2. Модели и методы. Справочник / Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. - 303 с.

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

40. Хант, Э. Искусственный интеллект / Э. Хант. - М.: Мир, 1978. - 558 с.

41. Реальность и прогнозы искусственного интеллекта / Сборник научно-популярных статей: пер. с англ. под ред. канд. техн. наук В. Л. Стефанюка. - М.: Мир, 1987. - 247 с.

42. Попов, Э.В. Алгоритмические основы интеллектуальных роботов и искусственного интеллекта / Э.В. Попов, Г.Р. Фирдман. - М.: Наука, 1976. - 456 с.

43. Тарасов, В.Б. Проблема понимания: настоящее и будущее искусственного интеллекта/ В.Б. Тарасов // Открытые семантические технологии проектирования интеллектуальных систем. - 2015. - № 5. - С. 25-42.

44. Кравченко, Ю.А. Модель представления знаний для систем управления знаниями / Ю.А. Кравченко, Д.А. Малышева // Миссия молодежи в науке. Сборник материалов научно-практической конференции: в 2-х т. - 2015. - Т. 2. - С. 172-176.

45. Кравченко, Ю.А. Разработка инструментальной среды обработки данных / Ю.А. Кравченко, М.С. Коваленко // Труды Конгресса по интеллектуальным системам и информационным технологиям «^&ГГ'17». Научное издание в 3-х томах. - 2017. - Т. 3. - С. 211-217.

46. Кравченко, Ю.А. Многоагентное моделирование в задачах управления знаниями / Ю.А. Кравченко // Сборник научных трудов по материалам VII Международной научно-практической конференции «Теоретические и прикладные аспекты современной науки»: в 10 томах. - 2015. - Т. 3. - С. 61-65.

47. Рыбина, Г.В. Проблемы интеграции и особенности разработки программного обеспечения современных интеллектуальных систем / Г.В. Рыбина // Прикладная физика и математика. - 2013. - № 3. - С. 41-63.

48. Кравченко, Ю.А. Графовая модель задачи расчета семантической близости в области управления знаниями / Ю.А. Кравченко, И.О. Курситыс // Информационные технологии, системный анализ и управление. Сборник трудов

XIV Всероссийской научной конференции молодых ученых, аспирантов и студентов. - 2016. - Т. 1. - С. 175-180.

49. Подвальный, С.Л. Интеллектуальные системы моделирования: принципы разработки / С.Л. Подвальный, Т.М. Леденева // Системы управления и информационные технологии. - 2013. - № 1 (51). - С. 4-10.

50. Нгуен, Б. Н. Классификация текстов на основе оценки семантической близости терминов / Б.Н. Нгуен, А.Ф. Тузовский // Известия Томского политехнического университета. - 2012. - Т. 320. - № 5. - С. 43-48.

51. Akpmar, S. An Ontology-Based Retrieval System Using Semantic Indexing / S. Akpinar, F. N. Alpaslan, O. Alan et al. // Information Systems. - 2012. - Vol. 37. -№ 4. - P. 294-305.

52. Saravanaguru, Ra. K. A Case Study on Semantic Web Search Using Ontology Modeling / Ra.K. Saravanaguru, M. Shekhar // International Journal of Engineering and Technology. - 2013. - Vol. 5. - № 3. - P. 2342-2348.

53. Bast, H. Semantic Search on Text and Knowledge Bases / H. Bast, B. Buchhold, E. Haussmann // Foundations and Trends in Information Retrieval. - 2016. -Т. 10. - № 2-3. - P. 119-271.

54. Al-Saeedi, A. About One Approach to Implementing Semantic Search / A. Al-Saeedi, J. Challab, M. Rasol // Karbala International Journal of Modern Science. - 2019. - Т. 5. - № 1. - P. 63-69.

55. Кравченко, Ю.А. Алгоритмы ранжирования онтологий Semantic Web / Ю.А. Кравченко, А.А. Новиков, Ю.С. Старкова // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'16». Научное издание в 3-х томах. - 2016. - Т. 3. - С. 172-178.

56. Кравченко, Ю.А. Методика построения систем управления знаниями на основе онтологии / Ю.А. Кравченко, Т.В. Баранцева, Д.А. Малышева // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'15». Научное издание в 3-х томах. - 2015. - Т. 3. - С. 304-309.

57. Gomulya, D. M. The Impact of Knowledge Worker Mobility Through an Acquisition on Breakthrough Knowledge / D. M. Gomulya, M. D. Howard, H. D. Park // Journal of Management Studies. - 2018. - 55 (1). - P. 86-107.

58. Вехорев, М.Н. Построение хранилищ онтологических баз знаний / М. Н. Верхорев, М. Г. Пантелеев // Программные продукты и системы. - 2011. - № 3. -C. 3-8.

59. Нгок, Н. Б. Модель информационного поиска на основе семантических метаописаний / Н. Б. Нгок, А. Ф. Тузовский // Управление большими системами. -2013. - № 41. - C. 51-92.

60. Кузнецов, Д.П. Метод интеграции онтологий разнородных источников данных в АСУП / Д.П. Кузнецов, С.Ю. Ржеуцкая // Вестник Череповецкого государственного университета. - 2013. - № 4. - Т. 1. - С. 26-31.

61. Reynolds, G. Fundamentals of Information Systems / G. Reynolds, R. Stair. -Boston: Cengage Learning, 2017. - 58 p.

62. Норенков, И.П. Онтологические методы синтеза электронных учебных пособий / И.П. Норенков // Открытое образование. - 2010. - № 6. - С. 39-44.

63. Кравченко, Ю.А. Интеллектуальный анализ данных на основе MDX запросов / Ю.А. Кравченко, В.В. Голенков, Н.А. Гулякина, М.В. Едуш // Электронный журнал. Информатика, вычислительная техника и инженерное образование. - 2010. - № 2. - С. 13-15.

64. Al-Jaroodi, A. Knowledge Management Framework For Software Reuse / A. Al-Jaroodi, J. Meccanti, A. Sirinterlikci // Annual Computer Software and Application Conference. - 2016. - Vol. 2. - P. 155-160.

65. Bova, V.V. Modified Approach to Problems of Associative Rules Processing based on Genetic Search / V.V. Bova, S.N. Shcheglov, D.V. Leshchanov // International Russian Automation Conference (RusAutoCon). - 2019. - paper № 8867675.

66. Осуга, С. Приобретение знаний / С. Осуга, Ю. Саэки и др. - М.: Мир, 1990. - 304 с.

67. Уэно, Х. Представление знаний / Х. Уэно и др. - М.: Мир, 1989. - 220 с.

68. Попов, Э.В. Статические и динамические экспертные системы / Э. В. Попов и др. - М.: Финансы и статистика, 1996. - 211 с.

69. Уотермен, О. Руководство по экспертным системам / О. Уотермен. - М.: Мир, 1989. - 388 с.

70. Бова, В.В. Модель семантического поиска в системах управления знаниями на основе генетических процедур / В.В. Бова, В.В. Курейчик, Д.В. Лещанов // Информационные технологии. - 2017. - Т. 23. - № 12. - С. 876-883.

71. Смирнов, С.В. Онтологическое моделирование в ситуационном управлении / С.В. Смирнов // Онтология проектирования. - 2012. - №2 2. - С. 16-24.

72. Финн, В.К. Философские проблемы логики интеллектуальных систем /

B.К. Финн // Новости искусственного интеллекта. - 1999. - № 1. - С. 36-51.

73. Уинстон, П. Искусственный интеллект / П. Уинстон. - М.: Мир, 1980. -

520 с.

74. Блейксли, С. Об интеллекте / С. Блейксли, Д. Хокинс. - М.: Издательский дом «Вильямс», 2007. - 240 с.

75. Норвиг, П. Искусственный интеллект. Современный подход / П. Норвиг,

C. Рассел. - Изд. 2-е. - М.: Диалектика, 2019. - 1407 с.

76. Колесников, А.А. Синергетические методы управления сложными системами: теория системного синтеза / А.А. Колесников. - Изд. 2-е. - М.: Либроком, 2012. - 237 с.

77. Городецкий, В.И. Самоорганизация и многоагентные системы. I. Модели многоагентной самоорганизации / В.И. Городецкий // Известия РАН «Теория и системы управления». - 2012. - № 2. - С. 92-120.

78. Пригожин, И. От существующего к возникающему / И. Пригожин. - М.: Наука, 1985. - 327 с.

79. Хакен, Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах / Г. Хакен. - М.: Мир, 1985. - 424 с.

80. Колесников, А.А. Синерго-кибернетическая парадигма в современной науке / А.А. Колесников // Сборник научных трудов VIII Всероссийской научной конференции «Системный синтез и прикладная синергетика». - 2017. - С. 7-17.

81. Артюхов, В.В. Общая теория систем. Самоорганизация, устойчивость, разнообразие, кризисы / В.В. Артюхов. - М.: Мир, 2014. - 560 с.

82. Хакен, Г. Информация и самоорганизация. Макроскопический подход к сложным системам / Г. Хакен. - М.: Ленанд, Едиториал УРСС, 2014. - 320 с.

83. Веселов, Г.Е. Теория иерархического управления сложными системами: синергетический подход / Г.Е. Веселов // Сборник научных трудов VIII Всероссийской научной конференции «Системный синтез и прикладная синергетика». - 2017. - С. 7-17.

84. Кравченко, Ю.А. Модели и методы представления знаний в интеллектуальных системах поддержки принятия решений: коллективная монография / Ю.А. Кравченко, В.В. Курейчик, В.В. Бова, Л.А. Гладков и др. -Таганрог: Изд-во Технологического института ЮФУ, 2010. - 114 с.

85. Кравченко, Ю.А. Теоретические основы создания интеллектуальных систем обучения / Ю.А. Кравченко. - Saarbrucken, Germany: LAP LAMBERT Academic Publishing Gmbh & Co. KG, 2011. - 134 c.

86. Кравченко, Ю.А. Концептуальные основы рефлексивно-адаптивного подхода к построению интеллектуальных информационных систем / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2011. - №7 (120). - С. 167-171.

87. Кравченко, Ю.А. Интегрированные интеллектуальные обучающие системы управления знаниями / Ю.А. Кравченко // Информатика, вычислительная техника и инженерное образование. - 2012. - №3 (10). - С. 18-24.

88. Тельнов, Ю.Ф. Инжиниринг предприятий на основе интеллектуальных технологий / Ю.Ф. Тельнов // Информационно-измерительные и управляющие системы. - 2013. - № 11. - ч. 2. - С. 55-60.

89. Берже, П. Порядок в хаосе / П. Берже, И. Помо, Р. Видаль. - М.: Мир, 1991. - 368 с.

90. Пригожин, И. Порядок из хаоса / И. Пригожин, И. Стенгерс. - М.: Прогресс, 1986. - 432 с.

91. Курейчик, В.В. Муравьиный алгоритм для решения оптимизационных задач с явно выраженной целевой функцией / В.В. Курейчик, М.А. Жиленков // Информатика, вычислительная техника и инженерное образование. - 2015. - № 2 (22). - С. 10-21.

92. Курейчик, В.В. Биоинспирированный подход определения путей оптимальной длины в графовых моделях / В.В. Курейчик, Вл.Вл. Курейчик, Л.В. Курейчик // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT' 15». Научное издание в 3-х томах. - 2015. - Т. 2. - С. 97-104.

93. Акофф, Р. Искусство решения проблем / Р. Акофф. - М.: Книга по требованию, 2012. - 221 с.

94. Batest, M. Semantic Similarity Estimation From Multiple Ontologies / M. Batest, M. D. Sanchez, A. Valls, K. Gibert // Applied Intelligence. - 2013. - № 38. - P. 29-44.

95. Mousavi, A. Ontology-Driven Coordination Model for Multiagent-Based Mobile Workforce Brokering / A. Mousavi, M. Nordin, Z. Othman // Applied Intelligence. - 2012. - № 36. - P. 768-787.

96. Dou, X. From Ontology to Semantic Similarity: Calculation of Ontology-Based Semantic Similarity / X. Dou, M.Gan, R. Jiang // The Scientific World Journal. - 2013.

- Article ID 793091. - P. 1-11.

97. Bagheri, E. The State of the Art in Semantic Relatedness: a Framework for Comparison / E. Bagheri, F. Ensan, Y. Feng, J. Jovanovic // The Knowledge Engineering Review. - 2017. - Vol. 32. - P. 1-30.

98. Ефремова, О.А. Онтологическая модель интеграции разнородных по структуре и тематике пространственных баз данных в единую региональную базу данных / О.А. Ефремова, С.В. Павлов // Онтология проектирования. - 2017. - Т. 7.

- №3 (25). - С. 323-333.

99. Гаврилова, Т.А. Субъективная классификация предметных онтологий / Т.А. Гаврилова // Труды XIV-й Национальной конференции по искусственному интеллекту с международным участием. - 2014. - Т. 3. - C. 93-99.

100. Тоффлер, Э. Третья волна / Э. Тоффлер. - М.: АСТ, 2010. - 784 с.

101. Белл, Д. Социальные рамки информационного общества. Новая технократическая волна на Западе / Д. Белл. - М.: Прогресс, 1986. - 371 с.

102. Blokhin, Yu.M. Intelligent Programm Support for Dynamic Integrated Expert Systems Construction / Yu.M. Blokhin, S.S. Parondzhanov, V.M. Rybin, G.V. Rybina // 7th Annual International Conference on Biologically Inspired Cognitive Architectures. -2016. - Vol 88. - P. 205-210.

103. Масуда, Ё. Информационное общество как постиндустриальное общество / Ё. Масуда. - М.: Академия, 1997. - 587 с.

104. Глушков, В.М. Основы безбумажной информатики / В.М. Глушков. -М.: Наука, 1982. - 552 с.

105. Кулинич, А.А. Концептуальные каркасы онтологий слабо структурированных предметных областей / А.А. Кулинич // Искусственный интеллект и принятие решений. - 2014. - № 4. - С. 31-41.

106. Шрейдер, Ю.А. Интеллектуализация информационных систем / Ю.А. Шрейдер // Итоги науки и техники. Сер. «Информатика». - 1989. - Т. 14. - С. 289336.

107. Гиляревский, Р.С. Информационный менеджмент: управление информацией, знанием, технологией / Р.С. Гиляревский. - СПб.: Профессия, 2009. - 304 с.

108. Вииг, К. Основы управления знаниями / К. Вииг. - М.: Прогресс, 1986. -

371 с.

109. Курейчик, В.В. Архитектура гибридного поиска при проектировании / В.В. Курейчик, Вл.Вл. Курейчик // Известия ЮФУ. Технические науки. - 2012. -№ 7(132). - С. 22-27.

110. Дэвенпорт, Т.Г. Рабочее знание: Как организации управляют тем, что они знают / Т.Г. Давенпорт, Л. Прусак. - М.: Инфра-М, 1998. - 560 с.

111. Нонака, И. Компания - создатель знания. Зарождение и развитие инноваций в японских фирмах / И. Нонака, Х. Такеучи. - М.: Олимп-Бизнес, 2003. - 320 с.

112. Мильнер, Б.З. Управление знаниями: эволюция и революция в организации / Б.З. Мильнер. - М.: Инфра-М, 2003. - 176 с.

113. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: URSS, 2020. - 224 с.

114. Гаврилова, Т.А. Инженерия знаний. Модели и методы: учебник / Т.А. Гаврилова, Д.В. Кудрявцев, Д.И. Муромцев. - СПб.: Лань, 2016. - 324 с.

115. Popper, K.R. Objective Knowledge: An Evolutionary Approach / K.R. Popper. - London: Oxford University Press, 1972. - 39 p.

116. Кравченко, Ю.А. Управление знаниями как одно из направлений развития технологий открытого образования / Ю.А. Кравченко // Открытое образование. - 2015. - 3 (104). - С. 71-76.

117. Кравченко, Ю.А. Методы проектирования интеллектуальных информационных систем / Ю.А. Кравченко, Т.В. Баранцева, Д.А. Малышева // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'15». Научное издание в 3-х томах. - 2015. - Т. 3. - С. 317-322.

118. Кравченко, Ю.А. Архитектура управления знаниями в интеллектуальных транспортных системах / Ю.А. Кравченко, Д.Ю. Кравченко, Э.В. Кулиев и др. // Известия КБНЦ РАН. - 2015. - № 6 (68). - С. 93-99.

119. Кравченко, Ю.А. Модель управления знаниями в интеллектуальных транспортных системах / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'16». Научное издание в 3-х томах. - 2016. - Т. 1. - С. 176-181.

120. Курейчик, В.В. Комбинированный поиск при проектировании / В.В. Курейчик, В.В. Бова, Вл.Вл. Курейчик // Образовательные ресурсы и технологии. - 2014. - № 2 (5). - С. 90-94.

121. Кравченко, Ю.А. Гибридный алгоритм семантического поиска / Ю.А. Кравченко, А.А. Новиков, Ю.С. Старкова // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'16». Научное издание в 3-х томах. - 2016. - Т. 3. - С. 166-171.

122. Kravchenko, Y.A. Models for Supporting of Problem-Oriented Knowledge Search and Processing / Y.A. Kravchenko, V.V. Bova, I.O. Kursitys // Proceedings of the First International Scientific Conference «Intelligent Information Technologies for Industry». - 2016. - Vol. 1. - P. 287-295.

123. Кравченко, Ю.А. Задачи семантического поиска, классификации, структуризации и интеграции информации в контексте проблем управления знаниями / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2016. - № 7 (180). - С. 5-18.

124. Кравченко, Ю.А. Перспективы использования методов машинного обучения в решении задач классификации / Ю.А. Кравченко, Д.Н. Никитин // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'17». Научное издание в 3-х томах. - 2017. - Т. 3. - С. 248-254.

125. Gomez-Perez, J. Enterprise Knowledge Graph: An Introduction / J. Gomez-Perez, J. Pan, G. Vetere, H. Wu // Exploiting Linked Data and Knowledge Graphs in Large Organisations. - 2017. - P. 1-14.

126. Kartiev, S.B. Algorithm for Building Recommendations for Intelligent Systems /S.B. Kartiev, V.M. Kureychik // Proceedings of the Second International Scientific Conference «Intelligent Information Technologies for Industry». - 2015. - P. 76-83.

127. Kravchenko, Y.A. Information's Semantic Search, Classification, Structuring and Integration Objectives in the Knowledge Management Context Problems / Y.A. Kravchenko, E.V. Kuliev, I.O. Kursitys // Conference proceedings. 10th International

Conference on Application of Information and Communication Technologies. - 2016. -P. 136-141.

128. Kravchenko, Y.A. Decision Support Systems for Knowledge Management / Y.A. Kravchenko, V.V. Bova, V.V. Kureichik // Software Engineering in Intelligent Systems. - 2015. - Vol. 3. - P. 123-130.

129. Краснощеков, П.С. Простейшая математическая модель поведения. Психология конформизма / П.С. Краснощеков // Математическое моделирование. - 1998. - Т. 10. - № 7. - С. 76-92.

130. Kravchenko, Yu.A. Knowledge Management Based on Multi-Agent Simulation in Informational Systems / Yu.A. Kravchenko, V.V. Kureichik // 8th IEEE International Conference on Application of Information and Communication Technologies. - 2014. - P. 264-267.

131. Кравченко, Ю.А. Моделирование динамики адаптивного асинхронного процесса обучения на основе многоагентных технологий / Ю.А. Кравченко // Дистанционное и виртуальное обучение. - 2010. - № 6. - С. 98-108.

132. Кравченко, Ю.А. Метод создания математических моделей принятия решений в многоагентных подсистемах / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2011. - № 7 (120). - С. 141-145.

133. Кравченко, Ю.А. Моделирование систем управления знаниями на основе теории агентов / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'13». Научное издание в 4-х томах. - 2013. - Т. 2. - С. 176-184.

134. Кравченко, Ю.А. Метод определения познавательных стилей на основе теории агентов / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2009. -№ 12 (101). - С. 120-128.

135. Кравченко, Ю.А. Многоагентная подсистема диагностики типов личности / Ю.А. Кравченко, А.А. Арцимович // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'10». Научное издание в 4-х томах. - 2010. - Т. 3. - С. 148-152.

136. Кравченко, Ю.А. Интеграция свойств когнитивных стилей и интеллектуальных агентов как основа создания адаптивных информационных обучающих систем / Ю.А. Кравченко // Открытое образование. - 2010. - №2 4 (81).

- С. 20-28.

137. Кравченко, Ю.А. Диагностика познавательных стилей на основе свойств интеллектуальных агентов / Ю.А. Кравченко // Труды Всероссийского конкурса научно-исследовательских работ в области технологий электронного обучения в образовательном процессе. Сборник научных работ в 2-х томах. - 2010. - Т. 2. - С. 130-137.

138. Кравченко, Ю.А. Принципы создания моделей диагностики личности на основе теории агентов / Ю.А. Кравченко // Известия КБНЦ РАН. - 2011. - №2 1 (39).

- С. 148-153.

139. Кравченко, Ю.А. Модели определения свойств интеллектуальных агентов в системах управления знаниями / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'17». Научное издание в 3-х томах. - 2017. - Т. 1. - С. 218-228.

140. Сидоров, И. Н. Трансформация абсолютного идеализма в философии Дж. Ройса / И.Н. Сидоров. - Л.: Общественные науки, 1970. - 124 c.

141. Kubat, M. An Introduction to Machine Learning: 2nd ed. / M. Kubat. -Springer, 2017. - 348 p.

142. Кравченко, Ю.А. Имитационная модель анализа данных в интеллектуальных информационных системах / Ю.А. Кравченко // Известия КБНЦ РАН. - 2012. - № 1 (45). - С. 25-31.

143. Кравченко, Ю.А. Применение сетей Петри для моделирования многоагентных информационных систем / Ю.А. Кравченко // Материалы II Международной конференции «Автоматизация управления и интеллектуальные системы и среды». - 2011. - Т. 2. - С. 66-68.

144. Кравченко, Ю.А. Имитационное моделирование принятия решений в интеллектуальных информационных системах на основе аппарата сетей петри /

Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'll». Научное издание в 4-х томах. - 2011.

- Т. 1. - С. 70-74.

145. Кравченко, Ю.А. Метод построения имитационных моделей принятия решений на основе многоагентных технологий / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2010. - № 7 (108). - С. 119-125.

146. Кравченко, Ю.А. Метод принятия решений при оценке компетентности / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS-IT'12». Научное издание в 4-х томах. - 2012. -Т. 1. - С. 233-240.

147. Kravchenko, Y.A. Information and Knowledge Integration Based on Simulation Modeling / Y.A. Kravchenko, Vl.Vl. Kureichik, D.Yu. Zaporozhets, D.V. Zaruba // 9th IEEE International Conference Application of Information and Communication Technologies. - 2015. - P. 22-24.

148. Kozierkiewicz-Hetmanska, A. The Knowledge Increase Estimation Framework for Ontology Integration on the Concept Level / A. Kozierkiewicz-Hetmanska, M. Pietranik // Journal of Intelligent and Fuzzy Systems. - 2017. - Vol. 32.

- P. 1161-1172.

149. Maleszka, M. A Method for Collaborative Recommendation Using Knowledge Integration Tools and Hierarchical Structure of User Profiles / M. Maleszka, B. Mianowska, N.T. Nguyen // Knowledge Based Systems. - 2013. - Vol. 47. - P. 1-13.

150. Саати, Т. Об измерении неосязаемого. Подход к относительным измерениям на основе главного собственного вектора матрицы парных сравнений / Т. Саати; пер. с англ. проф., д.т.н. О.Н. Андрейчиковой // Cloud of Science. - 2015.

- T. 2. - № 1. - 35 с.

151. Сидоренко, Е.В. Модификация метода анализа иерархий Т. Саати для расчета весов критериев при оценке инновационных проектов / Е.В. Сидоренко, А.Н. Тихомирова // Современные проблемы науки и образования. - 2012. - С. 1-8.

152. Середенко, Н.Н. Развитие метода анализа иерархий / Н.Н. Середенко // Открытое образование. - 2011. - № 2 (85). - С. 39-48.

153. Кравченко, Ю.А. Алгоритмы принятия решений на основе метода анализа иерархий в интегрированных информационных моделях / Ю.А. Кравченко // Информатика, вычислительная техника и инженерное образование. - 2012. - №2 1 (8). - раздел 2. - С. 1-7.

154. Кравченко, Ю.А. Применение метода анализа иерархий в алгоритме принятия решений с учетом ряда параметров адаптации / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2012. - № 7 (132). - С. 247-252.

155. Кравченко, Ю.А. Принятие решений в интегрированных информационных моделях на основе метода анализа иерархий / Ю.А. Кравченко, В.В. Марков // Известия ЮФУ. Технические науки. - 2012. - № 11 (136). - С. 212216.

156. Кравченко, Ю.А. Модель информационных процессов в интеллектуальных системах / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'18». Научное издание в 3-х томах. - 2018. - Т. 2. - С. 223-228.

157. Sensoy, M. Agent-based semantic collaborative search / M. Sensoy // Journal of Internet Technology. - 2013. - Vol. 14. - № 2. - P. 231-246.

158. Kravchenko, Y.A. Evolutionary Algorithm for Extremal Subsets Comprehension in Graphs / Y.A. Kravchenko, L.A. Gladkov, V.V. Kureichik // World Applied Sciences Journal. - 2013. - Vol. 27 (9). - P. 1212-1217.

159. Кравченко, Ю.А. Моделирование адаптивных информационных систем на основе ретроспективных данных / Ю.А. Кравченко, Д.И. Тимашков // Информатика, вычислительная техника и инженерное образование. - 2013. - № 1 (12). - С. 33-42.

160. Кравченко, Ю.А. Подсистема управления знаниями на основе семантических моделей / Ю.А. Кравченко, С.А. Аненков, А.А. Новиков // Труды

Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'14». Научное издание в 4-х томах. - 2014. - Т. 3. - С. 222-226.

161. Кравченко, Ю.А., Семантически-ориентированный доступ к ресурсам знаний на основе технологий биоинспирированного поиска и дополненной реальности: коллективная монография / Ю.А. Кравченко, В.В. Бова, В.В. Курейчик и др. - Таганрог: Изд-во ЮФУ, 2016. - 148 с.

162. Кравченко, Ю.А. Семантический поиск в Semantic Web / Ю.А. Кравченко, В.В. Марков, А.А. Новиков // Известия ЮФУ. Технические науки. -2016. - № 6 (179). - С. 65-75.

163. Beniwal, R. An Ontology Based Framework for Automatic Detection and Updation of Requirement Specifications / R. Beniwal, M.P.S. Bhatia, A. Kumar // Contemporary Computing and Informatics. - 2014. - P. 238-242.

164. Кравченко, Ю.А. Исследование преимуществ онтологического подхода в семантическом анализе данных / Ю.А. Кравченко, Д.С. Бранченко // Информационные технологии, системный анализ и управление. - 2016. - Т. 1. - С. 146-151.

165. Kravchenko, Y.A. Knowledge Sifters in MDA Technologies / Y.A. Kravchenko, V.V. Bova, I.O. Kursitys // IOP Conf. Series: Journal of Physics. - 2018. -Vol. 1015. - № paper 042024.

166. Ping, L. Combination Methodologies of Multi-Agent Hyper Surface Classifiers: Design and Implementation Issues / L. Ping, H. Qing, Z. Xiu-Rong, S. Zhong-Zhi // Second international workshop. - 2007. - P. 100-113.

167. Eiter, T. Preference-Based Inconsistency Management in Multi-Context Systems / T. Eiter, A. Weinzierl // Artif. Intell. Res. - 2017. - Vol. 60. - P. 347-424.

168. Davidekova, M. Software Application Logging: Aspects to Consider by Implementing Knowledege Management / M. Davidekova, M. Gregu // 2nd International Conference on Open and Big Data. - 2016. - P. 102-107.

169. Кулинич, А.А. Модель поддержки принятия решений для образования коалиций в условиях неопределенности / А.А. Кулинич // Искусственный интеллект и принятие решений. - 2012. - № 2. - С. 95-106.

170. Хородов, В.С Проектирование многоагентной распределённой системы создания проектных решений с использованием структурно-функциональных лингвистических моделей / В.С. Хородов // Объектные системы. - 2014. - № 8 (8). - С. 19-23.

171. Кравченко, Ю.А. Вопросы оценки надежности интеллектуальных информационных систем / Ю.А. Кравченко // Материалы научно-методической конференции. Современные информационные технологии в образовании: Южный федеральный округ. - 2011. - С. 169-170.

172. Ошемков, А.А. Курс наглядной геометрии и топологии / А.А. Ошемков, Ф.Ю. Попеленский, А.А. Тужилин, А.Т. Фоменко, А.И. Шафаревич. - М.: URSS, Леланд, 2014. - 360 с.

173. Кравченко, Ю.А. Метод оценки эффективности многоагентных систем, требующих большого объема знаний / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'10». Научное издание в 4-х томах. - 2010. - Т. 1. - С. 160-165.

174. Кравченко, Ю.А. Технология анализа надежности адаптивных информационных сред / Ю.А. Кравченко // Известия ЮФУ. Технические науки. -2010. - № 12 (113). - С.103-108.

175. Зайцев, Е.И. Многоагентные системы и многоагентные банки знаний / Е.И. Зайцев, И.В. Степанова, Р.Ф. Халабия // Успехи современной науки. - 2017. -Т. 4. - № 4. - С. 155-159.

176. Kalkowski, E. Knowledge Fusion for Probabilistic Generative Classifiers with Data Mining Applications / E. Kalkowski, B. Sick, D. Fisch // IEEE Transactions on Knowledge and Data Engineering. - 2014. - Vol. 26. - № 3. - P. 652-666.

177. Gribova, V. The Methods and the IACPaaS Platform Tools for Semantic Representation of Knowledge and Development of Declarative Components for

Intelligent Systems / V. Gribova, A. Kleschev, E. Shalfeeva et al. // Open Semantic Technology for Intelligent Systems. - 2019. - Vol. 3. - P. 21-24.

178. Alas, Y. Developing Online Learning Resources: Big Data, Social Networks, and Cloud Computing to Support Pervasive Knowledge / Y. Alas, M. Anshari, L.S. Guan // Education and Information Technologies. - 2016. - Vol. 21 (6). - P. 1663-1677.

179. Luczak-Rosch, M. Collaborative Ontology Engineering: a Survey / M. Luczak-Rosch, E. Simperl // The Knowledge Engineering Review. - 2013. - №2 29 (1). -P. 101-131.

180. Кравченко, Ю.А. Инновационные образовательные технологии в построении систем поддержки принятия групповых решений / Ю.А. Кравченко, В.М. Курейчик, В.И. Писаренко // Известия ЮФУ. Технические науки. - 2008. - №2 4 (81). - С. 216-221.

181. Рыбина, Г.В. Интеллектуальные системы: от А до Я. В 3-х кн. Кн. 3: Проблемно-специализированные интеллектуальные системы. Инструментальные средства построения интеллектуальных систем / Г.В. Рыбина. - М.: Научтехлитиздат, 2015. - 179 c.

182. Карабач, А.Е. Системы интеграции информации на основе семантических технологий / А.Е. Карабач // Наука, техника и образование. - 2014.

- № 2 (2). - С. 58-62.

183. Калуцкая, А.П. Гранулярные, нечеткие и лингвистические онтологии для обеспечения взаимопонимания между когнитивными агентами / А.П. Калуцкая, М.Н. Святкина, В.Б. Тарасов // Открытые семантические технологии проектирования интеллектуальных систем. - 2012. - № 2. - С. 267-278.

184. Суходолов, А.П. Анализ подходов в моделировании средств массовой информации / А.П. Суходолов, И.А. Кузнецова, С.В. Тимофеев // Вопросы теории и практики журналистики. - 2017. - Т. 6. - № 3. - С. 287-305.

185. Кравченко, Ю.А. Принятие решений в информационных системах на основе нечеткого моделирования / Ю.А. Кравченко // Известия КБНЦ РАН. - 2013.

- № 1 (51). - С. 21-26.

186. Кравченко, Ю.А. Интегрированная модель представления знаний на основе метода нечеткого моделирования / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2013. - № 7 (144). - С. 97-102.

187. Кравченко, Ю.А. Нечеткое моделирование разнородных знаний в интеллектуальных обучающих системах / Ю.А. Кравченко, В.В. Бова // Открытое образование. - 2013. - № 4 (99). - С. 70-74.

188. Кравченко, Ю.А. Нечеткие модели анализа уровня знаний и поддержки принятия решений в процессе обучения / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2014. - № 7 (156). - С. 134-142.

189. Кравченко, Ю.А. Нечеткие модели управления знаниями при поддержке принятия решений / Ю.А. Кравченко // Информатика, вычислительная техника и инженерное образование. - 2014. - № 5 (20) . - С. 1-8.

190. Денисова, И.Ю. Математические модели онтологии базы знаний информационной обучающей системы / И.Ю. Денисова, П.П. Макарычев // Онтология проектирования. - 2012. - № 3 (5). - С. 62-78.

191. Холодная, М.А. Психология интеллекта. Парадоксы исследования / М.А. Холодная. - 2-е изд., перераб. и доп. - СПб.: Питер, 2002. - 272 с.

192. Солсо, Р Когнитивная психология / Р. Солсо. - 6-е изд. - СПб.: Питер, 2006. - 589 с.

193. Глазунов, Ю.Т. Математическая модель развития потребностей эстетического характера / Ю.Т. Глазунов // Вестник МГТУ. - 2011. - № 4 (14). - С. 811-815.

194. Куликова, О.В. Проектирование учебного процесса на основе математического моделирования качества освоения дидактических единиц / О.В. Куликова, Н.П. Чуев // Фундаментальные исследования. - 2014. - № 8. - С. 16581662.

195. Кравченко, Ю.А. Извлечение знаний на основе интегрированных нечетких адаптивных и бионических методов: коллективная монография / Ю.А.

Кравченко, В.В. Бова, Л.А. Гладков, В.В. Курейчик и др. - Таганрог: Изд-во ЮФУ, 2013. - 106 с.

196. Кравченко, Ю.А. Принятие решений, поиск и обработка проблемно-ориентированных знаний в интеллектуальных информационных системах: коллективная монография / Ю.А. Кравченко, В.В. Бова, Л.А. Гладков, В.В. Курейчик и др. - Ростов-на-Дону: Изд-во ЮФУ, 2014. - 136 с.

197. Кравченко, Ю.А. Интеграция разнородных знаний в интеллектуальных информационных системах на основе многоагентного моделирования / Ю.А. Кравченко, В.В. Марков // Открытое образование. - 2014. - № 3 (104). - С. 75-80.

198. Kravchenko, Y.A. Combined Algorithm for Decision Making / Y.A. Kravchenko, E.V. Kuliev, V.V. Kureichik, D.Y. Zaporozhets // 11th International Conference on Application of Information and Communication Technologies (AICT) . -2017. - P. 108-111.

199. Эббингауз, Герман // Большая советская энциклопедия: [в 30 т.] / под ред. А. М. Прохорова. - 3-е изд. - М.: Советская энциклопедия, 1969.

200. Панов, А.И. Целеполагание и синтез плана поведения когнитивным агентом / А.И. Панов // Искусственный интеллект и принятие решений. - 2018. - №2 2. - С. 21-35.

201. Panov, A.I. Behavior Planning of Intelligent Agent with Sign World Model / A.I. Panov // Biol. Inspired Cogn. Archit. - 2017. - Vol. 19. - P. 21-31.

202. De Giacomo, G. Agent Planning Programs / G. De Giacomo et al. // Artificial Intelligence. - 2016. - Vol. 231. - P. 64-106.

203. Belardinelli, F. Verification of Agent-Based Artifact Systems / F. Belardinelli, A. Lomuscio, F. Patrizi // Journal of Artificial Intelligence Research. - 2014. - Vol. 51.

- P. 333-376.

204. Chen, C. The Impact of Decision Support System Features on User Overconfidence and Risky Behavior / C. Chen, M. Koufaris // Nature Publishing Group.

- 2014. - № 4. - P. 1-17.

205. Ларичев, О.И. Вербальный анализ решений / О.И. Ларичев. - М.: Наука, 2006. - 181 с.

206. Кравченко, Ю.А. Модель структуризации знаний на основе оценки наличия существенных признаков / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'15». Научное издание в 3-х томах. - 2015. - Т. 1. - С. 293-298.

207. Варшавский, П.Р. Моделирование временных зависимостей в интеллектуальных системах поддержки принятия решений на основе прецедентов / П.Р. Варшавский, А.П. Еремеев, И.Е. Куриленко // Information technologies and knowledge. - 2012. - Vol. 6. - № 3. - P. 227-239.

208. Arenas, M. Exchanging OWL 2 QL Knowledge Bases / M. Arenas, E. Botoeva, D. Calvanese, V. Ryzhikov // 23rd International Joint Conference on Artificial Intelligence. - 2013. - P. 703-710.

209. Artale, A. First-Order Rewritability of Temporal Ontology-Mediated Queries / A. Artale, R. Kontchakov, A. Kovtunova et al. // 24th Int. Joint Conf. on Artificial Intelligence. - 2015. - P. 2706-2712.

210. Cali, A. A General Datalog-Based Framework for Tractable Query Answering Over Ontologies / A. Cali, G. Gottlob, T. Lukasiewicz // Web Semantic. - 2012. - Vol. 14. - P. 57-83.

211. Baader, F. Temporalizing Ontology-Based Data Access / F. Baader, S. Borgwardt, M. Lippmann // 24th Int. Conf. on Automated Deduction. - 2013. - Vol. 7898. - P. 330-344.

212. Bienvenu, M. The Complexity of Ontology-Based Data Access with OWL 2 QL and Bounded Treewidth Queries / M. Bienvenu, S. Kikot, R. Kontchakov et al. // 36th Symposium on Principles of Database Systems. - 2017. - P. 201-216.

213. Brandt, S. Ontology-Based Data Access with a Horn Fragment of Metric Temporal Logic / S. Brandt, R. Kontchakov, V. Ryzhikov et al. // 31st Conference on Artificial Intelligence. - 2017. - Vol. 31. - P. 1-17.

214. Kirillovich, A. OntoMathPro Ontology: a Linked Data Hub for Mathematics / A. Kirillovich, E. Lipachev, O. Nevzorova, N. Zhiltsov // Communications in Computer and Information Science. - 2014. - Vol. 468. - P. 1-15.

215. Lange, C. Ontologies and Languages for Representing Mathematical Knowledge on the Semantic Web / C. Lange // Semantic Web. - 2013. -Vol. 4. - № 2. -P. 119-158.

216. Eiter, T. Spatial Ontology Mediated Query Answering over Mobility Streams / T. Eiter, J. X. Parreira, P. Schneider // The Semantic Web - 14th International Conference. - 2017. - Part I. - Vol. 10249. - P. 219-237.

217. Федоров, Д.Ю. Применение структуризации знаний для обеспечения информационной безопасности личности / Д.Ю. Федоров // Национальная безопасность и стратегическое планирование. - 2013. - № 2. - С. 40-43.

218. Кравченко, Ю.А. Технологии управления знаниями как основа поддержки принятия решений / Ю.А. Кравченко // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'14». Научное издание в 4-х томах. - 2014. - Т. 1. - С. 151-157.

219. Кравченко, Ю.А. Онтологический подход формирования информационных ресурсов на основе разнородных источников знаний / Ю.А. Кравченко, В.В. Марков // Известия ЮФУ. Технические науки. - 2013. - №2 7 (144).

- С. 116-120.

220. Gottlob, G. The Price of Query Rewriting in Ontology-Based Data Access / G. Gottlob, S. Kikot, R. Kontchakov et al. // Artif. Intell. - 2014. - Vol. 213. - P. 42-59.

221. Gottlob, G. Query Rewriting and Optimization for Ontological Databases / G. Gottlob, G. Orsi, A. Pieris // ACM Trans. Database Syst. - 2014. - Vol. 25. - № 39 (3).

- P. 1-25.

222. Hernich, A. Dichotomies in Ontology-Mediated Querying with the Guarded Fragment / A. Hernich, C. Lutz, F. Papacchini, F. Wolter // 36th Symposium on Principles of Database Systems. - 2017. - P. 185-199.

223. Calvanese, D. Ontop-Temporal: A Tool for Ontology-Based Query Answering over Temporal Data / D. Calvanese, E.G. Kalayci, T. E. Kalayci et al. // 27th ACM International Conference on Information and Knowledge Management. - 2018. -P. 1927-1930.

224. Brandt, S. Ontology-Based Integration of Streaming and Static Relational Data with Optique / S. Brandt, Y. E. Ioannidis, E. Kharlamov et al. // Int. Conf. on Management of Data. - 2016. - P. 2109-2112.

225. Lutz, C. Ontology-Mediated Queries with Closed Predicates / C. Lutz, I. Seylan, F. Wolter // 24th Int. Joint Conf. on Artificial Intelligence. - 2015. - P. 31203126.

226. Arp, R. Building Ontologies with Basic Formal Ontology / R. Arp, B. Smith, A. D. Spear. - Cambridge, MA: MIT Press, 2015. - 248 p.

227. Corcoglioniti, F. Frame-Based Ontology Population with Pikes / F. Corcoglioniti, A. Palmero Aprosio, M. Rospocher // IEEE Transactions on Knowledge and Data Engineering. - 2016. - Vol. 28 (12). - P. 3261-3275.

228. Андрианов, А.В. Проектирование онтологической модели информационно-аналитической системы / А.В. Андрианов // Молодой учёный. -2018. - № 9 (195). - С. 39-42.

229. Bonner, K. Firms' Knowledge Search and Local Knowledge Externalities in Innovation Performance / K. Bonner, J.H. Love, S. Roper // Research Policy. - 2017. -№ 1 (46). - P. 43-56.

230. Abdali, R. Knowledge Sharing and its Impact on Knowledge Creation / R. Abdali, P. Akhavan, S. Ghojavand // Journal of Information & Knowledge Management.

- 2012. - Vol. 11. - P. 101-113.

231. Cao, X. The Role of Social Media in Supporting Knowledge Integration: A Social Capital Analysis / X. Cao, J. Gu, X. Guo, H. Liu // Information Systems Frontiers.

- 2015. - Vol. 17. - P. 351-362.

232. Hecker, A. Knowledge Beyond the Individual. Making Sense of a Notion of Collective Knowledge in Organization Theory / A. Hecker // Organization Studies. -2012. - Vol. 33. - P. 423-445.

233. Bytniewski, A. Knowledge Integration in a Manufacturing Planning Module of a Cognitive Integrated Management Information System / A. Bytniewski, M. Hernes // Proc. of ICCCI. - 2017. - P. 34-43.

234. Kravchenko, Y.A. Architecture and Method of Integrating Information and Knowledge on the Basis of the Ontological Structure / Y.A. Kravchenko, D.Y. Kravchenko, I.O. Kursitys // Advances in Intelligent Systems and Computing. - 2018. -Vol. 658. - P. 93-103.

235. Кравченко, Ю.А. Разработка вычислительно-независимых моделей (CIM) на основе многоагентных систем / Ю.А. Кравченко // Известия КБНЦ РАН.

- 2017. - № 6 (80). - Ч. 2. - С. 149-155.

236. Кравченко, Ю.А. Метод создания онтологии предметной области на основе глоссария / Ю.А. Кравченко, В.В. Марков, А.А. Новиков // Известия ЮФУ. Технические науки. - 2015. - № 6 (167). - С. 158-168.

237. Kravchenko, Y.A. Development of Distributed Information Systems: Ontological Approach / Y.A. Kravchenko, V.V. Bova, V.V. Kureichik // Software Engineering in Intelligent Systems. - 2015. - Vol. 3. - P. 113-122.

238. Гартман, Н. К основоположению онтологии / Н. Гартман. - М.: Наука, 2015. - 640 c.

239. Bova, V.V. The Combined Method of Semantic Similarity Estimation of Problem Oriented Knowledge on the Basis of Evolutionary Procedures / V.V. Bova, V.V. Kureichik, E.V. Nuzhnov // Artificial Intelligence Trends in Intelligent Systems. - 2015.

- P. 74-83.

240. Rodzin, S. Theory of Bioinspired Search for Optimal Solutions and its Application for the Processing of Problem-Oriented Knowledge / S. Rodzin, L. Rodzina // 8th IEEE International Conference on Application of Information and Communication Technologies. - 2014. - P. 142-147.

241. Dolinina, O. Method of the Debugging of the Knowledge Bases of Intellectual Decision Making Systems / O. Dolinina // Automation Control Theory Perspectives in Intelligent Systems. - 2016. - Vol. 466. - P. 307-314.

242. Shamsi, A. The Relationship Between Knowledge Management and Managerial Skills: The Role of Creative Thinking / A. Shamsi // Foresight and STI Governance. - 2017. - Vol. 11. - № 4. - P. 44-51.

243. Bhatt, B. Expectation Maximization Algorithm for Domain Specific Ontology Extraction / B. Bhatt, P. Bhattacharyya // Research in Computing Science. - 2015. - Vol. 90. - P. 11-21.

244. Dolinina, O. Formal Models of the Structural Errors in the Knowledge Bases of Intellectual Decision Making Systems / O. Dolinina, N. Suchkova // Artificial Intelligence Trends in Intelligent Systems. - 2015. - P. 156-167.

245. Clarke, C.L.A. A family of Rank Similarity Measures Based on Maximized Effectiveness Difference / C.L.A. Clarke, L. Tan // IEEE Trans. Know. Data Eng. - 2014. - Vol. 27. - P. 2865-2877.

246. Baqa, H. Towards Semantic Interoperability Standards Based on Ontologies / H. Baqa, M. Bauer, S. Bilbao et al. // Semantic Interoperability White Paper. - 2019. -26 p.

247. Jensen, J. A Systematic Literature Review of the Use of Semantic Web Technologies in Formal Education / J. Jensen // Br. J. Edu. Technol. - 2019. - Vol. 50. -P. 505-517.

248. Elghamrawy, S. Distributed Multi-Agent Communication System Based on Dynamic Ontology Mapping / S. Elghamrawy, A. El-Desouky // Int. J. Commun. Netw. Distrib. Syst. - 2013. - № 10 (1). - P. 1-24.

249. Кравченко, Ю.А. Меры семантической близости на основе онтологических размерностей понятий в информационных системах / Ю.А. Кравченко, Д.С. Бранченко, А.Е. Лебединский, Ю.С. Новикова // Информатика, вычислительная техника и инженерное образование. - 2017. - № 1 (29). - С. 46-58.

250. Kotis, K. OBDAIR: Ontology-Based Distributed Framework for Accessing, Integrating and Reasoning with Data in Disparate Data Sources / K. Kotis, G. Santipantakis, G.A. Vouros // Expert Syst. Appl. - 2017. - Vol. 90. - P. 464-483.

251. Alviano, M. Stable Model Semantics for Tuple-Generating Dependencies Revisited / M. Alviano, M. Morak, A. Pieris // 36th ACM SIGMOD-SIGACT-SIGAI Symposium on Principles of Database Systems. - 2017. - P. 377-388.

252. Butean, C. An Ontology Model for Interoperability and Multi-organization Data Exchange / C. Butean, A. Tara, R. Zamfirescu // Artificial Intelligence and Bioinspired Computational Methods. - 2020. - P. 284-296.

253. Гулякина, Н.А. Семантические модели и метод согласованной разработки баз знаний / Н.А. Гулякина, И.Т. Давыденко // Программные продукты и системы. - 2020. - № 3. - С. 420-429.

254. Лядова, Л.Н. Семантическая трансформация моделей на основе онтологий / Л.Н. Лядова, М.С. Сахипова, А.О. Сухов // Информатизация и связь. -2019. - № 5. - С. 85-88.

255. Kwan, M.-P. Location-Based Service Using Ontology-Based Semantic Queries: a Study with a Focus on Indoor Activities in a University Context / M.-P. Kwan, J. Lee, K. Lee // Comput. Environ. Urban Syst. - 2017. - Vol. 62. - P. 41-52.

256. Liu, J. Ontology Representation and Mapping of Common Fuzzy Knowledge / J. Liu, L.-M. Luo, Z.-T. Yu, Y. Zhang et al. // Neurocomputing. - 2016. - Vol. 215. -P. 184-195.

257. Шалимов, П.Ю. Модели количественной шкалы оценки семантической информации / П.Ю. Шалимов // Автоматизация и моделирование в проектировании и управлении. - 2020. - № 2 (8). - С. 24-32.

258. Alexandrov, N. Using Ontology Engineering Methods to Improve Computer Science and Data Science Skills / N. Alexandrov, V. Alexandrov, S. Chuprina // Procedia Comput. Sci. - 2016. - Vol. 80. - P. 1780-1790.

259. Moussallem, D. Machine Translation Using Semantic Web Technologies: A Survey / D. Moussallem, A.-C.N. Ngomo, M. Wauer // Journal of Web Semantics. - 2018.

- Vol. 51. - P. 1-19.

260. Грегер, С.Э. Метод объектно-ориентированного представления многоуровневых семантических моделей / С.Э. Грегер, С.В. Поршнев // Cloud of Science. - 2016. - Т. 3. - № 4. - С. 548-561.

261. Beshenkov, S. Intelligent System of Training and Control of Knowledge, Based on Adaptive Semantic Models / S. Beshenkov, T. Shikhnabieva // Smart Innovation, Systems and Technologies. - 2016. - Vol. 59. - P. 595-603.

262. Callan, J. Explicit Semantic Ranking for Academic Search via Knowledge Graph Embedding / J. Callan, R. Power, C. Xiong // 26th International Conference on World Wide Web. - 2017. - P. 1271-1279.

263. Wang, H. Application of Ontology Modularization to Human-Web Interface Design for Knowledge Sharing / H. Wang, S. Wang // Expert Syst. Appl. - 2016. - Vol. 46. - P. 122-128.

264. Шалфеева, Е.А. Семантические модели представления решателя интеллектуальной системы / Е.А. Шалфеева // Открытые семантические технологии проектирования интеллектуальных систем. - 2013. - № 3. - С. 258-264.

265. Bruckner, M. A Semantic Similarity Assessment Tool for Computer Science Subjects Using Extended Wu & Palmer's Algorithm and Ontology / M. Bruckner, C.S. Namahoot, C. Nuntawong // Information Science and Applications. - 2015. - Vol. 339.

- P. 989-996.

266. Нгуен, Б.Н. Оптимизация хранения словаря триплетов с использованием числовых идентификаторов / Б.Н. Нгуен, А.Ф. Тузовский // Научно-технический вестник Поволжья. - 2012. - № 2. - С. 235-245.

267. Andreasen, T. Domain Specific Similarity and Retrieval / T. Andreasen, H. Bulskov, R. Knappe // 11th Int. Fuzzy Systems Association World Congress. - 2016. -Vol. 1. - P. 496-502.

268. Ajdari, J. Semantic Resource Adaptation Based on Generic Ontology Models / J. Ajdari, M. Ferati, F. Ismaili et al. // 9th International Conference on Software Paradigm Trends. - 2014. - P. 103-108.

269. Kravchenko, Y.A. The Development of Genetic Algorithm for Semantic Similarity Estimation in Terms of Knowledge Management Problems / Y.A. Kravchenko, V.V. Bova, I.O. Kursitys // Artificial Intelligence Perspectives in Intelligent Systems. -2017. - Vol. 1. - P. 84-93.

270. Кравченко, Ю.А. Разработка генетического алгоритма расчета семантической близости в задачах управления знаниями / Ю.А. Кравченко, Э.В. Кулиев, И.О. Курситыс // Известия ЮФУ. Технические науки. - 2016. - № 6 (179). - С. 75-87.

271. Hill, F. SimLex-999: Evaluating Semantic Models with (Genuine) Similarity Estimation / F. Hill, A. Korhonen, F.R. Reichart // Computational Linguistics. - 2015. -Vol. 41. - № 4. - P. 665-695.

272. Сулейманова, Е.А. Дистрибутивно-семантическая модель для выявления категориального сходства / Е.А. Сулейманова, И.В. Трофимов // Программные системы: теория и приложения. - 2018. - Т. 9. - № 4 (39) . - С. 443460.

273. Клименков, С.В. Оценка семантической близости предложений на естественном языке методами математической статистики / С.В. Клименков, А.Е. Письмак, А.Е. Харитонова, Е.А. Цопа // Научно-технический вестник информационных технологий, механики и оптики. - 2016. - Т. 16. - № 2. - С. 324330.

274. Шевченко, Е.Л. Метрика близости семантических аннотаций для задачи сравнения профилей процессов / Е.Л. Шевченко // Восточно-Европейский журнал передовых технологий. - 2013. - Т. 3. - № 2 (63). - С. 48-52.

275. Ali, S. POEM: Practical Ontology Engineering Model for Semantic Web Ontologies / S. Ali, S. Khusro // Cogent Eng. - 2016. - № 7 (1). - 39 p.

276. Borovets, Ya. Development of a Discrete Optimization Operation Solution Information Technologies Based on Swarm Intelligence / Ya. Borovets, V. Lytvyn, R. Olyvko, D. Uhryn // Technology Audit and Production Reserves. - 2018. - Vol. 6. - № 2 (44). - P. 27-32.

277. Бова, В.В. Модель семантического поиска в системах управления знаниями на основе генетических процедур / В.В. Бова, В.В. Курейчик, Д.В. Лещанов // Информационные технологии. - 2017. - Т.23. - № 12. - С. 876-883.

278. Zaporozhets, D. Parametric Optimization Based on Bacterial Foraging Optimization / D. Zaporozhets, D. Zaruba, E. Kuliev // Advances in Intelligent Systems and Computing. - 2017. - Vol. 573. - P. 54-63.

279. Maleszka, M. Particle Swarm of Agents for Heterogenous Knowledge Integration / M. Maleszka // Proc. of ICCCI. - 2017. - P. 54-62.

280. Maleszka, M. Integration Computing and Collective Intelligence / M. Maleszka, N.T. Nguyen // Expert Syst. Appl. - 2015. - Vol. 42. - P. 332-340.

281. Родзин, С.И. Состояние, проблемы и перспективы развития биоэвристик / С.И. Родзин, В.В. Курейчик // Программные системы и вычислительные методы. - 2016. - № 2. - С. 158-172.

282. Родзин, С.И., Теоретические вопросы и современные проблемы развития когнитивных биоинспирированных алгоритмов оптимизации (обзор) / С.И. Родзин, В.В. Курейчик // Кибернетика и программирование. - 2017. - № 3. -С. 51-79.

283. Карпенко, А.П. Современные алгоритмы поисковой оптимизации: учебное пособие / А.П. Карпенко. - М.: Издательство МГТУ им. Н.Э. Баумана, 2014. - 446 с.

284. Кравченко, Ю.А. Модель решения задачи кластеризации данных на основе использования бустинга алгоритмов адаптивного поведения муравьиной колонии и k-средних / Ю.А. Кравченко, А.Н. Нацкевич // Известия ЮФУ. Технические науки. - 2017. - № 7 (192). - С. 90-102.

285. Кравченко, Ю.А. Метод интеллектуального принятия эффективных решений на основе биоинспирированного подхода / Ю.А. Кравченко, Д.Ю. Запорожец, Э.В. Кулиев, О.А. Логинов // Известия КБНЦ РАН. - 2017. - № 6 (80).

- Ч. 2. - С. 162-169.

286. Каплунов, Т.Г. Адаптивный генетический алгоритм на основе нечетких правил / Т.Г. Каплунов, В.М. Курейчик // Известия ЮФУ. Технические науки. -2018. - № 5 (199). - С. 26-34.

287. Водолазский, И.А. Роевой интеллект и его наиболее распространённые методы реализации / И.А. Водолазский, А.С. Егоров, А.В. Краснов // Молодой ученый. - 2017. - № 4. - С. 147-153.

288. Khan, A. A New Back-Propagation Neural Network Optimized with Cuckoo Search Algorithm / A. Khan, N.M. Nawi, M.Z. Rehman // ICCSA. - 2013. - Vol. 7971.

- P. 413-426.

289. Kwasnicka, H. Nature Inspired Methods and their Industry Applications-Swarm Intelligence Algorithms / H. Kwasnicka, A. Slowik // IEEE Transactions on Industrial Informatics. - 2018. - Vol. 14. - № 3. - P. 1004-1015.

290. Parsopoulos, K.E. Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization / K.E. Parsopoulos, M.N. Vrahatis // Natural Computing. - 2002. - Vol. 1. - № 2-3. - P. 235-306.

291. Kureychik, V.M. Application of Swarm Intelligence for Domain Ontology Alignment / V.M. Kureychik, A. Semenova // Advances in Intelligent Systems and Computing. - 2016. - Vol. 450. - P. 261-270.

292. Кравченко, Ю.А. Семантический подход к интеграции информационных систем с применением биоинспирированного алгоритма / Ю.А. Кравченко, Н.В. Кулиева, И.О. Курситыс // Информатизация и связь. - 2018. - № 4. - С. 97-103.

293. Кравченко, Ю.А., Эволюционные методы и алгоритмы поиска и обработки проблемно-ориентированных данных и знаний: коллективная монография / Ю.А. Кравченко, В.В. Бова, В.В. Курейчик и др. - Таганрог: Изд-во ЮФУ, 2016. - 154 с.

294. Kravchenko, Y.A. Problem-Oriented Knowledge Processing on the Basis of Hybrid Approach / Y.A. Kravchenko, E.V. Kuliev, N.V. Kulieva, V.V. Kureichik // Information technologies in science. Management, Social Sphere and Medicine. - 2016.

- P. 510-513.

295. Кравченко, Ю.А., Бова В.В., Курейчик В.В. и др. Биоинспирированный подход к решению задач интеллектуального анализа данных: коллективная монография / Ю.А. Кравченко, В.В. Бова, В.В. Курейчик и др. - Таганрог: Изд-во ЮФУ, 2015. - 100 с.

296. Kuliev, E. Monkey Search Algorithm for ECE Components Partitioning / E. Kuliev, V. Kureichik, Vl. Kureichik // Journal of Physics: Conference Series. - 2018. -Vol. 1015. - № paper 042026.

297. Кулиев, Э.В. Модель адаптивного поведения "обезьян" для решения задачи компоновки блоков ЭВА / Э.В. Кулиев, В.В. Курейчик, Вл.Вл. Курейчик // Информатизация и связь. - 2018. - № 4. - С. 31-37.

298. Liao, Q. Parameter Estimation of Nonlinear Systems by Dynamic Cuckoo Search / Q. Liao, H. Shi, W. Shi, S. Zhou // Neural Computation. 2017. - Vol. 29. - № 4.

- P. 1103-1123.

299. Кравченко, Ю.А. Информационная подсистема управления знаниями на основе технологии дополненной реальности / Ю.А. Кравченко, В.В. Бова, А.А. Лежебоков, С.В. Пащенко // Свидетельство регистрации программы для ЭВМ. -12.01.2015. - № 2015610458.

300. Кравченко, Ю.А. Компонент семантического поиска ресурсов на основе алгоритма распространения активации / Ю.А. Кравченко, Н.В. Кулиева, В.В. Курейчик, А.А. Новиков, Ю.С. Новикова // Свидетельство регистрации программы для ЭВМ. - 11.12.2017. - № 2017663692.

301. Кравченко, Ю.А. Модуль определения семантической близости на основе генетического алгоритма / Ю.А. Кравченко, Э.В. Кулиев, А.А. Новиков, Ю.С. Новикова, Д.Ю. Терещенко // Свидетельство регистрации программы для ЭВМ. - 09.06.2018. - № 2018617002.

302. Кравченко, Ю.А. Моделирование поведения субъекта в Интернет-сервисах на основе модифицированного алгоритма бактериальной оптимизации / Ю.А. Кравченко, В.В. Бова, Э.В. Кулиев, В.В. Курейчик // Информационные технологии. - 2019. - Т. 25. - № 7. - С. 397-404.

303. Кравченко, Ю.А. Биоинспирированный алгоритм приобретения новых знаний на основе классификации информационных ресурсов / Ю.А. Кравченко, И.О. Курситыс // Известия ЮФУ. Технические науки. - 2019. - № 2 (204). - С. 1526.

304. Кравченко, Ю.А. Алгоритм моделирования поведения муравьиной колонии для решения задачи кластеризации на основе использования динамического кодирования / Ю.А. Кравченко, А.Н. Нацкевич // Известия ЮФУ. Технические науки. - 2019. - № 3 (205). - С. 32-43.

305. Кравченко, Ю.А. Онтологическая структура интегрированной обработки больших данных для решения задачи классификации / Ю.А. Кравченко, В.И. Зубков, В.В. Марков // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'19». Научное издание в 2-х томах. - 2019.

- Т. 2. - С. 3-10.

306. Кравченко, Ю.А. Биоинспирированный подход к решению задачи классификации профилей поведения пользователей в интеллектуальных интернет-сервисах / Ю.А. Кравченко, В.В. Бова // Известия ЮФУ. Технические науки. - 2019.

- № 4 (206). - С. 90-103.

307. Kravchenko, Yu.A. Ontological Approach for Designing a Multi-agent Behavior Model in the Internet Environment / Yu.A. Kravchenko, D.Y. Kravchenko, I.O. Kursitys // Journal of Physics: Conference Series. - 2019. - Vol. 1333. - №2 paper 032043.

308. Kravchenko, Yu.A. Hybrid Method for Prediction of Users' Information Behavior in the Internet Based on Bioinspired Search / Yu.A. Kravchenko, V.V. Bova, E.V. Kuliev, S.I. Rodzin // Journal of Physics: Conference Series. - 2019. - Vol. 1333. -№ paper 032008.

309. Kravchenko, Yu.A. Bioinspired Algorithm for Acquiring New Knowledge based on Information Resource Classification / Yu.A. Kravchenko, I.O. Kursitys, V.V. Markov // International Russian Automation Conference (RusAutoCon). - 2019. - № paper 8867663.

310. Kureichik, V. Hybrid Bioinspired Search for Schematic Design / V. Kureichik, Vl. Kureichik, D. Zaruba // Advances in Intelligent Systems and Computing. - 2016. - Vol. 451. - P. 249-255.

311. Кулиев, Э.В. Модель адаптивного поведения «обезьян» для решения задачи компоновки блоков ЭВА / Э.В. Кулиев, В.В. Курейчик, Вл.Вл. Курейчик // Информатизация и связь. - 2018. - № 4. - С. 31-38.

312. Kureichik, V. Hybrid Approach for Graph Partitioning () / V. Kureichik, Vl. Kureichik, D. Zaruba // Advances in Intelligent Systems and Computing. - 2017. - Vol. 573. - P. 64-73.

313. Кравченко, Ю.А. Информационно-аналитический модуль для решения задач прогнозирования и идентификации знаний, на основе технологий дополненной и виртуальной реальности / Ю.А. Кравченко, Э.В. Кулиев, В.В. Курейчик, А.А. Лежебоков, Б.И. Шкаленко // Свидетельство регистрации программы для ЭВМ. - 18.07.2019. - № 2019619527.

314. Кравченко, Ю.А. Программный модуль для решения задач обработки больших данных в Интернет-пространстве на основе модифицированного алгоритма бактериальной оптимизации / Ю.А. Кравченко, В.В. Бова, Э.В. Кулиев, В.В. Курейчик, С.И. Родзин // Свидетельство регистрации программы для ЭВМ. -15.11.2019. - № 2019664981.

315. Kravchenko, Yu.A. Model-Driven Development of Multi-Agent Systems: A Systematic Mapping / Yu.A. Kravchenko, G.F. Castro, A. Hernandes, D.M. Lopez, N. Silega // XXII Ibero-American Conference on Software Engineering. - 2019. - P. 307320.

316. Kravchenko, Yu.A. Assessment of Ontological Structures Semantic Similarity Based on a Modified Cuckoo Search Algorithm / Yu.A. Kravchenko, V.V.

Bova // IOP Conference Series: Materials Science and Engineering. - 2020. - Vol. 734. - № 1. - № paper 012018.

317. Кравченко, Ю.А. Приобретение знаний на основе совместного семантического поиска / Ю.А. Кравченко // Сборник статей I научно-методической конференции НПР «Современные компьютерные технологии» Института компьютерных технологий и информационной безопасности Южного федерального университета. - 2020. - С. 29-34.

318. Кравченко, Ю.А. Базовые принципы и стратегия приобретения и управления знаниями на основе эволюционной парадигмы / Ю.А. Кравченко // Известия КБНЦ РАН. - 2020. - № 2 (94). - С. 31-39.

319. Kravchenko, Yu.A. Recommendation Assistant System for Social Networks and Search Services Based on Population Filtering Algorithm / Yu.A. Kravchenko, V.V. Bova, S.I. Rodzin et al. // Advances in Social Science, Education and Humanities Research Proceedings of the International Scientific Conference on Philosophy of Education, Law and Science in the Era of Globalization. - 2020. - Vol. 447. - P. 291295.

320. Kravchenko, Yu.A. A Combined Bioinspired Algorithm for Big Data Processing / Yu.A. Kravchenko, E. Kuliev, I. Kursitys, D. Zaporozhets // Advances in Intelligent Systems and Computing. - 2021. - Vol. 1197. - P. 842-849.

321. Kravchenko, Yu.A. A Bioinspired Algorithm for Improving the Effectiveness of Knowledge Processing / Yu.A. Kravchenko, E. Kuliev, I. Kursitys, A. Natskevich // Advances in Intelligent Systems and Computing. - 2021. - Vol. 1197. - P. 1491-1498.

322. Кравченко, Ю.А. Гибридный биоинспирированный алгоритм отображения онтологий в задачах извлечения и управления знаниями / Ю.А. Кравченко, Д.Ю. Кравченко, В.В. Марков // Известия ЮФУ. Технические науки. -2020. - № 2 (212). - С. 16-28.

323. Кравченко, Ю.А. Биоинспирированный метод имитационного моделирования для диспетчеризации потоков параллельных заявок в grid- системах

/ Ю.А. Кравченко, Д.Ю. Кравченко, В.В. Курейчик, А.Э. Саак // Известия ЮФУ. Технические науки. - 2020. - № 2 (212). - С. 79-88.

324. Кравченко, Ю.А. Двухэтапный бустинг бинарной классификации на основе применения биоинспирированных алгоритмов / Ю.А. Кравченко, Д.В. Балабанов, А.В. Ковтун // Известия ЮФУ. Технические науки. - 2020. - № 3 (213).

- С. 133-146.

325. Кравченко, Ю.А. Метод поиска последовательных паттернов поведения пользователей в интернет-пространстве // Ю.А. Кравченко, В.В. Бова, В.В. Курейчик // Известия ЮФУ. Технические науки. - 2020. - № 4 (214). - С. 6-21.

326. Kravchenko, Yu.A. Simulation of the semantic network of knowledge representation in intelligent assistant systems based on ontological approach / Yu.A. Kravchenko, V.V. Bova, E.V. Kuliev, S.I. Rodzin // Communications in Computer and Information Science this link is disabled. - 2021. - 1396 CCIS. - P. 241-252.

327. Кравченко, Ю.А. Математическое описание процесса поддержки принятия решений при оценке семантической близости знаний в конкретизированной модели онтологии / Ю.А. Кравченко, Д.Ю, Кравченко, В.В. Курейчик, В.В. Марков // Сборник статей II научно-методической конференции НИР «Современные компьютерные технологии» Института компьютерных технологий и информационной безопасности Южного федерального университета.

- 2021. - С. 25-28.

328. Кравченко, Ю.А. Развитие кластерного поиска документов на основе разработки методов векторизации текстов / Ю.А. Кравченко, А.М. Мансур, Ж.Х. Мохаммад // Сборник статей II научно-методической конференции НИР «Современные компьютерные технологии» Института компьютерных технологий и информационной безопасности Южного федерального университета. - 2021. - С. 28-31.

329. Кравченко, Ю.А. Иерспективы развития рекомендательных систем, основанных на контенте, с использованием методов глубокого контент-анализа // Ю.А. Кравченко, А.М. Мансур, Ж.Х. Мохаммад // Сборник статей II научно-

методической конференции НПР «Современные компьютерные технологии» Института компьютерных технологий и информационной безопасности Южного федерального университета. - 2021. - С. 32-35.

330. Кравченко, Ю.А. Векторизация текста с использованием методов интеллектуального анализа данных / Ю.А. Кравченко, А.М. Мансур, Ж.Х. Мохаммад // Известия ЮФУ. Технические науки. - 2021. - № 2 (219). - С. 154-167.

331. Кравченко, Ю.А. Модифицированный метод устранения неоднозначности смысла слов, основанный на методах распределенного представления / Ю.А. Кравченко, А.М. Мансур, Ж.Х. Мохаммад // Известия ЮФУ. Технические науки. - 2021. - № 3 (220). - С. 92-101.

332. Кравченко, Ю.А. Интеграция информационных ресурсов на основе применения методов биоинспирированного поиска / Ю.А. Кравченко, В.В. Марков, А.Э. Саак, М.М. Семенова // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'21». Научное издание. - 2021. - С. 50-56.

333. Кравченко, Ю.А. Разработка алгоритма построения и проверки траектории передвижения робота на основе применения метода биоинспирированного поиска / Ю.А. Кравченко, М.П. Кривенко, В.А. Писарев // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'21». Научное издание. - 2021. - С. 64-69.

334. Кравченко, Ю.А. Разработка модели анализа и обработки неструктурированного информационного пространства / Ю.А. Кравченко, В.Е. Белошапкин, В.А. Семенов // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT'21». Научное издание. - 2021. - С. 393-401.

335. Ворожцова, Т.Н. Онтологический подход к построению цифровых двойников объектов и систем энергетики / Т.Н. Ворожцова, Л.В. Массель // Онтология проектирования. - 2020. - Т. 10. - № 3. - С. 327-337.

336. Бернер, Л.И. Управление газотранспортной сетью с использованием методов моделирования и прогнозирования / Л.И. Бернер, В.В. Киселев, А.А.

Ковалев // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2013. - № 1. - С. 48-53.

337. Анучин, М.Г. Моделирование транспорта природного газа в режиме онлайн. Программно-вычислительный комплекс «волна» / М.Г. Анучин и др. // Сбор, подготовка и транспортировка нефти и газа. Проектирование, строительство, эксплуатация. - 2017. - 98 с.

ПРИЛОЖЕНИЕ № 1

СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ

ПРОГРАММ ДЛЯ ЭВМ

Авторы: Кулиев Эльмар Валерьевич (ЯС/), Курейчик Владимир Викторович (КII), Кравченко Юрий Алексеевич (Яи). Лежебоков Андрей Анатольевич (И1Г), Шкаленко Богдан Игоревич (Я1Г)

ПРИЛОЖЕНИЕ № 2

АКТЫ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ РАБОТЫ

/

ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ

«КВАНТ»

350038, г. Краснодар ул. Кузнечная, 234, оф. 13

тел. [phone] e-ma.il: itifoiilbvnt co.ru

/О,

УТВЕРЖДАЮ Директор ООО «Кван г»

Д.А. Зинченко

"// " л¿7-4 2021 г.

АКТ

И ¡. )

\\г- Л А/* ; Я

о внедрении научных и практических результатов диссертационной работы