Интеллектуализация управления стохастическими объектами на основе нечеткой ситуационной сети принятия решений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Кочегаров, Дмитрий Владимирович

• Кочегаров, Дмитрий Владимирович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Кочегаров, Дмитрий Владимирович

СОДЕРЖАНИЕ

Введение

1. Проблематика управления стохастическими объектами в условиях неопределенности

1.1. Математические методы управления стохастическими объектами в условиях неопределенности

1.2. Информационные технологии поддержки процессов принятия ^ управленческих решений

1.3. Системный анализ производства оптоволоконного кабеля как стохастического объекта управления

1.4. Цель работы и задачи исследования

2. Моделирование процессов принятия управленческих решений в условиях неконтролируемых источников возмущений

2.1. Структура и состав системы интеллектуализации управления 43 стохастическими объектами

2.2. Формализованное описание процесса управления в условиях стохастического производства оптоволоконного кабеля

2.3. Нечеткие модели управления стохастическими объектами

2.4. Интеллектуализация производственной модели принятия решений на основе нечеткой ситуационной сети Выводы

3. Алгоритмизация управления стохастическим производством оптоволоконного кабеля

3.1. Алгоритм процесса управления в условиях стохастического производства оптоволоконного кабеля

3.2. Построение функций принадлежности методом попарных сравнений

3.3. Модели управления стохастическим производством оптоволоконного кабеля на основе аппарата нечеткой логики 3.4 Реализация метода ситуационного управления в рамках нечеткой модели принятия решений

3.5. Построение нечеткой ситуационной сети на основе эталонных решений

Выводы

4. Программное обеспечение моделей и алгоритмов управления стохастическим производством оптоволоконного кабеля

4.1. Структура программного комплекса

4.2. Пользовательский интерфейс

4.3. Алгоритмы принятия решений 133 Заключение 142 Библиографический список 143 Приложение 1 152. Приложение 2 155 Приложение 3

80 84 92 106

Введение диссертации (часть автореферата) на тему «Интеллектуализация управления стохастическими объектами на основе нечеткой ситуационной сети принятия решений»

Введение

Актуальность темы. В современных условиях существенно повышаются требования к качеству процессов принятия решений в рамках систем управления сложными объектами, характер функционирования которых является принципиально вероятностным, что обусловлено наличием большого числа, как внутренних, так и внешних неконтролируемых источников возмущения. К данному классу объектов, в том числе относится производство оптоволоконного кабеля, производственные объекты химической промышлености, металлургические производства и т.д.

Специфика стохастических объектов управления, кроме того связана с неоднородностью циркулирующих информационных потоков, многокритериаль-ностью процесса принятия управленческих решений, высокой динамикой показателей качества и эффективности функционирования, а также факторами неопределенности, имеющими не только стохастический характер, но и характер нечеткости.

Все это ограничивает возможность использования в этой области, как строгих аналитических моделей, так и аппарата теории вероятностей и математической статистики. Альтернативой здесь является реализация систем управления, основанных на нечетких моделях принятия решений. Методология нечеткого моделирования базируется на экспертном способе формирования нечеткой информации, и положительно зарекомендовала себя в различных предметных областях, как аппарат интеллектуальной поддержки при принятии управленческих решений в технических, экономических, медицинских и социальных системах. Необходимость использования нечеткого подхода возникает в следующих ситуациях: во-первых, когда объект управления с точки зрения математического описания, сложен настолько, что его модель в традиционном понимании построить не представляется возможным; во вторых, когда модель существует, но для её машинной реализации требуется значительные вычислительные ресурсы.

Теоретической проработке вопросов нечеткого моделирования посвящены научные работы Т.Тегано, К. Asai, М. Sugeno, L. А. Zadeh, H.J.Zimmermann, О. Cordon, B.B. Борисова, В.В.Круглова, Н.Г. Ярункина и др. Полученные результаты являются основой проведения дальнейших прикладных исследований.

Нечеткие модели представляют собой модели реальных объектов управления со сложным сочетанием и определенным множеством входных и выходных переменных, формализация связей и зависимостей между которыми осуществляется на качественном уровне в форме продукционных правил.

Таким образом, актуальность темы диссертационной работы определяется необходимостью дальнейшего повышения качества управления сложными стохастическими объектами, функционирующими в условиях неопределённости, имеющей нечеткий характер, за счет совершенствования моделей и алгоритмов интеллектуальной поддержки процессов принятия решений.

Диссертационная работа выполнена в Воронежском государственном техническом университете и соответствует одному из научных направлений «Вычислительные комплексы и проблемно - ориентированные системы управления»

Цель исследования. Целью диссертационной работы является разработка моделей и алгоритмов интеллектуализации процессов принятия решений, ориентированных на повышение качества управления сложными стохастическими объектами, функционирующими в условиях неопределенности, имеющей нечетких характер.

Задачи исследования. Для реализации данной цели в работе поставлены и решены следующие основные задачи:

- с системных позиций осуществить анализ основных видов неконтролируемого взаимодействия параметров, целенаправленное воздействия на которые существенно влияет на эффективность управления стохастическими объектами;

- разработать формализованное описание процесса принятия решений, учитывающего неопределенный характер источников внутренних и внешних возмущений;

-разработать нечеткую сетевую модель типовых производственных ситуаций, реализующую соответствующий набор оптимальных управляющих решений;

- разработать модель принятия решений в условиях нечеткой зависимости между входными и выходными параметрами объекта управления, а также процедуру идентификации альтернативных состояний объекта управления в процессе принятия управленческих решений;

- разработать программное обеспечение моделей и алгоритмов интеллектуализации принятия управленческих решений на основе аппарата нечеткой логики.

Методы исследования. В работе использованы методы системного анализа, теории графов, теории моделирования, теории нечетких множеств, теории управления, нечеткой логики.

Объектом исследования — являются стохастические объекты управления, функционирующие в условиях неопределённости, имеющей нечетких характер.

Предмет исследования - математические модели и алгоритмы принятия управленческих решений на основе реализации аппарата нечеткой логики.

Соответствие диссертации паспорту специальности.

П.9 Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических, экономических, биологических, медицинских, и социальных объектов.

П. 10 Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических, экономических, биологических, медицинских, и социальных системах.

Научная новизна исследования. В диссертации получены следующие результаты, отличающиеся научной новизной:

- предложено формализованное описание процесса принятия решений, отличающееся учетом случайных внешних воздействий, а также неконтролируемых источников внутренних возмущений, обуславливающих неопределенность состояния объекта управления;

- предложена нечеткая модель формирования и принятия управленческих решений в условиях неопределенности, отличающаяся включение средств определения оптимальных параметров работы стохастического объекта;

- разработана нечеткая ситуационная сеть, представляющая собой нечёткую сетевую модель типовых ситуаций, в которых потенциально может находиться объект управления, отличающаяся возможностью формирования соответствующего набора оптимальных решений для каждой вершины, интерпретирующая типовую производственную ситуацию;

- предложена процедура идентификаций альтернативных состояний объекта управления, отличающаяся реализацией специальной матрицы переходов в соответствии нечеткой ситуацией;

- разработана структура программного обеспечения алгоритмов и моделей принятия управленческих решений стохастических объектов, отличающаяся механизмами интеграции в промышленные программные комплексы.

Практическая значимость. В работе предложены модели и алгоритмы принятия решений, а также в виде специального программного обеспечения реализована их информационная поддержка, которое имеем определенную специфику на использование в рамках системы управления стохастическими объектами на примере систем управления производством волоконно-оптического кабеля.

В свою очередь разработанное программное обеспечение является многоцелевым, в условиях многомерных стохастических систем с перекрестными связями, действующих под воздействием параметров микроклимата и неконтролируемых источников внешних и внутренних технологических возмущений. Разработанное программное обеспечение может быть использовано для исследования систем управления реализующих аппарат нечеткой логики, а также задач имеющих прикладное значение.

Реализация и внедрение результатов работы. Разработанное программное обеспечение системы управления стохастическим производством, а также теоретические результаты работы внедрены в производство на «ОР8-Б у1аг81:гоу-1 - УОКК».

Ожидаемый годовой экономический эффект от включения разработанных инструментальных средств в комплексные программы различного иерархического уровня управления и качества принимаемых управленческих решений, составляет 980 тыс. руб. в ценах 2013 г.

Апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на следующих научных конференциях: «Прикладные задачи электромеханики, энергетики, электроники » (Воронеж, 2005), «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (г. Воронеж, 2006-2010 г.), «Интеллектуальные информационные системы » (Воронеж, 2006), на международной научно-практической конференции «Молодежь и наука (2008 г.) », а также на научных семинарах кафедры электропривода, автоматики и управления в технических системах (2005-2013 г.).

Публикации. По результатам исследования опубликовано 12 печатных работ, в том числе 5 в изданиях, определенных ВАК РФ.

В работах, опубликованных в соавторстве, лично соискателю принадлежат следующие научные результаты: в [1, 5, 11] - самообучающаяся модель стохастического объекта с нечетким управлением; [3, 4, 10, 12] - обобщенная структура модуля интеллектуализации принятия управленческих решений; [2, 6, 7, 8] -модель принятия решения а стратегии управления на основе нечеткой ситуационной сети;

Структура и объем работы. Диссертационная работа состоит из введения, 4 глав и заключения, списка литературы из 143 наименований, 3 приложений. Основная часть изложена на 158 страницах машинописного текста и содержит 57 рисунков, 50 таблиц.

Содержание работы. В первой главе представлены результаты системного анализа специфики класса стохастических объектов управления, подробно рассмотрены математические методы управления такими объектами в условиях неопределенности. С системных позиций описаны основные виды взаимодействия структурных параметров, целенаправленное воздействие на которые существенно влияет на эффективность управления стохастическими объектами. Определены основные входные воздействия и установлены в качестве выходных величин качественные параметры объекта управления, проведен анализ перекрестного влияния входных и выходных величин.

Вторая глава посвящена разработке структуры модуля управления качеством в рамках автоматизированной системы производством оптоволоконного кабеля. Приведены результаты теоретических исследований моделей управления, основаны на аппарате теории нечетких множеств. Выделены и описаны основные параметры объекта управления в условиях стохастического производства оптоволоконного кабеля.

Разработана обобщенная структура модуля интеллектуализации процесса принятия управленческих решений.

Предложена модель выработки и принятия управляющих решений. Выделены и описаны основные параметры стохастического объекта управления производством оптоволоконного кабеля.

В третьей главе проведены исследования, связанные с описанием и построением лингвистических переменных параметров модели управления в терминах аппарата нечеткой логики, а также их взаимодействия в виде матриц отношений, построенных по экспертным оценкам. Показан пример построение функций принадлежности методом попарных сравнений. Приведена схема обобщенного алгоритма решения поставленной задачи.

Четвертая глава посвящена разработке средств программного обеспечения моделей процессов управления стохастическим производством оптоволоконного кабеля, а также разработке программной модели реального стохастического процесса, средств визуализации параметров контролируемых процессов, модели выработки и принятия решений на основе принципа ситуационного управления.

В заключении сформулированы основные научные и практические результаты диссертационного исследования.

Прилагается список используемых литературных источников.

1. Проблематика управления стохастическими объектами в условиях неопределенности

1.1. Математические методы управления стохастическими объектами в условиях неопределенности

Современный подход к оптимизации управления стохастическими процессами предполагает создание алгоритмического обеспечения во взаимосвязи с вопросами развития информационных технологий. Это означает переход к качественному объединению разнородных технологий, позволяющему осуществлять разработку математических алгоритмов с учетом возможности модификации и развития соответствующих систем хранения и переработки информации.

Примером реализации подобного подхода являются АИТ, представляющие собой подкласс информационных технологий, ориентированных на задачи автоматизированной поддержки принятия решений и прогнозирования состояния сложных динамических систем в нестационарных и неоднородных средах. Разумеется, вопросы построения СППР и связанные с ними задачи ситуационного анализа и прогностики рассматривались и ранее. Однако эффективность их решения оставалась невысокой. Классические математические технологии анализа и прогнозирования развития ситуаций использовалось в управлении стохастическими процессами крайне незначительно в виду низкой достоверности получаемых результатов. Особенно остро это проявлялось в неспособности формальных алгоритмов отследить качественные, скачкообразные изменения контролируемых процессов. В свою очередь, низкая эффективность алгоритмов анализа, прогнозирования и оптимизации обуславливалась, как правило, недостаточной полнотой и оперативностью мониторинга состояния объекта управления, связанная с ограниченными возможностями средств цифровой технике по быстродействию и объему необходимой памяти.

Любое стохастическое производство является сложным организмом, который состоит из большого числа разнородных объектов и процессов, имеющих собственные управляющие органы. Для согласования и функционирования необходима общая многоуровневая система управления. На практике принято выделять три основных уровня управления (иерархии управленческой деятельности): стратегический, тактический, операционный. Управленческая пирамида, отражающая уровни возрастания власти, ответственности и динамику принятия решений, показана на рисунке 1.1.1

Стратегический уровень обеспечивает выработку управленческих решений, направленных на достижение долгосрочных стратегических целей организации.

Динамика принятия решений

возрастания ответственности и сложности решаемых задач

Степень

Долгосрочное Среднесрочное Оперативное

Рис. 1.1.1. Управленческая пирамида предприятия

Поскольку результаты принимаемых решений проявляются спустя длительное время (месяцы, годы), особое значение на этом уровне имеет такая функция управления, как стратегическое планирование. Ответственность за принятие управленческих решений чрезвычайно велика и определяется не только результатами анализа с использованием специального математического аппарата и информационных систем поддержки принятия решения, но и профессиональной интуицией менеджеров.

Тактический уровень обеспечивает решение задач, требующих предварительного анализа большого количества разнородной информации, поступающей с верхнего и нижнего уровней. На этом уровне особое значение приобретает такая функция управления, как анализ. Объем решаемых задач уменьшается, но возрастает их сложность и ответственность за результаты. При этом не всегда удается выработать нужное решение оперативно - требуется дополнительное время на осмысление, сбор недостающих сведений и т. п. Управление связано с некоторой задержкой между моментом поступления информации и принятием решений и их реализацией, а также между моментом реализации решений и получением реакции на них.

Операционный уровень управления обеспечивает решение многократно повторяющихся задач и операций и быстрое реагирование на изменения входной текущей информации. На этом уровне достаточно велики как объем выполняемых функциональных операций, так и динамика принятия управленческих решений. Этот уровень управления часто называют оперативным из-за необходимости быстрого реагирования на изменение ситуации. На уровне оперативного управления большой объем занимают учетные задачи.

В настоящее время основным и наиболее распространенным

инструментом прогнозирования развития сложных ситуаций и выработки управляющих решений на производстве является эмпирический анализ. Большинство автоматизированных систем управления работали и работают по единой методологии: осуществляется сбор информации, ее визуализация и представление специалистам по оперативному управлению стохастическими процессами. По существу, информационная система работает в этом случае в режиме оперативной визуализации и передачи команд к исполнительным механизмам.

Однако в сложных, нестационарных ситуациях, обусловленных большим числом разнообразных гетерогенных факторов влияния, специалисты далеко не всегда находят рациональные решения, их мнения оказываются субъективными и противоречивыми. Человеческий мозг, как правило, не способен прогнозировать развитие ситуаций, находящихся под воздействием более 3-5 независимых факторов. Для взаимосвязанных воздействий даже опытный специалист способен корректно учесть не более трех факторов. В тоже время большинство реальных стохастических ситуаций требуют учета, как минимум, от 6 до 50 (и более) значимых факторов влияния.

Таким образом, возникает актуальная проблема создания качественно новой, аналитической системы управления, ориентированной на решение задач выработки управляющих решений на основе комплексного анализа стохастических ситуаций и прогнозирования их развития в интересах формирования и реализации оптимальных режимов управления производством.

Используемые для решения указанной проблемы АИТ включают в себя ряд новых информационных и математических технологий, представленных на рис. 1.1.2.

Рис. 1.1.2. Основные компоненты АИТВ

Возникновение новых технологий хранения и обработки данных (хранилища или склады данных, витрины данных) связано с необходимостью накопления и оперативной обработки сверхбольших объемов ретроспективной информации (единицы Гбайт) [69,71,72]. В частности,

необходимость ускорения обработки аналитических запросов привела к разработке многомерного формата представления данных и созданию новых концепций хранения и обработки данных, представленных в виде постулатов Б. Инмона [133] и Е. Кодда [132].

Оперативный анализ текущей ситуации, ее сопоставление с данными ретроспективного анализа, в рамках АИТ, реализуются средствами on-line analytical processing (OLAP) [132]. Предполагается, что OLAP технологии могут стать мощным инструментом для визуализации оперативной производственной ситуации и формирования общих представлений о состоянии производственной ситуации в интересах совершенствования текущего управления ТП и диспетчеризации материальных потоков.

Однако для более глубокого понимания протекающих стохастических процессов необходимо проведение соответствующих аналитических исследований, основанных на применении сложных математических средств анализа многомерных ситуаций, прогнозирования их развития и выработки оптимизирующих рекомендаций. В некоторых отечественных публикациях данные технологии получили наименование интеллектуального анализа данных. Рассмотрим подробнее основные алгоритмы DM и его отличительные черты, как самостоятельного направления в области информационных технологий.

Data Mining (DM) (KDD - knowledge discovery in databases) представляет собой новейшее направление в области информационных технологий, ориентированное на решение задач поддержки принятия решений на основе количественных и качественных исследований сверхбольших массивов разнородных ретроспективных данных.

Современная прикладная математика предоставляет разработчикам алгоритмического обеспечения систем управления стохастическими процессами обширный арсенал эффективных математических средств, используемых для решения задач оценивания, идентификации, распознавания, прогнозирования и т.п. Данные средства могут быть классифицированы на основе различных иерархических или фасетных систем («Сколько людей - столько и мнений»). В качестве одной из простейших схем классификации может быть предложена схема разделения, основанная на различных подходах к обучению математических моделей. В частности, различают:

- статистические методы, основанные на использовании усредненного накопленного опыта, отраженного в массивах ретроспективных данных,

- кибернетические методы, охватывающие множество разнородных математических подходов, основанных на использовании технологий искусственных нейронных сетей, ассоциативной памяти, нечеткой логики.

Недостатки такой классификации достаточно очевидны - и статистические, и кибернетические алгоритмы, так или иначе, опираются

сопоставлении статистического опыта с результатами мониторинга текущей ситуации. В то же время она достаточно удобна для интерпретации и, de facto, используется при описании математических средств современного подхода к извлечению знаний из массивов исходных наблюдений (оперативных и ретроспективных), т.е. в задачах Data Mining. Важное отличие DM от известных методов оперативного анализа (OLTP -one-line transaction processing), используемых в существующих транзакционных системах обработки данных (СОД), состоит в переходе от технологии визуализации текущих ситуаций к фундаментальным методам исследований, опирающимся на мощный аппарат современной прикладной математики.

Основными задачами DM в управлении стохастическими процессами являются комплексный системный анализ стохастических ситуаций, краткосрочный и долгосрочный прогноз их развития и выработка вариантов оптимизационных решений. Анализ стохастических ситуаций включает в себя:

обнаружение и прогнозирование скрытых тенденций и закономерностей развития стохастических процессов:

обнаружение и распознавание скрытых факторов влияния (в том числе, факторов угрозы);

обнаружение и идентификацию ранее неизвестных взаимосвязей между параметрами и факторами влияния:

анализ среды взаимодействия стохастических процессов и прогнозирование изменения ее характеристик;

выработку оптимизационных рекомендаций по управлению стохастическими процессами;

визуализацию результатов анализа, подготовку предварительных отчетов и проектов допустимых решений с оценками достоверности и эффективности возможных реализаций.

На рис. 1.1.3. представлен математический арсенал DM. Рассмотрим подробнее представленные математические средства.

Статистические методы DM

В качестве важнейшего направления развития средств DM следует выделить мощный арсенал статистических методов обработки данных. В соответствии с классификационной традицией, их удобно разделить на четыре взаимосвязанных раздела [27]:

- предварительный анализ природы статистических данных (проверка гипотез стационарности, нормальности, независимости, однородности, оценка вида функции распределения, ее параметров и т.п.);

- выявление связей и закономерностей (линейный и нелинейный регрессионный анализ, корреляционный анализ и др.);

Рис. 1.1.3. Математический арсенал Data Mining

- многомерный статистический анализ (линейный и нелинейный дискриминантный анализ, кластер-анализ, компонентный анализ, факторный анализ и др.);

- динамические модели и прогноз на основе временных рядов. Значимость статистических методов DM крайне велика - ведь именно в них наиболее последовательно отрабатывается мысль о принципиальной важности использования больших массивов ретроспективных данных для формирования эффективных управленческих решений.

Среди наиболее известных и популярных пакетов статистического анализа следует отметить Statistica, SPSS, Systat, Statgraphics, SAS, BMDP, TimeLab, DataDesk, S-Plus, Scenario (BI).

Кибернетические методы DM

Второе крупное направление развития связано с кибернетическими методами, основанными на идеях компьютерной математики и методах теории искусственного интеллекта. К этому направлению следует отнести методы нейронных сетей, эволюционного моделирования, генетические алгоритмы и методы нечеткой логики и другие.

Нейросетевые технологии. Формирование прогнозов и решений на основе нейросетевых технологий осуществляется путем применения математических моделей нейронных сетей, узлами которых являются модели нервных клеток (нейронов). Выходной сигнал нейрона определяется нелинейной функцией взвешенной суммы входных сигналов. В свою очередь входные сигналы представляют собой выходные сигналы нейронов предыдущего уровня. Входными сигналами всей сети являются параметры текущей производственной ситуации. Ретроспективные данные используются в

качестве обучающих выборок, формирующих значения весовых коэффициентов входов (синапсы) нейронов

Эволюционное моделирование. Получение оптимальных решений осуществляется путем имитации процесса размножения и эволюции биологической популяции [47]. В исходные варианты решения вносятся различные, случайные изменения, имитирующие изменения наследственных свойств предыдущего поколения. Совокупность модифицированных данных образует новое поколение возможных решений, которое подвергается "естественному отбору" (или селекции), основанному на экзогенном "критерии выживания" (критерий допустимости решения). Сохранившиеся после селекции решения вновь модифицируются ("размножаются"), образуя третье поколение, и процесс итерационно повторяется. При этом образуется неконтролируемая алгоритмистом, самоорганизующаяся

Список литературы диссертационного исследования кандидат наук Кочегаров, Дмитрий Владимирович, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Кочегаров Д.В., Тураев А. X., Бурковский А. В. Использование ситуационной сети принятия решений для управления стохастическими объектами // Науч-техн. журнал Системы управления и информационные технологии. - 2013 №1.1(51) С. 155-158;

2. Кочегаров Д.В., Тураев А. X., Бурковский А. В. Модель принятия решения в системе управления качеством производства оптоволоконного модуля на основе нечеткой ситуационной сети // Науч.-техн. журнал Системы управления и информационные технологии. - 2008 №1.3(31) С. 413-416;

3. Кочегаров Д.В., Тураев А. X., Бурковский А. В. Интеллектуализация управления технологическим процессом производства оптоволоконного кабеля // Вестник Воронежского государственного университета. - 2007. Т. 3. №5. С. 128-130;

4. Бурковский В.Л., Кочегаров Д.В. Структура программного обеспечения системы управления производством оптоволоконного модуля // Науч.-техн. журнал Системы управления и информационные технологии. - 2010. № 4.1(42) - С. 120-123;

5. Кочегаров Д.В., Бурковский В.Л. Самообучающаяся модель управления производством оптоволоконного кабеля на основе аппарата нечеткой логики// Науч.-техн. журнал Системы управления и информационные технологии. — 2010. №4.1(42)-С. 167-171.

6. Кочегаров Д.В., Тураев А. X., Бурковский А. В. Автоматизированный комплекс производства оптоволоконного кабеля // Электротехнические комплексы и системы управления: Сб. науч. тр. Воронеж: ВГТУ, 2008. С. 73-75.

7. Кочегаров Д.В., Тураев А. X., Бурковский А. В. Интеллектуализация управления технологическим процессом производства оптоволоконного кабеля // Вычислительные и информационно - телекоммуникационные системы Том 3 №5: Вестник ВГТУ, 2007. С. 128-130.

8. Кочегаров Д.В., Тураев А. X., Бурковский В. Л. Реализация ситуационной сети в системе управления производством оптоволоконного кабеля // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Тр. всерос. науч.-техн. конф. Воронеж: ВГТУ, 2008. С. 106-107.

9. Кочегаров Д.В., Тураев А. X., Бурковский В. Л. Формализованное описание параметров управления линией окраски оптического волокна на основе аппарата нечеткой логики // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Тр. всерос. науч.-техн. конф. Воронеж: ВГТУ, 2010. С. 90-91.

10. Кочегаров Д.В. Модель принятия решения на основе ситуационной сети//Молодежь и наука: Реальность и будущее 2 том: Тр. 1 междун. науч.-практ. конф. Невинномыск: 2008. С. 367-372.

11. Кочегаров Д.В., Тураев А. X., Бурковский В. JI. Структура программного обеспечения системы управления качеством производства оптоволоконного модуля// Новые технологии в научных исследованиях, проектировании, управлении, производстве: Тр. всерос. науч.-техн. конф. Воронеж: ВГТУ, 2006. С. 74-75.

12. Кочегаров Д.В., Тураев А. X., Бурковский В. JI. Модели нечёткого управления производством оптоволоконного модуля // Интеллектуальные информационные системы: Тр. всерос. науч.-техн. конф. Воронеж: ВГТУ, 2006. С. 125 -126.

13. Пупков К.А., Коньков В.Г. Интеллектуальные системы. - М.: Изд-во МГТУ им. Н.Э Баумана, 2003. - 348 с.

14. Бурбаки Н. Теория множеств. М.: Мир, 1965. 240 с.

15. Мукаидоно М. Нечеткий вывод резолюционного типа. // Нечеткие множества и теория возможностей. Последние достижения. / Под ред. Р. Ягера. М.: Радио и связь, 1986. 220 с.

16. Заде JI. Понятие лингвистической переменной и его применение к понятию приближенных решений // Новое в зарубежной науке: серия «Математика» / Под ред. А. Н. Колмогорова, С. П. Новикова. М.: Мир, 1976.

17. White D.A., Sofge D.A. D.A. Editors Preface // Handbook of Intelligent Control. Neural. Fuzzy, and Adaptive Approaches / Eds. D.A. White, D. A. Sofge. -New York: Van Nostrand Reinhold. 1992. P. xvii-xviii.

18. Driankov D. Hellendoorn H., Reifrank M. An Introduction to Fuzzy Control. - Springer-Verlag, BerlinHeidelberg, 1993.

19. Horn A. On Sentences which Are True on Direct Unions of Algebras // J. On Symbolic Logic. 1951. V. 16. P. 14-21.

20. Заде JI. Основы нового подхода к анализу сложных систем и процессов принятия решений // В кн.: Математика сегодня. - М.: Знание, 1974. - С. 5-48.

21. Яблонский С. В. Управляющая система // Математическая энциклопедия. Т. 5. М.: Советская энциклопедия, 1985. С. 534 - 536.

22. Болтянский В. Г. Оптимальное управление дискретными системами. М.: Наука, 1973. 280 с.

23. Величенко В. В. Технический интеллект // Интеллектуальные системы. 1996. Т. 1. Вып. 1-4. С. 5 - 18.

24. Растригин JI. А. Современные принципы управления сложными объектами. М.: Советское радио, 1980. 120 с.

25. Мелихов А. Н., Бернштейн JI. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. - М.: Наука., 1990. 272 с.

26. Нечеткие множества в моделях управления и искусственного интеллекта. / А. Н. Аверкин, И. 3. Батыршин, А. Ф. Блишун, В. Б. Силов,

В. Б. Тарасов; Под. ред. Д. А. Поспелова. М.: Наука, 1986. 312 с.

27. Бернштейн Е. П., Коровин С. Я., Мелихов А. Н. Сжатие множества эталонных ситуаций в лингвистических моделях ситуационного управления // Автоматика и телемеханика. 1985. № 2. С. 12-15.

28. Модели принятия решений на основе лингвистической переменной. / А. Н. Борисов, А. В. Алексеев, О. А. Крумберг и др. Рига: Зинатне, 1982. 256 с.

29. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. /С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. - М.: Финансы и статистика, 1983. — 471с.

30. Ковман А. Введение в теорию нечетких множеств. М.: Радио и связь. 1982. 432 с.

31. Мелихов А. Н., Бернштейн А. С. Конечные четкие и расплывчатые множества. Часть 1. Четкие множества. Таганрог: Изд-во ТРТИ, 1980. 101 с.

32. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Ягера. М.: Радио и связь, 1986. 391 с.

33. Попов Э. В. Экспертные системы. М.: Наука, 1987. 288 с.

34. Поспелов Д. А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981. 231 с.

35. Дубров A.M., Лагоша Б.А., Хрусталев Е.Ю. Моделирование рисковых ситуаций в экономике и бизнесе: Учеб. пособие / Под ред. Б.А. Лагоши. - М.: Финансы и статистика, 1999. - 176 с.

36. Форсайт Р. Экспертные системы. Принципы работы и примеры. М.: Радио и связь, 1987. 224 с.

37. Хаберев Н. П. Модель оптимального планирования и управления на участках производства массовых тонкопленочных резисторов // Экономика и математические методы. 1972. Т. 8. Вып. 2. С. 56 - 57.

38. Клыков Ю. И. Ситуационное управление большими системами. М.: Энергия, 1974. 136 с.

39. Клыков Ю. И. Ситуационная модель управления большой системой. // Изв АН СССР. Техническая кибернетика. 1970. № 6.

40. Змитрович А.И. Интеллектуальные информационные системы. -

В.: НТО-ОО «Тетра-система», 1997. - С. 269.

41. Карлин С. Математические методы в теории игр, программировании и экономике. М.: Мир, 1964. 280 с.

42. Захаров В. Н., Поспелов Д. А., Хазацкий В. Е. Системы управления. М.: Энергия, 1977. 300 с.

43. Таль A.A. Абстрактный синтез последовательных машин по ответам на вопросы первого типа анкетного языка. // Автоматика и телемеханика. 1965. Т. 26. № 4. С. 676 - 682.

44. Каменкова М., Громов А., Ферапонтов М., Шматалюк А. Моделиро-ание бизнеса. Методология ARIS. Практическое руководство. - Москва, 001.327 с.

45. Липаев В. В., Колин К. К., Серебровский JI. А. Математическое обеспечение управляющих ЦВМ. - М.: Советское радио, 1972. 200 с.

46. Фишер Ф. П., Суиндл Дж. Ф. Системы программирования. М.: Статистика, 1971. 380 с.

47. Чичварин Н. В. Экспертные компоненты САПР. М.: Машиностроение, 1991. 160 с.

48. Автоматизация проектирования оптико-электронных приборов: Учеб. пособие / JI. П. Лазарев, В. Я. Колючкин, А. Н. Метелкин, В. Н. Рязанов,

Н. В. Чичварин. М.: Машиностроение, 1986. 216 с.

49. Фогель Дж., Оуэн с Дж., Уолш Л. Эволюционное моделирование и искусственный интеллект. - М.: Мир, 1969. - 219с.

50. Кашников О.Ю., Кашников Ю.А., Круглов Ю.В. и др. Информационно-экспертная система эксплуатации участка магистрального газопровода // Газовая промышленность. 2002. № 9. С. 76-78.

51. Беллман Р., Заде Л. А. Вопросы анализа и процедуры принятия решений: Пер. с англ. М.: Мир, 1976. 215 с.

52. Князевский Н.В., Князевская B.C. Принятие рискованных решений в экономике и бизнесе: Учеб. пособие. -М.: Контур, 1998. - 160 с.

53. Глушков В. М., Цейтлин Г. Е., Ющенко Е. Л. Методы симольной мультиобработки. Киев: Наукова думка, 1980. 252 с.

54. Диалоговые системы схемотического проектирования / В. И. Аниси-мов, Г. Д. Дмитриевич, К. В. Скобельцын и др.; Под ред. В. И. Анисимова. М.: Радио и связь, 1988. 288 с.

55. Гершберг А. Ф., Мусаев А. А., Нозик А. А., Шерстюк Ю. М.. Концептуальные основы информационной интеграции АСУ ТП нефтеперерабатывающего предприятия. -СПб: Альянс-строй, 2003. - 128с.

56. Моисеев А. В., Филиппов М. В., Чичварин Н. В. Методика построения экспертных программных компонентов в САПР. // Современные проблемы автоматического управления: Тез. докл. на Всесоюзного семинара, Пушкин, 1987. С. 43-45.

57. Кудакаев СМ., Аминев Ф.М., Галиакбаров В.Ф., Крорбков Г.Е., Ковшов В.Д. Интеллектуальные системы для обеспечения промышленной и экологической безопасности магистральных газопроводов // Газовая промышленность. 2002. №5. С. 10-11.

58. Попов Э. В., Фридман Г. Р. Алгоритмические основы интеллектуальных роботов и искусственного интеллекта. М.: Наука, 1976. 455 с.

59. САПР систем логического управления / В. А. Горбатов, А. В. Крылов, Н. В. Федоров.; Под ред. В. А. Горбатова. М.: Энергоатомиздат, 1988. 232 с.

60. САПР: Формирование и функционирование проектных модулей /

О. Л. Смирнов, С. Н. Падалко, С. А. Пиявский и др. М.: Машиностроение, 1987. 272 с.

61. Сваровский С. Г. Аппроксимация функций принадлежности значениями лингвистической переменной // Математические вопросы анализа данных: Сб. науч. тр., Новосибирск: НЭТИ, 1980. С. 127-131.

62. Яглом И. М. Булева структура и ее модели. М.: Советское радио, 1980. 192 с.

63. Гершберг А.Ф. Интеграция и интеллектуализация АСУ ТП нефтеперерабатывающего предприятия. - СПб: ПО «Киришинефтеоргсинтез», 2001. - 52с.

64. Бакаев А. А., Костина Н. И., Яровицкий Н. В. Имитационные модели в экономике. Киев.: Наукова думка, 1978. 304 с.

65. Любашин А. Н. Системная интеграция и системный консалтинг. - Мир компьютерной автоматизации. - 2000, № 1, с. 55-59.

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

67. Синенко О.В., Леныпин В.Н. Автоматизация предприятия - вчера, сегодня, завтра или информационная поддержка рыночного лидерства . - PC Week, №29, 2000.

68. Бусленко Н. П. Моделирование сложных систем. М.: Наука, 1968. 356 с.

69. Внедрение автоматизированной системы управления производством на базе пакетов прикладных программ. Э. М. Бенецкий, Г. А. Морозов,

Л. А. Оболенский, В. А.Чернованов. М.: Статистика, 1980. 200 с.

70. Голенко Д. И. Моделирование и статистический анализ псевдослучайных чисел на электронных вычислительных машинах. М.: Наука, 1965. 228 с.

71. Бирюков А. Системы принятия решений и хранилища данных // СУБД, 1997, №4.-С. 37-41.

72. Голованов О. В., Дуванов С. Г., Смирнов В. Н. Моделирование сложных дискретных систем на ЭВМ третьего поколения (Опыт применения GPSS). М.: Энергия, 1978. 160 с.

73. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных // СУБД, 1997, №3. - С. 30-40.

74. Львович О. Data Warehousing - выход из кризиса оперативного анализа // Read Me, 1998, №6. - С. 44-45, 66.

75. Мартин Ф. Моделирование на вычислительных машинах. М.: Советское радио, 1972. 288 с.

76. Дюк В., Самойленко A. Data Mining: Учебный курс. - СПб.: Питер, 2001.-366с.

77. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997, №4. - С. 41-44.

78. Петров В. А. Групповое производство и автоматизированное оперативное управление. Л.: Машиностроение, 1975. 312 с.

79. Программные средства моделирования непрерывно-дискретных систем / В. М. Глушков, В. В. Гусев, Т. П. Марьянович и др. Киев: Наукова думка, 1975. 156 с.

80. Петров В.Н. Информационные системы. - СПб: Питер, 2003. - 688 е..

81. Шубкина И. П. Моделирование механизма принятия решений. М.: Наука, 1976. 275 с.

82. Яровицкий Н. В. Вероятностно-автоматное моделирование дискретных систем. // Кибернетика. 1966. № 5. С. 35 - 43.

83. Гильберт Д., Бернайс П. Основания математики: логические исчисления и формализация арифметики. М.: Наука, 1983. 112 с.

84. Мендельсон Э. Введение в математическую логику. М.: Наука, 1971. 220 с.

85. Шенфилд Дж. Математическая логика. М.: Наука, 1971. 200 с.

86. Ершов Ю. Л., Палютин Е. А. Математическая логика. М.: Наука, 1979. 260 с.

87. Васильев С. Н., Жерлов А. К. Логическое моделирование и управление в реальном времени // Интеллектуальные системы в машиностроении: Тр. Все-союз. конф. / Под ред. В. А. Виттиха. Самара: 1991. Т. 2. С. 33 - 38.

88. Таутс А. И. Решение логических уравнений итерационным методом в исчислении предикатов // Известия Института физической астрономии Академии наук ЭССР. 1964. Т 24. С. 17 - 24.

89. Мальцев А. И. Модельные соответствия // Известия АН СССР. Математика. 1959. №23. С. 313 -336.

90. Федосов Е. А. Критические технологии России // Тр. Всеросс. конф. Государственных науч. центров РФ. М.: 1995. С. 80 — 95.

91. Кондрашина Е. В., Литвинцева Л. В., Поспелов Д. А. Представление знаний о пространстве и времени в системах искусственного интеллекта. М.: Наука, 1989. 240 с.

92. Беллман Р., Гликсберг И., Гросс О. Некоторые вопросы матема-тичесской теории процессов управления. М.: Издательство иностранной литературы, 1962. 168 с.

93. Математическая теория оптимального управления / Л. С. Понтрягин, В. Г. Болтянский, Р. В. Гамкрелидзе, Е. Ф. Мищенко. М.: Физматгиз, 1961.

380 с.

94. Жерлов А. К. Пропозициональные позитивно образованные стандартизованные формулы и реализация булевских функций: Тр. конф. по компьютерной логике, алгебре и интеллектному управлению. Иркутск, 1994. Т. 2. С. 221 -227.

95. Захаров В. Н., Ульянов С. В. Нечеткие модели для интеллектуальных промышленных регуляторов и систем упарвления, III. Методология проектирования // Изв. РАН. Техническая кибернетика. 1993. № 3. С. 197 - 220.

96. Адаптивное нейро-фаззи управление многозвенным манипулятором / С. Н. Васильев, У. Реймбольд, О. Г. Аполов, Д. В. Кирин//Интеллектуальные автономные системы. Уфа-Карлсруэ: УГАТУ, 1996. С. 23 - 27.

97. Гинзбург С. А. Математическая непрерывная логика и изображение функций. М.: Энергия, 1968.

98. Кофман А. Введение в прикладную комбинаторику. М.: Наука, 1975.

99. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.212 с.

100. Мукаидоно М. Нечеткий вывод резолюционного типа. // Нечеткие множества и теория возможностей. Последние достижения. / Под ред. Р. Ягера. М.: Радио и связь, 1986. 236 с.

101. Прохорчук А. В., Зорин Д. В., Кривенко В. И.. Инструментальные средства для прогнозирования уровня качества производства оптоволоконного кабеля. // Промышленная информатика: Межвуз. сб. науч. тр. Воронеж, 2001.

с. 16-19.

102. Кисурин А. А., Беспаленко В. Д., Хохлов А. В.. Интеллектуальное-алгоритмическое обеспечение отказоустойчивости систем автоматического управления. // Промышленная информатика: Сб. науч. тр. Воронеж, 2002.

С. 4-7.

103. Воропаев А. П. Ситуационный анализ управления режимом больших энергетических систем в условиях неопределенности. // Промышленная информатика : Сб. науч. тр. Воронеж, 2002. С. 22 - 28.

104. Поволяев В. А., Фролов Ю. М.. К вопросу определения правил нечеткого регулирования. // Промышленная информатика: Сб. науч. тр. Воронеж, 2002. С. 60 - 67.

105. Прохорчук А. В., Бурковский В. JL. Моделирование и оптимизация технологических структур автоматизированного производства телекоммуникационного кабеля. // Современные проблемы информатизации в непромышленной сфере и экономике: Тр. V Междунар. электронной науч. конф. Воронеж, 2000. С. 130.

106. Зайцев А. И., Муравьев Г. Л., Сташнев В. JL. Сравнительная оценка синтеза нечетких и классических алгоритмов управления электроприводами. // Электромеханические устройства и системы: Межвуз. сб. науч. тр. Воронеж, 2000. С. 4- 12.

107. Бесекерский В. А., Попов Е. П. Теория систем автоматического регулирования. М.: Наука. 1996. 280 с.

108. Интеллектуальные системы автоматического управления / Под ред. И. М. Макарова, В. М. Лохина. М.: ФИЗМАТЛИТ, 2001. 576 с.

109. Черемных C.B. Структурный анализ систем: IDEF- технологии / C.B. Черемных, И.О. Семенов, B.C. Ручкин. - М.: Финансы и статистика, 2001. - С. 208.

110. Голицын Г. А., Фоминых И. Б. Интеграция нейросетевой технологии с экспертными системами: Тр. 5-й нац. конф. по искусственному интеллекту (КИИ-96). Казань, 1996. С. 26 - 30.

111. Лорьер Ж-Л. Системы искусственного интеллекта: Пер с фр. М.: Мир, 1991.320 с.

112. Захаров В. Н. Интеллектуальные системы управления. Основные понятия и определения. // Известия РАН. Теория и системы управления. 1997. № З.С. 138- 145.

113. Развитие технологии экспертных систем для управления интеллектуальными роботами. / И. М. Макаров, Г. Н. Лебедев, В. М. Лохин и др. // Известия РАН. Техн. кибернетика. 1994. №6. С. 161-176.

114. Применение экспертных регуляторов для систем управления динамическими объектами / И. М. Макаров, В. М. Лохин, Р. У. Мадыгулов и др. // Известия РАН. Теория и системы управления. 1995. № 1. С. 5 - 21.

115. Алиев Р. А. Интеллектуальные роботы с нечеткими базами знаний. М.: Радио и связь, 1994.

116. Бернштейн Л. С., Мелехин В. Б. Планирование поведения интеллектуального робота. М.: Наука, 1994.

117. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.

118. Тягунов О. А., Андриянов А. Г. Программные комплексы для моделирования систем автоматического управления // Межвуз. сб. науч. тр. М.: Изд-во МИРЭА, 1996. С. 120 - 124.

119. Тураев А. X., Бурковский В. Л. Реализация генетических алгоритмов в системе управления качеством производства оптоволоконного кабеля. // Промышленная информатика: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2001.

С. 20-25.

120. Тураев А. X., Бурковский В. Л. Применение графа порождения решений при выборе стратегии управления качеством производства оптоволоконного модуля. // Электротехнические комплексы и системы управления: Сб. науч. тр. Воронеж: ВГТУ, 2003. С. 13.

121. Пугачев В .С. Теория вероятностей и математическая статистика. М.: Наука, 1979. 496 с.

122.Апресян Ю. Д. Лексическая семантика. М.: Наука, 1974. 367 с.

123.Синенко О.В., Леныпин В.Н. Автоматизация предприятия - вчера, сегодня, завтра или информационная поддержка рыночного лидерства . - PC Week, №29, 2000.

124. Аджиев В. Mineset - визуальный инструмент аналитика. - Открытые системы, 1997, N3, с. 72-77.

125. Думлер С. А. Дискретно-динамическое моделирование и имитация производства на ЭВМ. // Математические методы в организации и экономике производства. М.: Машиностроение, 1966. С. 191 -208.

126. Думлер С. А. Управление производством и кибернетика. М.: Машиностроение, 1969. 424 с.

127. Ежкова И. В., Поспелов Д. А. Принятие решений при нечетких основаниях. I. Универсальная шкала. // Изв. АН СССР. Техн. кибернетика. - 1977. № 6. С. 3 - 10

128. Адаменко Г. И. Решение экстремальных задач в условиях неполной информативности // Автоматика и телемеханика, 1980. № 4. С. 152 - 160.

129. Кречетов Н., Иванов П. Продукты для интеллектуального анализа данных // Computer Week, 1997, N14-15. - С. 32-39.

130. www.riskwatch.com

131. Организация управления промышленным производством / Под ред. О. В. Козловой, С.Е. Каменицера. М.: Высш. шк., 1980. 400 с.

132. www.insight.co.uk

133. Codd Е. F., Codd S. В., Salley С. Т. Providing OLAP (On-Line Analytical Proc-ess35ing) to User-Analysts: An IT Mandate. - E. F. Codd Associates, 1993. -18p.

134. W. H. Inmon. Building the Data Warehouse. - Wellesley, MA: QED Publishing Group, 1992.

135. Парамонов Ф. И. Автоматизация управления групповыми поточными линиями. М.: Машиностроение, 1973. 84 с.

136. Пушкин В. Н. Оперативное мышление в больших системах. М.: Энергия, 1965. 257 с.

137. Клыков Ю. И. Язык принятия решений // Труды VI Всесоюзного симпозиума по кибернетике. Тбилиси, 1972. С. 14 - 16.

138. Летов А. М. Состояние и перспективы развития теории управления // Автоматика и телемеханика, 1972. № 9. С. 12 - 22.

139. Буш Р., Мостеллер Ф. Стохастические модели обучаемости. М.: Физ-матгиз, 1962. 482 с.

140. Снапелев Ю. М., Старосельский В. А., Моделирование и управление в сложных системах. М.: Советское радио, 1974. 144 с

141. Прикладные нечеткие системы / Под ред. Т. Тэрано, К. Асаи, М. Сугэ-но. М.: Мир, 1993. 200 с.

142. Пархоменко П. П. О технической диагностике. М.: Знание, 1969.108 с.

143. Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. 288 с.