Интеллектуальные технологии создания, исследования и применения композитных моделей сложных систем тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Ковальчук, Сергей Валерьевич

  • Ковальчук, Сергей Валерьевич
  • кандидат науккандидат наук
  • 2018, Санкт-Петербург
  • Специальность ВАК РФ05.13.18
  • Количество страниц 0
Ковальчук, Сергей Валерьевич. Интеллектуальные технологии создания, исследования и применения композитных моделей сложных систем: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Санкт-Петербург. 2018. 0 с.

Оглавление диссертации кандидат наук Ковальчук, Сергей Валерьевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

Глава 1. Аналитический обзор предметной области моделирования сложных систем

1.1 Технологии моделирования сложных систем

1.2 Разработка и применение композитных приложений

1.3 Технологии eScience и обработка больших объемов данных

1.4 Формализация и использование экспертных знаний при построении композитных приложений

1.5 Выводы по Главе 1

Глава 2. Концепция интеллектуальной поддержки моделирования сложных систем

2.1 Общие положения, постановка задачи

2.2 Систематизация концепции композитных моделей

2.2.1 Базовая структура композитной модели

2.2.2 Контуры моделирования с использованием композитной модели

2.3 Эксплуатационные характеристики композитной модели

2.3.1 Качество и производительность композитной модели

2.3.2 Задача контроля композитной модели

3.2.3 Технологии на базе использования композитной модели

2.4 Использование знаний для построения и интерпретации композитных моделей

2.4.1 Применение научного знания в исследованиях eScience

2.4.2 Логический вывод в технологиях построения композитных приложений

2.4.3 Подходы к виртуализации и цифровизации объектов

2.5 Выводы по Главе 2

Глава 3. Методы интеллектуальной поддержки структурирования моделей

3.1 Принципы и шаблоны построения композитных моделей

3.1.1 Представление пространства состояний модели

3.1.2 Эволюция моделей в пространствах генотипа и фенотипа

3.2 Методы работы с альтернативными моделями

3.3 Методы предсказания оптимальной структуры ансамбля

3.4 Понятие цифрового образа на базе композитной модели

3.4.1 Структура цифрового объекта

3.4.2 Интерпретация цифровой сущности при моделировании

3.4.3 Общие подходы к работе с цифровым образом

3.5 Выводы по Главе 3

Глава 4. Методы интеллектуальной поддержки моделирования комплексных процессов

4.1 Общая формализация работы с комплексным процессом

4.2 Метод идентификации гибридных предсказательных моделей комплексных процессов

4.3 Подходы и методы усвоения и калибровки в композитных моделях

4.4 Расширение методов усвоения в рамках эволюционного подхода моделирования сложных систем

4.5 Выводы по Главе 4

Глава 5. Методы и технологии интеллектуальной поддержки организации численного эксперимента

5.1 Методы интерпретации и трансляции композитных моделей

5.1.1 Общие принципы построения композитных приложений

5.1.2 Концепция виртуальных моделирующих объектов для построения композитных приложений

5.2 Методы оценки эксплуатационных характеристик КМ и КП

5.3 Технологии интерактивного моделирования с использованием КМ

5.4 Технологии ППР и решения прикладных задач на базе КМ

5.4.1 Базовые принципы ППР на базе моделирования и концепции VSO

5.4.2 Архитектура платформы СППР

5.4.3 Схемы поддержки группового принятия решений

5.5 Выводы по Главе 5

Глава 6. Технологии построения КП для задач моделирования СС

6.1 Онтологии как инструмент структурирования знаний

6.2 Гибридные КП для задач моделирования СС

6.2.1 Архитектура инструментальной среды для выполнения гибридных КП

6.2.2 Предметно-ориентированный язык для описания гибридных КП

6.2.3 Оценка производительности и применимости технологии гибридных КП

6.3 Технологии организации вычислительной инфраструктуры для выполнения КП при организации численного эксперимента

6.4 Технологии интерактивного взаимодействия с пользователем в рамках КП

6.4.1 Классы пользовательских интерфейсов

6.4.2 Особенности использования интерфейсов

6.5 Выводы по Главе 6

Глава 7. Экспериментальная апробация разработанных решений

7.1 Прогнозирования уровня Балтийского моря для предотвращения наводнений

7.1.1 Постановка задачи

7.1.2 Декомпозиционный ансамбль для коэффициентов ветрового трения

7.1.3 Ансамбль альтернативных моделей и мета-ансамбль

7.1.4 Оперативное усвоение и предсказание выбор структуры модели

7.1.4 Применение предсказательных моделей при построении и трансляции композитной модели

7.1.5 Технология моделирования и поддержки принятия решений на основе прогнозирования уровня

7.2 Управление комплексом моделей в области исследования наноразмерных структур, материалов, процессов и устройств на их основе

7.2.1 Постановка задачи

7.2.2 Предсказание эксплуатационных характеристик пакетов

7.2.3 Реализация интерфейса интеллектуального инструктора

7.3 Моделирование динамики групп агентов на основе ABM

7.3.1 Постановка задачи

7.3.2 Ансамблевое моделирование толпы

7.3.3 Усвоение в агентных моделях

7.3.3 Интерактивное моделирование транспортной инфраструктуры

7.4 Предсказательное моделирование клинических путей

7.4.1 Постановка задачи

7.4.2 Подходы к анализу комплексных процессов лечения

7.4.3 Идентификация структуры клинических путей

7.4.4 Усвоение клинических путей

7.4.4 Гибридное имитационное моделирование клинических путей

7.5 Выводы по Главе 7

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Интеллектуальные технологии создания, исследования и применения композитных моделей сложных систем»

ВВЕДЕНИЕ

При проведении численного эксперимента современные исследователи из различных областей науки и техники сталкиваются со сложностью выбора наилучшей структуры и параметров модели. Ситуация усугубляется, ввиду следующих факторов: а) во многих областях доступен широкий спектр решений, направленных на одни задачи, и отличающихся ограничениями применения, производительностью, точностью расчета и пр.; б) современный уровень развития вычислительной техники предоставляет исследователю доступ к ресурсам высокой производительности, однако этот доступ зачастую требует от исследователя значительной технической подготовки; в) моделирование сложных систем (СС) (систем, состоящих из множества элементов, характеризующихся дальними связями и многомасштабной изменчивостью) требует интеграции в рамках единых решений для моделирования множества отдельных элементов, зачастую имеющих различную природу или даже принадлежащих к различным предметным областям. В таких условиях критическое значение приобретает вопрос автоматизации и интеллектуальной поддержки операций моделирования, традиционно возлагаемых на специалиста исследователя, но ввиду указанных факторов, приобретающих крайне высокую сложность во многих современных задачах. Необходимость такой поддержка процесса исследования и, в частности, процесса моделирования приводит к появлению новых принципов, таких как, например, парадигма электронной науки (eScience), которую ряд специалистов вслед за такими исследователями как J. Taylor, J.N. Grey считают новой парадигмой в научном исследовании.

Вопросы компьютерного моделирования и моделирования СС получили развитие в 40х-60х годах XX века на стыке кибернетики, теории систем, искусственного интеллекта, опираясь на таких классиков этих областей как N. Wiener, C.E. Shannon, L. von Bertalanffy. Сегодня данная область, находясь на стыке информационных технологий и принципов математического моделирования, развивается в работах P. Allen, D.J. Watts, S.H. Strogatz, D. Helbing, P.M.A. Sloot, Y. Gil и др. В нашей стране в данной области важную, формирующую роль сыграли работы Н.П. Бусленко, А.А. Самарского, В.В. Воеводина и др. Тем не менее, сегодняшний этап развития данной области предоставляет возможности для разработки принципиально новых интеллектуальных решений на системном уровне поддерживающих процесс моделирования СС.

Одной из предпосылок, определяющих актуальность темы данного исследования именно сейчас, является доступность больших объемов наблюдений и экспериментов (в т.ч. компьютерных), доступных для анализа, что в условиях развития концепции Big Data становится неоценимым источником информации о моделях и их применении. Другой предпосылкой является развитие высокопроизводительных вычислительных решений,

применимых не только напрямую в задачах моделирования, но и в задачах интеллектуального анализа данных, машинного обучения, что позволяет использовать соответствующие элементы как в рамках моделей, так и в процессе идентификации, калибровки и др. операциях над моделями. Наконец, современный уровень работы со знаниями, открытость источников данных и знаний позволяет использовать обширную базу источников и технологических решений для логического вывода при настройке моделей. В итоге, настоящее исследование, характеризуясь междисциплинарностью и опираясь на современные разработки в перечисленных областях может позволить существенно упросить, а иногда и автоматизировать процессы работы с моделями в различных предметных областях науки и техники.

Предметом исследований являются методы построения (композиции), идентификации, калибровки, усвоения, оптимизации в применении к композитным моделям (КМ) СС, а также методы разработки прикладных решений на базе таких моделей.

Целью работы является разработка и развитие универсальных методов и технологий интеллектуальной поддержки и автоматизации процессов построения, исследования и применения КМ СС с использованием высокопроизводительных программно-аппаратных систем, применимых для автоматического решения сложных задач компьютерного моделирования в различных предметных областях с использованием интеллектуальных технологий для реализации операций над структурой и параметрами моделей.

Достижение поставленной цели предполагает решение следующих задач:

- Разработка концепций и подходов к описанию КМ и операций над ними, обеспечивающих возможность автоматизации операций над такими моделями в условиях сложности структуры моделируемой системы и самой модели.

- Разработка комплекса методов на базе интеллектуальных технологий и формализованных знаний (включая машинное обучение, интеллектуальный анализ данных/процессов/текста, логический вывод и пр.) для поддержки и автоматизации выполнения операций над КМ: построения (композиции), идентификации, калибровки, усвоения данных, оптимизации.

- Разработка комплекса методов для повышения качества реализуемых КМ в терминах их эксплуатационных характеристик (точности моделирования, времени вычислений) в задаче проведения численного эксперимента в предметной постановке при наличии ограничений по этим характеристикам и в рамках доступных программно-аппаратных решений.

- Разработка комплекса методов и технологий для трансляции реализованных КМ в композитные приложения (КП) с поддержкой их интерпретации и выполнения,

предназначенные для решения прикладных решений в различных постановках (включая оптимизацию, поисковые исследования, поддержку принятия решений и пр.) с использованием предметно-ориентированных языков, специализированных пользовательских интерфейсов и пр.

- Реализация серии прикладных решений на базе разработанных методов и технологий в различных предметных областях: гидрометеорология, здравоохранения, нонотехнологии, задачи многоагентного моделирования.

Методы исследования включают аппарат математического моделирования, теории систем, методы теории вероятностей и статистики, формальной логики, машинного обучения, интеллектуального анализа данных, элементы анализа алгоритмов и программ, методов оптимизации, имитационного моделирования, теории массового обслуживания, принципы и технологии параллельных и распределенных вычислений. Научная новизна работы состоит в том, что:

- Впервые сформулирована и обоснована концепция построения композитных КМ с системной декомпозицией и возможностью автоматизации процессов идентификации, настройки и применения комплексных решений с использованием интеллектуальных механизмов, включая эволюционные вычисления, машинное обучение, интеллектуальный анализ данных и пр.

- В рамках сформулированной концепции предложены подходы и методы для идентификации, настройки КМ, трансляции ее в КП, применения КП для решения прикладных задач в рамках различных сценариев (оптимизация, исследовательское моделирование, поддержка принятия решений и пр.) с учетом ограничений и критериев оптимальности по эксплуатационным характеристикам (точности, производительности).

- Разработана серия методов и алгоритмов, в рамках разработанной концепции позволяющая решать задачи идентификации, настройки и применения КМ в автоматическом или автоматизированном режиме т.ч. в условиях изменчивости исследуемой системы, влияющей на эксплуатационные и функциональные характеристики моделей, качество и значимость доступных данных и пр. Практическую ценность работы составляют:

- Разработанные методы и подходы, реализованные в составе нового технологического решения, позволяющего автоматизировать постановку численного эксперимента с использованием системы формализованных знаний, описывающих эксплуатационные и функциональные характеристики элементов КМ и КП с точки зрения предметных и технических областей.

- Разработанные базы знаний, включающие в себя информацию о систематизации и интерпретации предметных и технических знаний об эксплуатационных и функциональных характеристиках элементов КМ, а также базовые модели производительности.

- Разработанные с использованием предложенных концепций, подходов, методов, алгоритмов и технологий инструментальные и прикладные решения, обладающие самостоятельной значимостью в рамках соответствующих предметных областей:

o Стек описательных технологий в форме предметно-ориентированных языков и баз знаний для описания, интерпретации и применения КМ и КП в составе платформы облачных вычислений CLAVIRE; o Инструментальная среда интеллектуального инструктора по разработке композитных приложений для моделирования СС «CLAVIRE/iKnowledgeTree» в составе платформы облачных вычислений CLAVIRE; o Динамический предметно-ориентированный язык EasyDSL в составе платформы облачных вычислений CLAVIRE расширяющий возможности описания КП за счет элементов распределенной обработки данных; o Блок ансамблевого прогнозирования в составе Системы прогноза уровня воды

(СПУВ) Комплекса защитных сооружения (КЗС) г. Санкт-Петербурга; o Блок ассимиляции данных в составе СПУВ КЗС г. Санкт-Петербурга; o База знаний для построения КП для моделирования комплексом моделей в составе программного комплекса HPC-NASIS для моделирования наноразмерных структур, материалов, процессов и устройств на их основе; o Набор прикладных решений для предсказательного моделирования клинических

путей и построения гибридных моделей на их основе; o Прототип системы поддержки принятия решений (СППР) для маршрутизации и

диспетчеризации автомобилей скорой помощи. Изложенные в диссертации результаты активно обсуждались более чем на 50 российских и международных конференциях и семинарах, включая International Conference on Computational Science - ICCS (2012, Омаха; 2013, Барселона; 2014, Кэрнс; 2015, Рейкьявик;

2016, Сан-Хосе; 2017, Цюрих; 2018, Уси), Conference on Complex Systems - CCS (2015, Темпе;

2017, Канкун; 2018, Салоники), Genetic and Evolutionary Computation Conference - GECCO (2018, Киото), International CODATA Conference (2017, Санкт-Петербург), 2nd International Conference «Digital Transformation & Global Society» - DTGS (2017, Санкт-Петербург), Конференция «Декабрьские чтения» (2017, Новосибирск), International Conference on Intelligent Systems and Knowledge Engineering - ISKE (2011, Шанхай; 2013, Шэньчжэнь),

Conference on Knowledge Engineering and Semantic Web - KESW (2013, 2014, Санкт-Петербург), IEEE 8th International Conference on E-Science (2012, Чикаго), 9th International Conference on Soft Computing Models in Industrial and Environmental Applications - SOCO (2014, Бильбао), 9th Workshop on Workflows in Support of Large-Scale Science - WORKS (2014, Новый Орлеан), 15th International Multidisciplinary Scientific GeoConference - SGEM (2015, Албена), International Conference on Health and Social Care Information Systems and Technologies - HCist (2016, Порто; 2017, Барселона), Международную конференцию "Высокопроизводительные параллельные вычисления на кластерных системах" (2009, Владимир; 2010, 2014, Пермь; 2011, 2012, Нижний Новгород), Международную научную конференцию «Параллельные вычислительные технологии» - ПаВТ (2009, Нижний Новгород), 4-ю Международную конференцию «Распределенные вычисления и Grid-технологии в науке и образовании» (2010, Дубна), Всероссийскую конференцию «Проведение научных исследований в области информационно-телекоммуникационных технологий» (2010, Москва), Всероссийскую конференцию «Инфокоммуникационные технологии в научных исследованиях» (2012, Таруса) и др.

На защиту выносятся следующие положения:

1. Концепция и подход к описанию структуры моделей на основе декомпозиции по логическим (система, данные, модель) и концептуальным (функциональные, структурные, количественные характеристики) уровням, позволяющие унифицировать методы работы со сложными моделями и обеспечить возможность их автоматизации.

2. Гибридный метод идентификации структуры моделей на основе совмещения интеллектуальных методов анализа данных и процессов, эволюционных методов и моделирования, позволяющий организовать унифицированный и адаптируемый процесс идентификации и настройки композитной модели.

3. Гибридные эволюционные и ансамблевые методы усвоения данных наблюдений в композитные модели, позволяющие унифицировать работу с данными и расширить область применения методов усвоения данных на дискретные системы и комплексные многокомпонентные процессы

4. Метод построения и применения предсказательных модели на данных, построенных на основе базы прецедентов применения элементов композитной модели, позволяющий проводить априорную оценку эксплуатационных характеристик модели

5. Стек интеллектуальных описательных технологий на основе знаний предметной области, знаний компьютерного моделирования и знаний в области информационных технологий, позволяющий автоматизировать построение и настройку гибридных композитных приложений для моделирования СС в прикладных задачах

исследовательского моделирования и поддержки принятия решений 6. Набор принципиально новых композитных решений, построенных на основании разработанных методов и технологий для решения задач моделирования в различных предметных областях: нанотехнологии, гидрометеорология, многоагентное моделирование, здравоохранение.

Личный вклад автора в работах, выполненных в соавторстве, заключается в постановке задачи разработки и применения КМ, проектировании и реализации методов идентификации, калибровки и применения КМ, интерпретации результатов и в формулировке общих закономерностей в рамках предложенных концепций и подходов. В частности, в рамках работы в соавторстве выполнена разработка концепции и технологии VSO (совместно с П.А. Смирновым), технологии IWF (совместно с К.В. Князьковым), технологические решения, расширяющие платформу облачных вычислений CLAVIRE (совместно с Т.Н. Чуровым, С.В. Марьиным, А.В. Ларченко, Д.А. Насоновым, А.В. Дунаевым), в которых соавторами были разработаны, верифицированы и апробированы указанные технологии. Также совместно с С.С. Косухиным, К.В. Князьковым, А.В. Якушевым, В.В. Кашириным были разработаны прикладные решения для моделирования в различных предметных областях (в каждом из случаев соавторами были реализованы, верифицированы и исследованы методы, модели и технологии для решения рассматриваемой задачи, в рамках предложенных Соискателем подходов, методов и алгоритмов, постановки задачи и на базе разработанных Соискателем базовых технологий). Ряд экспериментальных исследований в рамках разработанных приложений выполнен совместно со студентами А.А. Функнер, М.В. Гужой, А.В. Киселевым, А.В. Крикуновым, А.В. Захарчуком, Ц. Ляо, А.М. Чиркиным, Ф.В. Подтелкиным, выполнявшими свои ВКР под руководством Соискателя. Из работ, выполненных в соавторстве, в диссертацию включены результаты, которые соответствуют личному участию автора.

Диссертация состоит из введения, семи глав, заключения и списка литературы (216 наименования). Содержит 270 с. текста, включая 134 рис. и 11 табл.

Глава 1. Аналитический обзор предметной области моделирования сложных систем

1.1 Технологии моделирования сложных систем

Многим системам реального мира присуща сложность (complexity), проявляющаяся в наличии между их элементами (индивидуумами или социальными группами) множественных связей с нетривиальной топологией. Поскольку сложные системы (СС), как правило, многомасштабны, обладают неоднородностью и выраженным нестационарным поведением, а также содержат внутренние механизмы самоорганизации и самомодерации, динамические процессы в них, как правило, имеют яркую нелинейную природу [Boccara, 2010; Sayama, 2015]. Отдельным классом СС являются глобальные системы, которые изучаются в рамках направления Global System Science (GSS) [Global Systems Science, 2017]. К ним можно отнести, в частности, энергетические, транспортные, финансовые системы уровня крупных мегаполисов, регионального, федерального и даже мирового масштаба. Основное отличие глобальных систем от сложных систем состоит в том, что глобальные системы состоят из нескольких СС, компоненты которых также могут быть связаны друг с другом произвольным образом (т.е. проявляется иерархическая сложность). Потому проблема исследования и управления процессами в глобальных системах является весьма сложной, и требует учета особенностей всех входящих в них СС. Как следствие, это порождает необходимость создания систем, априори отражающих специфику работы с такими объектами.

СС допустимо рассматривать покомпонентно; поведение каждого компонента детализируется в соответствующем ему диапазоне изменчивости. Потому в простейшем случае ПО для моделирования СС представляет собой программную систему, интегрирующую в себе несколько приложений, взаимодействующих между собой посредством потоков входных и выходных данных. При этом сами приложения могут быть разработаны различными авторами, основываться на различных информационных технологиях и предназначаться для моделирования только одного компонента системы под влиянием внешних возмущений. Мы будем называть такие программные системы композитными [Граничин, Кияев, 2008; Сипл, 2006], ориентируясь при этом в первую очередь на реализацию с использованием сервисно-ориентированного подхода [Lublinsky, 2007].

Возрастающий интерес к композитным приложениям обусловлен не только простотой подхода, но и наличием соответствующей «элементной базы» - достаточно надежных программных продуктов, предназначенных для решения задач компьютерного моделирования различных явлений и процессов. Практически во всех областях знания уже сформировались общепризнанные (эталонные) программные продукты, которые являются результатом

интеграции знаний и навыков многих специалистов, работающих в данной области. Обычно такие продукты создаются на основе одного или нескольких успешных прототипов, с последующим экстенсивным развитием и доработкой отдельных функциональных модулей. Они отличаются, прежде всего, наличием развитого сообщества пользователей, что порождает обилие публикаций, содержащих описание опыта применения таких пакетов. Наличие такой обратной связи обеспечивает возможность их дальнейшей эволюции как независимых приложений с высокой (и отчасти - гарантированной) надежностью получаемых результатов.

Проблема сопоставления существующих программных продуктов на уровне задач еще более усугубляется, когда они рассматриваются как компоненты соответствующего композитного приложения, связанные потоками входных и выходных данных. Характерными примерами задач, порождающих такие приложения, являются моделирование волнения, течений и уровня моря на основе результатов моделирования динамики атмосферы [Бухановский и др., 2008], или расчет свойств материалов, с использованием первопринципных квантово-химических расчетов их атомно-молекулярной структуры [Васильев и др., 2008].

Сложность построения композитных приложений состоит не столько в обеспечении единых форматов данных, сколько в том, что обычно для описания взаимодействия моделей, заложенных в составе компонентов, используются специфические замыкающие соотношения, содержащие (полу)эмпирические параметры, которые могут быть определены различными способами, в том числе - из экспериментов, справочной литературы или расчетов в различных постановках. При этом невозможно априори сформулировать адекватный способ выбора, каким образом выходные данные одного компонента могут быть использованы как входные данные для другого. В качестве примера такой задачи в работе [Бухановский, Лопатухин, Иванов, 2005] рассмотрена проблема использования результатов расчета полей ветра (реанализ NCEP/NCAR) для моделирования полей морского волнения по спектральной модели SWAN на акватории Каспийского моря. Показано, что в силу региональной специфики, обе модели не могут считаться совместимыми; для их стыковки необходимо введение дополнительной вычислительной процедуры калибровки и усвоения в поле ветра данных попутных судовых наблюдений. Как следствие, создание композитных приложений практически всегда связано с необходимостью разработки специальных компонентов сопряжения, осуществляющих пересчет, реорганизацию и форматирование данных для бесшовного взаимодействия предметно-ориентированных моделей. Эта задача является не столько технологической, сколько содержательной, поскольку метод пересчета должен быть согласован с математическими моделями, реализованными как в пакете-«доноре», так и в пакете-«реципиенте».

Задача интеграции расчетных компонентов в составе композитного приложения имеет и технологические сложности. Это связано с тем, что существующее программное обеспечение компьютерного моделирования в различных предметных областях выполнено коллективами разработчиков разной квалификации, с использованием различных технологий программирования; оно рассчитано на работу под различными операционными системами, имеет различные формы организации ввода-вывода (не говоря о форматах входных и управляющих данных). Совмещение такого программного обеспечения в рамках единого комплекса на основе традиционного компонентного подхода не представляется разумным в силу чрезвычайной разнородности его внутренней архитектуры. При этом следует принимать во внимание, что жизненный цикл программных продуктов компьютерного моделирования может составлять несколько десятков лет, что существенно превышает жизненный цикл информационных технологий, изначально используемых для их разработки. Как следствие, большинство таких продуктов с точки зрения информационных технологий можно назвать морально устаревшими, однако их перевод на современные платформы является столь ресурсоемким (а структура пакета - непрозрачной), что единственный практический способ их использования обеспечивают программные архитектуры с изоляцией на уровне приложений (например, сервисно-ориентированная архитектура).

Одним из важных направлений моделирования СС в целом и, разработки композитных решений для таких задач в частности является возможность скоординированного управления системой моделей в обновляющемся контексте (например, при поступлении новых данных наблюдений). Как следствие, важным аспектом, применимым в условиях наличия альтернативных решений является ансамблевое моделирование. На сегодняшний день ансамблевые методы находят применение в различных областях. При этом само понятие ансамбля может трактоваться по-разному в зависимости от способа создания ансамбля, методов управления неопределенностью, применяемых управляющих процедур и способов агрегации элементов ансамбля. Тем не менее, можно выделить несколько типовых категорий ансамблевых методов.

Одним из наиболее распространенных подходов в задачах компьютерного моделирования является применение многомодельного (multi-model) ансамбля, включающего в себя различные реализации моделей (часто, основанных на разных принципах) для решения одной задачи. Так, в работе [Fatih Tasgetiren, Suganthan, Pan, 2010] рассматривается ансамбль различных алгоритмов для реализации дискретной дифференциальной эволюции (Discrete Differential Evolution, DDE), рассматривая в качестве тестового приложения обобщенную задачу коммивояжёра (Generalized Traveling Salesman Problem, GTSP). В работе [Mozaffari, Azimi, Gorji-Bandpy, 2014] рассматривается ансамбль

алгоритмов «умных пчел» (smart bee) для оптимизации крупномасштабных энергетических систем. Статья [Mallipeddi, Suganthan, 2010] описывает обобщенный подходя для работы с ансамблем алгоритмов оптимизации с ограничениями (constraint optimization), использующих различные варианты учета ограничений. В ряде работ авторы используют ансамбли предсказательных моделей, построенных с использованием искусственных нейронных сетей различной архитектуры (см., например, решения для предсказание погоды [Maqsood, Khan, Abraham, 2004], оптимизации гидрологических моделей [Kan и др., 2015]). Многомодельные ансамбли часто используются в задачах гидрометеорологии и исследования климата, часто с применением готовых сторонних моделей [Krishnamurti и др., 2000; McManus, Hastings, 2006; Wang и др., 2016]. Более того, во многих случаях могут быть использованы ансамбли внешних источников данных (результатов моделирования, наблюдений, реанализа и пр.), которые тоже могут рассматриваться в контексте многомодельных решений (даже при использовании одной реализации алгоритма/модели). Так, в работе [Hartanto и др., 2014] авторы используют различные источники данных (данные радаров, метеорологических станций, спутников и пр.) для моделирования осадков в задачах гидрологического моделирования для региона Rijnland (Нидерланды).

Ансамблевые методы машинного обучения (ensemble learning) могут рассматриваться как специализированный вариант многомодельных ансамблей. Существует множество методов машинного обучения, ориентированные на работу с ансамблями соответствующих моделей (например, bagging, boosting и пр.), которые применяются в случаях, когда отдельная модель по какой-то причине демонстрирует неудовлетворительную производительность. Методы ансамблевого обучения применяются как к задачам классификации [Polikar, 2006; Wan, 2008], так и к задачам регрессии [Budgaga и др., 2016; Mendes-Moreira и др., 2012]. При этом процедура агрегации может выполнять как выбор одного из решений, так и комбинацию решений, что может трактоваться как, соответственно, классификация и регрессия на уровне ансамбля.

Другой подход к работе с ансамблями состоит в вариации параметров моделей для формирования ансамбля. Одним из вариантов является реализация в рамках такого подхода стохастических параметров. Например, в работе [Eliseev, Mokhov, Chernokulsky, 2014] используют подобный подход для построения глобальных прогнозов эмиссии CO2 в рамках исследования климата. Авторы работы [Balean и др., 2010] исследуют используют стохастические ансамбли для анализа глобального распространения инфекций с учетом социо-демографической ситуации и мобильности населения. Стохастическая динамическая параметризация может быть рассмотрена ка инструмент анализа физических явлений на под-сеточном масштабе [Palmer, Williams, 2008]. Создание стохастического ансамбля может

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Ковальчук, Сергей Валерьевич, 2018 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Алексеева И.Ю. Человеческое знание и его компьютерный образ. М.: Наука, 1992. 150 с.

Барсегян А.А. и др. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. СПб.: БХВ-Петербург, 2007. Вып. 2. 384 с.

Бухановский А.В. и др. Моделирование экстремальных явлений в атмосфере и океане как задача высокопроизводительных вычислений // Вычислительные методы и программирование. 2008. Т. 9. С. 141-153.

Бухановский А.В. и др. Ядро высокопроизводительного программного комплекса для квантово-механических расчетов и моделирования наноразмерных атомно-молекулярных систем и комплексов «HPC-NASIS» // 2010.

Бухановский А.В. и др. CLAVIRE: перспективная технология облачных вычислений второго поколения // Известия высших учебных заведений. Приборостроение. 2011. Т. 54. № 10. С. 7-13.

Бухановский А.В., Ковальчук С.В., Марьин С.В. Интеллектуальные высокопроизводительные программные комплексы моделирования сложных систем: концепция, архитектура и примеры реализации // Известия высших учебных заведений. Приборостроение. 2009. № 10. С. 5-24.

Бухановский А.В., Лопатухин Л.И., Иванов С.В. Подходы, опыт и некоторые результаты исследований волнового климата океанов и морей // Вестник СПбГУ. 2005. Т. 7. № 3. С. 62-74.

Васильев В.Н. и др. Высокопроизводительный программный комплекс моделирования атомно-молекулярных наноразмерных систем // Научно-технический вестник СПбГУ ИТМО. 2008. № 54. С. 3-12.

Граничин О.Н., Кияев В.И. Информационные технологии в управлении. М.: INTUIT, 2008. 249 с.

Клеванный К.А. Cardinal. Руководство пользователя. , 2009. 148 с.

Клир Д. Системология. Автоматизация решения системных задач. М.: Радио и связь, 1990. 534 с.

Ковальчук С.В. Высокопроизводительный программный комплекс моделирования экстремальных гидрометеорологических явлений // 2008.

Ковальчук С.В., Иванов С.В., Бухановский А.В. Высокопроизводительный программный комплекс моделирования экстремальных гидрометеорологических явлений. Часть II: Разработка и оценка программной архитектуры // Научно-технический вестник СПбГУ ИТМО. 2008. № 54. С. 64-71.

Куржанский А.Б. Управление и наблюдение в условиях неопределенности. М.: Наука, 1977. 392 с.

Нечаев Ю.И. Искусственный интеллект: концепции и приложения. СПб.: ГМТУ, 2002.

Пирс Ч.С. Избранные философские произведения. М.: Логос, 2000. 412 с.

Саттон Р.С., Барто Э.Г. Обучение с подкреплением. М.: Бином. Лаборатория знаний, 2017. 400 с.

Сипл Р. Десять правил создания композитных приложений // PC Week/RE. 2006. Т. 556. № 46.

Шепелев В. Ахиллесова пята Семантического Веба [Electronic resource] // Компьютерра. 2008. URL: http://old.computerra.ru/magazine/362912/.

Aalst W. van der. Process Mining. Berlin, Heidelberg: Springer Berlin Heidelberg, 2016. Вып. 2. 467 с.

Agarwal V. и др. Understanding approaches for web service composition and execution // Proceedings of the 1st Bangalore annual Compute conference on - Compute '08. New York, New York, USA: ACM Press, 2008. С. 1.

AghaKouchak A., Nakhjiri N., Habib E. An educational model for ensemble streamflow simulation and uncertainty analysis // Hydrol. Earth Syst. Sci. 2013. Т. 17. № 2. С. 445-452.

Ahmed N.K. и др. An Empirical Comparison of Machine Learning Models for Time Series Forecasting // Econom. Rev. 2010. Т. 29. № 5-6. С. 594-621.

Allen G. и др. Designing a Dynamic Data Driven Application System for Coastal and Environmental Modeling // Grid-Based Problem Solving Environments. Boston, MA: Springer US, 2006. С. 275-293.

Allen G. и др. Cyberinfrastructure for Coastal Hazard Prediction // CTWatch Q. 2008. Т. 4. № 1. С. 17-26.

Altintas I. и др. A Data Model for Analyzing User Collaborations in Workflow-Driven eScience // Int. J. Comput. Their Appl. 2011. Т. 18. № 3. С. 160-180.

Anderson J. и др. The Data Assimilation Research Testbed: A Community Facility // Bull. Am. Meteorol. Soc. 2009. Т. 90. № 9. С. 1283-1296.

Assunfäo M.D. h gp. Big Data computing and clouds: Trends and future directions // J. Parallel Distrib. Comput. 2015. T. 79-80. C. 3-15.

Bainey K.R., Armstrong P.W. Transatlantic comparison of ST-segment elevation myocardial infarction guidelines: insights from the United States and Europe // J. Am. Coll. Cardiol. 2016. T. 67. № 2. C. 216-229.

Bajcsy P. h gp. A Meta-Workflow Cyber-infrastructure System Designed for Environmental Observatories. , 2005. 30 c.

Balcan D. h gp. Modeling the spatial spread of infectious diseases: The GLobal Epidemic and Mobility computational model // J. Comput. Sci. 2010. T. 1. № 3. C. 132-145.

Belloum A. h gp. Collaborative e-Science Experiments and Scientific Workflows // IEEE Internet Comput. 2011. T. 15. № 4. C. 3947.

Belloum A.S.Z. h gp. VLAM-G: a grid-based virtual laboratory // Futur. Gener. Comput. Syst. 2003. T. 19. № 2. C. 209-217.

Berg J. van den h gp. Reciprocal n-Body Collision Avoidance // Robotics Research. Springer Tracts in Advanced Robotics. , 2011. C. 3-19.

Berners-Lee T., Hendler J., Lassila O. The Semantic Web // Sci. Am. Mag. 2008. T. 284. № 5. C. 29-37.

Bianchini G. h gp. Wildland fire growth prediction method based on Multiple Overlapping Solution // J. Comput. Sci. 2010. T. 1. № 4. C. 229-237.

BioMoby [Electronic resource]. URL: http://biomoby.org/.

Bisset K. Urgent computing for Interaction based socio-technical simulations // Urgent Computing Workshop. , 2007.

Bleser L. De h gp. Defining pathways // J. Nurs. Manag. 2006. T. 14. № 7. C. 553-563.

Boccara N. Modeling Complex Systems. New York: Springer New York, 2010.

Boomsma W., Ferkinghoff-Borg J., Lindorff-Larsen K. Combining Experiments and Simulations Using the Maximum Entropy Principle // PLoS Comput. Biol. 2014. T. 10. № 2. C. e1003406.

Bouttier F., Courtier P. Data assimilation concepts and methods // Meteorol. Train. course Lect. Ser. ECMWF. 2002. C. 58.

Boyd S. Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers // Found. Trends® Mach. Learn. 2010. T. 3. № 1. C. 1-122.

Brown G. h gp. Diversity creation methods: a survey and categorisation // Inf. Fusion. 2005. T. 6. № 1. C. 5-20.

Brown G.C. Value-based medicine: the new paradigm. // Curr. Opin. Ophthalmol. 2005. T. 16. № 3. C. 139-40.

Buchan I., Winn J., Bishop C. A Unified Modeling Approach to Data-Intensive Healthcare // The Fourth Paradigm. Data-Intensive Scientific Discovery. , 2009. C. 91-97.

Budgaga W. h gp. Predictive analytics using statistical, learning, and ensemble methods to support real-time exploration of discrete event simulations // Futur. Gener. Comput. Syst. 2016. T. 56. C. 360-374.

Buyya R., Giddy J., Abramson D. An Evaluation of Economy-based Resource Trading and Scheduling on Computational Power Grids for Parameter Sweep Applications // Active Middleware Services. , 2000. C. 221-230.

Care Pathways [Electronic resource]. URL: http://e-p-a.org/care-pathways/.

Carton J.A., Giese B.S. A Reanalysis of Ocean Climate Using Simple Ocean Data Assimilation (SODA) // Mon. Weather Rev. 2008. T. 136. № 8. C. 2999-3017.

Caya A., Sun J., Snyder C. A Comparison between the 4DVAR and the Ensemble Kalman Filter Techniques for Radar Data Assimilation // Mon. Weather Rev. 2005. T. 133. № 11. C. 3081-3094.

Chang F. h gp. Bigtable // ACM Trans. Comput. Syst. 2008. T. 26. № 2. C. 1-26.

Chen Y. Ensemble Kalman filter for data assimilation // Comput. Geosci. 2013. T. 55. № 0. C. 1-2.

Chinthaka E. h gp. CBR Based Workflow Composition Assistant // 2009 Congress on Services - I. : IEEE, 2009. C. 352-355.

Cho K.C., Noh C.H., Lee J.S. Ontology-Based Intelligent Agent for Grid Resource Management // Computational Collective Intelligence. Semantic Web, Social Networks and Multiagent Systems. ICCCI 2009. , 2009. C. 553-564.

Cochran J.K., Horng S.-M., Fowler J.W. A multi-population genetic algorithm to solve multi-objective scheduling problems for parallel machines // Comput. Oper. Res. 2003. T. 30. № 7. C. 1087-1102.

CrystalEye [Electronic resource]. URL: http://www-pmr.ch.cam.ac.uk/wiki/CMLCrystBase.

DAGMan: A Directed Acyclic Graph Manager [Electronic resource]. URL: http://research.cs.wisc.edu/htcondor/dagman/dagman.html.

Darema F. Dynamic Data Driven Applications Systems: A New Paradigm for Application Simulations and Measurements // Lect.

Notes Comput. Sci. 2004. T. 3038. C. 662-669. Darema F. Introduction to the ICCS2006 Workshop on Dynamic Data Driven Applications Systems // Computational Science -

ICCS 2006. , 2006. C. 375-383. Darema F. Drivers of URGENT-Computing Environments - Dynamic Data Driven Application Systems (DDDAS) // Urgent

Computing Workshop. , 2007. Davulcu H. h gp. Default a-Logic for Modeling Customizable Failure Semantics in Workflow Systems Using Dynamic

Reconfiguration Constraints // Proc. Int'l Conf. on Grid and Distributed Computing (GDC). , 2009. C. 49-56. Deelman E. h gp. Pegasus: A Framework for Mapping Complex Scientific Workflows onto Distributed Systems // Sci. Program.

2005. T. 13. № 3. C. 219-237.

DEELMAN E. h gp. HOSTED SCIENCE: MANAGING COMPUTATIONAL WORKFLOWS IN THE CLOUD // Parallel Process.

Lett. 2013. T. 23. № 02. C. 1340004. Delaney J.R., Barga R.S. A 2020 Vision for Ocean Science // The Fourth Paradigm. Data-Intensive Scientific Discovery. , 2009. C. 27-38.

Delft G. van, Serafy G.Y. El, Heemink A.W. The ensemble particle filter (EnPF) in rainfall-runoff models // Stoch. Environ. Res.

Risk Assess. 2009. T. 23. № 8. C. 1203-1211. Deursen A. van, Klint P., Visser J. Domain-specific languages // ACM SIGPLAN Not. 2000. T. 35. № 6. C. 26-36. Ditzler G., Rosen G., Polikar R. Transductive learning algorithms for nonstationary environments // The 2012 International Joint

Conference on Neural Networks (IJCNN). : IEEE, 2012. C. 1-8. Djanatliev A., German R. Prospective healthcare decision-making by combined system dynamics, discrete-event and agent-based

simulation // 2013 Winter Simulations Conference (WSC). : IEEE, 2013. C. 270-281. Dumedah G. Formulation of the Evolutionary-Based Data Assimilation, and its Implementation in Hydrological Forecasting // Water

Resour. Manag. 2012. T. 26. № 13. C. 3853-3870. Dumedah G., Coulibaly P. Evaluating forecasting performance for data assimilation methods: The ensemble Kalman filter, the

particle filter, and the evolutionary-based assimilation // Adv. Water Resour. 2013. T. 60. C. 47-63. Efstratiadis A., Koutsoyiannis D. One decade of multi-objective calibration approaches in hydrological modelling: a review //

Hydrol. Sci. J. 2010. T. 55. № 1. C. 58-78. Eliseev A. V., Mokhov I.I., Chernokulsky A. V. An ensemble approach to simulate CO2 emissions from natural fires //

Biogeosciences. 2014. T. 11. № 12. C. 3205-3223. Fatih Tasgetiren M., Suganthan P.N., Pan Q.-K. An ensemble of discrete differential evolution algorithms for solving the generalized

traveling salesman problem // Appl. Math. Comput. 2010. T. 215. № 9. C. 3356-3368. Fei X., Lu S. A Dataflow-Based Scientific Workflow Composition Framework // IEEE Trans. Serv. Comput. 2012. T. 5. № 1. C. 4558.

Fielding R.T. Architectural Styles and the Design of Network-based Software Architectures // 2000.

Flahive A. h gp. A Distributed Ontology Framework for the Grid // Lect. Notes Comput. Sci. 2004. T. 3320. C. 68-71.

Fogel D.B. Phenotypes, genotypes, and operators in evolutionary computation // Proceedings of 1995 IEEE International Conference

on Evolutionary Computation. : IEEE, 1995. C. 193. Foster I. Globus Toolkit Version 4: Software for Service-Oriented Systems // Network and Parallel Computing. NPC 2005. , 2005. C. 2-13.

Foster I. h gp. Cloud Computing and Grid Computing 360-Degree Compared // 2008 Grid Computing Environments Workshop. : IEEE, 2008. C. 1-10.

Foster I., Kesselman C. Scaling System-Level Science: Scientific Exploration and IT Implications // Computer (Long. Beach. Calif).

2006. T. 39. № 11. C. 31-39.

Fox P., Hendler J. Semantic eScience: Encoding Meaning in Next-Generation Digitally Enhanced Science // The Fourth Paradigm.

Data-Intensive Scientific Discovery. , 2009. C. 147-152. Gates A.J., Rocha L.M. Control of complex networks requires both structure and dynamics // Sci. Rep. 2016. T. 6. № April. C. 24456.

Ghemawat S., Gobioff H., Leung S.-T. The Google file system // Symposium on Operating Systems Principles. , 2003. C. 29-43. Ghil M., Malanotte-Rizzoli P. Data Assimilation in Meteorology and Oceanography // Advances in Geophysics. , 1991. C. 141-266. Giarratano J.C., Riley G. Expert Systems: Principles and Programming. Boston, MA, USA: PWS Publishing Co., 1994. Btm. 2. 644 c.

Gil Y. h gp. Examining the Challenges of Scientific Workflows // Computer (Long. Beach. Calif). 2007. T. 40. № 12. C. 24-32. Gil Y. From Data to Knowledge to Discoveries: Artificial Intelligence and Scientific Workflows // Sci. Program. 2009. T. 17. № 3. C. 231-246.

Gil Y. h gp. Wings: Intelligent Workflow-Based Design of Computational Experiments // IEEE Intell. Syst. 2011. T. 26. № 1. C. 6272.

Global Systems Science [Electronic resource]. 2017. URL: https://ec.europa.eu/digital-single-market/en/global-systems-science. Goodman A.A., Wong C.G. Bringing the Night Sky Closer: Discoveries in the Data Deluge // The Fourth Paradigm. Data-Intensive

Scientific Discovery. , 2009. C. 39-44. Grell G.A., Dévényi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques

// Geophys. Res. Lett. 2002. T. 29. № 14. C. 38-1-38-4. Grieves M., Vickers J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems // Transdisciplinary Perspectives on Complex Systems. Cham: Springer International Publishing, 2017. C. 85-113. GTSI Cloud Computing Maturity Model [Electronic resource]. URL: http://www.gtsi.com/cms/documents/White-Papers/Cloud-Computing.pdf.

Gubala T. h gp. Semantic-Based Grid Workflow Composition // Parallel Processing and Applied Mathematics. PPAM 2005. , 2006. C. 651-658.

Gupta H. V. h gp. Towards a comprehensive assessment of model structural adequacy // Water Resour. Res. 2012. T. 48. № 8. C. 16. Hartanto I.M. h gp. Ensemble Simulation From Multiple Data Sources In A Spatially Distributed Hydrological Model Of The

Rijnland Water System In The Netherlands // 11th International Conference on Hydroinformatics. , 2014. C. 1189-1194. HBase [Electronic resource]. URL: http://hadoop.apache.org/hbase/.

Helbing D., Molnár P. Social force model for pedestrian dynamics // Phys. Rev. E. 1995. T. 51. № 5. C. 4282-4286. Hooda N., Dhingra A.K. Flow shop scheduling using simulated annealing: a review // Int. J. Appl. Eng. Res. 2011. T. 2. № 1. C. 234-249.

Huang C., Trappey A.J.C., Yao Y. Developing an agent-based workflow management system for collaborative product design // Ind.

Manag. Data Syst. 2006. T. 106. № 5. C. 680-699. Ide K. h gp. Unified Notation for Data Assimilation: Operational, Sequential and Variational // J. Meteorol. Soc. Japan. 1997. T. 75. № 1B. C. 181-189.

Ihshaish H., Cortés A., Senar M.A. Parallel Multi-level Genetic Ensemble for Numerical Weather Prediction Enhancement //

Procedia Comput. Sci. 2012. T. 9. C. 276-285. Itani M.A. h gp. An automated multiscale ensemble simulation approach for vascular blood flow // J. Comput. Sci. 2015. T. 9. C. 150-155.

Jakob W. h gp. Fast Rescheduling of Multiple Workflows to Constrained Heterogeneous Resources Using Multi-Criteria Memetic

Computing // Algorithms. 2013. T. 6. № 2. C. 245-277. Jeremic N. h gp. Towards Workload-Driven Adaptation of Data Organization in Heterogeneous Storage Systems // Euro-Par 2013:

Parallel Processing Workshops. Euro-Par 2013. , 2014. C. 33-42. Jin Y. Surrogate-assisted evolutionary computation: Recent advances and future challenges // Swarm Evol. Comput. 2011. T. 1. № 2. C. 61-70.

Jiong Xie h gp. Improving MapReduce performance through data placement in heterogeneous Hadoop clusters // 2010 IEEE

International Symposium on Parallel & Distributed Processing, Workshops and Phd Forum (IPDPSW). : IEEE, 2010. C. 1-9. Jülich Supercomputing Centre Pedestrian Dynamics Database [Electronic resource]. URL:

http://www.fzjuelich.de/ias/jsc/EN/Research/ModellingSimulation/CivilSecurityTraffic/PedestrianDynamics/Activities/datab ase/databaseNode.html.

Kalinichenko L.A., Stupnikov S.A., Vovchenko A.E. Mediation Based Semantic Grid // Distributed Computing and Grid-

Technologies in Science and Education: Proceedings of the 4th International Conference. , 2010. C. 309-318. Kan G. h gp. Improving event-based rainfall-runoff simulation using an ensemble artificial neural network based hybrid data-driven

model // Stoch. Environ. Res. Risk Assess. 2015. T. 29. № 5. C. 1345-1370. Karbovskii V. h gp. Multiscale Agent-based Simulation in Large City Areas: Emergency Evacuation use Case // Procedia Comput. Sci. 2015. T. 51. C. 2367-2376.

Kim J., Gil Y., Spraragen M. Principles for interactive acquisition and validation of workflows // J. Exp. Theor. Artif. Intell. 2010. T. 22. № 2. C. 103-134.

Kirci Ozorhan E., Kuban E.K., Cicekli N.K. Automated composition of web services with the abductive event calculus // Inf. Sci.

(Ny). 2010. T. 180. № 19. C. 3589-3613. Kirk B.S. h gp. Urgent Computing in Support of Space Shuttle Orbiter Reentry // CTWatch Q. 2008. T. 4. № 1. C. 27-34. Kleeman R., Tang Y., Moore A.M. The Calculation of Climatically Relevant Singular Vectors in the Presence of Weather Noise as

Applied to the ENSO Problem // J. Atmos. Sci. 2003. T. 60. № 23. C. 2856-2868. Knyazkov K. V. h gp. Interactive Workflow-based Infrastructure for Urgent Computing // Procedia Comput. Sci. 2013. T. 18. C. 2223-2232.

Kovalchuk S. V. h gp. Simulation of patient flow in multiple healthcare units using process and data mining techniques for model

identification // J. Biomed. Inform. 2018. T. 82. C. 128-142. Kovalchuk S. V., Boukhanovsky A. V. Towards Ensemble Simulation of Complex Systems // Procedia Comput. Sci. 2015. T. 51. C. 532-541.

Kovalchuk S. V h gp. Virtual Simulation Objects concept as a framework for system-level simulation // 2012 IEEE 8th International

Conference on E-Science. , 2012. C. 1-8. Krishnamurti T.N. h gp. Multimodel Ensemble Forecasts for Weather and Seasonal Climate // J. Clim. 2000. T. 13. № 23. C. 41964216.

Krzhizhanovskaya V.V. h gp. Distributed Simulation of City Inundation by Coupled Surface and Subsurface Porous Flow for Urban

Flood Decision Support System // Procedia Comput. Sci. 2013. T. 18. C. 1046-1056. Laing A., Evans J.L. Introduction to Tropical Meteorology. Btm. 2nd.

Laloyaux P. h gp. A coupled data assimilation system for climate reanalysis // Q. J. R. Meteorol. Soc. 2016. T. 142. № 694. C. 6578.

Laure E. h gp. Programming the Grid with gLite* // Comput. Methods Sci. Technol. 2006. T. 12. № 1. C. 33-45.

Leutbecher M., Palmer T.N. Ensemble forecasting // J. Comput. Phys. 2008. T. 227. № 7. C. 3515-3539.

Li J. h gp. Reconstructing complex networks with binary-state dynamics // Arxiv - Soc. Inf. Networks. 2015. C. 1-14.

Li X. h gp. An effective GSA based memetic algorithm for permutation flow shop scheduling // IEEE Congress on Evolutionary

Computation. : IEEE, 2010. C. 1-6. Liu P., Lin K., Wei X. A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based

hydrologic forecasts // Stoch. Environ. Res. Risk Assess. 2015. T. 29. № 3. C. 803-813. Liu Y., Gupta H. V. Uncertainty in hydrologic modeling: Toward an integrated data assimilation framework // Water Resour. Res. 2007. T. 43. № 7. C. 18.

Lloyd D.J.B., Santitissadeekorn N., Short M.B. Exploring data assimilation and forecasting issues for an urban crime model // Eur. J.

Appl. Math. 2016. T. 27. № 03. C. 451-478. Lokhov A.Y., Misiakiewicz T. Efficient reconstruction of transmission probabilities in a spreading process from partial observations

// 2015. № Mc. Lublinsky B. Defining SOA as an architectural style. Luke S. Essentials of Metaheuristics. : lulu.com, 2013. Btm. 2. 242 c.

Macal C., North M. Introductory tutorial: agent-based modeling and simulation // Proc. 2014 Winter Simul. Conf. 2014. C. 6-20. Mallipeddi R., Suganthan P.N. Ensemble of Constraint Handling Techniques // IEEE Trans. Evol. Comput. 2010. T. 14. № 4. C. 561-579.

Mandrola J. Doctor Doesn't Always Know Best.

Manos S., Zasada S., Coveney P. V. Life or Death Decision-making: The Medical Case for Large-scale, On-demand Grid Computing

// CTWatch Q. 2008. T. 4. № 1. C. 35-45. Maqsood I., Khan M., Abraham A. An ensemble of neural networks for weather forecasting // Neural Comput. Appl. 2004. T. 13. № 2. C. 112-122.

McManus H., Hastings D. A framework for understanding uncertainty and its mitigation and exploitation in complex systems // IEEE

Eng. Manag. Rev. 2006. T. 34. № 3. C. 81-81. McPhillips T. h gp. Scientific workflow design for mere mortals // Futur. Gener. Comput. Syst. 2009. T. 25. № 5. C. 541-551. Mendes-Moreira J. h gp. Ensemble approaches for regression // ACM Comput. Surv. 2012. T. 45. № 1. C. 1-40. Montzka C. h gp. Multivariate and Multiscale Data Assimilation in Terrestrial Systems: A Review // Sensors. 2012. T. 12. № 12. C. 16291-16333.

Moradkhani H., DeChant C.M., Sorooshian S. Evolution of ensemble data assimilation for uncertainty quantification using the

particle filter-Markov chain Monte Carlo method // Water Resour. Res. 2012. T. 48. № 12. C. 13. Mozaffari A., Azimi M., Gorji-Bandpy M. Ensemble mutable smart bee algorithm and a robust neural identifier for optimal design of

a large scale power system // J. Comput. Sci. 2014. T. 5. № 2. C. 206-223. Murphy J.M. h gp. Quantification of modelling uncertainties in a large ensemble of climate change simulations // Nature. 2004. T.

430. № 7001. C. 768-772. myExperiment [Electronic resource]. URL: http://www.myexperiment.org/. myGrid [Electronic resource]. URL: http://www.mygrid.org.uk/.

Nasonov D. h gp. Hybrid evolutionary workflow scheduling algorithm for dynamic heterogeneous distributed computational

environment // J. Appl. Log. 2017. T. 24. C. 50-61. Nasonov D., Butakov N. Hybrid Scheduling Algorithm in Early Warning Systems // Procedia Comput. Sci. 2014. T. 29. C. 16771687.

Nelson M.L. Data-Driven Science: A New Paradigm? // Educ. Rev. 2009. T. 44. № 4. C. 6-7.

Nerger L., Hiller W., Schröter J. PDAF - the parallel data assimilation framework: experiences with Kalman filtering // Use of High

Performance Computing in Meteorology. , 2005. C. 63-83. NetCDF (network Common Data Form) [Electronic resource]. URL: http://www.unidata.ucar.edu/software/netcdf/. Ocean Observatories Initiative (OOI) - Consortium for Ocean Leadership [Electronic resource]. URL:

http://www.oceanleadership.org/programs-and-partnerships/ocean-observing/ooi/. Okon M. h gp. Virtual Laboratory as a Remote and Interactive Access to the Scientific Instrumentation Embedded in Grid

Environment // 2006 Second IEEE International Conference on e-Science and Grid Computing (e-Science'06). : IEEE, 2006. C. 124-124.

OpenCyc [Electronic resource]. URL: http://opencyc.org/.

OpenSource Site for CML [Electronic resource]. URL: http://cml.sourceforge.net/.

oreChem Project [Electronic resource]. URL: http://research.microsoft.com/en-us/projects/orechem/.

Ouyang Y. Dynamic Data Driven Application System for Watershed Ecosystem.

Pahlevi S.M., Kojima I. Semantic grid resource monitoring and discovery with rule processing based on the time-series statistical

data // 2008 9th IEEE/ACM International Conference on Grid Computing. : IEEE, 2008. C. 358-360. Palmer T.., Williams P.. Introduction. Stochastic physics and climate modelling // Philos. Trans. R. Soc. A Math. Phys. Eng. Sci.

2008. T. 366. № 1875. C. 2419-2425. Pappa G.L. h gp. Contrasting meta-learning and hyper-heuristic research: the role of evolutionary algorithms // Genet. Program.

Evolvable Mach. 2014. T. 15. № 1. C. 3-35. Parastadis S. A Platform for All That We Know: Creating a Knowledge-Driven Research Infrastructure // The Fourth Paradigm.

Data-Intensive Scientific Discovery. , 2009. C. 165-172. Paris C.B. h gp. Connectivity Modeling System: A probabilistic modeling tool for the multi-scale tracking of biotic and abiotic

variability in the ocean // Environ. Model. Softw. 2013. T. 42. C. 47-54. Peer J. Web service composition as AI planning-a survey. , 2005. 63 c.

Polikar R. Ensemble based systems in decision making // IEEE Circuits Syst. Mag. 2006. T. 6. № 3. C. 21-45.

Raftery A.E. h gp. Using Bayesian Model Averaging to Calibrate Forecast Ensembles // Mon. Weather Rev. 2005. T. 133. № 5. C. 1155-1174.

Rahman M. h gp. Adaptive workflow scheduling for dynamic grid and cloud computing environment // Concurr. Comput. Pract.

Exp. 2013. T. 25. № 13. C. 1816-1842. Ravela S. Dynamic data-driven deformable reduced models for coherent fluids // Procedia Comput. Sci. 2015. T. 51. № 1. C. 24642473.

Refsgaard J.C. Validation and Intercomparison of Different Updating Procedures for Real-Time Forecasting // Hydrol. Res. 1997. T. 28. № 2. C. 65-84.

Reichle R.H. Data assimilation methods in the Earth sciences // Adv. Water Resour. 2008. T. 31. № 11. C. 1411-1418. Reijers H. a h gp. Short-Term Simulation: Bridging the Gap between Operational Control and Strategic Decision Making // Proc.

IASTED Int. Conf. Model. Simul. 1999. № April 2002. C. 417-421. Ridler M.E. h gp. Data assimilation framework: Linking an open data assimilation library (OpenDA) to a widely adopted model

interface (OpenMI) // Environ. Model. Softw. 2014. T. 57. C. 76-89. Rodell M. h gp. The Global Land Data Assimilation System // Bull. Am. Meteorol. Soc. 2004. T. 85. № 3. C. 381-394. Rust P.M. Data-driven science - a scientist's view.

Sandu A. h gp. Computational Aspects of Data Assimilation for Aerosol Dynamics // Lect. Notes Comput. Sci. 2004. T. 3038. C. 709-716.

Sayama H. Introduction to the Modeling and Analysis of Complex Systems. New York: Open SUNY Textbooks, 2015. 496 c. Schefzik R., Thorarinsdottir T.L., Gneiting T. Uncertainty Quantification in Complex Simulation Models Using Ensemble Copula

Coupling // Stat. Sci. 2013. T. 28. № 4. C. 616-640. Schiff S.J. Kalman meets neuron: The emerging intersection of control theory with neuroscience // 2009 Annual International

Conference of the IEEE Engineering in Medicine and Biology Society. : IEEE, 2009. C. 3318-3321. Schleidgen S. h gp. What is personalized medicine: sharpening a vague term based on a systematic literature review // BMC Med. Ethics. 2013. T. 14. № 1. C. 55.

Sedigh-Sarvestani M., Schiff S.J., Gluckman B.J. Reconstructing Mammalian Sleep Dynamics with Data Assimilation // PLoS

Comput. Biol. 2012. T. 8. № 11. C. e1002788. Sha D.Y., Lin H.H. A Multi-objective PSO for job-shop scheduling problems // 2009 International Conference on Computers &

Industrial Engineering. : IEEE, 2009. C. 489-494. Shaman J., Karspeck A. Forecasting seasonal outbreaks of influenza // Proc. Natl. Acad. Sci. 2012. T. 109. № 50. C. 20425-20430. Shneiderman B. Science 2.0 // Science (80-. ). 2008. T. 319. № 5868. C. 1349-1350.

Silva L.M. da, Braga R., Campos F. Composer-Science: A semantic service based framework for workflow composition in e-Science

projects // Inf. Sci. (Ny). 2012. T. 186. № 1. C. 186-208. Sobradillo P., Pozo F., Agusti A. P4 medicine: the future around the corner. // Arch. Bronconeumol. 2011. T. 47. № 1. C. 35-40. Sondergaard T., Lermusiaux P.F.J. Data Assimilation with Gaussian Mixture Models Using the Dynamically Orthogonal Field

Equations. Part I: Theory and Scheme // Mon. Weather Rev. 2013. T. 141. № 6. C. 1737-1760. Song B. h gp. A Back Propagation Neural Network for Evaluating Collaborative Performance in Cloud Computing // Grid and

Distributed Computing. GDC 2009. , 2009. C. 57-64. Su H. h gp. Parameter estimation in ensemble based snow data assimilation: A synthetic study // Adv. Water Resour. 2011. T. 34. № 3. C. 407-416.

Tao X., Li N., Li S. Multiple model predictive control for large envelope flight of hypersonic vehicle systems // Inf. Sci. (Ny). 2016. T. 328. C. 115-126.

The ENCODE Project: ENCyclopedia Of DNA Elements [Electronic resource]. URL: http://genome.ucsc.edu/ENCODE/.

The Fourth Paradigm: Data-Intensive Scientific Discovery nog peg. T. Hey, S. Tansley, K. Tolle, Microsoft Research, 2009. 284 c.

The Hadoop Distributed File System: Architecture and Design [Electronic resource]. URL:

http://hadoop.apache.org/core/docs/current/hdfs_design.html. The theory of DFT and HF [Electronic resource]. 2007. URL: http://superbeton.wordpress.com/2007/05/26/the-teory-of-dft-and-hf/. The Suggested Upper Merged Ontology (SUMO) - Ontology Portal [Electronic resource]. URL: http://www.adampease.org/OP/.

Tissot G. h gp. Model reduction using Dynamic Mode Decomposition // Comptes Rendus Mécanique. 2014. T. 342. № 6-7. C. 410416.

Trebon N.D. Enabling Urgent Computing within the Existing Distributed Computing Infrastructure // 2011.

True Knowledge Question Answering Service [Electronic resource]. URL: http://www.trueknowledge.com/.

Urgent Computing: Exploring Supercomputing's New Role // CTWatch Quarterly. 2008. № 1 (4). C. 60.

Vidal A.C.T. h gp. Semantics-based grid resource management // Proceedings of the 5th international workshop on Middleware for grid computing held at the ACM/IFIP/USENIX 8th International Middleware Conference - MGC '07. New York, New York, USA: ACM Press, 2007. C. 1-6.

Walker W. h gp. Defining Uncertainty: A Conceptual Basis for Uncertainty Management in Model-Based Decision Support // Integr. Assess. 2003. T. 4. № 1. C. 5-17.

Wan X. Using bilingual knowledge and ensemble techniques for unsupervised Chinese sentiment analysis // Proceedings of the Conference on Empirical Methods in Natural Language Processing - EMNLP '08. Morristown, NJ, USA: Association for Computational Linguistics, 2008. C. 553.

Wang M., Hu X. Data assimilation in agent based simulation of smart environments using particle filters // Simul. Model. Pract. Theory. 2015. T. 56. C. 36-54.

Wang X. h gp. Spatio-temporal changes of precipitation and temperature over the Pearl River basin based on CMIP5 multi-model ensemble // Stoch. Environ. Res. Risk Assess. 2016. C. 1-13.

Wolfram|Alpha - Computational Knowledge Engine [Electronic resource]. URL: http://www.wolframalpha.com/.

WorldWide Telescope [Electronic resource]. URL: http://www.worldwidetelescope.org/.

Wroe C. h gp. Automating experiments using semantic data in a bioinformatics grid // IEEE Intell. Syst. 2004. T. 19. № 1. C. 48-55.

Xianglan Han h gp. Meta Web Service based Distributed Model Management and Composition Approach // 2010 IEEE International Conference on Intelligent Systems and Knowledge Engineering. : IEEE, 2010. C. 117-122.

Xing W. h gp. Design and development of a core grid ontology // Proc. of the CoreGRID Workshop. Integrated research in Grid Computing. , 2005. C. 21-31.

Yan X. h gp. A dynamic data driven application system for wildfire spread simulation // Proceedings of the 2009 Winter Simulation Conference (WSC). : IEEE, 2009. C. 3121-3128.

Yu J., Buyya R. A Taxonomy of Workflow Management Systems for Grid Computing // J. Grid Comput. 2005. T. 3. № 3-4. C. 171200.

Yu J., Buyya R. Scheduling Scientific Workflow Applications with Deadline and Budget Constraints Using Genetic Algorithms // Sci. Program. 2006. T. 14. № 3-4. C. 217-230.

Yu X. h gp. « One-time» versus staged multivessel intervention in intermediate to very high-risk patients with non-ST-segment elevation acute coronary syndromes // Korean Circ. J. 2016. T. 46. № 6. C. 774.

Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. Zurich: , 2001. 21 c.

Zou Y., Ghanem R. A Multiscale Data Assimilation with the Ensemble Kalman Filter // Multiscale Model. Simul. 2005. T. 3. № 1. C. 131-150.

Zwier M.C. h gp. WESTPA: An Interoperable, Highly Scalable Software Package for Weighted Ensemble Simulation and Analysis // J. Chem. Theory Comput. 2015. T. 11. № 2. C. 800-809.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.