Исследование и реализация систем поддержки истинности для задач диагностики тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Оськин, Павел Владимирович

• Оськин, Павел Владимирович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Оськин, Павел Владимирович

Введение.

1 Диагностика на основе модели устройства.

1.1 Основные понятия и определения.

1.2 Системы диагностирования технического состояния.

1.3 Диагностирование на основе модели устройства.

1.3.1 Базовые условия.

1.3.2 Принцип диагностики на основе модели устройства.

1.3.3 Симптомы неисправностей.

1.3.4 Конфликты.

1.3.5 Кандидаты на неисправность.

1.3.6 Генерация кандидата.

1.3.7 Выбор места снятия показаний с устройства.

1.4 Пример двух подходов к диагностике неисправностей автомобиля.

1.5 Выводы по главе 1.

2 Системы поддержки истинности.

2.1.1 Основные достоинства систем поддержки истинности.

2.1.2 Семейства систем поддержки истинности.

2.2 Система поддержки истинности, основанная на предположениях.

2.2.1 Архитектура системы рассуждения.

2.2.2 Основные определения.

2.2.3 Основные структуры данных.

2.2.4 Решетка окружения.

2.2.5 Основные операции.

2.2.6 Алгоритм ATMS.

2.3 Алгоритм диагностики с использованием системы поддержки истинности.

2.4 Пример диагностики на основе модели устройства.

2.5 Выводы по главе 2.

3 Определение места снятия показаний с устройства.

3.1 Критерии выбора места снятия показаний в устройстве.

3.2 Существующие подходы.

3.3 Эвристические методы выбора места снятия показаний.

3.3.1 Знания о поддерживающих окружениях.

3.3.2 Знания о множествах противоречивых окружений.

3.3.3 Знания о совпадающих предположениях противоречивых окружений.

3.4 Вероятностный метод выбора места снятия показаний.

3.4.1 Определение вероятности прогнозируемых значений.

3.4.2 Учет стоимости снятия показаний с устройства.

3.4.3 Метод выбора места снятия показаний с использованием вероятностного подхода.

3.5 Комбинированный метод выбора места снятия показаний.

3.6 Практические результаты.

3.7 Выводы по главе 3.

4 Моделирующая подсистема диагностического устройства.

4.1 Требования к моделирующей подсистеме.

4.2 Язык ограничений.

4.3 Алгоритм работы моделирующей подсистемы.

4.3.1 Распространение ограничений.

4.3.2 Установка и доступ к значениям ячейки.

4.3.3 Выполнение правил.

4.4 Формат структур знаний моделирующей подсистемы.

4.5 Пример работы моделирующей подсистемы.

4.6 Выводы по главе 4.

5 Использование многоагентного подхода в диагностических системах.

5.1 Основные понятия.

5.2 Распределение модели устройства в многоагентной диагностической системе.

5.2.1 Семантическое распределение модели устройства.

5.2.2 Пространственное распределение модели устройства.

5.3 Архитектура многоагентного диагностического комплекса.

5.4 Взаимодействие между агентами.

5.5 Эффективность многоагентного подхода.

5.5.1 Пространственное распределение модели устройства.

5.5.2 Семантическое распределение модели устройства.

5.6 Пример диагностики комплексного устройства с помощью многоагентного подхода.

5.7 Выводы по главе 5.

6 Программная реализация многоагентного диагностического комплекса на основе модели устройства с использованием системы поддержки истинности, основанной на предположениях.

6.1 Архитектура диагностического комплекса.

6.2 Принципы построения агентов диагностического комплекса.

6.3 Структура многоагентного диагностического комплекса.

6.4 Агент диагностики.

6.5 Агент управления.

6.6 Агент наблюдения.

6.7 Выводы по главе 6.

Введение диссертации (часть автореферата) на тему «Исследование и реализация систем поддержки истинности для задач диагностики»

Актуальность темы исследований. Важной задачей, с которой сталкиваются исследователи систем поддержки принятия решений, является проблема поиска решений в условиях ограниченной информации, в процессе которого возникает необходимость выбора среди одинаково приемлемых альтернатив. Это может касаться выбора следующей цели для достижения, очередного вывода из неполных данных, эффективного действия и т.д. В итоге большинство, а часто и все, из этих выборов могут оказаться неверными. Однако в тот момент, когда решающая система впервые сталкивается с выбором из альтернатив, - все они выглядят одинаково приемлемыми.

Одним из вариантов решения данной проблемы является сохранение обоснований каждого из выбираемых предположений, чтобы была возможность перепроверить, удалить или изменить сделанные предположения, если выводы окажутся ошибочны или противоречивы. Также может потребоваться пересмотр всех выводов, сделанных на основе данных предположений.

Эти идеи привели к созданию систем поддержки истинности (Truth-Maintenance System, TMS). Системы поддержки истинности являются системами, имеющими дело с поддержкой непротиворечивости в базах знаний. Они изначально направлены не на решение проблемы, а на сохранение результатов, переданных им от внешней системы, и отвечают за поддержание непротиворечивости множества полученных утверждений.

В настоящее время системы поддержки истинности стали широко используемой частью технологии ИИ. Они используются в качественном моделировании, системах анализа, временных рассуждениях, диагностике, языках представлений знаний, дедуктивных системах, языках ограничений, а также коммерчески экспертных системах типа КЕЕ и ART.

Расширение возможностей вычислительной техники и развитие методов искусственного интеллекта привели к активному развитию задач автоматической диагностики сложных объектов, систем и комплексов. Системы диагностики являются одним из активно используемых направлений в интеллектуальных системах. Диагностические системы используются в большинстве технических областей: электронике, автомобилестроении, робототехнике, космических аппаратах, тепловых и атомных электростанциях и многих других.

В задачах диагностики популярным является подход, основанный на знаниях эксперта в проблемной области решаемой задачи [1-14]. Суть этого подхода - в извлечении знаний эксперта о возможных неисправностях устройства, исходя из имеющейся в наличии информации, их формализации и реализации в виде диагностической системы. Недостатки этого подхода в трудоемкости формализации знаний эксперта, сложности работы с непредсказуемыми вариантами и множественными неисправностями, сильная зависимость от структуры устройства, изменение которой влечет пересмотр и обновление полученной от эксперта информации. Подобных недостатков лишен подход, основанный на использовании информации о структуре устройства и правилах работы его компонентов, который относится к виду функционального диагностирования [1] и называется диагностикой на основе модели устройства [15-32]. В основе этого подхода лежит прогнозирование предполагаемого поведения устройства, исходя из имеющейся в наличии информации, обнаружении различий прогнозов с реальным поведением и объяснении причин данных различий (список неисправных компонентов). Благодаря этому, данный подход позволяет одинаково успешно находить как одиночные, так и множественные неисправности, диагностировать устройства, по которым нет экспертных данных о причинах всевозможных неисправностей, многократно использовать готовые описания моделей работы компонентов для других устройств и получать детальные объяснения причин выявленных неисправностей.

В теорию и практику решения задач технической диагностики объектов большой вклад внесли отечественные ученые Синдеев И.Н., Пархоменко П.П., Мозгалевский А.В., Согомонян Е.С., Гаскаров Д.В., Мироновский JI.A., Попов С.А., Климов Е.Н., Сахаров В.В., Юсупов P.M., Кузнецов С.Е., Глазунов Л.П. и другие [1-13,15-17]. В развитие подхода диагностирования на основе модели устройства также внесли свой вклад такие ученые, как Осис Я.Я., Глущенко П.В., Рейтер Р., ДеКлир Дж., Вильяме Б., Консоле JL, Макворф А., Страсс П., Форбус К. и другие [15-32]. Основные преимущества подхода, основанного на модели устройства, в многократном использовании моделей компонентов устройств, работе с непредсказуемыми вариантами и новыми устройствами, отсутствии необходимости извлечения и формализации знаний эксперта, простоте адаптации при изменении структуры устройства.

Во многих подходах к решению задач диагностики, требующих построения поведенческих прогнозов, работы с противоречиями и умолчаниями, обработки постоянно поступающих новых фактов и обоснований, могут использоваться возможности, предоставляемые системами поддержки истинности [32-48]. Значительный вклад в разработку и исследование систем поддержки истинности внесли такие ученые, как Дойл Дж. [33], разработавший одну из самых ранних систем поддержки истинности, ДеКлир Дж. [39-43], который ввел термин «основанный на предположениях», представив соответствующую систему поддержки истинности, МакАллистер Д. [34-36], Рейтер Р. [37, 41], Мартине Дж. [38], Форбус К. [32, 42] и другие. К достоинствам данных систем относится обеспечение объяснений и сохранение произведенных и промежуточных выводов, работа с противоречиями, умолчаниями, новыми фактами и обоснованиями. Областями их применения являются экспертные системы, логические базы данных и базы знаний.

В ходе процесса диагностики устройства происходит постоянное уточнение информации о его состоянии. Одной из самых актуальных задач диагностики на основе модели устройства является задача оптимальности выбора в устройстве места, в котором будет производиться следующее снятие показаний [22,26-28, 31, 50-75]. Качество этого выбора непосредственно влияет на две ключевые характеристики системы диагностики: на быстроту определения неисправности и размер пространства поиска. Эффективность выбора места снятия показаний позволяет существенно сократить пространство решений, в то время как неэффективность выбора приведет к увеличению времени работы, пространства поиска алгоритма, а также к дополнительным затратам ресурсов. Для решения данной задачи можно использовать возможности, предоставляемые системой поддержки истинности, с использованием которой реализован комплекс диагностики.

Для построения прогнозов на основе моделей поведения компонентов устройства необходимо наличие подсистемы моделирования (прогнозирования) поведения диагностируемого устройства. Моделирующая подсистема на основе предположений и поведенческих наблюдений осуществляет построение прогнозов предполагаемого поведения устройства и передает их диагностическому комплексу для анализа [22, 25, 27, 28]. Для работы с предположениями, множественными вариантами и появляющимися противоречиями при построении моделирующей подсистемы можно использовать возможности систем поддержки истинности, на основе которой может быть реализована данная моделирующая система.

При диагностике на основе модели устройства большой системы, состоящей из множества частей, зачастую сложно или даже невозможно использовать ее полную модель. Вместо этого для обнаружения неисправностей возможно использование неполных моделей частей системы, которые могут быть разнесены в пространстве физически. Для реализации данного подхода можно использовать возможности многоагентных систем. Значительный вклад в разработку и исследование теории агентов и агентно-ориентированного подхода внесли такие отечественные ученые, как Амосов Н.М., Бонгард М.М., Лефевр В.А., Цетлин В.Л., Поспелов Д.А., Тарасов В.Б., Попов Э.В., Стефанюк В.Л., а также многие другие [87-117]. В многоагентном диагностическом подходе каждый агент имеет информацию об определенной части устройства, за диагностику которой он отвечает. Для построения прогнозов, нахождение значений которых зависит от нескольких частей устройства, обрабатываемых разными агентами, реализованными на основе системы поддержки истинности, и для получения информации обо всем устройстве в целом между агентами происходит обмен информацией. Применение многоагентного подхода в диагностике на основе модели устройства на базе системы поддержки истинности обладает высокой значимостью, потому что благодаря ему достигается возможность повысить эффективность диагностического комплекса с помощью снижения затрат ресурсов за счет распараллеливания работы агентов и нахождения локальных неисправностей использованием лишь части агентов.

В работах Дж. ДеКлира и К. Форбуса показаны преимущества применения систем поддержки истинности при диагностировании неисправных устройств на основе моделей их поведения. Важнейшими этапами, влияющими на эффективность решения задач диагностики на базе систем поддержки истинности, является выбор уточняющей информации о состоянии диагностируемого объекта, использование возможностей системы поддержки истинности для построения подсистемы моделирования поведения устройства и преимущества применения многоагентного подхода для диагностики распределенных систем. Таким образом, разработка методов выбора уточняющей информации о состоянии диагностируемого объекта, подсистемы моделирования поведения диагностируемого объекта и многоагентного подхода к диагностированию на основе моделей на базе систем поддержки истинности является актуальной задачей.

Объектом исследования являются системы поддержки истинности, основанные на предположениях. Предметом исследования являются методы систем поддержки истинности на основе предположений для задач эффективного выбора в устройстве мест снятия очередных показаний, построения моделирующей подсистемы диагностического комплекса, а также многоагентный подход в диагностике на основе модели устройств с использованием систем поддержки истинности.

Целью работы является исследование, разработка методов и соответствующих программных средств на основе систем поддержки истинности, основанных на предположениях, для задач диагностики на основе моделей устройств, в том числе с использованием многоагентного подхода. Для достижения указанной цели требовалось решение следующих задач:

1. Исследование принципов диагностирования на основе моделей устройств.

2. Исследование систем поддержки истинности.

3. Исследование возможностей систем поддержки истинности для выбора мест снятия показаний в диагностируемых объектах.

4. Разработка на основе системы поддержки истинности эвристических, вероятностного и комбинированного методов выбора мест снятия показаний в диагностируемых объектах.

5. Разработка на основе системы поддержки истинности алгоритмов подсистемы моделирования поведения диагностируемого объекта.

6. Исследование и разработка архитектуры и алгоритмов многоагентного взаимодействия в диагностировании на основе моделей устройств на базе системы поддержки истинности, основанной на предположениях.

7. Разработка и программная реализация на базе системы поддержки истинности многоагентного комплекса диагностики неисправных устройств на основе моделей их поведения с использованием результатов исследований данной работы.

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, теории информации, теории вероятности, искусственного интеллекта, а также методов анализа вычислительной сложности алгоритмов.

Достоверность научных положений. Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе. Научная новизна. Новыми являются:

1. Эвристические, вероятностный и комбинированный методы выбора места снятия показаний в диагностируемых объектах на базе системы поддержки истинности, основанной на предположениях.

2. Алгоритмы подсистемы моделирования поведения диагностируемого объекта на базе системы поддержки истинности, основанной на предположениях.

3. Алгоритмы многоагентного взаимодействия в диагностировании на основе моделей устройств на базе системы поддержки истинности, основанной на предположениях.

4. Архитектура многоагентного комплекса на базе системы поддержки истинности, основанной на предположениях, для диагностики неисправных устройств, исходя из моделей их функционирования. Практическая значимость работы заключается в создании многоагентного программного комплекса диагностирования неисправных устройств, исходя из моделей их функционирования, реализованного на базе системы поддержки истинности, основанной на предположениях, использующего разработанные методы выбора мест снятия показаний в устройстве.

Практическая значимость работы подтверждается использованием полученных результатов в подсистеме анализа состояния инженерного оборудования автоматизированной системы диспетчерского контроля и в других приложениях, о чем имеются акты о внедрении.

Реализация результатов. Результаты диссертационной работы Оськина П.В. вошли в отчеты по НИР, выполняемым кафедрой ПМ по грантам РФФИ № 05-01-00818 «Исследование и разработка системы формирования индуктивных понятий на основе моделей и методов машинного обучения», № 05-07-90232 «Исследование и разработка инструментальных средств создания экспертных систем поддержки принятия решений», использованы в рамках проекта РФФИ № 03-01-00808 «Теоретическое исследование и компьютерное моделирование методов определения параметров динамических объектов по их графическим образам в реальном масштабе времени», а также в учебном процессе в курсах «Экспертные системы» и «Математическая логика».

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 9-й, 10-й и 11-й научно-технических конференциях аспирантов и студентов «Радиоэлектроника, электротехника и энергетика» в МЭИ (ТУ) (г. Москва, 2003-2005 г.г.), на научной сессии МИФИ-2006 (г. Москва, 2006 г.), 10-й национальной конференции по искусственному интеллекту с международным участием КИИ-2006 (г. Обнинск, 2006 г.), на международном форуме МФИ-2006 (Международная конференция «Информационные средства и технологии») (г. Москва, 2006 г.), 33-й Международной конференции IV Международной конференции молодых ученых "Информационные технологии в науке, образовании, телекоммуникации и бизнесе", IT+S&E'06 (Украина, г. Гурзуф, 2006 г.) и международной конференции JCKBSE'06 (Seventh Joint Conference on Knowledge-Based Software Engineering 2006) (Эстония, г. Таллинн, 2006 г., доклад на английском языке).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 12 печатных работах.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованной литературы (117 наименований) и приложений. Диссертация содержит 183 страницы машинописного текста (без приложений).

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Оськин, Павел Владимирович

6.7 Выводы по главе 6

В данной главе представлена программная реализация на базе системы поддержки истинности, основанной на предположениях, многоагентного комплекса диагностики неисправных устройств, исходя из моделей их функционирования.

С использованием результатов данной работы разработан многоагентный диагностический комплекс (Глава 5) поиска неисправностей на основе моделей поведения устройств (Глава 1), использующий систему поддержки истинности, основанную на предположениях (Глава 2), которая является базой разработанной подсистемы моделирования (Глава 4), и используется последней для построения сети прогнозов на основе хранимых ею описаний моделей поведения компонентов устройства (Глава 4), а также служит для выявления и обработки противоречий между прогнозами и значениями измерений, снятых непосредственно с диагностируемого устройства. Подсистема моделирования хранит описания моделей работы компонентов и связей между этими компонентами в устройстве. Блок вычисления рекомендаций по выбору мест снятия очередных показаний, используя результаты работы подсистемы моделирования, строит сравнительную оценку эффективности выбора той или иной точки в диагностируемом устройстве разработанными методами выбора места снятия показаний (Глава 3).

Заключение

В данной работе получены следующие результаты.

1. Исследован принцип диагностирования устройств на основе моделей их функционирования, что позволяет диагностировать множественные неисправности, работать с новыми устройствами, по которым нет экспертных знаний о возможных причинах неполадок, многократно использовать модели работы компонентов устройств и получать детальные объяснения о причинах неисправностей.

2. Произведено исследование и анализ систем поддержки истинности. Особое внимание уделено системам поддержки истинности, основанным на предположениях, ключевым достоинством которых является одновременная работа в нескольких контекстах, благодаря чему достигается возможность находить все варианты решений поставленной задачи одновременно и без дополнительных затрат ресурсов отвергать те из них, что по каким-либо причинам не подошли. Благодаря своим характеристикам, система поддержки истинности, основанная на предположениях (ATMS), выбрана в качестве основы для построения комплекса диагностирования на основе моделей поведения устройств.

3. На основе ATMS разработано три типа подходов к нахождению наилучшего места снятия показаний в диагностике на основе модели устройства: эвристические, основанные на поддерживающих и противоречивых окружениях, вероятностный, использующий структурную зависимость между компонентами устройства и учитывающий историю процесса диагностики, и комбинированный, на основе вероятностного метода с использованием эвристики проверки работоспособности конкретных компонентов. Экспериментально произведен их сравнительный анализ по критериям эффективности выбора наилучшего места снятия показаний и затрат временных ресурсов в процессе диагностики неисправности устройств.

4. На основе ATMS разработаны алгоритмы подсистемы моделирования, осуществляющей прогнозирование работы объекта диагностирования, исходя из значений, полученных с входов и выходов компонентов, на основе предположений об их исправности. Продемонстрировано, как использование ATMS позволяет вводить предположения о работоспособности компонентов, одновременно строить множество прогнозов поведения устройства и для каждого прогноза сохранять информацию об обосновывающих его предположениях, а также отвергать неверные прогнозы и выявлять ошибочные предположения о работоспособности компонентов, на основе которых они были построены.

5. Разработано применение многоагентного подхода к диагностированию на основе моделей устройств на базе ATMS, для которого выделены пространственный и семантический способы распределения модели поведения устройства между агентами. Разработана архитектура многоагентного диагностического комплекса и проведены исследования применения многоагентного подхода для семантического и пространственного распределения моделей поведения устройства. Продемонстрирована работа многоагентного диагностического комплекса, позволяющего производить диагностику сложных, распределенных в пространстве объектов, с описанием алгоритмов подсистем моделирования и взаимодействия между различными типами агентов. Показано, что применение многоагентного подхода позволяет повысить эффективность диагностического комплекса на основе ATMS благодаря снижению затрат временных и программных ресурсов за счет распараллеливания работы агентов.

6. С использованием результатов данной работы на основе ATMS разработан и реализован многоагентный программный комплекс диагностики неисправных устройств, исходя из моделей их функционирования.

Список литературы диссертационного исследования кандидат технических наук Оськин, Павел Владимирович, 2007 год

1. Пархоменко П.П., Согомонян Е.С. Основы технической диагностики. -М.: Энергоиздат, 1981.

2. Пархоменко П.П. Согомонян Е.С. Основные положения и рекомендации по организации диагностического обеспечения сложного объекта. М.: Машиностроение, 1985.

3. Пархоменко П.П. Теория, методы и средства диагностирования дискретных устройств систем на современной элементной базе. -Л.:ЛМИ, 1988.

4. Клюев В.В., Пархоменко П.П., Абрамчук В.Е. и др. Технические средства диагностирования. Справочник. М.: Машиностроение, 1989.

5. Бригер И.А. Техническая диагностика. М.: Машиностроение, 1978.

6. Мозгалевскый А.В., Гаскаров Д.В. Техническая диагностика. М.: Высшая школа, 1975.

7. Калявин В.П., Мозгалевскый А.В. Технические средства диагностирования. -Л.: Судостроение, 1984.

8. Синдеев KM. и др. Надежность и эффективность в технике. Справочник. В 10 т. М.: Машиностроение, 1987.

9. Гуляев В.А., Макаров С.М., Новиков B.C. Диагностика вычислительных машин.-Киев: Техника, 1981.

10. Макаров Р.А. Средства технической диагностики машин. М.: Машиностроение, 1981.

11. Городецкий М.С. Функции контроля и диагностики в гибких производственных модулях. / Экспериментальный НИИ металлорежущих станков.-М.: ЭНИМС, 1987.

12. Городецкий М.С. Оперативная диагностика состояния оборудования, инструмента и рабочего процесса в станках с помощью встроенных средств. /Экспериментальный НИИ металлорежущих станков. М.: ЭНИМС, 1989.

13. Варнаков, О.И. Лысенко А.С. Разработка комплекса универсальныхмоделей диагностирования типовых элементарных структур сложных радиоэлектронных систем. М.: ФТИ, 1991.

14. Clancey W. Heuristic Classification. // Artificial Intelligence, 1985. Vol.25. -P. 289-350.

15. Мартиросов Д.С. Диагностирование сложных технических систем на основе математических моделей физических процессов и измеряемых параметров методом структурного исключения. М.: МАИ, 1998.

16. Осис Я.Я., Гельфандбейн Я.А., Маркович З.П. и др. Диагностирование на граф-моделях. На примере авиационной и автомобильной техники. М.: Транспорт, 1991.

17. Глущенко П.В. Диагностирование электротехнических объектов на основе моделей. СПб.: С.-Петербургский государственный университет водных коммуникаций, 1996.

18. Davis R. Diagnostic Reasoning Based on Structure and Behavior. //Artificial Intelligence, 1984.-Vol.24.-P. 347-410.

19. Genesereth M.R. The Use of Design Descriptions in Automated Diagnosis. // Artificial Intelligence, 1984. Vol.24. - P. 411-436.

20. Hamscher W., Davis R. Issues in Diagnosis from First Principles. / Artificial Intelligence Laboratory. MIT, Cambridge, MA, 1986.

21. Williams B.C., Nayak P.P. A Model-based Approach to Reactive Self-configuring Systems. // Proceedings of 14th National Conference on Artificial Intelligence, 1996.-P. 971-978.

22. Struss P., Heller U. An Approach to Consistency-based Process Diagnosis. // Intelligent Diagnosis in Industrial Applications, Shaker Verlag, Aachen. -Germany,2001.-P. 85-94.

23. Brignolo R., Cascio F., Console L. and others. Integration of Design and Diagnosis into a Common Process. //In: Electronic Systems for Vehicles, Verlag, Duesseldorf, 2001. P. 53-73.

24. Frohlich P., Nejdl W. A Static Model-Based Engine for Model-Based Reasoning. // In Proceedings 15th IJCAI, Nagoya, Japan, 1997. P. 42-56.

25. Forbus K.D., de Kleer J. Building Problem Solver. The MIT Press, Cambridge, Massachusetts, London, England, 1993.

26. Doyle J. A Truth Maintenance System. //Artificial Intelligence, 1979. -Vol.12.-P. 231-272.

27. McAllester D. A Three-valued Truth Maintenance System. / S.B. Thesis, Department of Electrical Engineering. MIT, Cambridge, MA, 1978.

28. McAllester D. An Outlook on Truth Maintenance. Artificial Intelligence Laboratory, AIM-551, MIT, Cambridge, MA, 1980.

29. McAllester D. Truth Maintenance. //Proceedings of AAAI-90, 1990. P. 1109-1116.

30. Reiter R. A Logic for Default Reasoning. // Artificial Intelligence, 1980. -Vol.13.-P. 81-132.

31. Castro J.L., Zurita J.M. A Generic ATMS. //International Journal of Approximate Reasoning, 1996. Vol.14. - P. 259-280.

32. Dechter R., Dechter A. Structure Driven Algorithms for Truth Maintenance. // In the Artificial Intelligence Journal, 1996. Vol.82. - P. 1-20.

33. Вагин B.H., Головина Е.Ю., Загорянская A.A. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. / Под редакцией Вагина В.Н. и Поспелова Д.А. М.: ФИЗМАТЛИТ, 2004.

34. Осъкин П.В. Непротиворечивость в системах принятия решений. // Тезисы докладов Девятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". -М.: МЭИ, 2003. Т. 1. -С.301-302.

35. Осъкин П.В. Методы поддержки истинности в интеллектуальных системах. // Тезисы докладов Десятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". М.: МЭИ, 2004. - T.l. - С.328.

36. Городецкий В. К, Тулупьев A.JI. Формирование непротиворечивых баз знаний с неопределенностью. //Известия Академии Наук. Теория и системы управления, 1997. -№5.-С. 127-134.

37. Городецкий В.И. Байесовский вывод. Л.: ЛИИАН, 1991.

38. Тулупьев АЛ. Алгебраические байесовские сети. Теоретические основы и непротиворечивость. СПб.: СПИИРАН, 1995.

39. Тулупьев А. Я. Алгебраические байесовские сети для представления и обработки знаний с неопределенностью. //Автореф. дис. . канд. физ.-мат. наук. СПб., 1996.

40. Тулупьев A.JI. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. СПб.: СПИИРАН, 2000.

41. Перельман Б.Л., Шевелев В.В. Отечественные микросхемы и зарубежные аналоги. М.: НТЦ Микротех, 1998.

42. Вагин В.Н., Оськин ИВ. Эвристические и вероятностные методы снятия эффективных показаний в системах диагностики. // Известия РАН. Теория и системы управления. 2006. - №4. - С.78-93.

43. Mozetic I., Holzbaur C. Controlling the Complexity in Model-based Diagnosis. //Report OEFAI TR-91-3, Annals of Mathematics and Artificial Intelligence, 1994.-Vol.11.-P. 297-314.

44. Raiman O. de Kleer J., Saraswat V.J. Critical Reasoning. // Proceedings of the IJCAI-93,1993.-P. 18-23.

45. Dressier O., Struss P. Model-based Diagnosis with the Default-based Diagnosis Engine: Effective Control Strategies that Work in Practice. // Proceedings of the European Conference on Artificial Intelligence (ECAI), 1994.-P. 677-681.

46. Anrig В., Haenni R, Kohlas J. and others. Probabilistic Analysis of Model-based Diagnosis. // IPMU'96, Granada, Spain, 1996. P. 123-128.

47. Anrig B. Probabilistic Argumentation Systems and Model-Based Diagnostics. //Proceedings of the Eleventh International Workshop on Principles of Diagnosis, Morelia, Mexico, 2000. P. 1-8.

48. Anrig B. Importance Measures for Probabilistic Assumption-Based Reasoning. Technical Report 01-02, Department of Informatics, University of Fribourg, 2001.

49. Kohlas J., Monney P.A., Anrig B. and others. Model-Based Diagnostics and Probabilistic Assumption-Based Reasoning. Technical Report 96-09, Institute of Informatics, University of Fribourg, 1996.

50. Kohlas J., Haenni R. Assumption-based Reasoning and Probabilistic Argumentation Systems. Defeasible Reasoning and Uncertainty Management Systems: Algorithms, Oxford, 1996.

51. Haenni R, Kohlas J. Computing Probabilities of Events in Bayesian Networks. // Technologies for Constructing Intelligent Systems: Tools. Physica-Verlag GmbH, Heidelberg, Germany, 2002. - P. 303-312.

52. Srinivas S. A Probabilistic ATMS. Knowledge Systems Laboratory, 1994.

53. Ibarguengoytia P., Sucar L.E., Morales E. Probabilistic Model Approach for Fault Diagnosis. //Proceedings of the Eleventh International Workshop on Principles of Diagnosis, Morelia, Mexico, 2000. P. 266-273.

54. Lucas P. Bayesian Model-based Diagnosis. // Int. J. Approx. Reasoning, 2001. -Vol.27.-P. 99-119.

55. Poole D. The Use of Conflicts in Searching Bayesian Networks. // Proceedings of the Ninth Conference on Uncertainty in Al, Washington D.C., 1993. P. 359-367.

56. Steele G. The Definition and Implementation of a Computer Programming Language Based on Constraints. Technical Report AI-TR-595, Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, 1980.

57. Jaffar J., Lassez J.-L. Constraint Logic Programming. // Proceedings of the 14th ACM Symposium Principles Programming Languages, ACM, New York, 1987. P. 111-119.

58. Jaffar J., Maher M.J. Constraint Logic Programming: A Survey. // Journal of Logic Programming, 1994. P. 503-581.

59. Jajfar J., Maker M.J., Marriott K.G. and others. Semantics of Constraint Logic Programs. // The Journal of Logic Programming, 1998. Vol.37. - P.l-46.

60. Leler W. Specification and Generation of Constraint Satisfaction Systems. -Technical Report 87-006, Computer Science Department, University of North Carolina, Chapel Hill, N.C., 1987.

61. Leler W. Constraint Programming Languages: Their Specification and Generation. Addison-Wesley, 1988.

62. Mulac J., Baldwin D. Local Propagation as a Constraint-Satisfaction Technique. Technical Report 265, Computer Science Department, University of Rochester, Rochester, N.Y., 1989.

63. Saraswat V.J. Concurrent Constraint Programming Languages. MIT Press, 1991.

64. Wallace M.G. Practical Applications of Constraint Programming. // Constraints Journal, Kluwer, 1996. Vol.1. No.l.

65. Wallace M.G. Constraint Programming. The Handbook of Applied Expert Systems, Liebowitz Jay, CRC Press, 1998.

66. Тарасов В.Б. Агенты и многоагентные системы: основные истоки, подходы, принципы и направления. //Компьютерная хроника, 1998. -№12,- С. 103-122.

67. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте. // Новости искусственного интеллекта, 1998. №3. - С. 5-54.

68. Тарасов В.Б. Системно-организационный подход в искусственном интеллекте. // Программные продукты и системы, 1999. № 3. С. 6-13.

69. Тарасов В.Б. Восходящее и нисходящее проектирование многоагентных систем. //Проблемы управления и моделирования в сложных системах. Труды международной конференции, 1999. Самара: Самарский научный центр РАН, 1999. - С. 268-274.

70. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал1. УРСС, 2002.

71. Плесневич Г.С., Авдошин С.М., Тарасов В.Б. Концептуальная спецификация многоагентных систем (Часть 1). //Информационные технологии, 2002. -№12. С. 25-35.

72. Вагин В.Н., Оськин П.В. Многоагентная моделирующая подсистема комплексов диагностики на основе моделей устройств. // Известия РАН. Теория и системы управления. 2006. - №6. - С. 131-144.

73. Оськин П.В. Эффективность использования многоагентного подхода в диагностике на основе моделей устройств. // Доклады международной конференции "Информационные средства и технологии" (МФИ 2006). -М.:Янус-К, 2006. -Т.З. С.135-138.

74. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.- СПб.: Питер, 2000.

75. Трахтенгерц Э.А. Агентно-ориентированные информационные технологии управления проектами. / РАН. Институт проблем управления им. В.А.Трапезникова. М.: Институт проблем управления, 1999.

76. Трахтенгерц Э.А. Компьютерная поддержка переговоров при выработке групповых решений. / РАН. Институт проблем управления им. В.А.Трапезникова. М.: Институт проблем управления, 2001.

77. Трахтенгерц Э.А. Компьютерная поддержка формирования целей и стратегий их реализации. / РАН. Институт проблем управления им.

78. Городецкий В.И., Карсаев О.В., Самойлов В. Многоагентная технология принятия решений в задачах объединения данных. // Труды СПИИРАН, 2003. №1 - С.67-73.

79. Городецкий В.К, Карсаев О.В. Многоагентная система планирования и составления расписаний: разработка распределенной базы знаний. // Известия ТРТУ, 2001. №4. - С. 25-38.

80. Глибовец Н.Н. Использование агентных технологий в системах дистанционного образования. // Управляющие системы и машины, 2002. -№6.-С. 69-76.

81. Roos N., Teije А.С.М., Bos A. and others. Multi-agent Diagnosis: an Analysis. //In Proceedings of the 13th Belgian-Dutch Conference on Artificial Intelligence, 2001. P. 221-228.

82. Roos N., Teije A.C.M., Witteveen, C. Multi-Agent Diagnosis with Semantically Distributed Knowledge. // In Proceedings of the 15th Belgium-Netherlands Conference on Artificial Intelligence (BNAIC'03), Nijmegen: Universiteit Nijmegen, 2003. P. 259-266.

83. Frohlich P., Mora I., Nejdl W. and others. Diagnostic Agents for Distributed Systems. // Proceedings of 4th ModelAge Workshop Formal Models Of Agents, 1997. -P.42-57.

84. Bensaid N., Mathieu P. A Hybrid and Hierarchical Multi-agent Architecture Model. // In Proceedings of the Second International Conference and Exhibition on the Practical Application of Intelligent Agents and Multi-Agent Technology, 1997.-P. 145-155.

85. Leckie C., Senjen R., Ward B. and others. A Multi-Agent System for Distributed Fault Diagnosis. //In Proceedings of the Second International

86. Conference on the Practical Application of Intelligent Agents and Multi-Agent Technology (PAAM97), London, UK, 1997. P. 21-23.

87. Heck F., Laengle Т., Woern H. A Multi-agent Based Monitoring and Diagnosis System for Industrial Components. // In Proceedings of the Ninth International Workshop on Principles of Diagnosis, Cape Cod, Massachusetts, USA, 1998. -P. 63-69.

88. Wl.Steimann F., Frohlich P., Nejdl W. Model-based Diagnosis for Open Systems Fault Management. //Proceedings of the Al Communications, 1999. Vol.12. -P. 5-17.

89. Fattah Y.E., Dechter R. Diagnosing Tree-Decomposable Circuits. //IJCAI-95, 1995.-P. 1742-1749.

90. Williams B.C., Millar B. Decompositional, Model-based Learning and its Analogy to Model-based Diagnosis. //In Proceedings of the 15th National Conference on Artificial Intelligence, Milwaukee. Wisconsin, 1998. - P.38-45.

91. WS.Piccardi C., Wotawa F. A Communication Language and the Design of a Diagnosis Agent Towards a Framework for Mobile Diagnosis Agents. // IEA/AIE-99, 1999. - P. 420-429.

92. Finin Т., Weber J., Wiederhold G. and others. Specification of the KQML Agent-Communication Language. Enterprise Integration Technologies, Palo Alto, С A, Technical Report EIT TR 92-04, 1992.

93. Finin Т., Labrou Y., Mayfield J. KQML as an Agent Communication Language. //In Software Agents, Chapter 14, The MIT Press, 1997. P. 291316.