Когнитивные агенты и системы распределенной обработки информации и управления объектами в динамически изменяющихся условиях тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат технических наук Цзя Лу

• Цзя Лу
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Цзя Лу

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧ И ПОДХОДЫ К ИССЛЕДОВАНИЮ И РЕШЕНИЮ.

1.1. Общая постановка задач.

1.2. Управление комплексами технологических установок.

1.2.1. Агентно-ориентированный подход.

1.2.2. Пример распределенной ИИУС на основе агентов.

1.3. Интеллектуальные агенты и многоагентные системы.

1.3.1. Интеллектуальные агенты.

1.3.2. Интеллектуальные многоагентные системы.

1.4. Когнитивные агенты и системы.

1.4.1. Когнитивные агенты на биологически инспирированных принципах.

1.4.2. Когнитивные агенты на психологически инспирированных принципах.

1.4.3. Когнитивные многоагентные системы.

1.5. Формализованные постановки теоретических задач.

1.6. Выводы по главе.

ГЛАВА 2. МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ИНФОРМАЦИИ НА ИММУННЫХ ПРИНЦИПАХ.

2.1. Концепции и свойства систем на иммунных принципах.

2.2. Модели систем на иммунных принципах.

2.2.1. Динамические модели и их реализации.

2.2.2. Многоагентная сетевая модель с саморганизацией.

2.2.3. Многоагентная модель на клонально-селекционной теории.

2.3. Разработка искусственных иммунных систем.

2.3.1. Сенсорные сети.

2.3.2. Автономные распределенные системы.

2.3.3. Поведенческие системы.

2.4. Разработка иммунно-генетического алгоритма и иммунологической сети

2.4.1. Иммунный алгоритм.

2.4.2. Иммунно-генетический алгоритм.

2.4.3. Иммунологическая сеть.

2.5. Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА КОГНИТИВНОГО АГЕНТА.

3.1. Когнитивный агент для обработки информации и управления.

3.2. ПИД-контроллер для регулирования технологических процессов.

3.2.1. Традиционные ПИД-контроллеры.

3.2.2. Адаптивные и нечеткие ПИД-контроллеры.

3.3. Модель формирования поведения когнитивного агента.

3.4. Выводы по главе.

ГЛАВА 4. РАЗРАБОТКА КОГНИТИВНОЙ МНОГОАГЕНТНОЙ СИСТЕМЫ

4.1. Модель коллективной работы когнитивных агентов.

4.2. Агентно-ориентированные методологии проектирования.

4.2.1 Обзор методологий проектирования систем на агентах.

4.2.2. Сравнительная оценка агентно-ориентированных методологий.

4.3. Выбор средств разработки и моделирования MAC.

4.4. Среда проектирования MASDK (Multi-agent System Development Kit).

4.5. Методология разработки систем в MASDK.

4.6. Р2Р Агентская Платформа.

4.6.1. Краткое описание Р2Р Агентской Платформы.

4.6.2. Подвижные агенты и проект Р2Р Агентской Плафтормы.

4.6.3. Р2Р Агентская Платформа и провайдер Р2Р.

4.7. Реализация MAC с когнитивной архитектурой.

4.8. Выводы по главе.

ГЛАВА 5. РАЗРАБОТКА ПРИКЛАДНЫХ КОГНИТИВНЫХ РАСПРЕДЕЛЕННЫХ ИИУС.

5.1. Когнитивная многоагентная система управления станциями фильтрации воды.

5.1.1. Поведение агентов системы.

5.1.2. Разработка когнитивной MAC управления резервуаром в среде MASDK.

5.1.3. Иммунологическая сеть для селекции поведения.

5.1.4. Реализация поведения агентов на Р2Р Агентской платформе.

5.1.5. Моделирование поведения агентов-контроллеров.

5.2. Когнитивная многоагентная система управления бойлер-турбинными установками.

5.2.1. Бойлер-турбинный комплекс тепловой электростанции.

5.2.2. Система управления давлением в главной паровой магистрали.

5.2.3. Конструирование когнитивной MAC управления паровой магистралью.

5.2.4. Разработка когнитивной MAC управления бойлер-турбинным комплексом в среде MAS DK.

5.2.5. Иммунологическая сеть, определяющая поведение агента.

5.2.6. Реализация поведения агентов на Р2Р Агентской Платформе.

5.2.7. Моделирование поведения агентов.

5.3. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Когнитивные агенты и системы распределенной обработки информации и управления объектами в динамически изменяющихся условиях»

Актуальность темы диссертации.

Диссертация посвящена проблеме повышения эффективности информационно-измерительных и управляющих систем (ИИУС) комплексов технологических установок в изменяющихся условиях функционирования. Современные ИИУС технологических комплексов в промышленности и сфере услуг состоят из многих параллельно работающих подсистем. Полностью централизованный принцип координации подсистем в таких распределенных ИИУС признан непрактичным не только вследствие недостатков централизованного сбора информации, ее обработки и принятия решений, но также из-за недостаточной гибкости при координации компонент обработки информации и управления с учетом динамически изменяющихся условий. Полностью децентрализованная схема распределенных ИИУС также не обеспечивает оптимальное функционирование, поскольку при координации локально распределенных подсистем могут возникать серьезные проблемы из-за некорректной децентрализации.

Один из путей решения проблемы - использование многоагентного подхода при построении ИИУС, который позволяет успешно справляться с проблемой сложности и распределенности подсистем обработки информации и управления комплексами установок. Каждый агент такой системы способен автономно решать выделенные ему задачи в рамках отдельной установки. Агенты могут работать во взаимодействии, что позволяет системе в целом решать задачи, которые лежат за пределами возможностей индивидуального агента.

Когнитивные агенты, способные к автоматическому накоплению и использованию знаний в процессе работы, представляют следующий шаг в развитии распределенных ИИУС. Такие агенты обладают адаптивными способностями, что обеспечивает эффективную работу установок и комплексов в динамически изменяющихся условиях.

Цель диссертационной работы - разработка и исследование когнитивных агентов и систем, которые обеспечивают локальную автономность, гибкую координацию и адаптивность при распределенной обработке информации и управлении комплексами.

Для реализации этой цели в диссертационной работе были поставлены и решены следующие задачи:

1. Разработка модели и алгоритмов обработки информации и формирования поведения когнитивного агента при управлении технологическими процессами установки, а также архитектуры когнитивного агента, соответствующей этой модели.

2. Разработка модели коллективной работы когнитивных агентов с ресурсными ограничениями и организационной структуры многоагентной когнитивной системы, способной обеспечить гибкое согласованное управление комплексом установок, каждая из которых управляется своим агентом.

3. Разработка и исследование многоагентных когнитивных систем обработки информации и управления комплексом фильтрации и распределения воды по потребителям и комплексом бойлер-турбинных установок тепловой электростанции с целью подтверждения эффективности предложенных вариантов когнитивных агентов и систем.

Методы исследования. При выполнении работы использовалась теория автоматического управления, теория многоагентных систем, когнитивные методы обработки информации, теория иммунных систем, методы обучения с подкреплением, генетические алгоритмы.

Научная новизна исследования.

1. Разработан иммунно-генетический алгоритм, обеспечивающий адаптивность при регулировании технологических процессов, и обучаемая иммунологическая сеть, позволяющая выбирать нужные компоненты поведения в соответствии с текущей ситуацией. Новизна состоит в комбинировании иммунного и генетического алгоритмов, что обеспечивает уверенное нахождение глобального оптимума целевой функции за счет большего, чем при простом генетическом алгоритме разнообразия решений. Иммунологическая сеть является новым, обучаемым с помощью иммунно-гентического алгоритма, средством управления одновременно несколькими процессами.

2. Разработана модель формирования поведения когнитивного агента при координированном управлении технологическими процессами установки. Новизна состоит в том, что модель имеет два настраиваемых с помощью иммунно-генетического алгоритма уровня. На нижнем уровне используются адаптивные ПИД-регуляторы, а на верхнем - обучаемая иммунологическая сеть. Когнитивный агент, построенный по такой модели, может эффективно решать задачи управления установкой в условиях динамически изменяющегося окружения.

3. Разработана модель коллективной работы агентов и основанная на ней новая организационная структура когнитивной многоагентной системы управления распределенными установками комплексов. Новизна состоит во введении в модель ресурсных ограничений и использовании алгоритма обучения с подкреплением для определения оптимальной политики управления когнитивными агентами. Новая организационная структура системы, построенная на этой модели, поддерживает принципы иерархичности, открытости и гибкой координации.

Практическая значимость. На основе предложенных моделей, алгоритмов и результатов исследования могут быть разработаны программные средства распределенного управления реальными бойлер-турбинными установками тепловой электростанции, а также установками комплекса фильтрации и распределения воды.

Реализация результатов работы. Разработанные модели формирования поведения когнитивных агентов и их коллективной работы, а также архитектура агента и организационная структура когнитивной многоагентной системы использованы в курсе «Когнитивные многоагентные системы обработки информации и управления» в СПбГПУ. Обсуждается возможность использования результатов диссертационного исследования при проектировании новых средств распределенной обработки информации и управления.

Основные положения, выносимые на защиту:

1. Иммунно-генетический алгоритм, обеспечивающий адаптивность регулирования технологических процессов, и иммуннологическая сеть, позволяющая выбирать нужные компоненты поведения при управлении объектом в изменяющихся ситуациях.

2. Модель формирования поведения когнитивного агента с двумя уровнями и его архитектура, обеспечивающая координированное управление процессами установки.

3. Модель коллективной работы агентов при ресурсных ограничениях и организация когнитивной многоагентной системы управления распределенными установками на основе принципов иерархичности, открытости и адаптивности.

4. Два варианта прикладных когнитивных многоагентных систем управления распределенными установками, построенные с применением разработанных моделей и алгоритмов, архитектуры агентов и организации многоагентной системы.

Апробация результатов работы. Результаты исследований, полученные в диссертации, докладывались и обсуждались на научных семинарах и конференциях:

• 12-й Международной студенческой олимпиаде по автоматическому управлению, Санкт-Петербург, 2008 г.;

• Научно-техническом семинаре «Distributed Intelligent System and Technology Workshop», Санкт-Петербург, 2008 г.;

• Научно-техническом семинаре «Distributed Intelligent System and Technology Workshop», Санкт-Петербург, 2009 г.;

• 13-й Международной студенческой олимпиаде по автоматическому управлению, Санкт-Петербург, 2010 г.

Публикации. По теме данной работы опубликовано 7 печатных работ, в числе которых одна статья - в научном издании, входящем в Перечень ВАК:

Цзя Лу. Имунная сеть с генетическим алгоритмом настройки для ПИД-управлення / JI.A. Станкевич // Научно-технические ведомости СПбГПУ. -СПб: Наука, 2009. - 4(82). - С. 27-36.

Структура и объем диссертационной работы. Работа объемом 181 стр. содержит введение, пять глав, заключение и список литературы.

Заключение диссертации по теме «Информационно-измерительные и управляющие системы (по отраслям)», Цзя Лу

5.3. Выводы по главе

1. Разработанная в диссертации новая концепция ИИУС комплексом технологических установок, основанная на когнитивном подходе и многоагентной технологии, применена при проектировании двух когнитивных многоагентных систем управления. Разработанная архитектура когнитивного агента, координировано управляющего технологическими процессами установки, и принятая организация MAC распределенного1 управления комплексами установок позволяют обеспечить эффективное управление уровнем воды в резервуарах, подачей топлива в топки бойлеров и подачей пара на турбины генераторов электроэнергии.

2. На нижних уровнях управления агенты водяных резервуаров и бойлеров решают задачи локального управления уровнем воды и бойлер-турбинными установками, используя ПИ-регуляторы и П-регуляторы, построенные на ИГА. На верхних уровнях агенты кооперируются друг с другом, используя специально разработанные правила интеллектуального управления, которые реализуются в координирующих агентах.

3. Моделирование каналов управления уровнем воды в резереуаре и давлением пара в главной- магистрали показало более высокую эффективность управления ПИД-контроллеров на ИГА по сравнению с традиционными ПИД-контроллерами, построенными на принципах Зейглера-Никольса. Показано, что традиционный контроллер обеспечил время переходного процесса около 16 сек. с перерегулированием 45.72%. Для контроллера на ИГА время переходного процесса составило 7 сек., а перерегулирование 4.77%, что значительно лучше, чем у традиционного контроллера.

4. Результаты моделирования коллективной работы когнитивных агентов MAC с использованием разработанных правил интеллектуального управления показали достаточную эффективность координации бойлер-агентов в построенной по принципе MIMO нелинейной бойлер-турбинной системе управления давлением в главной паровой магистрали. Показано также, что предлагаемый вариант когнитивной MAC управления обеспечивает адаптивность к болыцим изменениям параметров. По результатам проведенного исследования можно сделать общее заключение об эффективности когнитивного подхода и многоагентной технологии для конструирования интеллектуальных ИИУС комплексами водяных резервуаров и бойлер-турбинных установок тепловых электростанций.

Заключение

В ходе выполнения диссертационной работы получены следующие результаты.

1. Разработан иммунно-генетический алгоритм, который объединяет достоинства иммунного и генетического алгоритмов и позволяет повысить эффективность поиска оптимальных решений. Разработана иммунологическая сеть, позволяющая рационально выбирать компоненты поведения, соответствующие входным параметрам.

2. Разработана модель формирования поведения когнитивного агента с двумя уровнями, который способен управлять промышленной установкой, и основанная на ней архитектура агента. Нижний уровень включает агенты-контроллеры, управляющие отдельными технологическими процессами, а верхний уровень обеспечивает координацию работы агентов-контроллеров нижнего уровня.

3. Предложена модель коллективной работы агентов, которая является обобщением моделей MTDP (Multi-agent Team Decision Process) и COM-MTDP-RT (Communicative Multi-agent Team Decision Process in Real Time). Модель учитывает ограничения реального времени на процесс принятия решений агентов, что особенно важно для распределенного управления технологическими установками. На базе этой модели разработана организационная структура многоагентной когнитивной системы.

4. Предложена комплексная среда для разработки и моделирования когнитивных агентов и многоагентных систем. Высокоуровневая часть агентов разрабатывается и моделируется с использованием среды MASDK и Р2Р платформы, а низкоуровневая часть агента разрабатывается и моделируется в среде Matlab/Simulink.

5. Разработаны и моделированы две прикладных системы управления комплексами фильтрации воды и бойлер-турбинными установками. Показано, что традиционный контроллер давления пара в бойлер-турбинной установке обеспечил время переходного процесса около 16 сек. с перерегулированием 45.72%. Для контроллера на иммунно-генетическом алгоритме время переходного процесса составило 7 сек., а перерегулирование 4.77%, что значительно лучше, чем у традиционного контроллера.

6. Результаты моделирования коллективной работы когнитивных агентов MAC показали достаточную эффективность координации бойлер-агентов в бойлер-турбинной системе управления давлением пара в главной магистрали. По результатам проведенного исследования можно сделать общее заключение об эффективности когнитивного подхода и многоагентной технологии для конструирования интеллектуальных ИИУС комплексами технологических установок.

Список литературы диссертационного исследования кандидат технических наук Цзя Лу, 2011 год

1. Ахапкин, С. В. Применение anytime-алгоритмов в агенте, действующем в среде RoboCup Soccer Server / Материалы научно-технической онфереции. «Экстремальная робототехника» (С-Петербург, апрель) / Изд-во СПбГТУ, СПб. 2003.

2. Городецкий В.И. / Многоагентные системы: современное состояние исследований и перспективы / Новости искусственного интеллекта, номер 1. 1996.

3. Городецкий, В. И. / Инструментальные средства для открытых сетей агентов / Карсаев, В. В. Самойлов, В. В. Серебряков, С. В. // Известия РАН. "Теория и Системы Управления", Москва: Наука. 2008. №3, 106-124.

4. Котенко, И. В. / Командная работа агентов в реальном времени. / Станкевич, JI. А. // Новости искусственного интеллекта. 2003. №3(57), с. 25-31.

5. Станкевич JI. А. и др. / Нечетко-логический нейросетевой самообучающийся контроллер. / 5-я Всероссийская конф. "Нейрокомпьютеры и их применения", М.: Радио и связь. Москва. 17-19 апреля 1999г.

6. Станкевич, JI. А. / Когнитивные структуры управления гуманоидным роботом. / Новости искусственного интеллекта №1. 2004.

7. Тарасов В.Б. / Искусственная жизнь и нечеткие эволюционные многоагентные системы основные теоретические подходы к построению интеллектуальных организаций. / Теория и системы управления, номер 5. 1998.

8. Трахтенгерц Э.Л. / Взаимодействие агентов в многоагентных системах. / Автоматика и телемеханика, номер 7. 1998.

9. Цзя Jly. Имунная сеть с генетическим алгоритмом настройки для ПИД-управления / Л.А. Станкевич // Научно-технические ведомости СПбГПУ. -СПб: Наука, 2009. 4(82). - С. 27-36.

10. Цзя Лу. Многоагентная система интеллектуального управления процессом генерации пара бойлерной установкой турбины / В.П. Шкодырев, Л.А. Станкевич // Труды СПбГПУ / Международное сотрудничество в образовании и науке. СПб: Наука, 2009.- С. 18-31.

11. Anderson, J. R. The architecture of cognition. / MA: Harvard University Press, Cambridge. 1983.

12. Astrom, K. J. РШ Controller: Theory, Design and Tuning. / Timmis, J. // Instrument Society of America. 1995.

13. Ben-Abdennour, A. Intelligent supervisory control of electric power plants: a mixed fuzzy logic and LQR/LTR approach. / PhD thesis, Dept. Electrical Eng., The Pennsylvania State University, University Park, PA. 1996.

14. Bernard, Baars. A Cognitive Theory of Consciousness. / Cambridge University Press, New York. 1988.

15. Bratman, M. Intentions, plans, and practical reason. / MA: Harvard University Press, Cambridge. 1987.

16. Bresciani, P. A knowledge level software engineering methodology for agent-oriented programming. / Perini, A. Giorgini, P. Giunchiglia, F. Mylopoulos, J. //

17. Proceedings of the Fifth International Conference on Autonomous Agents. Montreal, Candada. ACM Press: New York. 2001. P. 648-655.

18. Burmeister, B. Models and methodology for agent-oriented analysis and design. / Fischer, K. (ed), // Working Notes of the KT96 Workshop on Agent-Oriented Programming and Distributed Systems. Document D-96-06. DFKI: Saarbrucken. 1996. P. 7-17.

19. Busemeyer, J. An adaptive approach to human decision making: Learning theory, decision theory, and human performance. / Myung, I. // Journal of Experimental Psychology: 1992. General 121(2), P. 177-194.

20. Chen, R. The Bases of Immunology. / Peking: Health Press. 1980.

21. Chong, R. S. The addition of an activation and decay mechanism to the Soar architecture. / Paper Presented at the Fifth International conference on Cognitive Modeling, Bamberg, Germany. 2003.

22. Clark, A. The cognizer's innards: A psychological and philosophical'perspective on the development of thought. / Karmiloff-Smith, A. // Mind and Language, 1993. 8(4), P. 487-519.

23. Costa, L. Dynamical Social Knowledge: A Cognitive Multi-Agent System Cooperative Strategy. / Bittancourt, G. A. // In 3-th Inter. Conf. In Multi-Agent System, Paris, France, IEEE Computer Society. 1998.

24. Deloach, S. A. Multiagent systems engineering. / Wood, M. F. Sparkman, C. H. // International Jouranl of Software Engineering and Knowledge Engineering, 2001.vol. 11, No. 3,P. 231-258.

25. Dorer, K. Extension Behavior Networks for Behavior Selection in Dynamic and Continuous Domain. / Proceeding of Conference ECAI. 2004.

26. Eiter, T. Comparing environments for developing software agents. / Mascardi, V. //AI communications, Netherlands. 2002. vol. 15, part 4, P. 169-198.

27. Eker, J. Design and implementation of a hybrid control strategy. / Malmborg. J. // IEEE Control System, 1999. P. 12-21.

28. Fischer, K. A pragmatic BDI architecture. / Muller, J. P. Pischel, M. // Proeceedings of ATAL 95, number LNAI 1037 in Lecture Notes in Artificial Intelligence, Springer Verlag. 1995. P. 203-218.

29. Fukuda, Toyoo et al. Parallel Search for Multi-modal Function Optimization with Diversity and Learning of Immune System. / Artificial Immune Systems and Their Applications, Dasgupta D (Eds), Springer. 1998. P. 210-220.

30. Francisco, H. Adaptation of genetic algorithm parameters based on fuzzy logic controllers. / Manuel, L. // Genetic Algorithms and Soft Computing. 1996. P. 95125.

31. Franciso, M. Integrating Multi-Agent Systems: A Case Study. / Raymond, S. Staron, F. // IFIP International Federation for information Processing, Springer Verlag. 2005. vol. 159. P. 99-108.

32. FIPA P2P NA WG6.Functional Architecture Specification Draft 0.12. / Http://www.fipa.org/subgroups/P2PNA-WG-docs/P2PNA-Spec-DraftO. 12.doc.

33. Foundation for Intelligent Physical Agents. / FIPA agent standard specification. http://www.fipa.org/repository/standardspecs.litinl: 2000.

34. Glaser, N. The CoMoMAS methodology and environment for multi-agent system development. / In Zhang, C. Lukose, D. (eds), // Multi-Agent Systems -Methodologies and Applications, Springer-Verlag: Berlin. 1997. LNAI 1286, P. 1-16.

35. Gorodetski, V. Multi-agent system development kit: MAS software tool implementing Gaia methodology. / Karsaev, O. Smoilov, V. Konushy, V. Mankov, E. Malyshev, A. // Intelligent information processing II. SpringerVerlag. 2004.

36. Goto, S. Automatic realization of human experience for controlling variable-pressure boilers. / Nakamura, M. and Matsumura, S. // Control Eng. Pract., 2002. vol. 10, no. 1,P. 15-22.

37. Hayes-Roth, B. A Cognitive Model of Planning. / Hayes-Roth, F. // In Cognitive Science, 1979. vol.3, P. 275-310.

38. Hebb, D. O. The Organiztion of Behavior. / New York: Wiley. 1949.

39. Heinze, C. Plan recognition in military simulation: Incorporating machine learning with intelligent agents. / Goss, S. Lloyd, I. Pearce, A. // Proceedings of IJCAI-99 Workshop on Team Behavior and Plan Recognition 53-64, Stockholm, UK. 1999.

40. Heo, J. S. A multi-agent system-base intelligent control system for a power plant. / Lee, K. Y. // IEEE Power Engineering society General Meeting, 2005.vol. 2, P. 1050-1055.

41. Hsu, L. S. Neural inference networks. / Teh, H. H. et al. // Information Technology, 1990.3(2):53-60.

42. Huffman, S. B. Flexibly instructable agebts. / Laird, J. D. // Journal of Artificial Intelligence Research, 1995. 3, P. 271-324.

43. Jennings, N. R. An agent-based approach for building complex software systems. / Communications of the ACM, 2001. 44 (4), P. 35-41.

44. Jennings, N. R. On agent-based software engineering. / Artificial Intelligence 117. 2000.

45. Jerne, N. K. The immune system. / Cei. 1973. Am. 229:52-60.

46. Jerne. N. K. Clonal selection in a lymphocyte network. / Soc. Gen. Physiol. 1974. Ser. 29:39-48.

47. Jerne, N. K. Towards a network theory of the immune system. / Annales d'Immunologie (Institute Pasteur), 1974. 125C, P. 373-389.

48. Jia Lu. Boiler-turbine Main Steam System Based-on Multi-agent Control System / V.P. Shkodyrev, L.A. Stankevich // Distributed Intelligent System and Technology Workshop. St. Petersburg, 2008. -P. 169-176.

49. Jia Lu. Multi-Agent Control of Water Distribution System / V.P. Shkodyrev, L.A. Stankevich // 12th International Student Olympiad on Automatic Control. St. Petersburg, 2008. -P. 78-83.

50. Jia Lu. Multi-agent System for Control of Multiple Industrial Unit / V.P. Shkodyrev, L.A. Stankevich // 12th International Student Olympiad on Automatic Control. St. Petersburg, 2008. -P. 108-111.

51. Jia Lu. Immune Genetic Algorithm Based on PID Controller for Level Control System / V.P. Shkodyrev, L.A. Stankevich // Program of the Distributed Intelligent Systems and Technologies workshop. St. Petersburg, 2009.

52. Jia Lu. Multi-Agent Intelligent Control System for Power Plants // 13th International Student Olympiad on Automatic Control St. Petersburg. St. Petersburg, 2010. -P. 94-98.

53. Jones, R. M. Automated intelligent pilots for combat flight simulation. / Laird, J. E. Nielsen, P. E. Coulter, K. J. Kenny, P. G. Koss, F. V. // AI Magazine, 1999. 20(1), P. 27-42.

54. Juan, T. ROADMAP: extending the Gaia methodology for complex open systems. / Pearce, A. Sterling, L. // In Proceedings of the First International Joint Conference on Autonomous Agents and Multi-Agent Systems, Bologna, Italy. (2002). P. 3-10.

55. Kaelbling, L. P. Reinforcement learning: A survey. / Littman, M. L. Moore, A. W. // Journal of Artificial Intelligence Research. 1996. 4: P. 237-285.

56. Kendall, E. A. Patterns of intelligent and mobile agents. / Krishna, P. V. M. Pathak, C. V. Suresh, C. B. // In Proceedings of the Second International Conference on Autonomous Agents (AA'98), ACM Press: New York. 1998. P. 92-99.

57. Kinny, D. Modeling and design of multi-agent systems. / Georgeff, M. Muller, J. P. Wooldrige, M. J. Jennings, N. R. (eds), // Intelligent Agents III (ATAL'96), Springer-Verlag: Berlin. (1996). LNAI 1193, P. 1-20.

58. Laird, J. E. Robo-Soar: An integration of external interaction, planning and learning using Soar. / Yager, E. S. Hucka, M. Tuck, M. // Robotics and Autonomous Systems, 1991. 8(1-2), P. 113-129.

59. Lee, K. Y. Tutorial on Artificial Neural Networks with Applications to Power Systems. / EL-Sharkawi, M. Niebur, D. // IEEE Power Engineering Society, 1996. Publication 96TP112-0, P.150-169.

60. Lesser, V. R. A retrospective view of FA/C distributed problem solving. / IEEE Trans. Systems, Man, and Cybernetics, 1991. vol. 21, issue 6, P. 1347-1362.

61. Lesser, V. R. Reflection on the Mature of Multi-Agent Coordination and Its Implications for an Agent Architecture. / In Proceedings of the International Conference on Autonomous Agents and Multi-Agent Systems, Kluwer. 1998.

62. Logan. B. Classifying Agent Systems. / In Proc. of the AAAI-98 Workshop on Software Tools for Developing Agents, Wisconsin, USA. 1998.

63. Long, S. On self-regulation of fuzzy control rule. / Wang, P. // Fuzzy Mathematics, 1982. vol.3, no.3, P.105-112.

64. Machado, P. Vehicle Routing Problem: Doing it the Evolutionary Way. / Tavares, J. Pereira, F. B. Costa, E. // In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2002). 690, New York, USA, 9-13 July, 2002.

65. Maffezzoni, C. Boiler-turbine dynamics in power-plant control. / Control Eng. Pract., 1997. vol. 5, no. 3, P. 301-312.

66. Martin, D. The Open Agent Architecture: a framework for building distributed software systems. / Cheyer, A. Moran, D. // Applied Artificial Intelligence, 1999. 13(1/2): P. 91-128.

67. Maturana, H. Autopoiesis and Cognition: the Realization of the Living. / Varela, F. //D. Reidel. Dordrecht. 1980.

68. Miller, C.S. Accounting for graded performance within a discrete search framework. / Laird, J. E. // Cognitive Science, 1996. 20, P. 499-537.

69. Newell, A. Unified theories of cognition. / MA: Harvard University Press, Cambridge. 1990.

70. Ogata, K. Modern Control Engineering. / Prentice-Hall, Eaglewoof Cliffs, NJ, 2nd ed. 1990.

71. Olivia, C. Case-based BDI agents: an effective approach for intelligent search on the world wide web. / Chang, C. F. Enguix, C. F. Ghose, A. K. // AAAI Spring Symposium on Intelligent Agents, Stanford University, USA. 1999.

72. Omicini, A. SODA: societies and infrastructures in the analysis and design of agent-based systems. / In Ciancarini, P. Wooldridge, M. J. (eds), Agent Oriented Software Engineering, Springer-Verlag: Berlin. 2001. LNCS 1957, P. 185-193.

73. Quash, T. S. A graphical operating environment for neural network expert system. / Tan, C. L. and Teh, H. H. // In Proceedings of the International Joint Conference on Neural Networks, IEEE. 1991. P. 684-689.

74. Perelson, A. S. Theoretical studies of clonal selection: minimal antibody repertoire size and reliability of self-nonself discrimination. / Oster, G. F. // J. Theor. 1979. Biol. 81: P. 645-670.

75. Pearson, D. J. A symbolic solution to intelligent real-time control. / Huffman, S. B. Willis, M. B. Laird, J. E. Jones, R. M. // Robotics and Autonomous Systems, 1993. 11, P. 279-291.

76. Pearson, D. J. Toward incremental knowledge correction for agents in complex environments. /Laird, J. E. //Machine Intelligence, 15. 1998.

77. Rao, A. BDI Agents: From theory to practice. / Georgeff, M. // In Proceedings the First International conference on Multi-Agent Systems (ICMAS-95), San Francisco. 1995.

78. Richard, S. Reinforcement Learning: An introduction. / Sutton and Andrew, G. Barto. // MIT Press, Cambridge, MA. 1998.

79. Rosenbloom, P. S. Rl-Soar: An experiment in knowledge-intensive programming in a problem-solving architecture. / Laird, J. E. McDermott, J. Newell, A. Orciuch, E. // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1985. 7, P. 561-569.

80. Rumelhart, D. Parallel distributed processing: Explorations in the microstructures of cognition. / McClelland, J. //MA: MIT Press, Cambridge. 1986.

81. Schreiber, G. CommonKADS: a comprehensive methodology for KBS development. / Wielinga, B. J. De Hoog, R. Akkermans, H. Van de Velde, W. // IEEE Expert, 1994. vol. 9, No. 6, P. 28-37.

82. Schoepke. S. H. A Business View Regarding the Selection of Agent Development Toolkits. / In Proc. of the AAAI-98 Workshop on Software Tools for Developing Agents, Wisconsin, USA. 1998.

83. Shehory, O. Architectural properties of multi-agent systems. / Technical Report CMU-RI-TR-98-28, The Robotics Institute, Carnegie Mellon University, Pittsburgh, Pennsylvania 15213. 1998.

84. Shaoyuan, Li. A New Coordinated Control Strategy for Boiler-Turbine System of Coal-Fired Power Plant. / Hongbo, Liu. Wen-Jian, Cai. Yeng-Chai, Soh. and Li-Hua, Xie. //IEEE Trans. Control Systems Technology, 2005. vol. 13, P. 943-954.

85. Shen, W. Agent-based systems for intelligent manufacturing: a state-of-the-art survey. / Norrie, D. // Knowledge and Information Systems, 1999. 1 (2), P. 129156.

86. Stankevich, L. A. Cognition-based Multi-agent Systems. / Saint Petersburg State Polytechnic University. 2008.

87. Stone, P. Multiagent systems: A survey from a machine learning perspective. / Veloso, M. //Autonomous Robotics 8 (3). 2000.

88. Sun, R. Meta-learning in multi-agent systems. / Zhong, N, Liu, J, Ohsuga, S, Bradshaw, J (Ed), // Intelligent agent technology: Systems, methodologies, and tools. Singapore: World Scientific. 2001. P.210-219.

89. Sun, R. Duality of the mind. /NJ: Lawrence Erlbaum, Mahwah. 2002.

90. Takeuchi, Y. Global Dynamic Properties of Lotka-Volterra Systems. / World Scientific, Singapore. 1997.

91. Tambe, M. Towards flexible teamwork. / Journal of Artificial Intelligence Research (JAIR) 7. 1997.

92. Tan, C. L. A neural logic based expert system. / Quah, T. S. and Teh, H. H. // In Proceeding of the Expert Systems Applications Conference, Institute for Industrial Technology Transfer, 1991. P. 301-306.

93. Tauber, A. I. The Immune Self. / Cambridge University Press. Cambridge. UK. 1997.

94. Tichy, P. Industrial MAS for planning and control. / Slechta, P. Maturana, F. Balasubramanian, S. // In LNAI, Heidelberg: Springer Verlag. 2002. No. 2322. P. 280-295.

95. Tonegawa, S. Somatic generation of immune diversity. / Biosci. 1988. Rep. 8:3-26.

96. Varela, F. J. Principles of Biological Autonomy. / Elsevier / NorthHolland. New York. 1979.

97. Van Breemen, A. J. N. Water vessels under control. / Practical assignment report, University of Amsterdam, Intelligent autonomous Systems. 1996.

98. Von Neumann, J. J. Probabilistic logics and the synthesis of reliable organism from unreliable components. / In: Shannon, C. E. McCarthy, J. (eds.) Automata Studies. Princeton University Press, Princeton, 1956. P. 43-98.

99. Von Neumann, J. J. Theory of Self-Reproducing Automata. Burks, A. W. (ed.) University of Illinois Press, Urbana. 1966.

100. Washington, R. Applying problem solving and learning to diagnosis. In Rosenbloom PS, Laird JE, Newell A (Ed), The Soar paper: Research on integrated intelligence. MA: MIT Press, Cambridge. Rosenbloom, P. S. 1993. vol. 1, P.674-687.

101. Wray, R. E. Synthetic adversaries for urban combat training. / Laird, J. E. Nuxoll, A. Stokes, D. Krfoot, A. //Paper presented at the 2004 Innovative Applications of Artificial Intelligence Conference, San Jose, CA. 2004.

102. Wooldridge, M. Agent theories, architectures, and languages: a survey. / Jennings, N. R. // In: Wooldridge, M. Jennings, N. (eds.) Intelligent Agents. Springer, Berlin Heidelberg New York, 1994. P. 1-39.

103. Wooldridge, M. J. An Introduction to Multi-Agent Systems. / John Wiley & Sons, Chichester, England. 2002.

104. Wooldridge, M. Intelligent agents: theory and practice. / Jennings, N. R. // The Knowledge Engineering Review, 1995. vol. 10, No.2, P. 115-152.

105. Wooldridge, M. J. Reasoning about rational agents. / MA: MIT Press, Cambridge. 2000.

106. Yu zhe, Zhang. Thermal-dynamic Autocontrol System. / Man-jia, Wang. // Waterpub, Beijing, China. 1985.

107. Yuji Watanabe. A Robot with a Decentralized Consensus-making Mechanism Based on the immune System. / Akio Ishiguro, Toshiyuki Kondo, Yasuhiro Shirai and Yoshiki Uchikawa. // Proceedings of ISADS'97, 1997. P. 231-237.

108. Zambonelli, F. Orgnisational rules as an abstraction for the analysis and design of multi-agent systems. / Jennings, N. R. Wooldridge, M. // International Journalof Software Engineering and Knowledge Engineering, 2001. vol. 11, No. 3, P. 303-328.