Методика нейроуправления иерархической системой в условиях конфликта и неопределенности тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Чечурин, Алексей Викторович

• Чечурин, Алексей Викторович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Чечурин, Алексей Викторович

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1. ПОСТАНОВКА ЗАДАЧИ СИНТЕЗА АЛГОРИТМОВ НЕЙРОУПРАВ-ЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ

1.1 Постановка задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности.

1.1.1 Исходная постановка задачи в виде иерархической игры с правом первого хода.

1.1.2 Анализ игровых моделей управления в условиях конфликта и неопределенности

1.2 Обоснование целесообразности нейросетевого подхода к решению задач оптимизации управления иерархическими системами в условиях конфликта и неопределенности.

1.3 Формализация исходной задачи в нейросетевом логическом базисе

1.4 Постановка задачи обучения иерархического нейросетевого ансамбля

1.4.1 Разработка структуры нейросетевого ансамбля

1.4.2 Обучение унифицированного нейросетевого классификатора.

1.5 Выводы.

2. РАЗРАБОТКА МЕТОДИКИ НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ.

2.1 Разработка нейроконтроллера на основе ИНСА для построения иерархического стабильно-эффективного компромисса.

2.1.1 Структура нейроконтроллера и назначение его основных блоков

2.1.2 Функционирование нейроконтроллера.

2.2 Разработка многокритериальной методики обучения унифицированного нейросетевого классификатора.

2.2.1 Построение обучающих множеств для УНК

2.2.2 Построение весовой матрицы многослойного персептрона из УНК

2.2.3 Построение весовой матрицы сети из УНК

2.2.4 Селекторная схема УНК.

2.3 Выводы

3. ИССЛЕДОВАНИЕ ПРЕДЕЛЬНЫХ ВОЗМОЖНОСТЕЙ СИСТЕМЫ ПЕРЕДАЧИ РАДИОЭЛЕКТРОННОЙ ИНФОРМАЦИИ

3.1 Структура и назначение системы передачи радиоэлектронной информации

3.2 Разработка игровой модели оптимизации управления потоками данных в каналах СПРЭИ.

3.3 Исследование эффективности алгоритмов нейроуправления потоками данных в каналах СПРЭИ в условиях конфликта и неопределенности

3.3.1 Параметры потоков данных и каналов связи СПРЭИ

3.3.2 Построение ИНСА для решения задачи оптимизации управления потоками данных в каналах СПРЭИ

3.3.3 Сравнение эффективности алгоритмов нейроуправления многокритериальными системами в условиях конфликта и неопределенности

3.3.4 Результаты исследования предельных возможностей СПРЭИ

3.4 Выводы.Ю

4. ОБЗОР КОМПЛЕКСА ПРОГРАММНЫХ СРЕДСТВ

4.1 Структура комплекса программных средств, назначение и описание его компонентов

4.2 Выводы

Введение диссертации (часть автореферата) на тему «Методика нейроуправления иерархической системой в условиях конфликта и неопределенности»

Современные системы обработки информации и управления имеют такие структурно-функциональные особенности, как иерархическая многоуровневая структура, наличие множества подсистем, многокритериальность целей управления, необходимость функционирования в условиях неопределенности.

Как известно, перечисленные особенности подобных структурно-сложных систем (ССС) наиболее полно могут быть учтены игровыми подходами, в особенности, с помощью иерархических игровых моделей управления. Одним из перспективных является направление, основанное на комбинировании теоретико-игровых принципов оптимальности, что позволяет учитывать различные виды конфликтного взаимодействия подсистем, а также находить конфликтно-оптимальные решения игровых задач управления с заданными свойствами. В частности использование иерархических стабильно-эффективных компромиссов дает возможность находить оптимальные решения, обладающие свойствами предельной эффективности и устойчивости на всех уровнях управления.

Однако существующие алгоритмы поиска стабильно-эффективных игровых решений (в сочетании с проблемой глобальной оптимизации) обладают высокой вычислительной сложностью и не удовлетворяют требованиям их реализации в режиме реального времени, что является существенным препятствием при решении практических задач. Эти же причины требуют представления управляющих сил в виде параметризованных программно-корректируемых законов управления.

Одним из самых динамично развивающихся подходов к решению в режиме реального времени задач оптимизации управления является технология искусственных нейронных сетей (ИНС), которые все более активно используются при реализации сложных систем обработки информации и управления.

В то же время распространение технологии нейроуправления на задачи оптимизации управления иерархическими многокритериальными конфликтными системами (ИМКС) в условиях неопределенности требует разработки новых нейросетевых архитектур, а также новых эффективных обучающих процедур, учитывающих особенности решаемых задач.

Все вышесказанное определяет актуальность темы диссертационного исследования.

Цель работы - разработка формализованного подхода к решению в режиме реального времени задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности на основе иерархических нейросете-вых ансамблей (ИНСА).

Поставленная цель предполагает решение следующих основных задач:

- обоснование целесообразности использования ИНСА при решении задачи многокритериальной конфликтной оптимизации управления иерархической системой в условиях неопределенности;

- формализация постановки задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности в нейросетевом базисе;

- разработка архитектуры ИНСА с учетом особенностей решаемой задачи;

- разработка алгоритмического обеспечения обучения ИНСА;

- разработка методики синтеза алгоритмов многокритериального нейро-управления иерархической системой в условиях конфликта и неопределенности.

Объектом исследования являются процессы управления в иерархических многокритериальных конфликтных системах, функционирующих в условиях неопределенности.

Предмет исследования являются нейросетевые технологии оптимизации управления иерархическими многокритериальными конфликтными системами в условиях неопределенности.

Научная новизна работы заключается в формировании комплексного формализованного подхода к решению в режиме реального времени задачи оптимизации управления иерархической многокритериальной конфликтной системой, функционирующей в условиях неопределенности, на основе иерархических нейросетевых ансамблей.

В рамках предложенного подхода получены следующие основные научно-практические результаты:

1. Постановка задачи оптимизации управления ИМКС в условиях неопределенности формализована в нейросетевом базисе. Для решения поставленной задачи предложено использовать принцип иерархического стабильно-эффективного игрового компромисса.

2. Разработана структура ИНСА, включающего в себя в качестве базовых элементов унифицированные нейросетевые классификаторы (УНК), которые осуществляют построение множеств конфликтно-оптимальных решений, соответствующих выбранным принципам оптимальности.

3. Разработана методика многокритериального обучения унифицированного нейросетевого классификатора, позволяющая:

- повысить достоверность результатов функционирования УНК;

- решать задачу классификации входных сигналов УНК в режиме реального времени.

Практическая ценность состоит в том, что научные результаты диссертации реализованы в виде инженерной методики синтеза алгоритмов многокритериального нейроуправления иерархической системой в условиях конфликта и неопределенности.

Разработанная методика реализована в виде комплекса программных средств (КПС) и использована для решения задачи оптимизации управления иерархической системой передачи радиоэлектронной информации (СПРЭИ) в условиях конфликта и неопределенности.

Диссертация состоит из введения, 4 глав, заключения, перечня сокращений, списка литературы из 97 наименований. Объем работы составляет 117 страниц, включая 23 рисунка и 12 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Чечурин, Алексей Викторович

4.2 Выводы

1. Разработан КПС, реализующий предложенную методику и применимый для решения широкого круга задач оптимизации управления иерархической системой в условиях конфликта и неопределенности.

2. Разработано программное средство, предназначенное для получения исходных данных, на основе которых осуществляется построение обучающих выборок для компонентов УНК ИНСА.

3. Разработано программное средство, предназначенное для формирования обучающих выборок для компонентов УНК ИНСА.

4. Разработано программное средство, предназначенное для настройки конфигурации и обучения компонентов УНК ИНСА.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные научные и практические результаты.

1. Постановка задачи оптимизации управления иерархической многокритериальной конфликтной системой в условиях неопределенности сформулирована в нейросетевом логическом базисе. Для решения поставленной задачи предложено использовать принцип иерархического стабильно-эффективного компромисса.

2. Разработана схема нейронного управления иерархической многокритериальной конфликтной системой в условиях неопределенности, используемая для построения иерархического стабильно-эффективного компромисса в режиме реального времени, которая включает нейроконтроллер с компонентами: блок структурно-целевой декомпозиции, иерархический нейросетевой ансамбль, блок агрегирования свойств конфликтно-оптимальных решений.

3. Разработана структура иерархического нейросетевого ансамбля, включающего в себя в качестве базовых элементов унифицированные нейросетевые классификаторы.

4. Разработана методика многокритериального обучения унифицированного нейросетевого классификатора, позволяющая:

- повысить достоверность результатов функционирования многослойного персептрона и сети ЬУС) из состава унифицированного нейросетевого классификатора;

- решать задачу классификации входных сигналов унифицированного нейросетевого классификатора в режиме реального времени.

5. Разработана методика синтеза алгоритмов оптимального управления иерархической многокритериальной конфликтной системой в условиях неопределенности на основе иерархического нейросетевого ансамбля.

6. Разработан комплекс программных средств, который реализует предложенную методику и может быть использован для решения широкого круга задач оптимизации управления иерархическими системами в условиях конфликта и неопределенности.

7. Разработанная методика использована для решения задачи оптимизации управления иерархической системой передачи радиоэлектронной информации. Показано, что применение алгоритмов ИНСА-управления, реализующих управление, как приоритетами подсистем, так и распределением входных потоков данных по каналам, позволяет более эффективно использовать ресурсы системы по сравнению с алгоритмами управления нагрузкой в каналах связи при фиксированных приоритетах подсистем.

8. Имеется свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2011618436, 26.11.2011г. Результаты работы используются в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплине «Технологии системного моделирования».

Список литературы диссертационного исследования кандидат технических наук Чечурин, Алексей Викторович, 2012 год

1. Агеев ДА. Решение задач маршрутизации на базе нейронных сетей. // НКП-2001, Сб. трудов VII Всероссийской конференции "Нейрокомпьютеры и их применение", Москва, 2001.

2. Бабинцев Ю.Н. Оптимизация управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевых ансамблей: Дисс. . к.т.н. 05.13.01 /МГУПИ. М., 2010. - 135 с.

3. Базара М., Шетти К. Нелинейное программирование. Теория и алгоритмы: Пер. с англ. М.: Мир, 1982. - 583 стр.

4. Бертсекас Д., Галлагер Р. Сети передачи данных. М.: Мир, 1989. -544 стр.

5. Васильев В.И., Жернаков C.B., Урасбахтина Л.Б. Нейросетевой контроль параметров газотурбинного двигателя // Нейрокомпьютеры: разработка, применение. 2001. - № 1. - С.37-43.

6. Васильев В.И., Ильясов Б.Г., Валеев C.B., Жернаков C.B. Интеллектуальные системы управления с использованием нейронных сетей. Учебное пособие. Уфа: УГАТУ, 1997. - 92 стр.

7. Васильев Н.С. Математическое моделирование в задачах маршрутизации сетей передачи данных (многокритериальный подход). Автореф. дисс. . д. ф.-м. н. 05.13.16 / Н. С. Васильев. Тверь, 1999. - 22 стр.

8. Вилкас Э.Й. Оптимальность в играх и решениях. М.: Наука, 1990. -256 стр.

9. Воробьев H.H. Основы теории игр. Бескоалиционные игры. М.: Наука, 1984. - 496с.

10. Воронов Е.М. Методы оптимизации управления многообъектными многокритериальными системами на основе стабильно-эффективных игровыхрешений: Учебник / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.- 576 стр.

11. Воронов Е.М., Карпунин A.A., Серов В.А. Иерархическое равновесие в многоуровневых системах управления // Вестник РУДН. Сер. Инженерные ис-следования. 2008. - №4. - С. 18-29.

12. Галушкин А.И. Теория нейронных сетей. Кн. 1. (Нейрокомпьютеры и их применение). М.: ИПРЖР, 2000. - 416 стр.

13. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Под общ. ред. Вороновского Г. К. X.: Основа, 1997.- 112 стр.

14. Гермейер Ю.Б. Введение в теорию исследования операций. М.: Наука, 1971. - 383 стр.

15. Гладков JI.A., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. М.: ФИЗМАТЛИТ, 2006. - 320 стр.

16. Горбань А.Н., Дудин-Барковский B.J1. Нейроинформатика. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 стр.

17. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 стр.

18. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: ФИЗМАТЛИТ, 2003. - 432 стр.

19. Ефимов В.В. Нейроподобные сети в бортовых информационно-управляющих комплексах космических аппаратов. СПб: ВИКА им. А.Ф.Можайского, 1996.

20. Жуковский В.И., Жуковская Л.В. Риск в многокритериальных и конфликтных системах при неопределенности / Под ред В.С.Молоствова. М.: Едиториал УРСС, 2004. - 272с.

21. Жуковский В.И., Молостов B.C. Многокритериальное принятие решений в условиях неопределенности. М.: МНИИПУ, 1988. - 131 стр.

22. Жуковский В.И., Чикрий A.A. Линейно-квадратичные дифференциальные игры. Киев: Наукова Думка, 1994. - 320 стр.

23. Колесников A.A., Гельфгат А.Г. Проектирование многокритериальных систем управления промышленными объектами. М.: Энергоатомиздат, 1993.-304 стр.

24. Комарцова Л.Г. Максимов A.B. Нейрокомпьютеры: Учебное пособие для вузов. М.: Изд-во МГТУ им. Н.Э.Баумана, 2004. - 400 стр.

25. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия - Телеком, 2003. - 93 стр.

26. Кононенко Р.Н., Лебедько O.A., Топчий А.П. Комбинированный эволюционный поиск в обучении нейронных сетей // Математическое моделирование. М.: Наука, 1997. - Т.9, №2. - С.74-76.

27. Кохонен Т. Самоорганизующиеся карты. М.: БИНОМ. Лаборатория знаний, 2008. - 655 с.

28. Кудряшов C.B. Оптимальная маршрутизация информационных потоков в беспроводных сенсорных сетях // Теория и системы управления. 2008, №2.-С. 126-140.

29. Куссуль Э.М., Байдык Т.Н. Структура нейронных ансамблей // Нейрокомпьютер. 1992. - №1. - С.41-47.

30. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. (Пакеты прикладных программ; Кн. 4) / Под общ. ред. к.т.н. Потемкина В.Г. М.: ДИАЛОГ-МИФИ, 2002. - 496 стр.

31. Месарович М., Мако Д., Такахара Н. Теория иерархических многоуровневых систем. Пер. с англ. М.:Мир, 1973. - 344 с.

32. Методы классической и современной теории автоматического управления: Учебник в 3-х томах. Т.З: Методы современной теории автоматического управления / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э.Баумана, 2000. - 748 стр.

33. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001. -744 стр.

34. Модели и методы векторной оптимизации / Емельянов C.B., Борисов В.И., Молевич À.A. и др. // Итоги науки и техники. Техническая кибернетика. М.: ВИНИТИ, 1973. - Т.5. - С. 386-448.

35. Назаров А., Лоскутов А. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и Техника, 2003. - 187 стр.

36. Нейроинформатика: Учеб. пособие для студентов / Е.М. Миркес. -Красноярск: ИПЦ КГТУ, 2002. 347 стр.

37. Нейроматематика. Кн.6: Учеб. пособие для вузов / Агеев А.Д., Ба-лухто А.Н., Бычков A.B. и др.; Общая редакция А.И. Галушкина. М.:ИПРЖР, 2002. - 448 стр.: ил. (Нейрокомпьютеры и их применение).

38. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.:ИПРЖР, 2001. - 256 е.: ил. (Нейрокомпьютеры и их применение).

39. Олифер В.Г., Олифер H.A. Компьютерные сети. Принципы, технологии, протоколы: Учебник для вузов. 3-е изд. СПб.: Питер, 2006. - 958 стр.

40. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 стр.

41. Пасечников И.И. Методология анализа и синтеза предельно нагруженных информационных сетей. М.: «Издательство Машиностроение-1», 2004. - 216 стр.

42. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука, 1982. - 254 стр.

43. Препарата Ф., Шеймос М. Вычислительная геометрия. Введение. -М.:Мир, 1989. 478 с.

44. Проблемы построения и обучения нейронных сетей / под ред. А.И.Галушкина и В.А.Шахнова. М.: Машиностроение, 1999. - 105 стр. (Библиотечка журнала Информационные технологии).

45. Сергеев С. А., Махотило К.В. Генетические алгоритмы в синтезе прямонаправленных нейронных сетей // Новые информационные технологии в науке, образовании и бизнесе: Труды XIII Межд. конф. (Украина, Ялта, 15-24 мая 1996 г.). С.338-342.

46. Серов В.А. Генетические алгоритмы оптимизации управления многокритериальными системами в условиях неопределенности на основе конфликтных равновесий // Вестник МГТУ им. Н.Э.Баумана. Сер. "Приборостроение". 2007. - №4 (69). - С.70-80.

47. Серов В.А. О ситуациях равновесия в коалиционных конфликтных моделях структурно-сложных систем // Вестник РУДН. Сер. Инженерные исследования. 2000. - №3. - С. 3-8.

48. Серов В.А., Чечурин A.B. Управление многоуровневыми системами в режиме реального времени на основе иерархических нейронных ансамблей // Шестая международная конференция-выставка «Промышленные контроллеры 2011: от А до Я».

49. Сигеру О., Марзуки X., Рубия Ю. Нейроуправление и его приложения: Пер. с англ. Кн. 2 /; под ред. А.И.Галушкина, В.А.Птичкина. М.: ИПРЖР, 2000. - 272с. (Нейрокомпьютеры и их применение).

50. Смольяков Э.Р. Теория конфликтных равновесий. Едиториал УРСС, 2005. - 304 с.

51. Судариков В.А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер, 1992. № 3,4. С. 13-20.

52. Терехов В.А. Нейросетевые системы управления: Учебное пособие для вузов / ВА.Терехов, Д.В.Ефимов. М.: Высш. шк., 2002. - 183 с.

53. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. 240 с.

54. Управление динамическими системами в условиях неопределенности / С.Т. Кусимов, Б.Г. Ильясов, В.И. Васильев и др. М.: Наука, 1998. - 452 с.

55. Харшаньи Дж., Рейнхард 3. Общая теория выбора равновесия в играх. СПб.: 2001. - 424с.

56. Юсеф Яхья Абдулла Хольба. Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности: Дисс. . к.т.н. 05.13.01 / РУДН.-М., 2002.- 121 с.

57. Baran R.H. Coughlin J.P. Nash equilibria in multineuron games. // Math. Comput. Modelling, vol. 14, 1990, p.334-335.

58. Capi G. etc. Evolution of low-complexity neural controllers based on multiobjective evolution // Artificial Life and Robotics, vol.12, no. 1-2, March 2008, p. 53-58.

59. Castillo, P.A. Rivas, V. etc. G-Prop-II: global optimization of multilayer perceptions using Gas // Evolutionary Computation, 1999. CEC 99, vol.3, 1999.

60. Chen Ming, Li Minghui. Kohonen neural network based solution of TSP (traveling salesman problem). // Mini Micro Syst., vol. 15, no. 11, Nov. 1994, p.35-39.

61. Deb K. Evolutionary Algorithms for Multi-Criterion Optimization in Engineering Design // Proc. of Evolutionary Algorithms in Engineering and Computer Science (EUROGEN-99), 1999.

62. Fonseca C., Fleming P. Multiobjective Optimization and Multiple Constraint Handling with Evolutionary Algorithms Part I-II // IEEE Transactions on Systems, Man and Cybernetics - Part A: Systems and Humans. - (January) 1998. - 28(1). -P. 26-47.

63. Gu Yiran, Wang Suoping. Traffic Identification Method for Specific P2P Based on Multilayer Tree Combination Classification by BP-LVQ Neural-Network // Information Technology and Applications (IFITA). 2010, p. 34-38.

64. Gupta M. M. and Rao D. H., Neuro-Control Systems. Theory and Applications, IEEE Press, 1994.

65. Hartigan, J. A. & Wong, M. A. Algorithm 136. A k-means clustering algorithm. Applied Statistics, 28, 100, 1978.

66. Hong Men, Weiguang Wang etc. Application of Neural Networks to Identify Wine Based on Electronic Tongue // Computational Intelligence and Industrial Application, 2008. PACIIA '08, vol.1, 2008, p. 896-900.

67. Hong-Yu Yang, Li-Xia Xie. Hybrid Hierarchical Network Intrusion Detection // Machine Learning and Cybernetics. 2006, p. 2702-2706.

68. Jatmiko. W. etc. Visualization and statistical analysis of fuzzy-neuro learning vector quantization based on particle swarm optimization for recognizing mixture odors // Micro-NanoMechatronics and Human Science, 2009. MHS 2009, 2009, p. 420-425.

69. Jing-min Wang, Yu-qian Wen. Application of Genetic LVQ Neural Network in Credit Analysis of Power Customer // Natural Computation, 2008. ICNC *08, vol. 2, 2008, p. 305-309.

70. Koikkalainen. P., Oja E. Tree Structured Self-Organizing Maps // Kohonen Maps. Elsevier, The Netherlands. 1999, p. 121-130.

71. Laaksonen J. etc. PicSOM content-based image retrieval with self-organizing maps // Pattern Recognition Letters 21, Elsevier Science. No. 13-14, p. 1199-1207.

72. Li Yunzhen, Ida K. Neural network approach for multicriteria solid transportation problem. // Comput. Ind. Eng., vol .33, no. 3-4, Dec. 1997, p. 465-468.

73. Matsuyama Yasuo. Competitive self-organization and combinatorial optimization: applications to traveling salesman problem. // IJCNN, San Diego, Calif., 1990, vol. 3, p. 819-824.

74. Modares A., Somhom S., Enkava T. A self-organizing neural network approach for multiple traveling salesman and vehicle routing problems. // Int. Trans. Oper. Res., vol. 6, no. 6, Nov. 1999, p. 591-606.

75. Narendra K. Neural Network for Control: Theory and Practice // Proc. of the IEEE. 1996. - V.84, №10. - P.1385-1406.

76. Nguyen D., Widrow B. Neural networks for self-learning control systems // IEEE Control Systems Magazine. 1990. - Vol.10, № 3. - P.334-341.

77. Ning Chen, Ribeiro. B. etc. Hybrid Genetic Algorithm and Learning Vector Quantization Modeling for Cost-Sensitive Bankruptcy Prediction // Machine Learning and Computing (ICMLC). 2010, p. 213-217.

78. Orozco-Monteagudo M. Training of Multilayer Perceptron Neural Networks by Using Cellular Genetic Algorithms // Lecture Notes in Computer Science, vol. 4225, 2006, p. 389-398.

79. Pham, D.T., Otri, S. etc. Application of the Bees Algorithm to the Training of Learning Vector Quantisation Networks for Control Chart Pattern Recognition // Information and Communication Technologies, 2006. ICTTA '06, vol. 1, 2006, p. 1624-1629.

80. Roth S., Gepperth A. Multi-Objective Neural Network Optimization for Visual Object Detection // Studies in Computational Intelligence, vol. 16, 2006, p. 629-655.

81. Seiffertt. J., Mulder. S. etc. Neural networks and Markov models for the iterated prisoner's dilemma // Neural Networks, 2009. IJCNN 2009, p. 2860-2866.

82. Swee Chiang Chiam etc. Multiobjective Evolutionary Neural Networks for Time Series Forecasting // Lecture Notes in Computer Science, vol. 4403, 2007, p. 346-360.

83. Tao Qing, Fang Tingjian. The neural network model for solving minimax problems with constraints. // Control Theory Appl., vol. 17, no. 1, Feb. 2000, p. 82-84.

84. Wieselthier J.E., Barnhart C.M., Ephermides A., A Neural Networks Approach to Routing Without Interference in Multishop Radio Networks, IEEE Transaeations on Comm., 1994, vol.42, №1, pp.166-177.

85. Yen Gary G. Multi-Objective Evolutionary Algorithm for Radial Basis Function Neural Network Design // Studies in Computational Intelligence, vol. 16, 2006, p. 221-239.

86. Yoshihara, Т., Wada, T. Optimization by extended LVQ // IJCNN-91-Seattle. Vol. 1, 1991, p. 407-414.

87. Zhang Muxiang, Ma Fulong, Xiao Gouzhen. Применение нейронных сетей в системах оптимизации. // Acta electron, sin., 1993, vol. 21, no. 7, p. 1-7.

88. Zitzler E., Lothar T. An Evolutionary Algorithm for Multiobjective Optimization: The Strength Pareto Approach // Technical Report TIK 43 / Computer Engineering and Communication Networks Lab. Swiss Federal Institute of Technology (ETH). (May) 1998.