Методика обучения неклассическим вычислительным моделям бакалавров физико-математического образования тема диссертации и автореферата по ВАК РФ 13.00.02, кандидат педагогических наук Стефанова, Татьяна Сергеевна

• Стефанова, Татьяна Сергеевна
• кандидат педагогических наук
• 2008

Оглавление диссертации кандидат педагогических наук Стефанова, Татьяна Сергеевна

ВВЕДЕНИЕ

Глава 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ МЕТОДИЧЕСКОЙ

СИСТЕМЫ ОБУЧЕНИЯ НЕКЛАССИЧЕСКИМ ВЫЧИСЛИТЕЛЬНЫМ

МОДЕЛЯМ.

§1.1. Семиотический подход в методике обучения вычислительным моделям

§1.2. Понятие "вычислительная модель"

§1.3. Понятие "природные вычисления"

§1.4. Философские модели эволюции

§1.5. Логика методической системы обучения

Выводы по главе

Глава 2. ПОСТРОЕНИЕ МЕТОДИЧЕСКОЙ СИСТЕМЫ ОБУЧЕНИЯ НЕКЛАССИЧЕСКИМ ВЫЧИСЛИТЕЛЬНЫМ МОДЕЛЯМ

§2.1. Внешние цели обучения

§2.2. Содержание обучения

2.2.1. Концептуальные содержательные линии

2.2.2. Классические вычислительные модели

2.2.3. Неклассические вычислительные модели

2.2.3.1. Эволюционное программирование

2.2.3.1.1. Генетические алгоритмы

2.2.3.1.2. Генетическое программирование

2.2.3.1. 2.1. Самовоспроизводящиеся программы квайны)

2.2.3.1.2.2. Равнодоступная адресная машина с хранимой программой (РАСП)

2.2.3.1.3. Клеточные автоматы

2.2.3.1.3.1. Игра "Жизнь" и клеточные автоматы

2.2.3.1.3.2. Автомат Неймана.ИЗ

2.2.3.2. Нейронные сети (мягкие вычисления, обучение нейронных сетей) .ИЗ

2.2.3.3. ДНК-компьютеры и их моделирование

2.2.3.3.1. ДНК-вычисления (предварительные сведения)

2.2.3.3.2. Компьютерное моделирование ДНК-компьютера: опыт Эдлмана.

2.2.3.3.3. Компьютерное моделирование ДНК-компьютера: стикерная модель молекулярных вычислений

2.2.3.3.4. Компьютерное моделирование молекулярных вычислений на базе конечных и магазинных автоматов Уотсона-Крика

2.2.3.4. Квантовые вычисления

§2. 3. Внутренние цели обучения

§2.4. Методы обучения

§2.5. Формы обучения

§2.6. Средства обучения

Выводы по главе

Глава 3. ОРГАНИЗАЦИЯ И ПРОВЕДЕНИЕ ПЕДАГОГИЧЕСКОГО ЭКСПЕРИМЕНТА

§3.1. Общая характеристика опытно-экспериментального исследования

§3.2. Использование кластерного анализа для классифицирования вычислительных моделей

§3.3. Использование факторного анализа при отборе содержания обучения вычислительным моделям

§3.4. Применение методов теории графов для последующего отбора содержания вычислительным моделям

§3.5. Исследование эффективности разработанной методики при обучении бакалавров физико-математического образования

Выводы по главе

Введение диссертации (часть автореферата) на тему «Методика обучения неклассическим вычислительным моделям бакалавров физико-математического образования»

Актуальность исследования. В условиях современного уровня развития вычислительной техники появилась необходимость в специалистах, которые могли бы эффективно её использовать. В свою очередь для высокоэффективного использования вычислительных машин необходима алгоритмическая, языковая и технологическая культура. Причём алгоритмическая культура носит наиболее фундаментальный характер - ведь в вычислительной машине работает алгоритм. Необходимость языковой и технологической культуры определяется тем, что программное обеспечение разрабатывается людьми и для людей. Только объединение всех трёх, упомянутых выше, компонентов вычислительной культуры, при условии их хорошей сбалансированности, могут дать полноценного специалиста в области применения вычислительной техники.

С другой стороны, развитие вычислительной техники влияет на изменения подходов к разработке компьютерных программ. Новые возможности, предоставляемые современными архитектурами исполнителей, должны эффективно использоваться. Что позволяет говорить о необходимости выделения новых вычислительных моделей, основу которых могут составлять алгоритмы, содержащиеся в моделях природных процессов.

Но с возникновением новых вычислительных моделей появляются проблемы, связанные с их применением в конкретных ситуациях. Это объясняется тем, что различные вычислительные модели могут приводить к одним и тем же результатам, но это вовсе не означает, что данные модели используют одинаковые алгоритмы. Данное замечание относится как к классическим, так и к неклассическим вычислительным моделям. Причём под неклассической (природной) вычислительной моделью будем понимать алгоритмы, содержащиеся в моделях природных процессов.

Например, для некоторых неклассических вычислительных моделей (ДНК-вычисления, квантовые вычисления), характерна высокая степень распараллеливания процесса. Это обстоятельство может привести к тому, что в зависимости от природы решаемых типов задач предпочтительными могут оказаться те вычислительные модели, которые позволяют за приемлемое время получить ожидаемый результат.

Иначе говоря, различные вычислительные модели могут оказаться неравноценными в той или иной ситуации, поэтому возникает необходимость в классификации данных моделей и оценке качества алгоритмов, реализуемых ими.

В Государственном образовательном стандарте высшего профессионального образования по направлению "540200. Физико-математическое образование" дисциплины профильной подготовки "Информатика" (например, "Теоретические основы информатики") включают разделы, содержащие некоторые неклассические вычислительные модели.

С другой стороны, актуальность исследования подтверждают следующие противоречия:

1) несоответствие уровня представления о неклассических вычислительных моделей у бакалавров физико-математического образования уровню, позволяющему свободно воспринимать алгоритмические конструкции разных вычислительных моделей;

2) в связи с возникновением спектра вычислительных моделей, входящих в образовательный стандарт, и необходимостью в их классифицировании, появляется потребность в разработке методики обучения бакалавров физико-математического образования неклассическим вычислительным моделям;

3) отсутствие учебных компьютерных программ, моделирующих неклассические вычислительные модели, необходимых для осуществления учебного процесса;

4) возникающие, в настоящее время, вычислительные модели (генетические алгоритмы, генетическое программирование, нейронные сети, ДНК-вычисления, квантовые вычисления) пока не нашли отражения в достаточном количестве учебных и методических пособий для их преподавания.

Однако следует отметить ряд изданий, в которых затрагиваются вопросы, связанные с некоторыми неклассическими вычислительными моделями: "Генетические алгоритмы" {Л. А. Гладков, В.В. Курейчик, В.М. Курейчик, 2006), "Машины клеточных автоматов" (Т. Тоффоли, Е. Марголус, 1991), "Нейронные сети, генетические алгоритмы и нечеткие системы" (Л. Рутковская, М. Пилипьский, J1. Рутковский,

2006), "ДНК-компьютер. Новая парадигма вычислений" (Г. Паук, Г. Розенберг, А. Саломаа, 2004), "Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология" (Л? Гасфилд, 2003) (ДНК-вычисления), "Квантовые вычисления и квантовая информация" (Я. Нильсен, И. Чат, 2006), "Введение в вычислительную молекулярную биологию" {Ж. Сету бал, Ж. Мейданис,

2007).

Сказанное выше определяет актуальность исследования и позволяет сформулировать научную проблему исследования: отбор содержания и построение методики обучения бакалавров физико-математического образования неклассическим вычислительным моделям.

Описанная проблема с учетом ее актуальности позволила сформулировать следующую темы исследования: "Методика обучения неклассическим вычислительным моделям бакалавров физико-математического обуазования". Решение поставленной научной проблемы исследования непосредственно отражено в содержании настоящей работы.

Цель исследования состоит в разработке методической системы обучения бакалавров физико-математического образования неклассическим вычислительным моделям в рамках дисциплины специализации "Информатика".

Объектом исследования выступает учебный процесс обучения бакалавров физико-математического образования неклассическим вычислительным моделям в педагогическом университете.

Предметом исследования является методическая система обучения бакалавров физико-математического образования неклассическим вычислительным моделям.

Гипотеза исследования заключается в том, что методическая система обучения бакалавров физико-математического образования неклассическим вычислительным моделям может быть построена, если:

1) принять в качестве базового понятия "неклассическая вычислительная модель", которое характеризует модель, содержащуюся в моделях природных процессов;

2) опираться на предложенную классификацию вычислительных моделей, построенную с учётом биолого-химического, квантово-механи-ческого и социального взгляда на реальность (т.е. использовать природные и социальные явления в качестве оснований классификации), для отбора содержания обучения;

3) воспользоваться методом межпарадигмальной рефлексии (по И.А. Колесниковой), методом межпредметных связей и семиотическим подходом для структурирования и корректирования предполагаемого содержания обучения;

4) применять компьютерные средства обучения неклассическим вычислительным моделям, позволяющие имитировать работу представительных и непредставительных неклассических вычислительных моделей.

Для достижения поставленной цели и проверки достоверности выдвинутой гипотезы исследования были поставлены следующие задачи.

Первая гриппа задач (задачи методологического характера) - определение исходных методологических принципов построения методической системы обучения бакалавров физико-математического образования неклассическим вычислительным моделям:

1) выбрать методологию исследования в области методики обучения неклассическим вычислительным моделям;

2) выделить ведущие принципы построения методической системы обучения неклассическим вычислительным моделям (метод межпарадиг-мальной рефлексии, метод межпредметных связей, семиотический подход) ;

3) осуществить исследование выделенных классических и неклассических вычислительных моделей;

4) выделить новые концептуальные линию математических оснований в обучение теоретической информатике.

Вторая гриппа задач (задачи теоретического характера) - построение методической системы обучения бакалавров физико-математического образования неклассическим вычислительным моделям:

1) уточнить содержание понятия "вычислительная модель";

2) определить понятие "неклассическая вычислительная модель";

3) раскрыть содержание понятий "природные вычисления" и "философские модели эволюции";

4) определить цели обучения неклассическим вычислительным моделям;

5) осуществить отбор содержания обучения неклассическим вычислительным моделям;

6) выбрать целесообразные методы, формы и средства обучения бакалавров природным вычислительным моделям с учётом поставленных целей.

Третья группа задач (задачи практического характера) - частичная практическая реализация теоретических положений нашего исследования:

1) провести экспериментальную проверку разработанных теоретических положений в условиях констатирующего и формирующего экспериментов;

2) осуществить классифицирование задач по каждому разделу выделенного содержания обучения;

3) реализовать отсутствующие учебные интерпретаторы неклассических вычислительных моделей (например, некоторые алгоритмы обучения нейронных сетей, элементы квантового компьютера);

4) разработать систему учебных пособий по классическим и неклассическим вычислительным моделям, причём каждое пособие будет сопровождаться разработкой методических рекомендации для преподавателей вузов по планированию и проведению учебных занятий, направленных на обучение студентов различным вычислительным моделям. I

Для решения задач исследования применялись следующие методы:

- анализ философской, научно-методической, психолого-педагогической литературы по проблемам информатизации системы образования и по проблемам построения содержания обучения;

- анализ научной литературы по математике, информатике, биологии, физике, методике преподавания математики и информатики;

- анализ вузовских стандартов, зарубежных и отечественных программ подготовки бакалавров физико-математического образования (профиль "информатика"), учебников и учебных пособий по информатике и вычислительной технике, а также по теории алгоритмов;

- метод межпарадигмальной рефлексии, метод межпредметных связей, логико-семиотический для анализа выбранного содержания обучения;

- метод экспертных оценок и обработка результатов методами факторного и кластерного анализа, анализ контрольных работ и метод статистической обработки результатов эксперимента (применялись при констатирующем и формирующем эксперименте для проверки отдельных теоретических положений работы);

- моделирование содержания обучения неклассическим вычислительным моделям с помощью аппарата теории графов.

Научная новизна исследования заключается в том, что:

1) на основе анализа научной и учебно-методической литературы по информатике, математике и другим естественнонаучным дисциплинам выделено новое понятие "неклассическая вычислительная модель " ;

2) построена классификация вычислительных моделей, основание которой составляют модели природных процессов (например, биолого-химические, квантово-механические модели);

3) для структурирования и корректирования содержания обучения используется принцип межпредметных связей, позволяющий передать студентам общность естественнонаучных дисциплин и показать специфику содержания в каждой учебной дисциплине;

4) в содержании обучения выделяются взаимосвязанные разделы, ориентированные на неклассические вычислительные модели (нейронные сети, квантовые вычисления, ДНК-вычисления, генетические алгоритмы, генетическое программирование), что позволяет, варьируя этими разделами, получить различные варианты новых учебных курсов.

Теоретическая значимость исследования определяется:

1) формулированием понятия "неклассическая вычислительная модель" на основе анализа ее природного источника происхождения;

2) построением классификации классических и неклассических вычислительных моделей с учетом биолого-химического, квантово-ме-ханического и социального взгляда на реальность (основанием классификации являются модели природных и социальных процессов);

3) методологией отбора содержания обучения на основе принципов построения методической системы обучения;

4) выделением принципа межпредметных связей для структурирования содержания обучения;

5) выделением новых содержательных линий "Молекулярные вычисления" и "Дискретное преобразование Фурье" в методике обучения информатики;

6) построенной методической системой обучения бакалавров физико-математического образования неклассическим вычислительным моделям, которую можно рассматривать как составляющую методической системы их фундаментальной подготовки.

Практическая значимость исследования состоит в том, что:

1) на основе построенной методической системы обучения неклассическим вычислительным моделям бакалавров физико-математического образования могут быть созданы различные варианты учебных курсов, включающие комбинации классических и неклассических вычислительных моделей;

2) элементы построенной методической системы обучения могут быть включены в дисциплины "Теоретические основы информатики", "Дискретная математика", "Теория алгоритмов", а также в рамках спецкурсов;

3) на основе разработанной методической системы обучения написаны учебные пособия и методические рекомендации для преподавателей, направленные на обучение бакалавров неклассическим вычислительным моделям;

4) разработаны новые учебные интерпретаторы природных вычислительных моделей (генетические алгоритмы, ДНК-компьютер, квантовый компьютер).

Достоверность и обоснованность полученных результатов обеспечена: методологией исследования, теоретическим обоснованием положений исследования и практической реализацией отдельных элементов построенной методической системы обучения; количественным и качественным анализом результатов исследования, полученным на основе использования методов исследования, адекватных предметным задачам и этапам исследования.

Апробация результатов исследования осуществлялась через публикации (2005-2008 гг.) и выступления на научно-методическом семинаре "Вопросы теории и методики обучения информатике" кафедры информатики факультета математики РГПУ им. А. И. Герцена (март 2005 - май 2007 гг.).

Структура диссертационного исследования. Диссертация состоит из введения, трех глав, заключения, библиографии и приложений. Основной текст занимает 199 с., в том числе 14 рисунков, 7 схем,

Заключение диссертации по теме «Теория и методика обучения и воспитания (по областям и уровням образования)», Стефанова, Татьяна Сергеевна

ВЫВОДЫ ПО ГЛАВЕ 3

1. В §3.1 сформулированы цели, задачи педагогического эксперимента; представлена структура и основные этапы опытно-экспериментального исследования (констатирующий, поисковый и формирующий), предложенные И. Я. Лапшой и Б. В. Лаптевым. Выбраны методы и средства проверки результатов исследования.

2. В §3.2 представлен фрагмент констатирующего этапа педагогического эксперимента, в котором используется кластерный анализ для формулирования гипотезы, относящейся к классификации вычислительных моделей. Данная гипотеза была использована в теоретическом анализе, проведённом в главе 2.

3. В §3.3 приведён фрагмент поискового и констатирующего этапа педагогического эксперимента, в котором с помощью факторного анализа, а также метода главных компонент были выделены основные факторы, влияющие на содержание обучения бакалавров физико-математического образования неклассическим вычислительным моделям.

4. В §3.4 производилась оптимизация учебного материала по содержанию и по времени методами теории графов, а именно: на основе алгоритма топологической сортировки была получена вполне упорядоченная последовательность тем обучения неклассическим вычислительным моделям, а затем применив модифицированный алгоритм топологической сортировки были выделены разделы содержания, которые могут преподаваться параллельно. В результате была построена логическая структура содержания обучения (граф содержания) неклассическим вычислительным моделям.

5. В §3.5 описан фрагмент формирующего этапа педагогического эксперимента (с использованием методов параметрической статистики), позволяющий подтвердить гипотезу о возможности практической реализации построенной методической системы обучения бакалавров неклассическим вычислительным моделям.

ЗАКЛЮЧЕНИЕ

Проведённое теоретическое исследование показало, что успешная реализация методической системы фундаментальной подготовки бакалавров физико-математического образования в области информатики невозможна без достаточной подготовки в области неклассических вычислительных моделей. Поэтому предлагается обучать бакалавров физико-математического образования неклассическим вычислительным моделям.

Перечислим основные результаты нашего исследования:

1) предложен семиотический подход в методике обучения неклассическим вычислительным моделям;

2) раскрыто содержание понятия "вычислительная модель", которое опирается на понятие "алгоритм", "процесс", "вычислительный процесс", "алгоритмический процесс";

3) выделено базовое понятие "неклассическая вычислительная модель", которое описывает модель, содержащуюся в моделях природных процессов;

4) уточнено содержание понятия "природные вычисления", используемого для получения новых неклассических вычислительных моделей;

5) приведено описание понятия "философские модели эволюции", которое существенно опирается на процессы происходящие в природе (с точки зрения философии и естественных наук);

6) построена классификация вычислительных моделей, необходимая при отборе содержания обучения, основаниями которой являются модели природных и социальных процессов (например: биолого-химические, квантово-механические и социальные модели);

7) рассмотрены вопросы, относящиеся к логике методической системы (сформулированы основные принципы построения методической системы обучения: философские, дидактические, принципы отбора содержания и ведущие принципы обучения);

8) выделены новые концептуальные содержательные линии "Молекулярные вычисления" и "Дискретное преобразование Фурье" в обучение теоретической информатике;

9) описано построение методической системы обучения неклассическим вычислительным моделям: сформулированы внешние и внутренние цели обучения; произведён отбор содержания обучения на уровне методической системы; выбраны соответствующие содержанию обучения методы, формы и средства;

10) разработаны новые учебные компьютерные программы (интерпретаторы) , демонстрирующие работу неклассических вычислительных моделей (например, генетических алгоритмов, ДНК-компьютера, квантового компьютера);

И) показано: использование кластерного анализа для формулирования гипотезы, относящейся к классификации вычислительных моделей; использование факторного анализа для выявления основных факторов, влияющих на отбор содержания; применение методов теории графов для отбора учебного материала, а также оптимизации его по содержанию и по времени; применение методов математической статистики для проверки гипотез, выдвинутых в ходе исследования, а также анализа контрольных работ, проводимых в рамках нашего педагогического эксперимента.

Разработанная нами модель методической системы обучения неклассическим вычислительным моделям представляет собой "открытую" систему, доступную для ее изменения и корректирования с учётом развития современной вычислительной техники и появлением новых вычислительных моделей. Реализация её в учебном процессе требует определённых предварительных знаний и времени. Поэтому возможно проведение спецкурсов, внедрение элементов методической системы в дисциплины по теоретической информатике и теории алгоритмов.

Таким образом, в рамках поставленных задач выполненное диссертационное исследование можно считать законченным.

Перспективные направления развития предложенной методической системы обучения неклассическим вычислительным моделям могут быть следующие:

1) выделения парадигм вычислительных моделей на основе имеющихся классических и неклассических вычислительных моделей;

2) развитие содержания обучения по следующим разделам: "Квантовые вычисления" ("Квантовый алгоритм определения собственного числа", "Квантовый алгоритм нахождения порядка", "Квантовый алгоритм факторизации", "Квантовый алгоритм нахождения дискретного логарифма", "Квантовая криптография"), "ДНК-вычисления" ("Алгоритмы вычислительной молекулярной биологии"), "Нейронные сети" ("Алгоритм обучения нейронной сети без учителя", "Алгоритм обучения нейронной сети обратного распространения"), "Клеточные автоматы" (реализация на языке программирования FORTH), " Компьютерное моделирование молекулярных вычислений на базе конечных автоматов Уотсона-Крика" ("Всефинальный автомат Уотсона-Крика", "Префиксный автомат Уотсона-Крика", "Двухголовочный ограниченный конечный автомат Уотсона-Крика");

3) совершенствование выделенных и разработка новых методов, форм и средств обучения неклассическим вычислительным моделям;

4) внедрение в учебный процесс технологии обучения бакалавров физико-математического образования неклассическим вычислительным моделям.

Список литературы диссертационного исследования кандидат педагогических наук Стефанова, Татьяна Сергеевна, 2008 год

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. - М. : Фининсы и статистика, 2004. - 424 с.

2. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. - 176 с.

3. Батурина Г. И. К вопросу о сущности критериев эффективности обучения // Новые исследования в педагогических науках, 1973, Ж7. С.44-47.

4. Батурина Г.И., Байер У. Цели и критерии эффективности обучения // Советская педагогика, 1975, №4. С.41-49.

5. Биология. Большой энциклопедический словарь. / Гл. ред. М.С. Гиляров. 3-е изд. - М.: Большая Российская энциклопедия, 1998. - 864 с.

6. Биология. Современный курс / Под ред. А. Ф. Никитина. СПб.: СпецЛит, 2005.

7. Блох A. 111. Граф-схемы и алгоритмы: Учеб. пособие для физ.-мат. фак. пед. ин-тов. Минск: Вышэйшая школа, 1987. -144 с.

8. Бобровски Д. Введение в теорию динамических систем с дискретными временем / Пер. с польск. Ю.Н.Сирота / Под ред. В.П.Один-ца. М.-Ижевск: НИЦ "Регулярная и хаотическая динамика", 2006. -360 с.

9. Бокуть С.Б., Герасимович Н. В., Милютин А.А. Молекулярная биология: молекулярные механизмы хранения, воспроизведения и реализации генетической информации. Мн.: Выш. шк., 2005. - 463 с.

10. Большой энциклопедический словарь. М.: Большая Российская энциклопедия; СПб.: Норинт, 1998. - 1456 с.

11. Бороненко Т. А. Методика обучения информатике (теоретические основы): Учебное пособие. СПб.: Высшая административная школа мэрии Санкт-Петербурга, 1997. - 99 с.

12. Бочкин A.M. Методика преподавания информатики: Учеб. пособие. Мн. : Выш. шк. , 1998. - 431 с.

13. Вербицкий А. А. Активное обучение в высшей школе: контекстный подход: Метод, пособие. М.: Высш. шк., 1991. - 208 с.

14. Верещагин И. К., Шень А. Лекции по математической логике и теории алгоритмов. Часть 3. Вычислимые функции. М.: МЦНМО, 1999. - 176 с.

15. Веряев А.А. Семиотический подход к образованию в информационном обществе: Автореф. дисс. . д-ра п.н. Барнаул, 2000. -39 с.

16. Вили Б., Детье Д. Биология (Биологические процессы и законы) . М.: Мир, 1974.

17. Воронов В.К., Подоплелов А.В. Современная физика. М.: КомКнига, 2005. - 512 с.

18. Гасфилд Д. Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология. СПб.: Невский Диалект; БХВ-Петербург, 2003. - 654 с.

19. Гершунский Б. С. Прогнозирование содержания обучения в техникумах. М.: Высшая школа, 1980. - 144 с.

20. Гинецинский В. И. Основы теоретической педагогики. СПб.: Изд-во С.-Петерб. ун-та, 1992. - 154 с.

21. Голанова А. В., Короткое А.В., Кудрявцева И.А., Стефано-ва Т.е., Швецкий М.В. Язык функционального программирования LISP: лабораторные работы и упражнения. Часть II. Учебное пособие. СПб.: Изд-во "Интерлайн", 2005. - 404 с.

22. Голанова А. В., Рыжова Н.И., Швецкий М.В. Упражнения по теории алгоритмов: Учебное пособие для студентов математического факультета / Под ред. В.В.Лаптева. СПб.: Изд-во "Дмитрий Була-нин", 2000. - 304 с.

23. Голанова А. В., Стефанова Т.е., Швецкий М.В. Теория алгоритмов: упражнения по классическим вычислительным моделям. Учебное пособие для студентов математического факультета и факультета информационных технологий. СПб.: "Интерлайн", 2008. - 456 с.

24. Гоппа В.Д. Введение в алгебраическую теорию информации. -М.: Наука. Физматлит, 1995. 112 с.

25. Готская И. Б. Маркетинговое проектирование методической системы обучения информатике студентов педвузов: Монография. СПб.: Изд-во РГПУ им. А.И.Герцена, 1999. - 114 с.

26. Гулд X., Тобочник Я. Компьютерное моделирование в физике: В 2-х частях. 4.2. М. : Мир, 1990. - 400 с.

27. Джонс М. Т. Программирование искусственного интеллекта в приложениях. М.: ДМК Пресс, 2004. - 312 с.

28. Дидактика средней школы. Некоторые проблемы современной дидактики / Под ред. М.А.Данилова и М.Н.Скаткина. М.: Просвещение, 1975. - 304 с.

29. Дойч Д. Структура реальности. М.-Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001. - 400 с.

30. Дьяченко В. К. Организационная структура учебного процесса и её развитие. М.: Педагогика, 1989. - 160 с.

31. Дьяконов В.П., Круглое В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М. : СОЛОН-ПРЕСС, 2006. - 456 С.

32. Елисеева И. И., Рукавишников В.О. Группировка, корреляция, распознавание образов. М.: Статистика, 1977. 144 с.

33. Загвязинский В. И., Гриценко JI. И. Основы дидактики высшей школы. Тюмень: Изд-во Тюменск. госуд. ун-та, 1978. 91 с.

34. Игошин В.И. Математическая логика и теория алгоритмов. Саратов: Изд-во Сарат. ун-та, 1991. 256 с.

35. Извозчиков В.А., Бережной Л.Н., Слуцкий A.M. Межпредметные связи и информатика. СПб.: Изд-во РГПУ им. А.И. Герцена, 1992. - 44 с.

36. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом "Вильяме", 2001. - 288 с.

37. Карпенко А. С. Логика на рубеже тысячелетий // Логические исследования. Вып. 7. М.: Наука, 2000. - С.7-60.

38. Карри Х.Б. Основания математической логики. М.: Мир, 1969. - 568 с.

39. Китаев А. , Шень А. , Вялый М. Классические и квантовые вычисления. М.: МЦНМО, ЧеРо, 1999. - 192 с.

40. Кноп К. Квин-программы, или: 1 LIST // Компьютерра, 2001, 4-5 (февраль).

41. Кнут Д. Искусство программирования для ЭВМ. Т.1: Основные алгоритмы. М.: Мир, 1976. - 736 с.

42. Кожевникова Г. П. Теория алгоритмов. Львов: Вища школа, 1978. - 98 с.

43. Козлов К.П. Алгоритмы. Л.: ЛГПИ им. А.И.Герцена, 1989. -40 с.

44. Колесникова И. А. Педагогическая реальность: опыт межпара-дигмальной рефлексии. Курс лекций по философии педагогики. 2-е изд. - СПб.: Детство-пресс, 2001. - 288 с. - (Серия "Педагогическое образование").

45. Колягин Ю.М. Задачи в обучении математике. 4.1. Математические задачи как средство обучения и развития учащихся. М.: Просвещение, 1977. 110 с.

46. Компьютеры и нелинейные явления: Информатика и современное естествознание. М.: Наука, 1988. - 192 с.

47. Кондаков Н.И. Логический словарь-справочник. М.: Наука, 1976. - 720 с.

48. Короткое А. В., Кудрявцева И.А., Стефанова Т.е., Швец-кий М.В. Язык функционального программирования LISP: лабораторные работы и упражнения. Часть I. Учебное пособие. СПб.: Изд-во "Интерлайн", 2004. - 396 с.

49. Короткое А.В. , Стефанова Т.е., Швецкий М.В. Система лабораторных работ по обучению программированию на языке С. Простейшие типы данных: Учебное пособие. СПб.: Изд-во "Интерлайн", 2007. - 360 с.

50. Косова И. С. Использование языка LISP при обучении функциональному программированию будущих учителей математики и информатики. Автореф. . кандид. пед. наук. СПб., 2001. - 18 с.

51. Краткий философский словарь / Под ред. А. П. Алексеева. -2-е изд., перераб. и доп. М.: ТК Велби, изд-во Проспект, 2007.- 496 с.

52. Крик Ф. Безумный поиск: личный взгляд на научное открытие.- М.-Ижевск, Институт компьютерных исследований, 2004. 192 с.

53. Круглое В. В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

54. Кудрявцева И. А., Швецкий М.В. Введение в искусственный интеллект. Учебное пособие к курсу "Интеллектуальные информационные системы" СПб.: Изд-во "Интерлайн", 2007. - 560 с.

55. Кулагин П. Г. Межпредметные связи в процессе обучения. М.: Просвещение, 1981. 96 с.

56. Лавров С.С., Слисенко А.О., Цейтин Г. С. Проект плана-программы по специальности "Информатика и системное программирование" // Микропроцессорные средства и системы, 1985, №4. С.20-28.

57. Ланина И.Я. Методика формирования познавательного интереса школьников в процессе обучения физике: Автореф. докт. дис. JI., 1986.

58. Лаптев В.В. Теоретические основы методики использования современной электронной техники в обучении физике в школе: Автореф докт. дис. л., 1989. 35 с.

59. Лаптев В.В., Рыжова Н. И., Швецкий М. В. Методическая теория обучения информатике. Аспекты фундаментальной подготовки. СПб.: Изд-во С.-Петерб. ун-та, 2003. - 352 с.

60. Лаптев В.В., Швецкий М.В. Методическая система фундаментальной подготовки в области информатики: теория и практика многоуровневого педагогического университетского образования. СПб.: Изд-во Санкт-Петербургского университета, 2000. - 508 с.

61. Лернер И.Я. Дидактические основы методов обучения. М.: Педагогика, 1981. - 185 с.

62. Лихачёв Б.Т. Педагогика. Курс лекций: Учеб. пособие для студентов педагогических учебных заведений и слушателей ИПК и ФПК. М. : Юрайт, 1998. - 464 с.

63. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Издательский дом "Вильяме", 2003. -864 с.

64. Мак-Коннелл Дж. Основы современных алгоритмов. М.: Техносфера, 2004. - 368 с.

65. Математическая энциклопедия. В 5-ти т. М.: Советская энциклопедия, 1977-1985.

66. Матросов В. Л. Теория алгоритмов: Учебник. М.: Прометей, 1989. - 188 с.

67. Нарыкова И. Компьютерное моделирование в Великобритании // Информатика и образование, 1992, 3-4. С.116-120.

68. Нейман Дж. Теория самовоспроизводящихся автоматов. М.: Мир, 1971. - 382 с.

69. Никитина Н.Н., Железнякова О.М., Петухов М.А. Основы профессионально-педагогической деятельности: Учеб. пособие для студ. учреждений сред. проф. образования. М.: Мастерство, 2002. -288 с.

70. Нильсен Я., Чанг И. Квантовые вычисления и квантовая информация: Пер. с англ. М.: Мир, 2006. - 824 с.

71. Оконь В. Введение в общую дидактику. М.: Высшая школа, 1990. - 382 с.

72. Основы педагогики высшей школы. М.: Моск. технол.ин-т пищевой пром-ти, 1987. - 123 с.

73. Пальчикова И.Я., Стефанова Т.е., Швещий М.В. Элементы вычислительной математики: Учебное пособие для студентов, обучающихся по специальности "Информационные системы". СПб.: Изд-во "Интерлайн", 2006. - 412 с.

74. Паун Г., Розенберг Г., Саломаа Л. ДНК-компьютер. Новая парадигма вычислений. М. : Мир, 2004. - 528 с.

75. Першиков В. И., Савинков В.М. Толковый словарь по информатике. М.: Финансы и статистика, 1995. - 544 с.

76. Петров Ю.А. Математическая логика и материалистическая диалектика (проблемы логико-философских оснований и обоснования теорий). М.: Изд-во Моск. ун-та, 1974. - 192 с.

77. Пидкасистый П. И. Самостоятельная деятельность учащихся. М.: Педагогика, 1972. - 184 с.

78. Платонова Н. М., Якунин В.А. Педагогика. Теория обучения: Учебное пособие. СПб.: Изд-во С.-Петерб. ун-та, 1993. - 84 с.

79. Праш Т. Языки программирования: разработка и реализация. М. : Мир, 1979. - 576 с.

80. Редько В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. М.: КомКнига, 2006. 224 с.

81. Реймонд Э.С. Новый словарь хакера. М.: ЦентрКом, 1996. -584 с.

82. Рекомендации по преподаванию информатики в университетах (Computing Curricula 2001: Computer Science): Пер. с англ. СПб. , 2002. 372 с.

83. Репин С.В., Шеин С. А. Математические методы обработки статистической информации с помощью ЭВМ. Минск.: Университетское, 1990. 128 с.

84. Роберт И. В. Современные информационные технологии в образовании: дидактические проблемы; перспективы использования. М.: Школа-Пресс, 1994. - 205 с.

85. Роджерс X. Теория рекурсивных функций и эффективная вычислимость. М.: Мир, 1972. - 624 с.

86. Розин В.М. Типы и дискурсы научного мышления. М: Эдито-риал УРСС, 2000. - 248 с.

87. Романовский М.В. Дискретный анализ. СПб.: Невский диалект, 2003. - 254 с.

88. Рузавин Г. И. Концепции современного естествознания. Курс лекций. М.: Проект, 2004. - 336 с.

89. Рутковская Д., Пияиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2006. - 452 с.

90. Рыжова Н.И. Элементы теоретической информатики: Упражнения по математическим основаниям информатики: формальная семантика языков программирования. Учебное пособие. СПб.: Изд-во "Дмитрий Буланин", 2000. - 284 с.

91. Рыжова Н. И., Семенова Н. И., Швецкий М.В. Упражнения по дискретной математики: Формальные языки. Часть I. Учебное пособие для студентов математического факультета. СПб.: Изд-во "ИНТЕР-ЛАЙН", 2002. - 337 С.

92. Ситаров В. А. Дидактика: Учеб. пособие для студентов высших педагогических учебных заведений. М.: Издательский центр "Академия", 2004. - 368 с.

93. Современный словарь по педагогике / Сост. Е.С. Рапацевич. Мн.: Современное слово, 2001. - 928 с.

94. Стефанова Т.е., Флегонтов А.В., Швецкий М.В. Введение в дискретную математику. Учебное пособие для студентов математического факультета и факультета информационных технологий. СПб.: Изд-во "Интерлайн", 2008. - 332 с.

95. Стефанова Т.С., Флегонтов А.В., Швецкий М.В. Элементы дискретной математики. Часть I. Учебное пособие для студентов математического факультета и факультета информационных технологий.- СПб.: Изд-во "Интерлайн", 2007. 300 с.

96. ИЗ. Стефанова Т.С., Швецкий М.В. Теория алгоритмов: упражнения по неклассическим вычислительным моделям. Учебное пособие для студентов математического факультета и факультета информационных технологий. СПб.: "Интерлайн", 2008. - 560 с.

97. Стин Э. Квантовые вычисления. М.-Ижевск: НИЦ "Регулярная и хаотическая динамика", 2000. - 112 с.

98. Талызина Н.Ф. Теоретические проблемы программированного обучения. М.: МГУ, 1969. - 133 с.

99. ТарковМ.С. Нейрокомпьютерные системы. М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 142 с.

100. Теория и практика педагогического эксперимента / Под ред. А. И. Пискунова, Г. В. Воробьева. М.: Педагогика, 1979. 208 с.

101. Толковый словарь по искусственному интеллекту / Авторы-составители А.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов.- М.: Радио и связь, 1992. 256 с.

102. Успенский Б. А. Избранные труды. Т.1: Семиотика истории. Семиотика культуры. М., 1994.

103. Успенский В.А., Семёнов А.Л. Теория алгоритмов: основные открытия и приложения. М.: Наука, 1987. - 288 с.

104. Уэзерелл Ч. Этюды для программистов. М.: Мир, 1982. -288 с.

105. Факторный, дискриминантный и кластерный анализ / Дж.-О.Ким, Ч. У.Мьюллер, У.Р.Клекка и др. М.: Финансы и статистика, 1989. - 215 с.

106. Философский словарь / Под ред. И.Т. Фролова. 6-е изд., перераб. и доп. - М. : Политиздат, 1991. - 560 с.

107. Философский энциклопедический словарь. М.: Советская Энциклопедия, 1983. - 840 с.

108. Философия: энциклопедический словарь / под ред. А. А. Иви-на. М.: Гардарика, 2006. - 1072 с.

109. Фридман JI.M. Сюжетные задачи по математике. История, теория, методика. М.: Школьная Пресса, 2002. - 208 с.

110. Хазанкин Р.Г., Зильбергер Н.И. Ключевые задачи в обучении математике // Учитель Башкирии. 1984. N9. С.58-61.

111. Хайкин С. Нейронные сети: полный курс. М.: ООО "И. Д.Вильяме", 2006. - 1104 с.

112. Хамов Г.Г. Методическая система обучения алгебре и теории чисел в педвузе с точки зрения профессионально-педагогического подхода. СПб.: РГПУ им. А.И. Герцена, 1993. - 141 с.

113. Хофштадтер Д. Гедель, Эшер, Бах: эта бесконечная гирлянда. Самара: Издательский дом "Бахрах-М", 2001. - 752 с.

114. Хуторской А. В. Современная дидактика. Учеб. пособие. 2-е изд,. перераб. / А. В. Хуторской. М.: Высш. шк., 2007. - 639 с.

115. Хэзфилд Р., Кирби Л. и др. Искусство программирования на С. Фундаментальные алгоритмы, структуры данных и примеры приложений. Энциклопедия программиста. -К.: Издательство "ДиаСофт", 2001. 736 с.

116. Хювенен Э., Сеппянен Й. Мир Лиспа. В 2-х т. Т.1: Введение в язык Лисп и функциональное программирование. М.: Мир, 1990. -447 с.

117. Чередов И.М. Формы учебной работы в средней школе. М.: Просвещение, 1988. - 160 с.

118. Шлык В. В. Элементы теории алгоритмов: Учеб. пособие по спецкурсу. Смоленск; Брянск: СГПИ, 1988. - 148 с.

119. Шредер М. Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая. Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001. - 528 с.

120. Эбелинг В., Энгель А., Файстель Р. Физика процессов эволюции. М. : УРСС, 2001. - 326 с.

121. Ackley D.H. F connectionist machine for genetic hillclim-blng, Boston, MA: Kluwer Academic Publishers, 1987.

122. Aiken R., Balasubrahmanian A., Brauer W., Buckingham D., Hebenstreit J., Khvilon E., Levrat B., Lovis F., Murray-Lasso M., Turner J., VJeert van T. A Modular Curriculum In Computer Science, UNESCO-IFIP, 1994. ED/94/WS/13.

123. Bartlett P., Downs T. Training a neural networks with a genetic algorithm, Technical Report, Dept. of Elem. Eng., Univ. of Queensland, 1990.

124. Belew R.K., Mclnerney J., Schraudoiph N.N. Evoling networks: Using genetic algorithms with connectionist learning. CSE technical report CS90-174, La Jolaa, CA: University of California at San Diego, 1990.

125. Caudell T.P. Genetic algorithms as a tool for the analysis of adaptive resonanse theory neural network sets, Proceedings of International Workshop on Combinations of Genetic Algorithms and Neural Networks, C0GANN-92, 1992, pp.184-200.

126. Codd E.F. Cellular Automata. Academic Press, New York, NY, 1968.

127. EberUert R.C. The role of genetic algorithms in neural network query-based learning and explanation facilities, Proceedings of International Workshop on Combinations of Genetic Algorithms and Neural Networks, C0GANN-92, 1992, pp.169-183.

128. EberUert R.C., Dobbins R.VJ. Designing neural network explanation facilities using genetic algorithms, IEEE International Conference on Neural Networks, Singapore: IEEE,1991, pp.1785-1763.

129. Gonzalez-Seco J. A genetic algorithm as the learning procedure for neural networks, IEEE International Joint Conference on Neural Networks, Baltimore, MD, IEEE, 1992, pp.835-840.

130. Guo Z., Uhrig R.E. Use of genetic algorithms to select inputs for neural networks, in: Proceedings of International Workshop on Combinations of Genetic Algorithms and Neural Networks, COGANN-92, 1992, pp.223-234.

131. Harp S.A., Samad Т., Guha A. Towards the genetic synthesis of neural networks, in: Proeedings of the Third International Conference on Genetic Algorithms and Their Applications; Schaffer J.D. (ed.), Morgan Kauffmann, San Mateo, CA, 1989, pp.360-369.

132. Hsu L.S., Ш Z.B. Input Pattern Encoding Through Generalized, Adaptive Search, Proceedings of International Workshop on

133. Combinations of Genetic Algorithms and Neural Networks, C0-GANN-92, 1992, pp.235-247.

134. Kadaba N., Nygard K.E., Juell P.L. Integration of adaptive machine learning and knowledge-based systems for routing and scheuling applications. Expert Systems with Applications, 1991, t. 2, nr 1, pp.15-27.

135. Kelly J.D., Davis L. Hybridizing the genetic algorithm and the k-nearest neighbors classification algorithm, in: Belew R.K., Booker L.B. (ed.), Fourth International Conference on Genetic Algorithms; San Mateo, CA: Morgan Kauffmann, 1991, pp.377-383.

136. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge/MA: MIT Press, 1992.

137. Koza J.R. Genetic Programming II: Automatic Discovery of Reusable Programs. Cambridge/MA: MIT Press, 1994.

138. Montana D.J., Davis L. Training feedforward neuralo networks using genetic algorithms, in: Proceedings of Eleventh International Joint Conference on Artificial Intelligence, San Mateo, CA: Morgan Kauffmann, 1989, pp.762-767.

139. Schaffer J.D., Caruana R.A., Eshelma'n L.J. Using genetic search to exploit the emergent behavior of neural nerworks, in: Forrest S. (ed.) Emergent Computation, Amsterdam: North Holland, 1990, pp.244-248.

140. Shonkwiler R., Miller K.R. Genetic algorithm, neural network synergy for nonlinerly constrained optimization problems, Proceedings of International Workshop on Combinations of Genetic Algorithms and Neural Networks, COGANN-92, 1992, pp.248-257.

141. Whitley D. Applying genetic algorithms to neural network learning, Proceedings of the Seventh Conference of the Society of Artificial Intelligence and Simulation of Behavior, Sussex, England, Pitman Publishing, 1989, pp.137-144.

142. Whitley д., Startweather Т., Bogart C. Genetic algorithms and neural networks: Optimizing connections and connectivity, Parallel Computing, 1990, nr 14, pp.347-361.