Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов тема диссертации и автореферата по ВАК РФ 05.13.01, доктор наук Каляев Анатолий Игоревич

• Каляев Анатолий Игоревич
• доктор наук
• 2022

Оглавление диссертации доктор наук Каляев Анатолий Игоревич

Введение

Глава 1 Построение самоорганизующихся РС на базе мультиагентного подхода к

диспетчированию ресурсов

1. 1 Обзор существующих подходов к организации диспетчирования РС

1.2 Формальная постановка задачи диспетчирования ресурсов РС

1.3 Основы методологии построения самоорганизующихся РС

1.4 Выводы к первой главе

Глава 2 Методы мультиагентного диспетчирования ресурсов самоорганизующихся РС

2.1 Метод мультиагентного диспетчирования ресурсов самоорганизующейся РС

2.2 Метод и алгоритм мультиагентного диспетчирования ресурсов в гомогенной распределенной системе первого типа

2.3 Метод и алгоритм мультиагентного диспетчирования ресурсов в гомогенной РС второго типа

2.4 Метод и алгоритм мультагентного диспетчирования ресурсов в гетерогенной РС первого типа

2.5 Метод и алгоритм мультиагентного диспетчирования ресурсов в гетерогенной РС второго типа

2.6 Методы оценки эффективности распределения ресурсов в самоорганизующейся РС при использовании разработанных алгоритмов мультиагентного диспетчирования

2.7 Метод и алгоритм работы агента при выполнении операций выбранной ветви задания

2.8 Выводы к второй главе

Глава 3 Стратегии и алгоритмы поведения агентов ресурсов различных классов самоорганизующихся РС с мультиагентным диспетчером

3.1 Стратегия и алгоритм поведения агента ресурса РС в случае премирования за выполненную работу

3.2 Стратегия и алгоритм поведения агентов ресурсов РС в условиях штрафных санкций

3.3 Стратегия и алгоритм поведения агентов ресурсов РС с учетом вероятности успешного выполнения операций

3.4 Стратегия и алгоритм поведения агента в условиях ограниченного запаса, необходимого для выполнения операций

3.5 Метод мультиагентного диспетчирования ресурсов самоорганизующейся РС с применением представителей заданий

3.5.1 Стратегия и алгоритм работы прадствителя задания

3.5.2 Стратегия и алгоритм работы агента ресурса

3.6 Выводы к третьей главе

Глава 4 Методы и средства создания самоорганизующихся облачных вычислительных сред с мультиагентным диспетчированием ресурсов

4.1 Постановка задачи диспетчирования ресурсов в облачной вычислительной среде

4.2 Метод и алгоритм работы программного агента при диспетчировании ресурсов облачных вычислительных сред

4.3 Модифицированный метод мультиагентного диспетчирования ресурсов в гетерогенной вычислительной среде

4.4 Исследование эффективности облачной вычислительной среды с мультиагентным диспетчером

4.4.1 Программная модель облачной вычислительной среды с мультиагентным диспетчером

4.4.2 Экспериментальные исследования разработанных методов и алгоритмов мультиагентого диспетчирования ресурсов в облачной вычислительной среде

4.5 Выводы к четвертой главе

Глава 5 Методы и средства создания самоорганизующихся безлюдных робототехнических производств с мультиагентным диспетчированием ресурсов

5.1 Постановка задачи диспетчирования ресурсов в самоорганизующейся БРП

5.2 Метод построения самоорганизующегося безлюдного роботизированного

производства с мультиагентным диспетчированием ресурсов

5.3 Моделирование работы самоорганизующегося безлюдного роботизированного производства

5.4 Метод построения самоорганизующейся транспортно-логистической системы с мультиагентным диспетчером

5.4.1 Постановка задачи самоорганизации транспортно-логистической системы на базе мультиагентного диспечтчирования ресурсов

5.4.2 Стратегия и алгоритм работы агента транспортного ресурса

5.4.3 «Жадный» алгоритм работы агента транспортного ресурса

5.5 Выводы к пятой главе

Глава 6. Применение методов и алгоритмов мультиагентного диспетчирования ресурсов в распределенных системах различнх типов

6.1 Способ построения самоорганизующихся роботизированных складских комплексов с мультиагентным диспетчированием ресурсов

6.2 Способ построения самоорганизующихся распределенных бортовых вычислительных сред с мультиагентным диспетчированием ресурсов

6.3 Способ построения самоорганизующихся распределенных систем анализа видеопотока с мультиагентным диспетчированием ресурсов

6.4 Выводы к шестой главе

Заключение

Список сокращений и условных обозначений

Список использованных источников

Приложение А - Акты о внедрении

Приложение Б - Дипломы и свидетельства

Введение диссертации (часть автореферата) на тему «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов»

Введение

Актуальность темы исследования. Наблюдаемое в последние годы активное развитие технологий передачи данных привело к возрастанию актуальности проблемы создания распределенных систем (РС), т.е. систем, состоящих из множества территориально распределённых подсистем (ресурсов), каждая из которых в общем случае выполняет некоторый набор индивидуальных функций, и взаимодействующих друг с другом для выполнения общего функционального задания или некоторого множества заданий. Примерами распределенных систем в технической сфере могут служить распределенные вычислительные системы, состоящие из множества вычислительных ресурсов, совместно участвующих в решении общей вычислительной задачи. Другой пример - это безлюдное производство, включающее в свой состав множество роботизированных обрабатывающих центров, каждый из которых имеет свою функциональную специализацию, но при этом совместно используемым для изготовления сложных деталей. К классу распределенных систем можно также отнести такие сложные технические объекты как атомные и тепловые станции, авиационные и корабельные комплексы, космические станции и т.п. Все эти объекты состоят из множества взаимосвязанных подсистем (ресурсов), каждая из которых имеет свою функциональную специализацию, но при этом все эти подсистемы используются для выполнения общего задания (заданий). Актуальным направлением развития РС является также групповое взаимодействие роботов при решении общей задачи, так как группа роботов - это распределенная система, в которой каждый робот (ресурс) может иметь индивидуальную специализацию, но при этом их действия должны быть направлены на достижение общей, групповой цели.

В настоящее время подход, подразумевающий распределение задач на множество элементов, находит все более широкое распространение при организации работы сложных систем различного назначения. С одной стороны, значительно проще строить какую-либо сложную систему на основе

некоторого множества относительно простых функционально готовых ресурсов, выполняющих некоторое подмножество операций, чем проектировать ту же систему как единый сложный ресурс, выполняющий одновременно все множество требуемых операций.

Основная проблема, возникающая при создании и использовании РС, напрямую вытекает из распределенности системы: количество элементов в РС может исчисляться десятками тысяч, каждый из её элементов является отдельной сущностью, которой нужно управлять, он может отличаться от других элементов, более того, с течением времени его параметры могут изменяться. Еще более сложной проблема распределения ресурсов, входящих в состав такой распределенной системы, становится при выполнении функциональных заданий, состоящих из множества взаимосвязанных операций. Решение данной задачи возлагается, как правило, на специальное устройство, функции которого заключаются в диспетчировании (координации) работы отдельных ресурсов РС при выполнении сложных функциональных заданий. Такое устройство принято называть диспетчером, а решаемую им задачу - задачей диспетчирования ресурсов.

При этом очень важным является качество распределения задач между узлами РС, так как оно будет существенно влиять на время выполнения заданий. При этом учет всех параметров ресурсов и заданий, а также организация взаимодействия между узлами ложится на плечи диспетчера, соответственно при прочих равных именно от диспетчера будет зависеть время выполнения заданий в РС. В тоже время, для конечного пользователя РС самым важным критерием эффективности является время окончания правильного решения его задачи, однако для различнх заданий время решения будет существенно отличаться, соответственно, для оценки эффективности работы всей системы в целом в наиболее общем случае можно применять критерий, зависящий от среднего времени задержки выполнения функциональных заданий относительно требуемых конечными пользователями моментов времени их решения.

В общем виде в настоящее время существует несколько подходов к организации диспетчера РС. В простейшем случае диспетчирование ресурсов РС может осуществляться из единого центра, т.е. с помощью единственного (центрального) диспетчера. При этом центральный диспетчер (ЦД) должен получать от заказчиков функциональные задания и распределять их операции между ресурсами РС на основании текущей информации об их загруженности операциями предыдущих заданий. К преимуществам такого подхода следует отнести простоту организации диспетчера. Однако, при этом резко повышаются требования к быстродействию ЦД РС, что в свою очередь ведет к его усложнению, поскольку он должен обеспечивать возможность решения задачи распределения ресурсов РС в реальном времени поступления заданий, что крайне проблематично осуществить в случае большого количества различных ресурсов РС и сложных функциональных заданий, состоящих из множества взаимосвязанных операций.

Частично указанные недостатки были устранены путем применения диспетчера РС с иерархической архитектурой. Для этого выделяется диспетчер, отвечающий за организацию работы всей РС и получение заданий, - главный диспетчер, а также ряд дочерних локальных диспетчеров, отвечающих за координацию работы некоторого подмножества ресурсов РС. Преимуществом такой иерархической организации диспетчера РС является снижение сложности задач диспетчирования ресурсов, возлагаемых на локальные диспетчеры, поскольку каждый из них отвечает за распределение относительно небольшого количества ресурсов РС. Однако, в такой схеме организации возникает сложная задача распределения множества поступающих заданий на подмножества, которые должны контролироваться отдельными локальными диспетчерами, а также организации взаимодействия локальных диспетчеров друг с другом при обмене данными.

Описанные выше подходы к организации диспетчера позволяют создавать РС, состоящие из ограниченных количества и типов элементов. В

тоже время более сложные РС, состоящие из разнородных и динамически изменяющих свои параметры узлов и предполагающие возможность поступления заданий от пользователей в произвольные моменты времени потребуют для своей реализации дальнейшее усложнение иерархии диспетчеров, что в свою очередь приведет к усложнению взаимодействия между ними. Таким образом, для расширения круга решаемых в РС задач необходимо дальнейшее изменение архитектуры диспетчера РС.

В тоже время можно рассмотреть примеры современных способов взаимодействия групп людей при выполнении различных типов общих задач. В прошлом практически все крупномасштабные задачи решались четко организованными группами людей, где управление осуществлял начальник или иерархия начальников. Однако развитие технологий позволило создать в последние годы совершенно иные подходы к совместной работе, предполагающие применение средств автоматизации и самостоятельного выбора человеком направлений деятельности и заказчика. За счет высокой скорости передачи информации и повсеместной связи человек может моментально найти себе работу, при этом он будет взаимодействовать с неизвестными заранее людьми. Главными особенностями, позволяющими реализовать такой подход, являются возможность обмена информацией и активность членов групп, для решения задачи применяется самоорганизация: группа людей распределяет между участниками части общей задачи, и каждый человек заинтересован в выполнении своей части работы, являясь по сути представителем своей группы.

Договорное распределение обязанностей широко распространено в социальных системах, например при выполнении группами людей строительных работ, на сборочном производстве, при осуществлении боевых действий и т.п. Во всех перечисленных выше примерах РС каждый ресурс системы (например станок в многостаночном производстве) обладает «своим» агентом - человеком, отвечающим за данный ресурс (станок), а распределение ресурсов при выполнении сложных заданий, включающих в свой состав

множество взаимосвязанных операций, осуществляется путем взаимодействия (договоренности) агентов (людей) друг с другом о том, кто, какую операцию и в какой последовательности выполняет. Фактически в процессе решения задачи необходимо общаться для достижения договоренностей, то есть осуществлять социальное поведение, фактически создавать сообщество для решения задачи. Внедрение подобного социоинспирированного подхода при организации диспетчеров распределенных систем позволит изменить парадигму диспетчирования сверху, что позволит применять новые методы управления, базирующиеся на самоорганизации. Это в свою очередь даст возможность осуществлять распределение и перераспределение большого количества одновременно поступающих в РС заданий, так как оптимизация распределения частей заданий происходит параллельно на множестве агентов.

Миниатюризация вычислительной техники, развитие компьютерных и сетевых технологий позволяют в настоящее время перейти к созданию диспетчеров РС принципиально нового типа, а именно мультиагентных диспетчеров. При этом предполагается, что каждый ресурс, входящий в состав РС, должен обладать неким программным агентом, представляющим «его интересы» при реализации диспетчирования. Агенты, представляющие различные ресурсы РС, могут «договариваться» друг с другом с целью распределения между собой операций поступающих функциональных заданий посредством некоторого информационного канала связи. Такая мультиагентная организация диспетчера обеспечивает возможность создания самоорганизующихся РС, в которых активные ресурсы будут самостоятельно самоорганизоваться в процессе диспетчирования.

Однако, несмотря на очевидные преимущества, мультиагентная организации диспетчера РС до сих пор практически не используется в современных РС. Это вызвано, в первую очередь, отсутствием методологических основ создания таких самоорганизующихся РС с

мультиагентным диспетчером, а также методов и алгоритмов мультиагентного распределения ресурсов при выполнении поступающих заданий.

Целью настоящей диссертации является создание методологических основ построения самоорганизующихся РС, обеспечивающих сокращение среднего времени задержки фактического выполнения множества функциональных заданий, состоящих из взаимосвязанных операций и поступающих в РС в произвольные моменты времени, относительно требуемых моментов времени их исполнения.

Объект исследования - распределенные системы, включающие в свой состав большое количество разнообразных исполнительных ресурсов и выполняющие множество различных функциональных заданий, поступающих в заранее неизвестные моменты времени.

Предмет исследования - методы самоорганизации распределенных систем при выполнении множества функциональных заданий, поступающих в произвольные моменты времени, на базе мультиагентного диспетчирования их ресурсов.

Для достижения поставленной цели необходимо решить научную проблему, заключающуюся в разработке методологических основ создания и функционирования самоорганизующихся распределенных систем при выполнении множества функциональных заданий, поступающих в произвольные моменты времени, на базе мультиагентного диспетчирования и социоинспирированных стратегий и алгоритмов работы их ресурсов.

Методы исследований При работе над диссертацией применялись методы теории множеств, теории графов и теории алгоритмов, теории коллективного принятия решений в мультиагентных системах. Экспериментальные исследования осуществлялись с помощью программных моделей путем многокритериального имитационного моделирования по разработанному плану проведения экспериментов и на практике, в том числе при внедрении результатов работы.

В процессе решения основной научной проблемы необходимо решить следующие научные задачи:

1. Провести классификацию распределенных систем в зависимости от производительности и специализации ресурсов при выполнении различных операций поступающих заданий.

2. Сформулировать постановку задачи диспетчирования ресурсов РС при выполнении множества заданий, поступающих в заранее неизвестные моменты времени.

3. Разработать методологию построения самоорганизующихся РС на базе мультиагентного диспетчирования ресурсов.

4. Разработать метод мультиагентного диспетчирования ресурсов в самоорганизующихся РС.

5. Разработать методы и алгоритмы функционирования агентов ресурсов самоорганизующихся РС различных классов.

6. Разработать методы оценки эффективности распределения ресурсов в самоорганизующихся РС при использовании предложенных методов и алгоритмов.

7. Разработать стратегии и алгоритмы поведения агентов ресурсов различных классов самоорганизующихся РС с мультиагентным диспетчером в условиях дополнительных стимулов и ограничений.

8. Разработать метод мультиагентного диспетчирования ресурсов самоорганизующихся РС с применением представителей заданий.

9. Разработать и апробировать методы и способы построения, а также алгоритмы функционирования самоорганизующихся РС различных типов, в том числе: облачных вычислительных сред, роботизированных складских комплексов, распределенной бортовой вычислительной среды, распределенных систем анализа видеопотока.

Научная новизна полученных в диссертационной работе результатов заключается в разработке методологических основ создания РС нового класса, отличающихся применением мультиагентного подхода к диспетчированию ресурсов и самоорганизацией системы за счет активного участия каждого ресурса системы в процессе распределения заданий с помощью программных агентов, использующих социоинспирированные стратегии поведения.

Основные научные результаты диссертации

1. Методология построения самоорганизующихся РС, состоящих из множества разнотипных ресурсов и выполняющих множество различных функциональных заданий, поступающих в произвольные моменты времени, отличающаяся применением мультиагентного подхода к диспетчированию ресурсов РС и самоорганизацией системы путем активного участия каждого ресурса системы в процессе распределения заданий с помощью их программных агентов.

2. Метод мультиагентного диспетчирования ресурсов в самоорганизующихся РС, отличающийся использованием множества агентов, представляющих отдельные ресурсы РС и взаимодействующих посредством доски объявлений с целью создания сообществ при решении каждого поступающего в систему задания.

3. Методы и алгоритмы функционирования агентов ресурсов самоорганизующихся РС различных классов, отличающиеся использованием социоинспирированных стратегий их поведения в процессе диспетчирования.

4. Методы оценки эффективности распределения ресурсов в самоорганизующихся РС при использовании разработанных алгоритмов мультиагентного диспетчирования, отличающиеся использованием оценок качества и времени распределения ресурсов.

5. Стратегии и алгоритмы поведения агентов ресурсов различных классов самоорганизующихся РС с мультиагентным диспетчером в условиях дополнительных стимулов и ограничений, отличающиеся учетом: стимулирующей премии, устанавливаемой Заказчиками за успешное

выполнение их заданий; штрафных санкций за задержку выполнении принятых к исполнению операций заданий множества; вероятности успешного выполнения операций в зависимости от времени (длительности) их исполнения; наличия ограничений на некоторый «запас», затрачиваемый на выполнение операций принятой к исполнению ветви задания.

6. Метод мультиагентного диспетчирования ресурсов самоорганизующихся РС при минимизации времени решения всего множества заданий, отличающийся применением дополнительных агентов: представителей заданий, каждый из которых отвечает за сокращение времени выполнения закрепленного за ним задания.

7. Способы построения и алгоритмы функционирования самоорганизующихся РС различных типов, в том числе: безлюдных робототехнических производств, транспортно-логистических комплексов и облачных вычислительных сред, отличающиеся использованием стратегий и алгоритмов мультиагентного диспетчирования их ресурсов.

Практическая значимость. Значение диссертационного исследования для практики состоит в возможности создания на его основе самоорганизующихся распределенных систем различных типов и сфер применения, отличающихся от известных:

• мультиагентным распределением ресурсов РС при выполнении множества заданий, позволяющим сократить среднее время задержки их выполнения относительно моментов времени, установленных заказчиками;

• снижением требований к производительности вычислителей, используемых для реализации алгоритмов диспетчирования ресурсов;

• повышением отказоустойчивости РС;

• возможностью оперативного масштабирования (изменения количества и состава) ресурсов РС.

Результаты диссертации использовались при выполнении ряда НИОКР, в которых соискатель принимал непосредственное участие в качестве исполнителя, ответственного исполнителя, руководителя. Наиболее важными из них являются следующие:

1. Работа в рамках соглашения по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2021 годы» № 05.608.21.0281 «Разработка технологии и создание экспериментального образца автоматизированной системы дистанционного выявления лиц с девиантным поведением в местах массового скопления людей».

2. Работа в рамках соглашения по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2021 годы» № 14.575.21.0152 «Разработка методов и средств системы поддержки принятия решений по подбору мероприятий, направленных на увеличение нефтеотдачи пласта на основе гибридных технологий искусственного интеллекта в облаке корпоративных вычислительных ресурсов в рамках реализации концепции «Цифровое месторождение».

3. Грант РНФ 15-19-00196 «Разработка динамической модели функционирования нефтяного месторождения на всех этапах жизненного цикла с применением гибридных методов интеллектуального анализа информации».

4. Грант Президента РФ №14^30.15.3180-МК «Разработка методов организации облачных сервисов в компьютерных сетях на основе принципов мультиагентного взаимодействия».

5. Грант РФФИ 17-08-01219 «Разработка и исследование архитектуры, алгоритмов и программного обеспечения автоматизированной системы сквозного мониторинга разработки нефтяных месторождений на всех стадиях жизненного цикла с применением технологий интеллектуального анализа информации и мультиагентных вычислений».

6. Грант РФФИ 17-29-03407 «Разработка и исследование методов скоростного детектирования и сопровождения объектов интереса на получаемых беспилотными авиационными системами видеопоследовательностях для реализации миниатюрных бортовых блоков обработки данных».

7. Грант РФФИ 16-29-04194 «Разработка методов и алгоритмов децентрализованного управления сетецентрическими группировками гетерогенных роботов при выполнения сложных заданий».

8. Грант РФФИ 15-29-07928 «Методы и алгоритмы адаптивного распределения ресурсов в гетерогенной облачной вычислительной среде на основе мультиагентного диспетчера».

9. Грант РФФИ 15-37-20821 «Разработка методов децентрализованной обработки и адаптивной маршрутизации данных в пространственно-распределенных беспроводных сенсорных сетях на основе мультиагентных технологий».

10. Грант РФФИ 13-08-01172 «Разработка и исследование методов интеллектуального анализа данных о состоянии объектов нефтепромысла на основе технологии облачных вычислений».

Результаты диссертационной работы были внедрены при: • выполнении работ в рамках соглашений по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2021 годы» № 14.575.21.0152 «Разработка методов и средств системы поддержки принятия решений по подбору мероприятий, направленных на увеличение нефтеотдачи пласта на основе гибридных технологий искусственного интеллекта в облаке корпоративных вычислительных ресурсов в рамках реализации концепции «Цифровое месторождение» и № 05.608.21.0281 «Разработка технологии и создание экспериментального образца автоматизированной системы дистанционного выявления лиц с девиантным поведением в местах массового

скопления людей» в НИИ Многопроцессорных вычислительных систем ЮФУ;

• создании роботизированных складских комплексов, включающих в свой состав множество роботов-штабелеров, объединенных транспортной линией в АО СКБ «Точрадиомаш» в рамках работ по договорам №741223-П от 01.09.2014 г., №173201-П от 13.02.2017 г. и №771213-П от 14.08.2017 г.;

• создании бортовой распределенной вычислительной системы перспективного комплекса дальнего радиолокационного обнаружении в АО «Концерн радиостроения «ВЕГА» в рамках СЧ ОКР «Разработка программного средства организации вычислительного процесса на базе мультиагентного управления вычислительными ресурсами» по договору №1317187327052010104000959/593220 от 09.12.09 г.;

• выполнении работы «Методы робастного синтеза транспортных систем для коалиции киберфизических объектов на основе байесовской концепции вероятности и аппарата модальных логик», а также в образовательной деятельности по направлениям: 02.03.01_01 и 02.04.01_03 в Федеральном государственном автономном образовательном учреждении высшего образования «Санкт-Петербургский политехнический университет Петра Великого».

Соответствие содержания диссертации паспорту специальности.

Диссертация подготовлена в соответствии с формулой специальности 05.13.01 - «Системный анализ, управление и обработка информации» в части проведения теоретических и прикладных исследований системных связей и закономерностей функционирования и развития объектов и процессов с учетом отраслевых особенностей, ориентированных на повышение эффективности управления ими с использованием современных методов обработки информации, и пункту 4 паспорта специальности - «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации».

Степень достоверности и апробация результатов. Теоретические и практические результаты диссертационной работы докладывались и обсуждались на международных и всероссийских научных конференциях, в том числе:

1. XII мультиконференция по проблемам управления (МКПУ-2019);

2. 7th International Conference on Informatics, Electronics and Vision and 2nd International Conference on Imaging, Vision and Pattern Recognition (ICIEV-IVPR 2018);

3. 5-я Всероссийская научно-техническая конференция СУПЕРКОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ (СКТ-2018);

4. 6th International Conference on Informatics, Electronics and Vision and 2017 7th International Symposium in Computational Medical and Health Technology, (ICIEV-ISCMHT 2017);

5. Science and Engineering. International Conference on Mechanical Engineering and Applied Composite Materials. 2018;

6. Десятая Всероссийская мультиконференция по проблемам управления (МКПУ-2017);

7. 5th International Conference on Informatics, Electronics and Vision (ICIEV 2016);

8. 4-я Всероссийская научно-техническая конференция СУПЕРКОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ (СКТ-2016);

9. 9th International Conference on Application of Information and Communication Technologies (AICT 2015);

10. 4th International Conference on Informatics, Electronics and Vision (ICIEV 2015);

11. International Conference on Computational Science (ICCS 2013).

Публикации. Основные результаты диссертационной работы опубликованы в 53 работах в рецензируемых научных изданиях, из которых 24 статьи в изданиях, индексируемых в базах Scopus и Web of Science, 7 статей в журналах перечня Минобрнауки России, 15 статей в материалах

международных и всероссийских научно-технических конференциях, зарегистрировано 7 РИД.

Личный вклад автора. Все выносимые на защиту научные результаты получены соискателем лично. Из совместных работ в диссертацию включены только те результаты, которые принадлежат непосредственно автору.

Структура и объем. Диссертационная работа состоит из введения, 6 глав, заключения, списка сокращений и условных обозначений, списка использованных источников. Содержание диссертационной работы изложено на 314 страницах. В работе содержится 74 рисунка и 6 таблиц, список используемой литературы состоит из 216 наименований.

Глава 1 Построение самоорганизующихся РС на базе мультиагентного подхода к диспетчированию ресурсов 1.1 Обзор существующих подходов к организации диспетчирования РС

Наблюдаемое в последние годы активное развитие технологий передачи данных открывает новые перспективы для развития распределенных систем (РС), состоящих из множества территориально распределённых ресурсов, каждый из которых в общем случае выполняет некоторый набор индивидуальных функций, и взаимодействующих друг с другом для выполнения общего функционального задания (или некоторого множества заданий) посредством информационного канала связи. Примерами распределенных систем в технической сфере являются распределенные вычислительные системы, состоящие из множества вычислительных ресурсов, совместно участвующих в решении общей вычислительной задачи; безлюдное производство, включающее в свой состав множество роботизированных обрабатывающих центров, совместно используемых для изготовления сложных изделий; преследующие общую цель группы роботов, каждый из которых может иметь индивидуальную специализацию. При этом возникает нетривиальная проблема распределения ресурсов РС между поступающими от пользователей системы заданиями, решение которой возлагается, как правило, на специальное устройство, функции которого заключаются в координации работы отдельных ресурсов РС при выполнении сложных функциональных заданий. Такое устройство принято называть диспетчером, а решаемую им задачу - задачей диспетчирования ресурсов. Если РС предназначена для выполнения одного единственного функционального задания, то решение задачи диспетчирования не представляет особой проблемы, поскольку она может быть решена заранее. Однако, если РС должна выполнять некоторое множество разнообразных функциональных заданий, каждое из которых может поступать в заранее неизвестные моменты времени, то задача диспетчирования ресурсов такой РС существенно усложняется, поскольку в данном случае необходимо

Список литературы диссертационного исследования доктор наук Каляев Анатолий Игоревич, 2022 год

Список использованных источников

1. N. Hirose and M. Fukuda (1997). "Numerical Wind Tunnel (NWT) and CFD Research at National Aerospace Laboratory". Proceedings of HPC-Asia '97. IEEE Computer Society. doi:10.1109/HPC.1997.592130.

2. Timothy G. Mattson An Overview of the Intel TFLOPS Supercomputer // MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) URL: http://www.ai.mit.edu/projects/aries/course/notes/ascii_red.pdf (Дата обращения: 25.11.2012).

3. Foster, C. Kesselman, S. Tuecke. The Anatomy of the Grid: Enabling Scalable Virtual Organizations. / International J. Supercomputer Applications, 15(3), 2001.

4. Xia Y. et al. Stochastic Modeling and Performance Analysis of Migration-Enabled and Error-Prone Clouds // IEEE Trans. Ind. Informatics. 2015. Vol. 11, № 2. P. 495-504.

5. Xia Y. et al. A stochastic approach to analysis of energy-aware DVS-enabled cloud datacenters // IEEE Trans. Syst. Man, Cybern. Syst. 2015. Vol. 45, № 1. P. 73-83.

6. Yin Y. et al. Collaborative service selection via ensemble learning in mixed mobile network environments // Entropy. 2017. Vol. 19, № 7.

7. Yu J. et al. Leveraging Content Sensitiveness and User Trustworthiness to Recommend Fine-Grained Privacy Settings for Social Image Sharing // IEEE Trans. Inf. Forensics Secur. 2018. Vol. 13, № 5. P. 1317-1332.

8. Yu J. et al. IPrivacy: Image Privacy Protection by Identifying Sensitive Objects via Deep Multi-Task Learning // IEEE Trans. Inf. Forensics Secur. 2017. Vol. 12, № 5. P. 1005-1016.

9. Choudhary A. et al. A GSA based hybrid algorithm for bi-objective workflow scheduling in cloud computing // Futur. Gener. Comput. Syst. 2018. Vol. 83. P. 1426.

10. Peng Q. et al. Multi-objective optimization for location prediction of mobile devices in sensor-based applications // IEEE Access. 2018. Vol. 6. P. 77123-77132.

11. Li W. et al. Fluctuation-Aware and Predictive Workflow Scheduling in Cost-Effective Infrastructure-as-a-Service Clouds // IEEE Access. 2018. Vol. 6. P. 61488-61502.

12. Xu R. et al. A sufficient and necessary temporal violation handling point selection strategy in cloud workflow // Futur. Gener. Comput. Syst. 2018. Vol. 86. P. 464-479.

13. Deng S. et al. Computation Offloading for Service Workflow in Mobile Cloud Computing // IEEE Trans. Parallel Distrib. Syst. 2015. Vol. 26, № 12. P. 3317-3329.

14. Yu J. et al. Learning to Rank Using User Clicks and Visual Features for Image Retrieval // IEEE Trans. Cybern. 2015. Vol. 45, № 4. P. 767-779.

15. Okuhara M., Shiozaki T., Suzuki T. Security architectures for Cloud computing // Fujitsu Sci. Tech. J. 2010. Vol. 46, № 4. P. 397-402.

16. Sun H.-B., Ding Y.-S. QoS scheduling of fuzzy strategy grid workflow based on the bio-network // Int. J. Comput. Sci. Eng. 2011. Vol. 6, № 1-2. P. 114-121.

17. Nasonov D. et al. Hybrid evolutionary workflow scheduling algorithm for dynamic heterogeneous distributed computational environment // J. Appl. Log. 2017. Vol. 24. P. 50-61.

18. Coello Coello C.A., Pulido G.T., Lechuga M.S. Handling multiple objectives with particle swarm optimization // IEEE Trans. Evol. Comput. 2004. Vol. 8, № 3. P. 256-279.

19. Deb K. et al. A fast and elitist multiobjective genetic algorithm: NSGA-II // IEEE Trans. Evol. Comput. 2002. Vol. 6, № 2. P. 182-197.

20. Wang Y. et al. A multi-stage dynamic game-theoretic approach for multiworkflow scheduling on heterogeneous virtual machines from multiple infrastructure-as-a-service clouds // Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2018. Vol. 10969 LNCS. P. 137-152.

21. Iranpour E., Sharifian S. A distributed load balancing and admission control algorithm based on Fuzzy type-2 and Game theory for large-scale SaaS cloud architectures // Futur. Gener. Comput. Syst. 2018. Vol. 86. P. 81-98.

22. Duan R., Prodan R., Li X. Multi-objective game theoretic scheduling of bag-of-tasks workflows on hybrid clouds // IEEE Trans. Cloud Comput. 2014. Vol. 2, №2 1. P. 29-42.

23. Wu L., Wang Y. Scheduling multi-workflows over heterogeneous virtual machines with a multi-stage dynamic game-theoretic approach // Int. J. Web Serv. Res. 2018. Vol. 15, № 4. P. 82-96.

24. Jiahao W. et al. A Multi-object Optimization Cloud Workflow Scheduling Algorithm Based on Reinforcement Learning // Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2018. Vol. 10955 LNCS. P. 550-559.

25. Wei Y. et al. A Reinforcement Learning Based Workflow Application Scheduling Approach in Dynamic Cloud Environment // Lect. Notes Inst. Comput. Sci. Soc. Telecommun. Eng. LNICST. 2018. Vol. 252. P. 120-131.

26. Cui D. et al. Multiple DAGs workflow scheduling algorithm based on reinforcement learning in cloud computing // Commun. Comput. Inf. Sci. 2016. Vol. 575. P. 305-311.

27. Waschneck B. et al. Optimization of global production scheduling with deep reinforcement learning // Procedia CIRP. 2018. Vol. 72. P. 1264-1269.

28. Wang Y. et al. Multi-objective workflow scheduling with deep-Q-network-based multi-agent reinforcement learning // IEEE Access. IEEE, 2019. Vol. 7. P. 39974-39982.

29. Kaur M., Kadam S. A novel multi-objective bacteria foraging optimization algorithm (MOBFOA) for multi-objective scheduling // Appl. Soft Comput. J. 2018. Vol. 66. P. 183-195.

30. Zhang L. et al. Bi-objective workflow scheduling of the energy consumption and reliability in heterogeneous computing systems // Inf. Sci. (Ny). 2017. Vol. 379. P. 241-256.

31. Casas I. et al. GA-ETI: An enhanced genetic algorithm for the scheduling of scientific workflows in cloud environments // J. Comput. Sci. 2018. Vol. 26. P. 318— 331.

32. Verma A., Kaushal S. A hybrid multi-objective Particle Swarm Optimization for scientific workflow scheduling // Parallel Comput. 2017. Vol. 62. P. 1-19.

33. Zhou X. et al. Minimizing cost and makespan for workflow scheduling in cloud using fuzzy dominance sort based HEFT // Futur. Gener. Comput. Syst. 2019. Vol. 93. P. 278-289.

34. Bertsekas D.P. Feature-based aggregation and deep reinforcement learning: A survey and some new implementations // IEEE/CAA J. Autom. Sin. 2019. Vol. 6, № 1. P. 1-31.

35. Mao H. et al. Resource management with deep reinforcement learning // HotNets 2016 - Proceedings of the 15th ACM Workshop on Hot Topics in Networks. 2016. P. 50-56.

36. Xue L. et al. An adaptive strategy via reinforcement learning for the prisoner's dilemma game // IEEE/CAA J. Autom. Sin. 2018. Vol. 5, № 1. P. 301310.

37. Zhan Y., Ammar H.B., Taylor M.E. Theoretically-grounded policy advice from multiple teachers in reinforcement learning settings with applications to negative transfer // IJCAI International Joint Conference on Artificial Intelligence. 2016. Vol. 2016-Janua. P. 2315-2321.

38. Wang H. et al. Reinforcement Learning for Constrained Energy Trading Games with Incomplete Information // IEEE Trans. Cybern. 2017. Vol. 47, №2 10. P. 3404-3416.

39. Zheng L. et al. MAgent: A many-agent reinforcement learning platform for artificial collective intelligence // 32nd AAAI Conference on Artificial Intelligence, AAAI 2018. 2018. P. 8222-8223.

40. Lowe R. et al. Multi-agent actor-critic for mixed cooperative-competitive environments // Advances in Neural Information Processing Systems. 2017. Vol. 2017-Decem. P. 6380-6391.

41. Arabnejad H., Barbosa J.G. A Budget Constrained Scheduling Algorithm for Workflow Applications // J. Grid Comput. 2014. Vol. 12, № 4. P. 665-679.

42. Li J. et al. Fuzzy keyword search over encrypted data in cloud computing // Fuzzy keyword search over encrypted data cloud Comput. 2010. № 8. P. 1-5.

43. Hyun Son J., Ho Kim M. Improving the performance of time-constrained workflow processing // J. Syst. Softw. 2001. Vol. 58, № 3. P. 211-219.

44. Yu J., Buyya R., Tham C.K. QoS-based scheduling of workflow applications on service grids // Proc. 1st IEEE Int. Conf. e-Science Grid Comput. 2005.

45. Gong L., Sun X.-H., Watson E.F. Performance modeling and prediction of nondedicated network computing // IEEE Trans. Comput. 2002. Vol. 51, № 9. P. 1041-1055.

46. Tian G.-Z., Yu J., He J.-S. Towards critical region reliability support for Grid workflows // J. Parallel Distrib. Comput. 2009. Vol. 69, № 12. P. 989-995.

47. Tao M., Dong S., He K. A new replication scheduling strategy for grid workflow applications // 2011 Sixth Annual Chinagrid Conference. 2011. P. 74-80.

48. Tao M., Dong S., Zhang L. A multi-strategy collaborative prediction model for the runtime of online tasks in computing cluster/grid // Cluster Comput. 2011. Vol. 14, № 2. P. 199-210.

49. Cui D. et al. Cloud workflow scheduling algorithm based on reinforcement learning // Int. J. High Perform. Comput. Netw. Inderscience Publishers (IEL), 2018. Vol. 11, № 3. P. 181-190.

50. Topcuoglu H., Hariri S., Wu M.-Y. Performance-effective and low-complexity task scheduling for heterogeneous computing // IEEE Trans. Parallel Distrib. Syst. 2002. Vol. 13, № 3. P. 260-274.

51. Li K. et al. Scheduling precedence constrained stochastic tasks on heterogeneous cluster systems // IEEE Trans. Comput. 2015. Vol. 64, № 1. P. 191204.

52. Arabnejad H., Barbosa J.G. List scheduling algorithm for heterogeneous systems by an optimistic cost table // IEEE Trans. Parallel Distrib. Syst. 2014. Vol. 25, № 3. P. 682-694.

53. Zhou N. et al. A list scheduling algorithm for heterogeneous systems based on a critical node cost table and pessimistic cost table // Concurr. Comput. 2017. Vol. 29, № 5.

54. Durillo J.J., Prodan R. Multi-objective workflow scheduling in Amazon EC2 // Cluster Comput. 2014. Vol. 17, № 2. P. 169-189.

55. Gerasoulis A., Yang T. A comparison of clustering heuristics for scheduling directed acyclic graphs on multiprocessors // J. Parallel Distrib. Comput. 1992. Vol. 16, № 4. P. 276-291.

56. Bajaj R., Agrawal D.P. Improving Scheduling of Tasks in a Heterogeneous Environment // IEEE Trans. Parallel Distrib. Syst. 2004. Vol. 15, № 2. P. 107-118.

57. Xie G., Li R., Li K. Heterogeneity-driven end-to-end synchronized scheduling for precedence constrained tasks and messages on networked embedded systems // J. Parallel Distrib. Comput. 2015. Vol. 83. P. 1-12.

58. Tong Z. et al. A novel task scheduling scheme in a cloud computing environment using hybrid biogeography-based optimization // Soft Comput. 2019. Vol. 23, № 21. P. 11035-11054.

59. Liang A., Pang Y. A novel, energy-aware task duplication-based scheduling algorithm of parallel tasks on clusters // Math. Comput. Appl. 2017. Vol. 22, № 2. P. 2-13.

60. Bozdag D., Özgüner F., Catalyurek U. V. Compaction of schedules and a two-stage approach for duplication-based DAG scheduling // IEEE Trans. Parallel Distrib. Syst. 2009. Vol. 20, № 6. P. 857-871.

61. Teylo L. et al. A hybrid evolutionary algorithm for task scheduling and data assignment of data-intensive scientific workflows on clouds // Futur. Gener. Comput. Syst. 2017. Vol. 76. P. 1-17.

62. Wang M. et al. Data Placement and Task Scheduling Optimization for Data Intensive Scientific Workflow in Multiple Data Centers Environment // Proceedings - 2014 2nd International Conference on Advanced Cloud and Big Data, CBD 2014. 2015. P. 77-84.

63. Arabnejad H., Barbosa J.G. Multi-QoS constrained and Profit-aware scheduling approach for concurrent workflows on heterogeneous systems // Futur. Gener. Comput. Syst. Elsevier, 2017. Vol. 68. P. 211-221.

64. Zhao H., Sakellariou R. Scheduling multiple DAGs onto heterogeneous systems // 20th International Parallel and Distributed Processing Symposium, IPDPS 2006. 2006. Vol. 2006. P. 14-27.

65. Kanemitsu H., Hanada M., Nakazato H. Prior node selection for scheduling workflows in a heterogeneous system // J. Parallel Distrib. Comput. 2017. Vol. 109. P. 155-177.

66. Chen H. et al. Real-time workflows oriented online scheduling in uncertain cloud environment // J. Supercomput. 2017. Vol. 73, № 11. P. 4906-4922.

67. Zhang L. et al. Maximizing reliability with energy conservation for parallel task scheduling in a heterogeneous cluster // Inf. Sci. (Ny). 2015. Vol. 319. P. 113131.

68. Zhang Q. et al. Energy-Efficient Scheduling for Real-Time Systems Based on Deep Q-Learning Model // IEEE Trans. Sustain. Comput. 2019. Vol. 4, № 1. P. 132-141.

69. Jiang J. et al. Time and Energy Optimization Algorithms for the Static Scheduling of Multiple Workflows in Heterogeneous Computing System // J. Grid Comput. 2017. Vol. 15, № 4. P. 435-456.

70. Герасимов Б.Н., Морозов В.В., Яковлева Н.Г. Системы управления: понятие, структура, исследование // Самара СГАУ. - 2002.

71. Костенко В. А. Проблемы разработки итерационных алгоритмов для построения расписаний с одновременным нахождением необходимого количества ресурсов и их характеристик //Искусственный интеллект (Донецк). - 2002. - №. 2. - С. 141-150.

72. Смелянский Р.Л. Модель функционирования распределенных вычислительных систем //Вестн. Моск. Ун-та. сер. 1990. Т. 15. - С. 3-21.

73. Балашов Н.А., Баранов А.В., Кадочников И.С., Кореньков В.В., Кутовский Н.А., Нечаевский А.В., Пелеванюк И.С. Программный комплекс

интеллектуального диспетчирования и адаптивной самоорганизации виртуальных вычислительных ресурсов на базе облачного центра ЛИТ ОИЯИ // Известия Южного федерального университета. Технические науки. - 2016. - №. 12 (185). - С. 92-103.

74. Каляев, Анатолий Игоревич. Методы и средства мультиагентного диспетчирования ресурсов GRID для решения связных задач : диссертация ... кандидата технических наук : 05.13.11 / Каляев Анатолий Игоревич; [Место защиты: Юж. федер. ун-т].- Таганрог, 2013.- 184 с.:

75. Francine Berman Adaptive Computing on the Grid Using AppLeS URL: http://walfredo.dsc.ufcg.edu.br/papers/l0369.pdf (Дата обращения: 19.12.2012).

76. Каляев А.И. Теоретические основы создания самоорганизующихся диспетчеров распределенных систем на базе мультиагентного социоинспирированного подхода // Известия ЮФУ. Технические науки 2021 №4, С 6-21.

77. 21. Anatoly Kalyaev; Korovin I., New Method to Use Idle Personal Computers for Solving Coherent Tasks // 2014 AASRI Conference on Circuit and Signal Processing (CSP 2014) Volume 9, 2014, P. 131-137

78. Shoham Y., Leyton-Brown K. Multiagent systems: Algorithmic, game-theoretic, and logical foundations. - Cambridge University Press, 2008.

79. Wooldridge M. An introduction to multiagent systems. - John wiley & sons, 2009. - 488 P.

80. Anatoly Kalyaev; Korovin I., Adaptive Multiagent Organization of the Distributed Computations // AASRI Procedia 6: 49-58p.

81. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. - 353 с.

82. Городецкий В.И. Самоорганизация и многоагентные системы. I. Модели многоагентной самоорганизации // Известия Российской академии наук. Теория и системы управления. - 2012. - №. 2. - С. 92-92.

83. Ross Ashby W. Principles of the self-organizing dynamic system //The Journal of General Psychology. - 1947. - Т. 37. - №. 2. - С. 125-128

84. Kauffman S.A., Stuart A. The origins of order: Self-organization and selection in evolution. - Oxford University Press, USA, 1993.

85. Карпов В.Э. Коллективное поведение роботов. Желаемое и действительное // Современная мехатроника. Сб. научн. трудов Всероссийской научной школы (г. Орехово-Зуево, 22-23 сентября 2011)-0рехово-3уево. - 2011. - C. 132.

86. Карпов В.Э. Модели социального поведения в групповой робототехнике // Управление большими системами: сборник трудов. - 2016. -№. 59. - С.65-232.

87. Новиков Д.А. Математические модели формирования и функционирования команд. - Москва: ФИЗМАТЛИТ. - 2008. - 185 С.

88. Campbell A., Wu A.S. Multi-agent role allocation: issues, approaches, and multiple perspectives // Auton. Agent. Multi. Agent. Syst. Springer, 2011. - Vol. 22, № 2. - P. 317-355.

89. Georgeff M. Communication and interaction in multi-agent planning // Readings in distributed artificial intelligence. - Morgan Kaufmann, 1988. - С. 200-204.

90. Fallah-Seghrouchni A.E., Piette F., Caval C., Taillibert P. A multi-agent platform for the deployment of ambient systems //International Journal of Agent-Oriented Software Engineering. - 2018. - Т. 6. - №. 3-4. - С. 369-401.

91. Кулинич А.А. Модель кооперации агентов (роботов) // Труды Четырнадцатой национальной конференции по искусственному интеллекту с международным участием КИИ-2014. - 2014. - С. 24-27.

92. Suganuma T., Oide T., Kitagami S., Sugawara K., Shiratori N. Multiagent-based flexible edge computing architecture for IoT //IEEE Network. - 2018. -Т. 32. - №. 1. - С. 16-23.

93. Ayala I., Amor M., Fuentes L. The Sol agent platform: Enabling group communication and interoperability of self-configuring agents in the Internet of

Things //Journal of Ambient Intelligence and Smart Environments. - 2015. - Т. 7. -№. 2. - С. 243-269.

94. Pipattanasomporn M., Kuzlu M., Khamphanchai W., Saha A., Rathinavel K., Rahman, S. BEMOSS: An agent platform to facilitate grid-interactive building operation with IoT devices //2015 IEEE Innovative Smart Grid Technologies-Asia (ISGT ASIA). - IEEE, 2015. - С. 1-6.

95. Kulinich A.A. A model of agents (robots) command behavior: The cognitive approach // Autom. Remote Control. Springer, 2016. - Vol. 77, № 3. - P. 510-522.

96. Легович Ю. С., Максимов Д. Ю. Выбор исполнителя в группе интеллектуальных агентов // Управление большими системами: сборник трудов. - 2015. - №. 56. - С.78-94.

97. Котенко И. В., Уланов А. В. Многоагентное моделирование защиты информационных ресурсов в сети Интернет //Известия Российской академии наук. Теория и системы управления. - 2007. - №. 5. - С. 74-88.

98. Каляев А.И., Каляев И.А. Метод мультиагентного диспетчирования ресурсов в облачных вычислительных средах // Известия Российской академии наук. Теория и системы управления. 2016. № 2. С. 51.

99. Conte R., Edmonds B., Moss S., Sawyer R.K. Sociology and social theory in agent based social simulation: A symposium // Comput. Math. Organ. Theory. Springer, 2001. - Vol. 7, № 3. - P. 183-205.

100. Kalyaev I., Melnik E., Korovin I., Klimenko A., Schaefer G. A Fog Computing-based Method to Information and Control System Reliability Enhancement //2018 Joint 7th International Conference on Informatics, Electronics & Vision (ICIEV) and 2018 2nd International Conference on Imaging, Vision & Pattern Recognition (icIVPR). - IEEE, 2018. - С. 582-587.

101. Кулинич А. А. Модель командного поведения агентов в качественной семиотической среде. Ч. 2. Модели и алгоритмы формирования и функционирования команд агентов // Искусственный интеллект и принятие решений. - 2018. - №. 1. - С. 29-40.

102. Городецкий В. И., Самойлов В. В., Троцкий Д. В. Базовая онтология коллективного поведения автономных агентов и ее расширения //Известия Российской академии наук. Теория и системы управления. - 2015. - №. 5. - С. 102-102.

103. Semwal T., Jha S. S., Nair S. B. Tartarus: A multi-agent platform for bridging the gap between cyber and physical systems //Proceedings of the 2016 International Conference on Autonomous Agents & Multiagent Systems. - 2016. -С. 1493-1495.

104. Stone P., Kaminka G.A., Kraus S., Rosenschein J.S. Ad hoc autonomous agent teams: Collaboration without pre-coordination //Twenty-Fourth AAAI Conference on Artificial Intelligence. - 2010. - P. 1504-1509.

105. Palanca J., Terrasa A., Carrascosa C., Julián V. SimFleet: a new transport fleet simulator based on MAS //International Conference on Practical Applications of Agents and Multi-Agent Systems. - Springer, Cham, 2019. - С. 257-264.

106. P. Saint-Andre, Extensible Messaging and Presence Protocol (XMPP): Core, document RFC 6120, Internet Requests for Comments, RFC Editor, Mar. 2011. // URL: http://www.rfc-editor.org/rfc/rfc6120.txt (дата обращения: 05.09.2021).

107. Кулинич А. А. Модель командного поведения агентов в качественной семиотической среде. Часть 1. Качественная среда функционирования. Основные определения и постановка задачи // Искусственный интеллект и принятие решений. - 2017. - №. 3. - С. 38-48.

108. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. Рипол Классик. - 1987. - 150 С.

109. Li X., Bilbao S., Martín-Wanton T., Bastos J., Rodriguez J. SWARMs ontology: A common information model for the cooperation of underwater robots // Sensors. - 2017. - Vol. 17. - №. 3. - P. 569.

110. Капустян С., Каляев И., Гайдук А. Модели и алгоритмы коллективного управления в группах роботов. - Litres, 2018. - 289 C.

111. Palanca J., Terrasa A., Carrascosa C., Julián V. Improving the programming skills of students in multiagent systems master courses //Computer Applications in Engineering Education. - 2019. - Т. 27. - №. 4. - С. 836-845.

112. Mell J., Gratch J. Grumpy & Pinocchio: answering human-agent negotiation questions through realistic agent design //Proceedings of the 16th conference on autonomous agents and multiagent systems. - 2017. - С. 401-409.

113. Carmel D., Markovitch S. Opponent modeling in multi-agent systems // International Joint Conference on Artificial Intelligence. - Springer, Berlin, Heidelberg, 1995. - С. 40-52.

114. Sanchis A., Juliá, V., Corchado J.M., Billhardt H., Carrascosa C. Using natural interfaces for human-agent immersion //International Conference on Practical Applications of Agents and Multi-Agent Systems. - Springer, Cham, 2014.

- С. 358-367

115. Chalupsky H., Gil Y., Knoblock C.A., Lerman K., Oh J., Pynadath D.V., Tambe M. Electric Elves: Applying Agent Technology to Support Human Organizations //IAAI. - 2001. - Т. 1. - С. 51-58.

116. Малинецкий Г.Г. Теория самоорганизации. На пороге IV парадигмы // Компьютерные исследования и моделирование. - 2013. - Т. 5. - №2. 3. - С. 315366.

117. Кондратьев В. В., Жевнерчук Д. В. Применение методов теории самоорганизации в задачах управления профилированием и конфигурированием вычислительных систем // Доклады академии наук. -Федеральное государственное унитарное предприятие Академический научно-издательский, производственно-полиграфический и книгораспространительский центр Наука, 2014. - Т. 459. - №. 4. - С. 409-409.

118. Serugendo G.D.M., Gleizes M.P., Karageorgos A. Self-organization in multi-agent systems //The Knowledge engineering review. - 2005. - Т. 20. - №. 2.

- С. 165-189.

119. Gaston M.E., DesJardins M. Agent-organized networks for dynamic team formation //Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. - 2005. - С. 230-237.

120. Just J.E., Cornwell M.R., Huhns M.N. Agents for establishing ad hoc cross-organizational teams // Proceedings. IEEE/WIC/ACM International Conference on Intelligent Agent Technology, 2004. (IAT 2004). - IEEE, 2004. - С. 526-530.

121. O'Brien P. D., Nicol R. C. FIPA—towards a standard for software agents // BT Technology Journal. - 1998. - Т. 16. - №. 3. - С. 51-59.

122. Jelasity M., Babaoglu O. T-Man: Gossip-based overlay topology management //International Workshop on Engineering Self-Organising Applications. - Springer, Berlin, Heidelberg, 2005. - С. 1-15.

123. Охтилев М.Ю., Мустафин Н.Г., Миллер В.Е., Соколов Б.В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Известия высших учебных заведений. Приборостроение. - 2014. - Т. 57. - №. 11. - С.7-14.

124. Calegari R., Ciatto G., Mascardi V., Omicini, A. Logic-based technologies for multi-agent systems: A systematic literature review. Autonomous Agents and Multi-Agent Systems, 35(1), -2021. - P. - 1-67.

125. Jiang Y., Jiang J. Contextual resource negotiation-based task allocation and load balancing in complex software systems //IEEE Transactions on Parallel and Distributed Systems. - 2008. - Т. 20. - №. 5. - С. 641-653.

126. Ulicny B., Thalmann D. Crowd simulation for interactive virtual environments and VR training systems //Computer animation and simulation 2001. - Springer, Vienna, 2001. - С. 163-170.

127. Almeida J. E., Rosseti R. J. F., Coelho A. L. Crowd simulation modeling applied to emergency and evacuation simulations using multi-agent systems //arXiv preprint arXiv: 1303.4692. - 2013.

128. Grosz B. J., Kraus S. Collaborative plans for complex group action // Artificial Intelligence. - 1996. - Т. 86. - №. 2. - С. 269-357.

129. Jiang Y., Zhou Y., Wang W. Task allocation for undependable multiagent systems in social networks //IEEE Transactions on Parallel and Distributed Systems. - 2012. - Т. 24. - №. 8. - С. 1671-1681.

130. Cardoso R.C., Ferrando A.A Review of Agent-Based Programming for Multi-Agent Systems. Computers 2021, V.10 (16). - 2021.

131. Mahela O.P., Khosravy M., Gupta N., Khan B., Alhelou H. H., Mahla R., Siano P. Comprehensive overview of multi-agent systems for controlling smart grids // CSEE Journal of Power and Energy Systems. - 2020.

132. Simmonds J., Gómez J. A., Ledezma A. The role of agent-based modeling and multi-agent systems in flood-based hydrological problems: a brief review //Journal of Water and Climate Change. - 2020. - Т. 11. - №. 4. - С. 1580-1602.

133. Herrera M., Pérez-Hernández M., Kumar Parlikad A., Izquierdo J. Multiagent systems and complex networks: Review and applications in systems engineering // Processes. - 2020. - Т. 8. - №. 3. - С. 312.

134. Ma Z., Schultz M.J., Christensen K., V^rbak M., Demazeau Y., J0rgensen B. N. The application of ontologies in multi-agent systems in the energy sector: a scoping review //Energies. - 2019. - Т. 12. - №. 16. - С. 3200.

135. Harley J.M., Bouchet F., Hussain M.S., Azevedo R., Calvo R. A multi-componential analysis of emotions during complex learning with an intelligent multi-agent system //Computers in Human Behavior. - 2015. - Т. 48. - С. 615-625.

136. Parunak H.V.D. " Go to the ant": Engineering principles from natural multiagent systems //Annals of Operations Research. - 1997. - Т. 75. - С. 69-101.

137. González-Briones A., De La Prieta F., Mohamad M.S., Omatu S., Corchado J.M. Multi-agent systems applications in energy optimization problems: A state-of-the-art review //Energies. - 2018. - Т. 11. - №. 8. - С. 1928.

138. Calvaresi D., Dubovitskaya A., Calbimonte J.P., Taveter K., Schumacher M. Multi-agent systems and blockchain: Results from a systematic literature review // International conference on practical applications of agents and multiagent systems. - Springer, Cham, 2018. - С. 110-126.

139. Liang C., Shanmugam B., Azam S., Karim A., Islam A., Zamani M., Idris N.B. Intrusion detection system for the internet of things based on blockchain and multi-agent systems //Electronics. - 2020. - Т. 9. - №. 7. - С. 1120.

140. Gregori M. E., Cámara J. P., Bada G. A. A jabber-based multi-agent system platform //Proceedings of the fifth international joint conference on Autonomous agents and multiagent systems. - 2006. - С. 1282-1284.

141. Берман А.Ф., Николайчук О.А., Павлов А.И. Самоорганизующийся алгоритм формирования решений для обеспечения требуемого технического состояния сложных опасных объектов //Системный анализ и информационные технологии (САИТ-2017). - 2017. - С. 377-384.

142. Bellifemine F., Poggi A., Rimassa G. JADE-A FIPA-compliant agent framework //Proceedings of PAAM. - 1999. - Т. 99. - №. 97-108. - С. 33.

143. Bergenti F., Caire G., Monica S., Poggi A. The first twenty years of agent-based software development with JADE //Autonomous Agents and Multi-Agent Systems. - 2020. - Т. 34. - №. 2. - С. 1-19.

144. Poslad S., Buckle P., Hadingham R. The FIPA-OS agent platform: Open source for open standards //proceedings of the 5th international conference and exhibition on the practical application of intelligent agents and multi-agents. - 2000.

- Т. 355. - №. 20.

145. Caire G., Gotta D., Banzi M. Wade: a software platform to develop mission critical applications exploiting agents and workflows //Proceedings of the 7th international joint conference on Autonomous agents and multiagent systems: industrial track. - 2008. - С. 29-36.

146. Bigus J.P., Schlosnagle D.A., Pilgrim J.R., Mills III W.N., Diao Y. ABLE: A toolkit for building multiagent autonomic systems //IBM Systems Journal. - 2002.

- Т. 41. - №. 3. - С. 350-371.

147. Gutknecht O., Ferber J. The M ad K it agent platform architecture //Workshop on infrastructure for scalable multi-agent systems at the international conference on autonomous agents. - Springer, Berlin, Heidelberg, 2000. - С. 48-55.

148. Galland S., Gaud N., Rodriguez S., Hilaire V. Janus: Another yet generalpurpose multiagent platform //Seventh AOSE Technical Forum, Paris. - 2010.

149. Baldoni M., Baroglio C., Capuzzimati F., Micalizio R. Commitment-based agent interaction in JaCaMo+ // Fundamenta Informaticae. - 2018. - Т. 159. - №. 1-2. - P. 1-33.

150. Bordini R. H., Hübner J. F. BDI agent programming in AgentSpeak using Jason //International workshop on computational logic in multi-agent systems. -Springer, Berlin, Heidelberg, 2005. - С. 143-164.

151. Ricci A., Viroli M., Omicini A. CArtAgO: A framework for prototyping artifact-based environments in MAS //International Workshop on Environments for Multi-Agent Systems. - Springer, Berlin, Heidelberg, 2006. - С. 67-86.

152. Куприянов М. С., Кочетков А. В. Мультиагентная модель самоорганизующейся распределенной системы // Известия СПбГЭТУ" ЛЭТИ". - 2016. - №. 2. - С. 12.

153. Гайдук А.Р. Алгоритмическое обеспечение самоорганизующихся регуляторов с экстраполяцией // Известия РАН. Теория и системы управления. - 2002. - №. 3. - С. 56-63.

154. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению. I // Интеллектуальные системы. - 1999. - Т. 4. - №. 1-2. - С. 19-72.

155. Васильев С. Н., Опарин Г. А., Феоктистов А. Г. Интеллектный подход к автоматизации моделирования сложных управляемых систем //Труды Международной конференции RDAMM-2001 -Новосибирск. - 2001. - Т. 6. -С. 159-168.

156. Махутов Н.А., Берман А.Ф., Николайчук О.А. Некоторые принципы самоорганизации для управления риском техногенных катастроф //Проблемы анализа риска. - 2015. - Т. 12. - №. 4. - С. 6-17.

157. Aydogan R., Sanchez V., Julian V., Broekens J., Jonker C. Guest editorial: computational approaches for conflict resolution in decision making: new advances and developments //Cybernetics and Systems. - 2014. - Т. 45. - №2. 3. - С. 217-221.

158. Лопота А.В., Юревич Е.И. Самоорганизация в кибернетике и робототехнике // Робототехника и техническая кибернетика. - 2014. - №. 4. -С. 4-5.

159. Bernon C., Camps V., Gleizes M.P., Picard G. Tools for self-organizing applications engineering //International Workshop on Engineering Self-Organising Applications. - Springer, Berlin, Heidelberg, 2003. - С. 283-298.

160. Колесников А. В., Кириков И. А., Листопад С. В. Гибридные интеллектуальные системы с самоорганизацией: координация, согласованность, спор //М.: ИПИ РАН. - 2014.

161. Литвинцева Л. В., Ульянов С. В. Интеллектуальные системы управления. I. Квантовые вычисления и алгоритм самоорганизации //Известия Российской академии наук. Теория и системы управления. - 2009. - №. 6. - С. 102-141.

162. Mamei M., Menezes R., Tolksdorf R., Zambonelli, F. Case studies for self-organization in computer science //Journal of Systems Architecture. - 2006. - Т. 52. - №. 8-9. - С. 443-460.

163. Omicini A., Gardelli L. Self-Organisation & MAS. An Introduction [Электронный ресурс] // URL: https://core.ac.uk/download/pdf/11193005.pdf (дата обращения: 25.07.2021).

164. Жевнерчук Д. В. Моделирование процессов самоорганизации распределенных пространственно-временных ресурсов //Вестник Нижегородского университета им. НИ Лобачевского. - 2014. - №. 2-1. - С.218-222.

165. Маслобоев А.В. Самоорганизация проблемно ориентированных мультиагентных виртуальных пространств на основе градиентных вычислительных полей //Под редакцией д. филос. н. ЕА Никитиной Рецензенты: д. ф. м. н., проф. ВГ Редько д. филос. н., проф. Т. Н Семенова. -2013. - С. 31-36.

166. Граничин О.Н. Круглый стол «Самоорганизация и искусственный интеллект в группе автономных роботов: методология, теория, практика» // Стохастическая оптимизация в информатике. - 2020. - Т. 16. - №. 1. - С. 5-12.

167. Кузнецова В. Л., Раков М. А. Самоорганизация в технических системах. - Наукова думка, 1987. - 200 С.

168. Каляев И.А., Гайдук А.Р., Капустян С.Г. Самоорганизация в мультиагентных системах // Известия Южного федерального университета. Технические науки. - 2010. - Т. 104. - №. 3. - С.14-20.

169. 24. Anatoly Kalyaev; Korovin I., Khisamutdinov M., The Application of Evolutionary Algorithms in the Artificial Neural Network Training Process for the Oilfield Equipment Malfunctions' Forecasting// Advances in Intelligent Systems Research Volume68 стр.253-257, 2013

170. 23. Anatoly Kalyaev; Korovin I., Khisamutdinov M., Methods and algorithms of improving the efficiency of data transmission systems in oil corporations' enterprise networks // Oil Industry №9, 2013. - стр.96-101.

171. Korovin I., Kalyaev I., Kalyaev A. Multiagent Resource Dispatching in a Heterogeneous Cloud Environment // Proceedings of the 2019 International Conference on Electronical, Mechanical and Materials Engineering (ICE2ME 2019), March 2019 DOI: 10.2991/ICE2ME-19.2019.18

172. Каляев А.И., Каляев И.А. Метод децентрализованного управления распределенной системой при выполнении множества заданий // Мехатроника, автоматизация, управление. 2015. Т. 16. № 9. С. 585-598.

173. Каляев А.И., Каляев И.А., Коровин Я.С. Метод мультиагентного диспетчирования ресурсов в гетерогенной облачной среде при выполнении множества задач // Вестник компьютерных и информационных технологий. 2015. № 11 (137). С. 31-40.

174. Каляев А.И., Каляев И.А., Коровин Я.С. Метод мультиагентного диспетчирования ресурсов в гетерогенной облачной среде при выполнении множества задач // Вестник компьютерных и информационных технологий. 2015. № 12 (138). С. 29-36

175. Anatoly Kalyaev Multiagent Approach for Building Distributed Adaptive Computing System // Procedia Computer Science, Volume 18, 2013, Pages 21932202 ISSN: 1877-0509 URL: http://dx.doi.org/10.1016/j.procs.2013.05.390

176. Каляев А.И., Каляев И.А. Метод мультиагентного диспетчирования ресурсов в облачных вычислительных средах // Известия Российской академии наук. Теория и системы управления. 2016. № 2. С. 51.

177. Семенистый С.А., Каляев А.И. Алгоритм работы досок объявлений распределенной автоматизированной системы прогнозирования отказов нефтепромыслового оборудования // Наука и современность. сборник материалов V-ой международной научно-практической конференции. 2016. С. 55-56.

178. Kalyaev A.I., Kalyaev I.A. Method Of Multiagent Scheduling Of Resources In Cloud Computing Environments // Journal of Computer and Systems Sciences International. 2016. Т. 55. № 2. С. 211-221.

179. Каляев И.А., Каляев А.И., Коровин Я.С. Алгоритм мультиагентного диспетчирования ресурсов в гетерогенной облачной среде // Вычислительные технологии. 2016. Т. 21. № 5. С. 38-53.

180. Каляев А.И., Каляев И.А., Коровин Я.С. Распределение ресурсов в облачной среде при выполнении потока произвольно поступающих задач // Робототехника и техническая кибернетика. 2016. № 1 (10). С. 18-26.

181. Каляев А.И. Мультиагентное управление сложными техническими системами на основе стратегий социального поведения объектов // Десятая Всероссийская мультиконференция по проблемам управления (МКПУ-2017). материалы 10-й Всероссийской мультиконференции: в 3 томах. Ответственный редактор И.А. Каляев. 2017. С. 25-28.

182. Коровин Я.С., Капустян С.Г., Хисамутдинов М.В., Каляев А.И., Иванов Д.Я. Алгоритм функционирования агента облачного сервиса системы поддержки принятия решений // Суперкомпьютерные технологии (СКТ-2018). Материалы 5-й Всероссийской научно-технической конференции: в 2-х томах. 2018. С. 87-92.

183. Коровин Я.С., Капустян С.Г., Каляев А.И., Хисамутдинов М.В., Иванов Д.Я. Сообщества агентов облачного сервиса системы поддержки принятия решений в облаке корпоративных вычислительных ресурсов нефтедобывающей компании // Суперкомпьютерные технологии (СКТ-2018). Материалы 5-й Всероссийской научно-технической конференции: в 2-х томах. 2018. С. 93-97.

184. Korovin I., Kalyaev I., Kalyaev A., Khisamutdinov M., Ivanov D., Schaefer G. A Failure Prediction Method For Oil Field Complex Technical Objects // 2018 Joint 7th International Conference on Informatics, Electronics and Vision and 2nd International Conference on Imaging, Vision and Pattern Recognition, ICIEV-IVPR 2018. 7. 2019. С. 594-598.

185. Ivanov D., Kapustyan S., Kalyaev A., Korovin I. Decision Support Systems For The Oil Fields With Cloud Multiagent Service //Advances in Intelligent Systems and Computing (см. в книгах). 2019. Т. 1047. С. 16-23.

186. Korovin I., Khisamutdinov M., Kalyaev A., Ivanov D., Schaefer G. Neural Network Model Of Pumping Units In Oil Preparation And Pumping Complex // 2017 6th International Conference on Informatics, Electronics and Vision and 2017 7th International Symposium in Computational Medical and Health Technology, ICIEV-ISCMHT 2017. 6. 2018. С. 1-4.

187. Korovin I.S., Kalyaev A., Khisamutdinov M., Ivanov D., Schaefer G. Application Of Neural Networks For Modelling Centrifugal Pumping Units Of Booster Pump Stations For A Two-Phase Gas-Liquid Mixture // 2017 6th International Conference on Informatics, Electronics and Vision and 2017 7th International Symposium in Computational Medical and Health Technology, ICIEV-ISCMHT 2017. 6. 2018. С. 1-6.

188. Korovin I.S., Khisamutdinov M.V., Kalyaev A.I. On Dss Implementation In The Dynamic Model Of The Digital Oil Field // IOP Conference Series: Materials Science and Engineering. International Conference on Mechanical Engineering and Applied Composite Materials. 2018. С. 012052.

189. Korovin I., Khisamutdinov M., Kalyaev A., Schaefer G. Application Of Hybrid Data Mining Methods To Increase Profitability Of Heavy Oil Production // 2016 5th International Conference on Informatics, Electronics and Vision, ICIEV 2016. 5. 2016. С. 1149-1152.

190. Korovin I., Khisamutdinov M., Kalyaev A., Schaefer G. Real-time diagnostics of oil production equipment using data mining // 2016 5th International Conference on Informatics, Electronics and Vision, ICIEV 2016. 5. 2016. С. 11691172.

191. Коровин Я.С., Ткаченко М.Г., Хисамутдинов М.В., Каляев А.И. Применение гибридных методов интеллектуального анализа информации в условиях решения задачи повышения рентабельности месторождений тяжелой нефти // Нефтяное хозяйство. 2016. № 1. С. 106-109.

192. Korovin I.S., Kalyaev A.I., Khisamutdinov M.V. Data Mining Methods Application To The Problem Of Handling Corporative Dataset On Heavy Oil Production, International Conference On Intelligent Control And Computer Application //Advances in Computer Science Research. 2016. Т. 30. С. 387.

193. КаляевИ.А., Капустян С.Г. Метод мультиагентного управления «умным» интернет-производством // Робототехника и техническая кибернетика. 2018. № 1 (18). С. 34-48.

194. Каляев И.А., Каляев А.И., Коровин Я.С. Принципы организации и функционирования безлюдного роботизированного производства с децентрализованным диспетчером // Мехатроника, автоматизация, управление. 2016. Т. 17. № 11. С. 741-749.

195. Каляев А.И., Каляев И.А., Коровин Я.С. Синтез структуры роботизированного производства с децентрализованным диспетчером // Робототехника и техническая кибернетика. 2016. № 4 (13). С. 4-12.

196. Kalyaev I., Kalyaev A., Korovin I. Decentralized Approach To Control Of Robot Groups During Execution Of The Task Flow // Lecture Notes in Computer Science (см. в книгах). 2016. Т. 9812. С. 48-54.

197. Каляев А.И. Применение распределенных вычислительных систем для обработки изображений в целях поиска беспилотных летательных аппаратов //Вестник компьютерных и информационных технологий. 2021. Т. 18, № 10. С. 46 - 53. DOI 10.14489/vkit.2021.10.pp.046-053.

198. Kalyaev A., Khisamutdinov M. ALGORITHM OF SEARCH AND TRACK OF STATIC AND MOVING LARGE-SCALE OBJECTS // ITM Web of Conferences. 2017. Т. 12. № 3. С. 05014.

199. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль доски объявлений интеллектуальной сервис-ориентированной распределенной вычислительной системы для параллельной обработки данных. Свидетельство о регистрации программы для ЭВМ RU 2019662124, 17.09.2019. Заявка № 2019661058 от 09.09.2019 г.

200. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль визуальной оболочки пользователя интеллектуальной сервис-ориентированной распределенной вычислительной системы для параллельной обработки данных. Свидетельство о регистрации программы для ЭВМ RU 2018663523, 30.10.2018. Заявка № 2018660596 от 04.10.2018 г.

201. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль визуальной оболочки администратора интеллектуальной сервис-ориентированной распределенной вычислительной системы для параллельной обработки данных. Свидетельство о регистрации программы для ЭВМ RU 2018663572, 31.10.2018. Заявка № 2018660591 от 04.10.2018.

202. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль исполнительного вычислительного узла интеллектуальной сервис-ориентированной распределенной вычислительной системы для параллельной обработки данных. Свидетельство о регистрации программы для ЭВМ RU 2018666257, 13.12.2018. Заявка № 2018664016 от 05.12.2018 г.

203. Хисамутдинов М.В., Коровин Я.С., Каляев А.И., Иванов Д.Я. Метод организации интеллектуального интерфейса дистанционного управления системой стереозрения робота на основе айтрекинга // Материалы XII

мультиконференции по проблемам управления (МКПУ-2019). Материалы XII мультиконференции. В четырех томах. 2019. С. 108-112.

204. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль доски объявлений распределенной автоматизированной системы прогнозирования отказов нефтепромыслового оборудования. Свидетельство о регистрации программы для ЭВМ RU 2017613053, 09.03.2017. Заявка № 2017610568 от 23.01.2017.

205. Коровин Я.С., Каляев А.И., Семенистый С.А. Программный модуль исполнительного вычислительного узла распределенной автоматизированной системы прогнозирования отказов нефтепромыслового оборудования. Свидетельство о регистрации программы для ЭВМ RU 2017613160, 13.03.2017. Заявка № 2017610574 от 23.01.2017.

206. Коровин Я.С., Ткаченко М.Г., Каляев А.И., Семенистый С.А. Экспериментальный образец программного комплекса поддержки принятия решений по подбору мероприятий, направленных на увеличение нефтеотдачи пласта. Свидетельство о регистрации программы для ЭВМ RU 2019665396, 22.11.2019. Заявка № 2019664011 от 06.11.2019.

207. Korovin I., Kalyaev A. Artificial intelligence hybrid methods application in the task of the heavy oilfields profitability increase // Oil Industry 2016. № 1. С. 106-109.

208. Iakov S. Korovin, Anatoly I. Kalyaev, Maxim V. Khisamutdinov Using a dynamic model of technological processes to reduce the cost of heavy oil extraction // Proceedings of the Information Technology and Mechatronics Engineering Conference (ITOEC 2016TOEC) DOI: 10.2991/ITOEC-16.2016.78

209. Igor Kalyaev, Anatoly Kalyaev, Iakov Korovin Decentralized Approach for Autonomous Mechatronic Oil Extraction // Proceedings of the International Conference on Computer Modeling, Simulation and Algorithm (CMSA) 2018 DOI: 10.2991/CMSA-18.2018.91

210. Korovin I., Kalyaev A. Development and research of the ANN based model for increasing oil production // ACM International Conference Proceeding Series, 2019, стр. 107-110 DOI: 10.1145/3333581.3333602

211. Anatoly Kalyaev; Korovin I., Khisamutdinov M., Methods and algorithms of improving the efficiency of data transmission systems in oil corporations' enterprise networks // №9, 2013. -С96-101.

212. Anatoly Kalyaev; Korovin I., Khisamutdinov M., The decentralized approach to network-centric management of oilfield // Oil Industry 2015. № 9. С. 98-101.

213. Каляев А.И., Мельник Э.В. Об одном подходе к аппаратной организации коммутатора для программно-конфигурируемых сетей на базе программируемых логических интегральных схем // Вестник компьютерных и информационных технологий. №25, 2014г.- Москва: Изд-во "СПЕКТР".- С. 2632.

214. Anatoly Kalyaev; Eduard V. Melnik FPGA-based approach for organization of SDN switch // 9TH INTERNATIONAL CONFERENCE ON APPLICATION OF INFORMATION AND COMMUNICATION TECHNOLOGIES (AICT) 2015 DOI: 10.1109/ICAICT.2015.7338580

215. Anatoly Kalyaev; Iakov Korovin; Maxim Khisamutdinov; Gerald Schaefer; Md. Atiqur Rahman Ahad A hardware approach for organisation of software defined network switches based on FPGA // International Conference on Informatics, Electronics & Vision (ICIEV) 2015 DOI: 10.1109/ICIEV.2015.7334067

216. Anatoly Kalyaev; Korovin I., Khisamutdinov M., Schaefer G. A novel method of organisation of a software defined network control system // International Conference on Informatics, Electronics & Vision (ICIEV) 2015 DOI: 10.1109/ICIEV.2015.7334062

306

Приложение А Акты о внедрении

Акт о внедрении в НИИ Многопроцессорных вычислительных систем ЮФУ

МИНОБРНАУКИ РОССИИ Научно-исследовательский институт многопроцессорных вычислительных систем имени академика A.B. Каляева федерального государственного автономного образовательного учреждения высшего образования «Южный федеральный университет» ___НИИ многопроцессорных вычислительных систем ЮФУ

ул. Чехова, 2. ГСП-284, г. Таганрог, Ростовская область, Россия, 347928 Гел./F их [phone], 360376, e-mail: mailfii niiiiivs.ru http://www.mvs.sfedu.ru И11H-6163027810, Kl 111-616301001. ОГРН 1026103165241. ОКПО 02070157. _OKTMO 60737000001, OKOI У 1322500. ОКФС 12. ОКОПФ 30002, (ЖАТО 60437000000

6' ЯРЯ J__№ ?С?5 01.02-46)4634

На jY° or __

АКТ

о внедрении результатов диссертационной работы «Методологические основы создания самоорганизующихся распределенных систем с мульгиагентным диепетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.0! «Системный анализ, управление и обработка информации».

Комиссия в составе:

Председатель:

Коровин Я.С. - директор НИИ Многопроцессорных вычислительных систем ЮФУ; Члены комиссии:

Коробкин В.В. - заведующий лабораторией НИИ Многопроцессорных вычислительных систем ЮФУ;

Кухаренко Л.П. - ученый секретарь НИИ Многопроцессорных вычислительных систем ЮФУ

составила настоящий акт о том, что результаты диссертационной работы Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диепетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации», в частности:

SFedU Acad. Kalyaev Scientific Research Institute of Multiprocessor Computer Systems

2 C'hckhov st., GSP-284, Taganmg. 347928. Kussia Phone [phone],I a.\ 1+7 8634) 360376. l.-niail mvsrfmvs.sfcdu.ru. http://wuu.ims slcdu.ru

• методы и алгоритмы мультиагентного диспетчирования ресурсов в самоорганизующихся распределенных системах,

• методы оценки эффективности распределения ресурсов в самоорганизующихся распределенных системах,

• метод построения самоорганизующихся облачных вычислительных сред с мультиагентным диспетчированием ресурсов,

• способ создания самоорганизующихся распределенных систем анализа видеопотока с мультиагентным диспетчированием ресурсов

были внедрены в Научно-исследовательском институте многопроцессорных вычислительных систем имени академика A.B. Каляева федерального государственного автономного образовательного учреждения высшего образования «Южный федеральный университет» в составе программно-аппаратных средств, разрабатываемых в рамках соглашений по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014—2021 годы» № 14.575.21.0152 «Разработка методов и средств системы поддержки принятия решений по подбору мероприятий, направленных на увеличение нефтеотдачи пласта на основе гибридных технологий искусственного интеллекта в облаке корпоративных вычислительных ресурсов в рамках реализации концепции «Цифровое месторождение» и № 05.608.21.0281 «Разработка технологии и создание экспериментального образца автоматизированной системы дистанционного выявления лиц с девиантным поведением в местах массового скопления людей».

Внедрение результатов диссертационной работы позволило обеспечить снижение средней задержки времени выполнения заданий в системе поддержки принятия решений по подбору мероприятий, направленных на увеличение нефтеотдачи пласта на основе гибридных технологий искусственного интеллекта в облаке корпоративных вычислительных ресурсов на 27%, а также обеспечить сокращение на 14% средней *адержки времени обработки кадра относительно требуемого значения в автоматизированной системе дистанционного выявления лиц с девиантным поведением в местах массовш.о.скопления людей.

Члены комиссии:

11редседатель комиссии

Акт о внедрении в ФГАОУ ВО «СПбПУ»

ЧтШ/

МИНОБРНАУКИ РОССИИ

федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого» (ФГАОУ ВО «СПбПУ»)

|ра по научно-той деятельности

ИНН 7804040077, ОГРН 1027802505279. ОКПО 02068574 Политехническая ул., 29, Санкт-Петербург, 195251 тел.; [phone], факс: [phone] [e-mail]

Ю.С. Клочков

на №

от

АКТ

о внедрении результатов диссертационной работы

Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05,13.01 «Системный анализ, управление и обработка информации».

Комиссия в составе: председатель:

Уткин Лее Владимирович, и.о. директора ИКНТ. Члены комиссии:

Мулюха Владимир Александрович, и.о. директора ВШИИ ИКНТ, Лукашин Алексей Андреевич, доцент ВШИИ ИКНТ, Попов Сергей Геннадьевич, доцент ВШИИ ИКНТ,

составила настоящий акт о том, что результаты диссертационной работы Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации», внедрены в Федеральном государственном автономном образовательном учреждении высшего образования «Санкт-Петербургский политехнический университет Петра Великого» в работе «Методы робастного синтеза интеллектуальных транспортных систем для коалиции киберфизических объектов на основе байесовской концепции вероятности и аппарата модальных логик», а также в образовательной деятельности по направлениям: 02.03.01 01 «Вычислительные, программные, информационные системы и компьютерные технологии» в курсах «Методы управления ккберфизическими объектами» и «Методы проектирования систем реального времени», а также по направлению 02.04.01 03 «Высокопроизводительные облачные вычисления и программное обеспечение роботов» в курсах «Методы и протоколы децентрализованного взаимодействия роботов» и «Облачные технологии управления мобильными системами»,

005413

Разработанные в рамках диссертационного исследования Каляева А.И. методы организации распределенных систем, обеспечивающие возможность их самоорганизации в процессе выполнения множества заданий, алгоритмы поведения агентов ресурсов самоорганизующихся распределенных системах с мультиагентным диспетчером в условиях дополнительных стимулов и ограничений, методологические основы построения самоорганизующихся распределенных систем были внедрены при разработке методов мультиагентного управления ресурсами киберфизических систем.

Председатель комиссии:

Л.В. Уткин

Члены комиссии:

В.А, Мулюха

А.А. Лукашин

С.Г. Попов

Акт о внедрении в АО СКБ «Точрадиомаш»

м

СКБ ТОЧРАДИОМАШ

АКЦИОНЕРНОЕ ОБЩЕСТВО 385009, Майкоп, ул. Юннатов, 9 Тел. [phone], факс [phone], Е-таН^кЫ [e-mail]

№433/60 от "18" ноября 2021 г.

УТВЕРЖДАЮ

Генер^иъныу директор [радиомаш»

В. Макаревич 2021 г.

.^йи»®*.

АКТ

о внедрении результатов диссертационной работы Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентиым

диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.0] - «Системный

анализ, управление и обработка информации».

Комиссия в составе: председатель:

начальник отдела НИКО-2 Вьюшин Александр Александрович, члены комиссии:

инженер-конструктор НИКО-2 Волков Сергей Георгиевич, инженер-конструктор НИКО-2 Бойко Дмитрий Иванович,

составила настоящий акт о том, что результаты диссертационной работы Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентиым диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.01 -«Системный анализ, управление и обработка информации», внедрены в АО СКБ «Точрадиомаш» в составе роботизированных складских комплексов (РСК), созданных в рамках работ по договорам

№741223-П от 01.09.2014 г., №173201-Пот 13.02.2017 г. и№77!213-П от 14,08.2017 г.

Разработанные в рамках диссертационного исследования Каляева А.И. методы мультиагентного диспетчироваиия ресурсов самоорганизующейся распределенной системы, стратегии функционирования агентов ресурсов самоорганизующихся распределенных систем с мультнагентным диспетчером, методологические основы построения самоорганизующихся распределенных систем, метод построения самоорганизующейся транспортно-логистической системы с мультиагентиым диспетчером, а также алгоритмы поведения агента транспортного ресурса были внедрены при создании мультиагентного диспетчера роботизированного складского комплекса и позволили до 15% сократить среднее временя задержки доставки заказчикам гребуемых деталей и комплектующих роботами-штабелерами (РШ) при вы полнении потока заданий за счет оптимизации выбора РШ и его маршрута от места хранения к месту выдачи, до 20% уменьшить время простоя РШ, а также повысить отказоустойчивость системы, в частности, до 30% увеличить максимальное число отказов РШ. при котором гарантированно сохранение работоспособности система (при количестве РШ в РСК более трех) по сравнению с РСК, в которых используется централизованный метод диспетчироваиия.

Председатель комиссии Члены комиссии:

А.А. Выошин С.Г. Волков Д.И. Бойко

Акт о внедрении в АО «Концерн Вега»

УТВЕРЖДАЮ

Генеральный конструктор АО жчСонцерн «Вега», луН-корреспондент РАН „ 7 ^ B.C. Верба

«//» Ш.£■()/)/Ю2\ г.

АКТ

о внедрении результатов диссертационной работы

Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации».

Комиссия в составе:

председатель - заместитель генерального директора по ГОЗ и НТР, кандидат технических наук КраЙлюк А.Д. Члены комиссии:

директор по НИОКР — начальник центра научно-технического развития, кандидат технических наук Мекекечко В.В.,

заместитель генерального конструктора, доктор технических наук Меркулов В.И.,

заместитель директора научно-технического комплекса, кандидат технических наук Юрчик И.А.

составила настоящий акт о том, что результаты диссертационной работы Каляева Анатолия Игоревича «Методологические основы создания самоорганизующихся распределенных систем с мультиагентным диспетчированием ресурсов», представляемой на соискание ученой степени доктора технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации», внедрены в АО «Концерн «ВЕГА» в составе программных средств, разрабатываемых в рамках СЧ ОКР «Разработка программного средства организации вычислительного процесса на базе мультиагентного управления вычислительными ресурсами» (шифр «Премьер - ПС ОВП») по договору №1317187327052010104000959/593220 от 09.12.2009 г.

Оптимальное решение проблемы управления разнородными бортовыми ресурсами, начиная от расходов топлива и заканчивая применением оружия, является настоятельно необходимым при разработке и эксплуатации авиационных систем различного назначения.

Внедрение разработанных в рамках диссертационного исследования Каляева А.И. метода мультиагентного диспетчирования ресурсов в самоорганизующейся распределенной системе с использованием представителей выполняемых в распределенной системе заданий, стратегий функционирования агентов ресурсов самоорганизующихся распределенных систем, методологических

основ построения самоорганизующихся распределенных систем позволило при реализации процедуры перераспределения заданий после отказа оборудования обеспечить снижение средней задержки времени выполнения заданий в распределенной бортовой вычислительной среде перспективного авиационного комплекса дальнего радиолокационного обнаружении на 12% по сравнению с централизованным методом диспетчирования.

Председатель комиссии:

Члены комиссии:

В.В. Мекекечко

А.Д. Крайлюк

313

Приложение Б Дипломы и свидетельства

Свидетельство о победе в конкурсе на право получения грантов Президента Российской Федрации

Диплом о присуждении медали Российской Академии Наук