Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультиагентных рекурсивных когнитивных архитектур тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Нагоев, Залимхан Вячеславович

• Нагоев, Залимхан Вячеславович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Нагоев, Залимхан Вячеславович

Оглавление

Введение

Глава 1. Анализ основных моделей и методов принятия решений и управления в неструктурированных задачах реального мира

1.1. Неструктурированные задачи реального мира

1.1.1. Частично наблюдаемая динамическая непрерывная эпизодическая стохастическая среда

1.1.2. Неопределенность и нелинейность

1.1.3. Неявная структура неструктурированных задач

1.2. Автономные интеллектуальные системы принятия решений

1.2.1. Системы «классического» искусственного интеллекта

1.2.2. «Мягкие» формализмы

1.3. Интеллектуальное принятие решений на основе когнитивных архитектур и моделирования рассуждений

1.3.1. Адаптивное поведение

1.4. Принятие решений на основе моделирования процессов самоорганизации

1.4.1. Мультиагентные системы принятия решений

1.4.2. Моделирование коммуникации и проблема обоснования символов

1.4.3. Моделирование семантики на основе мультиагентных моделей искусственной жизни

1.4.5. Автоматные модели мультиагентного принятия решений

1.4.6. Принятие решений как движение к аттракторам мультиагентной системы

1.4.7. Обмен энергией и информацией в самоорганизующихся MAC и решение задач на основе контрактных обязательств

1.5. Универсальные решатели на основе саморазвивающихся мультиагентных

когнитивных архитектур

1.6. Коллективное решение неструктурированных задач открытыми социотехническими системами

1.7. Выводы

Глава 2. Теоретические основы разработки автономных самоорганизующихся интеллектуальных систем принятия решений и управления в неструктурированных задачах реального мира

2.1. Системный анализ неструктурированных проблем реального мира

2.1.1. Сущность и формы представления неструктурированных задач

2.1.2. Процессы избирательного отражения действительности на основе нейроморфологических моделей семантики неструктурированных задач

2.1.3. Интеллектуальный агент как основная метафора проектирования систем автономного принятия решений в неструктурированных задачах реального мира

2.2. Системный анализ автономного интеллекта

2.2.1. Наблюдатель и системогенез интеллекта

2.3. Вычислительная абстракция интеллекта

2.3.1. Субоптимальный поиск решений на основе целенаправленного адаптивного поведения

2.4. Оценки времени выполнения поиска субоптимального пути в дереве решений и вычислительные эвристики интеллекта

2.4.1. Эвристика применения знаний

2.4.2. Системная сущность и эвристика онтонейроморфогенеза

2.4.3. Группа эвристик инварианта интеллектуальной

когнитивной архитектуры

2.4.4. Мультиагентные рекурсивные когнитивные архитектуры и эвристика

коллективного интеллекта для решения неструктурированных задач

2.4.5. Эвристика мультиагентных экзистенциальных отображений

2.4.6. «Социальная» эвристика

2.4.7. Эвристика семантизации символов

2.5. Выводы

Глава 3. Модели и методы интеллектуального принятия решений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур

3.1. Субъективная модель реальной среды, построенная наблюдателем

3.2. Рекурсивная модель агента и наблюдателя

3.2.1. Математическая модель рекурсивного агента

3.2.2. Модель наблюдателя-постановщика неструктурированных задач

3.3. Общая постановка задачи автономного интеллектуального принятия решений рекурсивным агентом в реальной среде

3.3.1. Теорема «о цели жизни» интеллектуального агента

3.3.2. Решение задачи как возврат агента в гомеостатическую норму

3.3.3. Мультиагентные экзистенциальные функции как основа моделирования процесса принятия решений в МуРКА

3.3.4. Задача интеллектуального принятия решений как поиск субоптимальных путей в пространстве состояний рациона

3.4. Методы принятия решений на основе самоорганизации интеллектонов

3.4.1. Моделирование рассуждений на основе заключения контрактов на обмен энергией и информацией

3.4.2. Представление функций одной переменной с помощью МАЭФ

3.4.3. Формализация интеллектуальной самоорганизующейся мультиагентной рекурсивной когнитивной архитектуры

3.4.4. Метод автономной декомпозиции задач и синтеза решений на основе самоорганизации интеллектонов

3.5. Интерпретация семантики неструктурированной задачи на основе инкапсуляции символов суперинтеллектонами

3.6. Выводы

Глава 4. Решение неструктурированных задач распознавания, управления и организации интеллектуального интерфейса на основе синтеза интеллектонов

4.1. Постановки неструктурированных задач аппроксимации функций, принятия решений, распознавания и управления на основе интеллектонов

4.1.1. Принятие решений в неструктурированных задачах на основе интеллектона

4.1.2. Задача синтеза управления на основе интеллектона

4.1.3. Аппроксимация функций суперинтеллектоном

4.2. Итеративный метод синтеза суперинтеллектонов в задачах аппроксимации функций с использованием контура обучения на основе мультиагентных знаний

4.3. Формализация неструктурированных задач на основе системы понимания

естественного языка с использованием мультиагентной рекурсивной когнитивной модели семантики

4.4. Решение задачи управления остойчивостью одноосного мобильного автономного робота

4.5. Интеллектуальное принятие решений в задачах автономного мультиагентного поиска в реальной среде

4.5.1. Решение задачи распознавания динамических образов на основе самоорганизации интеллектона

4.5.2. Интеллектуальное управление поисковым поведением автономного робота-автомойщика

4.5.3. Управления групповой навигацией и согласованным поведением мультиагентного роботизированного комплекса

4.5.4. Интеллектуальное управление сельскохозяйственными роботами-комбайнами

4.6. Выводы

Глава 5. Система автоматизированного проектирования самоорганизующихся МуРКА и автономных интеллектуальных агентов реального мира

5.1. Реализация интеллектуального рекурсивного агента на основе абстрактного детерминированного автомата

5.2. Разработка агента, способного к кооперативному решению задач на основе мультиагентных знаний

5.3. Система автоматизированного проектирования интеллектуальных мультиагентных рекурсивных когнитивных архитектур (САПР МуРКА)

5.3.1. Организация гетерогенных параллельных распределенных вычислений МуРКА на основе грид-системы

5.3.2. Когнитивная визуализация семантических моделей на основе интерфейсов виртуальной и расширенной реальности к системе «Интеллектон»

5.4. Реализация интеллектуального автономного агента для решения неструктурированных задач реального мира с помощью системы «Интеллектон»

264

5.5. Выводы

Список литературы

Введение диссертации (часть автореферата) на тему «Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультиагентных рекурсивных когнитивных архитектур»

Введение

Данное диссертационное исследование посвящено разработке методологии автономного принятия решений и управления в неструктурированных задачах реальной среды на основе моделирования процессов самоорганизации в интеллектуальных системах. Отсутствие явно заданной структуры в таких задачах, свойства реальной среды, условие автономности предъявляют высокие требования к интеллектуальной системе управления искусственного агента, или робота. Основная проблематика здесь, по нашему мнению, связана с необходимостью построения теоретического обоснования и вычислительной абстракции интеллектуальной деятельности как таковой, а также - с формализацией семантики мышления и моделированием рассуждений. Неструктурированная задача, как правило, формулируется постановщиком в формате сообщения, содержащего цели, существенные условия и ограничения в неявном виде. Для корректной интерпретации такого сообщения, интеллектуальный агент должен обладать системой распознавания и понимания таких сообщений, основанной на знаниях, выраженных в терминах языка, на котором сформулированы эти сообщения. Моделирование понимания, в свою очередь, требует разработки конструктивной модели отображения реальности в некоторую форму внутреннего представления интеллектуального агента, связанную с системными основаниями сущности такого агента, его экзистенции. Таким образом, разработка методологических основ автоматической интерпретация неструктурированных задач требует проведения системного анализа интеллекта, кооперативных отношений в коллективах интеллектуальных агентов, мотивации, понимания, мышления, языка и многих других психических и психофизических феноменов.

На основании результатов такого анализа в работе сформулированы гипотезы о системной сущности интеллекта и свойствах неструктурированных задач, построены вычислительные абстракции, ставшие основой для разработки соответствующих методов и алгоритмов интеллектуального принятия решения и управления. Отличительной особенностью предлагаемых в данной работе методов и алгоритмов аппроксимации функций, распознавания динамических образов, управления и принятия решений является опора на процессы самоорганизации в

мультиагентных системах, состоящих из рекурсивных систем интеллектуальных агентов.

Актуальность темы исследования. Сегодня одним из основных факторов, сдерживающих развитие наиболее общей и перспективной современной парадигмы развития информатики, бытовой и специальной робототехники, потребительской и специальной электроники - интеллектуальных сред обитания (ИСО) (ambient intelligence systems) - является отсутствие системного решения проблемы создания распределенных гетерогенных человеко-машинных коллективов, состоящих из людей, активных сенсоров, мобильных и стационарных роботов, виртуальных и программных агентов. В ИСО такие коллективы на основе высокоуровневого многомодального интерфейса (аудиовизуальный интерфейс, диалоговые системы), методов интеллектуального принятия решений, распределенных сенсорных и эффекторных сетей призваны осуществлять эффективное взаимодействие с целью перехода к автоматическому ситуативному анализу, выявлению предпочтений и намерений пользователей, синтезу и реализации планов превентивного изменения среды в интересах пользователей. К настоящему времени, несмотря на наличие эффективной аппаратной, вычислительной и сетевой базы, реализованной в широком спектре современных концепций, таких как облачные вычисления (cloud computing), всепроникающие вычисления (ubiquitous computing), встраиваемые и интегрированные системы (embedded and integrated systems), «умные» системы {smart systems), ИСО не созданы.

К основным причинам можно отнести отсутствие эффективных методов распределенного коллективного интеллектуального принятия решений, отсутствие методов автономной обработки неструктурированных данных и решения неструктурированных задач реального мира, недостаточную эффективность существующих методов интеллектуального принятия решений и управления поведением автономных программных и роботизированных агентов в реальной среде.

Необходимо отметить, что перечисленные проблемы сдерживают и развитие такой важной неотъемлемой составной части ИСО, как мультиагентная

интеллектуальная робототехника, в том числе - бытовая, персональная и специальная.

Таким образом, разработка теоретических основ и методов интеллектуального принятия решений и управления поведением автономных систем в неструктурированных задачах реальной среды на основе самоорганизации является актуальной научной проблемой, имеющей существенное экономическое и инфраструктурное значение.

Степень разработанности темы исследования. Проблема автономного интеллектуального принятия решений в неструктурированных задачах реальной среды является междисциплинарной. Подходы к ее решению основываются на теоретических и методологических достижениях системного анализа, искусственного интеллекта и принятия решений, теории управления, синергетики, мультиагентных систем, прикладной семиотики и семантики, психологии и философии.

Традиционно автономное интеллектуальное принятие решений является объектом исследования искусственного интеллекта. Теоретические основы этого направления заложены Д. фон Нейманом, Д. Маккарти, А. Тьюрингом, А. Ньюэлом, Д. Саймоном, М. Минским, В.М. Глушковым, Д. А. Поспеловым и др.

Основные подходы, в настоящее время конкурирующие в области решения задач интеллектуальной обработки неструктурированных данных реальной среды, можно отнести к так называемым «мягким формализмам». Это - нечеткие и гранулярные вычисления (Заде, Кофман, Ягер, Тарасов); - методы эволюционной оптимизации (генетические алгоритмы) (Фогель, Холланд, Коза, Курейчик); -методы роевой оптимизации (Дориго, Бени, Цзин, Курейчик); - искусственные нейронные сети (Мак-Каллок, Питтс, Кохонен, Хебб, Хопфилд, Хайкин, Уидроу, Галушкин, Горбань, Тимофеев); - методы обучения с подкреплением (Саттон, Барто, Мичи, Редько); - мультиагентные алгоритмы (Хьюит, Смит, Ленат, Вулридж, Дженкинс, Городецкий, Тарасов, Летичевский); - когнитивные архитектуры (Минский, Братман, Сан, Хайконен, Осипов).

Отдельно следует сказать о таких направлениях современной интеллектуальной автономной робототехники, интегрирующих вышеуказанные

формализмы в различных комбинациях как: - робототехника, «основанная на поведении» (Брукс, Бризел, Ишигуро); - адаптивное поведение и аниматы (Эделман, Майер, Сандини, Редько, Жданов); - эволюционная робототехника (Липсон, Полак, Флореано, Хазбандз, Нолфи); - групповая робототехника (Дориго, Каляев, Лохин, Васильев).

Значительный вклад в развитие методов анализа и синтеза интеллектуальных информационных и семиотических систем внесли отечественные школы В. М. Глушкова (методы инсерционного моделирования, развитые в работах A.A. Летичевского, Ю. В. Капитоновой, алгоритмические алгебры - в работах П. М. Иванова) и Д. А. Поспелова (прикладная семиотика, получившая развитие в работах Осипова, Финна, Хорошевского, Стефанюка, Сулейманова, Вагина, Еремеева и др.).

В настоящее время формируется мощное направление решения задач интеллектуального принятия решений и управления на основе моделей и вычислительных абстракций процессов самоорганизации. Теоретические основания этого направления заложены в работах Эшби, Хакена, Пригожина, Гленсдорфа, Лена, Озгарда, Колесникова, Моисеева, Турчина.

Анализ литературы показывает, что отсутствие удовлетворительной теоретической базы и методов решения проблемы автономного интеллектуального принятия решений в неструктурированных задачах реальной среды связано с двумя неразрешенными фундаментальными вопросами: - моделирование рассуждений, позволяющих сводить неструктурированные задачи реального мира к структурированным задачам; - необходимость обработки огромных массивов динамических сенсорных данных алгоритмами, характеризующимися исключительной вычислительной сложностью.

Цель диссертационной работы - создание методологии автономного интеллектуального принятия решений в неструктурированных задачах реального мира на основе теории самоорганизующихся мультиагентных рекурсивных когнитивных архитектур.

Основные задачи диссертационного исследования:

1. Системный анализ автономного интеллектуального принятия решений в неструктурированных задачах реального мира.

2. Разработка теоретических основ моделирования рассуждений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур.

3. Разработка моделей и методов аппроксимации функций многих переменных, принятия решений и управления в неструктурированных задачах на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных отображений.

4. Анализ эффективности методов автономного принятия решений и управления в неструктурированных задачах реального мира на основе инварианта когнитивной архитектуры и мультиагентных экзистенциальных функций.

5 Разработка системы автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для моделирования рассуждений и интеллектуального принятия решений в неструктурированных задачах реальной среды.

6. Применение моделей и методов решения неструктурированных задач на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур в приложениях автономного интеллектуального распознавания динамических образов, принятия решения и управления в условиях реальной среды.

Теоретическая значимость диссертационной работы и ее научная новизна определяются следующими результатами:

1. Сформулирована и доказана теорема о цели управления интеллектуальным агентом в реальной среде, позволяющая представить автономный синтез решений неструктурированных задач как поиск путей, субоптимальных по критерию максимизации энергии, в динамическом дереве принятия решений при выполнении условия самосохранения агента.

2. Построена математическая модель рекурсивного интеллектуального агента, позволяющая формализовать семантические отношения, содержащиеся в

неструктурированных постановках задач, получаемых в виде сообщений от агентов верхнего ранга - наблюдателей.

3. Разработана мулыпиагентная модель процессов онтонейроморфогенеза на основе контрактов на обмен энергией и информацией между коллективами интеллектуальных агентов, позволяющая формализовать процессы автономной структуризации потоков сенсорных данных.

4. Введен математический аппарат мультиагентных экзистенциальных отображений, позволяющих существенно (со степенных до линейных значений) снизить время выполнения алгоритмов целенаправленного мультиагентного взаимодействия в задачах интеллектуального принятия решений и управления. Сформулированы и доказаны теоремы о представимости и возможности аппроксимации функций одной переменной с помощью суперинтеллектонов с любой заданной точностью.

5. Построена формализация инварианта мультиагентной рекурсивной когнитивной архитектуры (интеллектона) и процессов его самоорганизации, на основе которой разработаны методы автоматического формирования онтологии неструктурированной задачи, ее декомпозиции и решения. Построен алгоритм обучения, использующий модели самоорганизации агентов в составе интеллектона.

6. Разработаны модели и методы аппроксимации функций многих переменных, принятия решений и управления в неструктурированных задачах на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных отображений.

7. На основе формального описания связи между логическими выражения и ядрами продукционного представления знаний интеллектонов и символьным представлением естественно-языковых высказываний построено решение проблемы обоснования символов (symbol grounding problem).

8. Проведен анализ эффективности методов автономного интеллектуального принятия решений и управления в неструктурированных задачах реального мира на основе самоорганизации мультиагентной рекурсивной когнитивной архитектуры и мультиагентных экзистенциальных функций.

Практическая значимость диссертационной работы определяется следующими результатами:

1. Разработана параллельная гетерогенная грид-ориентированная вычислительная архитектура систем интеллектуального принятия решений на основе мультиагентных рекурсивных когнитивных архитектур.

2. Разработана система автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для моделирования рассуждений и интеллектуального принятия решений.

3. Получены решения неструктурированных задач автономного интеллектуального принятия решений и управления (распознавание динамических образов в видеопотоке, управление остойчивостью одноосного мобильного робота и др.) на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур.

4. Реализованы высокоуровневый диалоговый интерфейс на основе системы понимания речи из ограниченного подмножества естественного языка и интерфейс виртуальной и расширенной реальности к системе автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур.

5. Разработана система управления групповой навигацией и согласованным поведением мультиагентного роботизированного саперного комплекса.

6. Разработаны интеллектуальные системы принятия решений и управления автономного робота-автомойщика и автономного робота для уборки плодовой продукции.

Полученные теоретические результаты составляют фундамент для решения широкого круга неструктурированных задач интеллектуального принятия решений и управления автономными системами в реальной среде.

Методология и методы исследования. Объектом исследования являются процессы интеллектуального принятия решений в автономных системах, выполняющих неструктурированные задачи в реальной среде.

Предметом исследования является изучение возможностей моделирования и управления этими процессами на основе самоорганизующихся мультиагентных когнитивных архитектур.

Для решения поставленных задач в диссертации использовались когнитивное моделирование, системный анализ, методы принятия решений, моделирование рассуждений, методы представления и извлечения знаний, методы машинного обучения, мультиагентное моделирование, применение мультиагентных экзистенциальных отображений.

Положения, выносимые на защиту:

1. Теоретические основы системогенеза автономного интеллектуального принятия решений в неструктурированных задачах реального мира, позволяющие сформировать функциональные требования к архитектуре и базовому формализму системы моделирования рассуждений, основные вычислительные абстракции и эвристики.

2. Математическая модель рекурсивного агента для решения задач интеллектуального принятия решений и управления на основе субоптимального поиска в пространстве динамических состояний по критерию максимизации энергии при условии самосохранения.

3. Модели самоорганизации рекурсивных когнитивных архитектур на основе аппарата мультиагентных экзистенциальных отображений, позволяющие преодолеть «проклятие размерности» задач интеллектуального принятия решений и управления и снизить время поиска субоптимального пути в динамических деревьях решений до линейного.

4. Методы аппроксимации функций, принятия решений, распознавания и управления на основе моделирования рассуждений с помощью инварианта самоорганизующейся рекурсивной когнитивной архитектуры (суперинтеллектона), позволяющие осуществлять автономную структуризацию и решение неструктурированных задач реального мира, и решения таких задач.

5. Анализ эффективности методов автономного принятия решений и управления в неструктурированных задачах реальной среды на основе инварианта когнитивной архитектуры и мультиагентных экзистенциальных функций.

6. Самоорганизующаяся параллельная гетерогенная грид-ориентированная вычислительная архитектура систем интеллектуального принятия решений на основе мультиагентных рекурсивных когнитивных архитектур.

7. Система автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур для моделирования рассуждений и интеллектуального принятия решений.

Степень достоверности и апробация результатов. Основные теоретические и прикладные результаты, полученные автором, были представлены и одобрены на следующих международных и всероссийских конференциях:

Международный конгресс по интеллектуальным системам и информационным технологиям, Дивноморское, 2011-2013 гг.

- Международная конференция «Biologically Inspired Cognitive Architectures», Палермо, 2012.

- Международная научная конференция «Автоматизация управления и интеллектуальные системы и среды», Терскол, Красная Поляна, Каспийск, 20102012 гг.

Всероссийская конференция «Перспективные системы и задачи управления». Домбай, 2010.

- Международной научно-практической конференции "Информационная безопасность», Таганрог, 2008, 2010 гг.

- International Congress of the European Regional Science Association, Ливерпуль, 2008 г.

- Всероссийская конференция с международным участием "Проблемы информатизации общества", Нальчик, 2008 г.

- Международная научно-техническая конференция «Инновационные технологии XXI века в управлении, информатике и образовании», Нальчик, 2007,2008 гг.

- Международная научная конференция «Нейроинформатика», Москва, 2007.

- Международная научная конференция «Моделирование устойчивого регионального развития», Нальчик, 2005, 2007 гг.

Всероссийская научная конференция "Проблемы информатизации регионального управления", Нальчик, 2001, 2004, 2006 гг.

В первой главе диссертации проведен анализ основных моделей и методов автономного интеллектуального принятия решений в неструктурированных

задачах реального мира. Определены основные преимущества и недостатки этих формализмов и пределы их применимости. В частности, показано, что на данный момент нерешенными остаются проблемы моделирования структуризации неструктурированных задач реального мира и борьбы со сложностью основных алгоритмов при их использовании на значительных потоках входных данных. Попытки преодоления этих проблем привели научное сообщество к переосмыслению и абстрагированию способностей биологических организмов к эффективному решению подобных задач, что привело к формированию современного направления искусственного интеллекта - биоинспирированных вычислений. Свойства этих абстракций, такие как опора на процессы самоорганизации, мультиагентность, слабосвязанность, эмерджентность решений, обеспечивающие их вычислительные преимущества, широко используются данным исследованием.

Во второй главе рассмотрены теоретические основы разработки автономных самоорганизующихся интеллектуальных систем принятия решений в неструктурированных задачах реального мира. В частности, проведен системный анализ неструктурированных проблем реального мира и процесса их автономного решения. Построена вычислительная абстракция интеллектуального агента, выполняющего принятие решений в неструктурированных задачах реальной среды. Даны оценки вычислительной сложности основных алгоритмов, разработан ряд эвристик, позволяющих существенно улучшить эти оценки и сделать реализуемой задачу автономной обработки неструктурированной информации в реальной среде.

В третьей главе рассмотрены модели и методы интеллектуального принятия решений на основе предлагаемых в работе конструктивных вычислительных абстракций - самоорганизующихся мультиагентных рекурсивных когнитивных архитектур (интеллектонов) и мультиагентных рекурсивных экзистенциальных отображений.

С целью формализации когнитивных архитектур, способных интерпретировать семантику неструктурированных задач, поступающих от наблюдателя, в третьей главе сначала разрабатывается модель интеллектуального

наблюдателя, погруженного в реальную среду. Затем, на основании этой модели достраивается модель интеллектуального агента.

Вводятся условия роста интеллектонов, мотивированного потребностями декомпозиции и решения неструктурированных задач, связанными с гомеостатическим состоянием агентов, входящих в когнитивную архитектуру. Формулируется ряд теорем, описывающих возможности интеллектонов по представлению функций на основе мультиагентных экзистенциальных отображений, позволяющих существенно снизить время выполнения основных алгоритмов принятия решений.

В четвертой главе рассмотрены методы решения неструктурированных задач распознавания, управления и принятия решений на основе синтеза интеллектонов. Даются соответствующие постановки задач. Приводятся решения задач распознавания динамических образов, управления остойчивостью одноосного мобильного робота, разработки интеллектуальных систем принятия решений автономного робота-автомойщика и автономного робота для уборки плодовой продукции, полученные с помощью программного комплекса моделирования процесса интеллектуального принятия решений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур «Интеллектон».

В пятой главе рассмотрены вопросы проектирования самоорганизующихся мультиагентных рекурсивных когнитивных архитектур и разработки комплекса программ для их реализации. В частности, вводится формальное описание агента на основе рекурсивного детерминированного абстрактного автомата. Приводится алгоритм работы кооперативного агента, построенного на основе такого автомата, способного к заключению и выполнению контрактов на обмен энергией и информацией, формированию мультиагентных баз знаний и мультиагентных алгоритмов. Данная формализация была положена в основу программных агентов комплекса программ моделирования когнитивных архитектур «Интеллектон». С ее помощью, применяя тактильный интерфейс, пользователи могут создавать и редактировать интеллектоны, настраивать их на решение конкретных задач и тестировать процесс решения и обучения.

Показано, что комплекс «Интеллектон» использует архитектурное соответствие интеллектонов и современных вычислительных сетей и систем. В нем реализована организация гетерогенных параллельных распределенных вычислений МуРКА на основе грид-систем, что позволяет обеспечить работу суперинтеллектонов масштабируемой вычислительной инфраструктурой.

В заключении диссертации сформулированы основные теоретические и прикладные результаты, приведены направления дальнейших научных исследований в области применения мультиагентных рекурсивных когнитивных архитектур для решения задач коллективного автономного искусственного интеллекта в реальных средах.

Таким образом, основным результатом диссертационной работы стала разработка методологии автономного решения неструктурированных задач реального мира на основе моделей самоорганизующихся мультиагентных рекурсивных архитектур. Эта концепция, отражающая системные основы, вычислительные абстракции и эвристики естественного интеллекта, формализована на базе рекурсивного агента и аппарата мультиагентных экзистенциальных отображений, позволяющего снизить время выполнения основных алгоритмов интеллектуальной обработки информации, до значений, обеспечивающих их применимость в реальных задачах.

Личный вклад автора. Основные теоретические и прикладные результаты данного диссертационного исследования получены автором самостоятельно. Личный вклад в прикладные разработки, выполняемые на базе ИИПРУ КБНЦ РАН, определяется следующими результатами:

- мультиагентный робот-сапер - разработка интеллектуальной системы управления коллективным поведением, разработка метода управления динамической остойчивостью на основе самоорганизующихся интеллектонов;

- автономный мобильный робот-автомойщик и автономные мобильнее сельскохозяйственные роботы - разработка интеллектуальной системы распознавания динамических образов, разработка интеллектуальной обучающейся системы интеллектуального принятия решений;

система автоматизированного проектирования мультиагентных рекурсивных когнитивных архитектур «Интеллектон» - разработка концепции, системное проектирование, разработка основных алгоритмов мультиагентного взаимодействия на основе мультиагентных экзистенциальных отображений, разработка алгоритмов когнитивной визуализации процессов самоорганизации интеллектонов на основе контрактов на обмен энергией и информацией.

Глава 1. Анализ основных моделей и методов принятия решений и управления в неструктурированных задачах реального мира

1.1. Неструктурированные задачи реального мира

Среди множества задач, для решения которых человек разрабатывает специальные формализмы и компьютерные системы, неструктурированные задачи занимают особое место. Их главное отличие от структурированных и слабоструктурированных задач состоит в том, что основные параметры задачи, такие как цели, ограничения, условия представляются в неструктурированном виде, заданы неявно [86]. Как правило, такая задача представляет собой сообщение на естественном языке, которое постановщик адресует автоматизированной системе принятия решений, содержащее в себе указанные параметры, которое, однако, может характеризоваться неполнотой - отсутствием (даже в неявном виде) всех параметров, необходимых для корректной интерпретации и решения задачи. Пренебрежение к деталям допускается, в связи с тем, что такие постановки, как правило, адресуются человеком человеку. В этом случае отсутствие в конкретной постановке того, или иного параметра компенсируется феноменальными возможностями мозга по восстановлению структуры содержащейся в этом сообщении задачи и ее достройке за счет собственных знаний, или процедуры уточнения, которая осуществляется, например, в формате диалога с постановщиком задачи.

Список литературы диссертационного исследования кандидат наук Нагоев, Залимхан Вячеславович, 2014 год

Список литературы

1. Алескеров Ф.Т. Нобелевские лауреаты по экономике 2007 г.: Л.Гурвич, Э.Маскин и Р.Маерсон // Экономический журнал ГУ-ВШЭ, 2008.

2. Амосов Н.М., Касаткин A.M., Касаткина Л.М., Талаев С.А. Автоматы и разумное поведение. - Киев: Наук.думка, 1973. - 374 с.

3. Анохин К.В. «Мозг и память: биология следов прошедшего времени» // Научная сессия Общего собрания РАН на тему: «Мозг: фундаментальные и прикладные проблемы», 15-16 декабря 2009.

4. Анохин К.В., Бурцев М.С., Зарайская И.Ю., Лукашев А.О., Редько В.Г. Проект «мозг анимата»: разработка модели адаптивного поведения на основе теории функциональных систем. http://wsni2003.narod.ru/Papers/Anokhin.htm.

5. Анохин П.К. Очерки по физиологии функциональных систем. - М.: Медицина, 1975.

6. Анохин П.К. Принципиальные вопросы общей теории функциональных систем // Принципы системной организации функций. М.: Наука, 1973.

7. Анчеков М.И., Нагоев З.В. Система управления движением звена верхней конечности виртуального человекоподобного «физически-корректного» агента // Известия КБНЦ РАН, 2006.

8. Анчеков М.И., Нагоев З.В. Система управления остойчивостью одноосного робота-сапера // Известия ЮФУ. Технические науки. Тематический выпуск «Перспективные системы и задачи управления». - Таганрог: Изд-во ТТИ ЮФУ, 2010, №3 (104), С. 128-131.

9. Асанов М.М., Нагоева О.В., Нагоев З.В. Мультиагентные модели больших социально-экономических систем на основе интеллектуальной рекурсивной когнитивной архитектуры и самоорганизующих грид-ориентированных вычислений // Материалы третьей международной конференции «Автоматизация управления и интеллектуальные системы и среды», 22-28 октября, Махачкала, 2012, т. II, с. 76-80.

10. Асанов М. М., Нагоева О.В., Нагоев З.В. Распределенная вычислительная инфраструктура имитационных моделей больших социально-экономических систем на основе интеллектуальных рекурсивных нейроподобных мультиагентных когнитивных архитектур // Материалы международного симпозиума «Устойчивое развитие: проблемы, концепции, модели». - Изд-во КБНЦ РАН, Нальчик, июнь 2013.

11. Бахтизин А.Р. Агент-ориентированные модели экономики. М.: Экономика, 2008.

12. Башоров З.А., Нагоев З.В. Мультиагентная система обволакивающей безопасности на основе автономных программных агентов и мобильных роботов. -Материалы XI Международной научно-практической конференции "Информационная безопасность 2010". Ч. 1. - Таганрог: Изд-во ТТИ ЮФУ, 2010. -256 е., с.153-157.

13. Блейксли Сандра, Хокинс Джефф «Об интеллекте»: Издательский дом «Вильяме»; Москва-Санкт-Петербург-Киев; 2007, ISBN ISBN 978-5-8459-1139-1 (рус.), ISBN 0-8050-7456-2 (англ.).

14. Бозиев А.О., Нагоев З.В. Классификация изображений на основе модели онтонейроморфогенеза // Известия КБНЦ РАН, № 1 (39) 2011, Изд-во КБНЦ РАН, с.196-200.

15. Бонгард М.М., Лосев И.С., Смирнов М.С. Проект модели организации поведения — Животное// Моделирование обучения и поведения. — М.: Наука, 1975.

16. Бурцев М.С., Гусарев Р.В., Редько В.Г. Модель эволюционного возникновения целенаправленного адаптивного поведения 1. Случай двух потребностей. // Препринт ИПМ РАН, 2000, N 43.

17. Вагин В.Н., Головина Е.Ю., Загорянская A.A., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах // М.: Физматлит, 2008, с. 712, 2-е изд., испр. и доп.

18. Варламов О.О. Миварный подход к разработке интеллектуальных систем и проект создания мультипредметной активной миварной интернет-энциклопедии // Известия Кабардино-Балкарского научного центра РАН, 2011, № 1, КБНЦ РАН, с. 55-64.

19. Варламов 0.0. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство // М: Радио и связь, 2002, 300 с.

20. Варшавский В.И, Поспелов Д.А. «Оркестр играет без дирижера» - М, 1987 г. с.210.

21. Винер Н. Кибернетика, или Управление и связь в животном и машине // М.: Советское радио, 1958.

22. Винер Н. Нелинейные задачи в теории случайных процессов // М.: ИЛ, 1961, 158 стр. с илл.

23. Глушков В.М. Введение в кибернетику / Печатается по постановлению научного совета по кибернетике АН УССР. — Киев: изд-во АН УССР, 1964.

24. Голицын Г.А, Петров В.М. Гармония и алгебра живого. // Издательство: Знание ISBN: 5-484-00218-4, 1990.

25. Городецкий В.И, Грушинский М.С, Хабалов A.B. Многоагентные системы (обзор) // Новости искусственного интеллекта. - 1998. - №2. - С. 64-116, FIPA.

26. Городецкий В.И, Карсаев О.В, Самойлов В.В, Серебряков C.B. Прикладные многоагентные системы группового управления // Искусственный интеллект и принятие решений, № 2, 2009.

27. Гуртуев А.О, Нагоев З.В, Иванов 3.3. Мультиагентное моделирование региональных рынков с информационной асимметрией // Известия КБНЦ РАН, № 1 (39) 2011, Изд-во КБНЦ РАН, с. 57-63.

28. Деркач Е.Г, Нагоев З.В, Гуртуев А.О, Иванов 3.3. Моделирование поведения экономических агентов на локальных рынках с информационной ассиметрией // Коллективная монография. Изд-во КБНЦ РАН, Нальчик, 2011.

29. Елекова O.A., Нагоев З.В., Анчеков М.И. Интерактивная среда обучения виртуальных человекоподобных агентов интеллектуальному поведению // Известия КБНЦ РАН, 2006.

30. Емельянов В.В. Многоагентная модель децентрализованного управления производственными системами // Информационные технологии и вычислительные системы, - 1998,- №1.-С.69-77.

31. Жданов A.A. Автономный искусственный интеллект // Издательство: Бином. Лаборатория знаний, Серия: Адаптивные и интеллектуальные системы, ISBN 9785-94774-995.3; 2009 г., с. 359.

32. Заковоротный В.Л. Нелинейная трибомеханика. // Издат. центр ДГТУ, -Ростов -на Дону, 2000.

33. Заковоротный В.Л., Колесников A.A. и др. Современная прикладная теория управления. Часть 3. Новые классы регуляторов технических систем. // М.,:ФЦ "Интеграция", ч.1П, 2000.

34. Иванов П. М. Автоматно-алгебраические модели в информационных технологиях. - Материалы П-й международной конференции «Автоматизация управления и интеллектуальные системы и среды», Красная Поляна, 23-29 декабря 2011, Изд-во КБНЦ РАН, T.I, С. 4-15.

35. Иванов П.М. Алгебраическое моделирование сложных систем. М.: Изд-во: Наука -«Физматлит» ,1996, 272 с.

36. Иванов П.М., Макаревич О.Б., Нагоев З.В. Адаптивный планирующий агент на основе иерархических рекуррентных нейронных сетей для имитационных моделей мультиагентных систем // Свидетельство о государственной регистрации программы для ЭВМ № 2008615272, Москва, 2008.

37. Иванов П.М., Макаревич О.Б., Нагоев З.В. Мультиагентная среда имитационного моделирования сценариев нарушения информационной безопасности, систем и способов ее восстановления // Свидетельство о государственной регистрации программы для ЭВМ № 2009612224, Москва, 29.04.2009.

38. Иванов П.М, Нагоев З.В. Автоматное описание мультиагентной рекурсивной когнитивной архитектуры для задачи формализации процесса интеллектуального принятия решений. - Материалы третьей международной конференции «Автоматизация управления и интеллектуальные системы и среды», 9-15 октября, Махачкала, Изд-во КБНЦ РАН, 2012, т. 1, с. 7-14.

39. Иванов П.М, Нагоев З.В. Самоорганизующаяся система принятия решений на основе автоматного представления рекурсивной мультиагентной когнитивной архитектуры для систем обволакивающего интеллекта // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2012, № 5 (49), с. 30-37.

40. Иванов П.М, Макаревич О.Б, Нагоев З.В. Ситуативный анализ и синтез интеллектуального поведения в системах обволакивающей безопасности на основе автоматного представления мультиагентных когнитивных архитектур // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, № 4 (54), с. 29-37.

41. Каляев И.А, Распределенные системы планирования действий коллективов роботов. М.: Янус-К, 2002.

42. Каляев И.А, Гайдук А.Р, Капустян С.Г. Методы и модели коллективного управления в группах роботов. - М.: Физматлит, 2009. - 280 с.

43. Каляев И.А, Капустян С.Г, Усачев Л.Ж. Основы построения распределенных систем управления коллективами роботов/УИнформационные технологии, № 1, 2005.

44. Колесников A.A., Веселов Г.Е, Попов А.Н, Кузьменко A.A., Погорелов М.Е, Кондратьев И.В. Синергетические методы управления сложными системами. Энергетические системы. // Издательство: Либроком, ISBN: 978-5-397-03707-5, 2013.

45. Конвей Дж. Квадратичные формы, данные нам в ощущениях. М.: МЦНМО, 2008.

46. Корниенко C.B., Корниенко А.О. Искусственная самоорганизация и коллективный искусственный интеллект: на пути от индивида к социуму. В кн. «От моделей поведения с искусственному интеллекту» Под ред. В.Г. Редько.

47. Корепанов В.О. Модели рефлексивного группового поведения и управления. -М.:ИПУ РАН, 2011.- 127 с.

48. Кудаев А.Ю., Нагоев З.В., Лежебоков A.A. Виртуальное прототипирование в интегрированных САПР машиностроения и электроники на основе онтонейроморфогенетического моделирования // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2013, № 7 (144), С. 29-35.

49. Кудаев В.Ч., Нагоев З.В., Нагоева О.В. Рекурсивные агенты для задач моделирования интеллектуального принятия решений на основе самоорганизации мультиагентных когнитивных архитектур // Известия КБНЦ РАН, № 4 (48), Изд-во КБНЦ РАН, 2012.

50. Курейчик В.В. О правилах представления решений в эволюционных алгоритмах / В.В. Курейчик, С.И. Родзин // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2010, №7 (108), С. 13-21.

51. Курейчик В.М., Кажаров A.A. Алгоритмы эволюционного роевого интеллекта в решении задачи разбиения графа // МЭС-2012. Россия, Москва, октябрь 2012.

52. Курейчик В.М., Кажаров A.A. Использование роевого интеллекта в решении NP-трудных задач // Известия ЮФУ. Технические науки. - 2011. - № 7 (120). - С. 30-37.

53. Курейчик В.В., Курейчик В.М., Родзин , С.И. Теория эволюционных вычислений. - М.: ФИЗМАТЛИТ, 2012. - 260 с. - ISBN 978-5-9221-1390-8.

54. Курейчик В.М., Лебедев Б.К., Лебедев О.Б. Поисковая адаптация: теория и практика. М.: Физматлит. 2006.

55. Лефевр В.А. Конфликтующие структуры. - М.: Сов.Радио, 1973.

56. Летичевский A.A. Инсерционное моделирование / Ю.В. Капитонова, A.A. Летичевский // Пращ м1жнар. конф. «50 роюв 1нституту юбернетики ím. В.М. Глушкова HAH Укра'ши». - Кшв: Вид-во IK НАНУ, 2008. - С. 293 - 301.

57. Макаров В.JI. Коллективные блага в АОМ. // Интернет-журнал Искусственные общества. 2007. Том 2, номер 1, стр. 6-15.

58. В. Маунткасл, Дж. Эделмен. Разумный мозг. — Мир, 1981.

59. Моисеев Н. Н. Математические задачи системного анализа: [Учеб. пособие для вузов по спец. «Прикл. математика»] - М.: Наука, 1981. — 487 с.

60. Моисеев Н. Н, Александров В. В, Тарко А. М. Человек и биосфера: Опыт систем анализа и эксперименты с моделями / Н. Н. Моисеев, В. В. Александров, А. М. Тарко. — М.: Наука, 1985. — 271 с.

61. Нагоев З.В. Алгоритм пластичного субстратного онтонейроморфогенеза для проактивного виртуального агента // Материалы всероссийской конференции с международным участием "Проблемы информатизации общества", Нальчик, 7-11 октября, 2008, с. 108-110.

62. Нагоев З.В. Геномное управление морфогенезом агентов в виртуальной «физически - корректной» среде // Кибернетика и системный анализ, № 2, 2008 г. Киев.

63. Нагоев З.В. Имитационное моделирование автоматического морфогенеза виртуальных «физически-корректных» агентов // Известия КБНЦ РАН, 2006.

64. Нагоев З.В. Интеллектика, или мышление в живых и искусственных системах // Нальчик: Издательство КБНЦ РАН, 2013 - 211 с.

65. Нагоев З.В. Интеллектуальная система на основе фрактальной мультиагентной нейронной пластичной когнитивной архитектуры. Материалы международного конгресса по интеллектуальным системам и информационным технологиям IS&IT11, 2-9 сентября, Дивноморское, 2011, том III, с. 5-10.

66. Нагоев З.В. Моделирование целенаправленного поведения в мультиагентных системах на основе принципа биоэнергетической оптимальности. Материалы международной научно-технической конференции «Инновационные технологии XXI века в управлении, информатике и образовании», КБГУ, 2008.

67. Нагоев З.В. Мультиагентные экзистенциальные отображения и функции // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, № 4 (54), с. 64-71.

68. Нагоев З.В. Формализация агента для задачи синтеза интеллектуального поведения на основе рекурсивной когнитивной архитектуры. - Материалы международного конгресса по интеллектуальным системам и информационным технологиям 18&1Т11, 2-9 сентября, Дивноморское, 2012, том II.

69. Нагоев З.В. Онтонейроморфогенетическое моделирование // Известия КБНЦ РАН, Нальчик: Издательство КБНЦ РАН, 2013, № 4 (54), с. 56-64.

70. Нагоев З.В. Модель представления смысла текстовой информации. Диссертация на соискание уч. ст. канд. техн. наук, Таганрог, 2000.

71. Нагоев З.В., Нагоева О.В. Инвариант интеллектуальной фрактальной мультиагентной когнитивной архитектуры // Материалы II Международной конференции «Автоматизация управления и интеллектуальные системы и среды», Т. И., 2011, с. 195-199.

72. Нагоев З.В., Нагоева О.В. Синтез интеллектуального поведения на основе мультиагентных экзистенциальных отображений и рекурсивных когнитивных архитектур // Материалы международного конгресса по интеллектуальным системам и информационным технологиям 18&1Т13, 2-9 сентября, Дивноморское, 2013.

73. Нагоев З.В., Хамуков Ю.Х. Мультиагентный робот-сапер // Патент РФ на изобретение № 2405122, 27.11.2010 г., ФС ИСПТЗ.

74. Нагоев З.В., Хамуков Ю.Х. Робот-автомойщик // Патент РФ на изобретение № 2410257, 27.01.2011 г., ФС ИСПТЗ

75. Нагоев З.В., Хамуков Ю.Х. Робот-обрезчик // Патент РФ на изобретение № 2409931, 27.01.2011 г., ФС ИСПТЗ.

76. Нагоев З.В., Хамуков Ю.Х., Анчеков М.И. Сельскохозяйственный робот. // Патент РФ на изобретение № 2492620, 20.09.2013 г., ФС ИСПТЗ.

77. Нейман Дж. Фон. Теория самовоспроизводящихся автоматов. - М, 1971,- 326 с.

78. Осипов Г.С. Методы искусственного интеллекта. - М.: Физматлит, 2011. - 296 с.

79. Ошхунов М.М, Нагоев З.В, Математические модели деформируемых сред для интеллектуальных систем виртуального прототипирования // Нальчик: Издательство КБНЦ РАН, 2013 - 201 с.

80. Пиаже Ж. Схемы действия и усвоение языка // Семиотика. — М, 1983. — С. 133—136.

81. Пиаже Ж. Генетический аспект языка и мышления // Психолингвистика. — М, 1984.

82. Поспелов Д.А, Пушкин В.Н. Мышление и автоматы. - М.: Сов. Радио, 1972.

83. Поспелов Д.А, Шустер В.А. Нормативное поведение в мире людей и машин-Кишинев: Штиинца, 1990.

84. Пригожин И, Николис Г. Самоорганизация в неравновесных системах: От диссипативных структур к упорядоченности через флуктуации. — М.: Мир, 1979. — 512 с.

85. Пэранек Г.В. Распределенный искусственный интеллект// Искусственный интеллект: применение в интегрированных производственных системах/ Под. ред. Э. Кьюсиака. -М.: Машиностроение, 1991.-С.238-267.

86. Рассел С, Норвиг П, Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. - М. : Издательский дом "Вильяме", 2006.

87. Редько В.Г. От моделей поведения к искусственному интеллекту. Серия "Науки об искусственном" 2006. 456 с.

88. Редько В.Г. Проблемы адаптивного поведения и подходы к моделированию мышления. www.keldysh.ru/pages/BioCyber/, 2003.

89. Смирнов A.B., Шереметов JI.Б. Модели формирования коалиций кооперативных агентов: состояние и перспективы исследований // Искусственный интеллект и принятие решений, 2011. - № 1. - С. 36-48.

90. Стефанюк В.Л. Анализ целесообразности локально организованных систем методом потоков вероятностей// Модели систем обработки данных. - М.: Наука, 1989. - С.33-45.

91. Сюсюкина A.B., Нагоев З.В. Модель интеллектуального исследовательского поведения агентов в составе мультиагентной группировки роботов-луноходов на основе нейронных сетей // Известия КБНЦ РАН, № 1 (39) 2011, Изд-во КБНЦ РАН, с. 201-204.

92. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте// Новости искусственного интеллекта, № 2, 1998. - С. 5-63.

93. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М.: Эдиториал УРСС, 2002. - 352 с.

94. Тарасов В.Б., Калуцкая А.П., Святкина М.Н. Гранулярные, нечеткие и лингвистические онтологии для обеспечения взаимопонимания между когнитивными агентами, Open semantic technologies for intelligent systems.

95. Тимофеев A.B. Мультиагентое и интеллектуальное управление сложными робототехническими системами. - Юбилейный сборник "Теоретические основы и прикладные задачи интеллектуальных информационных технологий", посвященный 275-летию РАН и 20-летию СПИИРАН.-СПб.:СПИИ РАН, 2001, с.71-81.

96. Тимофеев A.B., Юсупов P.M., Нагоев З.В. Проблемы и методы интеллектуального управления движением мультиагентных робототехнических систем // Материалы II Международной конференции «Автоматизация управления и интеллектуальные системы и среды-2011», Т. I, 2011,с. 100-108.

97. Турчин В.Ф. Феномен науки: Кибернетический подход к эволюции. Изд. 2-е -М.:ЭТС, —2000.— 368 с.

98. Хакен Г. Принципы работы головного Синергетический подход к активности мозга, поведению и когнитивной деяте=_ль^ости. — М: Per Se, 2001. — 353 с.

99. Хамуков Ю.Х, Нагоев З.В. Концепция р-с конструктивные особенности бытового робота-автомойщика // Известия КБИТ » _ РАН, № 4 (24), Изд-во КБНЦ РАН, Нальчик, 2008, с. 88-95.

100. Хамуков Ю.Х, Нагоев З.В. Функциональная спецификация робота-мойщика автомобиля для задачи эволюционного проектир> «гэвания // В материалах второй международной конференции «Моделирование^ устойчивого регионального развития». Изд-во КБНЦ РАН, Нальчик, 2007, с. 23 - 237.

101. Холодная М.А. Психология понятийного ]ч^г^:ышления: От концептуальных структур к понятийным способностям. — М.: Изд-т=^зо «Институт психологии РАН», 2012, — 288 с.

102. Цетлин M.JI. Исследования по теории автоматов и моделированию биологических систем-М.: Наука, 1969.

103. Цетлин M.JI. О поведении конечных авт~ -оматов в случайных средах// Автоматика и телемеханика. - 1961. - Т.22, №10. - < 1345-1354.

104. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем.-М.: Наука, 1969.

105. Эшби У. Р. Конструкция мозга. Происхождение тг~ адаптивного поведения — М.: ИЛ, 1962, —397 с.

106. Юсупов P.M., Розенвассер E.H. Чувствите_пмжьность систем управления. // М.:Наука, 1981, 440 с. Sensitivity of Automatic CZ^ontrol. CRS Press. Roca Raton London New York Washington, DC. 1999, 436 p.

107. Юсупов P.M., Охтилев М.Ю, Соколов Б.В. Интеллектуальные технологии мониторинга и управления структурной диназ>-—<*икой сложных технических объектов. - М.:Наука, 2006. - 410 с.

108. Abstract Social Science Information, Vol. 39, No. I— > 115-129 (2000).

109. Agha G. Actors: a Model of Concurrent Computation for Distributed Systems. -Cambridge MA: MIT Press, 1986.

110. Aleksander I (1996) Impossible Minds: My neurons, My Consciousness, Imperial College Press.

111. Anderson, J. R. (2007). How can the human mind occur in the physical universe? New York, NY: Oxford University Press.

112. Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated theory of the mind. Psychological Review, 1036-1060.

113. Arrabales, Raul (2009), "Establishing a Roadmap and Metrics for Conscious Machines Development", Proceedings of the 8th IEEE International Conference on Cognitive Informatics (Hong Kong): 94-101.

114. A§tefanoaei, L. An executable theory of multi-agent systems refinement. 2011, Doctoral thesis, Leiden University.

115. A Theoretical Framework for Intentions, Know-How, and Communications Munindar P. Singh Springer-Verlag, Lecture Notes in Computer Science, Volume 799.

116. Baars, Bernard J and Stan Franklin. 2003. How conscious experience and working memory interact. Trends in Cognitive Science 7: 166-172.

117. Bargiela, A., Pedrycz, W. Granular Computing: an Introduction. - Dordrecht: Kluwer Academic Publishers, 2003.

118. Bellman, R. (1961). Adaptive Control Processes: a Guided Tour. Princeton University Press.6. Cohen, P. R. and Levesque, H. J. (1991). Teamwork. Nous, 25(4):487-512.

119. Bolton, Patrick and Mathias Dewatripont, 2005.: Contract Theory. MIT Press.

120. Brooks R. A Robust Layered Control System for a Mobile Robot// IEEE Journal of Robotics and Automation. - 1986. - Vol.2, №1. - P. 14-23.

121. Brooks R. Intelligence Without Representation // Artificial Intelligence. - 1991. -Vol.47.-P.139-159.

122. Chomsky, N. A. (1959), A Review of Skinner's Verbal Behavior.

123. Cleeremans, Axel (2001), Implicit learning and consciousness, http ://srsc. ulb .ac .be/axc W W W/papers/pdf/01 - AXCL J .pdf.

124. Davis R., Smith R. Negotiation as a Metaphor for Distributed Problem Solving// Artificial Intelligence. - 1983. -Vol.20. -P.63-109.

125. Demetriou, A., Mouyi, A., & Spanoudis, G. (2010). The development of mental processing. Nesselroade, J. R. (2010). Methods in the study of life-span human development: Issues and answers. In W. F. Overton (Ed.), Biology, cognition and methods across the life-span. Volume 1 of the Handbook of life-span development (pp. 36-55), Editor-in-chief: R. M. Lerner. Hoboken, NJ: Wiley.

126. Dias, B. (2005) Dynamic Heterogeneous Robot Teams Engaged in Adversarial Tasks, Pittsburgh.

127. Dietrich Dörner: Die Mechanik des Seelenwagens. Eine neuronale Theorie der Handlungsregulation. Verlag Hans Huber, 2002.

128. Donnart, J.Y. and Meyer, J.A. (1996). Learning Reactive and Planning Rules in a Motivationally Autonomous Animat. // IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics, 26(3):381-395. See also: http://www-poleia.lip6.fr/ ANIMAT-LAB/#Publications.

129. Dyson, Freeman. "Coherent cooperation among communicating problem solvers.", IEEE Transactions on Computers C-36: 1275-1291. 1988 Infinite in all Directions. London: Penguin.

130. Ericsson-Zenith, Steven (2010), Explaining Experience In Nature, Sunnyvale, CA: Institute for Advanced Science & Engineering, http://senses.info.

131. Erlang Programming Language, www.erlang.org.

132. Erman L., Hayes-Roth F., Lesser V., Reddy D. The HEARSAY-II Speech Understanding System: Integrating Knowledge to Resolve Uncertainty// ACM Computers Surveys, vol.12, 1980.

133. R. Fagin, J.Y. Halpern, Y. Moses, and M.Y. Vardi. Reasoning about Knowledge, The MIT Press, 1995.

134. Ferber J. Les systemes multi-agents. Vers une intelligence collective. - Paris: InterEditions, 1995.

135. Ferber J, Jacopin E. The Framework of Eco-Problem Solving// Decentralized Artificial Intelligence II / Ed. by Y.Demazeau, J.-P.Muller. - Amsterdam: Elsevier North-Holland, 1991.

136. Fellous, J-M. Arbib, M. (2005) Who Needs Emotions? The Brain Meets the Robot Editors Oxford University Press.

137. FIPA. The foundation for intelligent physical agents, http://www.fipa.org/.

138. Fisher K, Muller J.-P, Heimig I, Scheer A.-W. Intelligent Agents in Virtual Enterprises// Proc. of the First International Conference on the Practical Applications of Intelligent Agents and Multi-Agent Technology (London, UK). - P.205-224.

139. Fox and Hayes quoted in Nilsson, Nils (1998), Artificial Intelligence: A New Synthesis, p581 Morgan Kaufmann Publishers.

140. Franklin, Stan (2003), "LIDA: A Conscious Artefact", in Holland, Owen, Machine Consciousness, Exeter, UK: Imprint Academic.

141. Freud, S. (1911) Formulations on the two principles of mental functioning. SE, 12.

142. Freudenthal, D, Pine, J. M, & Gobet, F. (2005). Modelling the development of children's use of optional infinitives in English and Dutch using MOSAIC. Cognitive Science, 30, 277-310.

143. Gary A. Klein, (1998) "Sources of Power: How People Make Decisions", MIT Press, Cambridge, Mass, pp. 1-30.

144. Gazzaniga, M. S, Ed. (1999). Conversations in the Cognitive Neurosciences, The MIT Press.

145. Gazzaniga, M. S, Ivry, R. B. & Mangun, G. R. (2002). Cognitive Neuroscience: The biology of the mind (2nd ed.). New York: W.W.Norton.

146. Gazzaniga, M. S., The Cognitive Neurosciences III, (2004), The MIT Press.

147. Grabowski, R. (1999) Heterogeneous Teams of Modular Robots for Mapping and Exploration. Institute for Complex Engineered Systems, The Robotics Institute, and Department of Electrical and Computer Engineering Carnegie Mellon University Pittsburgh.

148. Gilbert, N. and Conte, R. (eds) Artificial Societies: the Computer Simulation of Social Life. UCL Press, London, 1995.

149. Gilbert N. and Doran J. (eds) Simulating Societies. UCL Press, London, 1994.

150. Gilbert, N. and Doran, J., editors (1994). Simulating Societies: the computer simulation of social phenomena. UCL Press, London.

151. P. Giorgini, Jôrg Muller, James Odell, eds, Agent-Oriented Software Engineering (AOSE) IV, Melbourne, July 2003, LNCS 2935, pp. 214-230, 200.4.

152. Graham-Rowe, Duncan. "Mission to build a simulated brain begins", NewScientist, June 2005.

153. Haikonen, Pentti Consciousness and Quest for Sentient Robots// Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series, Springer, 2012, pp. 19-27.

154. Haikonen, Pentti (2003), The Cognitive Approach to Conscious Machines, Exeter, UK: Imprint Academic.

155. Hart, Oliver and Moore, John, 1988. "Incomplete Contracts and Renegotiation," Econometrica, 56(4), pp. 755-785.

156. Henk W.M. Gazendam and René J. Jorna. SOM theme A: Multi-level Interactions Within Firms. Theories about architecture and performance of multi-agent systems SOM Research Report 98A02.

157. Hewitt C. Viewing Control Structures as Patterns of Message Passing // Artificial Intelligence.-l977.- Vol.8, №3. - P.323-364.

158. Hewitt C. Open Information Systems Semantics for Distributed Artificial Intelligence// Artificial Intelligence. - 1991. - Vol.47, №1-3. - P.79-106.

159. Hoffman, G. and Breazeal, C. (2004) Collaboration in Human-Robot Teams. MIT Media Lab, 20 Ames St. E15-468, Cambridge, MA, 02139, USA.

160. Hofstadter, D. (1995). Fluid Concepts and Creative Analogies: Computer Models of the Fundamental Mechanisms of Thought. New York: Basic Books.

161. Hopfield J. J. Neurons with graded response have collective computational properties like those of two-state neurons. Proceedings of the National Academy of Sciences of the United States of America, 79, p. 2554-2558, 1982.

162. http://en.wikipedia.org/wiki/DUAL_Cognitive_Architecture.

163. http://en.wikipedia.org/wiki/Implementation_theory.

164. Ingrand, F.; M. Georgeff, and A Rao (1992). "An architecture for real-time reasoning and system control". IEEE Expert: Intelligent Systems and Their Applications (IEEE Press) 7 (6): 34-44.

165. Ishiguro Hiroshi. Biological Fluctuation "Yuragi" as the Principle of Bio-inspired Robots // Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series, Springer, 2012, pp. 29.

166. Jennings, N. R. (1996). Coordination techniques for distributed artificial intelligence. In O'Hare, G. M. P. and Jennings, N.R, editors, Foundations of Distributed Arti cial Intelligence, pages 187-210. John Wiley & Sons.

167. Jennings, N.R. On being responsible. In Decentralized AI 3 - Proceedings of the 3rd European Workshop on Modelling Autonomous Agents in a Multi-Agent World (MAAMA W-91) (eds E. Werner and Y. Demazeau), pp. 93-102. Elsevier, Amsterdam, 1992.

168. Jennings, N.R. On Agent-Based Software Engineering. Artificial Intelligence, 117 (2), 277-296.

169. John C. Harsanyi, 1987, "Interpersonal utility comparisons," The New Palgrave: A Dictionary of Economics, v. 2, pp. 955-58.

170. Jones, Joseph L. (2004) "Robot Programming: A practical guide to Behavior-Based Robotics".

171. Journal of Artificial Intelligence Research 2 (1995) 575-609 Provably Bounded-Optimal Agents. Stuart J. Russell, Devika Subramanian.

172. Jung, Sung Young, "A Topographical Development Method of Neural Networks for Artificial Brain Evolution", Artificial Life, The MIT Press, vol. 11, issue 3 - summer, 2005, pp. 293-316.

173. Just, M.A., & Varma, S. (2007). The organization of thinking: What functional brain imaging reveals about the neuroarchitecture of complex cognition. Cognitive, Affective and Behavioral Neuroscience, 7(3), 153-191.

174. Kenneth J. Arrow, 1951, 2nd ed., 1963, Social Choice and Individual Values. ISBN 0-300-01364-7.

175. Kieras, D.E., & Meyer, D.E. (1997) An overview of the EPIC architecture for cognition and performance with application to human-computer interaction. Humancomputer interaction, 4(12), 391-438.

176. Kitano, H., Tambe, M., Stone, P., Veloso, M., Coradeschi, S., Osawa, E., Matsubara, H., Noda, I., and Asada, M. (1997). The RoboCup synthetic agent challenge 97. In Proc. Int. Joint Conf. on Artificial Intelligence, pages 24-29.

177. Koene R. A. Experimental research in whole brain emulation: the need for innovative in vivo measurement techniques // International journal of machine consciousness. V. 4, #1, June 2012, World Scientific, pp. 109-140.

178. Kok, J.R., Spaan, M.T.J., and Vlassis, N. (2003). Multi-robot decision making using coordination graphs. In Proc. 11th Int. Conf. on Advanced Robotics, Coimbra, Portugal.

179. Kornfeld W. ETHER: a Parallel Problem Solving System// Proc. of the 6th Int. Joint Conference on Artificial Intelligence, 1979.

180. Kornfeld W, Hewitt C. The Scientific Community Metaphor// IEEE Transactions on Systems, Man and Cybernetics. - 1981. - Vol.SMC-11, №1. -P.24-33.

181. Labrou, Y, Finin, T, and Peng, Y. (1999). Agent communication languages: The current landscape. IEEE Intelligent Systems, 14(2):45-52.

182. Langton C. (Ed.). Artificial Life. - Redwood City: Addison-Wesley, 1992.

183. Lecture Notes in Computer Science Volume 3830, 2006, pp 32-49 Olivier Simonin, Franck Gechter.

184. Lenat D. BEINGS: Knowledge as Interacting Experts// Proc. of the 1975 IJCAI Conference, 1975. - P. 126-133.

185. Lesser V, Corkill D. The Distributed Vehicle Monitoring Testbed: a Tool for Investigating Distributed Problem Solving Networks// AI Magazine. - 1983. - Vol.4, №3. - P.15-33.

186. Lesser, V. R. and Erman, L. D. (1980). Distributed interpretation: a model and experiment. IEEE Trans. Computers, 29(12): 1144-1163.

187. A.Letichevsky, D.Gilbert, A Model for Interaction of Agents and Environments, In D.Bert, C.Choppy, P.Moses (Eds), Resent Trends in Algebraic Development Techniques, LNCS 1827, 311-328, 1999.

188. Markram, H, 2006. The blue brain project. Nat Rev Neurosci. 7, 153—160.

189. Marshall, J. (2002). Metacat: A self-watching cognitive architecture for analogy-making. In W. D. Gray & C. D. Schunn (eds.), Proceedings of the 24th Annual Conference of the Cognitive Science Society, pp. 631-636. Mahwah, NJ: Lawrence Erlbaum Associates.

190. Martins, N. R, Erlhangen, W, Freitas, R. A. Non-distuctive whole-brain monitoring using nanorobots: neural electrical data rate requirements // International journal of machine consciousness. V. 4, #1, June 2012, World Scientific, pp. 109-140.

191. Maruichi T, Ichikawa M, Tokoro M. Modeling Autonomous Agents and Their Groups// Decentralized AI/ Ed. by Y.Demazeau and J.-P.Muller. - Amsterdam: Elsevier North-Holland, 1990.

192. Matthew J. Johnson, Koji Intlekofer, (2008) Coordinated Operations in Mixed Teams of Humans and Robots, Florida Institute for Human and Machine Cognition, Pensacola, FL, U.S.A.

193. Meyer J.-A., Guillot, A. From SAB90 to SAB94: Four years of Animat research. // In: Proceedings of the Third International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Cliff, Husbands, Meyer J.-A., Wilson S. W. (Eds) 1994, See also: http://www-poleia.lip6.fr/ANIMATLAB/#Publications.

194. Meyer J.-A., Wilson S. W. (Eds) From animals to animats. Proceedings of the First International Conference on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Massachusetts, London, England. 1990.

195. Minsky, Marvin The Society of Mind. Simon and Schuster, New York. March 15, 1988.

196. Nagoev Z.V. Genomic control of agent morphogenesis in a physically correct virtual environment // Cybernetics and Systems Analysis, Volume 44, Number 2 / March 2008, Springer, New York.

197. Nagoev Z.V. Multiagent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series, Springer, 2012, pp. 247-248.

198. Nagoev Z.V., Gurtuev A. O. Distributed multiagent model for regional crop production market // Proceedings of the 48th Congress of the European Regional Science Association, Liverpool, 27th-31st August 2008, pp. 734-741.

199. Naumov Lev, Shalyto Anatoly. Proceedings of International Conference Integration of Knowledge Intensive Multi-Agent Systems: Modeling, Exploration and Engineering. KIMAS-03". Boston: IEEE Boston Section. 2003, p. 65-70. Automata Theory for MultiAgent Systems Implementation.

200. Newell, Allen. 1990. Unified Theories of Cognition. Harvard University Press, Cambridge, Massachusetts.

201. Nisan, Noam; Ronen, Amir (1999), "Algorithmic mechanism design", Proceedings of the thirty-first annual ACM symposium on Theory of computing: 129-140.

202. Noriega, P. and Sierra, C, editors (1999). Agent Mediated Electronic Commerce. Lecture Notes in Artificial Intelligence 1571. Springer.

203. Oaks S. and Wong H. Jini in a Nutshell. O'Reilly and Associates, Inc, 2000.

204. Osborne, M. J. and Rubinstein, A. (1994). A Course in Game Theory. MIT Press.

205. Osipov Gennady, Smirnov Ivan, Tikhomirov Ilya, Vybornova Olga. Technologies for Semantic Analysis of Scientific Publications. //Proceedings of 2012 IEEE 6th International Conference Intelligent Systems (Yager, R.R, V. Sgurev and M. Hadjiski, Eds.), Vol. II, pp. 58-62.

206. Osipov Gennady Computer simulation of "consciousness" // EMCSR 2012 -Symposium P. Cognitive Relativity, Rationality and Clarity. Публикация на электронном носителе, http://www.emcsr-conference.org/2012/paper/view/148.

207. Patil R.S. et al. The DARPA knowledge sharing effort: progress report. In Proceedings of Knowledge Representation and Reasoning (KR&R-92) (eds C.Rich, W.Swartout and B. Nebel), pp. 777-788.

208. Perzanowski, D. (2001) Building a Multimodal Human-Robot Interface. IEEE INTELLIGENT SYSTEMS.

209. "Proceedings of International Conference Integration of Knowledge Intensive MultiAgent Systems: Modeling, Exploration and Engineering. KIMAS-03". Boston: IEEE Boston Section. 2003, p. 65-70.

210. Robbins, L. An Essay on the Nature and Significance of Economic Science, 1935, 2nd ed.., ch. VI.

211. R. Sun, (ed.), (2008). The Cambridge Handbook of Computational Psychology. Cambridge University Press, New York. 2008.

212. Reeke, G.N, Jr., O. Sporns, W.E. Gall, G. Tononi, and G.M. Edelman (1993) A biologically based synthetic nervous system for a real-world device. In Artificial Neural

Net-works for Speech and Vision, R. J. Mammone, ed., pp.457-473, Chapman & Hall, London.

213. RoboCup official site, http://www.robocup.org/.

214. RoboCup Rescue, http://www.robocuprescue.org/.

215. Roumeliotis, S. I. and Bekey, G. A. (2002). Distributed multi-robot localization. IEEE Trans. Robotics and Automation, 18(5):781-795.

216. Samuelson, Paul A. (1947, Enlarged ed. 1983). "Welfare Economics," Foundations of Economic Analysis, Harvard University Press, Cambridge, MA, ch. VIII, pp. 203-53.

217. Sandholm, T. (1999). Distributed rational decision making. In Weiss, G., editor, Multiagent Systems: A Modern Introduction to Distributed Artificial Intelligence, pages 201-258. MIT Press.

218. Schunk, Dale H. Learning Theories: An Educational Perspective, 5th. Pearson, Merrill Prentice Hall. 1991, 1996, 2000, 2004, 2008. pp. 14, 28.

219. Shoham Y. Agent Oriented Programming// Artificial Intelligence. - 1993. - Vol.60, №1. - P.51-92.

220. Shoham, Y. and Tennenholtz, M. (1992). On the synthesis of useful social laws for artificial agent societies. In Proc. 10th Nation. Conf. on Artificial Intelligence, San Diego, CA.

221. Shoham Yoav, Leyton-Brown Kevin. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations, 504 pages Publisher: Cambridge University Press (December 15, 2008).

222. Smirnov A., Kashevnik A., Shilov N. SOA-Based Modeling for Digital Ocean: Approach and Architecture // Information Fusion and Geographic Information Systems: Towards the Digital Ocean / Eds. by V. Popovich, C. Claramunt, T. Devogete, M. Schrenk, K. Korolenko. Springer, Lecture Notes in Geoinformation and Cartography, 2011. - P.21-32.

223. Smith R.G. The Contract Net Protocol: High Level Communication and Control in a Distrubuted Problem Solver // IEEE Transactions on Computers. - 1980. - Vol.29, №12. - P.1104-1113.

224. Stone, P. (2007) Intelligent Autonomous Robotics. A Robot Soccer Case Study. The University of Texas at Austin.

225. Stone, P. and Veloso, M. (2000). Multiagent systems: a survey from a machine learning perspective. Autonomous Robots, 8(3).

226. Sutton, R. S. and Barto, A. G. (1998). Reinforcement Learning: An Introduction. MIT Press, Cambridge, MA.

227. Sycara, K. (1998). Multiagent systems. AI Magazine, 19(2):79-92.

228. Takeno, Junichi; Inaba, K; Suzuki, T (June 27-30, 2005), "Experiments and examination of mirror image cognition using a small robot", The 6th IEEE International Symposium on Computational Intelligence in Robotics and Automation (Espoo Finland: CIRA 2005): 493-498, doi:10.1109/CIRA.2005.1554325.

229. Tan, M. (1993). Multi-agent reinforcement learning: Independent vs. cooperative agents. In Proc. 10th Int. Conf. on Machine Learning, Amherst, MA.

230. Surprenant & Neath (1997), Psychonomic Bulletin & Review 4(3), 342-349.

231. Terzopoulos, D. (1999). Artificial life for computer graphics. Commun. ACM, 42(8):32-42.

232. Todd, P. and Gigerenzer, G, Putting Naturalistic Decision Making into the Adaptive Toolbox, Journal of Behavioral Decision Making, Vol. 14, 353-384, 2001.

233. Vlasis N. A Concise Introduction to Multiagent Systems and Distributed AI. Univ. of Aamsterdam, 2003, P. 76.

234. Weiss, G, editor (1999). Multiagent Systems: a Modern Approach to Distributed Artificial Intelligence. MIT Press.

235. White J. E. Mobile agents. In Software Agents (ed. J. Bradshaw), pp. 437-473. MIT Press, Cambridge, MA, 1997.

236. White J. E. Teleseript technology: the foundation for the electronic marketplace. White paper, General Magic, Inc., 2465 Latham Street, Mountain View, CA 94040, 1994.

237. Wittig, T. (ed.) ARCHON: an Architecture for Multi-Agent Systems. Ellis Horwood, Chichester, 1992.

238. Wobcke, W. R. (2007). "Reasoning about BDI Agents from a Programming Languages Perspective". Proceedings of the AAAI2007 Spring Symposium on Intentions in Intelligent Systems.

239. Wooldridge M. An introduction to multiagent systems. John Wiley and Sons Ltd, Chichester, 2002.

240. Xiaocong Fan, Bingjun Sun, Shuang Sun, Michael McNeese, and John Yen, RPD-Enabled Agents Teaming with Humans for Multi-Context Decision Making, AAMAS 2006.

241. Yim, M. And Shen, W-M. (2007) Modular Self-Reconfigurable Robot Systems. Challenges And Opportunities For The Future. IEEE Robotics & Automation Magazine.

242. Yonezawa A. (Ed.) ABCL: an Object-Oriented Concurrent System. - Cambridge MA: MIT Press, 1990.