Модели и алгоритмы распределенного решения задач нейросетевого моделирования тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Тынченко, Валерия Валериевна

• Тынченко, Валерия Валериевна
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Тынченко, Валерия Валериевна

Введение.

1 Технологии нейросетевого моделирования.

1.1 Искусственные нейронные сети.

1.2 Применение генетических алгоритмов для параметрической настройки и синтеза структуры нейросетевой модели.

1.3 Применение многокритериальных генетических алгоритмов для синтеза структуры нейросетевой модели.

1.4 Применение параллельных генетических алгоритмов для синтеза структуры нейросетевой модели.

Выводы.

2 Выбор эффективной конфигурации гетерогенной вычислительной сети для решения сложных задач.

2.1 Модель оценки производительности гетерогенной вычислительной сети клиент-серверной архитектуры.

2.2 Модель оценки надежности гетерогенной вычислительной сети клиент-серверной архитектуры радиального типа.

2.3 Модель оценки эффективности однородной вычислительной сети с программируемой структурой.

2.4 Постановка задачи выбора эффективной конфигурации гетерогенной вычислительной сети.

Выводы.

3 Практическая реализация моделей и алгоритмов.

3.1 Программная система «Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей».

3.2 Система автоматизации проектирования нейросетевых моделей параллельными многокритериальными генетическими алгоритмами.

3.3 Автоматизированная система поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети.

3.4 Проверка работоспособности системы автоматизации проектирования нейросетевых моделей параллельными многокритериальными генетическими алгоритмами.

3.5 Проверка работоспособности автоматизированной системы поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети.

Выводы.

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы распределенного решения задач нейросетевого моделирования»

В настоящее время искусственные нейронные сети являются эффективным инструментом решения широкого круга сложных научно-технических задач. Однако невозможность формализации структурно-параметрического синтеза нейросетевой модели существенно ограничивает практическое применение данного подхода.

Автоматизация процесса построения нейронной сети произвольной архитектуры предполагает решение сложных многопараметрических оптимизационных задач, таких как выбор эффективной структуры нейросети и ее обучение. Для решения подобного рода задач оптимизации во многих случаях могут быть применены только алгоритмы прямого адаптивного поиска, не требующие информации о свойствах оптимизируемой функции. Универсальными адаптивными поисковыми алгоритмами являются эволюционные алгоритмы.

Выполнение расчетов по эволюционным алгоритмам предъявляет значительные требования к аппаратным вычислительным ресурсам, что затрудняет эффективную реализацию данных алгоритмов на фон-неймановских ЭВМ. Для сокращения времени, затрачиваемого на решение задачи, целесообразно применить параллельные эволюционные алгоритмы и осуществлять вычисления с использованием распределенной вычислительной системы. Такой подход позволит значительно повысить быстродействие как за счет параллельного выполнения вычислений, так и за счет эффективных способов реализации алгоритмов, таких, которые невозможны в случае последовательного выполнения программы.

В качестве аппаратных средств реализации параллельных вычислений используются распределенные вычислительные системы. Высокая стоимость и, зачастую, отсутствие многопроцессорных и многомашинных вычислительных систем ограничивает возможность их практического применения широким кругом специалистов для распределенного решения сложных научно-технических задач. Наряду с этим в настоящее время наблюдается повсеместное использование доступных по стоимости и высокопроизводительных персональных компьютеров, интенсивное развитие и массовое практическое применение сетевых информационных технологий различного уровня и назначения. Все это делает доступными значительные вычислительные ресурсы, которые могут быть эффективно задействованы при решении сложных задач.

Использование для решения сложных научно-технических задач вычислительных сетей требует разработки и применения формальных методов моделирования и оптимизации для формирования эффективной структуры сетевого аппаратно-программного комплекса, реализующего основные функции. Поддержка принятия решений на этапе предварительного проектирования вычислительных сетей, а также при модификации их архитектуры позволяет повысить эффективность создаваемых для решения сложных задач систем и выйти на качественно новый уровень развития наукоемких технологий. .

Таким образом, можно утверждать, что разработка математического и программного обеспечения распределенного решения задач нейросетевого моделирования в вычислительных сетях является актуальной научно-технической задачей.

Цель диссертационной работы состоит в повышении эффективности распределенного решения задач структурно-параметрического синтеза ней-росетевых моделей в вычислительных сетях на основе комплексного применения аппарата эволюционной оптимизации и теории массового обслуживания.

Сформулированная цель предопределила следующую совокупность решаемых задач:

1. Анализ существующих технологий нейросетевого моделирования.

2. Разработка подхода к автоматизации проектирования нейросетевых моделей произвольной архитектуры.

3. Формализация задачи выбора эффективной структуры нейронных сетей с учетом их вычислительной сложности в виде задачи оптимизации.

4. Модификация многопопуляционного параллельного генетического алгоритма посредством разработки процедуры динамической адаптации базовой топологии связей между популяциями к процессу решения оптимизационной задачи.

5. Разработка системы автоматизации проектирования нейросетевых моделей произвольной архитектуры на основе предложенного подхода к выбору эффективной структуры нейронной сети и модифицированного многопопуляционного параллельного генетического алгоритма.

6. Построение математических моделей оценки производительности и надежности функционирования гетерогенных вычислительных клиент-серверных сетей при решении сложных научно-технических задач.

7. Разработка автоматизированной системы поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети с использованием предложенных моделей.

8. Апробация разработанного математического и программного обеспечения при распределенном решении практических задач нейросетевого моделирования в гетерогенных вычислительных сетях.

Методы исследования. При выполнении работы использовался аппарат системного анализа, теории массового обслуживания, теории оптимизации, теории вероятностей и математической статистики, нейросетевого моделирования, методика создания прикладных интеллектуальных систем.

Научная новизна работы заключается в следующем:

1. Предложена новая формальная модель для выбора эффективной структуры искусственной нейронной сети в виде задачи многокритериальной оптимизации, отличающаяся от известных применением критерия минимизации вычислительной сложности структуры.

2. Разработан модифицированный параллельный многопопуляцион-ный генетический алгоритм решения сложных задач оптимизации, отличающийся динамической адаптацией базовой топологии связей между популяциями к процессу решения задачи, и превосходящий по эффективности стандартный параллельный многопопуляционный генетический алгоритм.

3. Построен комплекс новых математических моделей оценки производительности и надежности функционирования гетерогенных вычислительных клиент-серверных сетей при решении сложных научно-технических задач.

Практическая значимость. На основе предложенных моделей и алгоритмов разработаны современные программные системы, которые могут быть использованы для эффективной реализации нейросетевого моделирования сложных систем различного назначения в распределенной гетерогенной вычислительной среде. Программная система автоматизации проектирования нейросетевых моделей параллельными многокритериальными генетическими алгоритмами позволяет широкому кругу специалистов производить эффективную настройку структуры и весов нейронной сети в процессе моделирования. Автоматизированная система поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети может быть использована в ходе проектирования или модификации архитектуры вычислительных сетей, предназначенных для решения сложных научно-технических задач.

Работа выполнена в рамках ФЦНТП «Исследования и разработки по приоритетным направлениям развития науки и техники на 2002-2006 годы» по теме 2006-РИ-19.0/001/3 77 «Проведение научных исследований молодыми учеными» (IV очередь), НИР «Модели и алгоритмы автоматизации проектирования многопроцессорных информационных систем интеллектуального анализа данных в режиме реального времени» (государственный контракт № 02.442.11. 7337), в рамках НИР 4422 «Разработка и исследование эффективности гибридных методов оптимизации алгоритмически заданных функций дискретных переменных», выполняемой по ведомственной научной программе «Развитие научного потенциала высшей школы», а также по темплану СибГАУ «Бионические методы идентификации и оптимизации сложных систем» (№ Б1.1.05).

Реализация результатов работы. Математические модели оценки производительности и надежности функционирования гетерогенных вычислительных клиент-серверных сетей при решении сложных научно-технических задач и разработанная на их основе автоматизированная система поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети использовались в ООО «Региональные информационные технологии-системы» (г. Красноярск) в качестве инструмента на первоначальном этапе проектирования вычислительной сети, ориентированной на решение задач нейросетевого моделирования, а также при анализе существующих и оценке перспективных средств вычислительной техники потребителей телекоммуникационных услуг данного предприятия, что отражено в соответствующем акте о внедрении научных и практических результатов данной диссертационной работы.

Система автоматизации проектирования нейросетевых моделей произвольной архитектуры, реализованная на основе предложенного подхода к выбору эффективной структуры нейронной сети и модифицированного мно-гопопуляционного параллельного генетического алгоритма, включена в состав информационно-программного обеспечения предприятия и использована для повышения эффективности организации процесса товарооборота на основе прогнозирования объемов продаж товаров в ГПКК «Губернские аптеки» (г. Красноярск), что также отражено в соответствующем акте о внедрении.

Разработанная в процессе выполнения диссертационной работы программная система «Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей» прошла отраслевую и государственную экспертизу и зарегистрирована в отраслевом фонде алгоритмов и программ, что делает ее доступной для широкого круга пользователей.

Разработанные алгоритмы и программные системы используются в учебном процессе при проведении занятий по курсам «Интеллектуальные технологии и принятие решения», «Интеллектуальный анализ данных» и «Адаптивные и эволюционные методы принятия решений» в Сибирском государственном аэрокосмическом университете, по курсам «Эволюционные алгоритмы моделирования и оптимизации» и «Интеллектуальные технологии анализа данных» в Сибирском федеральном университете (г. Красноярск).

Основные положения, выносимые на защиту:

1. Применение новой формальной модели для выбора эффективной структуры искусственной нейронной сети позволяет получать нейросети меньшей вычислительной сложности при сохранении точности решаемой задачи.

2. Модифицированный многопопуляционный параллельный генетический алгоритм выполняет динамическую адаптацию базовой топологии связей между популяциями к процессу решения оптимизационной задачи, что позволяет повысить эффективность эволюционного поиска при реализации алгоритма в вычислительной сети.

3. Автоматизированная система поддержки принятия решений на основе разработанного комплекса математических моделей оценки производительности и надежности функционирования гетерогенной вычислительной сети позволяет успешно решать задачи проектирования и модификации архитектуры вычислительных сетей, ориентированных на решение сложных научно-технических задач.

Апробация работы. Процесс разработки и результаты, представленные в работе, докладывались и обсуждались на научных конференциях различного уровня, в том числе 8-й Всероссийской научно-практической конференции «Проблемы информатизации региона» (Красноярск, 2003 г.), VIII Всероссийской научно-практической конференции с международным участием «Решетневские чтения» (Красноярск, 2004 г.), Международной научной конференции «Решетневские чтения» (Красноярск, 2006 г.), VIII Всероссийской научно-технической конференции «Теоретические и прикладные вопросы современных информационных технологий» (Улан-Удэ, 2007 г.), 4-й Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2007 г.).

Публикации. По теме данной работы опубликовано 15 печатных работ, среди которых три статьи в научных изданиях, входящих в Перечень ВАК.

Структура работы. Работа состоит из введения, трех глав, заключения, списка литературы и приложения.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Тынченко, Валерия Валериевна

Основные результаты и выводы

В ходе выполнения диссертационной работы получены следующие результаты:

1. На основе анализа существующих технологий нейросетевого моделирования разработан подход к автоматизации проектирования нейросетевых моделей произвольной архитектуры с применением аппарата эволюционной оптимизации.

2. Формализована задача выбора эффективной структуры нейронных сетей с учетом их вычислительной сложности в виде многокритериальной задачи оптимизации.

3. Многопопуляционный параллельный генетический алгоритм модифицирован посредством разработки процедуры динамической адаптации базовой топологии связей между популяциями к процессу решения оптимизационной задачи.

4. Разработана, апробирована и внедрена система автоматизации проектирования нейросетевых моделей произвольной архитектуры на основе предложенного подхода к выбору эффективной структуры нейронной сети и модифицированного многопопуляционного параллельного генетического алгоритма.

5. Построены математические модели оценки производительности и надежности функционирования гетерогенных вычислительных клиент-серверных сетей при решении сложных научно-технических задач.

6. Разработана, апробирована и внедрена автоматизированная система поддержки принятия решений при выборе эффективной структуры гетерогенной вычислительной сети с использованием предложенных моделей.

Таким образом, в данной диссертации разработаны модели и алгоритмы, позволяющие эффективно решать задачи нейросетевого моделирования сложных объектов и процессов в гетерогенных вычислительных сетях, а также повысить обоснованность выбора эффективной конфигурации аппаратных средств реализации распределенных вычислений, что имеет существенное значение для теории и практики системного анализа и обработки информации.

Заключение

Список литературы диссертационного исследования кандидат технических наук Тынченко, Валерия Валериевна, 2007 год

1. Акопян, А. М. Генетические алгоритмы для решения задачи глобальной оптимизации. URL: http://www.cp.niif.spb.sU/inpe/4/gaover/gaover.htm

2. Архангельский, А. Я. Язык С++ в С++ Builder 5 : справочное пособие Текст. / А. Я. Архангельский. М. : ЗАО «Издательство БИНОМ», 2000. -224 с.

3. Батищев, Д. И. Генетические алгоритмы решения экстремальных задач : учеб. пособие Текст. / Д. И. Батищев. Воронеж : ВФТИ, 1995. - 210 с.

4. Бройдо, В. JI. Вычислительные системы, сети и телекоммуникации Текст. / В. Л. Бройдо. СПб.: Питер, 2003. - 688 с.

5. Виленкин, Н. Я. Комбинаторика Текст. / Н. Я. Виленкин, А. Н. Ви-ленкин, П. А. Виленкин. М.: МЦНМО, 2006. - 400 с.

6. Вишневский, В. М. Теоретические основы проектирования компьютерных сетей Текст. / В. М. Вишневский. М.: Техносфера, 2003. - 512 с.

7. Воеводин, В. В. Параллельные вычисления: Учеб. для вузов Текст. / В. В. Воеводин, Вл. В. Воеводин. СПб.: БХВ-Петербург, 2002. - 608 с.

8. Вороновский, Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности Текст. / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. X .: ОСНОВА, 1997. - 112 с.

9. Гонебная, О. Е. Экспертная система рудно-термической плавки: дисс. . кандидата технических наук Текст. / О. Е. Гонебная. Красноярск : ГУЦ-МиЗ, 2004.-136 с.

10. Горбань, А. Н. Нейронные сети на персональном компьютере Текст. / А.Н. Горбань, Д. А. Россиев. Новосибирск : Наука, 1996. - 276 с.

11. Горбань, А. Н. Обучение нейронных сетей Текст. / А. Н. Горбань -М.: СП Параграф, 1990. 198 с.

12. Горелова, В. JI. Основы прогнозирования систем : учеб. пособие для инж.-экон. спец. вузов Текст. / В. JI. Горелова, Е. Н. Мельникова. М. : Высш. шк., 1986.-287 с.

13. Гранберг, А. Г. Статистическое моделирование и прогнозирование : учеб. пособие Текст. / А. Г. Гранберг. М. : Финансы и статистика, 2001. -317 с.

14. Ефимов, С. Н. Проектирование вычислительной сети эффективной архитектуры для распределенного решения сложных задач Текст. / С. Н. Ефимов, В. В. Тынченко, В. С. Тынченко // Вестник Сиб. гос. аэрокосмич. унта. -2007. -Вып. 3 (16). -С. 15-19.

15. Жуков, В. Г. О влиянии параметра селекции на работу генетического алгоритма Текст. / В. Г. Жуков, В. В. Тынченко // VIII Всероссийская науч. конф. с междунар. участием «Решетневские чтения». Красноярск : Сиб-ГАУ, 2004.-С. 176-177.

16. Заенцев, И. В. Нейронные сети: основные модели Текст. / И. В. За-енцев. Воронеж : ВФТИ, 1999. - 76 с.

17. Исаев, С. А. Популярно о генетических алгоритмах. URL: http ://saisa.chat.ru/ga/ga-pop .html#top

18. Канатников, А. Н. Аналитическая геометрия: учеб. для вузов. 2-е изд. Текст. / А. Н. Канатников, А. П. Крищенко. - М. : МГТУ им. Н. Э. Баумана, 2000.-388 с.

19. Канер, С. Тестирование программного обеспечения Текст. : Пер. с англ. / С. Канер, Дж. Фолк, Енг Кек Нгуен. К.: ДиаСофт, 2000. - 544 с.

20. Керниган, Б. Язык программирования С. 2-е издание Текст. : Пер. с англ. / Б. Керниган, Д. Ритчи. М.: Вильяме, 2006. - 304 с.

21. Кини, P. J1. Принятие решений при многих критериях: предпочтения и замещения Текст. : Пер. с англ. / P. Л. Кини, X. Райфа // Под ред. И.Ф. Шахнова. М.: Радио и связь, 1981. - 560 с.

22. Клейнрок, JI. Теория массового обслуживания Текст.: Пер. с англ. / Л. Клейнрок. -М.: Машиностроение, 1979. 432 с.

23. Комашинский, В. И. Нейронные сети и их применение в системах управления и связи Текст. / В. И. Комашинский, Д. А. Смирнов. М.: Горячая линия - Телеком, 2003. - 94 с.

24. Круглов, В. В. Искусственные нейронные сети. Теория и практика Текст. / В. В. Круглов, В. В. Борисов. М.: Горячая линия - Телеком, 2002. -139 с.

25. Ларионов, А. М. Вычислительные комплексы и сети Текст. / А. М. Ларионов, С. А. Майоров, Г. И. Новиков. Л.: Энергоатомиздат, 1987. - 178 с.

26. Лебедев, В.А. Моделирование и оптимизация многопроцессорных систем оперативного управления Текст. / В.А. Лебедев, В.А. Терсков. М.: МАКС Пресс, 2002. - 330 с.

27. Липаев, В. В. Распределение ресурсов в вычислительных системах Текст. / В.В. Липаев. М.: Статистика, 1979. - 247 с.

28. Липаев, В. В.Эффективность однородных вычислительных систем, работающих в реальном масштабе времени Текст. / В. В. Липаев, А. А. Штрик // Управляющие системы и машины, 1978. -№1. С. 58-64.

29. Литвак, Б. Г. Экспертные оценки и принятие решений Текст. / Б. Г. Литвак. М.: Патент, 1996. - 295 с.

30. Миркес, Е. М. Нейрокомпьютер, проект стандарта Текст. / Е. М. Миркес. Новосибирск.: Наука, 1999. - 337 с.

31. Мкртчян, С. О. Нейроны и нейронные сети. Введение в теорию формальных нейронов Текст. / С. О. Мкртчян. М.: Энергия, 1971. - 232 с.

32. Мочалов, В. П. Теоретические основы разработки и анализ вероятностно-временных характеристик распределенных систем управления телекоммуникационными сетями и услугами Текст. / В. П. Мочалов. М.: ФИЗ-МАТЛИТ, 2006.-365с.

33. Немнюгин, С.А. Параллельное программирование для многопроцессорных вычислительных систем Текст. / С. А. Немнюгин, О. Л. Стесик. -СПб.: БХВ-Петербург, 2002. 400 с.

34. Олзоева, С.И. Моделирование и расчет распределенных информационных систем : Учебное пособие Текст. / С.И. Олзоева. Улан-Удэ : ВСГТУ, 2004.-67 с.

35. Орлов, С. А. Технологии разработки программного обеспечения. Разработка сложных программных систем : учеб. пособие. 2-е издание Текст. / С. А. Орлов. - СПб.: Питер, 2003. -480с.

36. Оссовский, С. Нейронные сети для обработки информации Текст.: Пер. с польского И.Д. Рудинского / С. Оссовский. М. : Финансы и статистика, 2002. - 344 с.

37. Павловская, Т. А. C/C++. Программирование на языке высокого уровня : учебник Текст. / Т. А. Павловская. СПб.: Питер, 2001.- 464с.

38. Подбельский, В. В. Язык С++ : учеб. пособие для вузов. 5-е издание Текст. / В. В. Подбельский. - М.: Финансы и статистика, 2003. - 560с.

39. Подиновский, В. В. Парето-оптимальные решения многокритериальных задач Текст. / В. В. Подиновский, В. Д. Ногин. М.: Наука. Главная редакция физико-математической литературы, 1982. - 256 с.

40. Растригин, JI. А. Случайный поиск Текст. / J1. А. Растригин. М. : Знание, 1979.-196 с.

41. Редько, В. А. Прикладное эволюционное моделирование. Генетический алгоритм. Оценка эффективности генетического алгоритма. URL: http://www.keldysh.ru/BioCvber/Lecture 10.html

42. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы Текст. : Пер. с польск. / Д. Рутковская, М. Пилиньский, JI. Рутков-ский. М.: Горячая линия Телеком, 2004. - 452 с.

43. Саати, Т. JI. Элементы теории массового обслуживания и ее приложения Текст. : Пер. с англ. Е.Г. Коваленко / Т. JI. Саати. М. : С.в. радио, 1991.-520 с.

44. Саульев, В.К. Математические теории массового обслуживания Текст. / В.К. Саульев. М.: Статистика, 1979. - 96 с.

45. Семенкин, Е. С. Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей Текст. / Е. С. Семенкин, В. В. Тынченко, В. С. Тынченко // Компьютерные учебные программы и инновации.-2007.-№7.-С. 12.

46. Семенкин, Е. С. Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей Текст. / Е. С. Семенкин, В. В. Тынченко, В. С. Тынченко. -М.: ВНТИЦ, 2006. -№ гос. per. 50200601955.

47. Семенкин, Е. С. Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей Текст. / Е. С. Семенкин, В. В. Тынченко, В. С. Тынченко // Инновации в науке и образовании. 2006. - № И (22). - С. 3.

48. Семенкин, Е. С. Метод обобщенного адаптивного поиска для синтеза систем управления сложными объектами Текст. / Е.С. Семенкин, В.А. Лебедев. М.: МАКС Пресс, 2002. - 320 с.

49. Семенкин, Е. С. Оптимизация технических систем : учеб. пособие Текст. / Е. С. Семенкин, О. Э. Семенкина, С. П. Коробейников. Красноярск : СИБУП, 1996.-284 с.

50. Стариков, А. Генетические алгоритмы математический аппарат. URL: http://www.basegroup.ru/genetic/math.htm

51. Столлингс, В. Операционные системы: 4-е издание Текст. : Пер. с англ. / В. Столлингс. М.: Вильяме, 2002. - 848 с.

52. Страуструп, Б. Язык программирования С++. Специальное издание Текст.: Пер. с англ. / Бьёрн Страуструп. М.: Бином-Пресс, 2005. - 1104 с.

53. Таненбаум, Э. Распределенные системы. Принципы и парадигмы Текст.: Пер. с англ. / Э. Таненбаум, М. Ван Стен. СПб.: Питер, 2003. - 880 с.

54. Таненбаум, Э. Современные операционные системы Текст.: Пер. с англ. / Э. Таненбаум. 2-е изд. - СПб.: Питер, 2002. - 1040 с.

55. Трахтенгерц, Э. А. Субъективность в компьютерной поддержке управленческих решений Текст. / Э. А. Трахтенгерц. М. : Синтег, 2001. -256 с.

56. Тынченко, В. В. Многокритериальная оптимизация структуры ней-росетевых моделей параллельными генетическими алгоритмами Текст. / В.

57. B. Тынченко // Вестник Сиб. гос. аэрокосмич. ун-та. 2007. - Вып. 3 (16).1. C. 20-24.

58. Тынченко, В. В. О применении параллельных генетических алгоритмов для автоматизации нейросетевого моделирования Текст. / В. В. Тынченко, В. С. Тынченко // Вестник Сиб. гос. аэрокосмич. ун-та. 2006. - Вып. 6 (13).-С. 22-24.

59. Тынченко, В. В. Настройка параметров нейронных сетей произвольной структуры параллельными генетическими алгоритмами Текст. / В. В. Тынченко, В. С. Тынченко // X Междунар. науч. конф. «Решетневские чтения». Красноярск : СибГАУ, 2006. - С. 322.

60. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика Текст.: Пер. с англ. / Ф. Уоссермен. М.: Мир, 1984. - 256 с.

61. Фридман, A. JI. Основы объектно-ориентированной разработки программных систем Текст. / A. JL Фридман. М. : Финансы и статистика, 2000. - 92с.

62. Хорошевский, В. Г. Архитектура вычислительных систем Текст. / В. Г. Хорошевский. М.: МГТУ им. Н.Э. Баумана, 2005. - 512 с.

63. Хэзфилд, Р. Искусство программирования на С. Фундаментальные алгоритмы, структуры данных и примеры приложений: Энциклопедия программиста Текст.: Пер. с англ. / Р. Хэзфилд, JL Кирби, Д. Корбит и др. К.: Диасофт, 2001.-736 с.

64. Шамис, В. Borland С++ Builder 5 : учебный курс Текст. : Пер. с англ. / В. Шамис. СПб.: Питер, 2002. - 688с.

65. Шилдт, Г. Полный справочник по С: 4-е издание Текст. : Пер. с англ. / Г. Шилдт. М.: Вильяме, 2002. - 704 с.

66. Эриашвил, Н. Д. Практическое руководство по реинжинирингу бизнес-процессов Текст. / Н. Д. Эриашвил. М.: Бизнес, 2000. - 205 с.

67. Якобовский, М. В. Распределенные системы и сети: Учебное пособие Текст. / М. В. Якобовский. М.: МГТУ "Станкин", 2000. - 118 с.

68. Adewuya, A. A new methods in genetic search with real-valued chromosomes. Master's thesis Text. / A. Adewuya. Cambridge : Massachusetts Institute of Technology, 1996.-P. 115-129.

69. Aleksandr, I. An Introduction to Neural Computing Text. /1. Aleksandr, H. Morton. London, U.K.: Chapman & Hall, 1990. - 21 p.

70. Anderson, D. Artificial neural networks technology Text. / D. Anderson, G. McNeill // DACS report. 1992. - 87 p.

71. Baluja, S. The evolution of genetic algorithms: Towards massive parallelism Text. / S. Baluja // the Tenth International Conference on Machine Learning: Proceedings. San Mateo, С A : Morgan Kaufmann, 1993. - P. 1-8.

72. Baluja, S. A massively distributed parallel genetic algorithm (mdpga) Text. / S. Baluja // Technical Report CMU-CS-92-196R. Pittsburg, PA : Car-nagie Mellon University, 1992.-P. 134-158.

73. Bartlett, P. Training a neural network with a genetic algorithm Text. / P. Bartlett, T. Downs // Technical Report, Dept. of Electrical Engineering. University of Queensland, 1990. - P. 54-68.

74. Booker, L. Improving search in genetic algorithms Text. / L. Booker // L. Genetic algorithms and Simulated Annealing. London : Pitman, 1987. - P. 61-73.

75. Cantu-Paz, E. Designing scalable multi-population parallel genetic algorithms Text. / E. Cantu-Paz // I11GAL Report 98009. The University of Illinois, 1998.-P. 82-122.

76. Cantu-Paz, E. Migration policies and takeover times in parallel genetic algorithms Text. / E. Cantu-Paz // I11GAL Report 98009. The University of Illinois, 1998.-P. 56-81.

77. Cantu-Paz, E. Designing efficient master-slave parallel genetic algorithms Text. / E. Cantu-Paz // I11GAL Report 97004. The University of Illinois, 1997.-P. 48-72.

78. Cohon, J. Multiobjective Programming and Planing Text. / J. Cohon. -New York : John Wiley, 1978. 175 p.

79. De Jong, K. A Genetic Algorithms: A 10 Year Perspective Text. / K. De Jong // The First Int. Conf. on Genetic Algorithms: Proceedings. 1985. - P. 167177.

80. Fourman, M. P. Compaction of symbolic layout using genetic algorithms Text. / M. P. Fourman // The First International Conference on Genetic Algorithms and Their Applications : Proceedings. Hillsdale, NJ : Lawrence Erlbaum, 1985.-P. 141-153.

81. Girosi, F. T. Regularization theory and neural network architecture Text. / F. Girosi, M. Jones, T. Poggio // Neural Computation. 1995. - Vol. 7. - P. 219270.

82. Goldberg, D. A comparative analysis of selection schemes used in genetic algorithms Text. / D. Goldberg, K. Deb // In Foundations of Genetic Algorithms. San Mateo, CA : Morgan Kaufmann, 1991. - P. 69-93.

83. Goldberg, D. Genetic algorithms in search, optimization and machine learning Text. / D. Goldberg. Reading, MA: Addison-Wesley, 1989. - P. 230241.

84. Goldberg, D. Messy genetic algorithms: Motiation, analysis, and first results Text. / D. Goldberg, D. Kalyanmoy, K. Bradley // Complex Systems. -1989.-Vol.3.-P. 493-530

85. Hassoun M. Fundamentals of Artificial Neural Networks Text. / M. Hassoun. Cambridge, MA : MIT Press, 1995. - 36 p.

86. Haupt, R.L. Practical Genetic Algorithms Text. / R.L. Haupt, S.E. Haupt. 2ed. - Wiley, 2004. - 26lp.

87. Hopfield, J. Neural computations of decisions in optimization problems Text. / J. Hopfield, D. Tank // Biological Cybernetics. 1985. - Vol. 52. - P. 141-152.

88. Horn, J. A niched Pareto genetic algorithm for multiobjective optimization Text. / J. Horn, N. Nafpliotis, D. Goldberg // The First IEEE Conference on Evolutionary Computation: Proceedings. Piscataway, 1994. - Vol. 1 - P. 82-87.

89. Janikow, С. Z. Genetic algorithms simulating nature's methods of evolving the best design solution Text. / C. Z. Janikow, D. St. Clair // IEEE Potentials. 1995, October. - Vol. 39, No. 14. - P. 31-35.

90. Koski, J. Multi-criteria Desighn Optimization Text. / J. Koski, A. Oscyczka. Springer-Verlag, 1990. - 154 p.

91. Koza, John R. The Genetic Programming Paradigm: Genetically Breeding Populations of Computer Programs to Solve Problems Text. / John R. Koza. -Cambridge, MA : MIT Press, 1992. 127 p.

92. Kursawe, F. Breeding ES first results Text. / F. Kursawe // Seminar on Evolutionary algorithms and their applications. - 1996.

93. Muller, B. Neural networks Text. / B. Muller, J. Reinhardt. Springer-Verlag, 1990.-267 p.

94. Nowostawski, M. Review and taxonomy of parallel genetic algorithms Text. /М. Nowostawski // School of Computer Science, The University of Birmingham, UK, May 1999.

95. Schaffer, J. D. Multiple objective optimization with vector evaluated genetic algorithms Text. / J. D. Schaffer // An International Conference on Genetic Algorithms and Their Applications : Proceedings. Pittsburgh, PA, 1985. -P. 93-100.

96. Srinivas, Deb. Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms Text. / Deb. Srinivas // Evolutionary Computation. -1995. Vol. 2, No. 3. - P. 39-44.

97. Steuer, R.E. Multiple Criteria Optimization Text. / R.E. Steuer. New York : John Wiley, 1986. - 267 p.

98. Wright, A. Genetic algorithms for real parameter optimization Text. / A. Wright // Foundations of Genetic Algorithms. San Mateo, CA: Morgan Kauf-mann, 1991. - Vol. 19, No. 4. - P. 205-218.

99. Zitzler, E. Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach Text. / E. Zitzler, L. Thiele // IEEE Transactions on Evolutionary Computation. 1999.