Мультиагентные модели динамики интеллектуальных ресурсов в системе формирования кадрового потенциала горной промышленности тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Леонтьева, Альбина Валерьевна

• Леонтьева, Альбина Валерьевна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Леонтьева, Альбина Валерьевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Анализ состояния кадрового потенциала горнопромышленной отрасли РФ

1.2 Проблемы и перспективы высшего технического образования в России

1.3 Обзор методов моделирования социотехнических систем

1.3.1 Основные принципы и подходы

1.3.2 Моделирование процессов в системе образования

Выводы по главе 1

ГЛАВА 2 СИСТЕМА ФОРМИРОВАНИЯ КАДРОВОГО ПОТЕНЦИАЛА

2.1 Структурная модель функционирования системы формирования кадрового потенциала

2.2 Когнитивный анализ взаимовлияния показателей, характеризующих функционирование системы формирования кадрового потенциала

2.3 Научно-образовательный потенциал вуза

2.3.1 Оценка потенциала вузов на основе различных рейтингов

2.3.2 Методика оценки «научно-образовательного потенциала вуза»

2.4 Методика определения варианта развития системы формирования кадрового потенциала

Выводы по главе 2

ГЛАВА 3 МУЛЬТИАГЕНТНЫЕ МОДЕЛИ И АЛГОРИТМЫ ДИНАМИКИ ИНТЕЛЛЕКТУАЛЬНЫХ РЕСУРСОВ

3.1 Двухуровневая мультиагентная модель системы формирования кадрового потенциала

3.1.1 Структура взаимодействия агентов на макроуровне системы

3.1.2 Структура взаимодействия агентов на микроуровне системы

3.2 Поведение агентов на макроуровне

3.2.1 Модель динамики численности абитуриентов вуза

3.2.2 Модель динамики спроса отрасли и предложения вуза на рынке труда

3.2.3 Алгоритмы поведения агентов на макроуровня

3.2.4 Алгоритмы взаимодействия агентов макроуровня

3.3 Поведения агентов на микроуровне

3.3.1 Модели поведения абитуриентов и выпускников

3.3.2 Алгоритмы поведения агентов на микроуровне

3.3.3 Алгоритмы взаимодействия агентов микроуровня с агентами макроуровня

3.4 Общий алгоритм мультиагентной системы

3.5 Алгоритм оценки эффективности системы формирования кадрового потенциала

Выводы по главе 3

ГЛАВА 4 РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ МОДЕЛЕЙ И АЛГОРИТМОВ И ИХ ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ

4.1 Анализ средств имитационного моделирования

4.2 Имитационная модель на основе мультиагентной среды Simplex3

4.3 Анализ и предварительная обработка данных

4.4 Экспериментальное исследование моделей и алгоритмов на примере .113 Выводы по главе 4

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Приложение 1. База правил

Приложение 2. Анкетирование

Приложение 3. Листинг программы

Приложение 4. Рейтинги вузов

Приложение 5. Данные о приеме абитуриентов в вузы

Введение диссертации (часть автореферата) на тему «Мультиагентные модели динамики интеллектуальных ресурсов в системе формирования кадрового потенциала горной промышленности»

ВВЕДЕНИЕ

Актуальность работы. С начала 90-х годов произошли существенные изменения в организации и управлении промышленностью и народным хозяйством. Если в прежние годы промышленность функционировала строго по отраслевому принципу, то сегодня вместо традиционных государственных структур возникли акционерные общества, холдинги, концерны, выстраивающие свою стратегию управления, в том числе и в кадровых вопросах.

Реформа такой сложной системы, как система высшего профессионального образования (ВПО), находящейся на стыке социальной сферы и реального сектора экономики - непростая задача. Ее решение осложняется тем, что нелегко найти формальные критерии и количественные прогнозные оценки, на основании которых можно осуществлять обоснованную трансформацию. В результате в большинстве технических университетов и вузов страны нарушается баланс между фундаментальностью и практической направленностью, снижается профессиональный уровень выпускников.

Существенное влияние на развитие вуза, на уровень его научно-педагогического потенциала оказывает фактор востребованности выпускников в реальном секторе экономики — профильной или смежной отраслях.

Значительную роль также играет состояние рассматриваемой отрасли промышленности (развивается или находится в упадке, существует ли спрос промышленности на высококвалифицированные кадры). В данной работе речь идет в первую очередь о российской горной промышленности, уровень технологий в которой не уступает ведущим горнодобывающим странам: США, Китаю, Австралии и др. Поэтому очевидным становится вопрос: соответствует ли система формирования кадрового потенциала запросам горной промышленности?

В работе вводится понятие «интеллектуальные ресурсы», в которое входят научно-педагогический потенциал учреждений ВПО, профессиональный уровень и мотивация выпускников, а также количественные и качественные характеристики абитуриентов. Динамика интеллектуальных ресурсов

характеризует взаимодействие системы ВПО с промышленностью (система «ВПО-промышленность»).

Поскольку элементы системы постоянно находятся в активном взаимодействии друг с другом и внешней средой, то наиболее адекватным инструментом описания такого рода систем, по мнению большинства специалистов, являются мультиагентные имитационные модели. В этой связи можно утверждать, что данная работа посвящена решению социально-значимой задачи - удовлетворению потребностей промышленности и реального сектора экономики в кадрах высокой квалификации за счет повышения научно-педагогического потенциала вузов.

Цель работы заключается в определении оптимальных вариантов развития системы формирования кадрового потенциала промышленности на основе количественного анализа динамики интеллектуальных ресурсов учреждений ВПО.

Основная идея работы заключается в выявлении показателей, характеризующих функционирование системы формирования кадрового потенциала промышленности, и разработке на базе этого исследования мультиагентных моделей динамики интеллектуальных ресурсов с учетом кадровых запросов промышленности и мотивации абитуриентов и выпускников вуза.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Обоснование и выбор методов моделирования социальных и социотехнических систем применительно к поставленной цели;

2. Ранжирование и структурирование показателей, характеризующих функционирование системы формирования кадрового потенциала, на основе когнитивного подхода;

3. Синтез критериев эффективности системы формирования кадрового потенциала с учетом запросов промышленности на основе классификации существующих индикаторов, используемых для

определения рейтингов вузов;

4. Разработка структуры мультиагентной модели функционирования вуза в системе формирования кадрового потенциала промышленности;

5. Разработка модели динамики интеллектуальных ресурсов с учетом запросов промышленности;

6. Разработка алгоритма поведения и взаимодействия интеллектуальных агентов на основе моделей, учитывающих мотивацию абитуриентов и выпускников;

7. Разработка алгоритма оценки эффективности системы формирования кадрового потенциала и его исследование на основе имитационной модели в среде 8гтр1ехЗ;

8. Апробация разработанных моделей и алгоритмов на примере системы формирования кадрового потенциала горной промышленности.

Методы исследования, используемые для решения поставленных задач,

включают системный и статистический анализ, методы нелинейной динамики и когнитологии, методы имитационного мультиагентного моделирования, аппарат конечно-разностных уравнений.

Научные положения работы, выносимые на защиту:

1. Математические модели динамики интеллектуальных ресурсов, разработанные на основе когнитивного анализа взаимовлияния показателей, позволяют прогнозировать поведение системы «ВПО-промышленность» в конкурентной среде;

2. Разработанная двухуровневая мультиагентная модель системы формирования кадрового потенциала, включающая в себя агенты макроуровня для описания взаимодействия вузов с промышленностью и микроуровня для описания поведения абитуриентов и выпускников, позволяет оценивать изменение кадрового потенциала с учетом требований промышленности, а также специфики поведения абитуриентов и выпускников;

3. Предложенная методика позволяет определять возможные варианты развития системы формирования кадрового потенциала для удовлетворения потребностей горной промышленности на основе оценки эффективности функционирования системы.

Новизна научных исследований заключается в следующем:

• предложена концепция двухуровневой мультиагентной модели динамики интеллектуальных ресурсов, в которой выделяются макроуровень для описания взаимодействия вузов с промышленностью и микроуровень, где описывается поведение абитуриентов и выпускников;

• разработаны модели поведения интеллектуальных агентов класса «Абитуриент» и «Выпускник», в которых мотивация зависит от запроса промышленности (работодателя);

• разработан алгоритм анализа динамики интеллектуальных ресурсов, учитывающий кадровые потребности промышленности;

• разработан алгоритм оценки эффективности функционирования системы формирования кадрового потенциала, который на основе мультиагентного моделирования позволяет определить вариант развития системы.

Обоснованность и достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждаются:

• анализом представительного объема статистической информации, описывающей объекты системы формирования кадрового потенциала;

• корректным использованием методов статистического анализа, аппарата конечно-разностных уравнений, математического и мультиагентного моделирования;

• положительными результатами экспериментального моделирования системы формирования кадрового потенциала горной промышленности.

Научное значение диссертации заключается в разработке методики

анализа показателей системы формирования кадрового потенциала на основе мультиагентного подхода. В структуру методики входят модели, учитывающие мотивацию абитуриентов и выпускников, и алгоритм оценки эффективности системы с учетом запросов промышленности.

Практическое значение заключается в разработке инструмента, позволяющего оценивать эффективность системы формирования кадрового потенциала на основе возможных направлений развития с учетом динамики его научно-образовательного потенциала, имеющихся тенденций распределения выпускников и кадровых потребностей промышленности.

Реализация выводов и рекомендаций. Разработанная методика используется в ОО «Межрегиональная ассоциация образовательных организаций высшего образования» при проведении внутреннего аудита с целью получения количественных оценок потенциала вузов.

Модели динамики интеллектуальных ресурсов используются в ОАО "Горнопромышленная финансовая компания" при решении задач, связанных с анализом кадровых потребностей промышленности.

Разработанные мультиагентные модели и алгоритмы используются в учебном процессе по направлению 230100 - «Информатика и вычислительная техника» на кафедре «Автоматизированные системы управления» в Московском государственном горном университете, включены в разделы дисциплин «Моделирование систем» и «Интеллектуальные системы управления».

Апробация работы. Основные положения и результаты диссертации докладывались на научных семинарах кафедры АСУ МГГУ, были представлены на международном научном симпозиуме «Неделя горняка» (МГГУ, Москва, 20092010), на международных конференциях: «Информатизация образования - 2010» (Кострома, 2010), «Инноватика-2013» (Сочи, 2013).

Публикации. По теме диссертации опубликовано 6 научных работ, из них 3 в изданиях по перечню ВАК Минобрнауки России и 3 в материалах международных конференций.

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Анализ состояния кадрового потенциала горнопромышленной отрасли

РФ

Горнодобывающая промышленность является одной из ведущих отраслей глобальной экономики и представляет собой комплекс отраслей, занимающихся добычей и обогащением полезных ископаемых.

Основными горнодобывающими державами мира являются Россия, Китай, США, Австралия, Бразилия, Индия, ЮАР, Канада.

Россия - крупнейшая горнодобывающая страна с наиболее значительными ресурсами недр, является абсолютным лидером среди 166 горнодобывающих государств по числу добываемых минеральных продуктов - 48 наименований.

Развитие горной промышленности должно обеспечиваться высоким профессиональным уровнем персонала. Проблема дефицита высококвалифицированных кадров является актуальной как для промышленности России в целом, так и для горной отрасли.

Недостаток кадров связан со следующими моментами:

• снижается мотивация молодых специалистов к трудоустройству в горную отрасль, в связи с чем большинство специалистов, занятых в горной отрасли, приближается к пенсионному возрасту;

• небольшое количество горных вузов, которые по качеству научно-образовательного потенциала соответствуют современным требованиям. Как следствие снижается качество подготовки выпускников горных вузов;

• снижается количество ученых, которые занимаются научно-исследовательской деятельностью в области освоения недр;

• серьезная трансформация структуры промышленного производства и уход от отраслевого принципа управления привели к тому, что большой процент выпускников технических вузов находят себе применение в

сфере услуг;

• практически отсутствуют или не используются механизмы, позволяющие прогнозировать спрос на выпускников горных вузов;

• слабое взаимодействие вузов с горными предприятиями в вопросах формирования программ подготовки специалистов.

Сегодня существует долгосрочная программа развития горнодобывающей промышленности до 2030 г. В рамках этой программы рассматривается вопрос совершенствования системы формирования кадрового потенциала горной промышленности [1], а именно:

• необходимо совершенствование ФГОС по общим программам при подготовке бакалавров и магистров, которые должны соответствуют профилю горного вуза;

• необходимо развитие системы дополнительного образования, повышения квалификации и переподготовки кадров, которые заняты в горной промышленности;

• необходимо создание системы партнерства учреждений ВПО с частными горнопромышленными компаниями;

• необходимо увеличение количества молодых специалистов за счет увеличения целевого приема.

В качестве результатов этой программы:

• должно увеличиться количество работников, имеющих профессиональное техническое образование (таблица 1)

Таблица 1

Доля работников с профессиональным техническим образованием

Год 2010 2015 2020 2030

Доля работников с профессиональным образованием 13% 15-20% 55-60% 80%

• повышение среднемесячной заработной платы работников отрасли (таблица 2):

Таблица 2

Повышение заработной платы работников отрасли

Год 2015 2020 2025 2030

Заработная плата 34 т.р. 51 т.р. 76 т.р. 92 т.р.

1.2 Проблемы и перспективы высшего технического образования в России

Общеизвестно, что система образования - один из важнейших элементов социально-экономической сферы любой страны. Являясь фундаментом для формирования качественных высококвалифицированных трудовых, а также научных ресурсов, система образования вносит существенный вклад в развитие экономики, промышленности и производства страны [2].

Наряду с развитием интеллектуального потенциала страны, система образования формирует гражданина, тем самым оказывает воздействие на политическую и культурную сферу общественной жизни.

В настоящий момент в современном мире в условиях формирования глобальных рынков наблюдается тенденция мирового разделения труда между отдельными странами. Эти процессы оказывают влияние на экономику и политику любой страны. Не остается в стороне и система образования.

Во многих развитых и развивающихся странах мира в последние десятилетия были относительно бесконфликтно сформированы системы образования, учитывающие особенности экономического и политического развития конкретной страны, ее место в мировой экономической системе [3].

В современной России процессы трансформирования системы образования и ее адаптации к социально-экономическим реалиям, к сожалению, проходят крайне болезненно. Это во многом связано с историческими особенностями становления и развития российского и советского образования.

На момент распада СССР в начале 90-х годов наше образование характеризовалось следующими чертами:

• система образования была в основном замкнутой;

• система образования была нацелена на решение широкого спектра задач в различных сферах деятельности страны;

• система образования была в значительной степени ориентирована на военно-оборонную промышленность;

• система образования характеризовалась относительно высоким уровнем естественнонаучного и технического образования.

Вот уже почти 20 лет наше образование находится в состоянии перманентного реформирования. Реформа такой сложной системы образования, как российская в трудных социально-экономических условиях - непростая задача. Однако ее решение было осложнено и тем, что, к сожалению, многие решения принимались без четкого планирования и каких-либо количественных оценок. В результате процесс реформ потерял стройность и выродился в несвязную череду хаотических процессов и всегда запаздывающих административно-организационных воздействий.

Это проявлялось в неограниченном росте числа негосударственных вузов, специализирующихся на юридических, экономических и менеджерских специальностях. Этот процесс обусловлен спросом на специалистов в современных рыночных условиях и предполагает быструю окупаемость финансовых вложений в образование, т.е. диктуется сиюминутными потребностями общества. Такая тенденция является закономерным проявлением самоорганизации, однако при этом образовательная система России стала постепенно утрачивать свойственную ей фундаментальность.

В связи с этим, резко снижается уровень образования и кадровый потенциал. Для России, в силу ее географических, гео-климатических и экономических особенностей, крайне важно сохранить уровень естественно-технического образования.

Основой качественного естественнонаучного образования является сильная

школа, в которой закладывается фундамент для дальнейшей подготовки специалистов в тех областях (инженерные науки, информатика, наука и инновации), которые будут крайне важны для нашей страны в ближайшие десятилетия [4].

В условиях продолжающегося демографического кризиса, а также с учетом крайней неравномерности экономического развития отдельных регионов РФ значительная часть выпускников школ выбирают специальности, т.н. «массового спроса».

Университеты и вузы естественнонаучного и технического профиля являются важнейшим элементом системы высшего профессионального образования. Они служат источником высококвалифицированных кадров для работы в реальном секторе экономики (РСЭ) [5]. В долгосрочной перспективе уровень этих вузов определяет направления и темпы развития всей страны.

Существенное влияние на развитие технического вуза оказывает наличие связей с промышленностью. Востребованность выпускников вуза в профильной или смежной отраслях является важным критерием оценки функционирования вуза.

Современные тенденции развития горной отрасли страны, ведущая роль в формировании промышленного и экономического потенциала предопределяют состояние и основные направления совершенствования системы подготовки инженерных кадров горного профиля.

Подготовку квалифицированных специалистов горного профиля осуществляют 3 горных университета (Московский государственный горный университет (МГТУ), Национальный минерально-сырьевой университет "Горный" (г. Санкт-Петербург), Уральский государственный горный университет г. Екатеринбург (УГГУ)), 7 классических университетов и 19 технических университетов, академий и институтов [6], [7].

Не в каждом вузе представлены в полном объеме все горные специальности.

На рисунке 1, а представлена динамика выпуска горных инженеров в России с 1992 по 2008 годы.

а)

5000

4000

3000

2000

1000

5103 5017

4839

1992 1993 199419951996199719981999 2000 2001 2002 2003 2004 2005 2006 2007 2008

900

800 765 700 600 500 > 400 | 300 4 200 -} 100

687

67 65

53 48 41 41 зз

Ни

Н Я Ш Ш Ш. - • тт.

ШШШШШ Ж

21 19 18 13

_ _ ° Е с е-£ о 5 Д 9 5

2: & £ £ & & 2: 1— I— СТГ 1— 1—3- о.

О. X

б)

а. сГ

Рисунок 1. Выпуск горных инженеров в России

На рисунке 1, б представлена информация по выпуску горных инженеров отдельными вузами России.

1.3 Обзор методов моделирования социотехнических систем 1.3.1 Основные принципы и подходы

В последние годы наблюдается значительный рост числа публикаций, в которых рассматривается возможность применения математических методов и моделей для описания различных процессов в социотехнических системах.

Социотехнические системы объединяют проблемы социальной сферы и промышленности. Под социальной сферой понимаются такие системы, в которых существует большое число скрытых управляющих параметров, а алгоритмы управления зависят от мотивации. Эти параметры трудно, а порой невозможно, измерить или описать количественными характеристиками.

Как показывают результаты многочисленных исследований, построить адекватные и практически полезные модели в таких системах - непростая задача, так как отсутствуют простые индикаторы. Поведение таких индикаторов, как правило, имеет стохастическую природу и отличается существенными нелинейностями, так как характер их развития и взаимодействия формируют люди («элементы со свободной волей»). Таким образом, мы имеем дело с такими системами, в которых малые вариации значений отдельных параметров могут привести к существенным (порой катастрофическим) изменениям поведения всей системы в целом [8], [9], [10], [11].

Анализ научных исследований показал, что несмотря на признание учеными факта сложности описания процессов на основе формальных методов, за последние 30-40 лет было сделано несколько серьезных попыток решения этой проблемы, и активные исследования в этом направлении продолжаются.

В мире накоплен большой опыт работ, связанных с вопросами моделирования в промышленных и социотехнических системах.

На сегодняшний день существуют различные базы данных, в которых доступны версии научно-технических журналов и статей.

Наиболее известной в мире является база данных Scopus, разработанная в

2004 году крупнейшим научным издательством Elsevier (Нидерланды). Scopus индексирует более 18 тыс. научно-технических и медицинских журналов примерно 5,000 издательств, ежедневно обновляется и включает 24 тематических раздела.

В России наиболее популярным является информационный портал eLIBRARY, который содержит электронные версии рефератов, полные тексты статей и публикаций в области науки, технологии, медицины и образования. В базе данных насчитывается более 18 млн научных статей. На портале доступны более 3200 российских научно-технических журналов, большая часть из них находится в открытом доступе.

В настоящее время не существует единственного метода и универсальных моделей описания процессов в социотехнических системах, которые бы удовлетворяли широкому кругу задач. Для каждого класса задач необходимо применять различные методы моделирования [12], [13], [14]

Вопросы моделирования рассматривали в своих работах такие ученые, как Бахвалов JI.A., Бурков В.Н., Гуц А.К., Ивашкин Ю.А., Курдюмов С.П., Кушников В.А., Малинецкий Г.Г., Моисеев H.H., Павловский Ю.Н., Поспелов Д.А., Потресов Д.К., Свиридов А.П., Серков JI.A., Федунец Н.И., Форрестер Дж. и ряд других.

Наиболее широко известным подходом к описанию социально-экономических процессов, можно считать модель Дж. Форрестера [15], [16], которая применялась автором и его многочисленными последователями для описания глобальных социально-экономических процессов [17], [18]. Модификациями модели Дж. Форрестера занимаются в Институте прикладной математики им. М. В. Келдыша РАН, в Институте системного анализа РАН.

Достоинство модели Дж. Форрестера - получаемые результаты представляются в простой и доступной форме. Эта модель представляет собой набор достаточно простых функциональных элементов, связанных между собой нелинейными обратными связями. Системные взаимодействия между петлями обратной связи и составляют каркас модели, описывающей поведение системы.

Практически все элементы, образующие модель, могут быть легко спроектированы, записаны и модифицированы на основании содержательных, формулируемых в четких экономических и социологических терминах соотношений.

Недостаток модели - моделируемая система является стационарной, все соотношения и ограничения не изменяются в процессе моделирования.

Существенный вклад в решение проблемы моделирования глобальных социальных, а также тесно связанных с существованием социума reo -климатических процессов внесли известные российские ученые H.H. Моисеев [19], [20], С. П. Курдюмов [21], Малинецкий Г.Г [22].

В работах, выполненных под их руководством, предложены различные модели описания нелинейных динамических систем, опирающиеся на синергетические принципы, впервые сформулированные Г. Хакеном [23].

Примером простейшей модели нелинейной динамики является модель «хищник — жертва», основанная на механизмах взаимодействия популяций в природных системах [24]:

( dx (1)

— = ах — уху dt

dy

KTt = ~ßy + 8xy

где х - численность популяции жертвы, у — численность популяции хищника.

Значительное количество реальных социально-экономических проблем хорошо описывается простейшими дифференциальными уравнениями и их модификациями.

Востребованными для моделирования достаточно сложных систем, состоящих из большого числа элементов, становятся модели клеточных автоматов. Пространство в клеточном автомате представляется равномерной сеткой, а ячейки такой сетки называются клетками. На каждом шаге состояние клетки изменяется в зависимости от состояния ее соседей [25].

Использование таких моделей применяется при моделировании движения

толпы в работе [26], в которой описывается поведение большой группы людей, двигающихся в определенном направлении при наличии препятствий.

В рамках использования методов нелинейной динамики выделяются три проблемы, требующие решения при анализе динамических систем с управляющими параметрами [10]:

• нахождение равновесных состояний, точек бифуркаций (точки «разветвления» возможных путей эволюции системы), определение их типа;

• установление устойчивости равновесий, изучение потери и приобретения устойчивости при прохождении точек бифуркации;

• установление структурной устойчивости социальной динамической системы в среде близких социальных системах.

Как правило, модели нелинейной динамики с успехом используются для определения качественного характера изменения систем, однако при попытке использования их для решения практических задач возникают трудности с определением многочисленных коэффициентов, входящих в системы уравнений.

Наряду с этими моделями, в отдельных случаях, когда имеется возможность использования массивов достоверных и ясно интерпретируемых данных, с успехом применяются:

• классические статистические модели (нелинейная регрессия, АРПСС) — для «сжатия информации» [27], [28]. Статистический анализ процессов в социальных системах осуществляется с помощью методов обобщающих показателей, дающих числовое измерение количественных и качественных характеристик объекта, связей между ними. Однако эти методы приводят к построению моделей, которые зачастую не позволяют расценить суть явления;

• искусственные нейронные сети - для прогнозирования процессов [29], [30], [31]. Особенностью нейронных сетей является возможность описывать, моделировать и прогнозировать любые эмпирические данные как количественные и качественные, так и смешанные. Недостаток

таких моделей - трудно обосновать содержательное отображение в форме искусственной нейронной сети сложной структуры отношений между объектами в социальной системе;

• имитационные модели - для более детального изучения динамики поведения основных параметров системы, в условиях, когда не хватает достоверной информации для изучения параметров [32], [33].

Список литературы диссертационного исследования кандидат наук Леонтьева, Альбина Валерьевна, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Зайцев С. П., Казаков В. Б., Петров И. В., Харченко В. А. Направления совершенствования системы кадрового обеспечения предприятий горнопромышленного комплекса экономики России // Научный вестник МГГУ. — 2012. —№3.— С. 134-139.

2. Тихонов А.Н. Управление современным образованием: социальные и экономические аспекты / А.Н. Тихонов, А.Е. Абрамешин, Т.П. Воронина, А.Д. Иванников, О.П. Молчанова; под ред. А.Н. Тихонова — Москва: Вита-Пресс, 1998. —256 с.

3. Майбуров В. Высшее образование в развитых странах // Высшее образование в России.— 2003. — №2. — С. 132-144.

4. Леонтьева A.B. Моделирование показателей региональной системы общего естественно-научного образования: магистерская диссертация / Леонтьева Альбина Валерьевна — Москва, 2010. — 120 с.

5. Горшенина М.В. Теоретико-методологические основы управления качеством подготовки специалистов в техническом вузе: монография / М.В. Горшенина. — Самара: Самар. гос. техн. ун-т, 2009. — 112 с.

6. Пучков Л.А. Высшее горное образование России в условиях реформирования образовательной системы / Л.А. Пучков, В.Л. Петров // Изв. вузов. Горный журнал. — 2005. — №2. — С. 107-115.

7. Пучков Л.А. Развитие горного дела и высшего образования на Урале, в Сибири и на Дальнем Востоке России / Л.А. Пучков, В.Л. Петров // Изв. вузов. Горный журнал. — 2005. — №4. — С. 125-147.

8. Гуц А.К., Коробицын В.В., Лаптев A.A., Паутова Л.А., Фролова Ю.В. Социальные системы. Формализация и компьютерное моделирование:учебное пособие — Омск: Омск. гос. ун-т, 2000. — 160 с.

9. Гуц А.К., Коробицын В.В., Лаптев A.A., Паутова Л.А., Фролова Ю.В. Математические модели социальных систем: учебное пособие — Омск: Омск. гос. ун-т, 2000. —256 с.

10. Гуц А.К., Фролова Ю.В. Математические методы в социологии — Москва: Издательство ЛКИ, 2007. — 216 с.

11. Гуц А.К., Коробицын В.В., Фролова Ю.В. Компьютерное моделирование. Инструменты для исследования социальных систем: учебное пособие — Омск: Омск. гос. ун-т, 2001. — 92 с.

12. Давыдов A.A. Компьютерные технологии для социологии (Обзор зарубежного опыта) // Социологические исследования. — 2005. — №1.— С. 131138.

13. Плотинский Ю.М. Модели социальных процессов: Учебное пособоие для высших учебных заведений. — 2-е изд., перераб.и доп. — М.: Логос, 2001. — 296 с.

14. Бусленко Н.П. Моделирование сложных систем — М: Наука, 1968. —

356 с.

15. Форрестер Дж. Основы кибернетики предприятия (Индустриальная динамика) — Москва: Прогресс, 1971. — 325 с.

16. Форрестер Дж. Мировая динамика — Москва: издательство ACT, 2003. — 379 с.

\ 17. Махов С.А. Математическое моделирование мировой динамики и устойчивого развития на примере модели Форрестера // Новое в синергетике. — 2007. —С. 79-101.

18. Бахвалов Л.А. Моделирование динамики России на основе модели Форрестера // Приборы и системы управления. — 1997. — №8. — С. 65-68.

19. Моисеев H.H. Математика в социальных науках // Математические методы в социологическом исследовании. — М.: Издательство Наука. — 1981. — 35 с.

20. Моисеев H.H. Математические задачи системного анализа — Москва: Наука, 1981. —488 с.

21. Курдюмов С.П., Малинецкий Г.Г. Синергетика-теория самоорганизации: идеи, методы, перспективы. — Знание, 1983. — 63 с.

22. Малинецкий Г.Г. Математические основы синергетики. Хаос, структуры, вычислительный эксперимент. —7-е изд. — Москва: URSS, 2012. — 312 с.

23. Хакен Г. Синергетика. — Москва: Мир, 1980. — 404 с.

24. Шикин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении, учебное пособие для студенетов управленческих специальностей вузов. — Москва: издательство Дело, 2000. — 431 с.

25. Тоффоли Т., Марголус Н. Машины клеточных автоматов — Москва: Мир, 1991 —280 с.

26. Малинецкий Г.Г., Степанцев М.Е. Моделирование движения толпы на основе клеточных автоматов // Известия ВУЗов. Сер. Прикладная нелинейная динамика. — 1997. — №5. — С. 75-79.

27. Гмурман В.Е. Теория вероятности и математическая статистика: учебное пособие для вузов/ В.Е. Гмурман. — 9-е. изд., стер. — М.: Высш.шк., 2003. — 479 с.

28. Боровиков. В. Statistica. Искусство анализа данных на компьтере. — 2-е изд. — Санкт-Петербург: Питер, 2003. — 688 с.

29. Романов В.П. Интеллектуальные информационнные системы в экономике: учебное пособие — Москва: издательство "Экзамен", 2003. — 496 с.

30. Темкин И.О. Математические модели и компьютерные механизмы принятия решений в рамках управления природными ресурсами: концепции, сферы применения, ограничения // Материалы 4-й международной конференции "Государственное управление в XXI веке: традиции инновации". —2006. — С. 3538.

31. Garson G. Neural Networks: An Introductory Guide for Social Scientists — Nort Carolina Publ, 1998.

32. Бахвалов JI.A. Моделирование систем, учебное пособие — Москва: МГТУ, 2006. — 290 с.

33. Jloy A.M., Кельтон В.Д. Имитационное моделирование. Классика CS.; 3-е изд. — СПб: Питер, 2004. — 848 с.

34. Павловский Ю.Н. Имитационные модели и системы — Москва: ФАЗИС, 2000. —131 с.

35. Белотелов Н.В., Бродский Ю.И., Павловский Ю.Н. Сложность. Математическое моделирование. Гуманитарный анализ: Исследование исторических, военных, социально-экономических и политических процессов — Москва: Книжный дом "ЛИБРОКОМ", 2009. — 318 с.

36. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем: учебное пособие. —Москва: МГУПБ, 2008. — 230 с.

37. Бурков В.Н., Новиков Д.А. Модели и механизмы теории активных систем в управлении качеством подготовки специалистов — Москва: ИЦ, 1998. — 158 с.

38. Варшавский В.И., Поспелов Д.А. Оркестр играет без дирижера — Москва: Наука, 1984. — 208 с.

39. Виноградов Г.П. Индивидуальное принятие решений: поведение целеустремленного агента: монография — Тверь: ТГТУ, 2011. — 164 с.

40. Виттих В.А. Эволюционное управление сложными системами // Известия Самарского научного центра РАН — Самара: СНЦ РАН, 2000. — 101 с.

41. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы применения / В.И. Городецкий — Москва: "Новости ИИ", 1996. —159 с.

42. Ивашкин Ю.А. Агентные технологии и мультиагентное моделирование систем: учебное пособие — Москва: МФТИ, 2013. — 216 с.

43. Поспелов Д.А. Многоагентные системы настоящее и будущее // Информационные технологии и вычислительные системы.— 1998. — №1. — С. 14-21.

44. Поспелов Д.А. От коллектива автоматов к мультиагентным системам: proc. of the International Workshop "Distributed Atrifical Intelligence und Multi-Agent Systems DIAMAS' 97" /Д.А. Поспелов. — St. Peterburg, 1997. — 325 c.

45. Скобелев П.О. Открытые мультиагентные системы для поддержки процессов принятия решений при управлении предприятиями: известия

Самарского научного центра РАН. — Т. 3. — №1 / П.О. Скобелев — Самара: СНЦ РАН, 2001. —98 с.

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

47. Хорошевский В.Ф. Базы знаний интеллектуальных систем/ В.Ф. Хорошевский, Т.А. Гаврилова — СПб: Питер, 2000. — 384 с.

48. Baillie P., Toleman М. Creating an Emotional Space for Artificial Beings // 2nd Workshop on Agent-Based Simulation. — Passau, Germany, 2001. — P. 7-12.

49. Fougeres A.J. Modeling of Productive organization with multi-agent Systems, 1 Workshop on Agent-Based Simulation/ A.J. Fougeres, B.B. Mazigh, A.T. Koukam, R.H. Fanjul Germany — Passau:, 2001. — 692 p.

50. Lopes F., Mamede N., Nováis A.Q., Coelho H. Conflict Management and Negotiation Among Intentional Agents // 2-nd Workshop on; Agent-Based; Simulation.

— SCS-Europe BVBA, Ghent, Belgium, 2001. — P. 172-122.

51. Shmidt B. The Art of Modelling and Simulation. SCS-Europe BVBA — Chent: Belgium, 2000. — 104 p.

52. Weppner H. Individuenbasierte Simulation eines oligopolistischen Marktes auf Basis des Referenzmodells PECS; Lehrstuhl für Operations Research und Systemtheorie — Universität Passau, 1998.

53. Wooldridge M., Jennings N. Intelligent agents: Theory and practice. // The Knowledge Engineering Review. — 1995. — 10 (2) — P. 115-152.

54. Адлер Ю.П. МиСиС: повышение качества подготовки специалистов Текст. / Ю.Адлер. А. Кочетов, К.Косырев, Т. Подховская, В. Соловьев // Образование. — 2000. — С. 68-72.

55. Байденко В.И. Компетенции в профессиональном образовании (к освоению компетентностного подхода) // Высшее образование в России. — 2004.

— №11. —С. 5-13.

56. Зимняя И.А. Ключевые компетенции новая парадигма результата образования // Высшее образование сегодня.— 2003. — №5. — С. 34 -42.

57. Селезнева H.A. Размышления о качестве образования: международный аспект//Высшее образование сегодня.— 2004.— №4. —С. 35-44.

58. Соловьев В.П., Бринза В. В. Стратегия управления вузом Текст. / В.П. Соловьев, В.В. Бринза// // Университетское образование. — 2002. — №2 — С. 1518.

59. Субетто А.И. Качество непрерывного образования в Российской Федерации: состояние, тенденции, проблемы и перспективы / А. И. Субетто — СПб.-М.: ИЦПКПС, 2000. — 498 с.

60. Архангельский С.И. Учебный процесс в высшей школе, его закономерные основы и методы: Учебно-методическое пособие. — М. : Высш. школа, 1980. —368 с.

61. Беспалько В.П. Системно-методическое обеспечение учебно-воспитательного процесса подготовки специалистов: Учебно-методическое пособие — Москва: Высшая школа, 1989. — 144 с.

62. Васильев В.Н. и др. О математических моделях оптимального управления системой подготовки специалистов // Труды Петрозаводского гос. унта. Сер. «Прикладная математика и информатика». Вып. 6. — Петрозаводск, 1997. — С. 135—162.

63. Свиридов А.П. Основы статистической теории обучения и контроля знаний — М: Высшая школа, 1981. — 262 с.

64. Стратегии развития российских вузов: ответы на новые вызовы / Под науч. ред. H.JI. Титовой — Москва: МАКС Пресс, 2008. — 668 с.

65. Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика и прогнозы будущего. — 3-е изд. — Москва: издательство УРСС, 2003. — 290 с,

66. Яндыбаева Н.В. Методика определения качества образовательного процесса, основанная на показателях аккредитации вуза // Актуальные вопросы современной науки и образования: Материалы V общероссийской научно-практической конференции с международным участием. Вып.2./Под общей ред. Максимова Я. А.. —Красноярск, 2010. — С. 180-184.

67. Яндыбаева Н.В. Принцип системной динамики в управлении качеством образовательного процесса вуза // В мире научных открытий. — 2010. —№2 (08).

— Ч.З. — С. 46-49.

68. Яндыбаева Н.В., Кушников В.А. Оценка качества образовательного процесса в вузе на основе модели Дж. Форрестера // Вестник Саратовского государственного технического университета.— 2011. — №2 (55). — С. 176-181.

69. Кушников В.А, Яндыбаева Н.В. Управление образовательным процессом вуза на основе модели Форрестера // Вестник Саратовского государственного технического университета. — 2011. — №2 (55). — С. 172-176.

70. Симанчук Н.В. Модели и методы повышения конкурентоспособности высшего учебного заведения на региональном рынке образовательных услуг:автореф. дис. на соиск. ученой степ. канд. экон. наук: 08.00.13/ Н. В. Симанчук — Самара, 2010. — 24 с.

71. Ивашкин Ю.А., Назойкин Е.А. Мультиагентное имитационное моделирование процесса накопления знаний // Программные продукты и системы.

— 2011. — №1.— С. 45-49.

72. Назойкин Е.А. Мультиагентное имитационное моделирование образовательного процесса накопления знаний: Автореферат диссертации на соиск. уч. степ. канд. техн. наук / Е. А. Назойкин — Москва: МГУПБ, 2011 — 23 с.

73. Стриханов М.Н., Трубецков Д.И. Высшая школа России с позиции нелинейно динамики — Москва: Физматлит, 2007. — 192 с.

74. Арнольд В.И. «Жесткие» и «мягкие» математические модели — Москва: МЦНМО, 2000. — 33 с.

75. Дровянников В.И. Методология, модели и механизмы организационно-экономического управления в мультиагентной системе подготовки профессиональных кадров: диссертация на соиск. ученой степени доктора экономических наук: 08.00.13/ Дровянников Виктор Иванович — Самара., 2010.

— 40 с.

76. Серков JI.A. Синергетическая модель управления процессами самоорганизации в образовательных системах // Вестник УГТУ-УПИ. — №1. — 2009. —С. 102-109.

77. Серков JI.A. Синергетические аспекты моделирования социально-экономических процессов — Екатеринбург:ИЭУрО РАН: Изд-во АМБ, 2008. — 216 с.

78. Буланичев В.А., Серков JI.A. Синергетический подход к управлению качеством образования // Качество. Инновации. Образование. — 2005. — №3. — С. 53-57.

79. Темкин И.О., Леонтьева A.B. Моделирование количественных и качественных параметров, характеризующих функционирование региональной системы общего образования // Горный информационно-аналитический бюллетень (научно-технический журнал) - 2010.-OB №5 - С. 159-167.

80. Темкин И.О., Леонтьева A.B. Моделирование процессов в системе образования // Информатизация образования - 2010: материалы Международной научно-методической конференции, г. Кострома, 14-17 июня 2010г. - С. 514-519.

81. Леонтьева A.B., Темкин И.О. Алгоритм оценки реальной эффективности вуза на основе мультиагентного моделирования // Горный информационно-аналитический бюллетень (научно-технический журнал) - 2013. - №11. - С. 146149.

82. Темкин И.О., Леонтьева A.B. Моделирование развития вуза с использованием мультиагентной среды // Наука и образование в XXI веке: сборник научных трудов по материалам Международной научно-практической конференции 31 мая 2012 г Тамбов, в 5 частях. - 2012. - Часть 5.-С. 118-121.

83. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам — Москва: Наука, 1986. — 497 с.

84. Максимов В.И. Когнитивные технологии от незнания к пониманию // Тр. 1-ой междунар. конф. "Когнитивный анализ и управление развитием ситуаций" (CASC'2001)/ ИЛУ РАН. — 2001. — Т.1. — С.4-41.

85. Максимов, В. И., Кориоушенко, Е. К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач // Труды ИЛУ. — 1998.

86. Максимов, В.И., Корноушенко Е.К., Качаев C.B. Когнитивные технологии для поддержки принятия управленческих решений — М, 1998.

87. Заболотский М. А., Полякова И. А., Тихонин А. В. Применение когнитивного моделирования в управлении качеством подготовки специалистов // Управление большими системами: сборник трудов. — 2006. —С. 91-98.

88. Темкин И.О., Леонтьева A.B. Методика оценки высшего профессионального образования с использованием методов мультиагентного моделирования // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2011 - OB №6. - С. 295-301..

89. Качество высшего образования под ред. М.П.Карпенко — Москва: Издательство СГУ, 2012. — 291 с.

90. Темкин И.О., Леонтьева A.B. Выбор стратегии функционирования вуза на основе мультиагентного моделирования системы высшего профессионального образования // Инноватика - 2013: труды Международной конференции и Российской научной школы. — 2013. — 4.1. — С. 151.

91. Билаль H. Е. С. Математическое моделирование инновационных процессов на основе автономных динамических систем: автореферат дис. на соиск. уч. степ. канд. физико-матем.наук — Белгород,, 2012.

92. Московкин В.М. Моделирование формирования вузовских контингентов на основе уравнений популяционной динамики / В.М. Московкин, Н.Е.С. Билаль // // Международный журнал прикладных и фундаментальных исследований. — 2011.—№3. —С.51-61.

93. Виноградов Г.П. Методы и алгоритмы интеллектуализации принятия решений в АСУ производствами с непрерывно-дискретной технологией: автореф.дис.. доктора техн. наук: 05.13.06 / Виноградов Геннадий Павлович — Тверь: s.n., 2013. — 32 с.

94. Виноградов Г.П., Кузнецов В.Н. Моделирование поведения агента с учетом субъективных представлений о ситуации выбора. // Искусственный интеллект и принятие решений. —2011. — №3 . — С. 58-72.

95. 2. Леонтьева A.B. Модель взаимодействия вузов с промышленностью на основе мотивационного поведения интеллектуальных агентов // Наука и образование в XXI веке: сборник научных трудов по материалам Международной научно-практической конференции 30 сентября 2013 г Тамбов, в 34 частях — 2013. -Часть 25-С. 87-90.

96. Журавлев С.С. Краткий обзор методов и средств имитационного моделирования производственных систем // Проблемы информатики. —2009. — №3. —С. 47-53.

97. Замятина О.М. Моделирование систем: Учебное пособие — Томск: Изд-воТПУ, 2009. —204 с.

98. Шрайбер Т. Дж. Моделирование на GPSS — М: Машиностроение, 1980. — 592 с.

99. Карпов Ю.Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5/ — СПб: БХВ-Петербург, 2005. — 400 с.

100. Шмидт Б. Искусство моделирования и имитации. Введение в универсальную имитационную систему Simplex3 / пер. с немец, под. Ред. Ю.А. Ивашкина и В.Л. Конюха — Ghent, Belgium, 2003. — 550 с.

101. Бахвалов Л.А. Теория вероятностей и математическая статистика. Часть I — М.: МГГУ, 2005.

102. Кремер Н.Ш. Теория вероятностей и математическая статистика: Учебник для вузов; 2-е изд., перераб и доп. — М: ЮНИТИ-ДАНА, 2006. — 573 с.