Нейроагентная система адаптивной настройки технологических процессов тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Аюев, Вадим Валерьевич

• Аюев, Вадим Валерьевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Аюев, Вадим Валерьевич

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

1. ОБЗОР СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСПОЛЬЗОВАНИЯ МУЛЬТИАГАНТНЫХ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ ЗАДАЧ НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.

1.1. Обзор MAC в контексте решения задач настройки технологических процессов.

1.1.1. Архитектуры интеллектуальных агентов.

1.1.1.1. Абстрактная архитектура ИА.

1.1.1.2. Классификация конкретных архитектур ИА.

1.1.2. Классификация механизмов взаимодействия ИА.

1.1.2.1. Договорные сети.

1.1.2.2. Системы на базе досок объявления.

1.1.2.3. Рыночные механизмы.

1.2. Проблемы разработки современных MAC интеллектуальной настройки технологических процессов.

1.3. Выводы.

2. РАЗРАБОТКА МОДЕЛИ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ

НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.

2.1. Разработка MAC, удовлетворяющих современным требованиям, предъявляемым к системам настройки реального времени с входными данными высокой размерности.

2.1.1. Разработка иерархической модели MAC.

2.1.1.1. Общая характеристика MAC СИН.

2.1.1.2. Дифференциация ИЛ по функциональным особенностям в иерархической архитектуре MAC.

2.1.1.3. Формальная модель мультиагентной иерархии.

2.1.2. Реализация архитектур ИА.

2.1.2.1. Управляющие архитектуры.

2.1.2.2. Архитектуры подрядчиков.

2.1.3. Организация механизмов взаимодействия AM и АП в рамках иерархической MAC.

2.1.3.1. Методы расчёта ошибки дообучения.

2.1.3.2. Степени доверия AM к АП.

2.1.3.3. Интервальный алгоритм определения победившего АП.

2.1.3.4. Пересчёт областей эффективного применения АП.

2.1.3.5. Реализация обучения в MAC.

2.1.3.6. Анализ сложности разработанных алгоритмов.

2.2. Технические особенности реализации модели MAC.

2.2.1. Реализация протоколов межагентного взаимодействия.

2.2.2. Реализация реактивных архитектур ИА.

2.3. Выводы.

3. МОДЕЛИРОВАНИЕ АГЕНТОВ-ПОДРЯДЧИКОВ MAC НАСТРОЙКИ

ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В НЕЙРОСЕТЕВОМ

ЛОГИЧЕСКОМ БАЗИСЕ.

3.1. Применение модифицированных самоорганизующихся карт

Кохонена в ИНС Хехт-Нильсона.

3.1.1. Сети Кохонена на основе принципов самоорганизации.

3.1.1.1. Общая характеристика сетей Кохонена.

3.1.1.2. Самоорганизующиеся карты Кохонена.

3.1.1.3. Алгоритм «нейронного газа».

3.1.2. Модификация самоорганизующихся карт Кохонена.

3.1.2.1. Структура многомерной карты Кохонена и её обучение.

3.1.2.2. Сходимость процесса обучения.

3.1.2.3. Методы группировки нейронов в матрицу.

3.1.2.4. Виды областей притяжения.

3.1.2.5. Меры близости между нейронами и их влияние на гауссову функцию притяжения.

3.1.2.6. Анализ сложности разработанных алгоритмов.

3.1.3. Модификация ИНС Хехт-Нильсона.

3.1.3.1. Алгоритм обучения МСХН.

3.1.3.2. Перекластеризация в МСХН при дообучении.

3.2. Методы обучения нейросетевых АП.

3.3. Выводы.

4. НАСТРОЙКА ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА

ПРОИЗВОДСТВА ХЛЕБОБУЛОЧНОЙ

ПРОДУКЦИИ.

4.1. Постановка задач управления производственным циклом.

4.1.1. Основные стадии производства.

4.1.2. Автоматизация выпечки хлебобулочной продукции.

4.2. Применение иерархической MAC для настройки процесса выпечки хлебобулочной продукции.

4.2.1. Конкретизация нейросетевой модели.

4.2.2. Конкретизация мультиагентной модели.

4.2.3. Исследование свойств MAC при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.

4.2.3.1. Методы расчёта ошибки дообучения.

4.2.3.2. Операции со степенями доверия.

4.2.3.3. Алгоритмы пересчёта ОЭО.

4.2.4. Исследование внедрённых в MAC модифицированных

ИНС Хехт-Нильсона при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.

4.2.4.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.

4.2.4.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона.

4.2.4.3. Анализ эффективности применения «алгоритмов утомления» в модифицированных ИНС Хехт-Нильсона.

4.2.4.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами.

4.2.5. Исследование роли внедрённых в MAC модифицированных ИНС Хехт-Нильсона посредством частотного анализа применения агентов.

4.3. Выводы.

5. НАСТРОЙКА РАСПРЕДЕЛЕНИЯ ТРАФИКА В ЗАКРЫТОЙ

ИНФОРМАЦИОННОЙ СИСТЕМЕ.

5.1. Постановка задачи распределения ресурсов.

5.2. Применение иерархической MAC для настройки распределения ресурсов.

5.2.1. Конкретизация модели MAC.

5.2.2. Исследование свойств MAC при настройке распределения ресурсов.

5.2.2.1. Методы расчёта ошибки дообучения.

5.2.2.2. Операции со степенями доверия.

5.2.2.3. Алгоритмы пересчёта ОЭО.

5.2.3. Исследование внедрённых в MAC модифицированных ИНС Хехт-Нильсона при организации распределения ресурсов.

5.2.3.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.

5.2.3.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона.

5.2.3.3. Анализ эффективности применения «алгоритмов' утомления» в модифицированных ИНС Хехт-Нильсона.

5.2.3.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами.

5.2.4. Исследование роли внедрённых в MAC модифицированных ИНС Хехт-Нильсона посредством частотного анализа применения нейросетевых агентов при обработке исключительных ситуаций.

5.3. Выводы.

Введение диссертации (часть автореферата) на тему «Нейроагентная система адаптивной настройки технологических процессов»

В последнее время системы интеллектуальной настройки (СИН) параметров технологических процессов на основе искусственных нейронных сетей (ИНС) всё чаще применяются во многих технических и промышленных приложениях. Основные преимущества нейросетевых систем по сравнению с классическими подходами особенно хорошо выявляются при работе со сложными технологическими объектами, неподдающимися точному формальному математическому описанию, как из-за нелинейности внутренней структуры, так и из-за необходимости учёта множества внешних факторов [1]. В свою очередь, ИНС представляют собой большое количество моделей и алгоритмов, обладающих специфическими качествами и имеющих ограниченные функциональные рамки. Усложнение модели объекта посредством увеличения размерности задачи, например, вводом в исходную модель дополнительных параметров, а так же необходимость учёта возможной рассинхронизации, при получении информации с различных датчиков и устройств, делают задачу настройки многокритериальной системы трудноразрешимой с учетом индивидуальных особенностей функционирования отдельно взятых ИНС, входящих с состав СИН [2].

В этой связи наиболее перспективным направлением развития в области интеллектуальных систем стало выделение набора подзадач и объединение различных методов их решения, в частности, на нейросетевой основе. Многообещающей реализацией данной концепции стало развитие мультиагентных систем (MAC), в которых основной акцент делается на декомпозиции системы, относительно независимом решении частных задач и оптимальном взаимодействии множества связанных компонентов, решающих частные задачи, моделируемой системы для наилучшего решения общей задачи.

Важной особенностью значительного класса подзадач настройки параметров технологических процессов, возникающих на практике в крупномасштабных системах, является достаточно гладкий вид функционала, что, с одной стороны, всё ещё не позволяет применять классические методы, основанные на линеаризации, ввиду накопления ошибок и снижения робастности моделируемых систем, но, с другой стороны, делает излишним использование громоздких, например, с большим количеством слоёв и скрытых нейронов, ИНС или ансамблей ИНС [3]. Данное обстоятельство усугубляется требованием формирования быстрого отклика системы и необходимостью осуществления оперативного дообучения сети в масштабе реального времени. В настоящий момент лишь несколько нейросетевых архитектур позволяют в некоторой степени эффективно справляться с такими проблемами, неизбежно жертвуя качеством обучения в угоду производительности.

Исходя из этого, в решении многих актуальных задач настройки технологических процессов в рамках MAC можно выделить 2 этапа:

1) разработка собственно агентов - небольших относительно автономных систем, эффективно решающих локальные задачи;

2) проектирование и разработка механизма взаимодействия агентов для оптимального решения общей задачи.

Таким образом, разработка новых подходов, методов решения частных задач и моделирование на их основе настройки сложных технологических процессов в многокомпонентных объектах по совокупности ряда внешних и внутренних признаков в условиях неполноты информации, когда в силу изначальной сложности, как среды функционирования, так и настраиваемого объекта, оказывается невозможным применить классические методы, а ограничения, накладываемые характером среды решаемых задач, не позволяют использовать сложные адаптивные подходы, несомненно, является актуальной и важной проблемой, решение которой представляется возможным осуществить в поле прикладных интеллектуальных систем на базе нейросетевого мультиагентного подхода.

Целями диссертационной работы являлись:

- проведение анализа существующих мультиагентных методов решения задач настройки сложных технологических процессов и производств1;

- решение задач автоматизированной настройки технологических процессов применительно к хлебопекарному производству и распределению трафика в закрытой информационной системе.

Научная новизна работы состоит в следующем:

- разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем с доменными структурами;

- предложен новый диапазонный метод определения лучших агентов на основе статистических показателей их работы;

- на основе обобщения существующей архитектуры Хехт-Нильсона разработана новая нейросетевая архитектура посредством введения многомерных самоорганизующихся карт Кохонена.

Теоретическая и практическая ценность работы состоят в том, что в работе предложен новый подход к решению задачи автоматизированной настройки технологических процессов в условиях неполной и неточной информации на основе, в частности, модификации архитектуры сети Хехт-Нильсона, расширения размерности самоорганизующихся карт Кохонена, разработанных методов диапазонной конкуренции, которые можно

1 Здесь под термином «сложность» подразумевается нелинейность функционала управления, высокая размерность входных данных, а так же разделённость входных данных по времени в связи с введением реального масштаба времени исполнения. применить для решения широкого круга задач в различных прикладных областях.

Полученные в работе результаты: математические модели, методы, алгоритмы и программные коды используются при автоматизированной настройки технологических процессов выпечки хлебобулочных изделий в Калужском хлебозаводе и в ООО «Пекарня «Дом хлеба»», для автоматизированной настройки процессов распределения трафика закрытой информационной системе в ЗАО «Корбина-Телеком», в Филиале №1 ООО «Макснет системы», а так же в учебных целях, в Калужском технологическом колледже. Копии актов о внедрении прилагаются.

Достоверность результатов работы обусловлена корректной постановкой задачи, применением математически обоснованных методов ее решения, сравнением результатов с экспериментальными данными.

На защиту выносятся следующие положения:

- модель мультиагентной многоуровневой иерархической системы с доменной структурой на основе договорных сетей с диапазонными алгоритмами организации межагентного взаимодействия;

- обобщение самоорганизующихся карт Кохонена на основе разработанных методов многомерных формаций нейронов, их областей притяжения и алгоритмов обучения;

- модификация архитектуры сети Хехт-Нильсона, связанная с введением дополнительных межнейронных связей с элементами разработанных многомерных самоорганизующихся карт Кохонена;

- результаты теоретических и экспериментальных исследований эффективности использования разработанных моделей, методов и алгоритмов при решении задач автоматизированной настройки технологических процессов хлебопекарного производства и распределения трафика в закрытой информационной системе.

Апробация результатов. Результаты диссертационной работы докладывались на конференциях:

1. Региональных научно-технических конференциях «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Калуга 2004, 2005,2006).

2. Всероссийских научно-технических конференциях «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Москва 2005); «Наукоёмкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе» (Москва 2006); «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2006).

3. Международной научно-практической конференции «Компьютерные технологии в науке и производстве» (Новочеркасск, 2006).

Заключение диссертации по теме «Теоретические основы информатики», Аюев, Вадим Валерьевич

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем, заключающийся в иерархическом построении MAC с доменными структурами и введении диапазонных методов определения лучших агентов на основе статистических показателей их работы.

2. Проведена модификация самоорганизующихся карт Кохонена путем увеличения размерности и введения кубических формаций нейронов, позволившая более чем в два раза повысить скорости самоорганизации.

3. Разработана новая нейросетевая архитектура на основе обобщения существующей архитектуры Хехт-Нильсона посредством увеличения размерности самоорганизующихся карт Кохонена и добавления парных нейронов в скрытый слой, вертикально связанных с нейронами Кохонена.

4. Предложен способ расчета межагентной степени доверия, для определения лидирующих агентов в целях повышения эффективности функционирования MAC. На основе введенных понятий предложен метод выявления действенных межагентных цепей в условиях асинхронно меняющихся эндогенных и экзогенных параметров в режиме реального времени.

5. Разработаны математическое, программное и методическое обеспечение программного комплекса для автоматизированной настройки технологических процессов на основе MAC в базисе модифицированных самоорганизующихся карт Кохонена высокой размерности.

6. Проведён теоретический и экспериментальный анализ нейросетевой и мультиагентной моделей на задачах средней и большой размерности. Установлено, что оптимальным показателям работы MAC соответствуют модифицированный критерий постоянства совместно с интервальным алгоритмом определения победившего АП и диапазонным методом пересчёта ОЭО; оптимальным показателям работы МСХН соответствует метод группировки нейронов в шар с ромбовидной областью притяжения и Евклидовой мерой близости в Гауссовой функции поощрения.

7. Решена задача автоматизированной настройки технологического процесса выпечки хлебобулочных изделий в условиях изменяющихся характеристик исходного сырья, позволившая повысить ежесуточный выход хлеба за счёт снижения объёма брака на 40-55% и приводящая к двукратному снижению сопутствующих человко-часов ресурсов.

8. Решена задача автоматизированной настройки параметров перераспределения трафика в закрытой информационной системе, позволившая повысить качество предоставляемых услуг и увеличить показатели доходности на 7-11%.

Список литературы диссертационного исследования кандидат технических наук Аюев, Вадим Валерьевич, 2007 год

1. White D.A., Sofge D.A. Handbook of Intelligent Control: Neural, Fuzzy, and Adaptive Approaches. New York: Van Nostrand Reinhold, 1992. - 250 p.

2. Miller W.T., Sutton W.S., Werbos P. Neural Networks For Control. -Cambridge: MIT Press, 1998. 544 p.

3. Wooldridge M. Reasoning About Rational Agents. Cambrige: MIT Press, 2000.-241 p.

4. Durkin J. Expert Systems: Design and Development. New York: Macmillan, 1994.-600 p.

5. Частиков А.П., Гаврилов Т.А., Белов Д.JI. Разработка экспертных систем: среда CUPS. СПб.: БХВ-Петербург, 2003. - 608 с.

6. Nilsson N.J. Introduction to machine learning. Lecture notes. Stanford: Stanford University, 1996. - 208 p.

7. Mohammadian M., Sarker R.A., Yao X. Computational intelligence in control. Hershey: Idea Group Publishing, 2003. - 336 p.

8. Емельянов B.B. Интеллектуальные технологии и модели в задачах анализа и управления сложными системами и процессами // Компьютерная хроника. 1999. -№3. - С. 51-68.

9. Городецкий В.И., Карсаев О.В. Технология многоагентных систем и ее приложения в управлении и моделировании // Проблемы управления и моделирования в сложных системах: Труды 5 Международной конференции. Москва, 2003. - Т.1. - С. 88-104.

10. Рассел С.Д., Нордвиг П. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. М.: Вильяме, 2006 - 1408 с.

11. И. Luger G.F. Artificial Intelligence. Structures and Strategies for Complex problem Solving. 5-th Edition. Hearlow: Addison Wesley, 2005. - 904 p.

12. Weiss G. Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence. Cambridge: The MIT Press, 1999. - 620 p.

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

14. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искусственного интеллекта. 1998. - №2. -С.3-45.

15. Nwana H.S., Azarmi N. Software Agents and Soft Computing: Concepts and Applications. Lectures Notes in Artificial Intelligence. Berlin: Springer Verlag, 1997.-298 p.

16. Grimshaw D. Artificial Intelligence topics with agents. Cambridge: The MIT Press, 2001.-1016 p.

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

18. Holland J.H. Hidden order: How adaptation builds complexity. Cambridge: Reading, Addison-Wesley, 1995.-450 p.

19. Suykens J.A.K., Horvath G., Basu S. Advanced learning theory, methods, applications. Amsterdam: IOS-Press, 2003 - 520 p.

20. Friedman J., Hastie Т., Tibshirani R. The elements of statistical learning. -NY.: Springer, 2001.-533 p.

21. Тарасов В.Б., Пасечник И.П. О путях построения нетрадиционных логик для моделирования интеллектуальных агентов // Сб. научн. трудов научной сессии МИФИ-99. Москва, 1999. - Том 7. - С. 134-135.

22. Veres S.M., Luo J. A class of BDI agent architectures for autonomous control // Proceedings at IEEE Conference on Decision and Control, N43. Nassau, 2004.-P. 4746-4751.

23. Georgeff M., Pell В., Pollack M. The belief-desire-intention model of agency. // Agent Theories, Architectures, and Languages (ATAL-98): Proceedings of the 5th International Workshop on Intelligent Agents. 1999. - Vol. 1555. -P. 1-10.

24. Bedankt F. Intention Reconsideration: PhD Thesis. Liverpool: University of Liverpool, 2002. - 306 p.

25. Ferguson I.A. TouringMachines: An Architecture for Dynamic, Rational, Mobile Agents: PhD thesis. Cambridge: University of Cambridge, 1992. -370 p.

26. Brooks R.A. Challenges for complete creature architecture. Cambridge: Meyer And Wilson, 1991. - 248 p.

27. Konar A. Artificial intelligence and soft computing. Jadavpur: CRC Press, 2000. - 787 p.

28. Sevay H. Multiagent Reactive Plan Application Learning in Dynamic: PhD Thesis. Lawrence: University of Kansas, 2004. - 170 p.

29. Cohen P.R. Empirical Methods for Artificial Intelligence. Cambridge: The MIT Press, 1995.-470 p.

30. Adelantado M., Givry S.D. Reactive/anytime agents: Towards intelligent agents with real-time performance // Working Notes of the IJCAI Workshop on Anytime Algorithms and Deliberation Scheduling. Montreal: IJCAI Workshop, 1995.-P. 448-453.

31. Jung C.J., Fischer K. Methodological comparison of agent models. Research Report RR-98-01. Saarbrucken: German Research Center for Artificial Intelligence, 1998.-78 p.

32. Mueller J.P. The Design of Intelligent Agents: a Layered Approach. Lectures Notes in Artificial Intelligence. Berlin: Springer Verlag, 1997. - 227 p.

33. Поспелов Д.А. От коллектива автоматов к мультиагентным системам // Распределенный искусственный интеллект и многоагентные системы: Труды Международного семинара. СПб., 1997. - С.34-38.

34. Jennings N.R. Coordination techniques for distributed artificial intelligence / Greg M. P. O'Hare and N. R. Jennings, editors, Foundations of Distributed Artificial Intelligence. NY: John Wiley & Sons, 1996. - P. 187-210.

35. Lewis J.A., Luger G.F. A constructivist model of robot perception and performance // 22-th Annual Conference of CSS. Hillsdale, 2000. - P. 12041220.

36. Modi J.P. Distributed Constraint Optimization For Multiagent Systems: PhD Thesis. California: Faculty of the Graduate School University of Southern California, 2003.-340 p.

37. Haynes Т., Sen S. Adaptation using cases in cooperative groups // Papers from the AAAI Workshop on Intelligent Adaptive. Princeton, 1996. - P. 85-93.

38. Тимофеев A.B. Мультиагентное и интеллектуальное управление сложными робототехническими системами // Теоретические основы и прикладные задачи интеллектуальных информационных технологий. -СПб., 1999.-С. 71-81.

39. Durfee Е.Н., Rosenschein J.S. Distributed problem solving and multiagent systems: Comparisons and examples // Papers from the Thirteenth International Workshop on Distributed Artificial Intelligence. Princeton, 1994.-P. 94-104.

40. Стефанюк В.JI. Локальная организация интеллектуальных систем. Модели и приложения. М.: Физматлит, 2004. - 328 с.

41. Timofeev A.V. Neural Multi-Agent Control of Robotic Systems // Proceedings of International Conference on Informatics and Control. -SPb., 1997. Vol. 2, N.3. - P. 537-542.

42. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. - №3. - С.5-54.

43. Городецкий В.И., Карсаев О.В., Самойлов В.В. Многоагентная технология принятия решений в задачах объединения данных // Труды СПИИ РАН. 2003. - №1. - С.55-69.

44. Тарасов В.Б. Эволюционная семиотика и нечеткие многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Информационные технологии и вычислительные системы. - 1998. -№1. - С.54-68.

45. Makar R., Mahadevan S., Ghavamzadeh M. Hierarchical multiagent reinforcement learning // Proceedings of the Fifth International Conference on Autonomous Agents. Cambridge, 2001. - P. 246-253.

46. Самойлов В.В. Системы объединения данных из разных источников: Принципы реализации и архитектура обработки данных для обучения систем принятия решений // Труды СПИИРАН. 2003. - № 1. - С. 104110.

47. Vapnik V.N. The nature of statistical learning theory. 2-nd edition. New York: Springer, 2000. - 314 p.

48. Омату С. Нейроуправление и его приложения / Пер. с англ. Н.В. Батина; Под ред. А.И. Галушкина, В.А. Птичкина- М.: ИПРЖР, 2000. 272 с.

49. Абовский Н.П., Деруга А.П., Максимова О.М. Нейроуправляемые конструкции и системы. М.: Радиотехника, 2003. - 368 с.

50. Егупов Н.Д. Методы робастного, нейро-нечеткого и адаптивного управления. М.: Издательство МГТУ им. Н.Э.Баумана, 2002. - 744 с.

51. Методы классической и современной теории автоматического управления. / К.А.Пупков, Н.Д.Егупов, А.И.Баркин и др.; Под ред. Н.Д.Егупова М.: Издательство МГТУ им. Н.Э.Баумана, 2000. - Том 3. - 748 с.

52. Советов Б.Я., Цехановский В.В., Чертовской В.Д. Теоретические основы автоматизированного управления. М.: Высшая школа, 2006. - 464 с.

53. Мирошник И.В. Теория автоматического управления. Нелинейные и оптимальные системы. СПб.: Питер, 2006. - 272 с.

54. Bowling М. Multiagent Learning in the Presence of Agents With Limitations: PhD Thesis. Pittsburg: Carnegie Mellon University, 2003. - 250 p.

55. Станкевич JT.А. Мультиагентная технология в когнитивных системах управления автономными роботами // Экстремальная робототехника: X научно-техническая конференция. Санкт-Петербург, 1999. - С. 207217.

56. Ширяев В.И. К задаче управления коллективом роботов при игре в футбол как задаче управления в условиях неполной и неточной информации // Экстремальная робототехника: XI научно-техническая конференция. Санкт-Петербург, 2000. - С.130-138.

57. Аюев В.В. Некоторые аспекты обобщения самоорганизующихся карт Кохонена // Современные проблемы информатизации в моделировании и программировании: Сб. трудов (Воронеж). 2006. - Вып. 11. - С. 272275.

58. Логинов Б.М., Аюев В.В. Нейросетевые агенты в задачах управления с разделёнными по времени входными данными высокой размерности // Нейрокомпьютер: разработка и применение (Москва). 2007. - №5. -С. 31-41.

59. Олифер В.Г., Олифер Н.А. Компьютерные сети: принципы, технологии, протоколы. 2-е изд. СПб.: Питер, 2003. - 864 с.

60. Кнут Д.Э. Искусство программирования. 2-е изд.: Пер. с англ. М.: Вильяме, 2000. - Том 3. - 832 с.

61. Ивахненко А.Г. Персептроны. Киев: Наукова Думка, 1974. - 351 с.

62. Зубков С.В. Assembler для DOS, Windows и UNIX. СПб.: Питер, 2006. -608 с.

63. Грэхем Р., Кнут Д., Паташник О. Конкретная математика. М.: Мир, 1998.-703 с.

64. Аюев В.В. Сравнение эффективности нейросетевых агентов на РБФ-сетях и обобщённых сетях Хехт-Нильсена // Современные проблемы информатизации в моделировании и анализе сложных систем: Сб. трудов (Воронеж). 2007. - Вып. 12. - С. 215-217.

65. Аюев В.В. К вопросу об обобщении самоорганизующихся карт Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы Всероссийской научно-технической конференции. М., 2005. - Т.З. - С. 84-86.

66. Hecht-Nielson R., Counterpropagation Networks // Proceedings of the IEEE First International Conference on Neural Networks. New York, 1987. - P. 19-32.

67. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 343 с.

68. Головко В.А. Нейронные сети: обучение, организация и применение: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001.-256 с.

69. Kohonen Т., Self-Organizing Maps. 2-nd edition. Heidelberg: Springer, 1997.-364 p.

70. Haykin S. Neural Networks: A Comprehensive Foundation. 2-nd Edition. -New Jersey: Prentice-Hall, 1999. 844 p.

71. Funahashi K.I. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. - Vol. 2. - P. 183-192.

72. Люггер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание: Пер. с англ. М.: Вильяме, 2003. - С. 371-372, 435-437.

73. Тарахов Д.А. Нейронные сети. Модели и алгоритмы / Общая ред. А.И. Галушкина. М.: Радиотехника, 2005. - 256 с.

74. Levin Е., Gewirtzman R., Inbar G.F. Neural network architecture for adaptive system modeling and control //Proc. of Int. Joint Conf. on Neural Networks. -Washington, 1998.-Vol. 11.-P. 311-316.

75. Kohonen Т., Things you haven't heard about the self-organizing maps //Biological Cybernetics. 1996. - Vol. 75. - P. 281-291.

76. Hecht-Nielsen R. Neurocomputing. MA: Addison-Wesley, 1990. - 420 p.

77. Харламов А.А. Нейросетевая технология представления и обработки информации / Общая ред. А.И. Галушкина. Москва: Радиотехника, 2006. - 88 с.

78. Аюев В.В. Методы расчёта выхода хлебобулочных изделий в условиях работы мини-пекарен // Прогрессивные технологии, конструкции исистемы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2004. - С. 171.

79. Аюев В.В., Сапрыкин Д.Н. Модификация самоорганизующихся карт Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2005. - Т. 1. - С. 242-245.

80. Аюев В.В. Разработка мультиагентной системы управления технологическими процессами // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2005. - Т.1. - С. 238-241.

81. Назаров В.Г. Проектирование хлебопекарных предприятий с основами САПР.-М.: Колос, 1994.-С. 152-157.

82. Зверева Л.Ф., Немцова З.С., Волкова Н.П. Технология и технохимический контроль хлебопекарного производства. 3 издание. -М.: Лёгкая и пищевая промышленность, 1983. С. 218-223.

83. Болдырева Л.К. Расчёт выхода хлебобулочных изделий в условиях работы мини-пекарен // Технологии производства в пищевой промышленности: Советы технолога (Москва). 1999. -№10. - С. 16-17.

84. Аюев В.В. О сравнении архитектур агентов в MAC управления // Наукоёмкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе: Материалы региональной научно-технической конференции. Москва, 2006. - Т.2. - С. 21-23.

85. Черноусько Ф.Л. Декомпозиция и субоптимальное управление в динамических системах // Техническая кибернетика. 1993. - № 1. - С. 209-214.