Нейросетевое моделирование и управление в производственно-экономической системе предприятия тема диссертации и автореферата по ВАК РФ 08.00.13, доктор экономических наук Долгова, Елена Владимировна

  • Долгова, Елена Владимировна
  • доктор экономических наукдоктор экономических наук
  • 2006, Пермь
  • Специальность ВАК РФ08.00.13
  • Количество страниц 292
Долгова, Елена Владимировна. Нейросетевое моделирование и управление в производственно-экономической системе предприятия: дис. доктор экономических наук: 08.00.13 - Математические и инструментальные методы экономики. Пермь. 2006. 292 с.

Оглавление диссертации доктор экономических наук Долгова, Елена Владимировна

Введение.

1. Обзор и анализ возможностей интеллектуального моделирования в производственно-экономической системе предприятия.

1.1. Традиционные модели и экономическая проблематика в условиях конкуренции.

1.2. Обработка информации и модели искусственного интеллекта.

2. Разработка методов управления запасами с использованием нейросетевых технологий.

2.1. Материальные запасы как важнейший фактор производственного процесса.

2.2. Структура, функции, иерархия, причинно-следственные связи.

2.3. Моделирование задачи оптимизации материальных потоков.

2.4. Неоптимизационное принятие решений в процессе управления запасами

2.5 Принятие решений с использованием данных произвольной структуры

2.6. Проблема выбора альтернативных сетевых моделей.

2.7. Структура комплексной нейросетевой системы моделирования в базисе входных материальных потоков.

3. Разработка методов управления сбытом продукции с использованием нейросетевых технологий.

3.1. Прогнозирование спроса. Структура модели, функции и причинно-следственные связи.

3.2. Анализ и структуризация исходных данных.

3.3. Нейросетевое многошаговое однопараметрическое прогнозирование спроса на продукцию предприятия.

3.4. Нейросетевое прогнозирование спроса на основе анализа влияющих факторов.

3.5. Прогнозирование спроса на основе распознавания ситуаций.

3.6. Автоматизация выбора варианта прогнозирующей модели.

4. Поддержка принятия решений по управлению производственными потоками на основе нейронных сетей.

4.1 Структура и проблематика предметной области исследования.

4.2. Внешние воздействия и критерии управления.

4.3. Структура сети, ее работа и методика настройки.

4.4. Исследование проблемы оптимальности.

5. Нейросетевые методы принятия решений по распределению производственных ресурсов.

5.1. Постановка задачи.

5.2. Структурное, теоретико-множественное и логическое представление модели оптимизации.

5.3. Нейромоделирование распределения ресурсов.

6. Инструментальные средства нейромоделирования производственной системы.

6.1 Структура системы, выбор сетевой модели.

6.2. Пример подбора модели при помощи сети Хемминга.

6.3. Методологические и математические аспекты взаимодействия специалист-система моделирования.

7. Апробация моделей и методик.

7.1. Апробация моделей нейросетевого управления запасами.

7.2. Апробация модели и методики прогнозирования спроса на продукцию.

7.3. Апробация модели и методики нейросетевого управления материальным потоком на технологическом маршруте.

7.4. Апробация методики нейросетевого подбора моделей производственно-экономического объекта.

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Нейросетевое моделирование и управление в производственно-экономической системе предприятия»

Актуальность темы исследования

В условиях рыночной экономики все более востребованной становится наработка и аккумуляция знаний о моделях производственных объектов, методах решений экономических задач, а также соответствующих им инструментальных средств, позволяющих эффективно и на современном уровне поддерживать и развивать информационную среду управления.

Усложнение проблем управления в соответствии с принципами экономической кибернетики (необходимого разнообразия Эшби, модель жизнеспособной фирмы Стаффорда Вира и др.) связано с усложнением методов управления производственной системой. Накопление научных и прикладных результатов в области разработки и использования моделей приводит к значительному росту их количества при относительно малой структурированности и усложнению области знаний.

Объективная сложность анализа динамики производственных систем с целью формирования политики, направленной на устойчивое развитие в условиях рынка, обусловливает необходимость и народнохозяйственную значимость исследования вопросов моделирования бизнес-процессов, в основе которых лежат возможности управления ресурсами. Для современной производственной системы характерны большая размерность, значительные объемы информации, что делает особо актуальной проблему многовариантного выбора адекватного модельного представления предприятия. Модели разной математической природы (динамические, оптимизационные и т.д.), предназначенные для описания элементов производственной системы предприятия, должны эффективно взаимодействовать. Это инициирует проблему их интеграции и стыковки на системном и информационном уровне. Производственная система предприятия находится под непосредственным влиянием динамики рыночной экономики, поэтому программно-информационные среды, являющиеся источником данных для производственных моделей, непрерывно развиваются и изменяются, что порождает проблему нахождения соответствия методов и инструментальных средств моделирования. В то же время имеющиеся инструментальные средства моделирования, как правило, тяготеют лишь к алгоритмической, логической или функциональной поддержке введенной специалистом модели, оставляя в стороне интеллектуальную поддержку принятия решений в области моделирования, если оно касается самого выбора модели. Чем сложнее производственная система, тем разнообразнее модельные представления, тем существеннее затраты, необходимые для выбора наиболее адекватного имеющейся задаче решения.

В связи с этим весьма важным представляется развитие теоретических основ накопления, интеграции и поиска знаний. Это касается моделей производственной системы предприятия, инструментальных средств моделирования, управления и принятия решений. Сам характер информационного процесса (обработка не столько данных, сколько знаний) актуализирует использование методов искусственного интеллекта. Данной актуальной проблеме и посвящена выполненная автором диссертационная работа.

Степень разработанности проблемы исследования.

Теоретические проблемы динамического моделирования производственно-экономической системы предприятия, фундаментальные основания и принципы такого моделирования, были исследованы в работах A.A. Перво-званского, К. Негойце, Б.Я. Советова, H.A. Саломатина, С.А. Думлера, К. Не-гойцэ, Д.А. Поспелова, Н.П. Бусленко, Б.Г. Тамма, М.Э. P.P. Таваста, В.Н. Буркова, В.В. Литюшкина, A.A. Колобова, Л.Ф. Шклярского, Р.Г. Валеевой и др.

Представлениям материальных и финансовых потоков предприятия в виде динамической системы с целью решения проблем управления и планирования посвящены работы О.Б.Низамутдинова, Р.А.Файзрахманова, A.C. Иванова.

Методы планирования и управления производством в ключе постановки оптимизационных задач рассматриваются в трудах В.Ф. Сытника, С.А. Жданова, Р. Аллена, С.А. Ашманова, А.Г. Гранберга, J1.B. Канторовича, Г.Ш. Рубинштейна, H.H. Моисеева, Дж. Фон Неймана, О. Моргенштейна, С.И. Шелобаева, В.А. Емеличева, В.И. Комлика Л.И. Смоляра, В.В. Шкурбы, К.Г. Татевосова, В.М. Португала, А.Е. Перельмана.

Модели производственных систем, взаимодействующих с деловой средой, традиционно исследовались с точки зрения компенсации последствий случайных факторов. Среди работ, посвященных понятийному и математическому аппарату таких задач, следует выделить работы П.А. Ватника, В.Н. Андреева, Г.А. Симона, В.Ф. Сытника, Н.С. Райбмана, А.Б. Баублиса и др. Логистическая концепция управления материальными потоками на промышленном предприятии отражена в работах О.Г. Туровца, В.Н. Родионо-вой, Н.В. Федорковой, A.M. Гаджинского, Б.А. Аникина, И.Н. Омельченко, А.Ю. Ярмакова и др.

Обширный перечень работ, посвященных моделям и системам моделирования, позволяющим описывать закономерности функционирования сложных систем и процессов управления ими, связан с именами таких авторов, как В.В. Емельянов, С.И. Ясиновский, И.П. Норенков, Г.Н. Калянов, О.И. Мухин, А. Прицкер, Т. Дж. Шрайбер и др.

Разработка теоретических аспектов создания, обучения и функционирования нейросетей, нейрокомпьютеров и нейроинтеллекта представлена в фундаментальных работах таких авторов, как Р. Вильяме, П.Вербос, Р.Земел, Йох-Хан Пао, Т. Кохоннен, Э.Минай, Ф.Розенблатт, Е.Хинт.

Интеллектуальные алгоритмы поддержки и принятия решений по управлению FuzzyCalc, CubiCalc, BrainMaker, IDIS, BERT, ISIS и экспертных систем EXSYS, GURU, KL, KRYPTON описаны в работах P.A. Алиева, А.Э. Церковного, В.А. Кабанова, A.B. Лапко, C.B. Ченцова, С.И. Крохова, JI.A. Фельдмана, Ю.А. Любарского, Д.А. Поспелова, А.Н. Романова, Б.Е. Одинцова и др.

Различные аспекты приложения моделей искусственного интеллекта к проблемам управления и прогнозирования поведения сложных производственно-экономических объектов, в том числе вопросы проектирования экспертных систем представлены в работах работы А.Н.Аверкина, P.A. Алиева, А.Н. Борисова, И.З.Батыршина, А.Н. Борисова, Т.А. Гаврилова, В.И. Глуш-кова, В.Н. Захарова, И.В. Ежковой, В.В. Ермоленко, О.И. Ларичева, Б.Г.Литвака, К.Е. Левитина, В.А. Маковского, В.П. Мешалкина, К.Нейлора, Э.В. Попова, Д.А. Поспелова, В.Ф. Хорошевского.

Однако следует отметить, что значительное количество работ, посвященных моделированию промышленно-экономических систем, но не касающихся проблематики искусственного интеллекта, связаны в основном с использованием динамических моделей управления, задач оптимизации, моделей и алгоритмов принятия решений на разных уровнях промышленно-экономической системы. Работы же в области искусственного интеллекта производственно-экономического назначения, как правило, касаются приложения моделей и методов обработки знаний к конкретным управляемым или исследуемым объектам. Вместе с тем, пока недостаточное внимание уделено теоретическим и методологическим основам нейромоделирования промышленной системы предприятия вцелом. Интерес представляет также методология и технология включения таких моделей в общую управляющую и программно-информационную среду предприятия как объекта управления. Все вышесказанное определило тему, структуру и логику диссертационного исследования.

Цели и задачи исследования

Целью исследования является создание теоретико-методологических основ моделирования сложной производственной системы предприятия на основе пространственно-распределенного представления материального потока с использованием комплекса взаимодействующих нейросетей. Для достижения поставленной цели решались следующие основные задачи:

1. Разработка модели и методологии создания инструментальной системы нейросетевого принятия решений в области управления производственными ресурсами в условиях влияния факторов неопределенности и риска, и при наличии лингвистически и логически определяемых требований к формируемым решениям.

2. Создание методики нейросетевого прогнозирования спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, с учетом необходимости решения проблемы структурной и параметрической настройки модели.

3. Создание модели и методики нейросетевого принятия решений с целью сокращения расходов, связанных с возможными отклонениями от требуемого качества и нарушением производственного ритма;

4. Разработка логико-семантической концепции распределения ресурсов подразделения и модели распределения произвольного количества наименований ресурсов на основе трехслойной нейросети.

5. Создание концепции интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур.

6. Разрешение проблемы сопряжения инструментальных средств выбора модели с существующими технологиями обработки экономической информации.

Объектом исследования являются промышленные предприятия преимущественно с дискретным характером производства, выбор модели для которых не является элементарной проблемой, а объем имеющейся информации значителен.

Предметом исследования являются материальные и информационные потоки промышленного предприятия, рассматриваемые в аспекте нейросете-вого моделирования и управления.

Методология и методы исследования.

Методологической и теоретической основой представленной диссертации послужили труды отечественных и зарубежных авторов в области системного анализа, теории управления и экономической кибернетики. Динамика промышленно-экономической системы исследовалась с использованием методов теории систем, математической физики, теории вероятностных процессов, абстрактной алгебры и логики предикатов. Разработка проблематики нейромоделирования производилась с использованием фундаментальных результатов в области искусственного интеллекта (работы Р. Вильямса, П.Вербоса, Р.Земела и др.), моделей и методов теории нейросетей и нейрокомпьютеров, методов теории и практики построения экспертных систем и систем принятия решений, результатов (работы P.A. Алиева, Д.А. Поспелова, А.Н. Романова и др.) в области баз знаний, систем проектирования и современных информационных технологий.

Научная новизна диссертационной работы

Научная новизна основных результатов исследования определяется следующим:

1. Разработан теоретико-методологического подход к управлению ресурсами предприятия, который позволяет на основе нейросетевого анализа и моделирования факторов производственно-экономической среды повысить эффективность управления в условиях влияния факторов риска, не поддающихся полному учету с использованием моделей другого рода, представленных нестационарными и неэргодичными случайными процессами.

2. Предложены методология и модель создания инструментальной системы нейросетевого принятия решений в области управления материальными запасами в условиях влияния факторов неопределенности, большой размерности задачи и наличия лингвистически и логически определяемых требований к формируемым решениям;

3. Сформулирован подход к нейросетевому прогнозированию спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, включающей компонент структурной и параметрической настройки;

4. Предложены модель и методика нейросетевого принятия решений с целью сокращения затрат, обусловленных отклонениями качества изделий и нарушением производственного ритма, позволяющая решать эту задачу без предъявления требований стационарности и эргодичности производственного потока;

5. Предложена логико-семантическая концепция распределения ресурсов производственной мощности и персонала в подразделении на основе трехслойной нейросети, обеспечивающая учет логических и лингвистических ограничений, накладываемых на принимаемое решение;

6. Разработана концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур, предусматривающая определение паттерна модели, наиболее адекватно соответствующего производственно-экономическому объекту, представленному в виде кортежа признаков.

Теоретическая и практическая значимость исследования

Теоретическая значимость исследования заключается в том, что предложенная в диссертации методология выступает в качестве научной основы дальнейшего развития парадигмы нейросетевого моделирования и управления в производственно-экономической системе предприятия, изучение которой требует моделирования факторов производственно-экономической среды, с учетом трудно формализуемых, вербальных и "мягких" факторов в условиях ограниченности статистических данных, неэргодичности и нестационарности материальных и финансовых потоков. Данные методологические основы моделирования ресурсов предприятия определяют стратегическое направление в области разработки методов более ' полного учета существенных факторов внутренней и внешней среды, обусловливающих формирование эффективных решений в производственно-экономической системе.

Практическая значимость выбранного пути решения проблемы заключается в том, что проведенные исследования позволяют разработать и внедрить в практику нейросетевые методы создания системы управления ресурсами с учетом необходимости компенсации влияния потерь или нарушений производственного ритма в условиях динамики экономической системы в целом, а также обеспечить выполнение объемно-календарных планов с минимальными затратами при рациональном удовлетворении спроса.

Математические модели и методы прогнозирования спроса на продукцию предприятия позволяют принимать решения как в условиях, когда влияющие факторы известны, так и в условиях ограниченного наличия информации.

Разработанные модель, структура и методика использования интеллектуальной системы поддержки выбора модели экономического объекта позволяют разрешить проблему компромисса между значительным объемом знаний и скоростью работы, следовательно, возможностью реального применения системы и ее взаимодействия с информационной системой предприятия.

Тема и содержание диссертации относятся к области исследования научной специальности ВАК 08.00.13 - "математические и инструментальные методы экономики", раздел 1. Математические методы п. 1.4 Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способы количественной оценки предпринимательских рисков и обоснования инвестиционных решений; раздел 2. Инструментальные средства, п. 2.3 Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях; п. 2.5. Разработка концептуальных положений использования новых информационных и коммуникационных технологий с целью повышения эффективности управления в экономических системах; п. 2.6. Развитие теоретических основ и инструментария проектирования, разработки и сопровождения информационных систем субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, корпоративные хранилища данных, базы знаний, коммуникативные технологии; п. 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование

Апробация работы. Результаты диссертационной работы представлялись в научных докладах и обсуждались на международных и всероссийских конференциях и семинарах, на семинаре кафедры экономической кибернетики Пермского государственного университета, семинаре лаборатории конструктивных методов исследования динамических моделей экономики, республиканской научно-технической конференции

Автоматизированное управление сложными системами" (Уфа, 1985), всесоюзной научно-технической конференции "Проблемы и перспективы автоматизации производства и управления на предприятиях приборо- и машиностроения" (Пермь, 1987), I региональной научно-практической конференции "Совершенствование методологии создания перспективных автоматизированных систем" (Пермь, 1989), международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 1999), Международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2004), Всероссийской научно-практической конференции "Современные проблемы развития экономики и управления в регионе" (Пермь, 2004).

Разработанные методики и программные средства оперативного управления внедрены на следующих предприятиях: Пермский научно-исследовательский технологический институт, предприятие пищевой промышленности "Норман", Государственное унитарное предприятие "Научно исследовательский институт управляющих машин и систем" (г. Пермь).

Теоретико-методологические положения диссертации используются для профессионального обучения, переподготовки и повышения квалификации в учебных курсах "Интеллектуальные информационные технологии", "Экспертные системы", "Теоретические основы искусственного интеллекта".

Наиболее полно результаты исследования отражены в монографиях:

-Е.В. Долгова. Методология выбора моделей распределения в промышленно-экономических системах, Пермский филиал Института экономики УрО РАН, ПГТУ, 2006.

-Е.В. Долгова, P.A. Файзрахманов. Нейросетевое моделирование в производственно-экономической системе предприятия, Пермь, ЦНТИ, 2005.

Основные положения и результаты диссертационной работы нашли свое отражение в 31 публикации общим объемом 32 пл.

Основные положения и результаты, выносимые на защиту

1. Предложены методология и модель создания инструментальной системы нейросетевого принятия решений в области управления материальными запасами в условиях влияния факторов неопределенности, большой размерности задачи и наличия лингвистически и логически определяемых требований к формируемым решениям.

2. Сформулирован подход к нейросетевому прогнозированию спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, включающей компонент структурной и параметрической настройки.

3. Предложены модель и методика нейросетевого принятия решений с целью сокращения затрат, обусловленных отклонениями качества изделий и нарушением производственного ритма, позволяющая решать эту задачу без предъявления требований стационарности и эргодичности производственного потока.

4. Предложена логико-семантическая концепция распределения ресурсов производственной мощности и персонала в подразделении на основе трехслойной нейросети, обеспечивающая учет логических и лингвистических ограничений, накладываемых на принимаемое решение.

5. Разработана концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур, предусматривающая определение паттерна модели, наиболее адекватно соответствующего производственно-экономическому объекту, представленному в виде кортежа признаков.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Заключение диссертации по теме «Математические и инструментальные методы экономики», Долгова, Елена Владимировна

Заключение

Сложные системы как объект экономического моделирования характеризуются тем, что статистические потоков не всегда известны, на принятие решений влияет факторы, изначально имеющие качественное, нечеткое или вербальное описание.

Анализ существующих работ показал, что разработка математических моделей производственно-экономического процесса на основе интеллектуальных информационных технологий, с использованием моделей нейросетевого управления и нейросетевого прогнозирования, является актуальной задачей.

По результатам приведенных в данной диссертационной работе исследований можно сделать следующие выводы:

1. Разработаны модели и методы нейросетевого управления запасами, в условиях влияния факторов неопределенности и риска, большой размерности задачи и наличии лингвистически и логически определяемых требований к формируемым решениям.

2. Создана методология построения инструментальной системы управления заказами на основе нейросети с возможностью встраивания ее в информационные технологии предприятия.

3. Сформирована и исследована концепция нейросетевого прогнозирования спроса на продукцию предприятия на основе интеллектуальной инструментальной системы принятия решений, решающей проблему структурной и параметрической настройки.

4. Созданы модели и методы нейросетевого управления пространственно-распределенным материальным потоком с возможностью нелинейного управления.

5. Сформулирована логико-семантическая концепция распределения ресурсов подразделения, создана модель распределения произвольного количества наименований ресурсов на основе трехслойной нейросети.

6. Выстроена и практически исследована концепция построения интегрированной инструментальной системы выбора модели на основе распознавания ситуаций при помощи обучаемых нейроструктур.

7. Создана методика интеграции разработанных нейросетевых моделей в информационную среду предприятия.

Список литературы диссертационного исследования доктор экономических наук Долгова, Елена Владимировна, 2006 год

1. A.C. 1667138 СССР, МКИЗС 09В9/00. Устройство для обучения операторов систем управления/ Е.В. Долгова, A.C. Иванов, О.Б. Низамутдинов (СССР). -4639389/24; заявл. 18.01.89; опубл. 30.07.91, Бюл. № 28.-2с.: ил. 0,513п.л.

2. Абдеев Р.Ф. Философия информационной цивилизации / Р.Ф. Абдеев. -М.: ВЛАДОС, 1994.-288с.

3. Аверкин А.Н. Использование нечеткого отношения моделирования для экспертных систем / А.Н. Аверкин, X. Нгуен. М.: ВЦ АН СССР, 1988. - 24 с.

4. Адамов В.Е. Статическое изучение ритмичности производственного процесса/ В.Е. Адамов. -М.: Статистика, 1973.

5. Айгнер М. Комбинаторная теория / М. Айгнер М.: Мир, 1982 - 558 с.

6. Айзерман М.А. Некоторые аспекты общей теории выбора лучших вариантов / М.А. Айзерман, А.В Малишевский // Автоматика и телемеханика, 1982. N 2. - с. 65-83.

7. Акофф Р. Планирование будущего корпорации / Р. Акофф. М.: Мир, 1985.-185с.

8. Алиев P.A. Производственные системы с искусственным интеллектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров. М: Радио и связь. 1990. -264с.

9. Амамия М. Архитектура ЭВМ и искусственный интеллект / М. Амамия, Ю. Танака. М.: Мир, 1993. - 400 с.

10. Андреев Н.И. Теория статистически оптимальных систем управления / Н.И. Андреев. М.: Наука, 1980. - 155с.

11. Анисимов В.Ю. Оптимальное распределение ресурсов при нечетной исходной информации / В.Ю. Анисимов, Э.В. Борисов //Изв. АН СССР техн. киберн., 1988.-№6.

12. Антонюк Б.Д. Информационные системы в управлении / Б.Д. Антонюк. -М.: Радио и связь, 1986. 125с.

13. Афанасьев В.Н. Математическая теория конструирования систем управления / В.Н. Афанасьев, В.Б. Колмановский, В.Р. Носов. М.: Высшая школа, 1989.-447с.

14. Ахо А. Построение и анализ вычислительных алгоритмов / А. Ахо, Дж. Хопкрофт, Дж. Ульман. М:Мир, 1979. - 536 с.

15. Баласов П.Н. Ритмичность производства (опыт машиностроительного объединения) / П.Н. Баласов. М.: "Знание", 1980.

16. Барабаш Ю.Л. Коллективные статистические решения при распознавании / Ю.Л. Барабаш. М.: Радио и связь, 1983. - 224с.

17. Барцев С.И. Адаптивные сети обработки информации / С.И. Барцев, В.А. Охонин. Красноярск: Институт физики СО АН СССР, 1986.

18. Батыршин И.З. Обучающая гибридная экспертная система моделирования процесса полимеризации полипропилена/ И.З. Батыршин, Г.С. Бикушев, P.A. Закуанов //Интегрированные системы компьютерного обучения-Казань:Каз.гос.технич.ун-т, 1994, 89-95.

19. Беленький Н.Е. Метод системного анализа в организации производственных процессов / Н.Е. Беленький. М. Экономика, 1978.

20. Белецкий С.А. Планирование и управление в автоматизированном производстве / С.А. Белецкий, В.В. Шкурба, К.Ф. Ефетова. Киев: Наука, 1985.

21. Беллман Р. Принятие решений в расплывчатых условиях / Р. Беллман, JI. Заде // Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. -С.172-215.

22. Бендат Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол. — М.: Мир, 1989. 350с.

23. Березин Е.А. Оптимальное распределение ресурсов и элементы синтеза / Е.А. Березин; под ред. Е.В. Золотова. -М.: Сов. радио, 1974.

24. Берталанфи J1. фон. Общая теория систем критический обзор / J1. фон. Берталанфи //Системные исследования: Ежегодник. - М.: Наука, 1969. -С.23-95.

25. Бешелев С.Д. Математико-статистические методы экспертных оценок / С.Д. Бешелев, Ф.Г. Гурвич. М.: Статистика, 1980.-263с.

26. Биркгоф Г. Современная прикладная алгебра / Биркгоф Г., Т. Барти. М.: Мир, 1976.-400 с.

27. Борде С.Б. Недоопределенное календарное планирование / Борде С.Б., С.С. Магазов, С.А. Понькин, М.В. Салычев // Национальная конференция с международным участием "Искусственный интеллект 94: материалы. -Рыбинск, 1994, с. 377-381.

28. Борисов А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурьева и др. М: Радио и связь. 1989. - 304 с.

29. Борисов А.Н. Использование нечеткой информации в экспертных системах / А.Н. Борисов, В.И. Глушков // Новости искусственного интеллекта, 1991. №3. с. 13-41

30. Борисов А.Н. Принятие решений на основе нечетких моделей. Примеры использования / А.Н. Борисов, O.A. Крумберг, И.П. Федоров. Рига: Зинатне, 1990.- 184 с.

31. Бородюк В.П Статистическое описание промышленных объектов / В.П.

32. Бородюк, Э.Н. Лецкий. -М: Энергия, 1971.

33. Браверман Э.М. Дедукция и обобщение в системах принятия решений / Э.М. Браверман, A.A. Дорофеюк, В.Я. Лумельский, И.Б. Мучник, В.Н.Вагин. М.:Наука, 1988. - 384 с.

34. Будущее искусственного интеллекта / Под ред. К.Е.Левитина, Д.А.Поспелова. М.: Наука, 1991. - 302с.

35. Бусленко Н.П. Моделирование сложных систем / Н.П. Бусленко. М.: Наука, 1978.-400с.

36. Вавилов A.A. Имитационное моделирование производственных систем / A.A. Вавилов и др. М.: Машиностроение, 1983.

37. Вагин В.Н. Дедукция и обобщение в системах принятия решений / В.Н. Вагин. М.: Наука, 1988. - 384с.

38. Валуев С.А. Системный анализ в экономике и организации производства. /Под ред. С.А.Валуева и В.Н.Волковой. Л.: Политехника, 1991. - 398с.

39. Ватник П. А. Статистические методы оперативного управления производством / П.А. Ватник. М.: Статистика, 1978.

40. Винер Н. Кибернетика или управление и связь в животном и машине / Н. Винер. М.: Наука, 1983. - 344с.

41. Власов А.Г. Дескретивный подход при моделировании поведения человека в процессе решения задачи распределения ресурсов / Пренрин Международный научно-исследовательскийо институт проблем управления; А.Г. Власов, С.В.Хайлин. М. 1980.

42. Волкова В.Н. Основы теории систем и системного анализа / Волкова В.Н., A.A. Денисов. СПб.: Образование и культура, 1997. - 510с.

43. Гаазе-Рапопорт М.Г. От амебы до робота: модели поведения / Гаазе-М.Г. Рапопорт, Д.А. Поспелов. М.: Наука, 1987.-285 с.

44. Гаврилова Т.А. Извлечение и структурирование знаний для экспертных систем / Т.А. Гаврилова, K.P. Червинская. М.: Радио и связь, 1982. - 200с.

45. Гайцгори В.Г. Локальные критерии качества при оптимизации технологических комплексов / В.Г. Гайцгори, A.A. Первозванский // Изв. АН СССР, Техн. киберн., 1987. -№1.

46. Голубков Е.П. Использование системного анализа в принятии плановых решений / Е.П. Голубков. М.: Экономика, 1982. - 160с.

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

48. Горелик A.JI. Методы распознавания / A.JI. Горелик, В.А. Скрипкин. -М.: Высшая школа, 1984. 219с.

49. Горелов И.Н. Разговор с компьютером. Психолингвистический аспект проблемы / И.Н.Горелов. М.: Наука, 1987. - 256 с.

50. Гребенюк Е.А. Когнитивно-рефлексивный анализ на фондовом рынке / Е.А. Гребенюк, Е.К. Корноушенко, В.И. Максимов // Тезисы международного симпозиума "Рефлексивное управление" (17-19.10.2000) / Ин-т психол. РАН. -М., 2000. С.99-100.

51. Грей П. Логика, алгебра и базы данных / П.Грей. М.: Машиностроение, 1989.

52. Груднев А.И. Моделирование динамики обрабатывающего участка / А.И. Груднев, A.A. Мелинян // Изв. АН СССР. техн. Киберн, 1987. №3.

53. Гусев A.A. Технологии машиностроения (специальная часть) / A.A. Гусев, Е.Р. Ковальчук, И.М. Колесов, и др. М.: Машиностроение, 1986.

54. Денисов A.A. Информационные основы управления / А.А.Денисов. Л.: Энергоатомиздат, 1983. - 72с.

55. Дмитров В.И. Новые информационные технологии как основа созданияпромышленных информационно-логистических систем / В.И.Дмитров // Информатика машиностроение, 1995. - #5-6

56. Долгова Е.В. Модели управления разветвляющимися технологическими потоками / Е.В. Долгова // Областная НТК "Математическое моделирование в сложных системах": материалы / ПЛИ. Пермь, 1989. - с. 4-5

57. Долгова Е.В. Обоснование выбора модели в задачах управления экономическими системами / Е.В. Долгова // Приборы и Системы, 2004. -N8. с. 64-66. 0,43 п.л.

58. Долгова Е.В. Представление моделей линейных динамических систем в имитаторах компьютерных тренажеров/ Долгова Е.В. // Информационные управляющие системы: сб. науч. трудов/ ПГТУ. Пермь, 1995. - с. 191-195.

59. Долгова Е.В. Стохастическая модель сборки в многономенклатурной постановке / Е.В. Долгова // Модели и алгоритмы в сложных системах управления: сборник статей; ППИ. Пермь, 1989. - 15 с. - Деп. В Информприбор 19.05.89 №4637 Пр-89.

60. Долгова Е.В. Математическая модель технологического потока, включающего сборочные операции / Е.В. Долгова, О.Б. Низамутдинов; ППИ.-Пермь, 1989. 8 с. - Деп. В Информприбор 20.03.89. № 4557.

61. Долгова Е.В. Система интеллектуального моделирования промышленно-экономических объектов / Е.В. Долгова, О.Б. Низамутдинов //Международная конференция по мягким вычислениям и измерениям: сборник докладов / ЛЭТИ. Спб, 1999. - с. 168.

62. Долгова Е.В. Динамическое управление запасами с использованиемнейросети / Долгова Е.В, Файзрахманов Р.А. //Приборы и системы, 2004. -N9.-с. 57-61.

63. Дубров A.M. Математико-статистическая оценка эффективности в экономических задачах / A.M. Дубров. М.: Финансы и статистика, 1982.

64. Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П.Харт- М.: Мир,1976.- 511 с.

65. Дюбуа Д. Теория возможностей. Приложения к представлению знаний в информатике / Д.Дюбуа, А.Прад. М: Радио и связь. 1990. - 288с.

66. Дюран Б. Кластерный анализ. / Б.Дюран, П. Оделл. М.: Статистика,1977. 125с.

67. Евланов Л.Г. Теория и практика принятия решений / Л.Г. Евланов. М.: Экономика, 1984

68. Евреинов Э.В. Информациология сред, структур и биокомпьютерных систем / Э.В. Евреинов. М.: Радио и связь, 1996, 36 с.

69. Евреинов Э.В. Однородные вычислительные среды и системы / Э.В. Евреинов. М.: Радио и связь, 1981. - 208с.

70. Ежкова И.В. Можно ли построить универсальную экспертную систему? / И.В. Ежкова //Программные продукты и системы, 1991. N 2. - С. 19 - 29.

71. Елисеева И.И. Группировка, корреляция, распознавание образов (Статистические методы классификации и измерения связей) / И.И. Елисеева, В.О. Рукавишников. М.: Статистика, 1977. - 143с.

72. Ермоленко В.В. Разработка нейросетевой базы знаний интеллектуальной автоматизированной системы мониторинга образовательного процесса: дис. канд.тех. наук / В.В. Ермоленко. Краснодар: КубГТУ, 1996. - 206с.

73. Жамбю М. Иерархический кластер-анализ и соответствия/ М. Жамбю. -М: Финансы и статистика, 1988. 342 с.

74. Жариков О.Н.Системный подход к управлению / Жариков О.Н., Королевская В.И., Хохлов С.Н.; Под.ред В.А.Персианова. М: ЮНИТИ,2001.-62с.

75. Жуковин В.Е. Многокритериальные модели принятия решений с неопределенностью / В.Е. Жуковин. М: Мецниереба, Тбилиси, 1983. - 104 с.

76. Журавлев Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич // Распознавание, классификация, прогноз. Матемитические методы и их применение. М.: Наука, 1989

77. Загоруйко И.Г. Методы распознавания и их применение / И.Г. Загоруйко.- М.:Сов. радио, 1972. 208 с.

78. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде.-М.:Мир, 1976.-165 с.

79. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе / Л.А. Заде //Классификация и кластер. М:Мир, 1980-С. 208-247.

80. Закуанов P.A. Представление нечетких понятий в гибридной экспертной системе СМОПЛЕКС / P.A. Закуанов, И.З. Батыршин, Г.С. Бикушев, В.П. Архиреев // Труды международного семинара "Мягкие вычисления 96". -Казань, 1996,122- 128.

81. Засухина O.A. Компьютерные технологии и прогнозирование, / O.A. Засухина. Краснодар: Кубань-бизнес, 1994. - 2с.

82. Захаров В.Н. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. 2. Эволюция и принципы построения / Захаров В.Н., Ульянов С.В. // Известия АН РАН. Сер. Техн. Кибернетика. -1993ю- №4-с. 189-205.

83. Ивашко В.Г. Оценки правдоподобия в продукционных экспертных системах / Ивашко В.Г., Кузнецов С.О. //Экспертные системы: состояние и перспективы-М.: Наука, 1989, с. 92-103.

84. Информационные технологии в маркетинге: Учебник для вузов/ Г.А. Титоренко, Г.Л. Макарова, Д.М. Дайитбегов и др.; Под ред. проф. Г.А. Тито-ренко. М.: ЮНИТИ-ДАНА, 2000. - 335с.

85. Искусственный интеллект: применение в интегрированных производственных системах/ Под ред. Э. Кьюсиака. -М: Машиностроение, 1991.-544 с.

86. Как работают японские предприятия / под ред. Я. Мондена, Р. Сибакаам, С. Такаянеги и др.: пер. с англ. М.: Экономика 1989.

87. Кандрашина Е.Ю. Представление знаний о времени и пространстве в интеллектуальных системах / Е.Ю. Кандрашина, JI.B. Литвинцева, Д.А. Поспелов; под ред. Д.А. Поспелова. М.: Наука. - 1989. - 328с.

88. Каплинский А.И Моделирование и алгоритмизация слабоформализованных задач выбора наилучших вариантов систем / А.И. Каплинский, И.Б. Руссман, В.М. Умывакин. Воронеж: ВГУ, 1990. - 168с.

89. Классификация и кластер / Под ред. Дж.Вэн Райзина- М:Мир, 1980 389 с.

90. Кожухаров А.Н Многокритериальная задача о назначениях / А.Н. Кожухаров, О.И. Ларичев. Автоматика и телемеханика. - 1977. - N 7.

91. Контроль качества с помощью персональных компьютеров/ Т. Макино, М. Охаси, и др.- М.: Машиностроение, 1991- 224 с.

92. Крейнес М.Г., Новикова Н.М. Алгоритм решения некоторого класса дискретных многокритериальных задач // Ж. Вычислит, матем. и матем. физика.-1983.-№3.

93. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений / В.Б Кузьмин.- М:Наука, 1982 168 с.

94. Кунц Г., Управление: системный и ситуационный анализ управленческих функций / Г. Кунц, О.Доннел М.: Прогресс, 1981. - 495с.

95. Курносов A.M. Общие принципы экономико-математического моделирования в решении проектных задач / A.M. Курносов. М.: Ин-тгорного дела им. A.A. Скочинского, 1966.

96. Ларичев О.И. Выявление экспертных знаний / О.И.Ларичев, А.И. Мечитов, Е.М.Мошкович, Е. М.Фуремс.-М.:Наука, 1989 128 с.

97. Ларичев О.Н. Объективные модели и субъективные решения / О.Н.Ларичев. М.: Наука, 1987.

98. Литвак Б.Г. Экспертная информация. Методы получения и анализа / Б.Г. Литвак.-М.: Радио и связь, 1982. 184с.

99. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. /А. Тейз, П. Грибомон, Ж. Луи и др.-М.: Мир, 1990.-432с.

100. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис. канд.тех.наук: защищена 05.13.06 / Е.В. Луценко. -Краснодар: КубГТУ, 1999.- 187с.

101. Макаров И.М. Теория выбора и принятия решений / И.М. Макаров. М.: Наука,1987.-350с.

102. Маковский В.А. Базы знаний (экспертные системы) / В.А. Маковский, В.И. Похлебаев. М.: Издательство стандартов, 1993. - 37 с.

103. Максимов В.И. Фундаментальный и технический анализ: интеграция двух подходов / В.И Максимов, Е.А. Гребенюк, Е.К. Корноушенко // Банковские технологии, 1999. №9. - С. 45-49.

104. Максимов В.И. Развитие моделей принятия решений: проблемы, парадоксы и перспективы / В.И. Максимов //Банковские технологии, 20003. С.39-43.

105. Максимов В.И. Когнитивные технологии для поддержки принятия управленческих решений / В.И. Максимов, Е.К. Корноушенко, C.B. Качаев //"Технологии информационного общества 98": распределенная конференция (ЗОЛ 1.-02.12.98)/ ИЛУ РАН. М., 1999. - С. 11-18.

106. Мамиконов А.Г. Управление и информация / А.Г. Мамиконов. М.: Наука, 1975.-207с.

107. Марселлус Д. Программирование экспертных систем на Турбо Прологе / Д. Марселлус. М.: Финансы и статистика, 1994. - 256 с.

108. Масалович А. Пять шагов к вершине (портрет российского рынка аналитических систем) / А. Масалович // Рынок ценных бумаг, 1996. № 14 (77). - С.41-57.

109. Мейер Д. Теория реляционных баз данных / Д. Мейер М.: Мир, 1987. -608с.

110. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н. Мелихов, J1.C. Берштейн, С.Я. Коровин М.: Наука, 1990 - 272 с.

111. Месарович М. Теория иерархических многоуровневых систем / М. Месарович, Д. Мако, И. Такахара. М.: Мир, 1973. - 312с.

112. Мешалкин В.П. Экспертные системы в химической технологии / В.П. Мешалкин. М.: Химия, 1995.-368 с.

113. Мильнер Б.З Системный подход к организации управления / Б.З. Мильнер и др. М.: Экономика, 1983. - 224с.

114. Миркин Б.Г. Анализ качественных признаков и структур / Б.Г. Миркин. М.: Статистика, 1980. - 319 с.

115. Миркин Б.Г. Проблема группового выбора / Б.Г. Миркин. М.: Наука, 1974.-256 с.

116. Моисеев Н.Н. Математические задачи системного анализа / Н.Н. Моисеев. М.: Наука, 1981. - 488с.

117. Мулен Э. Кооперативное принятие решений: аксиомы и модели / Мулен Э.-М: Мир, 1991. -464 с.

118. Мухин О.И. Математическое моделирование банковской и коммерческой деятельности в системе "Stratum Computer" / О.И. Мухин, И.О. Сорокин //Проблемы информатизации высшей школы (Бюллетень Госкомвуза РФ) ГосНИИ СИ, 1995. Вып. 2.

119. Нариньяни A.C. Недоопределенность в системах представления и обработки знаний / A.C. Нариньяни //Известия АН СССР. Техническая кибернетика, 1986. № 5. - С. 3-28.

120. Негойце К. Применение теории систем к проблемам управления / К. Негойце. М.: Мир, 1981.-180 с.

121. Нейлор К. Как построить свою экспертную систему / К. Нейлор-М.:Энергоатомиздат, 1991.- 286 с.

122. Нечеткие множества в моделях управления и искусственного интеллекта /А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов; Под ред. Д.А. Поспелова М.:Наука.Гл.ред.физ.-мат. лит., 1986.-312 с.

123. Нечеткие множества и теория возможностей. Последние достижения/Под ред. P.P. Ягера.-М.: Радио и связь, 1986.^08 с.

124. Низамутдинов О.Б. Вариант решения задачи межцехового и внутрицехового управления в многокритериальной постановке / О.Б. Низамутдинов, Е.В. Долгова; ПНИ. Пермь, 1988, - 18 с. - Деп. В ЦНИИТЭИ приборостроения 5.02.88. № 4086.

125. Низамутдинов О.Б. Задача распределения ресурсов при формировании сменно-суточного задания / Е.В. Долгова, О.Б. Низамутдинов; ППИ. -Пермь, 1987. 12 с. - Деп. В ЦНИИТЭИ приборостроения 15.05.87 №3770-ПР.

126. Низамутдинов О.Б. Исследование поведения производственного потока в классе распределенных моделей управления : препринт/ УрО АН СССР; Низамутдинов О.Б., Советов Б.Я. Свердловск, 1988

127. Низамутдинов О.Б. Исследование интегрированной математической модели управления производством: препринт/ УрО АН СССР; О.Б. Низамутдинов, Б.Я. Советов, Е.В.Долгова. Свердловск, 1989. - 33 с.

128. Низамутдинов О.Б. Задача распределения ресурсов при формировании сменно-суточного задания / Е.В. Долгова, О.Б. Низамутдинов; ПНИ. -Пермь, 1987. 12 с. - Деп. В ЦНИИТЭИ приборостроения 15.05.87 №3770-ПР. 0,62 п.л.

129. Низамутдинов О.Б. Математическая модель сборки в стохастической постановке / Е.В. Долгова, О.Б. Низамутдинов, P.A. Файзрахманов; ППИ.

130. Пермь, 1985. 15 с. - Деп. В ВИНИТИ 26.12.85 №89336-В.

131. Норвич A.M. Фундаментальное измерение нечеткости / A.M. Норвич, И.Б. Турксен // Устойчивость в социально-экономических моделях. -М.: 1979.

132. Обработка нечеткой информации в системах принятия решений/ Борисов А.Н. и др. М.: Радио и связь, 1989

133. Орлов А.И. Задачи оптимизации и нечеткие переменные / А.И. Орлов-М.: Знание, 1980.-64 с.

134. Орлов А.И. Общий взгляд на статистику об'ектов нечисловой природы / А.И.Орлов //Анализ нечисловой информации в социологических исследованиях-М.: Наука, 1985.

135. Осипов Г.С.Построение моделей предметных областей.Ч.1. Неоднородные семантические сети / Г.С. Осипов // Техническая кибернетика, 1990, N 5. - С. 32 - 45.

136. Осуга С. Обработка знаний / С. Осуга. М.: Мир, 1989. - 293с.

137. Первозванский A.A. Математические модели в управлении производством / A.A. Первозванский. М.:Наука, 1975

138. Подиновский В.В. Оптимизация по последовательно применяемым критериям / В.В. Подиновский, В.М. Гаврилов М.: Сов. радио, 1975.

139. Попов Э.В. Экспертные системы / Э.В. Попов М: Наука, 1987. - 288 с.

140. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии / Г.С. Поспелов. - М.: Наука, 1988. - 280с.

141. Поспелов Д.А. Логико-лингвистические модели в системах управления Д.А. Поспелов- М.:Энергоиздат, 1981.-232 с.

142. Поспелов Д.А. Моделирование рассуждений / Д.А. Поспелов- М.: Радио и связь, 1989 184 с.

143. Поспелов Д.А. Ситуационное управление: теория и практика / Д.А. Поспелов.- М. Наука, 1986.- 288 с.

144. Построение экспертных систем / Под ред. Ф. Хейеса-Рота и др. М: Мир, 1987.-441 с.

145. Представление знаний в человеко-машинных и робототехнических системах.-М.:ВИНИТИ, 1984.

146. Прикладные нечеткие системы. /К.Асаи, Д.Ватада, С.Иваи и др.; Под ред. Т.Тэрано, К.Асаи, М.Сугено. М.: Мир, 1993. - 368с.

147. Приобретение знаний /Под ред. С.Осуги, Ю.Саэки. М.: Мир, 1990. -304с.

148. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием / О.И. Пятковский. -Барнаул: АлтГТУ, 1999. 351 с.

149. Райков А.Н. Аналитическим службам информационные технологии / А.Н. Райков // Ваш выбор, 1994. - № 4. - С.28-29.

150. Райков А.Н. Гносеологическая декомпозиция процессов рефлексивного управления / А.Н. Райков // Международный симпозиум "Рефлексивное управление": тезисы / Ин-т психол. РАН. М., 2000. - С.89-90.

151. Райфа Г. Анализ решений. Введение в проблемы выбора в условиях неопределенности / Г.Райфа. М.: Наука, 1977. - 120с.

152. Раяцкас P.JI. Количественный анализ в экономике / P.JI. Раяцкас, М.К.

153. Плакунов. М: Наука, 1987. - 391с.

154. Рейнгольд Э. Комбинаторные алгоритмы. Теория и практика / Э.Рейнгольд, Ю. Нивергельт, Н. Део. М.: Мир, 1980. - 476с.

155. Джан Роберт Г. Границы реальности. (Роль сознания в физическом мире)/ Роберт Г.Джан, Бренда Дж.Данн М.: Объединенный институт высоких температур РАН, 1995. - 287с.

156. Рыбина Г.В. Технология проектирования прикладных экспертных систем / Г.В. Рыбина. М.: МИФИ, 1991.- 104 с.

157. Семь инструметов качества в японской экономике- М.: Изд-во стандартов, 1990 80 с.

158. Симанков B.C., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов / B.C. Симанков, Е.В.Луценко //Автоматизация и современные технологии, 1999. № 1. -С.32-37.

159. Сойер Б. Программирование экспертных систем на Паскале / Б. Сойер, Д.Л. Фостер- М.: Финансы и статистика, 1990 191 с.

160. Сокал P.P. Кластер-анализ и классификация: предпосылки и основные направления / P.P. Сокал // Классификация и кластер / Под ред. Дж.Вэн Райзина.- М:Мир, 1980.- С. 7 19.

161. Соколов E.H. Нейроинтеллект: от нейрона к нейрокомпьютеру / Соколов E.H., Вайткявичус Г.Г. М.: Наука ,1989.

162. Соколов Н. Информационные хранилища для систем принятия решений.

163. Н.Соколов, А.Ляшков // Рынок ценных бумаг, 1996. № 14 (77). - С.45-51.

164. Соколовский В.И. Нейросетевая процедура в многокритериальных задачах принятия решений с учетом заданных предпочтений / В.И. Соколовский // Приборы и системы, 2002. № 9.

165. Статистические методы повышения качества/ Под. ред. X. Кумэ- М.: Финансы и статистика, 1990 304 с.

166. Статистический и дискретный анализ данных и экспертное оценивание // Материалы IV Всесоюзной школы-семинара. Одесса: Изд-во ОПИ, 1991. -360 с.

167. Стефанюк B.JI. Некоторые аспекты теории экспертных систем/ B.JI. Стефанюк // Известия АН СССР. Техническая кибернетика, 1987. N 2. - С. 85-91.

168. Такеда Э. Связность расплывчатых графов / Э. Такеда // Вопросы анализа и процедуры принятия решений.- М.:Мир, 1976. с. 216-228.

169. Тарасов В.Б. Инструментальные средства разработки нечетких интеллектуальных систем / В.Б. Тарасов // Новости искусственного интеллекта, 1991.- №3.- с. 93-107.

170. Тарасов В.Б. Моделирование предпочтений в задачах принятия решений с параметризованными нечеткими отношениями/ В.Б. Тарасов // Нечеткие системы: моделирование структуры и оптимизация. Калинин: Изд-во КГУ, 1987.-С. 17-30.

171. Тарасов В.К. Персонал-технология: отбор и подготовка менеджеров / В.К. Тарасов. Л.: Машиностроение, 1989. - 368 с.

172. Таунсенд К. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таунсенд, Д. Фохт.- М.: Финансы и статистика, 1990.- 320 с.

173. Тейз А. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А.Тейз,

174. П.Грибомон, Ж.Луи и др. М.:Мир, 1990.- 432 с.

175. Темников Ф.Е. Теоретические основы информационной техники / Ф.Е. Темников, В.А. Афонин, В.И. Дмитриев. М.: Энергия, 1979. - 511с.

176. Терелман В.В. Представление множеств в недоопределенных моделях / В.В. Терелман, Г.Б. Загорулько /ЛИ конференция по искусственному интеллекту/ КИИ. Киев. 1992. - с. 63 - 67.

177. Уинстон Н. Искусственный интеллект / Н. Уинстон.- М: Мир, 1980. -519 с.

178. Ульянов C.B. Нечеткие модели логических регуляторов с интеллектуальными системами управления мобильными робототехническими комплексами / С.В.Ульянов // Обработка динамической информации в интеллектуальных системах. -М., 1992, с. 133-185.

179. Уотермен Д. Руководство по экспертным системам / Д. Уотермен- М: Мир, 1989.-388 с.

180. Файзрахманов P.A. Концепция иерархической системы управления материальными производственными потоками с учетом влияния факторов среды / P.A. Файзрахманов /Щриборы и системы. Управление, контроль, диагностика, 2002. № 8.

181. Файзрахманов P.A. Производственные ресурсы как важнейший фактор оперативного управления материальными потоками / P.A. Файзрахманов // Приборы и системы. Управление, контроль, диагностика, 2002. № 9.

182. Файзрахманов P.A. Моделирование и управление материальными потоками производственной системы с учетом факторов неопределенности и риска / P.A. Файзрахманов. Пермь: Издательство Пермского университета, 2002.

183. Финн В.К. Индуктивные модели / В.К. Финн // Представление знаний в человеко-машинных и робототехнических системах. М.:ВИНИТИ, 1984

184. Фейгин JI.M. Распределение ресурсов при нечетных ограничениях / Л.М. Фейгин // Изв. АН СССР. Техн. Киберн, 1987. №3.

185. Форрестер Дж. Основы кибернетики предприятия/ Дж Форрестер; пер. с англ. М.:Прогресс, 1971

186. Хорошевский В.Ф. Автоматизация программирования экспертных систем / В.Ф. Хорошевский М.: МИФИ, 1988 - 64 с.

187. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах В.Ф. Хорошевский.-М.: МИФИ, 1988.-44 с.

188. Цаленко М.Ш. Моделирование семантики в базах данных / М.Ш. Цаленко. М: Наука, 1989. - 288с.

189. Черняк Ю.И. Системный анализ в управлении экономикой / Ю.И. Черняк. М.: Экономика, 1975. - 191с.

190. Чуев И.Н. Анализ финансово-хозяйственной деятельности / И.Н. Чуев, Л.Н. Чечевицына. Ростов-на-Дону: Феникс, 2004. - 367 с.

191. Шалютин С.М. Искусственный интеллект / С.М. Шалютин. М.: Мысль, 1985. - 196с.

192. Экспертные системы. Принципы работы и примеры / Под ред. Р. Форсайта М.: Радио и связь, 1987. - 224 с.

193. Экспертные системы: состояние и перспективы /Под ред. Д.А. Поспелова. М.: Наука, 1989 - 152 с.

194. Элти Дж. Экспертные системы: концепции и примеры / Дж.Элти, М. Кумбс. -М.: Финансы и статистика, 1987. 191с.

195. Юзвишин И.И. Информациология или закономерности информационных процессов и технологий в микро- и макромирах Вселенной / И.И. Юзвишин. М.: Ин-формациология,1996. - 214с.

196. Abe S. Tuning of a fuzzy classifier derived from data / S. Abe, M.-S. Lan, R. Thawonmas // Int. J. Of Approx. Reasoning, 1996. № 14. - p. 1 - 24.

197. Aczel J. Lectures on Functional Equations and Their Applications / J. Aczel.

198. New York: Academic Press, 1966.

199. Adachi G. A new linguistic design method of fuzzy controller using a description of dynamical behavior of fuzzy control systems / G. Adachi, S.I. Horikawa, T. Furuhashi, Y. Uchikawa // Proc. of the American Control Conf. -Seattle, Washington, 1995.

200. Aho A.V. The Design and Analysis of Computer Algorithms / A.V. Aho, J.E. Hopcroft, J.D.Ullman. Massachusetts: Addison-Wesley, 1976.

201. Ait Abderrahim K. Comparison of fuzzy logic and state feedback control of a nonlinear system / K. Ait Abderrahim, C. Touseau // FLINS'94. p. 97 - 102.

202. Aldenderfer M.SCluster Analysis / M.S. Aldenderfer, R.K. Blashfield: Sage Publications, 1984.

203. Almond R. G. Discussion: Fuzzy logic: better Science? Or better engineering? / Almond R. G. Almond // Technometrics, 1995. vol. 37, 3. - p. 267 - 270.

204. Alsina C. On a family of connectives for fuzzy sets / C. Alsina // Fuzzy Sets and Systems, 1985. № 16. - p. 231 - 235.

205. Alsina C. On uniformly close fuzzy preorders / C. Alsina, E. Trillas // Fuzzy Sets and Systems, 1993. № 53. - p. 343 - 346.

206. Ambrosio R. Maximum and minimum between fuzzy symbols in non-interactive and weakly non-interactive situations / R. Ambrosio, G.B. Martini // Fuzzy Sets and Systems, 1984. № 12. - p. 27 - 35.

207. Arora P.N. On characterizing some generalizations of Shannon's entropy / P.N. Arora // Information Sciences, 1980. № 21. - p. 13-22.

208. Bandler W. Fuzzy power sets and fuzzy implication operators / W. Bandler //Fuzzy Sets and Systems, 1980. V. 4,. - p. 13-30.

209. Barrett C.R. On choosing rationally when preferences are fuzzy / C.R. Barrett, P.K. Pattanaik, M.Salles // Fuzzy Sets and Systems, 1990. № 34. - p. 197 -212.

210. Bellman R. Abstraction and pattern classification / R. Bellman, R. Kalaba, L.A. Zadeh // Journal of Mathematical Analysis and Applications, 1966. v. 13. -p. 1-7.

211. Benferhat S. Inconsistency management and prioritized syntax-based entailment / S. Benferhat, C. Cayrol, D. Dubois, J. Lang, H. Prade // 13th Intern. Joint Conf. on Artificial Intelligence. Chambery, 1993. - p. 640-645.

212. Berenji H. R. A reinforcement learning based architecture for fuzzy logic control / H. R. Berenji // Int. J. of Approx. Reasoning, 1992. - № 6. - p. 267 - 292.

213. Berger M. A new parametric family of fuzzy connectives and their application to fuzzy control / Berger M. // Fuzzy Sets Syst., 1998io vol. 93. - p. 1-16.

214. Bersini H. Now comes the time to defuzzify neuro-fuzzy models / H. Bersini, G. Bontempi //Fuzzy Sets and Systems, 1997. № 90. - p. 161-169.

215. Bezdek J.C. Fuzzy models and digital signal processing (for pattern recognition): is this a good marriage? / J.C. Bezdek // Digital Signal Processing, 1993.-№3-p. 253-270.

216. Blanco A. A learning procedure to identify weighted rules by neural networks / A. Blanco, M. Delgado, I. Requena // Fuzzy Sets and Systems, 1995. № 69. - p. 29-36.

217. Bonissone P.P. Discussion: Fuzzy logic control technology: a personal perspective / P.P. Bonissone // Technometrics, 1995. № 3. - p. 262 - 266.

218. Bouyssou D. Acyclic fuzzy preference and the Orlovsky choice function: a note / D. Bouyssou // Fuzzy Sets and Systems, 1997. № 89. - p. 107 - 111.

219. Buchanan B. Rule-based expert systems / B. Buchanan: the MYCIN experiments of the Stanfort Heuristic Progrqamm9ng Project. 1984.

220. Bundy A. Incidence calculus: a mechanism for probabilistic reasoning / A.

221. Bundy// J. Aut. Res, 1985. N 3.

222. Buxton R. Modelling uncertainty in expert systems / R. Buxton // Int. J. Man-Machine Studies, 1989. v. 31.-p. 415-476.

223. Capocelli R. Fuzzy sets and decision theory / R. Capocelli, A. De Luca // Information and Control, 1973 . v. 23. - p. 446 - 473.

224. Carlsson C. Fuzzy if-then rules for modeling interdependencies in FMOP problems / C. Carlsson, R. Fuller // Proceedings of the Second European Congress on Intelligent Techniques and soft Computing. Aachen, Germany, 1994. - v. 3.

225. Castro J.L. Expert systems validation / J.L. Castro, J.M. Zurita, E. Trillas // VI IFSA World Congress. Sao Paulo, Brazil, 1995. - v. 1. - p. 41 - 44.

226. Cervinka 0. Automatic tuning of parametric T-norms and T-conorms in fuzzy modeling / O. Cervinka // Proc. 7th IFSA World Congress. Prague: ACADEMIA, 1997.-vol. 1.-p. 416-421.

227. Chakraborty M.K. Some aspects of 0,1.—fuzzy relation and a few suggestions towards its use / M.K. Chakraborty, S. Sarkar, M. Das // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. p. -139-156.

228. Cheeseman P. Discussion: Fuzzy thinking / P. Cheeseman // Technometrics, 1995.-v. 37 (3).-p. 282-283.

229. Classification and Clustering / Ed. by J. Van Ryzin. Academic Press, 1977.

230. Cordon 0. Applicability of the fuzzy operators in the design of fuzzy logic controllers / O. Cordon, F. Herrera, A. Peregrin // Fuzzy Sets and Systems, 1997. -№86.-p. 15-41.

231. Cunningham K.M. Evaluation of hierarchical grouping techniques: a preliminary study / K.M. Cunningham, J.C. Ogilvie // The Computer Journal. № 15.-p. 209-213.

232. D'Ambrosio B. Extending the Mathematics in Qualitative Process Theory / B. D'Ambrosio // Internat. J. of Intelligent Systems, 1989. № 4. - p. 55-80.

233. Davison M.L. Multidimensional scaling / M.L. Davison. New York:John Wiley & Sons, 1983.

234. De Baets B. Fuzzy preference structures and their characterization / B.De Baets, E. Kerre, B. Van der Walle // The Journal of Fuzzy Mathematics, 1995. № 3.

235. De Luca A. On the convergence of entropy measures of a fuzzy sets / A. De Luca, S. Termini // Kybernetes, 1977. v. 6. - P. 219 - 227.

236. Delgado M. On the use of hierarchical clustering in fuzzy modeling / M. Delgado, A.F.Gomez-Skarmeta, A. Vila // Int. J. Of Approx. Reasoning, 1996. -№14.- P. 237-257.

237. Di Nola A. Fuzzy relation equations and algorithms of inference mechanism in expert systems / A. Di Nola, W. Pedrycz, S. Sessa // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. - p. 355-367.

238. Diday E. Optimisation en classification automatique / E. Diday et coll. -INRIA, 1979.

239. Dombi J. Basic concepts for a theory of evaluation: the aggregative operator / J. Dombi // European Journal of Operational Research, 1982. № 10. - P. 282 -293.

240. Driankov D. An Introduction to Fuzzy Control / D. Driankov, H. Hellendoorn, M. Reinfrank. Berlin: Springer, 1996. - 316 p.

241. Dubois D. A logical approach to interpolation based on similarity relations / D. Dubois, F. Esteva, P. Garcia, L. Godo, H. Prade. Barcelona: Report de Recerca IIIA 96/07, 1996.

242. Duda R. Pattern classification and scene analysis / R. Duda, P. Hart. New York: Wiley-Interscience, 1973.

243. ESPRIT European strategic programme for research and development in information technology. Progress and results. - Luxemburg: Office for Official

244. Publications of the European Communities, 1991.

245. Esteva F. On Negations and Algebras in Fuzzy Set Theory / F. Esteva. -Berkeley, California: Report No. UCB/CSD 87/330,1986.

246. Esteva F. Weak and strong negation functions for fuzzy set theory / F. Esteva, E. Trillas, X. Domingo // Proceedings of the Eleventh Int. Symp. on Multiple-Valued logic. Norman, 1981. - p. 23-26.

247. Fargier H. Selecting preferred solutions in fuzzy constraint satisfaction problems / H. Fargier, J. Lang, T. Schiex // Proc.of First European Congress on Fuzzy and Intelligent Technologies. Aachen, 1993. - v.3. - p. 1128-1134.

248. Fishburn P.C. Utility Theory for Decision Making / P.C. Fishburn. New York: John Wiley & Sons, 1970.

249. Fisher R.A. The use of multiple measurements in taxonomic problems / Fisher R.A. // Ann. Eugenics, 1936. v.7. - p. 179 - 188.

250. Fodor J. Fuzzy Preference Modelling and Multicriteria Decision Support / J. Fodor, M. Roubens. Dordrecht: Kluwer Academic Publishers, 1994.

251. Forbus K.D. Qualitative Process Theory / K.D.Forbus // Artificial Intelligence, 1984. -№ 1-3. p. 83-168.

252. Forsyth R. (Ed.) Expert systems. Principles and case studies / R. Forsyth (Ed.).- London: Chapman and Hall, 1984.

253. FUBEST'94. The First Workshop on Fuzzy Based Expert Systems. Proceedings. Sofia, Bulgaria, 1994. - 143 p.

254. Fung L.W. An axiomatic approach to rational decision making in a fuzzy environment / L.W. Fung, K.S. Fu // Fuzzy Sets and their Applications to Cognitive and Decision Processes. New York: Academic Press, 1975.

255. Gupta M.M. Approximate Reasoning in Expert Systems / M.M. Gupta, A. Kandel, W. Bandler, J.B. Kiszka (eds.). Elsevier Science Publishers V.B., 1985.

256. Haralick R.M. The pattern recognition, arrangement, and theory of covers / R.M. Haralick // IEEE Conf. Of Image Processing. Troy, 1977. - № 4.

257. Herrera F. A model of consensus in group decision making under linguistic assessments / F. Herrera, E. Herrera-Viedma, J.L. Verdegay // Fuzzy Sets and Systems, 1996. № 78. - c. 73- 87.

258. Horikawa S.I. On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm / S.I. Horikawa, T. Furuhashi, Y. Uchikawa // IEEE Trans, on Neural Networks, 1992. № 5 - p. 801 - 806.

259. Hubert L. J. Experimental comparison of hierarchical grouping etalon models on r-diameter of confirming index / L. J. Hubert, F.B. Baker // Classification and Clustering. Academic Press, 1977.

260. Iancu I. T-norms with threshold /1. Iancu // Fuzzy Sets and Systems, 1997. -№85.-P. 83-92.

261. Klawonn F. Generating rules from data by fuzzy and neuro-fuzzy methods / F. Klawonn, D. Nauck, R. Kruse // Proceedings of the Third German GI-Workshop "Fuzzy-Neuro-Systeme'95". Darmstadt, Germany, 1995.

262. Kruskal J. B. Multidimensional Scaling and cluster analysis / J. B. Kruskal // Classification and Clustering. Academic Press, 1977.

263. Lance G.N. A general theory of classificatory sorting strategies I. Hierarchical systems / G.N.Lance, W.T. Williams // Comput. J., 1969. № 4. - p. 373 - 380.

264. Laviolette M. A probabilistic and statistical view of fuzzy methods / M. Laviolette, J. W. Seeman, J.D. Barrett, W.H. Woodall // Technometrics, 1995. -№3, p. 249-261.

265. Lee C.C. Fuzzy logic in control systems: fuzzy logic controller / C.C. Lee // IEEE Trans. SMC, 1990. № 2 (20).

266. Lin C.T. Neural Fuzzy Control Systems with Structure and Parameter Learning / C.T. Lin // World Scientific. Singapore, 1994. - p. 127

267. Ling C.H. Representation of associative functions / C.H. Ling // Publ. Math. Debrecen, 1965.-vol. 12.- p. 189-212.

268. Loo S.G. Measures of fuzziness / S.G. Loo // Cybernetica, 1977. № 3. - p.201.210.

269. Michalsky R.A. A theory and methodology of inductive learning / R.A. Michalsky // Artif. Intell, 1983. № 2

270. Michels K. Numerical stability analysis for a fuzzy or neural network controller / K. Michels // Fuzzy Sets and Systems, 1997. № 89. - p. 335 - 350.

271. Mizumoto M. Fuzzy controls under various fuzzy reasoning methods / M. Mizumoto // Information Sciences, 1988. № 45. - p. 129 - 151.

272. Morgan C.G. Hypothess generation by machine / C.G. Morgan // Artif. Intell, 1971.-v. 23

273. Nakayama S. Knowledge acquisition of strategy and tactics using fuzzy neural networks / S. Nakayama, S.I. Horikawa, T. Furuhashi, Y. Uchikawa // IJCNN92. Baltimore, 1992. - v. II. - p. 751 - 756.

274. Nauck D. Beyond neuro-fuzzy: perspectives and directions / D. Nauck // EUFIT'95,1995. 1159 - 1164.

275. Negoita C.V. Applications of fuzzy sets to systems analysis / C.V. Negoita, D.A. Ralesku. Basel: Birkhausner Verlag, 1975.

276. Novak V. The position of fuzzy logic in rule-based expert systems / V. Novak, J. Ivanek // Proceedings of VI IFSA World Congress'95 Sao Paulo, Brasil, 1995.- v.l.-p.33-35.

277. Nozaki K. A simple but powerful heuristic method for generating fuzzy rules from numerical data / Nozaki K., Ishibuchi H., Tanaka H. // Fuzzy Sets and Systems, 1997. № 86. - p. 251 - 270.

278. Peng Y. Abductive Inference Models for Diagnostic Problem-Solving / Y. Peng, J.A. Reggia. -New-York: Springer-Verlag, 1987.

279. Reggia J.A. A theoretical foundation for abductive expert systems / J.A. Reggia, D.S. Nau, Y. Peng, B. Perricone // Approximate Reasoning in Expert Systems. North-Holland: Elsevier Science Publishers V.B., 1985. p. 459-472.

280. Segapeli J.-L. Building a hierarchy of classes from examples / J.-L. Segapeli,

281. A. Cavarero, J.-L. Cavarero // IPMU-96. Granada, 1996. - p. 265 - 270

282. Shortliffe E. Computer based medical consultations: MYCIN / E. Shortliffe. -New York: American Elsevier, 1976.

283. Silvert W. Symmetric summation: a class of operations on fuzzy sets / W.Silvert // IEEE Trans, on Systems, Man, and Cybernetics, 1979. № 10. - p. 657-659.

284. Skala H.J. On many-valued logics, fuzzy sets, fuzzy logics and their applications / H.J. Skala // Fuzzy Sets and Systems, 1978. № 1. - p. 129 - 149.

285. Yager R.R. On the theory of bags / R.R. Yager // Int. J. General Systems, 1986.-№13.-p. 23-37

286. Yager R.R. Retrieving Information by Fuzzification of Queries / R.R. Yager, H.L. Larsen // Journal of Intelligent Information Systems, 1993. v.2, № 4. - p. 421-441.

287. Yen J. Constructing optimal fuzzy models using statistical information criteria / Yen J., Wang L. // Proc. Int. Symp. Artificial Intelligence. Mexico, 1996io.- p. 395-402.

288. Zadeh L.A. Fuzzy algorithms / L.A. Zadeh // Information and Control, 1968-№12.-p. 94-102.

289. Zadeh L.A. Quantitative fuzzy semantics / L.A. Zadeh // Information Sciences, 1971.- №3.-p. 159-176.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.