Параметрический синтез проектных решений при предварительном проектировании технических объектов в условиях неопределенности тема диссертации и автореферата по ВАК РФ 05.13.12, доктор наук Вересников Георгий Сергеевич

• Вересников Георгий Сергеевич
• доктор наук
• 2020

Оглавление диссертации доктор наук Вересников Георгий Сергеевич

ВВЕДЕНИЕ

Глава 1. АНАЛИЗ МОДЕЛЕЙ И АЛГОРИТМОВ СИНТЕЗА ПРОЕКТНЫХ РЕШЕНИЙ В СИСТЕМАХ ПРЕДВАРИТЕЛЬНОГО ПРОЕКТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

1.1. Задачи параметрического синтеза проектных решений в системах предварительного проектирования технических объектов

1.2. Программные средства проектирования технических объектов в условиях неопределенности параметров

1.3. Способы моделирования неопределенности параметров технических объектов

1.4. Модели и алгоритмы синтеза параметров технических объектов в условиях параметрической неопределенности

1.4.1. Подходы к синтезу параметров технических объектов в условиях неопределенности параметров с использованием детерминированных моделей

1.4.2. Оптимизационные модели для синтеза параметров технических объектов в условиях параметрической алеаторной неопределенности

1.4.3. Оптимизационные модели для синтеза параметров технических объектов в условиях параметрической эпистемической неопределенности

1.4.4. Оптимизационные модели для синтеза параметров технических объектов в условиях параметрической смешанной неопределенности

1.5. Алгоритмы подготовки данных к параметрическому синтезу

1.5.1. Методы аппроксимации функций, зависящих от многих переменных

1.5.2. Методы снижения размерности пространства параметров для аппроксимации функций многих переменных

ВЫВОДЫ

Глава 2. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ПАРАМЕТРИЧЕСКОГО СИНТЕЗА ДЛЯ СИСТЕМ ПРЕДВАРИТЕЛЬНОГО ПРОЕКТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ ПАРАМЕТРОВ

2.1. Основные положения теории неопределенности, применяемые в исследовании

2.2. Методика решения оптимизационных задач при синтезе параметров технических объектов в условиях параметрической алеаторной и эпистемической неопределенности

2.2.1. Построение оптимизационных моделей в условиях эпистемической неопределенности

2.2.2. Построение оптимизационных моделей в условиях смешанной неопределенности

2.3. Алгоритмы расчета числовых характеристик функций и ограничений от недетерминированных параметров

2.4. Синтез параметров симметричной двухэлементной опорной

конструкции

ВЫВОДЫ

Глава 3. ПОДГОТОВКА ДАННЫХ К ПАРАМЕТРИЧЕСКОМУ СИНТЕЗУ В СИСТЕМАХ ПРЕДВАРИТЕЛЬНОГО ПРОЕКТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

3.1. Методы и алгоритмы сбора и обработки данных о параметрах с эпистемической неопределенностью

3.2. Снижение размерности пространства параметров для получения аналитического представления целевых функций/ограничений на основе

эмпирических данных

ВЫВОДЫ

Глава 4. РАЗРАБОТКА ИНСТРУМЕНТАЛЬНОЙ ПРОГРАММНОЙ СРЕДЫ ДЛЯ ПАРАМЕТРИЧЕСКОГО СИНТЕЗА ПРОЕКТНЫХ РЕШЕНИЙ В

СИСТЕМАХ ПРЕДВАРИТЕЛЬНОГО ПРОЕКТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

4.1. Структура информационного взаимодействия функциональных блоков инструментальной программной среды для решения задач синтеза параметров технических объектов в условиях параметрической неопределенности

4.2. Операции синтеза параметров технических объектов

4.2.1. Многовариантное моделирование в условиях параметрической неопределенности

4.2.2. Апостериорный анализ решений по синтезу параметров технических объектов

4.3. Прототип инструментальной программной среды для решения задач синтеза параметров технических объектов в условиях параметрической неопределенности

4.4. Разработка алгоритмической основы решения задач синтеза ряда параметров при предварительном проектировании летательных аппаратов в

условиях параметрической неопределенности

ВЫВОДЫ

Глава 5. МОДЕЛИ И АЛГОРИТМЫ СИНТЕЗА ВЕСОВЫХ ПАРАМЕТРОВ ЛЕТАТЕЛЬНОГО АППАРАТА В УСЛОВИЯХ ПАРАМЕТРИЧЕСКОЙ СМЕШАННОЙ НЕОПРЕДЕЛЕННОСТИ

5.1. Постановка задачи синтеза весовых параметров летательного аппарата в условиях параметрической смешанной неопределенности

5.2. Алгоритмы и результаты синтеза весовых параметров летательного

аппарата

ВЫВОДЫ

Глава 6. МОДЕЛИ И АЛГОРИТМЫ СИНТЕЗА ПАРАМЕТРОВ СИЛОВОЙ УСТАНОВКИ ЛЕТАТЕЛЬНОГО АППАРАТА В УСЛОВИЯХ ПАРАМЕТРИЧЕСКОЙ ЭПИСТЕМИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ

6.1. Постановка задачи синтеза параметров силовой установки и разработка оптимизационной модели с неопределенными параметрами

6.2. Модели оптимального робастного проектирования параметров силовой установки в условиях эпистемической неопределенности

6.3. Оптимизационная модель при наличии неопределенных

оптимизируемых параметров

ВЫВОДЫ

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИНЯТЫЕ СОКРАЩЕНИЯ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Параметрический синтез проектных решений при предварительном проектировании технических объектов в условиях неопределенности»

Актуальность темы.

Процесс проектирования сложных технических объектов (ТО), требующий решения задач синтеза значительного количества параметров, представляет собой многоэтапный итерационный процесс, характеризующийся возрастающей детализацией проектных решений и связанный с формированием данных, позволяющих принимать обоснованные решения, базирующиеся на оптимальных компромиссах, снижающих экономические и технические риски.

Накопленный инженерной практикой опыт разработки ТО лежит в основе разделения процесса проектирования на внешнее (концептуальное) и внутреннее проектирование, состоящее из условно выделенных этапов предварительного, эскизного и рабочего проектирования. В результате выполнения тесно взаимосвязанных этапов концептуального и предварительного проектирования формируются окончательный вариант технического задания и аванпроект (предварительный проект, в котором содержатся и обосновываются основные проектные решения). Формирование этих документов может занимать годы работы высококвалифицированных специалистов, поскольку в них отражаются проектные решения, в основном остающиеся неизменными на всех последующих этапах разработки ТО, но при этом формируемые в условиях неопределенности параметров на основе эмпирического опыта разработчиков, базирующегося на недостаточно полной и достоверной информации (не позволяющей оценить надежность/уровень вероятности удовлетворения проектных решений техническим требованиям).

На начальных этапах проектирования ТО полный набор исходных данных, как правило, не может быть точно определен вследствие того, что значения ряда параметров становятся известны на завершающих этапах проектирования ТО, когда основные проектные решения уже приняты,

известен конкретный состав и тип оборудования, определена технология производства, проведены испытания. Данные о проектируемом ТО нередко являются результатом обработки экспертной или статистической информации, и в этом случае параметры ТО представлены недетерминированными величинами, точные значения которых неизвестны в момент принятия проектных решений. В связи с этим требуется разработка эффективных систем предварительного проектирования (СПП), включающих программные средства, применяемые на ранних этапах проектирования ТО в условиях неопределенности параметров.

Современные СПП ТО в основном базируются на детерминированных и вероятностных моделях и алгоритмах параметрического синтеза, включенных в подсистемы инженерного анализа САПР. Если точные значения параметров ТО неизвестны, то применение расчетных и оптимизационных моделей, предназначенных для вычислений с детерминированными значениями, может привести к неэффективным и недопустимым решениям. В связи с этим необходимость учета неопределенности параметров при проектировании ТО в настоящее время повсеместно признана, а научные исследования в данной области имеют высокую актуальность и практическую значимость. Проблема недостатка статистических данных, необходимых для применения вероятностных моделей и алгоритмов на предварительных этапах проектирования, обуславливает необходимость разработки СПП ТО, обеспечивающих решение задач параметрического синтеза на основе обработки экспертных данных.

Проблемами предварительного проектирования сложных технических объектов занимались Croisard N., Hemsch M.J., Nikolaidis E., Wang J.X., Zang T.A., Андрейчикова О.Н., Белецкая С.Ю., Богуславский И.В., Вишнеков А.В., Пухов А.А., Смердов А.А., Сороколетов П.В., Таганов А.И., Фортинов Л.Г., Ярушкина Н.Г. и многие другие. В работах, посвященных этим проблемам,

обычно используются детерминированные и вероятностные методы, а применение теорий, предназначенных для работы с экспертной информацией, ограничивается решением задач многокритериальной оценки альтернативных вариантов проектных решений. В связи с этим проблема предварительного проектирования ТО в условиях неопределенности параметров с использованием моделей и алгоритмов параметрического синтеза проектных решений является недостаточно исследованной и определяет важность и актуальность теоретических и прикладных исследований диссертационной работы.

Объектом исследования является предварительное проектирование ТО в условиях неопределенности параметров с использованием моделей и алгоритмов параметрического синтеза проектных решений.

Целью диссертационной работы является разработка научных основ параметрического синтеза проектных решений с использованием экспертной и статистической информации в СПП ТО.

Достижение поставленной цели потребовало решения следующих

задач:

1. Обосновать необходимость разработки СПП ТО для параметрического синтеза проектных решений в условиях неопределённости параметров.

2. Провести анализ существующих моделей и алгоритмов синтеза проектных решений для разработки СПП ТО.

3. Обосновать способы представления неопределенности параметров ТО в СПП.

4. Разработать методику решения оптимизационных задач в СПП при синтезе параметров ТО в условиях параметрической алеаторной и эпистемической неопределенности.

5. Разработать и исследовать оптимизационные модели параметрического синтеза с критериями оптимизации, позволяющими обеспечить

усреднение целевых функций по недетерминированным параметрам, надежность и робастность решений.

6. Разработать алгоритмы вычисления числовых характеристик целевых функций и ограничений для выполнения расчетов по предложенным оптимизационным моделям.

7. Разработать алгоритмы подготовки данных к параметрическому синтезу в СПП ТО.

8. Разработать инструментальную программную среду для реализации алгоритмов параметрического синтеза в СПП ТО.

9. Рассмотреть эффективность применения разработанных моделей и алгоритмов для решения некоторых задач синтеза параметров летательных аппаратов (ЛА) на предварительных этапах проектирования.

Методы исследования. В основе проведенного исследования лежат методы моделирования эпистемической, алеаторной и смешанной неопределенностей, кластерного, регрессионного анализа, многокритериальной оптимизации, вычислительной математики. Научная новизна заключается в следующем:

1. Разработаны научные основы параметрического синтеза проектных решений в СПП ТО.

2. С использованием теории неопределенности предложена методика решения оптимизационных задач в СПП при синтезе параметров ТО в условиях параметрической алеаторной и эпистемической неопределенности.

3. Предложены оптимизационные модели для синтеза параметров ТО, в которых целевые функции и ограничения зависят как от входных, так и от оптимизируемых неопределенных параметров.

4. Предложены оптимизационные модели для синтеза параметров ТО в условиях смешанной неопределенности, когда целевые функции и

ограничения зависят как от неопределенных, так и от случайных параметров.

5. Получены аналитические выражения числовых характеристик функций, зависящих от неопределенных и случайных параметров.

6. Предложены алгоритмы обработки экспертных данных о неопределенных параметрах в СПП ТО на основе кластерного анализа и интерактивного метода структурирования данных.

7. Создана методология построения инструментальной программной среды для параметрического синтеза проектных решений в СПП ТО.

8. Впервые для решения задач синтеза весовых параметров ЛА и параметров силовой установки ЛА применены оптимизационные модели параметрического синтеза проектных решений, в которых целевые функции и ограничения зависят от неопределенных и случайных параметров.

Достоверность научных положений, выводов и практических рекомендаций, полученных в диссертационной работе, подтверждена анализом отечественных и зарубежных работ по предмету исследования; анализом, обоснованием и апробацией предлагаемых моделей, алгоритмов и программных решений; результатами формализации и решения прикладных задач параметрического синтеза при предварительном проектировании ЛА в условиях неопределенности параметров.

Соответствие шифру специальности. Работа соответствует специальности 05.13.12 - «Системы автоматизации проектирования» в части обработки информации по пунктам паспорта специальности ВАК:

• п.1 - Методология автоматизированного проектирования в технике, включая постановку, формализацию и типизацию проектных процедур и процессов проектирования, вопросы выбора методов и средств для применения в САПР;

• п.3 - Разработка научных основ построения средств САПР, разработка и исследование моделей, алгоритмов и методов для синтеза и анализа проектных решений, включая конструкторские и технологические решения в САПР и АСТПП;

• п.6 - Разработка научных основ реализации жизненного цикла проектирование - производство - эксплуатация, построения интегрированных средств управления проектными работами и унификации прикладных протоколов информационной поддержки. Практическая ценность результатов.

Разработана теоретическая и алгоритмическая основа нового класса подсистем САПР для параметрического синтеза, позволяющих сократить время проектирования и достичь улучшенных показателей качества проектируемых ТО.

Результаты теоретических исследований были использованы при создании:

• программных средств, предназначенных для синтеза:

о весовых параметров ЛА;

о параметров силовой установки ЛА, удовлетворяющих требованиям по дальности сверхзвукового крейсерского полета и приоритетным дозвуковым тактико-техническим требованиям;

• прототипа инструментальной программной среды, предназначенной для решения задач синтеза параметров ТО в СПП в условиях параметрической неопределенности.

Реализация и внедрение результатов исследования. Результаты работы реализованы и использованы в Центральном аэрогидродинамическом институте имени профессора Н. Е. Жуковского, Национальном исследовательском центре «Институт имени Н.Е. Жуковского».

Основные положения, выносимые на защиту.

1. Методика решения оптимизационных задач в СПП при синтезе параметров ТО в условиях параметрической алеаторной и эпистемической неопределенности.

2. Оптимизационные модели для синтеза параметров ТО, в которых целевые функции и ограничения зависят как от входных, так и от оптимизируемых неопределенных параметров.

3. Оптимизационные модели для синтеза параметров ТО в условиях смешанной неопределенности, когда целевые функции и ограничения зависят как от неопределенных, так и от случайных параметров.

4. Аналитические выражения числовых характеристик функций, зависящих от неопределенных и случайных параметров, и алгоритмы для их расчета.

5. Алгоритмы обработки экспертных данных о неопределенных параметрах в СПП ТО на основе кластерного анализа и интерактивного метода структурирования данных.

6. Методология создания инструментальной программной среды для параметрического синтеза проектных решений в СПП ТО.

7. Модели и алгоритмы синтеза весовых параметров ЛА, удовлетворяющих требованиям к надежности проектных решений в условиях параметрической смешанной неопределенности.

8. Модели и алгоритмы синтеза параметров силовой установки ЛА, удовлетворяющих требованиям по дальности сверхзвукового крейсерского полета и приоритетным дозвуковым тактико-техническим требованиям в условиях параметрической эпистемической неопределенности.

Апробация работы. Основные положения диссертационной работы докладывались и представлялись на следующих конференциях, форумах, семинарах, совещаниях: 12-ая Международная конференция «Управление

развитием крупномасштабных систем», MLSD'2019 (Москва, 2019), XIII Всероссийское совещание по проблемам управления (Москва, 2019), 12-ая Всероссийская мультиконференция по проблемам управления, МКПУ-2019 (Дивноморское, 2019), 11-ая Международная конференция «Управление развитием крупномасштабных систем», MLSD'2018 (Москва, 2018), VII Международная конференция "Проблемы оптимизации и их приложения" (Омск, 2018), Всероссийская научно-практическая конференция «Научный потенциал высшей школы - будущему России» (Волгодонск, 2018), The 21st International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (Марсель, 2017); 11th IEEE International Conference on Application of Information and Communication Technologies, AICT2017 (Москва, 2017); 7-я Международная научно-техническая конференция «Газотранспортные системы: настоящее и будущее», GTS-2017 (Москва, 2017); The 12th International Symposium "Intelligent Systems", INTELS'2016 (Москва, 2016); 26-я научно-технической конференция по аэродинамике (Жуковский, 2015); 14-ая Международная конференция «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта»; CAD/CAM/PDM-2014 (Москва, 2014), 8-ая Всероссийская мультиконференция по проблемам управления, МКПУ-2015 (Дивноморское, 2015); 8-я Международная конференция «Управление развитием крупномасштабных систем», MLSD'2015 (Москва, 2015); XII Всероссийское совещание по проблемам управления, ВСПУ-2014 (Москва, 2014); 6-я Международная конференция «Управление развитием крупномасштабных систем», MLSD-2012 (Москва, 2012); V научно-практическая конференция «Перспективы развития систем управления оружием» (Москва, 2011); 4-ая Международная конференция «Управление развитием крупномасштабных систем», MLSD-2010 (Москва, 2010), 9-я международная конференция «Системы проектирования технологической подготовки производства и управления этапами

жизненного цикла промышленного продукта», CAD/CAM/PDM-2009 (Москва, 2009).

Связь с планами научных исследований. Фундаментальные научные исследования по теме диссертационной работы проведены в рамках плана научно-исследовательских работ ИПУ РАН, Программы фундаментальных исследований «Комплексные проблемы управления» Отделения ЭММПУ РАН (№ 0052-2015-0063), поддержаны грантом РФФИ 14-08-01265A.

Публикации. По теме диссертации всего опубликовано 46 работ, в том числе: 12 публикаций в изданиях из перечня Web of Science/Scopus, 15 статей в рецензируемых журналах из списка ВАК, 18 работ в сборниках трудов и тезисов конференций, получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем диссертации. Работа состоит из введения, шести глав, заключения, содержит 220 страниц текста, 33 рис., 1 табл., список литературы из 249 названий.

Глава 1. АНАЛИЗ МОДЕЛЕЙ И АЛГОРИТМОВ СИНТЕЗА ПРОЕКТНЫХ РЕШЕНИЙ В СИСТЕМАХ ПРЕДВАРИТЕЛЬНОГО ПРОЕКТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

В рамках диссертационной работы рассматривается проблема синтеза (определения) параметров проектируемого ТО на основе выбранных ЛПР оптимизационных моделей. Параметр ТО является детерминированным, если может быть представлен точным значением - детерминированной величиной. Параметр является недетерминированным, если может принимать множество возможных значений вследствие его зависимости от случайных факторов или отсутствия знаний об его точном значении. В этом случае параметр ТО может быть представлен недетерминированной величиной.

Алеаторная (объективная) и эпистемическая (субъективная) неопределенности - два типа неопределенности, отражающие недетерминированность параметров ТО. В контексте задачи синтеза параметров ТО и принятия решений алеаторная неопределенность возникает, когда информация о стохастических (случайных) параметрах накоплена в статистических данных и параметры моделируются случайными величинами с определенными распределениями вероятности. Эпистемическая неопределенность возникает, когда информацию о параметре получают от экспертов, при этом параметр может быть либо стохастическим, но недостаточно статистических данных, либо детерминированным, но его значение к настоящему моменту неизвестно. В этом случае параметры ТО моделируются эпистемическими величинами.

Глава 1 посвящена анализу актуальных проблем и средств параметрического синтеза проектных решений в СПП ТО.

В разделе 1.1. проводится анализ основных задач параметрического синтеза проектных решений в системах СПП. В разделах 1.2-1.4 рассматриваются и анализируются существующие программные средства,

способы моделирования неопределенности параметров ТО, модели и алгоритмы параметрического синтеза в условиях неопределенности параметров.

Если отсутствует информация об аналитических зависимостях между параметрами ТО и целевыми функциями/ограничениями, то возникает актуальная проблема их аппроксимации на основе эмпирических данных. В разделе 1.5 рассматриваются и анализируются существующие методы подготовки к параметрическому синтезу, в частности, методы аппроксимации и снижения размерности пространства параметров аппроксимируемых функций.

1.1.Задачи параметрического синтеза проектных решений в системах предварительного проектирования технических объектов

Под параметрическим синтезом в рамках диссертационной работы понимается процесс определения (синтеза) параметров при заданной структуре проектируемого ТО. Наиболее ответственные решения на предварительных этапах проектирования ТО приходится принимать в условиях недостатка исходной информации. Задача осложняется тем, что технические требования к проектируемому ТО часто имеют сложную структуру, трудно формализуемые взаимосвязи, противоречивы.

Для преодоления выше отмеченных трудностей во многих прикладных областях выработаны методологические подходы к решению задач параметрического синтеза при предварительном проектировании ТО. Традиционно выделяются взаимосвязанные локальные задачи, в рамках которых с использованием сложившихся на практике методик, математических моделей определяются соответствующие параметры ТО при зафиксированных остальных параметрах.

Одной из основных задач параметрического синтеза в СПП ТО является определение вектора параметров, удовлетворяющих техническим

требованиям, при этом оптимальность найденного проектного решения не принимается во внимание. При решении этой задачи проверяются только ограничения, которым должны удовлетворять проектные решения [208].

Необходимость улучшения качества разрабатываемого ТО, учета большого количества исходной информации, взаимосвязей между несколькими локальными задачами проектирования ТО, достижения компромисса между техническими требованиями является причиной того, что предварительное проектирование ТО нередко представляет собой длительный итерационный процесс, предполагающий решение многокритериальных оптимизационных задач. В связи с этим значительная часть задач параметрического синтеза в СПП ТО формализуются в рамках проблем математического программирования [37].

В диссертационной работе проблема параметрического синтеза рассматривается в рамках класса задач непрерывной оптимизации. В этих задачах формализованы технические требования к ТО - заданы целевые функции и ограничения, которым должны удовлетворять проектные решения. Данный класс задач оптимизации является актуальным при решении локальных задач параметрического синтеза в итерационном процессе проектирования сложных технических объектов, которые не могут быть полностью описаны математической моделью. Входные и оптимизируемые параметры, заданные областью допустимых значений, в пределах локальной задачи синтеза параметров ТО считаются независимыми.

В детерминированной постановке задачи параметрического синтеза параметры целевых функций и ограничений задаются точными (номинальными) значениями, отклонение от которых может привести к некорректным проектным решениям, в частности, к потере работоспособности проектируемого ТО. Нередко при параметрическом синтезе в условиях неопределенности все параметры считаются детерминированными, а проблема учета отклонения параметров переносится

на следующие этапы проектирования. Такой подход к параметрическому синтезу считается неэффективным и может привести к значительным временным и финансовым затратам [154].

В связи с этим основными задачами параметрического синтеза при предварительном проектировании ТО в условиях неопределенности является определение проектных решений, позволяющих в случае изменения параметров ТО обеспечить сохранение необходимых ЛПР характеристик ТО и предотвратить нарушение технических требований [143].

Задача параметрического синтеза при проектировании ТО в СПП нередко осложняется тем, что при получении информации об отдельных недетерминированных параметрах используются мнения группы экспертов и неизвестны аналитические представления целевых функций и ограничений. В связи с этим требуется решение задач подготовки данных к параметрическому синтезу в СПП ТО, связанных с анализом и интеграцией информации о недетерминированных параметрах, полученной от группы экспертов, и аппроксимацией целевых функций и ограничений на основе эмпирических данных.

Таким образом, для создания научных основ параметрического синтеза проектных решений в СПП ТО, позволяющих обеспечить повышение качества, сокращение сроков разработки и снижение стоимости ТО, требуется разработка:

• моделей и алгоритмов параметрического синтеза для СПП ТО в условиях неопределенности параметров (глава 2);

• алгоритмов подготовки данных к параметрическому синтезу в СПП ТО (глава 3);

• инструментальной программной среды для параметрического синтеза проектных решений в СПП ТО (глава 4).

1.2.Программные средства проектирования технических объектов в условиях неопределенности параметров

Разработка эффективных программных средств для автоматизации проектирования ТО является основой повышения качества, сокращения сроков до введения в эксплуатацию, снижения стоимости ТО [239]. Такие программные средства обычно представляют собой комплексные системы автоматизированного проектирования (САПР) [22, 88, 95], обеспечивающие решение задач проектирования ТО от анализа проектируемого ТО на концептуальном уровне до формирования конструкторской и технологической документации [241, 249].

По функциональному назначению разделяют CAD (Computer Aided Design) системы, предназначенные для конструирования, разработки чертежей [235], CAE (Computer-Aided Engineering) системы - для решения различных задач инженерного анализа [108], PDM-системы (Product Data Management) - для выполнения организационно-технических функций по управлению данными [120].

Модели и алгоритмы для синтеза параметров ТО обычно включаются в математическое обеспечение подсистем инженерного анализа (CAE) [108, 215]. Их применение наряду с использованием технических, организационных и служебных функций, выполняемых комплексными системами автоматизации, позволяет значительно повысить эффективность и качество процесса проектирования ТО [156, 222].

При проектировании ТО с неопределенностью сталкиваются на всех этапах обработки исходной информации. В частности, при формировании технических требований к разрабатываемому ТО на внешнем уровне проектирования [248], при формировании значений входных параметров расчетных и оптимизационных моделей [133], при оценке и выборе вариантов конструкторских решений [240].

При внешнем проектировании неопределенность в основном вызвана необходимостью учета и согласования различных, зачастую противоречивых, технических требований. При внутреннем проектировании, особенно на предварительных этапах, высока параметрическая неопределенность, связанная с необходимостью определения значений входных параметров математических моделей, предназначенных для синтеза параметров ТО, и оказывающая значительное влияние на весь процесс проектирования ТО в целом. Например, на этапе предварительного проектирования ЛА принимаются решения на 80% определяющие эффективность эксплуатации и стоимость жизненного цикла будущего ЛА [205]. Это связано с тем, что при предварительном проектировании на основе определенных в концептуальном проектировании технических требований формируется основной облик ТО, в частности для ЛА - выбирается аэродинамическая схема ЛА, определяются основные параметры компоновки и силовой установки, проектируется конструктивно-силовая схема, определяется состав бортового оборудования и т.д. [206].

Обычно задача информационного, математического и алгоритмического обеспечения предварительных этапов проектирования ТО лежит на системах инженерного анализа [136], в рамках которых создаются и развиваются программно-инструментальные средства, методы и алгоритмы, необходимые для учета параметрической неопределенности [35]. В частности, с параметрической неопределенностью входных параметров, возникающей при проектировании ТО, связана реализованная во многих программно-инструментальных средствах возможность анализа чувствительности моделей и статистического многовариантного моделирования [208]. Применение этих средств является неотъемлемой частью инженерного анализа, т.к. позволяет получить дополнительную информацию о разрабатываемом ТО, оценить возможные риски и робастность принятых решений [14]. Результаты научных исследований в области оптимизации проектных решений в условиях

параметрической неопределенности находят широкое применение в системах инженерного анализа [124], т.к. позволяют обеспечить устойчивость характеристик разрабатываемого ТО к неточности исходной информации и возможным внешним воздействиям при его эксплуатации. Данные исследования ориентированы на обеспечение надежности и эффективности принятых проектных решений на всех этапах проектирования и производства ТО и поэтому неразрывно связаны с понятием управления качеством продукции [123].

Список литературы диссертационного исследования доктор наук Вересников Георгий Сергеевич, 2020 год

ЛИТЕРАТУРА

1. Airbus to reduce lead times in numerical analysis activities for aircraft design // URL: https://www.airbus.com/newsroom/press-releases/en/2013/06/ airbus-to - reduce - lead - times - in - numerical - analysis - activities - for -aircraft - design.html.

2. Aircraft Performance Program // URL: https://www.darcorp.com/aircraft-performance-program-software/.

3. Alestra S., Brand C., Druot T., Morozov S. Multi-objective Optimization of Aircrafts Family at Conceptual Design Stage // IPDO 2013: 4th Inverse problems, design and optimization symposium, 2013, URL: http s : //www. datadvance. net/as sets/files/public ations/druot 13.pdf

4. Alpaydin E. Introduction to Machine Learning - Third Edition // Massachusetts, The MIT Press, 2014, 612 p.

5. Altman N. S. An introduction to kernel and nearest-neighbor nonparametric regression // The American Statistician, vol. 46 (3), 1992, pp. 175-185.

6. Anastassiou G.A. Intelligent Systems II: Complete Approximation by Neural Network Operators // Springer, 2016, 712 p.

7. Andersson J. A survey of multiobjective optimization in engineering design // Technical Report LiTH-IKP-R-1097, Department of Mechanical Engineering, Linkoping University, 2000, 34 p.

8. Asmussen S., Glynn P.W. Stochastic Simulation: Algorithms and Analysis // Springer, 2007, 476 p.

9. Babaei A.R., Setayandeh M.R. A New Approach for Robust Design Optimization Based on the Concepts of Fuzzy Logic and Preference Function // Journal of Aerospace Technology and Management, Sâo José dos Campos, vol. 10, 2018.

10. Bashkirov I.G., Irodov R.D. Calculation of Jet Aircraft Parameters Under Design Requirements // World Aviation Congress, October 13-16, Anaheim, California, 1997, paper № 975598.

11. Bengio Y. et al. Representation Learning: A Review and New Perspectives // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35 (8), 2013, pp. 1798-1828.

12. Bhattacharyya R., Chatterjee A., Kar S. Uncertainty Theory Based Novel Multi-Objective Optimization Technique Using Embedding Theorem with Application to R & D Project Port-folio Selection // Applied Mathematics. vol. 1, 2010, pp. 189-199.

13. Bilyaletdinova L., Steblinkin A. Simulation of Direct Drive Electromechanical Actuator with Ballscrew // Procedia Engineering, 2017, vol. 176, pp. 85-95.

14. Blanco R.F., Gutierreza, Pantelidesa C.C., Adjimana C.S. Risk analysis and robust design under technological uncertainty // Computer Aided Chemical Engineering, vol. 21, 2006, pp. 191-196.

15. Bragov A., Antonov F., Morozov S., Khominich D. Numerical optimization of the multi-layered composite armor // Light-Weight Armour Group (LWAG) conference-2014, 2014.

16. Breitung K. Asymptotic Approximations for multinormal integrals // Journal of the Engineering Mechanics Division, vol. 110, 1984, pp. 357-366.

17. Bruns M., Paredisa C., Ferson S. Computational methods for decision making based on imprecise information // Proceedings of the Reliable Engineering Computing Workshop, Savannah, GA, February, 2006, pp. 22-24.

18. Calafiore G., Dabbene F. Probabilistic and randomized methods for design under uncertainty // Springer-Verlag, London, 2006, 458 p.

19. Calafiore G.C., Dabbene F. Optimization under uncertainty with applications to design of truss structures // Structural and Multidisciplinary Optimization, vol. 35, issue 3, 2008, pp 189-200.

20. Carlsson C., Fuller R. Fuzzy multiple criteria decision making: Recent developments // Fuzzy Sets and Systems, vol. 78, 1996, pp. 139-153.

21. Cateni S. Colla V. and Vannucci M. General purpose Input Variables Extraction: A Genetic Algorithm based Procedure GIVE A GAP //

Proceedings of the 9th International Conference on Intelligence Systems design and Applications ISDA'09, Pisa, Italy, 2009, pp. 1278-1283.

22. CATIA // URL: https://www.3ds.com/ru/produkty-i-uslugi/catia/.

23. Chakri A., Yang X.S., Khelif R., Benouaret M. Reliability-based design optimization using the directional bat algorithm // Neural Computing and Applications, vol. 30, 2017, pp. 2381-2402.

24. Chang K.-H. E-Design: Computer-Aided Engineering Design // Academic Press, London, 1234 p.

25. Chen J, Liu Z.Y., Tan J.R. , Zhang Y.Y., Tan M.Y., Duan G.F. Optimization of Uncertain Structures with Interval Parameters Considering Objective and Feasibility Robustness // Journal of Mechanical Engineering, vol. 31:38, 2018.

26. Chen W., Sahai A., Messac A., Sundararaj G.J. Physical Programming For Robust Design // 40-th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference and Exhibit, St. Louis, MO, Paper № AIAA-99-1206 (A99-24604), 1999, pp. 17-26.

27. Chen W., Wiecek M.M. and Zhang J. Quality Utility - A Compromise Programming Approach to Robust Design // ASME Journal of Mechanical Design, vol. 121(2), 1999, pp. 179-187.

28. Chuang L.-Y., Ke C.-H., Yang C.-H. A Hybrid Both Filter and Wrapper Feature Selection Method for Microarray Classification // Proceedings of International MultiConference of Engineers and Computer Scientists, 2008, pp. 146-150.

29. Cramer A.M., Sudhoff S.D., Zivi E.L. Evolutionary algorithms for minimax problems in robust design, IEEE Transactions on Evolutionary Computation, vol. 13, № 2, 2009, pp. 444-453.

30. De Luca A., Termini A. A definition of non probabilistic entropy in the setting of fuzzy sets theory // Information and Control, vol. 20, pp. 301-312.

31. Dellino G., Lino P., Meloni C., Rizzo A. Enhanced Evolutionary Algorithms for Multidisciplinary Design Optimization: A Control Engineering

Perspective // Hybrid Evolutionary Algorithms, Springer Verlag, Berlin, 2007, pp. 173-216.

32. Der Kiureghian A. Aleatory or epistemic? Does it matter? // Special Workshop on Risk Acceptance and Risk Communication, Stanford University, 2007, pp. 1-13.

33. Du X. First Order and Second Reliability Methods // Probabilistic Engineering Design, chapter 7, Missouri, S&T, 2009.

34. Du X., Chen W. Towards a better understanding of modeling feasibility robustness in engineering design // ASME Journal of Mechanical Design, vol. 122(4), 2000, pp. 385-394.

35. Efstratios N., Dan M.G., Suren S. Integrated Computer-Aided Engineering Methodology for Various Uncertainties and Multidisciplinary Applications // Engineering Design Reliability Handbook, Boca Raton, CRC PRESS, 1216 p.

36. Eldred S., Swiler T., Tang G. Mixed aleatory-epistemic uncertainty quantification with stochastic expansions and optimization-based interval estimation // Reliability Engineering and System Safety, 2011, vol. 96, № 9, pp. 1092-1113.

37. Eschenauer H., Koski J., Osyczka A. Multicriteria Design Optimization: Procedures and Applications // Berlin, Springer-Verlag, 1990, 482 p.

38. Eshghi A.T., Lee S. and Kim Y.-C. Design Under Uncertainty for a Piezoelectric Energy Harvester to Power a Tire Pressure Monitoring System // 29th Conference on Mechanical Vibration and Noise, 2017, pp. V008T12A059.

39. Fischer, A., Igel, C., Training restricted Boltzmann machines: An introduction // Pattern Recognition, vol. 47 (1), 2014, pp. 25-39.

40. Gendreau M., Potvin J.-Y. Handbook of Metaheuristics - Third Edition // USA, Springer International Publishing, p. 604.

41. Gladun V.P, Vashchenko N.D. Analitical processes in pyramidal networks // International Journal on Information Theories and Applications. FOI-COMMERCE, Sofia, vol. 7, № 3, 2000, pp. 103-109.

42. Guoa H., Huangb H., Liang L. Fuzzy-robust design optimization with multi-quality characteristics // Engineering Optimization, vol. 42, № 1, 2010, pp. 87-99.

43. Guyon I., Elisseeff A. An Introduction to Variable and Feature Selection // Journal of Machine Learning Research, vol. 3, 2003, pp. 1157-1182.

44. Haiying G., Xiaosheng W. Delphi Method for Estimating Membership Function of Uncertain Set // Journal of Uncertainty Analysis and Applications, v. 4(3), 2016.

45. Hájek A. Interpretations of Probability // The Stanford Encyclopedia of Philosophy, Metaphysics Research Lab, 2010.

46. Haldar A., Mahadevan S. Probability, Reliability and Statistical Methods in Engineering Design // John Wiley & Sons New York/Chichester, UK, 2000, 320 p.

47. Haldar A., Reddy R.K. A random-fuzzy analysis of existing structures // Fuzzy Sets and Systems, vol. 48, 1992, pp. 201-210.

48. Hasofer A.M., Lind N.C. An Exact and Invariant First-Order Reliability Format // Journal of the Engineering Mechanics Division, vol. 100, 1974, pp. 111-121.

49. Hinton G.E., Salakhutdinov R.R. Reducing the Dimensionality of Data with Neural Networks // Science, vol. 313, issue. 5786, 2006, pp. 504-507.

50. Hirsch C. et al. Uncertainty Management for Robust Industrial Design in Aeronautics // Notes on Numerical Fluid Mechanics and Multidisciplinary Design, vol. 140, 2019, 819 p.

51. Jameel A. F., Sadeghi A. Solving Nonlinear Programming Problem in Fuzzy Environment // International Journal of Contemporary Mathematical Sciences, vol. 7, № 4, 2012, pp. 159-170.

52. Jayadeva, Khemchandani R., Chandra S. Twin Support Vector Machines: Models, Extensions and Applications // Springer, 2016, c. 211.

53. Jeong I-S, Hong-Ki Kim H-K, Kim T-H, Lee D.H., Kim K.J., Kang S-H. A Feature Selection Approach Based on Simulated Annealing for Detecting Various Denial of Service Attacks // Convergence Security, vol. 1, pp. 1-18.

54. Jian F., Mare J.-C., Yongling F. Modelling and simulation of flight control electromechanical actuators with special focus on model architectecting, multidisciplinary effects and power flows // Chinese Journal of Aeronautics, vol. 30(1), 2017, p. 47-65.

55. Jin Y., Sendhof B. Trade-off between Performance and Robustness: An Evolutionary Multiobjective Approach // Evolutionary Multi-Criterion Optimization, LNCS 2632, 2003, pp. 237-251.

56. Jinwu G. Delphi Method for Estimating Uncertainty Distributions // Proceedings of the First International Conference on Uncertainty Theory, Urumchi, China, 2010, pp. 291-297.

57. Juang C.H., Wang L. Reliability-based robust geotechnical design of spread foundations using multi-objective genetic algorithm // Computers and Geotechnics, 2013, pp. 96-106.

58. Junjie W. Advances in k-means clustering. A data mining thinking, Springer, 2012, 180 p.

59. Kai Y., Basem E.-H. Design for Six Sigma: a roadmap for product development, McGraw-Hill, New York, 2003, 641 p.

60. Ke C.-H., Yang C.-H., Chuang L.-Y., Yang C.-H. A hybrid filter/wrapper approach of feature selection for gene expression data // Systems, Man and Cybernetics, IEEE International Conference, 2008, pp. 2664-2670.

61. Khodaparast H.H., Georgiou G., Cooper J. E., Riccobene L., Ricci S., Vio G. A., Denner P. Efficient Worst Case "1-Cosine" Gust Loads Prediction // ASDJournal, vol. 2, №. 3, 2012, pp. 33-54.

62. Korolev Y., Toropov V., Shahpar S. Design Optimization Under Uncertainty Using the Multipoint Approximation Method // 8-th AIAA/ASCE/AHS/AS C Structures, Structural Dynamics, and Materials Conference, 2017, Paper AIAA-2017-1934.

63. Kwak B. M., Haug E. J. Optimum design in the presence of parametric uncertainty, vol. 19, issue 4, 1976, pp. 527-546.

64. Kwak N., Choi C.H. Input feature selection for classification problems // IEEE trans. on neural networks, vol. 13, 2002, pp.143-159.

65. Lai Y.-J., Hwang Ch.-L. Fuzzy Mathematical Programming: Methods and Applications // Springer-Verlag, Heidelberg, 1992, 324 p.

66. Lalitha M. Solving Nonlinear Programming Problem in Fuzzy Environment // International Journal of Pure and Applied Mathematics, vol. 118, №2 7, 2018, pp. 491-499.

67. Lee T. W. A Study for robustness of objective function and constraints in robust design optimization // Journal of Mechanical Science and Technology, vol. 20, issue 10, 2006, pp 1662-1669.

68. Le-Khac N.-A., Bue M., Whelan M., Kechadi M.-T. A Clustering-Based Data Reduction for Very Large Spatio-Temporal Datasets // International Conference on Advanced Data Mining and Applications. ADMA 2010: Advanced Data Mining and Applications, Chongqing, China, 2010, pp. 43-54.

69. Liangqi W., Hongzhuan C., Linhan O. Response surface methodology-based hybrid robust design optimization for complex product under mixed uncertainties // Journal of Systems Engineering and Electronics, vol. 30, №2 2, 2019, pp. 308-318.

70. Liu B. Theory and Practice of Uncertain Programming. 3-rd edition, Berlin: Springer-Verlag, 2009, 201 p.

71. Liu B. Uncertainty Theory. 4-nd edition // Berlin, Springer-Verlag, 2015, 487 p.

72. Liu B.Y., Huang S.X., Fan W.H. Data driven uncertainty evaluation for complex engineered system design // Chinese Journal of Mechanical Engineering, vol. 29(5), 2016, pp. 889-900.

73. Liu C., Lin Z. Product Robust Design with a Mixture of Random and Interval Factors // International Federation for Information Processing (IFIP),

Knowledge Enterprise: Intelligent Strategies In Product Design, Manufacturing, and Management, vol. 207, Boston, Springer, pp. 198-204.

74. LiZ Y.Q., CuiX S., Ruan Y., Zhang D.J. CAE-Based six sigma robust optimization for deep-drawing process of sheet metal // The International Journal of Advanced Manufacturing Technology, vol. 30, issue 7-8, 2006, pp. 631-637.

75. Lockwood B., Anitescu M., Mavripilis D. Mixed aleatory/epistemic uncertainty quantification for hypersonic flows via gradient-based optimization and surrogate models // 50th AIAA Aerospace Sciences Meeting, 2012, AIAA Paper 2012-1254.

76. Long N., Gianola D., Weigel K. Dimension reduction and variable selection for genomic selection: application to predicting milk yield in Holsteins // Journal of Animal Breeding and Genetics, vol. 128 (4), 2011, pp. 247-257.

77. Lopez R.H., Beck A.T. Reliability-Based Design Optimization Strategies Based on FORM: A Review // Journal of the Brazilian Society of Mechanical Sciences and Engineering, vol. XXXIV, № 4, 2012, pp. 506-514.

78. Luhandjula M.K. Multiple Objective Programming with possibilistic coefficients // Fuzzy Sets and Systems, vol. 21, 1987, pp. 135-146.

79. Maji P.K., Biswas R., Roy A.R. Soft set theory // Computers & Mathematics with Applications, vol. 45, 2003, pp. 555-562.

80. Marano G.C., Quaranta G. Fuzzy-based robust structural optimization // International Journal of Solids and Structures, vol. 45, 2008, pp. 3544-3557.

81. Marler R.T., Arora J.S. Survey of multi-objective optimization methods for engineering // Structural and Multidisciplinary Optimization, vol. 26, issue 6, 2004, pp 369-395.

82. Medsker L.R., Jain L.C. Recurrent neural networks: Design and applications // CRC Press, Boca Raton, FL, 2000, 416 p.

83. Messac A., Ismail-Yahaya A. Multiobjective robust design using physical programming // Structural and Multidisciplinary Optimization, 2002, Vol. 23, №. 5, pp. 357-371.

84. Moller B., Beer M. Engineering computation under uncertainty - Capabilities of non-traditional models // Computers & Structures, vol. 86(10), 2008, pp. 1024-1041.

85. Nahmias S. Fuzzy Variables // Fuzzy sets and systems, vol. 1, 1978, pp. 97-110.

86. Nemirovski A. Lectures on Robust Convex Optimization. H. Milton Stewart School of Industrial and Systems Engineering Georgia Institute of Technology, Atlanta, Georgia, 30332-0205, URL: http: //www2 .isye. gatech. edu/~nemirovs/RO_LN.

87. Nguyen M. H.,Torre F. Optimal feature selection for support vector machines // Pattern Recognition, vol. 43, 2010, pp. 584-591.

88. NX: Siemens PLM, URL: https://www.plm.automation.siemens.com /ru/products/nx/.

89. OberkampfW.L., DeLand S.M., Rutherford B.M., Diegert K.V., Alvin K.F. Error and uncertainty in modeling and simulation // Reliability Engineering & System Safety, vol. 75(3), pp. 333-357.

90. Osyczka A. Evolutionary algorithms for single and multicriteria design optimization // Heidelberg, New York, Physica-Verlag, 2002, 218 p.

91. Padovan, L., Pediroda V., Poloni C. Multiobjective robust design optimization of airfoils in transonic field // International Congress on Evolutionary Methods for Design Optimization and Control with Application to Industrial Problems, 2003.

92. Panthong R., Srivihok A. Wrapper Feature Subset Selection for Dimension Reduction Based on Ensemble Learning Algorithm // The Third Information Systems International Conference. Procedia Computer Science, vol. 72, 2015, pp. 162-169.

93. Pazman A., Pronzato L. Quantile and probability-level criteria for nonlinear experimental design // 8th International Workshop in Model-Oriented Design and Analysis, Almagro, Spain, Physica-Verlag, 2007, pp. 157-164.

94. Pedersen M.E.H., Chipperfield A.J. Simplifying particle swarm optimization // Applied Soft Computing, vol. 10, pp. 618-628.

95. PTC Creo, URL: https://www.ptc.com/ru/products/cad/creo.

96. Qin H., Ma X. A Complete Model for Evaluation System Based on Interval-Valued Fuzzy Soft Set // IEEE Access, vol. 6, IEEE, pp. 35012-35028.

97. Rahman S., Xu H. A univariate dimension-reduction method for multidimensional integration in stochastic mechanics // Probabilitic Engineering Mechanics, vol. 19, 2004, pp. 393-408.

98. Ray S.S. Numerical Analysis with Algorithms and Programming // Chapman and Hall, 2016, 705 p.

99. Reyes-Sierra M., Coello C.A. Multi-objective particle swarm optimizers: a survey of the state-of-the-art // International Journal of Computational Intelligence Research, vol. 2 (3), 2006, pp. 287-308.

100. Rhinehart R.R. Nonlinear Regression Modeling for Engineering Applications: Modeling, Model Validation, and Enabling Design of Experiments, First Edition, Wiley-ASME Press Series, 2016, 400 p.

101. Robert J., Howlett L.C.J. Radial basis function networks 2: new advances in design // Physica-Verlag, Heidelberg, 2001, 360 p.

102. Rockafellar R.T., Royset J. The fundamental risk quadrangle in risk management, optimization and statistical estimation // Surveys in operations research and management science, vol. 18, 2013, pp. 33-53.

103. Rokach L. Data Mining With Decision Trees: Theory and Applications (2nd Edition) // World Scientific Publishing Company, 2014, c. 328.

104. Rommelfanger H. Fuzzy linear programming and applications // European Journal of Operational Research, vol. 92, 1996, pp. 512-527.

105. Rommelfanger H. Inequality relations in fuzzy constraints and its use in linear fuzzy optimization // The Interface between Artificial Intelligence and Operational Research in a Fuzzy Environment, Rheinland, KSin, pp. 195-211.

106. Rubinstein R.Y., Dirk P.K. Simulation and the Monte Carlo Method, 3rd Edition // New York, Wiley, 2016, 432 p.

107. Sakawa M. Interactive computer programs for fuzzy linear programming with multiple objectives // International Journal of Man-Machine Studies, vol. 18, 1983, pp. 489-503.

108. Saracoglu B.O. Identification of Technology Performance Criteria for CAD/CAM/CAE/CIM/CAL in Shipbuilding Industry // Proceedings IEEE Conf. Technology Management for the Global Future (PICMET 2006), IEEE Press, 2006, pp. 1635-1646.

109. Schillings C., Schulz V. On the influence of robustness measures on shape optimization with stochastic uncertainties // Optimization and engineering, vol. 16, pp. 347-386.

110. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks, vol. 61, 2015, pp 85-117.

111. Scholkopf B. Nonlinear Component Analysis as a Kernel Eigenvalue Problem // Neural Computation, vol. 10 (5), 1998, pp. 1299-1319.

112. Sebbana M., Nock R. A hybrid filter/wrapper approach of feature selection using information theory // Pattern Recognition, vol. 35, issue 4, 2002, pp. 835-846.

113. Seo H.S., Kwak, B.M. Efficient statistical tolerance analysis for general distributions using three-point information // International Journal of Production Research, vol. 40, pp. 931-944.

114. Shah H., Hosder S., Koziel S, Tesfahunegen Y.A., Leifsson L. Multi-fidelity robust aerodynamic design optimization under mixed uncertainty. Aerospace Science and Technology, vol. 45, 2015, pp. 17-29.

115. Sibo D. A New Uncertain Programming Model for Grain Supply Chain Design // An International Interdisciplinary Journal, vol. 16, № 2(A), 2013, pp. 1069-1076.

116. Signal Processing Toolbox User's Guide // Natick: The MathWorks, Inc., 1993, 800 p.

117. Slowinski R. A multicriteria fuzzy linear programming method for water supply system development planning // Fuzzy Sets and Systems, vol. 19, pp. 217-237.

118. Smith K.I., Everson R.M., Fieldsend J.E., Murphy C., Misra R. Dominance-based multiobjective simulated annealing // IEEE Transactions on Evolutionary Computation, vol. 12 (3), 2008, pp. 323-342.

119. Soufan O., Kleftogiannis D., Kalnis P., Bajic V.B. DWFS: a wrapper feature selection tool based on a parallel genetic algorithm // PLoS ONE, vol. 10(2), 2015, article e0117988.

120. Stark J. The PDM System // Product Lifecycle Management, vol. 2, pp. 233-252.

121. Stone M.N. The generalized Weierstrass approximation theorem // Math Magazine, № 21, 1948, pp. 167-183.

122. Taguchi G. Introduction to Quality Engineering. Designing Quality into Products and Processes, Asian Productivity Organization, 1986, 191 p.

123. Taguchi G., Elsayed E., Hsiang T. Quality Engineering in Production Systems, McGraw-Hill, New York, 1989, 192 p.

124. Taguchi G., Jugulum R., Taguchi S. Computer-Based Robust Engineering: Essential For DFSS, Asq Pr, 2014, 217 p.

125. Tanaka H., Ichihashi H., Asai K. A formulation of linear programming problems based on comparison of fuzzy numbers // Control and Cybernetics, vol. 13, 1984, pp. 185-194.

126. Tu J., Choi K.K. A New Study on Reliability Based Design Optimization // ASME Journal of Mechanical Design, Vol. 121, № 4, 1999, pp. 557-564.

127. Veresnikov G.S., Pankova L.A., Pronina V.A. Models of uncertain-random programming // Advances in Systems Science and Applications, 2019, vol. 19, № 2, pp. 8-22.

128. Veresnikov G.S., Pankova L.A., Pronina V.A. Optimal robust design under conditions of uncertainty // Proceedings of the 11th International Conference

"Management of Large-Scale System Development" (MLSD), Moscow: IEEE, 2018, https://ieeexplore.ieee.org/document/8551913.

129. Veresnikov G.S., Pankova L.A., Pronina V.A., Ogorodnicov O.V., Ikryanov I.I. Determining maneuverable aircraft parameters in preliminary design under conditions of uncertainty // International conference on knowledge based and intelligent information and engineering systems, KES2017, 6-8 September 2017, Marseille, France, Procedia Computer Science, 2017, pp. 1123-1130.

130. Veresnikov G.S., Pankova L.A., Pronina V.A., Ogorodnikov O.V., Bashkirov I.G. Optimal design of technical objects under mixed parametric uncertainty // Proceedings of the 12th International Conference "Management of Large-Scale System Development" (MLSD), Moscow: IEEE, 2019, https://ieeexplore.ieee.org/document/8911060.

131. Veresnikov G.S., Pankova L.A., Pronina V.A., Trahtengerts E.A. Optimal Robust Design with Uncertain Parameter, Optimal robust design with uncertain parameters // Proceedings of the 11th IEEE International Conference Application of Information and Communication Technologies (AICT2017, Moscow), M.: IEEE, 2017, vol. 1, pp. 152-155.

132. Veresnikov G.S., Pronina V.A., Pankova L.A. Preliminary design with the epistemic uncertainty of parameters // Advances in System Science and Applications, vol. 18, № 3, 2018, pp. 154-164.

133. Veresnikov G.S., Pronina V.A., Pankova L.A. Uncertain programming in preliminary design of technical systems with uncertain parameters // Proceedings of the 12th International Symposium "Intelligent Systems" (INTELS'2016, Moscow, Russia), Atlanta: Elsevier, 2017, vol. 103. c. 36-43.

134. Veresnikov G.S., Skrybin A.V. The electromechanical actuator technical condition monitoring system based on data mining methods // Proceedings of the 11th International Conference "Management of Large-Scale System Development" (MLSD). Moscow: IEEE, 2018, https://ieeexplore.ieee.org/document/8551829.

135. Wagenknecht M., Yazenin A. Possibilistic optimization // Tver, TvGU, 2012, 140 p.

136. Walker R.A., Shah, Gupta N.K. Computer-aided engineering (CAE) for system analysis // Proceedings of the IEEE, vol. 72, issue 12, 1984, pp. 1732-1745.

137. Wang M.R., Fan J.P., Hu J. A non-probabilistic reliability-based design optimization method for structures based on interval models // Fatigue & Fracture of Engineering Materials & Structures, vol. 41, issue 2, 2018, pp. 425-439.

138. Wang Y., Liu M., Bao Z. Deep learning neural network for power system fault diagnosis // Proceedings 35th Chinese Control Conference, 2016, pp. 6678-6683.

139. Werners B. An interactive fuzzy programming system // Fuzzy Sets and Systems, vol. 23, 1987, pp. 131-147.

140. Weston J., Mukherjee S., Chapelle O., Pontil M., Poggio T., Vapnik V. Feature selection for SVMs // Advances in Neural Information Processing Systems, 2001, pp. 668-674.

141. Wysk R. A., Niebel B. W., Cohen P. H., Simpson, T. W. Manufacturing Processes: Integrated Product and Process Design, McGraw Hill, New York, 2000.

142. Xue B., Zhang M., Browne W.N. Particle Swarm Optimization for Feature Selection in Classification: A Multi-Objective Approach // IEEE Transactions on Cybernetics, vol. 43, issue 6, 2013, pp. 1656-1671.

143. Yoo D. Reliability-based Design Optimization with Mixture of Random and Interval Uncertainties // Doctoral Dissertations, 2017, 142 p.

144. Youn B.D., Choi K.K. Performance Moment Integration Approach for Reliability-Based Robust Design Optimization // Proceedings of ASME Design Engineering Technical Conferences (DETC), Paper № DETC2004/DAC-57471, 2004, pp. 915-925.

145. Yu L., Liu H. Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution // Proceedings of the 12'th International Conference on Machine Learning (ICML-2003), Washington DC, 2003, pp. 856-863.

146. Zadeh L. Computation with imprecise probabilities, URL: https://pdfs.semanticscholar.org/a868/3cb22a55edc37ca96ca85215ea082ff9 b628.pdf.

147. Zadeh L.A. A Note on Z-numbers // Information Sciences, 2011, № 181, pp. 2923-2932.

148. Zadeh L.A. Fuzzy sets as a basis for a theory of possibility // Fuzzy Sets and Systems, vol. 1, pp. 3-28.

149. Zhou J., Li Z., Wang K.A. Multi-Objective Model for Fire Station Location under Uncertainty // Advances in Information Sciences and Service Sciences, vol. 5, № 7, 2013, pp. 1184-1191.

150. Zhu Y. Functions of uncertain variables and uncertain programming // Journal of Uncertain Systems, vol. 6(4), 2012, pp. 278-288.

151. Zimmerman H-J. Fuzzy set theory // Wiley Interdisciplinary Reviews: Computational Statistics, John Wiley&Sons, 2010, vol. 2, pp. 317-332.

152. Zimmerman H-J. Fuzzy Set Theory and Applications: 4th Rev. ed., Boston, Kluwer Academic Publishers, 2001, 514 p.

153. Zimmermann H.J. Description and Optimization of fuzzy Systems // International Journal of General Systems, vol. 2, 1975, pp. 209-215.

154. Абрамов О.В. Методы и алгоритмы параметрического синтеза стохастических систем // Проблемы управления, № 4, 2006, c. 3-8.

155. Аверьянов Г.П., Будкин В.А., Воронцов В.А. САПР в электрофизике. Ч. 1. Основы автоматизации проектирования // М., НИЯУ "МИФИ", 2011, 164 с.

156. Аветисян Д.А. Основы автоматизированного проектирования электромеханических преобразователей, М., Высшая школа, 1988, 271 с.

157. Александровская Л.Н., Кербер О.Б., Кириллин А.В., Иосифов П.А. Использование смеси распределений для анализа и оценки сверхмалых рисков в задачах обеспечения безопасности автоматической посадки самолетов // Известия высших учебных заведений. Авиационная техника, № 2, 2019, с. 26-32.

158. Аэродинамика, устойчивость и управляемость сверхзвуковых самолетов / Под ред. Г.С. Бюшгенса, М, Российская академия наук («Наука» РАН), 2016, 704 с.

159. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы - 7-е изд. // М., Бином. Лаборатория знаний, 2011, 636 с.

160. Башкиров И.Г. Сверхзвуковой бесфорсажный крейсерский полет: мифы и реалии // Техника воздушного флота, 2007, Т. 8, № 2 (685), с. 31-34.

161. Башкиров И.Г. Сверхзвуковой крейсерский полет с точки зрения аэродинамического проектирования // Материалы XXVI научно-техническая конференция по аэродинамике, пос. им. Володарского, 2015, с. 44-45.

162. Белкин А.А., Вересников Г.С., Кулида Е.Л., Лебедев В.Г. Информационно-аналитическая система сопровождения экспериментальной отработки изделий РКТ // Научно-технические разработки КБ "Салют" 2012-2013 г.г. (выпуск IV), под ред. Ю.О. Бахвалова, М.: Машиностроение-Полет, 2014, с. 320-326.

163. Бельков В.Н., Ланшаков В.Л. Автоматизированное проектирование технических систем // М., Академия естествознания, 2009, 143 с.

164. Бердышев В.И., Петрак Л.В. Аппроксимация функций, сжатие численной информации, приложения // Монография, Екатеринбург: УрО РАН, 1999, 296 с.

165. Бурнаев Е. и др. Многодисциплинарная оптимизация, анализ данных и автоматизация инженерных расчетов с помощью программного комплекса pSeven // CAD/CAM/CAE Observer, № 4 (88), 2014, с. 56-61.

166. Ведерников Ю.В. Метод многокритериального предпочтения сложных систем // Информационно-управляющие системы, № 1, 2009, с. 52-59.

167. Вересников Г.С. Алгоритмы подготовки данных к параметрическому синтезу при предварительном проектировании технических объектов на основе обработки экспертной информации // Вестник кибернетики, 2020, № 1(37), с. 61-68.

168. Вересников Г.С. Инструментальная программная среда для параметрического синтеза проектных решений при предварительном проектировании технических объектов в условиях неопределённости параметров // Вестник кибернетики, 2020, № 2(38), с. 32-40.

169. Вересников Г.С. Инструментальная среда для решения задач проектирования сложных технических объектов в условиях эпистемической неопределенности // Научный потенциал высшей школы - будущему России: материалы Всероссийской научно-практической конференции (г. Волгодонск), Ростов-на-Дону, ДГТУ, 2018, с. 168-172.

170. Вересников Г.С. Методы построения функциональных зависимостей на основе эмпирических данных в задаче восстановления высотно-скоростных и дроссельных характеристик турбореактивного двигателя // Труды XII Всероссийского совещания по проблемам управления (ВСПУ-2014, Москва), М., ИПУ РАН, 2014, с. 9254-9266.

171. Вересников Г.С. Оптимизационные модели параметрического синтеза проектных решений в условиях неопределенности параметров // Управление большими системами, 2020, № 85, с. 238-257.

172. Вересников Г.С. Ранняя диагностика состояния динамических объектов на основе анализа стационарных временных рядов // Приборы и системы. Управление, контроль, диагностика, 2015, № 3, с. 51-58.

173. Вересников Г.С., Икрянов И.И. Построение функциональных зависимостей на основе эмпирических данных в задаче восстановления высотно-скоростных и дроссельных характеристик турбореактивного

двигателя // Приборы и системы. Управление, контроль, диагностика. 2013, № 10, с. 26-36.

174. Вересников Г.С., Икрянов И.И. Применение теории нечетких множеств для расчета аэродинамических характеристик // Приборы и системы. Управление, контроль, диагностика, 2016, № 11, с. 12-18.

175. Вересников Г.С., Лебедев В.Г., Панкова Л.А., Пронина В.А. Информационное обеспечение проектирования сложных технических объектов нефтегазовой отрасли в условиях эпистемической неопределенности // Автоматизация, телемеханизация и связь в нефтяной промышленности, № 9, 2018, с. 10-18.

176. Вересников Г.С., Огородников О.В. Инструментальное средство для расчета проектируемых параметров силовой установки маневренного самолета, обеспечивающих удовлетворение требованиям по дальности сверхзвукового крейсерского полета и приоритетных тактико-технических требований в дозвуковой области в условиях параметрической неопределенности // Свидетельство о государственной регистрации программы для ЭВМ № 2018615430 РФ; Зарег. 08.05.2018.

177. Вересников Г.С., Огородников О.В., Панкова Л.А., Пронина В.А. Решение задач предварительного проектирования в условиях параметрической неопределенности // Проблемы управления, № 4, 2017, с. 65-73.

178. Вересников Г.С., Панкова Л.А., Пронина В.А. Использование неопределенного программирования в проектировании // Информационные технологии, № 4, т. 23, 2017, с. 258-265.

179. Вересников Г.С., Панкова Л.А., Пронина В.А. Неопределенное многокритериальное программирование в проектировании летательных аппаратов // Искусственный интеллект и принятие решений. М., Издательская группа URSS, 2014, № 4, с. 18-24.

180. Вересников Г.С., Панкова Л.А., Пронина В.А. Оптимизация с неопределёнными параметрами // Материалы 8-ой Международной

конференции «Управление развитием крупномасштабных систем» (MLSD'2015, Москва). М.: ИПУ РАН, 2015, № 1. с. 290-291.

181. Вересников Г.С., Панкова Л.А., Пронина В.А. Разработка инструментальной программной среды для решения задач параметрического синтеза при проектировании технических объектов в условиях неопределенности параметров // Автоматизация в промышленности, 2019, № 12, с. 34-39.

182. Вересников Г.С., Панкова Л.А., Пронина В.А., Башкиров И.Г. Методика, методы и модели для предварительного аэродинамического проектирования летательных аппаратов в условиях параметрической неопределенности // Автоматизация в промышленности, № 6, 2019, с. 23-27.

183. Вересников Г.С., Панкова Л.А., Пронина В.А., Башкиров И.Г., Огородников О.В. Предварительное проектирование летательных аппаратов в условиях смешанной неопределенности // Материалы XIII Всероссийского совещания по проблемам управления (Москва, 2019), Москва: ИПУ РАН, 2019, с. 3155-3160.

184. Вересников Г.С., Пронина В.А., Панкова Л.А., Огородников О.В. Методика принятия решений в предварительном проектировании летательных аппаратов при наличии неопределённых параметров // Материалы 8-й Всероссийской мультиконференции по проблемам управления (МКПУ-2015), Геленджик, 2015, с. 37-39.

185. Вересников Г.С., Скрябин А.В. Разработка системы контроля технического состояния электромеханического рулевого привода летательного аппарата с использованием методов интеллектуального анализа данных // Материалы 11-й Международной конференции «Управление развитием крупномасштабных систем» (MLSD'2018, Москва), М.: ИПУ РАН, 2018, т. 2. с. 277.

186. Галеев А.Г., Захаров Ю.В., Макаров В.П., Родченко В.В. Проектирование испытательных стендов для экспериментальной

отработки объектов ракетно-космической техники // М., Издательство МАИ, 2014, 283 с.

187. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. 2-е изд. // Москва, Физматлит, 2006, 320 с.

188. Гмурман В.Е. Теория вероятностей и математическая статистика, М.: Высшее образование, 2005, 479 с.

189. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика // Новосибирск, Наука, 1998, 296 с.

190. Гришко А.К., Кочегаров И.И., Лысенко А.В. Многокритериальный выбор оптимального варианта сложной технической системы на основе интервального анализа слабоструктурированной информации // Измерение. Мониторинг. Управление. Контроль, № 3(21), 2017, с. 97-107.

191. Дал У., Дейкстра Э., Хоор К. Структурное программирование / пер. с англ. С.Д. Зеленецкого, В.В. Мартынюка, Л.В. Ухова; под ред. Э.З. Любимского, В.В. Мартынюка, М., Мир, 1975, 247 с.

192. Джонс М.Т. Программирование искусственного интеллекта в приложениях // М., ДМК Пресс, 2004, 312 с.

193. Дьяконов В.П. Многовариантное моделирование силовых устройств в МАТЬАБ + Simulink // Силовая электроника, 2011, № 1, с. 84-94.

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

195. Загоруйко Н.Г., Кутненко О.А. Цензурирование обучающей выборки // Управление, вычислительная техника и информатика, № 1(22), 2013, с. 66-73.

196. Зерний Ю.В. Управление качеством в приборостроении // М., Новый центр, 2011, 479 с.

197. Зорич В.А. Дифференциальное исчисление // Математический анализ. Часть I. - 6-е изд., М., МЦНМО, 2012, с. 289-290.

198. Иванько А.Ф., Иванько М.А., Сидоренко В.Г., Фалк Г.Б. Автоматизация проектирования систем и средств управления // М., Изд-во МГУП, 2001, 148 с.

199. Кандырин Ю.В. Многокритериальный анализ, выбор и структурирование вариантов в САПР // М., МЭИ, 2013, 320 с.

200. Каханер Д., Моулер К., Нэш С. Численные методы и программное обеспечение (пер. с англ.) - Изд. второе, М., Мир, 2001, 575 с.

201. Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. М., Радио и связь, 1981, 560 с.

202. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР, 1957, Т. 114, № 5, с. 953-956.

203. Колмогоров А.Н. Основные понятия теории вероятностей // М., Наука, 1974, 120 с.

204. Колоколова Л.Г. Метод обобщенных моделей свойств самолета для этапа раннего проектирования // Техника воздушного флота, M, 1995, № 5-6.

205. Комаров В. А., Кузнецов А. С. Выбор облика летательного аппарата с использованием технологии многодисциплинарной оптимизации // Минобрнауки России, Самар. гос. аэрокосм. ун-т им. С.П. Королева (нац. исслед. ун-т). - Электрон. текстовые и граф. дан. (7 Мбайт). -Самара, 2012. - 1 эл. опт. диск (CD-ROM).

206. Комаров В.А. и др. Концептуальное проектирование самолёта - 2-е изд., перераб. и доп // Самара, Изд-во Самар. гос. аэрокосм. ун-та, 2013, 120 с.

207. Корнеенко В.П. Методы оптимизации // М., Высшая школа, 2007, 664 с.

208. Корячко В.П., Курейчик В.М., Норенков И.П. Теоретические основы САПР // М., Энергоатомиздат, 1987, 400 с.

209. Крюков С.П., Бодрунов С.Д., Александровская Л.Н. Методы анализа и оценивания рисков в задачах менеджмента безопасности сложных технических систем: монография; под общ. ред. Крюкова С.П., Бодрунова С.Д. - Санкт-Петербург: Корпорация "Аэрокосмическое оборудование", 2007, 453 с.

210. Лазарев В.М., Свиридов А.П. Нейросети и нейрокомпьютеры // Монография, М., 2011, 131 с.

211. Левин В.И. Оптимальное проектирование в условиях неопределенности. Метод детерминации // Онтология проектирования, 2013, № 3(9), с. 41-52.

212. Леон Р. Управление качеством. Робастное проектирование. Методы Тагути. Пер. с англ., М., 2002, 384 с.

213. Малышев В.В., Кибзун А.И. Анализ и синтез высокоточного управления летательными аппаратами // М.: Машиностроение, 1987, 304 с.

214. Морозов В.П., Обухович В.А., Сидоренко С.И. Энциклопедия современной военной авиации 1945-2002 // М., АСТ, Минск, Харвест, 2005, 836 с.

215. Муромцев Д.Ю., Тюрин И.В. Математическое обеспечение САПР // М., Издательство "Лань", 2014, 464 с.

216. Мыльник В.В., Титаренко Б.П., Волочиенко В.А. Исследование систем управления. 2-е изд., перераб. и доп. // М., Академический проект, 2003, 352 с.

217. Научно-технические разработки КБ «Салют» 2009-2011 гг. / Ю.О. Бахвалов, А.В. Альбрехт, Ю.В. Абросимов и др., М., Машиностроение-Полет, вып. 3, 2012, 512 с.

218. Никитин Г.А., Баканов Е.А. Основы авиации: учеб. для вузов гражданской авиации. - 2-е изд., перераб. и доп., М., Транспорт, 1984, 261 с.

219. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход // М., ФИЗМАТЛИТ, 2002, 144 с.

220. Ногин В.Д. Сужение множества Парето: аксиоматический подход. M., Физматлит, 2015, 236 с.

221. Норенков И.П. Автоматизированное проектирование // М., МГТУ им. Н. Э. Баумана, 2000, 188 с.

222. Норенков И.П. Введение в автоматизированное проектирование технических устройств и систем: учеб. пособие для втузов - 2-е изд., перераб. и доп. // М., Высш. шк., 1986, 302 с.

223. Носкова Е.Е., Капулин Д.В., Краснобаев Ю.В., Ченцов С.В. Автоматизированное проектирование средств и систем управления // Красноярск, ИПК, СФУ, 2009, 266 с.

224. Орлов А.И. Прикладная статистика. Учебник, М., Экзамен, 2006, 671 с.

225. Павлов К.В. Оценка параметров смеси распределения // Машинное обучение и анализ данных, Т.1, №2, 2011, с. 220-224.

226. Пегат А. Нечеткое моделирование и управление // М, БИНОМ, 2013, 798 с.

227. Петров А.П. Основы САПР в машиностроении: Учебное пособие. Курган, Изд-во Курганского гос. ун-та, 2001, 139 с.

228. Петухова Л.В. Организация контроля и испытаний продукции: учеб. пособие // Казан. нац. исслед. технол. ун-т, Казань, КНИТУ, 2013, 112 с.

229. Подвесовский А.Г. Автоматизация многокритериального выбора технических решений на основе применения нечетких моделей различных типов: автореферат дис. кандидата технических наук // Брянский гос. технич. ун-т., Брянск, 2001, 20 с.

230. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач, М., ФИЗМАТЛИТ, 2007, 256 с.

231. Роджерсон Д. Основы COM: пер. с англ. / Д. Роджерсон - 2-е изд., испр. и доп., М., Издат.-торг. дом «Русская редакция», 2000, 400 с.

232. Саати Т.Л. Принятие решений при зависимостях и обратных связях: Аналитические сети // М, Издательство ЛКИ, 2008, 360 с.

233. Самойлович О.С., Стрелец Д.Ю. Расчет коэффициента Освальда на этапе предварительного проектирования // Тр. науч. чтений ВВИА им. Н.Е. Жуковского, М., 1997.

234. Сергиенко А.Б. Цифровая обработка сигналов // СПб., БХВ-Петербург, 2011, 768 с.

235. Смирнов С.В. Обзор научных материалов конференции, рассматривающей СЛО/СЛМ/РОМ-системы для научно-прикладного применения // Датчики и системы, 2015, № 5, с. 57-68.

236. Староверов Н. Обзор БупаМо optiSLang, URL:www.ansysadvantage.ru/Шeadmin/arcЫve/20/ЛNSYS-DVЛNTЛGE-Rus-20-03.pdf, 2014.

237. Струченков В.И. Методы оптимизации // М., Экзамен, 2005, 256 с.

238. Терентьев П.В. Метод корреляционных плеяд // Вест. Ленингр. ун-та. Серия биол., Л., 1959, № 9, с. 137-141.

239. Тимирязев В.А., Схиртладзе А.Г., Солнышкин Н.П., Дмитриев С.И., Самаркин А.И., Самаркина Е.И., Евгеньева Е.А. Технология производства и автоматизированное проектирование технологических процессов машиностроения // Псков: Псковский государственный университет, 2016, 334 с.

240. Трахтенгерц Э.А. Компьютерная поддержка принятия решений в САПР. Оценка согласования и выбор решения // Автоматизация проектирования, 1998, № 1, с. 16-26.

241. Трахтенгерц Э.А. Особенности построения системного программного обеспечения в распределенных системах автоматизации проектирования сложных технических объектов // Автоматика и телемеханика, № 11, 1994, с. 158-175.

242. Удумян Д.К. Численные методы обработки данных, основанные на сингулярно-спектральном и метрическом анализах, и их применения: диссертация кандидата физико-математических наук // Нац. исслед. ядерный университет, Москва, 2011, 122 с.

243. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ. // М., Мир, 1992, 157 с.

244. Шакиров В.А. Многокритериальная оценка альтернатив на основе теории полезности в условиях неопределенности предпочтений лица, принимающего решения // Нечеткие системы и мягкие вычисления, т. 13, вып. 1, 2018, с. 17-35.

245. Шокин Ю.И. Интервальный анализ // Новосибирск, Наука, 1981, 112 с.

246. Штовба С.Д. Проектирование нечетких систем средствами МаЙаЬ, М.: Горячая линия-Телеком, 2007, 288 с.

247. Язенин А.В. Основные понятия теории возможностей, М., Физматлит, 2016, 144 с.

248. Янушко В.В. Оценка влияния неопределенностей в системном анализе задач концептуального проектирования // Известия ЮФУ. Технические науки, 2010, № 7 (108), с. 100-106.

249. Янушко В.В. Системный анализ задач концептуального проектирования // Известия Южного федерального университета. Технические науки, Тематический выпуск, 2009, с. 93-98.

ПРИНЯТЫЕ СОКРАЩЕНИЯ

ИАД - интеллектуальный анализ данных;

ЛА - летательный аппарат;

ЛПР - лицо, принимающее решения;

ОРП - оптимальное робастное проектирование;

САПР - система автоматизированного проектирования;

СКП - сверхзвуковой крейсерский полет;

СУБД - система управления базами данных

ТО - технический объект;

ЭМП - электромеханический привод.