Программное инструментальное средство для разработки систем поддержки принятия решений на основе лингвистических моделей тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Мерцалов, Александр Анатольевич

• Мерцалов, Александр Анатольевич
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Мерцалов, Александр Анатольевич

ВВЕДЕНИЕ.

1. АНАЛИЗ МАТЕМАТИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ РЕШАЮЩИХ СИСТЕМ.

1.1 Назначение и особенности ИСППР.

1.2 Возможные области применения ИСППР.

1.3 База знаний ИСППР.

1.4. Технология построения базы знаний (Data mining).

1.5 Постановка задачи создания программной оболочки для разработки ИСППР.

1.6 Выводы.

2. МЕТОД ЭВОЛЮЦИОННОГО СИНТЕЗА МОДЕЛЕЙ.

2.1 Задача разработки метода построения лингвистических моделей

2.2 Метод эволюционного синтеза моделей.

2.3 Аналитическое исследование метода.

2.4 Экспериментальные исследования метода.

2.5. Выводы.

3. СРЕДСТВА ОБЕСПЕЧЕНИЯ РАЦИОНАЛЬНОСТИ ПОЛУЧАЕМЫХ РЕШЕНИЙ.

3.1 Метод априорной оценки рациональности решений.

3.2 Закономерности распределения термов входных лингвистических переменных.

3.3 Выводы.

4. ПРОГРАММНАЯ ОБОЛОЧКА «DSIS».

4.1 Назначение и возможности DSIS.

4.2 Структура программы.

4.3 Подсистема накопления информации.

4.4 Подсистема моделирования.

4.5 Подсистема оптимизации.

4.6 Экспериментальная часть системы.

4.7 Основные программные модули системы DSIS.

4.8 Использование DSIS в системе медицинской диагностики.

Выводы.

Введение диссертации (часть автореферата) на тему «Программное инструментальное средство для разработки систем поддержки принятия решений на основе лингвистических моделей»

Актуальность темы. Устойчивой тенденцией развития современных процессов, протекающих в сфере человеческой деятельности (социальной, экономической, биотехнической, медицинской, технологической), становится усложнение задач, которые приходится решать на различных уровнях управления. Это связано с ростом объемов разнородной информации, необходимой для обоснованного принятия решений, и с сокращением времени, имеющегося для принятия решений.

Для повышения качества принимаемых решений в этих условиях все шире применяются интеллектуальные решающие системы (ИРС), на которые перекладываются процедуры непосредственной подготовки решений различных задач. При этом, как показывает накопленный опыт применения ИРС, качество вырабатываемых ими решений напрямую зависит от того, насколько математические методы преобладают над эвристическими методами, используемыми для подготовки решений. С этой точки зрения все возможное множество задач, условно можно разделить на три класса: формализуемые, трудноформализуемые и неформализуемые. При этом подавляющее большинство задач, возникающих в технике, экономике, политике, медицине, биологии, бизнесе и в других областях, относятся ко второму классу - трудноформализуемым задачам. Основными признаками этого класса задач являются: большое количество факторов, влияющих на поведение системы, относительно которой принимается решение; разнотипность данных, в среде которых она функционирует; значительная априорная неопределенность, которая не позволяет, используя традиционные методы анализа данных, определить основные закономерности ее поведения (адекватные ей в статистическом смысле). Однако при этом известно, что такие закономерности существуют, и примерно определен основной состав информативных переменных. Для решения таких трудноформализуемых задач используются, появившиеся сравнительно недавно, интегрированные системы поддержки принятия решений (ИСППР). От традиционных ИРС (систем ситуационного управления, экспертных систем и др.) их отличает наличие в составе ИСППР модуля преобразования данных, накопленных в процессе функционирования исследуемой системы, в основные, наиболее устойчивые закономерности ее поведения, представляемых в виде приближенных математических моделей. Такие модели составляют основу базы знаний ИСППР - наиболее важного элемента любой ИРС.

Работа ИСППР основана на современной технологии извлечения знаний - Data Mining. Основным препятствием для широкого распространения таких систем является сложность, требующая от разработчиков ИСППР высокой квалификации в области искусственного интеллекта и компьютерных технологий. В то время как на сегодняшнем рынке программных средств высоким спросом пользуются программные инструментальные средства, не требующие сложной настройки, длительного обучения пользователей и обладающие высокой степенью автоматизации выполнения сложных операций и дружественным интерфейсом, предусматривающим, в частности, подсказки пользователю о рациональности того или иного выбора при принятии решения.

Одна из проблем рассматриваемого класса трудноформализуемых задач принятия решения связана с получением информации о предыстории исследуемого процесса достаточной длины. Так, например, отличительной чертой российской экономики, как на макро-уровне, так и на уровне отдельных предприятий, является ее нестабильность; кроме того, она подвержена и действию многочисленных, неожиданно возникающих факторов. В то время как на Западе предприятия, в основном, работают в рамках уже устоявшейся законодательной базы, в сложившихся структурах товарных, финансовых и информационных потоков, российские предприятия вынуждены подстраиваться под постоянно меняющиеся правила игры. Это же касается российских финансовых рынков, где примерно раз в полгода происходит существенная корректировка правил работы.

Указанные обстоятельства определили направление исследований в настоящей работе.

Объектом исследования является интегрированная система поддержки принятия решений трудноформализуемых задач в различных областях человеческой деятельности.

Предметом исследования является технология Data Mining, используемая для создания базы знаний ИСППР, основу которой составляют наиболее устойчивые закономерности исследуемого процесса или системы, позволяющие использовать математические методы для выработки решений и оценки их рациональности.

Цель и задачи диссертации. Целью является разработка метода извлечения закономерностей из апостериорной информации, позволяющего автоматизировать создание базы знаний и повышающего степень рациональности решений, принимаемых на ее основе. В соответствии с указанной целью были поставлены и решены следующие задачи:

1. На основе анализа особенностей трудноформализуемых задач и моделей представления знаний показано, что, с точки зрения автоматизации технологии Data Mining и с учетом разнотипности исходной информации, наиболее рациональной формой представления закономерностей поведения процессов, относительно которых принимается решение, являются лингвистические модели.

2. На основе теории обеспечения рациональности решений определены требования, которым должны удовлетворять лингвистические модели и предложен метод эволюционного синтеза таких моделей (ЭСМ) в условиях ограниченной длины предыстории функционирования системы, относительно которой принимаются решения и отвечающей условиям рациональности поддерживаемых решений.

3. Разработан метод подстройки функций принадлежности соответствующим термам входных лингвистических переменных с целью обеспечения требуемого качества получаемых лингвистических моделей.

4. Разработан метод априорной оценки рациональности решений, получаемых с помощью ИСППР на основе лингвистических моделей.

5. На основе разработанных алгоритмов создано программное инструментальное средство "DSIS" (Decision Support Integrated System) для разработки базы знаний интегрированной системы поддержки принятия решений трудноформализуемых задач на основе лингвистических моделей.

Методы исследования. Для решения указанных задач использованы теории искусственного интеллекта, математической статистики, нечетких множеств и теории обеспечения рациональности решений, разработанные трудами как отечественных ученых

Научная новизна. В работе получены следующие основные результаты, которые являются дальнейшим развитием теории обеспечения рациональности решений и определяют ее научную новизну:

1. Показано, что в условиях разнотипности информации, в среде которой функционируют исследуемая система или процесс, лингвистические модели являются наиболее рациональной формой представления приближенных моделей, составляющих базу знаний ИСППР.

2. Разработан метод эволюционного синтеза моделей (ЭСМ), обеспечивающий получение лингвистической модели, отвечающей условиям рациональности поддерживаемых решений, заключающийся в итерационном формировании модели путем анализа генерируемых гипотез, оценки их истинности с помощью предложенной информационной меры и принятия решения о завершении процедуры с помощью информационного тестового критерия.

3. Выявлена зависимость качества моделей, получаемых с помощью метода ЭСМ, от параметров функций принадлежности термов входных лингвистических переменных исследуемого процесса.

4. Разработан метод априорной оценки рациональности решений, получаемых с помощью интегрированной системы поддержки принятия решений на основе лингвистических моделей. Новизна метода заключается в использовании показателей размытости оценок основных аргументов функции полезности, используемой для оценки рациональности на начальной стадии работы ИСППР, а при "накоплении опыта" работы ИСППР - в использовании композиционного правила вывода значения функции принадлежности вектора критериев, отражающего цель решения, по информации «задача - решение -критерий», отражающей "накопленный опыт".

Достоверность полученных результатов подтверждена результатами имитационного моделирования и экспериментальных исследований с применением разработанного программного инструментального средства.

Практическая ценность работы. Методы ЭСМ и оценки рациональности решений, формируемых на основе лингвистической модели, могут использоваться при создании интегрированных систем поддержки принятия решений трудноформализуемых задач прогнозирования, управления, диагностики в различных областях человеческой деятельности, таких как бизнес, экономика, медицина, образование. Применение разработанных методов позволяет:

- сократить сроки разработки ИСППР конкретных задач, так как наиболее трудоемкий этап создания решающей системы выполняется автоматически путем запуска программы;

- снизить требования к уровню квалификации разработчиков ИСППР настолько, что позволяет создавать конкретную ИСППР непосредственно пользователю, знакомому с компьютерными технологиями;

- снижает требования к объему исходной информации - длине предыстории функционирования процесса или системы, относительно которых принимается решение, настолько, что позволяет создавать конкретные ИСППР для большинства современных процессов (в экономике, в бизнесе, в медицине и др.).

- упростить пользователю выбор решения, поскольку каждое выработанное решение сопровождается оценкой степени рациональности его принятия в конкретной ситуации.

Реализация результатов диссертационной работы. Создано программное инструментальное средство DSIS (Digital Solve Integrated System) для разработки интегрированных решающих систем на основе лингвистических моделей. На его основе разработана система медицинской диагностики сердечно-сосудистых заболеваний. В системе реализована трехуровневая структура постановки диагноза, на каждом из уровней привлекается разнотипная информация. Внедрение программного средства "DSIS" дало эффект, заключающийся в уменьшении сложности и сокращении сроков разработки автоматизированной системы медицинской диагностики.

Предложенный подход к решению задачи Data Maning использован в работах, выполняемых по гранту РФФИ No 03-07-96395-р2003 Центр-В Лингвистические модели исследуемого процесса и метод определения на их основе рациональности решения используются в учебных курсах

Экспертные системы и базы знаний» и «Системы выбора и принятия решений» на кафедре ЭВМ Тульского государственного университета.

Апробация работы. Основные положения диссертационной работы докладывались на следующих конференциях и семинарах: Всероссийская научно-методическая конференция. Телематика 2003. - Санкт-Петербург; семинары аспирантов кафедр РТиАП и кафедры ЭВМ в Тульском государственном университете, 2000-2003 г.; Всероссийская научно-методическая конференция Телематика - 2002. -Санкт-Петербург, 2002.; Международная научно-методическая конференция Телематика - 2001. -Санкт-Петербург, 2001.; Электронная научно-практическая конференция ЭНИТ-2000. - Ульяновск, 2000.; Конференция ассоциации научных и учебных организаций-пользователей сетей передачи данных 11е1агп. -2000.; Всероссийская научно-методическая конференция Телематика -2000. -Санкт-Петербург, 2000.

Публикации. По результатам исследований опубликовано 8 работ, в том числе 4 статьи и 4 тезиса докладов.

Характеристика работы:

Диссертационная работа состоит из введения, четырех разделов и заключения, изложенных на 122 страницах машинописного текста, включает 30 рисунков, 1 таблицу, содержит список использованной литературы из 80 наименований и два приложения.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Мерцалов, Александр Анатольевич

Выводы

В результате проделанной работы, было создано программное обеспечение, которое позволяет:

1. На основе имеющихся статистических выборок создавать математическую модель процесса или объекта, которая дает возможность прогнозировать состояние исследуемого объекта или системы с заданной точностью.

2. Исследовать зависимости поведения сформированной модели при изменении исходных данных и определять требования, являющиеся основой для рекомендации безошибочного формирования модели, адекватной исследуемому процессу.

3. Использовать математическое обеспечение практически на любой вычмслительной платформе, операционная система которой обеспечивает работу web-сервера Apache 1.3 и выше с поддержкой PHP 4.1.1 (или выше) и языка perl. Благодаря тому, что алгоритмы, моделирования и принятие решения реализованы на языке PHP, разработанное ПО является мультиплатформенным.

4. Применить в качестве web-cepBepa при коллективном использовании ПО PC-совместимый компьютер (как минимум) Pentium 3 с частотой процессора 700MHz и оперативной памятю: 256Mb.

ЗАКЛЮЧЕНИЕ

В диссертации решена научно-техническая задача, имеющая важное народнохозяйственное значение и заключающаяся в разработке подхода к моделированию интеллектуальных решающих систем в различных предметных областях и в создании программного инструментального средства для разработки систем поддержки принятия решения трудноформализуемых задач с разнотипными данными на основе лингвистических моделей.

В целом по диссертационной работе можно сформулировать основные выводы и результаты.

1. Проведено сравнительное исследование существующих форм приближенных моделей и обосновано использование в интегрированных системах поддержки принятия решений лингвистических моделей исследуемых систем с целью повышения качества принимаемых решений. Показано, что использование лингвистических моделей упрощает согласование типов данных и позволяет настраивать алгоритм извлечения знаний из имеющихся данных для достижения наилучшего результата.

2. Разработан метод эволюционного синтеза лингвистических моделей, отвечающий условиям рациональности поддерживаемых решений. Такой метод позволяет автоматизировать процесс создания базы знаний для конкретной предметной области, что существенно снижает для пользователя сложность разработки интегрированной системы поддержки принятия решений сложных трудноформализуемых задач.

3. Выявлены основные закономерности, связывающие показатели качества лингвистических моделей с параметрами автонастройки

• • * ■ алгоритма эволюционного синтеза, которые позволяют обеспечить высокую эффективность систем поддержки в принятии решений в условиях ограниченного объема априорной информации.

4. На основе лингвистических моделей разработан метод априорной оценки рациональности решений, получаемых с помощью интегрированной системы поддержки принятия решений. Метод позволяет дать предварительную оценку целесообразности практической реализации решения выработанного интегрированной решающей системой. При получении низкой степени рациональности пользователь системы может уточнить некоторые исходные данные, ограничения, или по иному поставить задачу.

5. Создана программная оболочка 'Т)818", которая может быть использована для, разработки интегрированной системы поддержки принятия решений на основе лингвистических моделей трудноформализуемых задач в различных областях: при решении бизнес-задач, в социологических исследованиях, в прикладных научных и инженерных задачах, в банковском деле, в страховании и медицине. Основными преимуществами "0818" по сравнению с аналогичными программными средствами, имеющимися сегодня на рынке интеллектуальных решающих систем, являются:

- менее жесткие требования к объему информации о предыстории функционирования анализируемой системы, относительно которой принимаются решения, за счет компенсации недостатка количественной информации качественной и использования принципов самоорганизации при построении приближенной модели;

- получение априорной оценки рациональности вырабатываемых ИСППР решений, что, с высокой вероятностью, исключает реализацию ошибочных или неэффективных решений; высокая степень универсальности за счет возможности использования разнотипной информации;

- высокая степень автоматизации для конкретной предметной области, что снижает требования к уровню подготовленности пользователя.

6. На основе трехуровневой лингвистической модели разработана, отлажена и внедрена в ГУП НИИ новых медицинских технологий система медицинской диагностики сердечно-сосудистых заболеваний. Система позволяет ставить диагноз не только на основе симптомов и результатов лабораторных исследований, но и на основе оценок предрасположенности к заболеваниям выбранной категории.

7. Методы оценки рациональности решений внедрены в учебный процесс в рамках дисциплин "Базы знаний и экспертные системы" и "Теория выбора и принятии решений" на кафедре «Электронные вычислительные машины» Тульского государственного университета.

Список литературы диссертационного исследования кандидат технических наук Мерцалов, Александр Анатольевич, 2003 год

1. Арсеньев Н.Ю., Шалобаев С.И., Принятие решений. Интегрированные интеллектуальные системы -М.: Юнити, 2001. - 205 с.

2. Бакан Г.М. Многозначные управляемые процессы с дискретным временем и задачи управления. Автоматика, N 2, 1979, с.22-29.

3. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление.- М.: Мир, 1974. -406с.

4. Байатт У.Дж. Нечеткие множества, нечеткая алгебра, нечеткая статистика. Труды американского общества инженеров-радиоэлектроников, т. 66, 1978, N12, с.37-61.

5. Борщевич В.И., Ботнарь В.И. Нечеткое моделирование и проблемы его интерпретации. КПИ, Кишинев, 1984, 13с. (Рукопись депонирована в МолдНИИНТИ, N 462М-84 Деп. от 14.09.1984).

6. Белкин А.Р., Левин М.Ш. Принятие решений ¡комбинаторные модели аппроксимации информации. М.: Наука, 1990. - 160 с.

7. Бойчук JI.M. Декомпозиционный метод решения задач нелинейного программирования одного класса на основе многоуровневого функционального управления. Автоматика, N 2, 1979, с.30-39.

8. Белкин А.Р., Левин М.Ш. Принятие решений ¡комбинаторные модели аппроксимации информации. М.: Наука, 1990. - 160 с.

9. Вербин И.И. Наука принятия решений М.: Питер, 2002.- 208 с.

10. Васильев Ф.П. Численные методы решения экстремальных задач. М: Наука, 1980, 518с.

11. Воронов A.A. Введение в динамику сложных управляемых систем. -М.: Наука. 1985.-352 с.

12. Глушков В.М. О диалоговом методе решения оптимизационных задач-Кибернетика, N4, 1975, с.2-6.

13. Горяинов Ю.А., Алтунин А.Е. Рябов В.Я. Автоматизированная система контроля за капитальным строительством. "Газовая промышленность", N7, 1987, с.34-35.

14. Дрейфус С., Беллман Р. Прикладные задачи динамического программирования. М: Наука, 1965.

15. Зуенков М.А. Приближение характеристических функций нечетких множеств. Автоматика и телемеханика, N 10, 1984, с. 138-149.

16. Заде П., Дезоёр Ч. Теория линейных систем. М.: Наука, 1970.- 740 с.

17. Заде Д., Беллман Р., Принятие решений в расплывчатых условиях В сб.: Вопросы анализа и процедуры принятия решений. М: Мир, 1976, с. 172-215.

18. Заде J1.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М: Мир, 1976, 165с.

19. Заде J1.A. Размытые множества и их применение в распознавании образов и кластер-анализе. В сб.: Классификация и кластер. М: Мир, 1980, с.208-247.

20. Иоффин А.И. Системы поддержки принятия решений // Мир ПК 1993, N5. С.47-57.

21. Интеллектуальные решающие машины: проблемы создания и основные принципы / Панагин A.B. и др. // Упр. системы и машины. 1992 - N1/2 -С. 27-34.

22. Куприянов М.С., Балашов Е.П., Пантелеев М.Г. Реализация лингвистических алгоритмов управления в микропроцессорных системах. Приборы и системы управления, N8, 1987, с. 11-13.

23. Казаков И.Е. Статистическая теория систем управления в пространстве состояний. М.:Наука, 1975. - 432 с.

24. Крумм Л.А., Беляев Л.С., Применимость вероятностных методов в энергетических расчетах. Известия АН СССР. Энергетика и транспорт, 1983, N 2, с.3-11.

25. Комплексный алгоритм функционирования АСДУ ЕСГ. Отчет ВНПО "Союзгазавтоматика", М, 1983, 85с.

26. Клыков Ю.И. Ситуационное управление большими системами. М: Энергия, 1974.

27. Кноринг Л.Д. Основы теории оптимизации разработки нефтяных месторождений. Л: 1980, 304с.

28. Козюкова Т.И. Координируемость многокритериальных взаимосвязанных задач линейного программирования. В кн.: Методы принятия решений в условиях неопределенности. Рига, 1980, с.99-107.

29. Кадымов Я.Б. Переходные процессы в МГ при регулировании режима работы насосной станции. "Известия ВУЗов" "Нефть и газ", N 10,1984, с.59-62.

30. Кафаров В.В. и др. Алгоритм компактного преобразования информационной структуры матриц математических моделей сложныхтехнических систем. Известия АН СССР. Техническая кибернетика, N 3, 1980, с.32-41.

31. Кейн В.М. Оптимизация систем управления по минимаксному критерию. М: Наука, 1985, 248с.

32. Кейн J1.A. Искусственный интеллект в обрабатывающих отраслях промышленности. Нефть, газ и нефтехимия за рубежом, N 9, 1986, с. 117122.

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

34. Касти Дж. Большие системы. Связность, сложность и катастрофы. М: Мир, 1982,216с.

35. Казак A.C. и др. Анализ оперативных режимов газотранспортных систем. Обзорная информация. Сер.: Транспорт и хранение газа, вып.7, 1986, 42с.

36. Казаков И.Е. Статистическая теория систем управления в пространстве состояний. М: Наука, 1975, 432с.

37. Лянгузов Д.Б. Адаптивное управление технологическими процессами газодобычи в условиях неопределенности. "Известия ВУЗов" "Нефть и газ" N6, 1981, с.78-81.

38. Макаров И.М., Бурков В.Н., Соколов В.Б. Модели и механизмы функционирования иерархических систем (обзор). Автоматика и телемеханика, 1977, N11, с.106-131.

39. Мерцалов A.A., Глаголев В.В. Информационные ресурсы региональной компьютерной сети // Сборник трудов RELARN-2000. Самара, 29 июня -4 июля 2000.-С. 102.

40. Мерцалов A.A. Токарев B.JI. Оценка рациональности решений, синтезированных с помощью ИСППР // Известия ТулГУ серия "Радиотехника и радиооптика",. Тула, 2002. С.47.

41. Мерцалов A.A. Алгоритм эволюционного синтеза моделей в технологии Data Mining. // Известия Тульского государственного университета. Серия Вычислительная техника. Управление. Тула, 2003, с. 79 - 86.

42. Мерцалов A.A., Глаголева М.О., Токарев B.JI. Управление трудноформализуемым процессом на основе его лингвистической модели // Известия ТулГУ серия "Радиотехника и радиооптика", т. V., вып. 1, Тула, 2003 г.,-с. 202-216.

43. Мерцалов A.A. Метод оценки рациональности решения интеллектуальной системы в рамках научного портала // Труды X Всероссийской научно-методической конференции. Телематика 2003. -Санкт-Петербург, 14-17 апреля 2003.-С. 217.

44. Моисеев H.H. Математические задачи системного анализа М.: Наука, 1981.-487 с.

45. Морозов A.A. Системы принятия решений: проблемы и перспективы /Лнформатиз. hobí технолог. 1995, N1.-С.6-10.

46. Нильсон Н. Искусственный интеллект. Методы поиска решений.-М.: Мир, 1973.- 270 с.

47. Нильсон Н. Принципы искусственного интеллекта.- М.: Радио и связь, 1985. 376 с.

48. Ношин Д.В. Принятие решений в многокритериальной среде. М.: Физматлит, 2002. - 176 с.

49. Нечеткие множества в моделях управления и искусственного интеллекта / Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. М.: Наука, 1986. - 312 с.

50. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. - 208 с.

51. Поспелов Д.А. Ситуационное управление. Теория и практика.-М.: Наука, 1986. 288 с.

52. Поспелов Т.е. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.- 279 с.76. Гармаш В.Б., Шершков В.В.

53. Поспелов Г.с. Системный анализ и искусственный интеллект для планирования и управления // Кибернетика,- М.: Наука, 1984, С. 141 -151.

54. Панкратов B.C., Берман Р.Я. Автоматизация систем управления магистральными газопроводами. J1: Недра, 1978.

55. Поспелов Д.А. Ситуационное управление. Теория и практика.-М.: Наука, 1986.-288 с.

56. Поспелов Г.с. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.- 279 с.

57. Поспелов Г.с. Системный анализ и искусственный интеллект для планирования и управления // Кибернетика,- М.: Наука, 1984, С. 141 -151.

58. Пархутик А.П. Двухуровневые задачи управления с несепарабельными функционалами и многими связывающими ограничениями. Деп.ВИНИТИ N 2901-85, М, 1985. Норвич A.M., Турксен И.Б.

59. Построение функций принадлежности. В сб.: Нечеткие множества и теория возможностей. М: Радио и связь, 1986, с.64-71.

60. Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности). М.: Наука, 1977. 408 с.

61. Pao А.Р. Построение динамических стохастических моделей по экспериментальным данным. М: Наука, 1983, 384с.

62. Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности). М.: Наука, 1977. 408 с.

63. Семухин М.В. Теория нечетких множеств. Учебно-методическое пособие. Тюмень: ТюмГУ, 1999, 50 с

64. Скиба В.Ю., Ухлинов JI.M. Базовые модели системы поддержки принятия решений по управлению безопасностью (сохранностью) инфомации.//Теория и системы управления. 1995,N1.- С.139-148.

65. Simon H.A. Artificial intelligence: an empirical science?// Artif. Intel!.1995,Nl.-p.95-127.

66. Справочник практического врача / Под ред. Кочергина И.Г. М.: Медицина, 1973. - 744 с.

67. Скиба В.Ю., Ухлинов JI.M. Базовые модели системы поддержки принятия решений по управлению безопасностью (сохранностью) инфомации.//Теория и системы управления.1995,N1.- С.139-148.

68. Тихонов А.Н. и др. Регуляризующие алгоритмы и априорная информация. М: Наука, 1983, 200с.

69. Токарев B.JL Интегрированные системы поддержки принятия решений по управлению, прогнозированию и диагностике.// Автоматизация и современные технологии. 2000, N4, с.21-28.

70. Токарев B.JI. Основы теории обеспечения рациональности решений. Монография. Тула: ТулГУ, 2000. - 120 с.

71. Токарев B.JI. Информационный подход к решению задачи структурной идентификации // Автоматизация и современные технологии. 1998. N11.-С. 26- 36.

72. Токарев B.JI. Использование модели состояния пациента в экспертной системе диагностики.// Вестник новых медицинских технологий, Том 1, N2, 1994г.- С.92-95

73. Фишберн П. Теория полезности для принятия решений. М: Наука, 1978.

74. Фельдбаум A.A. Основы теории оптимальных автоматических систем. М: Наука, 1966.

75. Химмельблау Д. Анализ процессов статистическими методами. М: Мир, 1973, 468с

76. Чижов С.А. Оценка показателей качества программных средств с использованием лингвистических переменных. Управляющие системы и машины, N 2, 1987, с.17-19.

77. Председатель комиссии: Первый заместитель директора, заместитель по науке, заслуженный деятель науки РФ, д.т.н., д.б.н.,профессор Члены комиссии: Зав. лабораторией, д.м.н., проф. Ученый секретарь к.х.н., с.н.с.1. A.A. Яшин1. В.А. Евтеева

78. В частности, в учебном процессе применяются разработанные в диссертации методы априорной оценки рациональности принимаемых решений трудноформализуемых задач.

79. Заведующий кафедрой профессор, д.т.н. о Карпов B.C.

80. Профессор, д.т.н. f. л 7 Ларкин Е.В.

81. Доцент, к.т.н. J Берсенев Г.Б