Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Белоглазов, Денис Александрович

  • Белоглазов, Денис Александрович
  • кандидат технических науккандидат технических наук
  • 2011, Таганрог
  • Специальность ВАК РФ05.13.01
  • Количество страниц 212
Белоглазов, Денис Александрович. Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Таганрог. 2011. 212 с.

Оглавление диссертации кандидат технических наук Белоглазов, Денис Александрович

ВВЕДЕНИЕ.

1. АНАЛИЗ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ.

1.1. Особенности управления техническими объектами в условиях неполноты данных.

1.2. Примеры объектов управления с частично неопределенными параметрами.

1.3. Системный подход к решению задач управления в условиях неполноты данных.

1.3.1. Классификация видов неопределенности.

1.3.2. Сущность системного подхода.

1.4. Целеполагание при решении задач управления.

1.5. Задача разработки моделей регуляторов в условиях неполноты данных.

1.5.1. Аналитическое конструирование оптимальных регуляторов.

1.5.2. Синтез самоорганизующихся регуляторов с экстраполяцией.

1.5.3. Аналитическое конструирование агрегированных регуляторов.

1.5.4. Задача моделирования нечеткого регулятора.

1.6. Обоснование применения нейро-нечетких систем для реализации регуляторов в условиях неполноты данных.

1.7. Обоснование предмета диссертационных исследований.

1.8. Выводы.

2. РАЗРАБОТКА МОДЕЛЕЙ АДАПТИВНЫХ СИСТЕМ УПРАВЛЕНИЯ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ.

2.1. Задача моделирования функций системы адаптивного управления.

2.2. Алгоритмизация структурной модели системы адаптивного управления.

2.3. Разработка структур функциональных блоков интеллектуальной адаптивной системы управления.

2.4. Алгоритм работы ННСЬ ННС2.

2.5. Разработка архитектуры блока ускорения адаптации.

2.6. Разработка архитектуры блока оценки.

2.7. Назначение блока подготовки обучающих примеров.

2.8. Выводы.

3. РАЗРАБОТКА ЭВОЛЮЦИОННОГО АЛГОРИТМА ОБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ГИБРИДНОЙ СИСТЕМЫ.

3.1. Задача разработки эволюционного алгоритма обучения.

3.2. Определение способа представления решений.

3.3. Определение вида и параметров операторов случайных изменений.

3.3.1. Разработка комбинированного оператора скрещивания (кроссинговера).

3.3.2. Разработка комбинированного оператора мутации.

3.3.3. Разработка алгоритма адаптации параметров комбинированных операторов случайных изменений.

3.4. Определение вида оператора репродукции.

3.5. Определение способа оценки приспособленности хромосом.

3.6. Определение условия остановки алгоритма.

3.7. Определение способа создания популяции начальных решений.

3.8. Определение способа отбора решений в новую популяцию.

3.9. Разработка общей структурной схемы генетического алгоритма.

3.9.1 . Разработка структуры параллельного генетического алгоритма.

3.9.2 . Разработка структуры генетического алгоритма на основе двух операторов селекции.

3.10. Выводы.

4. ИССЛЕДОВАНИЕ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АДАПТИВНЫХ ОБУЧАЕМЫХ СИСТЕМ УПРАВЛЕНИЯ.

4.1. Информационное обеспечение для задач исследования.

4.2. Проектирование информационного обеспечения.

4.2.1. Описание информационного обеспечения.

4.2.2. Задачи экспериментального применения информационного обеспечения.

4.3. Эффективность разработанных генетических алгоритмов на примере оптимизации функций многих переменных.

4.3.1. Этапы экспериментального исследования ГА.

4.3.2. Результаты сравнения эффективности генетических алгоритмов на примере оптимизации функций многих переменных.

4.4. Эффективность разработанных генетических алгоритмов на примере обучения модулей адаптивной интеллектуальной гибридной системы управления.

4.4.1. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейросетевого эмулятора.

4.4.2. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого классификатора.

4.4.3. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого регулятора.

4.4.4. Общее сравнение эффективности разработанных генетических алгоритмов.

4.5. Пример использования нейроэмулятора.

4.6. Пример использования нейро-нечеткого классификатора.

4.7. Пример применения нейро-нечеткого регулятора.

4.8. Выводы.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур»

Управляемые технические объекты имеют широкое распространение, т.к. сам термин «технический объект» является обобщением и применим для большого количества устройств, относящихся к технике: суда, самолеты, автомобили, электрогенераторы, станки, атомные реакторы, бытовая техника и т.д. Управляемые технические объекты в теории управления носят название -объекты управления (ОУ).

Многообразие существующих на сегодняшний день видов ОУ объясняется достигнутым уровнем развития науки, потребностями современного человека. Виды ОУ [1-10 и др.] можно определять исходя из области их применения: экономические, технические, биологические, социальные военные. Каждый вид ОУ обладает своими особенностями, характеризуется определенным набором параметров и может быть изучен с использованием методов принятых для данной области [11].

В диссертационной работе под объектом управления будем понимать техническую систему, которая должна функционировать в соответствии с требуемыми свойствами или для получения желаемого результата [1,2,68, 10, 11, 13, 14 и др.]. Для обеспечения требуемого качества функционирования ОУ применяют системы автоматического и автоматизированного управления (САУ). Синтез САУ осуществляется с применением методов теории автоматического управления (ТАУ).

Согласно данным многих работ, например [1,2,6,10-18], построение САУ для технического ОУ требует априорной информации о функции цели управления, параметрических моделях ОУ и возмущений, причем достоверность данной информации непосредственно определяет выбор метода и качество синтезируемого регулятора. Адекватные математические модели ОУ позволяют исследовать его поведение, найти параметры регулятора на этапе проектирования.

Таким образом, можно сделать вывод [19, 20], что синтез регуляторов для технических ОУ с применением методов классической ТАУ невозможен без предварительного анализа адекватной математической модели ОУ.

В развитие классической ТАУ, в создание методов синтеза регуляторов внесли существенный вклад многие ученые: Берг А.И., Беллман P.E., Болтянский В.Г., Вознесенский И.Н., Воронов A.A., Калман P.E., Красовский A.A., Колесников A.A., Кулебякин B.C., Ляпунов A.M., Максвелл Д.К., Михайлов A.B., НайквистХ., Понтрягин Л.С., Солодовников В.В., Трапезников В.А., Фельдбаум A.A. и многие другие.

Эффективность применения методов классической ТАУ существенно снижается из-за того, что подавляющее большинство технических объектов обладают свойствами нелинейности, нестационарности, последействия, хотя и для управления нелинейными объектами создана теория оптимального или субоптимального управления движением [1].

Согласно результатам ряда исследований (см. например [21 и др.]) сложность САУ определена статичностью настроек, т.к. регулятор не может сам менять свои параметры при изменении условий управления, проявляющихся со сменой режима работы ОУ (изменение характеристик ОУ). Для изменения настроек необходимы временные затраты, что неприемлемо для многих ОУ. Применение поисковых методов оптимального управления [22, 23] не всегда обеспечивает требуемые характеристики качества управления. Таким образом, существует необходимость поиска альтернативных методов синтеза регуляторов [24].

К настоящему времени разработаны альтернативные подходы к синтезу регуляторов для управления слабо формализованными объектами (априорная неопределенность): адаптивный [10,19,22,23,25 -31], робастный [3,32-34], нечеткий [3,4,7,35 - 39] и нейронный [3,43-51]. Отметим, что каждый из подходов имеет свои особенности, достоинства и недостатки, а также применим при определенной степени неопределенности, но, тем не менее, позволяют успешно решать задачи синтеза регуляторов в условиях неполноты исходных данных. Наиболее перспективным считается применение методов искусственного интеллекта, которые ориентированы на формализацию задач принятия управляющих решений в условиях неопределенности с применением методов нечеткой логики [52 - 56 и др.], и позволяют синтезировать гибридные регуляторы, т.е. регуляторы, совмещающие методы классической теории управления и нечетких регуляторов [11, 42, 50, 60 - 62].

Гибридные регуляторы появились в результате необходимости решения задач синтеза САУ, находить оптимальные (или квазиоптимальные) управляющие решения в условиях априорной неопределенности относительно характеристик ОУ, адаптироваться к меняющимся условиям. Гибридный подход к решению задач синтеза регуляторов в условиях неполноты данных приобрел большую популярность, особенно с применением аппарата нейронных сетей и нечеткой логики [3, 38, 43, 45, 50, 63 - 71]. Данный подход получил название «нейро-нечеткий».

Регуляторы на основе нейро-нечетких сетей адаптируемы, благодаря своей структуре, и ориентированы на работу в условиях неопределенности ОУ, как и нечеткие контроллеры. При разработке гибридных регуляторов на основе нейро-нечетких сетей необходимо получить такой алгоритм коррекции параметров сети, который будет обладать высокой скоростью, и обеспечивать требуемую вероятность успешного окончания процесса обучения.

Одним из путей поиска алгоритмов коррекции параметров нейро-нечетких сетей в условиях неполноты информации является разработка алгоритмов эволюционных вычислений [72 - 89 и др.].

Диссертация посвящена разработке методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур с генетическими алгоритмами обучения, способными решать задачи управления сложными нелинейными стохастическими объектами, что позволит повысить эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления. Это определяет и подтверждает актуальность исследований диссертационной работы.

Объектами исследования диссертации являются технические объекты функционирующие в условиях неопределенности.

Целью диссертационной работы является разработка методов синтеза гибридных адаптивных систем управления техническими объектами функционирующими в условиях неполноты данных.

Достижение поставленной цели может быть осуществлено с применением математических методов системного анализа, в частности теории адаптивного управления, методов функционального анализа, теории моделирования, теории нечетких множеств и нечеткой логики, теории нейронных сетей, а также эволюционных и синергетических методов принятия решений, методов синтеза дискретных логических устройств. В экспериментальных исследованиях применялось моделирование на ЭВМ.

Методологическую основу диссертационной работы составляет концепция системности, суть которой - представление и исследование процессов управления техническими объектами в условиях априорной неопределенности относительно модели ОУ и начальных параметров. Объекты управления рассматриваются одновременно, как одно целое (система), и функционирующие в тесном информационном взаимодействии друг адаптивным регулятором и внешней средой.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

- анализ методов решения задач управления техническими объектами в условиях неполноты данных;

- разработка модели гибридной адаптивной системы управления и ее элементов;

- разработка нечеткого адаптивного эволюционного алгоритма обучения элементов гибридной адаптивной системы управления;

- разработка специализированного программного комплекса для исследования гибридной адаптивной системы управления и ее элементов, нечеткого адаптивного эволюционного алгоритма обучения.

Поставленная цель диссертационной работы и сформулированные в соответствии с целью задачи позволили получить новые научные результаты в области разработки моделей и методов синтеза адаптивных регуляторов, способных решать задачи управления в соответствии с заданной целевой функцией.

Новыми научными результатами диссертационной работы, выносимыми на защиту, являются:

- метод построения гибридной адаптивной системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких сетей и алгоритмов обучения интеллектуальной составляющей системы управления;

- модель гибридной адаптивной интеллектуальной системы управления, отличающаяся использованием нейро-нечетких и нейронных сетей, осуществляющих выработку управляющих воздействий, идентификацию технологических режимов объекта управления, эмуляцию поведения объекта управления;

- нечеткий адаптивный эволюционный алгоритм обучения интеллектуальной составляющей гибридной адаптивной системы управления, отличающийся использованием комбинированных операторов случайных изменений и возможностью динамической коррекции их параметров на основе информации о популяции решений.

Практическая ценность результатов исследований определена их применением в системах автоматического управления техническими объектами, функционирующими в условиях неполноты данных.

Диссертационная работа состоит из четырех разделов, заключения и приложений.

В первом разделе диссертации выполнен анализ методов решения задач управления техническими объектами в условиях неполноты данных. Для линейных и нелинейных объектов при условии линеаризации модели ОУ без потери адекватности при синтезе систем автоматического управления применимы методы классической теории автоматического управления. Область применения классической теории управления ограничена при наличии априорной неопределенности относительно свойств ОУ и возмущающих воздействий. Определены особенности адаптивного управления, робастного подхода к синтезу САУ, нечетких и нейронных систем управления.

Приведены примеры технических объектов управления с частично неопределенными параметрами. Предложено формальное задание ОУ.

Разработан системный подход к решению задач управления в условиях неполноты данных, при котором выполняется классификация видов неопределенности, осуществляется формализации данных задачи управления в условиях неопределенности, определен на последовательности применения методов системного анализа для решения задач синтеза САУ в условиях неопределенности. Определены этапы поиска решения задачи управления в условиях неопределенности.

Выполнен анализ известных целевых критериев управления, приведены возможные задания оценочных функционалов, определены условия и ограничения их применения. В условиях неполноты исходной информации критерии для решения задач управления могут быть формализованы на вербальном уровне в виде лингвистических переменных или в виде правил логического вывода относительно эффективности функционирования ОУ.

Рассмотрена постановка задачи разработки моделей регуляторов в условиях неполноты данных и особенности применения аналитического конструирования оптимальных регуляторов, самоорганизующихся регуляторов с экстраполяцией, аналитического конструирования агрегированных регуляторов. Сформулирована задача моделирования нечеткого регулятора, отличающаяся описанием поведения ОУ с применением утверждений естественного языка в форме «вход-выход», экспертным определением лингвистических переменных и параметров функций принадлежности и заданием базы правил для формулирования нечеткого логического вывода относительно принимаемого управляющего и решения и последующей дефаззификацией для получения физической величины, определяющей значение управления. Обосновано применения нейро-нечетких систем для реализации гибридных регуляторов в условиях неполноты данных.

Во втором разделе диссертации рассмотрены особенности проектирования интеллектуальной адаптивной обучаемой гибридной системы управления плохо формализованными техническими объектами, способными менять режимы функционирования под влиянием различных факторов.

Рассмотрена задача моделирования функций системы адаптивного управления. Выполнена алгоритмизация структурной модели системы адаптивного управления.

Проведена разработка структур модулей интеллектуальной адаптивной системы управления, определено их функциональное назначение, состав, архитектура, алгоритмы работы. Приведена структурная модель взаимодействия элементов гибридной адаптивной системы управления между собой.

В третьем разделе диссертации рассматривается задача разработки эволюционного алгоритма обучения. Определен способ представления решений, форма оператора репродукции, условия остановки алгоритма, способ создания популяции начальных решений, способ отбора решений в новую популяцию.

Разработаны комбинированные операторы случайных изменений. Определена методика оценки приспособленности хромосом, алгоритм адаптации параметров комбинированных операторов случайных изменений на основе аппарата нечеткой логики.

Разработаны нечеткие адаптивные эволюционные алгоритмы обучения элементов адаптивной гибридной системы управления.

В четвертом разделе проведено исследование и моделирование интеллектуальной адаптивной гибридной системы управления, элементов входящих в ее состав. Выполнено численное сравнение эффективности разработанных эволюционных алгоритмов обучения интеллектуальной составляющей адаптивной гибридной системы управления по сравнению с рассматриваемыми аналогами.

Разработано информационное обеспечение, на языке высокого уровня С#, платформе .Net, в среде программирования Microsoft Visual Studio 2010, позволяющее осуществлять исследование эффективности разработанных генетических алгоритмов на примере оптимизации функций многих переменных, обучении нейросетевого эмулятора объекта управления, нейро-нечетких классификатора и регулятора, получать сравнительные результаты использования гибридной адаптивной системы управления и ее элементов.

Заключение содержит выводы о работе.

Результаты работы внедрены:

- на предприятии ЗАО «ЮГТЕПЛОКОМПЛЕКТ»;

- в госбюджетной НИР «Разработка и исследование методов моделирования и синтеза многокритериальных адаптивных систем управления в условиях неполноты данных с применением средств формализации экспертных знаний и современных информационных технологий»;

- в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального.

Научные и практические результаты, полученные в диссертации и изложенные в статьях, использованы при подготовке и чтении лекций по дисциплине «Моделирование систем», постановке лабораторных работ на кафедре систем автоматического управления Технологического института Южного федерального университета в г. Таганроге.

Основные результаты докладывались и обсуждались на следующих конференциях:

- 14-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика - 2007», Москва: МИЭТ, 2007;

- 54-й студенческой научной конференции, Таганрог: ТТИ ЮФУ, 2007;

- Всероссийской молодежной научной конференции «Мавлютовские чтения», Уфа: УГАТУ, 2008, 2010:

- 14-й международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва: МЭИ, 2008;

- международной научной конференции «Системы и модели в информационном мире (СМИ-2009)», Таганрог: ТТИ ЮФУ, 2009;

- VII-й, VIII-й, IX-й Всероссийской конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», Таганрог: ТТИ ЮФУ, 2009 -2011;

- ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН, Ростов-на-Дону: ЮНЦ РАН, 2009 - 2011;

- Российской конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника», Ульяновск: УлГТУ, 2010;

- Всероссийской научной конференции «Актуальные вопросы исследования общественных и технических систем», Таганрог: ТТИ ЮФУ, 2010;

- VIII-й Всероссийской конференции студентов, аспирантов и молодых ученых «Технологии Microsoft в теории и практике программирования», Таганрог: ТТИ ЮФУ, 2011;

- Международном семинаре студентов, аспирантов и ученых «Системный анализ, управление и обработка информации», Ростов-на-Дону: ДГТУ, 2011.

По теме диссертации опубликованы 9 статей, среди которых 6 включены в перечень изданий, рекомендованных ВАК, 21 тезис докладов, 1 монография в открытой печати.

Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое соавторство.

Диссертационная работа содержит 164 страницы машинописного текста, включая введение, четыре раздела, заключение, список литературы из 199-ти наименований, 64 рисунка, 25 таблиц, а также 4 приложения на 47-х страницах.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Белоглазов, Денис Александрович

4.8. Выводы

Содержание данного раздела диссертационной работы связано с проведением экспериментальных исследований, направленных на получение практических результатов, подтверждающих правильность предложений, сделанных во втором и третьем разделах диссертации.

Разработано информационное обеспечение, на языке высокого уровня С#, в среде программирования Visual Studio 2010, обладающее свойствами модульности и расширяемости, использующее современные программные технологии, позволяющее проводить синтез и исследование нейронных, нейро-нечетких сетей различной архитектуры и сложности, эволюционных алгоритмов, гибридной адаптивной системы управления. Возможности реализованного информационного обеспечения применительно к задачам диссертационной работы существенно шире, чем рассматриваемых аналогов.

Исследование эффективности генетических алгоритмов (ГА1-ГА10) производится на примере оптимизации функций многих переменных, обучении нейросетевого эмулятора объекта управления, нейро-нечетких классификатора и регулятора.

Полученные данные численных экспериментов, генетических алгоритмов (ГА1 - ГАЮ), свидетельствуют о том, что нечеткий параллельный адаптивный генетический алгоритм с комбинированными операторами случайных изменений (ГА9) обладает лучшим соотношением между количеством итераций, требуемых на поиск решений, остановок в локальных областях.

По сравнению с ГА7 эффективность ГА9 по количеству итераций увеличилась примерно в 1,09 раз (9%), остановок в локальном оптимуме 1,14 раз (14%). По сравнению с ГА8 эффективность ГА9 по количеству итераций улучшилась примерно в 1,11 раз (11%), остановок в 1,57 раза (57%).

На основании результатов исследований ГА9 можно сделать вывод о том, что динамическая адаптация параметров операторов случайных изменений в зависимости от степени приспособленности решений, полученных на их основе, величины генетического разнообразия популяции качественным образом сказывается на эффективности практического использования алгоритма.

Исследования элементов гибридной адаптивной системы, основанных на нейронных, нейро-нечетких сетевых архитектурах позволяют сделать вывод об их способности эффективно осуществлять возложенные на них функции, а именно выполнять выработку управляющих воздействий, идентификацию технологических режимов объекта управления, эмуляцию поведения объекта управления.

Результаты экспериментов показали большую эффективность, разработанного нечеткого адаптивного эволюционного алгоритма обучения, по сравнению с аналогами для решения многоэкстремальных задач оптимизации, приспособленность применения гибридной адаптивной системы управления, составляющих ее элементов в условиях неполноты данных.

ЗАКЛЮЧЕНИЕ

Выполнен анализ методов решения задач управления техническими объектами в условиях неполноты данных: классического, адаптивного, робастного, нейронного, нечеткого. Определены этапы поиска решения задачи управления в условиях неопределенности. ' Рассмотрена постановка задачи разработки моделей регуляторов в условиях неполноты данных и особенности применения аналитического I конструирования оптимальных регуляторов, самоорганизующихся регуляторов I с экстраполяцией, аналитического конструирования агрегированных регуляторов. Сформулирована задача моделирования нечеткого регулятора.

Обосновано применения нейро-нечетких сетей для реализации гибридных регуляторов в условиях неполноты данных.

Предложен метод синтеза адаптивной гибридной системы управления, включающий в себя разработку структурной модели взаимодействия ее элементов, определение их назначения и архитектуры, позволяющий формализовать применение нейро - нечетких сетевых структур, эволюционных алгоритмов в составе гибридных САУ, повысить эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления.

Предложен способ адаптации параметров комбинированных операторов ! генетических алгоритмов на основе аппарата нечеткой логики, позволяющий выявлять и чаще использовать более приспособленные к определенным этапам работы алгоритма формы операторов комбинированной мутации, кроссинговера, поддерживать необходимый уровень генетического разнообразия популяции решений, в результате чего достигается снижение количества итераций, требуемых для решения задач оптимизации, вероятность остановки алгоритма в локальных оптимумах. к

Разработан нечеткий адаптивный алгоритм обучения элементов адаптивной гибридной системы управления, обладающий комбинированными операторами случайных изменений, возможностью динамической коррекции их параметров, большей эффективностью по сравнению с рассматриваемыми аналогами (меньшим количеством итераций примерно на 9%, остановок в локальных оптимумах примерно на 14%).

Разработан программный комплекс для ЭВМ типа IBM PC среде программирования Microsoft Visual Studio 2010, предоставляющий большие возможности синтеза и исследования эволюционных алгоритмов оптимизации, нейронных, нейро - нечетких сетевых архитектур, гибридной адаптивной системы управления по сравнению с рассматриваемыми аналогами, а также отличающийся модульностью и расширяемостью, использованием возможностей современных программных средств.

Выполнено компьютерное моделирование разработанного нечеткого адаптивного генетического алгоритма, гибридной адаптивной системы управления, элементов входящих в ее состав. Результаты экспериментов показали большую эффективность, разработанного нечеткого адаптивного эволюционного алгоритма обучения, по сравнению с аналогами для решения многоэкстремальных задач оптимизации, большую приспособленность применения гибридной адаптивной системы в условиях неполноты данных по сравнению с рассматриваемыми аналогами.

Список литературы диссертационного исследования кандидат технических наук Белоглазов, Денис Александрович, 2011 год

1. Красовский A.A. и др. Современная прикладная теория управления: Оптимизационный подход в теории управления/Под ред. А.А.Колесникова. -Таганрог: Изд-во ТРТУ, 2000. 4.1. 400 с.

2. Александров А.Г. Справочник по теории автоматического управления/Под ред. A.A. Красовского. М.: Наука, 1987. - 712 с.

3. Пупков К.А., Егупов Н.Д. и др. Методы робастного, нейро-нечеткого и адаптивного управления/Под. ред. Н.Д. Егупова М.: МГТУ им. Н.Э. Баумана, 2001.-744 с.

4. Финаев В.И., Павленко E.H. Методы искусственного интеллекта в задачах организации водно-химического режима тепловых электростанций. -Таганрог: изд-во ТРТУ, 2004. 148 с.

5. Финаев В.И., Мажди Наср Аллах. Адаптивные автоматные системы управления: Монография. Таганрог: Изд-во ТТИ ЮФУ, 2007.

6. Душин С.Е., Золотов Н.С., Имаев Д.Х. и др. Теория автоматического управления. М.: Высшая школа, 2003. 567 с. - ISBN 5-06-004096-8.

7. Деменков Н.П. Нечеткое управление в технических системах. М.: МГТУ им. Н.Э. Баумана, 2005. - 200 с. - ISBN 5-7038-2742-6.

8. Иванов В.Б., Куликов Г.Г., Речкалов Я.А. Автоматизированное управление запасами предприятия. Уфа: Уфимск. гос. авиац. техн. ун-т., 2002. -104 с.

9. Згуровский М.З. Доброногов A.B., Померанцева Т.Н. Исследование социальных процессов на основе методологии системного анализа. Киев: Наукова думка, 1997. - 221 с.

10. Колесников A.A. Синергетическая теория управления. Таганрог: ТРТУ, М.: Энергоатомиздат, 1994. - 344 с.

11. Белоглазов Д.А., Мажди Наср Аллах, Финаев В.И. Проблематика создания гибридных регуляторов//Материалы 14-й международной научнотехнической конференции «Радиоэлектроника, электротехника и энергетика». -М.: МЭИ, 2008.

12. Белоглазов Д.А., Скубилин И.М., Гусева М.Н. Инструментальные средства мониторинга.- Таганрог: Изд-во ТТИ ЮФУ, 2011. -206 с.

13. Бессекерский В.А., Попов E.H. Теория систем автоматического управления. СПб.: Профессия, 2003. - 752 с.

14. Лазарева Т.Я., Мартемьянов Ю.Ф. Основы теории автоматического управления. Тамбов: Тамб. гос. техн. ун-т, 2004. - 352 с.

15. Гайдук А.Р. Непрерывные и дискретные динамические системы. 2-е изд. перераб. - М.: Учебно-методический и издательский центр «Учебная литература, 2004. - 252 с.

16. Бабаков H.A., Воронов A.A., Воронова A.A. Теория автоматического управления. М.: Высш. шк., 1986. 367 с.

17. Первозванский A.A. Курс теории автоматического управления. М.: Наука, 1986.-616 с.

18. Цыпкин Я.З. Основы теории автоматических систем. М.: Наука, 1977. 560 с.

19. Белоглазов Д.А. Адаптивное управление сложными техническими системами//Труды Международной научной конференции «Системы и модели в информационном мире», (СМИ-2009), Часть 3. Таганрог: Изд-во ТТИ ЮФУ, 2009. С. 4-5.

20. Штейнберг Ш.Е., Залуцкий И.Е. Адаптация стандартных регуляторов к условиям эксплуатации в промышленных системах регулирования// Промышленные АСУ и контроллеры, 2003. №4.

21. Растригин JI.A. Адаптация сложных систем. Рига: Зинатне, 1981.

22. Саридис Д. Самоорганизующиеся стохастические системы управления / Пер. с англ. под ред. Я.З. Цыпкина. М.: «Наука», 1980.

23. Белоглазов Д.А., Синявская Е.Д. Анализ современных методов автоматического управления. Неделя науки 2010: Материалы научных работ. - Таганрог: Изд-во ТТИ ЮФУ, 2010. - с. 49 - 51.

24. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. - 400 с.

25. Тюкин И.Ю., Терехов В.А. Адаптация в нелинейных динамических системах. СПб: СПГТУ, 2006. - 378 с.

26. Белоглазов Д.А., Бублей С.Е. Критерии функционирования систем автоматического управления//Извесгия ЮФУ. Технические науки. Тематический выпуск. «Интеллектуальные САПР». Таганрог: Изд-во ТТИ ЮФУ, 2010, №7 (108).-262 е., С. 185-191.

27. Фомин В.Н., Фрадков A.JL, Якубович В.А. Адаптивное управление динамическими объектами. М.: Наука, 1981. - 448 с.

28. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980. - 232 с.

29. Александров А.Г. Оптимальные и адаптивные системы. М.: Высш. шк., 1989.-263 с.

30. Антонов В.Н., Терехов В.А., Тюкин И.Ю. Адаптивное управление в технических системах. СПб.: С.-Петербургский университет, 2001. 244 с. -ISBN 5-288-02934-2.

31. Арсенин В.Я., Крянев A.B., Цупко-Ситников М.В. Применение робастных методов при решении некорректных задач/Материалы журнала «Вычислительная математика и математическая физика».-Москва, 1989, 653661 с.

32. Кушакова С.Е., Оморов Т.Т. К задаче синтеза робастных систем. Сб. трудов X международной конференции/Под общей редакцией Г.Ю. Ризниченко Ижевск: Научно-издательский центр «Регулярная и хаотическая динамика», 2003, Т. 2., Стр. 142-150.

33. Галаган Т.А. Робастные системы управления нестационарным объектом с запаздыванием по состоянию//Информатика и системы управления. Благовещенск: Амурский государственный университет, 2002, стр. 87 - 97.

34. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ Петербург, 2005. - 736 с. - ISBN 5-94157-087-2.

35. Павлов, А. Н., Соколов, Б. В. Принятие решений в условиях нечеткой информации: учеб. пособие /А. Н. Павлов, Б. В. Соколов; ГУАП СПб., 2006. -72 с.

36. Прикладные нечеткие системы/Пер. с япон. К. Асаи, Д. Ватада, С. Иваи и др./Под. ред. Т. Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993. - 368 с. -ISBN 5-03-002326-7.

37. Li-Xin Wang. Stable Adaptive Fuzzy Control of Nonlinear Systems//IEEE Transactions on Fuzzy Systems, Vol. 1, N. 2, May 1993.

38. Charles L. Karr, Edward J. Gentry. Fuzzy Control of pH Using Genetic Algorithms//IEEE Transactions on Fuzzy Systems, Vol. 1, N. 1 , February 1993.

39. Georg F. Mauer. A Fuzzy Logic Controller for an ABS Braking System//IEEE Transactions on Fuzzy Systems, Vol. 3, N. 4, November 1995, pp. 381.

40. Белоглазов Д.А. Продукционная модель для управления подъемно-транспортным механизмом/Материалы VIII Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления». Таганрог: ТРТУ, 2006.

41. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы/Пер. с польского. И.Д. Рудинского. М.: Горячая линия - Телеком, 2006. - 452 с. - ISBN 5-93517-103-1.

42. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие. М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. - 316 с.

43. Jeffrey Т. Spooner and Kevin М. Passino. Stable Adaptive Control Using Fuzzy Svstems and Neural Networks//IEEE Transactions on Fuzzy Systems, Vol. 4, N. 3, August 1996, pp. 339.

44. Осовский С. Нейронные сети для обработки информации/Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с. - ISBN 5279-02567-4

45. Комашинский В.И., Смирнов Д.А. Нейронные сети в системах управления и связи. М.: Горячая лини - Телеком, 2003. - 94 с. - ISBN 5-93517194-9.

46. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. - 176 с. - ISBN 5-279-02757-Х.

47. Ben Krose, Patrick van der Smagt. An introduction to Neural Networks. The University of Amsteradam, 1996.

48. Белоглазов Д.А. Построение гибридного регулятора с использованием нейронных сетей//Межвузовский сборник научных работ «Системный анализ, обработка информации и управление». Вып. 1. Ростов-Дон: Изд-во ДГТУ, 2007. - с. 93 -97.

49. Белоглазов Д.А., Мелконян С.С. Нейронные сети в современных системах автоматического управления//Труды Всероссийской молодежной научной конференции «Мавлютовские чтения». Уфа: Изд-во УГАТУ, 2008.

50. Финаев В.И. Модели систем принятия решений: учебное пособие. -Таганрог: Из-во ТРТУ, 2005. 118 с.

51. John Lygeros. A Formal Approach to Fuzzy Modeling//IEEE Transactions on Fuzzy Systems, Vol. 5, N. 3, August 1997, pp. 317.

52. Mohammad R., Emami, I. Burhan. Development of A Systematic Methodology of Fuzzy Logic Modeling// IEEE Transactions on Fuzzy Systems, Vol. 6, N.3, August 1998.

53. Берштейн J1.C., Боженюк А.В. Нечеткие модели принятия решений: дедукция, индукция, аналогия: Монография. Таганрог: Изд-во ТРТУ, 2001. -110с.

54. Мелихов А.И., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. -М.: Наука. Гл. ред. физ.-мат.лит., 1990.-272 с.

55. Поспелов Д.А. Ситуационное управление: теория и практика, М.: Наука. Гл. ред. физ.-мат. лит. 1988. - 288 с.

56. Zadeh L.A. Fuzzy logic and approximate reasoning//Synthese, 1975. V. 80.-pp. 407-428.

57. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

58. Белоглазов Д.А, Финаев В.И. Гибридный регулятор//Материалы VII Всероссийской научной конференции студентов и аспирантов «Информационные технологии, системный анализ и управление». Таганрог: Изд-во ТРТУ, 2006.

59. Белоглазов Д.А. Гибридный регулятор для управления подъемным механизмом//Сборник тезисов докладов победителей студенческих научных конференций, проходящих в рамках «Недели науки» за 2007. Ростов-на-Дону, ЮФУ, 2007. С. 368-370.

60. Abraham A. Adaptation of Fuzzy Inference System Using Neural Learning. Computer Science Department, Oklahoma State University, USA.

61. Abraham A. Neuro Fuzzy Systems: State-of-the-art Modeling Techniques. School of Computing & Information Technology. Monash University, Australia.

62. Galina Setlak. The Fuzzy-Neuro Classifier for Decision Support//International Journal «Information Theories & Applications», Vol. 15, 2008, p. 21 -26.

63. Jang, Jyh-Shing Roger. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence.

64. Robert Fuller. Neural Fuzzy System. Abo Akademy University, 1995.

65. Leszek Rutkowskii. Flexible neuro-fuzzy systems. Structures, learning and performance evaluation. Technical University of Czestochowa, 2004.

66. Tetsuji Tani, Shunji Murakoshi, Motohide Umano. Neuro Fuzzy Hybrid Control System of Tank Level in Petroleum Plant//IEEE Transactions on Fuzzy Systems, Vol. 4, N. 3, August 1996

67. Charles M. Higgins, Rodney M. Goodman. Fuzzy Rule-Based Networks for Control//IEEE Transactions on Fuzzy Systems, Vol.2, N. 1, February 1994.

68. Abdul Hafez, Ahmed Alrabie, Arun Agarwal. Design of Neuro-fuzzy Controller Based on Dynamic Weights Updating. Springer - Verlag, 2004, p. 58 -67.

69. Goldberg David E. Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989. - 4121. P

70. Holland John., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. USA: University of Michigan, 1975. - 211 p.

71. Herrera F. and Verdegay J.L. (eds) Genetic Algorithms and Soft Computing. Physica-Verlag, 1996.

72. Курейчик B.M. Генетические алгоритмы: Монография. Таганрог: Изд-во ТРТУ, 1998.

73. Гладков JI.A., Курейчик В.В., Курейчик В.М. Генетические алгоритмы/Под. ред. В.М. Курейчика. М.: Физматлит, 2006 - 320 с.

74. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: Физматлит, 2003.

75. Курейчик В.В., Курейчик В.М., Гладков Л.А., Сорокалетов П.В. Бионспирированные методы в оптимизации М.: Физмалит, 2009.

76. Курейчик В.В. Эволюционные, синергетические и гомеостатические методы принятия решений: Монография. Таганрог: Изд-во ТРТУ, 2001.

77. Chambers D.L. Practical Handbook of Genetic Algorithms. T.l. Washington, USA, CRC Press, 1995.

78. Chambers D.L. Practical Handbook of Genetic Algorithms. T.2. Washington, USA, CRC Press, 1995.

79. Chambers D.L. Practical Handbook of Genetic Algorithms. T.3 -Washington, USA, CRC Press, 1999.

80. Davis L. Genetic Algorithms and Simulated Annealing. San Mateo, USA, Morgan Kaufman Publisher, 1987.

81. Курейчик B.M., Лебедев Б.К., Лебедев О.Б. Поисковая адаптация. -М.: Физматлит, 2006.

82. Kureichik V.V., Kureichik V.M., Sorokoletov P.V. Analysis and a Survey of Evolutionary. Models Journal of Computer and Systems Sciences International. -2007. Vol.46. - №5. - pp.779 - 791.

83. Курейчик B.B., Сороколетов П.В. Концептуальная модель представления решений в генетических алгоритмах//Известия ЮФУ. Технические науки. Таганрог: Изд-во ТТИ ЮФУ, 2008, №9(86), с. 7-12.

84. Курейчик В.В., Сороколетов П.В. Новые структуры генетических операторов//Известия высших учебных заведений. «Электромеханика», 2006г. №5, с. 41-44.

85. Goldberg D. Genetics Algorithms/Proceedings of the 8th International conf. San Francisco, USA, Morgan Kaufman Publishers, Inc, 1999.

86. Гладков Л.А., Курейчик B.B., Курейчик B.M. Оптимизация на основе эволюционного и нейросетевого моделирования. Таганрог: Изд-во ТРТУ, 2004. 146 с.

87. Madhusudan Singn, Smriti Srivastava, Handmandlu M. Identification of a Nonlinear System using Neural Networks by Extracting the System Dynamics. IETE Journal of Research, Vol. 53, No. 1, January Fedruary, 2007, pp. 43 - 50.

88. Беллман Р. Процессы регулирования с адаптацией. М.: Наука, 1964.

89. Агадисян Г.А. Адаптивное управление однородными случайными процессами//Сборник «Исследование по теории адаптивных систем» М.: Изд-во ВЦ АН СССР, 1976.

90. Кини P.JL, Райфа X. Принятия решений при многих критериях: предпочтения и замещения: Пер. с англ./Под ред. И.Ф. Шахнова. М.: Радио и связь, 1981.-560 с.

91. Аверкин А.Н., Батыршин И.З. и др. Нечеткие множества в моделях управления и искусственного интеллекта/Под. ред. Д.А. Поспелова. М.: Наука, 1986.-312 с.

92. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. М.: Радио и связь, 1982. - 432 с.

93. Cheng-Liang Chen, Wen-Chih Chen. Fuzzy Controller Design by Using Neural Network Techniques//IEEE Transactions on Fuzzy Systems, Vol. 2, № 3, August 1994.

94. Белоглазов Д.А. Построение гибридных регуляторов на основе методов искусственного интеллекта//Сборник тезисов докладов ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН. -Ростов-на-Дону: Изд-во ЮНЦ РАН, 2009, с. 123-124.

95. Белоглазов Д.А. Определение и принцип построения гибридной адаптивной обучаемой системы управления/ЛЛ Ежегодная научная конференция студентов и аспирантов базовых кафедр Южного научного центра РАН. Ростов-на-Дону: Изд-во ЮНЦ РАН, 2010. - С. 131 - 132.

96. Молчанов А.Ю. Разработка и исследование моделей автоматической оптимизации при задании параметров модели в виде нечетких интервалов.

97. Диссертация на соискание ученой степени кандидата технических наук -Таганрог: ТРТУ, 2006.

98. Gäfvert М., Pedersen L.M., Árzén К.-Е. Simple linear feedback and extremum control of GDI engines. In Seoul 2000 FISITA World Automobile Congress. Seoul, Korea, 2000. - pp. F2000A050.

99. Белоглазов Д.А. Микропроцессорный нечеткий регулятор подачи топлива//Материалы VII Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления». Таганрог: Изд-во ТРТУ, 2004.

100. Никитин A.B., Шишлаков В.Ф. Параметрический синтез нелинейных систем автоматического управления. Санкт-Петербург: СПбГУАП, 2003, 358с.

101. Xin М. Adaptive Extremum Control and Wind Turbine Control. Ph.D. thesis, DTU. Denmark, 1997.

102. Дуэль M.A. Автоматизированные системы управления энергоблоками с использованием средств вычислительной техники. М.: Энергоиздат, 1983. - 208 с.

103. Субботин В.И. Режимы работы и управление теплоэнергетическими установками. М: Изд-во «Испо-Сервис», 2001. 214 с.

104. Производство стальных бесшовных труб. Технологическая инструкция ТИ 157-ТПЦ1-001-99. ОАО «Тагмет», Таганрог, 1999.

105. Островский Г.М., Волин Ю.М. Методы оптимизации химических реакторов. М.: «Химия», 1967. - 248 с.

106. Казакевич В.В., Родов А.Б. Системы автоматической оптимизации. -М.:«Энергия», 1977. 288 с.

107. Ш.Рей У. Методы управления технологическими процессами/Пер. с англ. М.: Мир, 1983. - 368с.

108. Коберси И.С. Разработка и исследование адаптивных обучаемых систем управления в условиях неопределенности. Диссертации на соискание ученой степени кандидата технических наук. Таганрог: ТТИ ЮФУ, 2010.

109. ИЗ.Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Изд-во Тюменского государственного университета, 2000. - 352 с.

110. Трухаев Р.И. Модели принятия решений в условиях неопределенности. М.: Наука, 1981. - 258 с.

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

112. Гмурман В.Е. Теория вероятностей и математическая статистика. -М.: Высшая школа, 1977. 480 с.

113. Оптнер C.JI. Системный анализ для решения проблем бизнеса и промышленности. В переводе Никанорова С.П. М.: Изд-во «Концепт», 2006.

114. Новиков Д.А. Теория управления организационными системами. -М.: МПСИ, 2005. 584 с.

115. Квейд Э. Анализ сложных систем/Под ред. И.И. Андреева, И.М. Верещагина. М.: Советское радио, 1969. - 520 с.

116. Финаев В.И., Павленко E.H., Заргарян Е.В. Аналитические и имитационные модели. Таганрог: Изд-во Технологического института ЮФУ, 2007.-310 с.

117. Крянев A.B., Лукин Г.В. Математические методы обработки неопределенных данных. М.: ФИЗМАЛИТ, 2003. - 216 с. - ISBN 5-9221-04128.

118. Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.

119. Колесников A.A., Медведев М.Ю. Современные методы синтезасистем управления. Таганрог: изд-во ТРТУ. 2003. - 127 с.

120. Синергетика: процессы самоорганизации и управления. Учебное пособие/Под общей редакцией A.A. Колесникова. В 2-х частях. Таганрог: Издво ТРТУ. 2004. Ч. 1.-360 с.

121. Шмалько Е.Ю. Разработка и исследование метода сетевогооператора в задаче синтеза системы управления спуском космического аппарата//Автореф. дисс. на соиск. уч. степ. канд. техн. наук: 05.13.01 Москва,2009. 22с.

122. Ловчаков В.И., Сухинин Б.В., Сурков В.В. Оптимальное управление электротехническими объектами. Тула: Изд-во ТулГУ, 2004. - 149 с.

123. Крушель Е.Г., Степанченко И.В. Информационное запаздывание в цифровых системах управления: Монография / ВолгГТУ. Волгоград, 2004.124 с.

124. Ситников В.Ф. Совершенствование методов и средств управления Режимами электроэнергетических систем на основе элементов гибких электропередач (FACTS) // Автореф. дисс. на соиск. уч. степ. докт. техн. наук:0514.02. Иваново, 2009. - 34 с.

125. Дилингенский Н.В., Дымова Л.Г., Севастьянов Н.В. Нечеткоемоделирование и многокритериальная оптимизация . М.: «Машиностроение -1», 2004. - 397 с.

126. Заде Л. Понятие лингвистических переменных и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

127. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатом издат, 1991 - 136 с.

128. Берштейн JI.С., Боженюк А.В. Нечеткий логический вывод на основе определения истинности нечеткого правила modus ропеп8//Методы и системы принятия решений. Системы, основанные на знаниях. Рига: РПИ, 1989. -С. 74-80.

129. Пегат А. Нечеткое моделирование и управление/Пер. с англ. М. : БИНОМ. Лаборатория знаний, 2009. — 798 с. - ISBN 978-5-94774-353-1.

130. Chin-Teng Lin, С. S. George Lee. Regular Issue Papers Reinforcement Structure parameter Learning for Neural-Network-Based Fuzzy Logic Control Systems//IEEE Transactions on Fuzzy Systems, Vol. 2, № 1, February, 1994.

131. Kazuo Tanaka. Stability and Stabilizatility of Fuzzy Neural - Linear Control Systems//IEEE Transactions on Fuzzy Systems, Vol. 3, № 4, November, 1995.

132. Kazuo Tanaka, Member, Manabu Sano, Member, Hiroyuki Watanabe. Modeling and Control of Carbon Monoxide Concentration Using a Neuro-Fuzzy Technique//IEEE Transactions on Fuzzy Systems, Vol. 3, № 3, August, 1995.

133. Zhi-Qiang Liu, Francis Yan. Fuzzy Neural Network in Case-Based Diagnostic System//IEEE Transactions on Fuzzy Systems, Vol. 5, № 2, May, 1997.

134. Junfei Qiao, Huidong Wang. A self-organizing fuzzy neural network and its applications to function approximation and forecast modeling. Neurocomputing 71 (2008).-PP. 564-569.

135. Блюмин С.Л., Шуйкова И.А., Сараев П.В., Черпаков И.В. Нечеткая логика: алгебраические основы и приложения: Монография. Липецк: ЛЭГИ, 2002. - 111 с.

136. Советов Б.Я., Яковлев С.А. Моделирование систем: Практикум. М.: Высшая школа, 1999. - 224 с.

137. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. Л.: Издательство СПбГТУ, 1997. - 510 с.

138. Белоглазов Д.А. Задача согласования работы ПИД-регулятора и нечеткого регулятора//Материалы студенческой научной конференции «54 студенческая научная конференция». Таганрог, Изд. ТРТУ. 2007.

139. Белоглазова Д.А., Коберси, И.С., Финаев В.И. Разработка регулятора для управления формализованными объектами//Вестник МГТУ им. Н.Э.Баумана «Приборостроение». Москва: Изд-во МГТУ им. Н. Э. Баумана, №2 (83), 2011.-С. 122-126.

140. Белоглазов Д.А, Бублей С.Е. Нейро-нечеткие системы управления технологическими процессами//Труды Всероссийской молодежной научной конференции «Мавлютовские чтения». Уфа: Изд-во УГАТУ, 2010.

141. Saman К. Halgamuge. A trainable transparent universal approximator for defuzzification in Mamdani type neuro-fuzzy controllersman//IEEE Transactions on fuzzy systems, Vol. 6, No. 2, May, 1998, p. 304 314.

142. Felipe Fernandez, Julio Gutierrez. An improved shape-preserving affine Takagi Sugeno controller using splines. - Springer - Verlag, 2001, p. 671 - 687.

143. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления//Диссертация на соискание ученой степени кандидата технических наук. Харьков: ХГПУ, 1998.

144. Kumpati S. Narendra, Kannan Parthasarathy. Identification and control of dynamic systems using neural networks//IEEE Transaction of neural networks, Vol. 1,№1, March, 1990.

145. A1 Seyab R. K., Cao Y. Nonlinear system identification for predictive control using continuous time recurrent neural networks and automatic differentiation //Journal of Process Control, Volume 18, Issue 6, July, 2008, pp. 568-581.

146. Andrew I. Hanna, Danilo P. Mandic. On "an improved approach for nonlinear system identification using neural networks'V/Journal of the Franklin Institute 340, 2003, pp. 363 -370.

147. Si Zhao Qin, Hong - Те Su, Thomas J. McAvoy. Comparasion of four neural net learning methods for dynamic system identification//IEEE Transaction on neural networks, Vol. 3, №1, January, 1992.

148. Хайкин С. Нейронные сети: полный курс /Пер. с англ., 2-е издание. -М.: Издательский дом "Вильяме", 2006. 1104 с. - ISBN 5 - 8459 - 0890 - 6 (РУС.)

149. Matthew S. Gibbs, Graeme С. Dandy, Holger R. Maier. A genetic algorithm calibration method based on convergence due to genetic drift//Information Sciences № 178, 2008, p. 2857 2869.

150. Lei Wang, Dun-bing Tang. An improved adaptive genetic algorithm based on hormone modulation mechanism for job-shop scheduling problem//Expert Systems with Applications, Vol. 38, Issue 6, June, 2011, p. 7243-7250.

151. Zhisheng Ye, Zhizhong Li, Min Xie. Some improvements on adaptive genetic algorithms for reliability-related applications//Reliability Engineering and System Safety №95, 2010, p. 120 126.

152. Srinivas M, Patnaik L.M. Adaptive probabilities of crossover and mutation in genetic algorithms//IEEE Transaction on systems, man and cybernetics, Vol. 24, № 4, April, 1994, p. 656 667.

153. James E. S. Self-adaptation in evolutionary algorithms for combinatorial optimisation//C. Cotta et al. (Eds.): Adaptive and Multilevel Metaheuristics, SCI 136, 2008, p. 31-57.

154. Venugopal K.R., Srinivasa K. G., Patnaik L. M. Seif adaptive genetic algorithms//Soft Comput. for Data Min. Appl., SCI 190, 2009, p. 19 50.

155. Henri Luchian, Ovidiu Gheorghies. Integrated Adaptive Genetic Algorithms//W. Banzhaf et al. (Eds.): ECAL 2003, LNAI 2801, 2003, p. 635-642.

156. YU Shou-yi, KUANG Su-qiong. Fuzzy adaptive genetic algorithm based on auto-regulating fuzzy rules J. Cent. South Univ. Technol., №17, 2010, p. 123128.

157. Min Dong, Yan Wu. Dynamic crossover and mutation genetic algorithm based on expansion sampling//H. Deng et. al. (Eds.): AICI 2009, LNAI 5855, 2009, p. 141 149.

158. Liang Zhang, Ling Wang, Da-Zhong Zheng. An adaptive genetic algorithm with multiple operators for flowshop scheduling/Vint J Adv Manuf Technol, №27, 2006, p. 580 587.

159. Cristian Ruican, Mihai Udrescu, Lucian Prodan, Mircea Vladutiu. Adaptive vs. Self-adaptive Parameters for Evolving Quantum Circuits// ICES 2010, LNCS 6274, 2010, p. 348 359.

160. Herrera F., Herrera-Viedma E., Lozano M., Verdegay J. L. Fuzzy tools to improve genetic algorithms//Proc. Second European Congress on Intelligent Techniques and Soft Computing, Aachen, Germany, September, 1994, p. 1532 -1539.

161. Herrera F., Lozano M. Fuzzy Genetic Algorithms: Issues and Models//Technical Report DECSAI-98116, Dept. of Computer Science and AI, University of Granada, June 1998.

162. Herrera F., Lozano F. Fuzzy Adaptive Genetic Algorithms: design, taxonomy, and future directions//Sofl Computing 7 (2003), Springer-Verlag, 2003. -p. 545 562.

163. Herrera F., Lozano F., Verdegay J.-L. Tackling fuzzy genetic algorithms //In Winter G., Periax J., Galan M., Guesta P. (eds) Genetic Algorithms in Engineering and Computer Science. J. Wiley and Sons, 1995. p. 167 - 189.

164. Голубин A.B., Тарасов В.Б. Нечеткие генетические алгоритмы/Международные научно-технические конференции AIS'05 и CAD-2005. Труды конференций. М.: Физматлит, 2005. - с. 39 - 45.

165. Hongbo Liu, Zhanguo Xu, Ajith Abraham. Hybrid Fuzzy-Genetic Algorithm Approach for Crew Grouping.

166. Carole Fayad, Sanja Petrovic. A fuzzy genetic algorithm for real-world job shop scheduling//Proceeding IEA/AIE' 2005 Proceedings of the 18th international conference on Innovations in Applied Artificial Intelligence Springer Verlag London, UK, 2005.

167. Круглов B.B., Борисов B.B. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2002. - 382 с.

168. Белоглазов Д.А. Нечеткое управление параметрами генетического алгоритма//УП Ежегодная научная конференция студентов и аспирантовбазовых кафедр Южного научного центра РАН. Ростов-на-Дону: Изд-во ЮНЦРАН, 2011.-с. 112-113.

169. Darrell W. An overview of evolutionary algorithms: practical issues and common pitfalls//Information and Software Technology, №43, 2001, p. 817 831.

170. Mohammad Jalali Varnamkhasti, Lai Soon Lee. Fuzzy sexual selection and multi-crossover for genetic algorithm//International Journal of Vocational and Technical Education Vol. 2(4), August, 2010, p. 62-66.

171. Chelouah R., Siarry P. A continuous genetic algorithm designed for the global optimization of multimodal functions//Journal of Heuristics, 6: 2000, p. 191 — 213.

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

173. Дэбни Д.Б, Харман Т.Л. Simulink 4. Секреты мастерства/Пер. с англ. М.Л. Симонова. М.: БИНОМ: Лаборатория знаний, 2003. - 403 с.

174. Демидова JI.A., Кираковский В.В., Пылькин А.Н. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций в среде MATLAB. М.: Радио и связь, Горячая линия - Телеком, 2005. - 365 с.

175. Избачков Ю.С, Петров В.Н. Информационные системы: учебник для вузов. СПБ.: Питер, 2006, 656 с.

176. Гайдамакин, А.Н. Автоматизированные информационные системы, базы и банки данных. Вводный курс: учебное пособие. М.: Гелиос АРВ, 2002. - 368 с.

177. Mackey, A. Introducing .NET 4.0 With Visual Studio 2010. Apress, 2010.-400 c.

178. Novak I., Velvart A., Granicz A., Balassy G., etc. Visual Studio 2010 and .NET 4 Six-in-One. Wiley Publishing, 2010.

179. Пелланд П., Паре К., Хайнс К. Переход к Microsoft Visual Studio 2010. Microsoft Press, 2011.

180. Koppelaars T. A database centric approach to J2EE application development.

181. Bring business logic to light: JRules 4.5 tames business rules with friendlytools.1. СОДЕРЖАНИЕ

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