Разработка комбинированного нейросетевого способа, моделей и средств для оперативного управления сложными техническими системами тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Мисник, Антон Евгеньевич

• Мисник, Антон Евгеньевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Мисник, Антон Евгеньевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 АНАЛИЗ СУЩЕСТВУЮЩИХ СПОСОБОВ, МОДЕЛЕЙ И ПРОГРАММНЫХ СРЕДСТВ ДЛЯ УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

1.1 Способы управления сложными техническими системами

1.2 Моделирование сложных технических систем

1.3 Существующие программные средства для моделирования сложных технических систем и управления ими

1.4 Постановка задачи исследования

1.5 Выводы по главе

2 РАЗРАБОТКА КОМБИНИРОВАННОГО НЕЙРОСЕТЕВОГО СПОСОБА И МОДЕЛЕЙ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

2.1 Комбинированный нейросетевой способ моделирования сложных технических систем

2.1.1 Сбор информации о системе

2.1.2 Проверка системы на применимость способа моделирования

2.1.3 Выделение элементов сложной системы

2.1.4 Формирование логической модели системы

2.1.5 Построение матрицы инциденций для системы

2.1.6 Построение системы уравнений на основе матрицы инциденций

2.1.7 Получение решений системы уравнений для различных начальных условий

2.1.8 Проверка системы на наличие параметрических ошибок

2.1.9 Построение композиционной нейросетевой модели сложной технической системы

2.1.10 Обучение пейросетевых моделей элементов системы на основе решений системы уравнений и начальных условий

2.1.11 Композиция нейросетевых моделей элементов в единую модель системы

2.1.12 Дообучение нейросетевых моделей на основе данных о функционирующей системе

2.1.13 Проверка обученных нейросетевых моделей элементов системы на наличие параметрических ошибок и ошибок обучения

2.1.14 Формирование нейросетевого супервизора

2.1.15 Обучение нейросетевого супервизора

2.1.16 Проверка модели на наличие структурных ошибок

2.2 Модельное обеспечение способа моделирования сложных систем

2.2.1 Логическая модель системы

2.2.2 Параметрическая модель системы

2.2.3 Нейросетевая модель системы в виде композиции нейросетевых моделей элементов системы

2.2.4 Нейросетевая модель системы, супервизор

2.2.5 Оперативное изменение структуры и топологии модели системы

2.3 Способ поддержки принятия решений при оперативном управлении сложными техническими системами

2.3.1 Определение управляемых параметров для системы

2.3.2 Определение диапазонов изменения управляемых параметров

2.3.3 Определение шага изменения управляемых параметров

2.3.4 Определение целевых параметров системы

2.3.5 Определение диапазонов величин целевых параметров системы, при которых функционирование системы считается успешным

2.3.6 Определение параметров эффективности работы системы

2.3.7 Проверка комбинаций управляемых параметров

2.4 Принятие решений на основании результатов работы модели

2.5 Выводы по главе

3 РАЗРАБОТКА ПРОГРАМММНЫХ СРЕДСТВ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

3.1 Разработка программных средств для моделирования сложных технических систем

3.1.1 Разработка модуля анализа элементов системы

3.1.2 Разработка модуля визуального редактора

3.1.3 Разработка модуля параметрического моделирования

3.1.4 Разработка модулей нейросетевого моделирования

3.2 Разработка программных средств для поддержки принятия решений при управлении сложными техническими системами

3.3 Выводы по главе

4 ОЦЕНКА ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ РАЗРАБОТАННЫХ ПРОГРАММНЫХ СРЕДСТВ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ СЛОЖНЫМИ СИСТЕМАМИ

4.1 Общие сведения о системах теплоснабжения

4.2 Структура централизованных тепловых сетей

4.3 Особенности функционирования тепловых сетей

4.4 Тепловые сети как объект управления

4.5 Специфика тепловых сетей г. Могилёва

4.6 Объект управления

4.7 Выделение элементов системы

4.8 Построение логической модели системы

4.9 Построение параметрической модели системы

4.10 Построение иерархической композиционной нейросетевой модели системы

4.11 Выбор временного промежутка для оценки эффективности использования разработанных программных средств

4.12 Оценка эффективности использования разработанных программных средств для упрощённой схемы с одним потребителем

4.13 Оценка эффективности разработанных программных средств для упрощённой схемы с двумя потребителями

4.14 Оценка эффективности использования разработанных программных средств для схемы с девятнадцатью потребителями

4.15 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1

ПРИЛОЖЕНИЕ 2

ПРИЛОЖЕНИЕ 3

Введение диссертации (часть автореферата) на тему «Разработка комбинированного нейросетевого способа, моделей и средств для оперативного управления сложными техническими системами»

ВВЕДЕНИЕ

Оперативное управление сложными техническими системами - это деятельность, заключающаяся в выработке управляющих воздействий и их осуществлении и направленная на эффективное достижение цели деятельности системы в реальном или псевдореальном масштабе времени. Необходимость моделирования при оперативном управлении сложными техническими системами обусловлена сложностью объекта управления, большими финансовыми и временными затратами, а порой и невозможностью его непосредственного изучения [62, 110].

Исследования данной области основываются на работах отечественных ученых В.П. Тарасика, А.И. Галушкина, A.A. Вавилова, Н.П. Бусленко,

B.В. Калашникова, Ю.Г. Карпова, В.Н. Волковой, А.Н. Васильева, Д.А. Тар-хова, C.B. Емельянова, А.И. Орлова, В.Г. Лисиенко, В.И. Капалина, Н.В. Замятина, Д.А Мокогона, A.A. Самарского, В.В. Окольнишникова, А.И. Микова, Ю.И. Рыжикова, А.Г. Ивахненко, Е.В. Бодянского., Е.И. Кучеренко, А.И. Михалева, A.A. Воронова, Б.Я. Советова, С.А. Яковлева, Ю.И. Бродского, Е.Э. Ширковой и др.; зарубежных ученых S. Haykin, R. Fujimoto, A. Law, R. Sargent, S. Ferenci, К. Perumalla, В. Perakath, M. McComas, J. Carson,

C. Pegden, R. Bagrodia, R. Meyer, B. Zeigler, W. Kelton, J. Banks.

Особенностями сложных технических систем являются:

- сложность структуры, многокомпонентное^, большое число параметров;

- динамичное изменение структуры;

- неполнота исходной информации;

- разнообразие воздействий на систему, их вероятностный и нестохастической характер;

- наличие сложных нелинейных зависимостей между параметрами;

- необходимость оперативного принятия управленческих решений;

- ограниченную возможности экспериментальных исследований;

- невозможность создания и использования общих аналитических моделей системы и процессов её функционирования;

- необходимость использования различных подходов к моделированию системы и использование результатов моделирования для оперативного управления системой;

- оперативное управление возможно в псевдореальном масштабе времени, обусловленном инерционностью системы.

Ограниченность возможностей экспериментального исследования сложных систем делает актуальной разработку способов их моделирования. Зачастую специалисты не в состоянии охватить все события и явления, а также всевозможные их комбинации в процессе функционирования таких систем. И создание общей модели практически невозможно.

Одним из способов преодоления барьера сложности является декомпозиция такой системы на сравнительно менее сложные компоненты и исследование этих компонентов с учётом их взаимодействия. При таком подходе концепция сложной системы состоит в следующем.

1. Рассматриваемая система может быть декомпозирована на конечное число частей - подсистем. Подсистемы верхнего уровня иерархии могут рассматриваться как системы для подсистем более низкого уровня. Такое иерархическое представление на самом низком уровне приводит к элементам системы, которые в условиях задачи не подлежат дальнейшей декомпозиции.

2. Система представляет собой целостный комплекс взаимосвязанных и взаимодействующих компонентов. В этом случае рассмотренные ранее подсистемы переходят как бы в разряд внешней среды, то есть для рассматриваемой подсистемы входные сигналы определяются рассмотренной ранее подсистемой.

3. Система образует единство со средой функционирования, то есть она подвержена воздействиям со стороны среды и оказывает сама на неё влияние.

4. Декомпозиция системы на компоненты позволяет создать более простые взаимодействующие модели.

5. При декомпозиции системы каждую подсистему можно рассматривать как обособленную техническую систему.

Такие подсистемы можно описать с помощью систем уравнений, решение которых затратно по времени, а результаты, в силу неполноты исходной информации, могут быть только приближены к происходящим в подсистемах процессам. Тем не менее, результаты решения систем уравнений могут быть использованы для первоначального обучения набора нейросетевых моделей подсистем, обладающих возможностями точной настройки на особенности этих подсистем.

Данный подход позволяет сформировать библиотеку предварительно обученных типизированных нейросетевых моделей подсистем сложной технической системы.

Так как результаты решения системы уравнений для разных исходных данных не могут позволить обучить нейросетевые модели до состояния, когда они смогут адекватно и достоверно моделировать соответствующие подсистемы в различных режимах, то дополнительное обучение нейросетевых моделей должно проводиться с использованием реальных данных о функционировании технической системы.

Причём входные и выходные параметры нейросетевых моделей могут представлять собой как статические, так и динамические характеристики подсистем. Последовательно соединяя нейросетевые модели, можно сформировать композиционную нейросетевую модель сложной технической системы. Как правило, соединений между моделями очень много, и оценить корректность этих соединений достаточно сложно без специального инструментария, к которому можно отнести нейронную сеть - супервизор, входами которой являются входные параметры всех подсистем, а выходами - выходные параметры системы.

Такая иерархическая нейросетевая модель, существенно повышающая гибкость оперативного управления, способна стать основой системы поддержки принятия решений, которая позволит принимать решения, касающиеся

управления процессами в сложных технических системах в реальном масштабе времени, а также обладает возможностями по дополнительной тонкой настройке в процессе функционирования системы.

Таким образом, задача исследования и разработки комбинированного нейросетевого способа, моделей и средств управления сложными техническими системами является актуальной и практически значимой.

Объектом исследования являются процессы оперативного управления сложными техническими системами.

Предметом исследования являются методы, модели и средства оперативного управления сложными техническими системами.

Целью исследования является разработка комбинированного нейросетевого способа, моделей и средств для оперативного управления сложными техническими системами для повышения эффективности оперативного управления сложными техническими системами.

Реализация поставленной цели требует решения следующих основных задач:

- анализ методов, моделей и средств для оперативного управления сложными техническими системами;

- анализ подходов к моделированию для оперативного управления сложными системами;

- анализ средств моделирования для оперативного управления сложными техническими системами;

- разработка комбинированного нейросетевого способа и моделей оперативного управления сложными техническими системами;

- разработка способа поддержки принятия решений для оперативного управления сложными техническими системами на основе иерархической нейросетевой модели;

- разработка программных средств комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами;

- оценка эффективности использования разработанных методов, моделей и средств при оперативном управлении сложными техническими системами.

Методы исследования. Проведенные теоретические и прикладные исследования базируются на методах системного анализа и оперативного управления сложными техническими системами, математической статистики, нейросетевого моделирования, проектирования информационно-аналитических систем. При разработке программных средств использовались методы объектно-ориентированного проектирования и программирования, унифицированный язык моделирования иМЬ.

Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, результатами вычислительных экспериментов в технической системе централизованного теплоснабжения, а также результатами практического применения разработанных способов моделирования и оперативного управления сложными техническими системами, подтвержденными экспертной оценкой специалистов и согласующимися с опубликованными результатами исследований, полученными другими способами.

Научная новизна работы заключается в следующем.

1. Предложен комбинированный способ моделирования сложных технических систем, отличающийся сочетанием возможностей аналитического и нейросетевого подходов к построению совокупности логических, параметрических и композиционных нейросетевых моделей системы, что позволяет повысить точность моделирования процессов и вырабатывать управляющие воздействия в соответствии с выбранным целевым критерием оперативного управления системой при наличии ограничений.

2. Разработана иерархическая композиционная нейросетевая модель для оперативного управления сложными техническими системами, основанная на принципе двухуровневого построения с использованием супервизора на верхнем уровне для контроля структурных ошибок модели и параметрической под-

стройки нейросетевых моделей элементов системы при изменении режимов её работы на нижнем уровне.

Практическую значимость работы составляют следующие результаты.

1. Предложен способ поддержки принятия управляющих решений при оперативном управлении сложными техническими системами, основанный на использовании результатов комбинированного нейросетевого моделирования и позволяющий осуществить выбор управляющих воздействий в режиме реального или псевдореального времени как при структурных, так и при параметрических изменениях в системе за счёт внесения изменений в логическую и параметрическую модели системы, а также отображения этих изменений на композиционной нейросетевой модели системы.

2. Разработаны программные средства комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами, включающие в себя:

- модуль анализа элементов сложной технической системы, предназначенный для: обработки данных об элементах системы, регрессионного анализа влияния параметров на функционирование элементов, формирования базы дан-пых по параметрам элементов системы;

- модуль логического моделирования, предназначенный для: визуального редактирования логической модели, формирования матрицы инциденций для логической модели;

- модуль параметрического моделирования, предназначенный для: построения систем уравнений; решения систем уравнений; определения параметрических ошибок;

- модуль построения, обучения и использования композиционной нейросетевой модели, предназначенный для: построения нейросетевых моделей, объединения (композиции) нейросетевых моделей на основе матрицы инциденций, обучения нейросетевых моделей, определения ошибок нейросетевого моделирования;

- модуль построения, обучения и использования нейронной сети (НС)-супервизора, предназначенный для: построения НС— супервизора, обучения НС- супервизора, идентификации структурных ошибок композиционной нейросетевой модели;

- модуль поддержки принятия решений на основе данных, полученных от композиционной модели.

3. Внедрение разработанных программных средств в РУП Электроэнергетики «Могилевэнерго», филиал «Могилёвские тепловые сети» позволяет повысить эффективность оперативного управления системой централизованного теплоснабжения, г. Могилёв (Республика Беларусь) - снизить затраты до 6,7%.

Особенностями разработанных программных средств являются: визуальное моделирование технической системы; использование нейросетевых моделей; «грубая» настройка базовых нейросетевых моделей в процессе создания общей модели; «тонкая» параметрическая настройка нейросетевых моделей в процессе оперативного управления; использование результатов аналитического моделирования с помощью систем уравнений, не позволяющих модели системы выходить за границы допустимых технологических параметров; использование нейросетевого супервизора для структурной идентификации возможных ошибок в процессе оперативного управления.

Реализация результатов работы.

Разработанные программные средства используются в РУП Электроэнергетики «Могилёвэнерго», филиал «Могилёвские тепловые сети» для оперативного управления системой централизованного теплоснабжения г. Могилёв (Республика Беларусь), а также внедрены в учебный процесс ГУ ВПО «Белорусско-Российский университет» и филиала ФГБОУ ВПО «Национальный исследовательский университет «МЭИ» в г. Смоленске, что подтверждается соответствующими актами о внедрении.

Теоретические и практические результаты работы использованы при разработке нейронных и нейро-нечётких моделей формирования и обработки знаний в интеллектуальных системах поддержки принятия решений, а также при

создании научно-методического и программного обеспечения в рамках следующих НИР:

«Исследование и разработка нечётких моделей и методов формирования и обработки знаний в интеллектуальных системах поддержки принятия решений», НИР, Федеральное агентство по образованию РФ, Аналитическая ведомственная целевая программа «Развитие научного потенциала высшей школы (2009-2010 годы)», Per. № проекта в программе 1.41.09, № гос.рег. 01200950521, 2009-2010 гг.

«Исследование и разработка методов и моделей интеллектуального управления рисками в сложных организационно-технических системах», НИР, Мино-брнауки России, договор № 1043110, № гос. per. 01201067780, 2011-2013 гг.

«Исследование и разработка методов, моделей и технологий интеллектуального анализа данных и поддержки принятия решений в топливно-энергетическом комплексе», НИР в рамках базовой части Госзадания Минобр-науки России № 2014/123 на выполнение государственных работ в сфере научной деятельности по проекту №2493, договор №1013140, № гос. per. 01201458416, 2014-2016 г.г.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: Международные научно-технические конференции «Материалы, оборудование и ресурсосберегающие технологии» (Республика Беларусь, Могилёв, 2010, 2011, 2013); I и III Международные научно-технические конференции «Энергетика, Информатика, Инновации» (Смоленск, 2011, 2013); Международная научная конференция «Информационные технологии и системы - 2011» (ИТС-2011) (Республика Беларусь, Минск, 2011); XIII Международная научная конференция «Системы компьютерной математики и их приложения» (Смоленск, 2012); X и XII Всероссийские научные конференции «Нейрокомпьютеры и их применение» (Москва, 2012, 2014); XX военно-научная конференция «Проблемы теории и практики развития войск ПВО СВ в современных условиях» (Смоленск, 2012); X Международная пауч-

но-техническая конференция «Информационные технологии, Энергетика и Экономика - 2013» (Смоленск, 2013).

Публикации. По результатам диссертационной работы опубликовано 14 работ [3, 4, 5, 6, 7, 43, 44, 52, 53, 54, 55, 56, 57, 58], в том числе 3 статьи [5, 7, 56] в изданиях из перечня ВАК. Результаты диссертации также отражены в 2 отчетах о НИР.

Структура и краткое содержание работы. Диссертационная работа содержит введение, четыре главы, заключение, 3 приложения, библиографию работ по теме диссертации. Диссертация содержит 51 рисунок и 13 таблиц. Общий объём диссертации составляет 151 страницу. Содержание работы распределено по отдельным главам следующим образом.

В первой главе проведён анализ существующих способов, моделей и программных средств оперативного управления сложными системами. Обоснована необходимость создания способа управления сложными техническими системами па основе комбинированного нейросетевого моделирования, а также разработки программных средств, реализующих предлагаемый способ. Сформулирован целевой критерий для оперативного управления сложными техническими системами.

Во второй главе разработан комбинированный нейросетевой способ и модели для оперативного управления сложными техническими системами. Рассмотрена реализация предложенного способа моделирования на примере гидравлической системы. Разработан способ управления сложными техническими системами на основе комбинированного нейросетевого способа моделирования сложных технических систем.

В третьей главе описывается реализация программных средств оперативного управления сложными техническими системами на основе предложенного способа управления и моделей.

В четвёртой главе проводится оценка эффективности разработанных программных средств оперативного управления сложными техническими система-

ми. В качестве предметной области реализации рассмотрена модель участка тепловой сети технической системы централизованного теплоснабжения. В заключении приведены основные научные результаты работы. Приложения к диссертации содержат акты об использовании результатов диссертации и таблицы значений, полученные в ходе моделирования системы централизованного теплоснабжения.

1 АНАЛИЗ СУЩЕСТВУЮЩИХ СПОСОБОВ, МОДЕЛЕЙ И ПРОГРАММНЫХ СРЕДСТВ ДЛЯ УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

Сложные технические системы представляют собой особый класс технических систем, имеющих следующие характерные свойства [2, 27, 49]:

1. Наличие большого числа компонентов, параметров.

2. Сложная организация структуры системы.

3. Нестационарность структуры системы.

4. Исходная информация о системе, как правило, неполная.

5. Параметры воздействия на систему характеризуются как вероятностным, так и нестохастическим типами неопределенности.

6. Зависимости между параметрами системы, как правило, нелинейны.

7. Управленческие решения необходимо принимать в режиме времени, обусловленном степенью инерционности системы.

8. Эксперименты над системой нецелесообразно сложны, дороги либо в принципе невозможны.

9. Нельзя создать общую аналитическую модель системы или процессов, проходящих внутри системы.

10. Для оперативного управления системой необходимо создание её модели.

11. Моделирование системы, как правило, возможно только с использованием комбинирования различных подходов.

Специалисты не могут охватить все комбинации происходящих событий, воздействующих факторов и процессов функционирования таких систем, особенно в реальном масштабе времени [111]. Так как экспериментальное исследование такой системы невозможно или нецелесообразно, единственным выходом является разработка модели системы. Однако создание точной имитационной модели, тем более функционирующей в реальном времени, является прак-

тически неразрешимой задачей вследствие неполноты исходной информации о системе либо требует неоправданно высоких затрат [1, 32, 97].

1.1 Способы управления сложными техническими системами

Можно выделить следующие основные подходы к управлению сложными техническими системами: управление на основе экспертных оценок, управление с использованием модели системы, комбинация этих подходов.

Сущность метода экспертных оценок заключается в проведении экспертами интуитивно-логического анализа проблемы с количественной оценкой суждений и формальной обработкой результатов. Получаемое в результате обработки обобщённое мнение экспертов принимается как решение проблемы. Комплексное использование интуиции (неосознанного мышления), логического мышления и количественных оценок с их формальной обработкой позволяет получить эффективное решение проблемы [48]. При этом эксперты формируют объекты (альтернативные ситуации, цели, решения и т.п.) и проводят измерение их характеристик (вероятности совершения событий, коэффициенты значимости целей, предпочтения решений и т.п.).

Формирование объектов осуществляется экспертами на основе логического мышления и интуиции. При этом большую роль играют знания и опыт эксперта. Измерение характеристик объектов требует от экспертов знания теории измерений.

Характерными особенностями метода экспертных оценок как научного инструмента решения сложных неформализуемых проблем являются, во-первых, научно обоснованная организация проведения всех этапов экспертизы, обеспечивающая наибольшую эффективность работы на каждом из этапов, и, во-вторых, применение количественных методов как при организации экспертизы, так и при оценке суждений экспертов и формальной групповой обработке результатов [66].

Управление на основе экспертных оценок по определению - как оно изначально задумано - должно осуществляться непосредственно на самом объекте и, таким образом, в реальном масштабе времени. Это значит, что такое управление, во-первых, нарушает режим нормальной эксплуатации объекта (необратимость возможных негативных последствий управления), а во-вторых, как реализуемое в реальном масштабе времени, является чрезвычайно медленным в осуществлении и, таким образом, непригодным не только для многократного варьирования параметров, но и вообще для их варьирования. Результатом является использование в контуре параметрического управления вместо самого объекта его модели [63].

При управлении на основе модели, полученной заранее и верифицированной по результатам нормальной эксплуатации объекта управления (из соображений максимальной близости к объекту) в ускоренном, машинном, масштабе времени осуществляется многократное изменение параметров модели [77]. Цель — определение таких значений входных параметров, которые обеспечивали бы требуемое состояние выходных параметров объекта управления.

Сложные системы, как правило, подразумевают большую ответственность за принимаемые в их контуре управления решения. Для повышения надёжности принимаемого решения по управлению такой системой возможно применение комбинации управления по модели и управления на основе экспертных оценок. В таком случае с помощью машинного эксперимента на модели осуществляется многократное варьирование управляемых параметров модели, а затем эксперт принимает решение о выборе окончательного управляющего воздействия [63].

1.2 Моделирование сложных технических систем

Выделим среди подходов к моделированию сложных технических систем два класса: традиционные методы моделирования и нейросетевые методы моделирования систем.

К традиционным методам моделирования систем отнесём: имитационное моделирование, корреляционный анализ и регрессионный анализ [38, 73].

Среди нейросетевых архитектур для моделирования систем рассмотрим следующие: многослойный персептрон, обобщённые сети прямого распространения, сети Жордана и Элмана, рекуррентные сети с временной задержкой, ассоциативная память Хопфилда, самоорганизующиеся карты признаков, радиальные базисные функции, анализ главных компонент, сети адаптивного резонанса [78].

Традиционные методы моделирования сложных технических систем

Традиционные модели систем характеризуются построением чёткой и прозрачной взаимосвязи между входными (управляемыми) параметрами и выходными параметрами моделируемой системы.

Имитационное моделирование

При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы во времени, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы [51, 70].

Имитационные модели позволяют достаточно просто учитывать такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия. В настоящее время имитационное моделирование - один из наиболее эффективных методов исследования больших систем [28, 88].

Метод имитационного моделирования позволяет решать задачи анализа больших систем, включая задачи оценки вариантов структуры системы, эффективности различных алгоритмов управления системой, влияния изменения различных параметров системы [68, 109]. Имитационное моделирование может быть положено также в основу структурного, алгоритмического и параметриче-

ского синтеза больших систем, когда требуется создать систему с заданными характеристиками при определённых ограничениях, которая является оптимальной по некоторым критериям оценки эффективности [34, 74].

Однако имитационное моделирование эффективно только в ситуации, когда структура модели и все её параметры являются известными, что невозможно в сложных технических системах.

Регрессионный анализ

Регрессионный анализ даёт возможность построить модель, наилучшим образом соответствующую набору данных, полученных в ходе машинного эксперимента с системой. Под наилучшим соответствием понимается минимизированная функция ошибки, являющаяся разностью между прогнозируемой моделью и данными эксперимента. Такой функцией ошибки при регрессионном анализе служит сумма квадратов ошибок [115].

Анализируя сущность уравнения регрессии, следует отметить следующие положения. Данный подход не обеспечивает раздельной (независимой) оценки коэффициентов - изменение значения одного коэффициента влечёт изменение значений других. Полученные коэффициенты не следует рассматривать как вклад соответствующего параметра в значение показателя. Уравнение регрессии является всего лишь хорошим аналитическим описанием имеющихся экспериментальных данных, а не законом, описывающим взаимосвязи параметров и показателя. Это уравнение применяют для расчёта значений показателя в заданном диапазоне изменения параметров. Оно ограниченно пригодно для расчёта вне этого диапазона, т.е. его можно применять для решения задач интерполяции и в ограниченной степени для экстраполяции [33].

Список литературы диссертационного исследования кандидат наук Мисник, Антон Евгеньевич, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Бодянский Е.В., Кучеренко Е.И., Михалев А.И. Нейро-фаззи сети Петри в задачах моделирования сложных систем / Монография (научное издание). — Дшпропетровськ: Системш технолопУ, 2005. — 311 с.

2. Борисов В.В., Круглов В.В., Федулов A.C. Нечеткие модели и сети. 2-е изд. стереотип. - М.: Горячая линия — Телеком, 2012. - 284 с.

3. Борисов В.В., Мисник А.Е. Иерархическая нейросетевая модель систем теплоснабжения //Энергетика, Информатика, Инновации-2011 - ЭИИ-2011: сб. трудов Междунар. науч.-техн. конф. В 2 т. Т. 2 Секции 3, 4, 5. Смоленск: РИО филиала ГОУВПО МЭИ(ТУ) в г. Смоленске, 2011.- 291 с. -С. 205-207.

4. Борисов В.В., Мисник А.Е. Использование типизированных нейросетевых моделей сложной технической системы // Информационные технологии, Энергетика и Экономика—2013 - Сб. трудов 10-й Междунар. Науч.-техн. конф. В 3 т. Т. 2 Секции 4, 5. Смоленск: РИО филиала МЭИ в г. Смоленске, 2013. - 282 с. - С. 103-105.

5. Борисов В.В., Мисник А.Е. Комбинированный нейросетевой способ моделирования для оперативного управления сложными системами // Информационные технологии. - 2012. - № 7. - С. 69-72.

6. Борисов В.В., Мисник А.Е. Комбинированный нейросетевой способ моделирования для управления сложными системами// Тез. докл. X Всероссийской научной конференции «Нейрокомпьютеры и их применение», Москва, 2012.-С. 41.

7. Борисов В.В., Мисник А.Е. Способ оперативного управления на основе комбинированного моделирования // Научное обозрение. - 2014. №1.-С. 64-71.

8. Бродский Ю.И. Описание, компоновка и работа модели в инструментальной системе распределенного моделирования// Моделирование, де-

композиция и оптимизация сложных динамических процессов, М.: ВЦ РАН, 2008.-С. 24-46.

9. Бусленко Н.П. Моделирование сложных систем.— М.: Наука, 1978.-400 с.

10. Вавилов A.A. Структурный и параметрический синтез сложных систем: Учеб. пособие. - Л.: ЛЭТИ, 1979. - 94 с.

П.Васильев А. Н. Математическое моделирование распределенных систем с помощью нейронных сетей// Математическое моделирование. -2007.-№19:12.-С. 32-42.

12. Васильев А.Н., Тархов Д.А. Принципы нейросетевого моделирования многокомпонентных распределенных систем // «Нейрокомпьютеры»: разработка, применение. М.: Радиотехника. 2007. №9. С. 166-186.

13. Васильев А.Н., Тархов Д.А. Расчёт теплообмена в системе «сосуды-ткани» на основе нейронных сетей // Современные проблемы нейроинформа-тики. Ч. 2. Кн. 23. М.: Радиотехника 2006. - 80 с.

14. Волкова В. Н., Денисов А. А. Основы теории систем и системного анализа. - СПб.: Изд-во СПбГТУ, 1997. - С. 54-57.

15. Волкова В.Н. Теория систем и методы системного анализа в управлении и связи / В. Н.Волкова, В. А.Воронков, А. А.Денисов и др. - М.: Радио и связь, 1983. - С.34—39.

16. Волкова В.Н. Теория систем и системный анализ: учебник / В.Н. Волкова, A.A. Денисов. - М.: Изд-во «Юрайт», серия «Университеты России», 2010.-679 с.

17. Воронов A.A. Введение в динамику сложных управляемых систем. - М.: Наука, 1985. - 351 с.

18. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. X.: Основа, 1997. - 112 с.

19. Вороновский Г.К., Петрашев С.Н. Проблемы и перспективы использования нейросетевых технологий моделирования в теплоснабжении // В

кн.: Проблемы автоматизированного электропривода. Теория и практика: [Тр. конф.]. - X.: Основа, 1997. - с. 380-382.

20. Вульфин А. М., Гиниятуллин В.М., Фрид А.И. Нейросетевая модель выявления и распознавания технологических ситуаций в рамках методологии интеллектуального анализа данных // Optical Memory and Neural Networks (Information Optics), 2010, T. 19, № 3. C. 207-212. (Статья на англ. яз.).

21. Галушкин А. И. Нейрокомпьютеры. Серия «Нейрокомпьютеры и их применение» книга 3, Изд-во «Радиотехника», М, 2002.

22. Галушкин А.И. Теория нейронных сетей. Кн. 1. М.: ИПРЖР. 2000. —

416 с.

23. Головко В.А. Нейронные сети: обучение, организация, применение.-Кн.4. -М.: ИПРЖР. -2001.

24. Дьяконов В.П. MATLAB 6/6.1/6.5 + SIMUL1NK 4/5 в математике и моделировании. Полное руководство пользователя. М.: COJTOH-Пресс.— 2003.-576 с.

25. Емельянов C.B. Избранные труды по теории управления. М.: Наука, 2006. - 448 с.

26. Замятин Н. В., Медянцев Д. В. Методика нейросетевого моделирования сложных систем // Известия ТПУ. 2006. - № 8- с. 100-106.

27. Ивахненко А.Г. Моделирование сложных систем. — К.: Вища школа, 1987.- 136 с.

28. Ивахненко А. Г. Непрерывность и дискретность. - К.: «Наук, думка», 1990. -223 с.

29. Ивахненко А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. - М.: «Радио и связь», 1987. - 120 с.

30. Имитационное моделирование производственных систем // Под общ. ред. чл.-кор. АН СССР A.A. Вавилова. - М.: Машиностроение; Берлин: Техника, 1983. - 416 с.

31. «Исследование и разработка нечетких моделей и методов формирования и обработки знаний в интеллектуальных системах поддержки принятия решений», НИР, Федеральное агентство по образованию РФ, Аналитическая ведомственная целевая программа «Развитие научного потенциала высшей школы (2009-2010 годы)», Per. № проекта в программе 1.41.09. Отчет о НИР; Борисов В.В., Сеньков A.B., Мисник А.Е. и др. - М., 2012. № гос.рег. 01200950521.-112 с.

32. «Исследование и разработка методов и моделей интеллектуального управления рисками в сложных организационно-технических системах», НИР, 2011—2013 г.г., Минобрнауки России, Аналитическая ведомственная целевая программа «Развитие научного потенциала высшей школы», в рамках тематического плана НИУ «МЭИ», Договор № 1043110. Отчет о НИР; Борисов В.В., Сеньков A.B., Мисник А.Е. и др. - М., 2012. № гос.рег. 01201067780.-108 с.

33. Калашников В.В. Сложные системы и методы их анализа. - М.: Знание, 1980.-211 с.

34. Капалин В. И. Введение в математическую теорию систем. - М. МИЭМ, 1982.-70 с.

35. Капалин В. И. Некорректные задачи и непараметрическая идентификация систем управления // Научные ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. 2009. -№12-1.

36. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. - СПб.: БХВ-Петербург, 2005. - 400 с.

37. Клир Дж. Системология. Автоматизация решения системных задач. Перевод с английского М. А. Зуева Под редакцией Ф. И. Горлина. - М.: "Радиосвязь", 1990.-540 с.

38. Колесов Ю.Б., Сениченков Ю.Б. Моделирование систем. Динамические и гибридные системы. / Учебное пособие. - СПб.: БХВ-Петербург, 2006.-224 с.

39. Комарцова Л.Г. Исследование нечеткой нейронной сети адаптивного резонанса // Труды национальной конференции по искусственному интеллекту. — М.: Физматлит. Т.З., 2004.

40. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры. - М.: Из-во МГТУ им. Н.Э. Баумана, 2002.

41. Корячко В.П., Курейчик В.М., Норенков И.П. Теоретические основы САПР. - М.: Энергоатомиздат, 1987.

42. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Телеком. 2001.

43. Крутолевич С.К., Мисник А.Е. Разработка комбинированного нейросетевого способа и моделей для оперативного управления сложными техническими системами // Сб. трудов 3-й Межд. науч.-техн. конф. «Энергетика, информатика, инновации — 2013». — Смоленск: Изд-во филиала МЭИ в г. Смоленске, 2013. - в 2-х т., Т. 1. - С. 202-207.

44. Крутолевич С.К., Мисник А.Е., Мельников И.И. Разработка системы автоматического управления режимом работы тепловой сети // Информационные технологии и системы 2011 (ИТС 2011): Материалы Международной научной конференции, БГУИР, Минск, Беларусь, 26 октября 2011 г./ редкол.: Л. Ю. Шилин [и др.]. - Минск : БГУИР, 2011. - 306 с. - С. 22-25

45. Ларичев О.И. Теория и методы принятия решений. - М.: Логос.

2002.

46. Лисиенко В.Г., Трофимова О.Г., Трофимов С.П., Дружинина Н.Г., Дюгай П.А. Моделирование сложных вероятностных систем. Екатеринбург: УРФУ, 2011.-200 с.

47. Лоу A.M., Кельтон В.Д. Имитационное моделирование. Классика CS. 3-е издание - Питер, 2004.

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

49. Марка Д., МакГоуэн К. Методология структурного анализа и проектирования. - М.: МетаТехнология, 1993. - 240 с.

50. Меркушева A.B. Фильтрация нестационарного сигнала (речи) в вейвлет-области с адаптацией к виду и динамике шума // Научное приборостроение. 2003. Т. 13, № 2. С. 73-87.

51. Миков А.И., Замятина Е.Б., Осмехин К.А. Метод динамической балансировки процессов имитационного моделирования. В кп. «Материалы Всероссийской научно-технической конференции «Методы и средства обработки информации МСО-2005». М.: Изд-во МГУ, 2005, стр. 472^178.

52. Мисник А. Е., Крутолевич С. К. Разработка библиотеки типизированных нейросетевых моделей для оперативного управления процессами в сложной технической системе // Материалы, оборудование и ресурсосберегающие технологии: материалы междунар. науч.-техн. конф.: В 2 ч. / Министерство образования Респ. Беларусь, Министерство образования и науки РФ, Могилёв, обл. исполн. ком., Нац. акад. наук Респ. Беларусь, Белорус.-Рос. унт ; редкол. : И. С. Сазонов (гл. ред.) [и др.]. - Могилёв: Белорус.-Рос. ун-т, 2013. -Ч. 1.-216 е.: ил. С. 197-199.

53. Мисник А. Е., Крутолевич С. К., Демиденков К.А., Мельников И.И. Разработка системы автоматического управления режимом работы тепловой сети // Материалы, оборудование и ресурсосберегающие технологии: материалы международной научно-технической конференции, Могилёв, 21—22 апреля 2011 г.: [в 2 ч. / редколлегия: И.С. Сазонов (главный редактор) и др.].-Ч. 1.-С. 261-262

54. Мисник А. Е., Крутолевич С. К., Щербо Н. М. Экспертные системы на основе нейронных сетей // Материалы, оборудование и ресурсосберегающие технологии: материалы международной научно-технической конференции, Могилёв, 22—23 апреля 2010 г. / [редколлегия: И. С. Сазонов (главный редактор) и др.]. - Ч. 3. - С. 64-65

55. Мисник А.Е. Иерархическая нейросетевая модель сложной технической системы // Системы компьютерной математики и их приложения: материалы XIII международной научной конференции, посвященной 75-летию

профессора Э.И. Зверовича. - Смоленск: Изд-во СмолГУ, 2012.- Вып. 13.256 с.-С. 101-103.

56. Мисник А.Е. Нейросетевое моделирование систем теплоснабжения // «Нейрокомпьютеры: разработка, применение» - 2012. №2. — С 62—73.

57. Мисник А.Е. Средства моделирования систем на основе структурно-декомпозиционного метода// Проблемы теории и практики развития войск ПВО СВ в современных условиях: материалы XX военно-научной конференции. - Смоленск: Изд-во В А ВПВО ВС РФ, 2012. - 215 с. - С. 97-99.

58. Мисник А.Е., Борисов В.В. Композиционное нейросетевое моделирование сложной технической системы // Сборник трудов XII Всероссийской научной конференции «Нейрокомпьютеры и их применение», «НКП-2014», Москва, 18.04.2014. - С. 64-65.

59. Мокогон Д. А. Моделирование сложных природных систем с использованием нейросетевого подхода / Д. А. Мокогон, С. Д. Сакаш, С. В. Те-решин // Молодёжь и наука: Сборник материалов VII Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных, посвященной 50-летию первого полета человека в космос [Электронный ресурс]. — Красноярск: Сибирский федеральный ун-т, 2011.- Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/section03.html, свободный.

60. Монахов Г.В., Войтинская Ю.А. Моделирование управления режимами тепловых сетей // Энергоатомиздат 224 стр., 1995 г.

61. Нечепуренко М. И., ОкольнишниковВ. В., ПищикБ. Н., "Моделирование сложных технологических объектов управления", Сиб. журн. вычисл. матем., 10:3 (2007), 299-305.

62. Окольнишников В.В.Представление времени в имитационном моделировании. Вычислительные технологии. Т. 10, №5, Сибирское отделение РАН, 2005, стр. 57-77

63. Орлов А.И. Теория принятия решений. М.: Экзамен, 2005. - 656 с.

64. Павловский Ю.Н., Белотелов II.В., Бродский Ю.И. Имитационное моделирование. М.: «Академия», 2008, 236 с.

65. Панфилова A.C. Применение самоорганизующихся карт Кохонена и метода Монте-Карло для исследования адекватности факторных моделей интеллекта // Психологическая наука и образование. 2011. № 5. - С. 88-99.

66. Попов Э.В. Экспертные системы. -М: Наука, 1987. — 288 с.

67. Рутковская Д., Пипиньский М., Рутковский П. Нейронные сети, генетические алгоритмы и нечеткие системы. - 2-е изд. - М.: Горячая линия -Телеком, 2008. - с. 452.

68. Рыжиков Ю. И.Имитационное моделирование. Теория и технологии. - СПб.: КОРОНА принт; М.: Альтекс-А, 2004. - 384 с, ил.

69. Рыжиков Ю.И. Вычислительные методы. СПб.: БХВ-Петербург, 2007.-400 с.

70. Рыжиков Ю.И. Имитационное моделирование. Теория и технологии. - М.:Альтекс, 2004, 384 с.

71. Рыжков А. А. Программная реализация сети Хопфилда для распознавания и классификации электрических сигналов [Текст] / А. А. Рыжков // Молодой ученый. -2012. - №5. - С. 62-67.

72. Самарский A.A. Введение в численные методы. М.: Наука, 1987.

364 с.

73. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры. 2-е изд., испр. - М.: Физматлит, 2002. - 320 с.

74. Советов Б. Я., Яковлев С. А. Моделирование систем. - М.: Высш. шк. 2001.-343 с.

75. Соколов Е.Я. Теплофикация и тепловые сети: Учебник для вузов.-5-е изд., перераб.-М.: Энергоиздат, 1982. - 360 с.

76. Таненбаум Э. Распределенные системы: принципы и парадигмы. — СПб: Питер, 2003.-877 с.

77. Тарасик В.П. Математическое моделирование технических систем: Учебник для вузов. - Мн.: ДизайнПРО, 2004. - 640 с.

78. Тархов Д.А. Нейронные сети как средство математического моделирования. Радиотехника, 2006. - 48 с.

79. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Радиотехника, 2005 г.-256 с.

80. Татузов A.JT. Нейронные сети в задачах радиолокации М.: Радиотехника, 2009.- 432 с: ил.- ISBN 978-5-88070-244-2.- (Научная серия «Нейрокомпьютеры и их применение»).

81. Трахтенгерц Э.А. Компьютерная поддержка принятия решений.-М.: Синтег,- 1998.

82. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. — М. Ж ООО «И.Д. Вильяме», 2006. - 1104 с.

83. Чистович С. А. Технологические схемы систем теплофикации, теплоснабжения и отопления // АВОК №7/2007 - с. 10-26.

84. Ширкова Е.Э.Проблемы междисциплинарной интеграции знаний в моделировании сложных систем // Труды КФ ТИТ ДВО РАН. Выпуск IV. Петропавловск-Камчатский: Камчатский печатный двор, 2003. -325 с.

85. Ash Т. Dynamic Node Creation in Back-Propagation Networks. II Connection Science, V. 1, 1989.

86. Bagrodia R., Meyer R., Takai M., Chen Y.A., Zeng X., Martin J., Song H.Y. Parsec: A Parallel Simulation Environment for Complex Systems. IEEE Computer, Vol. 31(10), pp. 77-85, October 1998.

87. Balci O. Credibility Assessment of Simulation Results // Proceedings of the 1986 Winter Simulation Conference. - 1986. - pp. 39-44.

88. Banks J., Carson J.S., Nelson B.L., Nicol D. (2000) Discrete-Event System Simulation. Prentice Hall, New Jersey.

89. Beck M.B. et al. Construction and evaluation of models of environment system // Modeling Change in Environmental system. Chichester, 1993.

90. Berlemont S. Neural Networks: Multi-Layer Perceptron and Hopfield Network / Berlemont Sylvain, Nicolas Burrus, David Lesage, Francis Maes, Jean-Baptiste Mouret, Benoit Perrot, Maxime Rey, Nicolas Tisserand, Astrid Wang // CSI. 2004.

91. Carpenter, G.A., Grossberg, S. (2003), Adaptive Resonance Theory, In Michael A. Arbib (Ed.), The Handbook of Brain Theory and Neural Networks, Second Edition (pp. 87-90). Cambridge, MA: MIT Press.

92. Carson J.S. Model verification and validation// Proceedings of the 2002 Winter Simulation Conference. - 2002. - pp. 52-58.

93. Diamantras, K.I. and S. Y. Kung. Principal Component Neural Networks. John Wiley and Sons, 1996.

94. Fast Artificial Neural Network Library (FANN) Electronic resource. -2013. URL: http://leenissen.dk/fann/wp/(дата обращения: 20.04.2013).

95. Ferenci S., Perumalla K., Fujimoto R., "An Approach to Federating Parallel Simulators," to appear in the Workshop on Parallel and Distributed Simulation, May 2000.

96. Fogel D., Fogel L., Porto V. Evolving neural networks // Biological Cybernetics, 63, 1990, pp. 487^193.

97. Fujimoto R.M. Distributed Simulation Systems. In Proceedings of the 2003 Winter Simulation Conference S. Chick, P. J. Sánchez, D. Ferrin, and D. J. Morrice, eds. pp. 124-134.

98. Girossi F., Jones M., Poggio Т., "Regularization theory and neural networks architectures," Neural Comput., vol. 7, pp. 219-269, 1995.

99. Jang J.S.R. ANFIS: Adaptive network based fuzzy inference systems / J.S.R Jang // IEEE Trans on Systems, Man and Cybernetics. - May 1993.- 23 (03).-P. 665-685.

100. Kryzhanovsky B.V., Litinskii L.B., Mikaelian A.L. «Vector-neuron models of associative memory» // Proc. of Int. Joint Conference on Neural Networks. - Будапешт. - 2004 с. - с. 909-1004.

101. Lampinen J., Kostiainen T. Self-organizing map in data analysis -notes on overfitting and overinterpretation / Proc. European Symposium on Artificial Neural Networks (ESANN'2000), Bruges, Belgium, 2000. - pp. 239-244.

102. Law A.M., Kelton W.D. (2000) Simulation Modelling and Analysis. McGraw-Hill.

104. MacGarry K., Wermter S. Hybrid neural system: from simply coupling to fully integrated neural network // Neural Coupling Surveys, 1999. - № 2. -P. 62-93.

105. Majors M. Stori J. Cho D. -I. Neural network control of automatic systems // IEEE Control Systems. -1994. - V. 14. -N 3. - P. 31-36.

106. Mankar V.R., Ghatol A.A. Design of Adaptive Filter Using Jor-dan/Elman Neural Network in a Typical EMG Signal Noise Removal // Advances in Artificial Neural Systems Volume 2009 (2009), Article ID 942697, 9 pages http://dx.d0i.0rg/l 0.1155/2009/942697

107. Moody J. The Effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems // Moody, J.E., Hanson, S.J., and Lippmann, R.P., Advances in Neural Information Processing Systems 4, 1992, pp. 847-854.

108. Moser J.G. Integration of artificial intelligence and simulation in comprehensive decision - support systems // Simulation. - V.47. - №6. - 1992.

109. Pegden C.D., Shannon R.E., Sadowski R.P., Systems Modeling Corp Introduction to simulation using SIMAN McGraw-Hill, 1990 - 615 p.

110. Perakath B. A Model-Based Approach For Component Simulation Development /Perakath Benjamin, Dursun Delen, Richard Mayer, Timothy O.Brien // Proceedings of the 2000 Winter Simulation Conference, - pp. 18311839

111. Perumalla K., Fujimoto R. M. "Large-scale Process-oriented Optimistic Parallel Simulation," Winter Simulation Conference, December 1998.

112. Sargent R.G. (1996) Verifying and Validating Simulation Models, Proceedings of the 1996 Winter Simulation Conference, pp. 133-141.

113. Sargent R.G. Some Approaches And Paradigms For Verifying And Validating Simulation Models. Proceedings of the 2001 Winter Simulation Conference B. A. Peters, J. S. Smith, D. J. Medeiros, and M. W. Rohrer, eds.

114. Sargent R.G. Some approaches and paradigms for verifying and validating simulation models//Proceedings of the 2001 Winter Simulation Conference. - 2001. - pp. 106-114.

115. Sarle W. Neural Networks and Statistical models. In Proc. of 19-th Annual SAS users group International Conferense, 1994.

116. Tabe H., Simons S. J. R., Savery J.,West R. M. and Williams R.A.,"Modelling of Multiphase ProcessesUsing Tomographic Data for Optimisation and Control", Proceedings of 1st World Congress on Industrial Process Tomography, April 14-17 1999, Buxton, pp. 84-89.

117. Verleysen M., Hlavackova K. (1994), "An Optimised RBF Network for Approximation of Functions", ESANN 1994, European Symposium on Artificial Neural Networks, Brussels (Belgium), pp. 175-180.

118. Yao X., "Evolving Artificial Neural Networks," Proceedings of the IEEE, vol. 87, no. 9, September 1999, 1423-1447.

119. Zeigler B. P. Theory of Modeling and Simulation: Integrating Discrete Event and Continuous Complex Dynamic Systems / Zeigler B. P., H. Praehofer, T. G. Kim // 2000 2nd. Academic Press.

У ШНРЖДАЮ ¿итоектор филиала Moi илевские 4 M „тепловые сети

В,В. Оолононич

«16» января 2014

об использовании результатов диссертационной работы Мисника Антона Евгеньевича, представленной на соискание учёной степени кандидата технических на)к

Настоящим актом подтверждается, что результаты диссертационной рабош А.Ь. Мисника внедрены в филиале Могилевекие тепловые ссш РУН "Могилеюнгрю". а именно: предложенный комбинированный нейросетевой способ моделирования сложных технических систем, способ опера1 ииного управления сложными техническими системами и программные средства комбинированного нейросетеного моделирования и поддержки принятия решении.

Использование разработанных способов, модельного и программного обеспечения позволит повысить эффективность оперативного управления системой централизованного ¡ешюснабжения.

Начальник отдела АСУТП

11.15. Жуков

( УЧ*

моленске

Фсдулов 2014 г.

• АКТ

об использовании результатов диссертационной работы МИСНИКА Антона Евгеньевича, представленной на соискание ученой степени кандидата технических наук, в учебном процессе «уза

Настоящим актом подтверждается использование результатов диссертационной работы А. Е. Мисника при проведении лекций, практических и лабораторных работ по дисциплине «Нечеткие мотели и сети» в рамках подготовки студентов 5 курса по специальности «Вычислительные машины, комплексы, сети и системы», а также по дисциплине «Проектирование автоматизированных систем обработки информации н управления» в рамках подготовки студентов 5 курса по специальности «Автоматизированные системы обрабочки информации и управления».

Заместитель заведующего кафедрой вычислительной техники

к. т. п., доцент Малахов

Лектор дисциплины «Нечеткие модели и сети»

д. т. н., профессор ■В.В. Борисов

'"Я

Лектор дисциплины £'

«Проектирование автоматизированных систем обработки информации и управления»

к. т н. сзт~~-х М.М. Зериов

« 2014 г.

---7-

У ИЗ ¡РЖ ДЛЮ Прорек юр по научной работе 1 У ВП(),«р$У1ррусско-1>оссийскии

/ Ч

1 ¡ашкевнч

2014 1.

АКТ

об использовании результатов диссертационном рабош Мисника Антона Евгеньевича, преде явленной на соискание учёной степени кандидат 1ехнических наук,

в учебном процессе вуза

Комиссия в составе к.т.н., доцента Крлтолевича С К., к№. кафедрой «Автомат жированные системы управтения». к.тл Якимов А.И к.кн. Василевский В Г1. настоящим подтверждаем что кафедрой кАвт ома актированные системы управления» приняты к исполь юваиню в \чсбном процессе результаты диссертационной рабош Мисника А.Ь при проведении лекций, и лабораторных занятий но дисциплине «')ксиершые системы» в рамках подготовки студентов 4 курса по специальности 1 -53 01 (Р «Авгомашчированные системы обработки информации».

Использование разработанных способов, модельною и программною обеспечения поиюляег студентам бочее полно игишп, вопросы моделирования сложных 1схнических сисгем и управления ими.

(.'.1С Крутоиевич

11 Якимов В II Паси ювекии

21.01.2014