Разработка методологии имитационного метамоделирования дискретно-событийных организационных систем тема диссертации и автореферата по ВАК РФ 05.13.10, доктор технических наук Меркурьева, Галина Васильевна

• Меркурьева, Галина Васильевна
• доктор технических наук
• 2002

Оглавление диссертации доктор технических наук Меркурьева, Галина Васильевна

Введение 7 1. АНАЛИЗ СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛА СТИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ И МЕТАМОДЕЛИРОВАНИЯ ДИСКРЕТНО-СОБЫТИЙНЫХ

ОРГАНИЗАЦИОННЫХ СИСТЕМ

1.1. Анализ принципов и методов имитационного моделирования дискретно-событийных организационных систем

1.2. Метамоделирование как средство манипулирования с имитационными моделями сложных систем

1.3. Формальное определение и интерпретация имитационной метамодели

1.4. Анализ подходов и методов построения аппроксимаций в области имитационного метамоделирования

1.4.1. Статистические подходы и программированное обучение

1.4.2. Методы регрессионного анализа

1.4.3. Методы поверхности отклика

1.4.4. Методы интервального метамоделирования

1.4.5. Методы аппроксимации с нейронными сетями и нечеткими вычислениями

1.5. Прикладные задачи имитационного метамоделирования

1.5.1. Анализ (осмысление) поведения имитационной модели

1.5.2. Предсказание и планирование поведения изучаемой 55 системы

1.5.3. Оптимизация имитационной модели

1.5.4. Валидация имитационной модели

1.6. Формализованная постановка задач исследований 62 Основные результаты и выводы по главе

2. РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ИМИТАЦИОННОГО МЕТАМОДЕЛИРОВАНИЯ НА БАЗЕ АППРОКСИМАЦИИ И

ОПТИМИЗАЦИИ ПОВЕРХНОСТИ ОТКЛИКА

2.1. Методологические основы аппроксимации и оптимизации поверхности имитационного отклика

2.2. Методы аппроксимации поверхности имитационного отклика

2.2.1. Аппроксимации функций поверхности отклика

2.2.2. Оценка пригодности функций аппроксимации

2.2.3. Диагностика и анализ остатков

2.3. Методы оптимизации функции поверхности имитационного 92 отклика

2.4. Методы планирования поверхности реакции

2.4.1. Целевое планирование экспериментов

2.4.2. Экспериментальные планы отсеивания факторов

2.4.3. Экспериментальные планы поверхности отклика

2.5. Методы анализа многомерного отклика

2.6. Процедура имитационного метамоделирования на базе аппроксимации и оптимизации поверхности отклика

2.7. Имитационное метамоделирование производственного участка на базе аппроксимации и оптимизации поверхности отклика

Введение диссертации (часть автореферата) на тему «Разработка методологии имитационного метамоделирования дискретно-событийных организационных систем»

Современные народно-хозяйственные объекты представляют собой сложные социально-экономические системы, состоящие из большого числа взаимосвязанных элементов, на работу которых существенное влияние оказывают случайные факторы. Для того, чтобы обеспечить эффективную работу подобных объектов, необходимо иметь возможность разработки и использования моделей, с помощью которых можно исследовать работу этих объектов в различных условиях и найти наиболее эффективные режимы их функционирования, например, проанализировать возможность возникновения узких мест и разработать меры по их устранению, определить оптимальные значения параметров, выбрать наиболее эффективные алгоритмы управления, сравнить различные варианты организации работы и выбрать наилучший из них.

Как показывает опыт ведущих научно-исследовательских организаций, эффективным подходом к решению подобных задач является использование технологии имитационного моделирования. Его применение является особо актуальным в силу того, что в условиях становления рыночной экономики и возросшей конкуренции между промышленными предприятиями требуется принятие большого количества ответственных решений, направленных на резкое повышение эффективности их организационной и хозяйственной деятельности (например, при введении новых технологий, размещении новых производств, совершенствовании управления). Так, в логистических системах, интегрирующих разнообразные функции управления и сферы деятельности менеджеров, такие как обмен информацией, обработка и распределение заказов, снабжение, управление запасами, транспортировка и грузопереработка, средства имитационного моделирования по частоте использования уступают лишь методам математической статистики. Применение средств имитационного моделирования получило широкое распространение и в социальной сфере, в частности, в области образования и здравоохранения.

Потребность в проведении имитационных исследований возникает, как правило, у специалистов прикладных областей, хорошо знающих моделируемый объект и условия его функционирования. В то же время у этих специалистов часто отсутствуют теоретические знания в области имитационного моделирования и опыт проведения подобных исследований. Для приобретения подобных знаний им потребовалось бы освоить целый ряд дисциплин, таких например, как теория вероятностей и математическая статистика, планирование экспериментов, программирование в среде программных средств имитационного моделирования. Однако практические возможности освоения такого объёма знаний в сжатые сроки, как известно, весьма ограничены. Возможности привлечения специалистов в области имитационного моделирования для выполнения прикладных имитационных проектов также имеют свои ограничения. Так, на момент возникновения необходимости проведения конкретного имитационного исследования такие специалисты могут оказаться недоступными в силу их занятости в других подобных исследованиях. Кроме того, распространенной схемой выполнения имитационных проектов является участие специалистов в области имитационного моделирования в разработке имитационной модели и проведении с ней некоторой начальной серии экспериментов. При этом дальнейшая эксплуатация имитационной модели практически осуществляется без их участия. Таким образом, возникает положение, когда, с одной стороны, у специалистов прикладных областей имеется необходимость в самостоятельном проведении имитационного исследования, но, с другой стороны, у них отсутствуют необходимые для этого знания и практические навыки.

Это приводит к необходимости разработки методов и средств поддержки проведения имитационных исследований и выполнения имитационных проектов специалистами прикладных областей. Эти средства должны позволить использовать знания специалистов в области имитационного моделирования, сделав эти знания доступными для использования специалистами прикладных областей. При этом оказывается возможным использовать преимущества, предоставляемые технологией экспертных систем для создания систем поддержки имитационного моделирования и их интеллектуализации.

С другой стороны, имитационные модели сложных систем оказываются весьма сложными для интерпретации даже специалистами в области имитационного моделирования. Количество элементов таких 9 моделей достигает десятки тысяч, сложность и многообразие связей обуславливает сложность обработки и интерпретации результатов имитационного моделирования. Возникает необходимость разработки методов и средств, позволяющих анализизировать поведение самих сложных имитационных моделей, улучшить процесс их валидации, а также обеспечить средства интерпретации результатов имитационных экспериментов и поддержку принимаемых решений. В свою очередь, методологическую основу разработки таких методов предоставляют основные концепции метамоделирования, - подхода, имеющего целью манипулирование с моделями сложных систем и их анализ с использованием метаконцепции и метасредсв, таких, как метамодель, метазнание, метаправило, метаигрок, метаэвристика и т.д.

Важным классом объектов имитационного моделирования являются дискретно-событийные системы. В частности, именно с этих позиций на практике часто рассматриваются производственные, логистические, системы обслуживания и другие сложные организационные системы.

Вопросы разработки методов и средств имитационного моделирования дискретно-событийных систем постоянно привлекают внимание ученых разных стран. Например, широко известны исследования ♦ по имитационному моделированию под руководством В.Р.2е1§1ег,

Я.Е.8Ьаппоп, Я^ЬшЬег, И-НшЛвйг^ег (США), О.С.УапзгеепЫзге (Бельгия), ЕЛ.Н.КегсЬоГГз (Нидерланды), Н.П.Бусленко, А.А.Вавилова, Ю.Г.Полляка, В.В.Калашникова, Б.Ф.Фомина, В.Н. Буркова, А.В.Щепкина, С.А.Власова, В.Е.Марлея (Россия), А.ЬеЬшапп, В.8с1ишс1г (Германия), Х.Пранявичиуса (Литва), И.В. Максимея (Белоруссия), А.Ф.Верланя, Л.С.Ямпольского (Украина), Е.Киндлера (Чехия), Л.А.Растригина, Ю.А.Меркурьева, Я.Барздынына, Г.Ионина, П.Ривжи (Латвия). Общей тенденцией прослеживаемых в литературе исследований по разработке методов имитационного моделирования дискретно-событийных систем является рассмотрение отдельных аспектов поддержки проведения имитационных исследований. Так, широко известны работы Я.Е.ЗЬаппоп (США), ТЛ.Огеп (Канада) в области экспертных систем имитационного моделирования, работы А.М^ПсШе^ег (США) по интеллектуализации средств имитационного моделирования с использованием нейронных сетей.

В области имитационного моделирования активно развивается новое направление, связанное с разработкой методов и средств анализа самих имитационных моделей. Например, широко известны работы .ГЮеупеп (Нидерланды), Ь.Рпеётап (США), Н.Р1еггеуа1 (Франция), К.-Р.НиЬег, Н.ЗгзгегЫска (Германия) в области построения имитационных метамоделей и их приложений. Традиционными в литературе и наиболее развитыми на практике являются статистические метамодели регрессионного типа. Среди нетрадиционных подходов существенные результаты получены в области разработки метамоделей на базе программированного машинного обучения с использованием нейронных сетей. Традиционными приложениями методологии метамоделирования в задачах имитационного моделирования сложных систем являются использование метамоделирования в контексте статистического планирования имитационных экспериментов и организации имитационных исследований, а также применение метамоделирования с целью более глубокого осмысления поведения сложных имитационных моделей путем р их замещения более простыми аналитическими моделями. Вместе с тем, активное развитие технологий программированного обучения, инженерии знаний и нечеткой логики предоставляет новые средства разработки имитационных метамомоделей и поддержки организации имитационных метаисследований, позволяющие повысить эффективность выполнения имитационных проектов. Более того, практически отсутствуют исследования, в которых систематично рассматриваются принципы имитационного метамоделирования дискретно-событийных систем, а также даётся методика проведения имитационных исследований, включающих метамоделирование.

9 Данная научная работа посвящена вопросам разработки методологии проведения научных проектов в области имитационного моделирования и метамоделирования дискретно-событийных организационных систем, направленных на расширение практического использования имитационного моделирования при решении народно-хозяйственных задач, и тем самым способствующих повышению эффективности функционирования объектов народного хозяйства.

Актуальность темы докторской диссертации определяется:

- необходимостью решения большого числа народно-хозяйственных задач, направленных на повышение эффективности народного хозяйства и требующих предварительного исследования функционирования сложных организационных систем, состоящих из большого числа взаимосвязанных элементов, работа которых в большой степени зависит от поведения субъектов этих систем и случайных факторов внешней среды. Эффективным средством исследования подобных систем является аппарат имитационного моделирования;

- необходимостью повышения эффективности выполнения имитационных исследований сложных организационных систем путем создания методов и метасредств, способствующих анализу поведения самих сложных имитационных моделей, улучшению процесса их р валидации и имитации, а также интерпретации результатов, полученных в результате проведения экспериментов с этими моделями;

- необходимостью обеспечения возможности самостоятельного выполнения имитационных исследований для специалистов прикладных областей, хорошо знающих объект моделирования и не имеющих достаточных теоретических знаний и практических навыков в области имитационного моделирования.

Целью данной научной работы является разработка методологии комплексного проведения научных исследований и выполнения научных проектов в области имитационного моделирования и метамоделирования дискретно-событийных организационных систем. В качестве стратегии достижения поставленной цели принимаются управление процессом имитационного моделирования и поддержка его слабо-структурированных этапов, а также включение метамоделирования в процесс выполнения имитационных проектов для сложных дискретно-событийных систем.

Для достижения поставленной цели, руководствуясь выбранной стратегией в диссертационной работе решаются следующие основные задачи:

- разработка принципов проведения научных исследований в области имитационного метамоделирования;

- разработка методов и средств построения имитационных метамоделей при различных типах выходных данных имитационных экспериментов;

- разработка комплексной методологии выполнения научных проектов в области имитационного моделирования и метамоделирования дискретно-событийных организационных систем;

- разработка принципов и методов осуществления поддержки проведения имитационных исследований специалистами прикладных областей, не имеющими достаточных знаний и практических навыков в

• области имитационного моделирования и метамоделирования.

Научная новизна работы заключается в следующем:

1. Впервые предложена комплексная методология проведения научных проектов в области имитационного моделирования и метамоделирования дискретно-событийных организационных систем, позволяющая улучшить анализ поведения сложных имитационных моделей, их валидацию и интерпретацию результатов имитационных экспериментов, что способствует улучшению качества выполнения имитационных проектов.

2. В результате проведенных исследований предложены основные принципы организации интеллектуальной поддержки процесса имитационного моделирования и метамоделирования дискретно-событийных систем, основанные на формализованном представлении процедуры имитационного моделирования и реализации интеллектуальных функций, таких как управление целью, советующая функция, функции обьяснения и обучения, что позволяет в процессе выполнения научных проектов в области имитационного моделирования активно использовать знания специалистов прикладных областей о моделируемой объекте и одновременно вести их обучение методам имитационного моделирования и метамоделирования.

Практическая ценность полученных результатов состоит в следующем:

- разработанная методология имитационного метамоделирования дискретно-событийных организационых систем позволяет повысить эффективность проводимых имитационных исследований и расширить область их применения;

- сформулированные принципы осуществления поддержки имитационного моделирования и механизмы их реализации, предложенные в работе, позволяют специалистам прикладных областей корректно и эффективно проводить имитационные исследования.

Практическая реализация результатов докторской диссертации включает следующие направления:

- сформулированные принципы интеллектуальной поддержки выполнения имитационных исследований специалистами прикладных областей реализованы в объектно-ориентированной интеллектуальной системе имитационного моделирования дискретно-событийных систем LATISS, разработанной в рамках научной темы № 93.592 Латвийского Совета по науке "Разработка интеллектуальных программных средств имитационного моделирования сложных систем" (1994-1996 г.г.);

- предложенный многоуровневый подход к имитационному моделированию сложных систем на основе интегрирования различного уровня (микро, макро, мета) имитационных моделей реализован в рамках научной темы № 96.0495 Латвийского Совета по науке "Разработка и применение интеллектуальных программных средств моделирования и оптимизации логистических систем" (1997-2000 г.г.);

- разработанные принципы проведения научных исследований в области имитационного моделирования и метамоделирования дискретно-событийных систем внедрены в учебный процесс при разработке учебных курсов по имитационному моделированию и выполнении научных исследований в рамках международного проекта CONSA стран Балтийского региона "Competence network for Simulation applications" в рамках программы VISBY (Швеция; с 1998 г.);

- разработанные методы имитационного метамоделирования дискретно-событийных систем внедрены на Балтийском контейнерном терминале (Рига, Латвия) для анализа логистических процессов и улучшения их эффективности в рамках международного проекта DAMAC-НР PL976012 "Further Development and Practical Application of Harbour Processes Managing and Controlling Models, Methods and Techniques" в рамках программы Inco-Copernicus Европейской Комиссии (1998-2000 г.г.);

- методология выполнения научных проектов в области имитационного моделирования, включающего метамоделирование, внедрена в рамках международного проекта IST-2001-33030 BALTPORTS-IT "Simulations and IT-solutions: Applications in the Baltic ports' areas of the newly associated states" в рамках программы IST-2000 Европейской Комиссии (с 2001 г.);

- внедрение и развитие разработанной методологии выполнения научных проектов в области имитационного метамоделирования дискретно-событийных организационных систем осуществляется в ходе выполнения научной темы № 01.0864 Латвийского Совета по науке "Разработка и применение программных средств анализа и оптимизации логистических систем на основе имитационного моделирования" (20012004 г.г.);

- теоретические и практические результаты научных исследований в области имитационного моделирования и метамоделирования дискретно-событийных систем внедрены в рамках международного проекта SIM-SERV 'Virtual Institute for Production Simulation Services' в рамках программы 'Compétitive and Sustainable Grouth' Европейской Комиссии (с 2001 г.);

- результаты научных исследований в области методологии имитационного моделирования внедрены в учебный процесс Рижского технического университета при разработке методики преподавания деловых имитационных игр и интерактивного обучения, а также при разработке учебных программ и курсов в рамках международного проекта S JEP-11064-96 "Industrial Logistics Management" TEMPUS программы Европейской Комиссии ( 1996 - 1999 г.г.),

Результаты докторской диссертации обсуждались в период с 1984 по 1992 г.г.: на 3 всесоюзных и 5 международных конференциях; в период с 1993 по 2002 г.: на 30 международных конференциях: Европейской конференции по имитационному моделированию (Barcelona, Испания, 1994), Европейском симпозиуме по имитационному моделированию (Marseille, Франция, 2001), Конгрессе Международного общества по имитационному моделированию (Singapore, 1997), Конгрессе Федерации европейских обществ имитационного моделирования EUROSIM (Vienna, Австрия, 1995), конференции Международной ассоциации по имитационному моделированию и деловым играм (Юрмала, Латвия, 1996), международных конференциях по использованию методов исследования операций и имитационного моделирования в сферах производства и обслуживания (Рига, Латвия, 1996; Каунас, Литва, 1998; Рига, 2000), международных конференциях по подходам к управлению производственными системами, охватывающим весь производственный цикл предприятия (Bremen, Германия, 1998; Leuven, Бельгия, 1999), международных конференциях по имитационному моделированию портов, морских систем и промышленной логистики (Рига, 1998; Genoa, Италия, 1999; Portofino, Италия, 2000; Marseille, Франция 2001), международных конференциях стран Балтийского региона по применению имитационного моделирования в учебном процессе и в научно-исследовательских проектах (Таллин, Эстония, 1998; Рига, Латвия, 1999; Linchoping, Швеция, 2001), Международной конференции "Балтийский транзитный путь" на секции моделирования транспортных систем (Рига, Латвия, 1999), симпозиуме IFAC по промышленным системам, моделированию, менеджменту и управлению (Patras, Греция, 2000), VIII и IX Международных конференциях по проблемам управления безопасностью сложных систем (Москва, 2000; Москва, 2001), Ш Международной конференции по проблемам регионального и муниципального управления (Москва, 2001), а также на научных семинарах Латвийского общества имитационного моделирования (Рига, 2002), в Гентском университете (Бельгия, 1995) и в Линчепингском университете (Швеция, 2001).

Результаты научных исследований в области имитационного моделирования сложных систем также докладывались на интенсивном семинаре SIREN M&S для итальянских промышленных компаний (в сотрудничестве с Генуэзским Университетом, Италия, 2-4 октября 2000 г.).

Результаты докторской диссертации опубликованы в 62 научных публикациях, в том числе в 3 монографиях, написанных в соавторстве. Общий список научных публикаций соискателя включает 86 наименований, в том числе 3 монографии, опубликованные в издательстве "Знание" (Рига), "Радио и связь" (Москва) и при содействии Европейской Комиссии (Magdeburg, Prague, Riga, Ventspils), а также 10 статей в международных журналах BUSEFAL, Fuzzy Sets & Systems, Cybernetics & Systems, Техническая кибернетика, Программные продукты и системы, European Journal of Operational Research, Simulation, Studies in Informatics and Control. Соискатель награжден за лучшую научную работу медалью и дипломом III степени Государственного комитета СССР по народному образованию и Центрального комитета профсоюза работников просвещения, высшей школы и научных учреждений (постановление от 15.01.1988 N 11-1/15).

В диссертационной работе сформулировано и разработано новое научное направление, связанное с выполнением научных исследований в области имитационного метамоделирования дискретно-событийных организационных систем. В рамках этого направления в работе получены следующие основные результаты:

1. Предложенные принципы проведения научных исследований в области имитационного метамоделирования позволяют включить метамоделирование в процесс выполнения имитационных проектов сложных дискретно-событийных организационных систем.

2. Разработанные методы и средства построения имитационных метамоделей на базе методологии поверхности отклика и теории нечеткой логики позволяют осуществить метамоделирование при различных типах выходных данных имитационных экспериментов.

3. Разработанная методология выполнения научных проектов в области имитационного моделирования и метамоделирования дискретнособытийных систем позволяет повысить эффективность проводимых имитационных исследований и расширить область их применения.

4. Сформулированные принципы организации поддержки процедуры имитационного моделирования и механизмы их реализации, основанные на формализации знаний экспертов в области имитационного моделирования и метамоделирования, обеспечивают целевое управление процессом ИМ, поддержку принятия слабо-структурированных решений в процессе имитационного исследования, анализ и улучшение имитационной модели с помощью метамодели.

1. АНАЛИЗ СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ И МЕТАМОДЕЛИРОВАНИЯ ДИСКРЕТНО-СОБЫТИЙНЫХ ОРГАНИЗАЦИОННЫХ СИСТЕМ

Заключение диссертации по теме «Управление в социальных и экономических системах», Меркурьева, Галина Васильевна

Основные результаты и выводы диссертационной работы заключаются в следующем:

1. Предложенные принципы проведения научных исследований в области имитационного метамоделирования позволяют включить метамоделирование в процесс выполнения имитационных проектов для сложных дискретно-событийных систем и, таким образом, обеспечивают поддержку пользователя в процессе анализа поведения сложных имитационных моделей, интерпретации результатов имитационных экспериментов и принятия эффективных решений.

2. Разработанная методология имитационного метамоделирования дискретно-событийных систем предлагает процедуру имитационного метамоделирования, методы построения метамоделей в виде аппроксимаций исходных имитационных моделей, принципы планирования имитационных метаэкспериментов и интерпретации результатов метамоделирования. Предложенные методы и средства построения имитационных метамоделей и их валидации позволяют осуществлять метамоделирование имитационных моделей при различных типах выходных данных экспериментов.

3. Предложенная методология имитационного метамоделирования, предусматривающая аппроксимацию поверхности имитационного отклика в виде формальных аналитических метамоделей регрессионного типа в малой области независимых переменных, последовательное планирование имитационных экспериментов и использование методов оптимизации поверхности отклика, предоставляет эффективные средства построения метамоделей и метасредств для анализа поведения и оптимизации самих стохастических имитационных моделей в условиях дорогостоящих и требующих значительных затрат времени имитационных экспериментов. Применение аппроксимаций поверхности отклика и их представлений в виде контурграфиков в процессе анализа и оптимизации многокомпонентной реакции позволяет наряду с численной оптимизацией целевой функции имитационной модели выполнить графический анализ чувствительности первоначально найденного оптимального решения к изменениям независимых переменных модели, а также использовать опыт исследователя для улучшения этого решения в интерактивном режиме.

4. Предложенная методика нечеткого "реверсивного" метамоделирования имитационных моделей не требует априорной информации о поведении имитационного отклика и предусматривает активное планирование имитационных экспериментов, грануляцию числовых областей задания выходных переменных имитационной модели, построение нечетких отображений гранулированных выходных переменных в множество нечетких значений входных переменных на основе данных имитационных экспериментов, задание нечеткой аппроксимации функции "вход-выход" имитационной модели, а также её представление в виде проекции нечеткого графа на плоскости входных переменных и интерпретацию в виде нечетких правил продукции. При этом априорная грануляция выходных переменных и выявление нечетких зависимостей для каждого из выделенных нечетких классов позволяют концентрироваться на исследовании областей задания выходных переменных, представляющих наибольший интерес специалистов прикладной области.

5. Предложенный подход к моделированию дискретно-событийных систем на основе их представления в виде физических и логистических сетей обеспечивает возможность интеграции имитационных моделей различных уровней (микромоделей, макромоделей, метамоделей и т.д.) и типов (алгебраических, дискретно-событийных, численных, решающих правили т.д.) в рамках одного проекта.

6. Интерпрепретация уровней абстракции имитационного моделирования позволяет провести сравнительный анализ сложности имитационных проектов, трудоемкости их выполнения и точности результатов моделирования. Анализ известных в литературе мер сложности формализмов для спецификации объектов позволяет определить меры сложности имитационных метамоделей. При этом при оценке вычислительной сложности имитационной метамодели наиболее важными являются ожидаемые средние ресурсные или временные затраты.

7. Сформулированные принципы организации поддержки процедуры имитационного моделирования дискретно-событийных систем и механизмы их реализации, основанные на формализации знаний экспертов в области имитационного моделирования и метамоделирования, предусматривают целевое управление процессом имитционного моделирования, поддержку принятия слабо-структурированных решений в процессе имитационного исследования, анализ и улучшение имитационной модели с помощью метамодели.

8. Предложенные и разработанные програмные средства построения имитационных статистических и нечетких метамоделей обеспечивают автоматизацию процессов метамоделирования при выполнении имитационных научно-исследовательских проектов.

9. Разработанная методология выполнения научных проектов в области имитационного метамоделирования дискретно-событийных систем позволяет повысить эффективность проводимых имитационных исследований и расширить область их применения специалистами прикладных областей.

Аппробация результатов научных исследований и их практическая реализация включает следующие направления:

- сформулированные принципы интеллектуальной поддержки выполнения имитационных исследований специалистами прикладных областей реализованы в объектно-ориентированной интеллектуальной системе имитационного моделирования дискретно-событийных систем LATISS, созданной в рамках научной темы № 93.592 Латвийского Совета по науке "Разработка интеллектуальных программных средств имитационного моделирования сложных систем" (1994-1996 г.г.);

- предложенный многоуровневый подход к имитационному моделированию на основе интегрирования различного уровня имитационных моделей сложных систем реализован в рамках научной темы № 96.0495 Латвийского Совета по науке "Разработка и применение интеллектуальных программных средств моделирования и оптимизации логистических систем" (1997-2000 г.г.);

- разработанные принципы проведения научных исследований в области имитационного моделирования и метамоделирования дискретно-событийных систем внедрены при выполнении совместных исследований и разработке учебных курсов по имитационному моделированию в рамках проекта CONSA стран Балтийского региона "Competence network for

Simulation applications" в рамках программы VISBY, финансируемой Шведским Институтом (Швеция, с 1998 г.);

- разработанные методы и средства имитационного метамоделирования дискретно-событийных систем внедрены на Балтийском контейнерном терминале для анализа логистических процессов и улучшения их эффективности в рамках проекта PL976012 DAMAC-HP "Further Development and Practical Application of Harbour Processes Managing and Controlling Models, Methods and Techniques" в рамках программы Европейской Комиссии Inco-Copernicus (1998-2000 г.г.);

- методология выполнения научных проектов в области имитационного моделирования, включающего метамоделирование, внедрена в рамках проекта IST-2001-33030 BALTPORTS-IT "Simulations and IT-solutions: Applications on the Baltic ports' areas of the newly associated states" в рамках программы Европейской Комиссии IST-2000 ( 2001 —2002 г.г.);

- внедрение и развитие разработанной методологии имитационного метамоделирования дискретно-событийных систем осуществляется в ходе выполнения научной темы № 01.0864 Латвийского Совета по науке "Разработка и применение программных средств анализа и оптимизации логистических систем на основе имитационного моделирования" (с 2001 г.);

- теоретические и практические результаты научных исследований в области имитационного метамоделирования дискретно-событийных систем предоставлены Виртуальному институту имитационного моделирования производственных систем в рамках проекта SIM-SERV 'Virtual Institute for Production Simulation Services' в рамках программы 'Competitive and Sustainable Grouth' Европейской Комиссии (2002 г.);

- результаты научных исследований в области методологии имитационного моделирования внедрены в учебный процесс Рижского технического университета при разработке методики преподавания деловых имитационных игр и интерактивного обучения, а также при разработке учебных программ и курсов в рамках проекта S JEP-11064-96 "Industrial Logistics Management" ( 1996 - 1999 г.г.);

- результаты научных исследований в области имитационного моделирования и метамоделирования сложных систем использовались на интенсивном семинаре SIREN M&S, организованном для итальянских промышленных компаний (в сотрудничестве с Генуэзским Университетом, Италия, 2-4 октября 2000 г.).

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

Анализ поведения имитационных моделей сложных систем, интерпретация выходных данных имитационных экспериментов и их использование для решения принципиальных задач имитационного моделирования (анализа поведения модели, анализа чувствительности, сравнения альтернатив, оптимизации и т.д.) в имитационных исследованиях требуют применения средств манипулирования с моделями, или метамоделирования. Анализ поведения сложных имитационных моделей с использованием средств метамоделирования также имеет целью уменьшение сложности этих моделей и их представление в форме, удобной для понимания и удобной для интерпретации.

В результате проведенных исследований в диссертационной работе предложены и разработаны основы нового научного направления, связанного с выполнением научных исследований в области имитационного метамоделирования дискретно-событийных организационых систем.

Список литературы диссертационного исследования доктор технических наук Меркурьева, Галина Васильевна, 2002 год

1. Banks J. Discrete-Event System Simulation / Banks Jerry, John S. Carson, Barry L. Nelson and David M. Nicol. - 3rd ed. - Prentice-Hall, 1.c. Upper Saddle River, New Jersey 07458, 2000. - 594 p.

2. Шеннон P. Имитационное моделирование систем искусство и наука: Пер. с англ. - М.: Мир, 1978. - 418 с.

3. Ней лор Т. Машинные имитационные эксперименты с моделями экономических систем: Пер. с англ. М.: Мир, 1975. - 500 с.

4. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. - 239 с.

5. Советов Б.Я., Яковлев С.Я. Моделирование систем: Учебник для вузов. М.: Высш. шк., 1985. - 271 с.

6. Максимей И.В. Имитационное моделирование на ЭВМ. М.: Радио и связь, 1988.-232 с.

7. Kelton W.D., Sadowski R.P., Safowski DA. Simulation with ARENA. WCB/ McGraw-Hill, 1998. 547 p.

8. Прицкер А. Ведение в имитационное моделирование и язык С ЛАМ II; Пер. с англ. М.: Мир, 1987. - 646 с.

9. Law A.M., Kelton W.D. Simulation Modeling and Analysis/ Series in Industrial Engineering and Management Science. 3rd ed. - MgGraw-Hill, 2000. - 760 p.

10. Harrel Ch., Ghosh B.K., Bowden R. Simulation using ProModel. McGraw-Hill Higher Education, 2000. 603 p.

11. Huber K-P., Szczerbicka H. Sensitivity analysis of simulation models with decision tree algorithms // Proceedings of European Simulation Symposium ESS'94. SCS Europe, 1994. - Vol. 1. - P. 43^7.

12. Huber K-P., Berthold M.R. Building precise classifiers with automatic rule extraction // IEEE International Conference on Neural Networks. 1995. -Vol. 3.-P. 1263-1268.

13. Barton R. R. Metamodelling: A state of the art review // Proceedings of the Winter Simulation Conference / Eds. J.D.Tew, et. al,. Lajolla, California, 1994. SCS, 1994. - P. 237-244.

14. Caughlin D. Verification, validation, and accreditation of models and simulations through reduced order metamodels // Proceedings of the 1995 Winter Simulation Conference / Eds. C. Alexopoulos, et. al. SCS, 1995. -P. 1405-1411.

15. Caughlin D. Automating the metamodelling process // Proceedings of the 1997 Winter Simulation Conference / Eds. S. Andradottir, et. al., Lajolla, California. SCS, 1997. - P. 978-985.

16. Friedman L.W. The Simulation Metamodel. Norwell, Massachusets: Kluwer Academic Publishers. 1996. - 326 p.

17. Kleijnen J.P.C. Statistical tools for simulation practitioners. New York: Marcel Dekker, Inc., 1987. - 429 p.

18. Law A.M., Kelton W.D. Simulation Modeling and Analysis. NY: McGraw-Hill, Inc, 1991.

19. Merkuryev Y., Visipkov V. A survey of optimization methods in discrete systems simulation // Proc. of the First Joint Conference of International Simulation Societies, Zurich, Switzerland, 1994. SCS Europe, 1994. - P. 104-110.

20. Sanchez S.M., Sanchez P.J., Ramberg J.S., Moeeni F. Effective engineering design through simulation // International Transactions Operational Research 1996. - Vol. 3, No. 2. - P. 169-185.

21. Sargent R.G. Research issues in metamodeling // Prooceedings of the 1991 Winter Simulation Conference / Eds. B.L.Nelson, W.D.Kelton, G.M.Clark. -SCS, 1991.-P. 888-893.

22. Kleijnen J.P.C. A comment on Blanning's Metamodel for sensitivity analysis. The regression metamodel in simulation // Interfaces. 1975. - Vol. 5, No. 3.-P. 21-23.

23. Kleijnen J.P.C. Regression Metamodels for Generalizing Simulation Results // IEEE Transactions on Systems, Man, and Cybernetics. 1979. - Vol. SMC-9, No. 2.-P. 93-96.

24. Barton R. R. Metamodels for simulation input-output relations // Proceedings of the 1992 Winter Simulation Conference. SCS, 1992. - P. 289-299.

25. Madu Ch.N. Simulation in Manufacturing: A regression metamodel // Computers and Industrial Engineering. 1990. - Vol. 18, No. 3, - P. 381— 389.

26. Madu Ch. N., Kuei Cha-Hun. Regression metamodelling in Computer Simulation State of Art // Simulation Practice and Theory. - 1994. -Vol. 2. -P. 27—41.

27. Blanning R.W. The construction and implementation of metamodels // Simulation. 1975. - Vol. 24. - P. 177-184.

28. Meisel W.S., Collins D.C. Repromodelling: An approach to efficient model representation and interpretation // IEEE Transactions on Systems, Man, and Cybernetics. 1973. - Vol. SMC - 3, No. 4. - P. 349-358.

29. Madu C.N., Chanin M.N. A regression metamodel of maintenance float problem with Erlang-2 failure distribution // International Journal of Production Research. 1992. - Vol. 30, No. 4. - P. 871-885.

30. Sanchez S.M., Smith L.D., Lawrence E.C. Sensitivity and scenario analysis for simulation metamodels // Proceedings of the 1997 Winter Simulation Conference / Eds. S. Andradottir, et. al., Lajolla, California. SCS, 1997. -P. 355-371.

31. Клейнен Дж. Статистические методы в имитационном моделировании.- Вып. 1. М.: Статистика, 1978. - 221 с.

32. Клейнен Дж. Статистические методы в имитационном моделировании.- Вып. 2. М.: Статистика, 1978. - 335 с.

33. Friedman, L.W., Pressman I. The Metamodel in Simulation Analysis: Can It Be Trusted? // Journal of the Operational Research Society. 1988. -Vol. 39, No. 10.-P. 1-10.

34. Myers R. H., Montgomery D. C. Response Surface Methodology: Process and Product Optimization Using Designed Experiments / Wiley Series in Probability and Statistics. N.Y. : John Wiley & Sons, 1995. - 700 p.

35. Kleijnen J.P.C. Simulation and optimisation in production planning: A case study // Decision Support Systems. 1993. - Vol. 9. - P. 269-280.

36. Shang J.S., Tadikamalls P.R. Output maximization of a CIM system: Simulation and statistical approach // International Journal of Production Research.- 1993.-Vol. 31,No. l.-P. 19-41.

37. Joshi S.S., Rathi A.K., Tew J.D. An improved response surface application to traffic signal optimization for urban networks // Proceedings of the 1995 Winter Simulation Conference. SCS, 1995. - P. 1104-1109.

38. Bailey T.G., Bauer K., Marsh A.B. Response surface analysis of stochastic network performance. Proceedings of the 1989 Winter Simulation Conference. SCS, 1989. - P. 437^143.

39. Merkuryev Y. Application of interval approach in simulation of discrete-event systems // Automatic Control and Computer Sciences. -1997. Vol.31, No. 3.-P. 29-36.

40. Badiru A.B., Sieger D.B. Neural network as a simulation metamodel in economic analysis of risky projects // European Journal of Operational Research.-1998.-Vol. 105.-P. 130-142.

41. Kilmer R.A., Smith A.E., Shuman L.J. An emergency department simulation and a neural network metamodel // Journal of the Society for Health Systems. 1995. - Vol. 5, No. 3. - P. 63-79.

42. Higgins C. M., Goodman R.M. Learning fuzzy rule-based neural network for control // Advances in Neural Information Processing Systems, 5. Morgan Kaufman, 1993. - P. 250-357.

43. Pierreval H. Rule-based Simulation Metamodels // European Journal of Operations Research. 1992. - Vol. 61. - P. 6-17.

44. Berthold M.R., Huber K.-P. Building Fuzzy Graphs from Examples // Proceedings of the IEEE International Conference on Fuzzy Systems, New Orleans, Sep. 1996. - Vol. 1. - P. 608-613.

45. Huber K., Berthold M., Szczerbicka H. Fuzzy graph based metamodelling // Proceedings of the 1996 Winter Simulation Conference. SCS, 1996. - P. 418—425.

46. Huber K.-P., Berthold M.R. and H. Szczerbicka. Analysis of Simulation Models with Fuzzy Graph based Metamodeling // Performance Evaluation. -1996. Vol. 27&28. P. 473^90.

47. Zadeh L.A. Fuzzy Logic, Neural Networks, and Soft Computing // Communications of the ACM. 1994. - Vol. 37, No. 3. - P. 77-84.

48. Hurrion R.D. Using a Neural Network to Enhance the Decision making Quality of a Visual Interactive Simulation Model // Journal of Operational Research Society. 1992. - Vol. 43, No. 4. - P. 333-341.

49. Funahashi K. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. - Vol. 2. - P. 183-192.

50. Uebele V.S., Abe S., Lan M.- S. A neural-network-based fuzzy classifier // IEEE Transactions on Systems, Man, and Cybernetics. 1995. - 25 (2).

51. Simpson P -K. Fuzzy min-max neural networks part 2. Clustering // IEEE Transactions on Fuzzy Systems. - 1993. - Vol. 1, No. 1. - P. 32-45.

52. Higgins C.M., Goodman R.M. Learning fuzzy rule-based neural network for control // Advances in Neural Information Processing Systems, 5. Morgan Kaufmann, 1993. - P. 350-357.

53. Merkuryeva G., Tolujev J. Computer Simulation and Metamodelling of Logistics Processes at a Container Terminal // Studies in Informatics and Control. 2000. - Vol. 9, No. 1. - P. 53-60.

54. Kleijnen J. P.C., Burg A.I., Ham R. Th. Generalization of simulation results // European Journal of Operations Research. 1979. - Vol. 3, No. 1 (January).-P. 50-64.

55. Pierreval H. A metamodelling approach based on neural networks // International Journal of Computer Simulation. 1996. - Vol. 6, No. 2.

56. Bettonvil B., Kleijnen J.P.C. Identifying the Important factors in Simulation Models with Many Factors, Report Review 498. Tilburg: Tilburg University, 1991.

57. Kleijnen J.P.C., Standridge C. Experimental design and regression analysis: an FMS case study // European Journal of Operational Research. 1988. -Vol. 33, No. 3.-P. 257-261.

58. Cheng R.C.H., Kleijnem J.P.C. Optimal design of simulation experiments with nearly saturated queues. Technical Report. Tilburg: Tilburg University, 1994.

59. Fu M.C. Optimization via simulation: a review // Annals of Operations Research. 1994. - Vol. 53. - P. 199-247.

60. Starbird S.A. A metamodel specification for a tomato processing plant // European Journal of Operational Research. 1990. - Vol. 41, No. 3. - P. 229-240.

61. Popplewell Yu B. Metamodels in manufacturing: A review // International Journal of Production Research. 1994. - Vol. 32. - P. 787-796.

62. Banks J. Output Analysis Cababilities of Simulation Software // Simulation. 1996. - Vol. 66, No. 1. - P. 23-30.

63. Kleijnen J.P.C. Case study: statistical validation of simulation models // European Journal of Operational Research. 1995. - Vol. 87, No. 1. - P. 2134.

64. Kleijnen J.P.C. Sensitivity analysis and optimization of system dynamics models: regression analysis and statistical design of experiments // System Dynamics Review. 1995. - Vol. 11, No. 4. - P. 275-288.

65. Visipkov V., Merkuryev Y., Rastrigin L. Optimization of discrete system simulation models (Survey) // Automatic Control and Computer Sciences. Allerton Press, Inc. 1994. - Vol. 28, No. 4. - P. 10-20.

66. Safizadeh M.H. Optimization in simulation: current issues and the future outlook // Naval Research Logistics Quarterly. 1990. - Vol. 37. - P. 807825.

67. Park J.W. Optimization techniques using computer simulation // Korea Information science Society Review. 1990. - Vol. 8, - P. 37-47.

68. Swisher J. R., Hyden P.D. A survey of simulation optimization techniques and procedures // Proceedings of the 2000 Winter Simulation Conference /Eds. J.Joines, R.R.Barton, K.Kang and P. A. Fishwick. SCS, 2000. - P. 119-128.

69. Andradottir S. A review of simulation optimization techniques // Proceedings of the 1998 Winter Simulation Conference. SCS, 1998. -P. 151-158.

70. Fu M. Optimization via simulation: a review // Annals of Operations Research. 1994. - Vol. 53. - P. 199-247.

71. Fu M. A tutorial review of techniques for simulation applications // Proceedings of the 1994 Winter Simulation Conference. -SCS, 1994. P. 149-156.

72. Gaivoronski A. Optimization of stochastic discrete event dynamic systems: a survey of some recent results // Proceedings of the Workshop on Simulation and Optimization. 1992. - P. 24-44.

73. Glasserman P. Gradient Estimation via Perturbation Analysis. Boston, Massachusets: Kluwer Academic Publishers, 1991.

74. Rubinstein R.Y. How to optimize discrete-event systems from a single sample path by the score function method // Annals of Operations Research. -1991.-Vol. 27.-P. 175-212.

75. Jacobson S.H., Schruben L.W. A harmonic analysis approach to simulation sensitivity analysis // HE Transactions. 1999. - Vol. 31. - P. 231-243.

76. Fu M., Hu J.Q. Conditional Monte Carlo: Gradient Estimation and Optimization Applications. Norwell, Massachusets: Kluwer Academic Publishers, 1997.

77. Hill S.D., Fu M.C. Simulation optimization via simultaneous perturbation stochastic approximation // Proceedings of the 1994 Winter Simulation Conference. -SCS, 1994.-P. 1461-1464.

78. Andradottir S. A projected stohastic approximation algorithm // Proceedings of the 1991 Winter Simulation Conference. -SCS, 1991. P. 954-957.

79. Andradottir S. A stohastic approximation algorithm with varying bounds // Operations Research. 1995. - Vol. 43. - P. 1037-1048.

80. Andradottir S. A scaled stohastic approximation algorithm // Management Science. 1996. - Vol. 42. - P. 475^98.

81. SAS Institute Inc.SAS/QC Software: Reference, Verson 6. First Edition. -Cary, NC: SAS Instite Inc., 1989.

82. Rubinstein R.Y. Optimization of computer simulation models with rare events // European Journal of Operational Research. 1997. - Vol. 99. - P. 89-112.

83. Khuri A.L., Cornell J.A. Response surfaces: designs and analyses. New York: Marcel Dekker, Inc., 1996.

84. Zeigler B.P. Multifacetted Modelling and Discrete Event Simulation. -London: Academic Press Inc. Ltd., 1997. 372 p

85. Kleijnen J.P.C., Ham G., Rotmans J. Techniques for sensitivity analysis of simulation models: a case study of the C02 greenhouse effect // Simulation. 1992. - Vol. 58, No. 6. - P. 410-417.

86. Kleijnen J.P.C. Verification and validation of simulation models // European Journal of Operational Research. 1995. - Vol. 82, No.l. - P. 145-162.

87. Rotmans J., Vrieze O.J. Metamodeling and experimental design: Case study of the Greenhouse effect // European Journal of Operational Research. -1990.- Vol.47. P. 317-329.

88. Tolujev J., Lorenz P., Beier D., Schriber T.J. Assessment of simulation models based on trace-file analysis: a metamodelling approach // Proc. of the 1998 Winter Simulation ConferenceWashington. SCS, 1998. - P. 100-105.

89. Дрейпер H., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн. 1/ Пер. с англ. М.: Финансы и статистика, 1986. - 394 с.

90. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн. 1 М.: Финансы и статистика, 1987. - 351 с.98.3акс J1. Статистическое оценивание; Пер. с нем. В.Н. Варыгина. /Под ред. Ю.П.Адлера, А.Г. Горского. М.: Статистика, 1976. - 598 с.

91. MiniTab Statistical Software 13.3 or Wndows. MiniTab Inc., 2000.

92. Smith D.E. Automatic optimum-seeking program for digital simulation // Simulation. -1976. Vol.27. - P. 270-311.

93. Box G.E.P., Liu P.Y.T. Statistics as a catalyst to learning by scientific method part 1 an example // Journal of Quality Technology. - 1999. - Vol. 31,No. l.-P. 1-15.

94. Allen Т., Liyang Yu. Low cost response surface methods for and from simulation optimization // Proceedings of the 2000 Winter Conference. www.informs-sc.org/wsc00papers093.pdf

95. Josli S., Sherali H.D., Tew J.D. An enhanced response surface methodology (RMS) algorithm using gradient deflection and second-orderssearch strategies // Computer and Operations Research. 1998. - Vol. 25, No. 7/8.-P. 531-541.

96. Nachtsheim, C.J. Tools for computer-aided design of experiments // Journal of Quality Technology. 1996. - Vol. 19, No. 3. - P. 132-160.

97. Engineering Statistics Handbook, 2002. Process Improvement -http :\www. itl .nist.gov

98. Friedman L. W. The Analysis of Multiple Response Simulation Output Data: Experiments of Comparison // Computers & Operations Research. -1986. Vol. 13. - P. 647-652.

99. Friedman L.W. Design and Analysis of Multivariate Response Simulations. The state of art // Behavioural Sciences 323. 1987. P. 138— 148.

100. Кини P.JI., Райфа X. Принятие решений при многих критериях: Предпочтения и замещения. М.: Радио и связь, 1981. — 560 с.

101. Del Castillo, Е. Stopping rules for steepest ascent in experimental optimisation. Communications in Statistics // Simulation and Computation. -1997.-Vol. 26, No. 4.-P. 1559-1615.

102. Safizadeh M.H., R.Signorille. Optimization of simulation via quasiNewton methods // ORSA Journal on Computing. 1994. - Vol. 6, No. 4, -P. 398-408.

103. Растригин Л.А. Системы экстремального управления. M.: Наука, 1974.-432 с.

104. Greenwood A.G.,Rees L.P, Siochi E.C. An investigation of the behavior of simulation response surfaces // European Journal of Operational Research. 1998.-Vol. 110.-P. 282-313.

105. Обработка нечеткой информации в системах принятия решений / Борисов А.Н., Алексеев А.В., Меркурьева Г.В., Слядзь Н.Н., Глушков В.И. М.: Радио и связь, 1989. - 304 с.

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

107. Нечеткие множества в моделях искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, Гл. ред.физ.-мат. Лит., 1986. - 312 с.

108. Zadeh L.A. The Linguistic Approach and its Applications to Decision Analysis // Directions in Large Scale Systems/ Ed.: Y.C.Ho, S.K.Mitter. -N.Y. : Plenum Press, 1976. p. 335-361.

109. Berthold M.R., Huber K.-P. Constructing fuzzy graphs from examples // Intelligent Data Analysis. 1999. - Vol. 3. - P. 37-53.

110. Huber K.-P., Berthold M.R., Szczerbicka H. Analysis of Simulation Models with Fuzzy Graphs based Metamodelling // Performance Evaluation 27&28. 1996. - P. 473-490.

111. Frank E., Huber K.-P. Active kearning of soft rules for system modelling // Proceedings of the Fourh European Congress on Intelligent Techniques and Soft Computing. 1996.

112. Xu W.-L., Wu C/-F., Cheng W.-M. An Algorithm to solve the Max-Min Composite Fuzzy Relational Equations// Approximate Reasoning in Decision Analysis. Amsterdam: North-Holland Publ. Co. - 1982. - P. 47-49.

113. Ежкова И.В., Поспелов Д.А. Принятие решений при нечетких основаниях: Универсальная шкала // Изв. АН СССР Техническая кибернетика. -1977. № 6. - С. 3-11.

114. Yager R.R. Measurement-Informational Discussion of Fuzzy Union and Intersection // Intern. J. of Man-Machine Studies. -1979. Vol. 11, No. 2. -P. 189-200.

115. Saaty T.L. Measuring the Fussiness of Sets // J. of Cybernetics. 1974. -Vol. 4, No. 4.-P. 53-61.

116. Норвич A.M., Турксен И.В. Построение функций принадлежности. Нечеткие множества и теория возможности // Последние достижения: Пер. с англ./ Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 64-78.

117. Вересков А.А., Кузьмин Б.В., Федоров В.В. Определение степеней принадлежности на основе совокупности матриц Саати для нечетких множеств // Сб. Трудов ВНИИСИ. 1982. - № 10. - С. 117-124.

118. Овчинников С.В., Рьера Т. О нечетких классификациях. Нечеткие множества и теория возможности // Последние достижения: Пер. с англ./ Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 100-113.

119. Руспини Э.Г. Последние достижения в кластер-анализе. Нечеткие множества и теория возможности // Последние достижения: Пер. с англ./ Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 114-132.

120. Модели принятия решений на основе лингвистических переменных /А.Н. Борисов, А.В.Алексеев, О.А.Крумберг,В.А.Попов, Г.В.Корнеева. -Рига: Зинатне, 1982. 256 с.

121. Ichihashi Н., Miyagashi К., Honda К. Fuzzy C-Means Clustering with Regularization by K-L Information Graduate School of engeneering, Osaka Prefecture University. - 2001.

122. Mitaim S., Kosko B. What is the Best Shape for Fuzzy Set in Function Approximation? // Proceedings the of 5th IEEE International Conference on Fuzzy Systems. 1996. - Vol 2. - 6 p.

123. Constantin von Altrock Fuzzy Logic and NeuroFuzzy Applications Explaned. Prentice Hall PTR, 1995. - 350 p.

124. Merkuryeva G., Palacis E. Simulation Study in Hospital Logistics Management //ASI'99. Proc. of the Annual Confernce of ICIMS-NOE "Life

125. Cycle Approaches to Production Systems Management, Control, and Supervision", Leuven, Belgium, September 22-24. 1999. - P. 64-71.

126. Merkuryeva G. Computer Simulation in Industrial Management Games// Proc. of MIM 2000. IF AC Symp. on Manufacturing, Modeling, Management and Control / Eds. P.P. Groumpus, A.P. Tzes. University of Patras, Rio, Greece. - 2000. -P. 69-73.

127. Schruben Lee W., Margolin. B.H. Pseudorandom number assignment in statistically designed simulation and distribution sampling experiments // Journal of the American Statistical Association. 1978. — Vol. 73, 363 (September). - P. 504-520.

128. Kwon Ch., Tew J.D. Combined correlation methods for metamodel estimation in multipopulation simulation experimrnts // Journal of Statistical Computation and Simulation. 1994. - P. 49-75.

129. Kwon Ch., Tew J.D. Strategies for combining antithetic variates and control variates in designed simulation experiments // Management Science. 1994. - Vol. 40, No. 8. - P. 1021-1034.

130. Seila A. F. Multivariate estimation in simulation. Proceedings of the Winter Simulation Conference. SCS, 1983. - P. 693-696.

131. Seila A.F. Multivariate simulation output analysis // American Journal of Mathematics and Management Sciences. 1984. - Vol. 4, No. 3/4. -P. 313-334.

132. Seila A.F. Advanced output analysis for simulation // Proceedings of the Winter Simulation Conference. SCS, 1992. - P. 190-197.

133. Friedman L.W. On the use of MANOVA in the analysis of multi-response simulation experiments // Proceedings of the Winter Simulation Conference. -SCS, 1985.

134. Van Groenendaal, W.J.H., Kleijnen J.P.C. On the assesment of economical risk: factorial design versus Monte Carlo methods // Journal of Reliability Engineering and Systems Safety. 1997. - Vol. 57, No.l. - P. 103-105.

135. Fu M.C., Hill S.D. Optimisation of discrete event systems via simultaneous perturbation stochastic approximation // IEEE Transactions. -1996. Vol. 29. - P. 233-243.

136. Shannon R.E., Mayer R., Adelsberger H.H. Expert systems and simulation // Simulation. 1987. - Vol. 48. - P. 275-284.

137. Reilly K.D., Jones W.T., Dey P. The simulation environment concept artificial intelligence perspectives // Artificial intelligence and Simulation / Ed. W.M. Holmes. SCS, 1985. - P. 29-35.

138. Shannon R.E. Intelligent simulation environment // Intelligent Simulation Environment / Eds. P.A. Luker, H.H. Adelsberger. SCS, 1986. - P. 150156.

139. Standridge C.R., Walker S.A., Vaughan D. A tutorial on TESS: The extended simulation system // Proc. of the 1984 Winter Computer Simulation Conference. SCS, 1984. - P. 51-56.

140. Juuso E.K., Leiviska K. An intelligent user interface for combined simulation and expert systems // Proc. of the European Simulation Multiconference / Ed. B. Schmidt. SCS, 1990. - P. 300-305.

141. Kerchoffs E.J.H., Koppelaar H., Van den Heric H.J. Towards parallel intelligent simulation // Artificial intelligence, Simulation and Modelling / Eds. L.E. Widman, K.A. Loparo, N.R. Nielsen. John Wiley and Sons, 1987.-P. 207-230.

142. Rao M., Jiang T.-S., Tsai J.J.-P. Integrated intelligent simulation environment // Simulation. 1990. - Vol. 54. - P. 291-295.

143. Rozenblit J.W., Janowski P.L. An integrated framework for knowledge-based modeling and simulation of natural systems // Simulation. 1991. -Vol. 57.-P. 152-165.

144. Rozenblit J.W., Zeigler B.P. Knowledge-Based Simulation Design Methodology: A Flexible Test Architecture Application // Transactions. -1990. Vol. 57. - P. 195-225.

145. Tsang C.-S. A design of expert system architecture for communications engineering simulation // Simulation. 1991. - Vol. 56. - P. 197-202.

146. Saktivel S., Agarwal R. Knowledge-based model construction for simulating information systems // Simulation. 1992. - Vol. 59. - P. 223— 256.

147. Kerchoffs E.J.H., Vansteenkiste G.C. The impact of advanced information processing on simulation An illustrative review // Simulation. - 1986. -Vol. 46. - P. 17-26.

148. O'Keefe RM. Simulation and expert systems A taxonomy and some examples // Simulation. - 1986. - Vol. 46. - P. 10-16.

149. O'Keefe R.M. The role of Artificial Intelligence in Discrete-event Simulation // Artificial Intelligence, Simulation and Modelling / Eds. L. Widman, K.A. Loparo, N.R. Nielsen. John Wiley and Sons, 1989. - P. 359-380.

150. Reddy R. Epistemology of knowledge-based simulation // Simulation. -1987.-Vol. 47.-P. 162-166.

151. Merkuryeva G.V., Toivonen H.T. Knowledge based simulation systems -A Survey. Process Control Laboratory, Report 90-12, Abo Akademi, 1990. -47 p.

152. Merkuryev Y.A., Merkuryeva G.V. Knowledge Based Simulation System for manufacturing // Proc. of the European Simulation Multiconference, Modelling and Simulation / Ed. E. Mosekilde. SCS, 1991. - P. 79-81.

153. Merkuryev Y.A., Merkuryeva G.V., Teilans A.A. Expert Simulation System for Manufacturing Processes // Proc. of the 1991 Summer Computer Simulation Conference /Ed. D. Pace. SCS, 1991. - P. 405-408.

154. Меркурьева Г.В., Меркурьев Ю.А. Экспертные системы имитационного моделирования (обзор) // Техническая кибернетика. -1991.-N3.- С. 156- 173.

155. Merkuryeva G., Merkuryev Y. Knowledge based simulation systems A review // Simulation, - 1994. -Vol. 62, No. 2. - P. 74-89.

156. Oren T.I. Artificial intelligence and simulation // AI applied to Simulation: Proc. of the European Simulation Conference at the University of Ghent / Eds. E.I. Kerckhoffs, G.C. Vansteenkiste, B.P. Zeigler. SCS, 1986.-P. 3-7.

157. Oren T.I Artificial intelligence and simulation. From cognitive simulation toward cognizant simulation // Simulation. 1987. - Vol. 48. - P. 129-130.

158. Balmer D., Goodman D., Doukidis G. Integrating expert systems and simulation for decisions support // Knowledge-Based Management Systems / Eds. G.I. Doukidis, L. Frank, G.I. Miller. John Wiley and Sons, 1989. - P. 134-160.

159. Castillo D.M., McRoberts M., Sieck B. Embedded expert systems improve model intelligence in simulation experiments // Proc. of the 1988

160. Summer Computer Simulation Conference / Eds. C.C. Barnett, W.M. Holmes. SCS, 1988. - P. 591-597.

161. Fishwick P. A. A study of terminology and issues in qualitative simulation // Simulation. 1989. - Vol. 52. - P. 5-9.

162. Nielsen N.R. Applications of Artificial Intelligence Techniques to simulation // Knowledge-based simulation. Methodology and Applications /Eds. P.A. Fishwick, R.B. Modjecki. Springer Verlag, 1990.- P. 1-19.

163. Chapman B.L. KISMET: A knowledge-based system for the simulation of discrete manufacturing operations. Ph. D. Thesis. The University of Texas, 1986.

164. Oren T.I. Quality assurance paradigms for artificial intelligence in modeling and simulation // Simulation. 1987. - Vol. 48. - P. 149—151.

165. Merkuryev Y., Merkuryeva G., Visipkov V., Mazversitis A. Modelling and simulation with LATISS // Modern Aspects of Management Science. Riga Technical University, 1997. No. 1. - P. 67-82.

166. Vujosevich R., Antao B.A.A., Bourne J.R. Object-Oriented Data Base Support for Simulation Environment // Proc. of the SCS Multicoference in Object Oriented Simulation / Ed. A. Guasgh. SCS, 1990. - P. 82-92.

167. Wiederánders K. CSO-PROLOG: A Language for Knowledge Based Object-oriented Programming, Distributed Execution and Simulation // Proc. of the European Simulation Multiconference / Ed. B. Schmidt. SCS, 1990. - P. 747-752.

168. Fox M.S., Husain N., McRoberts M., Reddy Y.V. Knowledge-based simulation: An artifical intelligence approach to system modelling and automating the simulation life cycle. Report CMU-TR-88-5, Carnegie Mellon University, 1988.

169. Mollamustafaoglu L., Gurkan G., Ozge A.Y. Object-Oriented Design of Output Analysis Tools for Simulation Languages // Simulation. 1993. -Vol. 60.-P. 6-16.

170. Reddy Y.V., Fox M.S., Husain N. Automating the analysis of simulations in KBS // AIr Graphics and Simulation/Ed. G. Birtwistle. SCS, 1985. - P. 34-41.(119)

171. Kim T.G., Park S.B. The DEVIS-formalism: Hierarchical Modular Systems Specification in C++ // Proc. of the European Simulation Multiconference on Modelling and Simulation/ Ed. Stephenson. SCS, 1992.

172. Sevinc S., Tanir O. DEVS-CLOS: Discrete event modelling in common LISP object system // Proc. of the European Simulation Multiconference / Ed. B. Schmidt. SCS, 1990. - P. 306-314.

173. Larkin T.S., Carruthers R.I., Soper R.S. Simulation and object oriented programming: the development of SERB // Simulation. 1988. - Vol. 51. -P. 93-100.

174. Murray K.J., Sheppard S.V. Knowledge-based simulation model specification // Simulation. 1988. - Vol. 50. - P. 112-119.

175. Lane G.M., Fegan T.N., Kruse C., Millivard B. A framework and toolkit for manufacturing systems simulation linked to integrated information systems // Proc. of the European Simulation Symposium / Eds. W. Krug, A. Lehmann. SCS, 1992. - P. 455-460.

176. Brazier M.K., Shannon R.E. Automatic programming of AGVS simulation models // Proc. of the 1987 Winter Simulation Conference / Eds. A. Thesen, H. Grant, W.D. Kelton. SCS, 1987. - P. 703-708.

177. Dey P., Reilly K.D., Brown J.T. Acknowledge 2: A knowledge acquisition system // Simulators IV / Ed. B.T. Fairchild. SCS, 1987.

178. Wichmann K.E. An intelligent simulation environment for the design and operation of FMS // Simulation in Manufacturing, SIM-2 / Ed. J.E. Lenz. -1986.-P. 1-11.

179. Cleary J., Goh K., Unger B. Discrete event simulation in Prolog // AI, Graphics and Simulation /Ed. G. Birtwistle. SCS, 1985. - P. 8- 13.

180. Futo I. Combined discrete/continuous modeling and problem solving // AI, Graphics and Simulation /Ed. G. Birtwistle. SCS, 1985. - P. 23-28.

181. Futo I. The modified Time Warp Algorithm of CS-Prolog // Proc. of the European Simulation Multiconference / Ed. B. Schmidt. SCS, 1985. P. 225-229.

182. Wiederanders K. CSO-PROLOG: A Language for Knowledge Based Object-oriented Programming, Distributed Execution and Simulation // Proc. of the European Simulation Multiconference / Ed. B. Schmidt. SCS, 1990. - P. 747-752.

183. Baskaran V., Fox M., Sathi N., Bouer J. Simulation Craft. An expert system approach to simulation model creation // Applied Simulation and Modelling / Ed. D.O. Koval. IASTED, 1986. - P. 278-281.

184. Nielsen N.R. Applicability of AI techniques to simulation models // Simulators IY/ Ed. B.T. Fairchild. SCS, 1987. - P. 121-122.

185. Wildberger A.M. Selection of tools for including expert system components in simulations // Proc. of the 1988 Summer Computer Simulation Conference / Eds. C.C. Barnett, W.M. Holmes. SCS, 1988. -P. 586-590.

186. Russel J. A knowledge based assistant for a flight simulator instructor // Proc. of the 1989 Summer Computer Simulation Conference / Ed. J.K. Clema. SCS, 1989.-P. 606-612.

187. Ketcham M., John. S.A. A knowledge-based planning and diagnostics module for a simulation environment // Proc. of the 1989 Summer Computer Simulation Conference / Ed. J.K. Clema. SCS, 1989. - P. 590-595.

188. Steward D.A., Surgenor B.W. Simulation validation of an expert for process fault diagnosis // Proc. of the 1987 Summer Computer Simulation Conference. SCS, 1987. - P. 663- 667.

189. O'Keefe R.M. Advisory systems in Simulation // AI Applied to Simulation. Proc. of the European Conference at University of Ghent /Eds. E.J.H. Kerckhoffs, G.C. Vansteenkiste, B.P. Zeigler. SCS, 1986. - P. 7378.

190. Rao M., Jiang T.-S. Integrated simulation tutorial environment for intelligent control // Proc. of the 1988 Summer Computer Simulation Conference / Eds. C.C. Barnett, W.M. Holmes. SCS, 1988. - P. 598-600.

191. Merkuryev Y., Merkuryeva G., Visipkov V., Mazversitis A. Modelling and simulation with LATISS // Modern Aspects of Management Science. -Riga Technical University, 1997. Nr. 1. - P. 67-82.

192. Меркурьев Ю.А., Меркурьева Г.В., Тейланс А.А. Интеллектуальное моделирование производственныж процессов // Программные продукты и системы. 1991. - N 3. - С. 26-32.

193. Борисов A.H., Меркурьева Г.В., Савельев Б. Поиск новых технических решений на основе системы прдукций. В кн.: Принятие решений. Калинин. Гос. ун т, 1988, 7 с.

194. Меркурьева Г.В., Меркурьев Ю.А. Автоматизированное проектирование промышленных роботов на основе продукционных систем. В кн.: Методы и системы принятия решений. Вопросы создания экспертных систем. Рига: Риж. политехи, нт- т, 1988, с. 120 -126.

195. Меркурьев Ю.А., Меркурьева Г.В. Система поддержки имитационного моделирования ГПС. В кн.: Микророцессорные системы контроля и управления. Рига: Риж. политехи, нт- т, 1990, с. 15 - 20.