Развитие методов эволюционных вычислений для моделирования самоорганизации в децентрализованных социальных и технических системах тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Сургутанов, Владимир Владимирович

• Сургутанов, Владимир Владимирович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Сургутанов, Владимир Владимирович

ВВЕДЕНИЕ.

1 АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ МОДЕЛИРОВАНИЯ САМООРГАНИЗУЮЩИХСЯ СИСТЕМ.

1.1 Проблема описания самоорганизации в рамках базовых моделей сложных систем.

1.1.1 Сущность явления и виды самоорганизации.

1.1.2 Недостатки имеющихся базовых моделей сложных систем.

1.2 Поиск базовых алгоритмов самоорганизации в имитационных моделях методологии многоагентных систем.

1.2.1 Принципы построения и механизмы самоорганизации в многоагентных системах.

1.2.2 «Искусственная жизнь» и генетические алгоритмы как средство моделирования эволюции.

1.3 Оптимизационные структуры эволюционных вычислений, основанные на принципах самоорганизации.

1.3.1 Неоднородные архитектуры генетического поиска.

1.3.2 Однородные архитектуры генетического поиска.

1.4 Параметрическая адаптация в генетических алгоритмах.

1.4.1 Управление уровнем генетического разнообразия.

1.4.2 Управление направленностью генетического разнообразия.

1.5 Выводы.

2 УЛУЧШЕНИЕ АДАПТАЦИОННЫХ СВОЙСТВ ПРОСТОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА.

2.1 Методика оценки эффективности генетического алгоритма. 31 2.1.1 Оценка вычислительной сложности моделей генетического алгоритма.

-32.1.2 Оценка процесса сходимости и качества решения, найденного генетическим алгоритмом.

2.1.3 Использование компьютерного моделирования для анализа свойств генетических алгоритмов.

2.2 Улучшения свойств простого генетического алгоритма как средства оптимизации.

2.2.1 Причины неэффективности вероятностного отбора.

2.2.2 Пути повышения эффективности мутаций для вероятностного отбора.

2.2.3 Анализ эффективности улучшенного оператора мутаций

2.3 Выводы.

3 РАЗВИТИЕ ИДЕЙ ЭВОЛЮЦИОННЫХ ВЫЧИСЛЕНИЙ ДЛЯ МОДЕЛИРОВАНИЯ МЕХАНИЗМОВ САМООРГАНИЗАЦИИ.

3.1 Идея адаптивного генетического алгоритма.

3.2 Невозможность оптимизации интенсивности отбора.

• 3.3 Невозможность оптимизации направления поиска.

3.4 Генетический алгоритм с внутренней целевой функцией.

3.5 Архитектуры самоорганизации генетического алгоритма.

3.6 Формализация алгоритма самоорганизации генома.

3.7 Выводы.

4 РЕШЕНИЕ ПРИКЛАДНЫХ ЗАДАЧ МОДЕЛИРОВАНИЯ.

4.1 Моделирование процессов этногенеза.

4.1.1 Формальное описание модели.

4.1.2 Уточнение математической модели.

4.1.3 Результаты моделирования.

4.2 Моделирование поведения абонентов телефонной сети в условиях альтернативной тарификации.

4.2.1 Актуальность введения альтернативной тарификации.

4.2.2 Описание задачи в терминах иерархического управлення92 « 4.2.3 Сжатие данных о распределении трафика.

4.2.4 Многоагеитная система взаимодействия абонентов сети

4.2.5 Результаты оптимизации на модели.

Введение диссертации (часть автореферата) на тему «Развитие методов эволюционных вычислений для моделирования самоорганизации в децентрализованных социальных и технических системах»

Современный этап развития естественных наук в изучении явлений различной природы обнаруживает схожие проблемы, решение которых ведет к выработке общей методологии исследования мира сложных систем. Единую причинную модель мира предлагает синергетика, с ее нелинейными моделями, аппаратом исследования причин неустойчивости, структурных изменений и явлений самоорганизации. Благодаря взаимному проникновению идей открывается перспектива дальнейшего развития научных знаний. Успешно происходит трансляция науки о сложном из неживой природы в проблематику анализа технических систем и динамики социальных сред.

Актуальность темы. Тем не менее, исследование процессов самоорганизации, проявление которых в системах макромира отличается большим разнообразием, затруднено ввиду недостаточной изученности свойств объектов, образующих элементы систем в таких средах. В результате модели конкретных приложений, например, социальных процессов [2, 19, 20, 22, 29, 40], либо ограничены рассмотрением когерентной (групповой) самоорганизации и связаны в первую очередь с полевыми и принципиально нелинейными моделями, либо вовсе ее не учитывают. Таким образом, назрела необходимость построения базовых моделей континуальной самоорганизации, тесно связанной с прогрессивной эволюцией индивидуальных элементарных открытых систем.

Широкие возможности моделирования самоорганизации имеются в гибридных системах. Имитационные модели развития здесь производятся в рамках методологии многоагентных систем (MAC), а популярным инструментом, воспроизводящим эволюционные процессы, служат генетические алгоритмы (ГА). Привлекательность ГА обусловлена их сильно нелинейным поведением, функционированием на грани порядка и хаоса. Препятствием на пути использования ГА как базовой модели самоорганизации является эффект предварительной сходимости (как яркое проявление отсутствия самоорганизации), в то время как естественным процессам, напротив, присуща живучесть и постоянное развитие.

Достаточное число публикаций посвящено исследованию ГА как средства оптимизации, поиску его оптимальной структуры [12,13,32,38,44] и параметров [5,35,72]. Известны способы снижения риска предварительной сходимости, обеспечиваемые интеллектуальной надстройкой, гибридизацией. Такие меры адекватны задачам оптимизации, но не приемлемы для задач моделирования процессов самоорганизации в децентрализованных системах.

Актуальность темы работы для решения теоретических вопросов заключается: в необходимости моделирования механизмов континуальной самоорганизации элементарных открытых систем; в потребности адаптации методов эволюционных вычислений для моделирования систем эволюционной природы; в необходимости изучения и в разработке средств снижения риска предварительной сходимости ГА.

Актуальность темы для решения прикладных задач подтверждается потребностью в моделировании открытых динамических социальных и технических сред.

Целью диссертационной работы является развитие методов эволюционных вычислений для эффективного решения задач моделирования самоорганизации децентрализованных систем эволюционной природы.

Для достижения цели в работе решены следующие задачи: 1. Разработана методика оценки процесса сходимости ГА для выявления потенциала самоорганизации алгоритма («живучесть» в условиях риска предварительной сходимости, способность «выходить из локальных ям»). Создан программный комплекс для исследования влияния параметров и структуры типовых моделей ГА на показатели качества сходимости и найден ряд алгоритмических решений улучшения данных показателей в рамках простого ГА (ПГА).

2. Определены понятия внутренней целевой функции и мутационных последовательностей и базовые алгоритмы самоорганизации ГА, обеспечиваемой двумя различными структурами параллельного ГА: с переменной интенсивностью отбора и с внутренней целевой функцией.

3. Разработан подход к моделированию децентрализованных самоорганизующихся систем посредством соединения методологии MAC и эволюционных вычислений.

4. В рамках подхода и с использованием алгоритма самоорганизации ГА с внутренней целевой функцией построена модель, иллюстрирующая поведение, типичное для систем агентов социальной среды (на примере комплиментарного этнического контакта). Для оценки работоспособности модели реализован программный комплекс и проведено компьютерное моделирование.

5. На базе стандартных алгоритмических средств эволюционных вычислений разработана модель и программный комплекс для решения прикладной задачи моделирования поведения агентов (абонентов телефонной сети) в условиях введения в действие двух альтернатив тарификации.

Методы исследований. Решение поставленных задач сопряжено с применением методологии MAC, методов оптимизации, статистической обработки данных, имитационного моделирования, объектно-ориентированного анализа и проектирования программных средств.

Достоверность и обоснованность результатов в части алгоритмических решений по улучшению сходимости ПГА подтверждается сравнением алгоритмов как по общепринятым, так и по предлагаемым в работе показателям качества. Верификация предлагаемых моделей производится сопоставлением качественных результатов компьютерного моделирования с имеющимися статистическими данными и экспертными заключениями, озвученными в научной литературе.

Научная новизна. Впервые оптимизационные структуры эволюционных вычислений применены для моделирования процессов самоорганизации децентрализованных систем. В результате впервые удалось создать модель комплиментарного этнического контакта в отличие от известных работ по некомплиментарному взаимодействию социальных подсистем. При этом:

1. В рамках параллельного ГА обнаружены механизмы самоорганизации.

2. Определены понятия внутренней целевой функции и мутационных последовательностей как факторов снижения риска предварительной сходимости и обеспечения самоорганизации ГА.

3. Спроектированы модели ГА, обнаруживающие автоколебания генотипов с динамическими аттракторами в кодируемом генами пространстве решений. Найдены алгоритмические решения по улучшению сходимости ПГА.

Практическая значимость результатов:

1. Предлагаемые в работе алгоритмы и подход к моделированию процессов самоорганизации в открытых динамических системах могут быть использованы для формализации прикладных моделей социальных систем с комплиментарным взаимодействием агентов.

2. Разработанные алгоритмические решения по улучшению сходимости ПГА позволят решать задачи поиска экстремума большой размерности с меньшими временными затратами.

На защиту выносятся:

1. Базовые модели самоорганизации ГА, обеспечиваемой двумя различными структурами параллельного ГА: с переменной интенсивностью отбора и с внутренней целевой функцией.

2. Подход к моделированию механизмов самоорганизации децентрализованных систем в рамках методологии MAC и эволюционных вычислений.

3. Решения по улучшению сходимости ПГА, программный комплекс оптимальной настройки параметров и структуры типовых моделей ГА.

4. Приложения алгоритмов самоорганизации к решению задач моделирования социальной системы с комплиментарным взаимодействием агентов и технической системы динамического распределения ресурса: модель поведения агентов в условиях введения в действие двух альтернатив тарификации.

Внедрение.

1. Расчеты эффективности от введения повременной оплаты за телефонные переговоры, проведенные с учетом результатов имитационного моделирования поведения агентов в условиях введения в действие двух альтернатив тарификации, предоставлены управлению телефонных сетей г. Камышина.

2. Программный комплекс компьютерного моделирования комплиментарного этнического контакта внедрен в учебный процесс на кафедре «Истории и археологии» Волгоградского государственного университета.

Апробация работы.

Основные результаты работы докладывались на IX и X международных конференциях «Математика. Компьютер. Образование» (Дубна 2002, Пущино 2003), I, II и III Всероссийских конференциях «Прогрессивные технологии в обучении и производстве» (Камышин 2002, 2004, 2005), научном семинаре НИИ Археологии (Волгоград, ВолГУ 2003), конференции молодых ученых (Волгоград, ВолгГТУ 2001), научном семинаре кафедры САПР ТРТУ (Таганрог 2005).

Основное содержание работы отражено в четырех главах и трех приложениях. В первой главе приводится аналитический обзор методов моделирования самоорганизующихся систем. Вторая глава посвящена параметрической адаптации ГА к задачам моделирования эволюционных процессов. В третьей главе разрабатываются новые архитектуры ГА для описания процессов самоорганизации в децентрализованных системах. В четвертой главе приводится постановка прикладных задач моделирования социальной системы и технической задачи оптимизации с привлечением разработанных и стандартных алгоритмов эволюционных вычислений соответственно. В приложениях приводится материал, поясняющий устройство ГА, расчеты вычислительной сложности (ВС) генерации, обзор концепций ПТЭ и эксперименты комплексного анализа сходимости основных моделей ГА. к Результаты работы опубликованы в [54-59].

Автор считает своим приятным долгом выразить благодарность Елене Георгиевне Крушель за вклад в формирование научного мировоззрения, Валерию Анатольевичу Камаеву и Сергею Алексеевичу Фоменкову за обсуждение работы и ценные рекомендации по ее содержанию и представлению.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Сургутанов, Владимир Владимирович

Основные результаты работы состоят в следующем:

1. На основании обзора выявлена потребность в моделировании самоорганизации в социальных и технических системах и предложено развить методы эволюционных вычислений (ГА) для описания механизмов децентрализованной самоорганизации и прогрессивной эволюции.

2. Предложены новые методы параметрической адаптации ГА, что позволило смягчить нежелательный эффект предварительной сходимости ПГА. Реализация данных методов позволила:

- усовершенствовать ГА за счет введения механизмов, препятствующих предварительной сходимости, и выявить структурные особенности, придающие ГА свойства самоорганизации;

- создать методику исследования эффективности ГА и влияния каждого из ГО на их сходимость;

- разработать программный комплекс, реализующий созданную методику, для сопоставления известных ГА с предлагаемыми в работе и для выявления направлений совершенствования алгоритмов;

- предложить новый критерий оценки процесса и результата сходимости ГА, позволяющий выявлять причины предварительной сходимости.

3. Предложены новые методы структурной адаптации в рамках параллельного ГА за счет самоорганизации алгоритма. Реализация данных методов позволила:

- разработать подход к децентрализованной адаптации уровня генетического разнообразия посредством варьирования интенсивности отбора; предложить подход к децентрализованной адаптации направленности поиска посредством введения мутационных последовательностей, определяющих смену аттрактора сходимости;

- обнаружить проявления самоорганизации, состоящие в автоколебаниях генотипов с динамическими аттракторами в кодируемом генами пространстве решений.

4. Созданные алгоритмы применены для решения прикладных задач моделирования: комплиментарного этнического контакта;

- поведения абонентов телефонной сети в условиях введения в действие двух альтернатив тарификации.

-102

- 100-ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Сургутанов, Владимир Владимирович, 2005 год

1. Айзатулин Т.А. Теория России. Геоподоснова и моделирование. / М. 1999. 70с.

2. Аниконов Ю. Е. Математическое моделирование этнических процессов // Математические проблемы экологии. / Новосибирск: Ин-т математики, 1994. С.3-6.

3. Ахромеева Т. С., Курдюмов С. П., Малинецкий Г. Г., Самарский А. А. Нестационарные структуры и диффузионный хаос. / М.: Наука. 1992.

4. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов // Межвузовский сборник научных трудов "Высокие технологии в технике, медицине и образовании". / Воронеж, ВГТУ, 1997. С.4-17.

5. Бромлей Ю.В. Этнос и этнография. / Наука. Москва, 1973. 280с.

6. Бурцев М.С., Гусарев Р.В., Редько В.Г. Модель эволюционного возникновения целенаправленного адаптивного поведения 1. Случай двух потребностей. / М.: Препринт ИПМ РАН, 2000, N 43.

7. Бурцев М.С., Гусарев Р.В., Редько В.Г. Модель эволюционного возникновения целенаправленного адаптивного поведения 2. Исследование развития иерархии целей. / М.: Препринт ИПМ РАН, 2000, N43.

8. Бюргер А., Гнатюк В.И., Литвиненко В.И., Ткачук А.А. Применение распределенного генетического алгоритма при решениизадачи об упаковке в контейнеры // Перспективные информационные технологии и интеллектуальные системы. / -С.11-15.

9. Валиев М.К., Дехтярь М.И., Диковский А .Я. О сложности верификации асинхронных многоагентных систем. // Труды П-го Межд. научно-практического семинара "Интегрированные модели и мягкие вычисления в искусственном интеллекте". / Коломна, 2003. С.69-75.

10. Гладков JI.A., Зинченко JI.A., Курейчик В.В., Курейчик В.М., Лебедев Б.К., Нужнов Е.В., Сорокин С.Н. Методы генетического поиска. // Научное издание, под редакцией В.М. Курейчика. / Таганрог: Изд-во ТРТУ, 2002. 122с.

11. B.М. Курейчика. / Таганрог. Изд-во ТРТУ. 2003. -150с.

12. Голубин А.В. Определение параметров генетического алгоритма с помощью программного комплекса "gensearch" // // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2004, №3 (19). -С.42-47.

13. Гумилев Л.Н. От Руси до России. / С-Пб.: ACT 2003г. 415с.

14. Гумилев Л.Н. Этногенез и биосфера Земли. / Л., 1989. 496 с.

15. Гуц А. К. Математическая модель этногенеза // Ученый совет мат.фак. ОмГУ. / Деп. в ВИНИТИ 20.07.1994, N 1885-В94. 18с.

16. Гуц А.К., Коробицин В.В., Лаптев А.А., Паутова Л.А., Фролова Ю.В. Математические модели социальных систем: // Учебное пособие. / Омск: Омск. гос. ун-т, 2000. -256с.

17. Дегтерев А.С., Канашкин Ф.В., Сумароков А.Д. Обобщение генетических алгоритмов и алгоритмов схемы МИВЕР // Электронный журнал "Исследовано в России", /стр. 1658-1665, 2004. http://zhurnal.ape.relarn.ru/articles/2004/153.pdf.

18. Иванов К.П. Проблемы этнической географии / Под ред. А.И. Чистобаева. / СПб.: Изд. СПбГУ, 1998. 216с.

19. Каган М.С. Синергетическая парадигма диалектика общего и особенного в познании различных сфер бытия // Синергетическая парадигма. Нелинейное мышление в науке и искусстве. / М., 2002. С. 15-21.

20. Калашников Р.С. Повышение эффективности генетического поиска. // Сборник статей. Перспективные информационные технологии и интеллектуальные системы №4 / 2004. С. 43-45.

21. Капица С. П., Курдюмов С. П., Малинецкий Г. Г. Синергетика и прогнозы будущего. / М.: Наука, 1997.

22. Колесов Ю. Б., Сениченков Ю. Б. Компьютерное моделирование в научных исследованиях и образовании. // Электронный Интернет журнал Exponenta Pro Математика в приложениях. №1 (1) / 2003. С-4.

23. Колесов Ю. Б., Сениченков Ю. Б. Компьютерное моделирование динамических систем // Научнотехнические ведомости СПбГТУ. / 2002. -№ 3. С.93-102

24. Коробицин В.В. Модель территориального распределения пассионарной энергии этноса // Математические структуры и моделирование. / Омск, 2000. -№5. -С.44-53.

25. Косоруков А. Л. Разработка моделей, методов и алгоритмов синтеза структур обмена ресурсов. // Диссертация на соискание ученой степени кандидата технических наук. / 05.13.12. ИГЭУ. Иваново. 1995.

26. Курейчик В. В. Перспективные архитектуры генетического поиска // Программные продукты и системы, № 3., 1998, -С.47-48.

27. Курейчик В.В., Неупокоева Н.В. Перспективные технологии решения оптимизационных задач. // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2003, №2 (14). -С.79-82.

28. Курейчик В.В. Построение архитектуры комбинированного поиска для размещения элементов ЭВА. // Перспективные информационные технологии и интеллектуальные системы. / -С. 51.

29. Курейчик В.М. Генетические алгоритмы // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2000, №1(1).

30. Курейчик В.М., Зинченко Л.А. Многоальтернативные генетические алгоритмы поиска экстремума функции. // Известия академии наук. Теория и системы управления. // 2003. -№4.

31. Курейчик В.М., Зинченко Л.А. Эволюционное моделирование с использованием численно-аналитических моделей. // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2001, №2 . -С.30-39.

32. Курейчик В.М., Зинченко JI.A., Хабарова И.В. Исследование динамических операторов в эволюционном моделировании // Перспективные технологии С. 65.

33. Лебедев Б.К. Методы поисковой адаптации в задачах автоматизированного проектирования СБИС. // Монография. / Таганрог: Изд-во ТРТУ, 2000. -192с.

34. Лебедев О.Б. Глобальная трассировка на основе генетической эволюции// Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2000, №2.

35. Ляхов В.В. Этногенез как динамическая система. // Информационный бюллетень Ассоциации "История и компьютер", N 30, июнь 2002.

36. Минкин Ю.И. Построение, исследование и применение конкурентного самоорганизующегося генетического алгоритма // Автореферат диссертации на соискание ученой степени канд. техн. наук / 05.13.01.-М., 2000.-19с.

37. Мухлаева И.В. Решение задачи одномерной упаковки с помощью параллельного генетического алгоритма. // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2001, №4.

38. Наместников A.M. Эффективность генетических алгоритмов для задач автоматизированного проектирования // Известия РАН. Теория и системы управления. / 2002. N2. - С. 127-133.

39. Неупокоева Н.В. Об одной архитектуре генетического поиска // // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2002, №3 (15). -С.32-35.

40. Николис Г., Пригожин И. Самоорганизация в неравновесных системах. /М.: Мир, 1979. -512с.

41. Паклин Н.Б., Сенилов М.А., Тененев В.А. Интеллектуальные модели на основе гибридного генетического алгоритма с градиентнымобучением лидера // Искусственный интеллект. / Донецк: Наука i освгга. 2004. №4. - С.159-168.

42. Редько В.Г. Эволюционная кибернетика. /М.: Наука, 2001. -156с.

43. Руденко А.П. Самоорганизация и прогрессивная эволюция в природных процессах в аспекте концепции эволюционного катализа. // Росс. Хим. журн. / 1995. -Т.39. -N2. С.55-71.

44. Силютин Д.С. Применение многоагентных технологий в организации генетического поиска изоморфной подстановки. // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2003, №2(14). -С.48-54.

45. Соловьев С.А. Математическое моделирование динамики инвестиций вдали от насыщения рынка. / Препринт, институт прикладной математики РАН., Москва. 2001.

46. Сороколетов П.В. методы адаптации в задачах компоновки // Перспективные информационные технологии и интеллектуальные системы. / Таганрог: Изд-во ТРТУ, 2004, №1 (17). -С.27-30.

47. Сургутанов В.В. Модель эволюции этносов и ее реализация на базе генетических алгоритмов / Крушель Е.Г. Сургутанов В.В. // «Математика,

48. Компьютер, Образование» сб. науч. тр. / МОО «Женщины в науке и образовании». М-Ижевск, 2002. - Часть 1. - С. 308-317.

49. Сургутанов В.В. Настройка параметров регуляторов с использованием генетических алгоритмов / Сургутанов В.В. Ершов А.Я. // Материалы III всероссийской конференции / КТИ ВолгГТУ. Камышин, 2005.-т. 2.-С. 93-97.

50. Тарасов В.Б. Восходящее и нисходящее проектирование многоагентных систем. // Проблемы управления и моделирования в сложных системах. Труды международной конференции. / Самара, Самарский научный центр РАН. 1999. С.268-274.

51. Турчин В.Ф. Феномен науки. Кибернетический подход к эволюции. / М.: Наука, 1993. 295с. (1-е изд).

52. Хакен Г. Синергетика. / М.: Мир, 1980. -404с.

53. Чипига А.Ф., Воронкин Р.А. Оператор кроссинговера в мажоритарном генетическом алгоритме. // Вестник СевКавГТУ Серия «Физико-химическая», № 1 (8), 2004.

54. Эйген М. Самоорганизация материи и эволюция биологических макромолекул. /М.: Мир. 1973. -216с.

55. Ackley D., Littman М. Interactions between learning and evolution. // Langton, C. G., Taylor, C., Farmer, J. D., and Rasmussen, S. (Eds.) Artificial Life II. Reading, MA / Addison-Wesley, 1992, pp.487-509.

56. Adami C., Brown C.T. Evolutionary learning in the 2D Artificial Life system «Avida» // In Artificial Live IV Cambridge, MA / MIT Press. 1994. p.377.

57. Altenberg L. Genom growth and evolution of genotype-phenotype map, Institute of statistic and decision-making , / Duk University. Darhem. U.S.A.

58. Baker R. Genetic Algorithms in Search and Optimization. // Financial Engineering News. / July 1998.

59. T. Blickle, L. Thiele. A Comparison of Selection Schemes used in Genetic Algorithms (2nd Edition). TIK-Report No. 11, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH) Zurich, Switzerland, 1995.

60. Dawkins R. The Evolution of Evolvability. // Artificial Life Proceedings. / Addison-Wesley 1989 pp. 201-220.

61. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. / Addison-Wesley Pub. Co. 1989.

62. Goldberg D.E. Sizing populations for serial and parallel genetic algorithms. // In J.D. Schaffer, editor, Proceedings of the Third International Conference on Genetic Algorithms. / 1989 pp. 70-79.

63. Goldberg D.E., Bridges C. L. An analysis of a reordering operator on a GA-hard problem. // Biological Cybernetics. / 62. pp. 397-405.

64. Goldberg D.E., Deb K. A comparative analysis of selection schemes used in genetic algorithms. // In G.J.E. Rawlins, editor, Foundations of Genetic Algorithms, / volume 1, pp. 69-93, San Mateo, CA, 1991.

65. Goldberg D.E., Smith R.E. Nonstationary function optimization using genetic algorithms with dominance and diploidy. // Genetic algorithms and their applications: Proceedings of the Second International Conference on Genetic Algorithms. / pp. 59-68.

66. Holland J.H. Adaptation in Natural and Artificial Systems. // MIT Press. // Cambridge, MA, 2nd edition, 1992.

67. Holland J.H., Reitman J.S. Cognitive systems based on adaptive algorithms. // In D.A. Waterman F. Hayes-Roth (Eds.), Pattern-directed inference systems, /pp. 313-329. New York: Academic Press.

68. Koza J. Genetic Programming / Banzhaf W., Chellapilla K., Deb K., Dorigo M., Fogel D., Garzon M., Goldberg D., Iba H., Riolo R. / 1998.

69. Langton C.G. Artificial life, volume 1, Santa Fe Institute Studies in the Sciences of Complexity. / Addison-Wesley, Santa Fe, NM, 1989, pp. 1-47.

70. Mauldin M. L. Maintaining diversity in genetic search. // Proceedings of the National Conference on Artificial Intelligence. / pp. 247-250.

71. Skobelev P.O. Holonic Systems Simulation // Proc. of the 2nd International Conference "Complex Systems: Control and Modelling Problems". Samara, June 20-23. / 2000. p. 73-79.

72. Smith R.E. Adaptively resizing populations: An algorithm and analysis. // Proceedings of the Fifth International Conference on Genetic Algorithms. / p. 653.

73. Smith R.E. An investigation of diploid genetic algorithms for adaptive search of nonstationary functions (Masters thesis and TCGA Report No. 88001). // Tuscaloosa: University of Alabama, The Clearinghouse for Genetic Algorithms.

74. Subrahmanian V.S. Heterogeneous Agent Systems / Bonatti P., Dix J. et al. // MIT Press. / 2000.

75. Ventrella J. Sexual Swimmers (Emergent Morphology and Locomotion without a Fitness Function). From Animals to Animats. // MIT Press / 1996. pp. 484-493

76. Vittikh V.A., Skobelev P.O. Multi-Agent Systems for Modelling of Self-organisation and Co-operation Processes // Proceedings of XIII International Conference on Artificial Intelligence in Engineering. / Ireland, Galway, 1998. pp. 25-30.

77. Vlassis N. A Concise Introduction to Multiagent Systems and Distributed AI. / University of Amsterdam. 2003.

78. Yaeger L., Computational Genetics, Physiology, Learning, Vision, and Behavior or Poly Word: Life in a New Context. // Langton, C. G. (ed). Artificial Life III. / Addison-Wesley, 1994. pp. 263-298.

79. СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

80. MAC многоагентная система,1. ГА генетический алгоритм,

81. ПГА простой генетический алгоритм,

82. ВС вычислительная сложность,

83. ПТЭ — пассионарная теория этногенеза,

84. ЭОС элементарная открытая система,1. ЦФ целевая функция,1. ГО генетический оператор,1. ФП функция пригодности,

85. ДСВ — дискретная случайная величина,1. ЛРУ линия равного уровня,1. СП стереотип поведения,1. РУС районный узел связи,1. СВ случайная величина.