Ситуационное управление в создании инженерных коммуникаций бестраншейным способом на основе нечетких адаптивных моделей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Сорокин, Дмитрий Николаевич

• Сорокин, Дмитрий Николаевич
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Сорокин, Дмитрий Николаевич

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕХАНИЗМОВ СИТУАЦИОННОГО

УПРАВЛЕНИЯ В РЕЖИМЕ КВАЗИРЕАЛЬНОГО ВРЕМЕНИ

1.1. Функциональная структура модулей формирования управляющих воздействий по уровням декомпозиции объекта управления

1.2. Анализ информационных процессов в управлении бестраншейным строительством инженерных коммуникаций.

1.3. Подход ситуационного управления в создании инженерных коммуникаций бестраншейным способом.

1.4. Свойства адаптивной модели ситуационного управления в режиме квазиреального времени.

ГЛАВА 2. ФУНКЦИОНАЛЬНАЯ МОДЕЛЬ ОБРАБОТКИ

ЗНАНИЙ В СИТУАЦИОННОЙ СИСТЕМЕ УПРАВЛЕНИЯ.

2.1. Сравнительный анализ методик построения адаптивных моделей в процедурах принятия решений.

2.1.1. Нечеткая кластеризация данных.

2.1.2. Анализ текста на естественном языке.

2.1.3. Использование нейронных сетей и систем нечеткой логики

2.2. Классификационная схема ситуаций в управлении бестраншейным строительством инженерных коммуникаций.

2.3. Математический аппарат адаптивной модели ситуационного управления.

2.4. Функциональная модель обработки ситуаций на множестве гетерогенных классификационных признаков.

ГЛАВА 3. АЛГОРИТМИЧЕСКИЙ БАЗИС СИСТЕМЫ СИТУАЦИОННОГО УПРАВЛЕНИЯ.

3.1. База знаний прецедентов по управлению бестраншейным строительством инженерных коммуникаций.

3.2. Построение функции последствий принимаемых решений

3.3. Механизмы квазиреального времени системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом.

3.4. Алгоритм формирования решений по выбору стратегии управления.

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ И ОЦЕНКА

ЭФФЕКТИВНОСТИ СИСТЕМЫ СИТУАЦИОННОГО

УПРАВЛЕНИЯ В СОЗДАНИИ ИНЖЕНЕРНЫХ

КОММУНИКАЦИЙ БЕСТРАНШЕЙНЫМ СПОСОБОМ.

4.1. Процедуры обработки входных данных на основе параметров адаптации системы ситуационного управления.

4.2. Оценка точности и адекватности управляющих воздействий системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом.

4.3. Оценка эффективности моделей и алгоритмов системы ситуационного управления в создании инженерных коммуникаций • бестраншейным способом.

Введение диссертации (часть автореферата) на тему «Ситуационное управление в создании инженерных коммуникаций бестраншейным способом на основе нечетких адаптивных моделей»

В настоящее время технологии создания инженерных коммуникаций бестраншейным способом интенсивно развиваются и имеют широкую сферу применения. Данные технологии позволяют достигать высокую точность реализации проектных решений, возрастают длина и диаметр коммуникаций, имеют сравнительно невысокую стоимость. Технологии отличаются также рядом других преимуществ, что обеспечивает их массовое применение в создании инженерных сетей.

Применение новых технологий в создании инженерных коммуникаций бестраншейным способом вызывает необходимость развития систем автоматизации производственных процессов и поддержки принятия решений в управлении сложным объектом [70,71]. В настоящее время существуют различные автоматизированные системы с телеметрическим измерением параметров бурения, автоматической настройкой технических устройств в соответствии с формализованной частью динамически изменяемых параметров объекта управления (ОУ) [102]. Совершенствуются также системы сбора и обработки первичных данных о состоянии ОУ. Сложность управления созданием инженерных коммуникаций бестраншейным способом связана с принятием решений в условиях неполноты информации о текущем состоянии внешней среды производственного цикла работ и технологическим риском выполнения работ. Автоматизированные системы на аппаратно-программном уровне управления обеспечивают сбор первичной информации о контролируемых параметрах ОУ в режиме реального времени, программное управление техническими устройствами при выполнении технологических операций, предоставление данных о возникающих отклонениях по контролируемым параметрам ОУ для лица, принимающего решения (ЛПР).

Тщательная проработка проекта на создание инженерных коммуникаций бестраншейным способом с применением автоматизированной телеметрической системы обеспечивает снижение неопределенности в принятии решений, но фактор неполноты информации о текущем состоянии внешней среды производственного цикла работ остается и приводит к изменению проектных решений в ходе выполнения работ. Точность геолого-геофизических материалов, представленных в проекте, по определению не может быть достаточной в связи с объективными причинами [67]. Это связано с неоднородностью подземных пластов, изменением структуры грунта по мере прокладки коммуникаций, наличием скальных пород между пробными скважинами, неустойчивой структурой грунта, наличием мерзлоты, быстро затвердевающими породами, разрывами или разломами, наличием естественных трещин, усложняющих структуру пласта, и др. Поэтому в ходе выполнения технологического цикла работ возникают нештатные ситуации, которые не предусмотрены в проекте. Кроме того, даже при наличии оперативных данных о состоянии ОУ, полученных в процессе выполнения работ, остается неопределенность и высокая степень риска в принятии неэффективных решений, что связано со значительными непроизводственными затратами. Таким образом, для повышения эффективности применения новых технологий в создании инженерных коммуникаций бестраншейным способом требуется автоматизация управления технологическим циклом работ не только на уровне программного управления, необходима также информационная и интеллектуальная поддержка принятия решений при возникновении нештатных ситуаций.

Применение подхода ситуационного управления сложным объектом позволяет повысить уровень формализации процедур принятия решений за счет классификации возникающих ситуаций и выбора способов их обработки на основе экспертных знаний и применения формальных методов [69-71]. Применение алгоритмических и математических моделей в системе ситуационного управления повышает точность распознавания текущих ситуаций, оценки времени на их обработку в соответствии с нормативными данными по выполнению операций, формирование решений по выполнению нового технологического цикла работ на основе базы знаний. Возможность обучения автоматизированной системы создает предпосылки для повышения точности принимаемых решений в текущих ситуациях, что способствует снижению непроизводственных затрат на выполнение последующих циклов работ.

В работе [8] рассматривается задача построения автоматизированной системы реального времени, реализующей перенос функций диспетчера по анализу данных, прогнозированию ситуаций и принятию соответствующих решений на компоненты интеллектуальных систем поддержки принятия и исполнения решений. Концепция системы поддержки принятия и исполнения решений включает целый ряд средств, объединенных общей целью -способствовать принятию и реализации рациональных и эффективных управленческих решений. Это диалоговая автоматизированная система, выступающая в качестве интеллектуального посредника, поддерживающего естественно-языковый интерфейс пользователя со SCADA-системой, и использующая правила принятия решений и соответствующие модели с базами знаний. Она организует интуитивно понятный диалог SCADA-системы с пользователем, обеспечивает информационную поддержку по этапам анализа данных, распознавания и прогнозирования ситуаций, анализирует текущие значения параметров технологического процесса, помогает выбрать наилучшие решения в зависимости от возникшей ситуации, реализует их путем выдачи управляющих воздействий, корректируя тем самым ход технологического процесса и оптимизируя его параметры по заданному критерию.

Основными структурными составляющими такого типа системы являются база знаний и механизм логического вывода. База знаний предназначена для хранения совокупности фактов, закономерностей, отношений (знаний), описывающих проблемную область, и правил, описывающих целесообразные формы структурирования, формализации и преобразования знаний в этой области. Механизм логического вывода представляет собой совокупность способов применения правил вывода. Используя текущие или промежуточные исходные данные (факты) и знания из базы знаний, формирует последовательность правил, которые, будучи применены к исходным данным (фактам), полученным от SCADA-системы в результате контроля состояния технологического процесса, приводят к решению конкретной задачи диагностики, прогнозирования и регулирования параметров технологического процесса. Приводится пример внедрения системы для задач построения автоматизированной системы электрохимической защиты магистральных газопроводов. Таким образом, в этой работе используется информационная технология экспертных систем.

В качестве другого аналога разработанной системы рассматривается параметрическая система обнаружения утечек на магистральных трубопроводах LeakSPY [102]. Система кроме типовых модулей АСУ включает:

• модуль динамической математической модели нефтепровода, который представляет собой динамическую математическую модель нефтепровода, функционирующую в реальном масштабе времени. Расчеты проводятся на основе полученной измерительной информации и используются алгоритмами диагностики для принятия решения;

• модуль принятия решений (экспертная подсистема), который обеспечивает анализ данных о технологическом процессе и формирование диагнозов модуля диагностики и принятие окончательного диагноза.

В данной работе используется также информационная технология экспертных систем.

В существующих автоматизированных системах, применяемых для управления созданием инженерных коммуникаций бестраншейным способом в условиях динамического изменения ситуаций и неполноты информации о внешней среде производственного цикла работ, предоставляется информация о текущих значениях ОУ, на основе которой ЛПР должен распознать нештатную ситуацию, оценить ее обработку по времени и ресурсным затратам, выработать решение самостоятельно или коллегиально за допустимое время. Кроме этого, если принято ошибочное решение, необходимо вернуться к устойчивой ситуации с учетом выполненных необратимых операций и вновь произвести анализ и оценку управляющего воздействия. Сложность принятия решений в нештатных ситуациях также связана с детерминированностью времени технологического цикла выполняемых операций. Возникает комбинаторная задача принятия решений значительной размерности с ограничением времени в условиях неполноты информации. Для принятия эффективных решений необходимо обеспечить интеллектуальную поддержку по распознаванию возникающих ситуаций, оценке времени выполняемых операций, определению функции последствий от принятых решений.

В связи с изложенным актуальным является разработка автоматизированной системы ситуационного управления процессом создания инженерных коммуникаций бестраншейным способом для информационной и интеллектуальной поддержки принятия решений в условиях динамического изменения ситуаций, неполноты информации и ограниченных временных ресурсов.

В работе решается научная задача создания адаптивной модели ситуационного управления в режиме квазиреального времени и алгоритмов обучения автоматизированной системы поддержки принятия решений в условиях неполноты информации.

Целью работы является решение научной задачи построения системы ситуационного управления процессом создания инженерных коммуникаций бестраншейным способом, обеспечивающей поддержку принятия решений в режиме квазиреального времени на основе нечетких адаптивных моделей.

Поставленной целью определяются следующие задачи исследования: построить иерархическую классификационную схему ситуаций для формирования управляющих воздействий по контурам управления автоматизированной системы в условиях неполноты информации о внешней среде производственного цикла работ в ходе их выполнения; определить множества гетерогенных классификационных признаков и процедур обработки знаний и фаззификации с учетом точности и формы представления исходных данных; построить базу знаний системы ситуационного управления для формирования адаптивного дерева принятия решений при наличии временных ограничений на выполнение производственных операций; разработать функциональную модель ситуационного управления процессом создания инженерных коммуникаций бестраншейным способом, которая позволяет реализовать алгоритмы поддержки принятия решений в режиме квазиреального времени; произвести оценку эффективности автоматизированной системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом на основе нечетких адаптивных моделей.

На защиту выносятся:

1. Функциональная модель обработки знаний на множестве гетерогенных классификационных признаков, включающая механизмы обобщения данных;

2. Объектная модель базы знаний ситуационного управления с поддержкой механизмов квазиреального времени;

3. Информационная модель нечеткого логического вывода по распознаванию ситуаций на основе нечетких адаптивных функций принадлежности в условиях неполноты данных и нелинейности функциональной модели ситуаций;

4. Алгоритм для распознавания ситуаций на основе комбинационной схемы ассоциативной памяти и нечетких множеств, формирования управляющих воздействий в режиме квазиреального времени;

5. Структурная модель системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом с адаптацией алгоритмических механизмов квазиреального времени.

Полученные в работе модели и алгоритмы определяют методологический базис построения автоматизированной системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом, обеспечивающей распознавание ситуаций в условиях неполноты информации о текущем состоянии ОУ и поддержку принятия решений в режиме квазиреального времени с динамической настройкой алгоритмической модели между сокращением времени формирования решения и снижением неопределенности знаний о внешней среде производственного цикла работ.

Научная новизна полученных результатов определяется следующим.

1. Построена функциональная модель обработки ситуаций на множестве гетерогенных классификационных признаков, которая обеспечивает адаптивный выбор контура управления автоматизированной системы в соответствии с иерархической классификационной схемой ситуаций в условиях неполноты информации и взаимной корреляции входных данных о текущем состоянии ОУ.

2. Объектная модель базы знаний системы ситуационного управления включает методы реализации механизмов квазиреального времени в алгоритмах принятия решений и схемы транзакций реального времени.

3. Информационная модель нечеткого логического вывода по распознаванию ситуаций адаптирована к структуре данных ситуационного управления в создании инженерных коммуникаций бестраншейным способом на основе нечетких адаптивных функций принадлежности.

4. Предложен многоконтурный алгоритм для распознавания ситуаций на основе комбинационной схемы ассоциативной памяти и нечетких множеств, который позволяет построить единую схему временного планирования производственных операций и обеспечивает реализацию управляющих воздействий в режиме квазиреального времени с учетом оценки резерва времени и результатов прогнозирования по возникновению новых ситуаций.

5. Разработана структурная модель системы ситуационного управления, которая обеспечивает взаимодействие алгоритмических механизмов квазиреального времени и процедур принятия решений на основе объектной базы знаний и реализацию алгоритмов на основе технологии открытых систем.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Сорокин, Дмитрий Николаевич

Основные выводы

1. Предложен подход ситуационного управления в создании инженерных коммуникаций бестраншейным способом, который позволяет повысить уровень формализации процесса принятия решений и применить формальные методы для моделирования управляющей деятельности специалистов в нештатных ситуациях.

2. Построена функциональная модель обработки знаний, определяющая правила обобщения разнородных признаков для распознавания ситуаций по уровням дерева решений, правила построения процедур принятия решений.

3. Создана адаптивная ситуационная модель управления в создании инженерных коммуникаций бестраншейным способом, обеспечивающая обучение базы знаний прецедентов по результатам завершенных транзакций и возврата к ситуациям с устойчивым состоянием.

4. Построена алгоритмическая модель для распознавания ситуаций и определения приоритета обработки нормальных, критических и аварийных ситуаций с учетом текущего состояния ОУ.

5. Разработан алгоритм принятия решений по выбору стратегии управления, обеспечивающий детерминированность времени обработки текущей ситуации и формирование упреждающей реакции на возникновение критических и аварийных ситуаций.

6. Предложена функциональная модель автоматизированной системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом, обеспечивающая взаимодействие алгоритмических механизмов квазиреального времени для получения дополнительной информации-"' в контуре адаптивного управления и динамического определения временных точек синхронизации принятия решений.

7. Проведена оценка эффективности моделей и алгоритмов системы ситуационного управления в создании инженерных коммуникаций бестраншейным способом. Число типовых ситуаций для обработки в автоматическом режиме достигает до 70% от общего числа ситуаций по мере обучения системы. Точность принимаемых решений в нештатных ситуациях в условиях функционирования системы ситуационного управления повышается более чем в 2 раза. Недетерминированность времени принятия решений, выраженная в количестве сверхнормативных задержек обработки ситуаций, снижается более чем в 5 раз.

Список литературы диссертационного исследования кандидат технических наук Сорокин, Дмитрий Николаевич, 2009 год

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

2. Айвазян С.А., Бежаева З.И., Староверов О.В Классификация многомерных наблюдений. -М.: Статистика, 1974.- 240 с.

3. Арнольд В.И О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Математическое просвещение, № 19, С. 41-61.

4. Асаи К., Ватада Д. и др. Прикладные нечеткие системы / Под ред. Т. Тэрано, К. Асаи, М. Сугэно. -М.: Мир, 1993. 368 с.

5. Батыршин И.З., Недосекин А.А., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г. Теория и практика нечетких гибридных систем /Под ред. Н.Г. Ярушкиной. М.: Физматлит, 2006.

6. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации // Препринт ИФ СО АН СССР, Красноярск, 1986. № 59Б, 20 с.

7. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. - С. 172-215.

8. Береза А.С., Прохоров В.П. Концепция развития функций SCADA-системы TRACE MODE на основе технологии экспертных систем принятия и исполнения решений. М. «Информатизация и системы управления в промышленности», № 1(5), 2005.

9. БорисовА. Н., Алексеев А. В., Меркурьева Г. В. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. 304 с.

10. Борисов В.В., Бычков И.А. и др. Компьютерная поддержка сложных организационно-технических систем. М.: Горячая линия — Телеком, 2002.

11. Борисов В.В., Федулов А.С. Обобщенные нечеткие когнитивные карты // Нейрокомпьютеры, 2004. №4 С. 3-21.

12. Борисов В.В:, Федулов А.С. Нечеткие продукционные модели и системы. Смоленск ВПВО ВС РФ, 2005.

13. Борисов В. В., Круглов В. В., Федулов А. С. Нечеткие модели и сети. -М.: Горячая Линия Телеком, 2007. -284 с.

14. Веденов А.А. Итоги науки и техники. Сер. "Физ. и Матем. модели нейронных сетей". М.: Изд-во ВИНИТИ, 1990-1992. Т. 1-5.

15. Винер Н. Кибернетика или Управление и связь в животном и машине. // Пер. с англ., 2-е изд. М.: Наука, 1968.

16. Галушкин А.И. Современные направления развития нейроком-пьютерных технологий в России // http://neurnews.iu4.bmstu.ru/primer/galosh.htm, М.: НЦН, 2000.

17. Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. М.: Эдиториал УРСС ,2001.

18. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. -М.: Мир, 1985.-509 с.

19. Горбань А.Н., Россиев Д.А Нейронные сети на персональном компьютере Новосибирск: Наука (Сиб. отделение), 1996. -276 с.

20. Горбань А.Н Обучение нейронных сетей. -М.: изд. СССР-США СП "Параграф", 1990. 160 с. (English Translation: AMSE Transaction, Scientific Siberian, A, 1993, Vol. 6. Neurocomputing, PP. 1-134).

21. Горбань А.Н. Нейроинформатика и ее приложения. Материалы 3

22. Всероссийского семинара, 6-8 октября 1995 г. Ч. 1. Красноярск: изд. КГТУ. — 1995.-229 с.

23. Горбань А.Н Проблема скрытых параметров и задачи транспонированной регрессии. Нейроинформатика и ее приложения. Тезисы докладов V Всероссийского семинара. Красноярск: изд. КГТУ, 1997.

24. Джексон, Питер. Введение в экспертные системы. /Пер. с англ.: Уч. пос. -М.: Издат. дом "Вильяме", 2001. 624 с.

25. Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблем М.: Горячая Линия Телеком, 2007.

26. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.- 512 с.

27. Дудко В. А. Динамическое моделирование ситуационного управления промышленным предприятием Тамбов, 2004. 217 с.

28. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня: Сб. статей / Пер. с англ. -М.: Знание, 1994.-С.5-49.

29. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

30. Зверев Г. Н. Оценка надежности и оптимизация качественной интерпретации // Техника и технология геофизических исследований скважин. Уфа: Изд. БашНИПИнефть, 1979. С. 145-155.

31. Иванов В.И., Парфенова М.Я., Колесников А.А., Голубов А.А. Формирование управляющих воздействий в режиме реального времени в организационно-технических системах // Наука производству.- 2004.- №10. -С. 10-15.

32. Клыков Ю.И., Горьков Л.Н. Банки данных для принятия решений. — М.: Советское радио, 1980. — 206 с.

33. Клыков Ю.И. Ситуационное управление большими системами. М.: Энергия, 1974. - 134 с.

34. Клыков Ю.И. Семиотические основы ситуационного управления. —1. М.: МИФИ, 1974.

35. Колмогоров А.Н. Теория информации и теория алгоритмов. М.: Наука, 1987.-304 с.

36. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Докл. АН СССР, Т. 108, № 2. 1956. С. 179-182.

37. Комарцова JI.H. Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений -М.: 2003.

38. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров.- М.: Наука, 1977.-832 с.

39. Колесников А.А., Сорокин Д.Н. Алгоритм распознавания типовых нештатных ситуаций в системе ситуационного управления на основе нечетких моделей // Вестник Московской академии рынка 'труда и * информационных технологий. 2007. -№ 2.- С. 5-12.

40. Кохонен Т. Ассоциативные запоминающие устройства. М.: Мир, ■■1982.

41. Круглов В.В. Сравнение алгоритмов Мамдами и Сугено в задаче аппроксимации функции // Нейрокомпьторы. -2003. -№ 5. С. 34-38.

42. Круглов В.В., Борисова В.В. Гибридные нейронные сети. Смоленск Русич, 2004.

43. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. -М.: Физматлит, 2002.

44. Ларичев О.И. Теория и методы принятия решений. -М.: Логос, 2003.- 392 с.

45. Ларичев О.И. Новое направление в теории принятия решений: вербальный анализ решений // Новости искусственного интеллекта.- 2001.-№1.-С.26-31.

46. Леонтьев А.В. Нечеткое моделирование в среде MATLAB. СПб.:1. Питер, 2003.

47. Марчук Г.И. Методы вычислительной математики. 3-е изд. -М.: Наука, 1989.

48. Мелихов А.Н., Бернштейн А.С. Ситуационные соответствующие системы с нечеткой логикой. М.: Наука, 1990.

49. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.

50. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия. М.: Финансы и статистика, 1982.- 239 с.

51. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. -М.: Горячая Линия Телеком, 2008.-392 с.

52. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. М.: Наука, 1986. - 386 с.

53. Назаров А.В. Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Питер, 2003.

54. Нечеткие множества в системах управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986.

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

56. Поспелов Д.А. Принципы ситуационного управления // Изв. АН СССР. Техническая кибернетика. 1971. - № 2. - С. 10-17.

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

58. Поспелов Д.А. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник М.: Радио и связь, 1990.- 304 с.

59. Поспелов Г.С. Системный анализ и искусственный интеллект.-М.: Изд.-во АН СССР, 1980.

60. Поспелов Г.С. Искусственный интеллект-основа новой информационной технологии. -М.: Наука, 1988.

61. Поспелов Г.С., Поспелов Д.А. Искусственный интеллектприкладные системы. М.: Знание, 1985.

62. Программный набор FactorySuite. Интернет ресурс http ://global. wonderware .com.

63. Д. Рутковская, М. Пилиньский, JI. Рутковский Нейронные сети, генетические алгоритмы и нечеткие системы Горячая Линия Телеком, 2007. -450 с.

64. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Изд-во Горячая Линия — Телеком, 2008.

65. Саати Т., Керне К. Аналитическое планирование. Организация систем. М.: Радио и связь, 1991. — 224 с.

66. Саати Т. Принятие решений. Метод анализа иерархий / Пер. с англ.-М.: Радио и связь, 1993.-320 с.

67. Симанков B.C., Бучацкий П.Ю., Шопин А.В. Методология моделирования физических процессов в энергетических комплексах с нетрадиционными источниками энергии и оптимизация их параметров // Труды ФОРА. 1998. №3. -С. 18-26.

68. Сорокин Д.Н. Подход ситуационного управления дискретно-непрерывным производственным процессом // Вестник Московской академии рынка труда и информационных технологий. 2006. -№ 25 (47).- С. 105-108.

69. Сорокин Д.Н. Функциональность контура ситуационного управления при детерминированности времени принятия решений // Вестник Московской академии рынка труда и информационных технологий. 2007. -№ 3.- С. 37-40.

70. Сорокин Д.Н., Сараджев В.И. Ситуационное управление в строительстве трубопроводов с применением базы продукционных правил ипрецедентов // Динамика неоднородных систем /Под редакцией Ю.С. Попова. Т. 32(1). М.: Издательство ЛКИ, 2008. -С. 271-275.

71. Стюарт Рассел, Питер Норвиг Искусственный интеллект: современный подход (Artificial Intelligence: A Modern Approach). Вильяме, 2006. 1424 с.

72. Судариков В.А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер. 1992. -№ 3,4. С. 13-20.

73. Сухомлин В.А. Введение в анализ информационных технологий. -М.: Горячая линия-Телеком, 2003.

74. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. 2 изд. М.: Наука, 1979.

75. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. -М.: Мир, 1989. 440 с.

76. Ульман. Дж. Основы систем баз данных. Финансы и статистика, Москва, 1983.

77. Уоссермэн Ф. Нейрокомпьютерная техника М. Мир, 1992.

78. Федулов А.С. Нечеткие реляционные и когнитивные карты М. Изд. РАН 2005. № 1 с. 120-132.

79. Филиппович А.Ю. Интеграция систем ситуационного, имитационного и экспертного моделирования. — М.: Изд-во "ООО Эликс+", 2003.-300 с.

80. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989.- 272 с.

81. Фролов А.А., Муравьев И.П. Нейронные модели ассоциативной памяти. -М.: Наука, 1987.- 160 с.

82. Химмельблау Д. Прикладное нелинейное программирование. М.: Мир, 1975.-534 с.

83. Шенфилд Дж. Математическая логика М.: Наука, 1975. -528 с.

84. Шефер X. Топологические векторные пространства. -М.: Мир, 1971.- 360 с.

85. Экель П. Я., Попов В. А. Учет фактора неопределенности в задачах моделирования и оптимизации // Изв. АН СССР. Энергетика и транспорт. 1985, №2.

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

87. Яхъяева Г.Э. Нечеткие множества и нейронные сети. М.: Бином 2008.- 316 с.

88. IEC 1131-3 (Языки программирования ПЛК) в вопросах и ответах,1997.

89. Anguita D., Ridella S., Rovetta S Limiting the effects of weight errors in feed forward networks using interval arithmeticProceedings of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3-6, 1996. -Vol.1.-P. 414-417. ;

90. Aynsley M., Hofland A., Morris A.J. et alArtificial intelligence and the supervision of bioprocesses (real-time knowledge-based systems and neural networks)Adv. Biochem. Eng. Biotechnol.- 1993.- N.48.- P. 1-27.

91. Azer Bestavros, Kwei-Jay Lin, and Sang Hyuk Son. Real-Time Database Systems: Issues and Applications. Kluwer Academic Publishers, 1997.

92. Bellman R.E., Zadeh L.A. Decision-Making in Fuzzy Environment // Management Science, vol. 17. 1970. - №4. - P. 141 — 160.

93. Fu H.C., Shann J.JA fuzzy neural network for knowledge learninglnt. J. Neural Syst.- 1994.- V.5, N.l.- P.13-22.

94. Kohonen T. Self-Organizing Maps Springer, 1995.

95. Korver M., Lucas PJ. Converting a rule-based expert system into a belief networkMed. Inf. Lond.- 1993.- V.18, N.3.- P.219-241.

96. Levine D.S., Parks R.W., Prueitt P.S Methodological and theoretical issues in neural network models of frontal cognitive functionslnt. J. Neurosci.-1993.- V.72, N.3-4.- P.209-233.

97. Lee H.-L., Suzuki S., Adachi Y. et alFuzzy Theory in Traditional

98. Chinese Pulse DiagnosisProceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993.- Nagoya, 1993.- V.I.-P.774-777.

99. Pospelov D.A. Situation Control, an Overview//Proceedings of Workshop on Russian Situation Control and Cybernetic/Semiotic Modeling, March 22-29, 1995, Columbus (O), USA (Ed.: R.J. Strohl), Publ. by the Battelle, Columbus, 1996, 182 p., pp. 7-37.

100. Pospelov D.A. SEMIOTIC MODELS IN ARTIFICIAL INTELLIGENCE PROBLEMS // Computing Center USSR Academy of Sciences Moscow 117535, USSR.

101. Интернет ресурс: www.energoavtomatika.com, 2006.