Разработка методов и алгоритмов мультиагентного поиска релевантной информации в информационных средах гипертекстовой организации тема диссертации и автореферата по ВАК РФ 05.13.16, кандидат технических наук Кононенко, Роман Николаевич

  • Кононенко, Роман Николаевич
  • кандидат технических науккандидат технических наук
  • 2000, Таганрог
  • Специальность ВАК РФ05.13.16
  • Количество страниц 339
Кононенко, Роман Николаевич. Разработка методов и алгоритмов мультиагентного поиска релевантной информации в информационных средах гипертекстовой организации: дис. кандидат технических наук: 05.13.16 - Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук). Таганрог. 2000. 339 с.

Оглавление диссертации кандидат технических наук Кононенко, Роман Николаевич

ВВЕДЕНИЕ

1. АНАЛИЗ СУЩЕСТВУЮЩИХ СИСТЕМ ПОИСКА ИНФОРМАЦИИ В ГИПЕРТЕКСТОВЫХ ИНФОРМАЦИОННЫХ СРЕДАХ

1.1. Основные термины, общие показатели качества работы поисковых систем

1.2. Глобальная гипертекстовая информационная среда World Wide Web и ее основные свойства

1.3. Общее описание, задачи и основные требования к поисковым системам WWW

1.4. Общая характеристика классических поисковых систем WWW

1.5. Обзор существующих классических поисковых систем WWW

1.6. Обобщенная архитектура и недостатки классических поисковых систем

1.7. Проблемы построения поисковых систем WWW

1.8. Выводы

2. РАЗРАБОТКА МЕТОДА МУЛЬТИАГЕНТНОГО ПОИСКА И ОБЩЕГО АЛГОРИТМА РАБОТЫ МУЛЬТИАГЕНТНОЙ ПОИСКОВОЙ СИСТЕМЫ

2.1. Понятие агента, идеология мультиагентных систем

2.2. Применимость мультиагентного подхода для решения поставленной задачи

2.3. Базовые допущения об организации гипертекстовых сред при мультиагентном поиске информации

2.4. Метод мультиагентного поиска и общий алгоритм работы мультиагентной поисковой системы

2.5. Аналоги алгоритма мультиагентного поиска

2.6. Эволюционный и архитектурно-зависимый методы обучения агентов

2.7. Выводы

3. РАЗРАБОТКА МОДЕЛЕЙ ГИПЕРТЕКСТОВОЙ СРЕДЫ

3.1. Общие замечания

3.2. Классификация моделей гипертекста

3.3. Модель гипертекста с предустановленной степенью релевантности документов

3.4. Модель гипертекста с предустановленной степенью релевантности документов и прогнозированием релевантности гиперссылок

3.5. Модель гипертекста с имитацией распределения терминов в документах на основе функции релевантности

3.6. Модель гипертекста на основе распределения терминов в документах

3.7. Выводы

4. РАЗРАБОТКА АЛГОРИТМОВ МУЛЬТИАГЕНТНОГО ПОИСКА В ГИПЕРТЕКСТОВЫХ СРЕДАХ

4.1. Общие показатели эффективности поиска, классификация моделей поисковых систем

4.2. Особенности статистического анализа результатов моделирования

4.3. Модель мультиагентной поисковой системы на основе необучаемых агентов

4.3.1. Общие замечания, алгоритм работы поискового агента

4.3.2. Основные параметры моделирования

4.3.3. Анализ результатов имитационного моделирования

4.3.4. Выводы по модели

4.4. Модель мультиагентной поисковой системы с прогнозированием релевантности гиперссылок на основе необучаемых агентов

4.4.1. Общие замечания, алгоритм работы поискового агента

4.4.2. Основные параметры моделирования

4.4.3. Анализ результатов имитационного моделирования

4.4.4. Сравнение мультиагентного поиска с поиском на основе классических алгоритмов обхода графов

4.4.5. Выводы по модели

4.5. Модель мультиагентной поисковой системы на основе обучаемых нейросетевых агентов

4.5.1. Общие замечания

4.5.2. Описание архитектуры нейросетевого агента и алгоритма его работы

4.5.3. Алгоритмы обучения нейросетевых агентов

4.5.4. Анализ результатов имитационного моделирования

4.5.5. Выводы по модели

4.6. Модель мультиагентной поисковой системы с комбинированным алгоритмом обучения нейросетевых агентов

4.6.1. Общие замечания

4.6.2. Комбинированный метод обучения нейросетевого агента

4.6.3. Анализ результатов имитационного моделирования

4.6.4. Выводы по модели

4.7. Выводы

5. РАЗРАБОТКА АРХИТЕКТУРЫ МУЛЬТИАГЕНТНОЙ ПОИСКОВОЙ СИСТЕМЫ

5.1. Общие замечания

5.2. Архитектура мультиагентной поисковой системы для одномашинной реализации

5.3. Архитектура мультиагентной поисковой системы с использованием мобильных агентов

5.4. Выводы ЗАКЛЮЧЕНИЕ

Рекомендованный список диссертаций по специальности «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», 05.13.16 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка методов и алгоритмов мультиагентного поиска релевантной информации в информационных средах гипертекстовой организации»

Информация, становясь стратегическим ресурсом нового, высокотехнологичного общества, ставит перед человечеством задачу разработки принципиально новых методов своей обработки, хранения и контроля. В настоящее время не подлежит сомнению тот факт, что переход к постиндустриальному обществу 21 века неразрывно связан с развитием информационных инфраструктур, призванных эффективно решать проблемы обработки информации. В первую очередь сюда относятся компьютерные сети всех уровней и электронные хранилища данных, обеспечивающие хранение, быстрый доступ и контроль огромных массивов данных самой разнообразной природы: числовых данных, текстов, мультимедиа информации. В развитых странах практически вся актуальная служебная, технологическая и коммерческая информация уже переведена в электронную форму и хранится в бесчисленных базах данных и знаний, цифровых библиотеках различного масштаба. Из созданных к настоящему моменту хранилищ данных наиболее обширными и впечатляющими являются распределенные глобальные информационные системы (ГИС). Возникшие на базе мировой компьютерной сети Internet глобальные информационные ситемы, такие как Gopher и WWW, являют собой примеры информационных систем нового поколения. Их отличает, прежде всего, гигантский масштаб: объем хранимой в них информации огромен, содержащиеся данные включают сведения практически из всех развитых стран мира. Поистине планетарный масштаб указанных ГИС диктует некоторые принципиальные их свойства.

1. Сверхбольшой объем хранимой информации — самая популярная система Internet WWW к настоящему моменту содержит сотни миллионов единиц информации (гипертекстовых документов) /1-4/, что далеко не является пределом. Каждые 4 месяца количество информации, хранимой в этой ГИС, удваивается /1/.

2. "Спонтанный" характер возникновения — такие системы формируют свою структуру в результате действий миллионов пользователей, включающих в ГИС собственную информацию независимо друг от друга. Возникновение системы начинается, как правило, с создания небольшого ядра ограниченным количеством лиц /5,6/. Дальнейшее расширение производится независимыми пользователями, включающими в ГИС информацию по собственному усмотрению. При этом никто, в том числе и создатели ГИС, не в состоянии контролировать всю информацию, поступающую в систему. Масштабность ГИС делает невозможным полное согласование или контроль над всей хранимой в ней информации каким либо центром. Отдельные люди формируют мизерные, по сравнению со всей системой, части ГИС. Никто из них не способен 6 охватить всю систему в целом, но располагает некоторой ограниченной информацией, позволяющей локально согласовать данные с их окружением (например, директорией в Gopher или гиперссылками на ранее включенные в коллекцию документы для системы WWW). Можно сказать, что общая структура ГИС формируется как результат самоорганизации: отдельные индивидуумы-создатели ГИС создают нечто большее чем та "микроинформация", с которой они работают.

3. Сверхвысокая территориальная распределенность. Фактически, территория, покрываемая современными ГИС, включает в себя все населенные материки. Входящий в ГИС информационный ресурс (сервер), может быть расположенным в любой стране или месте земного шара.

4. Децентрализованность и распределенность. Данное свойство вытекает из вышеописанного способа возникновения и развития ГИС, а так же из факта территориальной распределенности, в силу чего является невозможным существование единого центра, полностью контролирующего всю информацию в ГИС. Структуры ГИС во многом подобны структуре и организации сети Internet, на базе которой они существуют. Работа отдельных частей системы поддерживается заинтересованными в их существовании организациями, которые в совокупности осуществляют децентрализованное управление информационными ресурсами ГИС. Если бы существовал единый центр, через который бы проходили абсолютно все запросы, и где регистрировалась бы вся поступающая информация, на него легла бы непомерная нагрузка. Такой центр должен был бы обрабатывать количество информации, соизмеримое со всеми данными, накопленными человечеством и успевать обрабатывать количество запросов, соизмеримое с численностью населения всей планеты. Кроме того, даже если бы адекватная задаче сверхмощная вычислительная система была бы создана, любые запасы ее производительности были бы исчерпаны в считанные годы вследствие экспоненциального роста глобальной сети и общего объема хранимой в ней информации /1/. В силу сказанного, распределенная структура ГИС, позволяющая распределить растущую нагрузку на соразмерно увеличивающиеся вычислительные ресурсы базовой компьютерной сети, представляется единственно возможной.

5. Нестационарность — в ГИС постоянно происходят изменения, связанные со включением новых информационных ресурсов, изменением или исключением старых. Кроме того, изменяются такие параметры, как загруженность информационных ресурсов и каналов связи. Изменения могут быть как долговременными (например, вследствие изменения физической структуры базовой глобальной вычислительной сети), так и 7 кратковременными, например, связанными с суточным изменением активности пользователей.

Обладая вышеперечисленными свойствами, ГИС являют собой пример совершенно новой глобальной информационной среды, возникшей на базе мировой компьютерной сети и включившей в себя информационные ресурсы всей планеты. Тем не менее, несмотря на успехи созданных к настоящему моменту ГИС, в особенности, системы WWW, бесспорным является то, что это лишь первый шаг на пути создания высокоэффективных глобальных информационных сред. Существующие ГИС решили только самые насущные проблемы, возникшие при появлении глобальных компьютерных сетей: проблемы объединения сверхбольшого числа разнородных информационных ресурсов в единую систему, обеспечения к ним единообразного доступа и способов использования. Теоретически, каждый пользователь Internet может, воспользовавшись той или иной ГИС, получить доступ к любому открытому ресурсу сети. Однако, громадный объем и слабая упорядоченность информации, хранимой в ГИС, порождают новую проблему: "Как найти нужный ресурс или требуемую информацию?". Те, кто имел возможность работы с ГИС, знают, что поиск требуемых данных в поистине "мировом информационном океане" напоминает поиск иголки в стоге сена. Если неизвестен точный адрес ресурса, где располагаются данные, найти их крайне тяжело, а зачастую, просто невозможно. Таким образом, возникает своего рода парадокс: пользователь системы потенциально имеет в своем распоряжении все информационное богатство глобальной информационной среды, но использовать его эффективно он не в состоянии. Следует отметить, что некоторые ГИС изначально не были рассчитаны на столь глобальное применение, которое они получили в последствии: например, изобретенная Т.Б.Ли ГИС WWW была предназначена для повышения эффективности обмена научной информацией между относительно небольшим сообществом физиков-ядерщиков. Масштабы и тематическое содержание системы должны были быть ограниченными, нахождение требуемой информации при этих условиях не было затруднительным. Однако, весьма удачная, открытая для расширения архитектура WWW позволила ей буквально за несколько лет превратиться в основную ГИС сети Internet. В результате неконтролируемого роста как общего объема содержащейся информации, так и тематического содержания хранимых сведений, данная система перестала быть способной к эффективному использованию информации в масштабах, которых сама же достигла.

Резюмируя, можно сказать, что, решив проблему объединения и обеспечения 8 доступа к огромному числу ресурсов в рамках единой информационной среды, ГИС WWW породила новую проблему — проблему эффективного использования созданного информационного богатства. В настоящий момент актуальность данной проблемы очевидна. В развитых странах, где оперативное получение и слежение за информацией в Internet для многих уже стало жизненной необходимостью, появились фирмы, специализирующиеся на поставке из Internet необходимой информации. Кроме того, уже созданы и работают автоматические поисковые системы первого поколения, такие как Altavista, Rambler, Excite, Yahoo! и другие /1/. Однако, как будет показано в работе, архитектура этих систем основана на классическом подходе, разработанном для относительно простых, локализованных информационных хранилищ данных, и не способна полностью решить возникшую проблему /2,7,8/. Слишком большой объем поисковых данных и достаточно примитивный, неадаптивный поиск по ключевым словам, производимый подобными системами, зачастую не эффективен: в ответ на введенный запрос пользователю предлагаются сотни тысяч найденных документов, лишь малая часть которых оказывается действительно релевантной (соответствующей) запросу пользователя. Таким образом, проблема эффективного нахождения информации в глобальных информационных средах по прежнему остается открытой. В связи с этим, в зарубежных научных кругах проводятся исследования и разработки систем нового поколения, призванных вести эффективный поиск и контроль за изменением в Internet полезной информации. В ход пущены едва ли не все достижения искусственного интеллекта (ИИ): нечеткие экспертные системы, нейронные сети, системы автоматического планирования, генетические алгоритмы и.т.д. Технологический багаж ИИ, с той или иной степенью успешности разрабатываемый для робототехнических систем, работающих в реальном мире, по мнению ряда ученых /9,10/, идеально подходит для построения действительно интеллектуальных программ нового поколения, действующих в глобальных информационных средах. Одним из перспективных направлений ИИ, ориентированным на построение сложных систем обработки информации, являются мультиагентные системы. К их особенностям относится децентрализованная обработка информации на основе относительно независимых информационных компонент — агентов, решающих общую задачу коллективным образом. Как будет показано в работе, основные свойства мультиагентых систем отвечают свойсвам и требованиям глобальных информационных сред, что открывает возможность построения систем, в частности поисковых, способных эффективно работать в указанных средах. 9

Настоящая диссертационная работа посвящена проблеме построения эффективных систем поиска информации в глобальных информационных средах на основе мультиагентного подхода как одного из прогрессивных направлений ИИ.

Целью настоящей диссертационной работы является разработка методов и алгоритмов интеллектуального поиска релевантной информации в сложных информационных средах гипертекстовой организации (основная ориентация сделана на ГИС WWW как наиболее развитую информационную среду Internet).

Для достижения поставленной цели в диссертации решаются следующие основные задачи:

- разработка метода интеллектуального поиска в информационных хранилищах гипертекстовой организации на основе одного из современных направлений искусственного интеллекта — мультиагентных систем;

- разработка комплекса математических и имитационных программных моделей гипертекстовой среды, алгоритмов мультиагентного поиска в гипертекстовой информационной среде;

- проведение имитационного программного моделирования, анализ полученных результатов, исследование эффективности построенных алгоритмов мультиагентного поиска релевантной информации;

- разработка общей архитектуры поискового агента и мультиагентной поисковой системы для гипертекстовой информационной среды.

Предметом исследования являются:

- мультиагентные системы на основе бионического направления ИИ;

- эволюционные алгоритмы оптимизации и адаптации интеллектуальных агентов;

- эффективность применения нейронных сетей прямого распространения в качестве интеллектуального ядра поисковых агентов.

Методы исследования.В качестве основных методов исследования использованы математические модели и имитационное компьютерное моделирование.

Научная новизна. В диссертационной работе решалась научная задача интеллектуального поиска информации в гипертекстовой информационной среде. Разработанный метод мультиагентного поиска принципиально отличается от классических методов исчерпывающего поиска, характерных для существующих поисковых систем аналогичного класса. На основе предложенного метода разработаны и исследованы новые алгоритмы, применяющие механизмы эволюционной адаптации для

10 эффективного поиска релевантной информации. Предложены эволюционный и комбинированный методы обучения поисковых агентов в мультиагентной системе, обладающие достаточной общностью и позволяющие сочетать преимущества классических и эволюционных алгоритмов обучения адаптивных структур агентов.

В процессе исследований и теоретических обобщений получены следующие новые научные результаты:

- разработан метод интеллектуального мультиагентного поиска в информационных хранилищах гипертекстовой организации;

- разработаны математические модели гипертекстовой информационной среды различного уровня детализации;

- разработан комплекс алгоритмов мультиагентного поиска информации в гипертекстовых информационных средах;

- разработаны эволюционный и комбинированный методы и алгоритмы обучения/адаптации поисковых агентов, работающие непосредственно в процессе поиска информации;

- получены результаты имитационного моделирования разработанных алгоритмов мультиагентного поиска, доказывающие эффективность предложенных алгоритмов и их преимущество перед традиционными аналогами;

- разработаны варианты архитектур агентов и поисковой системы для гипертекстовых информационных сред на основе парадигмы бионической мультиагентной системы;

- предложены дальнейшие направления совершенствования поисковых информационных систем в рамках принятого в работе мультиагентного подхода к их построению.

Положения, выносимые на защиту:

- метод интеллектуального мультиагентного поиска в информационных хранилищах гипертекстовой организации;

- комплекс алгоритмов мультиагентного поиска информации в гипертекстовых информационных средах;

- архитектура поискового агента на основе нейронной сети прямого распространения;

- комбинированный алгоритм обучения нейросетевых поисковых агентов;

- варианты архитектуры интеллектуальной поисковой системы для гипертекстовых информационных сред на основе парадигмы бионической

11 мультиагентной системы.

Практической ценностью диссертационной работы являются:

- разработанный метод интеллектуального поиска релевантной информации в гипертекстовой информационной среде, позволяющий существенно сократить объем просматриваемой при поиске информации за счет ориентации поиска в перспективных направлениях;

- реализующие предложенный метод алгоритмы мультиагентного поиска могут служить основой при построении поисковых систем нового поколения с более высокой точностью поиска, меньшей нагрузкой на сетевые ресурсы, способностью к персонализации (настройки на интересы конкретного пользователя-хозяина);

- разработанные варианты функциональных архитектур мультиагентной поисковой системы для одно- и многомашинной реализации (на основе мобильных агентов) могут служить основой при проектировании действующих поисковых систем на основе мультиагентного подхода.

- предложенные методы обучения адаптивных структур агентов могут быть использованы для оптимизации действий агентов как в рамках рассмотренной мультиагентной поисковой системы, так и в других системах, предназначенных для функционирования в сложных информационных средах.

Апробация работы. Основные результаты работы докладывались и обсуждались на Всероссийской школе-семинаре "Современные проблемы математического моделирования" (Абрау-Дюрсо, 1995); Всероссийской научно-технической конференции "Нейроинформатика-99" (Москва, 1999); Второй научно-методической конференции "Internet и современное общество" (Санкт-Петербург, 1999); VI Всероссийской конференции "Нейрокомпьютеры и их применение" (Москва, 2000).

Публикации. Результаты, полученные в работе, нашли отражение в 10 печатных работах, одна из которых была опубликована за рубежом, две — в центральной печати. Семь работ были опубликованы в сборниках научных трудов конференций, в том числе одна работа была представлена на международной конференции, пять — на всероссийских конференциях.

Структура работы. Диссертационная работа состоит из введения, пяти разделов и заключения, изложенных на 202 страницах, содержит 61 рисунок, 105 наименований библиографии и 129 страниц приложения, всего 339 страниц.

Похожие диссертационные работы по специальности «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», 05.13.16 шифр ВАК

Заключение диссертации по теме «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», Кононенко, Роман Николаевич

Основные результаты диссертационной работы заключаются в следующем.

1. Разработан метод интеллектуального мультиагентного поиска в информационных хранилищах гипертекстовой организации. Метод позволяет существенно повысить эффективность поиска в гипертекстовых информационных средах за счет ориентации поиска на наиболее перспективные области поискового информационного пространства с помощью механизмов эволюционной адаптации.

2. Разработаны математические и программные модели гипертекстовой информационной среды различного уровня детализации. Предложенные модели позволяют тестировать различные алгоритмы мультиагентного поиска, оценивать их эффективность в зависимости от параметров организации гипертекста.

3. Разработан комплекс алгоритмов мультиагентного поиска информации в гипертекстовых информационных средах. Для имитационного моделирования алгоритмов созданы их программные реализации.

4. Разработаны эволюционный и комбинированный методы и алгоритмы обучения/адаптации поисковых агентов в мультиагентной системе.

5. Получены результаты имитационного моделирования разработанных алгоритмов мультиагентного поиска, доказывающие эффективность предложенных алгоритмов и их преимущества над традиционными аналогами.

6. Получены результаты моделирования обучения адаптивных структур (нейронных сетей) агентов с помощью предложенных эволюционного и комбинированного методов и алгоритмов обучения.

7. Получены результаты, подтверждающие возможность применения нейронных сетей прямого распространения — персептронов в качестве адаптивных управляющих структур поисковых агентов.

8. Разработаны архитектуры поисковых агентов и мультиагентной ПС для гипертекстовых информационных сред на основе парадигмы бионической мультиагентной системы. Для мультиагентной ПС разработаны два варианта архитектуры, ориентированные на одно- и многомашинную реализацию.

9. Предложены дальнейшие направления совершенствования поисковых информационных систем и поисковых агентов в рамках принятого в работе мультиагентного подхода к их построению.

203

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена поставленная научная задача: разработан метод интеллектуального поиска в гипертекстовой информационной среде на основе мультиагентного подхода. Разработаны алгоритмы мультиагентного поиска информации в гипертекстовой среде, построены их математические и имитационные программные модели. Анализ результатов моделирования доказал эффективность предложенного метода и алгоритмов поиска релевантной информации. Так же было теоретически и эмпирически (на основе результатов имитационного моделирования) доказано превосходство предложенных алгоритмов над классическими аналогами. Предложенные алгоритмы обучения адаптивных структур поисковых агентов показали свою пригодность к работе в мультиагентой системе непосредственно при поиске информации. Разработанные варианты функциональных архитектур агентов и мультиагентной системы могут служить основой при проектировании действующих мультиагентных ПС нового поколения.

Список литературы диссертационного исследования кандидат технических наук Кононенко, Роман Николаевич, 2000 год

1. Gudivada V.N., Raghavan V.V. Information Retrieval on the World Wide Web //IEEE Internet Computing. — 1997. V.l. N. 5. P. 58-68.

2. Кононенко P.H. Божич В.И. Модель мультиагентной поисковой системы internet на основе нейросетевых агентов // VI Всероссийская конференция "Нейрокомпьютеры и их применение" (НКП 2000), 16 18 февраля 2000. Сборник научных трудов. — Москва, 2000.

3. Крол Эд: Все об Internet / Пер. с англ. — К.: Торгово-издательское бюро BHV,1995,— 592 е.: ил. — ISBN-5-87419-001-5.

4. Храмцов Б.П. Лабиринт Internet: Практическое руководство — М.: Электроинформ,1996. —256 с.

5. Шумский С.А., Яровой A.B., Зорин О.Л. Ассоциативный поиск текстовой информации // Научная сессия МИФИ 99. Всероссийская научно-техническая конференция "Нейроинформатика-99". Сборник научных трудов. В 3 частях. Ч.З. — М.: МИФИ, 1999. — С. 101-110.

6. O'Leary D.E. The Internet, Intranets, and the AI Renaissance // Computer. — 1997. V.30. N. 1. P. 71-78.

7. Hendler J.A, Guest Editors Introduction:Intelligent Agents:Where AI Meets Information Technology // IEEE Expert Intelligent Systems and Their Applications. :— 1996. V.U.2041. N. 6. P. 20-24.

8. Дейт К. Дж. Введение в системы баз данных / Пер. с англ.— 6-е изд.—К.: Диалектика, 1998. — 784 е.: ил.

9. Stone P. Veloso М. Multiagent Systems: A Survey from the Machine Learning Perspective // Under review for journal publication. — Pittsburgh (PA): Carnegie Mellon University. Computer Science Department, 1997. — 40 p.

10. Де Во Дебора. Распределенные агенты SRI обеспечивают гибкость // Международный компьютерный еженедельник Computerworld (Россия). — 1997. V.69. N. 4. Р. 43.

11. Kotz D., Gray R., Nog S., Rus D., Chawla S., Gubenko G. Agent TCL:Targeting the Needs of Mobile Computers // IEEE Internet Computing.— 1997. V.l, N. 4. P. 58-67.

12. Симкин С. Бартлет H., Алекс JI. Программирование на Java. Путеводитель / Пер. с англ. — К.: НИПФ "ДиаСофт Лтд.", 1996. — 736 с.

13. Watson М. Intelligent Java Applications for the Internet and Intranets — San Francisco (CA): Morgan Kaufman, 1997.

14. Lesser V. R. Multiagent Systems: An Emerging Subdiscipline of AI // ACM Computing Surveys. — 1995. V.27. September. P. 340-342

15. Трахтенгерц Э.А. Взаимодействие агентов в многоагентных средах // Автоматика и телемеханика. — 1998. N. 8. — М.: Наука, 1998. — С.3-52.

16. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы // Новости искусственного интеллекта.— 1996. N.1.C.1-8.

17. Larson R Bibliometrics of the World Wide Web: An Exploratory Analysis of the Intellectual Structure of Cyberspace // Proceedings 1996 Annual ASIS Meeting, 1996.

18. Ray T. S. Artificial Life II // Proc. of the Santa Fe Institute Studies in the Sciences of Complexity V. X., / C.Langton et al. eds.: Addison-Wesley, 1992,— 331 p.

19. Menczer F., Belew R.K. Latent Energy Environments // Adapting Individuals in Evolving Populations: Models and Algorithms / ed. by R.K. Belew, M. Mitchell. — Reading (MA): Addison Wesley, 1996. — (SFI Studies in the Sciences of Complexity; V. ХХ1П).

20. Menczer F., Belew R.K. Latent Energy Environments: A Tool for Artificial Life Simulations : Technical Report. — CS93-301. —- San Diego (CA): University of California, 1993. — 13 p.

21. Brown C.T. An Introduction to Avida, an Auto-Adaptive Genetic System : SURF105technical report. — Caltech, 1993.

22. Back T. et al. A Survey of Evolution Strategies // Proc. Int. Conf. Genetic Algorithms, San Diego: Morgan Kaufmann Publishers, 1991. — P. 2-9.

23. Back Т., Fogel D.B. and Michalewuz Z. Handbook of Evolutionary Computation — New York: Oxford University Press, 1997.

24. Fogel D. B. An Introduction to Simulated Evolutionary Optimization // IEEE Transactions on Neural Networks. — 1994. V. 5. N. 1.

25. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductionary Analysis With Application to Biology, Control and Artificial Intelligence. University of Michigan, 1975, —211 p.

26. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. —1. Addison Wesley, 1989.

27. Топчий А.П. Применение моделирования генетической эволюции для обучения искусственных нейронных сетей. // Математическое моделирование / Под.ред. А.А.Самарского. — 1997. Том 9. N.2. — М.:Институт математического моделирования РАН. — С. 85-87.

28. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. — Cambridge (Mass.): MIT Press, 1992.

29. Starkweather Т., Whitley D., Mathias K. Optimization using Distributed Genetic Algorithms // Parallel Problem Solving from Nature / H.-P Schwefel., R. Manner — Berlin: Springer-Verlag Berlin, 1990. — P. 176-185.

30. Muhlenbein H., Schomisch M. Born J. The Parallel Genetic Algorithm as Function Optimizer// Parallel Computing. — 1991. V. 17. P. 498-516.

31. Soft Computing: Fuzzy Logic Neural Networks, and Distributed Artificial Intelligence / Eds. F. Aminzadeh, M. Jamshildi. — Englewood Cliffs: PTR Prentice Hall,1994 — 3011. P

32. Заде Л. Понятие лингвистической переменной и ее применения к принятию приближенных решений / Пер. с англ.; Под ред. Н.Н. Моисеева, С.А. Орловского1. М.:Мир, 1976. —166 с.206

33. Frakes W.B., Baeza-Yates R. Information Retrieval: Data Structures and Algorithms. — EngleWood Cliffs, N.J.: Prentice Hall, 1992.

34. Raghavan V., Wong S.K.M. A Critical Analysis of Vector Space Model for Information Retrieval // J. Am. Soc. Information Science. — 1986. V. 37. N.5. P. 279-287.

35. Harman D. Relevance Feedback Revisited // Proc. 15-th Ann. Int'l ACM SIGIR Conf. — New York: ACM Press, 1992. — P. 1-10.

36. Gloub G., Van Loan C. Matrix Computations. — 2d ed. — Baltimore, Maryland: Jouhn Hopkings, 1989.

37. Deerwester S., Dumais S., Furnas G., Landauer Т., Harsman R. Indexing by Latent Semantic Analysis // Journal of the American Society for Information Science. — 1990. V. 41. N. 6. P.391- 407.

38. Dumais S. Improving the Retrieval of Information from External Sources // Behavior Research Methods, Instruments and Computers. — 1991. V. 23. N. 2. P. 229-236.

39. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере / Под ред. В.Э. Фигурнова. — М.:ИНФРА-М, 1998.— 528 е.: ил.

40. Вентцель Е.С. Теория вероятностей. — М.: Наука, 1964. — 576 е.: ил.

41. Курейчик В.М. Методы генетического поиска: Учебное пособие, часть 1. — Таганрог: ТРТУ, 1988. — 118 с.

42. Joze L. Filho R., Treleaven P. Genetic-Algorithm Programming Environments // Proceedings of IEEE. — 1994. N. 1.

43. Unemi Т., Nagayoshi M. Evolution of Learning Robot Team via Local Mathing Strategy // In Proc. of Fourth European Conference on Artificial Life, Poster Session. — Brighton, UK, 1997.

44. Абияка А.А., Божич В.И., Кононенко Р.Н. Самоорганизующаяся коммуникация в мультиагентной системе с нейросетевым управлением // Известия Академии Наук.201

45. Теория и системы управления. — 1999. — N. 5. — С.135-138.

46. McLurkin J. Using Cooperative Robots for Explosive Ordnance Disposal / MIT Artificial Intelligence laboratory.— Cambridge (MA), 1997.

47. Касами Т., Такура H., Иварди Е. Теория кодирования. — М.:Мир, 1978.

48. Кононенко Р.Н., Лебедько О.А. Моделирование последовательных алгоритмов декодирования сверточных кодов // IV Всероссийская научная конференция студентов и аспирантов. Тезисы докладов. 8-9 октября. — Таганрог: изд-во ТРТУ, 1998. —С. 340.

49. Нильсон Н. Принципы искусственного интеллекта / Пер.с анг.— М.:Радио и связь,1985. — 376 е.: ил.

50. Лорьер Ж.-Л.Системы искусственного интеллекта / Пер. с франц. — М.:Мир, 1991.—568 с.: ил.

51. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры. — Таганрог: изд-во ТРТУ, 1997. — 273 с.

52. Ежов А.А. Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе,— М.: МИФИ, 1998. — 224с.

53. Zadeh L.A. Fuzzy Sets // Information and Control. — 1965. V. 8. P. 338-353.

54. К.Асаи, Д.Ватада, С.Иваи и др. Прикладные нечеткие системы / Пер. с япон.; Под. Ред. Т. Тэрано, К.Асаи, М.Сугэно. — М.:Мир, 1993.—368 е.: ил.

55. Minsky М., Papert S. Perceptrons. — Cambridge (MA): MIT Press, 1969.

56. Вассерман Ф. Нейрокомпьютерная техника. — M.: Мир, 1992.

57. А.Н.Горбань. Обучение нейронных сетей. — М.: СП Параграф, 1990.

58. Topchy А.Р., Miagkih V.V., Kononenko R.N., Melihov A.N. Adaptive Genetic Search for Optimization of Fuzzy and Neuro-Fuzzy Systems // Proceedings of the Evolutionary Computations and Algorithms Conference (EvCA-96). — 1996. — P. 245-253.208

59. Jang J.-S., Sun C.-T. Neuro-Fuzzy Modeling and Control // In Proc. of the IEEE. — 1995. V. 83. N. 3. P. 378-406.

60. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis With a Fuzzy Logic Controller // Int. J. Man-Machine Studies. — 1975. V. 7. N. 1. P. 11-13.

61. Varsek A., Urbancic Т., Filipic B. Genetic Algorithms in Controller Design and Tuning // IEEE Trans, on SMC. — 1993. V. 23. N. 5.

62. Thrif P., Fuzzy Logic Synthesis with Genetic Algorithms // In Proc. of the 4-th Int. Conf. on Genetic Algorithms. — San Diego. USA., 1991.

63. Karr C.L., Stanley D.A. Fuzzy Logic and Genetic Algorithms in Time-Varying Control Problems // In Proc. of the NAPFIS-91. — 1991. — P. 285-290.

64. IEEE Internet Computing.— 1998. V.2.N.I.

65. Kiniry J., Zimmelman D. Special Feature: A Hands-On Look at Java Mobil Agents // IEEE Internet Computing. — 1997, V. 1. N. 4. P. 21-33.

66. Гульев И. Создаем вирус и антивирус / Гульев И. — М.: ДМК, 1999. — 304 с.:ил.

67. Армстронг Т. Active X: создание Web приложений / Пер.с англ.—К.: Издательская группа BHV, 1998. — 592 с.

68. Salton G. Automatic Text Processing. — Reading (MA): Addison-Wesley, 1989.

69. Jung.G.S., Raghavan Y.V. Connectionist Learning in Constructing Thesaurus-like Knowledge Structure // Working Notes of AAAI Symp. on Text-Based Intelligence Systems, March 1990. — Palo Alto (CA),1990.— P. 123 127.

70. Мелихов A.H., Берштейн JI.C. Конечные четкие и расплывчатые множества. 42. Учебное пособие. — Таганрог: ТРТИ, 1981.

71. Shannon С.Е. Prediction and Entropy in Printed English // Bell Systems J. — 1951. V. 30. N. l.P. 50-65.

72. Robertson S.E. Spark-Jones K. Relevance Weighting of Search Terms // J. Am. Soc. of Information Sciences. — 1976. — P.129 146.

73. Хант Э. Искусственный интеллект / Пер. с англ. — М.: Мир, 1978. — 558 с.

74. Виннер Н. Кибернетика, или управление и связь в животном и машине. — 2-е. изд.1. М.: Наука, 1983. — 338 с.

75. Реальность и прогнозы искусственного интеллекта / Пер. с англ. — М.:Мир, 1987.247 с.

76. McCalloh W.S., Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity // Bulletin of Math. Bio. — 1943. V.5. P. 115-133.20?

77. Bishop C.M. Neural Networks and Pattern Recognition. — Oxford Press, 1988.

78. Hunt K.J., Sbarbao D., Zbikovski R., Gawthrop P.J. Neural Networks for Control Systems: A Survey // Automatica. — 1992. V.28. P. 1083 1112.

79. Ожегов С.И. Словарь русского языка — изд. 9-е, исправ. и допол. /Под ред. Шведовой. — М.: "Советская энциклопедия", 1972.

80. Petrie С. Agent-Based Engineering, the Web and Intelligence // IEEE Expert Intelligent Systems and Their Applications. — 1996. V.l 1. N. 6. P. 24-30.

81. Maes P. Agents That Reduce Work and Information Overload // Comm. ACM. — 1994. V.37. N. 7.

82. Maes P. Modeling Adaptive Autonomous Agents // Artificial Life J. / ed. by N.Langton. — 1994. V.l, N. 1,2. —New York : MIT Press, 1994. — P. 135-162.

83. Minsky M. The Society of Mind. — New York: Simon and Schuster, 1986.

84. Interview with Pattie Maes:Humanizng the Global Computer // IEEE Internet Computing. —1997. V. 1. N.4.P.10-20.

85. Sen S., Secaran M., Hale J. Learning to Coordinate Without Sharing Information // Proc. of National Conference on Artificial Intelligence. —1994. — P. 426 431.

86. Bond A. H., Gasser L. Readings in Distributed Artificial Intelligence. — San Mateo (CA): Morgan Kaufmann, 1988.

87. Genesereth M., Fikes R. et. al. Knowledge Interchange Format, Version 3.0 reference manual : Technical report / Stanford University. Computer Science Department. — Stanford, 1992.

88. Labrou Y. and Finin Т., A Semantics Approach For KQML — A General Purpose Communication Language for Software Agents // In Proc. of 3d Int. Conf. on Information and Knowledge Management, Nov. 1994. — 1994.

89. Crites R:H. Large Scale Dynamic Optimization Using Teams of Reinforcement Learning Agents: PhD Thesis. — University of Amherst. Comp. Sc. Department, 1996. — 104 p.

90. Поспелов Д.А. Вероятностные автоматы. — M.: Энергия, 1970. — 88с. :ил.

91. Etzioni О. Moving up the Information Food Chain:Deploing Softbots on the World Wide Web //AI Magazine. — 1997. V. 18. N. 2. P. 11-18.

92. Seiberg E., Etzioni O. The METACRAWLER Architecture for Resource Aggregation on the Web // IEEE Expert. — 1997. V. 1. N. 12. P. 8 14.

93. Etzioni O., Henks O., Weld D., Draper D., Lesh N., Williamson M. An Approach to Planning with Incomplete Information // In Proceedings of The Third International210

94. Conference on Principles of Knowledge Representation and Reasoning. — San Francisco (CA): Morgan Kaufmann, 1992. — P.l 15 -125.

95. Shakes J., Langheinrich M., Etzioni O. AHOY! The Home Page Finder // In Proceedings of the Sixth International World Wide Web Conference,?-11 April. — Santa Clara (CA), 1997.

96. Doorenbos R., Etzioni O., Weld D. A Scaleable Comparison-Shopping Agent for the World Wide Web // In Proceedings of Autonomous Agents. —New York: Association of Computing Machinery, 1997.— P.39 -48.

97. Hove A.E., Dreilinger D., A Description of Metasearch Engine That Learns Which Engine to Query // AI Magazine. — 1997. V. 18. N. 2. P. 11 -18.

98. Hedberg S. Agents for Sale: First Wave of Intelligent Agents go commercial // IEEE Expert Intelligent Systems and Their Applications. — 1996. V. 11. N. 6. P. 16 19.

99. Shardan U., Maes P. Social Information Filtering: Algorithms for Automating 'Word of Mouth' // Proc. CHI-95 Conf. — New York: ACM Press, May 1995.211

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