Исследование и разработка методов планирования поведения интеллектуальных агентов в обучающих системах тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Лазырин, Максим Борисович

• Лазырин, Максим Борисович
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Лазырин, Максим Борисович

ВВЕДЕНИЕ.

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К РАЗРАБОТКЕ ОБУЧАЮЩИХ СИСТЕМ.

1.1 ис1юльзова! 1ие ж1ф0рмлци01ii1ых технологий для подготовки специалистов.

1.1.1 Основные направления подготовки с использованием информационных технологий.

1.1.2 Компьютерные системы обучения./ /

1.1.3 Дистанционное обучение.

1.1.4 Компьютерные тренажеры различного назначения.

1.1.5 Компьютерные системы обучения и интеллектуальной тренажерной подготовки.

1.2 Использование тренажеров при подготовке ciiei(иалистов.

1.2.1 Современное понятие тренажера.

1.2.2 Классификация тренажеров.

1.2.3 Компьютерные тренажеры.

1.2.4 Структура компьютерного тренажера.

1.3 Анализ сложившейся практики построения вычислительно-моделирующих комплексов.

1.3.1 Основные подходы к построению вычислительно-моделирующих комплексов.

1.3.2 Основные недостатки существующих подходов.

1.3.3 Обоснование агентно-ориентированного подхода к построению вычислительно-моделирующих комплексов.

1.4 Математическая постановка задачи исследования.

Выводы.

ГЛАВА 2 ПЛАНИРОВАНИЕ ПОВЕДЕНИЯ ОБЪЕКТОВ НА ОСНОВЕ АГЕНТНО-ОРИЕНТИРОВАННОГО ПОДХОДА.

2.1 Основные положения теории многоагентных систем.

2.1.1 Возникновение и общие понятия области исследования.

2.1.2 Перспективные направления развития.

2.1.3 Теория агентов и коллективное интеллектуальное поведение.

2.1.4 Архитектура агентов и многоагентных систем.

2.1.5 Планирование как средство реатзации целеустремленного поведения.

2.1.6 Основные требования к интеллектуальным элементам многоагентных вычислительно-моделирующих комплексов обучающих систем.

2.2 Анализ существующих подходов к планированию поведения.

2.2.1 Определение задачи планирования.

2.2.2 Основные системы, определившие пути развития направления.

2.2.3 Классификация систем планирования.

2.2.4 Типы задач планирования.

2.2.5 Методы решения задач iпанирования.

2.2.5.1 Методы решения SS-проблем.

2.2.5.2 Методы решения PR-проблем.

2.2.5.3 Методы, основанные на логическом выводе.

2.2.6 Перспективные направления исследований.

2.3 Применение ме тодов планирования в моделях поведения ин теллектуальных агентов обучающих систем.

2.3.1 Аначиз показателей оптимачыюсти методов планирования.

2.3.2 Основные требования к методам планирования.

2.3.3 Выбор базового подхода для разработки методов планирования.

Выводы.

ГЛАВА 3 МОДЕЛИ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ СРЕДЫ ОБУЧАЮЩЕЙ СИСТЕМЫ.

3.1 Модель многоагептного вычислительно-моделирующего комплекса обучающей системы

3.2 Модель интеллектуального агента.

3.3 Методы планирования поведения интеллектуального агента.

3.3.1 Формальное описание исходного метода.

3.3.2 Использование аппарата нечеткой логики.S

3.3.2.1 Формирование множества условий планов с использованием аппарата нечеткой логики.

3.3.2.2 Реатзация бинарных отношений с использованием аппарата нечеткой логики.

3.3.3 Механизм адаптации методов планирования.

3.3.4 Механизм самонастройки методов шинирования.

3.4 модкли планирования поведения интеллектуального агента.

3.5 Подсистема планирования поведения интеллектуального агента.

3.6 Алгоритм работы планирующей подсистемы.

3.7 Показатели эффективности многоагентпого вычисли гнлыю-моделирующего комплекса 114 Выводы.

ГЛАВА 4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ И ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ МЕТОДОВ.

4.1 Использование разработанных подходов, моделей и методов в тактическом тренажере

4.2 Применение разработанных методов в системе моделирования поведения.

4.3 Исследование разработанных моделей.

4.3.1 Подготовка и проведение вычислительного эксперимента.

4.3.2 Исходные данные.

4.3.3 Исследование влияния количества элементарных планов на показатели эффективности системы.

4.3.4 Исследование влияния количества параметров самонастройки на показатели эффективности системы.

4.3.5 Исследование влияния количества адаптируемых правил на показатели эффективности системы.

4.4 Оценка эффективности разработанных методов.

Выводы.

Введение диссертации (часть автореферата) на тему «Исследование и разработка методов планирования поведения интеллектуальных агентов в обучающих системах»

Современные системы управления сложными производственными процессами, реализованные с использованием информационных технологий, вызвали бурный рост компьютерных средств подготовки квалифицированных специалистов в этих областях. В настоящее время широкое распространение получили обучающие системы, базирующиеся на использовании вычислительных и телекоммуникационных технологий. Обычно такие системы строятся на основе использования вычислительно-моделирующих комплексов (ВМК), реализованных, как правило, в виде распределенных систем обработки данных и предназначенных для имитации поведения среды обучения.

Уровень подготовки специалистов на таких обучающих системах в значительной степени зависит от применяемого математического аппарата, методов и принципов принятия решений и их функциональных возможностей. Сложные технические системы, в которых люди являются составной частью, обладают свойствами активности, которые характеризуются свободой выбора и стратегий взаимодействия, а также наличием свойства разумного поведения. Это означает, что такие же свойства должны быть реализованы в имитаторе обстановки и средств взаимодействия, предоставляемых обучаемому.

Одним из возможных способов реализации таких ВМК является применение моделей, алгоритмов, процедур взаимодействия и т.д., полученных в теории многоагентных систем (MAC). Использование агентно-ориентированного подхода для построения программного обеспечения ВМК позволяет более подробно исследовать и разрабатывать интеллектуальные среды обучения. Таким образом, теорию MAC можно использовать в качестве основы для построения сложных интеллектуальных информационных систем по созданию тренажеров, отвечающих современным требованиям. Основным понятием в теории MAC является понятие интеллектуального агента, под которым понимается некоторая программная сущность, обладающая не только способностью преобразовывать информацию, но и поведением, позволяющим организовать ее взаимодействие с внешней средой. Такой подход к представлению взаимодействующих объектов позволяет рассматривать их как объекты, обладающие некоторым интеллектом, наличие которого предоставляет возможность упростить процессы разработки и отладки достаточно сложных систем. Такие объекты принято называть интеллектуальными агентами. Интеллектуализация компонентов распределенных систем позволяет расширить функциональные возможности и унифицировать способы взаимодействия между ними.

Заметный вклад в разработку интеллектуальных объектов, позволяющих моделировать такое сложное поведение объектов, внесли такие ученые, как Д. А. Поспелов, Э. В. Попов, В. К. Финн, В. Н. Вагин, А. П. Еремеев, О. П. Кузнецов, Г. С. Осипов, И. Б. Фоминых, В. Ф. Хорошевский и др.

Основные подходы к моделированию многоагентных систем с интеллектуальным поведением на основе различных математических аппаратов достаточно подробно отражены в работах В. И. Городецкого, Д. А. Поспелова, В. И. Варшавского, В. Б. Тарасова, О. В. Карасева, В. Ф. Хорошевского, М. Вудриджа (M.Wooldridge), Н. Дженнипгса (N. Jennings.), П. Мюллера (P. Muller) и других ученых. Однако практическое использование существующих методов для построения обучающих систем на основе ВМК требует проведения дополнительных исследований.

Большую роль при разработке интеллектуальных агентов играет использование методов планирования их поведения. Применение методов планирования позволяет реализовать алгоритмы, способные адаптироваться к среде функционирования и поведению других объектов.

Работы в области планирования поведения или построения последовательности действий для достижения заданной цели ведутся в течение нескольких десятков лет силами многих отечественных и зарубежных ученых. Значительный вклад в разработку подходов и методов планирования внесли Р. Файкс (R. Fikes), Н. Нильсон (N. Nilsson), А. Ныоэлл, С. Сафра (S. Safra), П. Дойл (P. Doyle), Р. Альтерман (R. Alterman), С. Ханке (S. Hanks), А. Н. Аверкин, А. И. Эрлих, Е. И. Ефимов. К основным недостаткам существующих методов можно отнести ограничение их использования в системах реального времени. Решению данной проблемы посвящены работы Ф. Бахуса (F. Bacchus), Дж. Хоффмана (J. Hoffmann), П. Доэрти (P. Doherty), М. Гинзберга (М. Ginsberg), А. Н. Кожушкина. Однако в данных работах не уделяется должного внимания возможности использования механизмов разработки планов, приспосабливающихся к внешней обстановке, и стратегий их выбора в условиях качественной информации.

Таким образом, актуальность темы данной работы обусловлена необходимостью расширения функциональных возможностей интеллектуальных объектов и методов их разработки.

Объектом настоящего исследования являются методы моделирования и анализа поведения многоагентных систем автоматизированной обработки информации и их компонентов.

Предметом исследования является интеллектуальный программный агент автоматизированных систем обработки информации.

Целыо диссертационной работы является совершенствование и расширение функциональных возможностей компонентов автоматизированных систем обработки информации в обучающих системах путем их интеллектуализации на основе использования методов планирования поведения интеллектуальных агентов.

Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:

- анализ существующих методов планирования поведения интеллектуальных агентов и подходов по созданию многоагентпых систем;

- разработка моделей интеллектуального агента и вычислительно-моделирующего комплекса обучающей системы в целом;

- разработка методов планирования поведения интеллектуальных агентов;

- разработка методики оценки эффективности использования интеллектуальной АСОИ в обучающей системе;

- разработка и исследование программного обеспечения, реализующего предложенные методы планирования поведения интеллектуальных агентов.

Методы исследования. Для решения поставленных задач использованы понятия и методы теории множеств, теории нечетких множеств, теории вероятностей, математической логики, нечеткого вывода, формальной семантики языков, системного анализа, методы искусственного интеллекта и системного программирования, а также современные методологии построения программных комплексов и систем.

Достоверность научных положений. Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования поведения интеллектуальных агентов в АСОИ тренажерной системы.

Научная новизна исследования состоит в следующем:

1. Разработаны новые методы планирования поведения интеллектуальных агентов с использованием аппарата нечеткой логики, механизмов самонастройки и адаптации.

2. Предложен новый подход к моделированию объектов с изменяемым поведением в обучающих системах.

3. Предложен подход к моделированию сложных систем, включающих объекты с изменяемым поведением.

4. Создана методика оценки эффективности интеллектуальной АСОИ в обучающих системах.

Практическая значимость.

Практическая значимость работы определяется возможностью использования разработанных в ней подходов, методов, а также полученных результатов для:

- создания интеллектуальной среды в обучающих системах, в частности в тренажерных комплексах;

- решения задач интеллектуального поведения промышленных роботов;

- создания программных интеллектуальных агентов в вычислительных сетях;

- планирования структур технологических процессов при анализе и построении операционных цепей за счет использования интеллектуальных программных ассистентов.

Реализация результатов работы. Разработанные в диссертационной работе подходы, модели и методы планирования поведения интеллектуальных агентов реализованы в ОКР «Охта», выполненной ЗАО НИИ «Центрпрограммсистем», г.Твери в 2006 г. Результаты работы использованы в ОКР «Инструментальные средства поддержки разработки прикладных многоагентных систем», выполняемой ЗАО НИИ «Центрпрограммсистем», г.Твери.

Апробация работы. Основные теоретические положения и практические результаты работы докладывались и обсуждались на научно-технической конференции «Тренажеростроение: современное состояние, перспективы развития», ЗАО НИИ «Центрпрограммсистем», г. Тверь, 2005 г., 16-й Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании», г. Пенза, 2005.

Положения, выносимые на защиту.

На защиту выносятся:

1. Методы планирования поведения интеллектуальных агентов на основе аппарата нечеткой логики, механизмов адаптации и самонастройки.

2. Модель подсистемы планирования поведения интеллектуального агента, ее основные принципы и алгоритмы функционирования.

3. Модель интеллектуального агента на основе трехуровневой архитектуры и основные принципы ее функционирования.

4. Основные принципы построения архитектуры вычислительно-моделирующего комплекса обучающей системы с использованием многоагентного подхода.

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 6 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (77 наименований) и приложений. Диссертация содержит 149 страниц машинописного текста.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Лазырин, Максим Борисович

Результаты работы позволяют сделать вывод о том, что научная задача совершенствования и расширения функциональных возможностей компонентов автоматизированных систем обработки информации в обучающих системах путем их интеллектуализации на основе использования методов планирования поведения интеллектуальных агентов была выполнена, что подтверждается экспериментальными данными.

Заключение

В результате проведенных теоретических и экспериментальных исследований в диссертационной работе получены следующие результаты:

1. Проведено исследование предметной области, обоснованы актуальность, цель и задачи работы (гл.1).

Выполненное исследование существующих подходов к разработке обучающих систем показало, что основные тенденции их развития связаны прежде всего с использованием достижений в области математического моделирования, искусственного интеллекта, многоагентных систем и т.д., а также с теми возможностями, которые предоставляются распределенными вычислительными системами.

Показана необходимость проведения этапа предварительной подготовки специалистов для работы на дорогостоящих, сложных и опасных объектах, комплексах, образцах вооружения и техники с помощью обучающих систем. Для этого необходимо, чтобы обучающие системы соответствовали уровню сложности и интеллектуальности, достигаемому за счет наличия высококвалифицированного обслуживающего персонала, операторов и т.д. у таких реальных объектов. Проведенный анализ существующих классификаций обучающих систем показал, что в используемых подходах не делается акцента на уровне интеллектуальности обучающих систем.

В результате проведенного исследования выделены компьютерные тренажеры как перспективное направление развития обучающих систем и рассмотрены существующие принципы построения таких комплексов. Проведен анализ возможностей компьютерных тренажеров, использующих ВМК для имитации среды обучения, дано обоснование и сформулированы основные требования к современным ВМК обучающих систем, наиболее важными из которых являются:

- использование принципов распределенного моделирования;

- включение в среду моделирования объектов с изменяемым поведением;

- учет ограничений на выделенные вычислительные и сетевые ресурсы;

- наличие способности быстрой адаптации к новым типам имитируемых объектов.

Результаты проведенного анализа распространенных в настоящее время подходов к построению ВМК, а также методик, используемых при их разработке, позволили сделать выводы о том, что применяемые приемы и решения не в полной мере обеспечивают выполнение перечисленных требований.

2. Обосновано применение теории многоагентных систем при построении программного обеспечения ВМК обучающих систем (гл.1).

На основе проведенных исследований обосновано использование теории многоагентных систем при построении вычислительно-моделирующих комплексов обучающих систем на примере компьютерных тренажеров. В рамках теории MAC решение задачи моделирования интеллектуального поведения объектов предполагает использование разных способов и применение различных методик их реализации. В качестве одного из таких способов в работе используются методы планирования поведения интеллектуальных агентов.

На основе предложенных подходов по совершенствованию и расширению функциональных возможностей обучающих систем, а также по результатам проведенного анализа сформулирована научная постановка задачи исследования.

3. Обоснованы требования к свойствам интеллектуальных агентов и методам планирования их поведения в условиях изменяющейся среды, нечеткости ее описания и действий агентов (гл.2).

Для этого проведен аналитический обзор работ по многоагентным системам. В диссертации рассмотрены основные составляющие данного направления, к которым относятся: теория агентов, методы кооперации агентов, архитектура агентов и многоагентных систем, методы, языки и средства коммуникации агентов, методы и программные средства поддержки мобильности агентов и т.д.

Проанализированы возможные практические подходы по применению многоагентных систем и существующие архитектуры систем и агентов, в частности, отмечены многоуровневые архитектуры агентов как наиболее перспективные и архитектуры на основе планирования, позволяющие реализовать модель планирования поведения. Среди рассмотренных архитектур отмечена архитектура InteRRaP, ставшая основой для разработки структуры интеллектуального агента в рамках предложенного подхода по созданию ВМК обучающей системы.

На основании проведенных исследований обоснованы основные требования к свойствам интеллектуальных агентов для их использования в составе вычислительно-моделирующих комплексов обучающих систем.

Для обоснования требований к методам планирования проведен аналитический обзор, в результате которого выделены основные показатели оптимальности, которые разбиты на две группы: универсальные характеристики, отражающие наиболее общие свойства систем планирования, и специфические показатели, использующие характерные особенности, присущие только системам определенного класса. Среди универсальных характеристик выделены быстродействие и ресурсоемкость как наиболее важные и существенные характеристики с точки зрения выполнения требований, предъявляемых к интеллектуальным агентам, функционирующим в составе ВМК обучающей системы. Отмечено, что в отличие от расчетных параметров определение этих двух характеристик осуществляется в результате проведения экспериментальных исследований.

Для оценки возможности улучшения существующих подходов к планированию поведения интеллектуальных агентов проведен аналитический обзор работ, посвященных исследованию и разработке высокопроизводительных методов построения планов. Среди них особо выделен метод, описанный в работе А. Н. Кожушкииа. Проведенное исследование отмеченного метода позволило выявить основные его недостатки, связанные с тем, что он не предполагает использования в своем составе механизмов обучения и слабо учитывает необходимость использования механизмов настройки.

4. Разработаны методы планирования поведения интеллектуальных агентов в многоагентной среде обучающей системы (гл.З).

Выполнена разработка формального описания метода планирования, предложенного А. Н. Кожушкиным. Для приведенного метода выработаны способы модификации с использованием аппарата нечеткого вывода, реализация которых позволила создать механизм формирования множества нечетких бинарных условий начала и продолжения выполнения элементарных планов. Разработанный механизм основан на использовании нечетких правил и настраиваемых параметров. Для предложенного подхода приведен пример, иллюстрирующий его работу.

С использованием полученных результатов выполнена разработка механизмов адаптации и самонастройки. Адаптация метода планирования осуществляется за счет изменения параметров нечетких правил, путем приписывания одному правилу различных функций принадлежности, актуальность которых определяется по текущим условиям и состоянию агента. Предложенный механизм проиллюстрирован примером.

Реализация механизма самонастройки выполнена с использованием нечетких правил, а также на базе знаний о результатах предыдущих операций самонастройки. Настройка параметров системы реализована за счет изменения поправок к характеристикам системы. В качестве способа приведения нечетких результатов к четким значениям предложен метода центра масс.

Обобщение полученных результатов позволило выделить три модификации описанного метода планирования: a) нечеткий метод планирования с самонастройкой; b) нечеткий адаптивный метод планирования; c) нечеткий адаптивный метод планирования с самонастройкой.

Для созданных методов разработаны математические модели.

Для предложенных математических моделей разработана обобщенная структура подсистемы планирования поведения интеллектуальных агентов. Описание работы структуры выполнено в виде обобщенного алгоритма ее функционирования.

5. Разработаны модель многоагентного вычислительно-моделирующего комплекса и модель интеллектуального агента (гл.З).

Основной особенностью разработанной модели многоагентного вычислительно-моделирующего комплекса обучающей системы является использование в качестве моделей поведения «умных» объектов - интеллектуальных агентов, обеспечивающих изменяемое поведение и возможность решения задач подготовки и принятия решений по своим дальнейшим действиям с помощью разных моделей поведения, к которым относятся: a) модель реактивного поведения; b) модель коллективного поведения; c) модель локального планирования поведения.

В рамках предложенной модели ВМК выполнена разработка модели интеллектуального агента в виде формального описания и структуры на базе элементов InteRRaP архитектуры. Особенностью созданной структуры является то, что взаимодействие агента с внешним миром, в том числе с другими агентами, осуществляется через модель физического представления объекта.

Основным отличием разработанного подхода от заложенных в InteRRaP архитектуру принципов является то, что предложенная структура обеспечивает идентификацию ситуации в подсистеме подготовки и принятия решений, которая выполняет передачу управления на соответствующий уровень иерархии системы поведения интеллектуального агента. Кроме того, подсистема подготовки и принятия решений отслеживает поступающие с уровней поведения предложения и в случае возникновения противоречивых ситуаций обеспечивает их разрешение. Таким образом, предложенный подход, базируясь на элементной базе архитектуры InteRRaP, реализует взаимодействие уровней через посредника в виде подсистемы подготовки и принятия решений.

6. Разработана методика оценки эффективности использования интеллектуальных АСОИ в обучающих системах (гл.З).

Для разработки методики оценки эффективности использования интеллектуальных АСОИ обучающих систем проведено обоснование показателей эффективности функционирования ВМК. Расчет показателей выполняется с использованием методов, выработанных в результате анализа подходов к моделированию поведения объектов в ВМК обучающих систем.

7. Разработано программное обеспечение, реализующее предложенные подходы, модели и методы планирования поведения интеллектуальных агентов (гл.4).

Созданные модели, методы и структуры использовались в программном обеспечении ТТ «Охта» при реализации интеллектуальных агентов, предназначенных для выполнения моделирования ударных самолетов и командных пунктов наведения.

8. Проведено исследование свойств методов при помощи доработанных программных средств из состава тренажерной системы (гл.4).

Для проведения вычислительного эксперимента произведены:

- доработка имитатора обстановки ТТ «Охта» путем добавления в него средств сбора статистики и автоматизации проведения эксперимента; определение перечня исходных данных экспериментальных исследований;

- задание интервалов изменения исходных параметров на основе практического опыта по реализации моделирующей системы ТТ «Охта».

В результате проведенного вычислительного эксперимента получены статистические данные по изменению показателей эффективности ВМК в зависимости от используемых методов и их параметров.

С применением эвристической процедуры выбора определены параметры для различных модификаций методов планирования с учетом требований по производительности. На основе полученных значений проведены настройка имитатора обстановки тактического тренажера и эксперименты, статистический анализ результатов которых позволил оценить практическую эффективность разработанных методов. Практическое повышение показателя успешности реализации ожидаемого поведения объектов на основе разработанного нечеткого адаптивного метода планирования с самонастройкой относительно исходной моделирующей системы составило 17,34 %, при этом снижение производительности многоагентного вычислительно-моделирующего комплекса - 46,25 %. Следует отметить, что такое снижение производительности при используемых аппаратных средствах в рассматриваемом тактическом тренажере никак не отразилось на его функциональности, т.к. существующий запас по заложенным параметрам технических ресурсов намного превосходит возросшие потребности.

Список литературы диссертационного исследования кандидат технических наук Лазырин, Максим Борисович, 2006 год

1. Багрецов С.А., Попов Г.М. Методические рекомендации по оценке дидактической эффективности обучающих систем. Л.: МО СССР, 1988.

2. Балашевич В.А. Математические методы в управлении производством. Минск: «Вышейшая школа»., 1976. - 336 с.

3. Башмаков А.И., Башмаков И. А. Разработка компьютерных учебников и обучающих систем.- М., изд. Филин, 2003.

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

5. Бонгард М.М., Лосев И.С., Смирнов М.С. Проект модели организации поведения «Животное» // Сб. «Моделирование обучения и поведения», М.: «Наука», 1975.

6. Борисов А.В., Тарасов В.Б. Моделирование мнений агентов в многоагентных системах на основе четырехзначных семантик // Программные продукты и системы. 2006. - №2. - С.47-50.

7. Борисов А.Н., Алексеев А.В., Крумберг О.А. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.-256 с.

8. Брусиловский П.Л. Интеллектуальные обучающие системы // Информатика. Информационные технологии. Средства и системы, 1990.

9. В.И.Варшавский, Д.А.Поспелов. Оркестр играет без дирижера. М: Наука., 1984.

10. Вентцель Е.С. Теория вероятностей: Учебник для студ. вузов/ Елена Сергеевна Вентцель 9-е изд., стер. - М.: Издательский центр «Академия» 2005. - 576 с.

11. Газе-Рапорт М.Г. Поспелов Д.А., От амебы до робота: модели поведения. М.: Наука. Гл. ред. Физ.-мат. лит., 1987. 288 с.

12. Городецкий В.И. Информационные технологии и многоагентные системы // Проблемы информатизации. 1998. Вып. 1. с. 3 14.

13. Городецкий В.И., Грушипский М.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искусственного интеллекта, №2, 1998.

14. Городецкий В.И., Карасев О.В., Конюший В.Г., Самойлов В.В., Хабалов А.В. Среда разработки многоагентных приложений MASDK // Информационные технологии и вычислительные системы №1, 2003 г.,-С.26-41.

15. ГОСТ 26387-84 Система «человек-машина». Термины и определения. М.: Изд-во стандартов, 1986. - 7 с.

16. Добрецов С.В., Птицина JI.K. Анализ критериев оптимальности алгоритмов планирования действий интеллектуальных агентов. iu4.bmstu.ru

17. Добрецов С.В., Шестаков С.М. Планирование действий в искусственном интеллекте // ВАТТ СПбГТУ, №2 1998 С.32-46.

18. Заде JI. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976.-165 с.

19. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений.- В кн.: Математика сегодня. М.: Знание, 1974, с. 5-49.

20. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая Линия - Телеком, 2004143 е.: ил.

21. Искусственный интеллект.-В 3-х кн. Кн.2 Модели и методы: Справочник / Под ред. Д.А.Поспелова М.: Радио и связь, 1990.

22. Калинин 10. П., Деев В. В., Куляница А. Л. «Основы концепции создания и применения систем тренинга и моделирования в ВС РФ». Материалы конференции по вопросам выполнения НИР «Кофейник». М, 3 ЦНИИ МО РФ. 1996, с.48-53.

23. Кельтон В., JToy А. Имитационное моделирование. Классика CS. 3-е изд. СПб.: Питер; Киев: Издательская группа BHV, 2004. - 847 е.: ил.

24. Клышинский Э.С. Одна модель построения агента // Труды Международной конференции Интеллектуальное управление: новые интеллектуальные технологии в задачах управления (ICIT'99) Переславль-Залесский, 6-9 декабря 1999 г., 1999. www.raai.org.

25. Концепция федеральной целевой программы развития образования на 2006-2010 годы / Высшее образование, № 6, 2001.

26. Копанев А. А. Информационное и техническое обеспечение тренажерных комплексов СПб., 1998.-138 с. : ил.

27. Круглов В.В., Дли М.И., Голунов Р.Ю., Нечеткая логика и искусственные нейронные сети. Учеб. Пособие. М.: Издательство Физико-математической литературы, 2001.-224 с.

28. Ларионов A.M., Майоров С.А., Новиков Г.И. Вычислительные комплексы, системы и сети. Л.: ЭНЕРГОАТОМИЗДАТ, 1987 - 178 е., ил.

29. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц.-М.: Мир, 1991.-568 е., ил.

30. Магид С.И., Кузнецов М.И., Архипова Е.Н. Использование современных информационных технологий при разработке тренажеров для тепловых электрических станций. // Энергосбережение и водоподготовка. 2004. №2. С.26-30.

31. Международная конференция «Морские обучающие тренажеры», 25-27 мая 1999 г.:Тез. докл.- СПб.:ГМА им. адм. С. О. Макарова, 1999.-81 с.:схем.

32. Международная научно-техническая конференция «Теория и практика имитационного моделирования и создания тренажеров»: Сб. материалов. Пенза, 2000.-151 с.:ил.

33. Минский М.: 1979. Фреймы для представления знаний. М.:Энергия.

34. Моделирование и управление в распределенных вычислительных сетях // Сборник научных трудов Киев: Наук. Думка, 1989.

35. Поспелов Д.А. Многоагентные системы настоящее и будущее // Информационные технологии и вычислительные системы. - 1998. - № 1. -С.14-21.

36. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иван и др.; под редакцией Т. Терано, К. Асаи, М. Сугэно. М.:Мир, 1993368 с, ил.

37. Птицына JI.K., Шестаков С.М. Проектирование интеллектуальных агентов для гетерогенных сетей // Материалы межвузовской научной конференции "Пятьдесят лет развития кибернетики", СПбГТУ, 1999г.-СПб, 1999.-С.81-82.

38. Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: Издательство МГТУ им. Н.Э. Баумана, 2003. - 348 е., ил.

39. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2004 е.: ил.

40. Скрэгг Г., 1983. Семантические сети как модели памяти // Новое в зарубежной лингвистике. Вып. 12. М.: Радуга. С. 228-271.

41. Современный толковый словарь. Изд. «Большая Советская Энциклопедия», 1997 г. OCR Палек, 1998 г.

42. Стефанюк B.JI. Локальная организация интеллектуальных систем. М.: ФИЗМАТЛИТ, 2004. - 328 с.

43. Тарасов В.Б. Современные направления искусственного интеллекта // Кибернетика ожидания и результаты. Политехнические чтения. Вып.2-М: Знание, 2002.-С. 105-111.

44. Тарасов В.Б. Агенты и многоагеитпые системы: основные истоки, подходы, принципы и направления // Компьютерная хроника. 1998. - №12. -С.103-122.

45. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта, № 2, 1998, с.5-63.

46. Тарасов В.Б. Эволюционная семиотика и нечеткие многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Информационные технологии и вычислительные системы. - 1998. - №1. - С.54-68.

47. Таха X. Введение в исследование операций: В 2-х книгах. Кн. 2. Пер. с англ. -М.: Мир, 1985.-495 е., ил.

48. Автоматизированные системы управления, электронное обучение и тренажеростроение / Тез.докл Тверь, 2005. - 133 с.

49. Теория активных систем / Труды международной научно-практической конференции (16-18 ноября 2005 г., Москва, Россия). Общая редакция Бурков В.Н., Новиков Д.А. М.: ИПУ РАН, 2005. - 231 с.

50. Тимофеев А.В. Мультиагентные системы планирования поведения транспортных роботов в среде с препятствиями. // Экстремальная робототехника. X научно-техническая конференция. Санкт-Петербург, 1999.

51. Тренажерные системы / В.Е. Шукшунов, IO.A. Бакулов, В.Н. Григоренко и др. -М.: Машиностроение, 1981. 256 с.

52. Феррари Д. Оценка производительности вычислительных систем: Пер. с англ. М.: Мир, 1981.

53. Филатова Н.Н., Вавилова Н.И., Ахремчик O.JI. Мультимедиа тренажерные комплексы для технического образования. // Educational Technology & Society 6(3), pp. 164-186, 2003.

54. Фин B.K. Об интеллектуальном анализе данных // Новости Искусственного интеллекта, № 3, 2004.

55. Чекинов Г.П., Чекинов С.Г. Применение технологии многоагентных систем для интеллектуальной поддержки принятия решения (ИППР) // Сетевой электронный научный журнал "Системотехника".,№ 1, 2003.

56. Шапорев С.Д. Математическая логика. Курс лекций и практических занятий. СПб.: БХВ-Петербург, 2005.-416 е.: ил.

57. Шенк Р., Хантер JI., Познать механизмы мышления // Реальность и прогнозы искусственного интеллекта. М.: Мир, 1987.

58. Шукшунов В.Е., Циблиев В.В., Потоцкий С.И. и др. Тренажерные комплексы и тренажеры. Технологии разработки и опыт эксплуатации. М.: Машиностроение, 2005. - 384 с.

59. A. Kozhushkin. PS1 Team: Planning Method and Main Principles of the Agents Architecture. Team Descriptions (Simulation League), pp. 110-115. Linkoeping University Electronic Press 1999.

60. Bacchus, F., and Kabanza, F. 2000. Using temporal logics to express search control knowledge for planning. Artificial Intelligence 116:123-191.

61. Barish G., Knoblock C.A. Speculative Execution for Information Gathering Plans // Proc. of the 6-th Intern. Conf. on AI Planning and Scheduling (AIPS-2002). Toulouse, France, 2002.

62. Doherty, P., and Kvarnstrom, J. 1999. Talplanner: An empirical investigation of a temporal logic-based forward chaining planner. In Proceedings of TIME '99, IEEE Computer Society, 47-54.

63. Doyle P.,Planning. AI Qual Summary. Stanford University, 1997.

64. Fahiem Bacchus. Planning with Resource and Concurrency A Forward Chaining Approach, 2001. www.cs.totonto.edu.

65. Hoffmann, J. 2000. Fast-forward. www.informatik.uni-freiburg.de

66. M. Ginsberg, H. Holbrook. What defaults can do that hierarchies can't -Fundamental Informaticae (21), pp. 149-159, 1994.

67. M. Ginsberg. Approximate Planning — Artificial Intelligence Journal, (76)1-2, pp. 89-123, 1995.

68. M. Ginsberg. Modality and Interrupts — Journal of Automated Reasoning, (14)1, pp. 43-91, 1995.

69. M.P.Georgeff and A.S.Rao. BDI Agents: From Theory to Practice. In Procedings First International Conference on Multi-Agent Systems (ed. V. Lesser). AAAI Press/The MIT Press, pp. 312-319, 1995.

70. R.E.Fikes and N.Nilsson. STRIPS: A new Approach to the Application of Theorem Proving to Problem Solving. Artificial Intelligence, 5(2), pp. 189-208, 1971.

71. RoboCup-97: Robot Soccer World Cup I. Springer 1998. -www.springerlink.com

72. RoboCup-98: Robot Soccer World Cup II. Springer 1999. -www.springerlink.com

73. Safra S., Tennenholtz M., On Planning while Learning. Journal of Artificial Intelligence Research 9(2), pp. 111-129, 1994.