Методы и алгоритмы анализа социальных процессов с применением когнитивно-адаптивной инвариантной модели тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Смирнов, Алексей Юрьевич

• Смирнов, Алексей Юрьевич
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Смирнов, Алексей Юрьевич

СОДЕРЖАНИЕ.

СПИСОК ИЛЛЮСТРАЦИЙ.

СПИСОК ТАБЛИЦ.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа социальных процессов с применением когнитивно-адаптивной инвариантной модели»

ГЛАВА 1. КОГНИТИВНО-АДАПТИВНАЯ МОДЕЛЬ, КАК ИНВАРИАНТНЫЙ ИНСТРУМЕНТ АНАЛИЗА СОЦИАЛЬНЫХ ПРОЦЕССОВ.14

1.1. Задачи и принципы анализа социальных процессов; сравнение и выбор методов и алгоритмов анализа.15

1.2. Аналитические системы: принципы построения и роль в анализе социальных процессов.23

1.3. Исследование социальных процессов с применением когнитивно-адаптивной модели.29

1.3.1. Выявление знаний о процессе.30

1.3.2. Построение модели процесса.32

1.3.3. Этапы анализа процесса с применением когнитивно-адаптивной модели.39

1.4. Когнитивно-адаптивное моделирование в информационноаналитической работе по управлению социальным процессом.44

1.5. Оценка качества и адекватности когнитивно-адаптивной модели.47

1.6. Пути дальнейшего развития когнитивно-адаптивной модели, как средства анализа социальных процессов.50

ГЛАВА 2. ФОРМАЛЬНОЕ ОПИСАНИЕ КОГНИТИВНО-АДАПТИВНОЙ МОДЕЛИ: БАЗОВЫЕ МОДЕЛИ, АЛГОРИТМЫ И СВЯЗУЮЩИЕ МЕТОДЫ.51

2.1. Моделирование на когнитивных графах.51

2.1.1. Когнитивный анализ сложных социальных процессов.55

2.1.2. Виды когнитивно-графовых моделей.57 4

2.1.3. Типы когнитивно-графовых моделей.58

2.1.4. Формальное описание когнитивного графа.58

2.1.5. Чувствительность когнитивно-графовой модели.63

2.2. Метод генетической адаптации элементов модели.64

2.2.1. Алгоритм генетической адаптации.65

2.2.3. Основные операторы генетического алгоритма.70

2.3. Символьное генетическое кодирование элементов когнитивно-графовой модели.74

2.3.1. Кодирование матрицы смежности когнитивного графа.74

2.3.2. Кодирование вектора значений параметров когнитивно-графовой модели.74

2.4. Развитие когнитивно-адаптивной модели: построение нечеткой базы знаний по когнитивно-графовой модели.75

2.4.1. Базовые понятия метода управления нечеткими знаниями. 75

2.4.2. Построение нечеткого вывода.77

2.4.3. Метод перехода от когнитивно-графовой модели к нечеткой базе правил.80

2.4.4. Переход от параметров когнитивно-графовой модели и фактических данных к лингвистическим переменным и их временным значениям.82

ГЛАВА 3. СОЗДАНИЕ И ИСПОЛЬЗОВАНИЕ ПРИКЛАДНОЙ АНАЛИТИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ КОГНИТИВНО-АДАПТИВНОЙ МОДЕЛИ.84

3.1. Метод создания аналитической системы.84

3.1.1. Когнитивный модуль.86

3.1.2. Хранилище фактических данных и полученных решений.89

3.1.3. Модуль генетической адаптации.91

3.1.4. Модуль управления нечеткими знаниями.92

3.2. Человеко-машинные сценарии взаимодействий аналитической системы.94

3.3. Спецификации и требования программного комплекса аналитической системы.97

3.3.1. Общее описание программного комплекса.97

3.3.2. Общие принципы функционирования программного комплекса аналитической системы.98

3.3.3. Требования к аппаратным и программным средствам.99

3.3.4. Средство разработки.99

3.3.5. Установка системы.99

3.4. Сравнение прикладной аналитической системы с подобными системами.100

ГЛАВА 4. РЕШЕНИЕ ЗАДАЧ АНАЛИЗА СОЦИАЛЬНЫХ ПРОЦЕССОВ С ПРИМЕНЕНИЕМ МОДЕЛИ.102

4.1. Исследование зависимости социальной напряженности в регионе от действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской республике).102

4.2. Исследование зависимости инвестиционной привлекательности региона от воздействий социоэкономических факторов (на основе данных по Удмуртской республике).105

4.3. Исследование процесса изменения значимости стратегических рисков с учетом их взаимозависимостей.110

4.4. Оценка зависимости степени трудозатрат на выполнение проекта от его качественных и количественных показателей.113

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.118

ЛИТЕРАТУРА.120

ПРИЛОЖЕНИЯ

130

Список иллюстраций

Рисунок 1 Структура задач аналитической системы СП.28

Рисунок 2 Анализ процесса для отбора базовых факторов влияния.31

Рисунок 3 Социальный процесс, концептуальный образ процесса.33

Рисунок 4 Этапы анализа социального процесса на основе KAM.39

Рисунок 5 Последовательные решения «прямой» - «обратной» задач.41 Рисунок 6 Задачи управления; цикл обработки информации для анализа социального процесса.45

Рисунок 7 Роли пользователей АС на базе KAM.47

Рисунок 8 Функциональные алгоритмы и модели; методы их комплексирования.51

Рисунок 9 Когнитивный граф социального процесса «Изменение уровня преступности в регионе».53

Рисунок 10 Структура алгоритма генетической адаптации.73

Рисунок 11 Нечеткая интерпретация количественного параметра.83

Рисунок 12 Структурная схема аналитической системы.85

Рисунок 13 Компоненты когнитивного модуля.88

Рисунок 14 Элементы модуля управления нечеткими знаниями.93

Рисунок 15 Этапы человеко-машинных взаимодействий «в рамках» аналитической системы.95

Рисунок 16 Человеко-машинный сценарий работы.96

Рисунок 17 Сценарий работы пользователя в системе анализа.97

Рисунок 18 Начальный когнитивный граф социального процесса: изменение социальной напряженности в регионе.103

Рисунок 19 Когнитивный граф социоэкономического процесса изменения инвестиционной привлекательности региона.107 k ф

Список таблиц

Таблица 1 Термины языка теории генетических вычислений.67

Таблица 2 Принципы естественного отбора.68

Таблица 3 Сравнение возможностей систем «Компас-2», «КоСМоС» и аналитической системы на базе KAM.101

Таблица 4 Матрица смежности когнитивного графа процесса изменения социальной напряженности в регионе.104

Таблица 5 Матрица смежности когнитивного графа процесса изменения уровня инвестиционной привлекательности региона.109

Таблица 6 Итоговая матрица когнитивного графа смежности процесса изменения значимости стратегических рисков.112

Таблица 7 Факторы, влияющие на процесс изменения трудозатрат на выполнение проекта.114

Таблица 8 Итоговая матрица смежности когнитивного графа процесса изменения степени трудозатрат на выполнение проекта.116

Таблица 9 Прогнозные значения параметров процесса изменения степени трудозатрат на выполнение проекта.117

Таблица 10. Матрица смежности когнитивного графа социального процесса изменение уровня преступности в регионе.133 Ь

Список приложений

Приложение 1 Исследование изменения уровня уголовной преступности в регионе в его социоэкономической проекции.130

Приложение 2 Форма редактирование когнитивного графа.135

Приложение 3 Форма определения свойств вершины графа.136

Приложение 4 Форма просмотра истории изменений значений параметра .137

Приложение 5 Форма редактирования фактических данных и настройка параметров .138

Приложение 6 Форма экспорта/импорта фактических данных.139

Приложение 7 Уточненные факторы трудозатрат.140

Введение

В сегодняшней России, в постоянно меняющихся условиях, с новой остротой встали вопросы исследования процессов протекающих в социуме. Даже далекий от государственных органов управления человек, будучи постоянно включенным, в единое информационное пространство вынужден реагировать на информацию, поступающую из СМИ. Граждане выносят собственные суждения, критикуют или поддерживают решения, принимаемые, например, на государственном уровне. Но мало кто задумывается над тем, как принимаются эти самые решения, что предшествует озвучиванию позиции по той или иной проблеме. Еще меньшее число владеет принципами и технологиями решения задач анализа, использует специализированные программно-технические комплексы различной сложности в области моделирования сложных социальных процессов.

Специфика и чрезвычайная сложность решения задач анализа и моделирования социальных систем и процессов требует использования адекватных по сложности технологий и программно-технических комплексов поддержки процесса анализа. Особенностью большинства задач анализа и дальнейшего управления является существование нескольких практически равнозначных и равновозможных вариантов выхода из сложившейся ситуации, наличие большого числа взаимосвязанных факторов и параметров, подлежащих оценке. Причем, оценка должна быть комплексной, потому что «разрозненная» оценка значимых для решения задачи факторов, зачастую не дает возможности представить целостную картину проблемы и предложить варианты ее разрешения.

Факт использования традиционных экспертных методов и методик моделирования уже не требует доказательства. Они многократно опробованы в управленческой практике и заслуженно занимают свою нишу в области решения задач анализа. Но нельзя забывать о самом главном аналитическом инструменте, которым наделила человека природа — о данной нам способности к образному мышлению, умению собирать в мгновение единую картину из множества разрозненных, кажущихся несопоставимыми элементов. Основным условием эффективной «сборки» образа является представление задачи в форме удобной для анализа. Очевидно, что решению социальной аналитической задачи, должна предшествовать работа по подготовке почвы для такого решения.

Использование технологий и программно-технических аналитических комплексов призвано обеспечить детальную проработку задачи до того, как она вынесена на рассмотрение управляющему лицу. Требуются достаточно серьезные трудозатраты коллектива экспертов, осуществляющих разработку формы представления исходных данных, непосредственно их ввод в эту форму, предварительный анализ задачи, формулировку возможных вариантов решения. Это может быть целым подразделением, «институтом экспертов», имеющим в своем распоряжении достаточно серьезную техническую и методологическую базу, а также основу всего - профессиональную элиту в сфере аналитической работы для обеспечения органов федеральной и региональной властей высококачественной «аналитической продукцией».

Объединяющим началом для всех «аналитических продуктов» является то, что проводимая с их помощью предварительная проработка решаемой задачи позволяет управленцу уделить максимум времени поиску или выбору наилучшего варианта решения задачи, а не ее описанию и структурированию.

Эффективность применения математических, системных методов зависит от учета особенностей моделирования социально-экономических процессов. Последние и определяют основные проблемы информатизации, автоматизации задач анализа и управления [1, 15, 31]:

1. Социально-экономические процессы сложны, многокомпонентны, разнородны. Характеризуются стохастичностью, сложностью и многофакторностью. Они складываются под влиянием многих противоречивых объективных и субъективных условий. Динамичность, наличие качественных признаков не позволяет достичь полной формализации задач анализа.

2. Многочисленные сложные экономико-математические модели не нашли и не находят массового применения. Они не ориентированы непосредственно на пользователей, экспертов и руководителей. Большинство из них не владеет экономико-математическими методами настолько, чтобы самостоятельно, на основе собственного опыта и личных навыков поиска решений строить такого рода модели. Сложные модели приносят пользу лишь в том случае, если их разрабатывают, а полученные результаты интерпретируют высококвалифицированные специалисты.

3. Поскольку физиологические возможности человека по представлению, обработке и преобразованию информации ограничены, а темпы роста сложности аналитических задач непрерывно возрастают, усиливаются противоречия между постоянно растущим объемом информации и возможностью ее эффективного использования.

Современная реальность обусловливает новые требования к моделям, технологиям, к формам и методам обработки и представления социально-экономической информации, как к важным средствам привлечения руководителей и экспертов к выработке и осуществлению научно-обоснованных решений. Они должны быть наглядными, простыми, естественными для человека, междисциплинарными, понятными, убедительными и обеспечивать правильность интерпретирования рассматриваемых данных.

В наибольшей степени этим требованиям отвечают смешанные методы и модели с использованием различных форм представления информации: графическую, сетевую, продукционную, которые могут быть реализованы с помощью современных средств информатики и компьютерной графики. Их использование особенно эффективно в тех случаях, когда объем информации «размыт», а для правильного восприятия необходим ее целостный охват. Это относится ко многим социальным процессам.

Важно не просто «физическое» объединение имеющихся методов, моделей и средств, а их логическое развитие и совершенствование на основе принципиально новых, комплексных методологий. История науки показала, что там, где появляются новые удобные и простые инструменты, соответствующие приобретенным навыкам и пригодные в различных ситуациях, там возникает и новая технология, в данном случае «безбумажная» технология анализа и моделирования.

Исходя из сказанного, поставим следующие цели исследования:

• повышение качества решения задач анализа социальных процессов (СП) за счет применения комплексного сочетания методов и алгоритмов на основе концептуального, когнитивно-графового моделирования и эволюционных вычислений;

• расширение класса моделируемых социальных процессов с применением когнитивно-адаптивной инвариантной модели за счет расширения когнитивно-графовой модели аппаратом адаптации, использованием лингвистических параметров и нелинейных отношений; разработка метода создания и функционирования аналитической системы на основе когнитивно-адаптивного моделирования. Для достижения поставленных целей, необходимо решить следующие задачи:

• выбор базовых методов и алгоритмов, обоснование выбора;

• комплексирование базовых методов, обоснование построенных взаимосвязей;

• разработка метода создания аналитической системы, автоматизирующей ряд этапов анализа СП;

• решение научно-практических задач, подтверждающих адекватность метода;

• разработка программно-методического комплекса на основе метода.

В первой главе работы, в продолжении к введению, вскрываются противоречия между общественными запросами, методами анализа и технологиями автоматизации решения отдельных задач по исследованию сложных социальных систем. Выдвигаются требования к современным комплексным методам анализа и моделирования социальных процессов, их возможностям и компонентам. Раскрывается выносимое на защиту сочетание методов и алгоритмов анализа СП. Показывается, как с помощью предлагаемого сочетания методов и алгоритмов решаются основные задачи управления процессом.

Во второй главе формально описываются основные комплексируемые методы и алгоритмы, а именно, когнитивно-графовое моделирование, эволюционные вычисления и управление нечеткими знаниями. Описывается построение связующих конструкций символьных генетических кодов для когнитивных графов и векторов параметров процесса, методов перехода от когнитивно-графовой модели к нечеткой базе знаний.

В третьей главе показывается метод построения системы, автоматизирующей этапы анализа и моделирования социальных процессов, излагаются человеко-машинные сценарии взаимодействий такой системы.

В четвертой главе описывается решение задач анализа социальных процессов - социальной напряженности в регионе, меняющейся под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике), изменение эффективности коллективной работы над проектом по разработке программного обеспечения, исследование зависимости инвестиционной привлекательности региона от социоэкономических факторов (на основе данных по Удмуртской Республике), изменение значимости стратегических рисков Российской Федерации.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Смирнов, Алексей Юрьевич

Основные результаты и выводы

В заключении приведем выводы, полученные в результате исследования, которые в обобщенном виде сводятся к следующему:

1. Выполнено комплексирование современных алгоритмов и методов (выявления знаний о СП, концептуального и когнитивного моделирования, генетических алгоритмов) анализа СП, предложены связующие методы. Полученный новый научный результат способен обеспечить необходимые условия для повышения эффективности и качества процесса анализа, роста профессионализма и уровня мышления экспертов и управленческих работников.

2. Разработана когнитивно-адаптивная инвариантная модель социальных процессов, объединяющая в себе когнитивно-графовое моделирование и эволюционные вычисления; разработан метод анализа когнитивно-адаптивной модели. Совершенствование когнитивно-графового моделирования на основе концепции адаптации матрицы смежности когнитивного графа облегчает этапы анализа социальных процессов, обеспечивает точность и надежность преобразования больших объемов информации в компактный вид, с целью формирования адекватных ситуациям управленческих решений и прогнозирования будущего.

3. Метод когнитивно-адаптивного моделирования содержит в себе: принципы исследования, понятийный аппарат, систему оценок устойчивости, алгоритмы, обеспечивающие эффективный количественный и качественный анализ социальных процессов.

4. Разработанный метод создания прикладной аналитической системы удовлетворяет современным требованиям модульного построения информационных систем. Такой подход диктуется необходимостью в возможности поэтапного внедрения и расширения системы. Гибкая реализация системы в виде активных компонент-модулей обусловливает её модифицируемость.

5. Согласно методу, создана АС на основе когнитивно-адаптивной модели СП. Выработаны сценарии и алгоритмы взаимодействий пользователя с АС.

6. С целью апробации сочетания методов и алгоритмов проведена работа по решению задач анализа реальных социальных процессов:

• изменения зависимости трудозатрат коллектива при работе над сложным проектом от внешних и внутренних факторов;

• изменения социальной обстановки в регионе под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике);

• изменения инвестиционной привлекательности региона в зависимости от экономических и социальных факторов (на основе данных по Удмуртской Республике);

• изменения значимости стратегических рисков РФ с учетом их взаимозависимостей.

На основе построенных и идентифицированных моделей, выявлены новые процессные закономерности, решены задачи вида «что надо, чтобы.», построены прогнозы развития процессов.

Список литературы диссертационного исследования кандидат технических наук Смирнов, Алексей Юрьевич, 2003 год

1. Акимов В.А., Порфирьев Б.Н., Радаев H.H. Методический аппарат оценки и прогноза стратегических рисков// Управление риском. 2002. спецвыпуск. - 88 с.

2. Аленфельд Г., Херцбергер Ю. Введение в интервальные вычисления. М: Мир, 1987. - 360 с.

3. Андриенко Ю. Факторы роста преступности в России : региональный подход/Преринт # WP/200 /02 . М.: Российская экономическая школа, 2000. -56 с.

4. Батыршин И.З. Модели размытых предпочтений в задачах выбора. Модели выбора альтернатив в нечеткой среде. Тез.докл. Всесоюзн.научн.семинара. Рига, 1980.- С. 45-46.

5. Батищев Д.И., Исаев С.А. Решение задач математического программирования с помощью эволюционных вычислений. Тезисы доклада на Всеросс. конференции «Математическое программирование и приложения». Екатеринбург: УрО РАН, 1997. стр. 29.

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

7. Бекренев B.JI. Философия и кибернетика. Информация и аналитика. Знания и опыт. М., 2000.

8. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования. Рига: «Зинатне», 1990.

9. Ю.Боэм Б., Браун Дж., Каспар X. и др. Характеристики качества программного обеспечения. М.: Мир, 1981.

10. П.Вавилов A.A., Имаев Д.Х. Машинные методы расчета систем управления. JL: Ленинградский университет, 1981.

11. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов. Учебное пособие. Уфа: УГАТУ, 1999. - 105 с.

12. З.Васильев Ф.П. Численные методы решения экстремальных задач. -М: Наука, 1980. 518с.

13. Н.Винер Н. Кибернетика. М.: 1968.

14. Волков И.П. Социометрические методы в социально-психологических исследованиях. Л.: ЛГУ, 1970.

15. Годунов С. К., Антонов А. Г., Кирилюк О. П., Костин В. И. Гарантированная точность решения систем линейных уравнений в евклидовых пространствах. Новосибирск: Наука, 1988.

16. Гребенюк Е.А., Корноушенко Е.К., Максимов В.И. Когнитивно-рефлексивный анализ на фондовом рынке Международный симпозиум «Рефлексивное управление», -Москва, 2000 г.: тез. докладов. М.: Институт психологии РАН, 2000.-С. 99- 100.

17. Гречишников A.B., Данчул А.Н., Павлов А.Н. Алгоритмизация и визуальное программирование управленческих задач. М.: РАГС, 2001.

18. Гринченко С.Н. «Суперсистемы», «суперконтуры» и «супероптимизация»: язык описания поведения иерархических структур в природе и обществе // Социальная информатика -99. Сб. науч. тр. М.: РАЕН, МАИ, 1999. - С. 177-189.

19. Данчул А.Н., Корнеенко В.П. Системный анализ управления экономическими процессами. М.: РАГС, 2001. - 140 с.

20. Душин С.Е., Красов A.B. Особенности моделирования структурно-сложных нелинейных систем управления. Труды международной научно-технической конференции «Пятьдесят лет развития кибернетики». СПб., 1999 г. - С. 140-142.

21. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике.- М: Радио и связь. 1990. 288 с.24.3аде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

22. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений.- В кн.: Математика сегодня. -М.:3нание, 1974.-е. 5-49.

23. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами.- Киев: Техника, 1975.

24. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.- 118 с.

25. Исаев С.А. Многокритериальный генетический алгоритм. Тезисы доклада на Всеросс. конференции «Интеллектуальные информационные системы». Воронеж: ВГТУ, 1999. - С. 54.

26. Калмыков С.А., Шокин Ю.И., Юлдашев З.Х. Методы интервального анализа. Новосибирск: Наука, 1986. - 222 с.

27. Кини P.JL, Райфа X. Принятие решений при многих критериях: предпочтение и замещение. М: Радио и связь, 1981.

28. Клыков Ю.И. Ситуационное управление большими системами. М: Энергия, 1974.

29. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

30. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М.: Наука, 1982.

31. Кулинич A.A. Когнитивное моделирование в системах поддержки принятия решений. Материалы международной конференции по проблемам управления. В 3-х томах. Т. 3. -М.: ИПУ РАН, 1999 г.

32. Курейчик В.М. Генетические алгоритмы. Таганрог: ТРТУ, 1998.-241 с.

33. Курейчик В.М. Генетические алгоритмы. Обзор и состояние. //Новости искусственного интеллекта. — 1998. № 3. — 50 с.

34. Ли Р. Оптимальные оценки, определение характеристик и управление. М.: Наука, 1966. - 176с.

35. Логико-семантический анализ структур знания: Основания и применения. Сборник трудов, Новосибирск М: Наука, 1989.

36. Максимов В.И., Корноушенко Е.К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач. Труды ИПУ, вып.2, 1998.

37. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

38. Моисеев H.H. Математические задачи системного анализа. -М.: Наука, 1981.-488с.

39. Нариньяни A.C. Недоопределенность в системах представления и обработки знаний //Изв. АН СССР. Техн. кибернетика. 1986. №5.

40. Нариньяни A.C. Недоопределеные множества новый тип данных для представления знаний. Препринт N 232. Новосибирск, 1980.46.0рлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979.

41. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. -М.: Наука, 1981. 203 с.

42. Петров A.B., Федулов Ю.Г. Подготовка и принятие управленческих решений. М.: РАГС, 2000. — 241 с.

43. Петров Д. В. Принципы построения генетических алгоритмов для решения задач управления // Когнитивный анализ иуправление развитием ситуаций (CASC-2001). Материалы 1-й международной конференции в 3-х томах. Том 2. М.: ИЛУ РАН, 2001.-С. 169-171.

44. Поспелов Д.А. Логико-лингвистические модели в системах управления,- М.:Энергоиздат, 1981.- 232 с.

45. Прикладные нечеткие системы. Под ред. Тэтано Т., Асаи К., Сугэно. М.: Мир, 1993.

46. Райков А.Н. К основам устойчивости и целенаправленности функционирования систем поддержки решений. Часть 2. Целенаправленность. //Информационное общество, 1998. №1.

47. Растригин Л. А. Адаптация сложных систем. Рига: Зинатне, 1981.-375 с.

48. Растригин Л.А. Статистические методы поиска. М.: Наука, 1968.-376 с.5 6. Роберте Ф.С. Дискретные математические модели с приложениями к социальным и экологическим задачам. М., 1986.

49. Розин Б.Б. Теория распознавания образов в экономических исследованиях. М., 1973.

50. Сейдж Ж.П., Уайт Ч.С. Оптимальное управление системами. -М: Радио и связь, 1982. 392 с.

51. Силов В.Б., Принятие стратегических решений в нечеткой обстановке в макроэкономике, политике, социологии, менеджменте, экологии, медицине. М: ИНПРО - РЕС, 1995. -228 с.

52. Смирнов А.Ю. Инвариантное моделирование систем. //Информационные процессы и системы. 2001. № 10. С. 7-12.

53. Смирнов А.Ю. Генетические нечеткие системы поддержки принятия решений и генетические нечеткие экспертные системы// Проблема идеальности в науке: Материалы второй международной научной конференции. В 2-х частях. Часть 1. -М.: АСМИ, 2001.-С. 180-198.

54. Смирнов А.Ю. Принятие управленческих решений при помощи нечетких генетических экспертных систем// Государственность России и государственная служба: пути развития: Материалы межвузовской конференции. — М.: РАГС, 2002.-С. 126-128.

55. Смирнов А.Ю. Когнитивное генетическое моделирование сложных систем// Государственность и государственная служба России: пути развития: Материалы первой совместной междисциплинарной аспирантской конференции. Вып. 2. М.: РАГС, 2002. - С. 146-148.

56. Смирнов А.Ю., Шемакин Ю.И. Прикладная система анализа когнитивно-адаптивной модели социального процесса. // КомпьюЛог. 2003. № 1. С. 23-28. (Шемакин Ю.И. -постановка задачи, Смирнов А.Ю. - разработка модели и программная реализация).

57. Современное состояние теории исследования операций. Под ред. Моисеева H.H. М.: Наука, 1979.

58. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер с англ. М.: Финансы и статистика, 1990. — 320 с.

59. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: научно-практическое издание. Серия «Информатизация России на пороге XXI века». М.: СИНТЕГ, 1998.-376 с.

60. Урсул А.Д., Абрамова Н.Т., Кремянский В.Н. Синтез знания и проблема управления. М.: Наука, 1978.

61. Федулов A.A., Федулов Ю.Г., Цыгичко В.Н. Введение в теорию принятия статистически ненадежных решений. М.: Статистика, 1979.

62. Федулов Ю.Г. Основы автоматизированного организационного управления. М.: РАГС, 1997.

63. Форрестер Дж. Мировая динамика. М.: Наука, 1978.

64. Форрестер Дж. В. Антиинтуитивное поведение сложных систем // Современные проблемы кибернетики. М.: Знание, 1977.-С. 9-25.

65. Цыпкин ЯЗ. Адаптивные методы выбора решений в условиях неопределенности. //Автоматика и телемеханика, 1976, N 4, С.78-91.

66. Шемакин Ю.И., Романов A.A. Компьютерная семантика. М.: МОЦ «Школа Китайгородской», 1995. - 343 с.

67. Шемакин Ю. И. Начала компьтерной лингвистики. М: МГОУ А/О «Росвузнаука», 1992.

68. Шемакин Ю. И. Семантика самоорганизующихся систем. М.: Академический проект (в печати).

69. Эйкофф П. Современные методы идентификации систем. М: Мир, 1983.-400 с.

70. Capra F. The Web of Life: A new scientific understanding of living systems, Anchor Books, NY. 1996.

71. Chen S.S., Zhang W.R., Besdek J.C. Pool2: a generic system for cognitive map development and decision analysis, IEEE Transactions on Systems, Man, and Cybernetics. 1989.

72. Cordon O., Herrera F. MOGUL: A Methodology to Obtain Genetic fuzzy rule-based systems Under the iterative rule Learning approach. Technical Report DECSAI-980101, Dept. Computer Science and Artificial Intelligence, University of Granada, Granada. 1998.

73. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley, 1988.

74. Holland J. The dynamics of searches directed by Genetic Algorithms., In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.

75. Jones A.J. Genetic algorithms and their applications to the design of neural networks, Neural computing and applications, v.l, no. 1, 1993.

76. Kaufmann A., Gupta M. Fuzzy mathematical models in engineering and management science. Amsterdam: North-Holland, 1988.

77. Kosko B. Fuzzy cognitive maps // International Journal of Man-Machine Studies. V.24. N.Y., 1986.

78. Kwon Young D., Lee Jin S. On-line evolutionary optimization of fuzzy control system based on decentralized population. Proceeding of the IEEE 10th International Symposium on Intelligent Control, pp. 441-446, Monterey CA,Aug. 1995.

79. Magdalena L., Velasco J. R. Fuzzy rule-based controllers that learn by evolving their knowledge base. In IJCAI'95 Workshop on Connectionist-Symbolic Integration: From Unified to Hybrid Approaches. 1995.

80. Maturana Humberto R., Varela Francisco J. Autopoiesis and Cognition: The Realization of the Living, D. Reidel Publishing Co., Dordecht: 1980.

81. Montana D.J., Davis L. Training feedforward neural networks using genetic algorithms. Preprint, BBN Systems and Technologies, Cambridge, Mass., 1989.

82. Sorokin P. Social and Cultural Dinamics, vols. 1-4, N.Y.: American Book Company, v.l., 1937.

83. Wilkinson J.H. The Algebrain Eigenvalue Problem (New York: Oxford University Press), 1965.