Моделирование и генерация решений в социальных системах тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Головин, Вячеслав Александрович

• Головин, Вячеслав Александрович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Головин, Вячеслав Александрович

Введение.

Глава 1. Анализ предметной области и средств генерации решений.

1.1 Моделирование в социальных системах.

1.2 Обзор исследований в области социальных систем.

1.3 Анализ информационных технологий в политике.

1.3.1 Некоторые аспекты выбора автоматизированной системы управления политической деятельностью.

1.3.2 Особенности применения информационных технологий в управлении избирательными кампаниями.

1.4 Анализ систем, направленных на решение нестандартных (творческих) задач.

1.5 Анализ методов, применяемых для создания систем генерации решений.

1.5.1 «Классические» и «неклассические» подходы.

1.5.2 Методы добычи данных.

1.6 Выводы.

Глава 2. Структура и механизм функционирования системы генерации решений.

2.1 Функциональная структура системы генерации решений.

2.3 Разработка модели развёртывания предвыборной кампании.

2.3.1 Структура предвыборной кампании.

2.3.2 Модель ситуации.

2.3.3 Модель кандидата.

2.3.4 Модель сценария предвыборной кампании.

2.4 Разработка процедуры генерации решений.

2.5 Разработка системы ввода данных.

2.6 Подсистема расчёта весовых коэффициентов.

2.7 Подсистема формирования сценария предвыборной кампании.

2.8 Подсистема поиска прецедентов.

2.8.1 Метод прецедентов.

2.8.2 Концепция вывода на основе прецедентов.

2.8.3 Примеры систем вывода на основе прецедентов.

2.8.4 Разработанная подсистема поиска прецедента.

2.9 Подсистема адаптации.:

2.9.1 Интегрированный подход.

2.9.2 Процесс адаптации.

2.10 Структуры метода и прецедента.

2.11 Подсистема добавления объектов в базы данных.

2.12 Выводы.

Глава 3. Реализация системы генерации решений по формированию предвыборной кампании.

3.1 Требования к реализации системы.

3.2 Реализация подсистемы ввода данных.

3.3 Реализация подсистемы опроса эксперта на основе метода иерархий.

3.4 Реализация подсистем расчёта весовых коэффициентов и формирования графа сценария.

3.5 Реализация подсистемы поиска прецедента.

3.6 Реализация подсистемы адаптации.

3.7 Реализация подсистемы обслуживания базы данных.

3.8 Оценка эффективности.

3.9 Выводы.

Введение диссертации (часть автореферата) на тему «Моделирование и генерация решений в социальных системах»

Актуальность

Моделирование завоевало прочные позиции в технологической и естественнонаучной сферах, его прогресс существенно заметен также и в применении к экономическим системам. Если же говорить о процессах с участием «человеческого фактора» (в первую очередь о социальных процессах), то в этой области его успехи гораздо скромнее [97]. По мнению Самарского A.A. и Михайлова А.П. существует немало глубоких и принципиально неустранимых причин такого «отставания»:

1. Отсутствие в социальных системах «фундаментальных» законов, т.е. связей между основными социальными величинами, допускающих точное количественное выражение.

2. Неустранимая неточность «измерений». Даже в тех случаях, когда существует вполне удовлетворительная «шкала» для измерения к результатам следует относиться с гораздо большей осторожностью, чем к результатам измерений в механике, астрономии, физике, химии. Требуются немалые интеллектуальные ухищрения для приближения к истине с приемлемой точностью.

3. Разномасштабность, разнородность и нелинейность исследуемых социологией явления и процессов. Например, рассматриваемые социальные общности могут насчитывать от нескольких человек до нескольких сотен миллионов человек (разброс в восемь порядков!), а наличие нелинейных и прямых обратных связей - неотъемлемая характеристика любой социальной системы.

4. Постоянное усложнение социальных объектов, и их «рефлексивность», означающая, в частности, что новые знания рано или поздно сами становятся частью объекта, изменяя его характеристики и свойства. Примером служит судьба многих социальных прогнозов и проектов - даже будучи обоснованными по всем существующим меркам, они, вплетаясь в социальную ткань, становясь социальной реальностью, никогда не осуществляются в той степени, которая отвечала бы стандартам точных наук. Отсюда - самореализующиеся и (гораздо чаще) саморазрушающиеся социальные прогнозы и, как одно из следствий - бесконечная «гонка» математической модели за изучаемым объектом.

На современном рынке информационных технологий чаще всего можно встретить автоматизированные системы для таких подразделений как бухгалтерия, отдел продаж, складское хозяйство, кадровая служба, финансовая служба и т.д. И практически отсутствуют компьютерные решения для управления политической деятельностью. Корни проблемы в том, что «управление» редко применяется к политической деятельности и сама политическая деятельность больше понимается как искусство, чем как четкая системная технология [87].

Без сомнения, для деятельности современных политических сил требуются новые прогрессивные технологии и идеи, подходящие к конкретной политической ситуации. Политтехнологи вынуждены внедрять новые решения, позаимствованные у западных коллег, изобретать все более эффективные технологические ходы, задействовать все большее количество людей, вовлеченных в политические проекты. На фоне всего этого большое значение приобретает качественное управление политическими процессами. Очевидно, что между качеством управления и эффективностью политпроектов существует прямая зависимость.

Западные профессионалы пришли к тому, что для увеличения результативности избирательных кампаний, деятельности политических партий и организаций необходима компьютерная автоматизация политпроцессов. Как ответ на требование рынка, компании, занимающиеся информационными технологиями, разработали специализированные компьютерные системы автоматизации политической деятельности. Эти решения, в первую очередь, являются системами поддержки принятия решений (Decision Support System, DSS). Их определяют как компьютерные автоматизированные системы, которые разработаны для помощи людям, принимающим решения в сложных условиях, для полного и объективного анализа предметной деятельности [86].

Существуют программные продукты в сфере политической деятельности и политического РЯ, но они не способны решить все поставленные в предметной области задачи. Некоторые их этих программных средств пытаются прогнозировать результаты выборов и рассчитать бюджет предвыборной кампании, но для этого необходимо проделать большую работу по сбору нужных данных, которые зачастую не соответствуют реальному положению дел. Другие программные продукты всего лишь «подталкивают» пользователя к креативному мышлению, необходимому для разработки предвыборной кампании, и не дают готового «рецепта». Таким образом, в рассматриваемой предметной области нет системы, которая бы генерировала решения, исходя из поставленных пользователем целей. Поэтому, становится актуальной и целесообразной разработка системы генерации решения, которая бы выдавала решения по реализации предвыборной кампании, а также занималась накоплением опыта в этой сфере.

Цель и задачи

Целью диссертационной работы является создание системы генерации решений, обеспечивающей формирование стратегии и тактики кандидата в период избирательного процесса и накопление опыта в данной предметной области.

Для достижения названной цели решены следующие задачи:

1. Разработана архитектура системы генерации решений и реализованы все подсистемы в виде программного комплекса «Система генерации решений по формированию предвыборной кампании».

2. Исследована и формализована предметная область, в результате чего создана логическая структура системы на основе модели развёртывания предвыборной кампании.

3. Разработана и реализована в виде комплекса алгоритмов процедура генерации решений с использованием численных методов.

4. Разработана база данных, адаптированная к предметной области и решаемым задачам. База данных логически разделена на две компоненты: база прецедентов, база объектов предметной области.

Объект исследования

Объектом исследования является процесс достижения цели в социальных системах в условиях конкуренции и неопределённости с использованием системы генерации решений. При этом внимание сосредоточено на одной из слабоизученных социальных систем - политико-избирательной системы.

Предмет исследования

Предметом исследования являются модели и алгоритмы генерации решения, а также их реализация в программном продукте.

Методологическая и теоретическая основы

Исследования базируются на методах и положениях математического моделирования, теории систем и системного анализа, теории нейросетей, теории графов, теории классификации, теории добычи информации.

Научная новизна

Основные результаты настоящей диссертационной работы являются новыми и актуальными. Разработана архитектура СГР, благодаря которой система способна решать актуальные задачи в области политической деятельности, а именно формировать стратегию и тактику предвыборной кампании.

Разработана модель развёртывания предвыборной кампании, обеспечивающая достоверное представление структуры и объектов процесса. Модель основана на учете данных о ситуации накануне выборов и кандидате, а также на влиянии параметров ситуации на характеристики кандидата. Кроме того, модель учитывает правила формирования сценария предвыборной кампании.

Впервые предложен и обоснован интегрированный подход к разработке системы генерации решений по формированию предвыборной кампании.

Подход заключается в сочетании методологий, которые не использовались совместно для решения подобных задач. Эффект - устранение недостатков одной методологии достоинствами другой.

Разработана процедура генерации решений, реализованная в виде комплекса алгоритмов: вычисления оценочного коэффициента, определения характера метода и добавления его в сценарий, адаптации. Процедура позволяет на основе созданной модели развёртывания и найденных прецедентов эффективно генерировать предвыборные кампании с учётом особенностей стратегии и тактики.

Обоснована необходимость создания и разработан программный комплекс, автоматизирующий работу политтехнологов на первом этапе подготовки предвыборной кампании, а именно разработку её стратегии и тактики. Внедрение программного комплекса существенно снижает время на формирование предвыборной кампании. Кроме того, созданный программный комплекс решает задачу накопления опыта в данной сфере, что позволяет использовать его для обучения специалистов в области политических технологий.

Показана необходимость и возможность исследования социальных систем с помощью информационных технологий.

Основные положения, выносимые на защиту:

1. Архитектура системы генерации решений по формированию предвыборной кампании, обеспечивающая полное представление её функций и подсистем.

2. Модель развёртывания предвыборной кампании, учитывающая её структуру, основные объекты и процессы, а также их взаимовлияние.

3. Процедура генерации решений на основе численных методов, реализованная в виде комплекса алгоритмов, учитывающая особенности разработки стратегии и тактики предвыборной кампании.

4. Программный комплекс «Система генерации решений по формированию предвыборной кампании», реализующий разработанные модели и методы.

Достоверность полученных результатов

Достоверность научных положений и результатов исследований обеспечивается строгостью постановок задач, корректностью выбранных методов. Достоверность также подтверждается проведенными компьютерными экспериментами и результатами тестирования созданного программного комплекса.

Практическая значимость

Практическая значимость заключается как в способе формирования предвыборной кампании, так и в системе генерации решений. В конечном итоге положительный эффект - в повышении эффективности генерируемых решений, уменьшении затрат времени на формирование предвыборной кампании и возможности накопления опыта.

Структура и объём работы

Диссертационная работа состоит из введения, трёх глав с выводами, заключения, библиографического списка использованной литературы и приложений.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Головин, Вячеслав Александрович

3.9 Выводы.

В результате анализа задач, поставленных перед системой генерации решений по формированию предвыборной кампании:

• Определены требования в плане реализации ко всем её подсистемам.

• Описана программная структура и способ реализации каждой из подсистем.

• Разработаны интерфейсы, с помощью которых выполняются запросы и обмен данными между компонентами.

• Организована и обслуживается база данных в СУБД Access 2007.

Заключение

В заключении диссертационной работы можно отметить, что поставленная задача исследования, предполагающая создание системы генерации решений, обеспечивающей формирование предвыборной кампании и накопление опыта в данной сфере, решена в полном объёме. Политико-избирательная система является одной из слабоизученных и плохо формализуемых социальных систем. Таким образом, показана возможность исследования социальных систем с помощью методов моделирования и генерации решений. Основные результаты работы:

1. Обоснована актуальность разработки системы генерации решений, использование которой позволяет упростить деятельность политических организаций. 1

2. Проведён анализ целей функционирования СГР, на основании которого определена её архитектура. Предложенная архитектура применима для создания СГР в других социальных системах.

3. Разработана модель развёртывания предвыборной кампании, обеспечивающая достоверное представление процессов и объектов исследуемой предметной области.

4. Выделены основные подсистемы системы генерации решений.

5. Разработана процедура генерации решений, основанная на численных методах и реализованная в виде комплекса алгоритмов.

6. Разработана база данных для хранения объектов предметной области и прецедентов.

7. Разработана система генерации решений, обеспечивающая формирование предвыборной кампании и накопление опыта.

8. Выделены полезные эффекты от применения СГР.

9. Показана необходимость и возможность исследования социальных систем с помощью информационных технологий.

К практическим полезным эффектам можно отнести:

• Повышение эффективности генерируемых решений.

• Уменьшение времени на формирование предвыборной кампании.

• Накопление опыта в сфере предвыборной борьбы.

• Возможность дальнейшего исследования предметной области с целью дополнительных способов улучшения структуры системы и повышения её эффективности.

Список литературы диссертационного исследования кандидат технических наук Головин, Вячеслав Александрович, 2011 год

1. Aamodt Agnar, Plaza Enric. Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(l):39-59, 1994.

2. Acorn Т., Walden S. (1992). SMART: Support management cultivated reasoning technology for Compaq customer service. In Proceedings of AAAI92. Cambridge, MA: AAAI Press/MIT Press.

3. Aha D. W. An Implementation and Experiment with the Nested Generalized Exemplars Algorithm. Technical Report AIC-95-003. Washington, DC: Naval Research Laboratory, Navy Center for Applied Research in Artificial Intelligence, 1995

4. Aha D. ¡V., Salzberg S. L. Learning to Catch: Applying Nearest Neighbor Algorithms to Dynamic Control Tasks. In P. Cheeseman & R. W. Oldford (Eds.) Selecting Models from Data: Artificial Intelligence and Statistics. New York, NY: Springer-Verlag, 1993.

5. Althof Klaus-Dieter, Auriol Eric, Barlette Ralph, Manago Michel. A Review of Industrial Case-Based Reasoning Tools. AI Intelligence, 1995.

6. Anand S.S., Hughes J.G., Bell D.A.,Hamilton P. Utilising Censored Neighbours in Prognostication, Workshop on Prognostic Models in Medicine, Eds. Ameen Abu-Hanna and Peter Lucas, Aalborg, (AIMDM'99), Denmark, pp 15-20, 1999.

7. Ashley Kevin D. (1990). Modelling Legal Arguments: Reasoning with Cases and Hypotheticals, Cambridge, MIT Pre

8. Ashley K.D., Rissland E.L. (1988). Waiting on Weighting: A Symbolic Least Committment Approach. In Proceedings of the Seventh National Conference on Artificial Intelligence, pp. 239-244.

9. Bareiss R., ed. 1991. Proceedings of the DARPA Case-Based Reasoning Workshop. San Francisco, Calif.: Morgan Kaufmann.

10. Bareiss E., Porter В., and Wier C. (1988). PROTOS: An Exemplar-based Learning Apprentice. International Journal of Man-Machine Studies, 29: 549-561.

11. Bloomfield, Lincoln P. Managing international conflict: from theory to policy: a teaching tool using CASCON. N.Y., 1997.

12. Yi.Brand E., Gerritsen R. Naive-Bayes and Nearest Neighbor. DBMS. 1998.- № 7.

13. Breiman L., Friedman J. H., Olshen R. A., Stone. C. J. (1984). Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software.

14. Bundy Alan, editor. Artificial Intelligence Techniques. Springer Verlag,1997.

15. GrossbergS. 1974. Classical and instrumental learning by neural networks. Progress in theoretical biology, vol. 3, pp. 51-141. New York: Academic Press.

16. Gruvaeus G., Wainer H. Two additions to hierarchical cluster analysis. The British Journal of Mathematical and Statistical Psychology, 25, 200-206, 1972.

17. Hartigan J. A. Clustering algorithms. New York: Wiley, 1975.

18. Hartigan J. A., Wong M. A. Algorithm 136. A k-means clustering algorithm. Applied Statistics, 28, 100, 1978.

19. Heckerman D. "Bayesian Networks for Data Mining". Data Mining and Knowledge Discovery. 1997. - № 1. - P. 79-119.

20. Heckerman D., Geiger D., Chickering D. Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning. 1995. - 20. - P. 197-243.

21. Johns on, S. C. Hierarchical clustering schemes. Psychometrika, 32, 241254, 1967.31 .Kohonen T. Self-organization and associative memory. Series in Information Sciences, vol. 8. Berlin: Springer verlag, 1984.

22. NET Framework Электронный ресурс., Электрон, текстовые дан. -Режим доступа: http://ru.wikipedia.org/wiki/NET

23. Nguyen Т., Czerwinski, М., Lee D. (1993). Compaq QUICKSOURCE: Providing the Consumer with the power of AI. AI Magazine, Fall 1993, pp. 50-60.

24. Proctor T. Idea Processing Support Systems // Management Decision. 1998. Vol. 36. №2. P. 111-116.

25. Quinlan J. R. Generating production rules from decision trees. In Proceedings of the 10th International Joint Conference on Artificial Intelligence (IJCAI-87). Morgan Kaufmann, 1987. - P. 304-307.

26. Quinlan J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA, 1993.41 .Rosenblatt R. 1959. Principles of neurodynamics. New York: Spartan Books.

27. Smyth Barry, Padraig Cunningham (Eds.): Advances in Case-Based Reasoning, 4th European Workshop, EWCBR-98, Dublin, Ireland, September 1998, Proceedings. Lecture Notes in Computer Science 1488 Springer 1998, ISBN 3-54064990-5 Contents BibTeX

28. Germany, November 1-5, 1993, Selected Papers. Lecture Notes in Computer Science 837 Springer 1994, ISBN 3-540-58330-0

29. Wettschereck D., Aha D. W., Mohri T. A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms. Artificial Intelligence Review. 11. - pp. 273-314.

30. Widrow B. 1959 Adaptive sampled-data systems, a statistical theory of adaptation. 1959. IRE WESCON Convention Record, part 4. New York: Institute of Radio Engineers.

31. Widrow В., HoffM. 1960. Adaptive switching circuits. I960. IRE WESCON Convention Record. New York: Institute of Radio Engineers.51 .www.bcs-sgai.org/ai2004/ Электронный ресурс.52.www.bcs-sgai.org/ai2005/ Электронный ресурс.

32. Автоматизация поискового конструирования / Под ред. А.И. Половинкина. М.: Радио и связь, 1981.

33. Айвазян С.А. Программное обеспечение персональных ЭВМ по статистическому анализу данных//Компьютер и экономика: экономические проблемы компьютеризации общества. М.: Наука, 1998. С.91-107.

34. Айвазян С. А., Бухштабер В. М., Юнюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. !

35. Айвазян С А., Степанов B.C., Инструменты статистического анализа данных. 2000г.57 .Алътшуллер Г.С. Найти идею. Введение в теорию решения изобретательских задач. 2-е изд., доп. - Новосибирск: Наука, Сибирское отделение, 1991, 226с.

36. Блауберг КВ., Юдин Э.Г. Становление и сущность системного подхода. М., 1973.61 .Блюмин С.Л., Шуйкова И. А., Сараев П.В. Нечеткая логика: алгебраические основы и приложения, 2007

37. Борисов Е.С. Кластеризация на основе нейронной сети Кохонена Электронный ресурс. Электрон, текстовые дан. - 2006, Режим доступа: http://mechanoid.narod.ru/nns/kohonen/index.html

38. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А., Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности, Харьков, ОСНОВА, 1997. 112с.

39. Викентъев И.Л. Оправданная методичность // Рекламное измерение. 1998. №14. Режим доступа: www.triz-ri.ru/themes/profi/profi9.asp65 .Глушков В.М. Гносеологическая природа информационного моделирования // Вопросы философии. 1963. № 10.

40. Головин В.А. Подсистемы расчёта весовых коэффициентов и формирования сценария предвыборной кампании / Информатика, моделирование, автоматизация проектирования: сборник научных трудов, Ульяновск: УлГТУ, 2010 с. 167-171.

41. Головин В.А. Информационные технологии в политике / Информатика, моделирование, автоматизация проектирования: сборник научных трудов, Ульяновск: УлГТУ, 2010 с. 171-178.

42. Головин В.А. Структура системы поддержки генерации решения по формированию предвыборной кампании // Информатика, моделирование, автоматизация проектирования: сборник научных трудов, Ульяновск: УлГТУ, 2010 с.178-184.

43. Ю.Головин В.А. Подсистема адаптации найденного решения // Информатика, моделирование, автоматизация проектирования: сборник научных трудов, Ульяновск: УлГТУ, 2010 с.184-186.

44. Головко В А. Нейронные сети: обучение, организация и применение. -Москва:ИПРЖР, 2001

45. ЧЪ.Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений. Кибернетика и системный анализ. 1993. - № 5. - С. 174-178.

46. Гуц А.К., Коробицын В.В. Компьютерное моделирование этнических процессов. Деп. в ВИНИТИ 2903-В 97.

47. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. — М.: Мир, 1976. — 167 с.

48. Карпов Л. Е., Юдин В. Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов Электронныйресурс. Электрон. текстовые дан. - Режим доступа: http://citforum.rU/consulting/BI/karpov/#brefl

49. Карпов Л. Е., Юдин В. Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам, М., ИСП РАН, препринт № 18, 2006.

50. Колковский И. Некоторые аспекты выбора автоматизированной системы управления политической деятельностью Электронный ресурс. -Электрон. текстовые дан. Режим доступа: http://www.politsoft.com/publication3.htm

51. Колковский И. Особенности применения информационных технологий в управлении избирательными кампаниями Электронный ресурс. Электрон, текстовые дан. - Режим доступа: http://www.politsoft.com/publication5.htm

52. Кук Д., Бейз Г. Компьютерная математика. М.: Наука, 1990. - 384 с.

53. Кумунжиев КВ. Проектирование систем: изобретательство, анализ, принятие решений. //Учебное пособие Ульяновск: УлГТУ, 2009. - 183 с.

54. Курейчик В.М. Генетические алгоритмы. Состояние. Проблемы. Перспективы // Известия РАН. ТиСУ. 1999. №1. С. 144-160.

55. Курейчик В.М., Родзин С.И. Эволюционные алгоритмы: генетическое программирование. Обзор //Известия РАН. ТиСУ. 2002. №1. С. 127-137.

56. Мак-Дональд Мэтью Access 2007. Недостающее руководство. Русская Редакция, БХВ-Петербург, 2007 г. 784 с.

57. Михайлов А.П. Модель коррумпированных властных иерархий. / Математическое моделирование. 1999, т. 11, № 1, с. 3-17.

58. Нейгел Кристиан, Ивъен Билл, Глин Джей, Скиннер Морган, Уотсон Карли С# 2005 и платформа .NET 3.0 для профессионалов. Вильяме, 2008. -1790 с.101 .Новиков Ф.А. Дискретная математика для программистов. Санкт-Петербург: СПб.: Питер, 2000. - 304 с.

59. Норенков И.П. Основы автоматизированного проектирования. М: Издательство МГТУ им. Н.Э. Баумана, 2002. - 336 с.

60. ЮЪ.Ожиганов Э.Н. Стратегический анализ политики: Теоретические основания и методы. М., № 11. 2006.

61. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. — М.: Радио и связь, 1981. — 286 с.105 .Плот и некий Ю.М. Теоретические и эмпирические модели социальных процессов. М., 1998. i

62. Родзин С.И. Параллельные нейроэволюционные вычисления // Известия НАН Украины. Искусственный интеллект. —Донецк: Наука i осв1та, 2003. №4. С. 485-492.

63. Руднев Е. Е. Моделирование социально-политических процессов: конфликтологический аспект / электронный научный журнал «Теория и практика общественного развития», 2010. №2 СОЦИОЛОГИЧЕСКИЕ НАУКИ, Режим доступа: http://www.teoria-practica.ru/

64. Рутковская Д., Пилинъский М. Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие систем. Горячая Линия Телеком, 2007 г. -452 с. I

65. Саати Т. Принятие решений. Метод анализа иерархий. М: Радио и связь, 1993.

66. Саати Т., Керне К. Аналитическое планирование. Организация систем. М.: Радио и связь, 1991. 1

67. Саати Т.П. Принятие решений при зависимостях и обратных связях: Аналитические сети. М.: Издательство ЛКИ, 2008. - 360 с.

68. Самарский А.А., Михайлов А.П. Математическое моделирование (Идеи. Методы. Примеры). М.: Наука, 1997, 320 с

69. Сергеев A. Access 2007. Новые возможности. Питер, 2008 г. 176 с.

70. Терелянский П. В. Непараметрическая экспертиза объектов сложной структуры. М. : Изд.-торг. корп. «Дашков и Ко», 2009. - 221 с.

71. Уварова В.К, Шуметов В.Г. Использование Метода анализа иерархий Электронный ресурс. 2001. Электрон, текстовые дан. - Режим доступа: http://www.isras.ru/files/File/Socis/03-2001/016 UVAROVA.pdf

72. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. - 240 с.

73. Харитонова И., Рудикова JI. Microsoft Office Access 2007 (+ CD-ROM). БХВ-Петербург, 2008 г. 1280 с.

74. Цветков А. М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений. Кибернетика и системный анализ. 1993. -№ 1.-С. 174-178.

75. Цыпкин Я 3. Адаптация и обучение в автоматических системах. М.: Наука, 1968.

76. Шабров О.Ф. Системный подход и компьютерное моделирование в политологическом исследовании / Общественные науки и современность. 1996. №2. С.100-110.

77. Шведовский В.А. Динамическая модель электорального поведения // Математическое моделирование. 2000. Т. 12. 8. С. 46-56.

78. Шиханович Ю.А. Введение в современную математику. М.: Наука, -1965.-376 с.

79. Шишкин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении. М., 2000.

80. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику Электронный ресурс. 2001. Электрон, текстовые дан. - Режим доступа: http ://matlab. exponenta.ru/fuzzylogic/book 1 /index.php