Разработка и исследование методов интеллектуального поиска топологических структур с заданными свойствами тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Димитриченко, Дмитрий Петрович

• Димитриченко, Дмитрий Петрович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Димитриченко, Дмитрий Петрович

СОДЕРЖАНИЕ

Введение

Глава 1. Исследование информационных структур сложных открытых систем

1.1. Информационная структура сложных систем

1.2. Оптимизация информационных сетей при помощи генетических алгоритмов

1.3. Организация поиска на основе нечетких отношений предпочтения

1.4. Выводы

Глава 2. Построение баз знаний при помощи переменнозначных предикатов

2.1. Основные понятия и определения переменнозначных логических систем

2.2. Сравнительный анализ извлечения знаний при помощи нечетких отношений и переменнозначных предикатов

2.3. Минимизация баз знаний, описываемых при помощи переменнозначных предикатов

2.4. Извлечение дополнительных знаний при помощи структурных характеристик функции, построенной на основе переменнозначных предикатов

2.5. Выводы

Глава 3. Верификация логического поиска структуры информационной сети с наперед заданными свойствами

3.1. Выразительность описания знаний при помощи переменнозначных предикатов

3.2. Свойства адаптивности и самообучения

3.3.Верификация алгоритма извлечения знаний на основе исходных данных

3.4. Выводы

Заключение Список литературы Приложение

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов интеллектуального поиска топологических структур с заданными свойствами»

ВВЕДЕНИЕ

В современном обществе важную роль играет как обмен информацией (информационные потоки), так и совокупность технических и организационных средств, позволяющих организовывать и поддерживать такие информационные потоки. Совокупность этих средств объединяется в распределенные информационные структуры, называемые информационными сетями. Основное назначение информационной сети, как системы, выполнение функции информационного обмена между входящими в нее подсистемами, каждая из которых также может являться информационной сетью. Очевидно, что различные совокупности связей (топологии) между объектами (сетевыми агентами) по разному могут решать поставленную перед информационной сетью задачу. Например, задача максимального упрощения присоединения к данной информационной сети новых объектов требует хорошей реконфигурируемости внутренних связей, а задача сохранения конфиденциальности информации для своего решения требует многоступенчатой проверки входящих в информационную сеть объектов, жесткой, иерархической структуры связей и процедур шифрования передаваемых данных. Одним из эффективных методов исследования сложных информационных систем является теория графов. В рамках этой теории сформулировано и решено много важных с прикладной точки зрения задач. Теория графов успешно применяется в задачах искусственного интеллекта: От нахождения топологии нейронных сетей и до получения заключений на основе рассуждений, при проектировании сложных технических систем: от построения оптимальных транспортных систем различного назначения и до оптимизации топологии связей между радиоэлементами при создании устройств микроэлектроники. Хорошо известно, что сложность и трудоемкость решения многих оптимизационных задач резко возрастает с увеличением числа вершин и соединяющих их связей (класс пр-трудных задач).

Актуальность темы исследований определяется необходимостью создания методов интеллектуального поиска структур информационных сетей

3

по нескольким критериям выбора в условиях противоположного влияния этих критериев на результат выбора топологии, т.е. совокупности связей искомой информационной сети.

Настоящая диссертационная работа выполнена в рамках данной проблематики и посвящена разработке и исследованию методов интеллектуального поиска топологических структур информационных сетей, наиболее полно удовлетворяющих предъявляемым к ним требованиям, которые также формализуются в рамках предложенного подхода.

Целью диссертационной работы является разработка и исследование методов интеллектуального поиска топологических структур информационных сетей, наиболее полно удовлетворяющих предъявляемым к ним требованиям при помощи логических алгоритмов и формализации критериев выбора.

Цели и задачи исследования. Для достижения поставленной цели в диссертационном исследовании решаются следующие задачи:

1. Провести анализ существующих методов поиска объектов в слабо-формализованных областях знаний в условиях противоположного влияния актуальных характеристик на результат выбора этих объектов;

2. Разработать и исследовать методы выявления скрытых закономерностей в слабоформализованных областях знаний на основе логических алгоритмов при помощи переменнозначных логических предикатов;

3. Разработать и исследовать методов формализации критериев выбора структуры информационных сетей соответствии с предъявляемыми к ним требованиями;

4. Построить программную модель для экспериментального исследования и апробации теоретических выводов и результатов.

Методы исследования. Методы исследования базируются на теории графов, теории формальных систем, способах извлечения знаний при помощи переменнозначных предикатов, логических алгоритмов.

Достоверность результатов диссертационного исследования вытекает из корректного использования теории формальных систем, логических алго-

4

ритмов, а также результатами проведенных экспериментов.

Научная новизна. Научная новизна диссертационной работы заключается в следующем:

1. Предложен подход извлечения знаний из начальных баз данных, содержащих информацию о свойствах анализируемых объектов;

2. Предложен подход интеллектуальной обработки полученных знаний при помощи переменнозначных предикатов;

3. Предложен метод получения всевозможных классов структур информационных сетей, позволяющий выявить дополнительные свойства и осуществить интеллектуальный выбор.

Основные положения, выносимые на защиту:

1. Предложена схема построения информационной модели предметной области на основе переменнозначных логических функций;

2. Предложен метод классификации объектов слабоформализованной предметной области при помощи вычисления переменнозначных логических функций и анализа их структуры;

3. Разработан адаптивный алгоритм интеллектуального поиска структур информационных сетей, наиболее полно удовлетворяющих запрашиваемым характеристикам.

Практическая ценность. Практическая ценность диссертационного исследования заключается в прикладном характере предложенных алгоритмов поиска объектов в слабоформализованных областях знаний в соответствии с критериями выбора. Эти алгоритмы обеспечивают решение задачи формализации критериев выбора и нахождение топологии связей информационных сетей, наиболее полно удовлетворяющих предъявляемым к ним требованиям.

Апробация работы. Основные результаты и положения диссертации были представлены и обсуждены на конференциях: Международная научная конференция «Моделирование устойчивого регионального развития» (Нальчик, 2005 г.); Международный конгресс студентов, аспирантов и молодых ученых «Перспектива 2007» (КБГУ, Нальчик, 2007 г.); Международный Рос-

5

сийско-Азербайджанский симпозиум «Уравнения смешанного типа и родственные проблемы анализа и информатики» (Нальчик-Эльбрус, 2008 г.); III Международная научная конференция «Современные проблемы прикладной математики и математического моделирования» (Воронеж, 2009 г.); Международный Российско-Абхазский симпозиум «Уравнения смешанного типа и родственные проблемы анализа и информатики» (Нальчик-Эльбрус, 2009 г.); Международный Российско-Болгарский симпозиум «Уравнения смешанного типа и родственные проблемы анализа и информатики» (Нальчик-Хабез, 2010 г.), Второй Международный Российско-Казахский симпозиум «Уравнения смешанного типа и родственные проблемы анализа и информатики» (Нальчик, 2011 г.), Второй Международный Российско-Узбекский симпозиум «Уравнения смешанного типа и родственные проблемы анализа и информатики» (Нальчик-Эльбрус, 2012 г.).

Выносимые на защиту научные результаты были предметом обсуждения на заседаниях научно-исследовательского семинара по современному анализу, информатике и физике Федерального государственного бюджетного учреждения науки Научно-исследовательского института прикладной математики и автоматизации Кабардино-Балкарского научного центра Российской академии наук.

Исследования «Построение алгоритма и программы метода множественной оптимизации ТКС», проводимые в рамках работы над диссертацией, (2006-2009) были поддержаны программой «Организация и финансирование работ молодых ученых Российской академии наук по приоритетным направлениям фундаментальных исследований».

По материалам диссертации автором опубликовано 20 печатных работ, в том числе 4 статьи из списка, рекомендованного ВАК РФ, в которых отражены основные результаты диссертационного исследования.

Структура и объем работы. Диссертация состоит из введения, трех глав, приложения, заключения, списка цитированной литературы. Объем работы составляет 119 страниц, включая библиографию, содержащую 127 на-

6

именований.

Содержание диссертационной работы. Во введении обосновывается актуальность выбранной темы, цель и содержание поставленной задачи, формулируется объект и предмет исследования, цель собственного исследования, направления и методы решения, основные положения, выносимые на защиту, краткое содержание разделов диссертационной работы.

В первой главе проводится сопоставление основных характеристик информационных систем, как подмножества сложных открытых систем, и биологических систем. Анализируется возможность применения к задаче поиска оптимальных информационных структур, представимых виде взвешенных графов, эволюционных алгоритмов. Для целей решения задачи многокритериального выбора, рассмотрены возможности аппарата нечетких множеств, позволяющего найти множество недоминируемых, т.е. не улучшаемых по всем критериям альтернатив, в качестве которых выступают структуры информационных сетей. Однако этот метод не может указать оптимальные топологии по заданному запросу, что позволяет сделать следующие выводы о методологии решения поставленной задачи:

1. Теория графов позволяет строить модели, отражающие количественные и качественные характеристики информационных сетей;

2. Вычислительная сложность широкого класса решаемых на графах задач связана с осуществлением полного (или почти полного) перебора значений параметров исследуемых графов;

3. Задача анализа и синтеза топологической структуры информационной сети более успешно решается при помощи метода косвенного кодирования, т.е. на основе начальных топологических структур с заданными характеристиками; Такие структуры рассматриваются, как единичные элементы для построения многоуровневых информационных сетей.

Одним из способов учета нескольких критериев, оказывающих влияние на на результаты поиска, является метод анализа нечетких отношений предпочтения, который обладает рядом следующих достоинств:

7

1. Простота интерпретации результатов: полученного нечеткого множества недоминируемых альтернатив х;

2. Легкость включения новых, ранее не известных, критериев;

3. Гибкий способ учета важности критериев путем задания соответствующих коэффициентов относительной важности;

4. Небольшие вычислительные затраты;

5. Простота программной реализации алгоритма многокритериального выбора при нечеткой исходной информации.

Однако, приведенный метод не лишен следующих недостатков:

1. Невозможность однозначного определения значений характеристик альтернативы, обладающей наперед заданной комплексной оценкой;

2. Невозможность произвольного изменения коэффициентов важности в силу требования линейной свертки.

Во второй главе рассматриваются логические алгоритмы, предназначенные для выявления скрытых закономерностей в слабоформализуемых областях знаний. При этом, основной целью при решении рассматриваемой задачи является моделирование минимальной и полной системы аксиом относительно заданных знаний. Использование такой минимизированной базы знаний позволяет провести автоматизированное разбиение характеризуемых объектов на классы и, как следствие, их качественный анализ. При этом возможен сокращенный вывод по заданному запросу с автоматической минимизацией, т.е. удалением избыточной информации, и логический поиск по оптимизированной базе знаний. Такой подход дает более продуктивную возможность для автоматизированного решения поставленной задачи оптимизации процедур поиска в условиях наличия у рассматриваемых объектов нескольких (часто имеющих противоположное влияние на объекты) критериев. Кодирование критериев анализируемых объектов производится при помощи переменнозначных предикатов. При решении данной задачи используется аппарат математической логики, который представляется очень уместным, исходя из реальных качеств характеризуемых объектов. Поскольку характе-

8

ризуемый объект имеет ряд признаков, разбитых, каждый на своё число состояний, то возможность кодировать каждый признак предикатами разной значности выглядит очень удобной. Конечная цель, применения предикатов переменной значности сделать вывод о принадлежности исследуемых данных какому-либо объекту или классу.

Пусть 8 - множество исследуемых объектов, которое характеризуется некоторым набором свойств Н в терминах многозначных предикатов, с переменной значностью.

Многозначным предикатом с переменной значностью называется конечное отображение вида а:8—> 1та, где 1та -ае{0,1,..кг1}> Ь е [2..И].

Пусть задано разбиение В на два непересекающихся подмножества £={а,.. <7п} и П ={п1„жт}. Множества П называют соответственно целевым и базовым. На основе значения целевых необходимо уметь определять значение базовых. При этом, множество сведений, содержащихся в БД должно быть непротиворечивым относительно задачи определения базовых значений.

БЗ называется непротиворечивой на V, если на наборе признаков X) еХ невозможно получить выводы: п=м> и ~(п=м).

При этом, затруднительным является использование алгебраического аппарата, так как определенные функции многозначных логик могут использоваться почти всеми логическими системами, а неоднозначность других фактически означает смену логики. Такой функцией, например, является инверсия, управление которой дало бы возможность значительного расширения функциональных свойств системы. Поскольку в задаче предполагается, что каждая характеристика объекта кодируется предикатом со своей значностью, то возникает необходимость общих законов, позволяющих моделировать процесс синтеза базы знаний в условиях переменной значности.

Пусть Хг - независимая многозначная переменная величина, Х1в[0... к-1], являющейся одной из характеристик объекта. Введем еще несколько функций и свойств многозначной логики.

к — 1 при X - ]

О при X Ф у

I ) =

о

при при

х, = ]

х, * ]

2) Свойство коммутативности:^ °Х2= Х2 °Х1.

3) Свойство ассоциативности: (Х! °Х2) °Х3= X, ° (Х2 °Х3).

4) Свойство дистрибутивности: (X/ уХ2) Х3= Х1Х3 ^Х2Х3.

1л(х)при ) = Г

5 ) Правила упрощения:

О при

Отметим ряд свойств, справедливых для многозначной логики:

(к-1)*Х=Х

0*Х=Х

(к-1) \/Х=(к-1) OvX=X.

Введем понятие обобщенной инверсии: Обобщенной инверсией является следующее выражение

Заданная таким образом инверсия обеспечивает включение всех возможных интерпретаций отрицания в различных многозначных логических системах.

Постановка задачи описания объектов при помощи переменнозначных предикатов и поиска среди них оптимальных (в рамках интерпретации соответствующей предметной области) имеет следующий вид:

Пусть - множество рассматриваемых объектов, а х/, х2, х3,...,х„- предикаты значности каждый.

И пусть оценка объекта по каждому из п критериев сопоставлена с некоторым значением логической переменной соответствующей значности, то всю совокупность рассматриваемых нами объектов мы можем охарактеризовать наборами из п логических переменных, при помощи которых описываются содержащиеся в базе знаний объекты.

Такая совокупность знаний является основой для построения в общем случае системы логических функций, вид которых заранее не задан.

Вся совокупность знаний может быть представлена следующей таблицей:

X, #2 • .. х„ "И>

.. х„(щ)

*1(>0 •• *„(>о

где каждый соответствующий признак х/и^ в общем случае кодируется предикатом &,-значности, к, > 2, 1=1,]=1, ...,т.

При этом возможно представление всей базы знаний функцией или системой функций переменнозначной логики, с учетом специфики кодирования (значности) каждого признака. При этом появятся рассуждения такого типа: знаем это логическое правило, и последующие. Все вместе эти логические правила содержатся в совокупности исходных знаний. В результате получим логическую функцию вида:

ях)=(л! л;=1 х>Г> wJ).

К этой функции применяется алгоритм сокращения (минимизации) в адаптированном для многозначных логик варианте. Получаемая таким образом функция является минимальным логическим описанием исходной совокупности знаний. При добавлении нового логического правила (нового знания), проверяется, выводимо ли данное правило из существующих: если -

«да», то функция остается той же, если - «нет», то присоединяем новое знание путем логического многозначного перемножения функции и нового логического правила, записанного в виде многозначной ДСНФ.

Сформированная таким образом система логических функций (аксиом) позволяет не только собрать все знания о топологических структурах в соответствии со значениями оценочных функций по выбранным критериям, но и дать ответ на запрос, сформулированный в соответствующих терминах многозначных предикатов по всем рассматриваемым критериям об оптимальных (наиболее подходящих) топологических структурах.

В рамках проводимого исследования доказаны теоремы 1 и 2 о соотношении результатов, получаемых с помощью нечетких множеств и логических алгоритмов, работающих с переменнозначными предикатами.

Теорема 1. Пусть X конечное множество альтернатив, \х\ = п.И пусть /„

строго возрастающая функция полезности (оценки альтернатив) /п:Х->К, х0 еХ, является ЧНД-альтернативой тогда и только тогда, когда в построенной по к -значной базе знаний к > п логической функции альтернативе х0 соответствует аксиома, содержащая наибольшее значение логической переменной среди существующих аксиом.

Теорема 2. Пусть X конечное множество альтернатив, /п(х) - неубывающая на X функция полезности, и Хчнд - множество четко недоминируемых альтернатив, \Хчнд\ = т, т > 1, то всякая альтернатива х0 е X является

ЧНД-альтернативой тогда и только тогда, когда она содержится в дизъюнкте класса с наибольшим значением логической переменной среди существующих классов функции, построенной по соответствующей базе знаний, причем, количество объектов в этом дизъюнкте в точности равно т.

Теорема 3 указывает на общую структуру дизъюнктов логической функции. Анализ структуры этих дизъюнктов позволяет извлекать дополнительные знания при поиске оптимальных топологических структур.

Теорема 3. Если два различных класса содержат общие объекты, то они

12

образуют подкласс, являющийся конъюнкцией всех входящих в эти классы логических переменных и содержащихся в них общих объектов.

Теорема 4 указывает на свойство единственности базовых дизъюнктов, и как следствие, самой логической функции.

Теорема 4. При поиске минимального покрытия столбцов строками матрицы объектов по каждой из п логических переменных не могут найтись два различных покрытия.

Теорема 5 указывает на возможность однозначного приведения логической функции к сокращенной форме и ее восстановления до исходного состояния, а из способа доказательства вытекают сами алгоритмы таких преобразований, которые опираются на результаты доказательства теоремы 4. Теорема 5. Пусть:

1. Число объектов, описываемых логической функцией /, конечно и равно ш;

2. Число логических переменных, описывающих свойства объектов конечно и равно п;

3. Все логические переменные х, являются конечнозначными предикатами значности к,, 1=1, ...,п .

Тогда аксиоматические дизъюнкты однозначно определяют логическую функцию, построенную по исходной базе данных.

Проводится анализ вида логической функции, позволяющий решить задачи анализа и синтеза топологических структур применительно к задаче многокритериального поиска оптимальных топологий.

Содержание второй главы позволяет сделать следующие выводы: Логический подход при решении задачи многокритериального поиска объектов заданной предметной области в условиях нечеткой и неполной информации о них является перспективным по следующим причинам:

1. Представление данных при помощи переменнозначных предикатов позволяет построить выразительную базу знаний исследуемых объектов в

пространстве признаков, что дает возможность организовать базу знаний в

13

компактной форме и провести обнаружение скрытых закономерностей между признаками объектов;

2. Доказаны теоремы, обосновывающие предпочтительность применения переменнозначных логических функций по сравнению с нечеткими отношениями при решении задач многокритериального поиска объектов с заданными характеристиками;

3. Обеспечивается интеллектуальное распознавание объектов по любому возможному запросу при помощи переменнозначной логической функции;

4. Реализуется возможность выявления всевозможных классов, порождаемых данной совокупностью объектов в соответствии с их свойствами;

5. Выделение минимальной и полной системы аксиом (аксиоматических дизъюнктов) относительно заданных знаний позволяет хранить базу знаний в сокращенной форме без потери информации о содержащихся в ней объектах;

6. Проведено Обоснование алгоритмов сокращения и восстановления структуры исходной базы знаний путем последовательных преобразований переменнозначной логической функции с целью удаления избыточной информации об анализируемых объектах и сохранением корректной структуры знаний;

7. Предложен способ извлечения дополнительных знаний о содержащихся в базе знаний объектах путем проведения анализа структуры переменнозначной логической функции.

В третьей главе показаны преимущества применения логических функций, построенных на основе переменнозначных предикатов для описания базы знаний характеристик информационных сетей. Приведены результаты логических вычислений, реализующих многокритериальный поиск структур информационных сетей с запрашиваемыми характеристиками.

Применение переменнозначных логических функций для получения дополнительных знаний, наиболее полно отражающих свойства информаци-

14

онных сетей и обеспечивающих реализацию многокритериального поиска информационных сетей в соответствии с предъявляемым к ним требованиями обладает следующими преимуществами:

1. Способ разбиения сегмента [0, 1] значений оценочных функций на переменное число частей с переменным шагом улучшает качество системы знаний, по сравнению с делением этого сегмента на фиксированное число шагов, которое позволяет применить переменнозначные предикаты для логической обработки исходных данных;

2. Применение переменнозначных предикатов улучшает способность системы знаний отражать исследуемую предметную область: свойства информационных сетей, так как уже на ранней стадии формирования базы знаний можно обработать любой из возможных запросов в отличие от предикатов с фиксированной значностью, т.е. интеллектуальная система, основанная на переменнозначных предикатах быстрее обучается и адаптируется к новой входной информации.

Применение переменнозначных логических функций обеспечивает следующие свойства интеллектуальной обработки исходных данных:

1. Совокупность знаний, описываемая переменнозначной логической функцией (или системой таких функций) обладает значительной степенью гибкости при добавлении новых знаний: топологических структур ранее неизвестных типов в рамках уже известных критериев (значений логических предикатов), или расширении знаний: появлении новых актуальных характеристик описывающих новые критерии, не известные на начальном этапе формирования этой базы знаний;

2. Предложенный способ интеллектуальной обработки данных в слабо формализованных областях знаний при неполной и нечеткой информации об анализируемых объектах в условиях противоположного влияния критериев на качество оптимальных решений обеспечивает свойства адаптивности и самообучения.

Описанные преимущества обеспечивают перспективность применения

15

предложенных в диссертационном исследовании методов для решения задач анализа при нечеткой исходной информации, многокритериального поиска и проектирования компьютерных сетей и информационных сетей более широкого класса с наперед заданными свойствами.

Общие принципы диссертационного исследования могут быть положены в основу моделирования и минимизации баз знаний для построения адаптивной системы управления, накапливающей данные, на основании которых можно планировать эффективное развитие информационной сети.

ГЛАВА 1. ИССЛЕДОВАНИЕ ИНФОРМАЦИОННЫХ СТРУКТУР СЛОЖНЫХ ОТКРЫТЫХ СИСТЕМ

1.1. Информационная структура сложных систем

В современном обществе важную роль играет как обмен информацией (информационный поток), так и совокупность технических средств, позволяющих организовывать и поддерживать разнообразные информационные потоки. Совокупность этих средств объединяется в распределенные информационные структуры, называемые информационными сетями [87].

С этой целью дадим определение информационной сети, как системы, выполняющей функцию информационного обмена между входящими в нее подсистемами, каждая из которых также может являться информационной сетью.

Определение 1.1. Информационной сетью назовем совокупность множества объектов, являющихся как источниками, так и приемниками информации и отношение информационных связей между этими объектами. При этом каждый из объектов также может являться информационной сетью.

Определение 1.2. Совокупность связей информационной сети, рассматриваемая независимо от специфики входящих в нее объектов будем называть топологией, или топологической структурой данной информационной сети.

Определение 1.3. совокупность входящих в информационную сеть приемников и источников информации, способных воздействовать на такие же, входящие в сеть приемники и источники информации, или топологию самой сети будем называть сетевыми агентами [94].

Список литературы диссертационного исследования кандидат наук Димитриченко, Дмитрий Петрович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Азалецкий П.С., Мышков П.С., Тимофеев A.B., Шеожев A.M. Распределённая обработка и передача баз данных и знаний с помощью сети Интернет // Труды Всероссийской конференции "Проблемы информатизации регионального управления". Нальчик. 2006.- С. 121-126.

2. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов.- М.: Мир, 1979.- 536 с.

3. Ахо Альфред В., Хопкрофт Джон Э., Ульман Джеффри Д. Структуры данных и алгоритмы.- М.: Вильяме, 2000.- 400 с.

4. 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.

5. Берштейн Л.С. Нечеткие модели для экспертных систем в САПР,- М.: Энер-гоатомиздат, 2003.-136 с.

6. Букатова И.Л. Эволюционное моделирование и его приложения.- М.: Наука, 1979.- 234 с.

7. Винер Н. Кибернетика, или управление и связь в животном и машине - М.: Наука, 1983.- 344 с.

8. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.-СПб.: Питер, 2002.- 383 с.

9. Гаврилова Т.А, Червинская K.P. Извлечение и структурирование знаний для экспертных систем,- М.: Радио и связь, 1992.- 200 с.

10.Гаек, П., Гавранек Т. Автоматическое образование гипотез.- М.: Наука, 1984.- 280 с.

И.Глатков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы.- М.: Физматлит, 2010.- 366 с.

12.Горбатов В.А. Фундаментальные основы дискретной математики.- М.: Наука, 2000.- 544 с.

И.Димитриченко Д.П. Алгоритм минимизации логической функции на основе аксиоматических дизъюнктов. // Материалы международного Российско-Абхазского симпозиума «Уравнения смешанного типа и родственные проблемы анализа и информатики» и VII Школы молодых ученных «Нелокальные краевые задачи и проблемы современного анализа и информатики». Нальчик-Эльбрус. 2009. С. 272-275.

И.Димитриченко Д.П. Анализ логических функций баз знаний сетевых топологических структур методами многозначной логики // Доклады Адыгской (Черкесской) Международной академии наук. 2007. Т.9. № 2. С. 112-114.

15.Димитриченко Д.П. Исследование сетевых топологических структур методами многозначной логики// Материалы V школы молодых ученых «Нелокальные краевые задачи и проблемы современного анализа и информатики». Нальчик-Эльбрус. 2007. С. 56-58.

16.Димитриченко Д.П. К вопросу о минимизации переменнозначной логической функции. // Современные проблемы прикладной математики и математического моделирования: Материалы III Международной научной конференции. Часть 1.- Воронеж: «Научная книга». 2009. С. 110- 112.

17.Димитриченко Д.П. К вопросу об интерпретации дизъюнктов переменно-значных логических функций, построенных по базе знаний сетевых топологических структур. // Вестник ВГТУ. 2008. Том 4. № 4. С. 81 - 85.

18.Димитриченко Д.П. К вопросу о сокращении переменнозначной логической функции. // Вестник ВГТУ. 2008. Том 4. № 11. С. 127 - 130.

19.Димитриченко Д.П. К вопросу о сравнении сетевых топологий в рамках концепции нечеткого математического программирования // Материалы Школы молодых ученых «Нелокальные краевые задачи и проблемы совре-

93

менного анализа и информатики». Нальчик-Эльбрус. 2005. С. 26-30.

20.Димитриченко Д.П. К вопросу о сравнении сетевых топологий в рамках концепции нечеткого математического программирования // Доклады Адыгской (Черкесской) Международной академии наук. 2006. Т.7. № 2. С. 103-107.

21.Димитриченко Д.П. Логический поиск сетевых топологических структур для построения ГРИД-систем. // Материалы Международного Российско-Болгарского симпозиума «Уравнения смешанного типа и родственные проблемы анализа и информатики». Нальчик-Хабез. 2010. С. 77-78.

22.Димитриченко Д.п. Многокритериальная оценка сетевых топологических структур для оптимального построения Оп<1-систем // "Известия КБНЦ РАН».- Том 39. № 1. 2011. С. 33-35.

23.Димитриченко Д.П. О взаимосвязи нечетких отношений и логических структур, построенных для оптимизации процедур поиска. // Материалы Международного Российско-Азербайджанского симпозиума «Уравнения смешанного типа и родственные проблемы анализа и информатики» и VI Школы молодых ученных «Нелокальные краевые задачи и проблемы современного анализа и информатики». Нальчик-Эльбрус. 2008. С. 204-205.

24.Димитриченко Д.П. О взаимосвязи нечетких отношений и логических структур, построенных для оптимизации процедур поиска. Доклады Адыгской (Черкесской) Международной академии наук т. 10, № 1. 2008. С 101105.

25.Димитриченко Д.П. Получение комплексной оценки при сравнении сетевых топологических структур// Материалы международного конгресса студентов, аспирантов и молодых ученых «Перспектива 2007». Нальчик. 2007. С.175-177.

26.Димитриченко Д.П. Применение логического подхода к поиску сетевых то-

94

пологий для построения GRID-систем // Материалы Первой Всероссийской конференции молодых ученых «Математическое моделирование фрактальных процессов, родственные проблемы анализа и информатики». Нальчик-Чегет. 2010. С. 74-76.

27.Димитриченко Д.П. Программная реализация вычисления логических функций на основе переменнозначных предикатов // Материалы Второго Международного Российско-Казахского симпозиума «Уравнения смешанного типа и родственные проблемы анализа и информатики». Нальчик. 2011. С. 66-68.

28.Димитриченко Д.П. Сравнение сетевых топологических структур с учетом нескольких критериев // Материалы III Международной конференции "Нелокальные краевые задачи и родственные проблемы математической биологии, информатики и физики". Нальчик. 2006. С. 109-113.

29.Димитриченко Д.П., Тимофеев A.B. К вопросу о мультифрактальном и мультиагентном проектировании телекоммуникационных сетей // Материалы международной научной конференции «Моделирование устойчивого регионального развития ». Нальчик. 2005. С. 188-189.

30.Димитриченко Д.П., Тимофеев A.B. Многокритериальная оценка сетевых топологических структур для моделирования и проектирования GRID-систем // Труды СПИИРАН. №11. СПб.: Наука. 2009. 193-212 с.

31.Димитриченко Д.П., Тимофеев A.B. Модели и методы многокритериальной оптимизации альтернатив // Труды СПИИРАН. Вып. 7 - СПб.: Наука. 2008. 182-194 с.

32.Димитриченко Д.П., Тимофеев A.B. Применение методов многозначной логики для поиска оптимальных сетевых топологий// Материалы второй международной конференции «Моделирование устойчивого регионального развития». Нальчик. 2006. С.206-209.

33.Дюк В.А. Обработка данных на ПК в примерах.- СПб.: Питер, 2007. 240 с.

34.Дюк В.А. Формирование знаний в системах искусственного интеллекта: геометрический подход,- // Вестник академии технического творчества-СПб.: СПбГТУ, 1996, № 2. С. 46-67.

35.Дюк В., Самойленко A. Data Mining: Учебный курс. СПб.: Питер, 2001. 368 с.

36.Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. 224 с.

37.Емеличев В.А., Мельников О.И., Сорванов В.И., Тышкевич Р.И. Лекции по теории графов.- М.: Наука, 1990,- 384 с.

38.Емеличев В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: Физматлит.- 2011. 432 с.

39.3агоруйко Н.Г. Прикладные методы анализа данных и знаний.- Новосибирск: ИМ СО РАН.: 1999.- 270 с.

40.3акревский А.Д. Логика распознавания,- М.: Наука, 2003.- 144 с.

41.Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев.: Техника, 1975.- 311 с.

42.Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев.: Техника, 1971.- 372 с.

43.Ивахненко А.Г., Лапа В.Г. Кибернетические предсказывающие устройства. Киев.: Наукова думка, 1965.- 416 с.

44.Искусственный интеллект: Применение в интегрированных производственных системах.- /под ред. Э.Кьюсиака. - М.: Машиностроение, 1991.- 544 с.

45.Искусственный интеллект. Справочник в 3-х томах, /под ред. В.Н. Захарова. - М.: Радио и связь, 1990.

46.Казиев В.М. Введение в анализ, синтез и моделирование систем.- Интернет-университет информационных технологий, Бином. Лаборатория знаний,

96

2007.- 248 с.

47.Кандрашина Е.Ю. Литвинцева A.B., Поспелов Д.А Представление знаний о времени и пространстве в интеллектуальных системах. Проблемы искусственного интеллекта.- М.: Наука, 1989.- 328 с.

48.Клемент Р.П. Генетические алгоритмы: почему они работают, когда их применять // Компьютерра. 1999. № U.C. 47-54.

49. Корнеев В.В., Гарев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации.- М.: Нолидж, 2000.- 261 с.

50.Кохонен Т. Ассоциативная память.- М.: Мир, 1980.- 240 с.

51 .Кристофидес Н. Теория графов. Алгоритмический подход.- М.: Мир, 1978.433 с.

52.Кузнецов В.Е. Представление в ЭВМ неформальных процедур.- М.: Наука, 1989.- 159 с.

53.Кузнецов И.П. Механизмы обработки семантической информации.- М.: Наука, 1978.- 174 с.

54.Курейчик В.М. Генетические алгоритмы и их применение . Таганрог: ТРТУ. 2002. 242 с.

55.Курейчик В.М. Генетические алгоритмы. Состояние. Проблемы. Перспективы. // Изв. РАН. Теории и системы управления под № 1, 1999. с. 144-160.

56.Лазарев И.В., Сухорослов О.В. Использование workflow-методологии для описания процесса распределенных вычислений. // Проблемы вычислений в распределенной среде: Модели обработки и представления данных. Динамические системы. Труды ИСА РАН. Т. 14. - М.: КомКнига, 2005. с. 26-70.

57.Лазарев И.В., Сухорослов О.В. Реализация службы управления сценариями в распределенной вычислительной среде. // Проблемы вычислений в распределенной среде: распределенные приложения, коммуникационные системы, математические модели и оптимизация. Труды ИСА РАН. Т. 25. - М.:

97

КомКнига, 2006. с. 77-98.

58.Любарский Ю.Я. Интеллектуальные информационные системы.- М.: Наука, 1990.- 227 с.

59.Лютикова JI.A. Моделирование и минимизация баз знаний в терминах многозначной логики предикатов.- Препринт - Нальчик, НИИ ПМА КБНЦ РАН, 2006. 33 с.

60.Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР,- М.: Энергоатомиздат, 1991.- 136 с.

61.Майника Э. Алгоритмы оптимизации на сетях и графах.- М.: Мир, 1981.323 с.

62.Мелихов А.Н., Бернштейн Л.С., Коровин СЛ. Ситуационные советующие системы с нечеткой логикой.- М.: Наука, 1990.- 272 с.

63.Нагибин П. Выбор топологии сети в реальных условиях // журнал «Экспресс-Электроника», № 6/2003.

64.Нечеткие множества в моделях управления и искусственного интеллек-та/А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов. Под ред. Д.А. Поспелова.- М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 312 с.

65.Нечеткие множества и теория возможностей /под ред. Р. Ягера. - М.: Радио и связь, 1986.- 408 с.

66.Обработка нечеткой информации в системах принятия решений / А.Н.Борисов, А.В.Алексеев и др.- М.: Радио и связь, 1989. - 304с.

67.0лифер В.Г., Олифер H.A. Компьютерные сети. Принципы, технологии, протоколы.- СПБ.: Питер, 2010.- 944 с.

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

69.Осипов Г.С. Приобретение знаний интеллектуальными системами.- М.: Наука, 1997.

70.Попов, Э.В. Экспертные системы.- М.: Наука, 1997.- 285 с.

71.Построение экспертных систем /под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената. - М.: Мир, 1987.- 441 с.

72.Растригин Л.А. Система экстремального управления.- М.: Наука, 1974.- 630 с.

73.Растригин Л.А. Статистические методы поиска.- М.: Наука, 1968.- 376 с.

74.Растригин Л.А., Маджаров Н.Е. Введение в идентификацию объектов управления.- М.: Энергия, 1977.- 190 с.

75.Растригин Л.А., Марков В.А. Кибернетические модели познания.- Рига: Зи-натне, 1976.- 180 с.

76.Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга).- М.: Мир, 1965. - 480 с.

77.Рубашкин В.Ш. Представление и анализ смысла в интеллектуальных информационных системах.- М.: Наука, 1989.

78.Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечёткие системы. М.: Горячая линия - Телеком, 2004.452 с.

79. Рязанов В.В. О синтезе классифицирующих алгоритмов на конечных множествах алгоритмов классификации (таксономии) // ЖВМ и МФ. - 2002. -Том 22. - №2. - С. 429-440.

80.Свами М., Тхуласираман К. Графы, сети и алгоритмы.- М.: Мир, 1984.- 4556 с.

81.Системы управления базами данных и знаний. Справочное издание / под ред. А.Н. Наумова. - М.: Финансы и статистика, 1991.-352 с.

82.Смирнов С.Ю., Тихомиров В.О. Введение в опытную эксплуатацию вычислительной фермы, построенной по технологии GRID.- Сб. тр. науч. сессии МИФИ-2004.- т. 10, М.: МИФИ, 2004. с. 14-27.

99

83.Соломатин Н.М. Информационные семантические системы.- М.: Высшая школа, 1989.- 127 с.

84.Соколов В.Н. Сети абонентского доступа. Принципы построения.- М.: Эн-тер-профи, 1999.- 255 с.

85.Столлингс В. Современные компьютерные сети - СПб.: Питер, 2003 - 783 с.

86.Тейз К, Гри-бомон П,Луи Ж. Логический подход к искусственному интеллекту: от классической логики к логическому программированию.- М.: Мир, 1990.- 429 с.

87.Теория систем и управления // http://www.rusycon.ru.

88. Тимофеев A.B. Проблемы и методы адаптивного управления потоками данных в телекоммуникационных системах // Информатизация и связь. № 1-2, 2003. С. 68-73.

89.Тимофеев A.B., Сырцев A.B. Модели и методы маршрутизации потоков данных в телекоммуникационных системах с изменяющейся динамикой.- // Приложение к журналу «Информационные технологии», №8, 2005 г., 32 с.

90. Тимофеев A.B., Шеожев A.M. Методы построения обучающих выборок для развернутой медицинской диагностики на основе нейросетевых технологий // Доклады Адыгской (Черкесской) международной академии наук. Нальчик, 2000. - Т.5. - № 1. - С. 69-71.

91.Тимофеев A.B., Шеожев A.M. Порогово-полиномиальные и диофанто-вые нейронные сети в задачах медицинской диагностики // Сб. научных трудов конференции "Нейроинформатика-99". Часть 2. - М.: МИФИ, 1999. -С. 81-86.

92.Тимофеев A.B., Шеожев A.M., Шибзухов З.М. О создании Интернет- и Интранет-ориентированных систем медицинской диагностики // Труды Международного симпозиума "Электроника в медицине. Мониторинг, диагностика, терапия". - Санкт-Петербург, 2006. - С. 173-175.

100

93. Тимофеев A.B., Шеожев A.M., Шибзухов З.М. Применение дио-фантовых нейронных сетей для генетического анализа и диагностики // Сб. трудов 6-го Санкт-Петербургского симпозиума по теории адаптивных систем "SPAS'99". Т. 2. - СПб.: НПО Омега, 2003. - С. 169-171.

94.Тимофеев A.B., Шеожев A.M., Шибзухов З.М. Проектирование и обучение мультиагентных диагностических систем // Сб. трудов Первой международной конференции по мехатронике и робототехнике. Т. 2. СПб., 2000.- С. 342-349.

95. Тимофеев A.B., Шеожев A.M., Шибзухов З.М. Синтез нейросетевых архитектур по многозначному дереву решений // Нейрокомпьютеры: разработка, применение. - 2005. - №5/6. - С. 44-49.

96.Типашова О.И., Эйнгорин М.Я. Системы уравнений k-значной логики и синтез схем с обратными связями //Изв. АН СССР. Ж. Техническая кибернетика. - N2. -1972.

97.Тыугу Э.Х. Концептуальное программирование. М.: Наука, 1984. 256 с.

98.Уинстон П. Искусственный интеллект.- М.: Мир, 1980.- 415 с.

99. Уотермен Д. Руководство по экспертным системам.- М.: Мир, 1989.388 с.

100. Хелеби С., Мак-Ферсон Д. Принципы маршрутизации в Internet.- М.: Вильяме, 2003.- 448 с.

101. Хоггер К. Введение в логическое программирование. М.: Мир, 1998.

102. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.- 399 с.

103. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970.- 252 с.

104. Шенк Р. Обработка концептуальной информации. М.: Энергия, 1980. 360 с.

105. Экспертные системы. Принципы работы и примеры / под ред. Р. Форсайта. М.: Радио и связь, 1987.- 220 с.

106. Элти Дж., Кумбс М. Экспертные системы. Концепции и примеры.-. М.: Финансы и статистика, 1987. 191 с.

107. Эйнгорин М.Я. О системах уравнений алгебры логики и синтезе дискретных управляющих схем с обратными связями // Изв. вузов. Радиофизика. 1958.-Т.1.-№2.

108. Beynon М., Ferreira R., Kurc Т., Saltz J., Sussman A. DataCutter: Middleware for Filtering Very Large Scientific Datasets on Archival Storage Systems // In Proc. 8th. Goddard Conference on Mass Storage Systems and Technologies 17th IEEE Symposium on Mass Storage Systems.- 2000. pp. 119-133.

109. Butler R., Foster I., Engert D., Kesselman C., Tuecke S., Volmer J. Welch V. Design and Deployment of a National-Scale Authentication Infrastructure // IEEE Computer, 33(12). 2000. pp. 60-66.

110. Casanova H., Dongarra J. NetSolve: A Network Server for Solving Computational Science Problems // International Journal of Supercomputer Applications and High Performance Computing. 11(3).-1997. pp. 212-223.

111. Isard M., Budiu M, Yu Y., Birrell В., Fetterly D. Dryad: Distributed DataParallel Programs from Sequential Building Blocks // European Conference on Computer Systems (EuroSys).- Lisbon, Portugal. 2007.

112. Foster I. Service-Oriented Science // Science, 308(5723), 2005, pp. 814-817.

113. Foster I., Kesselman C. The Grid: Blueprint for a New Computing Infrastructure. Morgan Kaufmann.- ISBN 1-55860-475-8.- 1998.

114. Foster I., Kesselman C., Tsudik G., Tuecke S. A Security Architecture for Computational GRIDs // In ACM Conference on Computers and Security. 1998. pp. 83-91.

115. Foster I., Wesley A. Designing and Building Parallel Programs: Concepts and

102

Tools for Parallel Software Engineering. ISBN 0-201-57594-9. 1995. 430 p.

116. Gasser M., McDermott E. An Architecture for Practical Delegation in a Distributed System // In Proc. IEEE Symposium on Research in Security and Privacy.- IEEE Press.- 1990. pp. 20-30.

117. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning.- Addison-Wesley Publishing Company, Inc.: 1989/- 412 p.

118. Goux J.P., Kulkarni S., Linderoth J., Yoder M. An enabling framework for master-worker applications on the computational grid // In Proceedings of the Ninth International Symposium on High Performance Distributed Computing.-Pittsburgh, Pennsylvania. 2000,- pp. 43-50.

119. Hayes J., Spring N., Wolski R. The Network Weather Services: A Distributed Resource Performance Forecasting Service for Metacomputing // Future Generation Computing Systems. 1999. http://nsw.npaci.edu/

120. Holland J.H. Adaptation in Natural and Artificial Systems. An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence.-University of Michigan, 1975/- 210 p.

121. Lame D., Wyrzykowski R. Specification, Analysis and Testing of Grid Environments Using Abstract State Machines. // International Symposium on Parallel Computing in Electrical Engineering, PAR ELEC 2006. 2006 PP. 116-120.

122. Laszewski G., Hategan M. Workflow Concepts of the Java CoG Kit. // Journal of Grid Computing.- Volume 3. Numbers 3-4. 2005. pp. 239-258.

123. Leigh J., Johnson A., DeFanti T.A. CAVERN: A Distributed Architecture for Supporting Scalable Persistence and Interoperability in Collaborative Virtual Environments // Virtual Reality: Research, Development and Applications.-2(2).- 1997.- pp. 217-237.

124. Meyer B. Applying 'Design by Contract'. // IEEE Computer, vol. 25. No. 10. 1992. pp. 40-51.

125. Rings T., Neukirchen H., Grabowski J. Testing Grid Application Workflows Using TTCN-3. // First International Conference on Software Testing, Verification, and Validation, ICST 2008. Lillehammer, Norway. 2008.

126. Slabospitskaya E., Petukhov V., Grosdidier G. Glite I/O Storm Testing in EDG-LCG Framework. // Nuclear Electronics and Computing 2005. Varna, Bulgaria. 2005.

127. Smith R. Grid Computing: A Brief Technology Analysis // CTO Network Library." 2005.