Гибридные системы интеллектуального имитационного моделирования на основе бионических подходов и многоагентных моделей

• Автор: Афонин, Павел Владимирович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 209 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. АНАЛИЗ ПРОБЛЕМ И ПРИНЦИПОВ ПОСТРОЕНИЯ ГИБРИДНЫХ СИСТЕМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ.
1.1. Задачи обработки информации и поиска решений с использованием имитационных моделей сложных систем.
1.2. Подходы к построению имитационных моделей и интеллектуальное имитационное моделирование

1.3. Гибридные системы классификация и принципы создания.

1.4. Обзор вариантов построения гибридных интеллектуальных систем

1.5. Особенности построения гибридных систем на основе имитационного моделирования

1.6. Обзор методов эволюционного моделирования и

подходов искусственной жизни

1.7. Анализ подходов теории агентов и многоагентных систем

1.8. Выводы по главе 1
2. СИСТЕМА ПОИСКА РЕШЕНИЙ НА БАЗЕ ИНТЕЛЛЕКТУАЛЬНОГО ИМИТАЦИОННОГО
МОДЕЛИРОВАНИЯ
2.1. Построение гибридной системы на основе бионических эволюционных методов и имитационных моделей
различной точности
2.2. Разработка алгоритма построения имитационных моделей различной точности.
2.3. Разработка схем выбора активной имитационной модели
2.4. Построение макроструктур генетического поиска
2.5. Разработка схем миграции агентов.
2.6. Выводы по главе 2
3. СИСТЕМА ЭВРИСТИЧЕСКОГО ПОИСКА С КОРРЕКТИРОВКОЙ
НА ОСНОВЕ ВРЕМЕННЫХ ПРОДУКЦИЙ
3.1. Построение гибридной системы с использованием
временных продукционных правил и многоагентых моделей
3.2. Разработка алгоритмов поиска на графе на основе временных продукционных правил
3.3. Построение динамической многоагентной системы для корректировки стратегии однонаправленного поиска.
3.4. Построение многоагентной системы из двух взаимодействующих популяций для корректировки
стратегии двунаправленного поиска.
3.5. Выводы по главе 3
4. ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ И ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ ПРИ РЕШЕНИИ ПРАКТИЧЕСКИХ ЗАДАЧ.
4.1. Цели и методы проводимых исследований
4.2. Исследование процессов миграции и макроструктур генетического поиска.
4.3. Исследование многоагентных систем в задачах однонаправленного и двунаправленного поиска
4.4. Исследование эффективности разработанных алгоритмов
на практических производственных задачах
4.5. Выводы по главе 4
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


При использовании подхода сканирования активностей разработчик описывает все действия, в которых принимают участие элементы системы, и задает условия, определяющие начало и завершение действий. После каждого продвижения имитационного времени условия всех возможных действий проверяются и если условие выполняется, то происходит имитация соответствующего действия. Выполнение действия приводит к изменению состояния системы и возможности выполнения новых действий. Логика возникновения определенных компонентов задается одним оператором языка. Имитатор моделирует процесс продвижения активных элементов через систему и представляет собой некоторую последовательность событий. Процессно-ориентированный подход сочетает элементы событийного подхода и подхода сканирования активностей. Поскольку имитационная модель - это программа, реализуемая на ЭВМ, то при ее создании этап программирования является одним из основных этапов. Использованием универсальных алгоритмических языков программирования, таких как Паскаль, C++, Фортран, PL/1, Ада и др. Программист имеет здесь практически неограниченные возможности по созданию эффективной ИМ, наилучшим образом использующей ресурсы ЭВМ, особенности операционной системы, обладающей высоким быстродействием и т. Однако создание ИМ таким способом требует больших трудозатрат, работы программистов высокой квалификации, взаимодействия специалистов различного профиля (системных программистов, экспертов проблемной области, исследователей и др. Имитационная модель получается узко направленной на решение конкретной задачи и, как правило, не может быть использована для других приложений. Созданием и использованием специализированных языков моделирования. Примерами языков, реализующих событийный подход служат SLAM II, GASP IV, SIMASCRIPTII, НСИМПАК, СИМКОМ и др. Языки CSL, DRAFT, HOCUS, HEADLANDS реализуют подход сканирования активностей. Среди процессно-ориентированных языков, наиболее часто употребляются GPSS, SLAM II, СИМУЛА, SOL, Q-GERT, SIMAN, PAWS, QNAR. Языки имитационного моделирования за счет снижения гибкости и универсальности позволяют создавать ИМ на несколько порядков быстрее и не требуют работы системных программистов. Последнее достоинство позволяет четко и ясно описывать различные понятия, что наиболее важно на стадии моделирования и для определения общего подхода к изучению исследуемой системы. Основным недостатком языков моделирования является их относительно ограниченная гибкость с точки зрения многообразия исследуемых систем и возможного разнообразия задач их анализа и синтеза. Это приводит к необходимости разработки новых моделей для альтернативных вариантов не только структуры моделируемой системы, но и управляющих элементов сложной системы. При использовании специализированных языков моделирования для подготовки ИМ требуется описывать структуру и физические процессы объекта абстрактными понятиями в терминах используемого языка, как правило, далекими от понятий предметной области. Созданием и использованием проблемно-ориентированных систем моделирования, например ПОДСИМ (МГТУ, Москва), ДСИМ (ЭНИМС, Москва), АСИМПТОТА (Санкт-Петербург), DOSIMIS-3 (Магдебург, ФРГ)» Process Charter (Менло-Парк, шт. Калифорния), Powersim (Берген, Норвегия), Ithink (Ганновер, шт. Нью-Хэмпшир), Extend+BPR (Сан-Хосе, шт. Калифорния), ARENA (фирмы Systems Modeling); ProModel (фирмы ProModel); ReThink (фирмы Gensym) и ряда других. В этих системах исследователь не пишет модель на языке моделирования. Она генерируется автоматически в процессе диалога с исследователем, который происходит в понятиях языка предметной области. Системы обеспечивают моделирование с помощью графических средств, библиотек специализированных программ и языков. Проблемно-ориентированные системы имитационного моделирования позволяют быстро и эффективно создавать имитационные модели и проводить исследования вообще без программирования. Однако данное преимущество накладывает большие ограничения на класс моделируемых систем и снижает гибкость процесса имитации.