Ю.И. Нечаев - д.т.н., профессор, Заслуж. деятель науки, академик РАЕН, вед. науч. сотрудник, НИИ наукоемких компьютерных технологий, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

Рассмотрена проблема мультиагентного моделирования на основе синтеза нейродинамических систем. Показано, что функционирование систем осуществляется в условиях неопределенности при анализе и прогнозе экстремальных ситуаций. Интерпретация динамики взаимодействия основана на использовании достижений современной теории катастроф в мультипроцессорной вычислительной среде. Рассмотрено практическое приложение разработанной концепции, которая обсуждается применительно к задачам интерпретации взаимодействия исследуемого нестационарного объекта с внешней средой в процессе эволюции системы. Показано, что динамическая модель катастроф определяет движение системы к целевому аттрактору и потерю устойчивости.

 

1. Бухановский А.В., Балахонцева М.А. Мультиагентное моделирование процесса эвакуации пассажиров аварийного судна в штормовых условиях // Изв. вузов. Приборостроение. 2015. № 8. С. 614-620.
2. Князьков К.В., Ковальчук С.В., Бухановский А.В. Интерактивные композитные приложения: технология для разработки информационно-измерительных и управляющих систем в распределенных средах // Информационно-измерительные и управляющие системы. 2012. № 11. С. 40-46.
3. Колмогоров А.Н. Теория информации и теория алгоритмов. М.: Наука. 1987.
4. Красовский А.А. Концепция оптимального инструктора и автоматизация обучения на тренажерах // Изв. АН СССР. Сер. Техническая кибернетика. 1989. № 6. С. 139-144.
5. Моделирование обучения и поведения. М.: Наука. 1875.
6. Моисеев Н.Н. Избранные труды. М.: Тайрекс Ко. 2003.
7. Нечаев Ю.И., Лютин А.В. Мультиагентные технологии в сложных адаптивных системах искусственного интеллекта // Сб. докл. ХIV Междунар. конф. по мягким вычислениям и измерениям SCM-2011. СПб. 2011. Т. 2. С. 64-68.
8. Нечаев Ю.И. Теория катастроф: современный подход при принятии решений. СПб.: Арт-Экспресс. 2011.
9. Нечаев Ю.И. Концептуальные основы реализации нейронечетких систем при исследовании экстремальных ситуаций методами теории катастроф в среде «облачной» модели // Нейрокомпьютеры: разработка, применение. 2012. № 11. С. 3-13.
10. Нечаев Ю.И. Нейронечеткая система управления высокопризводительными вычислениями при Интерпретации динамики сложного объекта на основе теории катастроф в среде «облачной» модели // Нейрокомпьютеры: разработка, применение. 2012. № 11. С. 14-22.
11. Нечаев Ю.И. Топология нелинейных нестационарных систем: теория и приложения. СПб.: Арт-Экспресс. 2015.
12. Николис Дж. Динамика иерархических систем: эволюционное представление. М.: Мир. 1989.
13. Новиков Д.А., Петраков С.Н. Курс теории активных систем. М.: СИНЕГ. 1999.
14. Растригин Л.А. Методы адаптации сложных систем. Рига: Зинатие. 1981.
15. Солодовников В.В., Тумаркин В.И. Теория сложности и проектирование систем управления. М.: Наука. 1990.
16. Царегородцев А.В., Мухин И.Н. Синтез развивающихся информационно-управляющих систем // Автоматизация и современные технологии. 2005. № 3. С. 22-26.
17. GTSI Cloud Computing Maturity Model [электронный ресурс] http://www.gtsi.com/sms/documents/White-Papers/Cloud Compuing.pdf
18. Judd K., Mees A. On Selecting Models for Nonlinear Time Series // Physica D. 1995. № 82. Р. 426-444.
19. Klügl F. A validation methodology for agent-based simulations // Proceedings of the 2008 ACM symposium on Applied computing. ACM. 2008. С. 39-43.
20. Panait L., Luke S. Cooperative multi-agent learning: the state of the art // Autonomous agents and multi-agent systems. 2005. V. 11. № 3. Р. 387-434.
21. Urgent Computing Workshop 2007. Argonne National Lab, University of Chicago, April 25-26, 2007. [Электронный ресурс]: .
22. Wasserman S., Faust K. Social Network Analysis. Cambridge: Cambridge University Press, 1994.