Ю. И. Нечаев – Заслуж. деятель науки РФ, академик РАЕН, д.т.н., профессор, Санкт-Петербургский государственный морской технический университет

Постановка проблемы. Развитие новых подходов к моделированию динамики сложных эволюционирующих систем (ЭС) открывает перспективы создания интеграционных теорий и концептуальных решений при построении нового курса современной компьютерной математики (СКМ), приложения которого обеспечивают интерпретацию динамических ситуаций в режиме экстренных вычислений. Вычислительный комплекс СКМ рассмотрен как новая парадигма интерпретации динамики ЭС, как своеобразный «мостик» между классической дискретной математикой и формальным аппаратом интеллектуальных технологий ХХI века.

Цель. Анализ проблемы использования теоретических принципов и концептуальных решений в вычислительной среде современной компьютерной математики.

Результаты. Обсуждены основные вопросы, связанные с применением достижений нейросетевых технологий в математическом аппарате СКМ при интерпретации ЭС в пространствах поведения и управления современной теории катастроф. Отмечено, что особый теоретический интерес представляет интеграция методов и моделей вычислительной среды СКМ при интеллектуальной поддержке процедур построения интеллектуальных систем новых поколений, функционирующих в режиме экстренных вычислений.

Практическая значимость. Рассмотрение СКМ как эффективного инструмента интерпретации динамики сложных систем позволяет более гибко и адекватно описывать феномен поведения в условиях неопределенности и неполноты исходной информации.

1. Бортовые интеллектуальные системы. Ч. 1. Авиационные системы. М.: Радиотехника. 2005. Ч. 2. Корабельные системы. М.: Радиотехника. 2006. Ч. 3. Системы корабельной посадки летательных аппаратов. М.: Радиотехника. 2008.
2. Колмогоров А.Н. Теория информации и теория алгоритмов. М.: Наука. 1987.
3. Кук Д., Бейс Г. Компьютерная математика. М.: Наука. 1990.
4. Моисеев Н.Н. Избранные труды. М.: Тайдекс Ко. 2003.
5. Нейрокомпьютеры в интеллектуальных технологиях ХХI века / Под общ. ред. Ю.И. Нечаева. М.: Радиотехника. 2012.
6. Нечаев Ю.И. Теория катастроф: современный подход при принятии решений. СПб.: Арт-Экспресс. 2011.
7. Нечаев Ю.И. Компьютерная математика: прикладные аспекты. СПб. 2019.
8. Новиков Д.А., Петраков С.Н. Курс теории активных систем. М.: СИНТЕГ. 1999.
9. Синергетическая парадигма. Многообразие поисков и подходов. М.: Прогресс – Традиция. 2000.
10. Солодовников В.В., Тумаркин В.И. Теория сложности и проектирование систем управления. М.: Наука. 1990.
11. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. 1986.
12. Figueira G., Almada-Lobo B. Hybrid simulation – optimization methods: A taxonomy and discussion // Simulation Modelling Practice and Theory. 2014. V. 46. P. 118–134.
13. Foster I., Zhao Y., Raicu I., Lu S. Cloud computing and grid computing 360-degree compared / Preprint arXiv:0901.0131. 2008. [Электронный ресурс]. URL: http://arxiv.org/ftp/arxiv/papers/0901/0901.0131.pdf
14. Hinton G. et al. A fast learning algorithm for deep belief nets // Neural Computation. 2006. V. 58. № 7. P. 1527–1554.
15. Lublinsky B. Defining SOA as an architectural style. 2007. [Электронный ресурс] / URL: http://www.ibm.com/developerworks/architecture/library/ar–soastyle/
16. Szalay A. Extreme data-intensive scientific computing // Computing in Science & Engineering. 2011. V. 13. № 6. P. 34–41.
17. Urgent Computing Workshop 2007. Argonne National Lab, University of Chicago. 2007. [Электронный ресурс] / URL: http://spruce.teragrid.org/workshop/urgent07.php.
18. Zadeh L. Fuzzy logic, neural networks and soft computing // Commutation on the ASM-1994. 1994. V. 37. № 3. P. 77–84.