Помощь в написании студенческих работ
Антистрессовый сервис

Оптимизация управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевых ансамблей

Диссертация: Оптимизация управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевых ансамблей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В настоящее время в различных областях практической деятельности широко используются распределенные системы обработки информации и управления, характеризующиеся высоким уровнем сложности. При исследовании и проектировании подобных систем принципиально необходимо учитывать следующие факторы: многокритериалыюсть целей управления, несогласованный (конфликтный) характер взаимодействия подсистем… Читать ещё >

Оптимизация управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевых ансамблей (реферат, курсовая, диплом, контрольная)

Содержание

  • ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
  • 1. ФОРМАЛИЗАЦИЯ ЗАДАЧИ ОПТИМИЗАЦИИ УПРАВЛЕНИЯ МНОГОКРИТЕРИАЛЬНОЙ КОНФЛИКТНОЙ СИСТЕМОЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ НА ОСНОВЕ НЕЙРОСЕТЕВОГО ПОДХОДА
    • 1. 1. Анализ архитектур, методов обучения и возможностей искусственных нейронных сетей
    • 1. 2. Постановка задачи синтеза алгоритма управления многокритериальной конфликтной системой в условиях неопределенности в нейросетевом базисе
    • 1. 3. Анализ игровых подходов к решению задач многокритериальной конфликтной оптимизации в условиях неопределенности
  • 1. А Формализация задачи обучения нейросетевого ансамбля на основе многокритериального подхода
    • 1. 4. 1. Постановка задачи обучения карты Кохонена в виде задачи многокритериальной оптимизации в условиях неопределенности
    • 1. 4. 2. Постановка задачи обучения многослойного персептрона в виде задачи многокритериальной оптимизации в условиях неопределенности
    • 1. 5. Выводы
  • 2. РАЗРАБОТКА МЕТОДИКИ СИНТЕЗА АЛГОРИТМОВ НСА-УПРАВЛЕНИЯ МНОГОКРИТЕРИАЛЬНОЙ КОНФЛИКТНОЙ СИСТЕМОЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННО СТИ
    • 2. 1. Разработка структурно-функциональной модели нейроконтроллера, реализующего построение стабильно-эффективного компромисса
    • 2. 2. Разработка процедуры обучения карты Кохонена
      • 2. 2. 1. Формирование обучающей выборки для карты Кохонена
      • 2. 2. 2. Построение матрицы весовых коэффициентов карты Кохонена
      • 2. 2. 3. Маркировка нейронов карты Кохонена
      • 2. 2. 4. Оптимизация структуры карты Кохонена
    • 2. 3. Разработка процедуры обучения многослойного персептрона
    • 2. 4. Выводы
  • 3. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ НСА-УПРАВЛЕНИЯ НАГРУЗКОЙ В КАНАЛАХ СВЯЗИ МНОГОКАНАЛЬНОЙ СИСТЕМЫ ДИСТАНЦИОННОГО МОНИТОРИНГА В УСЛОВИЯХ КОНФЛИКТА и
  • НЕОПРЕДЕЛЕННОСТИ
    • 3. 1. Исследование эффективности алгоритмов НСА-управления в условиях неопределенности на тестовой модели многокритериальной конфликтной системы
      • 3. 1. 1. Разработка тестовой модели многокритериальной конфликтной системы
      • 3. 1. 2. Решение тестовой задачи на основе разработанной методики синтеза алгоритма НСА-управления
      • 3. 1. 3. Сравнительный анализ эффективности алгоритмов НСА-управления на тестовой задаче
    • 3. 2. Сравнительный анализ эффективности алгоритмов НСА-управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга в условиях конфликта и неопределенности
      • 3. 2. 1. Разработка модели системы передачи данных многоканальной системы дистанционного мониторинга
      • 3. 2. 2. Постановка задачи оптимизации управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга в условиях конфликта и неопределенности
      • 3. 2. 3. Исследование предельных возможностей многоканальной системы дистанционного мониторинга
    • 3. 3. Выводы
  • 4. ОПИСАНИЕ КОМПЛЕКСА ПРОГРАММНЫХ СРЕДСТВ
    • 4. 1. Структура и назначение комплекса программных средств
    • 4. 2. Описание программы «Решатель эталонных задач»
    • 4. 3. Описание программы «Компоновщик обучающей выборки»
    • 4. 4. Описание программы «Нейро-имитатор»
    • 4. 5. Выводы

В настоящее время в различных областях практической деятельности широко используются распределенные системы обработки информации и управления, характеризующиеся высоким уровнем сложности. При исследовании и проектировании подобных систем принципиально необходимо учитывать следующие факторы: многокритериалыюсть целей управления, несогласованный (конфликтный) характер взаимодействия подсистем, функционирование в условиях неопределенности.

Как известно, указанные факторы наиболее полно могут быть учтены игровыми подходами. В частности, одним из перспективных является направление, основанное на комбинировании теоретико-игровых принципов оптимальности, что позволяет находить решения игровых задач управления с заданными свойствами, например, стабильно-эффективный компромисс, обладающий свойствами предельной эффективности и устойчивости. Однако, существующие методы и алгоритмы поиска стабильно-эффективных игровых решений обладают высокой вычислительной сложностью и не позволяют решать задачи оптимизации управления многокритериальными конфликтными системами (МКС) в режиме реального времени, что является определяющим при решении практических задач.

Перспективным инструментом решения в режиме реального времени задач управления, оптимизации, идентификации является аппарат искусственных нейронных сетей (ИНС). Благодаря своим способностям к самоорганизации и обучению в отношении объекта управления, возмущений, внешней среды и условий функционирования, ИНС все более активно используются при реализации сложных систем обработки информации и управления.

В то же время распространение технологии нейроуправления на задачи оптимизации управления МКС в условиях неопределенности требует разработки новых нейросетевых архитектур, а также новых эффективных обучающих процедур, позволяющих гибко и качественно учитывать особенности решаемых задач.

Все вышесказанное обусловливает актуальность темы диссертационного исследования.

Цель работы — разработка формализованного подхода к решению в режиме реального времени задачи оптимизации управления МКС в условиях неопределенности на основе нейросетевых технологий.

Поставленная цель предполагает решение следующих основных задач:

— обоснование целесообразности использования ИНС при решении задач оптимизации управления структурно-сложными системами, для которых характерны многокритериальность целей управления, несогласованный (конфликтный) характер взаимодействия подсистем, функционирование в условиях неопределенности;

— разработка архитектуры ИНС с учетом особенностей решаемой задачи;

— разработка алгоритмического обеспечения обучения ИНС;

— разработка методики синтеза алгоритмов многокритериального нейро-управления в условиях конфликта и неопределенности;

— проектирование программного обеспечения, реализующего разработанную методику применительно к задаче оптимизации управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга.

Объектом исследования являются процессы управления в многокритериальных конфликтных системах, функционирующих в условиях неопределенности.

Предмет исследования являются нейросетевые технологии оптимизации управления многокритериальными конфликтными системами в условиях неопределенности.

Научная новизна работы заключается в формировании комплексного формализованного подхода к решению в режиме реального времени задачи оптимизации управления многокритериальной конфликтной системой, функционирующей в условиях неопределенности, на основе нейросетевых ансамблей (НСА).

В рамках предложенного подхода получены следующие основные научно-практические результаты:

1. Постановка задачи оптимизации управления МКС в условиях неопределенности формализована в нейросетевом базисе. Для решения поставленной задачи предложено использовать принцип стабильно-эффективных игровых компромиссов.

2. Разработана структура НСА, компоненты которого осуществляют построение множеств конфликтно-оптимальных решений, соответствующих выбранным принципам оптимальности.

3. Разработаны процедуры обучения компонентов НСА, основанные на 7 формализации постановок задач обучения компонентов НСА в виде конечномерных задач многокритериальной оптимизации в условиях неопределенности и применении комплекса генетических алгоритмов многокритериальной оптимизации (ГАМО) в условиях конфликта и неопределенности.

Практическая ценность состоит в том, что научные результаты диссертации доведены до уровня инженерной методики синтеза алгоритмов многокритериального нейроуправления в условиях конфликта и неопределенности.

Разработанная методика реализована в виде комплекса программных средств и использована при исследовании эффективности управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга (МСДМ), функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных информационных потоков.

Диссертация состоит из введения, 4 глав, заключения, перечня сокращений, списка литературы из 112 наименований. Объем работы составляет 135 страниц, включая 48 рисунков и 11 таблиц.

10. Результаты работы используются в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплине «Технологии системного моделирования».

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе получены следующие основные научные и практические результаты.

1. Постановка задачи оптимизации управления многокритериальной конфликтной системой в условиях неопределенности сформулирована в нейросете-вом базисе. Для решения поставленной задачи предложено использовать принцип стабильно-эффективных игровых компромиссов.

2. Разработана схема нейронного управления многокритериальной конфликтной системой в условиях неопределенности, используемая для построения стабильно-эффективного решения оптимизационной задачи в режиме реального времени, которая включает нейроконтроллер с компонентами: нейросетевой ансамбль, блок агрегирования свойств конфликтно-оптимальных решений.

3. Разработана структура нейросетевого ансамбля, включающая в себя в качестве базовых элементов самоорганизующиеся карты Кохонена и многослойный персептрон, что позволяет гибко учитывать свойства конфликтно-оптимальных решений.

4. Разработаны процедуры обучения компонентов нейросетевого ансамбля, имеющие следующие особенности:

— постановки задач обучения компонентов нейросетевого ансамбля формализованы в виде конечномерных задач многокритериальной оптимизации в условиях неопределенности, для решения которых предложено использовать принцип векторного минимакса;

— для формирования обучающих множеств и решения задач обучения компонентов нейросетевого ансамбля использован комплекс генетических алгоритмов многокритериальной оптимизации в условиях конфликта и неопределенности.

5. Разработан алгоритм классификации входных векторов в режиме функционирования карты Кохонена, учитывающий особенности ее обучения.

6. Разработана методика синтеза алгоритмов оптимального управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевых ансамблей.

7. Спроектирован комплекс программных средств, реализующий разработанную методику и применимый для решения широкого круга задач оптимизации управления многокритериальной конфликтной системой в условиях неопределенности.

8. Разработанная методика использована для решения задачи оптимизации управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга, функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных информационных потоков. Показано, что применение методики многокритериального обучения компонентов нейросетевого ансамбля позволяет более эффективно использовать ресурсы системы мониторинга по сравнению с известными методами обучения.

9. Научные и практические результаты работы реализованы в ряде научно-исследовательских работ, выполняемых во ФГУ «1 ЦНИИ МО РФ». Имеется акт о внедрении результатов диссертационной работы.

Показать весь текст

Список литературы

  1. Д.А. Решение задач маршрутизации на базе нейронных сетей. // НКП-2001, Сб. трудов VII Всероссийской конференции «Нейрокомпьютеры и их применение», Москва, 2001.
  2. С.М. Вычисления на нейронных сетях: Обзор. М.: Программирование, 1991, № 2. — С. 40−50.
  3. М., Шетти К. Нелинейное программирование. Теория и алгоритмы: Пер. с англ. М.: Мир, 1982. — 583 стр.
  4. Д., Галлагер Р. Сети передачи данных. М.: Мир, 1989. -544 стр.
  5. Т.А., Логовский А. С. Нейрокомпьютеры в управлении // Зарубежная радиоэлектроника. 1997. — № 2. — С. 57−71.
  6. В.И., Жернаков С. В., Урасбахтина Л. Б. Нейросетевой контроль параметров газотурбинного двигателя // Нейрокомпьютеры: разработка, применение. 2001. — № 1. — С.37−43.
  7. В.И., Ильясов Б. Г., Валеев С. В., Жернаков С. В. Интеллектуальные системы управления с использованием нейронных сетей. Учебное пособие. Уфа: УГАТУ, 1997. — 92 стр.
  8. Н.С. Математическое моделирование в задачах маршрутизации сетей передачи данных (многокритериальный подход). Автореф. дисс.. д. ф.-м. н. 05.13.16 / Н. С. Васильев. Тверь, 1999. — 22 стр.
  9. Э.И. Оптимальность в играх и решениях. М.: Наука, 1990. -256 стр.
  10. Н.Н. Основы теории игр. Бескоалиционные игры. М.: Наука, 1984. — 496с.
  11. Е.М. Методы оптимизации управления многообъектными многокритериальными системами на основе стабильно-эффективных игровых решений: Учебник / Под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001.-576 стр.
  12. А.И. Теория нейронных сетей. Кн. 1. (Нейрокомпьютеры и их применение). М.: ИПРЖР, 2000. — 416 стр.
  13. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Под общ. ред. Вороновского Г. К. X.: Основа, 1997.- 112 стр.
  14. Ю.Б. Введение в теорию исследования операций. М.: Наука, 1971. — 383 стр.
  15. JI.A., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. М.: ФИЗМАТЛИТ, 2006. — 320 стр.
  16. А.Н. Нейроинформатика и ее приложения // Открытые системы. 1998, № 4.
  17. А.Н. Обучение нейронных сетей. Красноярск: ПараГраф, 1990. — 159 стр.
  18. А.Н., Дудин-Барковский В.Л. Нейроинформатика. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 стр.
  19. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 стр.
  20. В.В., Курейчнк В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М.: ФИЗМАТЛИТ, 2003. — 432 стр.
  21. В.В. Нейроподобные сети в бортовых информационно-управляющих комплексах космических аппаратов. СПб: ВИКА им. А. Ф. Можайского, 1996.
  22. В.И., Жуковская JI.B. Риск в многокритериальных и конфликтных системах при неопределенности / Под ред В. С. Молоствова. М.: Еди-ториал УРСС, 2004. — 272с.
  23. В.И., Молостов B.C. Многокритериальное принятие решений в условиях неопределенности. М.: МНИИПУ, 1988. — 131 стр.
  24. В.И., Чикрий А. А. Линейно-квадратичные дифференциальные игры. Киев: Наукова Думка, 1994. — 320 стр.
  25. А.А., Гельфгат А. Г. Проектирование многокритериальных систем управления промышленными объектами. М.: Энергоатомиздат, 1993. -304 стр.
  26. Л. Г. Максимов А.В. Нейрокомпьютеры: Учебное пособие для вузов. М.: Изд-во МГТУ им. Н. Э. Баумана, 2004. — 400 стр.
  27. В.И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия — Телеком, 2003. — 93 стр.
  28. А.В., Образцов С. М. Нейросетевой алгоритм безусловной оптимизации. // ФЭИ, Обнинск, препр. № 2684, 1998, с. 1−12.
  29. Р.Н., Лебедысо О. А., Топчий А. П. Комбинированный эволюционный поиск в обучении нейронных сетей // Математическое моделирование. М.: Наука, 1997. — Т.9, № 2. — С.74−76.
  30. Т. Самоорганизующиеся карты. М.: БИНОМ. Лаборатория знаний, 2008. — 655 с.
  31. С.В. Оптимальная маршрутизация информационных потоков в беспроводных сенсорных сетях // Теория и системы управления. 2008, № 2. — С. 126−140.
  32. Э.М., Байдык Т. Н. Структура нейронных ансамблей // Нейрокомпьютер. 1992. — № 1. — С.41−47.
  33. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6. (Пакеты прикладных программ- Кн. 4) / Под общ. ред. к.т.н. Потемкина В. Г. М.: ДИАЛОГ-МИФИ, 2002. — 496 стр.
  34. И.И. Нейронные сети и комбинаторная оптимизация. // Автоматизация и телемеханика, № 11, 1994. с.3−40.
  35. М., Мако Д., Такахара Н. Теория иерархических многоуровневых систем. Пер. с англ. М.:Мир, 1973. — 344 с.
  36. Методы классической и современной теории автоматического управления: Учебник в 3-х томах. Т. З: Методы современной теории автоматического управления / Под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Н. Э. Баумана, 2000. -748 стр.
  37. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. -744 стр.
  38. Модели и методы векторной оптимизации / Емельянов С. В., Борисов В. И., Молевич А. А. и др. // Итоги науки и техники. Техническая кибернетика. -М.: ВИНИТИ, 1973. Т.5. — С. 386−448.
  39. А., Лоскутов А. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и Техника, 2003. — 187 стр.
  40. Нейроинформатика: Учеб. пособие для студентов / Е. М. Миркес. -Красноярск: ИПЦ КГТУ, 2002. 347 стр.
  41. Нейроматематика. Кн.6: Учеб. пособие для вузов / Агеев А. Д., Балух-то А.Н., Бычков А. В. и др.- Общая редакция А. И. Галушкина. М.:ИПРЖР, 2002. — 448 стр.: ил. (Нейрокомпьютеры и их применение).
  42. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов / Общая ред. А. И. Галушкина. М.:ИПРЖР, 2001. — 256 е.: ил. (Нейрокомпьютеры и их применение).
  43. В.Г., Олифер Н. А. Компьютерные сети. Принципы, технологии, протоколы: Учебник для вузов. 3-е изд. СПб.: Питер, 2006. — 958 стр.
  44. С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2002. — 344 стр.
  45. И.И. Методология анализа и синтеза предельно нагруженных информационных сетей. -М.: «Издательство Машиностроение-1», 2004. -216 стр.
  46. В. Гибридный нейрогенетический алгоритм оценки параметров моделей. //IEEE Transact. Neural Networks, 1998 -V.9, № 5 P.862−876.
  47. B.B., Ногин В. Д. Парето-оптимальные решения многокритериальных задач. М.: Наука, 1982. — 254 стр.
  48. Проблемы построения и обучения нейронных сетей / под ред. А. И. Галушкина и В. А. Шахнова. М.: Машиностроение, 1999. — 105 стр. (Библиотечка журнала Информационные технологии).
  49. Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965. — 480 стр.
  50. С. А., Махотило К. В. Генетические алгоритмы в синтезе прямонаправленных нейронных сетей // Новые информационные технологии в науке, образовании и бизнесе: Труды XIII Межд. конф. (Украина, Ялта, 15−24 мая 1996 г.). С.338−342.
  51. В.А. Генетические алгоритмы оптимизации управления многокритериальными системами в условиях неопределенности на основе конфликтных равновесий // Вестник МГТУ им. Н. Э. Баумана. Сер. «Приборостроение». 2007. — № 4 (69). — С.70−80.
  52. В.А. О ситуациях равновесия в коалиционных конфликтных моделях структурно-сложных систем // Вестник РУДН. Сер. Инженерные исследования. 2000. — № 3. — С. 3−8.
  53. В.А., Бабинцев Ю. Н. Методические указания к лабораторным работам по курсу «Технологии системного моделирования». -М.: МГУПИ, 2010.-32 с.
  54. О., Марзуки X., Рубия Ю. Нейроуправление и его приложения: Пер. с англ. Кн. 2 /- под ред. А. И. Галушкина, В. А. Птичкина. М.: ИПРЖР, 2000. — 272с. (Нейрокомпьютеры и их применение).
  55. Э.Р. Теория конфликтных равновесий. Едиториал УРСС, 2005. — 304 с.
  56. В.А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер, 1992. № 3,4. С. 13−20.
  57. В.А. Нейросетевые системы управления: Учебное пособие для вузов / В. А. Терехов, Д. В. Ефимов. М.: Высш. шк., 2002. — 183 с.
  58. А.В., Юсупов P.M. Интеллектуальные системы управления // Изв. РАН. Тех. Кибернетика. 1994. — № 5. — С.209−224.
  59. Ф. Нейрокомпыотерная техника. М.: Мир, 1992. 240 с.
  60. Управление динамическими системами в условиях неопределенности / С. Т. Кусимов, Б .Г. Ильясов, В. И. Васильев и др. М.: Наука, 1998. — 452 с.
  61. Дж., Рейнхард 3. Общая теория выбора равновесия в играх. СПб.: 2001. — 424с.
  62. Дж.Дж., Тэнк Д. У. Коллективные вычисления на нейропо-добных электронных схемах. В мире науки, 1988, № 6, с. 44−53.
  63. Юсеф Яхья Абдулла Хольба. Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности: Дисс.. к.т.н. / РУДН. М, 2002. — 121 с.
  64. Baran R.H. Coughlin J.P. Nash equilibria in multineuron games. // Math. Comput. Modelling, vol. 14, 1990, p.334−335.
  65. Bouzerdoum Abdessalam. Нейронная сеть для квадратичной оптимизации с ограничениями пределов. // IEEE Trans. Neural Networks, 1993, vol. 4, no. 2, p. 293−304.
  66. Cai Guochang, He Yigang. Нейронные сети для линейного программирования. // J. Human Univ. Natur. Sci., 1996, vol. 23, no. 3, p. 87−91.
  67. Capi G. etc. Evolution of low-complexity neural controllers based on mul-tiobjective evolution // Artificial Life and Robotics, vol.12, no. 1−2, March 2008, p. 53−58.
  68. Chen Ming, Li Minghui. Kohonen neural network based solution of TSP (traveling salesman problem). // Mini Micro Syst., vol. 15, no. 11, Nov. 1994, p.35−39.
  69. Deb K. Evolutionary Algorithms for Multi-Criterion Optimization in Engineering Design // Proc. of Evolutionary Algorithms in Engineering and Computer Science (EUROGEN-99), 1999.
  70. Fonseca C., Fleming P. Multiobjective Optimization and Multiple Constraint Handling with Evolutionary Algorithms Part I-II // IEEE Transactions on Systems, Man and Cybernetics — Part A: Systems and Humans. — (January) 1998. — 28(1). -P. 26−47.
  71. Funabiki N., Takefuji Y., Lee Cuo Chun. A neural network model for traffic control in multistage interconnection networks. // IJCNN-91, Seattle, Wash., July 8−12, 1991, vol.2, p. 898.
  72. Guillen A., Rojas I. etc. Boosting the Performance of a Multiobjective Algorithm to Design RBFNNs through Parallelization // Lecture Notes in Computer Science, vol. 4431, 2007, p. 85−92.
  73. Gupta M. M. and Rao D. H., Neuro-Control Systems. Theory and Applications, IEEE Press, 1994.
  74. R., Aiyoshi E. Нейросетевая реализация квазиградиентной системы для поиска равновесных решений в теории игр и ее динамическое функционирование. // Syst. Contr. And Inf., 1999, vol. 43, no. 11, p. 42A-52A.
  75. Hou Zengguang. Wu Cangpu. Новая нейронная сеть для решения крупномасштабных оптимизационных задач динамического программирования. // Acta Autom. sin., 1999, vol. 25, no. 1, p. 45.
  76. Kinjo H., Omatu T. Suboptimal control for a non-linear system using neural networks // Proc. of 1st Asian Control Conference. Tokyo, 1994. — P.551−554.
  77. Lee Chiun Wei. Broadcast scheduling in packet radio networks by Hop-field networks. // Inf. Process. Lett., vol. 63, no. 5, 15 Sep. 1997, p.271−276.
  78. Lee Sukhan, Park Jun. Dual-mode dynamics neural network for knapsack packing problem. // IJCNN-93, vol. 3, p. 2425−2428.
  79. Li Yunzhen, Ida K. Neural network approach for multicriteria solid transportation problem. // Comput. Ind. Eng., vol .33, no. 3−4, Dec. 1997, p. 465−468.
  80. Matsuyama Yasuo. Competitive self-organization and combinatorial optimization: applications to traveling salesman problem. // IJCNN, San Diego, Calif., 1990, vol. 3, p. 819−824.
  81. Modares A., Somhom S., Enkava T. A self-organizing neural network approach for multiple traveling salesman and vehicle routing problems. // Int. Trans. Oper. Res., vol. 6, no. 6, Nov. 1999, p. 591−606.
  82. Narendra K. Neural Network for Control: Theory and Practice // Proc. of the IEEE. 1996. — V.84, № 10. — P.1385−1406.
  83. Nguyen D., Widrow B. Neural networks for self-learning control systems // IEEE Control Systems Magazine. 1990. — Vol.10, № 3. — P.334−341.
  84. Orozco-Monteagudo M. Training of Multilayer Perceptron Neural Networks by Using Cellular Genetic Algorithms // Lecture Notes in Computer Science, vol. 4225, 2006, p. 389−398.
  85. Roth S., Gepperth A. Multi-Objective Neural Network Optimization for Visual Object Detection // Studies in Computational Intelligence, vol. 16, 2006, p. 629−655.
  86. Schemelovsky K.H. Neural learning and dynamical programming. // Syst. Anal. Model. Simul., vol. 16, no. 2, 1994, p. 79−92.
  87. Suykens J., Vandwalle J. Artificial neural network for modeling and control of non-linear system- Bosten: Kluwer, 1996. XII, 235 p.
  88. Swee Chiang Chiam etc. Multiobjective Evolutionary Neural Networks for Time Series Forecasting // Lecture Notes in Computer Science, vol. 4403, 2007, p. 346−360.
  89. Takahashi Y. A neural network theory for constrained optimization. // Neurocomputing, vol. 24, no. 1−3, Feb. 1999, p. 117−161.
  90. Takahashi Y. Solving dynamic optimization problems with adaptive networks. //Neurocomputing, vol. 25, no. 1−3, April 1999, p. 19−38.
  91. Tao Qing, Fang Tingjian. The neural network model for solving minimax problems with constraints. // Control Theory Appl., vol. 17, no. 1, Feb. 2000, p. 82−84.
  92. Tian Dagang. Новый алгоритм линейного программирования с использованием нейронных ceTeft.//Acta Autom. sin., 1999, vol.25, no.5, p.709−712.
  93. Van Veldhuizen, David A., Gary B. Multiobjective Evolutionary Algorithm Test Suites // Proc. of the ACM Symposium on Applied Computing. 1999. -P.351−357.
  94. Walsh M.P., CTMalley M.J. Augmented Hopfield network for constrained generator scheduling. // IEEE Trans. Power Syst., vol. 14, no. 2, May 1999, p. 765 771.
  95. Wieselthier J.E., Barnhart C.M., Ephermides A., A Neural Networks Approach to Routing Without Interference in Multishop Radio Networks, IEEE Transaca-tions on Comm., 1994, vol.42, № 1, pp. 166−177.
  96. Wu A., Tam P.K.S. A neural network methodology of quadratic optimization. // Int .J. Neural Syst., vol. 9, no. 2, April 1999, p. 87−93.
  97. Xinghu Zhang. The minimax function differentiation and training of fuzzy neural networks. // IEEE Trans. Neural Netw., vol. 7, no. 5, Sept. 1996, p. 1139−1150.
  98. Yao Liang. Combinatorial optimization by Hopfield networks using adjusting neurons. // Inf. Sci., vol. 94, no. 1−4, Oct. 1996, p. 261−276.
  99. Yen Gary G. Multi-Objective Evolutionary Algorithm for Radial Basis Function Neural Network Design // Studies in Computational Intelligence, vol. 16, 2006, p. 221−239.
  100. Youshen Xia. A new neural network for solving linear and quadratic programming problems. // IEEE Trans. Neural Netw., vol. 7, no. 6, Nov. 1996, p. 15 441 548.
  101. Zhang Muxiang, Ma Fulong, Xiao Gouzhen. Применение нейронных сетей в системах оптимизации. // Acta electron, sin., 1993, vol. 21, no. 7, p. 1−7.
  102. Zitzler E., Lothar T. An Evolutionary Algorithm for Multiobjective Optimization: The Strength Pareto Approach // Technical Report TIK 43 / Computer Engineering and Communication Networks Lab. Swiss Federal Institute of Technology (ETH). (May) 1998.
Заполнить форму текущей работой

Сессия? Спокойно!