Классификация и архитектура внутренних сетевых агентов

С точки зрения лингвистики и семантики понятий термин “агент” происходит от латинского слова “agere”, означающего “действовать”, “проводить”. Исходя из этого, основной чертой агента является способность самостоятельно (автоматически) выполнять определённые операции или функции для достижения собственных (локальных) целей, связанных как с чьими-то индивидуальными интересами (запросами), так и прежде всего с коллективными (глобальными) интересами.

Типичным примером агента может служить интеллектуальный робот, т.е. робот с интеллектуальным управлением. Такие агенты-роботы предназначены для автоматизации рабочих функций человека. Первоначально они использовались только для автоматизации ручного труда или транспортных операций. Однако в последние десятилетия такие роботы-агенты всё шире используются для автоматизации поиска, обработки и передачи информации (роботы-разведчики, роботы-наблюдатели, космические роботы-планетоходы и т.п.).

Развитие информационных технологий привело в последние годы к необходимости создания агентов как интеллектуальных посредников или помощников человека при его работе с компьютером. Примерами таких агентов, встроенных в программное обеспечение компьютеров, могут служить System Agent в Windows 95, “скрепка-помощник” в Microsoft Office, обучаемый агент в Mac OS и программные агенты в Lotus Notes V4.

В связи с быстрым развитием и совершенствованием глобальных ТКС типа Internet резко возрос интерес к разного рода сетевым агентам. Так, например, появились:

– “говорящие агенты” типа “Julia”, поддерживающие диалог с пользователями,

– “коммерческие агенты” (Shopping Agents), дающие рекомендации в электронных магазинах,

– “агенты новостей” типа Point Cast, следящие за новостями на сайтах,

– “агенты-пауки”, индексирующие информацию (ссылки) для поисковых серверов во всемирной “паутине”.

По мере внедрения агентов в компьютерные технологии и инфотелекоммуникационные сети возникла потребность в создании основ теории агентов и развитии её дальнейших приложений.

Прежде всего необходимо уточнить общую архитектуру (т.е. структуру и основные функции) агента, а также его конкретные черты, связанные со спецификой приложений. На этой основе возможна классификация агентов по ряду характерных признаков или индивидуальных особенностей.

В общем случае архитектура сетевого агента, представленная на Рис. 13.1, подобна структурно-функциональной схеме интеллектуального робота, предложенной в работах [16, 17]. Она состоит из следующих основных (базисных) подсистем [67-69]:

1. коммуникационная подсистема;

2. информационная подсистема;

3. управляющая подсистема;

4. исполнительная подсистема.

Все эти подсистемы как базисные компоненты сетевого агента взаимосвязаны и предназначены для достижения как локальных целей агента, так и, возможно, общих (глобальных) целей. Однако у агентов различного типа и назначения эти подсистемы могут иметь различную степень важности и совершенства.

Наиболее полно, явно и гармонично все четыре подсистемы развиты у агентов-роботов. При этом каждая из них играет свою важную специфическую роль и не может быть исключена

из архитектуры робота. Отсюда следует, что робот как агент является, вообще говоря, достаточно общей и наиболее адекватной (антропоморфной) моделью человека в процессе выполнения им тех или иных операций или рабочих функций.

У программных агентов, связанных с персональными компьютерами, функции одних подсистем (например, информационной) играют важную роль, а функции других подсистем (например, коммуникационной) могут быть незначительными или незаметными.

Главную роль у таких программных агентов обычно играют информационные и управляющие подсистемы, организующие автоматическую обработку поступающей информации и необходимые вычисления в соответствии с локальными целями агента, делегируемыми ему пользователем персонального компьютера. При этом удельный вес и значение функций коммуникационной и исполнительной систем могут быть менее значительными.

Сетевые агенты в локальных и глобальных ТКС имеют развитую подсистему управления (обеспечивающую, в частности, маршрутизацию потоков данных), информационную подсистему (сигнализирующую о текущем состоянии ТКС), а также исполнительную (транспортную) подсистему для управляемой передачи потоков данных по каналам связи ТКС. Важную роль играет и коммуникационная подсистема (пользовательский интерфейс), воспринимающая команды сетевого администратора или запросы пользователей и возвращающая им ответы через исполнительную (транспортную) подсистему.

Средой обитания сетевых агентов является глобальная ТКС, связанная с распределённой GRID-средой. Поэтому они являются внутренними агентами ТКС в отличие от внешних агентов, в роли которых выступают сетевые администраторы, операторы и пользователи глобальной ТКС.

В последние годы по мере развития теории сетевых агентов и их программно-аппаратной реализации появился специальный термин “agentware”, определяющий новый принцип организации мульти-агентной обработки информации и управления (например, мульти-агентный вариант клиент-серверной архитектуры) в глобальных ТКС и ИКС.

Все перечисленные основные типы (классы) агентов, несмотря на единство архитектуры, сильно различаются как по своим интеллектуальным способностям (т.е. реализуемым агентами информационно-управляющим функциям), так и по назначению и среде обитания. Обычно такие агенты используются не для “индивидуальной” (автономной) работы, обеспечивающей достижение только локальной (персонифицированной) цели, а для коллективных (групповых) действий, гарантирующих совместное достижение общих (глобальных) целей.

В первую очередь это относится к сетевым агентам, работающим в составе глобальных ТКС в интересах сетевых администраторов или пользователей как внешних агентов ТКС.

Главными особенностями таких агентов как членов коллектива подобных им агентов является следующие качества:

- наличие локальных (индивидуальных) баз данных и знаний или реализующих их нейросетевых программ или нейронных сетей;

- наличие каналов и средств связи между агентами для обмена данными и знаниями в процессе их коллективной работы.

Эти качества в сочетании с описанной выше архитектурой являются важнейшими общими характеристиками (“паспортными данными”) любого агента. Каждый агент имеет собственное программное или программно-аппаратное обеспечение, придающее ему необходимые “жизненные силы”.

Другими важными чертами сетевых агентов являются следующие качества:

– активность, т.е. активное взаимодействие с окружающей средой,

– кооперативность, т.е. целенаправленное взаимодействие и обмен информацией с другими агентами,

– коллегиальность, т.е. стремление к взаимосогласованному (когерентному) коллективному поведению.

Кроме того, агенты могут иметь индивидуальные черты или дополнительные функциональные способности. Например, они могут быть обучаемыми (или не обучаемыми), адаптивными (или не адаптивными), распознающими (или не распознающими).

13.6.2. Особенности нейросетевых агентов

Особенностью традиционных информационных систем (ИС) является то, что они предназначены для хранения и обработки больших массивов информации. Однако они зачастую не способны к самостоятельному принятию решений и самоорганизации.

Обычно все возможные сценарии поведения таких ИС алгоритмизируются и жёстко программируются человеком (программистом) в определённых (заранее известных) условиях и средах. Если же спроектированная ИС оказывается в не достаточно структурированной среде или в частично неизвестных условиях, априори не учтённых разработчиками-программистами, то могут возникать (и, как правило, реально возникают) сбои, отказы или иные аварийные последствия, т.е. традиционная ИС оказывается ненадёжной или неработоспособной.

Подобная ситуация складывается в классических системах автоматического программного или оптимального управления (САПОУ). Такие САПОУ проектируются и моделируются в известных условиях и могут функционировать целенаправленно или даже оптимально (например, оптимально по быстродействию) только в таких заранее определённых условиях и средах. Однако в условиях неопределённости, нестационарности или при наличии препятствий они могут утратить устойчивость или потерять работоспособность.

Одним из современных подходов к преодолению возникающих трудностей и проблем является разработка и применение теории автономных агентов, способных функционировать в условиях неопределённости или в динамической внешней среде. Обычно они способны взаимодействовать с изменяющейся средой в реальном масштабе времени, достигая своих локальных целей. Поскольку зачастую агент, вообще говоря, не может контролировать изменяющуюся среду, то он должен быть готов к тому, что принимаемые им решения не приведут к достижению поставленной цели.

Важно отметить, что агент должен обладать способностью к накоплению данных, знаний и опыта для оптимизации своих решений в условиях неопределённости или в изменяющихся внешних средах с известными или неизвестными препятствиями или запретными зонами. Таким образом, автономный агент, как правило, должен быть адаптивным и интеллектуальным.

Программно-аппаратная реализация агента осуществляется либо в современной программной среде (например, на многоядерной платформе Intel), либо на искусственных нейронных сетях (НС). Это значительно увеличивает параллелизм и быстродействие в решении задач в реальном масштабе времени.

Такая реализация агента часто сталкивается с жесткими ограничениями на вычислительную мощность оборудования и необходимостью функционирования автономного агента в реальном масштабе времени. Кроме того, важное значение приобретают проблемы функциональной диагностики, тестирования корректности поведения агента и верификации программного обеспечения в различных условиях и средах.

Однако предварительное тестирование агентов или тщательная верификация программ обычно проводятся только в тех условиях и средах, которые заранее предусмотрены разработчиком или программистом. В ряде сложных сред или в экстремальных условиях эксплуатации полное тестирование и функциональная диагностика агентов во всевозможных условиях эксплуатации требует слишком большого времени имитационного моделирования, а в экстремальных средах зачастую невозможны вообще.

Для уменьшения времени имитационного моделирования, тестирования и диагностики поведения агентов в сложных средах и в неопределённых условиях могут применяться модифицированные методы планирования экспериментов, символические алгоритмы, алгоритмы маршрутизации на графах, методы формальных спецификаций и т.п. Однако более перспективным представляется подход, основанный на построении и минимизации сложности баз знаний, накоплении и системном анализе опыта, нейросетевых технологиях и принципах самонастройки архитектур агентов и самоорганизации мульти-агентных систем.

Следуя терминологии А.Тьюринга, предложенной ещё в середине XX-го века, всякий достаточно универсальный накопитель знаний и опыта в процессе функционирования компьютерной сети (КС) будем называть оракулом или сокращённо АТО. При этом знания и опыт АТО формализуются и аккумулируются в информационных средах, которые сегодня принято называть базами данных (БД) и базами знаний (БЗ).

Таким образом, АТО знает всё (или почти всё) об управляемой им КС и её допустимом актуальном поведении в реальном времени.

Целенаправленность поведения АТО является основой его рационального поведения. Однако это свойство сложно всего поддаётся формализации, так как АТО не просто взаимодействует с внешней средой, но и пытается при этом достичь локальных целей, обеспечивая при этом безопасность своего поведения.

Помимо локальных целей, связанных обычно с окружающей средой, важную роль играют цели, связанные с приобретением и накоплением новых знаний о свойствах и закономерностях изменения среды. Такие «познавательные» цели считаются достигнутыми, если локальные БД и БЗ АТО соответствующим образом расширяются или уточняются.

В сложных случаях АТО стремится достичь нескольких локальных целей. Иногда он удаляет существующие цели или формирует новые локальные цели. Однако эти цели не должны быть противоречивы.

При ограниченных ресурсах АТО не всегда имеет возможность достичь всех локальных целей, т.е. желаний (delities). При этом подмножество тех целей, которые АТО собирается реализовать на определённом интервале времени, называется намерениями (intentions) АТО.

Если АТО способен планировать своё взаимодействие со внешней средой, то эта его особенность называется проактивностью (pro-activity), т.е. способностью планировать и инициировать своё поведение для достижения желаемых целей. Эту способность АТО можно формализовать, например, с помощью конечного автомата с соответствующим алфавитом, конечным множеством состояний (включая начальное и множество целевых состояний) и функциями перехода и вывода.

Понятие АТО может быть положено в основу понятия «интеллектуальный агент» (ИА) в современной бурно развивающейся теории агентов и мульти-агентных систем (МАС). Основные идеи этой теории тесно связаны с системным анализом мыслительной деятельности человека и моделированием процессов принятия решений при определении того, что человек хочет и может сделать.

Прежде всего ИА, использующий свой индивидуальный АТО, должен понять (осознать), чего он хочет. Иначе говоря, ИА сначала определяет те локальные цели (желания), которые он должен достичь. Этот процесс часто называют целеполаганием или планированием поведения.

Затем ИА должен решить, какие локальные цели из желаемых он будет пытаться реализовать в реальном времени, т.е. каковы его непротиворечивые намерения на заданном интервале времени.

И, наконец, ИА должен решить, как именно он будет реализовывать свои намерения или желания, т.е. добиваться поставленных локальных целей.

Ключевыми понятиями процесса принятия решений ИА являются именно его намерения. Основными чертами намерений ИА являются следующие особенности:

– ИА пытается, используя своего АТО, найти действия (операции), способные реализовать соответствующие намерения, т.е. достичь заданных локальных целей;

– ИА не должен формировать новые локальные цели (намерения), несовместимые (противоречивые) с уже принятыми, т.е. ведущие к нереализуемости частных (локальных) намерений или желаний в целом;

– ИА, опираясь на АТО, может корректировать планы достижения цели, т.е. искать новые пути реализации своих намерений;

– ИА может планировать и прогнозировать своё будущее поведение в предположении, что его другие намерения уже реализованы или будут реализованы.

АТО располагает некоторой информацией о текущем состоянии ИА и окружающей его среды. Однако, вообще говоря, эта информация может быть ошибочной, противоречивой или неполной. Поэтому АТО ИА являются лишь виртуальным представлением реальности и не обязательно несёт в себе достоверные знания.

Важно отметить, что восприятие и мониторинг текущего состояния внешней среды и ИА создаёт реалистичное представление о мире в АТО в форме модели виртуальной реальности. Поэтому АТО позволяет ИА планировать своё поведение и прогнозировать последствия своих действий как в реальной, так и в виртуальной среде.

Основным назначением АТО в современных информационных технологиях и теории информационных агентов являются:

– автоматическое решение задач и принятие решений на основе извлечения информации из БД (так называемый процесс Data Mining)

– формирование и использование БЗ (так называемый процесс Knowledge Discovery);

– обучение информационным операциям, формирование и использование умений (навыков) на базе обучающих машин (так называемых Learning Machine) или нейронных сетей (так называемых Neural Networks).

Для глобальных ТКС и распределённых ИКС нового поколения идеальными средствами обработки и передачи информации являются сетевые агенты, сочетающие в себе перечисленные черты и способности. К таким агентам в первую очередь следует отнести нейронных (нейросетевых) агентов, т.е. сетевых агентов, реализуемых в форме обучаемых нейросетевых программ или нейронных сетей соответствующего назначения.

Отличительными чертами нейронных агентов являются способность к обучению на примерах (прецедентах), адаптивность и стремление к обобщению (экстраполяции) экспериментальных данных (примеров) в форме нейрознаний, т.е поиск закономерностей и извлечение знаний из доступных сетевых данных по мере их поступления.

Указанные качества нейронных агентов особенно важны в глобальных ТКС потому, что в действительности нельзя требовать от всех внешних агентов-пользователей ТКС, чтобы они формулировали свои запросы или сообщения в абсолютно чёткой, полной и непротиворечивой форме. Это связано с тем, что массовый (непрофессиональный) пользователь, как правило, не может формально обосновать и корректно сформулировать свои интересы и запросы. Однако он может более или менее точно определить, какие сообщения или информационные ресурсы ему нужны в данный момент, а какие – нет.

В такой ситуации нейронные агенты могут обучаться на примерах методом “проб и ошибок”, постепенно выяснить интересы групп пользователей и в дальнейшем действовать в глобальной ТКС в пользу этих групп “по интересам”. Ясно, что чем лучше и быстрее нейронные агенты будут обучаться и адаптироваться к изменяющейся и частично неопределённой реальной сетевой среде, тем комфортнее будут себя чувствовать пользователи ТКС с точки зрения быстродействия и качества предоставляемых им услуг.

Таким образом, развитие глобальных ТКС и распределённых ИКС нового поколения требует создания сетевых агентов (в частности, программных и нейросетевых агентов) и совершенствования мульти-агентных технологий управления адресной передачей потоков пакетов данных и процессов обработки информации. Эта тенденция обусловлена не только и не столько внутренней необходимостью развития теории сетевых агентов и нейронных сетей, но и прежде всего современными потребностями мирового рынка инфотелекоммуникационных услуг.

Можно ожидать, что на этом бурно развивающемся рынке сетевые и особенно нейросетевые агенты, а также мульти-агентные технологии будут играть важную роль и постоянно расширять свою экологическую нишу в мире глобальных ТКС и распределённых ИКС новых поколений. При этом наряду программными нейронными агентами, эмулируемыми на обычных компьютерах с последовательной архитектурой фон-Неймана, будут использоваться аппаратные нейронные агенты, реализуемые на нейронных сетях и нейрокомпьютерах с параллельной обработкой информации и самонастраивающейся архитектурой.

Такие нейросетевые агенты, представляя интересы и предпочтения пользователей глобальной ТКС, с одной стороны, и, поставщиков (провайдеров) информационных ресурсов и телекоммуникационных услуг, с другой стороны, смогут от их имени самостоятельно взаимодействовать и автоматически разрешать сетевые конфликты. Благодаря этому окажется возможным создать комфортную среду для параллельной работы очень большого числа внешних агентовпользователей с требуемым быстродействием и высоким качеством обслуживания.

13.6.3. Глобальные компьютерные сети как распределённая среда “коллективного интеллекта”

Современные тенденции в развитии глобальных ТКС связаны с появлением и всё более широком внедрении сетевых и, в частности, нейронных агентов. С другой стороны, развитие глобальных ИКС характеризуется тем, что они всё больше из простого хранилища гетерогенных данных в виде распределённых БД постепенно превращаются в хранилища разнообразных знаний в виде распределённых БЗ или локальных нейронных сетей, аккумулирующих нейрознания.

Всё это создаёт реальные предпосылки для появления “коллективного искусственного интеллекта”, основу которого составляют сетевые агенты глобальной ТКС и БД, БЗ и НС, распределённые в глобальной ИКС или GRID-среде. Однако этот глобальный “разум” не может быть жёстко запрограммированным и неизменным.

Подобно мозгу человека он должен обучаться, самоорганизовываться и совершенство-ваться. Поэтому особый интерес для развития и интеллектуализации глобальных ТКС нового поколения играют обучаемые нейронные агенты.

В процессе обучения и самоорганизации управляющих подсистем таких агентов осуществляется настройка синаптических параметров (весов) путём преобразования корректирующих сигналов (сигналов ошибки). Эти сигналы обратной связи формируются решающими нейронами выходного слоя нейронной сети и распространяются информационной подсистемой по сети к нейронам промежуточных слоёв, участвующих в вычислениях. Такие нейронные агенты обладают способностью обучаться как индивидуальным, так и коллективным операциям в процессе решения задач управляемой передачи потоков данных в глобальной ТКС.

Коллективное использование таких агентов позволит, в частности, решать задачи индексирования и аннотирования глобальных ТКС и ИКС. Следует отметить, что сегодня обычные поисковые серверы, осуществляющие локальный поиск и индексацию только фрагментов ТКС, перестают справляться даже с этой задачей.

В перспективе мульти-агентные ТКС нового поколения смогут самоидентифицироваться и самоаннотироваться с помощью нейросетевых технологий и агентов. Такие агенты смогут, обучаясь на больших массивах текстов различного содержания, понимать смысл (семантику) сетевых сообщений, классифицировать их “по интересам” пользователей и осуществлять семантический ассоциативный поиск данных и знаний, распределённых в глобальных ТКС и ИКС.

Таким образом, эволюция глобальных ТКС и ИКС и совершенствование нейросетевых и мульти-агентных и GRID-технологий позволят на современном этапе уверенно прогнозировать появление сетевого “коллективного разума” уже в обозримом будущем.

Интеграция в сетевое сообщество внутренних агентов различного типа и назначения, активно взаимодействующих между собой и с внешними агентами-пользователями, позволит создать коллективный человеко-машинный “гипермозг”, значительно расширяющий возможности человеческого мозга, но наследующий принципы его организации и работы.

13.6.4. Интеллектуальный анализ и мульти-агентное управление распределёнными базами данных и знаний

Тенденция к всё большей распределённости и децентрализации ТКС обусловлена тем, что современные и возникающие вновь БД и БЗ распределены в ИКС (например, в GRID-сред) в географически разных местах. Однако распределённые по всему миру БД и БЗ могут интегрироваться пользователями для решения общих задач “по интересам” с помощью ТКС. Сложившаяся тенденция к увеличению производительности и качества обслуживания требует высокого параллелизма при передаче запросов через ТКС и их обработки на базе распределённых ИКС.

Эта тенденция ярко проявляется сегодня не только в глобальных ТКС типа Internet, но и, например, в корпоративных ТКС меньшего масштаба, когда корпоративные задачи согласованно и в значительной степени независимо выполняются на разных рабочих местах различными агентами-пользователями, вовлечёнными в общий (коллективный) процесс решения актуальных задач.

Преимущество такой распределённоcти при передаче и обработке информационных потоков заключается в высокой степени их параллелизма. С другой стороны, возникают трудности, связанные с контролем за целостностью, непротиворечивостью, избыточностью и своевременностью извлечения необходимой информации удалёнными пользователями ТКС для получения информационных и вычислительных ресурсов, распределённых в ИКС.

Поэтому сегодня особую значимость приобретают не столько проблемы централизованного управления передачей и обработкой информации, сколько проблемы децентрализации и интеграции соответствующих процессов.

Особенность распределённых БД и БЗ заключается в их всё возрастающей сложности и неоднородности. Это связано, в частности, с тем, что наряду с реляционными БД табличного типа всё шире используются постреляционные и объектно-ориентированные БД, а также выходящие на рынок инфотелекоммуникационных технологий БЗ для различных приложений.

Факторы неоднородности и распределённости информационных и вычислительных ресурсов глобальных ИКС порождают новые требования к системам управления БД и БЗ, размещённых в узлах ИКС. К ним относятся способности к фрагментации, тиражированию и интеграции распределённых БД и БЗ.

Обычно распределение данных и знаний по узлам ИКС производится двумя методами:

– фрагментация (декомпозиция),

– тиражирование (репликация).

Фрагментация данных заключается в их декомпозиции с целью распределения фрагментов в разных узлах ИКС, имеющих общую систему управления БД. Принято различать “горизонтальную” и “вертикальную” фрагментацию табличных БД.

В первом случае глобальная БД разбивается (расщепляется) на несколько локальных БД по значению определённого признака или набора признаков. При этом каждая локальная БД имеет ту же структуру (например, табличную), что и исходная глобальная БД. Поэтому простое объединение локальных БД позволяет легко восстановить глобальную БД.

В случае “вертикальной” фрагментации производится разбиение (факторизация) глобальной БД на локальные БД по столбцам исходной таблицы. Восстановление глобальной БД осуществляется соединением (в соответствующем порядке) локальных БД.

В обоих случаях нужна глобальная система управления БД, обеспечивающая возможность восстановления исходной БД по её локальным фрагментам.

Альтернативный способ распределения данных и знаний заключается в их тиражировании.

Тиражирование данных заключается в создании дубликатов (копий) данных, называемых также репликатами. Эти дубликаты БД размещаются в различных узлах ИКС, обеспечивая распределённость информационных ресурсов.

Глобальная система управления БД должна обеспечивать синхронизацию дубликатов (репликатов) с исходной БД. Если при тиражировании копия изменилась по сравнению с исходной БД, возникают проблемы согласования различных версий распределения данных.

Рассмотрим теперь обратную задачу. Пусть распределение информационных или вычислительных ресурсов (на базе фрагментации, тиражирования или иных способов) уже существует. Однако при этом возникает новая задача: как представить распределённые локальные БД и БЗ как единое целое. По существу эта задача есть проблема интеграции распределённых БД и БЗ в глобальную БД и БЗ.

Проблема интеграции БД и БЗ является одной из наиболее актуальных задач теории управления данными и знаниями, распределёнными в локальных или глобальных ИКС. Она охватывает такие вопросы, как определение структуры глобальной БД или БЗ, возможность глобального доступа к ним через сетевую систему управления ТКС, способность компенсации ошибок при представлении данных и т.п. Часто решение этих вопросов сводится к формированию мульти-БД и БЗ и сетевому управлению ими.

В последние годы возник новый способ распределения и хранения БД и БЗ, связанный с понятием хранилища данных.

Хранилища данных и знаний служат главным образом для хранения БД и БЗ для их последующего анализа и использования. Они не предназначены для оперативной работы в реальном времени, хотя и могут быть востребованы в отдельных случаях для этой работы. Расширение (развитие) этих хранилищ ведётся, как правило, “снизу”, т.е. из оперативных БД и БЗ более низкого уровня иерархии. Однако они могут и должны использоваться на высшем уровне иерархии. Системы управления распределёнными БД и БЗ должны работать в первую очередь в стратегических интересах конкретной организации, региона и т.п., т.е. в интересах менеджеров и руководителей, которые знают проблему и свои задачи в целом.

Современные тенденции в организации хранилища данных и знаний в CRID-среде основываются на следующих принципах:

– возможность и целесообразность интеграции локальных распределённых БД и БЗ;

– прикладная ориентация БД и БЗ на предметные области;

– робастность (устойчивость) БД и БЗ, относящихся к определённой предметной области;

– нестационарность БД и БЗ, которые могут изменяться с течением времени в рамках соответствующей предметной области.

Хранилища данных и знаний могут быть организованы по разному. Они могут быть, как и БД и БЗ, централизованными или децентрализованными.

Централизованные хранилища включают достаточно однородные БД и БЗ с централизованным управлением. При этом возникают проблемы, связанные с обновлением соответствующих БД и БЗ.

Децентрализованные хранилища обычно включают неоднородные БД и БЗ, распределенные в удалённых узлах ИКС. При этом удалённый доступ к различным БД и БЗ может осуществляться через глобальную ТКС на основе мега-БД и БЗ, что упрощает проблему обновления хранилища данных и знаний в GRID-среде.

В традиционной среде “клиент-сервер” хранилище данных и знаний доступно пользователю через программный интерфейс распределённой коммуникационной (исполнительной) системы глобальной ТКС. В среде активированных БД и БЗ хранилище может параллельно пополняться “мгновенными снимками” данных и знаний, которые привязаны к соответствующим моментам времени.

Заключение

Подводя итог, следует отметить, что в настоящей монографии на основе системного анализа эволюции и особенностей управляемой динамики глобальных ТКС и распределённых ИКС с изменяющейся структурой (сетевой топологией) и варьируемыми параметрами (весами узлов и каналов связи) в условиях неопределённости обоснована необходимость разработки прикладной теории адаптивного управления и интеллектуального анализа информационных потоков в компьютерных сетях. Эта теория направлена на отказоустойчивое и высококачественное мульти-агентное обслуживание внешних агентов-пользователей глобальных ТКС нового поколения и связанных с ними ИКС как хранилищем распределённых высокопроизводительных информационных и вычислительных ресурсов. Она должна прийти на смену традиционной теории централизованного и децентрализованного сетевого управления и массового обслуживания, вероятностные предположения (гипотезы) которой, как правило, не выполняются на практике.

Конкретный научный вклад данной книги в теорию адаптивного сетевого управления и мульти-агентного обслуживания пользователей глобальных ТКС заключается в том, что в ней на основе анализа достоинств и недостатков классических моделей и методов статической маршрутизации потоков данных, предлагаются принципиально новые подходы к адаптивной маршрутизации, мульти-агентному сетевому управлению и интеллектуальному анализу информационных потоков, отличающиеся возможностью учёта нестационарных и неопределённых факторов, возникающих в реальных условиях эксплуатации компьютерных сетей. Эти факторы фактически игнорируются (или, в лучшем случае, учитываются лишь “в среднем”) традиционной теорией массового обслуживания ТКС, основанной на вероятностных предположениях (гипотезах) и статистических данных. Однако их учёт и адаптивная компенсация неопределённости при сетевом адаптивном и интеллектуальном управлении потоками данных в глобальных ТКС и распределённых ИКС новых поколений являются принципиально важными и абсолютно необходимыми.

Предлагаемые в этой книге модели и методы динамической, адаптивной, нейросетевой и мульти-агентной (много-адресной и многопотоковой) маршрутизации и интеллектуального ананлиза и управляемого синтеза информационных потоков в глобальных ТКС и распределённых ИКС нового поколения представляются актуальным шагом в направлении создания теории адаптивного и интеллектуального управления и мульти-агентного (массового) обслуживания пользователей глобальных информационных и телекоммуникационных компьютерных сетей, имеющей большое прикладное и социально-экономическое значение. В частности, эти научные результаты могут быть полезны для организации адаптивного мульти-агентного (массового) обслуживания пользователей GRID-сетей различного масштаба и назначения или для создания мировой сети Internet нового поколения в целом.

Эффективное функционирование глобальных ТКС и распределённых ИКС, интеграция и интеллектуализация их работы невозможны без создания и использования баз данных (БД) и баз знаний (БЗ). Поэтому в книге значительное внимание уделяется вопросам моделирования распределённых БД и проектирования, оптимизации и нейросетевого представления БЗ для компьютерных сетей. Особенностью предлагаемых БЗ минимальной сложности, формируемых по распределённым обучающим БД, является тот факт, что они синтезируются на основе теории гетерогенных полиномиальных нейронных и генно-нейронных сетей и логико-нейросетевых технологий адаптивной обработки информации и принятия интеллектуальных решений в терминах многозначных предикатов. В этих терминах описывается человеко-машинный интерфейс, обеспечивающий интеллектуальный анализ (распознвание образов, классификацию web-сайтов и т.п.) и управляемый синтез информационных потоков в компьютерных сетях.

Взаимодействие глобальных ТКС и распределённых ИКС осуществляется через интеллектуальный интерфейс внешних интеллектуальных агентов-пользователей (сетевых клиентов) с внутренними сетевыми или нейросетевыми агентами. При этом важное значение приобретают не только адаптивное управление и интеллектуальный анализ информационных потоков в глобальных ТКС и распределённых ИКС, но и организация мульти-агентного диалога между интеллектуальными агентами компьютерных сетей.

Следует отметить, что в данной книге описаны лишь некоторые актуальные проблемы и новые методы адаптивного управления и интеллектуального анализа информационных потоков в компьютерных сетях. Среди нерассмотренных вопросов отметим, например, методы и технологии облачных вычислений (Cloud Computing), в которых информационные и вычислительные сетевые ресурсы распределённых ИКС предоставляются внешним агентам-пользователям как Internet-сервисы.

Согласно стандартам IEEE (https://doi.ieeecomputersociety.org/10.1109/MIC.2008.107) “облачная обработка данных – это парадигма, в которой информация постоянно хранится на серверах в Internet и временно кэшируется на клиентной стороне”, т.е. на персональных компьютерах, ноутбуках, смартфонах и т.п. внешних агентов-пользователей. Специализированное программное обеспечение облачных вычислений, называемое “middleware control”, решает задачи мониторинга и согласованной работы сетевых компьютеров, балансировку трафика и передачи необходимых информационных и вычислительных ресурсов. Например, программное обеспечение Google Apps предоставляет в режиме онлайн с помощью Internet-браузера распределённые информационно-вычислительные ресурсы, хранящиеся на серверах Google.

Проектирование и создание перспективных средств защиты информации в глобальных ТКС и распределённых ИКС новых поколений тесно связано с развитием прикладной теории адаптивного и отказоустойчивого управления, интеллектуального анализа, обработки и передачи информационных потоков. При этом всё возрастающую роль будут играть принципы адаптации, обучения и самоорганизации, методы нейроинформатики и нейроуправления, облачные, нечёткие и генетические алгоритмы, интеллектуальные системы и мульти-агентные технологии.

Литература

1. Столлингс В. Современные компьютерные сети. – СПб: Питер, 2003. – 783 с.

2. Олифер В.Г., Оливер М.А. Компьютерные сети. Принципы, технологии, протоколы. - СПб.: Питер, 2001. - 672с.

3. Harshall F. Data Communication, Computer Networks and Open Systems. -Adisson - Wesly, 1996.

4. Tanenbaum A.S. Computer Networks. ­– Prentice Hall, 1996.

5. Хелеби С. Мак-Ферсон Д. Принципы маршрутизации в Internet. 2-е издание.: Пер. с англ. – М: Издательский дом «Вильямс», 2003. – 448 с.

6. Уолренд Дж. Телекоммуникационные и компьютерные сети. Вводный курс.- М.: Постмаркс. - 2001. - 480 с.

7. Шварц М. Сети связи: протоколы, моделирование и анализ. - М.: Наука, 1992.

8. Дилип Н. Стандарты и протоколы Internet.- М.: Русская редакция, 1999

9. Уолрендж Дж. Введение в теорию сетей массового обслуживания.- М.: Мир, 1993.

10. Иванов А.В. Контроль соответствия в телекоммуникациях и связи. Измерения, анализ, тестирование, мониторинг. - М.: Syrus Systems, 2000.

11. Varaiya P., Walrand J. High-Performance Communication Networks. - Morgan Kaufmann, 1996.

12. Кох Р., Яновский Г.Г. Эволюция и конвергенция в электросвязи. - М.: Радио и связь, 2001. - 280 с.

13. Мандельброт Б., Фрактальная геометрия природы / Перевод с англ., - М.: Институт компьютерных исследований, 2002. – 656 с.

14. Cairncross F. The Death of Distance. - Harvard Business School Publishing, 1997. -303 с.

15. Каллан Р. Основные концепции нейронных сетей. - М.: Издательский дом «Вильямс», 2001. – 287 с.

16. Тимофеев А.В. Построение адаптивных систем управления программным движением. - Л.: Энергия, 1980. – 88 с.

17. Тимофеев А.В. Адаптивные робототехнические комплексы.- Л.: Машиностроение, 1988. – 334 с.

18. Timofeev A.V. Intelligent Control Applied to Non-Linear Systems and Neural Networks with Adaptive Architecture.- International Journal on Intelligent Control, Neurocomputing and Fuzzy Logic, 1996, pp. 1-18.

19. Басанер Р., Саати Т. Конечные графы и сети. - М.: Наука, 1973. - 368 с.

20. Вишневский В.М. Теоретические основы проектирования компьютерных сетей. ­­– М.: Техносфера, 2003. ­ – 512 с.

21. Бертсекас Д., Галлагер Р. Сети передачи данных: Пер. с англ.- М.: Мир. – 1989. – 544 с.

22. Дэвис Д., Барбер Д., Прайс У., Соломонидес С. Вычислительные сети и сетевые протоколы: Пер. с англ. - М.: Мир, 1981. – 563 с.

23. Шварц М. Сети связи: протоколы, моделирование и анализ. – М.: Наука, 1992.

24. Ash G.R. Dynamic Routing in Telecommunications Networks. – McGraw-Hill, 1998.

25. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. ­­– М.: Горячая линия ­ Телеком, 2002. ­–­ 94 с.

26. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. ­ СПб: Наука и техника, 2003. ­– 384 с.

27. Калман Р. Идентификация систем с шумами. – Успехи математических наук, 1985, т.40, вып.4 (244), с.27-41.

28. Агамирзян И.Р. Управление Интернетом – вызов нового века или страх перед будущим? – Труды VII Всероссийской объединенной конференции «Технологии информационного общества – Интернет и современное общество», (10-12 ноября 2004г., Санкт-Петербург). – СПб: Изд-во СпбГУ, 2004, с.153-156.

29. Тимофеев А.В. Проблемы и методы адаптивного управления потоками данных в телекоммуникационных системах. – Информатизация и связь, № 1-2, 2003, с. 68–73.

30. Тимофеев А.В., Сырцев А.В. Мульти-агентная и нейросетевая маршрутизация потоков данных в телекоммуникационных сетях. – Труды 10-ой международной конференции “Knowledge–Dialogue–Solution” (16-26 июня, 2003, Варна), 2003, с. 187–190.

31. Тимофеев А.В. Модели мульти-агентного диалога и информационного управления в глобальных телекоммуникационных сетях. – Труды 10-ой международной конференции “Knowledge-Dialogue-Solution” (16-26 июня, 2003, Варна), 2003, с. 180–186.

32. А.В.Тимофеев, А.В.Колотаев, А.В.Сырцев. Алгоритмическое и программное обеспечение для протоколов нового поколения и имитационного моделирования IP-сетей. – Труды XII Всероссийской научно-методической конференции Телематика ‘2005, том 1. Секции А, В, С, с. 79-83.

33. Timofeev Adil. Adaptive Routing and Multi-Agent Control for Information Flows in IP-Networks. - Proceedings of XI-th International Conference Knowledge-Dialogue-Solution (KDS-2005), June 20-30, Varna, Bulgaria, 2005, pp.442-445.

34. Тимофеев А.В. Мультифрактальное проектирование мульти-агентных региональных инфотелекоммуникационных сетей. – Материалы международной научной конференции “Моделирование устойчивого регионального развития” (Россия, Нальчик, 5-9 октября 2005 г.), с.47-50.

35. Тимофеев А.В. Статистический синтез, обучение и оптимизация полиномиальных нейронных сетей. – Нейрокомпьютеры: разработка и применение, 2002, № 5–6, с. 26–33.

36. Тимофеев А.В., Шеожев А.М., Шибзухов З.М. Синтез нейросетевых архитектур по многозначному дереву решений. – Нейрокомпьютеры: разработка и применение, 2002, № 5–6, с. 44–49.

37. Тимофеев А.В. Оптимизационный синтез и минимизация сложности генно-нейронных сетей по целочисленным базам данных. – Нейрокомпьютеры: разработка и применение, 2002, № 5–6, с. 34–39.

38. Тимофеев А.В. Функциональный анализ неисправностей динамических систем и дефектоустойчивость стабилизирующего управления. – Доклады АМАН, 2002, т.6, № 1, с. 67–71.

39. Тимофеев А.В. Эволюция нейроинформатики: от персептронов к квантовым нейрокомпьютерам. – Нейрокомпьютеры: разработка и применение, 2002, № 5–6, с. 107–115

40. Тимофеев А.В., Шибзухов З.М. Рекурсивный синтез и оптимизация диофантовых нейронных сетей. – Нейрокомпьютеры: разработка и применение, 2002, № 5–6, с. 40–43.

41. Timofeev A.V. Physical Diagnostics and Fault Relevant Feedback Control. – Proceedings International Conference “Physics and Control” (Saint-Petersburg, August, 20-23, 2003), рр. 254–259.

42. Тимофеев А.В. Методы высококачественного управления, интеллектуализации и функциональной диагностики автоматических систем. – Мехатроника, автоматизация, управление, 2003, № 2, с. 13–17.

43. Timofeev A.V. Tools for Functional Analysis of Faults and Methods of Fault-Stable Motion Control. – Nuclear Instruments and Methods in Physics Research, A502, 2003, pp.515–516.

44. Cai Z., He H., Timofeev A. Navigation Control in Unknown Environment: A Survey. – Proceedings of 10-th International Conference on Integrated Navigation Systems (June 27-29, St-Petersburg), 2003, vol. 1, pp.158-166.

45. Syrtzev A.V., Timofeev A.V. Neural and Multi-Agent Routing in Telecommunicational Networks. – International Journal “Information Theories and Their Applications”, 2003, № 2.

46. Timofeev A.V. Models for Multi-Agent Dialogue and Informational Control in Global Telecommunicational Networks. – International Journal “Information Theories and Their Applications”, 2003, № 1, pp. 180–187.

47. Тимофеев А.В., Сырцев А.В. Нейросетевое распределение мульти-агентных потоков данных в глобальных компьютерных сетях. – Труды 1-ой Всероссийской конференции “Методы и средства обработки информации” (1-3 октября 2003, Москва) –М.: Изд-во МГУ, 2003.

48. Тимофеев А.В. Методы нейросетевого и мульти-агентного управления в робототехнике и мехатронике. – В кн.: «Нелинейная теория управления и её применения» (под ред. акад. С.Н.Васильева). – М.: Физматлит, 2003, с. 101–128.

49. Veresov I.H. Distributed Computation and Database Sinchronization in Multi-Agent Systems. – Proceedings of International Conference on Mechatronics and Robotics, Saint-Peterrsburg, 2002, vol. 1, pp.216–217.

50. Вересов И.Г., Колушев Ф.А. Мульти-агентный алгоритм поиска кратчайших путей на графе.– В кн.: «Вопросы управления и проектирования в информационных и кибернетических системах» – Уфа: Изд-во УГАТУ, 2002, с. 76–82.

51. Timofev A.V. Kolotaev A.V. Implementing Simulation Modules As Generic Components. – Proceedings of XI-th International Conference Knowledge-Dialogue-Solution (KDS-2005), June 20-30, Varna, Bulgaria, pp.165-171.

52. Тимофеев А.В. Методы обучения и самоорганизации полиномиальных нейронных сетей в задачах распознавания образов.– Труды 11-ой Всероссийской конференции “Математические методы распознавания образов”(ММРО-11)(23-29 ноября 2003, Пущино), 2003, с. 187–191.

53. Тимофеев А.В. Динамическая диагностика функций и состояний управляемых систем.– Труды 11-ой Всероссийской конференции “Математические методы распознавания образов”(ММРО-11)(23-29 ноября 2003, Пущино), 2003, с. 184–187.

54. Timofeev A.V., Syrtzev A.V. Neural Approach in Multi-Agent Routing for Static Telecommunication Networks. – International Journal “Information Theories and Their Applications”, 2003, № 10, pp.167–172.

55. Timofeev A.V. Polynomial Neural Networks with Self-Organizing Architecture. – International Journal on Optical Memory and Neural Networks, 2003, N 6.

56. Тимофеев А.В., Сырцев А.В. Нейросетевые методы оптимальной динамической маршрутизации потоков данных. – Труды VIII Санкт-Петербургской международной конференции “Региональная информатика-2002” (Санкт-Петербург, 2002, 26-28 ноября), Изд-во СПОИСУ, 2003, с. 146-149.

57. Тимофеев А.В. Адаптивное управление и мульти-агентная навигация потоков данных в компьютерных сетях. – Труды Международной конференции “Интеллектуальные и многопроцессорные системы” (22-29 сентября, 2003, Геленджик), том 2, с. 20-23.

58. Тимофеев А.В. Архитектура и принципы построения мульти-агентных телекоммуникационных систем нового поколения. – Труды 11-ой Всероссийской научно-методической конференции “Телематика–2004” (Санкт-Петербург, 7–10 июня 2004 г.), том 1, с. 172–174.

59. Тимофеев А.В., Остюченко И.В. Мульти-агентное управление качеством в телекоммуникационных сетях. – Труды 11-ой Всероссийской научно-методической конференции “Телематика–2004” (Санкт-Петербург, 7–10 июня 2004 г.), том 1, с. 177–179.

60. Timofeev A.V. Multi-Agent Information Processing and Adaptive Control in Global Telecommunication and Computer Networks.– International Journal “Information Theories and Their Applications”, 2003, № 10, pp. 54–60.

61. Тимофеев А.В. Адаптивное управление и самоорганизация в мульти-агентных инфотелекоммуникационных сетях. – Труды международной конференции “TECH2004” (Варна, Болгария, 15-24 июня 2004), 2004, с. 139–144.

62. Тимофеев А.В. Мульти-агентное управление и самоорганизация в глобальных инфотелекоммуникационных сетях нового поколения. – Труды научно-практической конференции “Стратегии динамического развития России: единство самоорганизации и управления” (Москва, 16–18 июня 2004), т.1, с.108–112.

63. Тимофеев А.В., Сгурев В.В., Йотсов В.С., Лютикова Л.В. Развитие и применение многозначных логик и сетевых потоков в интеллектуальных системах. – Труды СПИИРАН, вып. 2, 2004, с. 72–84.

64. Тимофеев А.В., Димитриченко Д.П. К вопросу о мультифрактальном и мульти-агентном проектировании телекоммуникационных сетей. – Материалы международной научной конференции “Моделирование устойчивого регионального развития” (Россия, Нальчик, 5-9 октября 2005 г.), с.188-190.

65. Тимофеев А.В. Адаптивное управление и много-агентная обработка информационных потоков в интегрированных телекоммуникационных и компьютерных сетях. — Труды СПИИРАН, 2006 г., Вып. 3, Том 1, с. 62–70.

66. Timofeev A.V. Intellectualization for Man-Machine Interface and Network Control in Multi-Agent Infotelecommunication Systems of New Generation. – Proceedings of 9-th International Conference “Speech and Computer”(20–22 September, 2004), Saint-Petersburg, Russia, pp. 694–700.

67. Timofeev A.V. Adaptive Control and Multi– Agent Interface for Infotelecommunication Systems of New Generation. – International Journal " Information Theories & Applications", 2004, Vol.11, pp.139–144.

68. Тимофеев А.В. Адаптивное и интеллектуальное управление в мульти-агентных инфокоммуникационных сетях. – Сборник докладов 2-ой Всероссийской научной конференции “Управление и информационные технологии” (21–24 сентября 2004 г.), Пятигорск, с. 115–118.

69. Тимофеев А.В., Сырцев А.В. Модели и методы маршрутизации потоков данных в телекомму-никационных системах с изменяющейся динамикой. – M.: Новые технологии, 2005, 82 с.

70. Шеннон Р. Имитационное моделирование систем – искусство и наука. М., «Мир», 1978, 418 с.

71. Тимофеев А.В.,.Борисова П.Б, Мышков П.С. Разработка Web-классификаторов и нейронных агентов для инфотелекоммуникационных сетей. – Труды международной конференции “Моделирование устойчивого регионального развития” (5–9 октября 2005 г., г. Нальчик, 2005, с. 212–215.

72. Мышков П.С., Борисова П.В., Незлобин А.А., Петров А.Д., Тимофеев А.В. Классификация Web-страниц с помощью алгоритмов машинного обучения. – Труды XII Всероссийской научно-методической конференции “Телематика-2005”, с. 82-85.

73. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов, стохастические проблемы обучения. – М.: Наука, 1974.

74. Vapnik V. An Overview of Statistical Learning Theory. – IEEE Transactions of Neural Networks, 1999.

75. Lodhi H., Saunders С., Shawe-Taylor J., Cristianini N., Watkins C. Text Classification using String Kernels – Journal of Machine Learning Research, 2, 2002.

76. Muller K.-R., Mika S., Ratsch G., Tsuda K., Scholkopf B. An Introduction to Kernel-Based Learning Algorithms. – IEEE Transactions of Neural Networks, Vol. 12, NO. 2, 2001.

77. Амбарян Т.Р., Тимофеев А.В. Параллельные вычисления в нейронных и квантовых сетях. – Труды СПИИРАН, Выпуск 1, Том 3, 2003. С. 57–67.

78. Ambaryan T. Neuro-quantum networks in tasks of pattern recognition. – Proc. 2nd International Conf. Physics and Control, St. Petersburg, 2005. pp 527–531.

79. Амбарян Т.Р., Тимофеев А.В. Модели квантовых и нейронных вычислений в задачах обработки информации. – Известия вузов. Приборостроение 2005, №7, С. 35–40.

80. Ambaryan T. Neuro-quantum networks: classical basics. – Emerging Technologies, Robotics and Control Systems. Volume 2. Palermo, Italy 2007. pp. 38–41.

81. Теряев Е.Д., Петрин К.В., Филимонов А.В., Филимонов Н.Б. Современые проблемы автоматизации и интеллектуализации эргатических систем управления подвижными объектами. – В кн.: Интеллектуальные системы управления. / Под ред. акад. С.Н.Васильева. – М.: Машиностроение, 2010, с. 84–95.

82. Тарасов В.Б. От многоагентных систем к многоагентным организациям: философия, психология, информатика. – М.: Эдиториал УРСС, 2002, 348 с.

83. Foster Ian. Service-Oriented Science. // Science, 308(5723), 2005, pp. 814–817.

84. Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. – М.: Наука, 2006. – 410 с.

85. Тимофеев А.В. Мульти-агентные системы управления региональными телекоммуникационными сетями. – Материалы международной конференции «Моделирование устойчивого регионального развития (МУРР–2007)», Изд. КБНЦ РАН, Нальчик, 2007, с. 45–50.

86. Каляев И.А. Стратегии группового управления в распределённых системах. – Доклад на общем пленарном заседании 3-ей мульти-конференции по проблемам управления. – СПб.: Изд. “Концерн ЦНИИ «Электроприбор»”, 2010, 16 с.

87. Асанов М.О., Баранский В. А., Расин В.В. Дискретная математика: графы, матроиды, алгоритмы. – Ижевск: НИЦ «Регулярная и хаотическая динамика». 2001, 288 стр.

88. Майника Э. Алгоритмы оптимизации на сетях и графах. – М.: Мир, 1981. 323 с.

89. Лютикова Л.А., Тимофеев А.В., Сгурев В.В., Йоцов В.И. Развитие и применение многозначных логик и сетевых потоков в интеллектуальных системах. – Труды СПИИРАН, 2005, вып. 2, С. 114–126.

90. Городецкий С.А., Карсаев О.В., Самойлов В.В., Серебряков С.В. Инструментальные средства для открытых сетей агентов. – Известия РАН. Теория и системы управления, 2008, № 3, с. 106–124.

91. Тимофеев А.В., Димитриченко Д.П. Модели и методы многокритериальной оптимизации альтернатив. – Труды СПИИРАН. Вып. 7. СПб.: Наука, 2008. С. 182–194.

92. Тимофеев А.В., Димитриченко Д.П. Многокритериальная оценка сетевых топологических структур для моделирования и проектирования GRID-систем. – Труды СПИИРАН, 2008, вып. № 10, С. 72–77.

93. Тимофеев А.В. Фрактальное моделирование и многокритериальная оптимизация компьютерных сетей. – International Book Series Information Science & Computing. Intelligent Engineering, vol. 3, 2009, N. 11, pp.79–83.

94. Тимофеев А.В. Мультисенсорные и нейросетевые технологии в робототехнике и информатике. – Известия КБНЦ РАН, 2010.

95. Тимофеев А.В. Развитие информационных технологий и интеллектуальных систем управления в робототехнике, мехатронике и телекоммуникациях. – В кн.: Интеллектуальные системы управления. (Под ред. акад. С.Н.Васильева). – М.: Машиностроение, с. 34-40.

96. Тимофеев А.В., Дерин О.А., Гуленко И.Е., Андреев В.А. Распознавание объектов в сложных мульти-изображениях и методы и средства видеозахвата движений. – Мехатроника, автоматизация, управление, 2010, № 6, с. 51–55.

97. Тимофеев А.В. Мульти-агентные робототехнические системы и нейросетевые технологии. – Известия ЮФУ. Технические науки. Перспективные системы и задачи управления. 2010, №3, с. 20-23.

98. Тимофеев А.В. Роботы и искусственный интеллект. -М.: Наука, 1978, 192 с.

99. Каляев А.В., Тимофеев А.В Методы обучения и минимизации сложности когнитивных нейромодулей cупер-макро-нейрокомпьютера с программируемой архитектурой. – Доклады АН, 1984, Т. 337, № 2, С. 180-183.

100. Timofeev A.V. Neural Control, Multi-Agent Navigation and Virtual Reality Models of Robots. - CD-ROM Proceedings of NOLCOS' 01 5-th IFAC Symposium " Non-Linear Control Systems", Saint-Petersburg, July 4-6, 2001.

101. Тимофеев А, В. Методы синтеза диофантовых нейронных сетей минимальной сложности. – Доклады АН, 1995, т. 345, № 1. С. 33–35.

102. Timofeev A.V., Gulenko I.E., Litvinov M.V. Analysis, Processing and Transfer of Dynamic Images in Virtual Models. - Pattern Recognition and Image Analysis, 2006, No. l, pp.97-99.

103. Timofeev A. V. Parallel Structures and Self-Organization of Heterogeneous Polynomial Neural Networks for Pattern Recognition and Diagnostics of States. - Pattern Recognition and Image Analysis, 2007, Vol. 17, No. l, pp. 163-169.

104. Тимофеев А.В., Шеожев A.M., Шибзухов 3.M. Мульти-агентные диофантовые нейронные сети в задачах распознавания и диагностики. – Нейрокомпьютеры: разработка и применение. 2005. № 10-11. С. 69-74.

105. Timofeev А. V, Azaletskiy P. S., Myshkov P. S, Кеsheng Wang. Neural Network System for Knowledge Discovery in Distributed Heterogeneous Data. – Knowledge Enterprise: Intelligent Strategies in Product Design, Manufacturing and Management, 2006, Vol. 207, pp. 144-151.

106. Косовская T.M., Тимофеев А. В. Иерархическое описание классов и нейросетевое распознавание сложных образов. – Нейрокомпьютеры: разработка и применение. 2007. № 6. С. 30-33.

107. Timofeev A.V., Kosovskaya Т.М. Conditions of Effectiveness of Pattern Recognition Problem Solution Using Logical Level Descriptions of Classes. – International Scientific Journal " Information Theories and Applications" (IJ ITA) 2007. Vol.15, C. 572-576.

108. Тимофеев А.В. Информатика и компьютерный интеллект. – М.: Педагогика, 1991. – 188 с.

109. Хайкин С. Нейронные сети: полный курс. – М.: Издательский дом “Вильямс”, 2006. – 1104 с.

110. Агамирзян И.Р. Место информационных технологий в инновационной системе Российской Федерации. – Санкт-Петербург, IV Петербургская встреча лауреатов Нобелевской премии, Санкт-Петербургской научный форум “Наука и общество. Информационные технологии”, 21–25 сентября 2009 г. – СПб.: Изд. СПбГУТД, 2009, с. 88–91.

111. Офек Й. Будущее Интернет: проблемы в энергопотреблении и безопасности и глобальные контролируемые по времени решения. – Санкт-Петербург, IV Петербургская встреча лауреатов Нобелевской премии Санкт-Петербургской научный форум “Наука и общество. Информационные технологии”, 21–25 сентября 2009 г. – СПб: Изд. СПбГУТД, 2009, с. 316–319.

112. Технологии Грид, 2006, т.1, 2. – М.: ИПМ им. М.В.Келдыша.

113. Козлов В.Н. Системный анализ, оптимизация и принятие решений. – М.: Проспект, 2010. – 176 с.

114. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Искусственный интеллект и интеллектуальные системы управления / Отв. ред. И.М.Макаров. – М.: Наука, 2006. – 333 с.

115. Юсупов Р.М. Состояние и перспективы развития информатики и информационных технологий. –Санкт-Петербург, IV Петербургская встреча лауреатов Нобелевской премии Санкт-Петербургской научный форум “Наука и общество. Информационные технологии”, 21–25 сентября 2009 г. – СПб: Изд. СПбГУТД, 2009, с. 53–57.

116. Бетелин В.Б., Галатенко В.А. Контролируемое выполнение – новый подход к обеспечению информационной безопасности критически важных систем. – Санкт-Петербург, IV Петербургская встреча лауреатов Нобелевской премии, Санкт-Петербургской научный форум. “Наука и общество. Информационные технологии”, 21–25 сентября 2009 г.). – СПб: Изд. СПбГУТД, 2009, с. 320–332.

117. Васильев С.Н., Давыдов А.В. Интеллектуальное управление на основе логических выводов. – В кн.: Интеллектуальные системы управления / Под ред. акад. С.Н.Васильева. – М.: Машиностроение, 2010, с. 72–83.