Анализ и разработка современных интеллектуальных методов моделирования в системах принятия решений



страница22/24
Дата09.08.2018
Размер2.94 Mb.
#43463
ТипЗадача
1   ...   16   17   18   19   20   21   22   23   24

Выводы по пятой главе


Созданные системы моделирования грузоперевозок на железнодорожном транспорте и планирования содержания локомотивных бригад на установленную потребность были протестированы на реальных данных с Восточного полигона РЖД и частично внедрены на указанном полигоне. С целью исследования эффективности работы построенной системы управления перевозочным процессом и предложенного алгоритма ее оптимизации были проведены серии экспериментов, включающие:

1. разработку тестовых сценариев для проверки системы планирования расписания грузоперевозок. Для предварительного тестирования разработанных модулей была создана упрощенная модель полигона, отражающая его основные особенности, и разработаны несколько тестовых сценариев, проверяющие критерии, которые должны учитываться при планировании. Для проверки разработанной системы на реальных данных был создан набор автоматических тестов, анализирующих корректность выдаваемого решения модулем планирования расписания, а также отобраны основные количественные и качественные показатели локомотивного парка. Указанный набор тестов включал в себя проверку входных данных на корректность, проверку выходных данных на корректность, а также набор тестов для проверки правильности планирования на тестовых сценариях.

2. анализ работы модуля планирования расписания грузоперевозок и прикрепления тяговых ресурсов к поездам, включающий анализ выполнения тестовых сценариев для упрощенной и реальной моделей полигона, а также исследование работы различных алгоритмов оптимизации; сравнение результатов решения задачи о назначениях методом аукционов с применением венгерского алгоритма показало, что алгоритм аукционов показывает существенный прирост в скорости сходимости по сравнению с венгерским алгоритмом, однако в некоторых случаях оказывается бессилен выполнить дополнительные требования планирования привязки тяговых ресурсов к поездам; в связи с этим был реализован метод имитации отжига, позволивший, гибко корректируя точность получаемого решения, выполнить поиск оптимального решения с соблюдением процентов обслуживания бригад и поиск резервных локомотивов, а также решать четырехмерную задачу о назначениях с дополнительными временными затратами.

3. анализ качественных показателей модуля планирования расписания грузоперевозок и результатов его введения в опытную эксплуатацию; рассчитанные качественные показатели работы системы на реальных данных, показали, что разработанная система планирования железнодорожных перевозок предоставляет адекватное решение задачи планирования прикрепления локомотивов к составам поездов, повышая эффективность использования эксплуатируемого локомотивного парка. Процесс работы специалистов по корректировке и анализу качества разработанной системы в рамках ее ввода в опытную эксплуатацию предоставляет потенциал для ее дальнейшего улучшения и доработки;

С целью оценки эффективности работы построенной системы планирования содержания тяговых ресурсов на установленную потребность для обеспечения перевозочного процесса было проведено тестирование на данных Восточного полигона. После анализа результатов указанных экспериментов, показавшего способность разработанной системы корректно и быстро планировать меры по нормализации ситуации в депо, модуль квартального планирования содержания тяговых ресурсов на установленную потребность был введен в опытную эксплуатацию на Восточном полигоне.


  1. Заключение

Вместе с появлением информационных технологий и использованием автоматизированных систем управления производственными процессами, характер работы железнодорожного транспорта стал изменяться. Однако информатизация данной сферы происходила бессистемно и неравномерно, что привело к образованию областей, где технологические процедуры имеют минимальный уровень автоматизации и производятся по большей части ручным способом. В связи с этим возникает необходимость в создании автоматизированной системы управления тяговыми ресурсами, способной обеспечить повышение экономической эффективности деятельности ОАО «РЖД» за счет автоматизации планирования расписания поездов и управления содержания локомотивов и локомотивных бригад на установленную потребность. График движения поездов играет ключевую роль в перевозочном процессе, так как он регламентирует все подразделения, принимающие участие в его организации. Важнейшей частью сложной структуры организаций, управляющих железнодорожными перевозками, является локомотивное хозяйство, планирование которого требует адаптивного подхода для построения набора взаимосвязанных планов эксплуатационной работы. В этих условиях возрастает роль создания интеллектуальной системы управления грузоперевозками, способной придать работе на железнодорожном транспорте качественно иную форму и обеспечить конкурентное преимущество данной отрасли.

Для создания интеллектуальных систем управления используются различные методы, основанные на таких подходах как экспертные системы эволюционное моделирование, системы принятия решений, мультиагентные технологии и другие. Однако для настоящего исследования важно было проанализировать способность метода показать эффективные результаты при адаптации к условиям и ограничениям сложной динамической системы российских железных дорог. В ходе указанного анализа были выявлены следующие аспекты технологий разработки интеллектуальных систем управления, применимых для решения описанных в первой главе задач. Мультиагентные технологии позволяют автоматизировать распределение ресурсов и оперативно строить контролируемые системы, что приобретает большое значение в условиях большого объема и разнообразия предметных знаний и количества участников планирования с конфликтными интересами, а также многочисленных критериев принятия решений, которыми характерна задача эффективного планирования содержания тяговых ресурсов и их распределения по депо.

Эффективность процедуры поиска оптимума зависит от вида функции и применяемого для нее метода. Многообразие ограничений, связанных с железнодорожной инфраструктурой, и специфика функции полезности для задачи поиска наилучшего расписания обусловили необходимость выбора наиболее эффективного метода ее решения. Выбранный метод, адаптированный под особенности железнодорожной области, должен удовлетворять ряду требований и позволять получить набор эффективных решений за достаточно небольшое время.

Нечеткая логика, эффективно отображая неопределенности и неточности реального мира, в сочетание с нейронными сетями предоставляет возможность, используя их способность к обучению, решать задачи, в которых неизвестны зависимости между входными и выходными данными и закономерности развития ситуации; указанные преимущества наряду с достоинствами адаптивных алгоритмов идентификации могут быть эффективно использованы при решении задач прогнозирования.

Таким образом, анализ теоретических аспектов построения интеллектуальных систем управления составил базу для дальнейшего решения поставленных задач. В ходе исследования были разработаны две различные системы управления перевозочным процессом и предложен подход моделирования транспортных потоков, позволяющий прогнозировать требуемое для перевозочного процесса количество ресурсов.

Для решения задачи построения эффективного расписания и прикрепления к ним тяговых ресурсов был разработан метод ее формализации и учета ограничений, связанных со спецификой железнодорожной инфраструктуры, а также модель управления грузоперевозками, построенная на основе разработанного метода. Была сформулирована задача оптимизации для поиска наилучшего расписания движения поездов и прикрепленных к ним ТПС и ЛБ, сведение которой к задаче о назначениях позволило быстро получить единичное решение с помощью метода аукционов. В то же время для удовлетворения дополнительных требований планирования был реализован метод имитации отжига, учитывающий специфику функции полезности и ее области определения и позволяющий получать набор эффективных решений, а также решать четырехмерную задачу о назначениях.

С целью создания соответствующих условий по содержанию эксплуатационного парка, гарантирующих его снабжение требуемым количеством тяговых ресурсов в поставленные сроки, была разработана система квартального планирования содержания тяговых ресурсов на установленную потребность для обеспечения перевозочного процесса. Процесс построения указанной системы включал в себя следующие стадии: анализ разветвленной структуры требований и ограничений поставленных подзадач содержания ТПС и ЛБ, их формализация, разработка алгоритма их решения, учитывающего ограничения и технологические регламенты по содержанию ТПС и ЛБ и его реализация на языке Java с использованием многопоточного подхода и мультиагентных технологий.

В качестве подхода моделирования и прогнозирования пассажиропотоков была предложена нейро-нечеткая модель пассажиропотока с использованием релаксационных алгоритмов для параметрической идентификации. Также были рассмотрены аспекты применения предложенной модели прогнозирования транспортных потоков в совокупности с созданной системой планирования содержания тяговых ресурсов на установленную потребность в монорельсовой системе типа H-Bahn и потребность в разработке для нее автоматизированной системы моделирования пассажиропотока и регулирования в соответствии с ней интервала движения и количества поездов.

В результате выполнения указанных выше работ были созданы системы управления грузоперевозками, которые были протестированы на реальных данных с Восточного полигона РЖД и частично внедрены в опытную эксплуатацию на указанном полигоне. По итогам проверки системы планирования расписания грузоперевозок на специально разработанных тестовых сценариях было показано, что при планировании учитываются основные требования и критерии, а также успешно обходится множество технологических ограничений, что позволяет формировать адекватное решение, удовлетворяющее всем условиям моделируемой системы. Кроме того, было проведено сравнительное исследование работы методов аукционов и имитации отжига в условиях приближенных к реальному трафику и распределению ресурсов перевозки на участке Восточного полигона от станции Тайшет до станции Таксимо. Сравнение результатов работы указанных алгоритмов подтвердило теоретическую оценку их скорости, а также проиллюстрировало возможности каждого, что позволило сделать вывод об удобстве использования гибридного варианта решения задачи о назначениях методами аукциона и имитации отжига, применяющего каждый из них в соответствии с поставленными в текущий момент требованиями. Рассчитанные качественные показатели работы системы планирования железнодорожных перевозок на реальных данных, показали, что разработанная система предоставляет адекватное решение задачи планирования назначения локомотивов на поезда, повышая эффективность использования эксплуатируемого локомотивного парка.

Анализ тестирования построенного модуля квартального прогноза и планирования содержания ЛБ и ТПС для обеспечения перевозочного процесса показал, что фактическое содержание сотрудников и фактический парк ТПС становится равным или приближается к потребному. В настоящий момент разработанная система находится в опытной эксплуатации, что предоставляет потенциал для дальнейшего улучшения построенного модуля с последующим введением его в промышленную эксплуатацию.



  1. Обозначения и сокращения

В работе используются следующие сокращения и обозначения:

Аренда

Локомотивы, взятые в аренду из внешних систем

АС ССП

Автоматизированная система подготовки данных и обмена информацией для сквозного сменно-суточного планирования

АСУТ

Автоматизированная система управления тяговыми ресурсами ОАО «РЖД»

ДГП

Доpожный диспетчеp

ДНЦ

Поездной yчастковый (yзловой) диспетчеp

ДРЛ

Диспетчер локомотивный центра управления тяговыми ресурсами

ДСП

Дежурный по станции железнодорожной

ДСЦ

Маневровый диспетчер

ДЦУП

Оперативная система контроля и анализа эксплуатационной работы в составе комплекса задач по подготовке данных, вводу и корректировке заданий Центральной дирекции, обмену информацией, управлению, суточному планированию и контролю нарушений в работе тяговых ресурсов для сквозного сменно-суточного планирования

ЕК АСУТР

Единая система управления трудовыми ресурсами

ЕС ПУЛ

Единая система пономерного учета локомотивов

Инвентарный парк

Все локомотивы со всеми статусами

ИСУЖТ

Единая интеллектуальная система управления и автоматизации производственных процессов на железнодорожном транспорте

КАЭР

Функциональная подсистема «Контроль и анализ эксплуатационной работы» ИСУЖТ

КР

Капитальный ремонт

Консервация

Часть инвентарного парка, не предназначенного для эксплуатации в течении длительного времени.

ЛБ

Локомотивная бригада

Наличный парк

Наличный парк учитывается в разрезе дорог с распределением по группам в зависимости от использования в перевозочном процессе и технического состояния. В наличном парке выделяют парк локомотивов в распоряжении дороги и вне распоряжения дороги.

Наряд-задание

Количество ЛБ (ТПС), которые необходимо содержать в плановый период

ОАО «РЖД»

Открытое акционерное общество «Российские железные дороги»

ОУЭР

Функциональная подсистема ИСУЖТ «Оперативное Управление Эксплуатационной Работой»

Постановка на консервацию

Отставка локомотива для постановки на консервацию

Программа закупок

Количество локомотивов, которые должны быть закуплены

Программа списания

Объемное количество локомотивов по идентификатор серии для списания из инвентарного парка

ПСС

Продление срока службы (вторичное использование локомотива). Локомотив может быть возвращен для дальнейшей работы при прохождении регламентных работ

РЦУП

Региональный Центр Управления Поездов

СДРЛ

Старший диспетчер локомотивный центра управления тяговыми ресурсами

СР

Средний ремонт

Состояние наличного парка

Одно из состояний локомотива из Инвентарного Парка

Технологический резерв

Часть неэкспуалитруемого парка(НЭП) локомотивов. Это локомотивы, готовые к эксплуатации после проведения регламентных работ в текущем депо

ТНЦ

Локомотивный диспетчер

ТО

Техническое обслуживание.

ТО-2

Техническое обслуживание второго вида. Выполняется сотрудниками пунктов технического обслуживания локомотивов на специально оснащенных смотровых канавах. В объём работ включается осмотр тормозной системы, ходовой части, тяговых двигателей, вспомогательных машин, а также трансформаторов и электрических аппаратов.

ТП УТХ ВП 2

Технологическая подсистема «Управление тяговым хозяйством» Восточного полигона ОАО «РЖД» второй очереди

ТПС

Тяговый подвижной состав

ТР-3

Текущий ремонт третьего вида

ТЧБ

Нарядчик локомотивных бригад

ТЧД

Дежурный по депо

ТЧМ

Машинист

ТЧМП

Помощник машиниста

ТЧЭ

Эксплуатационное депо или его начальник

УОЛБ

Участок оборота локомотивной бригады

ЦД

Центральная дирекция управления движением

ЦДИ

Центральная дирекция инфраструктуры

ЦТ

Дирекция тяги – филиал ОАО «РЖД»

ЦУТР

Центр управления тяговыми ресурсами

ЦФТО

Центр фирменного транспортного обслуживания




  1. Литература

  1. Аведьян Э.Д., Модифицированные алгоритмы Качмажа для оценки параметров линейных объектов. Автоматика и телемеханика, № 5, 1978, с. 64-72.

  2. Аведьян Э. Д., Цыпкин Я. З., Обобщенный алгоритм Качмажа, Автомат. и телемех., 1979, № 1, 72–78; Autom. Remote Control, 40:1 (1979), 55–59.

  3. Аветисян А. Р., Пащенко А. Ф., Пащенко Ф. Ф., Пикина Г.А., Филиппов Г. А., Теплогидравлические модели оборудования электрических станций, под ред. Г. А. Филиппова, Ф. Ф. Пащенко. – М: ФИЗМАТЛИТ, 2013. – 448 с. – ISBN 978 -5 – 9221 – 1518 – 6.

  4. Аксенов В.М., Пащенко Ф.Ф. Об адаптивной идентификации объектов в замкнутых системах. Автоматика и телемеханика, 1980, № 10, с.70-80.

  5. Акчурина Н.Р., Вагин В.Н. Параллельная обработка таблиц решений для задач распознавания. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  6. Алексеев А.М., Павлов А.В. Интеграция логического и образного мышления методом Фурье-голографии: реализация немонотонных рассуждений. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  7. Алиев М.И., Исаева Э.А., Ашрафова Н.А., Алиев И.М., Фигаров В.Р. Выбор решения в архитектуре //Новости искусственного интеллекта №3, 2003

  8. Альберт А., Гарднер Л. Регрессия, псевдоинверсия и рекуррентное оценивание. М.: Наука, 1977.

  9. Аншаков О.М. Об одном подходе к порождению гипотез в ДСМ-методе. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  10. Аронов Д.А. Применение систем искусственного интеллекта в сфере компьютерных технологий при решении задачи электромагнитной совместимости сверхширокополосных устройств со спутниковой радионавигационной системой в совместно используемых полосах частот. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  11. Арский Ю.М., Финн В.К. Принципы конструирования интеллектуальных систем //Информационные технологии и вычислительные системы №4, 2008

  12. Артемьева И.Л. Многоуровневые модели предметных областей и методы их разработки. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  13. Асламова В.С., Васильев И.В., Засухина О.А. Оптимизация технологических процессов. Часть 1. Метод Лагранжа и численные методы безусловной оптимизации функции одной переменной: Учебное пособие для студентов дневной и заочной форм обучения специальности "Автоматизация технологических процессов" - Ангарск: АГТА, 2005 - 104 с.

  14. Барабашова О. В., Крушель Е. Г. «Алгоритмы поиска экстремума функции многих переменных», Методические указания / Сост. О. В. Барабашова, Е. Г. Крушель; Волгоград. гос. техн. ун-т, Волгоград, 2000. – 30с.

  15. Батищев Д.И., Неймарк Е.А., Старостин Н.В. Оптимизация нестационарных задач комбинаторного типа с помощью генетических алгоритмов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  16. Бежитский С.С., Семенкин Е.С. Эволюционные алгоритмы для автоматизации проектирования распределенных систем обработки информации и управления. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  17. Берестнева О.Г., Добрянская Р.Г., Муратова Е.А. Применение методов Data Mining для формирования базы знаний экспертной системы прогнозирования исхода родов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  18. Богданов В.С., Котенко И.В., Степашкин М.В. Интеллектуальная система анализа защищенности компьютерных сетей. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  19. Большакова Е.И., Васильева Н.Э., Морозов С.С. Лексико-синтаксические шаблоны для автоматического анализа научно-технических текстов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  20. Боровиков В.П. «Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных, 2 издание, Телеком, 2008

  21. Бурмистров М.Ю., Валиев М.К., Дехтярь М.И., Диковский А.Я. О верификации динамических свойств систем взаимодействующих агентов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  22. Бутенков Д.С., Бутенков С.А., Аль-Доуяни С. Интеллектуальный анализ изображений с помощью нечетких отношений на инкапсулирующих гранулах. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  23. Вruck J. On the convergence properties of the Hopfield model // Proceedings of the IEEE.—1990. — V. 78.— P. 1579–1585.

  24. Вазан М. Стохастическая аппроксимация. М.: «Мир», 1972, с. 295.

  25. Вельмисов А.П., Стецько А.А., Ярушкина Н.Г. Нечеткие гибридные системы в задачах интеллектуального анализа данных. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  26. Вершинин Я. Н., В. Н. Крутиков, Субградиентный метод минимизации с коррекцией векторов спуска на основе пар обучающих соотношений, Вестник КемГУ, Кемерово: Кемеровский государственный университет – 2014. – с. 46-54.

  27. Воеводин Ю.Ю., Комарцова Л.Г. Нейросетевые методы эффективного поиска релевантной информации в сети Интернет. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  28. Волкова Т.А., Добрынин Д.А. Сравнение системы нечеткого вывода и обучаемой ДСМ-системы при планировании движения мобильного робота. //V-я Международная научно-практическая конференция "Интегрированные модели и мягкие вычисления в искусственном интеллекте" (28-30 мая 2009) Сб. научных трудов. В 2-т., М: Физматлит, 2009, Т.1, с.473-481.

  29. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А., Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности, Харьков, «Основа», 1997. – 112с.

  30. Гончарова Е.И., Сафронов В.Н., Чехов А.В., На основе технологии интеллектуальных агентов., 2013, Железнодорожный транспорт, С. 50.

  31. Горбань А. Н., Дунин, Барковский В. Л., Кардин А. Н. и др.; Нейроинформатика / Отв. ред. Новиков Е. А. (Институт вычисл. моделирования СО РАН).— Новосибирск: Наука, 1998.— 295 с.

  32. Граничин О.Н., Поляк Б.Т. «Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах», М.: Наука, 2003. - 291 с.

  33. Демьянов, В. Ф. Недифференцируемая оптимизация / В. Ф. Демьянов, Л. В. Васильев. – М.: Наука, 1972. – 368 с.

  34. Дургарян И.С., Пащенко Ф.Ф., В.П. Синицын. «Системы поддержки принятия решений в АСУТП ЭС», ИПУ РАН им. В.А. Трапезникова, 2012.

  35. Жукова Н.А. Использование алгоритмов ассоциации в интеллектуальных системах обработки телеметрической информации. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  36. Захарова Е.М., Матвиенко В.А., Симонов А.В., Минашина И.К., Бородулин С.В., «О подходе к эффективному планированию содержания локомотивных бригад для обеспечения перевозочного процесса на больших временных горизонтах», Труды пятой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2016», стр. 103 – 106, 17-18 ноября 2016, г. Москва

  37. Захарова Е.М., Минашина И.К., «Анализ и разработка оптимизационных алгоритмов для мультиагентной системы в железнодорожном комплексе», Труды 57-й научной конференции МФТИ: Всероссийской научной конференции с международным участием "Актуальные проблемы фундаментальных и прикладных наук в области физики", Всероссийской молодежной научной конференции с международным участием "Актуальные проблемы фундаментальных и прикладных наук в современном информационном обществе". Радиотехника и кибернетика. М:МФТИ, 24-29 ноября 2014 года, стр.182-184.

  38. Захарова Е.М., Минашина И.К., А.К. Такмазьян, Ф.Ф.Пащенко, Планирование и прогноз содержания тягового подвижного состава для обеспечения перевозочного процесса, Тезисы 58-й научной конференции МФТИ (Долгопрудный, 2015). Москва–Долгопрудный–Жуковский: МФТИ, 2015. С. http://conf58.mipt.ru/static/reports_pdf/831.pdf

  39. Захарова Е.М., Минашина И.К., Такмазьян А.К., Алтунин В.П., «Планирование и прогноз содержания тягового подвижного состава для обеспечения перевозочного процесса», Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», стр. 37 – 41, 18 ноября 2015 г., Москва.

  40. Захарова Е.М., Пащенко Ф.Ф., Такмазьян А.К., Минашина И.К., Кузнецов Н.А. Intelligent Control Systems for the Rolling Equipment Maintenance of Rail Transport / Proceedings of the 11th IEEE International Conference on Application of Information and Communication Technologies (AICT2017, Moskow). М.: IEEE, 2017. v.1. p. 423-425.

  41. Крутиков, В. Н. Обучающиеся методы безусловной оптимизации и их применение / В. Н. Крутиков. – Томск: Изд-во Том. гос. пед. ун-та, 2008. – 264 с.

  42. Крутиков, В. Н. Релаксационные методы безусловной оптимизации, основанные на принципах обучения: учебное пособие / В. Н. Крутиков. – Кемерово: Кузбассвузиздат, 2004. – 171 с.

  43. Кудинов, Ю.И. Моделирование динамических теплофизических характеристик / С.А. Тянутова, Л.И. Кудинова // Вестник ТГТУ. – 2002.  Т. 8, № 1.– С. 41 – 53.

  44. Кудинов, Ю.И. Применение эволюционного алгоритма для идентификации нечеткой модели / Ю.И. Кудинов, Н.А. Архипов, И.Ю. Кудинов, М.И. Полухина, А.Ю. Келина // Системы управления и информационные технологии.– 2004. – № 2(14). – С. 15 – 18.

  45. Кудинов, Ю.И. Исследование нечетких динамических моделей и алгоритмов идентификации /Ю.И.Кудинов, С.А. Суслова // Сборник научных трудов Международной конференции " Современная металлургия начала нового тысячелетия ". Липецк: ЛГТУ, 2005. – Ч.3. – С.88 – 92.

  46. Кудинов, Ю.И. Нечеткое моделирование и идентификация технологических процессов / Ю.И. Кудинов // Измерение, контроль, автоматизация. – 1988. – № 2. – С. 77 – 85.

  47. Кудинов, Ю.И. Программный комплекс для построения и идентификации нечетких моделей /Ю.И.Кудинов, И.Ю. Кудинов, К.С. Иванченко // Промышленные АСУ и контроллеры. – 2006.  № 12. – С. 39 – 41.

  48. Кузнецов Н.А., Козякин В.С., Чеботарев П.Ю., Скобелев П.О., Капустин Н.И., Матвиенко В.А., Рябых Н.Г., Гречишкина Н.А., Цыганова О.М., Захарова Е.М., Минашина И.К. «Качественный анализ и моделирование алгоритмов оптимизации мультиагентной системы управления перевозочным процессом на железнодорожном транспорте», Труды второй научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2013», стр. 58-61, 21-22 октября 2013, Москва.

  49. Кузнецов Н.А., Пащенко Ф.Ф., Рябых Н.Г., Минашина И.К., Захарова Е.М., «Алгоритмы оптимизации в задачах планирования на рельсовом транспорте», научный электронный журнал Информационные процессы, Том 14, 4, стр. 307-318, 2014

  50. Лебедев Б.К., Лебедев О.Б. Эволюционные процедуры решения комбинаторных задач на графах. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  51. Матюхин В.Г., Рябых Н.Г., Шабунин А. Б., «Сравнительный анализ алгоритмов решения задачи о прикреплении тяговых ресурсов к поездам», Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», стр. 28 – 30, 18 ноября 2015 г., Москва.

  52. Матюхин В.Г., Шаров В.А., Шабунин А.Б. (2012) Управление железной дорогой онлайн // Пульт управления. №1. Режим доступа: http://pult.gudok.ru/archive/detail.php?ID=420035.

  53. Минашина И.К., Захарова Е.М. «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях» сборник конференции «Управление большими системами» УБС-10, Уфа, 2013, Том 1, 247

  54. Минашина И.К., Захарова Е.М. «Нейро-нечеткое моделирование в управлении пассажироперевозками», сборник конференции «Управление большими системами» УБС-10, Уфа,2013, Том 1, 251

  55. Минашина И.К., Захарова Е.М., «Обзор методов многомерной оптимизации», научный электронный журнал Информационные процессы, Том 14, 3, стр. 256-274, 2014

  56. Минашина И.К., Захарова Е.М., «Разработка и анализ алгоритмов оптимизации в задачах планирования на железнодорожном транспорте», Труды третьей научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2014», стр. 24-29, 19 ноября 2014г., Москва.

  57. Молчанов С.А., Пащенко Ф.Ф., Сапрыкин Е.М. и др. «Динамические модели в перспективных системах управления АЭС». Энергетика и электрофикация. Сер. Атомные электростанции – М.: Энергоатомиздат, 1989 – Вып. 11.

  58. Новоселова Н.А. Построение нечеткого классификатора с использованием метода субтрактивной кластеризации и последующая оптимизация его структуры для повышения интерпретируемости результатов. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  59. Отчет о прикладных научных исследованиях и экспериментальных разработках по теме: "Разработка проекта, создание и испытание экспериментального транспортного участка и системы автоматического управления движением надземной транспортной системы типа "H-Bahn"", Москва, 2015

  60. Пащенко Ф. Ф., Пикина Г. А. Основы моделирования энергетических объектов. М: ФИЗМАТЛИТ. - 2011 г. – 464 с. ISBN: 978-5-9221-1367-0.

  61. Пащенко Ф.Ф. «Введение в состоятельные методы моделирования систем; Ч. 2. Идентификация нелинейных систем» - М.: Финансы и статистика, 2007.

  62. Пащенко Ф.Ф., «Нечеткие модели и системы управления», М.: Ленанд, 2017 - 328 с.

  63. Пащенко Ф.Ф., Беккер В.Я., Норкин К.Б., Пащенко А.Ф. Сценарии развития научного и инновационного потенциала Москвы. / Труды 5-й Межд. конф. «Управление развитием крупномасштабных систем-MLSD‘2011». М.: ИПУ РАН, 2011. 1. С. 147-152.

  64. Пащенко Ф.Ф., Бернацкий Ф.И Исследование и моделирование проекционных алгоритмов идентификации и управления. ИАПУ ДВНЦ АН СССР, 1985.

  65. Пащенко Ф.Ф., Захарова Е.М., Минашина И.К., Рябых Н.Г., «Моделирование алгоритмов оптимизации перевозочным процессом на железнодорожном транспорте», Вестник Международной Академии Системных Исследований, Информатика, Экология, Экономика, 2014, Т.16, №1, с.90-99.

  66. Пащенко Ф.Ф., Кузнецов Н. А., Минашина И. К., Захарова Е. М. «Использование релаксационных алгоритмов для оценки параметров нейро-нечетких моделей», 4th International Conference ICDQM-2013, LIFE CYCLE ENGINEERING AND MANAGEMENT, Proceedings, June 27-28 2013. Belgrade, Serbia. Editor-in-Chief: Ljubisa Papic Publisher: Research Center DQM, p.94-100.

  67. Пащенко Ф.Ф., Кузнецов Н.А., Рябых Н.Г., Захарова Е.М., Минашина И.К., «Моделирование алгоритмов оптимизации мультиагентной системы управления перевозочным процессом», Вестник Международной Академии Системных Исследований, Информатика, Экология, Экономика 2014, Т.16, №1, с.9-15

  68. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М. «Нейро-нечёткое моделирование пассажиропотоков», сборник трудов первой научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте», ИСУЖТ-2012, М.,15-17 ноября 2012, с. 105-108

  69. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях», Вестник Международной академии системных исследований. М.,2013, стр. 112-118

  70. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Нейро-нечеткое моделирование пассажиропотоков», Управление развитием крупномасштабных систем (MLSD’2013): Материалы Седьмой международной конференции, 30 сентября – 2 октября 2013 г., Москва: в 2 т. / Ин-т проблем упр. им. В.А. Трапезникова Рос. акад. наук; под общ. ред. С.Н.Васильева, А.Д.Цвиркуна. – Т. 2. Секции 4–10. – М.: ИПУ РАН, 2013. – 445 с. – ISBN 978-5-91450-138-6, с. 144.

  71. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Нейро-нечёткое моделирование пассажиропотоков», Вестник МАСИ.Т.15.ч.1.2013.с.102-107

  72. Пащенко Ф.Ф., Минашина И.К., Захарова Е.М., «Построение алгоритмов оптимизации планирования перевозочных процессов», Международная молодежная научно-практическая конференция «Человек и космос», 9-11 апреля 2013г., Днепропетровск.

  73. Правила технической эксплуатации железных дорог российской федерации, министерство путей сообщения РФ, 26 мая 2000 г., N ЦРБ-756

  74. Райбман Н.С., Основы управления технологическими процессами, М.: Наука, 1978, с. 440.

  75. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. М.: Энергия, 1975, с. 376.

  76. Ревякин A. M. Графы, матроиды и их инженерные приложения. — М.: МИЭТ, 1991.— 178 с.

  77. Редько В.Г. Модели адаптивного поведения и проблема происхождения интеллекта //Математическая биология и биоинформатика (электронный журнал) №1, 2007, 2, с.160-180

  78. Редько В.Г., Бурцев М.С., Сохова З.Б., Бесхлебнова Г.А. Искусственные общества (электронный журнал) //Моделирование конкуренции при эволюции многоагентной системы №2, 2007, 2, с.76-89 (http://www.artsoc.ru/html/journal.htm)

  79. Рябых Н.Г., Захарова Е.М., Минашина И.К., Корчагин Т.А., «Реализация привязки поездов на нитки вариантного графика с помощью решения задачи о назначениях», Труды третьей научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2014», стр. 48-51, 19 ноября 2014г., Москва.

  80. Рябых Н.Г., Захарова Е.М., Минашина И.К., Ф.Ф.Пащенко, Реализация привязки поездов на нитки вариантного графика с помощью решения задачи о назначениях, Тезисы 58-й научной конференции МФТИ (Долгопрудный, 2015). Москва–Долгопрудный–Жуковский: МФТИ, 2015. С. http://conf58.mipt.ru/static/reports_pdf/818.pdf

  81. Свиридова И.К. «Использование релаксационных алгоритмов для оценки параметров в нейро-нечетких моделях в системах принятия решений», Труды 55-й научной конференции МФТИ «Современные проблемы фундаментальных и прикладных наук», «Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе», «Современные проблемы фундаментальных и прикладных наук в области физики и астрономии». Радиотехника и кибернетика. Т.2.-М.:МФТИ, 2012 - с.36-38.

  82. Скобелев П.О., Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской научной школы мультиагентных систем., 2010. // Мехатроника, автоматизация, управление. №12. С. 33–46.

  83. Такмазьян А. К, Шелудяков А. В., Мультиагентное решение методом аукционов многопродуктовой транспортной задачи с объединенными потребностями, Труды четвертой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование. ИСУЖТ-2015», с. 110-112, 18 ноября 2015 г., Москва.

  84. Татузов А.Л. Нейросетевая модель появления и пропадания генов в ходе эволюции. //Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (25-28 сентября 2006 г., Обнинск): Труды конференции. В 3-т., М: Физматлит, 2006

  85. Финн В.К. Интервью для журнала "Куда пойти учиться" № 26 (625) от 30.06.08. //Куда пойти учиться №26 (625), 2008

  86. Финн В.К. К структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта //Вопросы философии №1, 2009

  87. Финн В.К. О логико-семиотических проблемах теории понимания текстов //Научно-техническая информация №Сер. 2, 2010

  88. Финн В.К. Своевременные замечания о ДСМ-методе автоматического порождения гипотез //НТИ, сер.2 №8, 2009

  89. Цыганова О. М. Моделирование переговорного процесса для оптимизации использования ресурсов железнодорожного транспорта//НАУЧНАЯ СЕССИЯ НИЯУ МИФИ-2012. Аннотации докладов. В 3 томах. Т. 2. Проблемы фундаментальной науки. Стратегические информационные технологии. М.: НИЯУ МИФИ, 2012. – C. 347.

  90. Шабунин А.Б., А.В. Чехов, Г.А. Ефремов, Д.В. Дмитриев, Е.В. Курбатов, С.В. Сазуров, И.О. Бабанин, А.А. Белоусов, С.С. Кожевников, Е.В. Симонова, П.О. Скобелев, М.Е. Степанов, А.В. Царев, Г.Ю. Мунтян, Решение конфликтов в графике движения поездов в реальном времени с использованием мультиагентных технологий., 2012., / Труды первой научно-технической конференции интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2012, С. 51-54.

  91. Шор, Н. З. Методы минимизации недифференцируемых функций и их приложения / Н. З. Шор. – Киев: Наукова думка, 1979. – 199 с.

  92. Abbinkb Erwin J.W., Fiooleb Pieter J., Eddy H.T. van der Heijdena, Fiooleb Ramon M. X., Leo G. Kroonb, Mobacha David G.A., Niek J.E. Wijngaardsa., 2009. Train Driver Rescheduling using Task-Exchange Teams

  93. Bergkvist, M., P. Davidssonm J.A. Persson and L. Ramstedt., 2005. A hybrid micro-simulator for determining the effects of governmental control policies on transport chains. In Joint AAMAS Workshop on Multi-Agent and Multi-Agent-Based Simulation, 236–247.

  94. Bertsekas D.P., " The auction algorithm: a distributed relaxation method for the assignment problem." Annals of Operations Research 4(1988), pp.105-123.

  95. Bertsekas D.P., Castanon D.A. "The auction algorithm for the transportation problem." Annals of Operations Research 20(1989), pp.67-96.

  96. Bertsekas, D., Castanon, D. (1992). A forward/reverse auction algorithm for asymmetric assignment problems. Computational Optimization and Applications, 1(3), 277–297.

  97. Blum J., A. Eskandarian. 2002. Enhancing intelligent agent collaboration for flow optimization of railroad traffic // Transportation Research Part A: Policy and Practices 36(10): 919–930.

  98. Chen B., H.H. Cheng, J. Palen. 2009. Integrating mobile agent technology with multi-agent systems for distributed traffic detection and management systems // Transportation Research Part C: Emerging Technologies 17(1): 1–10.

  99. Clemons W.K., Grundel D.A., Jeffcoat D.E., Applying Simulated Annealing to the Multidimensional Assignment Problem. Theory and Algorithms for Cooperative Systems. World Scientific, 2004, pp. 45–61.

  100. Development of the project, the creation and testing of an experimental transport section and automatic traffic control system above ground transport system by H-Bahn technology. URL: http://igmk.ru/proekty/proekt-h-bahn/

  101. Dijkstra E. W. A note on two problems in connexion with graphs // Numer. Math — Springer Science+Business Media, 1959. — Vol. 1, Iss. 1. — P. 269–271. — ISSN 0029-599X; 0945-3245 — doi:10.1007/BF01386390

  102. Dvoretzku A. On Stochastic Approximation. In Proc. Third Berkeley Simp. Math. Stat. Probl.-1956.-vol.1. pp.39-56.

  103. Furems E.M., Larichev O.I., Roizenson G.V., Lotov A.V., K. Miettinen Human behavior in a multi-criteria choice problem with individual tasks of different difficulties //International Journal of Information Technology and Decision Making.- Vol. 2, no. 1, 2003, с.29-40

  104. Holland J.H. Adaptation in Natural and Artifical Systems - The University of Michigan Press, 1975.

  105. Imma Braun, Stefan Konig and Eckehard Schnieder., Multi Agent Systems for Rail Transport., 2005. Cooper@tive Tr@nsport@tion Dyn@mics

  106. Jeffrey W., Rosner R. Optimization algorithms: simulated annealing and neural network processing, The Astrophysical Journal. — 1986. — V. 310.— P. 473–481.

  107. Khan Sher Afzal, Zafar Nazir Ahmad, Improving moving block railway system using fuzzy multi-agent specification language., 2010. International Journal of Innovative Computing Information and Control

  108. Kuznetsov N.A., Minashina I.K., Pashchenko F.F., Ryabykh N.G., Zakharova E.M., Design and Analysis of Optimization Algorithms for Multi-agent Railway Control System, Procedia Computer Science, Volume 37, 2014, Pages 211-219, ISSN 1877-0509

  109. Kuznetsov N.A., Minashina I.K., Pashchenko F.F., Ryabykh N.G., Zakharova E.M., «Optimization Algorithms in Scheduling Problems of the Rail Transport», ISSN 1064-2269, Journal of Communications Technology and Electronics, 2015, Vol. 60, No. 6, pp. 637–646. © Pleiades Publishing,Inc., 2015.

  110. Kuznetsov N.A., Minashina I.K., Ryabykh N.G., Zakharova E.M., Pashchenko F.F., Design and Comparison of Freight Scheduling Algorithms for Intelligent Control Systems, Procedia Computer Science, Volume 98, 2016, Pages 56-63, ISSN 1877-0509, http://dx.doi.org/10.1016/j.procs.2016.09.011. (http://www.sciencedirect.com/science/article/pii/S1877050916321329)

  111. Kuznetsov N.A., Pashchenko F.F., Ryabykh N.G., Minashina I.K., Zakharova E.M., Tsvetkova O.A., Implementation of Train Scheduling System in Rail Transport using Assignment Problem Solution, Procedia Computer Science, Volume 63, 2015, Pages 154-158, ISSN 1877-0509, http://dx.doi.org/10.1016/j.procs.2015.08.326

  112. Larichev, O. I. Ranking Multicriteria Alternatives: the method ZAPROS III //European Journal of Operational Research №3, 2001, 131, с.550--558

  113. Larichev, O. I., Asanov, A., Naryzhny, Y., Strahov, S. ESTHER -- Expert System for the Diagnostics of Acute Drug Poisonings //Applications and Innovations in Intelligent Systems IX. Proceedings of the 21 SGES International Conference on Knowledge Based Systems and Applied Artificial Intelligence, Cambridge, UK: Springer-Verlag Macintosh, A. and Moulton, M. and Preece, A., 2001, с.159--168.

  114. Larichev, O. I., Kochin, D., Ustinovicius, L. Multicriteria Method for Choosing the Best Alternative For Investments //International Journal of Strategic Property Management №1, 2003, 7, с.33—43

  115. Minashina, I.K., Zakharova, E.M., Review of multidimensional optimization methods, Journal of Communications Technology and Electronics, 06/2015; 60(6):625-636. DOI: 10.1134/S1064226915060194

  116. Mitchell M. An introduction to genetic algorithms. - MIT Press, 5th edition, 1999.

  117. Narayanaswami S. 2009. Dynamic railway rescheduling using intelligent agents // PhD thesis, Indian Institute of Technology Bombay, Powai, Mumbai.

  118. Pashchenko F.F., Pashchenko A.F., Kuznetsov N.A., Minashina I.K., Zakharova E.M., Analysis of the adaptive algorithms behaviour applied to the railway optimization problems, Procedia Computer Science, Volume 109, 2017, Pages 560-567, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2017.05.341. (http://www.sciencedirect.com/science/article/pii/S1877050917310104)

  119. Pashchenko, N.A. Kuznetsov, I.K. Minashina, N.G. Ryabykh, E.M. Zakharova, Intelligent Control System For The Rail Transportations / AICT2016 Conference Printed Proceedings. Baku: Curran Associates, Inc., 2016. № 1. p. 383-387. 10th International Conference on Application of Information and Communication Technologies (AICT2016), Baku, Azerbaijan,12 - 14 of October 2016

  120. Petrovsky Alexey B. Multi-Attribute Classification Of Credit Cardholders: Multiset Approach //Electronic Proceedings of the 17-th International Conference Multiple Criteria Decision Making (August 6-11), Whistler, Canada: , 2004

  121. Tornquist J., P. Davidsson. 2002. A multi-agent system approach to train delay handling // Workshop on Agent Technologies in Logistics, 50–54, Lyon.

  122. Wolfe, P. Note on a method of conjugate subgradients for minimizing nondifferentiable functions / P. Wolfe // Math. Programming. – 1974. – V. 7. – № 3. – P. 380 – 383.

  123. Yang S. Adaptive crossover in genetic algorithms using statistics mechanism - Department of mathematics and computer science, University of Leicester, 2002.

  1. Приложение 1

Ниже приводится формат сообщений, которыми должен обмениваться модуль планирования эффективного расписания и прикрепления к ним тяговых ресурсов с внешней средой.

Каталог: upload -> medialibrary
medialibrary -> Авиакомпания свяжет Хабаровск с приморским поселком Кавалерово Это направление включено в список субсидируемых государством маршрутов
medialibrary -> Число пассажиров региональной авиации Приморья приближается к 25 тысячам
medialibrary -> Россия выиграла разбирательство в международном арбитражном суде по иску немецкой компании Sana Consulting
medialibrary -> Перечень вопросов для подготовки к зачету по дисциплине «Операционные системы»
medialibrary -> 1. Рабочая программа Цели освоения дисциплины


Поделитесь с Вашими друзьями:
1   ...   16   17   18   19   20   21   22   23   24




База данных защищена авторским правом ©vossta.ru 2022
обратиться к администрации

    Главная страница