Введение
1. Анализ состояния теории и практики создания интеллекту альных систем поддержки принятия решении (ИСППР) в трудно формализуемых задачах 19
1.1. Проблемы формализации поиска и принятия решений в ИСППР 19
1.2. Подходы к решению трудно формализуемых задач на основе систем обработки знаний 23
1.2.1. Характеристика трудно формализуемой задачи и пути ее решения 23
1.2.2. Методы решения трудно формализуемых задач с помощью классических систем искусственного интеллекта 25
1.2.3. Нейросетевой подход к решению трудно формализуемых задач 34
1.2.4. Проблемы создания гибридных моделей 37
1.3. Принципы построения программного обеспечения ИСППР 45
1.4. Обзор программных средств и технологий для организации поиска решений 47
1.4.1. Не йр о сете вые пакеты 47
1.4.2. Пакеты на основе нечеткой логики 54
1.4.3. Программные продукты для генетических алгоритмов 57
1.4.4. Опыт использования интеграции программных средств для построения гибридных моделей 59
1.5. Обзор программных средств для анализа решений методами моделирования 62
1.5.1. Программные среды для моделирования компьютерных сетей 64
1.5.2. Моделирующие системы 69
1.6. Задачи исследования 71
1.7. Выводы 77
2. Организация нейросстевых баз знаний в ИСППР 80
2.1. Особенности формирования нейросетевой базы знаний 80
2.2. Алгоритмы обработки исходной информации для формирования обучающих выборок 82
2.3. Синтез нейронной сети для решения прикладных задач 89
2.3.1. Выбор типа НС 90
2.3.2. Влияние алгоритма обучения на эффективность НС 97
2.3.3. Проблемы формирования топологии НС 106
2.3.4. Постановка задачи синтеза нейронной сети 115
2.4. Принципы организации нейросетевой базы знаний 116
2.5. Задача интерпретации результатов работы нейронной сети в ИСППР и ее решение 122
2.6. Выводы 126
3. Разработка методов и алгоритмов настройки и адаптации нейронных модулей к решаемой задаче 130
3.1. Проблемы создания генетических алгоритмов для решения задач адаптации и настройки НС 130
3.1.1. Кодирование потенциальных решений 132
3.1.2. Разработка и исследование генетических операторов 135
3.1.3. Разработка новых операторов селекции хромосом 138
3.1.4. Механизм фильтрации хромосом 140
3.1.5. Разработка способов задания функций качества хромосом. 143
3.1.6. Разработка и оценка качества многопопуляционного алгоритма 146
3.2. Алгоритм обучения НС на основе генетического алгоритма и его оценка 150
3.2.1. Экспериментальное исследование генетического алгоритма для построения эффективного алгоритма обучения НС 150
3.2.2. Разработка и исследование двухэтапного алгоритма оптимизации на основе генетического алгоритма 166
3.2.3. Построение генетического алгоритма с помощью генетического алгоритма , 168
3.2.4. Генетический алгоритм обучения нейронной сети 173
3.3. Алгоритмы настройки НС на решаемую задачу 178
3.3.1. Модификация конструктивного метода формирования топологии НС 179
3.3.2. Формирование топологии нейронных сетей с помощью генетического алгоритма 182
3.3.3. Экспериментальное исследование алгоритмов формирования топологии нейронных сетей 186
3.4. Выводы 190
4. Методы повышения эффективности использования пейросетевых и гибридных технологий в ИСППР 193
4.1. Повышение вычислительной эффективности алгоритмов обучения многослойного персептрона 193
4.1.1. Использование нечеткой логики для регулирования скорости обучения МНС 193
4.1.2. Комбинированный алгоритм обучения МНС с использованием ГА и имитации отжига 200
4.1.3. Сравнительный анализ нейросетевых классификаторов на основе МНС 205
4.1.4. Решение задачи автоматизации останова обучения МНС .212
4.1.5. Пример применения многослойного персептрона к выбору параметров компьютерной сети 216
4.2. Повышение скорости сходимости самоорганизующейся сети Кохонена 223
4.3. Развитие нечеткой нейронной сети Кохонена для повышения скорости обучения и качества распознавания. 230
4.4. Повышение качества и уменьшение трудоемкости вывода решений на основе нейросетевых нечетких моделей 237
4.5. Выводы 244
5. Анализ и оценка решений с помощью методов моделирования 247
5.1 Особенности построения модельной среды 247
5.1.1. Принципы формирования базы имитационных модулей 250
5.1.2. Интеграция аналитических и имитационных моделей 259
5.2. Методы и алгоритмы управления модельным экспериментом 285
5.2.1. Организация системы имитационного моделирования 286
5.2.2. Управление имитационным экспериментом с помощью методов планирования экспериментов. Ранжирование уровней параметров модели 291
5.3. Оптимизация параметров имитационной модели на основе генетического алгоритма и нейронной сети 299
5.3.1. Проблемы выбора нейронной сети для моделирования функции фитнесса 303
5.3.2. Алгоритм оптимизации параметров имитационной модели на основе генетического алгоритма 309
5.4. Выводы 312
6. Применение разработанных методов, алгоритмов и программных средств 314
6.1. Обзор инструментальных средств поддержки исследования компьютерных сетей 314
6.2. Состав и реализация функций ИСППР 318
6.2.1. Функциональная схема выбора варианта построения копьютерной сети 318
6.2.2. Архитектура ИСППР 322
6.3. Комплекс инструментальных средств для реализации основных функций ИСППР 329
6.3.1. Нейроимитатор 329
6.3.2. Система нечеткого вывода решений 331
6.3.3. Конструктор генетических алгоритмов 338
6.3.4. Организация пользовательского интерфейса с базой экспертных знаний 341
6.3.5. Организация инструментальной среды для распределенной обработки информации в ИСППР 344
6.4. Примеры решения практических задач 348
6.4.1.Разработка и исследование локальной вычислительной сети Калужского управления подземного хранения газа (КУПХГ) 349
6.4.2. Выбор варианта организации комплекса обработки телеметрической информации для ГУП ОКБ "СПЕКТР" 357
6.4.3. Повышение эффективности функционирования распределенной вычислительной системы для диагностики бортовых технологических объектов 363
6.4.4. Разработка информационно - вычислительной сети кафедры КФ МГТУ им. Н.Э. Баумана 367
6.5. Внедрение в учебный процесс 370
6.6. Выводы 371
Заключение 374
Литература 382
Приложение 403
