Введение
1. Обзор состояния исследований в области использования мультиагантных технологий при решении задач настройки технологических процессов 19
1.1. Обзор МАС в контексте решения задач настройки технологических процессов 19
1.1.1. Архитектуры интеллектуальных агентов 21
1.1.1.1. Абстрактная архитектура ИА 21
1.1.1.2. Классификация конкретных архитектур ИА 22
1.1.2. Классификация механизмов взаимодействия ИА 34
1.1.2.1. Договорные сети 36
1.1.2.2. Системы на базе досок объявления 37
1.1.2.3. Рыночные механизмы 38
1.2. Проблемы разработки современных MAC интеллектуальной настройки технологических процессов 39
1.3. Выводы 42
2. Разработка модели мультиагентной системы настройки технологических процессов 44
2.1. Разработка MAC, удовлетворяющих современным требованиям, предъявляемым к системам настройки реального времени с входными данными высокой размерности 45
2.1.1. Разработка иерархической модели MAC 46
2.1.1.1. Общая характеристика МАС СИН 46
2.1.1.2. Дифференциация ИА по функциональным особенностям в иерархической архитектуре МАС... 47
2.1.1.3. Формальная модель мультиагентной иерархии 55
2.1.2. Реализация архитектур ИА 59
2.1.2.1. Управляющие архитектуры 59
2.1.2.2. Архитектуры подрядчиков 62
2.1.3. Организация механизмов взаимодействия AM и АП в рамках иерархической MAC 63
2.1.3.1. Методы расчёта ошибки дообучения 64
2.1.3.2. Степени доверия AM к АП 67
2.1.3.3. Интервальный алгоритм определения победившего АП 69
2.1.3.4. Пересчёт областей эффективного применения АП... 71
2.1.3.5. Реализация обучения в MAC 78
2.1.3.6. Анализ сложности разработанных алгоритмов 81
2.2. Технические особенности реализации модели MAC 84
2.2.1. Реализация протоколов межагентного взаимодействия 84
2.2.2. Реализация реактивных архитектур ИА 86
2.3. Выводы 88
3. Моделирование агентов-подрядчиков mac настройки технологических процессов в нейросетевом логическом базисе 90
3.1. Применение модифицированных самоорганизующихся карт Кохонена в ИНС Хехт-Нильсона 91
3.1.1. Сети Кохонена на основе принципов самоорганизации 92
3.1.1.1. Общая характеристика сетей Кохонена 92
3.1.1.2. Самоорганизующиеся карты Кохонена 96
Стр.
3.1.1.3. Алгоритм «нейронного газа» 100
3.1.2. Модификация самоорганизующихся карт Кохонена 101
3.1.2.1. Структура многомерной карты Кохонена и её обучение 102
3.1.2.2. Сходимость процесса обучения 105
3.1.2.3. Методы группировки нейронов в матрицу 106
3.1.2.4. Виды областей притяжения 117
3.1.2.5. Меры близости между нейронами и их влияние на гауссову функцию притяжения 124
3.1.2.6. Анализ сложности разработанных алгоритмов 131
3.1.3. Модификация ИНС Хехт-Нильсона 138
3.1.3.1. Алгоритм обучения МСХН 140
3.1.3.2. Перекластеризация в МСХН при дообучении 143
3.2. Методы обучения нейросетевых АП 145
3.3. Выводы 147
4. Настройка технологического процесса производства хлебобулочной продукции 148
4.1. Постановка задач управления производственным циклом 149
4.1.1. Основные стадии производства 149
4.1.2. Автоматизация выпечки хлебобулочной продукции 152
4.2. Применение иерархической МАС для настройки процесса выпечки хлебобулочной продукции 154
4.2.1. Конкретизация нейросетевой модели 154
4.2.2. Конкретизация мультиагентной модели 156
4.2.3. Исследование свойств MAC при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни 157
4.2.3.1. Методы расчёта ошибки дообучения 158
4.2.3.2. Операции со степенями доверия 160
4.2.3.3. Алгоритмы пересчёта ОЭО 162
4.2.4. Исследование внедрённых в MAC модифицированных ИНС Хехт-Нильсона при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни 164
4.2.4.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.. 165
4.2.4.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона 172
4.2.4.3. Анализ эффективности применения «алгоритмов утомления» в модифицированных ИНС Хехт-Нильсона 176
4.2.4.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами 177
4.2.5. Исследование роли внедрённых в MAC модифицированных
ИНС Хехт-Нильсона посредством частотного анализа
применения агентов 179
4.3. Выводы 181
5. Настройка распределения трафика в закрытой информационной системе
Постановка задачи распределения ресурсов 185
Применение иерархической МАС для настройки распределения ресурсов 186
5.2.1. Конкретизация модели MAC 188
5.2.2. Исследование свойств MAC при настройке распределения ресурсов 191
5.2.2.1. Методы расчёта ошибки дообучения 191
5.2.2.2. Операции со степенями доверия 194
5.2.2.3. Алгоритмы пересчёта ОЭО 197
5.2.3. Исследование внедрённых в MAC модифицированных ИНС Хехт-Нильсона при организации распределения ресурсов 200
5.2.3.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.. 201
5.2.3.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона 210
5.2.3.3. Анализ эффективности применения «алгоритмов утомления» в модифицированных ИНС Хехт-Нильсона 213
5.2.3.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами 214
5.2.4. Исследование роли внедрённых в MAC модифицированных ИНС Хехт-Нильсона посредством частотного анализа применения нейросетевых агентов при обработке исключительных ситуаций 217
5.3. Выводы 222
Основные результаты и выводы 226
Список литературы
