Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

УДК 621.372:538.56

ПРИНЯТИЕ РЕШЕНИЙ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ С УЧЕТОМ ПСИХОФУНКЦИОНАЛЬНЫХ ХАРАКТЕРИСТИК ОПЕРАТОРА НА ОСНОВЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Еременко А.П., Передерий В.И.

Постановка задачи

Человек-оператор в составе автоматизированной системы является чрезвычайно ответственным звеном, способным обеспечить безопасность функционирования системы и принятие решений в условиях неопределенности. Участие человека-оператора в работе таких систем как атомные станции, сложные промышленные производства, остается обязательным, несмотря на значительные достижения в области автоматики и вычислительной техники.

Вместе с тем, оператор является, как правило, наименее надежным элементом подобных систем, в частности, по данным [1], значительная часть аварий происходит вследствие ошибок человека-оператора.

При проектировании автоматизированных систем разработчики, в основном , определяют параметры и структуру системы таким образом, чтобы обеспечить оптимальные значения производительности и надежности [1], но в меньшей мере учитывают состояние оператора, который постоянно находится под воздействием различных физических и психофизиологических факторов [2]. Неучет  влияния таких факторов при проектировании целевых систем, в условиях неопределенности, может привести как к ухудшению эффективных характеристик системы так и нерелевантности принимаемых оператором решений. К таким факторам относятся агрессивные условия окружающей среды, утомление, операционный стресс, недостаточная степень операционной напряженности, ведущая к потере бдительности и т. д. [1] В целом эти факторы можно разделить на внешние (обусловленные непосредственным воздействием окружающей среды на оператора) и внутренние (обусловленные его психофизиологическим состоянием) [2]. Вследствие этого, оператор как элемент автоматизированной системы, является сложным нестационарным динамическим звеном с нечетко определенными параметрами и внутренними обратными связями.

Цель работы

При проектировании целевых автоматизированных систем в условиях неопределенности с учетом перечисленных факторов, актуальной задачей является разработка как подсистем контроля и коррекции характеристик состояния оператора, так и определения эффективных характеристик системы в целом.

Целью данной работы является разработка алгоритма принятия решений по оптимизации психофункционального состояния оператора в условиях неопределенности, на базе генетических алгоритмов.

Изложение основного материала

Задача принятия решения может быть сведена к задаче выбора такой последовательности воздействий на оператора и значений параметров этих воздействий, а также процессов изменения параметров автоматизированной системы, чтобы на заданном интервале времени релевантность действий оператора была максимальной. Эти задачи относятся к классу многомерных оптимизационных задач в условиях неопределенности, поскольку параметры состояния оператора в конкретной системе не могут быть измерены полностью вследствие ряда ограничений [3].

Особенностью задачи принятия решения является большое количество возможных вариантов решения (большая размерность задачи), сложная нелинейная зависимость релевантности действий пользователя от параметров его состояния и от параметров оказываемых на пользователя воздействий. Вследствие этого применение традиционных методов оптимизации становится невозможным и целесообразно применение генетических алгоритмов поиска оптимальных решений. Такие алгоритмы имеют следующие важные особенности: [4, 5]

- высокое быстродействие;

- использование специальной системы кодирования альтернатив;

- синтез альтернатив путем комбинирования существующих

- использование случайных функций для синтеза начального набора альтернатив.

Процесс воздействия на оператора с целью коррекции его состояния целесообразно представить в виде последовательности частных алгоритмов воздействий, информация о последствиях применения которых представлена в специальной базе знаний частных алгоритмов. Такими частными алгоритмами могут быть изменение цветовой гаммы мониторов [6], формирование звуковых воздействий, использование вибрации и т. д. [1]

Предположим, что частный алгоритм характеризуется вектором параметров

                                                                                                                         (1)

Любой алгоритм может быть применен несколько раз с различными или одинаковыми значениями параметров. Поэтому кодирование алгоритма целесообразно осуществить путем составления матрицы параметров алгоритма V и матрицы моментов времени Т, имеющих следующий вид:

                                    , ,                               (2)

где  представляет собой значение x-го параметра при y-м использовании i-го частного алгоритма ,  – начало и окончание выполнения i-го алгоритма.

При построении общего алгоритма будем использовать следующие допущения:

1)                 Алгоритмы не комбинируются, то есть в некоторый момент времени на оператора системы может оказываться определенное воздействие в соответствии с некоторым частным алгоритмом либо не оказываться никакого воздействия, то есть применяется алгоритм с условным обозначением , однако не допускается одновременное исполнение нескольких частных алгоритмов. Это означает, что для любого : .

2)                 Максимальная длительность воздействия должна быть указана при описании частного алгоритма как , где i – номер алгоритма. При выборе частного алгоритма необходимо учитывать, что максимальная длительность его применения ограничена.

3)                 Процесс реализации алгоритма приводит к изменению параметров состояния оператора автоматизированной системы или параметров внешней среды. Описание частного алгоритма должно содержать график или таблицу значений параметров, на которые оказывает влияние этот алгоритм.

К настоящему времени накоплен большой объем данных о способах изменения состояния человека-оператора. Эти данные получены экспериментальным путем и представлены в виде таблиц или графиков [1]. Для их формализации в базе знаний частных алгоритмов целесообразно представлять последствия применения частного алгоритма в виде матрицы

                                                                     ,                                                                 (3)

где

 – вектор моментов времени, в которых производятся измерения параметров состояния оператора и значений внешних факторов в процессе реализации данного частного алгоритма;

                                                      ,                                                  (4)

где элемент  равен значению параметра с индексом q, измеренному в момент времени .

Поскольку среди рассмотренных выше параметров состояния оператора присутствуют нечисловые величины, как предложено в работе [2], значения элементов  представляют собой в общем случае нечеткие множества

                                     .                                (5)

При использовании данного частного алгоритма в составе пробного варианта ОА возможна неполная реализация алгоритма, то есть время его выполнения.

Формирование пробного решения на некотором интервале времени производится путем составления цепочки

                                                             ,                                                         (6)

причем в составе этой цепи в качестве любого алгоритма  может использоваться любой алгоритм из имеющихся в базе знаний частных алгоритмов, в том числе и алгоритм .

При формировании пробного решения необходимо задать прогнозную длительность его реализации . Весь период реализации пробного решения разбивается на m участков, для каждого из которых задается длительность . Таким образом,

                                                                     .                                                                 (7)

Величины m и  определяются в соответствии с принципом построения генетически алгоритмов случайным образом.

Далее для каждого участка времени случайным образом выбирается алгоритм из базы знаний, при этом необходимо учитывать, что длительность реализации алгоритма, записанная в базе знаний может не соответствовать длительности участка, на котором предполагается реализовать этот алгоритм. В таком случае возможно два варианта.

1)                 Если , то такой алгоритм считается не реализуемым для данного участка и необходимо выбрать другой частный алгоритм.

2)                 Если , то такой алгоритм считается полностью выполненным на момент  и далее начинает выполняться алгоритм . Таким образом, данный участок разбивается на два и в дальнейшем расчет релевантности ведется для каждого участка в отдельности. Такой подход является более эффективным поскольку позволяет ввести в состав общего алгоритма паузы в воздействии на оператора и повысить длительность функционирования системы на достаточном уровне релевантности.

Если для некоторого участка выбран алгоритм, длительность реализации которого  возможны два варианта построения общего алгоритма:

1)                 Ограничить выполнение данного частного алгоритма моментом времени  и считать, что после окончания этого интервала будет выполняться другой алгоритм.

2)                 Считать, что использование выбранного частного алгоритма в пределах данного интервала невозможно и необходимо выбрать другой алгоритм.

В дальнейшем будем рассматривать первый вариант, поскольку он позволяет расширить состав множества пробных решений.

Выполняя рассмотренные выше шаги циклически можно получить пробный вариант общего алгоритма.

Модель последствий реализации частного алгоритма.

Рассмотрим формализацию процессов изменения состояния оператора (а также внешней среды, если база знаний частных алгоритмов содержит такие элементы) под влиянием воздействия, осуществляемого в частном алгоритме. Характеристики алгоритма в базе знаний представлены в виде результатов измерения параметров состояния в некоторые моменты времени.

Если состояние оператора к началу выполнения частного алгоритма не отличается от состояния, наблюдаемого перед применением частного алгоритма, и не измеряемые внешние факторы, действующие на него, имеют такие же значения, которые были при проведении эксперимента, то параметры состояния в процессе реализации частного алгоритма будут полностью соответствовать значениям матрицы . Однако, в действительности параметры состояния оператора в начале реализации алгоритма могут не соответствовать первому столбцу этой матрицы.

Для того, чтобы учесть эту особенность, необходимо в процессе ее функционирования производить измерения параметров состояния оператора и с учетом измеренных значений принимать решение по выбору воздействий на него.

Предположим, что при измерении нечисловых параметров состояния пользователя используются такие же порядковые шкалы, которые приняты в модели связи параметров состояния и внешних факторов [2] и использованы при построении базы знаний частных алгоритмов. При выборе алгоритма в качестве элемента пробного решения целесообразно учитывать степень близости значений параметров текущего состояния пользователя и значениям параметров состояния, измеренных при проведении эксперимента с данным частным алгоритмом при построении базы знаний.

Для обозначения возможности измерения тех или иных параметров состояния пользователя и внешних факторов введем сквозную нумерацию этих величин.

Пусть множество измеряемых в процессе функционирования алгоритма величин имеет вид

                                                             .                                                         (8)

Возможность измерения некоторого параметра состояния целесообразно отображать в виде вектора измерений , соответствующего алгоритму . Элементы такого вектора равны 1, если параметр состояния с соответствующим индексом измеряется при проведении экспериментов с алгоритмом  и равны 0 в противном случае:

                                                        .                                                   (9)

Сравнение текущего состояния оператора и состояния, измеренного в процессе проведения эксперимента возможно только для тех переменным, о значениях которых имеется информация. Будем обозначать вектор возможности измерения величин в процессе функционирования системы .

Последствия применения алгоритма будем учитывать в виде изменения параметров состояния пользователя, для которых имеется информация в базе знаний частных алгоритмов. При этом будем учитывать, что между начальным состоянием оператора и содержащимся в базе знаний частных алгоритмов имеются отличия.

Целесообразно использовать следующий способ расчета изменения параметров состояния пользователя под действием частного алгоритма для двух вариантов:

1)                 без учета степени несоответствия между элементом базы знаний и текущим состоянием.

Если текущее состояние оператора  и оно имеет значения параметров , то после реализации алгоритма в следующей расчетной точке состояние будет равно сумме текущего состояния и разности следующей точки из базы знаний и текущей точки.

Пусть текущие значения (на момент времени ) измеряемых параметров состояния  определяются вектором

                                                                                                                                 (10)

где N – количество измеряемых переменных состояния (а также внешних факторов, если они используются в базе знаний частных алгоритмов). Каждый элемент этого вектора представляет собой нечеткое множество

                                                        .                                                 (11)

Предполагается, что момент времени  совпадает с точкой  матрицы параметров алгоритма .

Таким образом, функции принадлежности точек порядковых шкал целесообразно определять по формулам:

                                           ,                                     (12)

где  – значение функции принадлежности из базы знаний, соответствующее текущему моменту времени,  – значение функции принадлежности из базы знаний, соответствующее следующему моменту времени.

2)                      С учетом степени несоответствия между элементом базы знаний и текущим состоянием пользователя.

В этом случае необходимо использовать правило нечеткого логического вывода [7] при определении последствий воздействия алгоритма на состояние пользователя. Такое правило позволяет уменьшать прогнозную степень изменения параметров состояния оператора вследствие реализации алгоритма, если они отличаются от наблюдаемых при проведении эксперимента, на основе которого составляется база знаний частных алгоритмов.

Целесообразно использовать упрощенную модификацию нечеткого логического вывода и ввести в формулу рассмотренного выше метода весовой коэффициент, пропорциональный расстоянию между нечетким множеством, описывающим текущее состояние и нечетким множеством, входящим в состав базы знаний частных алгоритмов. В этом случае

                                       ,                                 (13)

где  – весовой коэффициент. Для определения этого коэффициента целесообразно использовать формулу расстояния Хемминга [8, 9]:

                                                 ,                                          (14)

где  – измеренное значение функции принадлежности,  – мощность множества ,  – количество измеряемых параметров.

При расчете значений функций принадлежности по формулам (12) и (13) необходимо учитывать, что они должны находиться в интервале [0; 1]. Поэтому формулы (12) и (13) должны быть дополнены выражениями

                                                                                                                      (15)

где  – расчетное значение функции принадлежности,  – скорректированное значение функции принадлежности.

Модель кодирования пробного решения.

Выбранный способ кодирования должен обеспечивать хранение информации о использованных номерах алгоритмов, а также о моментах времени, в которые использовался тот или иной алгоритм.

Будем считать, что каждый частный алгоритм уникальный номер, начиная от 0 (этот номер соответствует нулевому алгоритму ). Целесообразно использование следующих способов кодирования.

1)                 Моменты времени окончания интервалов построения пробного решения фиксированы. В соответствии с этим способом перед построением пробного решения генерируется последовательность длин интервалов и, соответственно определяются точки начала и окончания этих интервалов. В дальнейшем эти значения не изменяются, а рассматриваемые пробные решения будут отличатся только порядком использования частных алгоритмов (закреплением их за отдельными участками). В этом случае все частные алгоритмы необходимо пронумеровать в двоичной системе счисления с фиксированной разрядной сеткой (формула для выбора разрядности по количеству частных алгоритмов). Хромосома пробного решения представляет собой двоичную строку, состоящую из номеров алгоритмов использованных на соответствующих интервалах [4].

2)                 Моменты времени окончания интервалов построения пробного решения не являются фиксированными. В данном случае пробное решение помимо последовательности номеров алгоритмов с повторениями характеризуется последовательностью возрастающих чисел , каждое из которых является временем окончания выполнения частного алгоритма. При этом предполагается, что не существует интервалов, на которых не выполняется какой-либо алгоритм. Для построения способа кодирования пробного решения предположим, что любой момент времени  может быть представлен в виде , где  – минимальный интервал времени, используемый при планировании выполнения пробного решения. Таким образом, время начала и окончания действия частного алгоритма является квантованным, что позволяет использовать кодирование пробного значения в виде двоичной последовательности.

Особенностью второго варианта является использование строк переменной длины, поскольку количество участков неодинаково для различных пробных решений.

Пусть интервал реализации пробного решения разбит на N участков. Соответственно, такое решение состоит из  N частных алгоритмов. Пусть общее количество частных алгоритмов, имеющихся в базе знаний . Тогда для кодирования номера алгоритма необходима двоичная последовательность длиной

                                                             ,                                                      (16)

где  – операция выделения целой части числа.

Учитывая дискретность определения моментов времени, разобьем интервал прогнозирования на элементарные отрезки длительностью . Тогда применение частного алгоритма на некотором интервале обозначается двоичной строкой

                                                                      ,                                                               (17)

где  – двоичная строка, обозначающая момент времени начала применения алгоритма,  – двоичная строка, обозначающая момент времени окончания применения алгоритма. Длины обеих строк фиксированы и определяются отношением интервала прогнозирования к длительности элементарного отрезка времени. Каждая строка представляет собой момент времени, выраженный в количествах элементарных отрезков ; для осуществления такого преобразования необходимо разделить значение момента времени   в секундах на длительность  и округлить результат до ближайшего целого.

Целесообразно рассматривать отдельно строки, кодирующие моменты времени начала (или длительности) этапов реализации частных алгоритмов (такое кодирование является однозначным, поскольку отсутствие воздействия на пользователя отображается реализацией алгоритма ) и строки кодирующие номера реализуемых алгоритмов на данном этапе.

Таким образом, пробное решение представляется в виде двух строк

 

                                                                      .                                                               (18)

 

Отличием используемых в данной задаче генетических алгоритмов от их традиционного варианта является одновременное изменение в процессе поиска оптимального решения двух двоичных строк. Каждое пробное решение должно быть проверено на реализуемость (присутствие в нем номеров алгоритмов, имеющихся в базе знаний, возможность разбиения интервала прогнозирования на выбранные участки и т. д.) прежде чем оно вводится в состав популяции.

Алгоритм принятия оптимальных решений

На основе предложенной системы кодирования и алгоритма генерирования пробного решения может быть построен генетический алгоритм поиска оптимального решения. Целесообразно использовать алгоритм в следующем виде.

Шаг 1. Задание параметров генетического алгоритма: объем популяции, коэффициенты селекции, мутации и т. д. [4]

Шаг 2. Формируется популяция пробных решений. Для этого циклически производится генерирование пробных решений. Интервал реализации решения разбивается на отдельные участки случайным образом. Для каждого участка из базы знаний выбирается произвольный частный алгоритм. Полученная последовательность проверяется на реализуемость и при положительном результате вводится в состав популяции.

Шаг 3. Для каждого пробного решения рассчитываются значения параметров состояния оператора по формулам (13)-(15). В соответствии с формулами, предложенными в работе [2] рассчитывается релевантность действий пользователя при данных значениях параметров его психофизиологического состояния. В дальнейшем эта величина используется как целевая функция при поиске оптимального решения.

Шаг 4. Производится пропорциональная селекция пробных решений по алгоритму, предложенному в [5] на основе расчетного значения релевантности действий оператора.

Шаг 5. Для выбранных на этапе селекции пробных решений производится скрещивание (кроссовер) [5]. Для этого в двоичных строках, кодирующих пробные решения (17)-(18) выбирается точка разрыва и оставшиеся части строки переставляются. Таким образом, формируется новый вариант пробного решения.

Шаг 6. Производится варьирование двоичных строк (мутация) [5].

Шаг 7. Повторяются шаги 3-6 для перехода к следующим поколениям генетической оптимизации.

В процессе реализации такого алгоритма контролируется его сходимость и максимальное расчетное значение релевантности действий оператора. Оптимальное пробное решение принимается для реализации, в процессе которой производится измерение параметров состояния и при поступлении новой информации повторно выполняется поиск оптимального решения. Таким образом, обеспечивается обратная связь по состоянию оператора и его коррекция, что позволяет повысить безопасность и производительность функционирования автоматизированной системы.

Если в процессе поиска не удается получить решение с минимально допустимым уровнем релевантности, это означает, что оператор не может выполнять свои функции, и вероятен отказ автоматизированной системы, для предотвращения которого систему целесообразно перевести в автоматический режим работы без участия оператора. Поскольку значения релевантности прогнозируются на интервале , отказ оператора будет заблаговременно предсказан, что позволит предупредить выход из строя автоматизированной системы в целом.

 

Выводы

В работе предложены алгоритмы формирования оптимальных решений по изменению состояния оператора как элемента автоматизированной системы. Особенностью предлагаемого подхода является формирование воздействия в виде последовательности выполнения частных алгоритмов, выбираемых из базы знаний. Для формирования решения используется генетические алгоритмы оптимизации, целевой функцией которых является релевантность действий оператора системы. Предложенные спсобы кодирования решений и алгоритмы поиска их оптимальных вариантов могут быть использованы при проектировании автоматизированных систем и реализованы в алгоритмическом и программном обеспечении системы, что позволит повысить их устоичивость к воздействию как внешних так и внутренних факторов, обусловленных психофизиологическим состоянием оператора.

ЛИТЕРАТУРА

1.                  Справочник по инженерной психологии / Под ред. Б.Ф. Ломова. — М.: Машиностроение, 1982. — 368 с.

2.                  Передерий В.И., Еременко А.П. Математические модели и алгоритмы определения релевантности принимаемых решений с учетом психофункциональных характеристик пользователей при управлении автоматизированными динамическими системами // Автоматика, автоматизация, электротехнические комплексы и системы. — 2007, 2. — С. 34-40.

3.                  Черноморов Г.А. Теория принятия решений: Учебное пособие / Юж.-Рос. гос. техн. ун-т. Новочеркасск: Ред. журн. «Изв. вузов. Электромеханика», 2002. — 276 с.

4.                  Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. — М.:ФИЗМАТЛИТ, 2003. —432 с.

5.                  Передерий В.И., Еременко А.П. Математические модели и алгоритмы принятия релевантных решений пользователями автоматизированных систем с учетом личностных и внешних факторов на базе генетических алгоритмов // Автоматика, автоматизация, электротехнические комплексы и системы. — 2008, 2. — С. 28-37.

6.                  Цвет — от средства воздействия к способу управления / К.И. Кузьмина, Т.М. Сёмик, Е.С. Карпинка // Проблемы программирования. — 2002. — N 1-2 [спец. вып.]. — С. 454-459.

7.                  Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. — М.: Наука, 1986. — 312 с.

8.                  Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1989. — 432 с.

9.                  Леоненков А.В. Нечеткое моделирование в среде MATLAB и FuzzyTech. СПб.: БХВ-Петербург, 2003. — 736 с.

 

 





Ответы на вопросы [_Задать вопроос_]

Информационно-управляющие комплексы и системы

Теленик С.Ф., Ролік О.І., Букасов М.М., Андросов С.А. Генетичні алгоритми вирішення задач управління ресурсами і навантаженням центрів оброблення даних

Богушевский В.С., Сухенко В.Ю., Сергеева Е.А., Жук С.В. Реализация модели управления конвертерной плавкой в системе принятия решений

Бень А.П., Терещенкова О.В. Применение комбинированных сетевых методов планирования в судоремонтной отрасли

Цмоць І. Г., Демида Б.А., Подольський М.Р. Методи проектування спеціалізованих комп’ютерних систем управління та обробки сигналів у реально-му час

Теленик С.Ф., РолікО.І., Букасов М.М., РимарР.В., Ролік К.О. Управління навантаженням і ресурсами центрів оброблення даних при виділених серверах

Селякова С. М. Структура інтелектуальної системи управління збиральною кампанією

Львов М.С. Алгоритм перевірки правильності границь змінення змінних у послідовних програмах

Ляшенко Е.Н. Анализ пожарной опасности сосновых насаждений в зоне Нижне-днепровских песков – самой большой пустыни в Европе

Кучеров Д.П., Копылова З.Н. Принципы построения интеллектуального автору-левого

Касаткина Н.В., Танянский С.С., Филатов В.А. Методы хранения и обработки нечетких данных в среде реляционных систем

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Применение когнитивного подхода для решения задачи поддержки принятия управленческих решений при ликвидации лесных пожаров

Гончаренко А.В. Моделювання впливу ентропії суб’єктивних переваг на прийняття рішень стосовно ремонту суднової енергетичної установки

Фарионова Н.А. Системный подход построения алгоритмов и моделей систем поддержки принятия решений при возникновении нештатных ситуаций

Биленко М.С., Серов А.В., Рожков С.А., Буглов О.А. Многоканальная система контроля качества текстильных материалов

Мотылев K.И., Михайлов M.В., Паслен В.В. Обработка избыточной траекторной информации в измерительно-вычислительных системах

Гончаренко А.В. Вплив суб’єктивних переваг на показники роботи суднової енергетичної установки

Гульовата Х.Г., Цмоць І.Г., Пелешко Д.Д. Архітектура автоматизованої системи моніторингу і дослідження характеристик мінеральних вод

Соломаха А.В. Разработка метода упреждающей компенсации искажений статорного напряжения ад, вносимых выходными силовыми фильтрами

ПотапенкоЕ.М., Казурова А.Е. Высокоточное управление упругой электромеханической системой с нелинейным трением.

Кузьменко А.С., Коломіц Г.В., Сушенцев О.О. Результати розробки методу еквівалентування функціональних особливостей fuzzy-контролерів

Кравчук А. Ф., Ладанюк А.П., Прокопенко Ю.В. Алгоритм ситуационного управления процессом кристаллизации сахара в вакуум-аппарате периодического действия с механическим циркулятором

Абрамов Г.С., Иванов П.И., Купавский И.С., Павленко И.Г. Разработка навигационного комплекса для автоматического наведения на цель системы груз-управляемый парашют

Литвиненко В.И., Четырин С.П. Компенсация ошибок оператора в контуре управления следящей системы на основе синтезируемых вейвелет-сетей

Бардачев Ю.Н., Дидык А.А. Использование положений теории опасности в искусственных иммунных системах

Рожков С.О., Кузьміна Т.О., Валько П.М. Інформаційна база як основа для створення асортименту лляних виробів.

Ускач А.Ф., Становский А.Л., Носов П.С. Разработка модели автоматизированной системы управления учебным процессом

Мазурок Т.Л., Тодорцев Ю.К. Актуальные направления интеллектуализации системы управления процессом обучения.

Ускач А.Ф., Гогунский В.Д., Яковенко А.Е. Модели задачи распределения в теории расписания.

Сідлецький В.М., Ельперін І.В., Ладанюк А.П. Розробка алгоритмів підсистеми підтримки прийняття рішень для контролю якості роботи дифузійного відділення.

Пономаренко Л.А., Меликов А.З., Нагиев Ф.Н. Анализ системы обслуживания с различными уровнями пространственных и временных приоритетов.

Коршевнюк Л.О. Застосування комітетами експертів системи нечіткого логічного виводу із зваженою істинністю.. – С. 73 – 79.

Кирюшатова Т.Г., Григорова А.А Влияние направленности отдельных операторов и направленности всей группы на конечный результат выполнения поставленной задачи.

Петрушенко А.М., Хохлов В.А., Петрушенко І.А. Про підключення до мови САА/Д деяких засобів паралельного програмування пакету МРІСН.

Ходаков В.Е., Граб М.В., Ляшенко Е.Н. Структура и принципы функционирования системы поддержки принятия решений при ликвидации лесных пожаров на базе новых геоинформационных технологий.

Сидорук М.В., Сидорук В.В. Информационные системы управления корпорацией в решении задач разработки бюджета.

Нагорный Ю.И. Решение задачи автоматизированного расчета надежности иасуп с использованием модифицированного метода вероятностной логики

Козак Ю.А. Колчин Р.В. Модель информационного обмена в автоматизированной системе управления запасами материальных ресурсов в двухуровневой логистической системе

Гожий А.П., Коваленко И.И. Системные технологии генерации и анализа сценариев

Вайсман В.А., Гогунский В.Д., Руденко С.В. Формирование структур организационного управления проектами

Бараненко Р.В., Шаганян С.М., Дячук М.В. Аналіз алгоритмів взаємних виключень критичних інтервалів процесів у розподілених системах

Бабенко Н.И., Бабичев С.А. Яблуновская Ю.А. Автоматизированная информационная система управления учебным заведением

Яковенко А.Е. Проектирование автоматизированных систем принятия решений в условиях адаптивного обучения с учетом требований болонского процесса

Бараненко Р.В Лінеаризація шкали і збільшення діапазону вимірювання ємностей резонансних вимірювачів

Головащенко Н.В. Математичні характеристики шумоподібно кодованих сиг-налів.

Шерстюк В.Г. Формальная модель гибридной сценарно-прецедентной СППР.

Шекета В.І. Застосування процедури Append при аналізі абстрактних типів даних модифікаційних запитів.

Цмоць І.Г. Алгоритми та матричні НВІС-структури пристроїв ділення для комп'-ютерних систем реального часу.

Кухаренко С.В., Балтовский А.А. Решение задачи календарного планирования с использованием эвристических алгоритмов.

Бараненко Р.В., Козел В.Н., Дроздова Е.А., Плотников А.О. Оптимизация рабо-ты корпоративных компьютерных сетей.

Нестеренко С.А., Бадр Яароб, Шапорин Р.О. Метод расчета сетевых транзакций абонентов локальных компьютерных сетей.

Григорова А.А., Чёрный С. Г. Формирование современной информационно-аналитической системы для поддержки принятия решений.

Шаганян С.Н., Бараненко Р.В. Реализация взаимных исключений критических интервалов как одного из видов синхронизации доступа процессов к ресурсам в ЭВМ

Орлов В.В. Оценка мощности случайного сигнала на основе корреляционной пространственной обработки

Коджа Т.И., Гогунский В.Д. Эффективность применения методов нечеткой логики в тестировании.

Головащенко Н.В., Боярчук В.П. Аппаратурный состав для улучшения свойств трактов приёма – передачи информации в системах промышленной автоматики.