Информационная модель знаний сценарного анализа

Запропоновано інформаційну модель знань у вигляді гнучкого інструментарію для побудови, представлення та аналізу альтернатив сценаріїв розвитку майбутнього в наочному для аналітика вигляді з метою подальшого аналізу та відповідних рекомендацій для підтримки прийняття рішення ОПР. Для ефективної реал...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2014
Hauptverfasser:	Панкратова, Н.Д., Малафеева, Л.Ю.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут кібернетики ім. В.М. Глушкова НАН України 2014
Schriftenreihe:	Проблемы управления и информатики
Schlagworte:	Методы обработки информации
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/207717
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Информационная модель знаний сценарного анализа / Н.Д. Панкратова, Л.Ю. Малафеева // Проблемы управления и информатики. — 2014. — № 1. — С. 119-128. — Бібліогр.: 15 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-207717
record_format	dspace
spelling	irk-123456789-2077172025-10-14T00:01:00Z Информационная модель знаний сценарного анализа Інформаційна модель знань сценарного аналізу Knowledge information model of scenario analysis Панкратова, Н.Д. Малафеева, Л.Ю. Методы обработки информации Запропоновано інформаційну модель знань у вигляді гнучкого інструментарію для побудови, представлення та аналізу альтернатив сценаріїв розвитку майбутнього в наочному для аналітика вигляді з метою подальшого аналізу та відповідних рекомендацій для підтримки прийняття рішення ОПР. Для ефективної реалізації процесу сценарного аналізу в режимі on-line розроблено автоматизовані інструменти вилучення знань, узгоджений розподіл потоків даних їх обробки, засоби поглибленого аналізу досліджуваних предметних областей. The knowledge information model is a flexible toolkit for building, reporting and analysis of scenarios alternatives of the future in the visual for the analyst form with the purpose of further analysis and appropriate recommendations for decision making support of the DMP. In order to effectively implement the process of scenario analysis in on-line mode the automated means of knowledge extraction are developed as well as coordinated distribution of data flows of processing data and means of deep analysis of the studied subject areas. 2014 Article Информационная модель знаний сценарного анализа / Н.Д. Панкратова, Л.Ю. Малафеева // Проблемы управления и информатики. — 2014. — № 1. — С. 119-128. — Бібліогр.: 15 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/207717 519.711.3 10.1615/JAutomatInfScien.v46.i2.50 ru Проблемы управления и информатики application/pdf Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Методы обработки информации Методы обработки информации
spellingShingle	Методы обработки информации Методы обработки информации Панкратова, Н.Д. Малафеева, Л.Ю. Информационная модель знаний сценарного анализа Проблемы управления и информатики
description	Запропоновано інформаційну модель знань у вигляді гнучкого інструментарію для побудови, представлення та аналізу альтернатив сценаріїв розвитку майбутнього в наочному для аналітика вигляді з метою подальшого аналізу та відповідних рекомендацій для підтримки прийняття рішення ОПР. Для ефективної реалізації процесу сценарного аналізу в режимі on-line розроблено автоматизовані інструменти вилучення знань, узгоджений розподіл потоків даних їх обробки, засоби поглибленого аналізу досліджуваних предметних областей.
format	Article
author	Панкратова, Н.Д. Малафеева, Л.Ю.
author_facet	Панкратова, Н.Д. Малафеева, Л.Ю.
author_sort	Панкратова, Н.Д.
title	Информационная модель знаний сценарного анализа
title_short	Информационная модель знаний сценарного анализа
title_full	Информационная модель знаний сценарного анализа
title_fullStr	Информационная модель знаний сценарного анализа
title_full_unstemmed	Информационная модель знаний сценарного анализа
title_sort	информационная модель знаний сценарного анализа
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2014
topic_facet	Методы обработки информации
url	https://nasplib.isofts.kiev.ua/handle/123456789/207717
citation_txt	Информационная модель знаний сценарного анализа / Н.Д. Панкратова, Л.Ю. Малафеева // Проблемы управления и информатики. — 2014. — № 1. — С. 119-128. — Бібліогр.: 15 назв. — рос.
series	Проблемы управления и информатики
work_keys_str_mv	AT pankratovand informacionnaâmodelʹznanijscenarnogoanaliza AT malafeevalû informacionnaâmodelʹznanijscenarnogoanaliza AT pankratovand ínformacíjnamodelʹznanʹscenarnogoanalízu AT malafeevalû ínformacíjnamodelʹznanʹscenarnogoanalízu AT pankratovand knowledgeinformationmodelofscenarioanalysis AT malafeevalû knowledgeinformationmodelofscenarioanalysis
first_indexed	2025-10-14T01:05:04Z
last_indexed	2025-10-15T01:06:51Z
_version_	1846007993611583488
fulltext	© Н.Д. ПАНКРАТОВА, Л.Ю. МАЛАФЕЕВА, 2014 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 119 МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ УДК 519.711.3 Н.Д. Панкратова, Л.Ю. Малафеева ИНФОРМАЦИОННАЯ МОДЕЛЬ ЗНАНИЙ СЦЕНАРНОГО АНАЛИЗА Введение В современных условиях глобализации мировой экономики опыт ведущих стран мира при решении вопросов социальной и экономической деятельности государств свидетельствует о необходимости обеспечения высоких темпов инновационного развития научно-технического и производственно-технологического потенциалов. В целях обеспечения высокого уровня конкурентоспособности национальной нау- коемкой продукции на мировом рынке возникает необходимость в долгосрочном предвидении инновационного развития промышленности, науки и техники как ос- новных составляющих экономики с применением методологии предвидения. Использование методологии предвидения основывается на выявлении клю- чевых технологий (критических технологий) и построении будущих сценариев развития исследуемой сложной системы для поддержки принятия решений на уровне руководящих органов государства, отраслей промышленности или от- дельных учреждений и компаний в формировании наиболее эффективной научно- технической политики и планировании ее развития [1]. Применение методологии сценарного анализа для решения практических задач предвидения осуществляет- ся, в первую очередь, за счет методов качественного анализа, использование ко- торых требует опыта и знаний экспертов в проведении экспертного оценивания в различных предметных областях при решении задач стратегического планиро- вания и принятия решений. Основываясь на опыте решения задач предвидения [1], необходимо отметить, что многофакторная, многопараметрическая, разнородная и слабо структуриро- ванная информация исследуемой предметной области (ПО), используемая на раз- ных этапах процесса предвидения, приводит к сложностям, связанным с форма- том представления знаний, построением опросных форм, обработкой результатов и согласованным управлением процессом предвидения в целом. Для эффективной реализации процесса сценарного анализа целесообразно в режиме on-line разраба- тывать автоматизированные инструменты извлечения знаний, согласованное рас- пределение потоков данных их обработки, средства углубленного анализа изучае- мых предметных областей с учетом всех необходимых факторов по исследуемой проблеме. В этой работе, с учетом сказанного, приводится методика построения информационной модели знаний в рамках единого системного подхода [2]. 1. Информационная модель знаний сценарного анализа На основе предоставленной заказчиком исходной информации подготавлива- ются материалы для формализации исследуемой проблемы в целях создания ин- формационной модели знаний как информационного ядра сценарного анализа [1]. Для создания информационной модели знаний целесообразно рассмотреть последовательно ряд взаимосвязанных задач: 120 ISSN 0572-2691 — построение дерева целей; — контекст ситуаций и достижение целей; — построение базы знаний [3]; — построение информационной модели знаний. 1.1. Построение дерева целей. Объект исследования представляется в виде структурной схемы (рис. 1), что позволяет для рассматриваемой предметной об- ласти находить эффективные пути решения полного комплекса взаимосвязанных и взаимообусловленных проблем. Построение дерева целей },1{ Gi NigG  выполняется «сверху вниз» с по- мощью процесса декомпозиции до требуемого уровня формализации (рис. 2). При построении многоуровневого дерева целей достижение цели каждого из уровней модели обеспечивается выполнением комплекса мер по достижению це- лей предыдущего уровня с учетом характеристик последующего уровня. Каждый уровень дерева целей должен занимать определенное место в иерархической по- следовательности, составленной на основе причинно-следственных связей. Объект исследования Ограничения Проблемы Предметная область исследования Возможности Главные цели для решения проблем Рис. 1 . . . . . . . . . . . . . . . Главная цель G Уровень 0 Уровень 1 Подцель g1 Подцель gN1 g1.1 g1.N2 Уровень 2 Уровень N gN1.1 gN1.2 . . . gN1.N2 g1…1 g1…NN gN 1…1 gN 1…2 gN 1…NN Рис. 2 1.2. Контекст ситуаций и достижение целей. Для отображения и учета всех задействованных объектов, их параметров, ролей и взаимосвязей необходимо оп- ределить контекст реальной ситуации, в которой находится рассматриваемый объект. Зафиксируем текущее время ,0T т.е. начальное состояние объекта, или для случаев невозможности фиксирования состояния объекта в определенный момент времени зафиксируем некоторый промежуток времени ].;[ 02010 ttT  Под прост- ранством 0S понимаем ПО или физическое местонахождение главного объекта цели в фиксированное время .0T Каждый объект igO пространства 0S характе- Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 121 ризуется множеством показателей ,jgi P значения которых формируют его со- стояние ).( igOC Зафиксируем состояние 0)( igOC объекта igO цели исследования ig в определенный промежуток времени 0T в пространстве .0S В терминах объек- тов, показателей и внешних условий, которые зафиксированы во времени и прост- ранстве исследования, контекст ситуации можно представить графически (рис. 3). Каждая цель каждого уровня дерева целей },1\|{ Gi NigG  (см. рис. 2) включает объект , igO перечень изменений значений одного или нескольких его показателей ,jg i P которые отвечают за достижение рассматриваемой цели (рис. 4). Время T1 Объект O2 On . . . Пространство P1  (P1) Объект исследования T1  (T1) T1  (T1) P1  (P1) Внешние условия P01 O0 O1 O4 P02 P03 P46 P41 P42 P43 P44 P45 P11 P12 P13 O3 P31 P32 P33 P34 P35 P1 Рис. 3 Достижение цели . . . . . . . . . Объект 1 Объект исследования Объект исследования Внешние условия 1 Внешние условия 2 Способ N Способ 1 Объект 2 Время On Пространство P2  (P2) T2  (T2) P1  (P1) O4 T2 T2  (T2) T1 T1  (T1) P1  (P1) P2 P1 P2  (P2) P01 O0 O O2 O On O0 O1 O2 O2 O4 P02 P03 P11 P12 P13 P46 P41 P42 P43 P44 P46 P01 P02 P03 P11 P12 P12 P13 P31 P32 P35 P34 P33 P41 P42 P43 P44 P45 P46 P31 P32 P33 P34 P35 Рис. 4 122 ISSN 0572-2691 Таким образом, процесс описания вариантов достижения цели — это проце- дура описания реального контекста ситуации, в которой находится рассматривае- мый объект, желаемого контекста ситуации — конечной цели исследования и со- вокупности последовательных вариантов переходов между ними, которые в свою очередь формируют альтернативы сценариев. Каждый показатель jgi P характеризуется минимально )(min jgi PV и макси- мально )(max jgi PV допустимыми значениями и единицами измерения jgi M . Каж- дую цель ig можно представить в виде структуры со следующими составляющими: igO — объект рассматриваемой цели; jgi P — показатель объекта цели, изменение которого указывает на достижение цели; jgi M — единицы измерения объекта цели; )(min jgi PV — минимальное значение показателя объекта; )(max jgi PV — максимальное значение показателя объекта; )( 0 jgt i PV — значение показателя объекта в начальный момент времени 0t ; )( jgt ix PV — желаемое значение показа- теля объекта в будущем времени ,xt достижение показателем которого будет свидетельствовать о достижении цели; )( jgi PE — эффект, получаемый при изме- нении показателя объекта с условием достижения желаемого значения. 1.3. Построение базы знаний. Стратегически важным этапом при построе- нии информационной модели знаний является этап создания структурированной базы знаний. На основе исходной информации с учетом построенного дерева це- лей рабочая группа проводит процедуру структурирования предметной области. На данном этапе формализации информации центральные позиции занимает поле знаний — условное неформальное описание главных сущностей построенного де- рева целей, взаимосвязей между ними, заданных в виде семантической модели, которая в данном случае представлена фреймовой сетью, т.е. комбинацией фрей- мов и семантических ролей [4]. Под «сущностью» будем понимать объекты раз- личной природы, например процессы, действия, сценарии, критические техноло- гии и другие, которые выделяет аналитик, анализируя предметную область, объ- ект, цели, ограничение исследования и т.д. [5, 6]. Поле знаний можно представить в виде архитектуры (рис. 5), состоящей из конечных наборов разрезов и соответствующих уровней [3]. Разрез достоверности Разрез абстрагирования Разрез полноты Уровень характеристик Уровень объектов Уровень систем LA d(LA) LA LA d(LA) LП LП d(LП) LП d(LП) LД d(LД) LД d(LД) LД Рис. 5 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 123 . . . . . . Уровень систем Система 1 Система n Объект 1 Объект m Уровень объектов Объект 2 Характеристика 1 Уровень характеристик . . . Характеристика 2 Характеристика k Рис. 6 Разрезы и уровни архитектуры, их количество и содержание должны опреде- ляться целями, ограничениями и условиями создания фреймовой сети. Таким об- разом, каждую сущность поля знаний в каждом разрезе можно отнести к опреде- ленному уровню с некоторым допуском (рис. 6). Описание базовых сущностей формирует фундамент для представления более сложных сущностей, например сценариев будущего, объекта исследования и т.д. На рис. 7 схематически представлен процесс формирования двух альтернатив сценария будущего в поле знаний, которые выходят из начальной точки отсчета, но в определенные промежутки времени могут пересекаться. Архитектура поля знаний является концептуально необходимой составляю- щей процедуры описания сущностей аналитиком, в результате применения кото- рой обеспечивается однородность связей в топологии фреймовой сети, что явля- ется преимуществом в эффективном представлении, обработке и хранении знаний с использованием компьютерных средств. Более детальный алгоритм процедуры построения базы знаний представлен в работе [3]. Рассмотрим некоторые приемы анализа связей и сущностей в построенной базе знаний. Пусть iRW — мощность множества связей типа ,iR где множество iRW определяется следующим образом: }.,1, ,\|{ ii PjikiR NjkSRSRW  Сценарий 2 Сценарий 1 Рис. 7 124 ISSN 0572-2691 Зададим взвешенную степень значимости связи по типу как отношение iRW к R — мощности множества всех связей: . ~ ~ R W W i i R R  Взвешенная степень значимости сущности iRW ~ принимает значения из ин- тервала [0;1]. Таким образом, сумма всех степеней значимости .1 ~ 1   R i N i RW Отметим, что чем больше в описании базы знаний используется связей опре- деленного типа, тем больше становится взвешенная степень значимости относи- тельно главных характеризующих связей исходной сущности [3]. Таким образом, некоторые типы связей, например «имеет показатель», «имеет составляющую», «имеет тип» и т.д., в практических исследованиях имеют наибольшие значения взвешенных степеней значимости и выступают в роли не достаточного, но необ- ходимого набора типов связи для описания сущности главными характеризую- щими сущностями [3]. Практическое применение степеней значимости по типу связи может использоваться в определении дистанции между сущностями, в ран- жировании множества связей по их значимости в целях выявления, например, основной информации о сущности и т.д. Однако существует пороговое значение степени значимости для каждого от- дельного типа связи, при превышении которого наступает эффект перенасыщения фреймовой сети соответствующей связью. В этом случае связь не только теряет свою значимость, но и из статуса важного переходит в статус общепринятого, на- пример «это объект», «это действие» и т.д. Представим взвешенную степень значимости сущности как отношение сум- мы произведений iRW и степеней значимости связей iRW ~ к двойной мощности множества всех связей :RQ . 2 ~ ~ 1 )( R N j RSR S Q WW W iP jij i    Взвешенная степень значимости сущности используется для выявления наи- более значимых узлов в базе знаний, на которые следует обратить внимание, а также с целью выявления критических технологий. 1.4. Построение информационной модели знаний сценарного анализа. Практической реализацией информационной модели, которая представлена в па- мяти ПК в виде базы знаний и поля знаний, является модель, построенная на се- мантической сети с использованием фреймовых структур. Общая модель знаний имеет следующий вид [3]: ,,,  PRFM где },1\|{ Fi NiFF  — множество фреймов; },1\|{ Ri NiRR  — множество се- мантических ролей; },1\|{ Pi NiPP  — конечное множество отношений между фреймами с использованием соответствующих семантических ролей, где iP оп- ределяется следующим образом: },1\|{ iPjijii NjFRFP  .,1 PNi  Структура фрейма, состоящая из множества слотов, каждый из кото- рых имеет название, тип, значение, единицы измерения и функцию вы- числения его значения, связанного с другими фреймами или информаци- ей их слотов, представлена на рис. 8. Значение Фрейм Тип Функция Название слота Единицы измерения Слот 1 Слот 2 Слот 3 Рис. 8 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 125 На базе приемов искусственного интеллекта в рамках фиксированного кон- текста ситуации рассмотрим информационную модель прототипов фреймов предметной области изучаемого объекта, которая с учетом контекста ситуаций, возможностей и ограничений, накладываемых на архитектуру поля знаний и структурированную базу знаний, ориентирована на решение задач предвидения с учетом понятий и особенностей процесса в режиме on-line (рис. 9). Время Когда? Место Где? Условия В каких условиях? Уровень систем Уровень объектов Уровень характеристик Период Область Тенденция Дата Место Влияние Ситуация Время Разрез Зависимость Условие Объект Кто? Действие Что? Уровень систем Уровень объектов Уровень характеристик Система Поведение Процесс Объект Состояние Действие Операция Характеристика Значение Изменение Причина Почему? Инструмент Где? Результат Итог? Уровень систем Уровень объектов Уровень характеристик Проблема Стратегия Сценарий Цель Тактика Событие Задача Мероприятие Сценарий Рис. 9 126 ISSN 0572-2691 Рис. 10 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 127 Информационная модель прототипов фреймов представлена в разрезе абстраги- рования с уровнями характеристик, объектов и систем, что дает возможность описы- вать на соответствующих уровнях взаимосвязанные сущности (см. рис. 6), представ- ленные в виде фреймов (см. рис. 8). На каждом из уровней данные сущности образу- ют в своей совокупности взаимосвязанные контексты ситуаций (см. рис. 3), которые описывают время, место, условия, объект, действие, причину, инструмент и полу- ченный результат, что соответствует ответам на вопросы «Когда?», «Где?», «В ка- ких условиях?», «Кто?», «Что?», «Почему?», «Как?», «Итог?». Таким образом, мы имеем возможность прослеживать развитие ситуации или альтернатив сценариев во времени на каждом из уровней. Фреймовый подход к по- строению моделей альтернатив сценариев формирует квазидинамическую систему управления знаниями, которая фиксирует значения показателей в определенные промежутки времени и позволяет построить сеть переходов для создания альтерна- тив сценариев будущего в соответствии с поставленными целями исследования [7]. 2. Построение информационной модели ситуации АПК АР Крым На основе предложенного подхода к построению информационной модели технологического предвидения с учетом построенной базы знаний для агропро- мышленного комплекса (АПК) АР Крым рассмотрим построение фрагмента ин- формационной модели сценарного анализа на примере ситуации отрасли живот- новодства предметной области АПК АР Крым (рис. 10, где Знач. — значение, Е.и. — единицы измерения, Фун. — функция). По состоянию на 1 октября 2011 года отрасль животноводства находилась в состоянии кризиса. За 9 месяцев 2011 года во всех категориях хозяйств наблюда- лось сокращение поголовья коров и снижение валового производства молока [8]. Основными причинами кризиса стали устаревшее молочное оборудование и тех- ническое оснащение молочных ферм, убыточность отрасли, сокращение удельного веса кормовых культур в общей посевной площади и т.д., что в свою очередь пред- ставлено соответствующими фреймами и их взаимосвязями на рис. 10. Заключение В условиях стремительного развития инновационных технологий примене- ние системного подхода для решения задач предвидения является необходимой составляющей для эффективного сопровождения процесса предвидения [7]. Информационная модель знаний является гибким инструментарием для по- строения, представления и анализа альтернатив сценариев развития будущего в на- глядном для аналитика виде в целях дальнейшего анализа и соответствующих реко- мендаций для помощи в принятии решения лицу, принимающему решение (ЛПР). Совместное применение фреймов и семантических сетей дает преимущества в описании объектов, процессов, ситуаций и сценариев в базе знаний с временно- пространственным измерением и представлением каждого из них в виде цельной структуры — фрейма. Установление прямых и обратных связей между сущностями с помощью других сущностей повышает уровень восприятия информации аналити- ком, обеспечивает удобное машинное представление для последующего анализа и предотвращает нарушения структурной однородности и целостности базы [3]. Архитектурный подход к представлению поля знаний в виде фреймовой сети позволяет выполнить масштабирование объектов до соответствующих уровней, благодаря чему появляется возможность сопоставлять их и сравнивать между со- бой по различными разрезам [3]. Представление уровневой архитектуры по прин- ципу абстрагирования поля знаний дает возможность перейти от линейного плос- кого формирования сложных сущностей к более простым, что позволяет форми- ровать упорядоченную иерархическую структуру знаний с учетом особенностей процесса предвидения. 128 ISSN 0572-2691 Н.Д. Панкратова, Л.Ю. Малафєєва ІНФОРМАЦІЙНА МОДЕЛЬ ЗНАНЬ СЦЕНАРНОГО АНАЛІЗУ Запропоновано інформаційну модель знань у вигляді гнучкого інструментарію для побудови, представлення та аналізу альтернатив сценаріїв розвитку май- бутнього в наочному для аналітика вигляді з метою подальшого аналізу та від- повідних рекомендацій для підтримки прийняття рішення ОПР. Для ефективної реалізації процесу сценарного аналізу в режимі on-line розроблено автомати- зовані інструменти вилучення знань, узгоджений розподіл потоків даних їх обробки, засоби поглибленого аналізу досліджуваних предметних областей. N.D. Pankratova, L.Yu. Malafeeva KNOWLEDGE INFORMATION MODEL OF SCENARIO ANALYSIS The knowledge information model is a flexible toolkit for building, reporting and analysis of scenarios alternatives of the future in the visual for the analyst form with the purpose of further analysis and appropriate recommendations for decision making support of the DMP. In order to effectively implement the process of scenario analy- sis in on-line mode the automated means of knowledge extraction are developed as well as coordinated distribution of data flows of processing data and means of deep analysis of the studied subject areas. 1. Згуровский М.З., Панкратова Н.Д. Технологическое предвидение // Учебно-научный ком- плекс «Институт прикладного системного анализа» НТУУ «КПИ». — Киев : Политехника, 2005. — 165 с. 2. Згуровский М.З., Панкратова Н.Д. Информационная платформа сценарного анализа в зада- чах технологического предвидения // Кибернетика и системный анализ. — 2003. — № 4. — С. 112–125. 3. Малафєєва Л.Ю. Розробка структурованної бази знань для розв’язання задач з техноло- гічного передбачення // Наук. вісті НТУУ «КПІ». — 2009. — № 6. — С. 61–68 4. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — СПб. : Питер, 2000. — 384 с. 5. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. — М. : Радио и связь, 1992. — 256 с. 6. Искусственный интеллект: В 3 т. / Под ред. В.Н. Захарова, Э.В. Попова, Д.А. Поспелова, В.Ф. Хорошевского. — М. : Радио и связь, 1990. — Т. 1. — 464 с.; Т. 2. — 304 с.; Т. 3. — 368 с. 7. Згуровский М.З., Панкратова Н.Д. Системный анализ. Проблемы, методология, приложе- ния. — Киев : Наук. думка, 2011. — 728 с. 8. Официальный портал главного управления статистики в АР Крым // Социально-эконо- мическое положение Автономной Республики Крым за январь–сентябрь 2011 года. — 2011. — http://www.ng.gov.ua/uk/statistic/208-statistic/2760-2011-11-03-07-54-19.html. Получено 22.04.2013 Статья представлена к публикации членом редколлегии чл.-корр. НАН Украины В.Ф. Губаревым. http://www.ng.gov.ua/uk/statistic/208-statistic/2760-2011-11-03-07-54-19.html

Информационная модель знаний сценарного анализа

Institution

Ähnliche Einträge