Модели управления потоками данных в процессах распределенного поиска оптимальных решений
Рассматриваются особенности реализации некоторых основных аспектов технологии Data Mining в рамках разработанной в Институте кибернетики имени В.М. Глушкова НАН Украины системы оптимизационноимитационного моделирования NEDISOPT_D. Основное внимание уделяется моделям управления потоками данных в проц...
Saved in:
| Published in: | Теорія оптимальних рішень |
|---|---|
| Date: | 2009 |
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2009
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/46646 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Модели управления потоками данных в процессах распределенного поиска оптимальных решений / В.Б. Бигдан // Теорія оптимальних рішень: Зб. наук. пр. — 2009. — № 8. — С. 105-112. — Бібліогр.: 8 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-46646 |
|---|---|
| record_format |
dspace |
| spelling |
Бигдан, В.Б. 2013-07-04T19:18:34Z 2013-07-04T19:18:34Z 2009 Модели управления потоками данных в процессах распределенного поиска оптимальных решений / В.Б. Бигдан // Теорія оптимальних рішень: Зб. наук. пр. — 2009. — № 8. — С. 105-112. — Бібліогр.: 8 назв. — рос. XXXX-0013 https://nasplib.isofts.kiev.ua/handle/123456789/46646 ВФ 160.14 Рассматриваются особенности реализации некоторых основных аспектов технологии Data Mining в рамках разработанной в Институте кибернетики имени В.М. Глушкова НАН Украины системы оптимизационноимитационного моделирования NEDISOPT_D. Основное внимание уделяется моделям управления потоками данных в процессах распределенного поиска оптимальных решений с последующим накоплением результатов поиска в хранилищах опыта моделирования. Розглядаються особливості реалізації деяких основних аспектів технології Data Mining у рамках розробленої в Інституті кібернетики імені В.М. Глушкова НАН України системи оптимізаційно-імітаційного моделювання NEDISOPT_D. Основна увага приділяється моделям керування потоками даних у процесах розподіленого пошуку оптимальних рішень із наступним накопиченням результатів пошуку у сховищах досвіду моделювання. The features of realisation are considered in regard to some basic aspects of Data Mining technology in the frame of optimisation-simulation system NEDISOPT_D developed at V.M.Glushkov Institute of cybernetics of NAS of Ukraine. The emphasis is made upon the models of data flows control in the processes of the distributed search of optimal decisions with the subsequent search results accumulation in warehouses of experience of modelling. ru Інститут кібернетики ім. В.М. Глушкова НАН України Теорія оптимальних рішень Модели управления потоками данных в процессах распределенного поиска оптимальных решений Моделі керування потоками даних у процесах розподіленого пошуку оптимальних рішень Models of data flows control in the processes of the distributed search of optimal decisions Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| spellingShingle |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений Бигдан, В.Б. |
| title_short |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| title_full |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| title_fullStr |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| title_full_unstemmed |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| title_sort |
модели управления потоками данных в процессах распределенного поиска оптимальных решений |
| author |
Бигдан, В.Б. |
| author_facet |
Бигдан, В.Б. |
| publishDate |
2009 |
| language |
Russian |
| container_title |
Теорія оптимальних рішень |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| format |
Article |
| title_alt |
Моделі керування потоками даних у процесах розподіленого пошуку оптимальних рішень Models of data flows control in the processes of the distributed search of optimal decisions |
| description |
Рассматриваются особенности реализации некоторых основных аспектов технологии Data Mining в рамках разработанной в Институте кибернетики имени В.М. Глушкова НАН Украины системы оптимизационноимитационного моделирования NEDISOPT_D. Основное внимание уделяется моделям управления потоками данных в процессах распределенного поиска оптимальных решений с последующим накоплением результатов поиска в хранилищах опыта моделирования.
Розглядаються особливості реалізації деяких основних аспектів технології Data Mining у рамках розробленої в Інституті кібернетики імені В.М. Глушкова НАН України системи оптимізаційно-імітаційного моделювання NEDISOPT_D. Основна увага приділяється моделям керування потоками даних у процесах розподіленого пошуку оптимальних рішень із наступним накопиченням результатів пошуку у сховищах досвіду моделювання.
The features of realisation are considered in regard to some basic aspects of Data Mining technology in the frame of optimisation-simulation system NEDISOPT_D developed at V.M.Glushkov Institute of cybernetics of NAS of Ukraine. The emphasis is made upon the models of data flows control in the processes of the distributed search of optimal decisions with the subsequent search results accumulation in warehouses of experience of modelling.
|
| issn |
XXXX-0013 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/46646 |
| citation_txt |
Модели управления потоками данных в процессах распределенного поиска оптимальных решений / В.Б. Бигдан // Теорія оптимальних рішень: Зб. наук. пр. — 2009. — № 8. — С. 105-112. — Бібліогр.: 8 назв. — рос. |
| work_keys_str_mv |
AT bigdanvb modeliupravleniâpotokamidannyhvprocessahraspredelennogopoiskaoptimalʹnyhrešenii AT bigdanvb modelíkeruvannâpotokamidanihuprocesahrozpodílenogopošukuoptimalʹnihríšenʹ AT bigdanvb modelsofdataflowscontrolintheprocessesofthedistributedsearchofoptimaldecisions |
| first_indexed |
2025-11-26T02:44:55Z |
| last_indexed |
2025-11-26T02:44:55Z |
| _version_ |
1850608820664926208 |
| fulltext |
Теорія оптимальних рішень. 2009, № 8 105
ÒÅÎвß
ÎÏÒÈÌÀËÜÍÈÕ
вØÅÍÜ
Рассматриваются особенности
реализации некоторых основных
аспектов технологии Data
Mining в рамках разработанной в
Институте кибернетики имени
В.М. Глушкова НАН Украины
системы оптимизационно-
имитационного моделирования
NEDISOPT_D. Основное внима-
ние уделяется моделям управле-
ния потоками данных в процес-
сах распределенного поиска оп-
тимальных решений с последую-
щим накоплением результатов
поиска в хранилищах опыта мо-
делирования.
В.Б. Бигдан, 2009
ÓÄÊ ÂÔ 160.14
Â.Á. ÁÈÃÄÀÍ
ÌÎÄÅËÈ ÓÏÐÀÂËÅÍÈß
ÏÎÒÎÊÀÌÈ ÄÀÍÍÛÕ Â ÏÐÎÖÅÑÑÀÕ
ÐÀÑÏÐÅÄÅËÅÍÍÎÃÎ ÏÎÈÑÊÀ
ÎÏÒÈÌÀËÜÍÛÕ ÐÅØÅÍÈÉ
Введение. В связи с широким использовани-
ем методов и средств имитационного моде-
лирования в практике исследования и проек-
тирования сложных стохастических систем
актуальными являются вопросы повышения
эффективности указанных методов и создан-
ных на их основе подходов.
Проблемы разработки систем управления в
области космических исследований, транспор-
та, финансов, маркетинга, для различных от-
раслей экономики, особенно в условиях глоба-
лизации национальных экономик, потребовали
расширения функциональных возможностей
современных методов и средств имитационного
моделирования. Значительное влияние на фор-
мирование такого рода требований также ока-
зали проблемы, возникающие при разработке
современных военных стратегий, тактик обуче-
ния личного состава групп быстрого реагиро-
вания, планов боевых действий применительно
к условиям урбанизированных территорий,
характеризую-щихся высоким уровнем риска и
неопределенности.
Выполненные за последнее десятилетие
исследования применительно к проблемам
повышения эффективности методов и
средств имитационного моделирования спо-
собствовали развитию новой методологии
Data Farming. В основе этой методологии ле-
жит интеграция возможностей методов ими-
тационного моделирования, методов оптими-
зации (в первую очередь методов на основе
основе эволюционных вычислений), мето-
В.Б. БИГДАН
106 Теорія оптимальних рішень. 2009, № 8
дов и технологий распределенных вычислений, реализуемых на высокопроиз-
водительных платформах вычислительной техники (кластерных или сетевых
архитектурах) [1]. Как правило, процессы исследования и проектирования слож-
ных систем на базе методологии Data Farming сопровождаются генерацией и
накоплением больших объемов разнородной информации, составляющей основу
практического опыта в соответствующей прикладной области и требующей ис-
пользования методов интеллектуального анализа. Поэтому в методологии Da-
ta Farming существенным образом используются возможности новой информа-
ционной технологии Data Mining (discovery-driven data mining). Data Mining обес-
печивает широкий спектр методов интеллектуального анализа исторической ин-
формации и многомерную визуализацию последней [2].
Концепция Data Farming впервые была предложена в 1998 г. Гари Хорном
(Gary E.Horne) при разработке по заказу военно-морского флота США проекта
"Альберт". Методология Data Farming обеспечивает высокопроизводительную
генерацию и обработку огромных пространств параметров решений, делает воз-
можным оценивание непредвиденных ситуаций (как положительных, так и от-
рицательных) и осуществление наиболее приемлемого выбора. Вокруг идеи Da-
ta Farming в 1999 г. было сформировано международное сообщество, которое
регулярно проводит конференции International Data Farming Workshop. Основные
результаты, полученные в области применения Data Farming, публикуются в
трудах ежегодной конференции Winter Simulation Conference. В настоящее время
сформировано одиннадцать интернациональных групп, которые занимаются
вопросами практического применения методологии Data Farming в различных
прикладных областях. Наиболее активными участниками здесь являются спе-
циалисты из США, Германии, Канады, Сингапура, Швеции, Голландии, Египта.
Кроме практического применения усилия специалистов направлены на разра-
ботку методологических и технологических стандартов для Data Farming [3–5].
В условиях отсутствия в отечественной практике систем моделирования
такого рода актуальной становится проблема расширения функциональных
возможностей последних.
Постановка задачи и определение целей исследования. В Институте ки-
бернетики имени В.М. Глушкова НАН Украины разработана система оптимиза-
ционно-имитационного моделирования NEDISOPT_D, которая соответствует
основным концепциям Data Farming, поскольку интегрирует возможности мето-
дов имитационного моделирования, методов оптимизации и технологий распре-
деленных вычислений, реализуемых на сетевых архитектурах [6]. Необходи-
мость практического использования системы NEDISOPT_D потребовала расши-
рения ее функциональных возможностей, в первую очередь, на основе методов и
средств технологии Data Mining [7].
Цель работы – создание моделей и методов, поддерживающих управление
потоками данных в процессе реализации оптимизационно-имитационных экс-
МОДЕЛИ УПРАВЛЕНИЯ ПОТОКАМИ ДАННЫХ В ПРОЦЕССАХ РАСПРЕДЕЛЕННОГО ПОИСКА…
Теорія оптимальних рішень. 2009, № 8 107
периментов и определяющих структурную организацию информационного хра-
нилища опыта моделирования в соответствующих прикладных областях (исто-
рических данных). При этом должна быть обеспечена возможность переисполь-
зования такого рода данных, их эффективный поиск и удобный пользователь-
ский доступ к ним.
Разработка моделей управления потоками данных для системы NEDISOPT_D
должна базироваться на таких основных концепциях технологии Data Mining как
"шаблоны" (pattern) и "хранилища данных" (data warehouse), а также следующих
принципах реализации системы NEDISOPT_D: использование концепций "имита-
ционное приложение", "оптимизационно-имитационная интеграция", "популяция
решений"; представление программной среды системы NEDISOPT_D в виде много-
слойного сценария; представление сценариев оптимизационных стратегий и исполь-
зуемых ими данных в стандартизованных форматах; распределенный поиск опти-
мальных решений; реализация оптимизационно-имитационных экспериментов в
формате сессий моделирования [8].
Согласно концепций, принятых в современной технологии Data Mining.
шаблоны выступают в роли информационных моделей, отражающих структуру
многоаспектных взаимоотношений исторических данных. Отличительной осо-
бенностью таких моделей является наличие разнородной информации (количе-
ственные, качественные и текстовые данные). Основное требование к таким мо-
делям – представление информационных взаимосвязей в компактной форме,
удобной для понимания человеком. Поскольку исторические данные в хранили-
щах размещаются в формате шаблонов, то для эффективного поиска нужной
информации шаблоны должны иметь соответствующие ключи.
Модели-шаблоны для управления потоками входной информации
сессии моделирования. На рисунке представлены потоки данных и основные
сценарии системы NEDISOPT_D, формирующие иерархически структурирован-
ную программную среду поддержки сессий моделирования.
В соответствии с используемыми по ходу сессии моделирования классами
данных (входные, выходные) хранилище данных системы NEDISOPT_D делится
на две секции: для хранения входных данных и для результатов оптимизационно-
имитационных экспериментов, объединяемых в хранилище опыта моделирования.
Входные данные для главного сценария MSCN, управляющего ходом вы-
полнения сессии моделирования, объединены в группу конфигурационных па-
раметров, шаблон для которых представлен в табл. 1. Ключом для данного шаб-
лона является фраза "конфигурационные параметры сессии моделирования".
Параметры nComp и maxNumAppl определяют конфигурацию сети, формируе-
мую для сессии моделирования, и количество параллельно исполняемых прило-
жений на компьютерах сети соответственно.
В.Б. БИГДАН
108 Теорія оптимальних рішень. 2009, № 8
РИСУНОК. Схема потоков данных в системе NEDISOPT_D
Параметр typeOptimize, задающий композицию оптимизационных стратегий,
определяет конфигурацию программной среды сессии моделирования как динами-
чески формируемую цепочку сценариев, реализуемых в процессе поиска соответст-
вующих оптимальных решений на распределенной архитектуре.
Следует заметить, что параметры nOpts и maxNumAppl являются также управ-
ляющими для сценария SCN_TEMP, который обеспечивает интерфейс (по данным и
потокам) между средой поддержки процессов поиска оптимальных решений и сре-
дой поддержки имитационного моделирования.
МОДЕЛИ УПРАВЛЕНИЯ ПОТОКАМИ ДАННЫХ В ПРОЦЕССАХ РАСПРЕДЕЛЕННОГО ПОИСКА…
Теорія оптимальних рішень. 2009, № 8 109
Входная информация для сценариев SCN_OS1,…, SCN_OSK содержит два
фрагмента: управляющие параметры и начальная популяция решений (множество
характеристик оцениваемых альтернатив при различных уровнях факторов).
ТАБЛИЦА 1. Шаблон для конфигурационных параметров
№
п/п
Конфигурационные параметры сессии моделирования
Имя Назначение
1 nOpts Число оптимизационных стратегий в текущей сессии моделирования
2 nComp
Максимальное число компьютеров в сети, сконфигурированной примени-
тельно к задачам текущей сессии моделирования
3 maxNumAppl
Максимально допустимое число параллельно исполняемых процессов (при-
ложений)
4 typeOptimize
Композиция сценариев оптимизационных стратегий применительно к теку-
щей сессии моделирования
5 signPrintRes
Композиция типовых фрагментов результатов моделирования выдаваемых
на печать
6 populSize Размер начальной популяции
7 genSize Количество генов в хромосомах
8 sortDirFit Направление сортировки fitness-значений
9 signarch Признаки архивации результатов сессии
Типовой шаблон управляющей информации для оптимизационных страте-
гий на примере генетического алгоритма (ГА) представлен в табл. 2. Ключевой
здесь является фраза "управляющие параметры ГА". Естественно, что для схемы
последовательного перебора вариантов (шаблон с ключевой фразой "управляю-
щие параметры последовательного перебора вариантов") множество параметров
будет иметь другой перечень.
Для всех типов оптимизационных стратегий разработан шаблон с ключевой
фразой "популяция решений", содержащий характеристики множества альтер-
натив, которые будут оцениваться в процессе реализации оптимизационно-
имитационных экспериментов.
ТАБЛИЦА 2. Шаблон для управляющих параметров ГА
№
п/п
Управляющие параметры ГА
Имя Назначение
1 cBegPopForm Признак формирования начальной популяции
2 typeCrossover Тип кроссовера
3 typeSelect Тип процедуры отбора
4 thResh Порог отсечения
5 nRunup Количество смен поколений на этапе разгона процесса эволюции
6 nGenPhase Количество смен поколений в рамках каждого этапа
7 nPhase Общее количество этапов
8 epsilon Относительная точность определения
В.Б. БИГДАН
110 Теорія оптимальних рішень. 2009, № 8
Входные данные для сценариев SCNA_0,…, SCNA_NA представляются
множеством шаблонов, которые должны создаваться разработчиками приложе-
ния применительно к конкретной проблемной области и поставленным задачам
исследований: шаблон для информации, управляющей прогоном имитационной
модели, шаблон для информации, управляющей регистрацией и накоплением
статистики, шаблон для представления числовых характеристик исследуемой
системы (множество структурных, потоковых, функциональных характеристик),
шаблоны для представления размеров штрафов за простои оборудования и раз-
меров инвестиционных вкладов в изменение инфраструктуры исследуемых сис-
тем.
Следует заметить, что разрабатываемые шаблоны делятся на проблемно-
ориентированные и проблемно-независимые (системные). Шаблоны для конфи-
гурационных и управляющих параметров относятся к системным, остальные
шаблоны – проблемно-ориентированные, а их структура и взаимосвязи между
отдельными элементами определяются спецификой проблемной области и зада-
чами конкретных сессий моделирования.
Модели-шаблоны для представления результатов сессии моделирова-
ния. Композиция фрагментов-шаблонов выходной информации, выдаваемой на
печать или в хранилище опыта моделирования, определяется конфигурацион-
ным параметром signPrintRes.
В целом результаты сессии моделирования представляются последователь-
ностью шаблонов, которые объединяются в соответствующие фрагменты. Пер-
вый фрагмент всегда представляется двумя шаблонами: заголовочным с ключе-
вой фразой "Результаты сессии моделирования" и сведениями о дате и времени
начала и завершения сессии; второй шаблон содержит сведения о конфигураци-
онных параметрах сессии. Этот фрагмент является проблемно-независимым и
обязательно включается в поток выходной информации сессии моделирования.
Результаты поиска оптимальной альтернативы в пространстве параметров-
решений (факторов) представляются шаблонами в виде причинно-следственной
матрицы. Идея такой матрицы была предложена Каору Исикава, японским спе-
циалистом в области процессов управления качеством.
Общий вид шаблона для причинно-следственной матрицы, принятой в сис-
теме NEDISOPT_D, представлен в табл. 3.
ТАБЛИЦА 3. Причинно-следственная матрица
Номер
альтернативы
Результаты поиска оптимальной альтернативы
Характеристики альтернативы Оценки альтернативы
1 fact11 fact12 … fact1n resp11 resp12 … resp1k
… … … … … … … … …
m factm1 factm2 … factmn respm1 respm2 … respmk
МОДЕЛИ УПРАВЛЕНИЯ ПОТОКАМИ ДАННЫХ В ПРОЦЕССАХ РАСПРЕДЕЛЕННОГО ПОИСКА…
Теорія оптимальних рішень. 2009, № 8 111
В табл. 3 приняты следующие обозначения: factij – характеристики альтер-
нативы (факторы или переменные решений); respij – оценки альтернатив, пред-
ставленные откликами имитационных моделей с обязательным включением
значения функции цели. В приведенной матрице альтернативы упорядочивают-
ся в соответствии с полученными значениями функции цели на основе значений
конфигурационного параметра sortDirFit.
Число элементов такой матрицы определяется спецификой соответствующей
области приложений и поставленных задач исследования или проектирования.
Поскольку в системе NEDISOPT_D реализованы оптимизационные страте-
гии на базе методов последовательного перебора вариантов и генетического ал-
горитма и дополнительно реализована схема репликационных прогонов для по-
лучения оценок статистической достоверности результатов поиска, то разрабо-
таны шаблоны для трех типов причинно-следственных матриц. Каждой при-
чинно-следственной матрице предшествует информация, представляющая
управляющие параметры соответствующей стратегии оптимизации (по аналогии
с табл. 2).
Таким образом, фрагменты выходной информации для оптимизационных
стратегий представляются двумя шаблонами: управляющими параметрами и
причинно-следственной матрицей.
Поскольку отклики имитационной модели часто наблюдаются как объекты
типа "гистограмма", "очередь", "устройство", то требуемые для представления
таких объектов шаблоны определяются семантикой объектов.
При этом фрагменты выходной информации структурированной с учетом
специфики таких объектов содержат заголовочную информацию (с ключевыми
словами "гистограмма", "устройство" "очередь") и имя соответствующего объек-
та. Экспорт таких информационных шаблонов в выходной поток сессии регла-
ментируется значением конфигурационного параметра signPrintRes.
Заключение. В результате исследований на основе таких концепций ин-
формационной технологии Data Mining как "шаблон" и "хранилище данных"
разработаны стандартизованные форматы для представления входных и выход-
ных данных системы NEDISOPT_D.
Архивация в хранилищах опыта моделирования множества трасс поиска
оптимальных решений в стандартизованных форматах обеспечит эффективные
процедуры поиска соответствующей информации.
К перспективным направлениям исследований следует отнести разработку
методов и средств интеллектуального анализа данных, форматированных и
структурированных согласно разработанным шаблонам.
В.Б. БИГДАН
112 Теорія оптимальних рішень. 2009, № 8
В.Б. Бігдан
МОДЕЛІ КЕРУВАННЯ ПОТОКАМИ ДАНИХ У ПРОЦЕСАХ РОЗПОДІЛЕНОГО ПОШУКУ
ОПТИМАЛЬНИХ РІШЕНЬ
Розглядаються особливості реалізації деяких основних аспектів технології Data Mining у рам-
ках розробленої в Інституті кібернетики імені В.М. Глушкова НАН України системи
оптимізаційно-імітаційного моделювання NEDISOPT_D. Основна увага приділяється моде-
лям керування потоками даних у процесах розподіленого пошуку оптимальних рішень із на-
ступним накопиченням результатів пошуку у сховищах досвіду моделювання.
V.B. Bigdan
MODELS OF DATA FLOWS CONTROL IN THE PROCESSES OF THE DISTRIBUTED
SEARCH OF OPTIMAL DECISIONS
The features of realisation are considered in regard to some basic aspects of Data Mining technol-
ogy in the frame of optimisation-simulation system NEDISOPT_D developed at V.M.Glushkov
Institute of cybernetics of NAS of Ukraine. The emphasis is made upon the models of data flows
control in the processes of the distributed search of optimal decisions with the subsequent search
results accumulation in warehouses of experience of modelling.
1. Davis Dan M., Baer Garth D., Gottschalk Thomas D. 1st Century Simulation: Exploiting High
Performance Computing and Data Analysis // Interservice/Industry Training, Simulation, and
Education Conference (I/ITSEC). – 2004. – N 1517. – P. 1 – 14.
2. Brady Thomas F. Yellig Edward. Simulation data mining: a new form of computer simulation
output // Proc. of the 2005 Winter Simulation Conf. – 2005. – N 05 – 030. – P. 285 – 289.
3. Horne Gary E., Meyer Theodore E. Data Farming: Discovering Surprise // Proc. of the 2005
Winter Simulation Conf. – 2005. – P. 1082 – 1087.
4. Horne Gary E., Schwierz Klaus-Peter AFarming Around The World Overview // Proc. of the
2008 Winter Simulation Conf. – 2008. – P. 1442 – 1447.
5. Chua C.L., Sim CPT W.C. Automated red teaming: an objective-based data farming approach
for red teaming // Proc. of the 2008 Winter Simulation Conf. – 2008. – P. 1456 – 1462.
6. Галаган Т.Н., Пепеляев В.А., Сахнюк М.А., Черный Ю.М., Шваб Н.Д. О моделях сценари-
ев распределенного поиска оптимальных решений // Компьютерная математика. – 2007. –
№ 2. – С. 144 – 156.
7. Дюк В. Data Mining – интеллектуальный анализ данных. //
http://www.iteam.ru/publications/it/section_92/article_1448/. – 2003. – C. 1 – 13.
8. Галаган Т.Н., Пепеляев В.А., Сахнюк М.А. Особенности реализации многослойного сце-
нария распределенного поиска оптимальных решений. // Проблеми програмування. –
2008. – № 2 – 3. – С. 636 – 640.
Получено 20.03.2009
|