CC BY
83
ПРИНЦИПЫ ОРГАНИЗАЦИИ И СТРУКТУРИРОВАНИЯ ДАННЫХ ДЛЯ МНОГОМЕРНОЙ ЭВОЛЮЦИОННОЙ ПРИКЛАДНОЙ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ УПРАВЛЕНИЯ ИННОВАЦИОННЫМИ РЕСУРСАМИ
Санду Р.А., к.т.н., соискатель ФГУП «СТАНДАРТИНФОРМ»,
Рыцев О.А., соискатель ФГУП «СТАНДАРТИНФОРМ»
Предложены новые принципы организации и структурирования данных специализированной информационной системы поддержки принятия решений управления инновационными ресурсами химической и нефтехимической промышленности России.
Ключевые слова: автоматизированная информационная система, принятие решений, моделирование, экспертная система.
PRINCIPLES OF ORGANIZATION AND STRUCTURING OF DATA FOR MULTIVARIATE EVOLUTION APPLIED AUTOMATED INFORMATION SYSTEM FOR DECISION SUPPORT OF INNOVATIVE RESOURCES
Sandu R. Ph.D., applicant, STANDARTINFORM, FSUE,
Ritcev O., applicant, STANDARTINFORM, FSUE
We propose new principles for organizing and structuring data of specialized decision support system of management of innovation management of chemical and petrochemical industries in Russia.
Keywords: automated information system, decision making, modeling, expert system.
Введение
В настоящее время формализованное моделирование инновационного развития предприятий химической и нефтехимической промышленности является актуальной, сложной и не достаточно формализованной задачей. Это обусловлено тем, что инновационные индикаторы, оценки основных направлений инноваций, особенностей и тенденций инновационной деятельности постоянно находятся в развитии, некоторые перестают быть актуальными, другие “расширяются в разных направлениях”, третьи изменяются по существу.
Проведенный анализ особенностей и специфики проблемной области управления инновационными ресурсами (УИР) химической и нефтехимической промышленности (ХНП) России выявил следующие особенности: многообразие инновационной деятельности; различные инновационные индикаторы; нечеткость части показателей инновационного развития; необходимость использования разнообразных “срезов, сечений” и т.п. (по регионам, по отраслям, по годам и т.д.) - явная многомерность представления данных о предметной области; масштабируемость; различные формы представления результатов для принятия решений; использование качественных (бальных) показателей; много аспектов оценки инновационных ресурсов [1-2]. Кроме того, анализ основных показателей инновационной деятельности должен учитывать вероятностные характеристики и нечеткие принадлежности многих показателей.
Вместе с тем, все эти сложные и, в некотором смысле, противоречивые показатели и требования необходимо хранить и обрабатывать в рамках единого формализма, основанного на принципах организации и структурирования данных. В современной науке подобные формализмы принято называть “модель данных”. Следуя классическому подходу, в теории баз данных [3-8] в моделях данных выделяют три основных составляющих:
1) структуры представления данных,
2) операции манипулирования данными,
3) ограничения данных.
Для разработки принципов организации и структурирования данных специализированной информационной системы “Многомерная эволюционная прикладная (МЭП) автоматизированная информационная система (АИС) поддержки принятия решений УИР ХНП России” наибольший интерес представляют структуры представления данных (СПД).
Таким образом, необходимо провести анализ существующих моделей данных (структурированных, слабоструктурированных и с изменяемой структурой) с учетом специфики представления данных для МЭПАИС в целях эффективного управления инновационными ресурсами химической и нефтехимической промышленности России.
Обзор и анализ существующих моделей данных
Рассмотрим принципы организации и структурирования данных в существующих моделях данных разнообразных баз данных (БД). В рамках работы [3] проведен анализ всех существующих моделей представления данных: реляционных, сетевых, иерархических, семантических сетей, инфологических, онтологий, “сущность-связь” и миварного информационного пространства (всего более 25 моделей данных).
В работе [4] Когаловский М.Р. описывает эволюцию технологий баз данных и систематизирует сведения о важнейших технологиях, состоянии и перспективах развития базовых стандартов моделей данных. Отмечено, что моделирование данных является фундаментом технологий баз данных. В настоящее время сформированы основы методологии моделирования данных; разработаны для различных применений многочисленные модели, различающиеся базовой парадигмой, уровнем абстракции данных, видами структур данных, спецификой предметной области и т.п. Одним из крупнейших достижений является создание реляционной модели и, базирующейся на ней, теории реляционных баз данных [4, стр. 73]. Среди перечисленных направлений перспективных исследований и задач, особо выделим следующие: создание новых технологий для крупномасштабных систем; разработка новых подходов к архитектуре систем баз данных; поддержка логики приложений в среде базы данных; интеграция структурированных и слабоструктурированных данных [4, стр. 74-75]. К сожалению, в этой работе не упоминается миварная модель данных, что обусловлено ее относительной “молодостью”. Однако, все перечисленные задачи весьма органично решены в миварном формализме представления данных: “миварное информационное пространство”.
Марков А.С. и Лисовский К.Ю. в своей работе [5] рассмотрели основные математические модели представления об отношении: теоретико-множественные, конструктивные и предикатные. Также они обосновали выбор методов вычислительной логики для повышения уровня интеллектуальности реляционных баз данных. Кроме того, представлены еще сетевые и иерархические модели данных, слабоструктурированные данные, описан объектно-ориентированный подход к проектированию баз данных [5].
Для однозначности понимания терминов приведем основные определения: “База данных есть совокупность данных, организованных в соответствии с некоторой концептуальной моделью данных, которая описывает характеристики этих данных и взаимоотношения между соответствующими им реалиями, и которая предназначена для информационного обеспечения одного или более приложения”. “Концептуальная модель данных в этом определении понимается как представление характеристик предметного универсума или определенной предметной области в терминах относящихся к ним реалий и отношений между реалиями”. “Модель данных есть совокупность методов и средств определения логической структуры базы данных и динамического моделирования состояния предметной области в базе данных”. Там же приведен современный взгляд на “модель данных”: “система типов данных, типов связей между ними и допустимых видов ограничений целостности, которые могут быть для них определены” [5, стр. 31-32].
Особо отметим формализованное представление модели данных в виде математической структуры, которую можно представить совокупностью:
Ф, Я, Л},
где D - заданное множество (носитель структуры); Я - конечный набор отношений, в которых находятся элементы множества (типовая характеристика структуры); Л - ограничительные условия, накладываемые на отношения (аксиомы структуры) [5, стр. 33]. Понятие “отношение” здесь - это просто заданная совокупность упорядоченных пар (а в общем случае - троек, четверок и т.д.) элементов множества D.
“В контексте баз данных элементы этой математической структуры можно интерпретировать следующим образом.
Абстрактному множеству D соответствует некоторое реальное конечное множество элементов данных, которыми представлены (закодированы) реалии предметной области. Более определенно - это заданная совокупность типов (вообще - абстрактных типов) данных.
Отношениями Я могут быть отображены некоторые из взаимосвязей между реалиями - в форме отношений между записями данных об этих реалиях. Сами отношения между записями также могут, в свою очередь, быть частично представлены специально организованными данными, например, реляционными таблицами.
Аксиомам Л удобно сопоставить условия корректности (целостности, правильности), наложенные на базу данных” [5, стр. 33].
Элементы D, Я, Л модели имеют внутреннюю структуру:
{О, Ог(Б)},
{Я, Сг(Я)},
{Л, Яи(Л)},
где Сг(О) - критерий принадлежности элементов ё множеству D (такой критерий всегда есть в теории множеств при задании любого множества); Сг(Я) - критерий принадлежности отношений г множеству Я (такой критерий аналогично есть при задании любого отношения); Яи(Л) - совокупность правил вывода новых формул из аксиом и правил преобразования этих формул [5, стр. 33].
Марков А.С. вводит понятие “логическое программирование реляционных баз данных” в качестве одного из названий направления “дедуктивные базы данных”. Под этим подразумевается следующее: “...системе реляционных баз данных не только известна концептуальная модель данных, но и ... система обладает средствами логического вывода, т.е. она способна выводить теоремы из аксиом, логические следствия из гипотез и ... порождать потенциально бесконечное множество новых реляционных таблиц на основе исходно заданного базисного набора таблиц” [5, стр. 47]. При таком подходе, по аналогии с треугольником Фреге набор исходно известных о предметной области фактов, выраженных явно в реально существующих базовых таблицах, называют экстенсиональной базой данных, а таблицы, существующие лишь потенциально, как возможный результат того или иного процесса логического вывода, называют интенсиональной базой данных [5]. Как видим, не только в работе [3] предложено совместить хранение данных с логическим выводом, но все же работа [3] опубликована на четыре года раньше работы [5].
Саймон А.Р. в своей работе [6] дает многоаспектный анализ ключевых областей современных массовых технологий баз данных и оценивает перспективы их развития. Основное внимание уделяется двум тенденциям: распределенные базы данных и объектно-ориентированные базы данных (ООБД). В тоже время, приводится описание перспективных моделей данных и управления информацией: временные базы данных, активные базы данных, а также различные формы пространственных данных, графических образов, текстовых данных и различных разновидностей мультимедиа. “В ООБД отводится важнейшее место объектам... , на основе которых могут определяться другие объекты благодря использованию концепции, называемой наследованием. При этом некоторые или все атрибуты (либо свойства) определяющего объекта наследуются каким-либо другим объектом, одни атрибуты и/или свойства добавляются, а другие могут удаляться” [6, стр. 50]. С точки зрения создания МЭПАИС особый интерес представляют принципы активных систем управления баз данных (СУБД).
Саймон А.Р. утверждает: “системы баз данных традиционно были пассивными... С другой стороны, активные системы баз данных предусматривают возможности, позволяющие:
• содержать логику обработки (до некоторой степени) в самой базе данных так, чтобы она управлялась СУБД, а не прикладным программным обеспечением приложений;
• обеспечивать некоторую форму мониторинга событий и условий, которые воздействуют на данные и могут инициировать обработку, управляемую базой данных;
• включать в систему базы данных также некоторое средство, с помощью которого эти события и условия могли бы запускать логику внутри базы данных” [6, стр. 311-312].
Таким образом, в активных базах данных “три возможности - логика, триггеры для этой логики и средства мониторинга для активизации триггеров - выносятся из программ приложений в саму базу данных, обеспечивая более тесную связь системных данных и операций над данными, чем это было принято в традиционных пассивных управляемых СУБД системах. В создании активных сред помогает несколько основных конструкций базы данных: ограничения, утверждения, хранимые процедуры и триггеры” [6, стр. 312]. Отметим, что аналогичные возможности есть и у миварного информационного пространства.
Более того, в качестве одной из основных перспектив стратегических технологий Саймон А.Р. пишет: “среды активных баз данных представляют собой некоторую комбинацию возможностей искусственного интеллекта (ИИ) и управления данными” [6, стр. 319]. В качестве способа представления бизнес-правил в контексте активных БД, Саймон А.Р. описывает “используемые в области искусственного интеллекта правила продукций, которые имеют форму “образец -> действие”. Такая модель называется правилами, основанными на образцах. Ее смысл состоит в том, что данное правило запускается (активизируется), когда его образец соответствует данным в рабочей памяти, и что специфицированное действие будет модифицировать рабочую память. Возможны альтернативные варианты, когда образец может рассматриваться как условие или предикат” [6, стр. 319]. Далее следует замечательная фраза: “во многих отношениях языки правил в этих областях (искусственный интеллект и базы данных) концептуально подобны, и это наводит на мысль, что когда-либо в будущем эти две области достигнут тесной интеграции” [6, стр. 319]. “Будут или не будут ... развиваться элементы “истинной” интеграции ИИ с базами данных ... , технология активных баз данных ... будет проходить долгий путь к достижению этих целей. ... активные базы данных открывают двери на пути к пока еще неуловимому будущему интеллектуальных баз данных с высоким уровнем технологии искусственного интеллекта” [6, стр. 320-321]. Подчеркнем, что “это будущее” уже наступило и реализовано оно именно в миварном подходе и программе “УДАВ” [10-12]. У Поспелова Д.А. в [9] описан российский подход к продукциям и их обработке.
В книге [7] подробно рассмотрены структуры данных и алгоритмы, которые являются фундаментом современной методологии разработки программ. Для нас особый интерес представляет определение абстрактного типа данных как математической модели с совокупно-
стью операторов, определенных в рамках этой модели. “Две характерные особенности процедур - обобщение и инкапсуляция - ... отлично характеризуют абстрактные типы данных” [7, стр. 23]. Для создания новых принципов организации и структурирования данных для реально работающей МЭПАИС УИР ХНП важным является оценка времени выполнения различных программ, трактовка которых в [7, стр. 28-36] и в [13, стр. 227-239] значительно отличаются.
Кузнецов С.Д. в [8] рассматривает фундаментальные модельно-языковые аспекты современной технологии баз данных, описывает современные модели и языки баз данных, включая: реляционные модели данных, объектно-ориентированный, объектно-реляционный и “истинно” реляционный подходы. При описании возможности работы с базой данных в семантической модели и для прямой реализации таких СУБД “наиболее близко находятся современные объектно-ориентированные СУБД, модели данных которых по многим параметрам близки к семантическим моделям (хотя в некоторых аспектах они более мощны, а в некоторых - более слабы)” [8, стр. 144]. Там же рассмотрены “некоторые черты одной из наиболее популярных семантических моделей данных - модель “Сущность-Связь” (часто ее называют кратко ЕЯ-модель). На использовании ЕЯ-модели основано большинство современных подходов к проектированию баз данных... Моделирование предметной области базируется на использовании графических диаграмм...” [8, стр. 144]. В работе [3] показаны формальные представления структур представления данных ЕЯ-модели и миварного информационного пространства.
Таким образом, из всех проанализированных моделей данных полному набору требований для создания МЭПАИС УИР ХНП удовлетворяет только миварное информационное пространство (миварная модель данных) [3], основанное на многомерном эволюционном представлении данных, взаимозаменяемому унифицированному представлению информации и возможности как логического вывода, так и вычислительной обработки для реализации всех отношений концептуальной модели данных предметной области МЭПАИС УИР ХНП.
Принципы организации и структурирования данных в миварном информационном пространстве
Основой многомерного эволюционного миварного подхода является то, что реальный мир существует сам по себе, а при изучении и познании некоторой предметной области (например, УИР ХНП) человек или автоматизированная система сбора и обработки информации (АССОИ) представляет себе описание этого мира в виде начального трехмерного пространства, осями которого являются понятия: вещь, свойство и отношение. Эти три понятия - абстракции удобные для описания реального мира. Напомним, что эти абстракции аналогичны трем осям Декартова геометрического пространства, так как они - три разных взгляда на одно объективно существующее “нечто” (УИР ХНП). Эти три абстракции абсолютно равнозначны и являются основой трехмерного дискретного эволюционного информационного пространства [3]:
Наименьший элемент этого пространства - мивар, т.е. трехмерная точка или “некоторая конкретная вещь, обладающая некоторым конкретным свойством, находящаяся в некотором конкретном отношении в определенный момент времени и в конкретных географических координатах”.
Для моделирования инноваций важно, что при миварном подходе: вещь - это уникальное название этой вещи, совокупность всех свойств (атрибутов) этой вещи и значения во всех отношениях этой вещи со всеми другими вещами предметной области. Для МЭПАИС УИР ХНП очень важно, что степень детализации описания вещи может быть различной: от описания всех свойств и отношений до представления лишь сущности вещи. Выделим основные преимущества миварного подхода: многомерное и эволюционное представление данных, возможность учета вероятностных и нечетких характеристик, а также совместимость по данным с быстрым миварным логиковычислительным методом обработки информации.
Структуры представления данных для моделирования инноваций
При создании миварного информационного пространства проведено обобщение всех структурированных моделей данных путем теоретико-множественного описания модели “сущность-связь” (ЕЯ-модель) [3].
Для моделирования инноваций и анализа проблем управления инновационными ресурсами выделим следующие структуры представления данных ЕЯ-модели: классы сущностей, множества сущностей, классы связей, множества связей, роли сущностей в связях, множество атрибутов, множество значений. Тогда, пусть А - множество имен классов сущностей:
<вещь, свойство, отношение> (<V, S, O>).
A {aj,a2,...,ai,...,ai},
Vai є A 3Bi — {bi1,bi2,...,biji ,...,biJi J
(1)
(2)
где i = 1,1; ^ = и • и В. - это множество имен сущностей класса а.. Далее,
(3)
где к = 1,К ; С - множество имен атрибутов. Кроме того, пусть
D {dj,d2,...,di,...,dL}’
(4)
где 1 = 1,Ь ; D - множество значений. Далее, пусть
где т = 1,М; пю = 1^т , Z - множество имен классов связей и Ут - множество имен связей класса /т. Описание сущностей, для
У.Ру]
'^Уі У.Ру]
с определенными множествами значений:
| = 1,1; ji = М| ; Ру* = 1, Ру* ; ГУ|Ру* = ^ ^У|Ру* . В этой модели у каждой связи есть набор атрибутов ествами значений:
^Уюпю е ^ю ^Сюпю “ 1Сюпю1,Сюпю2,***,Стпю8юпю ,,",Сюпт8юпю } (9)
^Сюпт8тпт € Сюпю ^Dmпmsmпm _ 1^юпт*тпю 1 , dmпmSm^. 2 V
d dr (10)
mnmSmnm tmnmsmnm ’ ’ mnmSmnm Tmnmsm
m — 1,M ; nm — 1,Nm ; Smnm 1,Smnm ; tmnmsmnm 1,Tn
‘т
Обозначим Е - множество имен ролей множеств сущностей в связях,
E {ei,e2,...,eu,...,eu}, где u — 1,U . (11)
U
B — YB..
і—1
(12)
Итак, каждой связи соответствует:
Vymnm Є Ym ^{< bmnm1,emnm1 >, < bmnm2,emnm2 >v
< bmnm vmnm ^ emnm vmnm >’.”’ < bmnmVmnm ,emnmVmnm >}’
(13)
где brnnmvm„m e ernnmvm„m G E; Ш = 1,M ; Пю — l,Nm ; Vmnm _ ^ Vmnm .
Модель представления данных для МЭПАИС в начальном состоянии основывается на всех прямых (статформа «4 инновация») и расчетных показателях, учитывая их разделение на количественные и качественные показатели. Затем происходит конкретизация и многомерное наращивание представления: количественные показатели разделяются на общие и инновационные индикаторы, а затем разделяются на кадровые и экономические показатели. Например, кадровые показатели включают: среднесписочную численность персонала, численность специалистов с высшим образованием и работников НИОКР, а также количество принятых на работу квалифицированных специалистов. С другой стороны, экономические показатели разделяются на величину капитальных вложений, величину затрат на инновации, общий и инновационный объемы выпуска продукции, количество созданных, приобретенных и переданных технологий, патентов, лицензий. При этом, каждая организация ХНП может быть не полным владельцем технологий, патентов и т.п., а вместе с другими организациями. Миварный подход позволяет ввести параметр нечеткой принадлежности “объекта патентного права” (патенты и лицензии) для организаций ХНП. Возможны ситуации, когда несколько организаций ХНП в разных долях владеют патентами или лицензиями.
Формализованное описание модели данных для МЭПАИС УИР ХНП
Наиболее целесообразно представлять формализованное описание модели представления данных для МЭПАИС в виде N мерного миварного пространства. В общем случае, при создании принципов организации и структурирования данных, можно рассматривать: K-мерное подпространство точек и L-мерное подпространство отношений точек, которые образуют: N-мерное миварное пространство унифицированного представления данных и правил, где K+L=N. Пусть:
$A={a1,a2,...,an,...,aN}, (14)
где п — 1,N ; A - множество названий осей миварного пространства, N - количество осей (динамическое) миварного пространства. Тогда:
Van Є А ^Bn — {bnl,bn2,...,bnin ,...,bnIn } (15)
| = 1,1 ; В - множество точек оси а . Для любых допустимых значений координат всегда существует определенная точка
пп
многомерного пространства:
^^1 ^ < ^1,^2,***,^п ,•••,iN > ^ 11 ^I2 ^••• ^ In ^ ••• ^In, (16)
где < i | , i 2 ,*•*, i n ,*•*, i N > " координаты N-мерной точки ,...4n .
Существует множество значений точек миварного пространства:
3C — {ci1i2...in...iN I i1 — 1,I1;...;in — 1,In v**;iN — 1,IN }. (17)
Для каждой точки миварного пространства существует единственное значение из множества значений C:
V< i1,i2,...,in,...,iN > ^ ! Ci1,i2,...,in,...,iN ^ C. (18)
m
mmn
m
Напомним, что в миварном пространстве могут изменяться не только значения переменных, но и количество осей пространства, т.е. сама структура представления данных. Таким образом, получаем модель данных для МЭПАИС с изменяемой (эволюционной) структурой, наиболее адекватной разработанным новым принципам организации и структурирования данных для этой предметной области. Такой подход позволяет хранить в едином пространстве и сами данные, и правила их обработки - отношения объектов. Любое отношение может быть добавлено, удалено или изменено.
Исторический анализ инновационного развития показал, что не всегда и не все инновации могут быть реализованы, а конкурентные преимущества от каждой инновации сильно зависят от времени и от общего состояния “рынка инноваций” в каждой конкретной отрасли хозяйства. Даже при всех исходных положительных предпосылках любая конкретная инновация приводит к различным финансовым успехам (иногда и отрицательным).
Следовательно, необходимо учитывать вероятностные характеристики, получаемые на основе статистического анализа области внедрения инноваций в каждой конкретной отрасли хозяйствования. Практика показывает, инновации проходят разные стадии, которые условно можно разделить на три основных стадии:
1) “белая книга” (научная идея),
2) “перспективный проект” (проверка идеи в НИР) и
3) “инновационный проект” (переход от НИР к ОКР и разработка “бизнес-плана”).
При этом не более 10% инноваций начальной стадии являются коммерчески успешными. Необходимо подчеркнуть, что сразу перейти на заключительные стадии нельзя или экономически не целесообразно.
Таким образом, начинать инновационные разработки приходится с самого начала и вероятностные характеристики очень важны для МЭПАИС. Дополним миварный подход вероятностными характеристиками. Для некоторых случаев введем для каждой точки миварного
# # ф •
пространства М с координатами < її , 12 ,***, 1П ,***, 1^ > вероятность конкретного единственного значения из множества всех возможных значений этой точки С.:
M. . . .
j1 ,... ,jn ,... ,jN
— P(Cj) где: Сj — Сil,І2,...,i„,...,ІN,j,0 * P(Cj^ 1 j — 1,J . <19>
Для работы в миварном пространстве с вероятностными характеристиками применяются все результаты современной теории вероятности и математической статистики.
Итак, с учетом специфики управления инновационными ресурсами химической и нефтехимической промышленности России, проведенный анализ существующих принципов организации и структурирования данных информационных систем и моделей данных (структурированных, слабоструктурированных и миварных с изменяемой структурой) позволяет обосновать выбор многомерной эволюционной (миварной) модели данных, так как только эта модель удовлетворяет всем существующим и перспективным требованиям для создания МЭПАИС УИР ХНП России.
Заключение
Проведен системный анализ современных моделей данных, принципов организации и структурирования данных информационных систем. Обоснован выбор многомерной эволюционной (миварной) модели данных для МЭПАИС УИР ХНП, с учетом специфики представления данных для эффективного управления инновационными ресурсами химической и нефтехимической промышленности России. Предложены новые принципы организации и структурирования данных для специализированной информационной системы: “Многомерная эволюционная прикладная автоматизированная информационная система поддержки принятия решений управления инновационными ресурсами химической и нефтехимической промышленности России”, которая представляет собой экспертную систему. Практическая полезность и прикладное значение решения проблемы организации и структурирования данных для МЭПАИС УИР ХНП заключается в совершенствовании функционирования экспертных систем, улучшения качества и эффективности управления инновационными ресурсами химической и нефтехимической промышленности России.
Литература:
1. Бессарабов А.М., Кочетыгов А.Л., Квасюк А.В., Санду Р.А. Стратегическое планирование инновационных ресурсов отраслевой химической науки // Материалы 10-го всероссийского симпозиума «Стратегическое планирование и развитие предприятий». Москва. ЦЭМИ РАН, 14-15 апреля 2009 г., т. 1, с. 17-18.
2. Кочетыгов А.Л., Поляков А.В., Санду Р.А., Бессарабов А.М. Кочетыгов А.Л., Поляков А.В., Санду Р.А., Бессарабов А.М. Компьютерная процедура оценки материальных ресурсов отраслевых НИИ химического комплекса (1997-2007) // Сборник трудов 22-й Межд. научной конф. «Математические методы в технике и технологиях» (ММТТ-22), Псков, 25-30 мая 2009 г., т. 7, с. 168-170.
3. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с.
4. Когаловский М.Р. Энциклопедия технологий баз данных. - М.: Финансы и статистика, 2005. - 800 с.
5. Марков А.С., Лисовский К.Ю. Базы данных. Введение в теорию и методологию: Учебник. - М.: Финансы и статистика, 2006. - 512 с.
6. Саймон А.Р. Стратегические технологии баз данных: менеджмент на 2000 год: Пер. с англ./ Под ред. и с предисл. М.Р. Когаловского. - М.: Финансы и статистика, 1999. - 479 с.
7. Ахо А.В., Хопкрофт Д.Э., Ульман Д.Д. Структуры данных и алгоритмы. - М.: Издательский дом “Вильямс”, 2007. - 400с.
8. Кузнецов С.Д. Базы данных: языки и модели. - М.: ООО “Бином-Пресс”, 2008. - 720 с.
9. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. - М.: Радио и связь, 1989. - 184 с.
10. Варламов О.О. Моделирование мышления на основе миварного информационного пространства и логических сетей // Компьютерные науки и технологии (КНиТ-2009). Ч.1: сборник трудов первой Международной научно-технической конференции. - Белгород: ГиК, 2009. С. 137 - 142.
11. Владимиров А.Н., Варламов О.О., Носов А.В., Потапова Т.С. Применение многопроцессорного вычислительного кластера НИИР для распараллеливания алгоритмов в научно-технических и вычислительных задачах // Труды НИИР: Сб. ст.- М.: НИИР. 2009. № 3. С. 120124.
12. Носов А.В., Владимиров А.Н., Варламов О.О., Потапова Т.С. Программный комплекс “УДАВ”: реализация логического вывода на миварной сети правил // Компьютерные науки и технологии (КНиТ-2009). Ч.1: сборник трудов первой Международной научно-технической конференции. - Белгород: ГиК, 2009. - 275 с. С. 232 - 236.
13. Кузнецов О.П. Дискретная математика для инженера. 6-е изд., стер. - СПб: Издательство “Лань”, 2009. - 400 с.
