Досліджується проблема оптимального прийняття рішень в умовах невизначеності за допомогою марківських методів навчання з нечіткою логікою. Описано структуру та функції системи прийняття рішень на основі продукційних правил нечіткої логіки. Специфіковано етапи перетворення нечітких даних під час логічного виведення рішень. Наведено та проаналізовано результати комп’ютерного моделювання нечіткого прийняття рішень у клітинному просторі.
1. Трухаев Р. И. Модели принятия решений в условиях неопределенности / Р. И. Трухаев. – М.: Наука, 1981. – 258 c. 2. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации / С. А. Орловский. – М.: Наука, 1981. – 208 с. 3. Алтунин А. Е. Модели и алгоритмы принятия решений в нечетких условиях: Монография / А. Е. Алтунин, М. В. Семухин. – Тюмень: ТГУ, 2000.– 352 с. 4. Mitchell T. M. Machine Learning / T. M. Mitchell. – New York: McGraw-Hill, 1997. – 414 pp. 5. Watkins, C.J.C.H. Q-Learning / C.J.C. H. Watkins, P. Dayan // Machine Learning, No. 8. – Kluwer Academic Publishers, Boston. – 1992. – PP. 279–292. 6. Kaelbling L. P. Reinforcement Learning: A Survey / L. P. Kaelbling, M. L. Littman, A. W. Moore // Journal of Artificial Intelligence Research. – 1996. – No. 4. – P. 237 – 285. 7. Sutton R. S. Reinforcement Learning: An Introduction / Richard S. Sutton, Andrew G. Barto. – MIT Press, 1998. – 322 pp. 8. Кравець П. О. Марківські методи навчання у системах прийняття рішень / П. О. Кравець, О. М. Проданюк // Інформаційні системи та мережі: Вісник Нац. ун-ту “Львівська політехніка”. – 2008. – № 631. – С. 166 – 177.9. Wooldridge, M. An Introduction to Multiagent Systems / M. Wooldridge. – John Wiley & Sons (Chichester, England), 2002. – 366 pp. 10. Weiss G. Adaptation and Learning in Multiagent Systems / Gerhard Weiss, Sandip Sen, editors. – Berlin: Springer Verlag, 1996. – 585 pp. 11. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. Заде. – М.: Мир, 1976. – 165 c. 12. Zimmerman H. J. Fuzzy Set Theory and Its Applications / H. J. Zimmerman. – Kluwer, Dordrecht, 1991. – 315 p. 13. Нечеткая логика: алгебраические основы и приложения: Монография / С. Л. Блюмин, И. А. Шуйкова, П. В. Сараев, И. В. Черпаков. – Липецк: ЛЭГИ, 2002. – 113 с. 14. Борисов А. Н. Принятие решений на основе нечетких моделей. Примеры моделей / А. Н. Борисов, О. А. Крумберг, И. П. Федоров. – Рига: Зинатне, 1990.– 184 с. 15. Berenji H. R. Refinement of approximate reasoning-based controllers by reinforcement learning / H. R. Berenji // Proceedings of the Eight International Workshop Machine Learning. – 1991. – PP. 475–479. 16. Асаи К. Прикладные нечеткие системы [пер.с японского] / Под ред. Т. Тэрано, К. Асаи, М. Сугэно. – М.: Мир, 1993. – 368 с. 17. Sugeno M. Industrial applications of fuzzy control / M. Sugeno, ed. – North-Holland, Amsterdam, 1985. – 269 p. 18. Theoretical aspects of fuzzy control / H. T. Hguen, M. Sugeno, R. Tong, R. R. Yager. – New York, John Wiley & Sons, 1995. – 359 p. 19. Berenji H. R. Fuzzy Q-learning for Generalization of Reinforcement Learning / H. R. Berenji // Proceedings of the fifth IEEE International Conference on Fuzzy Systems. – New Orleans, Louisiana. – September 1996. – PP. 2208 – 2214. 20. Glorennec P. Y. Fuzzy Q-Learning / P. Y. Glorennec, L. Jouffe // Proceedings of the Sixth IEEE International Conference on Fuzzy Systems. – Barcelona, Spain. – 1997. – PP. 659-662. 21. Jouffe L. Fuzzy Inference Systems Learning by Reinforcement Methods / L. Jouffe // IEEE Transactions On Systems, Man and Cybernetics, Part C, Applications and Reviews. – 1998. – Vol.28. – No. 3. – PP. 338 – 355. 22. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. – Винница: УНІВЕРСУМ –Вінниця, 1999. – 320 с. 23. Mudi R.K. A self-tuning fuzzy PI controller / R. K. Mudi, N. R. Pal // Int. Jo. Fuzzy sets and systems. – № 115. – 2000. – Р. 327 – 378. 24. Naeeni A. F. Advanced Multi-Agent Fuzzy Reinforcement Learning. Master Thesis Computer Engineering, Nr: E3098D / Alireza Ferdowsizadeh Naeeni. – Dalarna University, Sweden, 2004. – 99 p. 25. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. – М.: Горячая линия–Телеком, 2004. – 452 с. 26. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия – Телеком, 2007. – 288 с. 27. Puterman M. L. Markov Decision Processes: Discrete Stochastic Dynamic Programming / M. L. Puterman. – John Wiley & Sons, New York, 2005. – 649 pp. 28. Кормен Т.Х. Алгоритмы: построение и анализ. – 2-е изд. / Томас Х. Кормен и др. – М.: Вильямс, 2006. – 1296 с. 29. Вазан М. Стохастическая аппроксимация / М. Вазан. – М.: Мир, 1972. – 295 с. 30. Назин А.В. Адаптивный выбор вариантов: Рекуррентные алгоритмы / А.В. Назин, А.С. Позняк. – М.: Наука, 1986. – 288 с.