МИВАР24

МИВАР᾽24
СБОРНИК НАУЧНЫХ СТАТЕЙ
Под редакцией О.О. Варламова
Москва
ИНФРА-М
2024

УДК 004.891+007.52+681.518+004.896+65.011.56+62-529+62-519(075.4)
ББК 32.81:22.1
 
М57
Р е ц е н з е н т ы:
Балдин А.В., доктор технических наук, профессор;
Варламов О.О., доктор технических наук, профессор; 
Максимов Н.В., доктор технических наук, профессор; 
Максимычев О.И., доктор технических наук, профессор; 
Мышенков К.С., доктор технических наук, профессор;
Михайловский А.Б., кандидат технических наук, доктор военных наук;
Остроух А.В., доктор технических наук, профессор; 
Старчак С.Л., доктор технических наук, профессор; 
Теслинов А.Г., доктор технических наук, профессор; 
Чувиков Д.А., кандидат технических наук
М57
  
МИВАР’24 : сборник научных статей / под ред. О.О. Варламова. — 
Москва : ИНФРА-М, 2024. — 571 с. : ил.
ISBN 978-5-16-020140-5 (print)
ISBN 978-5-16-112681-3 (online)
В сборник включены 92 научные статьи, подготовленные по материалам докладов Международной Научной Конференции и Молодежной Школы «МИВАР’24», 
организованной 18–20 апреля 2024 года кафедрой «Системы обработки информации 
и управления (ИУ-5)» МГТУ им. Н.Э. Баумана и научно-исследовательской инициативой (НИИ) МИВАР. В статьях представлены результаты исследований, полученные в период с июня 2023 г. по май 2024 г. В этих исследованиях приняли участие 
273 человека, из них: 5 докторов, 18 кандидатов наук и 235 молодых ученых — ассистентов, аспирантов и студентов. Цель сборника — собрать и показать в систематизированном виде все новые достижения, направления развития и результаты практической реализации миварных технологий логического искусственного интеллекта (ИИ), 
достоинства которых заключаются в кардинальном снижении вычислительной сложности метода логического вывода и/или автоматического построения алгоритмов с N! 
до линейной (N) и расширении базовых продукций формата «Если, То» с обычной 
логики до реализации вычислительных процедур «Вход, Действие, Выход» в едином 
информационно-управляющем пространстве. Появились новые направления исследований: автоматическое создание миварных баз знаний с помощью больших лингвистических моделей типа ChatGPT, медицина, киберспорт. Разработаны комплексные 
системы ИИ на основе миварных и нейронных сетей, которые успешно решают задачи 
различного распознавания: образов, видео, речи, текста и трехмерных лидарных данных деревьев. Логический ИИ создан на основе миварных технологий — теперь его 
надо обучать путем автоматизированного создания Больших Знаний.
Важной особенностью прикладных миварных систем является работа на обычных 
компьютерах и смартфонах, их достаточная универсальность, простое обучение и легкое освоение, не требующее специальной подготовки. Опыт применения КЭСМИ 
Разуматор показал, что школьники старших классов успешно создают миварные экспертные системы.
Для специалистов, научных работников, студентов вузов и техникумов в областях: 
прикладной математики, кибернетики, ИИ, обработки информации и управления. 
Может использоваться в качестве учебного пособия по современным информационным технологиям и искусственному интеллекту для аспирантов, студентов вузов, обучающихся в учреждениях среднего профессионального образования, и школьников.
УДК 004.891+007.52+681.518+004.896+65.011.56+62-529+62-519(075.4)
ББК 32.81:22.1
ISBN 978-5-16-020140-5 (print)
ISBN 978-5-16-112681-3 (online)
© НИИ МИВАР, 2024
© Коллектив авторов, 2024

Содержание 
 
Варламов О.О. 2024: обзор областей применения миварных технологий ЛИИ...................... 7 
МИВАРНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ – МЭС 
 
Абрамов В.Г., Еремихин В.С., Некрасов С.А., Марущенко А.В., Аксенова М.В., Тодуа Д.Г. 
МЭС подбора спортивного тренажёра................................................................................. 
16 
Дадочкин Д.Н., Лунегов Л.В., Полунин В.О., Осипов Н.А., Галкин В.А. МЭС подбора 
стратегии развития информационной безопасности в молодой компании.............................. 23 
Нижаметдинов М.Ш., Антропов В.И., Мицкевич В.Б., Варламов О.О., Чумаков В.П. МЭС 
рекомендаций для отражения компьютерных атак..................................................................... 27 
Нисимов М.С., Востротина С.Д., Бельский А.Е., Квасов Н.С., Волосова А.В. МЭС для 
повышения квалификации специалистов ИБ............................................................................... 
33 
Хабчаева А.Р., Чежегова П.А., Ворона А.А., Каракайтис В.Д., Али Диб А. МЭС для 
категорирования КИИ в АСУ ТП.................................................................................................. 
37 
Торжков М.С., Королева Ю.П., Алехин С.С., Варламов О.О., Ковалева Н.А., МЭС скоринга 
кредитования с этическими аспектами ИИ.................................................................. 
42 
Доу Линхань, Тимофеев В.Б. МЭС оценки кредитоспособности заемщиков при выдаче 
кредитных карт............................................................................................................................... 48 
Зозуля О.А., Пименов Г.Ю., Шевчук М.С., Лосева С.С., Шевченко М.Н. МЭС для выбора 
лучшего сценария развития предприятия на основе среднесрочного планирования.............. 54 
Ким А.М., Бибиков П.А., Поддубный М.Н., Ткаченко В. Л., Горячкин Б.С. МЭС для 
подбора гаммы цветов веб-сайта................................................................................................... 
61 
Коваленко А.В., Кондрахин С.С., Смыслов Д.О., Лосева С.С. МЭС по подбору игрового 
тренажера для развития навыков управления транспортным средством................................. 66 
Кулькина Д.А., Кичикова А.О., Панов Г.Д., Адамова Л.Е., Галкин В.А. МЭС по подбору 
персонажа и типа личности пользователя из вселенной фильмов по «Гарри Поттеру»......... 72 
Бахман А.А., Яковлев М.А., Уралова Е.А., Озеров, П.В., Гапанюк Ю.Е., Адамова Л.Е. 
МЭС по подбору персонажа и типа личности пользователя из мультфильма «Кот в
сапогах»....................................................................................................................................... 
78 
Подопригорова Н.С., Козырев С.А., Подопригорова С.С., Большаков С.В., Семкин А.П. 
МЭС для выбора алгоритма консенсуса распределённых реестров.......................................... 
85 
Нобатов И., Зоров В.В., Лупанчук В.Ю., Варламов О.О., Селиверстова А.В. МЭС 
проектирования многоэтажных жилых домов............................................................................. 
92 
Понамарев С.В., Шагиахметов А. Л., Слоква А.В., Варламов О.О., Марущенко А.В., Тодуа 
Д.Г. МЭС оценки состояния многоузлового серверного комплекса.............................. 
98 
Старых Ф.A., Лупанчук В.Ю., Семкин А.П. МЭС оценки содержимого пакетных данных в 
локальной сети............................................................................................................................. 102 
Федюнев А.Ю., Нестеров Ю.Г., Правдина А.Д., Семкин П.С. МЭС для контроля 
микроклимата в оранжерее............................................................................................................ 107 
Чжан Сянцянь, Правдина А.Д., Тимофеев В.Б., Варламов О.О. МЭС планирования 
ресурсов цеха и анализа отклонений............................................................................................ 112 
Чичикин Т.Д., Фотчин А.Д., Прошкин Г.П., Крутов Т.Ю., Селиверстова А.В. МЭС по 
подбору мотоциклов в 2024 году.................................................................................................. 118 
МИВАРНЫЕ БАЗЫ ЗНАНИЙ – МБЗ 
 
Шевчук М.С., Пименов Г.Ю., Зозуля О.А., Лосева С.С., Виноградова М.В. МБЗ для 
построения учебного плана кафедры............................................................................................ 
124 
Тазенков И.Д., Титов Е.А., Ханунов Г.И., Юриков Е.В., Чумаков В.П., Марущенко А.В. 
МБЗ подбора направления для поступающих в МГТУ им. Н.Э. Баумана................................ 
130 
Пересыпкина М.А., Жамнова М.С., Румак Д.П., Гузева Т.А., Варламов О.О., Адамова Л.Е. 
МБЗ для некоторых учебных дисциплин кафедры ИУ-5........................................................... 137 
3 

Позняк А.А., Елхимова И.С., Овчинников С.С., Лупанчук В.Ю., Артемьев В.И. МБЗ по 
подбору BI-системы для визуализации данных........................................................................... 
147 
Капитанов Д.С., Тураев Г.В., Горячкин Б.С. МБЗ реализации методологии Канбан для 
подбора работников........................................................................................................................ 
152 
Филин Д. А., Судариков Н. Д., Мальцев Д. С., Машкин К.В., Адамова Л.Е. МБЗ подбора 
персонала на основе анализа персонажей «ШРЭКА»................................................................. 
158 
Абдуллаев А.Т., Бутырина К.Д., Кострица Д.И., Антонов А.И. МБЗ подбора средств 
защиты информации....................................................................................................................... 
164 
Рудзинский В.В., Овчинников С.С., Лосева С.С. МБЗ техподдержки высоконагруженного 
безотказного кластера.................................................................................................................... 169 
Ефременко Д.С., Стебунов А.И., Требуков Д.А., Бурмистрова М.В., Силантьева Е.Ю. МБЗ 
подбора методов тестирования интернет-приложений.............................................................. 174 
Павлов С.Д., Черненький С.В., Чумаков В.П., Марущенко А.В. МБЗ подбора оптимальной 
открытой лицензии для GITHUB........................................................................... 
180 
Агеев Р.А., Тодуа Д.Г., Нардид А.Н. МБЗ подбора технологий распределенных 
реестров........................................................................................................................................... 186 
Айрапетов З.В., Ваничкин А.А., Парфёнова Т.С., Прушинский Д.Д., Волосова А.В. МБЗ 
подбора детективных фильмов и сериалов.................................................................................. 191 
Андреев В.А., Агеев А.С., Яковенко Ю.С., Семенов Д.В. МБЗ подбора города для отдыха 
в России........................................................................................................................................... 197 
Гурова М.Д., Киндыкбаев Т.Н., Давиташвили Ш.И., Ищенко А.С., Кротов Ю.Н. МБЗ по 
подбору стран для посещения....................................................................................................... 202 
Бастер Шамирян Я.П., Хан Д.А., Цой Н.А., Али Диб А. МБЗ кредитной скоринговой 
системы............................................................................................................................................ 209 
Ахтамбаев Л.Н., Зайцев А. Д., Зорькин А.В., Коновалов М.В., Артемьев В.И. МБЗ по 
подбору автомобилей в 2024 году................................................................................................. 
214 
Близнева А.Е., Павлова А.О., Нестеров Ю.Г., Шевченко М.Н. МБЗ подбора жилья.............. 
219 
Сафонов Ф.А., Бурмистрова М.В., Шкуратова Л.П., Ишков Д.О. МБЗ по прогнозированию 
цен на жилье.................................................................................................... 
224 
Верин Д.С., Сергеев Н.С., Братухин А.С., Данилин М.С., Большаков С.А. МБЗ подбора 
строительных материалов и техники.......................................................................................... 229 
Глазецкая Л.И., Цепов И.А., Медведенко М.В., Булатова И.Г. МБЗ подбора рекомендаций 
на маркетплейсе.............................................................................................................................. 234 
Корсаков Н. А., Титов А. Д., Семенов Д.В. МБЗ по подбору одежды...................................... 239 
Степанюк А.Д., Буров Д.А., Акопян Л.А., Котелянец Е.В., Аксенова М.В. МБЗ подбора 
напитков........................................................................................................................................... 
245 
Боглаев С.С., Аксенов Н.В., Антонов А.И. МБЗ подбора акустической гитары..................... 249 
Федотова А.Д., Гордеев Н.А., Стельмах Я.С., Хатин М.С., Масленников К.Ю. МБЗ по 
подбору классической музыки...................................................................................................... 254 
Лаврик Д.Д., Терентьев Д.А., Сыса П.В., Сорокин А.Е., Шкуратова Л.П. МБЗ по подбору 
фильмов в 2024 г............................................................................................................................. 260 
Гайсин К.Е., Лукьянов В.А., Цуцин Е.В., Балдин А.В. МБЗ подбора японской 
литературы....................................................................................................................................... 
265 
Шиликов Д.А., Кругляков А.В., Азаров Д.Ю., Волосова А.В. МБЗ подбора художественной 
литературы......................................................................................................... 
269 
Пименов Г.Ю., Зозуля О.А., Шевчук М.С., Лосева С.С., Адамова Л.Е., Ким Р.И. МБЗ для 
морфологического разбора предложения..................................................................................... 
275 
 
 
 
 
4 

КОМПЛЕКСНЫЕ СИСТЕМЫ ИИ: НЕЙРОННЫЕ И МИВАРНЫЕ СЕТИ 
Гришин И.А., Базанова А.Г., Нищук Р.С., Варламов О.О., Терехов В.И. МЭС 
многоклассовой классификации видов деревьев по лидарным данным................................... 
279 
Демирев Н.К., Камалов М.Р., Васильев Д.А., Варламов О.О. Комплексный ИИ: 
семантическая сегментация растительности в плотном облаке точек...................................... 287 
Овчинников Д.А., Милевич А.А., Фонин М.А., Ишков Д.О., Крутов Т.Ю. МЭС для 
улучшения сегментации деревьев из облака точек..................................................................... 299 
Андреева А.А., Шаповалова В.В., Балабанов А. О., Долинский А.А., Правдина А.Д. Анализ 
эмоциональной окраски текста в зависимости от контекста с помощью МЭС и 
нейросетей....................................................................................................................................... 298 
Назаров М.М., Терентьев В.О., Зудин А.М., Коценко А.А., Аладин Д.В., Тодуа Д.Г. 
Комплексная система распознавания речи и пунктуации.......................................................... 304 
Мащенко Е.И., Карпов Д.К., Балдин А.В., Варламов О.О., Бурмистрова М.В. Умные 
видеокамеры: МЭС для обнаружения падений........................................................................... 309 
Афанасьев А.Г., Лукьянов К.Е., Иванченко М.Д., Масленников К.Ю. Компьютерное зрение 
в интеллектуальных магазинах розничной торговли...................................................... 
316 
Афанасьев А.Г., Аунг Мьоу Хтун, Калистратов А. П. Исследование методов определения 
позы человека на видео с помощью методов машинного обучения......................................... 322 
Афанасьев Г.И., Доу Л., Филатова А.Е. Нейросетевая модель для изучения английского 
языка................................................................................................................................................. 
328 
Нгуен З.Л., Калистратов А. П., Клементьев А.И., Тимофеев В.Б. Анализ методов глубокого 
обучения для решений повышения урожайности в сельском хозяйстве................ 
336 
МИВАРНЫЕ СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ РОБОТОВ – МСПРР 
 
Варламов О.О. Миварные технологии ЛИИ для повышения автономности и 
интеллектуальности РТК............................................................................................................... 344 
Денисов А.С., Коценко А.А., Мацнев А.А., Лосева С.С., Варламов О.О., Кротов Ю.Н. 
Разработка компьютерной игры с применением МЭС для планирования маршрута 
автономного робота доставщика................................................................................................... 
354 
Коценко А.А. Разработка моделей миварного логического пространства для обеспечения 
трехмерного движения автономных роботов............................................................................... 
361 
Шэнь Цюцзе, Гун Шэншо, Лю Чжинань, Лю Ань, Тимофеев В.Б., Варламов О.О. Алгоритм 
планирования траектории на основе технологии обнаружения объектов в МЭС................... 367 
Завадский Н.П., Курланов В.К., Колтаков М.А., Горячкин Б.С., Марущенко А.В. МБЗ 
подбора комплектующих для БПЛА............................................................................................. 
374 
Поташников М.Д., Лупанчук В.Ю., Белодедов М.В. МЭС подбора комплектующих для 
транспортных средств.................................................................................................................... 378 
Синицын Л.С., Аладин Д.В. Платформа для СПР робота на базе гибридной 
интеллектуальной системы............................................................................................................ 
384 
РАЗВИТИЕ МИВАРНОЙ ТЕОРИИ 
 
Андреев А.В., Тураев Г.В., Горячкин Б.С., Варламов О.О., Коценко А.А., Адамова Л.Е. 
Обработка текста с помощью LLM для автоматической генерации МБЗ................................ 389 
Пасатюк А.Д., Аникин Ф.А., Якубов А.Р., Варламов О.О., Тодуа Д.Г. Автоматизированное 
создание МБЗ на основе наборов формул по информатике.................. 
397 
Данилюк А.В., Ким Р.И., Волков А.С., Варламов О.О. Разработка МБЗ с использованием 
больших языковых моделей.......................................................................................................... 408 
Данилюк А.В., Ким Р.И., Волков А.С., Варламов О.О. Применение MivarGPT для 
автоматизации создания МБЗ........................................................................................................ 412 
Желтова А., Ваксина И.Р., Уткин Д.Ю., Варламов О.О., Марущенко А.В. Автоматическое 
создание МБЗ с помощью выборки правил из текстовых инструкций с применением 
нейросети......................................................................................................................................... 418 
5 

Чувиков Д.А., Ким Р.И., Балдин А.В., Адамова Л.Е Анализ больших языковых моделей для 
построения диалоговых систем.............................................................................................. 
426 
Коценко А.А. Анализ применения для АСУТП миварных сетей в формате двудольных и 
трехдольных графов....................................................................................................................... 432 
Павловская А.А., Машкин К.В., Белодедов М.В. МЭС для поиска ближайшего соседа в 
графе близости................................................................................................................................ 439 
Пенегина В.В., Виноградова М.В. Анализ возможности создания МЭС для использования 
метаправил оптимизации реляционных запросов в базах данных............................................ 444 
Плешаков В.И., Аладин Д.В. Разработка миварной машины логического вывода для 
процессора Эльбрус........................................................................................................................ 
450 
Абдрашитова А.Н., Вардумян А.Т., Головацкий А.Д., Пасатюк А.Д., Машкин К.В. 
Облачная система создания МБЗ.................................................................................................. 455 
Старчак С.Л., Смирнов А.А., Мельник Д.И., Варламов О.О., Григоренко В.М., Храмшин 
В.В. Исходные данные для создания миварной базы знаний сложной технической 
системы............................................................................................................................................ 460 
КИБЕРСПОРТ И МИВАРНЫЕ ТЕХНОЛОГИИ 
 
Абуховский И.А., Калинников Д.И., Козлов Е.В., Костерин А.С., Лосева С.С. МЭС подбора 
вида дисциплины для будущего киберспортсмена...................................................... 
472 
Козинов О.И., Филатова А.E., Ольховенко К.A., Лупанчук В.Ю., Семкин П.С. МЭС 
рекомендации героя DOTA 2......................................................................................................... 
479 
Мамаев Т.Э., Коваленко В.И., Кузнецов А.В., Семенов Д.В., Аксенов Н.В. МЭС подбора 
оптимального футболиста.............................................................................................................. 
485 
Лобанов Д. С., Данилов Д.С., Егошин Д.П., Лосева С.С., Бердников Н.О. МЭС для 
предсказания выбора героев в игре DOTA 2............................................................................... 490 
Рыжкова Ю.Н., Бондаренко Д.К., Зелинский Д.М., Ковалева Н.А., Тодуа Д.Г. МЭС для 
подбора персонажей в отряд в игровом проекте HONKAI: STAR RAIL.................................. 
497 
Фильчиков А.Б., Лосева С.С. МЭС по расчету вероятности победы команд в матче CounterStrike................................................................................................................................... 
503 
Пономарева М.О., Юрова Е. О., Носкин С.А., Семенов В.А., Силантьева Е.Ю. МЭС для 
подбора компьютерных игр........................................................................................................... 509 
МЕДИЦИНА И МИВАРНЫЕ ТЕХНОЛОГИИ  
 
Филатова Е.А., Штрак А.А., Мышенков К.С. МЭС для анализа кровоснабжения органов 
ЖКТ.................................................................................................................................................. 
514 
Ковыршин П.А., Федотов А.Н., Харитонов А.А., Балдин А.В., Булатова И.Г. МБЗ 
диагностирования заболеваний органов дыхания....................................................................... 524 
Ян Цзиньцзы, Чжан Цзюй, Лю Бэйбэй, Лу Сяои, Тимофеев В.Б., Варламов О.О. МЭС 
прогнозирования риска развития гипертонии............................................................................. 530 
Аброчнов Е.С., Соловьева А.М., Макеев В.А., Распашнов А.А., Черненький С.В., Ким Р.И. 
МЭС подбора полезных продуктов...................................................................................... 
536 
Яровенко М.В, Свинцов А.Н, Бабаян А.А, Дмитриева М.Ю., Адамова Л.Е., Шкуратова Л.П. 
МЭС подбору профессий для обучающихся с ограниченными возможностями 
здоровья........................................................................................................................................... 543 
Штрак А.А., Филатова Е.А., Мышенков К.С. МБЗ для автоматизации исследования 
открытого артериального протока и слуха................................................................................... 
548 
Клинова В.К., Мышенков К.С. МБЗ портативного спирометра для обеспечения 
индивидуального контроля функций внешнего дыхания........................................................... 
557 
Инжеваткина А.А., Тарасенко Е.А., Мышенков К.С. МБЗ для управления бионическим 
протезом предплечья...................................................................................................................... 562 
 
6 

МИВАР’2024 
 
УДК 004.891 + 004.896 + 007.52 + 681.5 + 65.011.56 
2024: ОБЗОР ОБЛАСТЕЙ ПРИМЕНЕНИЯ МИВАРНЫХ ТЕХНОЛОГИЙ ЛИИ 
Варламов О.О. 
ФГБОУ ВО МГТУ им. Н.Э. Баумана, НИИ МИВАР, г. Москва, Россия 
Аннотация. Преимущества миварных технологий логического искусственного 
интеллекта (ЛИИ) заключаются в кардинальном снижении вычислительной сложности 
автоматического построения алгоритмов и логического вывода с N! до линейной N и 
расширении базовых продукций формата «Если, То» с формальной логики до реализации 
вычислительных процедур в едином информационно-управляющем пространстве. Это 
позволяет создавать системы поддержки принятия решений, моделировать реальные 
бизнес-процессы, 
планировать 
и 
перестраивать 
в 
реальном 
времени 
действия 
робототехнических комплексов и киберфизических систем, а также автоматически 
строить алгоритмы решения задач на основании миварных баз знаний. «Большие Знания» – 
это объединение и синтез разнородных баз знаний, что обеспечивает качественный переход 
и предоставляет большие возможности для создания систем ИИ. Разработкой машины 
логического вывода «Разуматор» занимаются программисты, а созданием Больших Знаний – 
аналитики, которых называют: инженеры знаний, когнитологи и т.п. Большие Знания 
можно постепенно наращивать и увеличивать в размерах, как количественно, так и 
качественно, например, для создания Активной Миварной Энциклопедии. Создание новых баз 
знаний для различных предметных областей привело к расширению областей применения 
миварных технологий и позволило решать новые для экспертных систем задачи: 
планирования маршрутов роботов; оптимизации распределения ресурсов; планирования 
действий и составление сметы проекта; динамический расчет многомерных векторов и их 
сравнение; подбора команд и комбинаций персонажей; информационной безопасности и 
много других. Фактически, это все задачи, для решения которых человек рассуждает и 
использует правила «Если-То» или процедуры «Вход-Действие-Выход». Кроме того, для 
создания комплексных систем ИИ миварные технологии успешно совмещаются с 
нейросетевыми методами, например, для распознавания образов и речи. Логический 
искусственный интеллект создан на основе миварных технологий и теперь его надо обучать 
путем создания Больших Знаний, что позволит повысить производительность труда, 
создать автономных интеллектуальных роботов и решить много других задач. 
Ключевые слова: мивар, миварные сети, базы знаний, онтологии, система принятия 
решений, миварная экспертная система, MOGAN, MIPRA, КЭСМИ, Wi!Mi, Разуматор, 
Большие Знания, роботы, моделирование, обучение. 
2024: REVIEW OF AREAS OF APPLICATION MIVAR TECHNOLOGIES LOGICAL AI 
Varlamov O.O. 
BMSTU, Research Institute MIVAR, Moscow, Russia 
Abstract. The advantages of mivar technologies for logical artificial intelligence (LAI) lie in a 
radical reduction in the computational complexity of automatic construction of algorithms and 
logical inference from N! to linear N and expanding the basic products of the “If, Then” format from 
formal logic to the implementation of computational procedures in a single information and control 
space. This allows you to create decision support systems, model real business processes, plan and 
rebuild in real time the actions of robotic systems and cyber-physical systems, as well as 
automatically build algorithms for solving problems based on mivar knowledge bases. “Big 
Knowledge” is the unification and synthesis of heterogeneous knowledge bases, which ensures a 
qualitative transition and provides great opportunities for creating AI systems. The development of 
the “Razumator” inference machine is carried out by programmers, and the creation of Big 
Knowledge is carried out by analysts, who are called: knowledge engineers, cognitive scientists, etc. 
Big Knowledge can be gradually built up and increased in size, both quantitatively and qualitatively, 
for example, to create an Active Mivar Encyclopedia. The creation of new knowledge bases for 
7 

various subject areas led to an expansion of the areas of application of mivar technologies and made 
it possible to solve new problems for expert systems: robot route planning; optimization of resource 
allocation; action planning and project budgeting; dynamic calculation of multidimensional vectors 
and their comparison; selection of teams and character combinations; information security and many 
others. In fact, these are all problems for which a person reasons and uses If-Then rules or InputAction-Output procedures. In addition, to create complex AI systems, mivar technologies are 
successfully combined with neural network methods, for example, for image and speech recognition. 
Logical artificial intelligence was created on the basis of mivar technologies and now it must be 
trained by creating Big Knowledge, which will increase labor productivity, create autonomous 
intelligent robots and solve many other problems. 
Keywords: mivar, mivar networks, knowledge bases, ontologies, decision-making system, 
mivar expert system, MOGAN, MIPRA, Wi!Mi, Razumator, Big Knowledge, robots, training. 
Введение. В настоящее время (май 2024 года) в области логического искусственного 
интеллекта (ИИ) продолжается активное развитие научной школы миварных технологий [1], 
по которым в РИНЦ размещено уже более 620 научных публикаций. В международных 
англоязычных журналах уровня Q1/Q2 также опубликованы статьи по созданию миварных 
экспертных систем (МЭС), например, конструктор МЭС - КЭСМИ Wi!Mi Разуматор [2], 
применение МЭС для беспилотного транспорта [3] и в качестве систем принятия решений -  
«мозгов для автономных роботов» [4]. Напомним, что главное преимущество миварных 
экспертных систем логического искусственного интеллекта (ЛИИ) состоит в кардинальном 
снижении вычислительной сложности логического вывода и/или автоматического построения 
алгоритмов с  N! до линейной (N) [1,2] (относительно количества правил «Если, То») и 
расширение базовых продукций формата «Если, То» с обычной логики до реализации 
вычислительных процедур, сервисов, агентов и т.п., включая описание процессов в формате 
«Вход-Действие-Выход», в едином информационно-управляющем пространстве (ЕИУП). 
ЕИУП создается на основе миварной технологии MOGAN – многомерная открытая 
гносеологическая активная сеть, базирующейся на миварной модели данных «ВещьСвойство-Отношение» [1]. Это позволяет создавать системы поддержки принятия решений 
(СППР), моделировать реальные бизнес-процессы, планировать и перестраивать в реальном 
времени действия робототехнических комплексов (РТК) и киберфизических систем (КФС), а 
также автоматически в реальном времени строить алгоритмы решения задач на основании 
миварной базы знаний (МБЗ) [5] на обычных компьютерах и даже смартфонах.  
«Большие Знания» – это объединение и синтез разнородных баз знаний, что 
обеспечивает качественный переход и предоставляет большие возможности для создания 
систем ИИ. Напомним, что изначально область ИИ занималась автоматизацией разумной 
деятельности человека. Все соответствующие западные и российские исследования 
направлены именно на это (миварные технологии преследуют ту же цель). Поэтому несмотря 
на различные споры о том, что же является искусственным интеллектом, в данном контексте 
целесообразно будет привести следующее формальное определение ИИ: искусственный 
интеллект — область информатики, занимающаяся автоматизацией разумной деятельности 
человека [5]. Кроме того, напомним, что согласно российскому классификатору УДК 
искусственный интеллект является частью кибернетики. Системный анализ научной области 
ИИ позволил создать системную трехмерную модель ИИ (рисунок 1), которая объединяет все 
области, уровни исследований и типы создаваемых систем ИИ:  
•

представление знаний в экспертных системах;  
•

смысловое понимание естественного языка и семантическая обработка текстов;  
•

смысловое понимание образов, включая распознавание образов, например, от систем 
технического зрения: картинки, видео, звуки и т.п. сигналы физического мира; 
•

автоматизированные системы управления и управление своими «акторами» для 
роботов и кибер-физических систем, включая интернет вещей, в реальном физическом мире.  
8 

ОБЩЕТЕОРЕТИЧЕСКОЕ
МОДЕЛИРОВАНИЕ МЫШЛЕНИЯ
ПРИКЛАДНОЕ  (АВТОМАТИЗАЦИЯ)
ЭКСПЕРТНЫЕ СИСТЕМЫ
СЕМАНТИЧЕСКАЯ ОБРАБОТКА 
ТЕКСТА
СМЫСЛОВОЕ ПОНИМАНИЕ 
ОБРАЗОВ
АСУ
ОСНОВНЫЕ СИСТЕМЫ   ИИ
СИСТЕМЫ УПРАВЛЕНИЯ 
АВТОНОМНЫМИ РОБОТАМИ
УРОВНИ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИИ
ДО
ИНТЕЛЛЕКТУАЛЬНЫЙ 
ИНТЕЛЛЕКТУАЛЬНЫЙ 
ЛОГИЧЕСКИЙ
РЕФЛЕКСНЫЙ
СВЕРХ
ИНТЕЛЛЕКТУАЛЬНЫЙ  
СОЦИАЛЬНЫЙ

 
Рисунок 1 − Системная модель ИИ и место миварных технологий ЛИИ 
Отдельно выделен пятый класс систем ИИ в виде систем принятия решений и 
управления автономными роботами, которые должны обладать всеми предыдущими 
системами, да еще и работающими вместе внутри таких роботов, что исключает возможность 
использования суперкомпьютеров для дистанционного управления роботами.  
Под термином «системы логического искусственного интеллекта» (СИИ) в этой работе 
понимается подкласс СИИ, которые можно охарактеризовать как  активные самообучающиеся 
логически рассуждающие системы (ЛРС). Стоит отметить, что представленное определение 
не раскрывает проблему создания полностью автоматического ИИ, который по своим 
возможностям будет превосходить как «типового» человека [6], так и самого «умного» и даже 
коллективы специалистов-экспертов, например, решающих сверхсложные задачи оценивания 
и прогнозирования сложных предметных областей [7]. 
Как известно, логический вывод и экспертные системы были основой «второй волны 
ИИ» в 80-90 годы прошлого века [8]. Термин «базы знаний» появился тогда же и широко 
использовался в области ИИ [8]. База знаний (БЗ) – основа систем логического ИИ, как одного 
из классов интеллектуальных систем, где знания описаны на некотором языке представления 
знаний [9]. Сегодня знания приобрели чисто декларативную форму, то есть знаниями 
считаются предложения, записанные на языках представления знаний, приближенных к 
естественному языку и понятных неспециалистам. Там же, написано, что под здравым 
смыслом понимают знания, позволяющие принимать правильные решения и делать 
правильные предположения, основываясь на логическом мышлении и накопленном опыте [9, 
10]. В наше время повсеместной «рекламы нейросетевых технологий», целесообразно 
напомнить, что термин «искусственный интеллект» (artificial intelligence) был предложен в 
1956 году. При этом, слово intelligence означает «умение рассуждать разумно», а вовсе не 
«интеллект», для которого есть термин intellect [9]. В классической книге Дж. Люгера 
отмечено, что интеллект — это сложная область знаний, которую невозможно описать с 
помощью какой-то одной теории [6]. Подчеркнем, что для создания и развития перспективных 
систем ИИ (примеры которых показаны в [11-45] и подробнее описаны ниже), рефлексные 
статистические нейросетевые технологии необходимо использовать вместе с технологиями 
логического уровня ИИ, к которым относятся экспертные системы.  
Научная область «экспертные системы».  Миварные технологии стартовали с 
решения задач представления знаний и их быстрой логико-вычислительной обработки, что 
ближе всего к области экспертных систем [1-2]. Приведем краткую информацию по тематике 
традиционных [46, 47] экспертных [48, 49] систем (ЭС). Экспертные системы [46, 50] как 
самостоятельное [51, 52] направление в искусственном интеллекте [50] сформировалось в 
конце 1970—х гг. Этап активного развития ЭС в СССР [53, 54] пришелся на 1980-1990-ые 
годы [55, 56], когда было создано [52] несколько отечественных [53, 55]   ЭС [56].  
9 

Важную роль в истории ЭС сыграло сообщение японского комитета по разработке ЭВМ 
пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных 
способностей» компьютеров [10]. С тем, чтобы они могли оперировать не только данными, но 
и знаниями, как это делают специалисты (эксперты) при выработке умозаключений. Обычно 
к ЭС относят системы, основанные на знании, т.е. системы, вычислительная возможность 
которых является в первую очередь следствием их наращиваемой базы знаний (БЗ) и только 
во вторую очередь определяется используемыми методами. Экспертные системы не 
отвергают и не заменяют традиционного подхода к программированию, они отличаются от 
традиционных программ тем, что ориентированы на решение неформализованных задач [10]. 
Главное отличие ЭС от систем обработки данных состоит в том, что в них используется 
символьный, а не числовой способ представления данных, а в качестве методов обработки 
информации применяются процедуры логического вывода и эвристического поиска решений. 
Там же в [10] приведено описание важного для ЭС понятия: продукционные модели. В моделях 
этого типа используются некоторые элементы логических и сетевых моделей. Из логических 
моделей заимствована идея правил вывода, которые здесь называются продукциями, а из 
сетевых моделей - описание знаний в виде семантической сети. В результате применения 
правил вывода к фрагментам сетевого описания происходит трансформация семантической 
сети за счет смены ее фрагментов, наращивания сети и исключения из нее ненужных 
фрагментов. Таким образом, в продукционных моделях процедурная информация явно 
выделена и описывается иными средствами, чем декларативная информация. 
В области ЭС практические сразу же начались исследования [57] по оптимизации [58] 
логического вывода и различного представления знаний [59], например, в виде онтологий [60]. 
Кроме того, были проведены работы по альтернативным [61] средствам ускорения  вывода в 
продукционных [62] ЭС на основе RETE-сетей [63]. Отдельным направлением стали и 
попытки ускорить работу ЭС на основе сетей Петри [64], которые применялись для 
моделирования систем [65]. Отметим, что и в России [66] применяли подобные алгоритму 
RETE способы причинно-следственного упорядочивания [67] и организации знаний [68] для 
правдоподобных рассуждений [69]. Сразу отметим, что способ создания миварных сетей с 
линейной вычислительной сложностью логического вывода был предложен в 2002 году [1], 
его подробное описание в иностранных источниках размещено в 2011 году [70], а в 2015 
зарегистрирован патент на изобретение автоматизированного построения маршрута 
логического вывода в миварной базе знаний [71]. Таким образом, миварные сети позволили в 
общем случае избавиться от полного перебора и придумывания различных эвристик для 
логического вывода на продукциях общего вида «Если, То», что позволило обрабатывать 
более 5 млн продукционных правил в общем случае [72] за доли секунды на обычном 
компьютере или ноутбуке [2, 4].   
Таким образом, обобщим, что понимают под термином экспертные системы в 
литературе [2, 6, 8-10, 12, 46-71]: экспертные системы предназначены для решения задач на 
основе 
накапливаемой 
базы 
знаний, 
отражающей 
опыт 
работы 
экспертов 
в 
рассматриваемой проблемной области. В настоящее время ЭС используются при решении 
задач следующих типов: принятие решений в условиях неопределенности (неполноты), 
интерпретация символов и сигналов, предсказание, диагностика, конструирование, 
планирование, управление, контроль и др.  Кроме того, конкретизированы в [10] классы задач, 
решаемых экспертными системами реального времени (динамическими): мониторинг в 
реальном масштабе времени, системы управления верхнего уровня, системы обнаружения 
неисправностей, диагностика, составление расписаний, планирование, оптимизация, системысоветчики оператора, системы проектирования [10]. Важным ограничением ЭС в те годы было 
то, что алгоритмическое решение существует, но его нельзя использовать по причине большой 
размерности пространства решений и ограничений на ресурсы (времени, памяти) [10].  
Миварный линейный логический вывод и переход «количества в качество». 
Напомним, что разработаны три миварные технологии [1, 5, 11] (рисунок 2), которые 
10 

получены в результате фундаментальных научных исследований и доведены до практического 
использования [12] и внедрений в различных программно-аппаратных комплексах [13]: 
1. Накопление информации в формализме гносеологической модели знаний «ВещьСвойство-Отношение» (ВСО), которая обобщает все известные модели данных баз данных. 
2. Линейной сложности логический вывод на миварных сетях «переменные, правила» 
(<P,R>), созданных путем обобщения и развития продукционного подхода и сетей Петри.  
3. Многомерная открытая гносеологическая активная сеть (MOGAN), позволяющая 
проводить и накопление, и логико-вычислительную обработку на миварных сетях в ВСО.  
1. Единое Информационное Пространство
2. Единое Управляющее   
Пространство
3. Единое ИнформационноУправляющее Пространство




правилсек
сек
НАКОПЛЕНИЕ 
ИНФОРМАЦИИ=> 
БЫСТРАЯ ЛОГИЧЕСКАЯ И 
ВЫЧИСЛИТЕЛЬНАЯ 
БОЛЬШИЕ ЗНАНИЯ
ОБРАБОТКА ИНФОРМАЦИИ
МНОГОМЕРНАЯ ОТКРЫТАЯ 
ГНОСЕОЛОГИЧЕСКАЯ 
АКТИВНАЯ СЕТЬ (MOGAN) 
БАЗЫ ЗНАНИЙ «VSO», ЛИНЕЙНЫЙ ЛОГИЧЕСКИЙ ВЫВОД, СТАТИСТИЧЕСКАЯ И ВЫЧИСЛИТЕЛЬНАЯ 
ОБРАБОТКА ПРЕДСТАВЛЯЮТ СОБОЙ ЕДИНОЕ ЦЕЛОЕ, ЧТО ПОЗВОЛЯЕТ АВТОМАТИЧЕСКИ СТРОИТЬ 
ГИБКИЕ АЛГОРИТМЫ РЕШЕНИЙ И ПРОИЗВОДИТЬ ВЫЧИСЛЕНИЯ В АВТОНОМНЫХ РОБОТАХ
 
Рисунок 2 − Три основных миварных технологии логического ИИ 
После снятия фундаментального ограничения по скорости логико-вычислительной 
обработки – «проклятия размерности полного перебора» и достижения в МЭС скорости 
обработки более 5 млн правил/с [2, 5, 11-13, 70-72] на обычных однопроцессорных 
компьютерах и ноутбуках, актуальной остается проблема создания различных баз знаний для 
самых разных предметных областей и объединение их на основе формализма миварных сетей 
- двудольных ориентированных графов <P, R> [1, 5], в общую систему представления и 
обработки знаний.  
Большие Знания. Данную задачу целесообразно называть «Большие Знания», 
например, по аналогии с «Большими Данными» для статистических нейросетевых методов 
ИИ. Здесь мы действительно видим явный переход «количества в качество», когда 
значительное 
количественное 
увеличение 
возможностей 
компьютеров 
привело 
к 
качественному росту возможностей нейросетей рефлексного ИИ.  Новая научная проблема 
выявлена в процессе развития миварных технологий логического ИИ, которая заключается в 
необходимости создания разнообразных баз знаний экспертных систем в формализме 
миварных сетей (двудольных ориентированных графов <P,R>).  
Для большей наглядности этой научной проблемы, можно провести следующую 
аналогию: создание паровоза и строительства сети железных дорог, где миварная машина 
логического вывода «Разуматор» - это паровоз, а сеть железных дорог – это созданные базы 
знаний по самым разным предметным областям, которые в итоге и образуют «Большие 
Знания». По этой аналогии понятно, что разработка программного обеспечения «Разуматор» 
и создание баз знаний Больших Знаний – это две разные области деятельности, которые 
требуют и разных специализаций. Разработкой Разуматора занимаются программисты, а 
созданием Больших Знаний – аналитики, которых в данный момент называют по-разному: 
инженеры знаний, когнитологи и т.п. Хотя и те, и другие специальности – это все разные 
специализации одной «классической специальности»: прикладной математики. Миварный 
подход обладает свойством эволюционного развития и поэтому всегда можно добавить или 
изменить правила в Миварной Базе Знаний (МБЗ). По приведенной выше аналогии это 
означает, что можно строить различные ж/д дороги в разных областях научной деятельности, 
11 

а потом их можно будет соединить в одну общую сеть и получить Большие Знания. Кроме 
того, созданные Большие Знания [14] можно постепенно наращивать и увеличивать в размерах 
[15], как количественно, так и качественно [16], например, для создания Активной Миварной 
Энциклопедии [17]. Это подтверждает вывод: логический искусственный интеллект [18] 
создан на основе миварных сетей и теперь его надо обучать [18, 72] путем создания Больших 
Знаний. 
Автоматическое создание баз знаний. В последнее время возникло новое направление 
ИИ по автоматическому созданию баз знаний (фактов и правил) [18]. Проведен системный 
анализ этой проблемы и предложены учеными нашей научно-исследовательской инициативы 
(НИИ) МИВАР новые подходы по обучению и автоматизации процессов создания Больших 
Знаний. Выделены два новых направления:  
•

создание баз знаний [19] на основе систем понимания естественного языка для 
автоматического преобразования текстов в факты и правила, т.е. в Большие Знания; 
•

автоматическое построение баз знаний [20] для планирования действий роботов [21] на 
основе генерации правил по закономерностям и возможным действиям РТК.  
Отметим, что сохраняется и традиционный подход по «ручному созданию» баз знаний 
аналитиками-когнитологами и экспертами в различных предметных областях [18, 16-45, 72].  
Новые области применения миварных технологий ЛИИ. Кроме традиционных 
областей ЭС, учеными миварной научной школы найдены новые предметные области, в 
которых миварные технологии применяют для решения следующих научных задач:  
•

планирования [73] трехмерных маршрутов роботов с учетом препятствий [22, 74]; 
•

оптимизация [23] с построением нескольких логических выводов [24] на одной сети 
миварных правил и расчет возможных ограничений при планировании заказов;  
•

планирование действий [25] по обработке ]75] и сборке изделий [76], а также 
автоматическое составление сметы [26] для разных задач [77], например, строительство, 
выполнение проекта в ИТ-сфере [72]; 
•

принятие обоснованного решения на основе гибкого расчета, получаемого путем 
логического вывода, многомерных векторов и их динамического сравнения [27] в реальном 
времени, например, при покупке рекламы [28], оценки соотношения «покупатель» и «товар», 
выборе «целевой группы» и т.п. [29]; 
•

для автоматизации различных служб технической поддержки [30]; 
•

для технической [31] защиты информации [32] и информационной безопасности [33] 
различных организаций [34];  
•

подбора команд [35] и комбинаций различных персонажей [36] по разным критериям;  
•

управления образовательными программами [37] и учебными дисциплинами [38];  
•

решения кадровых вопросов [39] и уменьшения текучести кадров [40];  
•

поиска информации [78] по репозиториям [41], библиотекам [16], подбора 
лекарственных форм для медицины [79], а также для много другого, изложенного в [18, 72].  
Важно подчеркнуть, что неоднократно показано [18, 72] совместное [42] применение 
миварных технологий ЛИИ с нейросетевыми методами распознавания образов [80] при работе 
с трехмерными объектами [43], распознавания речи [44] и дорожных знаков [45].  
Таким образом, количественный рост скорости логического вывода [81] и расширение 
формализма представления Больших Знаний [82] позволяют перейти к новому качеству и 
значительно расширить [83] области применения миварных технологий ЛИИ [11-45, 70-83].  
Заключение. Достоинства миварных экспертных систем логического искусственного 
интеллекта заключаются в кардинальном снижении вычислительной сложности логического 
вывода с N! до линейной (N) и расширении базовых продукций формата «Если, То» с обычной 
логики до реализации вычислительных процедур в едином информационно-управляющем 
пространстве.  
Разработкой Разуматора занимаются программисты, а созданием Больших Знаний – 
аналитики, которых называют: инженеры знаний, когнитологи и т.п. Большие Знания можно 
12 

постепенно наращивать и увеличивать в размерах, как количественно, так и качественно, 
например, для создания Активной Миварной Энциклопедии.  
Расширение областей применения миварных технологий позволило решать новые для 
экспертных систем задачи: планирования действий и составление сметы проекта; 
динамический расчет многомерных векторов и их сравнение; подбора команд и комбинаций 
персонажей; информационной безопасности и многого других. Фактически, это все задачи, в 
которых человек задумывается и рассуждает.  
Для создания комплексных систем ИИ миварные технологии успешно совмещаются с 
нейросетевыми методами, например, для распознавания образов и речи. Логический ИИ 
создан на основе миварных сетей и теперь его надо обучать путем создания Больших Знаний. 
Термин «Большие Знания» означает не только рост количества информации, но 
качественное возрастание возможностей систем ИИ с использованием миварных технологий. 
Список литературы 
1.
 Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных 
систем. Миварное информационное пространство. - М.: Радио и связь, 2002. 288 c. EDN RWTCOP. 
2.
 Varlamov O.O. Wi!Mi Expert System Shell As The Novel Tool For Building Knowledge-Based Systems With 
Linear Computational Complexity // International Review of Automatic Control. 2018. Т. 11. № 6. С. 314-325. 
EDN: NUCCC. 
3.
 Shadrin S.S., Ivanov A.M., Varlamov O.O. Experimental Autonomous Road Vehicle With Logical Artificial 
Intelligence // Journal of Advanced Transportation. 2017. Т. 2017. С. 2492765. EDN: XNTRKD. 
4.
 Varlamov O. “Brains” For Robots: Application Of The Mivar Expert Systems For Implementation Of 
Autonomous Intelligent Robots // Big Data Research. 2021. Т. 25. С. 100241. EDN: HRYLWL. 
5.
 Варламов О.О. Основы создания миварных экспертных систем. Москва, 2021. EDN: GQYNWE. 
6.
 Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е изд. — 
М.: Вильямс, 2005. 864 с. 
7.
 Ростовцев Ю.Г. Математические методы и модели оценивания военно-политической обстановки. — 
МО СССР, 1986. 312 с. 
8.
 Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – Санкт-Петербург : Питер, 
2000. – 384 с. – (Учебник). – ISBN 5-272-00071-4. EDN TGWANT. 
9.
 Остроух А.В. Введение в искусственный интеллект. Красноярск: Научно-инновац. центр, 2020. 250 с.  
10.
Остроух А.В. Интеллектуальные системы. Красноярск: Научно-инновационный центр, 2020. 316 с.  
11.
Варламов О.О. Миварные базы данных и правил. Москва, 2021. EDN: CGGSAQ. 
12.
Варламов О.О. 18 примеров миварных экспертных систем. Москва, 2021. EDN: HAMRDZ. 
13.
Варламов О.О. Обзор 18 миварных экспертных систем, созданных на основе MOGAN // Известия 
Кабардино-Балкарского научного центра РАН. 2021. № 3 (101). С. 5-20. EDN: PBDXHI. 
14.
Бадалов А.Ю., Санду Р.А. Активная миварная интернет-энциклопедия и развитие миварных сетей на 
основе многомерных бинарных матриц // Искусственный интеллект. 2010. № 4. С. 549-557. EDN:UIMXAV. 
15.
Варламов О.О. Миварный подход к разработке интеллектуальных систем и проект создания 
мультипредметной активной миварной интернет-энциклопедии // Известия Кабардино-Балкарского научного 
центра РАН. 2011. № 1-1 (39). С. 55-64. EDN: NECGIB. 
16.
Чиженков Б.М., Силаев А.В., Казаков Н.А., Тимофеев В.Б., Силантьева Е.Ю. Миварный классификатор 
репозиториев информационных материалов // В сборнике: МИВАР'22. Москва, 2022. С.236-243. EDN XBFDUU. 
17.
Байбарин Р.Г., Кучеренко М.А., Тюлькина Н.В., Чувиков Д.А., Адамова Л.Е. Проект "Миварная 
Активная Энциклопедия" // В сборнике: МИВАР'22. Москва, 2022. С.178-186. EDN LXNGTY. 
18.
Мивар'22. Москва: Издательский Дом "Инфра-М", 2022. 440 с. EDN RQIFBK. 
19.
Варламов О.О., Егоров С.А. Развитие миварных технологий смысловой обработки потоков текстовых 
данных // В сборнике: МИВАР'22. Москва, 2022. С. 194-212. EDN: PBFFTZ.  
20.
Коценко А.А. Автоматическая генерация миварных баз знаний для обеспечения трехмерного движения 
роботов // Мивар'23 : Сборник статей. М.: "Инфра-М", 2023.  С. 573-578. EDN TSNSLL. 
21.
Аладин Д. В. Подход автоматического построения миварных баз знаний для решения управленческих 
задач в технических системах // Мивар'23 : Сборник статей. М.: "Инфра-М", 2023. С. 527-532. EDN FYOSKO. 
22.
Коценко А. А. Миварная система принятия решений для планирования трехмерных маршрутов роботов 
с учетом препятствий // Мивар'23 : Сборник статей. М.: "Инфра-М", 2023. – С. 509-514. EDN WOPFHX. 
23.
Коценко А.А., Герасименко А.В., Калашникова А.В. МЭС для решения оптимизационных задач и 
поиска траекторий робота// В сборнике: МИВАР'22. Москва, 2022. С. 213-219. EDN: CEENDN.  
24.
Коценко А. А., Герасименко А. В., Калашникова А. В. и др. Методика применения миварной 
экспертной системы для автоматизированного поиска нескольких траекторий робота // Естественные и 
технические науки. – 2022. – № 5(168). – С. 209-221. – DOI 10.25633/ETN.2022.05.11. – EDN XSXYXM. 
25.
Осипов В.Г., Чувиков Д.А., Кривошеев О.В. и др. Планирование действий по обработке и сборке 
изделий в машиностроительном ИИ // В сборнике: МИВАР'22. Москва, 2022. С. 420-427.  EDN LAJOSM. 
13 

26.
Абросимова Н.Г., Арбузов А.П., Саврасов П.А., Аксенова М.В., Антонов А.И. МЭС для организации 
управления проектами IT-компании // В сборнике: МИВАР'22. Москва, 2022. С. 6-12. EDN: NVJFUJ.  
27.
Семенов А.А. Разработка метода сравнения двух многомерных векторов в реальном времени на основе 
миварных экспертных систем // Проблемы искусственного интеллекта. 2020. № 2 (17). С. 94-109. EDN: FXAOKP.  
28.
Семенов А.А. Исследование способов подбора рекламных кампаний на основе сравнения многомерных 
векторов // Проблемы искусственного интеллекта. 2020. № 1 (16). С. 89-104. EDN: UEBEPL.  
29.
Ларичева М.В., Павловская А.А., Белых А.А., Быкова Д.И., Силантьева Е.Ю. МЭС по подбору 
настольных игр // В сборнике: МИВАР'22. Москва, 2022. С. 68-74. EDN: KYEJRD.  
30.
Богомолов Д.Н., Умряев Д.Т., Кротов Ю.Н. МЭС для автоматизации решения заявок в службе 
технической поддержки // В сборнике: МИВАР'22. Москва, 2022. С. 20-28. EDN: VEFYTJ.  
31.
Макрушина В.А., Шапиев М.М., Горбовцова К.М. МЭС для оценки критичности уязвимостей 
информационных систем // В сборнике: МИВАР'22. Москва, 2022. С. 75-81. EDN: QCEQTV.  
32.
Маматкулов У.Б., Кесель С.А., Семенов Д.В. Миварная интеллектуализация SGRC-платформ 
информационной безопасности // В сборнике: МИВАР'22. Москва, 2022. С. 269-275. EDN: TITAMH.   
33.
Житенев В.Г., Демьянчук Г.В., Колпаков М.О. МЭС противодействия мошенничеству при 
дистанционном обслуживании в банке // В сборнике: МИВАР'22. Москва, 2022. С. 29-37. EDN: VKVJMT.  
34.
Крутов Т.Ю., Галичий Д.А., Шкуратова Л.П. МЭС для СКУД с соблюдением санитарных требований 
в условиях пандемии // В сборнике: МИВАР'22. Москва, 2022. С. 59-67. EDN: DVPTXZ.  
35.
Болотин А.С., Яценко А.А., Булатова И.Г. БЗ МЭС по выбору состава команды создания сценария для 
различных форм медиа// В сборнике: МИВАР'22. Москва, 2022. С. 122-129. EDN: ACYLWB.  
36.
Кауров М.Д., Андреев К.А., Жизневский П.И. МЭС для подбора комбинации персонажей в игровом 
проекте GENSHIN IMPACT // В сборнике: МИВАР'22. Москва, 2022. С. 44-53. EDN: SZYFDB.  
37.
Гузева Т.А., Егоров С.А., Адамова Л.Е. и др. Применение МЭС для управления образовательными 
программами в вузе // В сборнике: МИВАР'22. Москва, 2022. С. 323-329. EDN: IXTONZ. 
38.
Егоров С.А., Гузева Т.А., Адамова Л.Е. и др. БЗ МЭС для учебной дисциплины "РКПТ" // В сборнике: 
МИВАР'22. Москва, 2022. С. 330-337. EDN: BCQGTO.  
39.
Тислюк Д.A., Рожненко М.К., Большаков С.А., Ковалева Н.А., Булатова И.Г. МЭС для отбора 
кандидатов на IT-должности // В сборнике: МИВАР'22. Москва, 2022. С. 98-104. EDN: QGVGKV.  
40.
Яценко А.А., Болотин А.С., Шкуратова Л.П. БЗ МЭС для оценки и уменьшения текучести кадров на 
предприятиях// В сборнике: МИВАР'22. Москва, 2022. С. 171-177. EDN: YSMZVG.  
41.
Саросек М.С., Семкин П.С., Шкуратова Л.П. БЗ МЭС поиска по репозиторию информационных 
материалов // В сборнике: МИВАР'22. Москва, 2022. С. 165-171. EDN: HDMPWN.  
42.
Алпеев В.С., Ли М.В., Савельев А.А. ГИИС на основе мультипредметных нейронных сетей и миварных 
экспертных систем // В сборнике: МИВАР'22. Москва, 2022. С. 244-250. EDN: MGHFCB. 
43.
Синцов М.Ю., Озерин А.Ю. и др. О развитии миварного подхода к интеллектуальному распознаванию 
образов для работы с трехмерными объектами // Радиопромышленность. 2015. № 3. С. 172-183. EDN: UQEPOZ. 
44.
Румянцев О.К., Писарчук Н.А., Шкатов П.Н., Балдин А.В., Семкин П.С. Улучшение точности 
распознавания речи на основе МЭС // В сборнике: МИВАР'22. Москва, 2022. С. 275-280. EDN: BXJBXP 
45.
Шашурин А.С., Мелконьянц А.Р., Ковалев С.А. Комплексное распознавание дорожных знаков на 
основе нейронных сетей и МЭС // В сборнике: МИВАР'22. Москва, 2022. С. 302-308. EDN: PVWWKW.  
46.
Уотермен Д. Руководство по экспертным системам/Пер. с англ. -М.: Мир, 1989. -388 с. 
47.
Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных 
ЭВМ/Пер. с англ. -М.: Финансы и статистика, 1990. - 320 с. 
48.
Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование.  4-е изд.: 
Пер с англ. – Москва. Вильямс, 2007. 1152 с. EDN: QMQTDD. 
49.
Giarratano J. C., Riley G. D. Expert systems: Principles and Programming. 4-th ed. Course Technology. 2004.  
50.
Luger F.G. Artificial Intelligence: Structure and Strategies for complex problem solving. Boston:Pearson.2009. 
51.
Попов Э.В. Искусственный интеллект: экспертные системы. -М.: Наука, 1990. 
52.
Экспертные системы. Базы знаний и данных. // Под рук. Э.В. Попова. М.: ЦРДЖ, 1992. - 171 с. 
53.
Кирсанов Б.С., Попов Э.В. Отечественные оболочки экспертных систем // Справочник по 
искусственному интеллекту. Т. 1. -М.: Радио и связь, 1990. С. 369-388. 
54.
Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные 
системы. -М.: Финансы и статистика, 1996. 
55.
Яшин А.М. Разработка экспертных систем. Л.: ЛПИ, 1990. 
56.
Справочник по искусственному интеллекту в 3-х т.//Под ред. Э.В. Попова, Д.А. Поспелова. М.: Радио 
и связь, 1990. 
57.
Тейз А., Грибомон П., Луи Ж. и др. Логический подход к искусственному интеллекту: от классической 
логики к логическому программированию/Пер. с франц.-М.: Мир, 1990.- 432 с. 
58.
Chandru V., Hooker, J. Optimization Methods for Logical Inference. New York: Wiley. 1999. 
59.
Russel, S. J., & Norvig, P. Artificial Intelligence : a Modern Approach (3rd ed.). Boston: Pearson. 2010. 
60.
Sadik, A. R., & Urban, B. An ontology-based approach to enable knowledge representation and reasoning. 
Future Internet, 9(4), 90. 2017. 
61.
Forgy Ch. A network match routine for production systems // Working Paper, 1974. 
14