Визначено спільні ознаки та відмінності в парадигмах паралельного та розподіленого програмування. Висвітлено концепцію середнього шару, розглянуто моделі розподілених систем і програмно-апаратних платформ систем паралельних обчислень. Розкрито теоретичні засади технологій виклику віддалених процедур і віддалених об'єктів. Охарактеризовано архітектури екзистенціональних програмних платформ CORBA, DCOM, Java/RMI, та платформи компонентного проектування розподілених систем Microsoft.NET. Описано спеціалізовані платформи розгорнення мереж Грід, зокрема, такі, як UNICORE, Globus, Legion та Gridbus. Наведено технології побудови адаптивних і гібридних інтелектуальних систем, а також платформ програмних агентів і комбінованих мультиагентних платформ.

Определены общие признаки и отличия в парадигмах параллельного и распределенного программирования. Освещена концепция среднего шара, рассмотрены модели распределенных систем и программно-аппаратных платформ систем параллельных исчислений. Раскрыты теоретические основы технологий вызова отдаленных процедур и отдаленных объектов. Охарактеризованы архитектуры экзистенциональных программных платформ CORBA, DCOM, Java/RMI, и платформы компонентного проектирования распределенных систем Microsoft.NET. Описаны специализированные платформы развертывания сетей Грид, в частности, такие, как UNICORE, Globus, Legion та Gridbus. Приведены технологии построения адаптивных и гибридных интеллектуальных систем, а также платформ программных агентов и комбинированных мультиагентных платформ.

Розглянуто метод аналізу складних динамічних систем, який базується на декомпозиції математичних моделей систем і побудові процедури розв'язання у нейросітковому базисі. Динамічну модель надано у формі системи звичайних диференціальних рівнянь стану з малими параметрами при похідних. Показано, що використання нейросіткового базису дає можливість побудувати ефективну процедуру числового аналізу для даного класу задач і суттєво скоротити час обчислень.

На основании дифференциального уравнения, описывающего электромагнитные процессы в режиме однофазного замыкания на землю, предложен метод определения места повреждения на линии, работающей в сети с изолированной нейтралью.

Исследованы вопросы расчета оптимального порядка фильтра нижних частот, который предназначен для выделения низкочастотной составляющей стационарного сигнала, представленного набором дискретных зашумленных значений. Для сравнения сигналов выбраны меры: коэффициент корреляции Пирсона, расстояние Евклида, косинусная мера, среднеквадратичная ошибка. В процессе исследований создана программная библиотека для генерирования стационарных сигналов, их модифицирования и сглаживания. Выполнены эксперименты но генерированию сигналов с различными характеристиками. Найдены значения мер подобия для исходного и сглаженного сигналов. В результате выбрана мера, которая позволяет повысить вероятность стохастического расчета оптимального порядка фильтрации стационарных сигналов. Сделаны выводы по результатам полученным при сравнении мер подобия цифровых сигналов.

Проведена оцінка оптимальності фільтрації періодичних сигналів різної форми при оптимізованому розрахунку порядку цифрового фільтру нижніх частот (ФНЧ). Розрахунок оснований на мінімізації різниці апроксимованих і відфільгрованих значень зашумленого сигналу. Для оцінки можливості застосування оптимізованого розрахунку порядку цифрового фільтру була проведена серія експериментів по генеруванню і фільтрації зашумлених періодичних сигналів різної форми і з різним співвідношенням сигнал-шум. Для всіх зашумлених сигналів розраховані оптимальні (відносно початкових незашумлених сигналів) і оптимізовані (відносно апроксимованих сигналів) порядки ФНЧ за критерієм мінімальності середньоквадратичної помилки (СКП). Розрахунки показали, що оптимальний і оптимізований фільтри дозволяють одержати порівнянну якість фільтрації зашумленного сигналу. Показана можливість застосування оптимізованого розрахунку порядку цифрового фільтру для наближеної до оптимальної (з найменшим значенням СКП відносно початкового незашумленого сигналу) фільтрації зашумлених періодичних цифрових сигналів.

Описаны результаты серии экспериментов по фильтрации зашумленных дискретных периодических сигналов, имеющих различную форму, амплитуду, собственную частоту и частоту дискретизации. Фильтрация проведена с помощью метода оптимизированного на базе аппроксимации расчета порядка фильтра простое скользящее среднее (ПСС). Показано, что среднее значение квадратов разностей (СКР) для отфильтрованного и незашумленного сигналов уменьшается при увеличении частоты дискретизации; при увеличении продолжительности регистрации можно повысить точность вычисления СКР, при уменьшении соотношения сигнал-шум можно более точно приблизить значения отфильтрованного сигнала к значениям исходного незашумленного сигнала. Оптимизированный расчет порядка фильтра позволил для каждого периодического сигнала с заданной формой и характеристиками рассчитать близкий к оптимальному порядок фильтра ПСС.

Розглянуто особливості процесу формування екологічних цінностей майбутніх учителів природничих наук у межах концептуально виокремлених педагогічних умов, зміст і специфіку процесу професійної підготовки майбутніх учителів природничих наук на аксіооснові. Обгрунтовано сукупність педагогічних умов формування екологічних цінностей майбутніх учителів природничих наук і розроблено модель такого процесу. Охарактеризовано сутність і висвітлено компоненти, критерії, показники та рівні сформованості екологічних цінностей майбутніх учителів природничих наук. Встановлено ефективність педагогічних умов і розробленої моделі формування екологічних цінностей майбутніх учителів природничих наук.

Досліджено задачу прогнозування часових рядів в умовах малої кількості експериментальних даних, які подано у формі вибірок, що містять величини параметрів об'єкта досліджень. Для створення прогнозуючих математичних моделей запропоновано використати поліноми Колмогорова-Габора другого порядку, коефіцієнти яких обчислюються за певними правилами на підставі експериментальних даних (етап обчислення коефіцієнтів можна інтерпретувати як навчання моделей). Невелика кількість експериментальних даних не дає можливості встановлювати статистичні характеристики змін величин параметрів об'єкта. В цих умовах класичні методи прогнозування стають непридатними, а питання достовірності та точності створюваних математичних моделей набуває принципово важливого значення. Запропоновано підхід до побудови математичних прогнозуючих моделей, оснований на принципах ідентифікації систем, тобто об'єкт досліджень розглядається як "чорна скринька", експериментальні дані - як вхідні параметри, а параметри, що прогнозуються, - як вихідні параметри умовного багатополюсника. Для прогнозу величини кожного параметру об'єкта в майбутні моменти часу створено кілька альтернативних математичних моделей, названих частковими моделями прогнозу. Для підвищення достовірності прогнозу серед альтернативних моделей відібрано ті моделі, які задовольняють певним умовам достовірності, а саме: моделі, які з достатньою для практики точністю відтворюють закономірності змін величин параметрів в найближчі майбутні моменти часу; прогнозовані велечини параметрів мають знаходитися в межах інтервалу дійсних чисел [0, 1]; моделі, основані на порівнянні чутливостей прогнозованих параметрів до змін величин експериментальних даних; остаточний результат прогнозу обчислюється як середня арифметична величина від величин, прогнозованими цими моделями. Наведено приклад, який дозволяє краще оцінити особливості запропонованого методу.

Виконано порівняльний аналіз двох детерміністичних методів короткотривалого прогнозування часових рядів в умовах обмеженої кількості експериментальних даних. Перший метод базується на побудові так званих часткових прогнозуючих моделей у формі поліномів Колмогорова - Габора другого порядку. За першим методом навчання моделей, здійснюється з використанням невеликої кількості експериментальних вибірок. За другим методом навчання моделей прогнозу здійснюється в два етапи - з використанням безпосередньо експериментальних вибірок, як і в першому методі, та використанням різних комбінацій експериментальних вибірок для отримання екстраполяції приростів параметрів в наступні моменти часу. Це дає можливість збільшити кількість даних для навчання моделей прогнозу, що дозволяє досліднику отримати більш точні прогнози для кожного параметра. Наведено приклад порівняння результатів.