Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Tworzenie aplikacji do symulacji i sterowania procesów dyskretnych
Tok studiów:
2019/2020
Kod:
EAiR-1-707-s
Wydział:
Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Automatyka i Robotyka
Semestr:
7
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Prowadzący moduł:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Celem przedmiotu jest zapoznanie się z nowoczesnymi narzędziami do tworzenia aplikacji do symulacji i sterowania procesów dyskretnych i uzyskanie umiejętności ich praktycznych zastosowań

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Posiada wiedzę o językach i narzędziach symulacji dyskretnej AiR1A_W04 Kolokwium,
Aktywność na zajęciach
M_W002 Zna technologię wieloagentową i jej zastosowania w symulacji systemów robotyki AiR1A_W04, AiR1A_W03 Kolokwium,
Aktywność na zajęciach
M_W003 Zna metodykę modelowania i sterowania systemów zdarzeń dyskretnych z nadzorem i ich symulacji połączonej z procesem sterowania optymalnego AiR1A_W04, AiR1A_W02, AiR1A_W07 Kolokwium,
Aktywność na zajęciach
M_W004 Zna podstawowe struktury aplikacji symulacyjnych i posiada wiedzę o podstawowych metodach tworzenia projektów oprogramowania o tych strukturach AiR1A_W04 Kolokwium
M_W005 Zna teorię i metody symulacji automatów komórkowych AiR1A_W04 Kolokwium,
Aktywność na zajęciach
M_W006 Zna podstawowe metody specyfikacji problemów symulacyjnych (DCD) AiR1A_W04 Kolokwium,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Potrafi zaprojektować i zaimplementować dyskretny model symulacyjny złożonych systemów AiR1A_U09, AiR1A_U07, AiR1A_U02, AiR1A_U05 Kolokwium,
Wykonanie ćwiczeń laboratoryjnych
M_U002 Potrafi zastosować metody sieci antycypacyjnych, automatów komórkowych oraz technologię wieloagentową do modelowania i symulacji procesów dyskretnych AiR1A_U07, AiR1A_U02, AiR1A_U05 Kolokwium,
Wykonanie ćwiczeń laboratoryjnych
M_U003 Potrafi stworzyć projekt programu symulacyjnego opartego na samodzielnie dobranej strukturze wykorzystując dowolną z klasycznych metod modelowania AiR1A_U07 Wykonanie ćwiczeń laboratoryjnych
M_U004 Posiada umiejętność projektowania, realizacji i analizy komputerowych eksperymentów symulacyjnych AiR1A_U07 Kolokwium,
Wykonanie ćwiczeń laboratoryjnych
M_U005 Potrafi dobrać odpowiednią technologię projektowania programu symulacyjnego do klasy problemów symulacyjnych AiR1A_U07 Kolokwium
Kompetencje społeczne: jest gotów do
M_K001 Potrafi pracować zespołowo AiR1A_K03, AiR1A_K02 Wykonanie ćwiczeń laboratoryjnych,
Zaangażowanie w pracę zespołu
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
28 14 0 14 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Posiada wiedzę o językach i narzędziach symulacji dyskretnej + - - - - - - - - - -
M_W002 Zna technologię wieloagentową i jej zastosowania w symulacji systemów robotyki + - - - - - - - - - -
M_W003 Zna metodykę modelowania i sterowania systemów zdarzeń dyskretnych z nadzorem i ich symulacji połączonej z procesem sterowania optymalnego + - - - - - - - - - -
M_W004 Zna podstawowe struktury aplikacji symulacyjnych i posiada wiedzę o podstawowych metodach tworzenia projektów oprogramowania o tych strukturach + - - - - - - - - - -
M_W005 Zna teorię i metody symulacji automatów komórkowych + - - - - - - - - - -
M_W006 Zna podstawowe metody specyfikacji problemów symulacyjnych (DCD) + - - - - - - - - - -
Umiejętności
M_U001 Potrafi zaprojektować i zaimplementować dyskretny model symulacyjny złożonych systemów - - + - - - - - - - -
M_U002 Potrafi zastosować metody sieci antycypacyjnych, automatów komórkowych oraz technologię wieloagentową do modelowania i symulacji procesów dyskretnych - - + - - - - - - - -
M_U003 Potrafi stworzyć projekt programu symulacyjnego opartego na samodzielnie dobranej strukturze wykorzystując dowolną z klasycznych metod modelowania - - + - - - - - - - -
M_U004 Posiada umiejętność projektowania, realizacji i analizy komputerowych eksperymentów symulacyjnych - - + - - - - - - - -
M_U005 Potrafi dobrać odpowiednią technologię projektowania programu symulacyjnego do klasy problemów symulacyjnych + - - - - - - - - - -
Kompetencje społeczne
M_K001 Potrafi pracować zespołowo - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 75 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 28 godz
Przygotowanie do zajęć 5 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 godz
Samodzielne studiowanie tematyki zajęć 20 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (14h):
Metody symulacji i sterowania systemów zdarzeń dyskretnych

1. Wprowadzenie do metod symulacji procesów dyskretnych: klasyfikacja i cele symulacji, typy opisów formalnych, podstawowa terminologia.
2. Pierwsze języki symulacyjne: Simula 67, GPSS, Simscript. Klasy procesów dyskretnych – dobór metod i technologii tworzenia aplikacji symulacyjnych odpowiednio do każdej z klas. Omówienie symulacji procesów o znanym modelu, symulacja systemów o regułach ewolucji estymowanych w trakcie obliczeń. Symulacja procesów kauzalnych i decyzyjnych w sieciach antycypacyjnych, diagramy wpływu. Przykłady symulacji procesów każdej z klas.
3. Zastosowanie metod modelowania niepewności w symulacji: generatory liczb losowych, dyskretne procesy stochastyczne, metoda MCMC (Markow Chain Monte Carlo). Dalsze metody uwzględniania niepewności: liczby przedziałowe i rozmyte, zbiory intuicjonistyczne, teoria możliwości (possibility).
4. Metody teorii grafów w symulacji. Przestrzenie stanów i trajektorie systemów dyskretnych oraz ich wizualizacja. Multigrafy i hipergrafy o zmiennej strukturze. Diagramy cykli działań.
5. Systemy zdarzeń dyskretnych (SZD) i ich zastosowania w symulacji dyskretnej. Zdarzenia, epizody i scenariusze zdarzeń. Projektowanie sterowanych systemów zdarzeń dyskretnych z nadzorem (DES supervisory control). Projektowanie aplikacji do symulacji i sterowania optymalnego SZD. Problem minimalnego nadzorcy o zadanych własnościach. Przykłady aplikacji symulacyjnych stosujących metody SZD: ruch drogowy, zespoły robotów, kolejki, procesy produkcyjne, optymalne sterowanie magazynami, wpływ zdarzeń na rynki finansowe, analiza wiadomości agencyjnych.
6. Symulacja dyskretnych systemów działań: budowa modelu, procedury wielopoziomowe i wielomodelowe. Hybrydyzacja metod symulacji działań (activity-based) i zdarzeń w jednej aplikacji. Podejście procesowe (proces-oriented) do tworzenia aplikacji symulacji dyskretnej, dedykowane języki programowania. Teoria Whiteheada, a budowa symulacyjnych modeli procesów. Hybrydyzacja metod symulacji działań, zdarzeń i procesów w aplikacjach.
7. Zagadnienia inżynierii oprogramowania przy tworzeniu aplikacji symulacji dyskretnej. Specyfikacja i interoperacyjność SZD, formalizm DEVS. Warstwowa budowa języków symulacji, modeli i aplikacji symulacyjnych, podstawowe metody projektowania procesów i aplikacji symulacyjnych.
8. Języki i środowiska programistyczne dedykowane do symulacji dyskretnej. Tworzenie aplikacji symulacyjnych przy pomocy specjalistycznych modułów symulacyjnych na przykładzie SimEvents (Simulink-Matlab) i SimPy (Python), walidacja aplikacji symulacyjnych.
9. Procesy kauzalne i ich symulacja. Wprowadzenie do symulacji algorytmów i procesów decyzyjnych. Definicja poziomu autonomii, symulacja systemów autonomicznych.
10. Symulacja złożonych procesów decyzyjnych w sieciach antycypacyjnych. Budowa modeli symulacyjnych ewolucji systemów technologicznych i ekonomiczno-społecznych. Sieci antycypacyjne, a symulacja sieci kolejkowych – zastosowanie wielopoziomowych struktur aplikacji symulacyjnych.
11. Symulacja otoczenia i działania robotów mobilnych. Omówienie popularnych pakietów symulacyjnych open source na przykładzie Gazebo, oraz KUKA sim Pro, RobotStudio ABB, Fusion 360. Biblioteka symulacji RVO2. Budowa modeli świata jako problem symulacyjny.
12. Symulacja systemów wieloagentowych. Podstawowe pojęcia systemów agentowych i ich zastosowania w modelowaniu I symulacji procesów. Przykład zastosowania systemów wieloagentowych i sieci antycypacyjnych w modelowaniu i symulacji zespołów robotów.
13. Teoria i metody symulacji automatów komórkowych. Dyskusja teorii “A new kind of science”. Wymiar i odwracalność automatów komórkowych. Sterowane i uogólnione automaty komórkowe, ich zastosowania i symulacja.
14. Symulacja dyskretna, a programowanie gier. Synteza symulacji dyskretnej i symulacji ruchu w aplikacjach rzeczywistości rozszerzonej (Virtual Reality, VR). Tworzenie gier symulacyjnych w środowisku Python.
(każdy z tematów obejmuje 1-2 godziny wykładowe)

Ćwiczenia laboratoryjne (14h):
Nauka praktycznego tworzenia aplikacji do symulacji systemów zdarzeń i decyzji dyskretnych

Projekt i implementacja aplikacji symulacyjnej procesów dyskretnych dla różnych klas obiektów. Tworzenie aplikacji obejmuje następujące etapy stanowiące poszczególne ćwiczenia:
Ćw. 1. Specyfikacja problemu, budowa i walidacja modelu symulacyjnego (4 godziny).
Ćw. 2. Tworzenie projektu i specyfikacja informatyczna aplikacji dostosowanej do modelowanego problemu (4 godziny)
Ćw. 3. Implementacja aplikacji symulacyjnej (12 godzin)
Ćw. 4. Implementacja modułu wizualizacji wyników symulacji (4 godziny)
Ćw. 5. Przeprowadzanie eksperymentów symulacyjnych i ich analiza statystyczna, przygotowanie sprawozdania końcowego wraz z prezentacją (4 godziny).
Tematy ćwiczeń laboratoryjnych, tj. wybór konkretnych obiektów i systemów przeznaczonych do symulacji w ramach ćwiczeń będą uwzględniały zainteresowania członków poszczególnych grup laboratoryjnych.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ćwiczenia laboratoryjne składają się z kilku (3-4) etapów (ćwiczeń), za każdy z nich studenci otrzymują oceny cząstkowe. Ocena z zajęć jest średnią ważoną tych ocen, przy czym wagi określane są na podstawie pracochłonności poszczególnych etapów projektu. Ocena za prezentację wyników ćwiczeń obejmuje zawartość merytoryczną (50%), opracowanie graficzne (animacje itp. – 40%), jakość dyskusji (10%). Ocena z kolokwium oparta jest na ilości punktów za poszczególne zadania, przy czym do otrzymania oceny 3,0 konieczne jest uzyskanie 50% maksymalnej ilości punktów, a inne oceny (3,5 – 5) wyznaczane są wg standardowej skali liniowej. Ocena końcowa jest średnią ważoną tych ocen zgodnie ze wzorem podanym w kolejnym punkcie sylabusa. Poprawa oceny niedostatecznej za laboratorium lub za kolokwium następuje w sesji poprawkowej, w terminie ustalonym do końca semestru. Ocena za prezentację łączona jest z oceną za kolokwium zgodnie z zasadami ważenia ocen wskazanymi niżej (0,16-0,2), a w przypadku łącznej oceny 2,0 jej poprawa następuje w postaci kolokwium poprawkowego w terminie jw.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

Ocena końcowa jest średnią ważoną ocen uzyskanej z ćwiczeń laboratoryjnych oraz oceny za kolokwium lub pracę zaliczeniową. Może być dodatkowo podwyższona za aktywny udział w dyskusjach na wykładzie. Ocena z ćwiczeń laboratoryjnych jest średnią ważoną ocen za poszczególne ćwiczenia (80%) oraz za prezentację stanowiącą sprawozdanie końcowe (20%)

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach określony będzie zgodnie z Regulaminem Studiów AGH. Studenci, których nieobecności powstały z powodu choroby i innych niezależnych od nich zdarzeń losowych będą mogli skorzystać z dodatkowych konsultacji z prowadzącym zajęcia

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Podstawowe umiejętności programowania w Matlabie i Pythonie

Zalecana literatura i pomoce naukowe:

1. Abu-Taieh, Evon M. O.; El Sheikh, Asim, Adbel Rahman (red.): Handbook of Research on Discrete Event Simulation Environments: Technologies and Applications. IGI Global, Hershey, 2010, s.585.
2. Birta, Louis G.; Arbez, Gilbert: Modelling and Simulation: Exploring Dynamic System Behaviour, 2nd Edition, Springer-Verlag, London, 2013, seria: Simulation Foundations, Methods and Applications, s.437, https://doi.org/10.1007/978-1-4471-2783-3 (dostęp przez konto BG AGH).
3. Brailsford, Sally; Churilov, Leonid; Dangerfield, Brian (red.): Discrete-event simulation and system dynamics for management decision making, Wiley Series in Operations Research and Management Science, Wiley, 2014, s. 342.
4. Maciąg A., Pietroń R., Kukla S.: Prognozowanie i symulacja w przedsiębiorstwie, Wyd. PWE Warszawa 2012.
5. Train, Kenneth E.: Discrete Choice Methods with Simulation, 2nd Edition. Cambridge University Press, Cambridge, s.388.
6. Wainer, Gabriel A.: Discrete-event modeling and simulation: a practitioner’s approach, CRC Press, 2009, s.483, ISBN 978-1-4200-5336-4.

Linki:
https://simpy.readthedocs.io/en/latest/,
https://bitbucket.org/simpy/simpy,
https://github.com/SanDisk-Open-Source/desmod,
www.goldsim.com,
http://gamma.cs.unc.edu/RVO2,
http://www.simscript.com,
http://www.software.rockwell.com,
http://www.arenasimulation.com

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

[wybrane publikacje związane z tematyka przedmiotu]

1. J.R. Jaworowski, A.M.J. Skulimowski (1980). Optymalizacja ruchu turystycznego w Kopalni Soli w Wieliczce metodą symulacji w języku Simula 67. Raport Techniczny, Kopalnia Soli w Wieliczce, Kraków, lipiec 1980, s.62.
2. Andrzej M. J. SKULIMOWSKI (1985). Modelling the Consequences of a Decision in Linked Vector Optimization Problems. International Conference “Cybernetics’85”, Warszawa, 28-30.05.1985. W. Jarominek, T. Kasprzak, J. L. Kulikowski (red.), Proceedings, Vol.3: Human Aspects of Cybernetics, s. 173-182.
3. Andrzej M. J. SKULIMOWSKI (1985). Solving Vector Optimization Problems via Multilevel Analysis of Foreseen Consequences. Found. Control Engrg., 10, No. 1, 25-38.
4. A.M.J. SKULIMOWSKI (1986). Foreseen Utility in Multi-Stage Multicriteria Optimization. Seminar on Nonconventional Problems of Optimization, Warszawa, May 9-11, 1984. W: J. Kacprzyk (ed.), Proceedings, Part III, s. 365-386.
5. Andrzej M.J. SKULIMOWSKI (1991). Optimal Control of a Class of Asynchronous Discrete-Event Systems. W: Automatic Control in the Service of Mankind. Proceedings of the 11th IFAC World Congress, Tallinn (Estonia), August 1990, Vol.3, s. 489-495; Pergamon Press, London.
6. Andrzej M.J. SKULIMOWSKI (1994). Optimizing the structure of a partitioned population. W: System modelling and optimization: proceedings of the 16th IFIP-TC7 Conference: Compiegne, France, July 5–9, 1993, eds. J. Henry, J.-P. Yvon. London: Springer-Verlag, 1994. Lecture Notes in Control and Information Sciences ; LNCIS 197. Springer-Verlag Berlin Heidelberg New York, s. 771–782.
7. Andrzej M. J. SKULIMOWSKI (2008). Application of dynamic rankings to portfolio selection. W: New developments in financial modeling, eds. Joao O. Soares, Joaquim P. Pina, Margarida Catalão-Lopes. Newcastle: CSP Cambridge Scholars Publishing, 2008. ISBN (10): 1-84718-674-2, ISBN (13): 978-184-7186-74-4, s. 196–212.
8. Andrzej M. J. SKULIMOWSKI (1998). Markov models of object recognition in 2D-scenes. Working Paper of the Chair of Automatics, University of Mining and Metallurgy No. 86/98, Kraków, Dec. 98.
9. Andrzej M.J. SKULIMOWSKI, Michał DRAPAŁA: Autonomous vehicle traffic simulation at intersections. Paper presented at the 5th International Conference on Internet of Vehicles IOV 2018: Paris, November 20–22, 2018. s 19.
10. Andrzej M. J. SKULIMOWSKI (2011). Freedom of choice and creativity in multicriteria decision making. W: Knowledge, Information, and Creativity Support Systems. 5th international conference, KICSS 2010 : Chiang Mai, Thailand, November 25–27, 2010 : revised selected papers, eds. Thanaruk Theeramunkong [et al.]. Berlin ; Heidelberg : Springer-Verlag. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence, 6746, s. 190–203.
11. Andrzej M. J. SKULIMOWSKI (2012). Discovering complex system dynamics with intelligent data retrieval tools. W: Intelligent Science and Intelligent Data Engineering: second Sino-foreign-interchange workshop, IScIDE 2011 : Xi’an, China, October 23–25, 2011: revised selected papers, red. Yanning Zhang [et al.]. Berlin, Heidelberg: Springer-Verlag, Lecture Notes in Computer Science 7202, s. 614–626. http://link.springer.com/chapter/10.1007%2F978-3-642-31919-8_78
12. Andrzej M.J. Skulimowski (2013). Exploring the Future with Anticipatory Networks. W: Physics, Computation, and the Mind – Advances and Challenges at Interfaces: Proc. of the 12th Granada Seminar on Computational and Statistical Physics, 17–21.09.2012, La Herradura, Spain. Pedro L. Garrido, Joaquín Marro, Joaquín J. Torres, J.M. Cortés (Eds.), American Institute of Physics, AIP Conf. Proc.1510, s. 224-233. http://scitation.aip.org/proceedings/volume.jsp, https://www.researchgate.net/Andrzej_Skulimowski
13. Andrzej M.J. SKULIMOWSKI (2014a). An insight into the evolution of intelligent information processing technologies until 2025. W: IISA 2014: 5th International Conference on Information, Intelligence, Systems and Applications: 7–9 July 2014, Chania, Crete, Greece. IEEE, Piscataway, s. 343–348. http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6878810
14. Andrzej M.J. SKULIMOWSKI (2014b). Applying anticipatory networks to scenario planning and backcasting in technological foresight. Paper presented at the 5th FTA Conference, Brussels, November 27-28, 2014, s.10, https://ec.europa.eu/jrc/en/event/site/fta2014/programme/panel-session/cutting-edge-fta-approaches#28-Nov
15. Andrzej M.J. SKULIMOWSKI (2014c). Anticipatory network models of multicriteria decision-making processes, International Journal of Systems Science, Vol. 45 (1), 39-59, DOI:10.1080/00207721.2012.670308, JCR, [http://www.tandfonline.com/doi/full/10.1080/00207721.2012.670308, dostęp z konta BG AGH]
16. Andrzej M.J. SKULIMOWSKI (2016). Impact of future intelligent information technologies on the methodology of scientific research. W: Proceedings 16th IEEE International Conference on Computer and Information Technology, Nadi, Fiji, IEEE CPS, s. 238–247, 7–10 December 2016. doi: 10.1109/CIT.2016.118
17. Andrzej M.J. SKULIMOWSKI (2018). Anticipatory networks. W: Poli R. (ed.), Handbook of anticipation: theoretical and applied aspects of the use of future in decision making. Springer International Publishing AG, Cham, s. 1–36. https://goo.gl/rd3ktp
18. Andrzej M.J. SKULIMOWSKI, I. BADECKA (2016) Software Innovation Dynamics in CMSs and Its Impact on Enterprise Information Systems Development, W: A.M. Tjoa et al. (Eds.): CONFENIS 2016, LNBIP 268, Springer International Publishing AG, s. 309–324, DOI: 10.1007/978-3-319-49944-4_23
19. Andrzej M.J. SKULIMOWSKI, I. BADECKA (2018). Competition boosts innovativeness: the case of CMS evolution. W: Thanaruk Theeramunkong, T. [et al.], eds., Recent advances and future prospects in Knowledge, Information and Creativity Support Systems : selected revised papers from the 10th international conference on Knowledge, Information and Creativity Support Systems (KICSS 2015), 12–14 November 2015, Phuket, Thailand—: Advances in Intelligent Systems and Computing, vol. 685; Springer, Cham, s. 188-204, https://doi.org/10.1007/978-3-319-72329-7_11
20. Andrzej M. J. SKULIMOWSKI, Barbara Cichy (2012). Scenario building for the chemical industry inorganic waste until 2030 based on expert Delphi results. W: Inorganic waste of Polish chemical industry – technological foresight: project WND-POIG.01.01. 01-00-009/09: final report, red. Barbara Cichy. Gliwice, Warszawa, Kraków: Instytut Nawozów Sztu¬cznych. Oddział Chemii Nieorganicznej „IChN”, Instytut Ochrony Środowiska Państwowy Instytut Badawczy IOŚ – PIB, Fundacja Progress and Business, ISBN 978-83-62108-12-1, s. 341–399.
21. Andrzej M.J. SKULIMOWSKI, A. Ćwik (2017). Communication Quality in Anticipatory Vehicle Swarms: A Simulation-Based Model. In: Peng S.L., Lee G.L., Klette R., Hsu C.H. (eds) Internet of Vehicles. Technologies and Services for Smart Cities. IOV 2017. Lecture Notes in Computer Science, vol. 10689. Springer, Cham, https://doi.org/10.1007/978-3-319-72329-7_11
22. Andrzej M. J. SKULIMOWSKI, Przemysław PUKOCZ (2012a). Enhancing creativity of strategic decision processes by technological roadmapping and foresight. W: KICSS 2012: seventh international conference on Knowledge, Information and Creativity Support Systems, Melbourne, Australia, 8–10 November 2012, Vincent CS Lee, Kok-Leong Ong (red.); IEEE Computer Society. CPS Conference Publishing Services. s. 223–230 (w IEEE Xplore ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=6405533&queryText%3DSkulimowski)
23. Andrzej M. J. SKULIMOWSKI, Przemysław PUKOCZ (2012b). On-line technological roadmapping as a tool to implement foresight results in IT enterprises. W: Internet – technical developments and applications 2, red. Adrian Kapczyński, Ewaryst Tkacz, Maciej Rostanski. Berlin, Heidelberg: Springer-Verlag. Advances in Intelligent and Soft Computing; 118, s. 95–111.

Informacje dodatkowe:

Studenci mogą rozwijać swoje zainteresowania naukowe związane z tematyką przedmiotu w Kole Naukowym Modelowania w Finansach (www.knwmf.agh.edu.pl)