Статья

Название статьи МЕТОД ФОРМИРОВАНИЯ КЛАСТЕРОВ ЗАДАЧ КОМПОНОВКИ
Автор В. М. Курейчик, И. Б. Сафроненкова
Рубрика РАЗДЕЛ I. АВТОМАТИЗАЦИЯ ПРОЕКТИРОВАНИЯ
Месяц, год 04, 2018
Индекс УДК 004.896
DOI
Аннотация Стремительное развитие современных средств вычислительной техники обуславливает необходимость в разработке новых методов интеллектуальной обработки информации. В статье показана актуальность автоматической разработки онтологии предметной области, которая представляет собой «каркас» базы знаний в интеллектуальной системе поддержки принятия решений (ИСППР). Проблема сравнительного анализа инженерного программного обеспечения с целью подбора под тип задачи и вычислительные ресурсы является актуальным направлением в исследованиях отечественных и зарубежных ученных. Решение данной задачи во многих случаях осуществляется с использованием ИСППР. Ввиду большого разнообразия формулировок задач компоновки, кластеризация – необходимый этап автоматической разработки онтологии задач компоновки. Возникает проблема автоматической кластеризации задач компоновки в связи с необходимостью комплексного сравнения данных, представленных в виде структур разной размерности. Целью настоящей работы является разработка метода формирования кластеров задач компоновки конструктивных узлов на основе унификации матриц инцидентности. В качестве представления схемы выбрана гиперграфовая модель, формализована постановка задачи компоновки конструктивных узлов, рассмотрен случай кластеризации матриц инцидентности различной размерности. Новизна предложенного метода формирования кластеров задач компоновки конструктивных узлов заключается во введении процедуры унификации матриц различной размерности в типовой алгоритм кластеризации. Проведены эксперименты по формированию кластеров задач компоновки конструктивных узлов из представленной выборки. На настоящем этапе исследования можно сделать вывод о невысокой вычислительной сложности производимых расчетов и возможности эффективной обработки информации на ЭВМ. Принципиальным отличием разработанного метода от типовых методов кластерного анализа является возможность кластеризации задач компоновки конструктивных узлов, содержащих в своем формализованном описании матрицы различной размерности, что позволяет произвести кластеризацию задач компоновки автоматически. Предложенный метод предполагает повысить эффективность проведения процедур, необходимых для автоматической разработки онтологии задач компоновки конструктивных узлов, которая в свою очередь выполняет роль «каркаса» базы знаний в ИСППР.

Скачать в PDF

Ключевые слова Кластеризация; онтология; компоновка узлов; матрица; вектор-признаков; гиперграфовая модель; мера сходства.
Библиографический список 1. Фонд содействия инновациям. – http://fasie.ru (дата обращения: 28.05.2018).
2. Kureichik V, Safronenkova I. Integrated Algorithm of the Domain Ontology Development. In: Silhavy, R., Senkerik, R., Kominkova, O.Z., Prokopova, Z., Silhavy, P. (eds.) // Artificial Intelligence Trends in Intelligent Systems. AISC, Springer, Cham, 2017. – Vol. 573. – P. 146-155.
3. Noy N., McGuinness D.: Ontology development 101: a guide to creating your first ontology. Stanford Knowledge Systems Laboratory Technical report KSL-01-05 and Stanford Medical Informatics Technical report SMI-2001- 0880 (2001).
4. Платов А.В., Полещук Е.А. Методы автоматического построения онтологий // Программные продукты и системы. – 2016. – № 2 (114). – С. 47-52.
5. Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы.
– СПб.: Лань, 2016. – 324 c.
6. Сидоркина И.Г. Системы искусственного интеллекта: учеб. пособие. – М.: КНОРУС, 2015. – 248 с.
7. Ульман Дж., Раджараман А., Лесковец Ю. Анализ больших наборов данных. – М.: ДМК-Пресс, 2016. – 498 c.
8. Батуркин С.А., Батуркина Е.Ю., Зименко В.А., Сигинов И.В. Статистические алгоритмы кластеризации данных в адаптивных обучающих системах // Вестник РГРТУ. – 2010.
– № 1 (31). – С. 82-85.
9. Sabhia Firdaus, Md. Ashraf Uddin. A Survey on Clustering Algorithms and Complexity Analysis // International Journal of Computer Science Issues. – March 2015. – Vol. 12, Issue 2.
– P. 62-85.
10. Норенков И.П. Основы автоматизированного проектирования. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2006. – 360 с.
11. Мылов Г.В., Медведев А.М., Семенов П.В., Константинов П.Н. Научные основы проектирования межсоединений на печатных платах. – М.: Горячая линия – Телеком, 2016.
– 98 с.
12. Курейчик В.М. Математическое обеспечение конструкторского и технологического проектирования с применением САПР: учеб. для вузов. – М.: Радио и связь, 1990. – 352 с.
13. Курейчик В.М., Сафроненкова И.Б. Разработка архитектуры СППР по выбору методов решения задач компоновки // Информационные технологии. – 2017. – Т. 23, № 10.
– С. 736-741.
14. Сороколетов П.В. Построение интеллектуальных систем поддержки принятия решений. Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – С. 117-124.
15. Karypis G., Kumar V. A fast and high quality multilevel scheme for partitioning irregular graphs // SIAM J. Scien. Comput. – 1999. – Vol. 20 (1).
16. Сегаран Т. Программируем коллективный разум: пер. с англ. – СПб: Символ-Плюс, 2015. – 368 с.
17. Madhulatha S. An overview on clustering methods // IOSR Journal of Engineering. – Apr. 2012. – Vol. 2 (4). – P: 719-725.
18. Maimon O., Rokach L. Data Mining and Knowledge Discovery Handbook. – Springer US, 2010.
19. Тихонов А.Н. Цветков В.Я. Методы и системы поддержки принятия решений. – М.: МАКС Пресс, 2001.
20. Грешилов А.А. Математические методы принятия решений. – М.: Изд-во МГТУ им.
Н.Э. Баумана, 2006. – 584 c.

Comments are closed.