Для авторов
Найти
Результаты поиска
Найдено результатов: 4.
-
БИОИНСПИРИРОВАННЫЙ МЕТОД КЛАССИФИКАЦИИ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ ДЛЯ ДИСПЕТЧИРОВАНИЯ В ГРИД-СИСТЕМАХ
Д.Ю. Кравченко , Ю.А. Кравченко, В. В. Марков , А.Э. Саак2021-11-14Аннотация ▼Статья посвящена решению задачи диспетчирования распределенных вычислитель-
ных ресурсов на основе их классификации методом биоинспирированного поиска для повы-
шения эффективности функционирования грид-систем. Актуальность задачи обоснована
значительным ростом востребованности парадигмы распределенных вычислений в услови-
ях информационного переполнения и неопределенности. В статье рассмотрены проблемы
диспетчирования гетерогенных вычислительных ресурсов при решении сложных профес-
сиональных и научных задач, поступающих в различные моменты времени, на основе клас-
сификации по значимым признакам соответствия и готовности ресурса. Проведен срав-
нительный обзор существующих аналогов. Сформулирована постановка решаемой задачи вконтексте выбранной тематики исследования. Обоснована стратегия выбора биоинспи-
рированного моделирования для решения поставленной задачи. Проанализированы аспекты
эффективности применения различных децентрализованных биоинспирированных мето-
дов. Предложено решать задачу диспетчирования вычислительных ресурсов на основе
определения соответствия ресурса необходимому классу. Классификация проводиться на
основе применения биоинспирированного метода оптимизации, построенного на основе
алгоритма поиска косяком рыб. Использование популяционного биоинспирированного ме-
тода позволяет обеспечить беспрецедентный параллелизм получения альтернативных
решений и оптимизировать распределение имеющихся вычислительных ресурсов в зависи-
мости от наборов значимых признаков. Объектом исследования являются процессы клас-
сификации данных, включающие в себя упорядоченные последовательности действий, на-
правленных на распределение вычислительных ресурсов по классам решаемых задач. Предме-
том исследования являются биоинспирированные методы решения задачи классификации
данных в грид-системах. Для оценки эффективности предложенного метода разработано
программное приложение и проведен вычислительный эксперимент с разным количеством
сформированных классов вычислительных ресурсов. Каждый вычислительный ресурс имеет
определенный набор атрибутов, являющийся вектором его признаков. Косинусная мера сход-
ства вектора признаков ресурса и вектора признаков определенного класса является крите-
рием классификации. Для повышения качества процесса диспетчирования задача классифи-
кации вычислительных ресурсов решена для множества вариантов организации потоков
сложных решаемых задач в грид-системах. Полученные количественные оценки демонстри-
руют экономию времени при решении задач диспетчирования распределенных вычислитель-
ных ресурсов на основе их классификации методом биоинспирированного поиска не менее
7 %. Временная сложность в рассмотренных примерах составила . Описанные ис-
следования имеют высокий уровень теоретической и практической значимости и напря-
мую связаны с решением классических задач искусственного интеллекта. -
ПРОГРАММНАЯ ПОДСИСТЕМА ДЛЯ РЕШЕНИЯ NP-СЛОЖНЫХ КОМБИНАТОРНО-ЛОГИЧЕСКИХ ЗАДАЧ НА ГРАФАХ
В.В. Курейчик , Вл. Вл. Курейчик2021-07-18Аннотация ▼Работа посвящена созданию программной подсистемы для решения NP- трудных и
NP-сложных комбинаторно-логических задач на графах. В статье приведено описание
комбинаторно-логических задач на графах. Для эффективного их решения предлагаются
новые многоуровневые архитектуры поиска, такие как простая комбинированная, парал-
лельная комбинированная, двухуровневая, интегрированная и гибридная. Данные архитек-
туры основаны на методах, инспирированных природными системами. Ключевым отличием данных архитектур является разделение поиска на два или три уровня и применение на
них различных алгоритмов эволюционного моделирования и биоинспирированного поиска.
Это позволяет получать наборы квазиоптимальных решений выполнять параллельную
обработку и частично устранять проблему преждевременной сходимости. В статье при-
ведено подробное описание разработанной программной подсистемы и ее модулей. В каче-
стве модулей в подсистеме имеется пять разработанных архитектур и набор разрабо-
танных алгоритмов эволюционного моделирования и биоинспирированного поиска, таких
как эволюционный, генетический, пчелиный, муравьиный, светлячковый и обезьяний. Благо-
даря модульной структуре в подсистеме имеется возможность конструировать более 50
различных вариантов комбинаций поиска. Это позволяет использовать все достоинства
методов биоинспирированной оптимизации для эффективного решения NP-сложных ком-
бинаторно-логических задач на графах. Для подтверждения эффективности разработан-
ной программной подсистемы был проведен вычислительный эксперимент на тестовых
примерах. Проведенные серии тестов и экспериментов показали преимущество использо-
вания программного продукта для решения комбинаторно-логических задач на графах
большой размерности, по сравнению с известными алгоритмами, что говорит о перспек-
тивности применения такого подхода. Временная сложность разработанных алгоритмов
в лучшем случае O(nlogn), в худшем случае – О(n3). -
ГИБРИДНЫЙ БИОИНСПИРИРОВАННЫЙ АЛГОРИТМ ОТОБРАЖЕНИЯ ОНТОЛОГИЙ В ЗАДАЧАХ ИЗВЛЕЧЕНИЯ И УПРАВЛЕНИЯ ЗНАНИЯМИ
Д. Ю. Кравченко, Ю. А. Кравченко, В. В. Марков2020-07-20Аннотация ▼Статья посвящена решению задачи отображения онтологических моделей в процес-
сах извлечения и управления знаниями. Актуальность и значимость данной задачи обуслов-
лены необходимостью сохранения достоверности и исключения избыточности знаний при
интеграции (объединении) структурированных информационных источников различного
происхождения. Близость и непротиворечивость понятийной семантики объединенного
ресурса при проводимом отображении является основным критерием эффективности
предложенных решений. В статье рассмотрены проблемы выбора соответствующих за-
даче подходов решения, сохраняющих семантику при отображении концептов. Обоснована
стратегия выбора биоинспирированного моделирования. Проанализированы аспекты эф-
фективности применения различных децентрализованных биоинспирированных методов.
Определены причины необходимости проведения гибридизации. Предложено решать зада-
чу отображения онтологических моделей с применением биоинспирированного алгоритма,
построенного на основе гибридизации оптимизационных механизмов алгоритмов бактери-
ального и кукушкиного поиска. Проведенная гибридизация данных алгоритмов позволила
объединить их основные преимущества: последовательный бактериальный поиск, обеспечивающий детальное исследование локальных областей, и значительное число глобальных
перемещений агента-кукушки при реализации полетов Леви. Для оценки эффективности
предложенного гибридного биоинспирированного алгоритма разработан программный
продукт и проведены эксперименты по отображению онтологий разного размера. Каж-
дый концепт любой онтологии имеет определенный набор атрибутов, являющийся семан-
тическим вектором признаков. Степень сходства семантических векторов сравниваемых
концептов отображаемых онтологий является критерием их интеграции. Для повышения
качества процесса отображения введена новая кодировка решений. Полученные количест-
венные оценки демонстрируют экономию времени при решении задач относительно боль-
шой размерности (от 500000 вершин онтографа) не менее 13 %. Временная сложность
разработанного гибридного алгоритма составляет Описанные исследования имеют
высокий уровень теоретической и практической значимости и напрямую связаны с реше-
нием классических задач искусственного интеллекта, направленных на поиск скрытых за-
висимостей и закономерностей на множестве элементов знаний. -
БИОИНСПИРИРОВАННЫЙ МЕТОД ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ ДИСПЕТЧЕРИЗАЦИИ ПОТОКОВ ПАРАЛЛЕЛЬНЫХ ЗАЯВОК В GRID- СИСТЕМАХ
Д. Ю. Кравченко, Ю. А. Кравченко, В. В. Курейчик, А.Э. Саак2020-07-20Аннотация ▼Статья посвящена решению задачи диспетчеризации потоков параллельных заявок в
пространственно-распределённых вычислительных системах. Актуальность задачи обос-
нована значительным ростом востребованности парадигмы распределенных вычислений в
условиях информационного переполнения и неопределенности. В статье рассмотрены про-
блемы диспетчирования заявок пользователей, требующих для своего обслуживания не-
сколько процессоров одновременно, что выходит за рамки классической теории расписа-
ний. Проанализированы аспекты эффективности применения эвристических алгоритмов
диспетчирования планарными ресурсами. Определены причины их недостаточности как по
результативности, так и по эмпиричности подходов. Предложено решать задачу диспет-
черизации параллельных заявок на основе комплексного применения коалиции интеллекту-
альных агентов и событийной имитационной модели. Классификацию поступающих на
вход заявок предлагается проводить на основе применения модифицированного биоинспи-
рированного метода оптимизации поиском кукушки. Совместное использование коалиции
интеллектуальных агентов и биоинспирированного метода позволит обеспечить беспреце-
дентный параллелизм вычислений, а последующее определение путей обработки классифи-
цированных заявок на основе имитационной модели сформирует наборы альтернативных
решений, позволяющих ускорить решение задач и оптимизировать распределение имею-
щихся вычислительных ресурсов в зависимости от наборов поступающих заявок. Для оцен-
ки эффективности предложенного подхода разработан программный продукт и проведе-
ны эксперименты с разным количеством поступающих на вход заявок. Каждая поступаю-
щая на вход заявка имеет определенный набор атрибутов, являющийся вектором призна-
ков заявки. Степень сходства вектора признаков заявки и эталонного вектора признаков
вершины в распределяющей имитационной модели является критерием классификации
заявки. Для повышения качества процесса диспетчеризации введены новые процедуры дуб-
лирования неклассифицированных заявок, позволяющие интенсифицировать поиск совпаде-
ний в векторах признаков. Также предусмотрены резервные траектории диспетчеризации
необходимые для обработки прецедентов появления на входах заявок с абсолютным при-
оритетом. Полученные количественные оценки демонстрируют экономию времени при
решении задач относительно большой размерности (от 500000 вершин) не менее 10 %.
Временная сложность в рассмотренных примерах составила . Описанные исследова-
ния имеют высокий уровень теоретической и практической значимости и напрямую связа-
ны с решением классических задач искусственного интеллекта, направленных на поиск
скрытых зависимостей и закономерностей на множестве больших данных.
1 - 4 из 4 результатов
