Найти

Результаты поиска

• БИОИНСПИРИРОВАННЫЙ МЕТОД КЛАССИФИКАЦИИ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ ДЛЯ ДИСПЕТЧИРОВАНИЯ В ГРИД-СИСТЕМАХ

  Д.Ю. Кравченко , Ю.А. Кравченко, В. В. Марков , А.Э. Саак

  2021-11-14

  Аннотация ▼

  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.

• СРАВНИТЕЛЬНЫЙ АНАЛИЗ ЦЕНТРАЛИЗОВАННОГО И ДЕЦЕНТРАЛИЗОВАННОГО АЛГОРИТМОВ ДВИЖЕНИЯ СТРОЕМ БЛА МУЛЬТИКОПТЕРНОГО ТИПА

  М.Ю. Медведев , В. Х. Пшихопов

  2022-04-21

  Аннотация ▼

  Развитие робототехнических комплексов делает актуальным их групповое примене-
  ние для решения различных задач. Эффективность выполнения задач обнаружения и опре-
  деления координат объектов группой роботов существенно зависит от точности под-
  держания заданного строя. В этой связи практический интерес представляет задача оп-
  ределения алгоритмов планирования движения, обеспечивающих наибольшую точности
  поддержания заданного строя. Данная статья посвящена исследованию точности под-
  держания строя группой БЛА мультикоптерного типа с использованием централизованно-
  го алгоритма планирования движения и децентрализованного алгоритма. В централизо-
  ванном алгоритме используется ведущий БЛА, который передает свои координаты ведо-
  мым БЛА. На основании полученных координат и заданной структуре строя ведомые БЛА
  планируют свое движение. В децентрализованной систем соседние БЛА группы передают
  свои координаты друг другу, на основании чего планируется движение отдельного БЛА.
  Точность исследуется в зависимости от погрешностей навигационной системы и часто-
  ты обновления данных о положении ведущего или соседних БЛА. Полагается, что БЛА
  группы в дискретные моменты времени определяют свои координаты, используя внешнюю
  навигационную систему. Централизованный и децентрализованный алгоритмы отрабаты-
  ваются одинаковой системой управления движением. Алгоритмы исследуются в данной
  статье методами численного моделирования. В процессе моделирования учитываются
  модели кинематики, динамики и исполнительных механизмов, а также модели формирова-
  ния погрешностей навигационной системы. Показано, что децентрализованный алгоритм
  группового планирования движения обеспечивает более высокую точность по сравнению с
  централизованным алгоритмом. Однако техническая реализация децентрализованного
  алгоритма более сложна с точки зрения организации системы групповой связи. В центра-
  лизованной систем должна быть реализована передача данных от ведущего БЛА ведомым.
  В децентрализованной системе требуется реализовать сетевую связь.

• РАЗРАБОТКА ЧАТ-БОТА ДЛЯ КЛАССИФИКАЦИИ И АНАЛИЗА ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ С ИСПОЛЬЗОВАНИЕМ ЛОКАЛЬНЫХ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ

  Али Махмуд Мансур , Жуман Хуссайн Мохаммад , Ю.А. Кравченко

  159-171

  2025-07-24

  Аннотация ▼

  Исследуются локальные большие языковые модели (Local large language models, Local LLM) и их применение в задачах классификации текста, а также проводится сравнение их производительности с традиционными методами. Статья предоставляет всесторонний обзор ряда ключевых локальных LLM, уделяя особое внимание их архитектурным преимуществам, характеристикам и областям применения. В частности, рассматриваются модели с различным количеством параметров, их способность адаптироваться к специализированным доменам, а также требования к вычислительным ресурсам при их развертывании на локальном оборудовании. Особый акцент делается на компромиссах между производительностью и эффективностью использования ресурсов. В качестве практического вклада разработан чат-бот, использующий локальные LLM (такие как DeepSeek, Gemma и Llama2 через Ollama) для классификации входящих текстов по заранее заданным категориям, демонстрируя работу этих моделей без использования облачных вычислений. Система реализована с модульной архитектурой, позволяющей легко интегрировать новые модели и сравнивать их эффективность. Вычислительный эксперимент включает оценку точности и скорости вывода локальных LLM в сравнении с более простыми методами, такими как Sentence-BERT, TF-IDF и BoWC, выделяя сценарии, в которых локальные модели превосходят традиционные подходы или уступают им. Тестирование проводилось на основе эталонного набора данных BBC. Результаты показывают, что языковые модели (включая модели с 7 миллиардами параметров) демонстрируют сильную и логически обоснованную классификационную производительность при обработке текстов на естественном языке, однако их результаты не являются идеальными для эталонных наборов данных. В частности, обнаружены случаи, когда все тестируемые модели, включая традиционные методы, ошибочно классифицировали документы, что указывает на возможные проблемы в разметке данных. Полученные результаты указывают на необходимость пересмотра эталонных меток в стандартных наборах данных. Это особенно важно для доменов с субъективными категориями, где экспертные оценки могут значительно расходиться. С другой стороны, хотя локальные LLM уступают облачным в скорости, их преимущества в конфиденциальности данных и оффлайн-работе делают их пригодными для специализированных задач.