Найти

Результаты поиска

• МЕТОДОЛОГИЯ S.M.A.R.T.E.S.T. H-GQM ДЛЯ КОНТРОЛИРУЕМОЙ ЭВОЛЮЦИИ СИСТЕМ ADAS

  Д. Е. Чикрин, А. А. Егорчев, Д.В. Ермаков

  2020-07-20

  Аннотация ▼

  Вывод на массовый рынок транспортных средств (легковых и грузовых автомобилей)
  с высокой степенью автоматизации – уровня ADAS 3+ – ожидается с начала 2020-х годов.
  На текущий момент абсолютным большинством крупных автопроизводителей ведутся
  исследования и разработки в данном направлении, достаточно большое количество про-
  тотипов, предсерийных и серийных систем1 уже продемонстрировано. Системы автома-
  тизированного управления автомобилем – ADAS (advanced driver assistance systems) – пред-
  ставляют собой сложные аппаратно-программные комплексы, особенность которых со-
  стоит в неизменности ядра аппаратной платформы на протяжении одного или несколь-
  ких поколений автомобилей. При этом требуется обеспечить возможность обновления
  (эволюции) системы для исправления ошибок и расширения функциональности, особенно в
  условиях активно развивающихся сенсорных периферийных систем и программных алго-
  ритмов. Для оценки и сопровождения разработки сложных систем применяется методо-
  логия GQM (Goal, Question, Metric – цель, вопрос, метрика) и её модификации. Однако, об-
  ласть их применения ограничена исключительно программными продуктами; также не
  рассматриваются явно вопросы применения методологии GQM для анализа и сопровожде-
  ния процессов эволюции сложных технических систем. В статье предлагается методология H-GQM (Hardware GQM) для проведения контролируемой эволюции сложных аппа-
  ратно-программных систем современной автомобильной техники. Представляемая мето-
  дология H-GQM базируется на методологии GQM и предназначена для аппаратно-
  программных комплексов с монолитным аппаратным ядром, модифицируемым программ-
  ным ядром и периферией, удовлетворяющей принципу атомарности. Доказана примени-
  мость методологии GQM для анализа программно-аппаратных систем ADAS путем про-
  ведения процедуры гармонизации сущностей системы. Для формирования эволюционных
  целей предложена концепция целеполагания S.M.A.R.T.E.S.T, расширяющая методику фор-
  мирования целей бизнес-процессов S.M.A.R.T. путем введения ограничений, полученных в
  результате гармонизации сущностей и описывающих требования к эволюционной способ-
  ности системы. Формулирование фреймворка планов H-GQM рассматривается на примере
  систем ADAS, в рамках предложенной методологии сформирован масштабируемый шаб-
  лон целей, учитывающий специфику систем ADAS.

• ПОДХОД К КОДИРОВАНИЮ РЕШЕНИЙ В ЭВОЛЮЦИОННЫХ МЕТОДАХ ДЛЯ СОЗДАНИЯ ИНСТРУМЕНТАЛЬНОЙ ПЛАТФОРМЫ ПРОЕКТИРОВАНИЯ

  Э. В. Кулиев, А. А. Лежебоков, М. М. Семенова, В.А. Семенов

  2020-07-20

  Аннотация ▼

  Рассмотрены актуальные вопросы и проведен анализ проблемы трехмерной инте-
  грации и трехмерного моделирования, возникающей на этапе конструкторского проекти-
  рования в ходе решения задачи оптимального планирования компонентов больших и сверх-
  больших интегральных схем и корпусных устройств электронной вычислительной аппара-
  туры. Представлены и достаточно детально описаны основные преимущества примене-
  ния принципов трехмерной интеграции, позволяющие эффективно организовывать произ-
  водство персонифицированной электроники, оптимально планировать конфигурацию
  больших и сверхбольших интегральных схем с учетом тепловых и энергетических характе-
  ристик. В ходе выполнения исследований авторами разработан подход к кодированию ре-
  шений на основе интеллектуального механизма, который характеризуется наличием
  встроенных средств контроля допустимых решений. Одним из таких средств, экспери-
  ментально доказавших свою эффективность, является встроенный механизм «смертель-
  ных мутаций», учитывающий статусы генов и заранее заданные ограничения на итоговую
  конфигурацию корпуса проектируемого устройства. В работе предложен ряд общих под-
  ходов и конкретных алгоритмов решения задачи планирования, основывающихся на ре-
  зультатах исследований авторского коллектива и современных подходах к решению
  NP-полных задач. Важнейшим практически значимым результатом исследований обозна-
  ченной проблемы является разработанная программно-инструментальная платформа
  проектирования на современном кроссплатформенном языке программирования Java. Вы-
  бранная технология разработки позволяет использовать все основные достоинства со-
  временных многоядерных и многопроцессорных архитектур, по использованию программ-
  ной многопоточности для реализации параллельных схем решения комбинаторных задач.
  Программно-инструментальная платформа обладает дружественным интерфейсом, что
  позволяет эффективно управлять процессом решения задачи планирования компонентовбольших и сверхбольших интегральных схем трехмерной интеграции, путем визуализации
  ключевых показателей работы алгоритмов на графиках и в блоках текстовой статисти-
  ки. Разработанное прикладное программное обеспечение позволило провести серию вычис-
  лительных экспериментов, на основе наборов случайных данных также, как и наборах от-
  крытых данных бенчмарков для подобного рода задач. Результаты экспериментальных
  исследований позволили подтвердить теоретические оценки временной сложности и эф-
  фективности предложенных подходов и алгоритмов, в том числе генетического алгорит-
  ма, который использует предложенный в работе новый механизм кодирования решений.

• ИНИЦИАЛИЗАЦИЯ РЕШЕНИЙ В ПОПУЛЯЦИОННЫХ АЛГОРИТМАХ НА ОСНОВЕ МЕТОДА МЕТРОПОЛИСА–ГАСТИНГСА

  С.И. Родзин , А.И. Дерменжи

  2025-01-30

  Аннотация ▼

  Наиболее важными задачами принятия оптимальных решений с использованием эвристиче-
  ских алгоритмов считаются повышение точности и предотвращение преждевременной сходимо-
  сти. Большинство исследований в этом направлении сосредоточено на разработке новых опера-
  торов, настройке параметров популяционной метаэвристики и гибридизации нескольких страте-
  гий поиска решений. Гораздо меньше внимания уделяется инициализации – важной операции в по-
  пуляционных алгоритмах, которая связана с созданием исходной популяции решений. Предлагает-
  ся новый подход к инициализации популяции для эвристических алгоритмов. При формировании
  множества начальных решений предлагается использовать метод Метрополиса–Гастингса.
  В соответствии с этим методом исходные решения в популяции принимают значения, близкие к
  глобальному или локальным оптимумам целевой функции. Это позволяет повысить точность
  получаемых решений. Чтобы продемонстрировать возможности предлагаемого подхода к ини-
  циализации, он была встроен в базовый алгоритм дифференциальный эволюции. Для оценки эф-
  фективности стратегии проведена экспериментальная проверка путем сравнения с такими из-
  вестными методами как случайная инициализация, обучение на основе методов оппозиции и хаоса,
  а также метода диагонального равномерного распределения. Сравнение проводилось на репрезен-
  тативном наборе мультимодальных, унимодальных и гибридных функций, включая функцию Рас-
  тригина, Квинга, Розенброка, Швефеля, квинтовую, ступенчатую, сферическую. Анализировались
  скорость сходимости алгоритмов и точность получаемых решений. В качестве показателей
  сравнения использовались среднее значение по лучшим решениям, медианное лучшее решение,
  стандартное отклонение от лучшего решения, количество вызовов функций, коэффициент ус-
  пешности, коэффициент ускорения. Значения показателей усреднялись по результатам 30 от-
  дельных запусков каждого алгоритма. Предлагаемый алгоритм работает быстрее, показывает
  лучшую сходимость и точность. Алгоритм дает лучшие результаты, поскольку стратегия ини-
  циализации позволяет выбирать перспективные решения, близкие к локальным или глобальным
  оптимумам. Статистическая проверка результатов работы алгоритмов по критерию Фридмана
  подтвердила, что предлагаемый подход к инициализации популяции решений обеспечивает лучший
  баланс скорость сходимости/точность решений