DOI: 10.7256/2454-0714.2019.3.30502

Аннотация: Объектом исследования являются процессы выбора оптимальной аппаратной архитектуры при организации ресурсоемких вычислений. Предметом исследования являются процессы решения оптимизационных задач генетическими алгоритмами на GPU и CPU архитектурах. Показано влияние выбора аппаратной архитектуры на процесс решения оптимизационной задачи: определены абсолютные и относительные зависимости замедления вычислительного процесса, при выборе нерациональной аппаратной архитектуры, от числа особей, обрабатываемых алгоритмом. Установлено, что для рассматриваемой задачи граница наиболее эффективной аппаратной конфигурации может находиться в диапазоне от 1000 до 5000 особей. По этой причине, размытость границы эффективной аппаратной конфигурации целесообразно описывать как множество пар «число особей- принадлежность к переходу» Метод исследования базируется на анализе результатов проведенного вычислительного эксперимента. Целью эксперимента является определение зависимостей времени выполнения генетического алгоритма (ГА) на GPU и CPU архитектурах от числа генерируемых особей (хромосом). Проведено сопоставление зависимостей минимального и максимального времени работы генетического алгоритма, выполняемого на GPU и CPU от числа особей. Показано, что при решении рассмотренной задачи минимальные и максимальные временные зависимости алгоритма, выполненного на GPU, близки к линейной функции; минимальные временные зависимости алгоритма, выполненного на СPU близки к линейной функции, а максимальные - к полиномиальной.

DOI: 10.25136/2644-5522.2018.5.27626

Аннотация: Предметом исследования является подход к распределению ресурсов в условиях возможных деструктивных воздействий. Объектом исследования является модель процессов принятия решений распределительного характера в условиях возможных деструктивных воздействий. Авторы рассматривают вопросы моделирования процессов распределения потоков ресурсов в условиях возможных нежелательных воздействий. Показано, что применение относительных нечетких оценок предпочтения маршрутов передачи ресурсов целесообразнее моделирования всей области распределения ресурсов с точки зрения временной сложности процесса принятия решений, так как на основе статистических и экспертных оценок можно сравнительно быстро определить предпочтительности маршрутов с точки зрения гарантированности передачи ресурса при деструктивных воздействиях. Метод исследования базируется на использовании теории множеств, нечеткой логики, эволюционных и иммунных подходов. Использование нечетких отношений предпочтения позволяет сократить время построения модели, а применение эволюционных и иммунных методов – ускорить поиск решения. Основным выводом проведенного исследования является возможность использования относительных нечетких оценок предпочтения используемых маршрутов при организации распределения ресурсов. Предложен алгоритм распределения ресурсов в условиях деструктрвных воздействий, отличительной чертой которого является использование информации о реализованных ранее распределениях ресурсов при формировании множества начальных решений. Верификацию полученных решений предполагается производить при помощи метода отрицательного отбора – одного из способов моделирования иммунной системы. Модификацию имеющихся решений целесообразно производить, например, при помощи методов эволюционного моделирования.

DOI: 10.25136/2644-5522.2017.6.24509

Аннотация: Предметом исследования является проблема выбора наиболее эффективной аппаратной архитектуры для реализации стохастического популяционного алгоритма. Объект исследования – генетический алгоритм, выполняемый на центральном процессоре (central processing unit, CPU) и графическом процессоре (graphics processing unit, GPU). Приведены результаты вычислительного эксперимента, проведенного с целью сравнения зависимостей времени работы генетического алгоритма, выполняемого на центральном процессоре и графическом процессоре, от используемого количества хромосом. Приведено сопоставление как общего времени решения задачи, так и времени, необходимого для инициализации CPU и GPU. По причине невозможности получения точной временной оценки генетического алгоритма построена расплывчатая оценка времени работы GPU-алгоритма на 3000 хромосом. Метод исследования базируется на экспериментальной оценке зависимостей времени работы генетического алгоритма выполняемого на CPU и GPU от количества особей в популяции. Вычислительная сложность реализации генетического алгоритма на обоих видах процессоров приблизительно соответствует величине O(n)-O(n2). На основании представленных результатов установлено, что при использовании популяции размером до 2000-2500 хромосом генетический алгоритм целесообразнее реализовывать на CPU, а при использовании более 3000-4000 хромосом - на GPU. Размытость границы эффективности обусловлена стохастичностью генетического алгоритма. Полученные оценки границ целесообразности выбора аппаратной архитектуры справедливы исключительно для данной задачи. Для прочих задач, в иных аппаратных и программных условиях эти результаты будут другими. В рассматриваемой ситуации важна не только числовая оценка границы эффективности, но и сам факт возможности определения такой точки перелома.

DOI: 10.7256/2306-4196.2017.2.22429

Аннотация: Предметом исследования являются интеллектуальные алгоритмы решения оптимизационных задач. Известно, что для одних и тех же проектных процедур в одних случаях необходимо получать точные решения, а в других достаточно получения приближенных решений. По этой причине актуальной является проблема управления точностью получаемых приближенных решений. Под приближенным решением можно понимать некоторую область точек, каждая из которых может быть в некоторой степени решением задачи. Предполагается, что на начальных этапах решения оптимизационной задачи допустимо оперировать нечеткими значениями, постепенно сужая область поиска. Предлагается подход который дополняет известный алгоритм «оптимизации с использованием роя частиц» возможностью обработки нечетких чисел с треугольным представлением. Современные многоагентные методы адаптивного поиска решений задач оптимизации, развиваются в направлении совершенствования способов взаимодействия между агентами. Например, известный метод «оптимизации с использованием роя частиц» (Particle Swarm Optimization, PSO) базируется на понятии популяции и моделирует поведение птиц в стае и косяков рыб. При этом классические биоинспирированные методы поиска решений оперируют, как правило, с четкими решениями. Разработана модификация PSO- алгоритма, за счет выполнения известных операций над нечеткими числами с треугольным представлением. Отличительной чертой предлагаемого подхода является организация интеллектуального процесса поиска в нечетком пространстве решений, оригинальность которого заключается в разработке способа движения интеллектуального агента (группы агентов) в пространстве образованном треугольным представлением нечетких чисел. Данный подход позволяет осуществлять поиск решений в нечетких пространствах, оперируя переменными вида «близко к X » не прибегая к лингвистическому анализу.