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: 10.25136/2644-5522.2017.6.24509

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.

DOI: 10.7256/2306-4196.2016.5.19885

Аннотация: Объектом исследования является модель искусственной иммунной системы. Предмет исследования — разработка способа построения нечеткого декодера. В качестве декодеров предложено использовать нечеткие функции принадлежности, описывающие соответствие контролируемого параметра критической ситуации. Использование такого подхода на основе нечетких декодеров, позволило избавиться от бинарной количественной классификации и перейти к расплывчатым и качественным оценкам. Приведен пример построения декодера для нечеткого условия «длина полупериметра L, описывающего фрагмент проектируемого изделия, должна быть не более 0,7 nm». На основе функции CON(μ1(L)), описывающей соответствие нечеткому условию «очень близко к 0,7 nm», построена функция μ5(L), описывающая соответствие нечеткому условию «очень меньше 0,7 nm». Расплывчатый декодер для оценки соответствия интервалу, строится на основе функции принадлежности данному интервалу. Приведен пример графика зависимости функции μ7 декодера от длинны полупериметра L, описывающей принадлежность к условию «желательная длина полупериметра от 0,55 до 0,7 nm». По аналогии с условиями «очень близко к 0,7 nm» и «слегка близко к 0,7 nm»можно определить функции принадлежности «очень в диапазоне от 0,55 до 0,7 nm» и «слегка в диапазоне от 0,55 до 0,7 nm». Метод исследования базируется на построении нечетких декодеров, описывающих нежелательные состояния вычислительного процесса. Нечеткость описывается при помощи функции принадлежности. Новизна исследования состоит в получении расплывчатых декодеров восприимчивых к нечетким командам. Используя соответствующие нечеткие функции принадлежности μ декодера, можно корректировать процесс оценивания степени близости контролируемого параметра к критической ситуации. Применение функций CON и DIL к функциям принадлежности декодеров позволяет менять их восприимчивость на тестовых данных от 20-30% до 200%-300%