Все выпуски

Рассматриваются вопросы, связанные с решением аддитивной задачи последовательного обхода множеств с ограничениями предшествования и функциями стоимости, допускающими зависимость от списка заданий. В качестве базового метода используется широко понимаемое динамическое программирование (ДП), дополняемое в случае задач ощутимой размерности декомпозициями семейства заданий и преобразованием параметров исходной задачи. Возможные применения связаны, в частности, с задачей управления инструментом при фигурной листовой резке деталей на машинах с ЧПУ. В этой задаче важным обстоятельством является учет условий предшествования, имеющих, в частности, следующий смысл: в случае детали с отверстиями резка каждого из внутренних контуров (отвечающих отверстиям) должна предшествовать резке внешнего контура. Сам критерий качества в данной задаче, как правило, является аддитивным. Другой тип ограничений касается избежания термических деформаций деталей. При использовании подхода с применением штрафов за нарушение условий, связанных с эффективным отводом тепла при выполнении врезки, возникают функции стоимости, допускающие зависимость от списка заданий, выполненных на текущий момент времени. Заметим, что в другой прикладной задаче, а именно в задаче о демонтаже радиационно опасных объектов, возникают функции стоимости с зависимостью от списка заданий, не выполненных на данный момент (а, следовательно, касающихся недемонтированных объектов). В итоге мы приходим к очень общей задаче с ограничениями предшествования и функциями стоимости с зависимостью от списка заданий. Применяемая в случае ощутимой размерности декомпозиция с последующей реализацией ДП требует, с одной стороны, разработки методов кластеризации, а, с другой, построения адекватной конструкции распределения глобальных условий предшествования по кластерам. В теоретической части работы обсуждается случай двух кластеров, который позволяет охватить единой схемой целый ряд практически интересных задач диапазонного (в смысле размерности) типа. Указан алгоритм построения композиционного решения, включающий этап обучения кластеризации на основе жадного алгоритма. Данный «композиционный» алгоритм реализован на ПЭВМ; проведен вычислительный эксперимент.

В данной работе рассматривается подход к программированию, основанный на использовании параметризованных грамматик. Понятия этих грамматик снабжены параметрами, которые также могут быть объектами грамматик. Такие грамматики являются довольно мощным инструментом, их предлагается использовать для формулирования постановок задач преобразования лингвистических данных. Эти грамматики можно использовать непосредственно для обработки информации, но это может оказаться не эффективным. Поэтому выделяется специальный эффективный в применении класс таких грамматик. Предлагается специальная система однозначных (функциональных) параметризованных грамматик, которую можно использовать как эффективный язык программирования лингвистических задач. Описываются идеи дедуктивного синтеза программ в этой системе из постановок задач в общих параметризованных грамматиках с помощью логического вывода с перспективой последующей автоматизации. Демонстрируется практическое применение предложенного инструмента на примерах обработки логических формул и решения других задач. Эта работа продолжает идеи Валентина Турчина в области языка РЕФАЛ.

Рассматривается проблема автоматизации процессов передачи и обработки информации в адаптивных информационных системах. Анализ существующих подходов к решению данной задачи показал перспективность использования нейросетевых технологий. Сформулирован нейросетевой метод обработки и передачи информации в адаптивных информационных системах. Метод включает формализованное описание нейросетевого канала данных — программного инструмента для анализа, обработки данных и выбора протокола передачи данных. Изложены основные этапы предлагаемого метода: классификация структур исходных данных, их преобразование, обработка данных, выбор необходимого протокола передачи информации. Каждый из этапов реализуется посредством нейронных сетей различной архитектуры. Приведено теоретическое обоснование возможности применения нейросетевого метода, полученное на основе доказательства ряда теорем. Новизна предлагаемого метода заключается в переходе от аналитического решения задач классификации, обработки и передачи данных к автоматизированному подходу с применением технологий машинного обучения. Практическая значимость нейросетевого метода состоит в снижении сложности реализации процессов обработки и передачи информации, повышении уровня автоматизации при организации межмодульного взаимодействия. Проведена оценка реализации нейросетевого метода по ряду метрик оценки сложности программного обеспечения. Проанализированы область применения, достоинства и недостатки разработанного метода.