WWW.LIB.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Электронные материалы
 

Pages:   || 2 | 3 |

«ТРУДЫ 3-го МЕЖДУНАРОДНОГО СЕМИНАРА г. Ростов-на-Дону 2012 г. МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ АДМИНИСТРАЦИЯ РОСТОВСКОЙ ОБЛАСТИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮ ДЖ ...»

-- [ Страница 2 ] --

Ключевые слова: факторы знания, планирование эксперимента, двухуровневые многофакторные эксперименты, варьирование факторов, матрица планирования.

–  –  –

THE WAY OF DEVELOPMENT OF VARIATIVE-EVALUATION TESTS

WITH USING OF FACTOR EXPERIMENTS

In article it is offered to consider creation of a test question as research of multiple-factor dependence and to approach to study and creation of this dependence with use of methodology of planning of multiple-factor experiments.

The general technique of compilation of multiple-factor tests, reception of rating of factors and submission of two-factor and three-factor tests is given in multi­ dimensional space. Combinations of levels of factors are provided in a look to a matrix of planning of two-factor and three-factor tests.

Keywords: knowledge factors, experiment planning, two-level multiplefactor experiments, variation of factors, planning matrix.

Задача формализации и построения тестов, позволяющих сохранить высокую оценочную способность, при этом придать им большую объективность, и сделав возможной разработку таких тестов преподавателям со среднем уровнем подготовки, является на данный момент времени весьма актуальной.

Предлагается процесс построения тестового вопроса рассмотреть как исследование многофакторной зависимости, используя при этом методологию планирования многофакторных экспериментов [1,2 ].



Для планирования многофакторных экспериментов необходимо выбрать расположение совокупности численных значений факторов в

–  –  –

соответствующий одной единице масштаба в безразмерных переменных.

Поскольку нижнему и верхнему уровням варьирования i -го фактора знаний приняты оценки и, то значение основного уровня фактора в

–  –  –

выражении; x нат - значение нижнего уровня i -го фактора в натуральном ^ выражении, и соответствует нулю в кодированном выражении, согласно (1 ).

Интервал или шаг варьирования фактора, обозначаемый Axi‘am, для

–  –  –

будет являться интервалом варьирования.

В итоге каждая комбинация уровней факторов знаний является точкой в многомерном факторном пространстве, множество которых может быть представлено геометрически (рис. 1). На рисунке 1 представлены интерпретации двухфакторного и трехфакторного тестов в виде геометрических фигур. Координаты вершин квадрата и куба являются всеми возможными вариантами двухуровневых ответов, обозначенные Vi.

–  –  –

Рис. 1. - Геометрическая интерпретация многофакторных тестов:

а) - для двухфакторного теста, б) - для трехфакторного теста.

Зная количество факторов знаний k, при условии варьирования ответов на двух уровнях, можно найти число N всех их возможных комбинаций:

N = 2k, т.е. с ростом числа составляющих микрознаний число вариантов ответов растет по показательной зависимости. Это ограничивает объем вопроса по составу включенных микрознаний, во избежание построения излишне громоздкого теста, запутывающего испытуемого.

Факторный подход к построению теста помогает доступно и однозначно формализовать процедуру оценки его результатов. Например, в двухфакторном тесте на рис. 1 вершиной квадрата V1 будет являться абсолютно правильный ответ с весовым коэффициентом равным, вершина

–  –  –

коэффициентом. Вершины V2 и V3 - соответствуют частично правильными по микрознаниям ответами: (-1,+1) и (+1,-1). Поэтому, если считать все оцениваемые микрознания равноправными компонентами проверки общего знания, вес таких ответов в общей оценке можно принять равным 0,5.

Аналогично в трехфакторном тесте вершина куба V1 с координатами

–  –  –

координатами (+1 ;-1 ;+1 ), (-1 ;+1 ;+1 ), (+1 ;+1 ;-1 ) соответствуют частично правильным ответам с двумя правильными и одним неправильным микроответами. По аналогии с предыдущим, их вес в оценке можно принять равным 0,67. Тогда вес ответов, соответствующих вершинам куба V5, V6, V7 с координатами (-1 ;-1 ;+1), (-1 ;+1 ;-1), (+1;-1;-1), будет равен 0,33.

Рассмотренные условия формирования ответов на вопросы теста, содержащие k микровопросов-факторов, можно также записать в виде матрицы планирования многофакторного эксперимента, где строки соответствуют различным вариантам ответов, а столбцы - значениям факторов. Каждый столбец в матрице планирования является векторстолбцом кодовых значений микроответов в наборе ответов на вопрос теста, а каждая строка является вектор-строкой, образующей вариант ответа на этот вопрос. Если вопросы в тесте имеют одинаковую размерность относительно заложенных в них микрознаний, то построенная таким образом таблица является универсальным инструментом построения ответов на эти вопросы.

Таким образом, в матрице планирования набора вопросов теста имеются вектор-столбцы значений-оценок микроответов, содержащихся в вариантах ответов (правильные и неправильные микроответы), и векторстолбец оценок ответов - аналог столбца выходов факторного эксперимента.

Примеры сочетания уровней в полных двухфакторном и трехфакторном тестах приведены в таблице и.

–  –  –

Дальнейшее увеличение количества привлекаемых для тестирования факторов знаний возможно, но, зачастую, нецелесообразно, так как это приводит к усложнению теста, трудностям с пониманием испытуемым сути вопроса, повышает вероятность возникновения путаницы и других негативных психологических проявлений, мешающих усвоению учебного материала. Однако в некоторых специальных случаях возможно и эффективно построение факторных тестов высокого порядка.

–  –  –

Нейдорф Рудольф А натольевич,, д.т.н., профессор Донской государственный технический университет в г. Ростов-на-Дону, Россия Кафедра Программное обеспечение вычислительной техники и автоматизированных систем, профессор.

E-mail: ran_pro@mail.ru N eydorf R udolf Anatolievich, doctor of technical sciences, professor Don state technical university in Rostov-on-Don, Russia Department o f Information Systems and Technology, professor E-mail: ran_pro@mail.ru Обухова Елена Н иколаевна Донской государственный технический университет в г. Ростов-на-Дону, Россия Кафедра автоматизации производственных процессов, старший преподаватель E-mail: elena21@spark-mail.ru О bukhova Elena Nikolaevna Don state technical university in Rostov-on-Don, Russia Department o f Automation o f Technological Processes and Production, high teacher.

E-mail: elena21@spark-mail.ru

ИССЛЕДОВАНИЕ КЛАССИЧЕСКОГО АЛГОРИТМА ГОЛДБЕРГА С

ПОМОЩЬЮ СПИСОЧНОГО АЛГОРИТМА

Данная работа дает оценку метода Голдберга при использовании начальной популяции сформированной случайным образом и с помощью списочного алгоритма. Данный подход приводит к различным конечным характеристикам полученных поколений с одинаковыми начальными данными и параметрами.

Ключевые слова: теория расписаний, задача планирования, генетический алгоритм, метод Голдберга, списочные алгоритмы, вычислительный эксперимент.

–  –  –

This paper evaluates the use of the method of Goldberg formed by the initial population randomly and with scheduling algorithm. This approach leads to different characteristics of the final generation derived with the same initial data and parameters.

Keywords: scheduling theory, the task scheduling, genetic algorithm, the method of Goldberg, scheduling algorithms, computational experiment.

В различных сферах человеческой деятельности присутствует множество ресурсоёмких задач, требующих интенсивных вычислений. Для их решения широкое применение находят вычислительные системы.

Вычислительная система (ВС) - это взаимосвязанная совокупность аппаратных средств вычислительной техники и программного обеспечения, предназначенная для обработки информации[1 ].

Основное назначение ВС — решение ресурсоемких вычислительных задач, для которых производительности имеющихся в распоряжении ЭВМ недостаточно. В результате распределения вычислительной работы по узлам может уменьшаться время расчета и увеличиваться точность решения.

Эффективность эксплуатации ВС напрямую зависит от методов планирования выполнения заданий, включающих последовательное нахождение связанных расписаний выполнения заданий.





Пусть имеется многопроцессорная система, состоящая из n идентичных параллельно функционирующих устройств (процессоров) P = {р х,..., p n}. В ходе работы в систему поступает m независимых заданий Q = {qn..., qm}, которые распределяются между процессорами и обрабатываются параллельно. Причем известно время выполнения j -го задания tj на любом из процессоров вычислительной системы, где j = 1, m. В каждый момент времени отдельный процессор обслуживает не более одного задания, которое не передаётся на другой процессор. Задача распределения сводится к разбиению исходного множества заданий на n непересекающихся подмножеств. Критерием разбиения, обеспечивающим оптимальность распределения по быстродействию, служит минимаксный критерий и определяет такое распределение заданий по процессорам, при котором время загрузки T параллельным заданием минимально.

К одним из самых популярных эвристических методов относятся генетические алгоритмы (ГА), которые являются одной из парадигм эволюционных вычислений, построены на принципах, сходных с принципами естественного отбора и генетики. Общий принцип работы ГА состоит в следующем: на первом шаге формируется начальное поколение, состоящее из заданного числа особей; на втором шаге происходит отбор особей и применение операторов кроссинговера и мутации ГА с заданной вероятностью, формирование нового поколения; на шаге три происходит проверка условия останова, которая обычно заключается в неизменности лучшего решения в течение заданного числа поколений, если проверка прошла успешно, то лучшая особь выбирается как найденное решение, иначе происходит переход на второй шаг. В данной работе рассматривается метод Голдберга[2]. Он отличается от общего принципа, работы ГА тем, что на втором шаге работы после применения операторов мутации и кроссинговера проводится турнирный отбор - сравнение полученной особи с произвольной особью родителя.

При реализации генетического алгоритма большое значение в формировании популяции имеет способ образования начального поколения[3].

Существует два способа формирования начального поколения: формирование начального поколения случайным образом и формирование начального поколения с помощью списочных алгоритмов.

В классическом ГА начальная популяция формируется случайным образом. Фиксируется размер популяции (количество особей в ней), который не изменяется в течение работы всего алгоритма. Формирование каждой особи происходит по следующей схеме: для каждого процесса выбирается случайное число от до 256, каждое число соответствует машине, на которой будет выполняться процесс. Таким образом процессы распределяются по машинам.

–  –  –

Tmax_T _214

2) Сортируем матрицу процессов по убыванию, затем распределяем на машины по порядку начиная с первой. Дойдя до последней машины задания распределяются в обратном порядке. Пример:

–  –  –

3) Одним из самых распространенных списочных алгоритмов является алгоритм Пашкеева (алгоритм по направлению). Принцип действия которого заключается в том, что сравнивается суммарная загрузка крайних процессоров (первого и последнего), если загрузка первого процессора меньше последнего, то очередные задания по порядку назначаются с первого по последний процессор, если загрузка первого процессора больше последнего, то очередные задания назначаются с последнего по первый процессор.

Tmax_T _154

4) Сортируем матрицу по возрастанию, затем он аналогичен алгоритму 2.

–  –  –

Аналитически доказать какой способ формирования начальной популяции лучше невозможно, поэтому были поставлены эксперименты. Для проведения экспериментов было разработано программное обеспечение.

Программа написана на языке C++ в среде разработки Microsoft Visual Studio.

Для проведения экспериментов были случайным образом сгенерированы 50 векторов загрузки, содержащие задачи в диапазоне [25, 30], каждый из векторов решался ГА с начальной популяцией, созданной случайным образом и ГА с начальной популяцией, созданной с помощью списочных алгоритмов. Число задач m в опытах различно. Для первой серии m равно 19, для второй - 34, для третьей - 131. Число машин n - 2, 3, 4 для каждого серии испытаний. Для всех запусков были выбраны следующие фиксированные параметры: число особей составляло 50, условием останова являлось появление в процессе решения более поколений с лучшей

–  –  –

Полученные результаты усреднялись по времени решения задач, т.е.

Tcp = ^ tt /5 0, где ti - время нахождения решения для i-го вектора загрузки.

i=1 Основные результаты вычислительного эксперимента отображены на рис..

Рис. 1 - Усредненное время решения алгоритмов для 2-4 процессоров Для определения причины, объясняющей худший результат ГА с более качественной начальной популяцией - созданной с помощью списочных алгоритмов - в большинстве случаев, был проведен ряд вычислительных экспериментов, для 2-4 процессорных систем обработки информации.

Для проведения экспериментов были случайным образом сгенерированы 50 векторов загрузки, содержащие задачи в диапазоне [25, 30], каждый из векторов решался ГА с начальной популяцией, созданной случайным образом и ГА с начальной популяцией, созданной с помощью списочных алгоритмов. Для генетического алгоритма были выбраны те же самые параметры, что и в первом эксперименте, но изменены некоторые фиксированные параметры: число особей составляло, условием останова являлось появление в процессе решения более 20 поколений с лучшей одинаковой особью. Полученные результаты усреднялись по времени решения задач.

Основные результаты вычислительного эксперимента отображены на рис..

10000 -I------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

–  –  –

Рис. 2 - Усредненное время решения алгоритмов для 2-4 процессоров Проанализировав результаты вычислительного эксперимента, представленного на диаграммах (рис. 1-2), можно сделать вывод, что ГА с формированием особей списочным алгоритмом менее эффективен для большого кол-ва особей и повторений, но превосходи ГА с случайным формирование особей при малом кол-ве особей и повторений. Это можно обосновать тем, что особи созданные случайным образом имею больший разброс значений Tm по сравнению с особями, созданными списочным ax алгоритмом, что дает возможность обнаружить особь с наилучшими характеристиками при большом выборе (большом кол-ве особей). А при малых количествах особей и повторений ГА с формированием особей списочным алгоритмом эффективнее, т.к. этот метод создает изначально более качественную популяцию. Влияние повторений можно объяснить тем, что при большом значении повторений на особи может благотворно повлиять мутация.

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Коффман Э.Г. Теория расписания и вычислительные машины. - М.:

Наука, 1987.

2. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М.:Физматлит, 2003;

3. Курейчик В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация:

теория и практика. М.: Физматлит, 2006.

Кобак Валерий Г ригорьевич, доктор технических наук, профессор кафедры «Программное обеспечение вычислительной техники и автоматизированных систем» Донского государственного технического университета, E-mail: valera33305@mail.ru Ш иш калова Елена, студентка 4 курса Донского государтсвенного технического университета, специальность 090102 - «Компьютерная безопасность» г. Ростов-на-Дону.

УДК 681.3.681.5 В. Г. Кобак, Д.В.Титов, А.В.Нечаева Донской государственный технический университет, г. Ростов-на-Дону, Россия

ИССЛЕДОВАНИЕ НАЧАЛЬНЫХ УСЛОВИЙ ПРИ РАБОТЕ

АЛГОРИТМА РОМАНОВСКОГО В ОДНОРОДНЫХ СИСТЕМАХ

В данной работе рассматривается однородная распределительная задача, решаемая с помощью алгоритма Романовского и его модификаций.

Так же рассматривается вопрос о влиянии на время распределения начальных условий, как для классического алгоритма, так и для его модификаций.

Приведены результаты экспериментов, на основе которых сделан вывод о влиянии начальных условий на работу алгоритмов.

Ключевые слова: однородная задача, алгоритм Романовского, модификация алгоритма Романовского, влияние начальных условий.

–  –  –

RESEARCH OF INITIAL CONDITIONS AT WORK OF ALGORITHM

ROMANOVSKY IN HOMOGENEOUS SYSTEMS

In this paper we consider a homogeneous distribution problem solved using the algorithm of Romanovsky’s and its modifications. It is also considered the impact on the time of distribution of initial conditions for both the classical algorithm, and for its modifications. The results of experiments on the basis of which concluded that the influence of initial conditions on the work of the algorithms.

Key words: homogeneous problem, the algorithm of Romanovsky’s, Romanovsky’s modification of the algorithm, the influence of initial conditions.

В настоящее время все более актуальными становятся задачи оптимизации, поиска, реализации распределенных и (или) параллельных систем. Многие из них легко реализуемы простыми математическими методами, но некоторые задачи требуют к себе особого подхода. Эти задачи либо не разрешимы простыми методами, либо их решение потребует значительного времени и объема ресурсов. Так, например, доход любой компании определяется качеством этих решений - точностью прогнозов и оптимальностью выбранных стратегий.

Примерами таких задач могут являться:

• прогнозирование курсов валют;

• прогнозирование спроса;

• прогнозирование дохода компании;

• прогнозирование уровня безработицы;

• оптимизация расписаний;

• оптимизация плана закупок, плана инвестиций;

• оптимизация стратегии развития.

Как правило, для реальных задач бизнеса не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта. С помощью аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.

Постановка задачи. Имеется вычислительная система, состоящая из N несвязанных идентичных устройств (приборов, процессоров и т.п.) р = {pг, P2,..., Рп} На обслуживание в вычислительную систему поступает набор из M независимых параллельных заданий (работ) T = {t1, t2,..., tm}, известно время решения T(ti ) задания t на любом из устройств. При этом каждое задание может выполняться на любом из устройств (процессоре), в каждый момент времени отдельный процессор обслуживает не более одного задания и выполнение задания не прерывается для передачи на другой процессор.

Требуется найти такое распределение заданий по процессорам, при котором суммарное время выполнения заданий на каждом из процессоров было бы минимальным. Под расписанием следует понимать отображение AR : T ^ P, такое что, если AR(ti ) = P j, то говорят что задание tt e T, в расписании R назначенного на процессор p j e P. При сделанных выше допущениях,

–  –  –

Необходимо реализовать программу, которая будет сравнивать модели алгоритма Романовского.

Она должна выполнять следующие функции:

1) реализация алгоритма Романовского;

2) реализация алгоритма Романовского с формированием начального условия с помощью генетического алгоритма (модель Голденберга с элитой);

3) реализация алгоритма Романовского с формированием начального условия с помощью алгоритма критического пути (с упорядочиванием по убыванию);

4) реализация алгоритма Романовского с формированием начального условия с помощью критического пути (с упорядочиванием по возрастанию);

5) реализация алгоритма Романовского с формированием начального условия с помощью критического пути (без упорядочивания).

В качестве входных параметров программа получает:

• количество приборов;

• количество задач;

• границы интервала для матрицы загрузки;

• количество особей;

• критерий останова;

• вероятности кроссовера, мутации.

Алгоритм решения. Алгоритмы делятся на два класса: точные и приближенные. К точным алгоритмам относится алгоритм Романовского[1], к приближенным - списочные алгоритмы (метод критического пути), генетические алгоритмы. Точные алгоритмы дают оптимальное решение, но с увеличением размерности задачи время нахождения решения становится недостижимым. Приближенные методы дают решение близкое к оптимальному за короткое время[2]. Использование гибридного алгоритма позволяет объединить преимущества приближенных алгоритмов с преимуществами классических методов.

Метод ветвей и границ. Если допустимое множество решений задачи, конечно, то метод полного перебора всегда приводит к оптимальному решению. Однако число допустимых решений растет очень быстро с ростом параметров задачи. Поэтому этот метод крайне неэффективен. Одним из вариантов ускорения процесса является отбрасывание подмножеств заведомо неоптимальных решений. Эта идея улучшенного перебора применяется в методе ветвей и границ Задача о куче камней. Имеется множество камней N, каждому из которых j сопоставлено положительное число - его вес w[j]. Требуется разделить это множество на заданное число куч m таким образом, чтобы вес самой тяжелой из куч был минимален. Будем решать эту задачу методом ветвей и границ с односторонним обходом дерева вариантов. Можно представить себе m «ящиков» для камней, каждый из которых имеет вместимость z. Таким образом, в ящиках должно оставаться свободное место stack = z x m -1 [N] x ro[N]. Будем укладывать камни в ящики, последовательно заполняя один ящик за другим и стремясь каждый раз уложить в ящик самый большой из оставшихся (и помещающихся) камней.

Остающееся в ящике свободное место будет вычитаться из остатка свободного места stack, а этот остаток должен будет в течение всего вычислительного процесса оставаться неотрицательным. Если stack станет отрицательным, мы вернемся и отменим последнее из назначений, как это и полагается делать при одностороннем обходе.

Списочные методы. Списочные методы отличаются простотой в построении и реализации, характеризуются высокой эффективностью и оптимальным временем выполнения. Физический смысл списочных расписаний заключается в распределении работы на устройства, на данный момент наименее загруженные, а общее время выполнения будет близким к минимальному. Реализация списочных расписаний основана на применении линейных списков работ, упорядоченных по убыванию приоритета в соответствии с принятым алгоритмом выбора работ.

Одним из самых распространенных списочных алгоритмов является метод критического пути. Принцип действия этого метода заключается в том, что очередное задание из списка заданий, упорядоченных по убыванию, назначается на процессор с самой минимальной суммарной загрузкой.

Генетические алгоритмы. Генетический алгоритм — это алгоритм, который позволяет найти удовлетворительное решение к аналитически неразрешимым или сложнорешаемым проблемам через последовательный подбор и комбинирование искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.

Модель Голденберга повторяет каноническую модель, предложенную Джоном Холландом в его знаменитой работе "Адаптация в природных и исусственных средах" (1975), но отличается от канонической тем, что использует либо рулеточный, либо турнирный отбор. Модель канонического

Г А имеет следующие характеристики:

• фиксированный размер популяции;

• фиксированная разрядность генов;

• турнирный или рулеточный отбор;

• особи для скрещивания выбираются случайным образом;

• одноточечный кроссовер и одноточечная мутация.

При исследовании алгоритмов были выбраны следующие параметры, входные параметры:

• количество прогонов 50;

• интервал значений матрицы загрузки [20;25].

• Для генетического алгоритма:

• количество особей 50;

• критерий останова 50;

• вероятность кроссовера ; 1

–  –  –

При достаточно большем количестве приборов и задач лучшим вариантом является модель алгоритма с использованием генетического алгоритма в качестве начальной границы, так как в этом случае сразу же достигается оптимальное решение.

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Романовский И.В. Алгоритмы решения экстремальных задач. М.:

Наука, 1977.

2. Кобак В.Г., Кобак В.В., Титов Д.В. Методический подход к улучшению работы генетического алгоритма в однородной минимаксной задаче // Вестник Доского гос.тех.ун-та, № 4, 2010.

Кобак Валерий Г ригорьевич, доктор технических наук, профессор кафедры «Программное обеспечение вычислительной техники и автоматизированных систем» Донского государственного технического университета, valera33305@mail.ru.

Н ечаева А нна Владимировна, студентка 4 курса Донского государственного технического университета, специальность 090102 - «Компьютерная безопасность» г. Ростов-на-Дону.

ann-nechaeva @mail.ru

–  –  –

ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ ОБОБЩЕННОГО

АЛГОРИТМА S-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ

ИЗОБРАЖЕНИЙ

В статье рассматривается концепция S-аппроксимации. Приводится описание разработанных алгоритмов для упрощения полутоновых изображений и их сравнительная характеристика. На основе анализа свойств разработанных алгоритмов создан лучший алгоритм для приближения изображения. В этой статье также описывается решение задачи построения алгоритма оптимального S-приближения.

Ключевые слова: упрощение изображения, полутоновое изображение, s-аппроксимация, оптимальный алгоритм s-аппроксимации, метод роящихся частиц.

–  –  –

The article considers the concept of S-approximation. Provides a description of the developed algorithms to simplify the halftone image and their comparative characteristics. On the basis of the analysis of the properties of the developed algorithms built the best algorithm for the approximation of the image. In this paper also describes the solution of the problem of constructing an algorithm of optimal S-approximation.

Key words: simplification of the image, the grayscale image, sapproximation, the optimal algorithm for s-approximation, the method of particle swarm techniques.

Введение. Цветное графическое изображение - это наиболее совершенный и информативный образ, но при этом трудно распознаваемый, так как представляет собой сочетание тысяч и миллионов форм, яркостей, цветностей, границ и полутонов. Поэтому основным этапом распознавания образов является предварительная обработка, в результате которой формируется упрощенное изображение с сохраненными информативными параметрами для дальнейшей визуализации и обработки [1 ].

П остановка задачи. Первоначальное упрощение изображения сводится к преобразованию цветного изображения в полутоновое, так как цвет часто не является информативным признаком. Такие изображения в данной работе называются мультитоновыми, т.е. состоящими из множества тонов.

Следующий этап упрощения изображения заключается в преобразовании мультитонового изображения к s-тоновому, в котором происходит снижение размерности описания изображения до заданного количества полутонов s. Данный этап авторами назван s-аппроксимацией.

Цель s-аппроксимации состоит в получении приближенного и упрощенного изображения, которое должно сохранить как качественные, так и количественные информативные характеристики исходного изображения.

Другими словами, необходимо построить изображение аппроксимированное до s полутонов, но, так, чтобы его информативность, как изображения была максимально близка к исходному.

А лгоритм ы S-аппроксимации. В результате решения задачи Sаппроксимации было разработано несколько алгоритмов, решающих задачу преобразования мультитонового изображения к S-тоновому с сохранением информативных признаков, для выделения которых достаточно S-тонов [2].

Все разработанные алгоритмы делятся на две группы. Первая группа алгоритмов основана на частотной диаграмме яркости (ЧДЯ), а вторая группа на интегральной диаграмме яркости (ИДЯ). В качестве примера на рисунке 1 построены диаграммы яркости для изображения фации.

1,0 - ­ 0 -

–  –  –

расположенного в i-ой строке и j -ом столбце матрицы lmP.

На основе разработанных алгоритмов было аппроксимировано 30 различных мультитоновых изображений. На основе анализа полученных значений опорных СКО-критериев было выделено три алгоритма (алгоритм доминирования опорной яркости на основе частотной диаграммы яркости (АДО_Ч), алгоритм доминирования взвешенных опорных яркостей (АДО_В) и алгоритмом зеркального отображения опорных яркостей на основе гибридных границ (АЗО_Г)), которые давали более точную аппроксимацию по сравнению с другими.

При аппроксимации мультитонового изображения на основе АДО_Ч задается вектор опорных яркостей. Далее вычисляются координаты границ интервалов как среднее значение соседних опорных яркостей.

Следующим шагом выполняется попиксельное сканирование исходного изображения и производится замена яркости каждого пикселя hp опорной яркостью h[ по правилу:

–  –  –

В основу аппроксимации изображения по АДО_В положены границы интервалов, полученные по алгоритму прямого деления интегральной диаграммы яркости (АПИ). Для каждого интервала вычисляется опорная яркость как средневзвешенное значение. На следующем шаге, аналогично АДО_Ч, координаты границ интервалов вычисляются как среднее значение соседних опорных яркостей. Затем выполняется попиксельное сканирование исходного изображения.

Третий алгоритм АЗО_Г является гибридным алгоритмом, так как основан как на ЧДЯ, так и ИДЯ. В данном алгоритме координата границы интервала вычисляются как среднеарифметическое значение между границей интервала, полученной путем равномерного деления оси абсцисс ИДЯ и проекцией точки пересечения координаты границы интервала, полученной путем равномерного деления оси ординат, с кривой ИДЯ. Опорные яркости вычисляются зеркальным отображением центральной опорной яркости относительно границ интервала.

В качестве примера на рисунке 2 представлена диаграмма, отображающая значения опорного СКО-критерия, полученного при аппроксимации изображения фации (рис 1.а) при значениях S от 2 до 16 ©. Из диаграммы видно, что для минимального значения S=2 наилучший результат аппроксимации дает алгоритм АДО_Ч, при этом наихудший результат показал АЗО_Г (на 5% хуже по сравнению с АДО_Ч). В свою очередь при S=3 и 4 лучший результат показывает АДО_В, а худший АДО_Ч (хуже, чем АДО_В на 3% при S=3, и на 5% при S=4). При S 7лучшим алгоритмом является АЗО_Г, а худшим АДО_В (в среднем АДО_В хуже АЗО_Г на 10%).

© Ограничение по величине S вызвано тем, что дальнейший его рост не влияет на качество изображения.

Таким образом, не выделился лучший алгоритм для всех значений S при аппроксимации изображения фации.

На основании анализа результатов аппроксимации каждого из 30 изображений построены круговые диаграммы (рис. 3), показывающие процент случаев, в которых тот или иной алгоритм лидировал по качеству аппроксимации. По этому показателю при всех значениях S лидером стал АДО_Ч, на втором месте - АЗО_Г и худшие результаты показал АДО_В.

Диаграммы показали, что снова не выделилось алгоритма, который в 100% случаев при любом S давал лучший результат.

–  –  –

Рисунок 2 - Оценка эффективности аппроксимации изображения фации АДО Ч Н А ДО В И А ЗО Г 0А Д О _Ч ЫАДО_В Ш АЗО_Г В А Д О _Ч ИАДО_В 0 А ЗО _Г

–  –  –

Рисунок 3 - Процент случаев, в которых тот или иной алгоритм лидировал Таким образом, выдвинутые эвристические алгоритмы не дают лучший результат во всех случаях. Хотя различие между эффективностью данных алгоритмов не столь велико, чтобы исключить их применение в инженерной практике. Тем не менее, чтобы прийти к заключению и выводам относительно проведенного анализа решения задачи s-аппроксимации, решено провести исследование по созданию оптимального алгоритма упрощения мультитонового изображения.

Проведенное выше исследования показали, что решение задачи оптимизации зависит от трех факторов: количества тонов S, координат S вектора опорных яркостей H и координат границ интервалов ( h-k, h+k).

Таким образом, информации, полученной в результате реализации и исследования описанных выше различных эвристических подходов для аппроксимации мультитонового изображения к s-тоновому, достаточно для постановки задачи оптимизации s-аппроксимации.

П остановка задачи оптимизации алгоритм а S-аппроксимации. Все три алгоритма, выделенные как наилучшие, основываются на аксиоме равноудаленности границ от опорной яркости. При этом все рассмотренные эвристические подходы ориентированы изначально не на выбор положения опорных яркостей, а на выбор положения границ. Таким образом, целесообразно поставить задачу совместной оптимизации расположения границ деления диапазона яркости и самих опорных яркостей.

В статье [3] для решения оптимизационной задачи был описан новый, кардинально отличающийся от предыдущих, алгоритм s-аппроксимации. По этому алгоритму в качестве значений опорных яркостей выбираются равностоящие от границ деления значения опорных яркостей. Он получил название алгоритм равноудаленности границ (АРГ). Данный алгоритм s основывается на двух параметрах: координате первой опорной яркости h1 и

–  –  –

где hlp - значение последней яркости в исходной палитре мультитонового изображения.

В результате для всех S в рассмотренных примерах были найдены параметры аппроксимации, дающие улучшение значения опорного СКОкритерия.

Это показывает, что ограничения в виде равномерного разбиения по количеству пикселей и вычислении в качестве опорных яркостей средневзвешенных значений не является необходимым для оптимизации.

Поэтому на следующем этапе исследования задачи оптимизации выдвигается тезис о том, что для интервалы могут быть различными, но при этом не должен нарушаться принцип равноудаленности границ от опорной яркости. На основании данного тезиса произведена модификация алгоритма АРГ, который получил название модифицированный алгоритм равноудаленности границ (АРГ_М). Он основывается на включении в число варьируемых факторов координаты первой опорной яркости h1s и всего

–  –  –

Для решения данной задачи при S=3 и более уже не эффективно использовать метод простого перебора. Поэтому необходим инструмент, позволяющий решить S-параметрическую оптимизационную задачу.

Решение задачи построения алгоритм а оптимальной Sаппроксимации. Для решения поставленной задачи выбран метод роящихся частиц, так как он по своей сути хорошо реализует задачу координатную поиска [4].

Координаты каждой частицы это есть вектор, значение первой координаты которого равно h^, а последующие - это элементы.

Принятие решения о выборе наилучшей частицы в рое происходит относительно значения опорного СКО-критерия, полученного при аппроксимации мультитонового изображения.

Результаты аппроксимации изображения фации, полученные после оптимизации методом роящихся частиц, приводятся в сравнении с ранее рассчитанными результатами при аппроксимации на основе выше рассмотренных алгоритмов. Для наглядности они представляются в виде диаграммы, по оси ординат которой откладывается значение СКО-критерия (рис. 4).

Таким образом, экспериментально на аппроксимации 30 изображений показано, что получен алгоритм S-аппроксимации АРГ_М, который при различных стартовых условиях (различные Sи диаграммы яркости изображений) стабильно показывает лучшее качество приближения изображения. Это объясняется тем, что в данном алгоритме используется наибольшее количество степеней свободы, отсутствуют искусственные ограничения и существует только одно естественное ограничение, связанное с выходом за границы интервала яркости. Также показано, что метод роя является эффективным инструментом при решении координатной задачи поиска.

–  –  –

Рисунок 4 - Диаграмма сравнения качества аппроксимации

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Vasilev K.K., Dementew V.E. The Analysis of correlation properties of autoregression casual fields. _ Pattern recognition and image analysis, 2004, v. 2.

2. Нейдорф Р.А., Деревянкина А.А. Методы и задачи S - аппроксимации полутоновых изображений при распознавании графических образов. C6. тр.

ММТТ-22. Псков: 2009.

3. Нейдорф Р. А., Деревянкина А.А. Эффективный метод оптимизации Sаппроксимации изображений методом свободных границ. Сб. тр. семинара «Системный анализ, управление и обработка данных». Ростов-на-Дону: 2010.

4. Деревянкина А.А., Нейдорф Р.А. Исследование поведения канонического метода роя частиц // Молодежная научно - техническая конференция «Интеллектуальные системы - 2009», Труды конгресса, Москва, 2009 - т. 1 С кляренко А нна А натольевна, Донской государственный технический университет, г. Ростов-на-Дону Кафедра Программного обеспечения вычислительной техники и автоматизированных систем, доцент 344000, г. Ростов-на-Дону, пл. Гагарина,1 E-mail: deranna@mail.ru.

Нейдорф Рудольф А натольевич, д.т.н.

Донской государственный технический университет, г. Ростов-на-Дону Кафедра Программного обеспечения вычислительной техники и автоматизированных систем, профессор.

344000, г. Ростов-на-Дону, пл. Гагарина,1 E-mail: ran_pro@mail.ru Тел.: 8(863)2738-727.

N eidorf R udolf A natol’evich, D r. of Eng. Sc.

Don state technical university, Department o f the software o f computer facilities and the automated systems, Professor;

Russia, 344000, Rostov-on-Don, 1, Gagarin Square.

E-mail: ran_pro@mail.ru Phone: 8(863)2738-727

–  –  –

СЕЛЕКТИВНО-ПЕРЕСТАНОВОЧНАЯ МОДИФИКАЦИЯ

АЛГОРИТМА РОМАНОВСКОГО И ПЕРСПЕКТИВЫ ЕЕ

ИСПОЛЬЗОВАНИЯ

Разработан эффективный алгоритм распределения заданий по исполнителям, который основывается на применении селективно­ перестановочного подхода для улучшения приближенных решений, полученных модифицированным алгоритмом Романовского. Приводятся результаты вычислительных экспериментов.

Ключевые слова: теория расписаний, распределение заданий, однородная система, приближенное решение, перестановочное правило.

–  –  –

POSSIBILITIES AND PROSPECTS OF MODIFIED ROMANOVSKY ALGORITHM

BASED ON SELECTIVE-PERMUTATIONAL METHOD

The effective problem-solving algorithm to job-shop scheduling based on selective-permutational approach is created. The method is aimed to improve an approximate solution which is determined by modified Romanovsky algorithm.

Experimental results are presented.

Keywords: scheduling theory, job scheduling, open shop system, approximate solution, permutational rule.

Введение. Исследования в области теории расписаний сохраняют актуальность, несмотря на большое количество научно-исследовательских работ, посвященных этой теме [1]-[3]. Это обусловлено тем, что задачи, изучаемые в этой области, имеют не только важное теоретическое значение, поскольку относятся, в основном, к классу NP-полных задач, но и широко распространены во многих сферах человеческой деятельности.

В классической теории расписаний особое место отводится однородной распределительной задаче (РЗ), которая является фундаментом науки о планировании. Использование точных методов для решения однородной РЗ больших размерностей не позволяет получить оптимальное расписание за приемлемое время. Поэтому наиболее перспективными в этом плане являются приближенные методы, привлекательные высокой скоростью решения. Однако они характеризуются невысокой точностью приближения к оптимальному результату. Поэтому улучшение точностных свойств приближенных алгоритмов решения однородной РЗ является актуальной задачей.

П остановка задачи. В связи со сформулированной во введении проблемой в данной работе ставится задача повышения точности работы приближенных алгоритмов, обладающих высокой скоростью решения РЗ. В качестве базового алгоритма, для которого требуется улучшить эффективность нахождения приближенного решения, используется модифицированный алгоритм Романовского [4]. Выбор обуславливается тем, что эта модификация позволяет находить решения РЗ с высокой степенью приближения к оптимальному результату.

Основой для создания эффективного алгоритмического инструмента является селективный подход [5], разработанный для улучшения уже имеющегося допустимого решения. Этот подход основан на перекомпоновки полученных расписаний путем выборочного обмена заданий между исполнителями. Селективно-перестановочный метод совершенно не затрагивает ядра приближенного алгоритма и сводится к построению дополнительной алгоритмической консоли, исправляющей исходно заложенную в нем возможность неэффективного распределения заданий по исполнителям. При этом в селективно-перестановочном методе используется механизм, который не позволяет ухудшить исходное решение во время выполнения алгоритма.

Таким образом, задачей настоящей работы является выработка, реализация и проверка подхода к улучшению результатов работы приближенного алгоритма, в качестве которого используется модифицированный алгоритм Романовского (МАР).

Общая математическая модель постановки и решения однородной РЗ подробно описана в [4].

Селективно-перестановочны й метод. Селективно-перестановочный метод, подробно описанный в [5], состоит из 3-х основных шагов, повторяющихся циклически.

I. Ранжирование исполнителей по значениям загрузки для удобного анализа.

II. Поэлементный параметрический сравнительный анализ ресурсов заданий исполнителей, наиболее перспективных для улучшающей оптимизируемую оценку перестановки.

III. Принятие решения либо об обмене заданиями между исполнителями, либо об отсутствии в анализируемом варианте решения дальнейших улучшающих замен и о завершении работы алгоритма.

Сравнительный анализ и перестановки осуществляются в соответствие со следующими правилами:

- обмен заданиями предпочтительно осуществляется между исполнителями с максимальной и минимальной загрузками, которые условно называются исполнитель-донор и исполнитель-клиент соответственно;

— в случае отсутствия у исполнителей заданий, обмен которыми улучшает оценочный показатель решения РЗ, к рассмотрению принимается ближайший к минимальному по загрузке исполнитель;

— для обмена выбирается пара заданий, которая удовлетворяет условию Rd — c rtd —r-c 0, где Rd - загрузка исполнителя-донора, Rc R загрузка исполнителя-клиента, rid - ресурс задания исполнителядонора, rjc - ресурс задания исполнителя-клиента;

— если таких пар заданий несколько, то выбирается та пара, которая наиболее эффективно улучшает оценку решения РЗ.

Исследование ресурсно-точностных свойств селективно­ перестановочной модификации алгоритм а Романовского (СПМАР). Для исследования ресурсно-точностных свойств разработанного алгоритма осуществлен сравнительный анализ с такими приближенными алгоритмами, как метод критического пути (МКП) и эволюционно-генетический алгоритм (ЭГА). Проведены вычислительные эксперименты при разных значениях параметров задачи. Такими параметрами являются: n - количество заданий, m - количество исполнителей. В ходе экспериментов были случайным образом сгенерированы по векторов ресурсов заданий в диапазоне [25..75]. Для ЭГА заданы параметры, рекомендованные в литературе при решении однородных РЗ [6 ]. В сводной таблице приводится процент нахождения оптимальных решений Ропт и среднее время выполнения алгоритма tср (в секундах) по опытам.

По результатам, приведенным в таблице (Табл. 1), видно, что СПМАР обладает более высокими точностными характеристиками, чем остальные алгоритмы. Хочется отметить, высокую эффективность селективно­ перестановочного метода по улучшению приближенных решений, полученных МАР. При этом разработанная модификация продемонстрировала низкие требования к ресурсам во всех проведенных экспериментах.

–  –  –

Выводы. Селективно-перестановочная модификация алгоритма Романовского является перспективным приближенным алгоритмом решения однородной РЗ, поскольку в большинстве случаев позволяет находить оптимальные решения для задач малых размерностей. Однако для более точного анализа эффективности разработанного алгоритма требуется проведение дополнительных вычислительных экспериментов на задачах с более высокими значениями параметров.

БИ БЛ И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Коффман Э.Г. Теория расписания и вычислительные машины. - М.:

Наука, 1984. - 334 с.

2. Конвей Р.В., Максвелл В. Л., Миллер Л.В. Теория расписаний. - М.:

Наука, 1975. - 360 с.

3. Танаев B.C., Шкурба В.В. Введение в теорию расписаний. - М.: Наука, 1975. - 256с.

4. Жикулин А.А. Алгоритм быстрого поиска решения распределительной задачи высокой степени приближения на основе алгоритма Романовского // Системный анализ, управление и обработка информации: Труды 3-го Международного семинара / Под общ. ред. Р.А. Нейдорфа.- Ростов-н/Д: Изд.

центр Донск. гос. техн. ун-та, 2012.

5. Нейдорф Р.А. Селективно-перестановочный метод решения задач параллельного распределения заданий между исполнителями. Одинарные перестановки // Вестник ДГТУ. - 2011. - №. 8. Будиловский Д.М. Оптимизация решения задач теории расписаний на основе эволюционно-генетической модели распределения заданий: дисс....

канд. техн. наук. - Ростов-на-Дону: Издательский центр ДГТУ, 2007.

Нейдорф Рудольф А натольевич, д.т.н., профессор Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Донской государственный технический университет" (ДГТУ) в г. Ростове-на-Дону Кафедра «Программное обеспечение вычислительной техники и автоматизированных систем», зав. кафедры.

E-mail: neyruan@yandex.ru.

N eidorf R udolf Anatolyevitch, PhD in Science, professor Federal State-Owned Educational Establishment o f Higher Vocational Education “Don State Technical University ” (DSTU) in Rostov-on-Don Department o f Computer and Automation System Software, head o f a chair.

E-mail: neyruan@yandex.ru.

Ж икулин А ртем А лександрович, аспирант Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Донской государственный технический университет" (ДГТУ) в г. Ростове-на-Дону Кафедра «Программное обеспечение вычислительной техники и автоматизированных систем», аспирант.

E-mail: zhikulinaa @gmail. com.

Z hikulin A rtem A lexandrovich, postgraduate student Federal State-Owned Educational Establishment o f Higher Vocational Education “Don State Technical University” (DSTU) in Rostov-on-Don Department o f Computer and Automation System Software, postgraduate student.

E-mail: zhikulinaa @gmail. com.

УДК 778.38:621.37 А.А. Прыгунов Урановый холдинг «АРМЗ» (ОАО «Атомредметзолото»)

НЕКОТОРЫЕ ОСОБЕННОСТИ ПРАКТИЧЕСКОГО

ИСПОЛЬЗОВАНИЯ ПРОСТРАНСТВЕННО-СПЕКТРАЛЬНОГО

МЕТОДА ГОЛОГРАФИЧЕСКОЙ ИНТЕРФЕРОМЕТРИИ

В статье рассмотрены достоинства и особенности практического использования пространственно-спектрального метода голографической интерферометрии. Обоснована необходимость учёта в схемотехнических решениях геометрических пространственных параметров, а также оптической плотности эмульсии голограммы. Математически и графически показано, что при дифракции света на толстослойной эталонной голограмме может иметь место дополнительный угол поворота реконструированного светового потока.

Приведены математические соотношения для расчёта направления реконструированного светового потока относительно плоскости голограммы.

Ключевые слова: голографическая интерферометрия, пространственно­ спектральный метод, эмульсия голограммы, дополнительный угол поворота.

Результаты исследований, изложенные в данной статье, получены при финансовой поддержке Минобрнауки РФ в рамках реализации проекта «Создание высокотехнологичного производства по изготовлению информационно-телекоммуникационных комплексов спутниковой навигации ГЛОНАСС/GPS/Galileo» по постановлению правительства № 218 от 09.04.2010.

–  –  –

SOME FEATURES OF PRACTICAL USE OF THE SPATIAL AND

SPECTRAL METHOD OF THE HOLOGRAPHIC INTERFEROMETRY

In the article advantages and features of practical use of a spatial - and spectral method of a holographic interference are considered. Need of the account for scheme-technical solutions of geometrical spatial parameters, and also optical density of an emulsion of the hologram is proved. Mathematically and graphically it is shown that at light diffraction on the thick-layed standard hologram the additional angle of rotation of the reconstructed light stream can take place.

Mathematical ratios for calculation of the direction of the reconstructed light stream concerning the hologram plane are given.

Keywords: holographic interference, spatial - and - spectral method, hologram emulsion, additional angle of rotation.

The results of researches stated in this article, are received with financial support of the Ministry of Education and Science of the Russian Federation within implementation of the project «Creation of hi-tech production on manufacturing of information and telecommunication complexes of satellite navigation of GLONASS/GPS/Galileo under the resolution of the government No. 218 from 09.04.2010.

Среди оптических методов измерения перемещений наибольшую чувствительность и точность обеспечивают интерференционные методы измерений [1]. В этих методах выходная информация получается в результате анализа изменений, происходящих с волновыми фронтами интерферирующих когерентных световых потоков. Указанные методы обеспечивают возможность съёма выходной информации непосредственно в цифровом виде, что очень удобно для ввода её непосредственно в ЭВМ и при этом обеспечивается возможность бесконтактного съёма информации.

Высокие точность и быстродействие интерферометрических методов измерений обеспечиваются за счёт использования лазера в сочетании с электронно-оптическими устройствами обработки информации.

Существенным достоинством интерференционных методов является постоянство высокой чувствительности измерителей во всём рабочем диапазоне измерений. Однако, даже эти высокоточные методы измерений не позволяют повысить чувствительность измерений до уровня термодинамической помехи. Сравнительный анализ характеристик и практика использования оптических методов измерений показали несомненные преимущества интерференционно-голографических методов по сравнению с методами оптической интерферометрии [2]. При сохранении всех преимуществ оптических интерференционных методов измерений, интерференционно-голографические методы значительно менее критичны к технической реализации оптических каналов, по которым распространяются сравниваемые волновые фронты, являются дифференциальными по отношению к ошибкам, вносимым элементами оптических каналов, позволяют измерять изменения, происходящие с объектами произвольной формы и с различной степенью шероховатости их поверхности, обеспечивают более высокие чувствительность и точность измерений.

Однако, несмотря на все их достоинства, наиболее широко используемые в настоящее время интерференционно-голографические методы измерений имеют ряд существенных недостатков. Перечислим их.

1. Характер интерферограммы, формируемой с помощью голограммы, обусловлен не только изменениями, произошедшими с объектом измерений, но и его светорассеивающими свойствами, что сильно усложняет вопрос образования и интерпретации интерференционных полос.

2. Определение поля перемещений поверхности объекта измерений представляет собой трудоёмкий процесс, требующий значительных временных затрат.

3. Изменения, произошедшие с объектом измерений, исследуются на основе анализа интерференционной картины, распределённой по поверхности объекта измерений. Интерференционная картина при этом наблюдается сквозь голограмму. Ясно, что автоматизировать процесс полученной таким образом информации очень сложно.

4. Существенным недостатком является тот факт, что диапазон измеряемых изменений, произошедших с объектом измерений, сильно ограничен.

Свободным от указанных недостатков является разработанный в девяностые годы прошлого века пространственно-спектральный метод голографической интерферометрии [3]. Необходимо отметить, что этот метод измерений обладает всеми достоинствами, присущими другим интерференционно-голографическим методам измерений. Анализ возможностей практической реализации данного метода голографической интерферометрии позволяет сделать обоснованный вывод о том, что этот метод может быть с успехом использован в схемах высокочувствительных и высокоточных датчиков перемещений, вибраций, скоростей, ускорений, углов, измерителей расстояний, навигационного и локационного оборудования, электронно-оптического оборудования на новых физических принципах, информационно-телекоммуникационных систем и при решении целого ряда научных и технических задач. Основными достоинствами пространственно-спектрального метода голографической интерферометрии, обеспечивающими возможность решения указанных задач, являются.

1. Высокая чувствительность измерения перемещений объектов в широком динамическом диапазоне, ограниченном геометрическими размерами схемы измерителя, параметрами когерентности и энергетическими характеристиками излучения.

2. При технической реализации метода обеспечивается концентрация не менее 40% энергии светового потока оптического излучателя в пределах апертуры фотоприёмного устройства, перекрывающей размеры центрального пятна прожекторной зоны восстановленного изображения.

3. В отличие от наиболее известных методов голографической интерферометрии, таких как, например, метод двух экспозиций, метод реального времени, стробоголографический метод, пространственно­ спектральный метод обеспечивает возможность построения высокоточных и высокочувствительных измерителей угловых перемещений объектов в реальном времени и во всём диапазоне углов.

4. Фотоприёмные устройства, обеспечивающие измерение интенсивности светового потока на интерферограмме могут размещаться непосредственно в плоскости исследуемого изображения за пределами оптической оси схемы измерителя, что обеспечивает возможность автоматизации процесса измерений.

5. Обеспечивается однозначное определение направления измеряемого перемещения объекта. Для этого в плоскости главного изображения достаточно разместить два дискретных фотоприемника, фиксирующих процесс сбегания или разбегания интерференционных полос и обеспечивающих работу логического устройства по определению направления перемещения.

6. Обеспечивается высокая контрастность формируемой интерферограммы.

7. Обеспечивается высокая устойчивость формируемого изображения к паразитным вибрациям корпуса измерителя перемещений и к ударным нагрузкам.

Возможность практической реализации указанных достоинств пространственно-спектрального метода голографической интерферометрии обусловлена следующими функциями, которые выполняет в данном методе используемая в нём эталонная голограмма.

1. Реконструирует опорный световой поток, формирующий, совместно с предметным световым потоком от объекта измерений, интерференционную картину с низкими пространственными частотами, которые легко фиксируются фотоприёмными устройствами.

2. Позволяет осуществить разделение информации, закодированной в распределении амплитуд и фазовом фронте оптической волны, что даёт возможность исключить ошибки, связанные с амплитудными искажениями, а также компенсировать ошибки, вносимые оптическими элементами схемы измерителя.

3. Обеспечивает спектральную избирательность к реконструирующему световому потоку.

4. Обеспечивает возможность получения высокого коэффициента контрастности интерференционной картины.

5. Совместно с отражателем, размещённым непосредственно за эталонной голограммой, обеспечивает формирование интерферограммы в виде тёмных и светлых колец правильной геометрической формы, что обеспечивает автоматизацию процесса съёма и обработки оптической информации.

6. Позволяет совместно с отражательным зеркалом, путём изменения угла между голограммой и зеркалом, регулировать ширину интерференционных полос формируемой интерферограммы в достаточно значительном динамическом диапазоне.

7. Обеспечивает реконструкцию оптического поля в стороне от оптической оси реконструирующего светового потока, что обеспечивает удобство съёма и обработки оптической информации.

8. Обеспечивает концентрацию до 40% энергии реконструирующего светового потока в пределах центрального пятна прожекторной зоны реконструированного изображения.

Проведённый анализ показывает, что при практической реализации технических устройств с использованием пространственно-спектрального метода голографической интерферометрии необходимо учитывать ряд особенностей, присущих этому методу.

1. При измерении угловых или линейных перемещений исследуются изменения, происходящие не с изображением объекта, а с его Фурьеобразом пространственных частот.

2. Плоскость интерференционной картины, формируемой в процессе измерений, выносится за пределы оптической оси светового потока, отражённого объектом исследования.

3. В качестве фазочувствительного элемента используется эталонная голограмма полуотражательного типа, обеспечивающая, совместно с отражательным зеркалом, размещенным за ней, выделение низкочастотных пространственных составляющих, формируемых в плоскости главного изображения.

4. Метод обеспечивает измерение угловых или линейных перемещений объектов относительно плоскости эталонной голограммы. В качестве объектов измерений могут использоваться точечные объекты, объекты с зеркальной поверхностью, отражающие световой поток или излучающие его, а также отражающие зеркальные поверхности, размещаемые за голограммой.

5. В плоскости главного изображения формируется интерференционная картина в виде тёмных и светлых полос кольцевой формы.

6. При удалении объекта измерений от эталонной голограммы интерференционные полосы разбегаются от центра изображения, а при его приближении к эталонной голограмме - сбегаются к центру.

7. Для получения интерферограммы в плоскости главного изображения необходимо выполнение условий когерентности интерферирующих световых потоков.

8. Углы между волновыми векторами интерферирующих световых потоков малы и ограничены необходимостью выполнения двух взаимоисключающих условий:

• для удобства вынесения главного изображения за пределы оптической оси элементов схемы измерителя необходимо обеспечить максимальный угол между голограммой и отражателем, размещаемым за ней;

• для обеспечения максимальной площади пересечения интерферирующих световых потоков, формирующих главное изображение, угол между волновыми векторами этих световых потоков, а значит угол между голограммой и отражателем, должен быть близок к нулю.

Анализ схемотехнических решений, реализующих пространственно­ спектральный метод голографической интерферометрии, показывает, что при его практической реализации необходимо учитывать геометрические пространственные параметры записывающего слоя голографической фотопластинки, которые оказывают существенное влияние на интерференционную запись [4], а также оптическую плотность материала эмульсии.

Толщина слоя эмульсии голограммы является важным фактором, определяющим энергетику реконструируемого светового потока. В отличие от классических методов получения изображения при интерференционной записи увеличение толщины слоя не оказывает отрицательного влияния, поскольку интерференционное поле пронизывает весь слой.

В зависимости от отношения толщины записывающего слоя к пространственной частоте регистрируемой интерференционной картины запись разделяется на плоскую (тонкую) и объёмную (толстослойную) [4]. В случае плоской записи толщина слоя пренебрежимо мала по сравнению с пространственным периодом интерференционной картины. При реализации объёмной записи голограммы толщина записывающего слоя существенно превосходит период интерференционной картины. Кроме этих двух видов записи существуют и промежуточные случаи, когда проявляются свойства как плоской, так и объёмной записи [4].

Для классификации голограмм используют параметр толстослойности

Q [4]:

2= ^ (i) nAz где n - средний коэффициент преломления слоя; d - толщина слоя; X - длина волны; Л - расстояние между интерференционными плоскостями.

Обычно толстослойными (объёмными) голограммами считаются те, у которых параметр Q 10, и, наоборот, тонкой (плоской) считается голограмма, у которой Q 1 [4].

Между отражением и пропусканием имеется относительно простое различие. В одном случае свет, используемый для освещения голограммы при восстановлении волнового фронта, отражается от среды в виде волнового фронта изображения, а в другом этот свет проходит через голограмму. В случае работы на отражение теряется меньше света. В пространственно-спектральном методе голографической интерферометрии экспонируется полуотражательная голограмма, для которой 1 Q 10.

Полуотражательная голограмма, используемая в этом методе, является частично отражательной, а, значит, более энергетически эффективной, чем тонкие голограммы, характерные для фазовых голографических методов:

двойной экспозиции, реального времени, стробоголографического и усреднения по времени, в которых используются тонкие голограммы.

Единственный недостаток пространственно-спектрального метода голографической интерферометрии - не полностью эффективное использование энергии светового пучка, можно устранить, прейдя от полуотражательных голограмм к объёмным отражательным голограммам Фурье (Q 10). Эксперименты показывают [4], что эффективность использования таких голограмм доходит до 100%, за счёт формирования только одного либо мнимого, либо сопряженного ему (действительного) изображения и отсутствия или сильного ослабления изображения более высоких порядков.

Оценим влияние показателя преломления эмульсии экспонированной эталонной голограммы, вызванное различием оптической плотности воздуха и материала эмульсии, а также определим поправку, уточняющую отношение полуосей эллипсов, образуемых интерференционными полосами в плоскости главного изображения.

На рисунке 1 иллюстрируется процесс преломления и отражения светового потока в материале эмульсии (1) эталонной голограммы. Будем считать, что луч от восстанавливающего точечного источника S падает по нормали к поверхности голограммы. При падении на отражающую поверхность (2) (страту) в эмульсии голограммы, частично отразившись, луч выходит за пределы эталонной голограммы. Угол между поверхностью голограммы и отражающей свет стратой обозначим в'.

Рис. 1 - Процесс преломления и отражения светового потока в материале эмульсии голограммы.

Угол между падающим и отражённым стратой лучами составляет 2в'.

Угол между отражённым лучом, вышедшим за пределы эмульсии голограммы, и нормалью к её поверхности обозначим через в;. В качестве среды размещения источника света примем воздух, показатель преломления которого ю 1. Эмульсия экспонированной эталонной голограммы является разнородной средой, показатель преломления которой находится в следующих пределах: « 1.5 ^ 2.2 [4]. Тогда, в соответствии с законом «2

–  –  –

расходимости светового луча, характеризующим направленность точечного источника.

С учётом поправки на дополнительный угол поворота светового потока, дифрагировавшего от эталонной голограммы, отношение полуосей эллипсов находится из выражения:

–  –  –

Причём, 0=0.50 и в1 = 3в'+4.4в'. Таким образом, выражение (8) определяет зависимость отношения полуосей эллипсов интерференционных полос в плоскости изображения с учётом поправки на угол 0 ’ Графические.

результаты моделирования данной зависимости представлены на рисунке 2, где кривая n1 соответствует показателю преломления эмульсии голограммы равному 2.2, а кривая n2,, показателю преломления равному 1.5.

Рис. 2 - Зависимость отношения полуосей эллипсов от угла 0.

Анализ графических зависимостей, представленных на рисунке 2, свидетельствует о том, что при увеличении угла 0 отношение полуосей эллипсов интерференционных полос, формируемых в плоскости главного изображения, возрастает по закону, близкому к квадратичному. При увеличении оптической плотности материала эмульсии голограммы эксцентриситет эллипсов возрастает.

Проведённое исследование позволяет сделать практически важный вывод: при дифракции света на толстослойной эталонной голограмме имеет место дополнительный угол поворота дифрагировавшего от голограммы светового потока, обусловленный различиями в оптической плотности окружающей среды и эмульсии голограммы. Реконструированное главное изображение при этом смещается в сторону относительно нормали к плоскости голограммы на угол от 4в' до 5,4в' в зависимости от значения показателя преломления эмульсии эталонной голограммы. Этот угол может быть рассчитан для любой конкретной эталонной голограммы при известных значениях параметров в, nj и n2 и его необходимо учитывать при конструировании измерительных устройств с использованием пространственно-спектрального метода голографической интерферометрии.

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Бутиков Е.И. Оптика: Учеб. пособие для вузов / Под ред. Н.И.

Калитеевского. - М.: Высш. шк., 1986. - 512 с.: ил.

2. Островский Ю.И., Бутусов М.М., Островская Г.В. Голографическая интерферометрия. Монография. - Новосибирск: Наука, 1977. - 336 с.

3. Прыгунов А.Г., Сизов В.П., Безуглов Д.А. Метод определения перемещений объектов на основе анализа волновых фронтов оптического поля с использованием эталонных голограмм.// Оптика атмосферы и океана, 8, № 6, 1995. - с. 826-830.

4. Милер М. Голография: Пер. с чеш. - / Пер. А.С. Сударушкин, В.И.

Лусников. - Л.: Машиностроение. Ленингр. отд-ние, 1979. - 207 с., ил.

5. Безуглов Д.А., Прыгунов А.Г., Трепачёв В.В. Анализ дифракции в задаче измерения перемещений объектов пространственно-спектральным методом. / Автометрия, № 5, 1998. - с. 27-37.

П ры гунов А лексей А лександрович Урановый холдинг «АРМЗ» (ОАО «Атомредметзолото»). Проектный офис по повышению операционной эффективности, руководитель проекта.

109004, г. Москва, Большой Дровяной пер., д. 22.

E-mail: prygunov.a.a@armz.ru Prygunov Alexey Aleksandrovich ARM Z uranium Holding (JSC Atomredmetzoloto). Design office on increase o f operational efficiency, the project manager.

109004, Moscow, Bolshoy Drovyanoy Lane, 22.

E-mail: prygunov.a.a@armz.ru

–  –  –

АНАЛИЗ ДАННЫХ И ПРИНЯТИЕ РЕШЕНИЯ В СИСТЕМАХ

ПРОАКТИВНОЙ ЗАЩ ИТЫ ОТ ВРЕДОНОСНЫХ ПРОГРАММ

Проводится анализ существующих решений по выявлению вредоносных программ. Показана перспективность и актуальность разработки и реализации антивирусных средств основанных на проактивных методах обнаружения. Выделены недостатки существующих решений и предложены пути снижения вероятностей ошибок первого и второго рода при принятии решения об отнесении той или иной программы к вредоносным. Предложенный метод анализа позволяет значительно снизить вероятность ложных срабатываний и уровень требований к квалификации обслуживающего персонала.

Ключевые слова: компьютерные вирусы, вредоносные программы, антивирусы, принятие решения.

–  –  –

DATA ANALYSIS AND DECISION-MAKING INTO PROACTIVE

MALWARE PROTECTION SYSTEMS

In this article, we analyze the existing solutions to detect malicious software and show the perspective and relevance of the development and implementation of anti-virus tools based on proactive detection methods. The shortcomings of existing solutions are highlighted and proposed new ways to reduce the probabilities of errors of the first and second order in the decision to classify a particular program as malware. The proposed analysis method can significantly reduce the risk of false positives and the qualification requirements level for personnel.

Keywords: computer viruses, malware, antivirus, decision making.

Введение. Одним из наиболее востребованных продуктов на рынке программного обеспечения являются антивирусные программы. На настоящее время насчитываются сотни различных антивирусов и специальных утилит предназначенных для восстановления работоспособности компьютерных систем (КС) после заражения их вредоносными программами. Казалось бы, что обладание таким арсеналом средств защиты должно было бы уже давно положить конец всевозможным компьютерным вирусам. Но, как показывают данные статистики количество фактов заражения КС вирусами с каждым готом только растет. Многие аналитики винят в этом прежде всего «хакеров» которые постоянно создают все новые и новые вредоносные программы. В действительности это не совсем так. Да, каждый год появляются десятки тысяч новых вирусов, но большинство из них основаны на одном и том же алгоритме, используют одни и те же уязвимости КС. Исходные коды наиболее популярных вредоносных программ свободно распространяются в хакерской среде и многократно используются различными разработчиками для реализации собственных вредоносных программ, которые лишь незначительно отличаются от исходного образца. В результате и наблюдается такое множество «различных» компьютерных вирусов. Производители же антивирусных средств постоянно рекламируют свои продукты не забывая упомянуть сколько миллионов сигнатур содержится в их антивирусной базе, и как быстро они выпускают обновления при появлении новых вирусов.

Однако, каждый год рядовым пользователям, пользующимся лицензионными антивирусами, приходится сталкиваться с сообщением об обнаружении на их компьютере нового вируса, который уже успел попортить несколько нужных файлов.

А нализ сущ ествующих реш ений. Самым популярным на настоящий момент способом борьбы с вредоносными программами был и остается сигнатурный метод анализа [1-3]. Суть метода заключается в обнаружении вирусов по сигнатуре - уникальной последовательности байт, которая позволяет однозначно идентифицировать ту или иную вредоносную программу. Данный метод позволяет весьма эффективно бороться с последствиями заражения вирусами, но также обладает и рядом существенных недостатков. К недостаткам сигнатурного метода можно отнести: уязвимость «нулевого дня», низкую эффективность противодействия полиморфным и стелс вирусам, необходимость постоянного обновления базы сигнатур, невозможность предотвращения опасных действий вредоносных программ, постоянно растущее время сканирования системы и т.д. Без регулярных обновлений антивирусная программа, основанная на сигнатурном методе анализа, со временем становится совершенно бесполезной. По этой причине большинство разработчиков антивирусов стараются включить в свои программы дополнительные методы и средства защиты от вирусов: эвристический метод анализа, песочницу, технологию эмуляции окружения, контроль целостности системных файлов, поведенческий анализ.

Особый интерес представляют методы поведенческого анализа или как их еще называют - методы проактивной защиты.

Они обладают целым рядом существенных преимуществ:

- возможность обнаружения неизвестных и полиморфных вирусов;

- блокирование опасных и потенциально опасных действий;

- препятствие проникновению вирусов в систему;

- независимость от сигнатурных баз;

- отсутствие необходимости в постоянных обновлениях;

- возможность автоматического «отката» опасных действий;

- защита системы от ошибок оператора.

Основным недостатком реализации методов проактивной защиты в известных антивирусных программах является большое количество ложных срабатываний. Кроме того, данные методы весьма требовательны к квалификации пользователей. Далеко не каждый опытный пользователь КС может понять, что означает то или иное сообщение антивирусной программы о попытке записи данных в реестр по такому-то адресу. При этом антивирусная программа, по сути, перекладывает на пользователя решение и всю полноту ответственности за возможное заражение КС вирусами.

Программы, реализующие методы проактивной защиты от вредоносных программ [4], могут занять лидирующие положение на рынке антивирусных программных продуктов если будут решены задачи снижения количества ложных срабатываний и уровня требований к обслуживающему персоналу. Эти задачи поставлены в данной работе.

К лассиф икация действий по степени опасности. Любая система проактивной защиты от вредоносных программ основана на перехвате потенциально опасных действий и их последующем анализе. Вполне логичным кажется подход, основанный на простой классификации потенциально опасных действий.

Например, все действия программного обеспечения (ПО) можно разделить на классы по степени опасности:

безопасные, низкого уровня опасности, среднего уровня опасности, высокого уровня опасности и особо опасные. При таком подходе действия, относящиеся к первым трем классам, просто игнорируются. В тоже время эти действия могут быть предвестниками более опасных действий вредоносных программ. Так, попав в систему, вирус в первую очередь начитает анализировать новую для него среду обитания. Эти действия не относятся к опасным и игнорируются. Также одна из полезных рабочих программ может выполнить действие относящиеся к группе среднего или высокого уровня опасности и будет блокирована антивирусом. Например, запись данных в исполнимый файл можно отнести к действию с самым высоким уровнем опасности. Большинство вирусов стараются записать себя в исполнимые файлы или просто создать такие на диске. Но, это может быть и всего лишь копирование файла из одного каталога в другой. Таким образом, более эффективным будет использование метода анализа учитывающего всю историю действий ПО вне зависимости от степени опасности этих действий.

Н акопление инф ормации о действиях ПО. Технические возможности реализации систем проактивной защиты на базе SSDT [5] позволяют обеспечить перехват всех обращений к файловой подсистеме и вызовы большинства системных функций, а использование NDIS драйвера позволяет обеспечить перехват сетевых пакетов. В результате на обработку в модуль анализа данных может поступать огромный поток разрозненной информации о работе всех запущенных в системе процессов. При этом одним из ключевых требований к модулю анализа является требование минимизации использования системных ресурсов. Данное требование может быть выполнено только за счет сокращения объемов хранимой оперативной информации и количества необходимых вычислительных операций. По этой причине модуль анализа не может хранить информацию обо всех действиях всех запущенных в КС программ. Вместо этого предлагается использовать несколько численных показателей, которые бы могли характеризовать все предыдущие действия той или иной программы. Действительно, при использовании численных показателей объем хранимой информации по каждой программе сокращается всего до десятка байтов, а анализ каждого действия требует лишь пересчета численных показателей с учетом этого действия. В результате становится возможным сократить объем хранимой информации и количество вычислений.

П рименение метода экспертны х оценок. Как было отмечено выше, в современных системах проактивной защиты от вредоносных программ при перехвате потенциально опасного действия пользователю программы выдается сообщение с запросом на разрешение или блокирование данного действия. Принятие грамотного решения в этом случае требует от пользователя достаточно высокой квалификации и уровня знаний, порой на уровне системного программиста. Очевидно, что подобный подход неприемлем когда вопрос касается массового использования антивируса.

В рассматриваемом варианте реализации проактивной защиты предлагается переложить принятие решения на сам программный продукт, а вернее на модуль принятия решения. При этом исходными данными будут не только события поступающие от модуля перехвата действий потенциально опасного ПО, но и заранее подготовленная база знаний основанная на мнении экспертов. Для формирования базы знаний предлагается использовать метод экспертных оценок, который позволит упорядочить знания и мнения отдельных специалистов. Предполагается, что в формировании базы знаний будет принимать участие несколько высококвалифицированных специалистов, которые смогут дать объективную оценку тем или иным действиям происходящим в системе. Вместо классификации потенциально опасных действий по степени опасности предлагается использовать классификацию по тому насколько те или иные действия характерны для вредоносных программ.

Для упрощения работы экспертов при выставлении оценок потенциально опасным действиям все действия предполагается разделить на группы в соответствии с этапами жизненного цикла вредоносной программы.

Всего можно выделить шесть основных этапов: первый запуск, разведка, обеспечение повторного запуска, сокрытие присутствия, размножение и деструктивное воздействие. Пример таблицы для работы экспертов представлен ниже.

Таблица 1 — Таблица оценки действий вредоносных программ.

Коэффициент Оценка группы с учетом с учетом с учетом с учетом независима с действий, я учетом обеспечени обеспечени размнож деструктивн разведк я я е-ния ых ai и повторног скрытности воздействий о запуска Коэффициент v1= 1.0 v2 v3 v4 v5 v6 Действие 1 Действие 2 Действие N Каждый из экспертов заполняет таблицу самостоятельно проставляя баллы для каждого действия по десяти бальной шкале. Сначала проставляется независимая оценка для каждого из действий, так как будто все предыдущие и последующие действия нас не волнуют. После заполнения первого столбца эксперт переходит к заполнению оставшихся столбцов. В них заносится оценка того, на сколько однозначно рассматриваемое действие может классифицироваться как действие вредоносной программы при условии выполненных ранее действий из других групп.

Так как оценка проводилась в баллах, то итоговые результаты работы группы экспертов усредняются и отражаются на расширенной шкале (например, на 100 бальной). Полученные таблицы заносятся в базу знаний программы и являются исходными данными, на которые программа будет опираться при принятии решения.

М одуль п ри нятия реш ения. Общая схема модуля принятия решения представлена на рисунке 1. Как видно из рисунка в качестве хранимых данных используются только три таблицы ограниченного объема. В каждой из таблиц на один процесс приходится не более сотни байтов. Списки всех накопленных действий не используются. В результате удается свести к минимуму использование ресурсов оперативной памяти.

Т аблица накопленных оценок

Рис. 1 - Схема модуля принятия решения Все операции с данными осуществляются двумя сумматорами, что также значительно снижает объем требуемых вычислительных ресурсов.

Первый сумматор используется для пересчета данных таблицы накопленных оценок. Второй для расчета текущей оценки вредоносности процесса, выполнившего пришедшее на вход модуля принятия решения действия.

Накопленные оценки sij пересчитываются по каждому действию согласно формуле:

s(, = S1, S1(s;-,, t, p, action ) = g (st,, t ) + at • qp •^ vt, •action • g (st,, t), j j j j j j

–  –  –

коэффициент может быть установлен для процессов исполнимый модуль которых снабжен ЭЦП известного производителя ПО.

Вторая сумма рассчитывается как сумма накопленных оценок умноженных на соответствующие коэффициенты:

S i = S 2» S 2 ( S i, * ) = g ( s i, t ) + 2 V;, j • S i, j, j где Si - предыдущее значение.

Результат вычисления S2 используется для вынесения вердикта об отнесении программы соответствующей процессу p к вредоносным. Решение принимается по превышению некоторого заранее заданного порога принятия решения T, простым сравнением с заданной величиной. Величина T при которой программа может быть признана вредоносной подбирается экспериментально и сильно зависит от исходной таблицы экспертных оценок.

Заклю чение. Предложенный в работе метод проактивной защиты был опробован экспериментально. Модуль принятия решения использованный в ходе экспериментов показал достаточно хорошие результаты. Как и ожидалось удалось значительно снизить количество ложных срабатываний. В тоже время, необходимость экспериментального подбора величины порога принятия решения Т и её зависимость от таблиц экспертных оценок можно отнести к недостаткам, для устранения которых требуется проведение дальнейших исследований. Вместе с тем в рамках данной работы удалось показать, что система проактивной защиты построенная на описанных в статье принципах в подавляющем большинстве случаев способна самостоятельно, без обращения к пользователю, принимать верные решения.

Результаты работы уже на настоящем этапе исследований могут быть использованы для реализации методов проактивной защиты КС от вредоносных программ.

БИ БЛ И О Г РА Ф И Ч Е С К И Й СП И СО К

1. РД ФСТЭК «Базовая модель угроз безопасности персональных данных их обработке в информационных системах персональных данных», 15 февраля 2008 г.

2. Касперски К. «Записки исследователя компьютерных вирусов» - СПб.:

Питер, 2002. - 316 с.

3. Aycock J. Computer Viruses and Malware. Advances in information security. - Calgary: Springer, 2006. - 227 p.

4. Алиев А.Т. «Защита информационных систем от вредоносного программного обеспечения» / Алиев А.Т., Морозов А.П.// Современные информационные технологии: тенденции и перспективы развития. - XIX науч. конф.- Ростов-на-Дону: 2012. С. 26-27.

5. Алиев А.Т. «Построение проактивной системы защиты от вредоносных программ» // Информационная безопасность -2012. - XII науч.-практ. конф.Таганрог: ТРТУ, 2012. Ч.2. - С. 45-50.

А лиев А лександр Тофикович, к.т.н.

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Донской государственный технический университет»

Кафедра «Программное обеспечение вычислительной техники и автоматизированных систем», доцент 344000, г.Ростов-на-Дону, пл. Гагарина 1 E-mail: A.T.Aliev@mail.ru УДК 004.942+533+623.742

–  –  –

АНАЛИЗ ВОЗМОЖНОСТЕЙ И ОБЛАСТЕЙ ПРИМЕНЕНИЯ

ПРОГРАММНОГО ПАКЕТА SOLIDWORKS FLOW SIMULATION

В статье рассматриваются возможности программного пакета SolidWorks Flow Simulation, универсального инструмента для анализа в гидрогазодинамике. Приведено краткое описание по процессу подготовки модели для исследования и получения результатов на примере аппарата аэростатного типа.

Ключевые слова: аэродинамика, летательный аппарат, аэростат.

–  –  –

ANALYSIS OF CAPABILITIES AND APPLICATIONS

THE SOFTWARE PACKAGE SOLIDWORKS FLOW SIMULATION

The possibility of a software package SolidWorks Flow Simulation, a universal tool for analysis in fluid dynamics. A brief description of the process for the preparation of a model for the study and the results on the example of balloon device type.

Keywords: aerodynamics, aircraft, aerostat.

Введение. На сегодняшний день компьютерное моделирование является одним из эффективных методов изучения сложных систем.

Компьютерные модели проще и удобнее исследовать ввиду возможности проводить т.н. вычислительные эксперименты. Это целесообразно в тех случаях, когда реальные эксперименты затруднены из-за финансовых, временных или других физических препятствий. Встречаются ситуации, когда при натурном испытании есть опасность получить от исследуемого процесса, объекта или явления непредсказуемый, иногда катастрофический результат [1].

Среди многообразия программных комплексов компьютерного моделирования выделяется программный комплекс SolidWorks. Он предназначен для автоматизации работ промышленного предприятия на этапах конструкторской и технологической подготовки производства изделий любой степени сложности и назначения. Специализированные модули программного комплекса решают задачи на этапе производства и эксплуатации. SolidWorks Flow Simulation является модулем гидрогазодинамического анализа в среде SolidWorks. В международных проектах, финансируемых Евросоюзом, этот пакет рекомендован в качестве стандартного средства исследования.

О сновны е сведения о SolidW orks Flow Simulation. SolidWorks Flow Simulation - это универсальный инструмент для анализа установившихся и неустановившихся гидрогазодинамических процессов, протекающих в жидких, газообразных и твердых средах, объектах, при различных явлениях природы [2].

На Рис. 1 представлено главное интерфейсное окно программы SolidWorks, которое включает в себя панель инструментов, отображаемую в данный момент модель или ее часть и дерево конструирования. Это окно дает возможность модифицировать объект. При активизации модуля Flow Simulation в среде SolidWorks становится доступна вкладка Flow Simulation

Analysis Tree в левой части окна (Рис. 2). Эта вкладка позволяет:

1. редактировать начальные условия, регион расчета, граничные условия, цели моделирования, источники тепла и прочее;

2. управлять результатами моделирования.

–  –  –

Рис. 2 Вкладка "Flow Simulation Analysis Tree” Как видно из Рис. 2 программа SolidWorks Flow Simulation имеет дружелюбный пользовательский интерфейс, поддерживает стационарные и нестационарные течения, сжимаемые и несжимаемые (жидкости или газы) течения, включая до-, транс- и сверхзвуковые режимы, ламинарные и турбулентные течения, учет ламинарного/турбулентного перехода, течения в пористых средах с учетом теплопроводности стенки, внешнее и внутреннее течение. Кроме этих, интересующих автора возможностей, пакет поддерживает 64-разрядные операционные системы, многоядерность, автоматическую адаптацию сетки в зависимости от геометрических характеристик модели и поля решения, возможность расчета двумерной задачи, тепловые элементы Пелтье.

П ример практического использования Flow Simulation. С помощью данного описываемого программного пакета были исследованы аэродинамические параметры вертикальных движений одной из конструкций летательного аппарата аэростатного типа. Испытания проводились при термодинамических и других физических условиях, соответствующих различным высотам, и с различными скоростями. Задачей исследования являлось выяснение возможной крейсерской скорости подъема и снижения аппарата.

Рис. 3 Начальные условия. Выбор типа анализа Предпроцессинг (подготовка модели) в среде SolidWorks Flow Simulation состоит из выбора: типа обдува (внутренний или внешний), жидкости или газа, которая будет обдувать исследуемую модель, параметров окружающей среды (давление и температура), параметров турбулентности, скорости потока. Для моделируемого аппарата выбран внешний (external) тип обдува (Рис. 3), воздух, в качестве газа, который будет обдувать модель (Рис.

4) и параметры окружающей среды (Рис. 5).

–  –  –

Рис. 5 Начальные условия. Задание значений давление, температуры, скорости и турбулентности Постпроцессинг в среде SolidWorks Flow Simulation позволяет получить результаты в виде различных форм графических представлений.

Эти представления предназначены для исследования таких параметров как:

давление (статическое, динамическое, полное), скорость обдува, сила сопротивления, момент и прочее. Наиболее наглядными и популярными являются следующие графические формы:

1. цветовые эпюры на любой плоскости или поверхности, включая вектора и изолинии (Рис. 6, Рис. 7);

2. трехмерные траектории ( );

3. анимации результатов;

4. характеристики в точках, определяемых пользователем (Рис. 9).

–  –  –

Рис. 9 Расчет характеристик в произвольных точках На Рис. 9 изображены точки, выбранные пользователем на верхней поверхности тела, для которых в нижней части окна выводятся интересуемые значения (в данном случае выводятся значения давления).

Полученные при исследованиях результаты силы сопротивления и аэродинамического коэффициента (АДК) летательного аппарата приведены в таблице 1. Они позволяют построить следующие зависимости: силы от скорости (Рис. 10), силы от высоты (Рис. 11), АДК от скорости (Рис. 12), АДК от высоты (Рис. 13).

–  –  –

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Компьютерное моделирование. - URL: http://ru.wikipedia.org/wiki/ Компьютерное_моделирование. Дата обращения: 25.09.2012.

2. SolidWorks Flow Simulation. - URL: http://www.solidworks.ru/index.php ?option=com_content&view=article&id=151&Itemid=66. Дата обращения:

25.09.2012.

Сигида Ю рий Леонидович, аспирант Донской Государственный Технический Университет Кафедра «ПОВТиАС»

E-mail: yurius8 8 @yandex.ru Тел.: +7-909-406-74-83.

Sigida Ju rij Leonidovich Federal State-Owned Educational Establishment o f Higher Vocational Education “Don State Technical University" (DSTU) in Rostov-on-Don Department o f Computer and Automation System Software, postgraduate student.

E-mail: yurius8 8 @yandex.ru УДК 519.711.3

–  –  –

СУТОЧНЫЕ ТЕМПЕРАТУРНЫЕ КОЛЕБАНИЯ ВЫСОТЫ ПОЛЕТА

СТРАТОСФЕРНОЙ ПЛАТФОРМЫ И МЕТОДЫ ИХ

КОМПЕНСАЦИИ

В статье рассматривается влияние суточных колебаний температуры на состояние полета стратосферной платформы. Описаны статические зависимости основных параметров стратосферной платформы от температуры. Приведены результаты аналитического исследования данных взятой из Интернет-источников стратосферной платформы. Предлагаются методы решения проблемы.

Ключевые слова: стратосферная платформа, суточные колебания температуры, изменение состояния платформы, баллонетное управление, система охлаждения.

–  –  –

DIURNAL TEMPERATURE CHANGING OF FLIGHT ALTITUDE OF

STRATOSPHERIC AIRSHIP AND THE METHODS OF THIS

COMPENSATION

The influence of diurnal temperature changing on the airship flight state is considered in the article. The static dependencies of the stratospheric platform main parameters from temperature are described. Results of the analytic research of the stratospheric airship data taken from Internet are presented. Methods of the problem solving are offered.

Keywords: stratospheric airship, diurnal temperature changing, airship state changing, air bag control, cooling system.

Введение. Среди категорий воздухо-плавательных летательных аппаратов (ВПЛА), выделяемых на сегодняшний день, особое место занимают беспилотные высотные аэростатические платформы или более распространенное их название - стратосферные платформы. Эти ВПЛА уже адаптированы для того, чтобы «стать платформами для обеспечения устойчивой связи, наблюдения и патрулирования местности, благодаря высокой длительности полетов, сотовой дислокации и размеров полезной нагрузки» [1].

Как показал анализ упомянутых выше ВПЛА как зарубежного, так и отечественного производства [2], при их проектировании используют основные конструкторско - технологические принципы классических дирижаблей, в частности баллонетное регулирование перепадов давления внутри корпуса дирижабля. Однако необходимо учитывать тот факт, что высота полета стратосферных платформ составляет около 20км, а влияние земной поверхности простирается приблизительно до этой высоты, и далее нагревание воздуха происходит непосредственно Солнцем. Из-за продолжительности полетов, стратосферная платформа функционирует как днем, так ночью. Согласно ГОСТ 4401-81 температура и давление окружающей среды в течение суток на этой высоте практически не меняется.

А вот температура подъемного газа (ПГ) резко увеличивается из-за солнечной радиации днем и становится близкой к температуре окружающей среды ночью [1]. Поэтому необходимо провести исследование, позволяющее выявить, будут ли температурные колебания ПГ в течение суток оказывать влияние на высоту полета стратосферной платформы и на состояние самой платформы.

С татические зависимости основных парам етров состояния стратосферной платф орм ы от тем пературы ПГ.

Зависимость атмосферного давления от высоты описывается известной «барометрической формулой» [3]:

Ив g h Р тм(h ) = Р0 • e (1) К Тв«, В ВПЛА с полужесткой или мягкой конструкцией стабильность и безопасность надутого состояния аппарата обеспечивается изменением количества и давления воздуха в баллонетах. Установившееся давление в баллонете описывается с учетом того, что объем баллонета определяется объемом, занимаемым ПГ, а тот, в свою очередь, - соотношением давлений самого ПГ и окружающего воздуха, с которым баллонет сообщается через систему впускных и выпускных клапанов.

С учетом вышесказанного получим следующее выражение:

Р бал (h ) = Р пг (h ) = Р атм (h ) + Л Р ^, (M бал (h ) 0), (2) где АРбал - избыток давления системы впускных и выпускных клапанов.

Зависимость плотности фиксированной массы ПГ от высоты и температуры ПГ можно выразить из известного уравнения МенделееваКлайперона, из которого следует, что

–  –  –

Рис. 3. График зависимости равнодействующей силы от колебаний температуры водорода График на рисунке 3 показывает, насколько будет увеличиваться сила всплывания AFg в зависимости от колебаний ATg первоначальной температуры T1 на 10K. Диапазон значений составил [3.549*10-5.. 1.346* 104].

П редлагаем ы е реш ения проблемы.

С учетом эффекта нагревания температуры подъемного газа необходимо строить тем или иным образом систему, которая будет ее стабилизировать:

. Можно реализовать систему охлаждения газа за счет солнечных батарей.

. Можно уменьшать количество подъемного газа. Для этого нужно пересчитать необходимое количество газа для данной температуры и откачать лишнее количество газа во вспомогательный баллон с помощью автоматической системы перекачки газа.

В комплексе управления обязательно должен присутствовать дисплей мониторинга полета платформы, отображающий измерения со следующих устройств: датчики температуры, датчики внешней температуры, датчики подъемного газа.

Б И Б Л И О Г РА Ф И Ч Е С К И Й СП И СО К

1. Song Qi and other The simulation and analysis of diurnal different temperature in the process of station of stratospheric airships // 9th International Airship Conference, Ashford, 2012.

2. Верба Г.Е., Щугарев С.Н., Ивченко Б.А., Пономарев П. А., Талесников М.В. Современные мировые тенденции создания воздухоплавательной техники в интересах силовых ведомств// Известия ЮФУ. Технические науки.

№3 (128). 2012г.

3. Хргиан А.Х. Физика атмосферы. - М., 1958.

Б олды рева А нна А лександровна, аспирант Д о н ск о й Го суд а р ст в ен н ы й Техн и чески й университ ет, каф. « П рограм м н ое

–  –  –

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ГЕНЕТИЧЕСКОГО

АЛГОРИТМА НА БАЗЕ МОДЕЛИ СНС ПУТЕМ РАЗБИЕНИЯ

ЗАДАЧИ НА ЭТАПЫ

В данной статье рассмотрена методика повышения эффективности генетического алгоритма на базе модели СНС за счет разделения расчетов на этапы при решении неоднородной минимаксной задачи. Также описана идея использования такого подхода и приведены сравнительные результаты стандартного алгоритма на базе модели СНС и с применением поэтапного расчета.

Ключевые слова: теория расписаний, модель СНС, неоднородная распределительная задача, поэтапные расчеты, генетические алгоритмы.

–  –  –

INCREASE OF EFFICIENCY OF GENETIC ALGORITHM ON THE

BASIS OF MODEL СНС BY SPLITTING OF THE TASK INTO STAGES

A methodology of increasing effectiveness of CHC based genetic algorithm by splitting processing on stages by solving heterogeneous minimax task in this article was considered. Also, idea of using this approach was described and comparative results of using standard CHC based genetic algorithm and CHC based genetic algorithm with using step-by-step approach.

Keywords: theory of schedules, SNS model, non-uniform distributive task, stage-by-stage calculations, genetic algorithms.

Введение. Существует множество различных подходов для решения распределительной задачи. Таковыми являются различные списочные алгоритмы, комбинаторные, или же генетические. Помимо этого существуют различные смешанные алгоритмы, когда для получения конечного решения применяется поэтапное решение задачи то одними, то другими алгоритмами.

У всех из них есть как свои плюсы, так и минусы. Например, списочные алгоритмы довольно быстро дают решение, но далеко не оптимальное, в то время как различные комбинаторные алгоритмы дают довольно близкое к оптимальному, а иногда и оптимальное, решение, но значительно проигрывают по времени расчетов. Зачастую для решения распределительной задачи комбинаторные алгоритмы просто неприемлемы для решения задачи в связи с колоссальными объемами времени получения результата.

Особую роль в решении распределительной задачи занимают генетические алгоритмы (в дальнейшем ГА), так как они построены на вероятностных событиях. Несмотря на это ГА позволяют получить эффективное решение в короткие сроки времени.

Далее в работе будут рассмотрены некоторые виды мутации, а также проведен сравнительный анализ полученных с помощью них результатов решения распределительной задачи.

П остановка задачи. Задача теории расписаний может быть сформулирована следующим образом. Имеется вычислительная система, состоящая из n параллельных процессоров Р -{p1;...,pn}, на которые

–  –  –

обеспечивающего оптимальность расписания по быстродействию, служит минимаксный критерий и определяет такое распределение заданий по процессорам, при котором время завершения T параллельной программы минимально, т.е. t _ max{t; min, где t _ x t,• - загрузка i-ого процессора Ki*n tj eQi (время окончания выполнения множества заданий Qt Q, назначенных на процессор pi, где i _ 1 n ) [1].

, П редставление данны х в генах. В генетических алгоритмах на каждом этапе решения задачи у нас есть множество решений, называемых особями, а хранящиеся в них данные представляются в виде последовательности генов. Так, например, последовательность генов [1,3,2,2,3,1,1] говорит о том, что задания 1, 6 и 7 выполняются на устройстве 1, задания 3 и 4 на устройстве 2, а задания 2 и 5 на устройстве 3. Это лишь один из многих видов представления данных.

Снижение эфф ективности при увеличении устройств. Хотя генетический алгоритм на базе модели СНС позволяет получить некоторое решение, близкое к оптимальному, у данной модели есть недостатки, относящиеся, в принципе, ко всем видам генетических алгоритмов. В данном случае рассматривается такой недостаток, как снижение эффективности алгоритма при увеличении устройств, на которые необходимо распределить задачи [2].

Практически, для каждой матрицы можно рассчитать некоторое «идеальное» значение результата, которое в принципе никогда не может быть получено, но которое можно использовать для оценки эффективности алгоритма. В качестве такого значения можно взять сумму минимальных

–  –  –

Если сравнить результаты, представленные в таблице 1 с результатом в таблице 3, то видно, что эффективность алгоритма при разбиении на этапы выше примерно на 4%.

–  –  –

ИССЛЕДОВАНИЕ АЛГОРИТМА КРОНА ПРИ РАЗЛИЧНЫХ

ИСХОДНЫХ ДАННЫХ

В данной работе рассматривается однородная распределительная задача, решаемая с помощью алгоритма Крона и его модификации. Так же рассматривается вопрос о влиянии на результирующее распределение исходных данных, как для классического алгоритма, так и для его модификаций. Приведены результаты численных экспериментов, на основе которых сделан вывод о влиянии исходных данных на работу алгоритмов.

Ключевые слова: однородная задача, алгоритм Крона, модификация алгоритма Крона, влияние исходных данных, численный эксперимент.

–  –  –

ALGORITHM RESEARCH KRONE AT VARIOUS BASIC DATA

In this paper we consider a homogeneous distribution problem solved using the algorithm of Crohn's and its modifications. It is also considered the impact on the resulting distribution of the source data for both the classical algorithm, and for its modifications. The results of numerical experiments on the basis of which concluded that the influence of baseline data on the work of the algorithms.

Key words: homogeneous problem, the algorithm Crohn's, Crohn's modification of the algorithm, the influence of baseline data, the numerical experiment.

В н ас то я щ е е в р е м я ш и р о к о е р а с п р о с т р а н е н и е и р а зв и ти е п о л у ч и л и

–  –  –

Для решения однородной минимаксной задачи можно использовать приближённые алгоритмы, которые позволяют получить решение близкое к оптимальному за меньшее время, по сравнению с точными алгоритмами.

Одним из таких алгоритмов является алгоритм Крона [1]. Принцип его действия заключается в случайном распределении множества заданий на множество приборов, вычислении времени загрузки каждого прибора {Ti} (i=1..n) и обмене заданиями между приборами с максимальным Tmax и минимальным Tmin значениями из набора {Ti } при выполнении условия lqkmax

- qj minil А, где А = гт-max - гт-min, ik, j = 1 о _ _ ^а а T T 1,2..m.

После каждой операции обмена значения {Tk } пересчитываются, выбираются новые два прибора с Tmax и Tmin и процесс проверки указанного выше условия повторяется. Если условие ни разу не выполнится, алгоритм завершается. На рисунке 1 приведена схема итерационного процесса выбора пары заданий для последующего обмена по классическому алгоритму Крона.

Рис. 1. Схема итерационного процесса выбора пары заданий для последующего обмена по классическому алгоритму Крона

–  –  –

Математические методы в технике и технологиях - ММТТ-20: сб. тр.ХХ Междунар. науч. конф.- Ярославль.

2. Кобак В.Г., Титов Д.В., Золотых О.А. Алгоритмический подход к увеличению эффективности алгоритма Крона в однородных системах // Материалы межвузовской научно-технической конференции «Перспективы развития средств и комплексов связи. Подготовка специалистов связи».

Новочеркасск, 2011. С. 179-181.

–  –  –

ИНТЕЛЛЕКТУАЛЬНЫЙ В МАЛОМ АЛГОРИТМ ОБРАБОТКИ

ДИНАМИЧЕСКИХ ИЗМЕРЕНИЙ В УСЛОВИЯХ

НЕОПРЕДЕЛЕННОСТИ

Рассмотрена задача линейной дискретной фильтрации в условиях неопределенности задания начальных условий. Для оценки начальных условий предложено использовать фильтр на основе системы с нечеткой логикой. Приведен алгоритм обучения нечеткого фильтра. Рассмотрен иллюстративный пример.

Ключевые слова: алгоритм фильтрации, неопределенность, нечеткий фильтр, алгоритм обучения.

–  –  –

INTELLIGENT PROCESSING ALGORITHM IN SMALL FOR

DYNAMIC MEASUREMENTS UNDER UNCERTAINTY

The problem of linear discrete filtering in uncertainty the initial conditions.

To estimate the initial conditions it is offered to use the filter on the basis of fuzzy logic. An algorithm for learning fuzzy filter. Considered illustrative example.

Keywords: filter algorithm, the uncertainty, the fuzzy filter, training algorithm.

Введение. При решении задач навигационных определений широкое применение находят алгоритмы оптимальной и квазиоптимальной дискретной фильтрации. Так, например, в бортовой аппаратуре потребителей спутниковой навигационной системы GPS/ГЛОНАСС используются оптимальные и расширенные фильтры Калмана [1, 2]. Однако, алгоритмам фильтрации присущи недостатки, снижающие эффективность обработки измерений: относительно большое время переходных процессов, чувствительность к заданию начального приближения, возникновение случаев расходимости. С целью совершенствования процедуры фильтрации в последнее время наряду с традиционными статистическими алгоритмами находят применение алгоритмы, использующие элементы искусственного интеллекта [3, 4]: нейронные сети и системы с нечеткой логикой. Наряду с такими достоинствами как высокий параллелизм нейросетевых алгоритмов, возможность аппроксимации сложных нелинейных зависимостей, данные алгоритмы имеют и недостатки: сложность обучения, невозможность учета при обучении априорной (экспертной) информации, затруднение с интерпретацией синтезированного алгоритма. Недостатком нечетких систем является необходимость учета уже на этапе проектирования экспертной информации. Представляет интерес разработка комбинированных алгоритмов, дополняющих достоинства друг друга.

П остановка задачи. Пусть динамическая система на интервале [t0,T ]

–  –  –

прогнозирования; K ( j +1) - ковариационная матрица ошибок фильтрации;

Vx ( j ), WZ ( j ) - матрицы интенсивностей случайных последовательностей; I единичная матрица.

Начальные условия X (0), K (0) для (3) и (4) задаются с учетом априорной информации о процессе (1), полученной путем обработки данных предыдущих сеансов навигационных измерений. При отсутствии таких данных используются другие приемы. В простейшем случае X ( 0) выбирается как среднее из всех возможных значений, определяемых физической сущностью модели движения

–  –  –

вектора состояния X (к) процесса (1). Назовем синтезируемую нечеткую систему фильтром с нечеткой логикой (ФНЛ).

Логико-лингвистическая модель ФНЛ на основе алгоритма вывода Сугено будет иметь вид

–  –  –

функций принадлежности. Количество найденных кластеров определяет количество продукционных правил 0. Алгоритм кластеризации является итерационным и содержит следующие шаги:

Шаг 1. Определение точек y,y= 1, Q, которые могут быть центрами кластеров. В качестве потенциальных центров y следует использовать или * сами объекты кластеризации ( j ) (элементы обучающего множества) или

–  –  –

неотрицательно определенная матрица, обеспечивающая приведение к единой размерности; - объем обучающей выборки.

Определение центра первого кластера

–  –  –

итерационного алгоритма:

Шаг 1. Грубое задание параметров функций принадлежности ( C,a, R ).

При этом следует учитывать результаты субтрактивной кластеризации (14) Так вектор параметров C задается на основе (18), вектор a - с учетом ** параметров а, алгоритма (14) - (18) или таким образом, чтобы соседние функции принадлежностей пересекались на уровне 0.5, элементы вектора R, как правило, принимаются равными 2 [4].

Шаг 2. Определение вектора коэффициентов Bk, к = 1,q модели (9). С

–  –  –

вектора X ( j ) модели (1) с заданными интервалами «решетки». Затем для каждого узла «решетки» в соответствии с (2) методом имитационного моделирования формируются наблюдения. Однако такая обучающая выборка не учитывает априорную информацию о процессе (1), что приводит или к увеличению времени обучения, или к явлению переобучения ФНЛ. В последнем случае увеличивается ошибка обучения.

Для определения пространства X с U, учитывающего априорную информацию о процессе X (t), требуется многократное интегрирование модели (1) на интервале [t0, T ] при различных значениях начальных условий и параметров модели:

–  –  –

затратами по сравнению с численным интегрированием.



Pages:   || 2 | 3 |
Похожие работы:

«1. Часть 2. Структура Информационного общества России Содержание 2.1. Цели и задачи части 2 2.2. Структура Информационного общества и его механизмы материализации интеллекта в человеко-машинной СТКС.2.3. Реализация принципов саморазвития.2.4. Структуры Пространства Информационного общества.2.5. Структуры В...»

«Сибирское отделение РАН Государственная публичная научно-техническая библиотека КАДРОВЫЙ ПОТЕНЦИАЛ БИБЛИОТЕК Сборник научных трудов Новосибирск УДК 021.7 ББК Ч 73р7 К13 Печатается по постановлению редакционно-издательского совета ГПН...»

«2. Современные тенденции и проблемы развития и реконструкции в архитектуре и градостроительстве Actual trends and problems of development and reconstruction in architecture and urban planning Чулкова Е.В., Моор В.К. pandarch@mail.ru; moorv@rambler.ru ДВФУ, Владивосток, Россия СОВРЕ...»

«дата публикации на сайте www.vertikal-nsk.com "24" ноября 2014 года с изменениями от 12.12.2014 г. ПРОЕКТНАЯ ДЕКЛАРАЦИЯ на строительство "Жилого дома №5 (по генплану) V этап...»

«РОССИЙСКАЯ ФЕДЕРАЦИЯ ИРКУТСКАЯ ОБЛАСТЬ БРАТСКИЙ РАЙОН КАЛТУКСКОЕ МУНИЦИПАЛЬНОЕ ОБРАЗОВАНИЕ ДУМА КАЛТУКСКОГО СЕЛЬСКОГО ПОСЕЛЕНИЯ РЕШЕНИЕ № 45 от 26.12.2013 г. О внесении дополнения в п.1 решения Думы № 30 от 29.08.2013г. "Об утверждении генерального плана...»

«Министерство образования и науки Российской Федерации Негосударственное образовательное учреждение высшего профессионального образования "Северо-Кавказский гуманитарно-технический институт" Актуальные проблемы современной науки – новому поколению Международная студенческая научная конференция (Ставрополь, 21 апреля 2015 года)...»

«ООО "Компания "АЛС и ТЕК" УТВЕРЖДЕН 643.ДРНК.501592-02 31 01-ЛУ ШЛЮЗ ДОСТУПА АЛС-7300 AG Описание применения 643.ДРНК.501592-02 31 01 ( CD-R ) Листов 32 643.ДРНК.501592-02 31 01 СОДЕРЖАНИЕ Введение 1.Общие сведения о системе 2.Функциональное назначение 3.Описание структуры системы 3.1.Конструктивное исполнение 3.1.1.Конструктив БУН-...»

«Техническая карта материала Издание: 05/08/2010; UA_10/2011_ AS Идентификационный № Sika® MonoTop® -910 N Sika® MonoTop® -910 N (старое название Sika® MonoTop®-610) Антикоррозионная защита арматуры и клеящий раствор Sika® MonoTop® -910...»

«Дисциплина "Колебания и волны. Оптика" относится к базовой части блока математических и естественно-научных дисциплин, является обязательным курсом. В разделе "Колебания и волны. Волновая оптика" использован единый подход к механическим и электромагнитным колебательным и во...»

«профессиональному психологу с этими результатами для проведения углубленной психотерапии. Однако наличие интерпретации результатов позволяет и самим студентам, не являющимся профессиональными психологами, на основании по...»

«МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "РЯЗАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРОТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ П.А. КОСТЫЧЕВА" РАБОЧАЯ ПРОГРАММА Технологическая практика (Наименование производственной практики) У...»

«Наименование учебного курса Материально-техническое обеспечение адаптивной физической культуры Программа дисциплины "Материально-техническое обеспечение адаптивной физической культуры" федерального компонента цикла специальных дисциплин специальности составлена в соответствии с Государствен...»

«Федеральное агентство железнодорожного транспорта Уральский государственный университет путей сообщения Кафедра "Автоматика и телемеханика на железнодорожном транспорте" Ш. К. Валиев Р. Ш. Валиев ИЗУЧЕНИЕ И ИССЛЕДОВАНИЕ СХЕМ БЛОЧНОЙ МАРШРУТНО-РЕЛЕЙНОЙ ЦЕНТРАЛИЗАЦИИ Екатеринбург ...»

«Лекция 8 Восстановление информации Причины повреждений Логические (Программные сбои, вирусы, ошибки пользователей) Физические (Химические, электрические, механические) Способы восстановления Программный Аппаратный Пе...»

«Документ предоставлен КонсультантПлюс Утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 29 ноября 2012 г. N 1647-ст НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ КАРТОФЕЛЬ СЕМЕННОЙ ПРИЕМКА И МЕТОДЫ АНАЛИЗА Seed potatoes. Acceptance rules and methods of analysis ГОСТ Р 55329-2012 ОКС 65.02...»

«Журнал "Вестник связи", №1, 2008 ТЕХНИЧЕСКИЙ УЧЕТ В ЭКСПЛУАТАЦИОННОМ УПРАВЛЕНИИ СЕТЯМИ И.Д. Бычков, технический директор ОАО "Уралсвязьинформ", Б.С. Гольдштейн, заведующий кафедрой СП6ГУТ, замест...»

«ФЕДЕРАЛЬНОЕ АГЕНСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА ТОМСКИЙ ТЕХНИКУМ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА – ФИЛИАЛ СГУПС МДК 02.02 Технология диагностики и измерение параметров радиоэлектронного оборудования и сетей связи КОНСПЕКТ ЛЕКЦИЙ по теме: 2.1.Измерения в технике связи по специальности 11.02...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ Бийский технологический институт (филиал) федерального государственного бюджетного образовательного учреждения высшего профессионального образования "Алтайский государственный те...»

«ВНЕДРЕНИЕ ИННОВАЦИОННЫХ (по итогам Российской технической нефтегазовой конференции и ТЕХНОЛОГИЙ НА ЭТАПЕ РАЗВЕДКИ Аналитическая служба "Нефтегазовой Вертикали" выставки SPE по разведке и добыче 2010) Данный аналитический обзор статей с таблицами и графиками публикуется с разрешения правообладателя Society of Petroleum Engineer. Автор...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Пензенский государственный университет архитектуры и строительства" (ПГУАС) ИНЖЕНЕРНЫЕ ИЗЫСКАНИЯ, ИНВЕНТАРИЗАЦ...»

«Приложение к приказу Генерального директора ОАО СК "Альянс" от "02"декабря 2013 г. №357 УТВЕРЖДЕНО приказом Генерального директора ОАО СК "Альянс" от "02"декабря 2013 г. №357 ПРАВИЛА СТРАХОВАНИЯ ГРАЖДАНСКОЙ ОТВЕТСТВЕННОСТИ ЗА ПРИЧИНЕНИЕ ВРЕДА ВСЛЕДСТВИЕ НЕДОСТАТКОВ РАБОТ ПО...»

«6303 6973 – 06/2004 RU Сервисный уровень Инструкция по пуску в эксплуатацию и техническому обслуживанию Горелка голубого пламени Logatop BE 1.3 и 2.3 Внимательно прочитайте перед пуском в эксплуатацию и техническим обслуживанием Предисловие Оборудование соответствует основным тр...»

«437291 (Код ОКП) Охранный контроллер AC-08 ПАСПОРТ Контроллер AC-08 ТУ 4372-220-18679038-2008.09 ПС Паспорт Версия 1.47 1. Назначение и технические данные Охранный контроллер AC-08 предназначен для использования в составе системы контроля и управления доступом ParsecNET. Ко...»

«КФДЛ.431295.039 УТВЕРЖДАЮ Перв. примен. Заместитель генерального директора – главный конструктор ОАО "НИИЭТ В.П. Крюков 2015 г. МИКРОСХЕМА ИНТЕГРАЛЬНАЯ 1887ВЕ4У Справ. № Техническое описание КФДЛ.431295.039 ТО СОГЛАСОВАНО Зам главно...»

«Доступное и комфортное жилье: основные проблемы и пути решения П режде всего обраСЕРГЕЙ КРУГЛИК, заместитель министра тимся к цифрам. За регионального развития последние 9 месяцев темпы роста в строительстве составили 30–38%. На самом деле ни в одной отрасли экон...»










 
2017 www.lib.knigi-x.ru - «Бесплатная электронная библиотека - электронные материалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.