CC BY
41
Секция «Математические методы моделирования, управления и анализа данных»
Если условие не выполняется, то вычисление ПН аналогично биномиальной модели точечной оценки вероятности безотказной работы
р=1 - т.
i
Если выполняется, то
P = 1 —
2(n + 2)
Оценка результатов испытаний по определению скорострельности на соответствие требований ТЗ проводится по условию: нижняя доверительная граница (при а = 0,8) для генеральной средней по выборке опытных значений скорострельности (пнижн, выстр./мин) должна быть не менее заданной в ТЗ величины.
Методами теории вероятности вычисляется понпижн и после сравнения с заданной величиной, аналогично оценке результатов кучности, вычисляется ПН.
Оценка результатов испытаний по определению величины динамической ошибки приводов наведения на соответствие требований ТЗ проводится аналогично оценке результатов испытаний по определению
скорострельности с заменой пн™ на 5нижн .
Таким образом оценка ПН по параметрическим данным даёт возможность реагирования со стороны испытателя не только на факт отказа, но и на измене-
ние определённых параметров во время испытаний опытного образца установки.
Данную методику также возможно применить при оценке параметрической надёжности отдельных узлов АО, имеющих конкретные выходные параметры. Это удобно и при оценке только лишь результатов испытаний и при сравнении результатов испытаний с результатами, полученными с использованием статистического моделирования. Таким образом в единое целое собираются и процессы отработки узлов и изделий, и их статистическое моделирование и информационно-системная методология, которая стимулирует увеличение информативности. Тем самым оценка параметрических ПН помогает уточнить математическую модель исследуемого образца.
Также методика открывает возможность синтеза разработанных программных средств с программными пакетами уже зарекомендовавшими себя на мировом рынке.
Библиографическая ссылка
1. Вященко Ю.Л., Любимов И. В. Оценка надежности артиллерийских систем в процессе отработки и испытаний: учебное пособие. СПб. ; БГТУ, 2010. 92 с.
© Соболевский Е. С., Турчин М. Ю., 2013
УДК 519.87
В. В. Становов Научный руководитель - Е. С. Семенкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ РАСПАРАЛЛЕЛИВАНИЯ АЛГОРИТМА ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ ДЛЯ ЗАДАЧИ ФОРМИРОВАНИЯ СИСТЕМ НА НЕЧЕТКОЙ ЛОГИКЕ
Исследуется влияния распараллеливания алгоритма генетического программирования на эффективность его работы, а также зависимость времени работы алгоритма от числа используемых потоков, и сложности функции пригодности.
Эволюционные алгоритмы являются разновидностью интеллектуальных информационных технологий. Они применяются для решения широкого спектра задач анализа данных, оптимизации, классификации, построения регрессионных зависимостей и т. д. Однако широкому применению эволюционных методов препятствует их зачастую большая вычислительная сложность и, как следствие, длительное время счета даже на современных ЭВМ. Ввиду повсеместного внедрения в последние годы компьютеров, основанных на процессорах с несколькими вычислительными ядрами, актуальной темой видится распараллеливание эволюционных алгоритмов с целью повышения скорости их работы.
Стоит отметить, что написание параллельных приложений, несмотря на повсеместное распространение различных библиотек, позволяющих упростить этот процесс, является сложной и нетривиальной задачей.
При написании параллельных приложений могут встретиться различные проблемы, связанные с конкретными методами распараллеливания. Последнее имеет особенное значение, так как эволюционные алгоритмы, как правило, используют генерируемые компьютером псевдослучайные числа для собственной работы.
Многопоточным или параллельным приложением называется приложение, которое способно использовать несколько процессоров или вычислительных ядер ЭВМ в процессе своей работы. Отличительной особенностью многопоточных программ является необходимость синхронизировать работу потоков. Эта необходимость вызвана различной скоростью работы даже одного и того же алгоритма на различных вычислительных ядрах ввиду слабых колебаний тактовой частоты, работы операционной системы и иных факторов.
Актуальные проблемы авиации и космонавтики. Информационные технологии
Рис. 1. Время работы алгоритма, 10 нечетких правил
so
60
40
1
: з а
Число потоков Рис. 2. Время работы алгоритма, 20 нечетких правил
Сравнение эффективности работы алгоритма
Запуск/число потоков 1 2 3 4
1 0,97334 0,97334 0,99334 0,98
2 0,98 0,99334 0,98667 0,98667
3 0,99334 0,98 0,96667 0,99334
4 0,98667 0,96667 0,98 0,98
5 0,98 0,98 0,98667 0,96667
6 0,96667 0,98 0,97334 0,97334
Среднее 0,98 0,978 0,98115 0,98
Что касается эволюционных алгоритмов, в которых, как правило, обрабатывается некоторый массив индивидов, то их распараллеливание видится достаточно легким, так как в большинстве реализаций индивиды и их пригодность не зависит друг от друга (имеется в виду этап формирования нового поколения). Для достаточно сложных задач с тяжело вычисляемой функцией пригодности есть смысл распараллеливать только её вычисление, так как операции селекции, скрещивания и мутации, скорее всего, займут гораздо меньшее время.
В данной работе для создания потоков использовалась библиотека process^ функция beginthread, так как несмотря на некоторую сложность реализации, они позволяют производить тонкую настройку синхронизации работы потоков. В процессе работы алгоритма также использовалась самонастройка, основанная на схеме PDP [1].
Замеры эффективности работы алгоритма производились на задаче классификации ирисов, 4 признака, объем выборки - 150, 3 класса [2]. Результаты сравнения представлены ниже.
Эффективность работы на различных потоках по результатам шести прогонов представлена в таблице.
Как видно из графиков, распараллеливание алгоритма ГП для формирования нечетких систем дает положительный эффект в смысле времени работы. Что касается эффективности работы алгоритмов ГП, существенной разницы на разном числе потоков замечено не было, отличие от генетического алгоритма, где необходимо применять модификации генератора случайных чисел. Эти модификации генератора случайных чисел для каждого из потоков в отдельности не нужны, так как число генерируемых случайных чисел не фиксировано, то есть для ГП размеры деревьев всегда отличаются, поэтому число генерируемых случайных чисел в каждом из потоков отличается. При этом каждый из потоков ведет себя по-разному, даже если случайные числа при этом генерируются одинаковые.
Библиографические ссылки
1. Niehaus J., Banzhaf W. Adaption of Operator Probabilities in Genetic Programming. In: Miller J. et al. (Eds.): EuroGP 2001, LNCS 2038. 2001. P. 325-336.
2. URL: http://archive.ics.uci.edu/ml/datasets/Iris.
© Становов В. В., 2013
