CC BY
28
Классы tableOfContent и literatureList описывают специфические части документов: оглавление и список литературы соответственно.
Реализация и приоритеты
Некоторые обсуждаемые компоненты уже реализованы и проходят апробацию в различных приложениях. Так, прототип хранилища данных, построенного с использованием модели векторного пространства документов, а также некоторые ключевые элементы модулей классификации документов и идентификации связей прошли успешную апробацию при реализации смежных технологий интегральной оценки качества электронных документов [6] и анализа сходства документов в различных контекстах [7].
Среди основных приоритетных задач разработки представляется важным отметить разработку унифицированного программного интерфейса доступа к информационным ресурсам и определение методики уточнения запросов и автоматической фильтрации результатов поиска.
Кроме того, важное место занимают задачи количественного определения степени пертинентно-сти найденных документов - претендентов на включение в состав искомых инновационных решений, а также алгоритмизации определения семантического ядра - идентификации связей найденных документов с похожими объектами.
Литература
1. Байгулов Р.М., Рожкова Е.В. Управление промышленным предприятием: специфика поиска инновационных бизнес-идей // Современные проблемы науки и образования. 2012. № 2. URL: www.science-education.ru/102-5896 (дата обращения: 09.06.2013).
2. Куракова Н.Г., Зинов В.Г. Создание прорывных инноваций на основе комбинации научных заделов мирового уровня как компетенция инновационного менеджмента // Инновации. 2012. № 10. С. 37-42.
3. Российское образование: тенденции и вызовы / Сб. ст. и аналитических докл. М.: Изд-во «Дело» АНХ, 2009. 400 с.
4. Антопольский А., Каленкова А., Каленов Н., Серебряков В., Сотников А. Принципы разработки интегрированной системы для научных библиотек, архивов и музеев // Информационные ресурсы России. 2012. N° 1. С. 2-6.
5. Salton G., Wong A., Yang C.S. A Vector Space Model for Automatic Indexing. Communications of the ACM, 1975, vol. 18, no. 11, pp. 613-620.
6. Иванов В.К. Критерии интегральной оценки электронных документов в системах подготовки принятия решений // Вестн. ТГТУ, 2012. Вып. 22. С. 20-26.
7. Иванов В.К., Миронов В.И. Особенности анализа сходства документов в различных контекстах заимствования при подготовке текстовых материалов // Оценка качества высшего профессионального образования с учетом требований ФГОС и профессиональных стандартов: матер. докл. науч.-практич. конф. Тверь, 2013. С. 20-28.
References
1. Baygulov R.M., Rozhkova E.V. Sovremennye problemy nauki i obrazovaniya [Modern problems of Education and Science]. 2012, no. 2, available at: www.science-education.ru/102-5896 (accessed 9 June 2013).
2. Kurakova N.G., Zinov V.G. Innovatsii [Innovations], 2012, no. 10, pp. 37-42.
3. Rossiyskoe obrazovanie: tendentsii i vyzovy, Sb. st. i anali-ticheskikh dokl. [Russian education, proc.]. Moscow, Delo Publ., 2009, 400 p.
4. Antopolskiy A., Kalenkova A., Kalenov N., Serebrya-kov V., Sotnikov A. Informatsionnye resursy Rossii [Russian information resources]. 2012, no. 1, pp. 2-6.
5. Salton G., Wong A., Yang C.S. Communications of the ACM. 1975, vol. 18, no. 11, pp. 613-620.
6. Ivanov V.K. Vestnik Tver. Gos. Tekh. Univ. [Bulletin of Tver State Tech. Univ.]. 2012, vol. 22, pp. 20-26.
7. Ivanov V.K., Mironov V.I. Otsenka kachestva vysshego professionalnogo obrazovaniya s uchetom trebovaniy FGOS i professionalnykh standartov: materialy dokladov nauch.-prakt. konf. [Quality control of highest vocational education adjusted for requirements of FSES and occupational standards: Proc. of research-to-practice Conf.]. Tver, 2013, pp. 20-28.
УДК 519.6
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ САМОКОНФИГУРИРУЕМОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ВЫБОРА ЭФФЕКТИВНОГО ВАРИАНТА СИСТЕМЫ УПРАВЛЕНИЯ КОСМИЧЕСКИМИ АППАРАТАМИ
Е.С. Семенкин., д.т.н., профессор; М.Е. Семенкина, к.т.н., старший преподаватель;
Е.А. Попов, д.ф.-м..н., профессор (Сибирский государственный аэрокосмический университет им.. академика М.Ф. Решетнева, просп им.. газ. «Красноярский рабочий», 31, г. Красноярск,, 660014, Россия, eugenesemenkin@yandex.ru, semenkina.88@:mail.ru, epopov@bmail.ru)
В данной статье описано моделирование работы системы управления космическим аппаратом с помощью цепей Маркова. Описаны модели технологического и командно-программного контуров для абсолютно надежного наземного комплекса управления, а также способ расчета показателей эффективности (коэффициент готовности космического аппарата и др.) выбранного варианта аппаратно-программного комплекса для систем управления космическим
аппаратом. Выполнено обобщение моделей на случай ненадежного наземного комплекса управления, состоящего из подсистем. Проблема выбора эффективного варианта для системы управления космическим аппаратом формулируется как многомерная задача оптимизации с алгоритмически заданными функциями. Предлагается использовать самоконфигурируемый генетический алгоритм, который не требует настройки параметров алгоритма для получения решений высокого качества, что позволит применять данный алгоритм конечным пользователям, инженерам-проектировщикам космических аппаратов, не имеющим специальных знаний в области эволюционной оптимизации, для выбора эффективных вариантов аппаратно-программного комплекса для систем управления космическим аппаратом. Продемонстрирована высокая эффективность самоконфигурируемого генетического алгоритма при решении задач выбора оптимального варианта системы управления космическими аппаратами, заключающаяся в высокой надежности предлагаемого алгоритма при просмотре малой части поискового пространства, что существенно ускоряет нахождение решения.
Ключевые слова: система управления космическим аппаратом, контур управления, цепи Маркова, оптимизация, выбор эффективного варианта, генетический алгоритм, самоконфигурирование.
PERFORMANCE INVESTIGATION OF SELF-CONFIGURING GENETIC ALGORITHM FOR SPACECRAFTS' CONTROL SYSTEMS EFFECTIVE VARIANT CHOICE Semenkin E.S., Dr. Tech. Sc., professor; Semenkina M.E., Ph.D. Tech. Sc., senior lecturer;
Popov E.A., Dr.Sc. (Physics and Mathematics), professor (Academician M.F. Reshetnev Siberian State Aerospace University, Krasnoyarskiy Rabochiy Av., 31, Krasnoyarsk, 660014, Russian Federation, eugenesemenkin@yandex.ru, semenkina88@mail.ru, epopov@bmail.ru)
Abstract. The work of the spacecraft control system is modeled with Markov chains. The models for the technological and command-programming control contours are developed. The way of the calculation of the control contour effectiveness indicators (readiness coefficients and others) is described. The problem of choosing an effective variant for a spacecraft's control system is formulated as a multi-scale optimization problem with algorithmically given functions. Special self-configuring genetic algorithm is suggested to use for choosing effective variants of spacecraft control systems as it is very reliable, has no requirements to settings determination and parameter tuning and requires no expert knowledge in evolutionary optimization from end users (aerospace engineers). The high performance of the suggested algorithm is demonstrated by solving optimization problems. It was shown that the algorithms require the examination of small part of the search space to find solution that greatly accelerates the process of search for a solution of the problem of choosing effective variants of spacecraft control systems.
Keywords: spacecraft control system, control contours models, markov chains, optimization, effective variant choice, genetic algorithm, self-configuring.
Усилия разработчиков космических аппаратов сегодня сосредоточены на повышении эффективности использования существующих космических систем и совершенствовании разработки и проектирования новых. Одним из способов достижения этих целей является рациональный выбор эффективных вариантов разрабатываемых систем, который требует применения адекватных моделей, эффективных алгоритмических средств и мощных компьютеров.
Одна из самых сложных и недостаточно изученных проблем - синтез систем управления космическим кораблем. В настоящее время она решается эмпирическими методами, а не при помощи формализованных математических инструментов. Как правило, разработка систем управления космическими аппаратами представляет собой сложный процесс, включающий сотрудничество большого числа экспертов и ведомств, каждое из которых имеет свои собственные цели и ограничения. Тем не менее можно математически моделировать некоторые подзадачи и получать некоторые качественные результаты расчетов и тенденций, которые могут предоставлять интерес для специалистов. Данная ситуация, когда математические модели являются строгими, но очень сложными для анализа, промежуточная, поэтому лучшее решение - это внедрение системы поддержки принятия решений для выбора эффективных вариантов. Од-
нако возникающие оптимизационные проблемы неразрешимы для большинства известных алгоритмов.
Моделирование процесса управления космическим аппаратом производится при помощи цепей Маркова. Проблема выбора эффективного варианта для системы управления космическим аппаратом формулируется как многомерная задача оптимизации с алгоритмически заданными функциями. В данной работе для решения сложных задач оптимизации будет применяться самоконфигурируемый генетический алгоритм.
Постановка задачи
Система контроля и управления орбитальной группировки спутников связи представляет собой автоматизированную распределенную информационно-управляющую систему, которая включает в свой состав бортовой комплекс управления (БКУ) космическими аппаратами, систему телекоммуникации (СТК), командно-измерительные системы (КИС), а также центр управления полетом (ЦУП). Последние три подсистемы объединены в наземный комплекс управления (НКУ). НКУ взаимодействует с БКУ с помощью СТК, а также КИС и систем передачи данных, которые включают в себя узлы связи, каналы и соответствующее оборудование связи ЦУП. БКУ является
Таблица 1
Описание моделей технологического и командно-программного контуров
Контур Технологический контур Командно-программный контур
Основная задача Обеспечение работоспособности космического аппарата для достижения его целей, то есть обнаружения и локализации возможных отказов системы управления, восстановление утраченной работоспособности с использованием соответствующего программного обеспечения и аппаратных средств Обеспечение выработки, передачи на БКУ и отработки командно-программной информации и управляющих воздействий, а также реализация режима командно-программного управления
Описание упрощенной системы управления Пусть система состоит из трех подсистем: бортового целевого оборудования, БКУ и НКУ. Допустим, что НКУ абсолютно надежен, но целевая аппаратура (ЦА) космического аппарата и БКУ могут выйти из строя. Если ЦА отказала, БКУ может восстановить ее работоспособность с помощью своих программных средств с вероятностью р0 или перенаправить процесс восстановления (с вероятностью 1-р0) в НКУ, который закончит восстановление с вероятностью, равной 1. В случае неисправности БКУ НКУ восстанавливает его работоспособность с вероятностью, равной единице
Обозначения (все стохастические потоки в системе - пуассоновские с соответствующими интенсивностями) - интенсивность отказов ЦА, Х2 - интенсивность отказов БКУ, - интенсивность восстановления ЦА с БКУ, ц2 - интенсивность восстановления ЦА с НКУ, ц3 - интенсивность восстановления БКУ с НКУ - интенсивность отказов БКУ, - интенсивность расчета временной программы (ВП), ц2 - интенсивность загрузки командно-программной информации в БКУ, ц3 - интенсивность обработки временной программы, ц4 - интенсивность восстановления БКУ после его отказа
Возможные состояния системы 1. Все подсистемы работоспособны. 2. ЦА вышла из строя, БКУ восстанавливает ЦА, НКУ свободен. 3. БКУ вышел из строя, НКУ восстанавливает БКУ, ЦА работоспособна. 4. ЦА вышла из строя, БКУ работоспособен и свободен, НКУ восстанавливает ЦА. 5. ЦА вышла из строя, БКУ вышел из строя, НКУ восстанавливает ЦА и БКУ ожидает восстановления 1. БКУ работоспособен и отрабатывает ВП, НКУ свободен. 2. БКУ работоспособен и свободен, НКУ рассчитывает ВП. 3. БКУ работоспособен и свободен, НКУ вычисляет командно-программную информацию и загружает ВП. 4. БКУ отказал и восстанавливается в НКУ, который ждет продолжения расчета ВП. 5. БКУ отказал и восстанавливается в НКУ, который ждет продолжения загрузки командно-программной информации
Граф состояний Представлен на рисунке 1 Представлен на рисунке 1
Показатели эффективности 1. Коэффициент готовности космического аппарата: кКА=Р1, где Р; - вероятность пребывания системы в состоянии ^ i=1, ..., 5. 2. Коэффициент готовности ЦА: кЦА=Р1+Р3. 3. Коэффициент готовности БКУ: кБКУ=Р1+Р2+Р4 1. Т=Р1/(т2-Р3) - среднее время выполнения ВП в БКУ, где Р; - вероятность пребывания системы в состоянии ^ i=1, ..., 5.; 2. ^=(Р3 + Р5)/( ц1-Р2) - среднее время взаимодействия БКУ с НКУ при загрузке ВП; 3. ^ = (Р2+Р3+Р4+Р5)/(Р1 •(Х1+ц3)) - среднее время от начала расчета ВП до начала ее отработки БКУ КА
Постановка задачи оптимизации показателей эффективности Чтобы иметь эффективный вариант системы управления космическими аппаратами, нужно максимизировать коэффициенты готовности в зависимости от ограничений на память компьютера и вычислительных затрат, необходимых для реализации функций технологического контура Первый показатель должен быть максимизирован, а два остальных минимизированы путем правильного выбора интенсивностей операций, которые являются параметрами аппаратуры, включаемой в систему управления
подсистемой управления космическим аппаратом, которая в режиме реального времени обеспечивает проверку и контроль состояний бортовых систем, а также выполнение программы полета. Кроме того, БКУ обеспечивает взаимодействие с наземными средствами управления. Контрольные функции, выполняемые системой автоматизированного управления, могут быть разделены на подсистемы, называемые контурами управления, каждый из которых выполняет различные функции. Как правило, можно рассматривать технологический контур, командно -программный, целевой и др. [1].
Модели технологического и командно-программного контуров описаны в таблице 1. В связи с высокой надежностью и стабильностью работы, практической невозможностью двух одновременных отказов, отсутствием последействия для мо-
делирования работы системы управления космическим кораблем могут быть использованы цепи Маркова (рис. 1).
При предварительном проектировании системы управления основной задачей является поиск оптимальных характеристик потоков ^, Х2, ц, ц2, цз, ц4, а также p0, то есть нахождение оптимального распределения функций контура между БКУ и НКУ. Если они являются характеристиками имеющихся вариантов программно-аппаратного оборудования, то существует проблема эффективного выбора варианта, то есть задачи дискретной оптимизации.
Каждый контур имеет свои показатели качества управления, которые не могут быть выражены через показатели качества других контуров. В результате возникает множество проблем при попытке выбрать эффективный вариант системы
управления для обеспечения высокого качества в отношении всех контуров управления. Многокри-териальность постановки задачи оптимизации - не единственная проблема. Для большинства из контуров управления критерий не может быть представлен в виде аналитической функции своих переменных, но существует в алгоритмической форме, которая требует большого количества вычислений или запуска имитационной модели для оценки значения критерия.
Чтобы иметь возможность выбрать эффективный вариант такой системы управления, нужно промоделировать работу всех контуров управления, а затем объединить результаты в одной оптимизационной задаче с большим количеством моделей, критериев, ограничений и алгоритмически заданными функциями смешанных переменных. Для решения таких задач оптимизации предлагается использовать эволюционные алгоритмы (ЭА), которые известны как хорошие оптимизаторы, не имеющие трудностей с описанными свойствами оптимизационной задачи, такими как смешанные переменные и алгоритмически заданные функции.
Обобщение моделей
В более сложной постановке задачи оптимизации НКУ состоит из трех групп подсистем (КИС, СТК, ЦУП). Учитывая все подсистемы группы как один объект, получим три подсистемы НКУ. Если они могут выходить из строя, то в граф должны быть добавлены новые состояния и переходы.
Полный граф состояний для этого случая содержит 40 состояний и 146 переходов (рис. 2). Соответствующая система уравнений Колмогорова содержит 40 строк.
При тех же условиях граф состояний для командно-программного контура содержит 96 состояний и более 300 переходов и не может быть приведен здесь из-за его сложности.
При еще более подробном рассмотрении системы необходимо продолжить деление подсистем группы на части. После этого необходимо объединить все контуры космического корабля и контуры различных космических аппаратов орбитальной группировки. Кроме того, в некоторых случаях невозможно использовать простую цепь Маркова и нужны более сложные имитационные модели. Все это делает задачу выбора эффективного варианта аппаратно-программного комплекса для систем управления космическими аппаратами исключительно сложной для существующих алгоритмов оптимизации.
Применение самоконфигурируемого генетического алгоритма при выборе аппаратно-программного комплекса
Разработанный в [2] самоконфигурируемый генетический алгоритм (SelfCGA), не требующий выбора его настроек, является подходящим методом для решения сложной задачи оптимизации системы управления космическим аппаратом [3]. Прежде всего оценим эффективность его работы на упрощенных моделях технологического и командно-программного контуров с 5 состояниями.
Рис. 2. Граф состояний марковской цепи для моделирования технологического контура с ненадежными подсистемами НКУ
Для выбора эффективного варианта технологического контура необходимо оптимизировать алгоритмически заданную функцию от 6 дискретных переменных. Пространство оптимизации содержит около 1,67-107 вариантов и может быть просмотрено алгоритмом полного перебора в разумные сроки. В такой ситуации известны лучшие и худшие допустимые значения показателей. После выполнения 100 запусков алгоритма известны также лучшие и худшие значения показателей, полученные в результате выполнения.
При численном тестировании использовались 20 индивидов в 30 поколениях. Это означает, что алгоритм просматривает 600 точек из пространства оптимизации, то есть около 0,0036 % от него. В качестве показателя эффективности алгоритма будем использовать надежность (процент запусков алгоритма, которые дали точное решение), МБ -максимальное отклонение полученных решений от лучшего известного; и относительное максимальное отклонение полученных решений от лучшего известного ЯМБ. Производилось сравнение пяти групп алгоритмов, а именно четырех групп с различными вариантами модифицированного равномерного скрещивания (иЕ, ЦЯ, ЦР, иТ) и лучшими вариантами других настроек (селекция, мутация) и SelfCGA. В таблице 2 представлены результаты вместе с оценкой вычислительных затрат (усредненное количество поколений, необходимых для нахождения точного решения). Надежностью в условиях данной задачи называется доля прогонов, в которых было достигнуто требуемое качество решения.
Таблица 2 Сравнение надежности алгоритмов для технологического контура с 5 состояниями
Аналогичные оценки для всех трех показателей программно-командного контура даны в таблице 3.
Разница заключается в размере задачи оптимизации. 600 вычислений целевой функции соответствуют 0,057 % от общей размерности пространства оптимизации.
Из таблиц 2 и 3 видно, что SelfCGA превосходит альтернативные алгоритмы для обоих контуров управления и всех показателей. Теперь необходимо оценить эффективность предложенного алгоритма на обобщенных моделях, которые имеют гораздо большие размеры.
Задача поиска оптимального варианта аппаратно-программного комплекса космического ап-
парата с точки зрения технологического контура управления имеет 11 дискретных переменных. Соответствующее пространство оптимизации содержит около 1,76-1013 точек и не может быть просмотрено при помощи полного перебора, особенно если вспомнить, что рассмотрение одной точки включает решение системы линейных уравнений с 40 переменными. Лучшие и худшие допустимые значения показателей неизвестны, поэтому здесь используются самые лучшие известные решения после нескольких прогонов. Тем не менее можно попытаться получить результирующую таблицу, аналогичную таблице 2.
Таблица 3 Сравнение надежности алгоритмов для командно-программного контура с 5 состояниями
Алго- Показа- Надеж- МБ (%) КМБ Поко-
ритм тель ность (%) ление
иЕ T 0,87 6,431 9,028 26
0,76 0,956 3,528 43
¿2 0,83 13,392 26,01 28
т T 0,95 3,987 5,6 21
0,93 0,341 1,258 39
¿2 0,93 11,347 22,04 26
ир T 0,79 6,667 9,359 28
0,71 1,156 4,266 45
¿2 0,74 16,321 31,7 29
ит т 0,91 4,873 6,84 23
0,81 0,956 3,528 44
¿2 0,86 13,392 26,01 25
БеИСОА т 0,99 3,245 4,555 19
0,96 0,1226 0,4524 33
¿2 0,98 9,987 19,397 17
Для оценки производительности алгоритмов мы используем 40 индивидов на одно поколение и 80 поколений за один прогон, то есть алгоритм просматривает около 1,82-10-7 % точек поискового пространства. Результаты численных экспериментов приведены в таблице 4.
Таблица 4 Сравнение надежности алгоритмов для технологического контура с 40 состояниями
Алгоритм Надежность МБ (%) КМБ (%) Поколение
иЕ 0,79 0,0115 0,2178 56
т 0,86 0,0099 0,1875 48
ир 0,73 0,0121 0,2292 59
ит 0,87 0,0095 0,1799 49
БеИСОА 0,90 0,0092 0,1742 33
Для последней задачи, то есть для модели командно-программного контура управления с 96 состояниями и более 300 переходами, нет подобной информации. Эта задача имеет 13 переменных и содержит 4,5-1015 точек в пространстве оптимизации. Чтобы найти надежные оценки всех показателей, требуется огромное число вычислений. Для нахождения решения алгоритмам требуется
Алгоритм Надежность МБ (%) КМБ (%) Поколение
иЕ 0,89 0,0021 0,3576 26
т 0,92 0,0017 0,2895 22
ир 0,84 0,0024 0,4087 26
ит 0,97 0,0009 0,1533 23
БеИСОА 0,98 0,0003 0,051 21
просмотреть около 2,2-10-10 % поискового пространства (100 индивидов на 100 поколений). Усредненные результаты 100 прогонов приведены в таблице 5. Это дает нам некоторое представление о сравнительной надежности исследуемого алгоритма.
Таблица 5 Сравнение надежности алгоритмов для командно-программного контура с 96 состояниями
Таблицы 4 и 5 демонстрируют превосходство ЗеНСОА над всеми альтернативными алгоритмами.
При решении этих задач для реального использования нужно будет сделать только один запуск алгоритма, но с намного большими вычислительными затратами, так как для тестирования намеренно занижались выделяемые вычислительные ресурсы.
В заключение отметим, что при наличии СППР при математическом моделировании систем управления космическими аппаратами, которая
позволяет инженеру-проектировщику, не владеющему технологией моделирования с помощью марковских процессов, получать адекватное описание процесса функционирования, основной сложностью при выборе эффективного варианта системы управления космическими аппаратами является оптимизация. Для выбора эффективных вариантов предлагается использовать самоконфигурируемый генетический алгоритм, так как это очень надежный метод, который может эффективно применяться инженерами-проектировщиками космических аппаратов, не имеющими специальных знаний в области эволюционной оптимизации.
Литература
1. Семенкин Е.С., Семенкина О.Э., Коробейников С.П. Поисковые методы синтеза систем управления космическими аппаратами. Красноярск: СИБУП, 1996. 325 с.
2. Семенкина М.Е. Самоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных // Искусственный интеллект и принятие решений. 2013. № 1. С. 13-23.
3. Semenkin E.S., Semenkina M.E. The choice of spacecrafts' control systems effective variants with self-configuring genetic algorithm. Informatics in Control, Automation and Robotics. Proc. 9th Intern. Conf. ICINCO'2012, Rome, Italy, 2012, vol. 1, pp. 84-93.
References
1. Semenkin E.S., Semenkina O.E., Korobeynikov S.P. Search methods for the synthesis of spacecraft control systems. Krasnoyarsk, Siberian inst. of business, management and psychology Publ., 1996, 325 p.
2. Semenkina M.E. Self-adaptive evolutionary algorithms for data mining information technologies design. Iskusstvenny intellekt i prinyatiye resheniy [Artificial intelligence and decision making]. 2013, no. 1, pp. 13-23.
3. Semenkin E.S., Semenkina M.E. The Choice of Spacecrafts' Control Systems Effective Variants with Self-Configuring Genetic Algorithm. Informatics in control, automation and robotics: proc. of the 9th int. conf. ICINCO'2012. Rome, Italy, 2012, vol. 1, pp. 84-93.
Алгоритм Показатель Надежность Поколение
UE T 0,76 65
t\ 0,67 81
Г2 0,75 69
UR T 0,84 59
0,81 78
¿2 0,84 64
UP T 0,70 69
Г1 0,59 76
Г2 0,63 72
UT T 0,83 61
t\ 0,72 85
Г2 0,77 66
SelfCGA T 0,91 58
Г1 0,87 75
Г2 0,89 53
УДК 519.688
ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ОБРАБОТКИ ДАННЫХ ИОНОСФЕРНЫХ ИЗМЕРЕНИЙ
В.О. Скрипачев, зам.. начальника отдела (Российская корпорация ракетно-космического приборостроения и информационных систем, ул. Авиамоторная, 53, г. Москва, 111250, Россия, skripatchevv@inbox.ru)
Предложен программный комплекс определения параметров ионосферы средствами радиозондирования, способствующий получению информации о параметрах среды с целью дальнейшей диагностики возмущений как естественного, так и искусственного характера, и уточнению известных ионосферных моделей. Разработанный программный комплекс предназначен для восстановления профилей электронной концентрации в ионосфере по сигналам навигационных космических аппаратов ГЛОНАСС/GPS. Для разработки комплекса используется объектно-ориентированное программирование. Это позволяет уменьшить время разработки новых классов, наследуя их от уже имеющихся в используемых программных библиотеках. Объектно-ориентированный подход был реализован при разработке программного кода, отвечающего за расчет полного электронного содержания по характеристикам сигналов навигационного космического аппарата. Взаимодействие между блоками комплекса также выполняется на ос-
